神经符号AI（neuro-symbolic AI）
/ NOOR-oh sim-BOL-ik AY-EYE /
神经符号AI，试图把AI两大长期对立的伟大传统结合起来：神经网络，从堆积如山的数据里学习模糊的模式（擅长感知——认出一只猫、一段嗓音、一个句子），与符号AI，操作明确的规则与逻辑（擅长精确推理——算术、证明、严格按步骤来）。它寄望于兼得两者之长：学习的直觉与灵活，加上逻辑的严谨与可靠。
动机在于：每个传统都有一个刺眼的弱点，恰好被另一个补上。神经网络强大，却晦涩难解、在精确推理上不可靠——它会信心十足地把算术搞砸，或自相矛盾。纯符号系统精确、可解释，却脆弱：现实一旦不合它手写的规则，它就崩裂，而且它无法从原始数据中学习。一个神经符号系统，或许会用一个神经网络去读懂一个杂乱的真实场景，再用一个符号引擎去对它所发现的东西作清爽的推理——感知交给网络，逻辑交给规则。
对它的处境要有分寸。这个愿景既诱人又古老，也确有真切的成功（比如，一个语言模型写出形式逻辑或代码，再由一个可靠的外部求解器去执行——神经的直觉，把精确的活儿交给一个符号工具）。但要把模糊的学习与清爽的逻辑干净地熔为一体，已被证明是真的难；许多「神经符号」系统，与其说是深度融合，不如说是松散的流水线，而它也并非主导范式。它是一个严肃、活跃的研究方向，也是一个针对「纯神经网络之局限」的合理押注——而不是一份已解决的配方，或一个板上钉钉的未来。
问「如果所有玫瑰都是花，而有些花凋谢得很快，那么所有玫瑰都凋谢得很快吗？」，一个纯神经模型可能凭模式匹配，信心十足地答错「是」。神经符号的做法，则让网络把这些词翻译成形式逻辑，再交给一个逻辑引擎，后者正确地回答「不，这并不成立」。网络负责读；符号那一部分负责推理——而那份推理，在构造上就是可靠的。
网络读懂词句；逻辑引擎来推理——推理在构造上就可靠。
神经符号AI是一个有前景的想法，而不是一个主导或已解决的范式。那种清爽的分工——神经感知加符号逻辑——熔合起来比听上去要难，而多数能用的系统都是松散的流水线，而非天衣无缝的混合体。它是一个针对纯神经网络局限的严肃押注，目前仍在受检验。