Генеративний штучний інтелект (ШІ) може вражати людською подібністю в розмовах та надзвичайними можливостями в дослідженнях, але він також має серйозні недоліки. Ця ненадійність є значним бар’єром для його впровадження, оскільки ШІ починає контролювати фізичні машини, платежі та інші важливі сфери.
Нейросимволічний ШІ — це новий напрямок, що намагається вирішити проблему «галюцинацій». Це гібридний підхід, який поєднує нейронні мережі генеративного ШІ для розпізнавання шаблонів із логікою символічного мислення, що дозволяє визначити правильність виходу з юридичною точністю.
Основна мета — зберегти гнучкість генеративного ШІ, водночас забезпечуючи надійність його результатів.
Довіра є ключовим чинником для ширшого впровадження генеративного та агентного ШІ, відповідно до звіту PYMNTS Intelligence за липень 2025 року. Хоча фінансові директори (CFO) все більше зацікавлені в генеративному ШІ, вони залишаються настороженими щодо довіри до агентного ШІ. Лише 15% керівників розглядають можливість його впровадження.
Нейросимволічний ШІ може стати в нагоді. Його корені сягають початку 20-го століття, коли математики розробили методи формалізації мислення за допомогою символічної логіки, що стало основою сучасних обчислень. З цієї традиції виникло автоматизоване мислення — підмножина символічного мислення, що використовує логіку для доведення правильності програмного коду.
Компанія Amazon стала одним з найбільш помітних користувачів нейросимволічного ШІ. Її Група автоматизованого мислення, заснована понад десять років тому, створила інструменти для перевірки політик безпеки в хмарі AWS. Ці методи стали основою нових систем, таких як роботи на складах Vulcan, які поєднують нейронні мережі для сприйняття з автоматизованим мисленням для точного планування.
Amazon також використовує нейросимволічний ШІ в продуктах, орієнтованих на клієнтів. Наприклад, помічник покупок Rufus використовує великі мовні моделі для спілкування, але покладається на автоматизоване мислення для забезпечення відповідності рекомендацій з правилами та політиками. У серпні Amazon анонсувала функцію автоматизованого мислення для мінімізації галюцинацій, стверджуючи, що вона здатна визначати правильні відповіді моделі з точністю до 99%.
“Це відображає, в якому напрямку йде галузь,” — сказав співавтор і співголова компанії Imandra Грант Пасмор в інтерв’ю. “У суті, лише великі мовні моделі не можуть бути надійними у мисленні. Водночас існує цей неймовірний і досі недостатньо використовуваний напрямок ШІ — автоматизоване мислення — побудоване повністю на логіці та безпомилкове.”
Фінансовій галузі потрібна впевненість
Групу автоматизованого мислення Amazon заснував Байрон Кук, колишній визначний науковець компанії. Близько 20 років тому він познайомився з Пасмором в Кембриджському університеті у Великій Британії.
У 2014 році Пасмор та співавтор і співголова компанії Ігор Ігнатович — колишній товариш університету, що керував торговим столом акцій Deutsche Bank у Лондоні — заснували компанію Imandra, щоб застосувати нейросимволічну логіку у фінансах.
Ігнатович постійно переймався тим, що розробник, працюючи над торговою системою, може ненавмисно пропустити рядок коду, через що система може порушити регуляції — і це стане великою проблемою. У той час Пасмор працював над новими техніками логічного мислення у Великій Британії.
“Ми усвідомили, що можемо комерціалізувати цю технологію,” — сказав Пасмор. “Фінансовій галузі це потрібно. Фінансовим регуляторам це потрібно, і фінансам це можуть оплатити.”
Заснована в 2014 році та зареєстрована в США у 2019, Imandra залучила 23 мільйони доларів від інвесторів, зокрема Citi, Green Visor Capital, Albion, IQ Capital та Austin’s LiveOak Venture Partners. Goldman Sachs є клієнтом компанії, а Citi очолив останній раунд фінансування.
Одним із прикладів є автоматизація протоколу FIX (Financial Information eXchange), який дозволяє організаціям обмінюватись електронними торговими інструкціями, наприклад, від Goldman Sachs до BlackRock або Нью-Йоркської фондової біржі. “Кожен комп’ютер у ринках капіталу використовує версію цього протоколу, але всі дозволяють його налаштовувати,” — зазначив Пасмор.
Зазвичай ці особливості описуються у 100-сторінкових PDF-документах. Щоб з’єднатися, компаніям доводилося інтерпретувати посібник, створювати свій власний клієнтський код і потім багато разів тестувати, щоб переконатися, що обидві сторони можуть з’єднатися без помилок.
Imandra розробила математично точну мову для специфікації протоколу FIX. Тепер замість сотень сторінок PDF-керівництв клієнти можуть використовувати автоматизоване мислення для забезпечення точної комунікації з обох сторін.
“Цей дуже чутливий до помилок процес на базовому рівні ринків раніше іноді займав понад шість місяців” для приєднання нового учасника, сказав Пасмор. “Тепер вони можуть приєднатися за три дні з математичними гарантіями.”
Щоб масштабувати свій підхід, Imandra запустила платформу Imandra Universe, яку описують як перший маркетплейс для нейросимволічних агентів. Як і репозиторій для моделей машинного навчання Hugging Face, він містить символічні мотори мислення, спеціалізовані в різних областях, від геометрії до логістики. “Reasoner Gateway” дозволяє розробникам інтегрувати їх у агентні структури, доповнюючи системи ШІ логічними перевірками.
Одним із ключових інструментів є Code Logician, що націлений на сплеск коду, згенерованого ШІ. Після встановлення в помічниках коду, таких як Cursor, Code Logician створює математичний опис того, що робить згенерований код, і використовує Imandra для його перевірки. Пасмор зазначив, що близько 60% коду, згенерованого ШІ, містить помилки, і Code Logician може виправити 96% цього коду за три ітерації.
Imandra розширює Code Logician не лише для Python, а й для Java та навіть COBOL, враховуючи попит у підприємств на міграцію коду. Він також розробляє агентів для геометричного мислення та інші проекти.
Читати далі:
AWS звертається до давньої логіки, щоб подолати сучасні галюцинації ШІ.
Двоїста природа ШІ: моделі мислення стають ключовим диференціатором для бізнесу.
Звіт: моделі мислення ШІ зазнають невдач, коли проблеми стають занадто складними.
