Inteligencia artificial: conexionista y simbólico

Inteligencia artificial: conexionista y simbólico

Enfoques

Ron Sun

CECS, Universidad de Missouri-Columbia, Columbia, MO 65211, EE.UU. rsun@cecs.missouri.edu

573-884-7662

7 de noviembre de 2000

Abstracto

En este artículo, se describen los dos paradigmas que compiten entre sí de la inteligencia artificial, el enfoque conexionista y el enfoque simbólico. Se señala que ningún paradigma existente único puede abordar completamente todos los principales problemas de Al. Cada paradigma tiene sus fortalezas y debilidades. Esta situación apunta a la necesidad de integrar estos dos paradigmas existentes.

Quizás la característica más importante de la investigación actual de inteligencia artificial es la coexistencia de una serie de programas muy diferentes y, a menudo, muy en conflicto, que compiten por la atención de la comunidad investigadora (así como por la financiación de la investigación). En este artículo, se describirán dos paradigmas competitivos de inteligencia artificial, el conexionista y el enfoque simbólico. Se proporcionará un breve análisis y crítica de cada paradigma, y ​​también se discutirá la posible integración de ambos como resultado del análisis de sus respectivas deficiencias.

1 Los dos paradigmas

Los dos principales paradigmas que compiten en la inteligencia artificial se pueden resumir de la siguiente manera:

•     El paradigma simbólico tradicional (Newell y Simon, 1976). El campo de Al, desde su creación, se ha concebido principalmente como el desarrollo de modelos que utilizan la manipulación desímbolos . El cálculo en dichos modelos se basa en representaciones explícitas que contienen símbolos organizados de maneras específicas y la información agregada se representa explícitamente con estructuras agregadas que se construyen a partir de símbolos constituyentes y combinaciones sintácticas de estos símbolos.

•     El paradigma conexionista establecido más recientemente (McClelland y Rumelhart, 1986; Smolensky, 1988). El surgimiento del paradigma conexionista se debió en gran medida a diversas insatisfacciones con los modelos de anotación de símbolos, especialmente en su incapacidad para manejar un procesamiento flexible y robusto de manera eficiente. El paradigma conexionista apunta a modelos masivamente paralelos que consisten en un gran número de elementos de procesamiento simples y uniformes interconectados con enlaces extensos, es decir, redes neuronales artificiales y sus diversas generalizaciones. [1] En muchos modelos conexionistas, las representaciones se distribuyen a lo largo de una gran cantidad de elementos de procesamiento (en correspondencia con la estructura de los modelos virtuales). En ocasiones, las estructuras simbólicas constituyentes de la información agregada están integradas en una red y son difíciles de identificar. Debido a su naturaleza masivamente paralela, dichos modelos son buenos para un procesamiento flexible y robusto, y se muestran prometedores al hablar de algunas tareas que han sido difíciles para el paradigma simbólico.

Se debe enfatizar que hasta ahora, ningún paradigma existente único puede abordar completamente todos los principales problemas de Al. Cada paradigma tiene sus fortalezas y debilidades, y sobresale en ciertas tareas mientras que se queda corto en algunos otros. Esta situación, en cierto modo, indica la necesidad de integrar estos paradigmas existentes de alguna manera.

2 Al simbólico

La hipótesis del sistema de símbolos físicos introducida por Newell y Simon (1976) articuló claramente los principios del Al simbólico. Definieron un sistema de símbolos físicos de la siguiente manera:

Un sistema de símbolos físicos consiste en un conjunto de entidades, llamadas símbolos, que son patrones físicos que pueden ocurrir como componentes de otro tipo de entidad llamada expresión (struct struct ure). Por lo tanto, una estructura de símbolos se compone de un número de instancias (o tokens) de símbolos relacionados de alguna manera física (como un token que está al lado de otro).

Además, afirmaron que los símbolos pueden designar arbitrariamente: "se puede usar un símbolo para designar cualquier expresión" "no se prescribe a priori qué expresiones puede designar". "Existen procesos para crear cualquier expresión y para modificar cualquier expresión de manera arbitraria". Con base en eso, concluyeron: "Un sistema de símbolos físicos tiene los medios necesarios y suficientes para la acción inteligente general ", que es la (famosa) hipótesis del sistema de símbolos físicos.

La hipótesis del sistema de símbolos físicos ha engendrado (y se utilizó para justificar) un enorme esfuerzo de investigación en Al tradicional (y en Ciencia Cognitiva). Este enfoque (simbolismo clásico) típicamente usa símbolos discretos como primitivos, y realiza la manipulación de símbolos de una manera secuencial y deliberativa.

2.1 Representación y búsqueda

Dos ideas fundamentales que se originaron en los primeros días de Al son la búsqueda y la representación , que han desempeñado papeles centrales en Al simbólico.

Vamos a discutir la idea del espacio de búsqueda primero. En cualquier problema (que debe ser abordado por Al), se supone que debe haber un ritmo de estados, cada uno de los cuales describe un paso en la resolución de problemas (inferencia). Los operadores pueden aplicarse para alcanzar un nuevo estado desde un estado actual. Las técnicas de búsqueda adoptadas en los primeros días de Al incluyen búsqueda en profundidad y búsqueda en amplitud. En el departamento h-primera búsqueda, desde el estado actual, el sistema examina una alternativa (una "ruta") a la vez aplicando uno de los operadores al estado actual, lo que conduce a un nuevo estado. Luego, desde el nuevo estado, se repite el mismo proceso, hasta que llega a un estado normal o llega a un callejón sin salida donde no se puede aplicar ningún operador. En este último caso, el sistema retrocede a un estado anterior y prueba una alternativa diferente. Sin embargo, en una búsqueda exhaustiva, el sistema examina todas las alternativas ("rutas") en la oficina aplicando cada uno de los operadores aplicables. Tales técnicas de búsqueda exhaustiva son ineficientes. Para acelerar la búsqueda, se han propuesto muchos algoritmos de búsqueda heurística. La idea del espacio de búsqueda se ha aplicado en todas las áreas de Al, incluidas la resolución de problemas, el procesamiento del lenguaje natural, la robótica y la visión, la representación / razonamiento del conocimiento y el aprendizaje automático (ver Russell y Norvig, 1995 para más detalles sobre la búsqueda) [pic 1]

...