Нейросимволический искусственный интеллект

До того как случился сегодняшний бум искусственного интеллекта, который построен на архитектурах deep learning, в индустрии доминировал другой подход — символический. Он противоположен нейросетевому подходу, где обучение идет через статистику и паттерны в данных.

Символический ИИ опирается на интерпретируемые структуры: факты, логические утверждения, отношения между объектами и правила вывода. И ведь именно этого не хватает текущему генеративному ИИ, когда мы говорим о его недостатках. В первую очередь речь идет о галлюцинациях, неточных ответах и ошибках в рассуждении и решении задач. В информационном поле стали всё больше говорить об объединении двух подходов — в нейросимволический ИИ. Этот подход как технология даже попал на кривую Gartner 2025 года, посвященную искусственному интеллекту.

На самом верху кривой сейчас находятся AI Agents, и весь хайп крутится вокруг них, Generative AI сваливается в долину разочарования, а Neurosymbolic AI пока только набирает обороты, поднимаясь по кривой на отрезке возникновения инновации.

Символический ИИ (symbolic AI) — это направление, которое использует логические правила, знания и символы для представления и обработки информации.

Примеры символического ИИ и систем, в которых он проявляется:

1. Экспертные системы конца XX века — классический символический ИИ
Пример: MYCIN (1970-е, Стэнфорд) — диагностировала инфекционные заболевания по правилам, написанным врачами.

2. Системы логического вывода и дедукции
Пример: Prolog — язык программирования, основанный на формальной логике; используется для рассуждений, планирования, доказательства теорем.

3. Семантические сети и онтологии
Пример: WordNet (Базы знаний слов и их связей), OWL-онтологии, CyC — гигантская база общеизвестных фактов (например, «вода мокрая», «люди дышат воздухом»).

4. Планировщики (AI planning systems)
Пример: STRIPS (Stanford Research Institute Problem Solver, 1971) — система для планирования действий роботов на основе описаний мира и целей.

5. Логические ИИ-агенты в робототехнике и играх
Например, в GOFAI-поколении (Good Old-Fashioned AI) роботы управлялись наборами правил вида «если-то»: ЕСЛИ дверь закрыта, ТО найти ключ.

Когда случился прорыв deep learning, многие окрестили этот подход как устаревший, избыточный.

Впрочем, так оно и случилось, но сейчас мы начинаем упираться в определенный потолок. Потолок связан и с недостатком большого объема качественных данных, и с недостатком инфраструктуры, которая требуется для обучения такого рода моделей, включая и производство дешевой электроэнергии.

Всё это заставляет исследователей и инженеров всё чаще смотреть в сторону гибридных, нейросимволических подходов, которые объединяют сильные стороны статистических нейросетей и символических систем рассуждения. Такие подходы позволяют не просто подбирать ответы на основе вероятностей, но и выстраивать интерпретируемые логические связи, объяснять рассуждения и снижать риск ошибок и «галлюцинаций».

Примеры современных нейросимволических архитектур:

1. IBM Neuro-Symbolic Concept Learner (NSCL)
Комбинирует сверточные нейросети для восприятия изображений и символический движок логического вывода для интерпретации.

Кейс: система анализирует сцены с геометрическими фигурами и отвечает на вопросы вроде «сколько красных кубов справа от синей сферы?».

Результат: решение не только точное, но и объяснимое — можно проследить ход рассуждений модели шаг за шагом.

2. DeepMind AlphaGeometry (2024)
Архитектура сочетает трансформеры, которые выявляют закономерности в геометрических построениях, с символическим модулем доказательства теорем.

Кейс: решение задач уровня Международной математической олимпиады (IMO).

Результат: AlphaGeometry смогла самостоятельно решить 25 из 30 задач IMO — почти как человек-олимпиадник, демонстрируя рассуждение, а не угадывание.

3. Neuro-Symbolic Visual Question Answering (MIT / Stanford)
Комбинация CNN / Transformer-модуля для визуального распознавания и символической логики (например, Prolog или PyReason) для построения объяснимых выводов.

Кейс: в промышленной инспекции модель находит дефектные детали и объясняет, почему они нарушают конкретное правило.

Результат: повышается доверие к решениям системы и скорость проверки.

В целом пока ведутся разные разговоры в каких отношениях должны работать обе системы, и вероятно, всё зависит от кейса. Например, в блоге AWS Builder указана следующая архитектура AI-агента, использующего нейросимволический подход:

Во-первых, в их случае агент строится вокруг следующих 4-х стадий: восприятие, рассуждение, планирование, действие. Во-вторых, на этапах восприятия, рассуждения и планирования агент может обращаться как нейронным сетям (LLM, RAG), так и к символическому ИИ (правила, граф знаний, таксономии). В-третьих, с точки зрения действий агент может обращаться к инструментам, как это и бывает в классической архитектуре AI-агента.

Нейросимволический подход нельзя назвать революцией в мире AI, скорее это логично вытекающее объединение двух парадигм (нейросетевого и символического) в одну гибридную архитектуру, которая позволяет достигать более высокого качества ответов и действий, если речь идет об агентах.

Если вас заинтересовала эта тема, то мы можем под ваш запрос организовать образовательный воркшоп. Для этого достаточно заполнить форму на нашей главной странице, и мы с вами свяжемся.