ANSR — дослідницька програма агентства DARPA, спрямована на створення нового покоління гібридного штучного інтелекту, який поєднує символьне мислення (symbolic reasoning) та машинне навчання на основі даних (data-driven learning). Метою програми є розробка надійних, пояснюваних і перевірюваних AI-систем, здатних працювати у критично важливих військових і цивільних сферах. DARPA розглядає ANSR як один із ключових кроків до створення «довіреного штучного інтелекту» (trustworthy AI), який може приймати рішення прозоро, логічно та з високим рівнем гарантій безпеки.
Повна назва програми
ANSR розшифровується як:
Assured Neuro Symbolic Reasoning
Українською:
Гарантоване нейросимвольне мислення
Програма реалізується агентством DARPA в межах досліджень перспективних AI-архітектур нового покоління.
Передумови створення програми
Сучасний штучний інтелект переважно базується на:
- deep learning;
- neural networks;
- статистичних моделях;
- великих наборах даних.
Такі системи досягли значних успіхів у:
- розпізнаванні зображень;
- обробці мови;
- прогнозуванні;
- автономному управлінні.
Однак вони мають фундаментальні проблеми:
- слабку пояснюваність;
- нестійкість до помилок;
- непередбачуваність;
- труднощі з логічним мисленням;
- відсутність формальних гарантій безпеки.
DARPA вважає, що сучасні нейромережі недостатньо надійні для:
- військових систем;
- автономної зброї;
- авіації;
- кібербезпеки;
- медичних рішень;
- критичної інфраструктури.
Основна ідея програми
ANSR прагне об’єднати два історично різні підходи до AI.
Data-Driven AI
Перший підхід:
- машинне навчання на основі даних.
Його переваги:
- висока адаптивність;
- здатність працювати з великими масивами інформації;
- автоматичне виявлення закономірностей.
Недоліки:
- «чорна скринька»;
- слабка логіка;
- відсутність гарантій правильності.
Symbolic AI
Другий підхід:
- символьний штучний інтелект.
Він базується на:
- правилах;
- логіці;
- формальних знаннях;
- дедуктивному мисленні.
Переваги:
- пояснюваність;
- формальна перевірка;
- логічна послідовність.
Недоліки:
- слабка адаптивність;
- погана робота з невизначеністю;
- складність масштабування.
Neuro-Symbolic AI
ANSR прагне створити:
- neuro-symbolic AI,
який поєднує:
- нейромережеве навчання;
- логічне мислення;
- причинно-наслідкові моделі;
- формальну верифікацію.
Основні цілі ANSR
Створення trustworthy AI
Головна мета — створення систем, яким можна довіряти.
DARPA прагне забезпечити:
- передбачуваність;
- пояснюваність;
- стійкість;
- формальні гарантії;
- перевірюваність рішень.
Інтеграція логіки та навчання
Програма має навчити AI:
- не лише знаходити статистичні патерни;
- а й логічно міркувати.
Формальна верифікація
ANSR приділяє велику увагу:
- formal verification;
- mathematical assurance;
- proof-based validation.
Це особливо важливо для:
- autonomous systems;
- defense AI;
- mission-critical software.
Робота в умовах невизначеності
Система повинна:
- адаптуватися до нових ситуацій;
- пояснювати рішення;
- працювати при неповних даних;
- робити логічні висновки.
Наукова основа програми
Нейросимвольний AI
Neuro-symbolic AI є одним із найперспективніших напрямів сучасного штучного інтелекту.
Він поєднує:
- deep neural networks;
- knowledge graphs;
- symbolic logic;
- probabilistic reasoning;
- causal inference.
Graph Reasoning
ANSR активно використовує:
- knowledge representation;
- semantic graphs;
- graph neural networks.
Це дозволяє AI:
- працювати зі структурованими знаннями;
- будувати логічні зв’язки;
- виконувати reasoning.
Causal AI
DARPA також приділяє увагу:
- causal reasoning.
На відміну від звичайного машинного навчання, causal AI прагне розуміти:
- чому подія сталася;
- як зміниться система;
- які наслідки матиме рішення.
Formal Methods
Програма інтегрує:
- formal logic;
- theorem proving;
- model checking;
- symbolic verification.
Ці методи давно використовуються у:
- авіації;
- криптографії;
- ядерних системах;
- космічній техніці.
Технічна архітектура ANSR
DARPA прагне створити AI-системи, які:
- навчаються на даних;
- будують символьні моделі;
- пояснюють висновки;
- перевіряють власні рішення;
- оцінюють ризики.
Hybrid AI Algorithms
Програма досліджує:
- hybrid reasoning;
- neurosymbolic inference;
- symbolic planners;
- neural theorem proving;
- explainable AI architectures.
Self-Assessment
Одним із важливих напрямів є:
- self-assessment AI.
Система повинна:
- оцінювати власну впевненість;
- виявляти помилки;
- повідомляти про невизначеність.
Explainability
DARPA прагне, щоб AI міг:
- пояснювати рішення людям;
- описувати логіку;
- демонструвати причинно-наслідкові зв’язки.
Військове значення
ANSR має стратегічне значення для Міністерства оборони США.
Autonomous Systems
Програма важлива для:
- автономних дронів;
- роботизованих систем;
- autonomous ISR;
- swarm systems;
- military decision support.
Human-Machine Teaming
DARPA прагне покращити:
- взаємодію людини й AI;
- довіру до автономних систем;
- спільне прийняття рішень.
Battle Management
Гібридний AI може застосовуватись у:
- battlefield analysis;
- command-and-control;
- threat assessment;
- multi-domain operations.
Кібербезпека
Нейросимвольний AI здатен:
- виявляти аномалії;
- аналізувати логічні атаки;
- працювати зі складними графами загроз.
Цивільні застосування
Технології ANSR можуть бути корисними у:
- медицині;
- автономному транспорті;
- фінансових системах;
- промисловості;
- робототехніці;
- авіації;
- юридичних системах;
- критичній інфраструктурі.
Пояснюваний AI у медицині
У медичній сфері ANSR може допомогти створити AI, який:
- не лише ставить діагноз;
- а й пояснює його логіку.
Автономний транспорт
Для self-driving systems критично важливими є:
- безпека;
- перевірюваність;
- логічна послідовність рішень.
Зв’язок з іншими програмами DARPA
ANSR є частиною ширшої AI-стратегії DARPA.
XAI
Програма:
- XAI — Explainable Artificial Intelligence
досліджувала пояснюваність AI.
GARD
Програма:
- GARD — Guaranteeing AI Robustness against Deception
була спрямована на захист AI від adversarial attacks.
KAIROS
Програма:
- KAIROS
працювала з causal reasoning та knowledge representation.
ANSR інтегрує багато напрацювань цих програм.
Основні технічні виклики
Інтеграція нейромереж і логіки
Найскладніше завдання — поєднати:
- статистичне навчання;
- формальну логіку;
- reasoning;
- probabilistic inference.
Масштабованість
Символьні системи часто є:
- повільними;
- ресурсоємними;
- складними для масштабування.
Навчання причинно-наслідкових моделей
AI повинен:
- розуміти причинність;
- будувати абстракції;
- узагальнювати знання.
Формальна перевірка великих моделей
Складність сучасних AI-систем робить:
- mathematical verification
надзвичайно важким завданням.
Наукове значення
ANSR стимулює розвиток:
- explainable AI;
- neuro-symbolic computing;
- causal AI;
- formal verification;
- trustworthy autonomy;
- hybrid intelligence architectures.
Учасники програми
До досліджень можуть залучатися:
- університети;
- AI-лабораторії;
- оборонні підрядники;
- компанії у сфері machine learning;
- центри формальної верифікації.
Серед потенційних партнерів DARPA:
- MIT CSAIL;
- Carnegie Mellon University AI Programs;
- SRI International;
- BAE Systems.
Поточний стан програми
Станом на 2026 рік DARPA:
- продовжує дослідження neuro-symbolic architectures;
- фінансує нові AI-проєкти;
- проводить evaluation frameworks;
- працює над trustworthy autonomous systems.
Програма залишається одним із ключових напрямів розвитку AI нового покоління для оборонних систем США.
Потенційний вплив на майбутнє штучного інтелекту
У разі успіху ANSR може:
- змінити архітектуру AI-систем;
- створити новий клас trustworthy AI;
- поєднати логіку та deep learning;
- забезпечити безпечну автономність;
- підвищити довіру до AI;
- наблизити створення сильного штучного інтелекту з reasoning-здатностями.