31. 7. 2025
16:21
Debata o tom, jak by měla vypadat ideální umělá inteligence, připomíná spor dvou filozofických škol. Na jedné straně zastánci přísné logiky, pravidel a vysvětlitelnosti – tedy symbolické AI. Na druhé straně přívrženci subsymbolického přístupu, který se spoléhá na statistiku, neuronové sítě a učení z dat.
A mezi nimi se stále častěji prosazuje třetí cesta: kompozitní AI, tedy kombinace obou přístupů.
Symbolická AI, často označovaná jako klasická, funguje na principu reprezentace znalostí pomocí pravidel, logiky a formálních struktur. Typickým příkladem jsou expertní systémy: „Pokud pacient má horečku a kašel, pak je to možná chřipka.“
Výhodou je vysoká interpretovatelnost. Systém je předvídatelný, jeho rozhodnutí lze vysvětlit, dohledat a zkontrolovat. Na druhou stranu je rigidní – špatně se přizpůsobuje změnám, hůře škáluje a nedokáže pochopit nové situace, které nejsou pokryty pravidly.
Modely jako ChatGPT představují subsymbolickou AI, založenou na hlubokém učení. Nepracují s explicitními pravidly, ale s vektorovými reprezentacemi a vzory, které si osvojily během tréninku na obrovských datových souborech.
Výsledek? AI, která je pozoruhodně výřečná, adaptabilní a schopná zvládat složité jazykové nebo obrazové úlohy. Jenže: Její rozhodování je často neprůhledné. Neumíme přesně říct, proč odpověděla tak, jak odpověděla. A někdy si jednoduše vymýšlí, halucinuje.
Kompozitní AI, často nesprávně označovaná jako hybridní, usiluje o propojení silných stránek obou směrů. Cílem je vytvořit systémy, které budou zároveň:
Tento přístup se začíná prosazovat v oblastech, kde jsou důležité jak jazykové schopnosti, tak preciznost a dohledatelnost: právo, medicína, robotika nebo vědecká analýza.
Neuro-symbolické systémy
LLM model extrahuje fakta z textu, která pak zpracuje symbolická logika. Například z vět „Petr je otec Karla“ a „Karel je otec Tomáše“ systém odvodí „Petr je dědeček Tomáše“.
Regularizace neuronové sítě pomocí pravidel
Při trénování se model nutí dodržovat určitá symbolická pravidla – například konzistenci časových údajů nebo jednotek nebo fyzikální zákony.
Symbolické plánování nad výstupy neuronové sítě
Například v robotice neuronová síť rozpozná objekty, ale rozhodování o akcích (plán pohybu, uchopení předmětu) řídí symbolická vrstva.
Generalizace: Subsymbolické modely zvládají nové vstupy a kontext
Transparentnost: Symbolická logika umožňuje dohledatelné rozhodování
Bezpečnost: Pravidla chrání před nevhodnými nebo nebezpečnými výstupy
Spojení dat a expertních znalostí: Kombinace neuronových vzorů a lidských pravidel
Současné modely (včetně ChatGPT) se stále potýkají s problémy v oblasti přesnosti, důvěryhodnosti a bezpečnosti. Vývoj kompozitních přístupů má ambici tyto limity překonat.
Navíc začíná jít o politicko-ekonomické téma. Evropské instituce i technologické firmy hledají cesty, jak vytvořit důvěryhodné, etické a právně slučitelné AI systémy. A právě kompozitní modely jim to mohou umožnit.
2025–2026: Kompozitní AI se prosazuje v expertních aplikacích: právo, zdravotnictví, podnikové systémy.
2026–2028: První generace běžně dostupných kompozitních modelů pro veřejnost. Možnost přepnout AI do „vysvětlovacího“ režimu, nastavit si vlastní pravidla chování.
Do roku 2030: Kompozitní přístup jako standard. Uživatel nebude řešit, zda odpověď pochází z neuronky nebo logiky – bude důležité, že dává smysl, je ověřitelná a bezpečná.
Kompozitní AI není kompromis, ale evoluce. Je to AI, která přemýšlí i vysvětluje. Nejde jen o technickou fúzi dvou přístupů, ale o změnu filozofie: Chceme inteligenci, která chápe i zdůvodňuje, učí se i respektuje pravidla.
V éře, kdy AI začíná vstupovat do rozhodovacích procesů – od doporučení léků až po analýzu zákonů – je právě tahle kombinace klíčem k tomu, aby jí lidé důvěřovali.
Proto budoucnost umělé inteligence nepatří ani neuronům, ani pravidlům – ale jejich propojení
