בינה נוירו-סימבולית (Neuro-symbolic AI)

הרעיון: לחבר שני מחנות ותיקים

לאורך רוב ההיסטוריה של הבינה המלאכותית פעלו בה שתי גישות שונות מאוד. הגישה הסימבולית, שנקראת גם GOFAI, מייצגת ידע כסמלים וככללים מפורשים ומסיקה מהם מסקנות בעזרת לוגיקה — כמו מערכות המומחה של שנות ה-80. הגישה העצבית, שעליה בנויה הלמידה העמוקה של היום, לומדת דפוסים מתוך כמויות גדולות של נתונים, בלי שמישהו יכתוב לה את הכללים מראש. בינה נוירו-סימבולית (Neuro-symbolic AI) היא תת-תחום שמנסה לחבר בין השתיים. ויקיפדיה האנגלית מגדירה אותה כתחום ש"משלב רשתות עצביות וגישות של AI סימבולי, כמו ייצוג ידע והסקה אוטומטית, כדי ליצור AI חסין יותר, אמין יותר וראוי יותר לאמון".

ההיגיון פשוט: לכל גישה יש חוזק שחסר לשנייה. רשת עצבית מצטיינת בזיהוי דפוסים בעולם רועש — פנים בתמונה, מילה בהקלטה — אבל קשה להסביר למה החליטה את מה שהחליטה, והיא עלולה לטעות בביטחון מלא. מערכת סימבולית שקופה ומדויקת: אפשר לעקוב אחרי כל צעד בהסקה שלה ולבדוק אותו. מנגד, צריך לכתוב לה את הידע מראש, והיא מתקשה מול עולם מלא חריגים. החוקר לסלי ואליאנט (Leslie Valiant) ניסח את המטרה כך: "ליישב בין הטבע הסטטיסטי של הלמידה לבין הטבע הלוגי של ההסקה".

חשיבה מהירה וחשיבה איטית

מסגרת שחוזרת שוב ושוב בתחום שאולה מהפסיכולוג דניאל כהנמן, שחילק את החשיבה האנושית לשתי מערכות. "מערכת 1" מהירה, אינטואיטיבית ואוטומטית — כמו לזהות פרצוף מוכר ברחוב. "מערכת 2" איטית, מכוונת ומפורשת — כמו לתכנן מסלול נסיעה או לפתור תרגיל בחשבון. לפי ההסבר בוויקיפדיה, למידה עמוקה מתאימה במיוחד לסוג הראשון, AI סימבולי מתאים לסוג השני, ומערכת חסינה באמת זקוקה לשתיהן.

זה גם הניסוח שבו בחרה גוגל דיפמיינד כשהציגה ב-17 בינואר 2024 את AlphaGeometry, מערכת לפתרון בעיות גיאומטריה: מודל שפה עצבי שמנחש אילו תוספות לשרטוט — נקודות, קווים או מעגלים — יהיו הכי מועילות, ולצידו "מנוע הסקה סימבולי" שמשתמש ב"כללים ברורים" כדי להסיק מסקנות נוספות ולהתקרב לפתרון. החברה תיארה את השילוב במונחים של "חשיבה, מהירה ואיטית": מערכת אחת מספקת רעיונות מהירים ו"אינטואיטיביים", והשנייה קבלת החלטות מכוונת ורציונלית.

שורשים ישנים, תחום מחקר מסודר

הניסיון לחבר בין נוירונים ללוגיקה ותיק כמעט כמו התחום כולו. המאמר של וורן מקולוך וולטר פיטס מ-1943, שנחשב לנקודת המוצא של רשתות הנוירונים, נקרא "A Logical Calculus of the Ideas Immanent in Nervous Activity" — כלומר, כבר אז תיארו נוירונים במונחים של לוגיקה. בשנות ה-90 הופיעו מערכות שהכניסו כללי "אם-אז" לתוך רשת עצבית ושלפו ממנה כללים בחזרה, כמו KBANN מ-1994. מ-2005 מתקיימת סדרת סדנאות קבועה בנושא, שהפכה לכנס הבינלאומי NeSy, וב-2023 נוסד כתב עת מדעי ייעודי לתחום.

החוקר הנרי קאוץ (Henry Kautz) הציע ב-2020 מיפוי מוכר של התחום, שמונה שש תצורות שונות לחיבור בין החלקים — וזה בעצמו מלמד משהו: אין "מתכון" אחד. כמה דוגמאות מתוך המיפוי: מערכת סימבולית שקוראת לרשת עצבית כרכיב פנימי — כמו AlphaGo, שבו החלק הסימבולי הוא אלגוריתם חיפוש בעץ (Monte Carlo Tree Search), והרשתות העצביות לומדות להעריך מצבים על הלוח; רשת עצבית שמתרגמת את מה שהיא רואה לסמלים, ואז רכיב לוגי מסיק מהם מסקנות; והסקה סימבולית שמייצרת נתוני אימון עבור למידה עמוקה.

דוגמאות: מתמונה לשאלה, ומשרטוט להוכחה

דוגמה מוכרת מהסוג השני היא "לומד המושגים הנוירו-סימבולי" (Neuro-Symbolic Concept Learner), שהוצג בכנס ICLR 2019 בידי חוקרים שביניהם ג'ושוע טננבאום. לפי תקציר המאמר, המערכת לומדת מושגים חזותיים, מילים ומבנה של משפטים "רק מהסתכלות בתמונות וקריאת זוגות של שאלות ותשובות", בלי שמסמנים לה במפורש אף אחד מהם. השאלה בשפה טבעית מתורגמת לתוכנית סימבולית קטנה שאפשר להריץ, והתוכנית רצה על ייצוג של העצמים שהרשת זיהתה בתמונה.

ב-AlphaGeometry החיבור עובד בשני כיוונים: מודל השפה מציע תוספות לשרטוט, והמנוע הסימבולי מסיק מהן מסקנות; ועוד לפני כן, כדי לאמן את מודל השפה, החלק הסימבולי ייצר 100 מיליון דוגמאות סינתטיות, בלי הדגמות של בני אדם. במבחן של 30 בעיות גיאומטריה מאולימפיאדות מתמטיקה היא פתרה 25 בזמן התחרות הרגיל — לעומת 10 בשיטה הטובה הקודמת, ולעומת ממוצע של 25.9 אצל זוכי מדליות זהב. המחקר פורסם בכתב העת Nature.

מודלי שפה והזיות: למה הנושא חזר לכותרות

עם התפשטות מודלי השפה הגדולים, הבעיה המוכרת של הזיות — תשובה שנשמעת בטוחה אך שגויה — החזירה את הגישה למרכז. לפי ויקיפדיה, ב-2025 זכה התחום "לאימוץ תעשייתי רחב יותר ולנראות ציבורית" כדרך להתמודד עם הזיות של מודלי שפה. הרעיון: המודל העצבי מנסח תשובה, ורכיב לוגי בודק אותה מול כללים כתובים.

דוגמה מסחרית מתועדת היא שירות של אמזון בענן AWS: ב-6 באוגוסט 2025 הוכרזה זמינות כללית של "Automated Reasoning checks", בדיקה שמשתמשת ב"טכניקות של אימות פורמלי" כדי לבדוק אם תשובה של מודל תואמת למדיניות כתובה — למשל נוהלי חברה. לפי החברה, השירות מגיע ל"עד 99% דיוק בזיהוי תשובות נכונות של מודלי שפה". זה נתון של היצרנית עצמה, לא מדידה עצמאית.

הוויכוח: האם צריך בכלל סמלים?

התחום נמצא בלב ויכוח עקרוני. החוקר גארי מרקוס (Gary Marcus) פרסם בפברואר 2020 את המאמר "The Next Decade in AI", שבו טען שבמקום להמשיך להתמקד ב"למידה כללית, מערכי אימון גדולים יותר ועוד ועוד כוח חישוב", צריך גישה "היברידית, מבוססת ידע והסקה". לפי ויקיפדיה הוא כתב גם ש"כדי לבנות גישה חסינה ומבוססת ידע ל-AI, חייבים להחזיק בארגז הכלים את המנגנון של מניפולציה בסמלים".

בצד השני עומד "הלקח המר", מאמר שפרסם ריצ'רד סאטון (Richard Sutton) ב-13 במרץ 2019. לפיו, "הלקח הגדול ביותר שאפשר ללמוד מ-70 שנות מחקר AI" הוא ששיטות כלליות שמנצלות חישוב הן בסופו של דבר היעילות ביותר — ובפער גדול — לעומת שיטות שמקודד בהן ידע אנושי. התומכים בגישה הנוירו-סימבולית עונים שהחיבור אינו חזרה לכללים שנכתבו ביד, אלא דרך להוסיף בדיקה, הסבר ואמינות למה שנלמד. נכון לאוקטובר 2026 אין הכרעה בוויכוח, ורוב הדוגמאות שנסקרו כאן מגיעות מתחומים שבהם יש כללים ברורים — גיאומטריה, מדיניות כתובה ומשחק גו.