Neuro-simbolična renesansa: zašto budućnost umjetne inteligencije spaja intuiciju s logikom

Neuro-simbolična renesansa: zašto budućnost umjetne inteligencije spaja intuiciju s logikom

Arhitektura ljudske inteligencije

Godine 2002. psiholog Daniel Kahneman održao je svoje Nobelovo predavanje u Stockholmu. Publici ekonomista koja je očekivala jednadžbe i grafikone, on je umjesto toga pričao priče. Priče o taksistima, košarkašima i ljudima koji s punim samopouzdanjem donose užasne odluke. Njegova središnja teza, razvijana 30 godina s njegovim pokojnim suradnikom Amosom Tverskyjem, bila je jednostavna, ali revolucionarna: ljudski um djeluje putem dvaju temeljno različitih kognitivnih sustava, a cijela je naša civilizacija izgrađena na napetosti između njih.

Kahneman ih je nazvao Sustav 1 i Sustav 2. Razumijevanje tih sustava nije tek akademska filozofija. To je ključ za razumijevanje zašto trenutačna umjetna inteligencija ne uspijeva i što mora uslijediti.

Sustav 1 (brzo razmišljanje) intuitivan je, emotivan, automatski i podsvjestan. Djeluje neprekidno, bez napora. To je sustav koji koristite da prepoznate lice prijatelja u gomili, uhvatite loptu bez računanja putanje, vozite poznatom rutom dok vam misli lutaju, prepoznate ljutnju u nečijem glasu iz jedne jedine riječi ili razumijete rečenicu bez svjesnog raščlanjivanja gramatike. Sustav 1 brz je jer nema izbora. Evoluirao je za preživljavanje u svijetu u kojem je oklijevanje značilo smrt. Odgovor osjeti prije nego što možete objasniti zašto.

Sustav 2 (sporo razmišljanje) logičan je, promišljen, računski i svjestan. Zahtijeva trud i pažnju. To je sustav koji koristite da u glavi riješite 17 x 24, ispravno ispunite poreznu prijavu, provjerite pravni ugovor za skrivene klauzule, potvrdite da je matematički dokaz valjan ili usporedite relativne prednosti dviju ponuda za posao. Sustav 2 spor je jer je rigorozan. Izračunava odgovor i može pokazati svoj postupak. To je sustav znanosti, inženjerstva, prava i logike.

Evo Kahnemanova ključnog uvida: Sustav 1 radi neprestano i ne može se isključiti. Sustav 2 lijen je i aktivira se samo kad je prisiljen. Kad vidite jednadžbu 2+2=?, Sustav 1 trenutačno daje "4" bez uključivanja Sustava 2. No kad vidite 17x24=?, Sustav 1 ne može vam pomoći (osim ako niste savant), pa Sustav 2 mora mukotrpno preuzeti posao.

Interakcija tih sustava objašnjava gotovo sve ljudske kognitivne propuste. Kad Sustav 1 proizvede odgovor koji se "čini" točnim, Sustav 2 ga često prihvaća bez provjere. Tako djeluju optičke iluzije. Tako djeluju prevaranti. Tako djeluju kognitivne pristranosti. Osjećaj znanja zamjenjujemo sa stvarnim znanjem.

Kako je Silicijska dolina izgradila golemi Sustav 1

Posljednje desetljeće cijela je industrija umjetne inteligencije bila opsjednuta izgradnjom Sustava 1. Duboke neuronske mreže, a posebno Transformer arhitekture koje pokreću ChatGPT, Claude, Gemini i praktički svaki drugi "granični" model umjetne inteligencije, u biti su golemi strojevi za intuiciju temeljeni na siliciju.

Rade putem prepoznavanja uzoraka u visokodimenzionalnom prostoru. Za dani ulazni niz predviđaju sljedeći token na temelju statističkih korelacija naučenih iz bilijuna primjera za treniranje. Oni ne "razumiju" u bilo kojem smislenom značenju te riječi. Prepoznaju uzorke i predviđaju koji uzorci obično slijede nakon drugih uzoraka.

To nije uvreda. To je tehnički opis. A za zadatke Sustava 1 oni su doista izvanredni. Veliki jezični modeli mogu pisati poeziju koja ljude dovodi do suza, generirati nadrealne slike koje pobjeđuju na umjetničkim natječajima, osmišljavati kreativna rješenja za otvorene probleme i voditi razgovore koji djeluju zapanjujuće ljudski. To su upravo zadaci u kojima ljudski Sustav 1 blista.

Ali evo problema: oni su katastrofalno loši u zadacima Sustava 2.

Pitajte čisti LLM da pomnoži dva šesteroznamenkasta broja. Vjerojatno će vam dati broj koji izgleda kao točan odgovor (ima točan broj znamenki, prvih nekoliko znamenki čak bi moglo biti točno), ali odgovor će matematički biti pogrešan. Zašto? Zato što model ne računa. On predviđa kako izgleda izračun. Tijekom treniranja vidio je milijune primjera množenja, pa može generirati nešto što odgovara uzorku "rezultat množenja", ali nema stvarni aritmetički pogon.

Zato LLM-ovi samouvjereno haluciniraju. Ne lažu (što bi zahtijevalo poznavanje istine). Oni dovršavaju uzorke. Ako korisnik postavi pitanje koje zvuči kao da bi trebalo imati odgovor, model generira nešto što izgleda kao odgovor. Ne može razlikovati dovršavanje uzorka od činjenične točnosti jer nema mehanizam za provjeru.

Zid zakona skaliranja

Godinama su istraživači umjetne inteligencije vjerovali da će se ovaj problem riješiti sam od sebe. "Zakoni skaliranja" (Kaplan et al. 2020, Hoffmann et al. 2022) pokazali su predvidljive odnose između veličine modela, podataka za treniranje, računalne snage i performansi. Implikacija je bila primamljiva: samo napravite veće modele, dajte im više podataka, i rasuđivanje će se pojaviti.

Sada smo udarili u zid.

GPT-4 ima približno 1,8 bilijuna parametara. Claude 3 Opus, Gemini Ultra i drugi vodeći modeli u istom su rangu. Treninzi koštaju stotine milijuna dolara. Potrošnja energije mjerljiva je s onom manjih gradova. A ipak temeljni problem ostaje: ti modeli još uvijek ne mogu pouzdano računati s višeznamenkastim brojevima, još uvijek samouvjereno haluciniraju, još uvijek ne uspijevaju u osnovnom logičkom zaključivanju.

Možemo dodati više slojeva. Možemo unijeti više podataka. Možemo izgraditi veće GPU klastere. Ali ne dobivamo bolje zaključivanje. Dobivamo bolje oponašanje obrazaca. Veća papiga i dalje je papiga.

Istraživanje Allen Institute for AI iz 2024. pokazalo je da čak i najnapredniji LLM-ovi ne uspijevaju riješiti jednostavne logičke zagonetke koje može riješiti svako ljudsko dijete, i to ne zato što im nedostaje podataka za treniranje, nego zato što im nedostaje arhitektura za logičko zaključivanje. Ne možete dobiti sposobnosti sustava 2 skaliranjem sustava 1. To su fundamentalno različite računalne paradigme.

Povratak simboličke umjetne inteligencije

Da bismo razumjeli kamo umjetna inteligencija mora ići, moramo razumjeti odakle je došla. Prije revolucije dubokog učenja, prije nego što su neuronske mreže postale dominantne, postojala je druga paradigma: simbolička umjetna inteligencija, ponekad nazvana "dobra staromodna umjetna inteligencija" (GOFAI).

Simbolična umjetna inteligencija bila je dominantan pristup od 1950-ih do 1990-ih. Nije koristila neuronske mreže. Umjesto toga, koristila je eksplicitna pravila, logička stabla, ontologije, formalne gramatike i grafove znanja. Znanje je predstavljala simbolima i na tim je simbolima radila prema logičkim pravilima.

Sustav simbolične umjetne inteligencije za medicinsku dijagnostiku mogao bi imati pravila poput: "AKO pacijent ima temperaturu I pacijent kašlje I trajanje dulje od 7 dana ONDA razmotri upalu pluća s vjerojatnošću 0,7." Mogao bi povezivati ta pravila, pratiti svoje zaključivanje i objasniti točno zašto je došao do bilo kojeg zaključka.

Simbolična umjetna inteligencija imala je izvanredna svojstva:

• Savršena u logici: Ako simboličnom sustavu kažete da su "Svi ljudi smrtni" i da je "Sokrat čovjek", zaključit će sa 100% sigurnošću da je "Sokrat smrtan". Ne halucinira. Ne nagađa. Dokazuje.
• Potpuno objašnjiva: Svaki zaključak ima sljediv put dokaza. U bilo kojem trenutku možete pitati "zašto" i dobiti formalnu derivaciju.
• Zajamčena točnost: Za dobro definirana područja s potpunim pravilima, simbolični sustavi mogu se matematički verificirati da uvijek proizvode točne rezultate.

Zašto je onda simbolična umjetna inteligencija propala? Zašto ju je područje napustilo u korist neuronskih mreža?

Odgovor je krhkost. Simbolični sustavi zahtijevaju da ljudi ručno kodiraju sva pravila. To je funkcioniralo za šah (fiksnih pravila, konačnih stanja), ali je katastrofalno podbacilo za zadatke otvorenog svijeta. Ne možete napisati skup pravila AKO/ONDA koji prepoznaje mačku u svim mogućim uvjetima osvjetljenja, položajima, zaklonima i kvalitetama slike. Stvarni je svijet previše neuredan, previše dvosmislen i previše visokodimenzionalan za ručno izrađena pravila.

To se nazivalo "usko grlo stjecanja znanja". Ljudski stručnjaci morali su ručno upisivati sva pravila svijeta, a pokazalo se da svijet ima beskonačno mnogo pravila. Neuronske mreže zaobišle su to učeći obrasce izravno iz podataka.

Sinteza: neuro-simbolična umjetna inteligencija

Ovo je spoznaja koja preoblikuje umjetnu inteligenciju: ne moramo birati između neuronske i simbolične. Možemo ih kombinirati.

Neuro-simbolična umjetna inteligencija arhitektonska je paradigma koja svaki zadatak dodjeljuje komponenti koja mu najbolje odgovara:

• Neuralna komponenta (percepcija): obrađuje neuredan, nestrukturiran senzorni ulaz. Gleda u svijet (slike, audio, tekst, podatke sa senzora) i pretvara ga u strukturirane simbole koje sustav za rasuđivanje može obraditi. To je sustav 1: brz, paralelan, otporan na šum.
• Simbolička komponenta (rasuđivanje): bavi se logikom, pravilima, matematikom, ograničenjima i provjerom. Preuzima simbole iz neuronske mreže i obrađuje ih deterministički prema formalnim pravilima. To je sustav 2: promišljen, sekvencijalan, dokazivo točan.

Kombinacija vam daje i robusnost i preciznost. Neuralna komponenta nosi se s dvosmislenošću stvarnog svijeta (tipfelerima u tekstu, šumom u zvuku, varijacijama na slikama). Simbolička komponenta osigurava da je vaše rasuđivanje zajamčeno točno čim imate čiste simbole.

To nije nova ideja. Istraživači već desetljećima istražuju neuro-simboličke pristupe. No nedavni napredak prvi je put omogućio praktičnu primjenu u velikom opsegu. A Dweve je izgradio najnapredniju implementaciju te paradigme kroz našu arhitekturu Binary Constraint Discovery.

Kako Dweve implementira neuro-simboličku umjetnu inteligenciju

Dweveova arhitektura najnaprednija je implementacija neuro-simboličkih načela u današnjoj proizvodnji. Evo kako funkcionira:

Sloj percepcije: neuronska obrada ulaznih podataka

Kada podaci uđu u Dweve sustav (tekst, slike, audio, strukturirani podaci), prvo prolaze kroz naših 31 Perception Feature Extractors. To su neuronske komponente optimizirane za pretvaranje sirovih osjetilnih podataka u strukturirane reprezentacije. One obrađuju kaotične stvarne ulazne podatke koje simbolički sustavi ne mogu izravno obraditi: tipfelere, pogreške OCR-a, šum na slikama, izobličenje zvuka, dvosmislenost prirodnog jezika.

Ključno je da sloj percepcije ne pokušava "rasuđivati" o ulaznim podacima. Njegov jedini posao jest ekstrakcija i strukturiranje. Pretvara "ograničenje odgovornosti navedeno u odjeljku 4.2 iznosi pet milijuna eura" u strukturirane simbole: liability_cap = 5000000, currency = EUR, reference = section_4_2. To je zadatak savršeno prikladan za neuronsko prepoznavanje obrazaca.

Sloj usmjeravanja: odabir među 456 specijaliziranih domena

Nakon što se ulazni podaci strukturiraju, Dweve Loomov Permuted Agreement Popcount (PAP) sustav usmjeravanja određuje koji su od 456 specijaliziranih skupova ograničenja relevantni. Ovdje se Dweve radikalno razlikuje od standardnih pristupa mješavine specijalista domena.

Tradicionalni MoE modeli koriste naučene mreže za usmjeravanje koje pate od istih problema kao i druge neuronske komponente: probabilističke su, a ne determinističke. Mogu usmjeriti upite pogrešnim specijalistima domena na temelju površinskog podudaranja obrazaca.

PAP usmjeravanje koristi strukturno otkrivanje obrazaca koje nadilazi jednostavnu sličnost. Otkriva kada su "pravi tokeni prisutni, ali u pogrešnim odnosima" i izbjegava lažno pozitivno usmjeravanje. Sama odluka o usmjeravanju objašnjiva je: možete točno vidjeti zašto je upit usmjeren specijalistu za analizu pravnih ugovora, a ne specijalistu za medicinsku dijagnostiku.

Sloj rasuđivanja: otkrivanje binarnih ograničenja

To je temeljna inovacija. Umjesto predstavljanja znanja kao težina neuronske mreže (visokodimenzionalnih vektora s pomičnim zarezom koji se ne mogu pregledati niti provjeriti), Dweve predstavlja znanje kao kristalizirana binarna ograničenja.

Ograničenje je logički odnos koji je otkriven iz podataka i provjeren kao pouzdan. Na primjer:

• "U važećim M&A ugovorima ograničenje odgovornosti mora biti veće ili jednako maksimalnom iznosu odštete"
• "U evidencijama pacijenata, ako je dijagnoza upala pluća I tretman antibiotik X, TADA trajanje mora biti >= 7 dana"
• "U financijskim izvještajima ukupna imovina mora biti jednaka ukupnim obvezama plus dionički kapital"

Ta ograničenja nisu naučena kao implicitni obrasci u težinama neuronske mreže. Eksplicitno se otkrivaju, provjeravaju i pohranjuju kao logička pravila. Tijekom zaključivanja, rješavač ograničenja primjenjuje ih deterministički. Ako ulazni podaci krše ograničenje, sustav to označava matematičkom sigurnošću, a ne statističkom pouzdanošću.

Zato Dweve sustavi ne haluciniraju. Halucinacija je nemoguća kada je svaki izlaz rezultat primjene provjerenih logičkih pravila na strukturirane ulazne podatke. Sustav može proizvesti samo izlaze koji proizlaze iz njegovih ograničenja. Ako nijedno ograničenje ne podržava tvrdnju, sustav kaže "ne znam" umjesto da izmisli nešto uvjerljivo.

Sloj izlaza: objašnjivi rezultati

Svaki Dweve izlaz dolazi s potpunom derivacijom. U bilo kojem trenutku možete pitati "zašto" i dobiti točan lanac ograničenja koji je proizveo zaključak. To nije naknadno objašnjenje generirano zasebnim "modulom za objašnjenja" (kao što čine mnogi alati za objašnjivost umjetne inteligencije). To je stvarni put rasuđivanja.

Za regulirane industrije (zdravstvo, financije, pravo) ovo je prekretnica. Revizori mogu provjeriti jesu li zaključci točni tako što će provjeriti izvođenje ograničenja. Regulatori mogu potvrditi da donošenje odluka slijedi odobrenu logiku. Korisnici mogu točno razumjeti zašto je sustav došao do svog zaključka.

Primjer: Podrška medicinskoj dijagnostici

Razmotrimo AI sustav koji podržava liječnike u hitnoj službi. Zadatak je predložiti moguće dijagnoze na temelju simptoma pacijenta, povijesti bolesti i rezultata pretraga.

Čisti LLM pristup: Liječnik upisuje prezentaciju pacijenta u ChatGPT. Model generira nešto poput: "Na temelju opisanih simptoma, pacijent možda ima upalu pluća, bronhitis ili moguće COVID-19. Preporučujem RTG prsnog koša i PCR test." Ovo zvuči korisno, ali model nema načina provjeriti svoje prijedloge prema stvarnim medicinskim dokazima. To je prepoznavanje obrazaca iz podataka za obuku koji mogu sadržavati zastarjele ili netočne informacije. Ne može objasniti zašto je dao prednost upali pluća nad bronhitisom. Može propustiti rijetko, ali kritično stanje koje ne odgovara uobičajenim obrascima.

Dweve neuro-simbolički pristup:

1. Neuralna percepcija: Sustav obrađuje unos liječnika na prirodnom jeziku, izdvajajući strukturirane simptome (vrućica: 39,2 °C, kašalj: produktivan, trajanje: 8 dana), povijest bolesti (dijabetičar, 67 godina, nepušač) i rezultate pretraga (povišeni WBC, CRP 85 mg/L).
2. Usmjeravanje specijalistima: PAP usmjeravanje aktivira skup ograničenja za pulmologiju, skup ograničenja za infektologiju i skup ograničenja za čimbenike rizika kod starijih pacijenata.
3. Ograničeno zaključivanje: Sustav primjenjuje provjerena medicinska ograničenja:
   • Ograničenje 1: "Produktivni kašalj + vrućica > 38 °C + trajanje > 7 dana + povišeni WBC upućuje na infekciju donjih dišnih putova"
   • Ograničenje 2: "Dijabetičar + dob > 65 + respiratorna infekcija povećava rizik od upale pluća za faktor 3,2"
   • Ograničenje 3: "CRP > 50 mg/L u respiratornoj prezentaciji isključuje virusni bronhitis s 94% pouzdanosti"
4. Izlaz: "Dijagnoza: izvanbolnička upala pluća (visoka pouzdanost). Obrazloženje: pacijent zadovoljava CURB-65 kriterije za umjerenu težinu. Dijabetes i dob povećavaju rizik od komplikacija. Preporučujemo RTG prsnog koša za potvrdu, započnite empirijsku antibiotsku terapiju prema lokalnim smjernicama. Cijeli lanac zaključivanja dostupan je za pregled."

Razlika nije samo u točnosti. Riječ je o odgovornosti. Liječnik može kliknuti kroz lanac zaključivanja i provjeriti svaki korak prema vlastitom medicinskom znanju. Ako je sustav pogriješio, mogu točno utvrditi gdje. Ako pacijent razvije komplikacije, pravni tim bolnice može revidirati točno koje je informacije sustav imao i kako je zaključivao.

Primjer: obrazovno podučavanje uz umjetnu inteligenciju

Zamislite AI mentora koji pomaže učeniku s algebrom. Učenik učitava fotografiju svoje rukom pisane zadaće na kojoj je prikazan njegov pokušaj rješavanja 2x + 5 = 15.

Čisti LLM pristup: Model gleda sliku i generira ohrabrujuću povratnu informaciju: "Odličan trud! Tvoj pristup izgleda razumno. Nastavi vježbati i postat ćeš bolji u algebri." To je beskorisno. Model zapravo ne može provjeriti je li učenikov rad točan jer nema algebarski mehanizam. Generira "povratnu informaciju nalik učiteljskoj" na temelju obrazaca, a ne matematičke verifikacije.

Dweve neuro-simbolički pristup:

1. Neuralna percepcija (vid): Model računalnog vida (jedan od 31 izdvajača značajki) obrađuje rukom pisanu sliku i pretvara je u strukturiranu matematičku notaciju: Učenik je napisao "2x + 5 = 15, 2x = 10, x = 6".
2. Simbolička verifikacija: Algebarski rješavač ograničenja provjerava rad korak po korak:
   • Korak 1: 2x + 5 = 15. Točno (zadani problem).
   • Korak 2: 2x = 10. Točno (oduzeto 5 s obje strane).
   • Korak 3: x = 6. NETOČNO. 10/2 = 5, a ne 6.
3. Izlaz: "Tvoja postavka i prvi korak su točni. U koraku 3 podijelio si 10 s 2, ali napisao 6 umjesto 5. Ovo izgleda kao aritmetička pogreška, a ne konceptualna. Pokušaj ponovno s dijeljenjem: koliko je 10 / 2?"

Sustav pruža ciljanu, matematički verificiranu povratnu informaciju. Točno zna gdje je došlo do pogreške i može razlikovati konceptualne nesporazume (koji zahtijevaju drugačiju korekciju) od aritmetičkih pogrešaka (koje samo trebaju poticaj za ispravak).

Zašto su binarna ograničenja važna

Možda se pitate: zašto Dweve to naziva "otkrivanje binarnih ograničenja" umjesto jednostavno "neuro-simbolička umjetna inteligencija"? Što je posebno u binarnom aspektu?

Tradicionalni simbolički AI sustavi predstavljaju znanje kao pomične vrijednosti, kontinuirane distribucije vjerojatnosti ili složene logičke formule. Ove reprezentacije imaju temeljni problem: skupe su za pohranu, skupe za izračun i teško ih je verificirati.

Dweveov proboj je predstavljanje ograničenja u binarnom obliku korištenjem 1-bitnog izračuna s bitovnim operatorima (XNOR, AND, OR, POPCNT). To nije ograničenje, već prednost:

• 32x kompresija: Binarno ograničenje zauzima 1 bit, dok tradicionalni sustavi koriste 32-bitne floatove.
• Energetska učinkovitost: Binarne operacije troše ~0,15 picojoulea u usporedbi s ~4,6 picojoulea za operacije s pomičnim zarezom, što je poboljšanje od 30x.
• Jednostavnost provjere: Binarna ograničenja ili su zadovoljena (1) ili prekršena (0). Nema dvosmislenosti, nema "vjerojatno zadovoljeno", nema pogrešaka preciznosti pomičnog zareza.
• Optimizacija hardvera: Moderni procesori imaju visoko optimizirane instrukcije za binarne operacije. Dweveovih 1.937 algoritama u Dweve Coreu posebno je dizajnirano za iskorištavanje SIMD instrukcija poput AVX-512 za masivni paralelizam.

Rezultat je sustav koji može izvoditi sofisticirano logičko zaključivanje uz djelić troškova i energije tradicionalnih pristupa, uz zadržavanje potpune provjerljivosti.

Probuđenje poduzeća

Posljednje dvije godine Silicijska dolina proživljava zlatnu groznicu. Svako je poduzeće požurilo implementirati LLM-ove, očekujući transformativne dobitke u produktivnosti. Stvarnost je bila triježnja.

Istraživanje tvrtke Deloitte iz 2024. pokazalo je da 68% korporativnih AI projekata nije ispunilo očekivanja. Glavni navedeni razlozi bili su halucinacije (42%), nemogućnost provjere rezultata (38%) i problemi sa sukladnošću (35%). To su upravo problemi koje čisto neuronski pristupi ne mogu riješiti.

McKinseyjeva studija o implementaciji AI-ja iz 2024. pokazala je da tvrtke sve više zahtijevaju "odgovoran AI" za odluke s visokim ulozima. Žele sustave koji mogu objasniti svoje zaključivanje, djelovati unutar definiranih ograničenja i pružiti revizijske tragove za regulatornu sukladnost. To je neuro-simbolička paradigma.

Tržište se mijenja. Dok startupi nastavljaju juriti za sljedećim GPT-5, poduzeća tiho ulažu u hibridne arhitekture kojima se doista može vjerovati. Pitanje više nije "koliko je impresivna demonstracija?", nego "možemo li okladiti ugled naše tvrtke na ovaj rezultat?"

Regulatorni vjetar u leđa

EU AI Act, koji u potpunosti stupa na snagu 2026., izričito zahtijeva objašnjivost i ljudski nadzor za AI sustave visokog rizika. Članak 13. nalaže da AI sustavi budu "dizajnirani i razvijeni na način koji osigurava da je njihov rad dovoljno transparentan da korisnicima omogući tumačenje rezultata sustava i njihovu odgovarajuću upotrebu."

Čiste neuronske mreže u osnovi ne prolaze ovaj test. Ne možete "tumačiti" rezultat transformatora s 1,8 bilijuna parametara na bilo koji smislen način. Težine su neshvatljive. Zaključivanje (kakvo god ono bilo) odvija se u visokodimenzionalnim prostorima ugrađivanja koje nijedan čovjek ne može vizualizirati niti provjeriti.

Neuro-simbolički sustavi, nasuprot tome, dizajnirani su za interpretabilnost. Svaki zaključak dolazi s dokazom. Svaka odluka poziva se na eksplicitna ograničenja. Revizori mogu provjeriti sukladnost ne vjerujući AI-ju, već provjeravajući njegove logičke derivacije.

Članak 22. GDPR-a već zahtijeva "smislene informacije o uključenoj logici" za automatizirano donošenje odluka koje utječu na pojedince. Financijski propisi (Basel IV, MiFID II) zahtijevaju objašnjivost za algoritamsko trgovanje i kreditne odluke. Zdravstveni propisi (FDA smjernice za AI/ML medicinske uređaje) zahtijevaju kliničku validaciju AI zaključivanja.

Regulatorno okruženje nije neprijateljski raspoloženo prema AI-ju. Neprijateljski je raspoloženo prema neobjašnjivom AI-ju. Neuro-simboličke arhitekture nisu samo tehnički superiorne; one su spremne za regulativu.

Izgradnja budućnosti

U Dweveu od osnutka gradimo prema ovom trenutku. Dok je ostatak industrije bio zaokupljen ratovima skaliranja, trenirajući sve veće transformere na sve više podataka, mi smo ulagali u rješavače ograničenja, grafove znanja, formalnu verifikaciju i temeljne algoritme koji neuro-simboličku umjetnu inteligenciju čine praktičnom u velikim razmjerima.

Naša arhitektura sa 456 specijaliziranih domena u Dweve Loomu nije 456 milijardi parametara. To je 456 specijaliziranih skupova ograničenja, od kojih svaki sadrži 64-128 MB verificiranih binarnih ograničenja. Za bilo koji upit aktivira se samo njih 4-8, čime se osiguravaju učinkovitost i relevantnost.

Naših 1.937 algoritama u Dweve Coreu pruža računalnu osnovu, optimiziranu za binarne operacije na svim glavnim hardverskim platformama: CPU (SSE2, AVX2, AVX-512, ARM NEON), GPU (CUDA, ROCm, Metal, Vulkan), FPGA, pa čak i WebAssembly za izvođenje u pregledniku.

Naš sedmostupanjski epistemološki cjevovod u Dweve Spindleu osigurava da se znanje koje ulazi u sustav verificira prije nego što postane ograničenje. Hijerarhija od 32 agenta otkriva pogreške, provjerava izvore i održava kvalitetu znanja.

Ovo nije samo bolja arhitektura. To je drugačija filozofija. Vjerujemo da budućnost umjetne inteligencije nije u bržem i jeftinijem generiranju uvjerljivih rezultata. Riječ je o izgradnji sustava kojima se doista može vjerovati, sustava koji mogu pokazati svoj rad, sustava na koje poduzeća mogu staviti svoje poslovanje.

Što slijedi

Neuro-simbolička renesansa nije predviđanje. Ona se već događa. Googleov DeepMind objavio je istraživanja o neuro-simboličkim pristupima. Meta AI uložila je u hibridne sustave zaključivanja. IBM Watson, koji je bio pionir ranih ekspertnih sustava, vraća se integraciji simboličke umjetne inteligencije.

No to su istraživački projekti. Dweve je proizvodni sustav. Naša platforma već danas obrađuje radna opterećenja poduzeća, pružajući pouzdanost koju čisto neuronski pristupi ne mogu postići.

Pitanje za čelnike poduzeća u području umjetne inteligencije nije treba li usvojiti neuro-simboličke pristupe. To je već neizbježno s obzirom na regulatorne zahtjeve i zahtjeve pouzdanosti. Pitanje je treba li tu sposobnost izgraditi interno (višegodišnji napor koji zahtijeva specijalizirano znanje), čekati da je velike tehnološke tvrtke komercijaliziraju (prepuštajući konkurentsku prednost) ili se udružiti s tvrtkom koja je već riješila teške probleme.

Dweve spaja perceptivnu snagu neuronskih mreža s logičkom strogošću simboličkog zaključivanja. Bavimo se neurednim stvarnim svijetom (tipfelerima, šumom, dvosmislenošću), a istovremeno jamčimo matematički dokazivu točnost za kritične odluke. To postižemo s 96% manje energije od tradicionalne umjetne inteligencije, što omogućuje implementaciju na standardnom hardveru bez masivne GPU infrastrukture.

Ako vaše poslovanje treba umjetnu inteligenciju koja može zaključivati, a ne samo odgovarati, trebamo razgovarati. Ako je vaša industrija regulirana i trebate objašnjivo donošenje odluka, spremni smo. Ako su vas opekli chatbotovi koji haluciniraju i želite umjetnu inteligenciju kojoj zaista možete vjerovati, ovo smo izgradili za vas.

Budućnost umjetne inteligencije nije veći Sustav 1. To je sinteza obaju kognitivnih sustava: Umjetnika i Računovođe, Intuicije i Logike, Neuronskog i Simboličkog.

Renesansa je stigla. A Dweve je predvodi.