اگر با مدل‌های هوش مصنوعی نمادین (Symbolic AI) کار کرده‌اید، می‌دانید که اجزای غیردیفرانسیل همواره سدی در برابر مقیاس‌پذیری بوده‌اند. حالا NeurASP با یک بازنگری در معماری محاسباتی، این سد را تخریب کرده است.
طبق گزارشی که در ۱۰ ژوئن ۲۰۲۶ در arXiv منتشر شد، این چارچوب توانسته است سرعت آموزش در وظایف پیچیده استدلالی را چندین مرتبه (Orders of Magnitude) افزایش دهد. در واقع، مشکل اصلی در این سیستم‌ها، محاسبه احتمال‌ها و گرادیان‌ها در بخش‌هایی بود که از طریق مشتق‌گیری ریاضی قابل بهینه‌سازی نبودند.
هوش مصنوعی عصبی-نمادین (Neurosymbolic AI) تلاش می‌کند تشخیص الگوی شبکه‌های عصبی (Neural Networks) را با شفافیت برنامه‌های نمادین ترکیب کند. در NeurASP، شبکه‌های عصبی مفاهیم را پیش‌بینی می‌کنند و سپس این مفاهیم توسط قوانینی که در برنامه‌نویسی مجموعه‌پاسخ (Answer Set Programming - ASP) نوشته شده‌اند، پردازش می‌شوند. از آنجا که بخش ASP غیردیفرانسیل است، محاسبات آن به‌طور سنتی بسیار کند و هزینه‌بر بود.
بر اساس مستندات فنی این گزارش، پژوهشگران برای رفع این گلوگاه سه بهینه‌سازی کلیدی معرفی کرده‌اند:
- بردارسازی (Vectorization) و پردازش دسته‌ای (Batch Processing) برای مدیریت هم‌زمان حجم‌های بزرگتر داده.
- حافظه موقت (Caching) محاسبات میانی برای جلوگیری از تکرار عملیات در طول فرآیند آموزش.
- معرفی یک مجموعه داده جدید شامل وظایف دشوار با کارت‌های بازی برای ارزیابی دقیق تابع یادگیری ارتقایافته.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی محدودیت‌های پل‌های ارتباطی میان لایه‌های عصبی و نمادین اشاره کردیم، چالش واقعی هرگز منطقِ استدلال نبود، بلکه هزینه محاسباتی انتقال داده بین این دو لایه بود. با کاهش هزینه محاسبات گرادیان در بخش‌های غیردیفرانسیل، NeurASP از یک «اثبات مفهوم» (Proof-of-Concept) محدود به ابزاری کاربردی برای وظایف با پیچیدگی بالا تبدیل شده است.
گام بعدی شما
- پژوهشگران و توسعه‌دهندگان باید انتشار بنچمارک جدید کارت‌های بازی را دنبال کنند تا میزان بهبود سرعت را با سایر معماری‌های عصبی-نمادین مقایسه کنند.
- بررسی امکان پیاده‌سازی متدهای بردارسازی در لایه‌های غیردیفرانسیل مدل‌های ترکیبی خودتان.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو