Neurosimbolinis renesansas: kodėl ateities DI sujungs intuiciją su logika

Neurosimbolinis renesansas: kodėl ateities DI sujungs intuiciją su logika

Žmogaus intelekto architektūra

2002 m. psichologas Danielis Kahnemanas Stokholme skaitė savo Nobelio premijos paskaitą. Ekonomistų auditorijai, tikėjusiai lygčių ir grafikų, jis vietoj to pasakojo istorijas. Istorijas apie taksi vairuotojus, krepšininkus ir žmones, kurie su visišku pasitikėjimu priima baisius sprendimus. Jo pagrindinė tezė, plėtota 30 metų kartu su velioniu bendraautoriu Amosu Tversky, buvo paprasta, bet revoliucinė: žmogaus protas veikia per dvi iš esmės skirtingas pažinimo sistemas, o visa mūsų civilizacija pastatyta ant įtampos tarp jų.

Kahnemanas jas pavadino 1 sistema ir 2 sistema. Šių sistemų supratimas nėra vien akademinė filosofija. Tai raktas į tai, kodėl dabartinis dirbtinis intelektas žlunga ir kas turi ateiti toliau.

1 sistema (greitas mąstymas) yra intuityvi, emocionali, automatinė ir pasąmoninė. Ji veikia nuolat, be pastangų. Šią sistemą naudojate atpažindami draugo veidą minioje, pagaudami kamuolį neskaičiuodami trajektorijų, važiuodami pažįstamu keliu, kol mintys klajoja kitur, iš vieno skiemens pajusdami pyktį kažkieno balse ar suprasdami sakinį sąmoningai neanalizuodami gramatikos. 1 sistema greita, nes neturi pasirinkimo. Ji išsivystė išgyvenimui pasaulyje, kuriame dvejonės reiškė mirtį. Ji pajunta atsakymą dar prieš jums spėjant paaiškinti kodėl.

2 sistema (lėtas mąstymas) yra loginė, apgalvota, skaičiuojanti ir sąmoninga. Jai reikia pastangų ir dėmesio. Šią sistemą naudojate spręsdami 17 x 24 mintinai, teisingai pildydami mokesčių deklaraciją, tikrindami teisinę sutartį dėl paslėptų sąlygų, įrodydami matematinės teoremos pagrįstumą ar lygindami dviejų darbo pasiūlymų privalumus. 2 sistema lėta, nes ji kruopšti. Ji apskaičiuoja atsakymą ir gali parodyti savo sprendimo eigą. Tai mokslo, inžinerijos, teisės ir logikos sistema.

Štai esminė Kahnemano įžvalga: 1 sistema veikia nuolat ir jos negalima išjungti. 2 sistema yra tingi ir įsijungia tik priversta. Pamatę lygtį 2+2=?, 1 sistema iškart pateikia „4" neįtraukdama 2 sistemos. Bet pamatę 17x24=?, 1 sistema negali jums padėti (nebent esate vunderkindas), ir 2 sistema turi vargingai perimti iniciatyvą.

Šių sistemų sąveika paaiškina beveik visas žmogaus pažinimo klaidas. Kai 1 sistema pateikia atsakymą, kuris „atrodo" teisingas, 2 sistema dažnai jį priima be patikros. Taip veikia optinės iliuzijos. Taip veikia sukčiai. Taip veikia pažinimo šališkumai. Mes painiojame žinojimo pojūtį su tikru žinojimu.

Kaip Silicio slėnis pastatė milžinišką 1 sistemą

Pastarąjį dešimtmetį visa dirbtinio intelekto pramonė buvo apsėsta 1 sistemos kūrimo. Gilieji neuroniniai tinklai, o ypač Transformer architektūros, kurios maitina ChatGPT, Claude, Gemini ir praktiškai visus kitus „pažangiausius“ DI modelius, iš esmės yra didžiulės silicio pagrindu veikiančios intuicijos mašinos.

Jos veikia atlikdamos didelės dimensijos šablonų atpažinimą. Gavus įvesties seką, jos numato kitą ženklą remdamosi statistinėmis koreliacijomis, išmoktomis iš trilijonų mokymo pavyzdžių. Jos niekaip „nesupranta“ prasmingąja prasme. Jos atpažįsta šablonus ir numato, kokie šablonai paprastai seka po kitų šablonų.

Tai nėra įžeidimas. Tai techninis aprašymas. O atlikdamos 1 sistemos užduotis jos yra tikrai nepaprastos. Didieji kalbos modeliai gali parašyti poeziją, kuri sujaudina žmones iki ašarų, sukurti siurrealistinius vaizdus, laiminčius meno konkursuose, generuoti kūrybiškus sprendimus atviroms problemoms ir palaikyti pokalbius, kurie stebėtinai primena žmogiškuosius. Tai yra būtent tos užduotys, kuriose žmogaus 1 sistema pasižymi.

Tačiau yra problema: jos yra katastrofiškai blogos atlikdamos 2 sistemos užduotis.

Paprašykite gryno LLM padauginti du šešiaženklius skaičius. Labai tikėtina, kad jis pateiks skaičių, kuris atrodo kaip teisingas atsakymas (jis turi tinkamą skaitmenų skaičių, pirmieji keli skaitmenys netgi gali būti teisingi), tačiau atsakymas bus matematiškai klaidingas. Kodėl? Nes modelis neskaičiuoja. Jis numato, kaip atrodo skaičiavimas. Mokymo metu jis matė milijonus daugybos pavyzdžių, todėl gali sugeneruoti kažką, kas atitinka „daugybos rezultato“ šabloną, bet jis neturi tikro aritmetinio variklio.

Štai kodėl LLM taip užtikrintai haliucinuoja. Jie nemeluoja (tam reikėtų žinoti tiesą). Jie užbaigia šablonus. Jei vartotojas užduoda klausimą, kuris skamba taip, lyg turėtų turėti atsakymą, modelis sugeneruoja kažką, kas atrodo kaip atsakymas. Jis negali atskirti šablono užbaigimo nuo faktinio tikslumo, nes neturi patikros mechanizmo.

Skalavimo dėsnių siena

Metų metus DI tyrėjai tikėjo, kad ši problema išsispręs savaime. „Skalavimo dėsniai“ (Kaplan et al. 2020, Hoffmann et al. 2022) parodė nuspėjamus ryšius tarp modelio dydžio, mokymo duomenų, skaičiavimo galios ir našumo. Iš to sekė viliojanti išvada: tiesiog padidinkite modelius, duokite jiems daugiau duomenų, ir mąstymas atsiras savaime.

Dabar atsitrenkėme į sieną.

GPT-4 turi maždaug 1,8 trilijono parametrų. Claude 3 Opus, Gemini Ultra ir kiti pažangiausi modeliai yra panašaus masto. Mokymo procesai kainuoja šimtus milijonų dolerių. Energijos suvartojimas prilygsta nedidelių miestų poreikiams. Ir vis dėlto pagrindinė problema išlieka: šie modeliai vis dar negali patikimai atlikti daugiaženklių skaičiavimų, vis dar užtikrintai haliucinuoja, vis dar nepajėgia elementaraus loginio mąstymo.

Galime pridėti daugiau sluoksnių. Galime įvesti daugiau duomenų. Galime sukurti didesnes GPU klasterių sistemas. Tačiau geresnio mąstymo negauname. Gauname geresnį modelių atkartojimą. Didesnė papūga vis tiek lieka papūga.

2024 m. Allen Institute for AI tyrimas parodė, kad net pažangiausi didieji kalbos modeliai nepajėgia išspręsti paprastų loginių galvosūkių, kuriuos įveiktų bet kuris vaikas, ir ne dėl to, kad jiems trūktų mokymo duomenų, o todėl, kad jų architektūra nepritaikyta loginėms išvadoms. Negalite gauti 2 sistemos galimybių didindami 1 sistemą. Tai iš esmės skirtingos skaičiavimo paradigmos.

Simbolinio DI sugrįžimas

Norėdami suprasti, kur DI turi eiti, turime suprasti, iš kur jis atėjo. Prieš gilaus mokymosi revoliuciją, prieš neuroniniams tinklams tampant dominuojantiems, egzistavo kita paradigma: simbolinis DI, kartais vadinamas „senosios mokyklos DI“ (GOFAI).

Simbolinis DI buvo dominuojantis metodas nuo 6-ojo dešimtmečio iki 10-ojo dešimtmečio. Jis nenaudojo neuroninių tinklų. Vietoj to, jis naudojo aiškias taisykles, logikos medžius, ontologijas, formalias gramatikas ir žinių grafikus. Žinias jis atvaizdavo simboliais ir su tais simboliais atliko operacijas pagal logikos taisykles.

Simbolinės DI sistema medicininei diagnostikai gali turėti tokias taisykles: „JEI pacientas karščiuoja IR pacientas kosėja IR trukmė ilgesnė nei 7 dienos, TAI apsvarstykite plaučių uždegimą su 0,7 tikimybe.“ Ji galėtų susieti šias taisykles, sekti savo samprotavimus ir tiksliai paaiškinti, kodėl priėjo prie bet kurios išvados.

Simbolinis DI pasižymėjo išskirtinėmis savybėmis:

• Puikus logikai: Jei simbolinei sistemai pasakysite, kad „Visi žmonės yra mirtingi“ ir „Sokratas yra žmogus“, ji su 100 % tikrumu padarys išvadą, kad „Sokratas yra mirtingas“. Ji nehaliucinuoja. Ji nespėja. Ji įrodo.
• Visiškai paaiškinama: Kiekviena išvada turi atsekamą įrodymo kelią. Bet kuriame taške galite paklausti „kodėl“ ir gauti formalų išvedimą.
• Garantuotas teisingumas: Tiksliai apibrėžtose srityse su išsamiomis taisyklėmis simbolines sistemas galima matematiškai patikrinti, kad jos visada pateiktų teisingus rezultatus.

Tai kodėl simbolinis DI žlugo? Kodėl ši sritis jo atsisakė ir perėjo prie neuroninių tinklų?

Atsakymas yra trapumas. Simbolinės sistemos reikalauja, kad žmonės rankiniu būdu užkoduotų visas taisykles. Tai veikė šachmatams (fiksuotos taisyklės, baigtinės būsenos), bet katastrofiškai žlugo atvirų pasaulio užduočių atveju. Negalite parašyti IF/THEN taisyklių rinkinio, kuris atpažintų katę visomis įmanomomis apšvietimo sąlygomis, pozomis, užstojimais ir vaizdo kokybėmis. Tikrasis pasaulis yra pernelyg netvarkingas, pernelyg dviprasmiškas, pernelyg daugiamatis ranka rašytoms taisyklėms.

Tai buvo vadinama „Žinių įgijimo kliūtimi“. Žmonėms ekspertams teko rankiniu būdu suvesti visas pasaulio taisykles, o pasaulis, kaip paaiškėjo, turi be galo daug taisyklių. Neuroniniai tinklai šią problemą išsprendė mokydamiesi modelių tiesiogiai iš duomenų.

Sintezė: neurosimbolinis DI

Štai įžvalga, kuri keičia dirbtinį intelektą: mums nereikia rinktis tarp Neural ir Symbolic. Galime juos sujungti.

Neurosimbolinis DI yra architektūrinė paradigma, kuri kiekvieną užduotį priskiria jai labiausiai tinkamam komponentui:

• Neuroninis komponentas (suvokimas): apdoroja netvarkingą, nestruktūruotą jutiminę informaciją. Jis žvelgia į pasaulį (vaizdus, garsą, tekstą, jutiklių duomenis) ir paverčia jį struktūruotais simboliais, kuriuos gali apdoroti samprotavimo sistema. Tai 1 sistema: greita, lygiagreti, atspari triukšmui.
• Simbolinis komponentas (samprotavimas): apdoroja logiką, taisykles, matematiką, apribojimus ir patikrą. Jis paima simbolius iš neuroninio tinklo ir apdoroja juos deterministiškai pagal formalias taisykles. Tai 2 sistema: apgalvota, nuosekli, įrodomai teisinga.

Šis derinys suteikia ir atsparumą, ir griežtumą. Neuroninis komponentas susidoroja su realaus pasaulio dviprasmybėmis (teksto klaidomis, garso triukšmu, vaizdų variacijomis). Simbolinis komponentas užtikrina, kad turėdami švarius simbolius, galite būti tikri dėl samprotavimo teisingumo.

Tai nėra nauja idėja. Mokslininkai neurosimbolinius metodus tyrinėja dešimtmečius. Tačiau pastarieji pasiekimai pirmą kartą padarė juos praktiškai pritaikomus dideliu mastu. O „Dweve“ sukūrė pažangiausią šios paradigmos įgyvendinimą naudodama savo „Binary Constraint Discovery“ architektūrą.

Kaip „Dweve“ įgyvendina neurosimbolinį dirbtinį intelektą

„Dweve“ architektūra yra pažangiausias neurosimbolinių principų įgyvendinimas šiandieninėje gamyboje. Štai kaip tai veikia:

Suvokimo lygmuo: neuroninis įvesties apdorojimas

Kai duomenys patenka į „Dweve“ sistemą (tekstas, vaizdai, garsas, struktūriniai duomenys), jie pirmiausia praeina per mūsų 31 suvokimo požymių išgaviklį. Tai neuroniniai komponentai, optimizuoti neapdorotiems jutiminiams duomenims paversti struktūrinėmis reprezentacijomis. Jie apdoroja netvarkingą realaus pasaulio įvestį, kurios simbolinės sistemos negali apdoroti tiesiogiai: rašybos klaidas, OCR klaidas, vaizdo triukšmą, garso iškraipymus, natūralios kalbos dviprasmybes.

Svarbu tai, kad suvokimo lygmuo nebando „mąstyti“ apie įvestį. Jo vienintelė užduotis yra išgavimas ir struktūrizavimas. Jis paverčia „Atsakomybės riba, nurodyta 4.2 skirsnyje, yra penki milijonai eurų“ į struktūrinius simbolius: liability_cap = 5000000, currency = EUR, reference = section_4_2. Tai užduotis, puikiai tinkanti neuroniniam šablonų atpažinimui.

Maršrutizavimo lygmuo: 528 srities specialistų atranka

Kai įvestis yra struktūrizuota, „Dweve Loom“ permutuoto susitarimo popskaičiaus (PAP) maršrutizavimo sistema nustato, kurie iš 528 specializuotų apribojimų rinkinių yra svarbūs. Čia „Dweve“ iš esmės skiriasi nuo įprastų mišrių srities specialistų metodų.

Tradiciniai MoE modeliai naudoja išmoktus maršrutizavimo tinklus, kurie kenčia nuo tų pačių problemų kaip ir kiti neuroniniai komponentai: jie yra tikimybiniai, o ne deterministiniai. Jie gali nukreipti užklausas netinkamiems srities specialistams, remdamiesi paviršutinišku šablonų atitikimu.

PAP maršrutizavimas naudoja struktūrinį šablonų aptikimą, kuris peržengia paprastą panašumą. Jis aptinka, kada „teisingi žetonai yra, bet santykiai neteisingi“, ir išvengia klaidingo teigiamo maršrutizavimo. Pats maršrutizavimo sprendimas yra paaiškinamas: galite tiksliai matyti, kodėl užklausa buvo nukreipta teisinių sutarčių analizės srities specialistui, o ne medicininės diagnostikos srities specialistui.

Samprotavimo lygmuo: dvejetainis apribojimų atradimas

Tai yra pagrindinė naujovė. Vietoj žinių vaizdavimo neuroninio tinklo svoriais (didelių matmenų slankiojo kablelio vektoriais, kurių negalima patikrinti ar įvertinti), „Dweve“ žinias vaizduoja kaip kristalizuotus dvejetainius apribojimus.

Apribojimas yra loginis ryšys, atrastas iš duomenų ir patvirtintas kaip patikimas. Pavyzdžiui:

• „Galiojančiose M&A sutartyse atsakomybės riba turi būti didesnė arba lygi didžiausiai kompensacijos sumai“
• „Paciento įrašuose, jei diagnozė yra plaučių uždegimas IR gydymas yra antibiotikas X, TADA trukmė turi būti >= 7 dienos“
• „Finansinėse ataskaitose visas turtas turi būti lygus visų įsipareigojimų ir nuosavo kapitalo sumai“

Šie apribojimai nėra išmokstami kaip numanomi neuroninių svorių šablonai. Jie yra aiškiai atrandami, patvirtinami ir saugomi kaip loginės taisyklės. Samprotavimo metu apribojimų sprendiklis juos taiko deterministiškai. Jei įvestis pažeidžia apribojimą, sistema tai pažymi matematiniu tikrumu, o ne statistiniu pasitikėjimu.

Štai kodėl „Dweve“ sistemos nehaliucinuoja. Nepagrįsti teiginiai gali būti pažymėti, kai kiekvienas rezultatas yra patvirtintų loginių taisyklių taikymo struktūrinėms įvestims rezultatas. Sistema gali pateikti tik tokius rezultatus, kurie išplaukia iš jos apribojimų. Jei joks apribojimas nepalaiko teiginio, sistema sako „nežinau“, o ne sugalvoja kažką tikėtino.

Išvesties lygmuo: paaiškinami rezultatai

Kiekviena „Dweve“ išvestis pateikiama su visišku išvedimu. Galite bet kada paklausti „kodėl“ ir gauti tikslią apribojimų grandinę, kuri lėmė išvadą. Tai nėra paaiškinimas po fakto, sukurtas atskiro „paaiškinimo modulio“ (kaip daro daugelis AI paaiškinamumo įrankių). Tai yra tikrasis samprotavimo kelias.

Reguliuojamoms pramonės šakoms (sveikatos priežiūrai, finansams, teisei) tai yra transformuojantis pokytis. Auditoriai gali patikrinti, ar išvados teisingos, įvertinę apribojimų išvedimą. Reguliatoriai gali patvirtinti, kad sprendimų priėmimas atitinka patvirtintą logiką. Vartotojai gali tiksliai suprasti, kodėl sistema priėjo prie savo išvados.

Pavyzdys: Medicininės diagnostikos pagalba

Apsvarstykite dirbtinio intelekto sistemą, padedančią skubios pagalbos gydytojams. Užduotis yra pasiūlyti galimas diagnozes pagal paciento simptomus, ligos istoriją ir tyrimų rezultatus.

Grynojo LLM metodas: Gydytojas įveda paciento būklės aprašymą į ChatGPT. Modelis sugeneruoja maždaug taip: „Remiantis aprašytais simptomais, pacientui gali būti plaučių uždegimas, bronchitas arba galbūt COVID-19. Rekomenduoju krūtinės ląstos rentgenogramą ir PGR tyrimą.“ Tai skamba naudingai, tačiau modelis neturi galimybės patikrinti savo pasiūlymų pagal faktinius medicininius įrodymus. Jis atpažįsta šablonus iš mokymo duomenų, kuriuose gali būti pasenusios ar neteisingos informacijos. Jis negali paaiškinti, kodėl plaučių uždegimą laikė labiau tikėtinu nei bronchitą. Jis gali nepastebėti retos, bet kritinės būklės, kuri neatitinka įprastų šablonų.

Dweve neurosimbolinis metodas:

1. Neuroninis suvokimas: Sistema apdoroja gydytojo natūralios kalbos įvestį, išskirdama struktūruotus simptomus (karščiavimas: 39,2 °C, kosulys: produktyvus, trukmė: 8 dienos), ligos istoriją (cukrinis diabetas, 67 metai, nerūkantis) ir tyrimų rezultatus (padidėjęs leukocitų kiekis, ŠKS 85 mg/l).
2. Specializuotas maršrutizavimas: PAP maršrutizavimas suaktyvina plaučių ligų apribojimų rinkinį, infekcinių ligų apribojimų rinkinį ir pagyvenusių pacientų rizikos veiksnių apribojimų rinkinį.
3. Apribojimų samprotavimas: Sistema taiko patvirtintus medicininius apribojimus:
   • 1 apribojimas: „Produktyvus kosulys + karščiavimas > 38 °C + trukmė > 7 dienos + padidėjęs leukocitų kiekis rodo apatinių kvėpavimo takų infekciją“
   • 2 apribojimas: „Cukriniu diabetu sergantis pacientas + amžius > 65 + kvėpavimo takų infekcija padidina plaučių uždegimo riziką 3,2 karto“
   • 3 apribojimas: „ŠKS > 50 mg/l, esant kvėpavimo takų simptomams, 94 % patikimumu atmeta virusinį bronchitą“
4. Rezultatas: „Diagnozė: bendruomenėje įgytas plaučių uždegimas (didelis patikimumas). Samprotavimas: pacientas atitinka CURB-65 kriterijus vidutinio sunkumo būklei. Cukrinis diabetas ir amžius didina komplikacijų riziką. Rekomenduojama krūtinės ląstos rentgenograma patvirtinimui, pradėti empirinį gydymą antibiotikais pagal vietines gaires. Visa samprotavimo grandinė prieinama peržiūrai.“

Skirtumas yra ne tik tikslumas. Tai atskaitomybė. Gydytojas gali peržiūrėti samprotavimo grandinę ir patikrinti kiekvieną žingsnį pagal savo medicinines žinias. Jei sistema suklydo, jie gali tiksliai nustatyti, kur. Jei pacientui išsivysto komplikacijų, ligoninės teisės komanda gali audituoti, kokią informaciją sistema turėjo ir kaip ji samprotavo.

Pavyzdys: edukacinis dirbtinio intelekto mokytojas

Apsvarstykite dirbtinio intelekto mokytoją, padedantį mokiniui su algebra. Mokinys įkelia savo ranka rašytų namų darbų nuotrauką, kurioje matomas jo bandymas išspręsti 2x + 5 = 15.

Grynasis LLM metodas: Modelis pažiūri į vaizdą ir sugeneruoja padrąsinantį atsiliepimą: „Puikios pastangos! Tavo metodas atrodo pagrįstas. Tęsk praktiką ir tau pagerės algebra.“ Tai nenaudinga. Modelis negali iš tikrųjų patikrinti, ar mokinio darbas teisingas, nes neturi algebros variklio. Jis generuoja „mokytojišką atsiliepimą“ pagal šablonus, o ne matematinį patikrinimą.

Dweve neurosimbolinis metodas:

1. Neuroninis suvokimas (regėjimas): Kompiuterinės regos modelis (vienas iš 31 požymių išgavėjų) apdoroja ranka rašytą vaizdą ir paverčia jį struktūruota matematine notacija: mokinys užrašė „2x + 5 = 15, 2x = 10, x = 6“.
2. Simbolinis patikrinimas: Algebros apribojimų sprendiklis tikrina darbą žingsnis po žingsnio:
   • 1 žingsnis: 2x + 5 = 15. Teisinga (duota užduotis).
   • 2 žingsnis: 2x = 10. Teisinga (iš abiejų pusių atimta 5).
   • 3 žingsnis: x = 6. NETIESA. 10/2 = 5, o ne 6.
3. Rezultatas: „Tavo sąranka ir pirmasis žingsnis yra teisingi. 3 žingsnyje padalijai 10 iš 2, bet užrašei 6 vietoj 5. Tai atrodo kaip aritmetinė klaida, o ne konceptualus nesusipratimas. Pabandyk padalyti dar kartą: kiek yra 10 / 2?“

Sistema pateikia tikslingą, matematiškai patikrintą atsiliepimą. Ji tiksliai žino, kur įvyko klaida, ir gali atskirti konceptualius nesusipratimus (kuriems reikia kitokio taisymo) nuo aritmetinių klaidų (kurioms pakanka pataisymo raginimo).

Kodėl dvejetainiai apribojimai svarbūs

Galbūt susimąstote: kodėl Dweve tai vadina „dvejetainiu apribojimų atradimu“, o ne tiesiog „neurosimboliniu dirbtiniu intelektu“? Kas ypatinga dvejetainiame aspekte?

Tradicinės simbolinio dirbtinio intelekto sistemos žinias vaizduoja kaip slankiojo kablelio svorius, ištisinius tikimybių skirstinius arba sudėtingas logines formules. Šie vaizdavimo būdai turi esminę problemą: juos brangu saugoti, brangu apskaičiuoti ir sunku patikrinti.

Dweve proveržis yra apribojimų vaizdavimas dvejetaine forma naudojant 1 bito skaičiavimus su bitiniais operatoriais (XNOR, AND, OR, POPCNT). Tai ne apribojimas, o pranašumas:

• 32x suspaudimas: Dvejetainis apribojimas užima 1 bitą, o tradicinės sistemos naudoja 32 bitų slankiojo kablelio skaičius.
• Energijos vartojimo efektyvumas: Dvejetainės operacijos sunaudoja ~0,15 pikodžaulio, palyginti su ~4,6 pikodžaulio slankiojo kablelio operacijoms, t. y. 30 kartų mažiau.
• Patikrinimo paprastumas: Dvejetainiai apribojimai yra arba įvykdyti (1), arba pažeisti (0). Nėra dviprasmybės, nėra „tikriausiai įvykdytas“, nėra slankiojo kablelio tikslumo klaidų.
• Aparatinės įrangos optimizavimas: Šiuolaikiniai procesoriai turi labai optimizuotas instrukcijas dvejetainėms operacijoms.

Rezultatas - sistema, galinti atlikti sudėtingą loginį mąstymą už dalį tradicinių metodų sąnaudų ir energijos, išlaikydama visišką patikrinamumą.

Įmonių pabudimas

Pastaruosius dvejus metus Silicio slėnyje vyko aukso karštinė. Kiekviena įmonė skubėjo diegti LLM, tikėdamasi transformuojančio produktyvumo augimo. Realybė buvo blaivi.

„Deloitte“ 2024 m. apklausa parodė, kad 68 % įmonių dirbtinio intelekto projektų nepateisino lūkesčių. Pagrindinės nurodytos priežastys buvo haliucinacijos (42 %), nesugebėjimas patikrinti rezultatų (38 %) ir atitikties reikalavimams problemos (35 %). Būtent šių problemų grynieji neuroniniai metodai išspręsti negali.

McKinsey 2024 m. dirbtinio intelekto diegimo tyrimas parodė, kad įmonės vis dažniau reikalauja „atskaitingo dirbtinio intelekto“ priimant didelės rizikos sprendimus. Jos nori sistemų, kurios galėtų paaiškinti savo sprendimų logiką, veikti pagal nustatytus apribojimus ir užtikrinti audito pėdsakus reguliavimo reikalavimų laikymuisi. Tai neurosimbolinė paradigma.

Rinka keičiasi. Kol startuoliai toliau vaikosi kito GPT-5, įmonės tyliai investuoja į hibridines architektūras, kuriomis tikrai galima pasitikėti. Klausimas nebėra „koks įspūdingas demonstracinis pavyzdys?“, o „ar galime statyti savo įmonės reputaciją ant šio rezultato?“

Reguliavimo palankus vėjas

ES Dirbtinio intelekto aktas, kuris visiškai įsigalios 2026 m., aiškiai reikalauja paaiškinamumo ir žmogaus priežiūros didelės rizikos dirbtinio intelekto sistemoms. 13 straipsnis nustato, kad dirbtinio intelekto sistemos turi būti „suprojektuotos ir sukurtos taip, kad jų veikimas būtų pakankamai skaidrus, kad naudotojai galėtų interpretuoti sistemos išvestį ir tinkamai ja naudotis“.

Grynieji neuroniniai tinklai iš esmės nepraeina šio testo. Negalite „interpretuoti“ 1,8 trilijono parametrų transformatoriaus išvesties jokia prasminga prasme. Svoriai yra nesuprantami. Samprotavimas (koks jis bebūtų) vyksta aukštamatėse įterpimo erdvėse, kurių joks žmogus negali įsivaizduoti ar patikrinti.

Neurosimbolinės sistemos, priešingai, yra sukurtos aiškinamumui. Kiekviena išvada pateikiama su įrodymu. Kiekvienas sprendimas remiasi aiškiais apribojimais. Auditoriai gali patikrinti atitiktį ne pasitikėdami dirbtiniu intelektu, o tikrindami jo logines išvedžiojimo grandines.

GDPR 22 straipsnis jau reikalauja „prasmingos informacijos apie taikomą logiką“ automatizuotų sprendimų, turinčių įtakos asmenims, atveju. Finansų reglamentai (Bazelis IV, MiFID II) reikalauja paaiškinamumo algoritminės prekybos ir kredito sprendimų srityse. Sveikatos priežiūros reglamentai (FDA gairės dėl AI/ML medicinos prietaisų) reikalauja klinikinio AI samprotavimų patvirtinimo.

Reguliavimo aplinka nėra priešiška dirbtiniam intelektui. Ji priešiška nepaaiškinamam dirbtiniam intelektui. Neurosimbolinės architektūros yra ne tik techniškai pranašesnės; jos yra pasirengusios reguliavimui.

Kuriant ateitį

„Dweve“ nuo pat įkūrimo siekėme šios akimirkos. Kol likusi pramonės dalis buvo įsitraukusi į mastelio didinimo karus, treniruodama vis didesnius transformatorius su vis didesniais duomenų kiekiais, mes investavome į apribojimų sprendiklius, žinių grafikus, formalųjį patikrinimą ir pagrindinius algoritmus, kurie daro neurosimbolinį dirbtinį intelektą praktiškai pritaikomą dideliu mastu.

Mūsų 528 sričių specialistų architektūra „Dweve Loom“ nėra 528 milijardai parametrų. Tai 528 specializuoti apribojimų rinkiniai, kurių kiekviename yra 64-128 MB patvirtintų dvejetainių apribojimų. Bet kuriai užklausai suaktyvinami tik 4-8 iš jų, užtikrinant efektyvumą ir aktualumą.

Mūsų algoritmai „Dweve Core“ suteikia skaičiavimo pagrindą, optimizuotą dvejetainėms operacijoms visose pagrindinėse aparatinės įrangos platformose: CPU (SSE2, AVX2, AVX-512, ARM NEON), GPU (CUDA, ROCm, Metal, Vulkan), FPGA ir net WebAssembly, skirtą vykdymui naršyklėje. Šiandien tai šimtai tūkstančių rankomis suderintų branduolių 2 900+ operacijų per 76 kategorijas.

Mūsų septynių etapų epistemologinė grandinė Dweve Spindle užtikrina, kad į sistemą patenkančios žinios būtų patikrintos, prieš joms tampant apribojimais. 32 agentų hierarchija pastebi klaidas, patvirtina šaltinius ir palaiko žinių kokybę.

Tai ne tik geresnė architektūra. Tai kitokia filosofija. Tikime, kad dirbtinio intelekto ateitis nėra susijusi su tuo, kaip greičiau ir pigiau generuoti įtikinamai skambančius rezultatus. Ji susijusi su sistemomis, kuriomis tikrai galima pasitikėti, sistemomis, kurios gali parodyti savo darbą, sistemomis, kuriomis įmonės gali rizikuoti savo verslu.

Kas laukia toliau

Neurosimbolinis renesansas nėra prognozė. Tai jau vyksta. „Google“ „DeepMind“ paskelbė neurosimbolinių metodų tyrimus. „Meta AI“ investavo į hibridines samprotavimo sistemas. „IBM Watson“, kuris pradėjo ankstyvąsias ekspertines sistemas, grįžta prie simbolinio DI integracijos.

Tačiau tai yra mokslinių tyrimų projektai. „Dweve“ yra gamybinė sistema. Mūsų platforma šiandien apdoroja įmonių darbo krūvius ir užtikrina tokį patikimumą, kokio negali pasiūlyti vien neuroniniai metodai.

Įmonių dirbtinio intelekto vadovams klausimas nėra, ar taikyti neurosimbolinius metodus. Tai jau neišvengiama, atsižvelgiant į reguliavimo reikalavimus ir patikimumo poreikius. Klausimas yra, ar kurti šį pajėgumą viduje (kelių metų pastangos, reikalaujančios specializuotos kompetencijos), laukti, kol didžiosios technologijų įmonės jį komercializuos (prarandant konkurencinį pranašumą), ar bendradarbiauti su įmone, kuri jau išsprendė sudėtingas problemas.

„Dweve“ sujungia neuroninių tinklų suvokimo galią su simbolinio mąstymo loginiu griežtumu. Mes susidorojame su netvarkingu realiu pasauliu (rašybos klaidomis, triukšmu, dviprasmybėmis) ir kartu garantuojame matematiškai įrodomą kritinių sprendimų teisingumą.

Jei jūsų verslui reikia dirbtinio intelekto, kuris mąsto, o ne tik reaguoja, turėtume pasikalbėti. Jei jūsų veiklos sritis yra reguliuojama ir jums reikia paaiškinamų sprendimų, esame pasiruošę. Jei jus apgavo haliucinuojantys pokalbių robotai ir norite dirbtinio intelekto, kuriuo tikrai galėtumėte pasitikėti, mes jį sukūrėme jums.

Dirbtinio intelekto ateitis nėra didesnė pirmoji sistema. Tai abiejų pažinimo sistemų sintezė: Menininko ir Buhalterio, Intuicijos ir Logikos, Neuroninio ir Simbolinio.

Renesansas čia. Ir „Dweve“ jam vadovauja.