Neirosimboliskā renesanse: kāpēc mākslīgā intelekta nākotne apvieno intuīciju ar loģiku

Neirosimboliskā renesanse: kāpēc mākslīgā intelekta nākotne apvieno intuīciju ar loģiku

Cilvēka intelekta arhitektūra

2002. gadā psihologs Daniels Kānemans Stokholmā nolasīja savu Nobela prēmijas lekciju. Ekonomistu auditorijai, kas gaidīja vienādojumus un grafikus, viņš tā vietā stāstīja stāstus. Stāstus par taksometru šoferiem, basketbolistiem un cilvēkiem, kuri ar pilnīgu pārliecību pieņem briesmīgus lēmumus. Viņa galvenā tēze, ko viņš 30 gadu garumā izstrādāja kopā ar savu nelaiķa līdzgaitnieku Amosu Tverski, bija vienkārša, bet revolucionāra: cilvēka prāts darbojas, izmantojot divas būtiski atšķirīgas kognitīvās sistēmas, un visa mūsu civilizācija ir veidota uz spriedzes starp tām.

Kānemans tās nosauca par 1. sistēmu un 2. sistēmu. Izprast šīs sistēmas nav tikai akadēmiska filozofija. Tā ir atslēga uz to, lai saprastu, kāpēc pašreizējais mākslīgais intelekts cieš neveiksmi un kam būtu jānotiek tālāk.

1. sistēma (ātrā domāšana) ir intuitīva, emocionāla, automātiska un neapzināta. Tā darbojas nepārtraukti bez piepūles. Šo sistēmu jūs izmantojat, lai pūlī atpazītu drauga seju, noķertu bumbu, nerēķinot tās trajektoriju, brauktu pa pazīstamu maršrutu, kamēr jūsu domas klejo citur, no vienas zilbes uztvertu dusmas kāda balsī vai saprastu teikumu, apzināti neanalizējot gramatiku. 1. sistēma ir ātra, jo tai nav citas izvēles. Tā ir attīstījusies, lai izdzīvotu pasaulē, kur vilcināšanās nozīmēja nāvi. Tā izjūt atbildi, pirms jūs spējat izskaidrot, kāpēc.

2. sistēma (lēnā domāšana) ir loģiska, apdomīga, aprēķinoša un apzināta. Tai nepieciešama piepūle un uzmanība. Šo sistēmu jūs izmantojat, lai galvā atrisinātu 17 x 24, pareizi aizpildītu nodokļu deklarāciju, pārbaudītu juridisku līgumu par slēptiem punktiem, pārliecinātos par matemātiska pierādījuma pareizību vai salīdzinātu divu darba piedāvājumu priekšrocības. 2. sistēma ir lēna, jo tā ir rūpīga. Tā aprēķina atbildi un spēj parādīt savu darbu. Tā ir zinātnes, inženierijas, tiesību un loģikas sistēma.

Lūk, Kānemana būtiskā atziņa: 1. sistēma darbojas pastāvīgi, un to nevar izslēgt. 2. sistēma ir slinka un aktivizējas tikai tad, kad tā ir spiesta. Ieraugot vienādojumu 2+2=?, 1. sistēma uzreiz sniedz atbildi "4", neiesaistot 2. sistēmu. Bet, ieraugot 17x24=?, 1. sistēma jums nevar palīdzēt (ja vien neesat savāds talants), un 2. sistēmai rūpīgi jāpārņem vadība.

Šo sistēmu mijiedarbība izskaidro gandrīz visas cilvēku kognitīvās kļūmes. Kad 1. sistēma sniedz atbildi, kas "šķiet" pareiza, 2. sistēma bieži to pieņem bez pārbaudes. Tieši tā darbojas optiskās ilūzijas. Tieši tā darbojas krāpnieki. Tieši tā darbojas kognitīvie aizspriedumi. Mēs jaucam zināšanu sajūtu ar faktiskām zināšanām.

Kā Silīcija ieleja uzbūvēja milzu 1. sistēmu

Pēdējo desmit gadu laikā visa mākslīgā intelekta nozare ir apsēsta ar 1. sistēmas būvēšanu. Dziļie neironu tīkli un jo īpaši Transformer arhitektūras, kas darbina ChatGPT, Claude, Gemini un praktiski visus citus "pirmās līnijas" MI modeļus, būtībā ir milzīgas silīcija intuīcijas mašīnas.

Tie darbojas ar augstas dimensijas modeļu atpazīšanu. Saņemot ievades secību, tie prognozē nākamo vienību, pamatojoties uz statistiskām korelācijām, kas apgūtas no triljoniem treniņu piemēru. Tie "nesaprot" nevienā jēgpilnā nozīmē. Tie atpazīst modeļus un prognozē, kādi modeļi parasti seko citiem modeļiem.

Tas nav apvainojums. Tas ir tehnisks apraksts. Un 1. sistēmas uzdevumos tie patiešām ir ievērojami. Lielie valodas modeļi spēj rakstīt dzeju, kas aizkustina līdz asarām, ģenerēt sirreālus attēlus, kas uzvar mākslas konkursos, rast radošus risinājumus atvērtām problēmām un uzturēt sarunas, kas šķiet pārsteidzoši cilvēciskas. Tie ir tieši tie uzdevumi, kuros cilvēka 1. sistēma izceļas.

Bet lūk, problēma: tie ir katastrofāli slikti 2. sistēmas uzdevumos.

Palūdziet tīram LLM modelim sareizināt divus sešciparu skaitļus. Visticamāk, tas sniegs skaitli, kas izskatās pēc pareizas atbildes (tam ir pareizs ciparu skaits, pirmie daži cipari var pat būt pareizi), bet atbilde būs matemātiski nepareiza. Kāpēc? Jo modelis nerēķina. Tas prognozē, kā izskatās aprēķins. Treniņa laikā tas ir redzējis miljoniem reizināšanas piemēru, tāpēc tas var ģenerēt kaut ko, kas atbilst "reizināšanas rezultāta" modelim, bet tam nav īsta aritmētikas dzinēja.

Tieši tāpēc LLM modeļi pārliecinoši halucinē. Tie nemelo (tas prasītu zināt patiesību). Tie pabeidz modeļus. Ja lietotājs uzdod jautājumu, kas izklausās tā, it kā tam būtu jābūt atbildei, modelis ģenerē kaut ko, kas izskatās pēc atbildes. Tas nespēj atšķirt modeļa pabeigšanu no faktiskās precizitātes, jo tam nav verifikācijas mehānisma.

Mērogošanas likumu siena

Gadiem ilgi MI pētnieki uzskatīja, ka šī problēma atrisināsies pati. "Mērogošanas likumi" (Kaplan et al. 2020, Hoffmann et al. 2022) parādīja paredzamas attiecības starp modeļa lielumu, treniņu datiem, skaitļošanas jaudu un veiktspēju. Secinājums bija vilinošs: vienkārši padariet modeļus lielākus, barojiet tos ar vairāk datu, un spriešana parādīsies.

Tagad esam atdūrušies pret sienu.

GPT-4 ir aptuveni 1,8 triljoni parametru. Claude 3 Opus, Gemini Ultra un citi vadošie modeļi ir līdzīgā līmenī. Treniņu sesijas izmaksā simtiem miljonu dolāru. Enerģijas patēriņš konkurē ar mazām pilsētām. Un tomēr pamatproblēma paliek: šie modeļi joprojām nevar droši veikt daudzciparu aritmētiku, joprojām pārliecinoši maldās, joprojām nespēj veikt pamata loģisko spriešanu.

Mēs varam pievienot vairāk slāņu. Mēs varam ievadīt vairāk datu. Mēs varam būvēt lielākus GPU klasterus. Bet mēs neiegūstam labāku spriešanu. Mēs iegūstam labāku modeļu atdarināšanu. Lielāks papagailis joprojām ir papagailis.

2024. gada Allen Institute for AI pētījumi parādīja, ka pat vismodernākie LLM nespēj atrisināt vienkāršas loģikas mīklas, kuras var atrisināt jebkurš bērns, nevis tāpēc, ka tiem trūkst treniņdatu, bet gan tāpēc, ka tiem trūkst arhitektūras loģiskai secināšanai. Jūs nevarat iegūt System 2 iespējas, mērogojot System 1. Tie ir fundamentāli atšķirīgi skaitļošanas paradigmi.

Simboliskā mākslīgā intelekta atgriešanās

Lai saprastu, kurp mākslīgajam intelektam jāvirzās, mums jāsaprot, no kurienes tas nācis. Pirms dziļās mācīšanās revolūcijas, pirms neironu tīkli kļuva dominējoši, pastāvēja cita paradigma: simboliskais mākslīgais intelekts, ko dažkārt dēvē par "vecmodīgo mākslīgo intelektu" (GOFAI).

Simboliskā mākslīgā intelekta (MI) bija dominējošā pieeja no 20. gadsimta 50. gadiem līdz 90. gadiem. Tā neizmantoja neironu tīklus. Tā vietā tā izmantoja skaidrus noteikumus, loģikas kokus, ontoloģijas, formālās gramatikas un zināšanu grafikus. Tā attēloja zināšanas kā simbolus un darbojās ar šiem simboliem saskaņā ar loģikas noteikumiem.

Simboliskās MI sistēmai medicīniskajai diagnostikai varētu būt šādi noteikumi: "JA pacientam ir drudzis UN pacientam ir klepus UN ilgums pārsniedz 7 dienas, TAD apsveriet pneimoniju ar varbūtību 0,7." Tā varētu ķēdēt šos noteikumus, izsekot savai argumentācijai un precīzi izskaidrot, kāpēc tā nonāca pie jebkura secinājuma.

Simboliskajam MI bija ievērojamas īpašības:

• Ideāla loģika: Ja simboliskajai sistēmai pasakāt, ka "Visi cilvēki ir mirstīgi" un "Sokrāts ir cilvēks", tā ar 100% pārliecību secinās, ka "Sokrāts ir mirstīgs." Tā nehalucinē. Tā nemin. Tā pierāda.
• Pilnībā izskaidrojama: Katram secinājumam ir izsekojams pierādījuma ceļš. Jebkurā brīdī varat jautāt "kāpēc" un saņemt formālu atvasinājumu.
• Garantēta pareizība: Labi definētās jomās ar pilnīgiem noteikumiem simboliskās sistēmas var matemātiski pārbaudīt, lai tās vienmēr sniegtu pareizus rezultātus.

Kāpēc tad simboliskais MI cieta neveiksmi? Kāpēc šī joma to pameta neironu tīklu dēļ?

Atbilde ir trauslums. Simboliskās sistēmas prasa, lai cilvēki manuāli iekodētu visus noteikumus. Tas darbojās šahā (fiksēti noteikumi, ierobežoti stāvokļi), bet katastrofāli neizdevās atvērtās pasaules uzdevumos. Jūs nevarat uzrakstīt IF/THEN noteikumu kopu, kas atpazītu kaķi visos iespējamos apgaismojuma apstākļos, pozās, aizsegumos un attēla kvalitātēs. Reālā pasaule ir pārāk nekārtīga, pārāk neskaidra, pārāk augstas dimensijas, lai to aptvertu ar rokām veidoti noteikumi.

To sauca par "zināšanu ieguves sašaurinājumu." Cilvēku ekspertiem bija manuāli jāievada visi pasaules noteikumi, un izrādījās, ka pasaulei ir bezgalīgi daudz noteikumu. Neironu tīkli to apieta, mācoties modeļus tieši no datiem.

Sintēze: neiro-simboliskais MI

Lūk, atziņa, kas pārveido mākslīgo intelektu: mums nav jāizvēlas starp neironu un simbolisko. Mēs varam tos apvienot.

Neiro-simboliskais MI ir arhitektūras paradigma, kas katru uzdevumu piešķir tam komponentam, kurš tam vislabāk piemērots:

• Neirālā komponente (uztvere): Apstrādā nesakārtoto, nestrukturēto sensoro ievadi. Tā aplūko pasauli (attēlus, audio, tekstu, sensoru datus) un pārveido to strukturētos simbolos, ko spriešanas sistēma var apstrādāt. Tā ir 1. sistēma: ātra, paralēla, izturīga pret troksni.
• Simboliskā komponente (spriešana): Apstrādā loģiku, noteikumus, matemātiku, ierobežojumus un verifikāciju. Tā ņem simbolus no neirālā tīkla un apstrādā tos deterministiski saskaņā ar formāliem noteikumiem. Tā ir 2. sistēma: apdomīga, secīga, pierādāmi pareiza.

Kombinācija sniedz gan robustumu, gan stingrību. Neirālā komponente apstrādā reālās pasaules neskaidrības (kļūdas tekstā, troksni audio, variācijas attēlos). Simboliskā komponente nodrošina, ka, tiklīdz ir iegūti tīri simboli, spriešana ir garantēti pareiza.

Tā nav jauna ideja. Pētnieki neirāli simboliskās pieejas pēta jau gadu desmitiem. Taču nesenās norises pirmo reizi tās ir padarījušas praktiski izmantojamas lielā mērogā. Un Dweve ir izveidojis vismodernāko šīs paradigmas realizāciju, izmantojot mūsu Binary Constraint Discovery arhitektūru.

Kā Dweve ievieš neiro-simbolisko mākslīgo intelektu

Dweve arhitektūra ir vismodernākā neiro-simbolisko principu ieviešana ražošanā mūsdienās. Lūk, kā tā darbojas:

Uztveres slānis: neironu ievades apstrāde

Kad dati nonāk Dweve sistēmā (teksts, attēli, audio, strukturēti dati), tie vispirms iziet cauri mūsu 31 uztveres pazīmju ekstraktoram. Tie ir neironu komponenti, kas optimizēti jēldatu pārveidošanai strukturētos attēlojumos. Tie apstrādā nekārtīgo reālās pasaules ievadi, ko simboliskās sistēmas nevar apstrādāt tieši: drukas kļūdas, OCR kļūdas, attēlu troksni, audio traucējumus, dabiskās valodas neskaidrības.

Būtiski, ka uztveres slānis nemēģina "spriest" par ievadi. Tā vienīgais uzdevums ir ekstrakcija un strukturēšana. Tas pārveido "Atbildības limits, kas minēts 4.2. sadaļā, ir pieci miljoni eiro" strukturētos simbolos: liability_cap = 5000000, currency = EUR, reference = section_4_2. Tas ir uzdevums, kam neironu rakstu atpazīšana ir lieliski piemērota.

Maršrutēšanas slānis: 456 nozares speciālistu atlase

Kad ievade ir strukturēta, Dweve Loom permutētās vienošanās popcount (PAP) maršrutēšanas sistēma nosaka, kuras no 456 specializētajām ierobežojumu kopām ir būtiskas. Šeit Dweve krasi atšķiras no standarta nozares speciālistu maisījuma pieejām.

Tradicionālās MoE sistēmas izmanto apgūtus maršrutēšanas tīklus, kuriem ir tās pašas problēmas kā citiem neironu komponentiem: tie ir varbūtības, nevis deterministiski. Tie var novirzīt vaicājumus nepareiziem nozares speciālistiem, pamatojoties uz virspusēju rakstu atbilstību.

PAP maršrutēšana izmanto strukturālu rakstu noteikšanu, kas pārsniedz vienkāršu līdzību. Tā nosaka, kad "pareizie marķieri ir klāt, bet nepareizās attiecībās", un novērš kļūdainu pozitīvu maršrutēšanu. Pats maršrutēšanas lēmums ir izskaidrojams: jūs varat precīzi redzēt, kāpēc vaicājums tika novirzīts juridiskās līgumu analīzes nozares speciālistam, nevis medicīniskās diagnostikas nozares speciālistam.

Spriešanas slānis: bināro ierobežojumu atklāšana

Šis ir galvenais jauninājums. Tā vietā, lai attēlotu zināšanas kā neironu tīkla svarus (augstas dimensijas peldošā komata vektorus, kurus nevar pārbaudīt vai verificēt), Dweve attēlo zināšanas kā kristalizētus bināros ierobežojumus.

Ierobežojums ir loģiska sakarība, kas ir atklāta no datiem un verificēta kā uzticama. Piemēram:

• "Derīgos M&A līgumos atbildības limitam jābūt lielākam vai vienādam ar maksimālo kompensācijas summu"
• "Pacientu ierakstos, ja diagnoze ir pneimonija UN ārstēšana ir antibiotika X, TAD ilgumam jābūt >= 7 dienām"
• "Finanšu pārskatos kopējiem aktīviem jābūt vienādiem ar kopējām saistībām plus akcionāru pašu kapitālu"

Šie ierobežojumi netiek apgūti kā netieši modeļi neironu svaros. Tie tiek tieši atklāti, verificēti un saglabāti kā loģiski noteikumi. Inferenču laikā ierobežojumu risinātājs tos piemēro deterministiski. Ja ievade pārkāpj ierobežojumu, sistēma to iezīmē ar matemātisku noteiktību, nevis statistisku ticamību.

Tāpēc Dweve sistēmas nehalucinē. Halucinācija nav iespējama, ja katrs rezultāts ir verificētu loģisko noteikumu piemērošanas rezultāts strukturētai ievadei. Sistēma var radīt tikai tādus rezultātus, kas izriet no tās ierobežojumiem. Ja neviens ierobežojums neatbalsta apgalvojumu, sistēma saka "es nezinu", nevis izdomā kaut ko ticamu.

Izvades slānis: izskaidrojami rezultāti

Katram Dweve rezultātam ir pilnīgs atvasinājums. Jūs varat jautāt "kāpēc" jebkurā brīdī un saņemt precīzu ierobežojumu ķēdi, kas radīja secinājumu. Tas nav pēc fakta izskaidrojums, ko ģenerē atsevišķs "izskaidrošanas modulis" (kā to dara daudzi mākslīgā intelekta izskaidrojamības rīki). Tas ir faktiskais spriešanas ceļš.

Regulētās nozarēs (veselības aprūpe, finanses, tiesības) tas ir pārveidojošs. Revidenti var pārliecināties, ka secinājumi ir pareizi, pārbaudot ierobežojumu atvasināšanu. Regulatori var apstiprināt, ka lēmumu pieņemšana atbilst apstiprinātajai loģikai. Lietotāji var precīzi saprast, kāpēc sistēma nonāca pie sava secinājuma.

Piemērs: medicīniskās diagnostikas atbalsts

Aplūkosim AI sistēmu, kas atbalsta neatliekamās medicīnas ārstus. Uzdevums ir ieteikt iespējamās diagnozes, pamatojoties uz pacienta simptomiem, slimības vēsturi un izmeklējumu rezultātiem.

Tīri LLM pieeja: Ārsts ievada pacienta stāvokļa aprakstu ChatGPT. Modelis ģenerē aptuveni šādu atbildi: "Pamatojoties uz aprakstītajiem simptomiem, pacientam, iespējams, ir pneimonija, bronhīts vai, iespējams, COVID-19. Iesaku veikt krūškurvja rentgenu un PCR testu." Tas izklausās noderīgi, taču modelim nav iespējas pārbaudīt savus ieteikumus pret faktiskiem medicīniskiem pierādījumiem. Tas atpazīst modeļus no apmācības datiem, kuros var būt novecojusi vai nepareiza informācija. Tas nevar izskaidrot, kāpēc prioritāti piešķīra pneimonijai, nevis bronhītam. Tas var nepamanīt retu, bet kritisku stāvokli, kas neatbilst izplatītajiem modeļiem.

Dweve neiro-simboliskā pieeja:

1. Neironu uztvere: Sistēma apstrādā ārsta ievadīto dabisko valodu, izdalot strukturētus simptomus (drudzis: 39,2°C, klepus ar krēpām, ilgums: 8 dienas), pacienta vēsturi (diabētiķis, 67 gadi, nesmēķētājs) un izmeklējumu rezultātus (paaugstināts leikocītu skaits, CRP 85 mg/l).
2. Nozares speciālista maršrutēšana: PAP maršrutēšana aktivizē plaušu medicīnas ierobežojumu kopu, infektoloģijas ierobežojumu kopu un gados vecāku pacientu riska faktoru ierobežojumu kopu.
3. Ierobežojumu spriešana: Sistēma piemēro pārbaudītus medicīniskus ierobežojumus:
   • 1. ierobežojums: "Klepus ar krēpām + drudzis virs 38°C + ilgums virs 7 dienām + paaugstināts leikocītu skaits liecina par apakšējo elpceļu infekciju"
   • 2. ierobežojums: "Diabētiķis + vecums virs 65 gadiem + elpceļu infekcija palielina pneimonijas risku 3,2 reizes"
   • 3. ierobežojums: "CRP virs 50 mg/l elpceļu saslimšanas gadījumā ar 94% ticamību izslēdz vīrusu bronhītu"
4. Rezultāts: "Diagnoze: kopienā iegūta pneimonija (augsta ticamība). Pamatojums: pacients atbilst CURB-65 kritērijiem vidēji smagam stāvoklim. Diabēta statuss un vecums palielina komplikāciju risku. Ieteicams veikt krūškurvja rentgenu apstiprināšanai, uzsākt empīrisku antibiotiku terapiju saskaņā ar vietējām vadlīnijām. Pilna spriešanas ķēde pieejama pārskatīšanai."

Atšķirība nav tikai precizitātē. Tā ir atbildībā. Ārsts var iziet cauri spriešanas ķēdei un pārbaudīt katru soli pret savām medicīniskajām zināšanām. Ja sistēma ir kļūdījusies, viņš var precīzi noteikt, kur. Ja pacientam rodas komplikācijas, slimnīcas juridiskā komanda var pārbaudīt, kāda informācija sistēmai bija un kā tā sprieda.

Piemērs: izglītojošs mākslīgā intelekta pasniedzējs

Apsveriet mākslīgā intelekta pasniedzēju, kas palīdz skolēnam apgūt algebru. Skolēns augšupielādē sava ar roku rakstītā mājasdarba fotoattēlu, kurā redzams viņa mēģinājums atrisināt 2x + 5 = 15.

Tīri LLM pieeja: Modelis aplūko attēlu un ģenerē iedrošinošu atgriezenisko saiti: "Lielisks darbs! Tava pieeja izskatās saprātīga. Turpini praktizēties, un tu kļūsi labāks algebrā." Tas ir bezjēdzīgi. Modelis faktiski nevar pārbaudīt, vai skolēna darbs ir pareizs, jo tam nav algebras dzinēja. Tas ģenerē "skolotājam līdzīgu atgriezenisko saiti", pamatojoties uz modeļiem, nevis matemātisku pārbaudi.

Dweve neiro-simboliskā pieeja:

1. Neironu uztvere (redze): Datorredzes modelis (viens no 31 pazīmju ekstraktoriem) apstrādā ar roku rakstīto attēlu un pārveido to strukturētā matemātiskajā pierakstā: Skolēns uzrakstīja "2x + 5 = 15, 2x = 10, x = 6".
2. Simboliskā pārbaude: Algebras ierobežojumu risinātājs pārbauda darbu soli pa solim:
   • 1. solis: 2x + 5 = 15. Pareizi (dots uzdevums).
   • 2. solis: 2x = 10. Pareizi (no abām pusēm atņemts 5).
   • 3. solis: x = 6. NEPAREIZI. 10/2 = 5, nevis 6.
3. Rezultāts: "Tava uzdevuma nostādne un pirmais solis ir pareizi. 3. solī tu dalīji 10 ar 2, bet uzrakstīji 6, nevis 5. Tas izskatās pēc aritmētiskas kļūdas, nevis konceptuālas kļūdas. Mēģini dalīšanu vēlreiz: cik ir 10 / 2?"

Sistēma sniedz mērķtiecīgu, matemātiski pārbaudītu atgriezenisko saiti. Tā precīzi zina, kur radusies kļūda, un spēj atšķirt konceptuālus pārpratumus (kuriem nepieciešama cita veida korekcija) no aritmētiskām kļūdām (kurām nepieciešams tikai korekcijas norādījums).

Kāpēc binārie ierobežojumi ir svarīgi

Jūs varētu jautāt: kāpēc Dweve to sauc par "bināro ierobežojumu atklāšanu", nevis vienkārši "neiro-simbolisko mākslīgo intelektu"? Kas īpašs ir binārajā aspektā?

Tradicionālās simboliskās mākslīgā intelekta sistēmas attēlo zināšanas kā peldošā komata svarus, nepārtrauktus varbūtību sadalījumus vai sarežģītas loģiskas formulas. Šiem attēlojumiem ir būtiska problēma: tos ir dārgi glabāt, dārgi aprēķināt un grūti pārbaudīt.

Dweve izrāviens ir ierobežojumu attēlošana binārā formā, izmantojot 1 bitu aprēķinus ar bitu operatoriem (XNOR, AND, OR, POPCNT). Tas nav ierobežojums, bet gan priekšrocība:

• 32x saspiešana: Binārs ierobežojums aizņem 1 bitu, kamēr tradicionālās sistēmas izmanto 32 bitu peldošā komata skaitļus.
• Energoefektivitāte: Binārās darbības patērē aptuveni 0,15 pikodžoulus, salīdzinot ar aptuveni 4,6 pikodžouliem peldošā komata darbībām, kas ir 30x uzlabojums.
• Verifikācijas vienkāršība: Binārie ierobežojumi ir vai nu izpildīti (1), vai pārkāpti (0). Nav nekādas neskaidrības, nav "droši vien izpildīti", nav peldošā komata precizitātes kļūdu.
• Aparatūras optimizācija: Mūsdienu CPU ir ļoti optimizētas instrukcijas binārajām darbībām. Dweve 1 937 algoritmi Dweve Core ir īpaši izstrādāti, lai izmantotu SIMD instrukcijas, piemēram, AVX-512, masveida paralēlismam.

Rezultāts ir sistēma, kas spēj veikt sarežģītu loģisku spriešanu par niecīgu daļu no tradicionālo pieeju izmaksām un enerģijas, vienlaikus saglabājot pilnīgu pārbaudāmību.

Uzņēmumu pamošanās

Pēdējos divus gadus Silīcija ielejā valda zelta drudzis. Katrs uzņēmums steidzās ieviest LLM, gaidot pārveidojošu produktivitātes pieaugumu. Realitāte ir bijusi atturinoša.

Deloitte 2024. gada aptaujā atklāja, ka 68% uzņēmumu AI projektu neattaisnoja cerības. Galvenie minētie iemesli bija halucinācijas (42%), nespēja pārbaudīt rezultātus (38%) un atbilstības bažas (35%). Tie ir tieši tās problēmas, kuras tīri neironu pieejas nevar atrisināt.

McKinsey 2024. gada AI ieviešanas pētījumā atklāja, ka uzņēmumi arvien vairāk pieprasa "atbildīgu AI" augstu likmju lēmumiem. Viņi vēlas sistēmas, kas spēj izskaidrot savu spriešanu, darboties noteiktu ierobežojumu ietvaros un nodrošināt revīzijas pēdas normatīvajai atbilstībai. Tas ir neiro-simboliskais modelis.

Tirgus mainās. Kamēr jaunuzņēmumi turpina dzīties pēc nākamā GPT-5, uzņēmumi klusi iegulda hibrīdās arhitektūrās, kurām patiešām var uzticēties. Jautājums vairs nav "cik iespaidīga ir demonstrācija?", bet "vai mēs varam likt uz spēles mūsu uzņēmuma reputāciju šī rezultāta dēļ?"

Normatīvais vējš

ES AI akts, kas pilnībā stāsies spēkā 2026. gadā, nepārprotami pieprasa izskaidrojamību un cilvēka uzraudzību augsta riska AI sistēmām. 13. pants nosaka, ka AI sistēmām jābūt "izstrādātām un attīstītām tā, lai nodrošinātu, ka to darbība ir pietiekami pārredzama, lai lietotāji varētu interpretēt sistēmas izvadi un to atbilstoši izmantot."

Tīri neironu tīkli šo pārbaudi principiāli neiztur. Jūs nevarat "interpretēt" 1,8 triljonu parametru transformatora izvadi nekādā jēgpilnā veidā. Svari ir neizprotami. Spriešana (ciktāl tāda ir) notiek augstas dimensijas iegultņu telpās, kuras neviens cilvēks nevar vizualizēt vai pārbaudīt.

Neiro-simboliskās sistēmas, turpretim, ir veidotas interpretējamībai. Katram secinājumam ir pierādījums. Katrs lēmums atsaucas uz skaidriem ierobežojumiem. Revidenti var pārbaudīt atbilstību nevis uzticoties AI, bet pārbaudot tā loģiskos atvasinājumus.

VDAR 22. pants jau pieprasa "jēgpilnu informāciju par iesaistīto loģiku" automatizētiem lēmumiem, kas skar fiziskas personas. Finanšu regulas (Bāzele IV, MiFID II) pieprasa izskaidrojamību algoritmiskajai tirdzniecībai un kredītlēmumiem. Veselības aprūpes regulas (FDA norādījumi par AI/ML medicīniskajām ierīcēm) pieprasa AI spriešanas klīnisko validāciju.

Normatīvā vide nav naidīga pret AI. Tā ir naidīga pret neizskaidrojamu AI. Neiro-simboliskās arhitektūras ir ne tikai tehniski pārākas; tās ir gatavas normatīvajām prasībām.

Veidojot nākotni

Uzņēmumā Dweve mēs esam strādājuši pie šī brīža kopš tā dibināšanas. Kamēr pārējā nozare bija iegrimusi mērogošanas karos, apmācot arvien lielākus transformatorus ar arvien vairāk datu, mēs investējām ierobežojumu risinātājos, zināšanu grafos, formālajā verifikācijā un pamata algoritmos, kas padara neiro-simbolisko mākslīgo intelektu praktiski izmantojamu lielā mērogā.

Mūsu 456 nozaru speciālistu arhitektūra Dweve Loom nav 456 miljardi parametru. Tā ir 456 specializētas ierobežojumu kopas, no kurām katra satur 64-128MB verificētu bināro ierobežojumu. Konkrētam vaicājumam aktivizējas tikai 4-8 no tām, nodrošinot efektivitāti un atbilstību.

Mūsu 1,937 algoritmi Dweve Core nodrošina skaitļošanas pamatu, optimizēti binārajām operācijām visās lielākajās aparatūras platformās: CPU (SSE2, AVX2, AVX-512, ARM NEON), GPU (CUDA, ROCm, Metal, Vulkan), FPGA un pat WebAssembly pārlūkprogrammas izpildei.

Mūsu septiņu posmu epistemoloģiskā cauruļvada sistēma Dweve Spindle nodrošina, ka sistēmā ienākošās zināšanas tiek verificētas, pirms tās kļūst par ierobežojumiem. 32 aģentu hierarhija uztver kļūdas, pārbauda avotus un uztur zināšanu kvalitāti.

Šī nav tikai labāka arhitektūra. Tā ir cita filozofija. Mēs uzskatām, ka mākslīgā intelekta nākotne nav par ticami skanīgu rezultātu ģenerēšanu ātrāk un lētāk. Tā ir par sistēmu veidošanu, kurām patiešām var uzticēties, sistēmām, kas var parādīt savu darbu, sistēmām, uz kurām uzņēmumi var balstīt savu biznesu.

Kas notiks tālāk

Neiro-simboliskā renesanse nav prognoze. Tā jau notiek. Google DeepMind ir publicējis pētījumus par neiro-simboliskām pieejām. Meta AI ir investējis hibrīdās spriešanas sistēmās. IBM Watson, kas bija agrīno ekspertu sistēmu pionieris, atgriežas pie simboliskā mākslīgā intelekta integrācijas.

Taču tie ir pētniecības projekti. Dweve ir ražošanas sistēma. Mūsu platforma jau šodien apstrādā uzņēmumu darba slodzi, nodrošinot uzticamību, kurai tīri neironu pieejas nevar līdzināties.

Jautājums uzņēmumu mākslīgā intelekta līderiem nav par to, vai pieņemt neiro-simboliskās pieejas. Tas jau ir neizbēgami, ņemot vērā regulatīvās prasības un uzticamības vajadzības. Jautājums ir, vai veidot šo spēju iekšēji (vairāku gadu darbs, kam nepieciešama specializēta pieredze), gaidīt, kamēr lielās tehnoloģiju kompānijas to komercializē (zaudējot konkurences priekšrocības), vai sadarboties ar uzņēmumu, kas jau ir atrisinājis sarežģītās problēmas.

Dweve apvieno neironu tīklu uztveres spēku ar simboliskās spriešanas loģisko stingrību. Mēs apstrādājam sarežģīto reālo pasauli (kļūdrakstus, troksni, neskaidrību), vienlaikus garantējot matemātiski pierādāmu pareizību kritiskiem lēmumiem. To panākam ar 96% mazāku enerģijas patēriņu nekā tradicionālais mākslīgais intelekts, ļaujot izmantot risinājumu uz standarta aparatūras bez milzīgas GPU infrastruktūras.

Ja jūsu uzņēmumam nepieciešams mākslīgais intelekts, kas spēj spriest, nevis tikai atbildēt, mums vajadzētu runāt. Ja jūsu nozare ir regulēta un jums nepieciešams izskaidrojams lēmumu pieņemšanas process, mēs esam gatavi. Ja esat cietuši no halucinējošiem tērzēšanas robotiem un vēlaties mākslīgo intelektu, kuram patiešām varat uzticēties, mēs to esam radījuši jums.

Mākslīgā intelekta nākotne nav lielāka 1. sistēma. Tā ir abu kognitīvo sistēmu sintēze: mākslinieks un grāmatvedis, intuīcija un loģika, neironu un simboliskais.

Renesanse ir klāt. Un Dweve to vada.