神經符號AI（neuro-symbolic AI）
/ NOOR-oh sim-BOL-ik AY-EYE /
神經符號AI，試圖把AI兩大長期對立的偉大傳統結合起來：神經網絡，從堆積如山的數據裡學習模糊的模式（擅長感知——認出一隻貓、一段嗓音、一個句子），與符號AI，操作明確的規則與邏輯（擅長精確推理——算術、證明、嚴格按步驟來）。它寄望於兼得兩者之長：學習的直覺與靈活，加上邏輯的嚴謹與可靠。
動機在於：每個傳統都有一個刺眼的弱點，恰好被另一個補上。神經網絡強大，卻晦澀難解、在精確推理上不可靠——它會信心十足地把算術搞砸，或自相矛盾。純符號系統精確、可解釋，卻脆弱：現實一旦不合它手寫的規則，它就崩裂，而且它無法從原始數據中學習。一個神經符號系統，或許會用一個神經網絡去讀懂一個雜亂的真實場景，再用一個符號引擎去對它所發現的東西作清爽的推理——感知交給網絡，邏輯交給規則。
對它的處境要有分寸。這個願景既誘人又古老，也確有真切的成功（比如，一個語言模型寫出形式邏輯或程式碼，再由一個可靠的外部求解器去執行——神經的直覺，把精確的活兒交給一個符號工具）。但要把模糊的學習與清爽的邏輯乾淨地熔為一體，已被證明是真的難；許多「神經符號」系統，與其說是深度融合，不如說是鬆散的流水線，而它也並非主導範式。它是一個嚴肅、活躍的研究方向，也是一個針對「純神經網絡之侷限」的合理押注——而不是一份已解決的配方，或一個板上釘釘的未來。
問「如果所有玫瑰都是花，而有些花凋謝得很快，那麼所有玫瑰都凋謝得很快嗎？」，一個純神經模型可能憑模式匹配，信心十足地答錯「是」。神經符號的做法，則讓網絡把這些詞翻譯成形式邏輯，再交給一個邏輯引擎，後者正確地回答「不，這並不成立」。網絡負責讀；符號那一部分負責推理——而那份推理，在構造上就是可靠的。
網絡讀懂詞句；邏輯引擎來推理——推理在構造上就可靠。
神經符號AI是一個有前景的想法，而不是一個主導或已解決的範式。那種清爽的分工——神經感知加符號邏輯——熔合起來比聽上去要難，而多數能用的系統都是鬆散的流水線，而非天衣無縫的混合體。它是一個針對純神經網絡侷限的嚴肅押注，目前仍在受檢驗。