语言模型只是起点：神经符号AI的复兴与挑战（1）

大型语言模型的迅猛崛起，正在改变我们对人工智能边界的理解。从文本生成、自动翻译到程序撰写、逻辑问答，AI似乎越来越接近“通用性”的幻象。但随着这些系统被广泛应用，人们也愈发察觉其中缺失的某些本质能力：推理的可靠性、知识的结构性、理解的稳固性，常常在最需要时显得脆弱而失控。

语言的流畅无法替代对世界的理解。即使模型能够模仿专家的表达，它仍然无法判断自身所言是否真实、合理、符合因果。这并非数据不够、算力不足，而是架构本身的局限决定了它只能游走在统计的表面。

而在AI的发展长河中，另一条曾被边缘化的路径，正逐渐回到核心视野：将符号推理与神经网络结合，构建既能感知、也能思考的智能系统。神经符号AI，这个曾在历史长河中数次浮现又退潮的概念，如今因语言模型的成功与局限，而被重新赋予生命力。

符号与连接主义的鸿沟，源远流长。20世纪的人工智能先以符号主义为旗帜，希望用形式逻辑、知识表示与推理规则模拟人类心智。SHRDLU等系统曾在受控世界中展现出惊人的理解能力——就像一个生活在积木世界里的机器人，能理解诸如“把红色方块放到蓝色球的右边”这样的指令，并正确执行。

但正是这种“控制性”暴露了问题：面对现实世界的模糊、变化、歧义，这些系统不堪一击。它们太依赖人为知识，太缺乏经验学习。

相对而言，联结主义在感知任务中更具生命力。深度学习的兴起将AI推入数据驱动的黄金时代。从图像识别到语言生成，神经网络展现出前所未有的泛化与拟合能力。AlphaGo击败人类棋手、GPT生成新闻与诗歌，这些成就令世界惊叹。

但胜利背后，问题依旧：这些系统真的“理解”了任务吗？还是仅仅掌握了复杂的相关性？比如，GPT可以写出一篇风格模仿莎士比亚的十四行诗，却可能无法判断诗中的比喻是否成立，甚至在逻辑上自相矛盾。

更实际的例子是，让AI回答：“一个人把冰箱门打开，放进了一只大象，然后关上门，这合理吗？”语言模型可能会严肃地回复“操作完成”，而不是指出整个情境在现实中根本无法实现。

这正暴露出：神经网络所缺失的，不是数据，而是结构；不是信息，而是规则；不是生成能力，而是推理能力。

某些能力无法单靠“看见大量例子”而获得。例如数学证明、程序组合、因果建模、人类意图的识别与解释。这些任务需要明确的边界、规则的可组合性、概念之间的层级与结构。它们更像是语言背后的隐性逻辑，而不是语言表面的统计结构。

Yann LeCun的智能架构设想，给这一融合路径提供了形象轮廓。他提出的模块化智能体不再是一个“大脑式”的统一模型，而是多个功能明确、交互协作的子系统：感知模块处理图像与声音，世界模型模拟环境动态，规划器生成目标路径，记忆系统存储经验与结构化知识。

我们可以把它比作一个“团队智能体”：感知模块像是负责收集信息的侦查员，世界模型是地图绘制者，规划模块是战略制定者，记忆模块则是档案管理员，而最终的行动执行需要它们互相协作。

（未完待续）