语言模型只是起点：神经符号AI的复兴与挑战（2）

当前的神经符号研究方向，已在多个领域展开尝试。

一个典型的方向是将知识图谱融入语言模型。例如，给GPT模型加入结构化数据，如“牛奶属于乳制品”，“乳制品在超市冷藏区”等逻辑关系，就有助于它在回答“哪里能找到牛奶？”时，不只是基于上下文猜测，而是有明确的知识支撑。

另一个方向是程序生成。比如，当你让AI写一个判断“某年是否为闰年”的程序时，正确的逻辑应包括“年份能被4整除，但不能被100整除，除非能被400整除”的规则。这类规则在符号系统中很容易表达，而神经模型往往只是根据训练样例模仿格式，一旦问题稍有变形就可能失败。

在更复杂的任务中，有研究者让神经网络识别图像中的物体与关系（比如“A在B左边，B在C左边”），然后将这些关系交由符号模块推理出“A在C左边”这一结论。这种“感知—逻辑协作”的架构，正在机器人导航、数学题解答、物理建模等场景中逐渐展现潜力。

但融合的难题也不容忽视。比如神经网络是“连续的”——用向量表示信息；而符号系统是“离散的”——用逻辑、语言、图结构表达。如何让它们互相理解？又如何让神经系统在训练时能够考虑逻辑规则？这些都是待解的核心问题。

在实现机制层面，不少研究正在探索“让神经网络自然涌现符号结构”，比如让模型自己学会“循环结构”“因果结构”等模式，而不是显式注入规则。这种方式更灵活，但难以控制。而显式规则虽然可控，但难以学习和泛化。

更深层的问题是：人类的智能到底是符号的，还是经验的？

儿童能从几个例子中归纳出“什么是鸟”，也能用“如果…那么…”的规则判断某物是否会飞。这说明我们既有模式识别的能力，也有规则演绎的能力。而大脑在处理信息时，确实也呈现出“模式与结构并存”的混合特性。

或许我们需要的AI，不是“像人那样说话”，而是“像人那样思考”：能够在感知中抽象规则，在经验中建构结构，在推理中追溯原因。

这意味着，未来的智能系统，也许不再是一个庞大的黑箱模型，而是一组模块化协作的“心智机器”：能看、能听、能问、能思、能记、能改。它们之间的协作，才可能形成我们所说的“通用智能”。

语言模型是一次重要的跃升，但它只是起点。它展示了统计学习的力量，也揭示了结构建模的缺失。真正的智能，可能不止于能写诗、能答题，更在于能建模、能解释、能推理、能适应。

而这一切的转折点，正可能来自神经符号AI这条古老却重生的路径。

（完)