Ako funguje neuro-symbolická AI – a prečo na tom záleží

Dva mozgy, jeden stroj

Moderná umelá inteligencia má rozpoltenú osobnosť. Na jednej strane sú neurónové siete – výkonné nástroje na rozpoznávanie vzorov, ktoré sa učia z rozsiahlych súborov dát, ale nedokážu vysvetliť svoje uvažovanie a pravidelne si vymýšľajú fakty. Na druhej strane je symbolická AI, logika založená na pravidlách, ktorá dominovala v odbore v 80. rokoch: transparentná a presná, no zároveň rigidná a úzka. Neuro-symbolická AI spája obe do jednej architektúry a rastúci počet výskumov naznačuje, že tento hybrid môže byť kľúčom k tomu, aby bola AI dôveryhodná, efektívna a oveľa schopnejšia.

Čo je neuro-symbolická AI?

Vo svojej podstate má neuro-symbolický systém tri vrstvy. Neurónová percepčná vrstva spracováva nespracované, neštruktúrované dáta – obrázky, zvuk, text – pomocou hlbokého učenia na detekciu vzorov a prvkov. Symbolická vrstva uvažovania aplikuje formálnu logiku, znalostné grafy a explicitné pravidlá na interpretáciu toho, čo neurónová vrstva našla. Integračná vrstva spája tieto dve, prenáša informácie tam a späť, aby sa rozpoznávanie vzorov a logické uvažovanie navzájom posilňovali.

Predstavte si to ako rozdiel medzi dieťaťom, ktoré dokáže rozpoznať mačku na fotografii (neurónové), a dieťaťom, ktoré tiež vie, že mačky sú cicavce, cicavce sú teplokrvné a teplokrvné zvieratá potrebujú potravu (symbolické). Neuro-symbolické dieťa dokáže vidieť aj uvažovať.

Prečo rieši problém halucinácií

Rozsiahle jazykové modely ako ChatGPT generujú text na základe štatistickej pravdepodobnosti, nie porozumenia. Preto niekedy produkujú sebavedomo znejúce nezmysly – takzvané halucinácie. Artur Garcez, profesor informatiky na City St George's, University of London, tvrdí, že neuro-symbolická AI je „odpoveďou na neschopnosť rozsiahlych jazykových modelov prestať halucinovať“, pretože symbolické obmedzenia nútia výstupy, aby sa riadili overiteľnými logickými pravidlami, a nie iba pravdepodobnosťou.

Svetové ekonomické fórum zdôraznilo, že neuro-symbolické systémy neprodukujú „žiadne halucinácie“ a ponúkajú „úplne transparentné a audítorské“ rozhodovanie – vlastnosti nevyhnutné pre oblasti s vysokými stávkami, ako je zdravotníctvo, financie a právo.

100-násobná energetická výhoda

Výskumný tím vedený Matthiasom Scheutzom na Tufts University nedávno demonštroval, aký efektívny môže byť tento prístup. Testovaním neuro-symbolických vizuálno-jazykovo-akčných (VLA) modelov – robotických systémov, ktoré kombinujú kamerový vstup a jazykové inštrukcie na vykonávanie fyzických úloh – tím zaznamenal dramatické výsledky:

• 95 % presnosť pri štandardnej úlohe Tower of Hanoi, oproti 34 % pri konvenčnom VLA modeli
• 78 % úspešnosť pri nevidenej, ťažšej variante hlavolamu, zatiaľ čo štandardné modely dosiahli 0 %
• Tréning dokončený za 34 minút namiesto viac ako 36 hodín
• Použité približne 1 % tréningovej energie a 5 % energie na vykonávanie v porovnaní so štandardnými prístupmi

„Neuro-symbolický VLA môže aplikovať pravidlá, ktoré obmedzujú množstvo pokusov a omylov počas učenia,“ vysvetlil Scheutz. Zistenia, publikované na arXiv, budú prezentované na IEEE ICRA 2026 vo Viedni.

Aplikácie v reálnom svete dnes

Neuro-symbolické princípy už podporujú niekoľko významných systémov AI. AlphaFold od Google DeepMind, ktorý predpovedá štruktúry proteínov pre objavovanie liekov, kombinuje naučené neurónové vzory s biochemickými obmedzeniami. Nákupný asistent Amazonu Rufus používa rozsiahle jazykové modely obmedzené symbolickými vrstvami viazanými na produktové katalógy a cenovú logiku, aby zabránil vymysleným tvrdeniam o produktoch.

IBM Research, v spolupráci s MIT prostredníctvom Watson AI Lab, nazýva neuro-symbolickú AI „cestou k umelej všeobecnej inteligencii“ a aplikoval ju na oblasti od objavovania liekov proti COVID-19 až po abstraktné uvažovanie v štýle IQ testov.

Cesta vpred

Keďže sa systémy AI presúvajú do medicíny, autonómnych vozidiel a kritickej infraštruktúry, dopyt po vysvetliteľnosti a spoľahlivosti bude len rásť. Čisto neurónové siete sa pôsobivo škálujú, ale zostávajú nepriehľadné; čisto symbolické systémy sú transparentné, ale krehké. Neuro-symbolická AI ponúka strednú cestu: stroje, ktoré sa dokážu učiť z neusporiadaných dát reálneho sveta a uvažovať o tom, čo sa naučili – s využitím zlomku energie. Či už predstavuje „tretiu vlnu“ AI, alebo jednoducho potrebnú korekciu, hybridný prístup sa rýchlo presúva z výskumných laboratórií do produkčných systémov na celom svete.