تصور کنید هوش مصنوعی بتواند بدون یک ثانیه آموزش اضافی، پیچیده‌ترین قوانین منطقی یک سیستم جدید را کشف کند. اگر هنوز فکر می‌کنید استدلال نمادین نیازمند بازآموزی (Retraining) مداوم است، باید با Neural Rule Inducer یا همان NRI آشنا شوید.
به نقل از مقاله‌ای که در ۷ مه ۲۰۲۶ در arxiv.org منتشر شد، این چارچوب توانسته است محدودیت‌های «ترادوکتیو» (Transductive) در برنامه‌نویسی منطق استقرایی (ILP) سنتی را از بین ببرد. بر اساس مستندات این پژوهش، برخلاف روش‌های پیشین که برای هر مجموعه از گزاره‌ها نیاز به آموزش مجدد داشتند، NRI به عنوان یک مدل بنیادی (Foundation Model) برای استخراج قوانین در حالت صفر-شات (Zero-shot) عمل می‌کند.
برای دستیابی به این هدف، مدل از یک خط لوله معماری خاص استفاده می‌کند:
- رمزگذار آماری (Statistical Encoder): نمایش گزاره‌ها با استفاده از نرخ‌های شرطی کلاس، آنتروپی (Entropy) و هم‌رخدادی به جای شناسه‌های ثابت.
- رمزگشای موازی مبتنی بر اسلات (Slot-based Decoder): طراحی شده برای حفظ ناوردا بودن جایگشت در یاهای منطقی.
- آرام‌سازی T-norm (T-norm relaxation): تبدیل اجرای قوانین به یک فرآیند مشتق‌پذیر که اجازه می‌دهد آموزش سرتاسری (End-to-end) تنها بر اساس دقت پیش‌بینی صورت گیرد.
همان‌طور که در تحلیل قبلی ما درباره‌ی Microsoft Magma-8B اشاره کردیم، جایگزینی عامل‌های تخصصی با مدل‌های بنیادی قدرتمند، روند غالب در سال ۲۰۲۶ است. NRI ثابت می‌کند که حتی دنیای سخت‌گیرانه استخراج قوانین منطقی نیز می‌تواند در سطح دامنه‌های مختلف تعمیم یابد.
با ادغام استدلال نمادین و معماری‌های عصبی، میدان نبرد بعدی احتمالاً یکپارچه‌سازی این قوانین استخراج‌شده در تصمیم‌گیری‌های لحظه‌ای عامل‌های خودمختار خواهد بود.
اما این تنها بخشی از معماری است؛ اثر این رویکرد بر کاهش هزینه‌های استنتاج (Inference) را در گزارش بعدی بررسی خواهیم کرد.
گام بعدی شما
- بررسی مقاله اصلی در arxiv برای درک عمیق‌تر از مکانیسم T-norm.
- آزمایش مدل‌های استدلالی بر روی بنچمارک‌های نمادین برای سنجش توانایی صفر-شات.
- دنبال کردن ادغام این قوانین در سیستم‌های تصمیم‌گیری عامل‌محور.
گفتگو