- 综合排序
- 最热优先
- 最新优先
- 来自专栏ATYUN订阅号
神经符号AI：通过AI组合提供创新
人工智能的技术有很多种，其中一些处于最前沿，而另一些则位于某些层次之下（例如神经网络和符号AI）。人工智能创新当然并不意味着在整个领域带来变化。 正如他指出的那样，神经符号AI并不是一种全新的AI方式，而是两种现有的构建思维方法的结合。“符号AI”部分是指创建人工智能的第一种主流方法，“神经”部分是指深度学习神经网络。 神经网络与符号AI的工作方式不同，因为它们是数据驱动的。为了向符号AI系统解释某些内容，一个人需要显式提供所有信息，以便能够正确识别，同时训练神经网络执行此任务，一个人只需向其显示数千张图片即可。 但是，神经符号AI背后的想法是将这些方法结合起来，以将学习和逻辑结合起来。很明显，神经网络将使世界简化为符号，而不是依靠人类程序员来为它们做，从而将使符号AI系统变得更智能。 AI研究人员戴维·考克斯（David Cox）表示：“神经网络和象征性想法真的是完美的互补。因为神经网络为您提供了从现实世界的混乱状态变为世界的符号表示的答案，可以找到图像中的所有相关性。
1.1K20发布于 2020-02-20 神经符号AI的企业应用：结合符号推理与深度学习的混合智能
技术前沿： 神经符号AI代表了人工智能发展的新阶段，它将深度学习的模式识别能力与符号推理的逻辑分析能力有机结合，创造出更加智能、可解释且可靠的AI系统。 一、神经符号AI概述：智能技术的融合革命 神经符号AI（Neuro-Symbolic AI）是人工智能领域的一个重要发展方向，它试图将神经网络的学习能力与符号系统的推理能力结合起来，创造出既能从数据中学习又能进行逻辑推理的智能系统 神经符号AI的核心在于如何有效地将基于连接主义的神经网络与基于符号主义的推理系统结合起来，形成统一的智能处理框架。 8.3 持续优化策略 九、未来发展趋势：神经符号AI的演进方向 神经符号AI作为AI技术的前沿方向，其未来发展将深刻影响企业智能化的发展轨迹，值得重点关注和前瞻布局。 关键词： 神经符号AI, 符号推理, 深度学习, 混合智能, 可解释AI, 知识图谱, 企业应用
1.7K10编辑于 2025-06-08- 来自专栏CreateAMind
神经符号生成机器
https://github.com/JindongJiang/GNM 摘要 调和符号和分布式表示是一个至关重要的挑战，可以潜在地解决当前深度学习的局限性。 在本文中，我们提出了生成神经符号机器，这是一个结合了分布式和符号表示的优点的生成模型，支持符号组件的结构化表示和基于密度的生成。 虽然 VAEs 支持此功能[31,19]，在其表示中缺乏明确的合成结构，当生成复杂图像时，它在实践中容易失去全局结构一致性[44,19].在这篇论文中，我们提出了生成神经符号机器(GNM)，这是一个概率生成模型 ，通过支持基于符号实体的表示和分布式表示，结合了两个世界的优点。 因此，该模型可以用符号成分来表示观察值，并且还可以根据基础密度来生成观察值。
37620编辑于 2022-06-10 - 来自专栏Adobe illustrator
Ai-符号
1，首先选中创作的图标 2，找到 【符号】 3，添加即可 image.png 4，使用的时候，直接往外拖 5，如若想单独编辑一一下，取消连接即可。 image.png 想法： 积累一下符号，后面直接使用AI，做思维导图。 快捷键： D直接使用默认配色 背景颜色：9-7-9-0
1.4K00编辑于 2022-03-27 神经符号AI：让电力故障溯源从“黑盒”变“白盒”
神经符号AI，正是破解这一困局的关键钥匙。二、核心技术：神经符号AI的“白盒”革命神经符号AI，作为第三代人工智能的核心范式，旨在融合神经网络强大的感知能力与符号系统严谨的逻辑推理能力。 可视化推理链路：让AI“写下”判决书以一个典型的“线路过流跳闸”为例，神经符号AI的推理过程是完全可视化的：步骤1：根因假设生成。 五、关键洞察：神经符号AI与通用大模型RAG的本质区别在当前的AI热潮中，许多人会问：用大模型+检索增强生成（RAG）来做故障问答不就行了？为什么还需要复杂的神经符号AI？ 图4：神经符号AI与RAG对比图简而言之，大模型RAG是优秀的“知识助理”，帮你找资料、做摘要；而神经符号AI是严谨的“推理专家”，帮你分析因果、下判断。 神经符号AI，通过将深度学习的感知能力与符号推理的严谨性相结合，为能源电力等关键基础设施，提供了一把将“黑盒”变为“白盒”的钥匙。
14310编辑于 2026-04-14神经符号AI+知识图谱：开启可信认知智能新时代
神经符号AI：正是破解这一困境的钥匙。 二、“智图知识图谱”实践：神经符号AI驱动知识图谱的三大突破基于对神经符号融合路径的深刻理解，“智图知识图谱”在工程化落地中实现了以下关键突破：1.智能图谱补全与深度知识推理传统知识图谱容易因数据不全而成为 更重要的是，经过神经符号AI融合与增强的知识图谱，其本身具备了更优的结构化表示。 三、行业赋能：从“知识库”到“决策脑”神经符号AI与知识图谱的融合，正将企业知识管理从静态的“资料库”升级为动态的“决策脑”：在智慧医疗领域：构建时序病历图谱与事理图谱，将神经符号推理用于辅助诊断，不仅能给出建议 在产业端，我们则认为，神经符号AI与知识图谱的深度融合，是实现机器可信认知智能的坚实一步。
26710编辑于 2026-02-11- 来自专栏算法进阶
神经符号学习: 神经网络+逻辑推理
1 前言 神经符号学习，目标是结合深度神经网络(DNNs)的感知能力和符号推理系统的推理能力。旨在结合神经感知与符号逻辑，但目前的研究仅将它们串联并分别优化，未能充分利用它们之间的相互增强信息。 本文贡献如下： 提出具有理论收敛保证的DeepLogic框架，该框架进行神经感知和逻辑推理的联合学习，使它们可以相互增强，以提高神经符号推理的性能和可解释性。 2 DeepLogic框架 神经符号学习研究同时感知和推理的问题，其输入是语义数据，输出是未知的复杂关系。为避免任务分解，不应给出要学习的语义输入的符号属性。 前向传递（顶部）从语义输入x通过中间符号属性z到最终演绎标签y进行顺序处理。例如，推理一下1，2和3的关系。首先，系统通过神经感知模型将这些图像识别为符号：➊、➋和➌。 在本节中，我们将介绍DLM与深度神经网络（DNN）如何通过吸收语义输入并推理其符号关系来处理神经符号任务。我们还详细介绍了所提出的深度逻辑优化（DLO）算法，以联合优化DLM和DNN。
1.5K10编辑于 2024-03-26 - 来自专栏大数据文摘
神经符号 AI，或为下一代 AIoT 的新解法
目前来看，神经符号 AI（neurosymbolic AI）是最有希望的。 神经符号 AI 是神经网络（第二波 AI）和符号 AI（第一波 AI）的组合，拥有三大优势：精度更高，数据效率更高，高透明度和可解释性。 借助神经符号 AI，人工智能将变得越来越智能，AIoT 也将会变得越来越强大。但是，我们不得不承认，神经符号 AI 仍然存在多重挑战，比如表示学习、场景感知和理解、强化学习和规划等。 目前，SONG Lab 在神经符号 AI 领域已深耕一年有余，我们也将会推出神经符号 AI 及其在 AIoT 应用的系列研究成果。 AI 科技评论：您在 AIoT 这块的研究与成果分别有哪些？ 未来五到十年，在研究上，我准备瞄准 AI 领域的高可信与可解释两个根本挑战，发力神经符号 AI（neurosymbolic AI），在应用 AI 到网络安全和 AI 系统的安全两方面做出原创突破，回馈世界
53720编辑于 2023-04-10 - 来自专栏CreateAMind
具身认知的神经符号方法
通过定制大型语言模型（LLM），将自然语言描述转换为基于这些感知运动模式的形式化表示，我们可以创建一个将智能体的理解建立在基本概念结构上的神经符号系统。 关键词： 具身人工智能；具身认知；神经符号人工智能；图像模式；自然语言理解；智能体推理；心理模拟。 然而，实现这种智能体的主要挑战在于形式化这些心理学理论和深度具身结构，并以一种有希望的方式将由此产生的符号语言与神经识别和隐喻映射技术相结合。 在这项工作中，我们讨论了这种尝试的主要挑战，并提出了一种将符号语言与神经架构相结合以创建一个集成的神经符号框架的有前景的方法。 与现有工作相比，我们的方法的主要优势在于对概念结构的完全形式化描述、使用现有的符号求解器来推理这些描述，以及在神经网络中深度集成以创建神经符号架构。
13310编辑于 2026-03-11 - 来自专栏AI科技评论
神经符号 AI，或为下一代 AIoT 的新解法
目前来看，神经符号 AI（neurosymbolic AI）是最有希望的。 神经符号 AI 是神经网络（第二波 AI）和符号 AI（第一波 AI）的组合，拥有三大优势：精度更高，数据效率更高，高透明度和可解释性。 借助神经符号 AI，人工智能将变得越来越智能，AIoT 也将会变得越来越强大。但是，我们不得不承认，神经符号 AI 仍然存在多重挑战，比如表示学习、场景感知和理解、强化学习和规划等。 目前，SONG Lab 在神经符号 AI 领域已深耕一年有余，我们也将会推出神经符号 AI 及其在 AIoT 应用的系列研究成果。 AI 科技评论：您在 AIoT 这块的研究与成果分别有哪些？ 未来五到十年，在研究上，我准备瞄准 AI 领域的高可信与可解释两个根本挑战，发力神经符号 AI（neurosymbolic AI），在应用 AI 到网络安全和 AI 系统的安全两方面做出原创突破，回馈世界
51220编辑于 2023-04-12 - 来自专栏机器之心
重新审视AI，神经网络中概念符号涌现的发现与证明
本文围绕近期的两项工作，讨论神经网络中符号概念的涌现现象，即『深度神经网络的表征是否是符号化的』的问题。 如果我们绕开 “应用技术提升” 的视角，从 “科学发展” 的角度来重新审视 AI，证明 AI 模型中的符号涌现现象无疑是具有重大意义的。 1. 如何去定义神经网络所建模的符号化概念，从而可靠地发现神经网络的符号涌现现象。 2. 如何证明符号化概念的涌现 —— 即理论证明当 AI 模型在某些情况下（一个并不苛刻的条件），AI 模型的表征逻辑可以解构为极少数的可迁移的符号化概念的分类效用（这部分会在 4 月底公开讨论）。 对神经网络符号化表征的假设，是进行深入研究该领域的基础，但是对此问题的论证往往让人无从下手。 大部分研究者对神经网络的第一直觉是 “它不可能是符号化的吧？” 神经网络毕竟不是图模型。
55020编辑于 2023-04-06 - 来自专栏张善友的专栏
使用 MRKL 系统跨越神经符号鸿沟
MRKL 系统包括一个或多个语言模型，并通过外部知识源和符号推理专家来增强它们，这些专家可以处理神经模型无法处理的任务。 什么是 MRKL 系统？ 当然，要完成所有这些工作还有很多细节和挑战 ，比如训练离散专家、平滑他们与神经网络之间的接口、在不同模块之间进行路由等等。
99510编辑于 2023-05-23 神经符号AI与知识图谱融合：构建可信知识推理的新范式
正是在这一背景下，神经符号AI与知识图谱的融合应运而生。这一技术路线旨在结合神经网络在模式识别与表示学习上的优势，以及符号系统在逻辑推理与可解释性上的长处，为企业构建真正“可信”的知识推理基础设施。 神经符号AI：连接与符号的再统一神经符号AI并非全新概念——早期人工智能就曾围绕“连接主义”与“符号主义”展开长期争论。 将这些规则以可编程形式与图谱中的实体关系绑定，是神经符号AI的核心能力之一。 七、技术挑战与未来方向尽管神经符号AI与知识图谱融合取得了显著进展，但仍面临若干关键挑战：1. 未来的知识系统，将不再是“搜索框+文档列表”，也不是“对话式AI的黑箱”，而是能够与人类协作、可理解、可审计的智能知识伙伴。神经符号AI与知识图谱的融合，正是通向这一目标的关键桥梁。
13910编辑于 2026-04-22- 来自专栏AI科技评论
Jurassic-X: 让神经模型学会符号推理
，如大规模语言模型LLM，和外部知识库，以及过去流行的符号专家系统结合在一起，从而来兼顾神经模型和符号推理能力。 不同专家系统之间的连接 因此MRKL使用了代表当代AI在商业角度下的第三个趋势——使用神经和符号结合的混合系统。 MRKL融合了不同的模块，有些模块使用了深度学习，有些则使用符号推理模式的专家系统，例如直接从某些数据知识库中进行检索等模块，来获取更新的信息。 Jurassic-X可以做出更加明确、透明的回答，而其他神经模型则不行。 6 AI21 Labs AI21实验室位于以色列的一家自然语言处理的研究机构；它同时也是一个商业机构，旨在将现有的NLP技术快速部署到商业应用中。
57030编辑于 2022-05-06 - 来自专栏腾讯云TVP
符号主义被打入冷宫太久了，难道神经是AI的终结者吗？
众所周知，AI自从诞生，就有符号理性主义和数据经验主义的两条路线竞争，以及此伏彼起来回震荡的历史轨迹，直到30年前，钟摆就再也没有回落到符号主义一边的迹象。这是为什么？ 符号AI并没有帮任何忙。符号的作用仍然局限在 input 和 output 两端，连所谓内心独白的思维过程 cot，也是以 output 形式表现的。这种领域流派内部的创造性和潜力，让人瞠目结舌。 以前我们出身符号流派的人老一厢情愿地想着，AI主流遭遇困难了，我们逻辑派、文法派可以出手帮忙了。各种结合符号AI与神经AI的幻想，在我们的心中激荡。 如果把回顾AI历史的眼光拉得更远，我们可以看到现代大模型的前身是当年的各种统计模型，而神经基本是其中的一个支流。 推理本质上是一个离散过程，因此是可以符号化的，是一个在神经元体系上建立出来的模拟系统。但这种模拟的可能，很可能要求神经元系统与其他动物有结构上的差异。
36810编辑于 2025-02-24 - 来自专栏CreateAMind
独立性假设下的神经符号推理捷径
/pdf/2507.11357 概述：本文探讨了神经符号（NeSy）预测模型中广泛采用的独立性假设，即假设符号概念在给定输入下条件独立。 推荐理由 学术价值 ：作为NeSy领域2025年新进展，论文深化了独立性假设的理论分析，适合AI/ML研究者关注神经符号推理的最新动态。 摘要 在神经符号（NeSy）预测器中，符号概念之间的普遍独立性假设是一种便捷的简化：NeSy预测器利用该假设以加速概率推理。 引言 神经符号（NeSy）预测器是一类结合神经感知与符号推理的模型（Manhaeve 等, 2021；Xu 等, 2018；Badreddine 等, 2022；Feldstein 等, 2024； 若有效运用，这种方法可产生可解释且可靠的AI系统。 当数据与程序共同不足以充分约束神经网络时，NeSy预测器可能会学习到推理捷径（RSs）（Marconato 等, 2023）。
8710编辑于 2026-03-11 - 来自专栏AI科技评论
LSTM 提出者之一Sepp Hochreiter：将符号 AI 与神经 AI 相结合
他强调，将以往基于逻辑的符号AI和现有的基于数据的神经AI结合的双向AI（bilateral AI）是最有希望实现广义 AI 的方式。 他列举了使用对比学习进行自监督训练的学习方式来表明迁移性；充分利用上下文和以往经验的Modern Hopfield networks；以及融合了知识和推理的神经-符号计算模型。 （详情参考AI科技评论过往介绍：深度学习败于“捷径”） 5 神经-符号系统结合 神经网络与符号系统能够更好地促进 AI 模型对世界知识与抽象推理等能力的融合。 Hochreiter教授则认为已经发展了一段时间的图神经网络（GNN）是这一方向的代表。这也是来自发表在IJCAI’20上的一篇调查的意见，它将GNN归类为类型1的神经-符号系统。 图注：GNN图结构示意图 6 总结 Hochreiter强调，实现广义AI需要神经-符号系统的结合，以达到一种双向AI（bilateral AI）。
82120编辑于 2022-04-12 - 来自专栏新智元
神经网络的性能竟然优于神经符号模型
编辑：keyu 【新智元导读】DeepMind最新的研究结果再一次打破了传统认知——根据研究人员的最新发现，神经网络对数据的要求，居然比神经符号模型还要低！ 按照之前的常识，结合了算法和符号推理技术的神经符号模型（Neurosymbolic Models），会比神经网络更适合于预测和解释任务，此外，神经符号模型在反事实方面表现更好。 然而，近日，DeepMind的研究人员声称，在正确的测试条件下，神经网络的性能会优于神经符号模型。 ，这无疑挑战了神经网络比神经符号模型更需要数据这一观点。 “神经模型在数学上也取得了一些成功，从直觉上讲，该领域需要执行严格的规则，需要操纵各种各样的复杂符号。
61710发布于 2021-01-07 神经符号系统中的推理捷径：符号接地的失败与不可辨识性根源。
神经符号人工智能中的推理捷径导论：AI也会偷懒与作弊！走向未来人工智能技术正处在一个关键的十字路口。一方面，以大语言模型为代表的深度学习系统展现了前所未有的能力，重塑了信息处理和内容创造的形态。 神经符号人工智能（Neuro-Symbolic AI, NeSy）正是承载这一期望的解决方案。其核心理念是将两个强大但迥异的智能范式相结合：深度神经网络与符号逻辑推理。 神经符号架构的承诺与内在矛盾神经符号系统的核心架构是一种模块化的分工。这种分工明确了学习（learning）和推理（reasoning）的界限。 超越与前瞻：从联合捷径到下一代AI架构推理捷径的研究，其意义远超出典型的神经符号预测器。它为我们审视更广泛的、模块化的人工智能系统提供了一个全新的、严谨的视角。 欢迎加入“走向未来”知识星球，一起深入探讨这些产品、技术和应用实践，思考如何利用AI为工作增效，为生活添彩，共同走向AGI的未来。结论神经符号人工智能为我们描绘了通往可信人工智能的清晰蓝图。
32720编辑于 2025-12-22- 来自专栏AI科技评论
哈工大丁效：基于神经符号的认知推理方法
4月9日，哈尔滨工业大学计算学部副研究员丁效，在AI TIME青年科学家——AI 2000学者专场论坛上，做了《基于神经符号的认知推理方法》的报告，分享了神经网络方法执行符号推理任务的最新进展，同时也给出了将符号知识注入神经网络的思路以及如何将神经网络与符号系统相融合 以下是演讲原文，AI科技评论做了不改变原意的整理。 今天和大家分享神经符号认知推理方面的研究工作。人工智能（AI）已经历了第一代符号智能，第二代感知智能以及当前的认知智能。 符号AI对于规则、知识，能够可程序化，可以用编程的方式直接把规则编写到程序当中，然后可以进行精确、严格的匹配、推理，得到的结果也是符合规则的，因此解释性强。 显然，如果有方法将神经与符号相融合就能优势互补。目前，有三种方法可供参考： 1.神经网络方法执行符号推理任务，神经网络在此过程当中可能帮助我们把词进行泛化。 2. 符号知识注入神经网络。 3 融合神经与符号的推理系统 融合神经和符号的推理系统，在进行数值运算，因果逻辑推理，一阶谓词逻辑规则等方面具有优势。它可以利用神经网络模块，显式建模符号规则。
1.1K30编辑于 2022-05-05
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号