Loading article…
人工知能において、記号的人工知能（古典的人工知能または論理ベース人工知能とも呼ばれる）[ 1 ] [ 2 ]は、問題、論理、および探索 の高レベルの記号的（人間が読める）表現に基づく人工知能研究のすべての手法の集合を表す用語である。[ 3 ]記号的AIは、論理プログラミング、プロダクションルール、意味ネットワークおよびフレームなどのツールを使用し、知識ベースシステム（特にエキスパートシステム）、 記号数学、自動定理証明器、オントロジー、セマンティックウェブ、自動計画およびスケジューリングシステムなどのアプリケーションを開発しました。記号的AIパラダイムは、探索、記号プログラミング言語、エージェント、マルチエージェントシステム、セマンティックウェブ、および形式的知識および推論システムの強みと限界に関する重要なアイデアにつながりました。
記号的AIは、1950年代半ばから1990年代半ばまで、AI研究の支配的なパラダイムでした。 [ 4 ] 1960年代と1970年代の研究者は、記号的アプローチが最終的に汎用人工知能を持つ機械の作成に成功すると確信しており、これをこの分野の究極の目標と考えていました。[ 5 ]ロジックセオリストやサミュエルのチェッカープレイプログラムなどの初期の成功による初期のブームは、非現実的な期待と約束につながり、資金が枯渇した最初のAIの冬が続きました。 [ 6 ] [ 7 ] 2回目のブーム（1969年～1986年）は、エキスパートシステムの台頭、企業専門知識を取り込むという約束、そして企業の熱狂的な受け入れによって起こりました。[ 8 ] [ 9 ]このブームと、DECのXCONなどの初期の成功の後、再び失望が続きました。[ 9 ]知識獲得の困難さ、大規模な知識ベースの維持、ドメイン外の問題の処理の脆弱性といった問題が生じた。続いて、第二次AI冬（1988～2011年）が到来した。[ 10 ]その後、AI研究者は不確実性の処理と知識獲得における根本的な問題に取り組むことに焦点を当てた。[ 11 ]不確実性は、隠れマルコフモデル、ベイズ推論、統計的関係学習などの形式的手法で対処された。[ 12 ] [ 13 ]記号的機械学習は、バージョン空間、ValiantのPAC学習、QuinlanのID3決定木学習、事例ベース学習、関係を学習するための帰納的論理プログラミングなどの貢献により、知識獲得問題に取り組んだ。[ 14 ]
ニューラルネットワークは、サブシンボリックなアプローチであり、初期の頃から研究されてきましたが、2012年に再び注目を集めました。初期の例としては、ローゼンブラットのパーセプトロン学習、ルーメルハート、ヒントン、ウィリアムズのバックプロパゲーション研究[ 15 ] 、そして1989年のルカンらによる畳み込みニューラルネットワークの研究[ 16 ]が挙げられます。しかし、ニューラルネットワークは2012年頃までは成功したとは見なされていませんでした。「ビッグデータが一般的になるまでは、いわゆるニューラルネットワークアプローチは絶望的であるというAIコミュニティの一般的な見解がありました。他の方法と比較すると、システムはそれほどうまく機能しませんでした。...2012年に革命が起こり、ヒントンと共同研究していた研究者チームを含む多くの人々が、GPUのパワーを利用してニューラルネットワークのパワーを飛躍的に向上させる方法を考案しました。」[ 17 ]その後数年間、ディープラーニングは視覚、音声認識、音声合成、画像生成、機械翻訳の処理において目覚ましい成功を収めたが、数式処理システムや証明支援システムなどのいくつかの分野では記号的アプローチが依然として有用である。
以下に、現在までの記号AIの簡単な歴史を示します。期間とタイトルは、ヘンリー・カウツの2020年のAAAIロバート・S・エンゲルモア記念講演[ 18 ]と、より長いWikipediaのAIの歴史に関する記事から引用していますが、分かりやすさを高めるために日付とタイトルを若干変更しています。
人工知能（AI）の初期の試みは、主に人工ニューラルネットワーク、知識表現、ヒューリスティック探索という3つの分野で成功を収め、高い期待につながった。本節では、カウツによる初期のAI史の概説をまとめる。
サイバネティクスのアプローチは、動物とその環境間のフィードバックループを再現しようと試みた。センサー、駆動と操舵のためのモーター、制御のための7つの真空管を備え、事前にプログラムされたニューラルネットワークに基づいたロボットタートルは、早くも1948年に作られた。この研究は、後のニューラルネットワーク、強化学習、および状況依存型ロボティクスの研究の初期の先駆けと見なすことができる。[ 19 ]
初期の重要な記号AIプログラムの一つに、 1955年から1956年にかけてアレン・ニューウェル、ハーバート・サイモン、クリフ・ショーによって書かれたLogic theoristがある。これはホワイトヘッドとラッセルの『プリンキピア・マテマティカ』から38の基本的な定理を証明することができた。ニューウェル、サイモン、ショーは後にこの研究を一般化し、ドメインに依存しない問題解決器GPS （General Problem Solver）を作成した。GPSは手段目的分析を用いた状態空間探索によって形式演算子で表現された問題を解決した。[ 20 ]
1960年代、記号的手法は、ゲーム、記号数学、定理証明といった構造化された環境における知能的行動のシミュレーションにおいて大きな成功を収めた。1960年代の人工知能研究は、カーネギーメロン大学、スタンフォード大学、MIT 、そして（後に）エディンバラ大学の4つの機関に集中していた。各機関はそれぞれ独自の研究スタイルを発展させた。サイバネティクスや人工ニューラルネットワークに基づく初期のアプローチは放棄されるか、あるいは後景に追いやられた。
ハーバート・サイモンとアレン・ニューウェルは人間の問題解決能力を研究し、それを形式化しようと試み、彼らの研究は人工知能、認知科学、オペレーションズ・リサーチ、経営科学の分野の基礎を築きました。彼らの研究チームは心理実験の結果を利用して、人々が問題を解決するために使用する技術をシミュレートするプログラムを開発しました。[ 21 ] [ 22 ]カーネギーメロン大学を中心としたこの伝統は、最終的に1980年代半ばにSoarアーキテクチャの開発で頂点に達しました。 [ 23 ] [ 24 ]
エキスパートシステムで後ほど使用される高度に専門化されたドメイン固有の知識に加えて、初期の記号AI研究者は、知識のより一般的な別の応用を発見しました。これらはヒューリスティクスと呼ばれ、有望な方向に探索を導く経験則です。「根本的な問題が指数関数的に難しい場合、列挙しない探索はどのように実用的になるのでしょうか？サイモンとニューウェルが提唱したアプローチは、ヒューリスティクス、つまり一部の入力で失敗したり、最適ではない解を出力したりする可能性のある高速アルゴリズムを使用することです。」[ 25 ]もう一つの重要な進歩は、ヒューリスティクスの時折の誤謬にもかかわらず、解が存在する場合には必ず解が見つかることを保証する、これらのヒューリスティクスを適用する方法を見つけることでした。「A*アルゴリズムは、完全かつ最適なヒューリスティクス誘導探索のための一般的な枠組みを提供しました。A*は今日、事実上すべてのAIアルゴリズムのサブルーチンとして使用されていますが、それでも万能薬ではありません。完全性の保証は、最悪の場合の指数関数的な時間の代償で得られます。」[ 25 ]
初期の研究では、一階述語論理を重視した形式的推論の応用と、より非形式的な方法で常識的推論を扱う試みの両方が対象とされた。
サイモンやニューウェルとは異なり、ジョン・マッカーシーは、機械は人間の思考の正確なメカニズムをシミュレートする必要はなく、代わりに、人々が同じアルゴリズムを使用するかどうかに関係なく、論理を使用して抽象的な推論と問題解決の本質を見つけようとすることができると考えていました。 [ 26 ]スタンフォードにある彼 の研究室（SAIL）は、知識表現、計画、学習など、さまざまな問題を解決するために形式論理を使用することに重点を置いていました。[ 30 ]論理は、エジンバラ大学やヨーロッパの他の場所で の研究の中心でもあり、プログラミング言語Prologと論理プログラミングの科学の開発につながりました。[ 31 ] [ 32 ]
MITの研究者たち( Marvin MinskyやSeymour Papertなど) [ 33 ] [ 34 ] [ 7 ]は、視覚や自然言語処理の難しい問題を解決するにはアドホックな解決策が必要であることを発見しました。彼らは、論理のような単純で一般的な原理では知的な行動のすべての側面を捉えることはできないと主張しました。Roger Schank は、彼らの「反論理的」アプローチを( CMUや Stanfordの「整った」パラダイムとは対照的に)「雑然とした」と表現しました。 [ 35 ] [ 36 ]常識知識ベース( Doug LenatのCycなど) は、「雑然とした」 AI の一例です。なぜなら、複雑な概念を一つずつ手作業で構築する必要があるからです。[ 37 ] [ 38 ] [ 39 ]
最初のAIの冬は衝撃的だった。
最初のAIブームの夏、多くの人々は機械知能はわずか数年で実現できると考えていた。国防高等研究計画局（DARPA）は、国家安全保障上の問題を解決するためにAIを活用するAI研究を支援するプログラムを開始した。具体的には、諜報活動のためのロシア語から英語への翻訳の自動化や、戦場用の自律型戦車の開発などである。研究者たちは、AIの実現は10年前に考えられていたよりもはるかに困難であることに気づき始めていたが、傲慢さと不誠実さが相まって、多くの大学やシンクタンクの研究者が、実現不可能だと分かっていながら成果を約束された資金を受け入れてしまった。1960年代半ばまでに、実用的な自然言語翻訳システムも自律型戦車も開発されず、劇的な反発が起こった。DARPAの新指導部は、既存のAI資金提供プログラムを中止した。
...
米国以外では、AI研究にとって最も肥沃な土壌は英国であった。英国におけるAIの冬は、失望した軍指導者よりも、AI研究者を詐欺師であり研究資金の浪費者と見なすライバルの学者によって煽られた。応用数学の教授であるジェームズ・ライトヒル卿は、議会から国内のAI研究の現状を評価するよう委託された。報告書は、AIで取り組まれているすべての問題は、応用数学などの他の分野の研究者によってより適切に処理されるだろうと述べた。報告書はまた、AIが玩具問題で成功を収めても、組み合わせ爆発のために現実世界のアプリケーションにスケールアップすることは決してできないと主張した。[ 40 ]
弱くドメインに依存しない手法の限界がますます明らかになるにつれて、[ 41 ] 3 つの伝統すべての研究者がAI アプリケーションに知識を組み込み始めました。 [ 42 ] [ 8 ]知識革命は、知識が高性能でドメイン固有の AI アプリケーションの基盤となっているという認識によって推進されました。
エドワード・ファイゲンバウムはこう述べた。
特定の分野で高いパフォーマンスを発揮するには、一般的な知識と高度に専門化された知識の両方が必要であることを説明する。エド・ファイゲンバウムとダグ・レナットはこれを「知識の原則」と呼んだ。
（１）知識原理：プログラムが複雑なタスクをうまく実行するには、プログラムが動作する世界について多くのことを知っていなければならない。（２）その原理の妥当な拡張である幅の仮説：予期せぬ状況で知的な行動をとるには、さらに２つの能力が必要である。それは、ますます一般的な知識に頼ることと、具体的だが広範囲にわたる知識に類推することである。[ 44 ]
この「知識革命」は、最初の商業的に成功したAIソフトウェアであるエキスパートシステム（エドワード・ファイゲンバウムによって導入された）の開発と展開につながった。 [ 45 ] [ 46 ] [ 47 ]
主要なエキスパートシステムは以下のとおりです。
DENDRALは、知識集約型の問題解決に依拠した最初のエキスパートシステムと考えられています。以下は、ACM Communications誌のインタビュー記事「Ed Feigenbaum氏へのインタビュー」の中で、Ed Feigenbaum氏が説明したものです。
スタンフォード大学でコンピュータベースの心のモデルに興味を持っていた人物の一人に、1958年に遺伝学でノーベル賞を受賞したジョシュア・レーダーバーグがいました。私が彼に帰納法の「サンドボックス」が欲しいと伝えたところ、彼は「まさに君にぴったりのものがあるよ」と言いました。彼の研究室ではアミノ酸の質量分析を行っていました。問題は、アミノ酸のスペクトルを見て、そのアミノ酸の化学構造をどうやって特定するかということでした。こうしてDENDRALプロジェクトが始まりました。私はヒューリスティックな探索手法が得意で、彼は化学的な問題空間を生成するのに優れたアルゴリズムを持っていたのです。
私たちは壮大なビジョンを持っていたわけではありません。ボトムアップで開発を進めました。私たちの化学者は、避妊薬の有効成分を開発したカール・ジェラッシ氏で、世界で最も尊敬されている質量分析学者の一人でもあります。カール氏と彼のポスドクたちは、質量分析の分野で世界トップクラスの専門家でした。私たちは彼らの知識に少しずつ知識を加え、開発を進めながら工学的な知識を蓄積していきました。これらの実験は、DENDRALに知識を少しずつ蓄積していくようなものでした。そうすることで、プログラムはどんどん賢くなっていきました。そして、非常に良い結果が得られました。
その一般化は、「知識の中にこそ力がある」というものだった。それが大きなアイデアだった。私のキャリアにおいて、それはまさに「なるほど！」という大きな発見であり、それまでのAIのやり方とは違っていた。単純に聞こえるかもしれないが、おそらくAIの最も強力な一般化だろう。[ 50 ]
上記のエキスパートシステムは、DENDRAL の後に登場しました。MYCIN は、不確実性を処理するための確実性係数の使用を含め、ルールの知識ベースと記号推論メカニズムが結合した古典的なエキスパートシステムアーキテクチャの例です。GUIDON は、明示的な知識ベースを第 2 のアプリケーションである個別指導に再利用する方法を示しており、特定の種類の知識ベースアプリケーションであるインテリジェント個別指導システムの例です。Clancey は、 MYCINのルールを指導に使うだけでは不十分であり、対話管理と学生モデリングのためのルールも追加する必要があることを示しました。 [ 49 ] XCON は、 DEC に数百万ドルの節約をもたらしたため重要であり、米国のほとんどすべての主要企業がエキスパートシステムグループを持ち、企業の専門知識を収集、保存、自動化するというエキスパートシステムブームを引き起こしました。
1988年までに、DECのAIグループは40のエキスパートシステムを導入し、さらに多くのシステムが開発中だった。デュポンは100のエキスパートシステムを使用し、500のエキスパートシステムを開発中だった。米国の主要企業のほぼすべてが独自のAIグループを持ち、エキスパートシステムを使用するか、調査していた。[ 48 ]
チェスの専門知識はディープブルーに組み込まれていた。1996年、IBMのディープブルーは、記号AIの助けを借りて、当時の世界チャンピオンであるガルリ・カスパロフとのチェスの試合に勝利した。[ 51 ]
すべてのエキスパートシステムのシステムアーキテクチャの重要な構成要素は、問題解決のための事実とルールを格納する知識ベースです。[ 52 ]エキスパートシステムの知識ベースに対する最も単純なアプローチは、単にプロダクションルール の集合またはネットワークです。プロダクションルールは、If-Then文に似た関係でシンボルを接続します。エキスパートシステムは、ルールを処理して推論を行い、人間が読めるシンボルを使用して、必要な追加情報、つまりどのような質問をするかを決定します。たとえば、OPS5、CLIPS、およびそれらの後継であるJessとDroolsは、この方法で動作します。
エキスパートシステムは、証拠から結論へと導く順方向推論、または目標から必要なデータと前提条件へと導く逆方向推論のいずれかの方法で動作できます。Soarのようなより高度な知識ベースシステムは、メタレベルの推論、つまり問題解決方法の決定や問題解決戦略の成功の監視に関して、自身の推論について推論することもできます。
ブラックボードシステムは、知識ベースまたはエキスパートシステムアーキテクチャの2番目のタイプです。これは、専門家のコミュニティが可能な限り段階的に貢献して問題を解決する様子をモデル化しています。問題は、複数のレベルの抽象化または代替ビューで表現されます。専門家（知識源）は、貢献できると認識したときにいつでも自発的にサービスを提供します。潜在的な問題解決アクションは、問題状況の変化に応じて更新されるアジェンダに表現されます。コントローラは、各貢献がどれほど有用か、そして誰が次の問題解決アクションを行うべきかを決定します。1つの例として、BB1ブラックボードアーキテクチャ[ 53 ]は、もともと人間が旅行中に複数のタスクを実行する計画を立てる方法の研究から着想を得ました。[ 54 ] BB1の革新は、同じブラックボードモデルを制御問題の解決に適用したことです。つまり、コントローラは、計画や問題解決がどれだけうまく進んでいるかを監視し、目標や時間などの条件が変化すると、ある戦略から別の戦略に切り替えることができる知識源を使用して、メタレベルの推論を実行しました。 BB1は、建設現場の計画、インテリジェントな個別指導システム、リアルタイムの患者モニタリングなど、複数の分野で応用されている。
AIブームの絶頂期には、Symbolics、LMI、Texas Instrumentsといった企業が、AIアプリケーションや研究の開発を加速させることを目的としたLISPマシンを販売していた。さらに、TeknowledgeやInference Corporationなどの複数の人工知能企業が、企業向けにエキスパートシステムシェル、トレーニング、コンサルティングサービスを提供していた。
残念ながら、AIブームは長くは続かず、カウツはその後に訪れた第二次AI冬を的確に表現している。
第二次AI冬の到来には多くの理由が挙げられます。ハードウェア企業は、Sun Microsystemsのよりコスト効率の良い汎用Unixワークステーションと、LISPおよびProlog用の優れたコンパイラが市場に登場したことで失敗しました。エキスパートシステムの商用展開の多くは、維持費が高すぎることが判明したため中止されました。医療エキスパートシステムが普及しなかった理由はいくつかあります。最新の状態を維持するのが難しいこと、医療従事者がさまざまな病状に対応する多種多様なエキスパートシステムの使い方を習得するのが難しいこと、そしておそらく最も重要なのは、エキスパートシステムが平均的な医師よりも優れた診断を下せる特定の分野であっても、医師がコンピュータによる診断よりも自分の直感を信頼することに抵抗があったことです。ベンチャーキャピタルの資金は、ほぼ一夜にしてAIから撤退しました。1987年にバンクーバーで開催された世界AI会議IJCAIは、大規模で豪華な展示会と数千人の非学術関係者の参加を主催しましたが、翌年のセントポールで開催された主要なAI会議AAAI 1988は、小規模で厳密に学術的なものでした。[ 10 ]
統計的手法と論理学の拡張の両方が試みられた。
1980年代には、音声認識の分野で、隠れマルコフモデルという統計的手法がすでに普及していました。 [ 12 ]その後、1988年にジュデア・パールは、著書『知能システムにおける確率的推論：もっともらしい推論のネットワーク』の出版により、不確実な推論を健全かつ効率的に処理する方法としてベイジアンネットワークの使用を普及させました。[ 55 ]ベイジアンアプローチはエキスパートシステムで成功裏に適用されました。[ 56 ]さらに後年の1990年代には、確率と論理式を組み合わせたアプローチである統計的関係学習により、確率を一階述語論理、例えばマルコフ論理ネットワークや確率的ソフト論理と組み合わせることが可能になりました。
確率論以外の、一階述語論理をサポートする拡張も試みられました。たとえば、非単調推論は真理維持システムで使用できます。真理維持システムは、すべての推論の仮定と正当化を追跡します。仮定が間違っていることが判明した場合、または矛盾が導き出された場合に、推論を取り下げることができます。推論の説明は、推論を作成するために適用されたルールを説明し、その後、根底にある推論とルールをたどって、根本的な仮定まで遡ることで提供できます。[ 57 ]ロトフィ・ザデーは、曖昧さの表現を扱うための別の種類の拡張を導入しました。たとえば、男性がどれくらい「重い」か「背が高い」かを判断する場合、明確な「はい」または「いいえ」の答えはしばしばなく、重いまたは背が高いという述語は代わりに0から1の間の値を返します。これらの値は、述語がどの程度真であるかを表します。彼のファジー論理はさらに、これらの値の組み合わせを論理式を通じて伝播する手段を提供しました。[ 58 ]
知識獲得のボトルネックに対処するために、記号的機械学習アプローチが研究された。初期のものの1つがMeta-DENDRALである。Meta-DENDRALは、スペクトルに対してテストする妥当なルール仮説を生成するために、生成・テスト手法を使用した。ドメイン知識とタスク知識により、テストされる候補の数が管理可能なサイズに削減された。FeigenbaumはMeta-DENDRALを次のように説明した。
…これは、1960年代前半から中頃にかけての私の理論形成に関する夢の集大成でした。その構想は、DENDRALのような問題解決プログラムがいくつかの入力を受け取り、出力を生成するというものでした。その際、知識の層を使用して探索を誘導し、絞り込みました。その知識は、私たちが人々にインタビューしたことによって得られました。しかし、人々はどのようにしてその知識を得たのでしょうか？何千ものスペクトルを見ることによってです。そこで私たちは、何千ものスペクトルを見て、DENDRALが個々の仮説形成問題を解決するために使用できる質量分析の知識を推論するプログラムが必要でした。私たちはそれを実現しました。私たちは、質量分析の新しい知識をJournal of the American Chemical Societyに発表することさえできました。脚注で、実際にMeta-DENDRALというプログラムがそれを行ったことを明記しただけです。私たちは、コンピュータプログラムが新しい、出版可能な科学的成果を生み出すという、長年の夢を実現することができました。[ 50 ]
Meta-DENDRALの知識集約型アプローチとは対照的に、ロス・クインランは、統計的分類のためのドメイン非依存型アプローチである決定木学習を発明し、最初はID3 [ 59 ]から始め、その後その機能をC4.5 [ 60 ]に拡張しました。作成された決定木は、人間が解釈可能な分類ルールを持つ、解釈可能な分類器です。
機械学習理論の理解においても進歩が見られました。トム・ミッチェルは、バージョン空間学習を導入しました。これは、学習を仮説空間の探索として記述するもので、上限のより一般的な境界と下限のより具体的な境界は、これまでに見られた例と一致するすべての実行可能な仮説を包含しています。[ 61 ]より正式には、ヴァリアントは、機械学習の数学的分析のためのフレームワークである、おそらく近似的に正しい学習（PAC学習）を導入しました。 [ 62 ]
記号的機械学習は、例による学習以上のものを含んでいます。たとえば、ジョン・アンダーソンは、 ACT-R認知アーキテクチャを用いて、スキルの練習によって宣言形式から手続き形式へのルールのコンパイルが行われるという、人間の学習の認知モデルを提供しました。たとえば、学生は「補角とは、その角度の合計が180度になる2つの角のことである」というルールを、いくつかの異なる手続きルールとして適用することを学ぶかもしれません。たとえば、1つのルールは、XとYが補角であり、Xがわかっている場合、Yは180 - Xになる、というものです。彼はこのアプローチを「知識コンパイル」と呼びました。ACT -Rは、学習や保持などの人間の認知の側面をモデル化するために成功裏に使用されてきました。ACT-Rは、認知チューターと呼ばれるインテリジェントチュータリングシステムでも使用され、学校の子供たちに幾何学、コンピュータプログラミング、代数を効果的に教えています。[ 63 ]
帰納的論理プログラミングは、入出力例から論理プログラムを合成できる学習方法の一つでした。例えば、Ehud Shapiroの MIS (Model Inference System) は、例から Prolog プログラムを合成することができました。[ 64 ] John R. Koza は、遺伝的アルゴリズムをプログラム合成に適用して遺伝的プログラミングを作成し、それを使って LISP プログラムを合成しました。最後に、Zohar MannaとRichard Waldinger は、仕様が正しいことを証明する過程で機能的なプログラムを合成する、より一般的なプログラム合成方法を提供しました。 [ 65 ]
論理の代替案として、ロジャー・シャンクは事例ベース推論（CBR）を導入した。彼の著書『ダイナミック・メモリ』[ 66 ]で概説されているCBRアプローチは、まず将来の使用のために重要な問題解決事例を記憶し、必要に応じて一般化することに焦点を当てている。新しい問題に直面すると、CBRは最も類似した過去の事例を取り出し、現在の問題の特性に合わせて適応させる。[ 67 ]論理のもう1つの代替案である遺伝的アルゴリズムと遺伝的プログラミングは、進化的な学習モデルに基づいている。このモデルでは、一連のルールが個体群に符号化され、ルールが個体の行動を支配し、最も適した個体の選択によって、多くの世代にわたって不適切なルールのセットが剪定される。[ 68 ]
記号機械学習は、概念、ルール、ヒューリスティクス、問題解決の学習に適用されてきた。上記以外のアプローチとしては、以下のようなものがある。
ディープラーニングの台頭に伴い、記号的AIアプローチは、補完的なものとしてディープラーニングと比較されてきた。「AI研究者は、カーネマンの著書『ファスト＆スロー』に反映されている人間の推論と意思決定に関する研究と、原理的にはそれぞれディープラーニングと記号的推論によってモデル化されるいわゆる「AIシステム1と2」との間に、何度も類似点を指摘してきた。」この見解では、記号的推論は熟慮的推論、計画、説明により適しており、ディープラーニングはノイズの多いデータを用いた知覚アプリケーションにおける高速パターン認識により適している。[ 76 ] [ 77 ]
ニューロシンボリックAIは、ニューラルアーキテクチャとシンボリックアーキテクチャを、それぞれの長所と短所を補完的に考慮した形で統合し、推論、学習、認知モデリングが可能な堅牢なAIをサポートしようと試みています。Valiant [ 78 ]や他の多くの研究者[ 79 ]が主張するように、リッチな計算認知モデルを効果的に構築するには、健全なシンボリック推論と効率的な（機械）学習モデルの組み合わせが必要です。Gary Marcusも同様に、「ハイブリッドアーキテクチャ、豊富な事前知識、高度な推論技術という3つの要素がなければ、リッチな認知モデルを適切かつ自動化された方法で構築することはできません。」[ 80 ]、特に「堅牢な知識駆動型AIアプローチを構築するには、ツールキットに記号操作の仕組みが必要です。有用な知識の多くは抽象的であるため、抽象化を表現し操作するツールなしでは対応できません。そして、今日まで、そのような抽象的な知識を確実に操作できる唯一の仕組みは、記号操作の仕組みです。」[ 81 ]と主張しています。
Henry Kautz [ 18 ] 、Francesca Rossi [ 82 ]、Bart Selman [ 83 ]も統合を主張している。彼らの主張は、Daniel Kahnemanの著書『Thinking, Fast and Slow 』で議論されている 2 種類の思考に対処する必要性に基づいている。Kahneman は人間の思考をシステム 1 とシステム 2 の2 つのコンポーネントで説明している。システム 1 は速く、自動的で、直感的で、無意識的である。システム 2 は遅く、段階的で、明示的である。システム 1 はパターン認識に使用されるタイプであり、システム 2 は計画、演繹、熟慮的思考に遥かに適している。この見解では、ディープラーニングは最初のタイプの思考を最もよくモデル化し、記号推論は 2 番目のタイプの思考を最もよくモデル化し、両方が必要である。
ガルセズとラムは、この分野の研究は少なくとも過去20年間継続しており、2002年に出版された神経記号学習システムに関する著書に遡ると述べている。[ 84 ] [ 85 ]神経記号推論に関する一連のワークショップは、2005年以来毎年開催されている。[ 86 ]
ガルセズらは、2015年の論文「ニューラルシンボリック学習と推論：貢献と課題」の中で、次のように主張している。
AIの記号的パラダイムとコネクショニスト・パラダイムの統合は、過去20年間、比較的小規模な研究コミュニティによって追求され、いくつかの重要な成果を生み出してきた。過去10年間、ニューラル記号システムは、マッカーシー（1988）がスモレンスキー（1988）への応答として述べた、いわゆるニューラルネットワークの命題固定を克服できることが示された（ヒントン、1990も参照）。ニューラルネットワークは、様相論理と時間論理（d'Avila Garcez and Lamb、2006）および一階述語論理の断片（Bader、Hitzler、Hölldobler、2008; d'Avila Garcez、Lamb、Gabbay、2009）を表現できることが示された。さらに、ニューラル記号システムは、バイオインフォマティクス、制御工学、ソフトウェア検証と適応、視覚知能、オントロジー学習、コンピュータゲームなどの分野における多くの問題に適用されてきた。[ 79 ]
統合へのアプローチは多岐にわたる。ヘンリー・カウツによる神経記号アーキテクチャの分類といくつかの例を以下に示す。
以下のような多くの重要な研究課題が残されています。
このセクションでは、Wikipediaの他のより詳細な記事につながる全体的な文脈の中で、関連する技術と貢献の概要を説明します。機械学習と不確実性推論に関するセクションは、歴史のセクションで既に説明されています。
前回の記号AIブーム期に米国で主要なAIプログラミング言語として使われたのはLISPでした。LISPはFORTRANに次いで2番目に古いプログラミング言語で、1958年にジョン・マッカーシーによって開発されました。LISPは、迅速なプログラム開発を支援する最初の読み込み・評価・出力ループを提供しました。コンパイルされた関数と解釈された関数を自由に組み合わせることができました。プログラムのトレース、ステップ実行、ブレークポイント機能に加え、値や関数を変更してブレークポイントやエラーから処理を再開する機能も備えていました。LISPは、コンパイラ自体がLISPで記述され、その後解釈的に実行されてコンパイラコードをコンパイルするという、初の自己ホスト型コンパイラを備えていました。
LISPが先駆けて開発し、他のプログラミング言語にも広まったその他の重要なイノベーションには、以下のようなものがある。
プログラム自体が、他のプログラムが操作できるデータ構造であり、それによって高水準言語を容易に定義することができた。
米国とは対照的に、同時期のヨーロッパにおける主要なAIプログラミング言語はPrologでした。Prologは、読み込み・評価・出力ループによって照会可能な事実と節の組み込みストアを提供しました。ストアは知識ベースとして機能し、節はルールまたは制限された形式の論理として機能しました。一階述語論理のサブセットとして、Prologは、閉世界仮定（未知の事実はすべて偽とみなされる）とプリミティブ用語の一意名仮定（例えば、識別子barack_obamaは正確に1つのオブジェクトを参照するものとみなされる）を持つホーン節に基づいていました。バックトラッキングと単一化はPrologに組み込まれています。
Prologの発明者としては、アラン・コルメラウアーとフィリップ・ルーセルが知られています。Prologは、ロバート・コワルスキーによって考案された論理プログラミングの一種です。その歴史は、パターン指向のメソッド呼び出しを備えたアサーションデータベースであるカール・ヒューイットのPLANNERにも影響を受けています。詳細については、PLANNERの記事にあるPrologの起源に関するセクションを参照してください。
Prologもまた、宣言型プログラミングの一種です。プログラムを記述する論理節は、指定されたプログラムを実行するために直接解釈されます。命令型プログラミング言語のように、明示的な一連の動作は必要ありません。
日本は第5世代プロジェクトにおいてPrologを積極的に推進し、高性能な専用ハードウェアの開発を目指しました。同様に、LISPマシンもLISPを実行するために開発されましたが、第二次AIブームが終焉を迎えると、これらの企業はLISPやPrologをネイティブに同等の速度で実行できるようになった新しいワークステーションとの競争に勝てなくなりました。詳細は歴史の項をご覧ください。
Smalltalkもまた、影響力のある AI プログラミング言語でした。例えば、メタクラスを導入し、 FlavorsやCommonLoopsと共にCommon Lisp Object System ( CLOS )に影響を与えました。CLOS は現在、標準 Lisp 方言であるCommon Lispの一部となっています。CLOSはLisp ベースのオブジェクト指向システムであり、クラスとメタクラスの両方に対する増分拡張に加えて多重継承を可能にし、実行時メタオブジェクトプロトコルを提供します。[ 90 ]
その他のAIプログラミング言語については、人工知能向けプログラミング言語の一覧をご覧ください。現在、マルチパラダイムプログラミング言語であるPythonが最も人気のあるプログラミング言語となっています。これは、データサイエンス、自然言語処理、ディープラーニングをサポートする豊富なパッケージライブラリを備えていることが一因です。Pythonには、読み込み・評価・出力ループ、高階関数などの関数型要素、メタクラスを含むオブジェクト指向プログラミングが含まれています。
探索は、計画立案、制約充足、チェッカー、チェス、囲碁などのゲームプレイなど、多くの種類の問題解決において発生します。最もよく知られているAI探索ツリー探索アルゴリズムは、幅優先探索、深さ優先探索、A*アルゴリズム、モンテカルロ探索です。ブール充足可能性のための主要な探索アルゴリズムは、 WalkSAT、衝突駆動型節学習、およびDPLLアルゴリズムです。ゲームプレイにおける敵対的探索については、アルファベータ枝刈り、分岐限定法、ミニマックス法が初期の貢献でした。
知識を表現し、その表現に基づいて推論を行うための様々なアプローチが研究されてきた。以下に、知識表現と自動推論のアプローチの概要を簡単に示す。
セマンティックネットワーク、概念グラフ、フレーム、論理はすべて、ドメイン知識、問題解決知識、言語の意味などの知識をモデル化するためのアプローチです。オントロジーは、ドメイン内の主要な概念とその関係をモデル化します。オントロジーの例としては、YAGO、WordNet、DOLCEなどがあります。DOLCEは、あらゆるドメインで使用できる上位オントロジーの例であり、WordNetは語彙リソースですが、オントロジーと見なすこともできます。YAGOは、 Wikipediaから抽出した事実をWordNetのシノセットと整合させるために、オントロジーの一部としてWordNetを組み込んでいます。疾患オントロジーは、現在使用されている医療オントロジーの例です。
記述論理は、オントロジーの自動分類と矛盾する分類データの検出のための論理です。OWLは、記述論理を使用してオントロジーを表現するために使用される言語です。Protégéは、 OWLオントロジーを読み込み、 HermiTなどの演繹的分類器との整合性をチェックできるオントロジーエディタです。 [ 91 ]
一階述語論理は記述論理よりも一般的です。後述する自動定理証明器は、一階述語論理の定理を証明できます。ホーン節論理は一階述語論理よりも制約が多く、Prologなどの論理プログラミング言語で使用されます。一階述語論理の拡張には、時間を扱うための時相論理、エージェントの知識について推論するための認識論的論理、可能性と必然性を扱う様相論理、論理と確率を同時に扱う確率論理などがあります。
一階述語論理のための自動定理証明器の例としては、以下のようなものがある。
Prover9はMace4モデルチェッカーと組み合わせて使用できます。ACL2は帰納法による証明を扱うことができる定理証明器であり、 Nqthmとしても知られるBoyer-Moore定理証明器の子孫です。
知識ベースシステムは、手続き型コードとドメイン知識を分離することで、ドメイン間での再利用性を高めるために、通常はルールからなる明示的な知識ベースを備えています。独立した推論エンジンがルールを処理し、知識ストアへの追加、削除、または変更を行います。
順方向推論エンジンが最も一般的で、CLIPSやOPS5に見られます。逆方向推論はPrologで行われ、より限定的な論理表現であるホーン節が使用されます。Prologでは、パターンマッチング、特に単一化が使用されます。
より柔軟な問題解決とは、単に利用可能な行動の中から一つを選ぶのではなく、次に何をすべきかを推論することによって実現される。このようなメタレベルの推論は、SoarやBB1のブラックボードアーキテクチャで使用されている。
ACT-Rのような認知アーキテクチャは、頻繁に使用される知識をより高レベルのチャンクにコンパイルする機能など、追加の機能を備えている可能性がある。
マービン・ミンスキーは、オフィスなどの一般的な視覚状況を解釈する方法としてフレームを最初に提唱し、ロジャー・シャンクはこのアイデアを外食などの日常的な行動のスクリプトにまで拡張した。Cycは、有用な常識的知識を捉えようと試みており、特定の種類の領域固有の推論を処理するための「ミクロ理論」を備えている。
ベンジャミン・カイパースのQSIM [ 92 ]のような定性的シミュレーションは、鍋で液体を加熱したときに何が起こるかといった、素朴な物理学に関する人間の推論を近似する。私たちは、液体の温度、沸点、または大気圧などの他の詳細を知らなくても、液体が加熱され、おそらく沸騰して溢れるだろうと予想する。
同様に、アレンの時間間隔代数は時間に関する推論の簡略化であり、領域接続計算は空間関係に関する推論の簡略化である。どちらも制約ソルバーで解くことができる。
制約ソルバーは、一階述語論理よりも限定的な推論を実行します。制約ソルバーは、RCCや時間代数などの時空間制約の集合を簡略化できるほか、 Wordle、数独、暗号算術問題などのパズル問題も解くことができます。制約論理プログラミングは、例えば制約処理ルール（CHR）を用いて、スケジューリング問題の解決に利用できます。
汎用問題解決システム(GPS) は、計画を問題解決として捉え、手段目的分析を用いて計画を作成しました。STRIPSは異なるアプローチを取り、計画を定理証明として捉えました。Graphplanは、計画に対して最小限のコミットメントのアプローチを採用し、初期状態から順方向に、または目標状態から逆方向に、アクションを順次選択していきます。Satplan は、計画問題をブール充足可能性問題に還元する計画アプローチです。
自然言語処理は、言語をデータとして扱い、意図された意味を必ずしも理解することなく、トピックの特定などのタスクを実行することに重点を置いています。一方、自然言語理解は、意味表現を構築し、それを用いて質問への回答などのさらなる処理を行います。
構文解析、トークン化、スペル修正、品詞タグ付け、名詞句と動詞句のチャンキングは、いずれも自然言語処理の側面であり、従来は記号AIによって処理されていましたが、その後、深層学習アプローチによって改善されました。記号AIでは、文の意味を表現するために談話表現理論と一階述語論理が用いられてきました。潜在意味解析（LSA）と明示的意味解析も文書のベクトル表現を提供しました。後者の場合、ベクトル成分はWikipediaの記事で命名された概念として解釈できます。
Transformerモデルに基づく新しい深層学習アプローチは、これまでの記号的AIアプローチを凌駕し、自然言語処理において最先端の性能を達成しました。しかし、Transformerモデルは不透明であり、文や文書に対して人間が解釈可能な意味表現を生成することはまだできません。その代わりに、タスク固有のベクトルを生成しますが、そのベクトルの構成要素の意味は不透明です。
エージェントは、環境を何らかの意味で認識し、それに基づいて行動する、環境に組み込まれた自律システムです。ラッセルとノーヴィグの人工知能に関する標準的な教科書は、高度化するエージェントアーキテクチャを反映するように構成されています。[ 93 ]エージェントの高度化は、単純な反応型エージェントから、世界のモデルと自動計画機能を備えたエージェント、おそらく信念、欲求、意図を持つBDIエージェント、または行動を選択するために時間をかけて学習された強化学習モデル、さらには知覚のための深層学習を含むニューロシンボリックアーキテクチャ[ 89 ]のような代替アーキテクチャの組み合わせまで多岐にわたります。[ 94 ]
一方、マルチエージェントシステムは、知識クエリおよび操作言語（KQML）などのエージェント間通信言語を用いて相互に通信する複数のエージェントで構成されます。エージェントはすべて同じ内部アーキテクチャを持つ必要はありません。マルチエージェントシステムの利点としては、エージェント間で作業を分担できること、エージェントが失われた場合の耐障害性を高めることができることなどが挙げられます。研究課題としては、エージェントがどのように合意に達するか、分散型問題解決、マルチエージェント学習、マルチエージェント計画、分散型制約最適化などがあります。
記号AIの黎明期から、分野内部（例えば、論理学者（論理学擁護派の「堅物」）と非論理学者（反論理学派の「粗野な人々」 ）の間）と、AIを受け入れつつも記号的アプローチを拒否する人々（主にコネクショニスト）と分野外の人々の間で、論争が巻き起こった。分野外からの批判は、主に哲学者による知的根拠に基づくものであったが、特に2度のAI冬期には、資金提供機関からも批判があった。
単純な一階述語論理を用いて動的な領域について推論する際に、限界が発見された。行動が成功するための前提条件を列挙すること、および行動実行後に変化しないものに関する公理を提供することの両方において、問題が明らかになった。
マッカーシーとヘイズは、1969年に論文「人工知能の観点から見たいくつかの哲学的問題」の中でフレーム問題を紹介した。 [ 95 ]簡単な例としては、「ある人が別の人と会話できることを証明する」という問題があり、その推論を成功させるには、「電話を持っている人は、電話帳で番号を調べた後も電話を持っている」という公理が必要となる。他の領域の動作についても、何が変わらなかったかを指定するために同様の公理が必要となる。
同様の問題として、「資格問題」と呼ばれるものが、ある行動が成功するための前提条件を列挙しようとする際に発生する。例えば、排気管にバナナが詰まっていると車が正常に作動しなくなるなど、無数の異常な状態が考えられる。
マッカーシーがフレーム問題を解決するために用いたアプローチは、限定論理と呼ばれるもので、これは非単調論理の一種であり、変化するものだけを指定すれば、変化しないものすべてを明示的に指定することなく、そこから推論を行うことができる。他の非単調論理は、矛盾につながる信念を修正する真理維持システムを提供した。
よりオープンエンドな領域を扱う他の方法としては、確率的推論システムや機械学習を用いて新しい概念やルールを学習する方法が挙げられる。マッカーシーの「アドバイス・テイカー」は、人間が主張やルールという形で提供する新しい知識を取り込むことができるため、ここで参考になるだろう。例えば、実験的な記号機械学習システムは、高度な自然言語によるアドバイスを受け取り、それを領域固有の実行可能なルールに解釈する能力を探求した。
動的な領域を扱う際の問題と同様に、常識的な推論も形式的な推論で捉えるのは困難です。常識的な推論の例としては、人々の思考方法に関する暗黙的な推論や、日常の出来事、物体、生物に関する一般的な知識などが挙げられます。このような知識は当然のこととみなされ、特筆すべきものとは見なされません。常識的な推論は、記号システム（例えば、Cycは10年以上にわたってこの知識の重要な部分を捉えようと試みてきました）とニューラルシステム（例えば、コーンにぶつからないようにしたり、自転車を押して歩いている歩行者を轢かないようにしたりできない自動運転車）の両方にとって、未解決の研究分野であり、困難な課題となっています。
マッカーシーは、自身の開発したアドバイス・テイカーには常識があると見ていたが、彼の常識の定義は上記のものとは異なっていた。[ 96 ]彼は、プログラムが常識を持っているとは、「伝えられたことや既に知っていることから、十分広い範囲の直接的な結果を自動的に推論できる場合」であると定義した。
コネクショニストのアプローチには、パーセプトロンなどのニューラルネットワークに関する初期の研究[ 97 ]、ダニー・ヒリスのコネクションマシンやヤン・ルカンの畳み込みニューラルネットワークの進歩など、80年代半ばから後半の研究、そしてトランスフォーマー、GAN、ディープラーニングにおけるその他の研究など、今日のより高度なアプローチが含まれます。
コネクショニストの間では、3つの哲学的立場[ 98 ]が概説されている。
オラザランは、ニューラルネットワークコミュニティ内の論争に関する社会学的歴史の中で、穏健なコネクショニズムの見解は、ニューロシンボリックハイブリッドに関する現在の研究と本質的に互換性があると述べている。
ここで検討したい3番目で最後の立場は、私が「穏健なコネクショニストの見解」と呼ぶもので、コネクショニズムと記号AIの間の現在の議論に対するより折衷的な見解です。この立場を最も明確に展開した研究者の1人は、サセックス大学（英国ブライトン）認知・計算科学部の哲学者アンディ・クラークです。クラークはハイブリッド（部分的に記号的、部分的にコネクショニスト）システムを擁護しました。彼は、認知を研究しモデル化するために（少なくとも）2種類の理論が必要だと主張しました。一方では、一部の情報処理タスク（パターン認識など）では、コネクショニズムは記号モデルよりも優位性があります。しかし他方では、他の認知プロセス（逐次的、演繹的推論、生成記号操作プロセスなど）では、記号パラダイムは適切なモデルを提供し、（急進的なコネクショニストが主張するのとは異なり）「近似」だけではありません。[ 99 ]
ゲイリー・マーカスは、ディープラーニングコミュニティにおける記号的アプローチに対する敵意は、哲学的というより社会学的なものである可能性が高いと主張している。
記号操作を単純に放棄できると考えるのは、疑念を保留することに等しい。
しかし、現状のほとんどのAIは、大抵そのように進んでいます。ヒントン氏をはじめとする多くの人々は、記号を完全に排除しようと懸命に努力してきました。ディープラーニングの希望は、科学に基づいているというよりは、ある種の歴史的な恨みに基づいているように見えますが、膨大なデータとディープラーニングの融合からのみ知的な振る舞いが生まれるというものです。従来のコンピュータやソフトウェアは、ワープロで一行を編集したり、表計算ソフトで計算を実行したりするなど、特定の作業専用の記号操作ルールのセットを定義することでタスクを解決しますが、ニューラルネットワークは通常、統計的近似と例からの学習によってタスクを解決しようとします。
マーカスによれば、ジェフリー・ヒントンとその同僚たちは、非常に「反象徴的」な立場をとってきた。
2012年に深層学習が再び注目を集めたとき、それは過去10年間を特徴づけてきたような、容赦のない姿勢を伴っていた。2015年までに、彼はあらゆる記号に対する敵意を完全に固めた。スタンフォード大学で開催されたAIワークショップで、彼は記号を科学史上最大の誤りの一つであるエーテルになぞらえて講演を行った。
...
それ以来、彼の反シンボルキャンペーンは激しさを増すばかりである。2016年、ヤン・ルカン、ベンジオ、ヒントンは、科学界で最も重要な雑誌の1つであるネイチャー誌に、ディープラーニングのマニフェストを執筆した。マニフェストは、シンボル操作を直接的に攻撃し、和解ではなく完全な置き換えを求めたことで締めくくられている。その後、ヒントンは欧州連合の首脳会議で、シンボル操作アプローチにこれ以上資金を投入することは「大きな間違い」であり、電気自動車の時代に内燃機関に投資するようなものだと述べた。[ 100 ]
これらの紛争の一部は、用語の不明確さに起因している可能性がある。
チューリング賞受賞者のジュデア・パールは、残念ながら機械学習と深層学習という用語を混同した機械学習の批判を展開している。同様に、ジェフリー・ヒントンが記号AIに言及する場合、その用語は学習能力を一切持たないエキスパートシステムという意味合いで使われる傾向がある。用語の使用には明確化が必要である。機械学習はアソシエーションルールマイニングに限定されるものではない。記号MLや関係学習に関する研究を参照されたい（深層学習との違いは、表現の選択、分散型ではなく局所的論理、勾配ベースの学習アルゴリズムを使用しないことである）。同様に、記号AIは手書きのプロダクションルールだけを指すものでもない。AIの適切な定義は、知識表現と推論、自律型マルチエージェントシステム、計画と議論、そして学習を含む。[ 101 ]
理論的な観点から見ると、コネクショニストAIとシンボリックAIの優劣の境界は、見た目ほど明確ではないかもしれないことに留意すべきである。例えば、Heng Zhangらは、主流の知識表現形式は、普遍的であるか同等の表現力を持つ限り、再帰的に同型であることを証明した。[ 102 ]この発見は、汎用人工知能（AGI）の実現において、シンボリック知識表現形式とコネクショニスト知識表現形式の間に根本的な違いはないことを示唆している。さらに、再帰的同型の存在は、異なる技術的アプローチが互いに知見を引き出すことができることを示唆している。この観点からすると、特定の技術学派の優劣を過度に強調する必要はないように思われる。むしろ、相互学習と統合こそが、AGIの実現に向けた最も有望な道筋となるかもしれない。
記号的AIに対するもう一つの批判は、身体化された認知アプローチである。
身体化された認知アプローチは、脳を個別に考えるのは意味がないと主張する。認知は身体の中で行われ、身体は環境に埋め込まれている。システム全体を研究する必要がある。脳の機能は、身体の他の部分を含む環境の規則性を利用する。身体化された認知アプローチでは、ロボット工学、視覚、その他のセンサーは周辺的なものではなく、中心的なものとなる。[ 103 ]
ロドニー・ブルックスは、身体化された認知へのアプローチの一つである行動ベースロボットを発明しました。このアプローチの別名であるヌーヴェルAIは、記号AIとコネクショニストAIの両方に対する代替案と見なされています。彼のアプローチは、記号的表現であれ分散的表現であれ、表現を不要であるだけでなく有害であるとして拒否しました。代わりに、彼は身体化されたエージェントのための階層型アーキテクチャであるサブサンプションアーキテクチャを作成しました。各層は異なる目的を達成し、現実世界で機能する必要があります。たとえば、彼が著書『表現なき知能』で最初に記述したロボットは3つの層から構成されています。最下層はソナーセンサーを解釈して障害物を回避するようにし、中間層は障害物がないときにロボットが周囲を徘徊するようにし、最上層はロボットがさらに遠くへ探索に行くように促します。各層は、下位層の機能を一時的に抑制または阻害することができます。彼は、AI研究者がシステムに対してAIの問題を定義していることを批判し、「現実世界では知覚（抽象化）と推論の間に明確な区別はない」と述べています。[ 104 ]彼はロボットを「クリーチャー」と呼び、各層は「単純な有限状態機械の固定トポロジーネットワークで構成されている」と述べた。[ 105 ] Nouvelle AI のアプローチでは、「まず、構築したクリーチャーを現実世界、つまり人間が住むのと同じ世界でテストすることが極めて重要です。後で活動を単純化されていない世界に移すという最善の意図があったとしても、最初に単純化された世界でテストするという誘惑に陥ることは悲惨なことです。」[ 106 ] 現実世界でのテストを重視する彼の姿勢は、「AI の初期の研究はゲーム、幾何学的問題、記号代数、定理証明、その他の形式システムに集中していた」[ 107 ]やSHRDLUなどの記号 AI システムにおけるブロック世界の使用とは対照的であった。
記号的AI、コネクショニストAI、行動ベースAIのそれぞれに利点があるものの、他のアプローチから批判も受けている。記号的AIは、非物質的であること、資格認定問題に陥りやすいこと、深層学習が得意とする知覚問題の処理能力が低いことなどが批判されている。一方、コネクショニストAIは、熟慮的な段階的問題解決、知識の組み込み、計画処理には不向きであると批判されている。最後に、ヌーベルAIは反応型AIや実世界のロボット分野では優れているものの、学習や知識の組み込みが難しいという批判を受けている。
これらのアプローチの1つ以上を取り入れたハイブリッドAIが、現在、今後の方向性として考えられている。[ 18 ] [ 82 ] [ 83 ]ラッセルとノーヴィグは次のように結論付けている。
総じて、ドレイファスはAIが完全な答えを出せない領域を見出し、したがってAIは不可能だと述べた。しかし現在では、これらの同じ領域の多くが継続的な研究開発を経て、不可能ではなく能力の向上につながっている。[ 103 ]
<ref>タグに不明なパラメータ ""pump"" があります。サポートされているパラメータは dir、follow、group、name です (ヘルプ ページを参照してください)。