總結：

●   神經符號人工智能融合了人工智能的兩大核心分支：一是從數據中學習識別模式的神經網絡，二是運用明確規則與邏輯得出結論的符號推理系統。

●   它常被稱為人工智能的“第三波浪潮”，因能彌補兩種單一方法各自的短板，已引發科研界與企業界的廣泛關注。

●   該技術已被部分大型企業采用，例如應用于倉庫機器人領域，同時在其他自主系統中也具有廣闊的應用前景。

神經符號人工智能常被稱為人工智能的“第三波浪潮”，因其融合了兩種人工智能類型，得以解決每種類型單獨難以應對的問題。其名稱本身就暗示了它的工作原理。

名稱中的“神經”（neuro）指代神經網絡。自20世紀80年代以來，神經網絡已成為主流的人工智能方法。它們擅長從數據中學習，能夠識別模式，同時也是生成式人工智能系統背后大型語言模型的核心驅動力。

名稱中的“符號”（symbolic）指代符號推理系統。這一技術可追溯至20世紀50年代的第一波人工智能研究，核心是教會計算機遵循清晰的邏輯規則，并據此進行推理。一個符號系統可能包含這樣一條規則：“所有哺乳動物都有肺”，若它已知鯨魚是哺乳動物，便能推斷出“鯨魚有肺”。

在本次問答中，IEEE會士Houbing Song將闡釋這一新興范式為何能同時吸引科研人員與行業領導者的關注。

為何需要將這兩種截然不同的人工智能方法相結合？

神經網絡在未知環境中表現出色，因為它們具備學習能力，但其工作過程往往晦澀難懂。我們無法知曉這些系統是如何做出決策的，這導致其可解釋性較差。符號系統在熟悉環境中效果顯著，因為它們遵循既定規則。但符號系統難以在新場景中進行泛化，因此缺乏魯棒性。

研究人員希望找到一種解決方案，以應對神經網絡（尤其是深度學習）面臨的可解釋性難題，以及符號推理所面臨的泛化性與魯棒性挑戰。

這種“學習”與“推理”相結合的雙重模式，是否受到了心理學或認知科學中特定模型的啟發？

神經符號人工智能借鑒了心理學家Daniel Kahneman的觀點 —— 人類存在兩種思考方式：一種快速且憑直覺，另一種緩慢且具邏輯性。

快速直覺型思考系統擅長模式識別，與深度學習和神經網絡十分相似。緩慢邏輯型思考方式則近似于符號推理系統，擅長規劃、演繹和審慎思考。

一個具備魯棒性、可靠性和可信度的人工智能，需要同時擁有這兩種能力 —— 它既要能學習、推理，也要能與人類互動，接受建議并解答問題。

神經符號人工智能如何改進當今的主流人工智能系統？

與當今的主流人工智能系統相比，神經符號人工智能系統能夠理解其推理和運作所涉及的概念，能根據情境干預適當調整自身行為，并使自身運作符合社會預期與人類意圖。

能否舉一個簡單的現實案例，說明神經符號人工智能在哪些場景下能脫穎而出？從你最近為IEEE智能系統委員會（IEEE Intelligent Systems Council）主講的講座來看，它在自動駕駛領域似乎頗具應用前景。為何神經符號人工智能能改進現有技術？

借助神經符號人工智能的自主系統，將能安全運行并按預期完成任務。例如，部分大型企業正利用神經符號人工智能提升其配送中心機器人車隊的性能、可靠性與安全性。這些企業通過符號推理解決空間相關問題（如確定拾取或放置物品的最佳位置），同時借助神經網絡處理感知類任務（包括圖像分類）。

讓神經符號人工智能落地的最大技術挑戰是什么？

讓神經符號人工智能落地的最大技術挑戰，在于如何將神經網絡與符號推理相融合。研究人員已嘗試多種融合方式 —— 串行運行（即兩個系統依次啟動）、并行運行（即兩個系統同步啟動）、在符號引擎中嵌入神經組件，或是在神經網絡中植入符號引擎。然而，目前尚未找到最優的融合方案。