ルールベースAIや古き良きAI（GOFAI）としても知られるシンボリックAIは、記号やルールを用いて知識を明示的に表現することに重点を置いた人工知能へのアプローチである。データからパターンを学習する機械学習とは異なり、シンボリックAIは人間が理解可能な知識をシステムにエンコードし、人間の認知を模倣した方法で推論し問題を解決できるようにすることを目的としている。この方法は、統計モデルやニューラルネットワークではなく、論理、ルール、記号表現に依存する。
シンボリックAIの核心は、知識を構造化された象徴的な形で表現するという考え方である。これはしばしば、ルールベース・システム、論理プログラミング、セマンティック・ネットワークのような技術を用いて実現される。これらの表現により、AIシステムは記号を操作し、推論を行い、論理的推論を行うことができる。例えば、システムは「if-then」ルールを使って意思決定を行ったり、意味ネットワークを用いて概念間の関係を理解したりする。記号AIの典型的な例である専門家システムは、ルールと事実の知識ベースを利用して、特定の領域における人間の専門家の意思決定プロセスをエミュレートする。
機械学習の台頭にもかかわらず、記号的AIは、明示的な知識表現と推論が重要ないくつかの領域において、依然として関連性を保っている。
エキスパートシステムシンボリックAIは、複雑な問題を解決するためにドメイン固有の知識をカプセル化したエキスパートシステムを作ることに長けている。例えば医療画像解析では、シンボリックシステムは医療専門知識から導き出された一連の論理ルールに基づいて病気を診断するように設計することができる。これらのシステムは、症状や医療データを解釈し、人間の医師の推論プロセスに似た診断提案を提供することができる。
ロボット工学とプランニング：シンボリックAIは、高レベルのプランニングや意思決定を行うロボット工学において価値がある。倉庫内の作業を自動化するために設計されたロボティック・プロセス・オートメーション（RPA）システムを考えてみよう。シンボリックAIは、ロボットが倉庫内を移動し、商品をピックアップし、指定された場所に配送するための計画を作成するために使用することができます。これは、ロボットの動きをデータから直接学習するアプローチとは対照的である。
自然言語処理（NLP）：現代のNLPは統計的手法やディープラーニング手法に支配されているが、言語理解のある側面では記号的AIが役割を果たしている。深い意味解析やルールベースのテキスト生成を必要とするタスクでは、記号的アプローチが効果的である。例えば、初期のチャットボット開発では、システムはユーザーのクエリを理解し応答するために記号的ルールを使用していたが、これらは膨大なデータセットで訓練されたモデルに取って代わられた。
記号的AIと機械学習の重要な違いは、問題解決へのアプローチにある。記号的AIは、明示的にプログラムされた知識と推論ルールに依存するため、解釈可能で透明性が高い。これとは対照的に、機械学習、特にディープラーニングは、大規模なデータセットから暗黙的に学習するため、解釈が難しい「ブラックボックス」モデルを生み出すことが多い。
記号的AIは論理的推論や明示的知識を必要とするタスクには効果的だが、知覚やパターン認識、ノイズの多い非構造化データからの学習など、機械学習が得意とする分野では苦戦を強いられることがある。現代のAIは、より強固で汎用性の高いシステムを構築するために、両方のアプローチを統合し、それぞれの長所を活用していることが多い。例えば、ハイブリッド・システムは、Ultralytics YOLOv8 、検出された物体に関する高レベルの推論に記号的AIを使用して、物体検出に機械学習を使用することができる。
シンボリックAIは、複雑な実世界のシナリオに対応し、手動で再プログラミングすることなく新しい情報に適応するという課題に直面している。知識獲得のボトルネック」、つまり膨大な知識を手作業でエンコードすることの難しさは、大きな限界である。
こうした課題にもかかわらず、記号AIの原理はAI研究に影響を与え続けている。説明可能なAI（XAI）やニューロシンボリックAIのような分野で、記号的推論を機械学習と組み合わせることは、活発な研究分野である。これらのハイブリッド・アプローチは、ルールベースAIとデータ駆動型AIのギャップを埋めることで、インテリジェントかつ理解可能なAIシステムを構築することを目的としている。AIの進化に伴い、シンボリックAIの長所を最新の機械学習技術と統合することで、より頑健で人間のような人工知能への道が開けるかもしれない。
