Neuro-symbolinen renessanssi: Miksi tekoälyn tulevaisuus yhdistää intuition ja logiikan

Neuro-symbolinen renessanssi: Miksi tekoälyn tulevaisuus yhdistää intuition ja logiikan

Ihmisälyn arkkitehtuuri

Vuonna 2002 psykologi Daniel Kahneman piti Nobelin luentonsa Tukholmassa. Yleisö, joka koostui taloustieteilijöistä ja odotti yhtälöitä ja kaavioita, sai kuulla sen sijaan tarinoita. Tarinat käsittelivät taksikuskeja, koripalloilijoita ja ihmisiä, jotka tekevät kauheita päätöksiä täydellä varmuudella. Hänen keskeinen teesinsä, jonka hän kehitti 30 vuoden aikana yhdessä edesmenneen kollegansa Amos Tverskyn kanssa, oli yksinkertainen mutta mullistava: ihmismieli toimii kahden pohjimmiltaan erilaisen kognitiivisen järjestelmän kautta, ja koko sivilisaatiomme on rakentunut näiden järjestelmien välisestä jännitteestä.

Kahneman kutsui niitä järjestelmäksi 1 ja järjestelmäksi 2. Näiden järjestelmien ymmärtäminen ei ole pelkkää akateemista filosofiaa. Se on avain sen ymmärtämiseen, miksi nykyinen tekoäly epäonnistuu ja mitä sen jälkeen on tultava.

Järjestelmä 1 (nopea ajattelu) on intuitiivinen, tunnepohjainen, automaattinen ja alitajuinen. Se toimii jatkuvasti ilman vaivannäköä. Tätä järjestelmää käytät tunnistaessasi ystävän kasvot väkijoukosta, ottaessasi pallon kiinni laskematta lentoratoja, ajaessasi tuttua reittiä mielen vaeltaessa muualla, havaitessasi vihan jonkun äänessä yhdestä tavusta tai ymmärtäessäsi lauseen tietoisesti jäsentämättä kielioppia. Järjestelmä 1 on nopea, koska sillä ei ole vaihtoehtoa. Se kehittyi selviytymistä varten maailmassa, jossa epäröinti merkitsi kuolemaa. Se tuntee vastauksen ennen kuin voit selittää miksi.

Järjestelmä 2 (hidas ajattelu) on looginen, harkitseva, laskeva ja tietoinen. Se vaatii vaivannäköä ja tarkkaavaisuutta. Tätä järjestelmää käytät ratkaistessasi 17 x 24 päässäsi, täyttäessäsi verolomakkeen oikein, tarkistaessasi lakiasiakirjan piilotettujen ehtojen varalta, varmistaessasi matemaattisen todistuksen pätevyyden tai vertaillessasi kahden työtarjouksen suhteellisia ansioita. Järjestelmä 2 on hidas, koska se on perusteellinen. Se laskee vastauksen ja pystyy näyttämään työnsä. Se on tieteen, tekniikan, lain ja logiikan järjestelmä.

Tässä on Kahnemanin keskeinen oivallus: järjestelmä 1 toimii jatkuvasti eikä sitä voi sammuttaa. Järjestelmä 2 on laiska ja aktivoituu vain pakotettuna. Kun näet yhtälön 2+2=?, järjestelmä 1 toimittaa heti "4":n ilman järjestelmän 2 käynnistämistä. Mutta kun näet 17x24=?, järjestelmä 1 ei voi auttaa sinua (ellet ole savantti), ja järjestelmän 2 on vaivalloisesti otettava ohjat.

Näiden järjestelmien vuorovaikutus selittää lähes kaikki ihmisen kognitiiviset epäonnistumiset. Kun järjestelmä 1 tuottaa vastauksen, joka "tuntuu" oikealta, järjestelmä 2 hyväksyy sen usein varmistamatta. Näin optiset harhat toimivat. Näin huijarit toimivat. Näin kognitiiviset vinoumat toimivat. Luulemme tietämisen tunteen olevan todellista tietoa.

Näin Piilaakso rakensi jättimäisen Järjestelmä 1:n

Koko tekoälyala on viime vuosikymmenen ajan ollut pakkomielteisen keskittynyt Järjestelmä 1:n rakentamiseen. Syvät neuroverkot, ja erityisesti Transformer-arkkitehtuurit, jotka toimivat ChatGPT:n, Clauden, Geminin ja käytännössä kaikkien muiden "huippumallien" taustalla, ovat pohjimmiltaan massiivisia piipohjaisia intuitiokoneita.

Ne toimivat korkeadimensionaalisen hahmontunnistuksen avulla. Kun ne saavat syötteenä jonon, ne ennustavat seuraavan tokenin tilastollisten korrelaatioiden perusteella, jotka ne ovat oppineet biljoonista harjoitusnäytteistä. Ne eivät "ymmärrä" missään mielessä. Ne tunnistavat kaavoja ja ennustavat, mitkä kaavat tyypillisesti seuraavat muita kaavoja.

Tämä ei ole loukkaus. Se on tekninen kuvaus. Ja Järjestelmä 1:n tehtävissä ne ovat aidosti huomattavia. Suuret kielimallit voivat kirjoittaa runoutta, joka liikuttaa ihmisiä kyyneliin, tuottaa surrealistisia kuvia, jotka voittavat taidekilpailuja, ideoida luovia ratkaisuja avoimiin ongelmiin ja käydä keskusteluja, jotka tuntuvat hämmästyttävän inhimillisiltä. Nämä ovat juuri niitä tehtäviä, joissa ihmisen Järjestelmä 1 loistaa.

Mutta tässä on ongelma: ne ovat katastrofaalisen huonoja Järjestelmä 2:n tehtävissä.

Pyydä puhdasta LLM:ää kertomaan kahden 6-numeroisen luvun tulo. Se antaa sinulle todennäköisesti luvun, joka näyttää oikealta vastaukselta (siinä on oikea määrä numeroita, ja ensimmäiset numerot saattavat jopa olla oikein), mutta vastaus on matemaattisesti väärä. Miksi? Koska malli ei laske. Se ennustaa, miltä laskutoimitus näyttää. Se on nähnyt miljoonia kertolaskuesimerkkejä harjoituksen aikana, joten se voi tuottaa jotakin, joka vastaa "kertolaskutuloksen" kaavaa, mutta sillä ei ole varsinaista aritmeettista moottoria.

Tästä syystä LLM:t hallusinoivat itsevarmasti. Ne eivät valehtele (se vaatisi totuuden tietämistä). Ne täydentävät kaavoja. Jos käyttäjä kysyy kysymyksen, joka kuulostaa siltä, että siihen pitäisi olla vastaus, malli tuottaa jotakin, joka näyttää vastaukselta. Se ei pysty erottamaan kaavan täydentämistä ja tosiasiallista paikkansapitävyyttä toisistaan, koska sillä ei ole mekanismia varmistamiseen.

Skalaarilakien seinä

Vuosien ajan tekoälytutkijat uskoivat, että tämä ongelma ratkeaisi itsestään. "Skalaarilait" (Kaplan ym. 2020, Hoffmann ym. 2022) osoittivat ennustettavia yhteyksiä mallin koon, harjoitusdatan, laskentatehon ja suorituskyvyn välillä. Päätelmä oli viettelevä: tehdään vain malleista suurempia, syötetään niille enemmän dataa, niin päättelykyky ilmaantuu itsestään.

Olemme nyt törmänneet seinään.

GPT-4:ssä on noin 1,8 biljoonaa parametria. Claude 3 Opus, Gemini Ultra ja muut huippumallit ovat samassa suuruusluokassa. Harjoitusajot maksavat satoja miljoonia dollareita. Virrankulutus kilpailee pienten kaupunkien kanssa. Ja silti perusongelma säilyy: nämä mallit eivät edelleenkään pysty luotettavasti moninumeroiseen aritmetiikkaan, hallusinoivat edelleen itsevarmasti ja epäonnistuvat edelleen perustavanlaatuisessa loogisessa päättelyssä.

Voimme lisätä kerroksia. Voimme syöttää lisää dataa. Voimme rakentaa suurempia GPU-klustereita. Mutta emme saa parempaa päättelyä. Saamme parempaa kuvioiden matkimista. Isompi papukaija on silti papukaija.

Allen Institute for AI:n vuoden 2024 tutkimus osoitti, että edistyneimmätkin LLM-mallit epäonnistuvat yksinkertaisissa logiikkapulmissa, jotka kuka tahansa ihmislapsi ratkaisee, ei siksi että niiltä puuttuisi harjoitusdataa, vaan siksi että niiltä puuttuu loogisen päättelyn arkkitehtuuri. Et voi saada System 2 -kyvykkyyksiä skaalaamalla System 1:tä. Ne ovat pohjimmiltaan erilaisia laskennallisia paradigmoja.

Symbolisen tekoälyn paluu

Ymmärtääksemme, minne tekoälyn on mentävä, meidän on ymmärrettävä, mistä se on tullut. Ennen syväoppimisen vallankumousta, ennen kuin neuroverkot nousivat hallitseviksi, oli olemassa toinen paradigma: symbolinen tekoäly, jota kutsutaan joskus "vanhan koulukunnan tekoälyksi" (GOFAI).

Symbolinen tekoäly oli vallitseva lähestymistapa 1950-luvulta 1990-luvulle. Se ei käyttänyt neuroverkkoja. Sen sijaan se käytti eksplisiittisiä sääntöjä, logiikkapuita, ontologioita, formaaleja kielioppeja ja tietograafeja. Se esitti tiedon symboleina ja käsitteli näitä symboleja loogisten sääntöjen mukaisesti.

Symbolisen tekoälyn järjestelmä lääketieteelliseen diagnostiikkaan saattoi sisältää sääntöjä kuten: "JOS potilaalla on kuumetta JA potilaalla on yskää JA kesto yli 7 päivää NIIN harkitse keuhkokuumetta todennäköisyydellä 0,7." Se pystyi ketjuttamaan nämä säännöt, seuraamaan päättelyään ja selittämään tarkalleen, miksi se päätyi mihin tahansa johtopäätökseen.

Symbolisella tekoälyllä oli merkittäviä ominaisuuksia:

• Täydellinen logiikassa: Jos kerrot symboliselle järjestelmälle, että "Kaikki ihmiset ovat kuolevaisia" ja "Sokrates on ihminen", se päättelee 100 prosentin varmuudella, että "Sokrates on kuolevainen". Se ei hallusinoi. Se ei arvaa. Se todistaa.
• Täysin selitettävä: Jokaisella johtopäätöksellä on jäljitettävä todistuspolku. Voit kysyä "miksi" missä tahansa vaiheessa ja saat formaalin johdannon.
• Taattu oikeellisuus: Hyvin määritellyillä alueilla, joilla on täydelliset säännöt, symboliset järjestelmät voidaan matemaattisesti todentaa tuottavan aina oikeita tuloksia.

Miksi symbolinen tekoäly sitten epäonnistui? Miksi ala hylkäsi sen neuroverkkojen hyväksi?

Vastaus on hauraus. Symboliset järjestelmät edellyttävät, että ihmiset koodaavat kaikki säännöt manuaalisesti. Tämä toimi shakissa (kiinteät säännöt, äärelliset tilat), mutta epäonnistui katastrofaalisesti avoimen maailman tehtävissä. Et voi kirjoittaa JOS/NIIN-sääntökokonaisuutta, joka tunnistaa kissan kaikissa mahdollisissa valaistusolosuhteissa, asennoissa, peittymisissä ja kuvanlaaduissa. Todellinen maailma on liian sotkuinen, liian monitulkintainen ja liian moniulotteinen käsin kirjoitetuille säännöille.

Tätä kutsuttiin "tiedonhankinnan pullonkaulaksi". Ihmisasiantuntijoiden piti kirjoittaa manuaalisesti kaikki maailman säännöt, ja maailmalla osoittautui olevan äärettömän monta sääntöä. Neuroverkot ohittivat tämän oppimalla malleja suoraan datasta.

Synteesi: neurosymbolinen tekoäly

Tässä on oivallus, joka muokkaa tekoälyä: meidän ei tarvitse valita neuroverkkojen ja symbolisen tekoälyn välillä. Voimme yhdistää ne.

Neurosymbolinen tekoäly on arkkitehtoninen paradigma, joka osoittaa jokaisen tehtävän sille komponentille, joka soveltuu siihen parhaiten:

• Neuraalinen komponentti (havaitseminen): Käsittelee sotkuisen, jäsentymättömän sensorisen syötteen. Se tarkastelee maailmaa (kuvat, ääni, teksti, sensordata) ja muuntaa sen strukturoiduiksi symboleiksi, joita päättelyjärjestelmä voi käsitellä. Se on järjestelmä 1: nopea, rinnakkainen ja kestävä kohinalle.
• Symbolinen komponentti (päättely): Käsittelee logiikan, säännöt, matematiikan, rajoitteet ja varmennuksen. Se ottaa symbolit neuroverkosta ja käsittelee ne deterministisesti muodollisten sääntöjen mukaan. Se on järjestelmä 2: harkittu, peräkkäinen ja todistettavasti oikea.

Yhdistelmä antaa sekä kestävyyttä että tarkkuutta. Neuraalinen komponentti käsittelee reaalimaailman monitulkintaisuutta (kirjoitusvirheet tekstissä, kohina äänessä, vaihtelut kuvissa). Symbolinen komponentti varmistaa, että kun sinulla on puhtaat symbolit, päättelysi on taatusti oikein.

Tämä ei ole uusi ajatus. Tutkijat ovat tutkineet neurosymbolisia lähestymistapoja vuosikymmeniä. Mutta viimeaikaiset edistysaskeleet ovat tehneet siitä käytännöllisen mittakaavassa ensimmäistä kertaa. Ja Dweve on rakentanut edistyneimmän toteutuksen tästä paradigmasta Binary Constraint Discovery -arkkitehtuurimme kautta.

Näin Dweve toteuttaa neurosymbolista tekoälyä

Dweven arkkitehtuuri on tämän hetken edistynein neurosymbolisten periaatteiden toteutus tuotantokäytössä. Näin se toimii:

Havaitsemiskerros: hermoverkkopohjainen syötteen käsittely

Kun data saapuu Dweve-järjestelmään (teksti, kuvat, ääni, jäsennelty data), se kulkee ensin 31 havaitsemisen ominaisuuserottimen läpi. Nämä ovat hermoverkkokomponentteja, jotka on optimoitu muuntamaan raaka aistidata jäsennellyiksi esityksiksi. Ne käsittelevät sen epäsiistin reaalimaailman syötteen, jota symboliset järjestelmät eivät pysty käsittelemään suoraan: kirjoitusvirheet, OCR-virheet, kuvakohinan, äänen vääristymät ja luonnollisen kielen monitulkintaisuuden.

Kriittistä on, että havaitsemiskerros ei yritä "päätellä" syötteestä mitään. Sen ainoa tehtävä on erottelu ja jäsentäminen. Se muuntaa lauseen "Lohkon 4.2 mukainen vastuukatto on viisi miljoonaa euroa" jäsennellyiksi symboleiksi: liability_cap = 5000000, currency = EUR, reference = section_4_2. Tämä tehtävä sopii täydellisesti hermoverkkojen mallintunnistukselle.

Reitityskerros: 456 erikoisalueen valinta

Kun syöte on jäsennelty, Dweve Loomin Permuted Agreement Popcount (PAP) -reititysjärjestelmä määrittää, mitkä 456 erikoistuneesta rajoitejoukosta ovat olennaisia. Tässä Dweve eroaa radikaalisti tavanomaisista erikoisalueiden sekoitusmenetelmistä.

Perinteiset MoE-mallit käyttävät opittuja reititysverkkoja, joissa on samat ongelmat kuin muissa hermoverkkokomponenteissa: ne ovat todennäköisyyspohjaisia, eivät deterministisiä. Ne voivat ohjata kyselyitä vääriin erikoisalueisiin pinnallisten mallintunnistusten perusteella.

PAP-reititys käyttää rakenteellista mallintunnistusta, joka menee yksinkertaista samankaltaisuutta pidemmälle. Se tunnistaa tilanteet, joissa "oikeat tunnisteet ovat läsnä mutta väärissä suhteissa", ja välttää vääriä positiivisia reitityksiä. Itse reitityspäätös on selitettävissä: näet tarkalleen, miksi kysely ohjattiin juridisten sopimusten analyysin erikoisalueeseen eikä lääketieteellisen diagnostiikan erikoisalueeseen.

Päättelykerros: binääristen rajoitteiden löytäminen

Tämä on ydinkeksintö. Sen sijaan, että tieto esitettäisiin hermoverkon painoina (korkeadimensionaalisina liukulukuvektoreina, joita ei voi tarkastella tai varmentaa), Dweve esittää tiedon kiteytettyinä binäärisinä rajoitteina.

Rajoite on looginen suhde, joka on löydetty datasta ja varmennettu luotettavaksi. Esimerkiksi:

• "Pätevissä M&A-sopimuksissa vastuukaton on oltava suurempi tai yhtä suuri kuin enimmäiskorvausmäärä"
• "Potilastiedoissa, jos diagnoosi on keuhkokuume JA hoito on antibiootti X, NIIN keston on oltava vähintään 7 päivää"
• "Tilinpäätöksissä taseen loppusumman on vastattava velkojen ja oman pääoman summaa"

Näitä rajoitteita ei opita piilomalleina hermoverkon painoihin. Ne löydetään eksplisiittisesti, varmennetaan ja tallennetaan loogisina sääntöinä. Päättelyn aikana rajoiteratkaisija soveltaa niitä deterministisesti. Jos syöte rikkoo rajoitetta, järjestelmä merkitsee sen matemaattisella varmuudella, ei tilastollisella luottamuksella.

Tästä syystä Dweve-järjestelmät eivät hallusinoi. Hallusinointi on mahdotonta, kun jokainen tulos on seurausta varmennettujen loogisten sääntöjen soveltamisesta jäsenneltyihin syötteisiin. Järjestelmä voi tuottaa vain tuloksia, jotka seuraavat sen rajoitteista. Jos mikään rajoite ei tue väitettä, järjestelmä sanoo "en tiedä" sen sijaan, että keksisi jotain uskottavaa.

Tulostekerros: selitettävät tulokset

Jokaisen Dweven tuottaman tuloksen mukana tulee täydellinen johdanto. Voit kysyä "miksi" missä tahansa vaiheessa ja saat tarkan rajoiteketjun, joka johti lopputulokseen. Tämä ei ole jälkikäteen tuotettu selitys erillisestä "selitysmoduulista" (kuten monet tekoälyn selitettävyystyökalut tekevät). Se on todellinen päättelypolku.

Vahvasti säännellyillä toimialoilla (terveydenhuolto, rahoitus, laki) tämä on mullistavaa. Tilintarkastajat voivat varmistaa, että johtopäätökset ovat oikeita, tarkistamalla rajoitteiden johdannan. Sääntelyviranomaiset voivat vahvistaa, että päätöksenteko noudattaa hyväksyttyä logiikkaa. Käyttäjät voivat ymmärtää tarkalleen, miksi järjestelmä päätyi johtopäätökseensä.

Esimerkki: Lääketieteellisen diagnoosin tukijärjestelmä

Tarkastellaan tekoälyjärjestelmää, joka tukee päivystyspoliklinikan lääkäreitä. Sen tehtävänä on ehdottaa mahdollisia diagnooseja potilaan oireiden, sairaushistorian ja testitulosten perusteella.

Puhdas LLM-lähestymistapa: Lääkäri kirjoittaa potilaan tilanteen ChatGPT:hen. Malli tuottaa esimerkiksi seuraavaa: "Kuvaamiesi oireiden perusteella potilaalla voi olla keuhkokuume, keuhkoputkentulehdus tai mahdollisesti COVID-19. Suosittelen röntgenkuvausta ja PCR-testiä." Tämä kuulostaa hyödylliseltä, mutta malli ei pysty varmistamaan ehdotuksiaan todellista lääketieteellistä näyttöä vasten. Se tunnistaa kaavoja harjoitusdatasta, joka voi sisältää vanhentunutta tai virheellistä tietoa. Se ei osaa selittää, miksi se asetti keuhkokuumeen keuhkoputkentulehduksen edelle. Se saattaa jättää huomaamatta harvinaisen mutta kriittisen tilan, joka ei sovi yleisiin kaavoihin.

Dweven neurosymbolinen lähestymistapa:

1. Neuraalinen hahmotus: Järjestelmä käsittelee lääkärin luonnollisen kielen syötteen ja poimii siitä jäsennellyt oireet (kuume: 39,2 °C, yskä: limaa tuottava, kesto: 8 päivää), sairaushistorian (diabetes, 67 vuotta, tupakoimaton) ja testitulokset (kohonnut valkosolujen määrä, CRP 85 mg/l).
2. Reititys erikoisalan mukaan: PAP-reititys aktivoi keuhkosairauksien rajoitteet, infektiosairauksien rajoitteet ja iäkkäiden potilaiden riskitekijöiden rajoitteet.
3. Rajoitepäättely: Järjestelmä soveltaa varmennettuja lääketieteellisiä rajoitteita:
   • Rajoite 1: "Limaa tuottava yskä + kuume yli 38 °C + kesto yli 7 päivää + kohonnut valkosolujen määrä viittaa alempien hengitysteiden infektioon"
   • Rajoite 2: "Diabeetikko + ikä yli 65 + hengitystieinfektio lisää keuhkokuumeen riskiä kertoimella 3,2"
   • Rajoite 3: "CRP yli 50 mg/l hengitystieoireiden yhteydessä sulkee pois virusperäisen keuhkoputkentulehduksen 94 prosentin varmuudella"
4. Tulos: "Diagnoosi: avohoitoperäinen keuhkokuume (korkea varmuus). Perustelut: Potilas täyttää CURB-65-kriteerit keskivaikean taudin osalta. Diabetes ja ikä lisäävät komplikaatioriskiä. Suositus: rintakehän röntgenkuvaus vahvistusta varten, empiirinen antibioottihoito paikallisten hoitosuositusten mukaan. Koko päättelyketju on tarkasteltavissa."

Ero ei ole vain tarkkuudessa. Se on vastuullisuudessa. Lääkäri voi käydä päättelyketjun läpi ja varmistaa jokaisen vaiheen omaa lääketieteellistä tietämystään vasten. Jos järjestelmä tekee virheen, lääkäri voi osoittaa tarkalleen, missä se tapahtui. Jos potilaalle kehittyy komplikaatioita, sairaalan lakitiimi voi jäljittää tarkalleen, mitä tietoa järjestelmällä oli ja miten se päätteli.

Esimerkki: Tekoälyavusteinen opetus

Tarkastellaan tekoälytutoria, joka auttaa oppilasta algebrassa. Oppilas lataa kuvan käsinkirjoitetusta läksystään, jossa hän on yrittänyt ratkaista yhtälön 2x + 5 = 15.

Puhdas LLM-lähestymistapa: Malli katsoo kuvaa ja tuottaa kannustavaa palautetta: "Hienoa yritystä! Lähestymistapasi vaikuttaa järkevältä. Jatka harjoittelua, niin parannut algebrassa." Tämä on hyödytöntä. Malli ei voi itse asiassa varmistaa, onko oppilaan työ oikein, koska sillä ei ole algebra-moottoria. Se tuottaa "opettajamaista palautetta" kaavojen perusteella, ei matemaattisen varmennuksen kautta.

Dweven neurosymbolinen lähestymistapa:

1. Neuraalinen havaitseminen (näkö): Tietokonenäön malli (yksi 31 ominaisuuksien poimijasta) käsittelee käsinkirjoitetun kuvan ja muuntaa sen rakenteelliseksi matemaattiseksi merkinnäksi: Oppilas kirjoitti "2x + 5 = 15, 2x = 10, x = 6".
2. Symbolinen varmennus: Algebran rajoiteratkaisija tarkistaa työn vaihe vaiheelta:
   • Vaihe 1: 2x + 5 = 15. Oikein (annettu tehtävä).
   • Vaihe 2: 2x = 10. Oikein (vähennettiin 5 molemmilta puolilta).
   • Vaihe 3: x = 6. VÄÄRIN. 10/2 = 5, ei 6.
3. Tulos: "Asetelmasi ja ensimmäinen vaihe ovat oikein. Vaiheessa 3 jaoit 10 luvulla 2, mutta kirjoitit 6 luvun 5 sijaan. Tämä vaikuttaa aritmeettiselta lipsahdukselta, ei käsitteelliseltä virheeltä. Kokeile jako uudelleen: mikä on 10 / 2?"

Järjestelmä antaa kohdennettua, matemaattisesti varmennettua palautetta. Se tietää tarkalleen, missä virhe tapahtui, ja pystyy erottamaan käsitteelliset väärinkäsitykset (jotka vaativat erilaista korjausta) ja aritmeettiset lipsahdukset (jotka vaativat vain korjauskehotteen).

Miksi binäärirajoitteet ovat tärkeitä

Saatat ihmetellä: miksi Dweve kutsuu tätä "binäärirajoitteiden löytämiseksi" eikä vain "neurosymboliseksi tekoälyksi"? Mikä binäärisessä näkökulmassa on erityistä?

Perinteiset symboliset tekoälyjärjestelmät esittävät tietoa liukulukupainoina, jatkuvina todennäköisyysjakaumina tai monimutkaisina loogisina kaavoina. Näillä esitystavoilla on perustavanlaatuinen ongelma: ne ovat kalliita tallentaa, kalliita laskea ja vaikeita varmistaa.

Dweven läpimurto on rajoitteiden esittäminen binäärimuodossa 1-bittisellä laskennalla bittioperaattoreilla (XNOR, AND, OR, POPCNT). Tämä ei ole rajoite vaan etu:

• 32-kertainen pakkaus: Binäärinen rajoite vie 1 bitin, kun perinteiset järjestelmät käyttävät 32-bittisiä liukulukuja.
• Energiatehokkuus: Binääriset operaatiot kuluttavat noin 0,15 picojoulea verrattuna liukulukujen noin 4,6 picojouleen, mikä on 30-kertainen parannus.
• Varmennuksen yksinkertaisuus: Binääriset rajoitteet ovat joko täytettyjä (1) tai rikottuja (0). Epäselvyyttä ei ole, ei "todennäköisesti täytettyä", eikä liukulukujen tarkkuusvirheitä.
• Laitteisto-optimointi: Nykyaikaisissa suorittimissa on erittäin optimoidut käskyt binäärisille operaatioille. Dweven 1 937 algoritmia Dweve Core -ydinosassa on suunniteltu hyödyntämään SIMD-käskyjä, kuten AVX-512:ta, massiiviseen rinnakkaisuuteen.

Tuloksena on järjestelmä, joka pystyy suorittamaan kehittynyttä loogista päättelyä murto-osalla perinteisten lähestymistapojen kustannuksista ja energiasta säilyttäen samalla täydellisen todennettavuuden.

Yritysten herääminen

Viimeisen kahden vuoden ajan Piilaaksossa on käyty kultakuumetta. Jokainen yritys kiirehti ottamaan käyttöön LLM-malleja odottaen mullistavia tuottavuusparannuksia. Todellisuus on ollut karu.

Deloitten vuonna 2024 tekemän kyselyn mukaan 68 prosenttia yritysten tekoälyprojekteista epäonnistui odotuksiin nähden. Tärkeimmiksi syiksi mainittiin hallusinaatiot (42 prosenttia), kyvyttömyys varmistaa tuloksia (38 prosenttia) ja vaatimustenmukaisuusongelmat (35 prosenttia). Nämä ovat täsmälleen niitä ongelmia, joita puhtaat neuroverkkoihin perustuvat lähestymistavat eivät pysty ratkaisemaan.

McKinseyn vuoden 2024 tekoälyn käyttöönottoa koskevassa tutkimuksessa todettiin, että yritykset vaativat yhä useammin "vastuullista tekoälyä" korkean panoksen päätöksissä. Ne haluavat järjestelmiä, jotka pystyvät selittämään päättelynsä, toimimaan määriteltyjen rajoitteiden puitteissa ja tarjoamaan auditointipolut sääntelyn noudattamista varten. Tämä on neurosymbolinen paradigma.

Markkina on muutoksessa. Kun startupit jatkavat seuraavan GPT-5:n tavoittelua, yritykset sijoittavat hiljaa hybridiarkkitehtuureihin, joihin voi todella luottaa. Kysymys ei ole enää "kuinka vaikuttava demo on?" vaan "voimmeko lyödä yrityksemme maineen tämän tuotoksen varaan?"

Sääntelyn myötätuuli

EU:n tekoälysäädös, joka tulee täysimääräisesti voimaan vuonna 2026, edellyttää nimenomaisesti selitettävyyttä ja ihmisen valvontaa korkean riskin tekoälyjärjestelmissä. 13 artikla velvoittaa, että tekoälyjärjestelmät on "suunniteltava ja kehitettävä siten, että niiden toiminta on riittävän läpinäkyvää, jotta käyttäjät voivat tulkita järjestelmän tuotosta ja käyttää sitä asianmukaisesti".

Puhtaat neuroverkot epäonnistuvat tässä testissä perustavanlaatuisesti. 1,8 biljoonan parametrin transformeri-mallin tuotosta ei voi "tulkita" millään mielekkäällä tavalla. Painot ovat käsittämättömiä. Päättely (mikäli sitä on) tapahtuu korkeadimensioisissa upotusavaruuksissa, joita kukaan ihminen ei pysty visualisoimaan tai varmistamaan.

Neurosymboliset järjestelmät on sen sijaan suunniteltu tulkittavuutta varten. Jokaisen johtopäätöksen mukana tulee todiste. Jokainen päätös viittaa nimenomaisiin rajoitteisiin. Auditoijat voivat varmistaa vaatimustenmukaisuuden luottamatta tekoälyyn, vaan tarkistamalla sen loogiset päättelyketjut.

GDPR:n 22 artikla edellyttää jo nyt "merkityksellistä tietoa asiaan liittyvästä logiikasta" automatisoitujen päätösten yhteydessä, jotka vaikuttavat yksilöihin. Rahoitusalan sääntely (Basel IV, MiFID II) edellyttää selitettävyyttä algoritmiseen kaupankäyntiin ja luottopäätöksiin. Terveydenhuollon sääntely (FDA:n ohjeistus tekoäly- ja koneoppimispohjaisista lääkinnällisistä laitteista) edellyttää tekoälyn päättelyn kliinistä validointia.

Sääntely-ympäristö ei ole vihamielinen tekoälylle. Se on vihamielinen selittämättömälle tekoälylle. Neurosymboliset arkkitehtuurit eivät ole vain teknisesti parempia; ne ovat sääntelyvalmiita.

Tulevaisuuden rakentaminen

Dwevessä olemme rakentaneet tätä hetkeä varten perustamisestamme lähtien. Kun muu toimiala oli kiinni skaalauskilpailussa ja koulutti yhä suurempia transformereita yhä suuremmilla datamäärillä, me investoimme rajoiteratkaisijoihin, tietograafeihin, formaaliin verifiointiin ja perustavanlaatuisiin algoritmeihin, jotka tekevät neurosymbolisesta tekoälystä käytännöllistä laajassa mittakaavassa.

456-verkkotunnusasiantuntija-arkkitehtuurimme Dweve Loomissa ei ole 456 miljardia parametria. Se on 456 erikoistunutta rajoitejoukkoa, joista jokainen sisältää 64-128 megatavua varmennettuja binäärirajoitteita. Vain 4-8 aktivoituu tiettyä kyselyä kohden, mikä varmistaa tehokkuuden ja osuvuuden.

1 937 algoritmiamme Dweve Coren ytimessä muodostavat laskennallisen perustan, joka on optimoitu binäärioperaatioihin kaikilla tärkeimmillä laitteistoalustoilla: CPU (SSE2, AVX2, AVX-512, ARM NEON), GPU (CUDA, ROCm, Metal, Vulkan), FPGA ja jopa WebAssembly selaimessa suoritettavaksi.

Seitsemänvaiheinen epistemologinen putkistomme Dweve Spindlessä varmistaa, että järjestelmään tuleva tieto varmennetaan ennen kuin siitä tulee rajoitteita. 32-agentin hierarkia havaitsee virheet, validoi lähteet ja ylläpitää tiedon laatua.

Tämä ei ole vain parempi arkkitehtuuri. Se on erilainen filosofia. Uskomme, että tekoälyn tulevaisuus ei ole uskottavan kuuloisten tulosteiden tuottamisessa nopeammin ja halvemmin. Kyse on järjestelmistä, joihin voi todella luottaa, järjestelmistä, jotka voivat näyttää työnsä, järjestelmistä, joiden varaan yritykset voivat laskea liiketoimintansa.

Mitä seuraavaksi

Neurosymbolinen renessanssi ei ole ennuste. Se tapahtuu jo nyt. Googlen DeepMind on julkaissut tutkimusta neurosymbolisista lähestymistavoista. Meta AI on investoinut hybridipäättelyjärjestelmiin. IBM Watson, joka oli varhaisten asiantuntijajärjestelmien edelläkävijä, on palaamassa symbolisen tekoälyn integraatioon.

Mutta nämä ovat tutkimusprojekteja. Dweve on tuotantojärjestelmä. Alustamme käsittelee yritysten työkuormia jo tänään ja tarjoaa luotettavuutta, johon puhtaat neuroverkkoihin perustuvat lähestymistavat eivät pysty.

Kysymys yritysten tekoälyjohtajille ei ole se, pitäisikö neurosymbolisia lähestymistapoja ottaa käyttöön. Se on väistämätöntä sääntelyvaatimusten ja luotettavuusvaatimusten vuoksi. Kysymys on siitä, rakennetaanko tämä kyvykkyys itse (monivuotinen urakka, joka vaatii erikoisosaamista), odotetaanko suurten teknologiayritysten tuotteistavan sen (kilpailuedun menettäminen) vai tehdäänkö yhteistyötä yrityksen kanssa, joka on jo ratkaissut vaikeat ongelmat.

Dweve yhdistää neuroverkkojen hahmotuskyvyn ja symbolisen päättelyn loogisen tarkkuuden. Käsittelemme sotkuisen todellisen maailman (kirjoitusvirheet, kohina, epäselvyydet) ja takaamme samalla matemaattisesti todistettavan oikeellisuuden kriittisissä päätöksissä. Tämä onnistuu 96 prosenttia pienemmällä energiankulutuksella kuin perinteisessä tekoälyssä, mikä mahdollistaa käytön tavallisilla laitteistoilla ilman massiivista GPU-infrastruktuuria.

Jos yrityksesi tarvitsee tekoälyä, joka osaa päätellä eikä vain vastata, meidän kannattaa puhua. Jos toimialasi on säännelty ja tarvitset selitettävissä olevaa päätöksentekoa, olemme valmiita. Jos chatbot-hallusinaatiot ovat polttaneet sinut ja haluat tekoälyn, johon voit aidosti luottaa, rakensimme tämän sinua varten.

Tekoälyn tulevaisuus ei ole suurempi järjestelmä 1. Se on molempien kognitiivisten järjestelmien synteesi: taiteilija ja kirjanpitäjä, intuitio ja logiikka, neuroverkot ja symbolinen päättely.

Renessanssi on täällä. Ja Dweve johtaa sitä.