L'intelligence artificielle neurosymbolique est un domaine de recherche qui intègre deux paradigmes majeurs de l'IA : les réseaux neuronaux, qui excellent dans l'apprentissage à partir de données, et le raisonnement symbolique, qui utilise des règles et une logique explicites. Cette approche hybride cherche à surmonter les limites de chaque paradigme, telles que le manque d'interprétabilité des réseaux neuronaux et la difficulté des systèmes symboliques à traiter des données bruitées ou non structurées. Le terme a gagné en importance à la fin des années 2010, avec des contributions significatives de chercheurs comme Gary Marcus et Joshua Tenenbaum, et est devenu un sujet central dans les discussions sur la réalisation d'un raisonnement de type humain dans les machines.
Contexte et motivation
L'intelligence artificielle traditionnelle a historiquement été divisée en deux camps. L'IA symbolique, dominante des années 1950 aux années 1980, reposait sur des règles et une logique élaborées manuellement, comme en témoignent les systèmes experts. Cependant, ces systèmes avaient du mal à gérer l'ambiguïté et nécessitaient une ingénierie des connaissances manuelle intensive. En revanche, l'apprentissage automatique, en particulier l'apprentissage profond depuis les années 2010, a connu un succès remarquable dans des tâches comme la reconnaissance d'images et le traitement du langage naturel en apprenant des motifs à partir de grands ensembles de données. Pourtant, les réseaux neuronaux fonctionnent souvent comme des « boîtes noires », manquent de raisonnement explicite et peuvent être facilement trompés par des exemples contradictoires. L'IA neurosymbolique vise à combiner les forces des deux : la capacité d'apprentissage des réseaux neuronaux et la transparence et la structure logique des systèmes symboliques.
Approches et techniques clés
Plusieurs stratégies existent pour intégrer les composants neuronaux et symboliques. Une approche courante est l'intégration neuronale-symbolique, où les réseaux neuronaux sont utilisés pour apprendre des représentations qui sont ensuite traitées par des raisonneurs symboliques. Par exemple, les travaux de Paul Smolensky sur les représentations par tenseurs et les cadres de raisonnement différentiables ultérieurs permettent aux gradients de circuler à travers les opérations symboliques. Une autre approche est l'apprentissage de concepts neuro-symbolique, où des modèles comme le « Neural-Symbolic Concept Learner » du MIT combinent la perception visuelle avec le raisonnement symbolique pour répondre à des questions sur des scènes. De plus, les architectures hybrides peuvent utiliser des réseaux neuronaux pour générer des hypothèses candidates qui sont ensuite vérifiées par des solveurs symboliques, comme on le voit dans les systèmes de raisonnement mathématique ou de synthèse de programmes.
Applications et cas d'usage
Les méthodes neurosymboliques ont été appliquées dans divers domaines. En compréhension du langage naturel, elles aident à accomplir des tâches nécessitant un raisonnement de bon sens, comme les systèmes de questions-réponses et les dialogues. En vision par ordinateur, elles permettent une compréhension compositionnelle des scènes, où les objets et leurs relations sont explicitement modélisés. En découverte scientifique, les systèmes neurosymboliques peuvent formuler des hypothèses à partir de données et les valider par rapport à des lois physiques connues. En outre, elles sont utilisées en robotique pour la planification et la manipulation, où les plans symboliques guident la perception et le contrôle neuronaux. Des entreprises et des laboratoires de recherche, notamment Google DeepMind et OpenAI, ont exploré les idées neurosymboliques, bien que de nombreux systèmes de production reposent encore principalement sur des approches purement neuronales.
Défis et critiques
Malgré ses promesses, l'IA neurosymbolique est confrontée à des défis importants. L'évolutivité reste un problème, car le raisonnement symbolique ne passe souvent pas bien à l'échelle pour des problèmes vastes et complexes. La difficulté d'intégration provient du fait que les composants neuronaux et symboliques fonctionnent selon des principes différents, ce qui rend l'entraînement et l'inférence fluides non triviaux. Les critiques soutiennent que le domaine manque d'une base théorique unifiée et que de nombreux systèmes proposés sont de nature ad hoc. De plus, l'essor des grands modèles de langage comme GPT-4 a conduit certains à s'interroger sur la nécessité d'un raisonnement symbolique explicite, car ces modèles font preuve de capacités de raisonnement émergentes. Cependant, les partisans rétorquent que de tels modèles manquent encore de fiabilité et d'interprétabilité, ce que les approches neurosymboliques peuvent apporter.
Orientations futures
L'avenir de l'IA neurosymbolique implique probablement une intégration plus profonde, comme la programmation différentiable et les réseaux neuronaux capables d'apprendre à effectuer des opérations symboliques. La recherche sur les architectures cognitives et la programmation probabiliste pourrait offrir des cadres pour combiner apprentissage et raisonnement. On observe également un intérêt croissant pour l'utilisation de méthodes neurosymboliques afin d'améliorer la sécurité et la fiabilité des systèmes d'IA, en particulier dans des domaines à forts enjeux comme la santé et la conduite autonome. À mesure que le domaine mûrit, il pourrait contribuer à une IA plus générale et plus robuste, bien qu'il reste une question ouverte de savoir si elle deviendra le paradigme dominant ou restera une approche complémentaire.
Voir aussi
- Intelligence artificielle
- Apprentissage automatique
- Apprentissage profond
- Réseau de neurones
- Grand modèle de langage
- Science cognitive
- Représentation des connaissances
- IA explicable