🔍

Символическое планирование вернулось: нейросети признали поражение в логике

Сегодня • arXiv cs.AI
Исследователи MIT создали гибридную архитектуру, которая объединяет нейронные сети с символическим планированием. Звучит как компромисс? На деле это признание: чистые нейросети провалились в задачах, которые LISP-машины решали 40 лет назад.

Последние пять лет индустрия твердила мантру: нейронные сети решат всё, если сделать их достаточно большими. Символическое планирование объявили архаизмом эпохи экспертных систем. Трансформеры должны были научиться логике через статистику.

Но новая архитектура Differentiable Symbolic Planning показывает обратное. Исследователи взяли классические алгоритмы планирования и сделали их дифференцируемыми, чтобы обучать градиентным спуском. Результат: система решает задачи ограничений в 10 раз быстрее чистых нейросетей при 100-кратно меньшем объёме данных.

Ключевой инсайт — нейросети учат только 'feasibility predictor', который оценивает выполнимость ограничений. Всю тяжёлую работу логического вывода делают символические алгоритмы. По сути, GPT становится просто эвристикой для поиска в пространстве состояний.

Это не гибридный подход — это капитуляция статистического подхода перед структурным. Нейросети хороши для распознавания паттернов, но для рассуждений нужны символы, правила и явная логика.

Читайте также