神经符号AI的复兴：神经网络与符号逻辑的融合之路

回顾历史，符号AI曾凭借规则与逻辑体系在人工智能领域独领风骚；如今，它正强势回归，与神经网络携手合作，共同瞄准通用人工智能（AGI）的宏伟目标！

近年来，大规模深度学习模型屡屡带来震撼表现：它们能像真人一样对话、如专家一般写作、似大师那样绘画，仿佛“全能型AI”即将成为现实。

然而，人工智能界的顶尖专家们已开始冷静警示：

仅依赖“神经网络”这一条路径，远不足以实现人类级别的智能。

美国人工智能促进协会（AAAI）向其会员提出了一个核心议题：

• 在未来，计算机智能是否有可能达到乃至超越人类智力水平？
• 倘若可能，单靠当前炙手可热的神经网络技术能否实现这一目标？

绝大多数研究者的回答是——不能。

真正的突破性进展，很可能需要依赖经典流派“符号AI”与神经网络的协同作战。

符号AI：从边缘到核心的复苏

在人工智能发展史上，符号派AI一度占据主导地位——它坚信，世界万物可以通过规则、逻辑以及清晰的概念关系被完整描述：

如同数学般精确，像流程图那样可追溯，又似生物分类学那样层次井然。

随后，神经网络技术迅猛崛起，以“从海量数据中自主学习”的新范式席卷了整个AI领域。

大语言模型与ChatGPT成为了这个时代的技术标志，而符号系统则逐渐被边缘化，几乎仅存在于教科书的记载中。

然而，自2021年左右起，“神经-符号融合”的研究热潮急速升温，被视为对单一神经网络主导地位的一次有力挑战：

这一融合尝试将统计学习与显式推理相结合，不仅是为了追求通用智能这一长远愿景，更是为了在军事、医疗等高可靠性要求的场景中，提供一种人类能够“理解、追溯并信任”的智能形态。

目前，一些具有代表性的神经符号AI系统已经问世。

例如，DeepMind去年发布的AlphaGeometry，能够稳定求解面向中学生的国际数学奥林匹克竞赛难度几何题。

但将神经网络和符号主义AI深度融合成通用的“全能AI”，依然面临巨大挑战。这种系统的架构异常复杂，马里兰大学计算机科学家William Regli感慨道：

本质上，你是在设计一个“双头怪兽”。

深刻的教训与持续的学术争鸣

2019年，计算机科学家Richard Sutton发表了题为《苦涩的教训》（The Bitter Lesson）的短文。

文中指出，自20世纪50年代以来，人们反复尝试一种假设：

将人类在各个领域（从物理学到社会学）总结出的世界规则，直接编码灌输给计算机。

这被认为是构建智能机器的最佳途径。

Sutton写道，我们必须接受的“苦涩现实”是：那些利用巨量原始数据和强大算力来驱动“搜索与学习”的系统，一次又一次地超越了依赖人工规则的符号方法。

例如，早期依赖人类设计策略的国际象棋程序，最终败给了仅通过分析海量对局数据而学习的系统。

神经网络的支持者广泛引用这一观点，用以佐证“不断扩大模型规模是通往AGI的最有效路径”。

但许多研究人员认为，这篇论述有所夸大，低估了符号系统在AI发展中能够且应当扮演的关键角色。

例如，当今顶尖的国际象棋程序Stockfish就成功融合了神经网络与基于符号树（symbolic tree）的走法评估。

神经网络和符号算法各有其鲜明的优缺点。

• 神经网络由多层互联节点构成，通过调整连接权重从数据中学习模式。它们响应迅速且具备创造性，但也不可避免地会产生幻觉（编造信息）。一旦问题超出其训练数据分布，它们的回答往往不可靠。
• 符号系统则难以完备地刻画人类语言等充满模糊性的概念，因为构建庞大的规则库既工程浩大，执行搜索也效率较低。但它们的运作过程透明可控，擅长严谨推理，并能运用逻辑将通用知识迁移到全新场景。

当应用于现实世界时，缺乏符号知识支撑的神经网络常会犯下一些令人啼笑皆非的基础错误。

例如，AI生成的图像可能画出长有六根手指的手，因为它们并未从数据中抽象出“人类手掌通常有五指”这一普遍概念（general concept）。

部分研究者将这些错误归因于数据不足或算力局限。

但另一派学者坚信，这些错误深刻揭示了神经网络在泛化知识（generalize knowledge）与进行逻辑推理（reason logically）方面存在根本性缺陷。

因此，许多人认为，“神经网络与符号机制结合”可能是为AI注入逻辑推理能力的最佳——甚至是唯一——途径。

例如，科技巨头IBM正将神经符号技术（neurosymbolic techniques）视为通向AGI的关键战略投资。

然而，质疑之声依然存在：深度学习先驱Yann LeCun曾表示，神经符号方法与深度学习机制存在“内在不兼容性”。

Richard Sutton则坚持其原始观点，并告诉《自然》杂志：

“苦涩的教训”对当今的AI发展依然适用。

Richard Sutton现任阿尔伯塔大学计算机科学教授，荣获2024年图灵奖；2017年至2023年间，他曾担任DeepMind杰出研究科学家。

他表示，这证明“添加更多人工构建（manually crafted）的符号化元素可能是一个误区”。

Gary Marcus，一位AI企业家、作家兼认知科学家，是神经符号AI最坚定的倡导者之一。

他倾向于将这场争论描绘成一场哲学理念之争，并认为趋势正朝着有利于他的方向发展。

另一些学者，如麻省理工学院机器人专家Leslie Kaelbling则认为，争论孰对孰错无异于“钻牛角尖”，人们应当聚焦于任何切实可行的技术方法。

她说：“我就像一只喜鹊（magpie）。只要能让我的机器人性能提升，我愿意采纳任何有用的技术。”

双头怪兽：优势互补的架构探索

尽管神经符号AI的核心愿景清晰——即融合神经网络与符号学派的长处，但其具体实现方式目前仍处于探索阶段，定义相对宽泛。

Marcus坦言，神经符号AI涵盖了一个“无比广阔的探索空间”，我们目前的成果仅仅是“冰山一角”。

业界已涌现多种技术路线，研究者们也从不同角度对其进行分类。

其中，一条备受关注的主流路径是：运用符号技术来“增强”神经网络的能力。

AlphaGeometry无疑是这一策略的杰出代表。其工作原理是：首先利用符号编程语言生成海量合成数学题（即构造训练数据集），然后用这些数据训练神经网络。

这种方法不仅使解题过程更易于验证和解释，还保证了极低的错误率。Colelough评价其为一种“精妙的融合”。

另一个典型例子是“逻辑张量网络”（Logic Tensor Networks）。

它提供了一种将符号逻辑编码嵌入神经网络结构的方法。

在此网络中，命题的真值不再是简单的“真”或“假”，而是被赋予一个“模糊真值”（Fuzzy-truth Value）——即一个介于1（绝对真）与0（绝对假）之间的连续数值。这构建了一个规则框架，辅助系统进行可量化的逻辑推断。

另一条重要的技术路径则相反：利用神经网络来“优化”传统符号算法面临的效率瓶颈。

符号知识库常面临一个核心难题：规模过于庞大，导致搜索空间爆炸，计算耗时惊人。

以围棋为例，其所有可能棋局形成的“搜索树”包含约10^170个局面，这是任何暴力计算都无法穷尽的数字。

而神经网络可以被训练来预测“获胜概率最高”的落子区域，从而大幅剪除搜索树中不必要的分枝，使系统能够高效聚焦于最有希望的走法。

这正是当年谷歌AlphaGo击败人类围棋冠军的核心技术——

凭借这一混合策略，它在历史性的对决中取得了胜利。

参考文献：

https://www.nature.com/articles/d41586-025-03856-1