Jak funguje neuro-symbolická umělá inteligence – a proč na tom záleží

Dva mozky, jeden stroj

Moderní umělá inteligence má rozpolcenou osobnost. Na jedné straně stojí neuronové sítě – výkonné motory pro rozpoznávání vzorů, které se učí z obrovských datových sad, ale nedokážou vysvětlit své uvažování a pravidelně si vymýšlejí fakta. Na druhé straně stojí symbolická umělá inteligence, logika založená na pravidlech, která dominovala oboru v 80. letech: transparentní a přesná, ale přesto rigidní a úzká. Neuro-symbolická AI spojuje obojí do jediné architektury a rostoucí množství výzkumů naznačuje, že tento hybrid může být klíčem k tomu, aby se AI stala důvěryhodnou, efektivní a mnohem schopnější.

Co je neuro-symbolická AI?

Ve svém jádru má neuro-symbolický systém tři vrstvy. Neuronová percepční vrstva zpracovává surová, nestrukturovaná data – obrázky, zvuk, text – pomocí hlubokého učení k detekci vzorů a rysů. Symbolická vrstva uvažování aplikuje formální logiku, znalostní grafy a explicitní pravidla k interpretaci toho, co neuronová vrstva zjistila. Integrační vrstva obě vrstvy propojuje a předává si informace tam a zpět, takže rozpoznávání vzorů a logické uvažování se vzájemně posilují.

Představte si to jako rozdíl mezi dítětem, které dokáže rozpoznat kočku na fotografii (neuronové), a dítětem, které také ví, že kočky jsou savci, savci jsou teplokrevní a teplokrevná zvířata potřebují potravu (symbolické). Neuro-symbolické dítě vidí i uvažuje.

Proč řeší problém halucinací

Velké jazykové modely, jako je ChatGPT, generují text na základě statistické pravděpodobnosti, nikoli porozumění. Proto někdy produkují sebevědomě znějící nesmysly – takzvané halucinace. Artur Garcez, profesor informatiky na City St George's, University of London, tvrdí, že neuro-symbolická AI je „odpovědí na neschopnost velkých jazykových modelů přestat halucinovat“, protože symbolická omezení nutí výstupy, aby se řídily ověřitelnými logickými pravidly, spíše než pouhou pravděpodobností.

Světové ekonomické fórum zdůraznilo, že neuro-symbolické systémy neprodukují „žádné halucinace“ a nabízejí „zcela transparentní a auditovatelné“ rozhodování – vlastnosti nezbytné pro vysoce rizikové oblasti, jako je zdravotnictví, finance a právo.

Stokrát větší energetická výhoda

Výzkumný tým vedený Matthiasem Scheutzem na Tufts University nedávno demonstroval, jak efektivní tento přístup může být. Při testování neuro-symbolických vizuálně-jazykově-akčních (VLA) modelů – robotických systémů, které kombinují kamerový vstup a jazykové instrukce k provádění fyzických úkolů – tým ohlásil dramatické výsledky:

• 95% přesnost na standardním úkolu Hanojské věže, oproti 34 % u konvenčního VLA modelu
• 78% úspěšnost na neviděné, obtížnější variantě hlavolamu, zatímco standardní modely dosáhly 0 %
• Trénink dokončen za 34 minut namísto více než 36 hodin
• Použito zhruba 1 % tréninkové energie a 5 % energie pro provádění ve srovnání se standardními přístupy

„Neuro-symbolický VLA může aplikovat pravidla, která omezují množství pokusů a omylů během učení,“ vysvětlil Scheutz. Zjištění, publikovaná na arXiv, budou prezentována na IEEE ICRA 2026 ve Vídni.

Aplikace v reálném světě dnes

Neuro-symbolické principy již podporují několik vysoce profilovaných systémů AI. AlphaFold od Google DeepMind, který předpovídá proteinové struktury pro objevování léků, kombinuje naučené neuronové vzory s biochemickými omezeními. Nákupní asistent Amazonu Rufus používá velké jazykové modely omezené symbolickými vrstvami spojenými s produktovými katalogy a cenovou logikou, aby zabránil vymyšleným tvrzením o produktech.

IBM Research, ve spolupráci s MIT prostřednictvím Watson AI Lab, nazývá neuro-symbolickou AI „cestou k umělé obecné inteligenci“ a aplikoval ji na oblasti od objevování léků proti COVID-19 po abstraktní uvažování ve stylu IQ testů.

Cesta vpřed

Jak se systémy AI přesouvají do medicíny, autonomních vozidel a kritické infrastruktury, poptávka po vysvětlitelnosti a spolehlivosti bude jen růst. Čisté neuronové sítě se působivě škálují, ale zůstávají neprůhledné; čisté symbolické systémy jsou transparentní, ale křehké. Neuro-symbolická AI nabízí střední cestu: stroje, které se mohou učit z neuspořádaných dat reálného světa a uvažovat o tom, co se naučily – s využitím zlomku energie. Ať už představuje „třetí vlnu“ AI, nebo jen nezbytnou korekci, hybridní přístup se rychle přesouvá z výzkumných laboratoří do produkčních systémů po celém světě.