神经符号AI
神经符号AI(neuro-symbolic AI,亦称神经符号计算、神经-符号人工智能)指把人工神经网络的联接主义(connectionism)学习与符号主义(symbolicism)的知识表示、逻辑推理相结合的人工智能方法。其基本主张是:神经网络擅长从数据中学习模式、处理感知与不确定性,符号系统擅长显式表达知识、执行可追溯的演绎推理,二者具有互补性,把它们以有原则的方式整合,有望兼顾学习能力、鲁棒性、可解释性与数据效率。该方向常被称为人工智能的"第三波"(the third wave)或"第三个AI夏天"的代表性路径之一。与大语言模型主导的端到端路线不同,神经符号AI强调把结构化知识、规则与推理机制显式纳入系统,而非仅依赖海量参数对数据分布的拟合。
定义内涵与两条技术路线及其局限
要理解神经符号AI,先要理解它试图弥合的分野。符号主义又称逻辑主义,是人工智能早期的主流思想:它用符号表示概念、命题与关系,用规则进行推演,典型形式是"所有人都会死,苏格拉底是人,所以苏格拉底会死"这样的三段论。符号系统的优势在于严谨、可解释、可溯源,曾在专家系统、定理证明与语义分析中占据主导;但其短板同样突出——高度依赖人工定义规则,面临"知识获取瓶颈",难以处理图像、语音、自然语言等模糊、不确定、非结构化的数据。
连接主义则以人工神经网络模拟人脑神经元的连接,靠海量数据自动学习特征,在视觉识别、语音处理与文本生成上取得颠覆性突破,构成当今主流深度学习的基础。它的局限在于:决策过程近似"黑箱",难以解释;小样本场景能力骤降;主要做概率拟合,缺乏对逻辑、因果与组合结构的显式把握,容易产生事实性错误。一篇从常识推理视角比较两者的综述指出,在现有理论框架下,符号主义面临知识表示不足、前提选择与自动形式化等难题,尚难为常识推理提供完整方案;而连接主义在鲁棒性与可扩展性上更具优势,但其知识更新、推理稳定性、减少幻觉与可解释性仍有改进空间。这种"一个严谨却缺乏感知,一个敏锐却不懂讲理"的对照,构成了融合研究的动力。
融合方法与分类
"融合"并非单一做法,不同系统在神经与符号组件的耦合方式上差异很大。罗切斯特大学教授亨利·考茨(Henry Kautz)在2022年美国人工智能协会(AAAI)的一次纪念讲座中提出分类法,并在2024年神经符号AI暑期学校加以修订,被文献广泛引用。常见类型包括:符号→神经→符号,即把语言等符号输入转为向量交给网络处理,再把输出转回符号;符号[神经],即符号求解器在需要时调用神经子程序,AlphaGo、AlphaZero 把蒙特卡洛树搜索与神经网络估值结合即属此类;神经⇆符号,即网络把感知转为符号结构供推理器处理,误差再反向传播;神经⊕符号,即把符号规则作为软约束或正则项纳入损失函数,逻辑张量网络(LTN)是代表;神经:符号→神经,即符号规则生成训练数据或标签供网络学习;神经[符号],即神经模型调用符号推理引擎。一篇系统综述据此归纳出五类主要范式,并以逻辑神经网络(LNN)、LTN 与神经向量符号架构(NVSA)为例展开分析。
这些路径在"耦合强度"上形成谱系:一端是松散的流水线,神经前端负责感知、符号后端负责推理,实现简单但误差难以跨模块传递;另一端是把逻辑运算直接嵌入可微网络结构或训练目标,追求端到端联合优化,理论上更统一但工程更复杂。概率方法常作为第三组件加入,用概率逻辑程序表达不确定性,例如 DeepProbLog 把神经网络分类器作为"神经谓词"接入概率逻辑程序,可微归纳逻辑编程(∂ILP)则从带噪声的结构化样例中学习逻辑程序。
发展脉络与代表工作
神经符号计算并非全新概念,其思想可追溯到早期人工智能对知识与推理的重视;近十多年的复兴,则与深度学习的局限日益显现同步。2020年底,加尔塞斯(Artur d'Avila Garcez)与兰姆(Luis C. Lamb)发表《神经符号AI:第三波》,系统梳理二十余年研究,主张把神经网络的鲁棒学习与符号表示的可推理、可解释结合起来,使系统在可信、安全与可问责方面更胜一筹。此后,面向认知智能的系统性综述把神经、符号与概率三种方法视为彼此补充:神经提供可扩展与灵活,符号带来可解释与数据效率,概率则提供对不确定性的稳健处理。
代表性工作分布在多条线上:在视觉与概念学习方面,神经符号概念学习器(NS-CL)联合学习视觉概念、词汇与语义解析,无需显式监督;在逻辑与概率推理方面,除 DeepProbLog、∂ILP 外,还出现了把答案集编程与神经谓词结合的可微概率答案集编程(dPASP)、把逻辑规则映射到嵌入空间的 LTN 等;在博弈与决策方面,AlphaGo/AlphaZero 常被视为符号搜索与神经估值融合的范例。中国的研究亦有进展:2025年,中国科学院自动化研究所"磐石·科学基础大模型"团队提出一种"神经-符号"融合规划器,以正向神经规划器生成动作序列、反向符号规划识别器进行反馈纠错,构成闭环双向规划机制,并在国际智能规划竞赛(IPC)的8个代表性任务上取得高于对比规划器的平均覆盖率。
应用、评测与系统实现
神经符号AI的落点集中在需要可信推理与可解释决策的场景。在科学发现方向,一个由美国国家科学基金会支持的项目试图让机器学习从数据中生成"更像科学家手写的代码"的模型,在有机化学、RNA剪接、认知科学与计算系统四个领域自动形成可解释、可检验的理论假设。在医疗健康、自主系统与人机协作中,可追溯的推理链有助于审查与追责;在视觉问答与场景理解中,符号后端可对神经前端输出的物体与关系做组合推理。与大模型结合也是活跃方向:把知识图谱与大语言模型集成以减轻幻觉,把符号表达式与逻辑规则融入思维链以提升逻辑推理的忠实性与可解释性,均被综述与中文文献列为可行路径。
系统层面的研究发现修正了"神经计算必然主导能耗"的直觉。对 LNN、LTN 与 NVSA 三种代表性模型的剖析显示,符号部分在总运行时间中占比并不低——分别约为45.5%、52.0%与92.1%,由此说明优化符号计算对整体性能同样关键,硬件与软件协同设计不应只盯着矩阵乘加。在评测方面,不同系统的组件边界、知识来源与任务设置差异很大,常以逻辑推理准确率、规则一致性、解释正确性与数据效率等指标分别衡量,尚缺乏能横向比较"融合得好不好"的统一基准,这也是该方向难以与主流端到端模型直接比高低的原因之一。这一点使神经符号AI与专用芯片、编译优化等系统研究产生了连接。
争议与局限
尽管前景被反复强调,该方向远未形成共识。首要争议是"融合"究竟是原则性统一还是松散拼装:批评者认为,不少所谓神经符号系统只是把规则作为损失项或后处理模块,并未真正实现两类范式的深度融合,其"可解释性"也可能流于表面。其次是大模型时代的路线之争:有观点认为,深度神经网络配合思维链、强化学习已展现出相当强的推理能力,符号主义的许多目标可由规模化模型间接达成;也有观点坚持,缺乏显式知识表示与因果机制的系统,难以从根本上消除幻觉与分布外失效,恰好需要符号方法补位。一篇中文综述给出的判断相对折中——符号主义目前难以单独解决常识推理,连接主义将是近期主流,但二者结合对提升鲁棒性与可解释性有促进作用。
工程局限同样具体:符号规则的自动获取与形式化成本高,符号推理器在大规模、含噪声场景下效率与可扩展性受限,神经与符号之间的接口设计缺乏通用范式,训练往往不稳定;此外,不同系统的组件边界与评测任务差异很大,尚无统一基准可横向比较"融合得好不好"。因此,对神经符号AI更稳妥的定位,是把它视为一组尚在演化的方法论与若干具有互补优势的技术组件,而非工程上已经定型的通用方案。它的最终价值,取决于能否在大模型主导的生态中证明:显式知识与推理带来的可靠性增益,足以抵消其额外的复杂性与计算开销。
参见
- 人工智能
- 符号主义
- 联接主义
- 可解释AI
- 知识图谱
- 思维链
参考资料
- Artur d'Avila Garcez、Luis C. Lamb. Neurosymbolic AI: The 3rd Wave. arXiv, 2020-12-10.
- 一篇认知AI综述. Towards Cognitive AI Systems: a Survey and Prospective on Neuro-Symbolic AI. arXiv, 2024-01.
- 中国科学院自动化研究所. "磐石·科学基础大模型"推出新型"神经-符号"融合规划器. 中国科学院自动化研究所, 2025-08-07.
- 《中国科学院大学学报》. 符号主义与联结主义:从常识推理的视角看. 中国科学院大学学报.
- NSF 资助项目"Understanding the World Through Code". Neurosymbolic AI 研究项目. neurosymbolic.org.