حل مسئله انتزاعی بر استدلال انعطافپذیر و خلاقانه در موقعیتهای ناآشنا تأکید دارد، در حالی که برنامهنویسی مبتنی بر قانون برای تولید نتایج به دستورالعملهای منطقی از پیش تعریفشده متکی است. هر دو رویکرد، نحوه برخورد ماشینها و انسانها با چالشها را شکل میدهند، اما از نظر سازگاری، شفافیت و انواع مسائلی که به بهترین شکل ممکن حل میکنند، تفاوتهای چشمگیری دارند.
یک رویکرد استدلال انعطافپذیر که به جای رویههای ثابت، از طریق تشخیص الگو، قیاس و استنتاج خلاقانه، به مسائل جدید و تعریفنشده میپردازد.
یک رویکرد محاسباتی که در آن نرمافزار از قوانین صریح اگر-آنگاه و عبارات منطقی برای پردازش دادهها و تولید خروجیهای قطعی پیروی میکند.
| ویژگی | حل مسئله انتزاعی | برنامهنویسی مبتنی بر قانون |
|---|---|---|
| رویکرد اصلی | استدلال انعطافپذیر و استنتاج الگو | دستورالعملهای منطقی اگر-آنگاه اصلاح شدند |
| رسیدگی به مشکلات جدید | با سناریوهای ناآشنا سازگار میشود | مبارزات خارج از مجموعه قوانین تعریف شده |
| شفافیت | اغلب مبهم، به خصوص در مدلهای هوش مصنوعی | بسیار شفاف و قابل حسابرسی |
| بهترین موارد استفاده | تحقیق، وظایف خلاقانه، تعمیم | انطباق، تشخیص، اتوماسیون |
| موازی شناختی انسان | هوش سیال و بینش | حافظه رویهای و عادات |
| پیچیدگی پیادهسازی | به دادههای آموزشی یا چارچوبهای استدلال نیاز دارد | نیاز به تدوین دقیق قوانین دارد |
| رفتار خطا | ممکن است خطاهای جدید غیرقابل پیشبینی ایجاد کند | وقتی قوانین ناقص باشند، به طور قابل پیشبینی شکست میخورد |
| مقیاسپذیری دانش | از مثالها یاد میگیرد و الگوها را منتقل میکند | دانش با افزودن قوانین بیشتر رشد میکند |
حل مسئله انتزاعی زمانی رونق میگیرد که موقعیتها با هیچ چیز قبلی مطابقت نداشته باشند. یک فرد یا سیستم هوش مصنوعی با استفاده از این رویکرد میتواند قیاسها را ترسیم کند، فرضیهها را آزمایش کند و استراتژیهای جدیدی را درجا بسازد. در مقابل، برنامهنویسی مبتنی بر قانون مانند یک نمودار جریان منظم رفتار میکند: هر چیزی را که قوانینش پوشش میدهند، مدیریت میکند و در هر چیز دیگری مودبانه شکست میخورد. اگر به سیستمی نیاز دارید که بداهه عمل کند، استدلال انتزاعی برنده است. اگر به سیستمی نیاز دارید که هرگز بداهه عمل نکند، قوانین برنده هستند.
حسابرسی سیستمهای مبتنی بر قانون به طرز چشمگیری آسان است. هر تصمیمی به یک شرایط و اقدام خاص برمیگردد، به همین دلیل است که بانکها و تنظیمکنندهها آنها را دوست دارند. حل مسئله انتزاعی، به ویژه هنگامی که توسط شبکههای عصبی یا مدلهای زبانی بزرگ پشتیبانی میشود، اغلب مانند یک جعبه سیاه عمل میکند. محققان به طور فعال روی هوش مصنوعی قابل توضیح کار میکنند تا این شکاف را پر کنند، اما در حال حاضر، رویکردهای مبتنی بر قانون، زمانی که پاسخگویی اهمیت دارد، همچنان استاندارد طلایی هستند.
ساخت یک سیستم مبتنی بر قانون به معنای نشستن با متخصصان حوزه و تبدیل دانش آنها به شرایط صریح است، فرآیندی که میتواند ماهها طول بکشد اما منطق دقیقی ایجاد میکند. سیستمهای حل مسئله انتزاعی به طور متفاوتی یاد میگیرند: آنها الگوها را از مجموعه دادههای بزرگ یا تجربه جذب میکنند، سپس تعمیم میدهند. این امر باعث میشود که آموزش آنها از برخی جهات سریعتر باشد اما کنترل آنها دشوارتر باشد، زیرا همیشه نمیتوانید به محل قرارگیری یک دانش در داخل مدل اشاره کنید.
وقتی یک سیستم مبتنی بر قانون دچار مشکل میشود، معمولاً با صدای بلند و واضحی دچار مشکل میشود: یک شرط بیهمتا، یک خطای نحوی یا یک تناقض منطقی. سیستمهای استدلال انتزاعی بیسروصداتر دچار مشکل میشوند و گاهی اوقات پاسخهای مطمئن اما نادرستی تولید میکنند. در محیطهای حساس به ایمنی مانند هوانوردی یا دوزبندی پزشکی، این قابلیت پیشبینی، سیستمهای مبتنی بر قانون را جذاب میکند. در حوزههای خلاقانه یا اکتشافی، اشتباه گاهبهگاه جدید از یک سیستم انتزاعی یک ویژگی است، نه یک اشکال.
برنامهنویسی مبتنی بر قانون در نرمافزارهای مالیاتی، امتیازدهی اعتباری، آستانههای تشخیص تقلب و پشتیبانی از تصمیمگیری بالینی که در آنها مقررات نیاز به قابلیت ردیابی دارند، غالب است. حل مسئله انتزاعی در تحقیقات علمی، هوش مصنوعی بازیهای رایانهای، وظایف طراحی و هر زمینهای که خود مسئله هنوز به طور کامل درک نشده است، میدرخشد. بسیاری از سیستمهای مدرن در واقع هر دو را با هم ترکیب میکنند: قوانین موارد معمول را مدیریت میکنند در حالی که استدلال انتزاعی به دنبالهی طولانی موقعیتهای غیرمعمول میپردازد.
حل مسئله انتزاعی فقط تطبیق الگو با مراحل اضافی است.
اگرچه تشخیص الگو بخشی از آن است، استدلال انتزاعی واقعی همچنین شامل انتقال قیاسی، آزمایش فرضیه و توانایی ابداع بازنماییهای جدید است. تطبیق الگو به تنهایی، بدون لایه استنباطی، در مسائلی که ظاهراً متفاوت از نمونههای آموزشی به نظر میرسند، با شکست مواجه میشود.
برنامهنویسی مبتنی بر قانون منسوخ شده و جای خود را به هوش مصنوعی داده است.
سیستمهای مبتنی بر قانون، از موتورهای قیمتگذاری خطوط هوایی گرفته تا ماشینحسابهای دوز دارویی، همچنان عمیقاً در زیرساختهای مدرن ریشه دواندهاند. آنها به جای جایگزینی، به طور فزایندهای با یادگیری ماشینی در معماریهای ترکیبی ترکیب میشوند که از نقاط قوت هر دو بهره میبرند.
اگر سیستمی از قوانین استفاده کند، نمیتواند یاد بگیرد.
موتورهای قانون مدرن میتوانند اجزای یادگیری را در خود جای دهند که قوانین جدیدی پیشنهاد میدهند، آستانهها را اصلاح میکنند یا ناسازگاریها را نشان میدهند. مرز بین سیستمهای مبتنی بر قانون و یادگیری مبهمتر از آن چیزی است که مردم اغلب تصور میکنند.
استدلال انتزاعی چیزی است که فقط انسانها میتوانند انجام دهند.
سیستمهای هوش مصنوعی استدلال انتزاعی را در معیارهای خاص نشان دادهاند، اگرچه هنوز در انتزاع عمومی از انسانها عقب هستند. مجموعه انتزاع و استدلال (ARC) به یک معیار کلیدی برای اندازهگیری پیشرفت در این زمینه تبدیل شده است.
سیستمهای مبتنی بر قانون همیشه کندتر از هوش مصنوعی هستند.
برای مسائل خوشتعریف، سیستمهای مبتنی بر قانون میتوانند از نظر سرعت و دقت از هوش مصنوعی پیشی بگیرند، زیرا بار سربار استنتاج مدل را به دوش نمیکشند. مزیت هوش مصنوعی عمدتاً در وظایف بدون ساختار یا مبهم خود را نشان میدهد.
وقتی چالش شما شامل نوآوری، خلاقیت یا اطلاعات ناقص است و مایلید مقداری شفافیت را با سازگاری معاوضه کنید، حل مسئله انتزاعی را انتخاب کنید. وقتی تصمیمات باید قابل توضیح، سازگار و از نظر قانونی قابل دفاع باشند، به خصوص در صنایع تحت نظارت، برنامهنویسی مبتنی بر قانون را انتخاب کنید. در عمل، قویترین سیستمها اغلب هر دو را با هم ترکیب میکنند، از قوانین برای موارد روزمره و استدلال انتزاعی برای هر چیز دیگری استفاده میکنند.
ابزارهای بیرونی و دانش درونی، دو رویکرد مکمل به تفکر انتقادی هستند. ابزارهای بیرونی، روشهای استدلال ساختاریافته و بیرونیشده ارائه میدهند، در حالی که دانش درونی بر چارچوبهای ذهنی انباشتهشده متکی است. درک نقاط قوت آنها به متفکران کمک میکند تا رویکرد مناسب را برای موقعیتهای مختلف انتخاب کنند.
اثباتهای دقیق برای اثبات حقایق ریاضی با قطعیت مطلق به استدلال قیاسی متکی هستند، در حالی که مشاهده تجربی از تجربه حسی و دادههای تجربی نتیجهگیری میکند. هر دو رویکرد، دانش علمی و ریاضی را شکل میدهند، اما از طریق روشهای توجیه اساساً متفاوتی عمل میکنند.
اجماع عمومی و کنترل تخصصی، دو رویکرد رقیب برای شکلدهی به تصمیمات در جامعه هستند. در حالی که اجماع عمومی بر اساس نظر جمعی و مشارکت دموکراتیک است، کنترل تخصصی بر دانش و اقتدار تخصصی متکی است. درک تفاوتهای آنها به روشن شدن مباحث پیرامون اعتماد، حکومتداری و اینکه چه کسی باید انتخابهای حیاتی را هدایت کند، کمک میکند.
ادعاهای مبتنی بر اثبات برای نتیجهگیری به شواهد قابل تأیید، استدلال ساختاریافته و اعتبارسنجی تکرارپذیر متکی هستند، در حالی که روایتهای گمانهزن، تفسیرهایی را از اطلاعات ناقص، شهود یا داستانسرایی مبتنی بر احتمالات میسازند. این تمایز، نحوه ارزیابی حقیقت، اطمینان و عدم قطعیت توسط افراد را در تفکر انتقادی و تصمیمگیری در دنیای واقعی شکل میدهد.
استدلال فضایی بر دستکاری ذهنی اشیاء و پیمایش فضای فیزیکی تمرکز دارد، در حالی که استدلال عدم قطعیت با تصمیمگیری در زمانی که اطلاعات ناقص یا احتمالی است، سروکار دارد. هر دو مهارتهای شناختی حیاتی هستند، اما در حوزههای ذهنی اساساً متفاوتی عمل میکنند و اهداف حل مسئله متمایزی را دنبال میکنند.
