¿Puede el aprendizaje automático estadístico mejorar considerablemente al integrarse con mecanismos de inferencia basados ​​en la lógica?

Creo que es correcto que los sistemas generales se puedan beneficiar de este enfoque. El futuro tendrá soluciones híbridas y nuevas arquitecturas de redes neuronales. Por ejemplo, estoy trabajando en diseños de arquitectura que combinan módulos de procesamiento simbólico con reconocedores ML y otras aplicaciones de NN.
Obviamente, el cerebro hace alguna forma de esto, porque el lenguaje está basado en símbolos, por lo tanto, debe haber un manejo generalizado de la simbólica en paralelo con el reconocimiento de patrones. Por lo tanto, nos corresponde tratar de desarrollar algunas teorías y prácticas de arquitecturas híbridas.
Sin embargo, su pregunta probablemente aborde si las capacidades de aprendizaje automático como el ‘aprendizaje profundo’ se beneficiarían de esta integración, y creo que esto es cierto. De hecho, el aprendizaje profundo NO podrá alcanzar varios niveles sin un procesamiento simbólico integrado, porque el aprendizaje automático basado en estadísticas solo puede aprender de los ejemplos existentes; no puede ir más allá de los límites de estos. Se necesitará un análisis simbólico de los resultados del patrón para realizar extensiones más allá del dominio de los datos de entrenamiento. Como he señalado en otra parte, un sistema basado en ML no podría crear Peter Pan porque no puede saltar del mundo del entrenamiento. Pero un sistema simbólico podría. Y en el videojuego de aprendizaje profundo recientemente anunciado, el sistema DL solo podía entrenar en lo que vio, sin embargo, no podía imaginar y lidiar con variaciones de ruta ocultas que incluso un niño podría adivinar. Symbolics podría proporcionar capacidades de intuición en un sistema híbrido. Los sistemas de ML están vinculados al pasado, y todas sus predicciones del futuro se basan únicamente en lo que han visto y en lo que han entrenado. El agujero aquí es obvio.