Nature重磅發文：深度學習x符號學習，是AGI唯一路徑！

新智元報道

編輯：KingHZ

【新智元導讀】憶往昔，符號AI曾以規則邏輯統領江湖；今朝卷土重來，它攜手神經網絡，直指AGI！

這幾年，大模型多次讓人驚艷：聊天像真人、寫作像專家、畫畫像大師，仿佛「萬能AI」真的要來了。

但AI領域的權威們已經開始潑下一盆冷水：

只靠「神經網絡」，遠遠不夠通往人類級智能。

美國人工智能促進協會（AAAI）向會員發出提問：

• 未來，計算機能否達到、甚至超越人類智力？

• 如果可以，單靠當下火爆的神經網絡行不行？

絕大多數研究者給出的答案是——不行。

真正的突破，恐怕要靠老牌選手「符號派AI」與神經網絡聯手登場。

符號AI：起死回生

在歷史上，符號派AI曾是主角——它相信，世界可以被規則、邏輯和清晰的概念關系窮盡刻畫：

像數學那樣精確，像流程圖那樣可追溯，像生物分類法那樣層次分明。

后來，神經網絡崛起，用「從數據中學習」的范式席卷整個領域。

大模型與ChatGPT成為這個時代的技術圖騰，而符號系統被邊緣化，幾乎只剩下教科書上的一段歷史。

然而，自2021年前后開始，「神經–符號融合」急速升溫，被視為打破單一神經網絡話語權的一次反撲：

它試圖把統計學習與顯式推理拼接在一起，不僅為了追逐通用智能這一遠目標，更為了在軍事、醫療等高風險場景中，提供一種人類仍能「看得懂、追得回去」的智能形態。

目前，已經有一些頗有代表性的神經符號AI系統問世。

比如，DeepMind去年發布的AlphaGeometry，可以穩定解出面向優秀中學生的數學奧林匹克競賽題。

但要把神經網絡和符號主義AI真正融合成通用的「全能AI」，仍然極其棘手。這種系統如此復雜，馬里蘭大學計算機科學家William Regli感嘆道：

其實，你是在設計一個「雙頭怪物」架構。

苦澀的教訓，沒有盡頭的爭論

2019 年，計算機科學家Richard Sutton公開了短文《苦澀的教訓》（The Bitter Lesson）。

他指出，自20世紀 50 年代以來，人們反復假設：

在物理學到社會行為等各個領域，人類總結出世界規則，然后灌輸給計算機。

這是制造智能計算機的最佳方法。

Sutton寫道，我們要吞下的「苦果」是：利用海量原始數據和擴大的計算能力來撬動「搜索與學習」的系統，一次又一次地戰勝了符號方法。

例如，早期的國際象棋計算機依賴人類設計的策略，結果卻敗給了那些僅僅被喂食了大量對局數據的系統。

神經網絡的支持者廣泛引用這一教訓，用于支持「把系統做得越來越大是通往AGI的最佳路徑」這一觀點。

但許多研究人員認為，這篇短文言過其實，低估了符號系統在AI中能夠且正在發揮的關鍵作用。

例如，當今最強的國際象棋程序Stockfish就將神經網絡與允許走法的符號樹（symbolic tree）結合在了一起。

神經網絡和符號算法各有利弊。

• 神經網絡由多層節點組成，通過加權連接在訓練過程中進行調整，以識別模式并從數據中學習。它們速度快且富有創造力，但也注定會編造內容（即產生幻覺）。而且如果問題超出訓練數據范圍，它們無法可靠地回答。

• 符號系統則難以涵蓋人類語言等「模糊」的概念，因為這涉及構建龐大的規則數據庫，且構建難度大、搜索速度慢。但它們的運作機制清晰，擅長推理，能利用邏輯將通用知識應用于全新的情境。

當被應用于現實世界時，缺乏符號知識的神經網絡會犯下典型的低級錯誤。

比如，AI生成的圖像可能會畫出每只手有六根手指的人，因為它們沒有學到「手通常有五根手指」這一一般概念（general concept）。

一些研究人員將這些錯誤歸咎于缺乏數據或計算能力。

但其他人則認為，這些錯誤揭示了在泛化知識（generalize knowledge）和邏輯推理（reason logically）方面，神經網絡根本就無能為力。

許多人認為，「神經網絡+符號機制」可能是向AI注入邏輯推理的最佳——甚至是唯一——的方法。

例如，全球科技巨頭IBM正在押注神經符號技術（neurosymbolic techniques），將其視為通往 AGI 的路徑。

但其他人對此仍持懷疑態度：現代AI之父之一Yann LeCun曾表示，神經符號方法「不兼容」深度學習機制。

Richard Sutton堅持自己最初的觀點，并告訴《自然》雜志：

「苦澀的教訓」仍然適用于今天的AI。

Richard Sutton現任阿爾伯塔大學計算機科學教授，獲2024年圖靈獎；2017年至2023年期間，他曾擔任DeepMind杰出研究科學家

他說，這表明「添加符號化的、更多人工構建（manually crafted）的元素可能是一個錯誤」。

Gary Marcus是AI企業家、作家和認知科學家，也是神經符號AI最直言不諱的支持者之一。

他傾向于將這種意見分歧描述為一場哲學之戰，并認為戰局正朝著有利于他的方向定調。

另一些人，如麻省理工學院的機器人學家Leslie Kaelbling則認為，爭論哪種觀點正確純屬「自討苦吃」，人們應該專注于任何行之有效的方法。

她說：「我就像一只喜鵲（magpie）。只要能讓我的機器人變得更好，我會采納任何方法。」

雙頭怪獸：取長補短

盡管神經符號AI的核心愿景非常明確——即融合神經網絡與符號學派的雙重優勢，但其具體定義在當下仍顯得有些模糊。

Marcus直言，神經符號AI囊括了「一個浩瀚無垠的宇宙」，而我們目前的探索，「不過是滄海一粟」。

業界涌現出多種技術路徑，研究者們也嘗試從不同維度對其進行歸類。

其中，備受推崇的一條主流路徑是：利用符號技術來「加持」神經網絡。

AlphaGeometry無疑是這一策略中最精妙的集大成者。它的運作機制是：先利用符號編程語言生成海量的數學題（即合成數據集），再用這些數據去訓練神經網絡。

這種方法不僅讓解題過程更易于驗證，還確保了極低的錯誤率。Colelough評價道，這是一種「優雅的融合」。

另一個典型案例是「邏輯張量網絡」（Logic Tensor Networks）。

它提供了一種將符號邏輯編碼進神經網絡的方法。

在這種網絡中，陳述不再是非黑即白，而是被賦予一個「模糊真值」（Fuzzy-truth Value）——即介于1（真）與0（假）之間的數值。這就構建了一套規則框架，輔助系統進行邏輯推理。

另一條廣闊的路徑則反其道而行之：利用神經網絡來「巧解」傳統符號算法的難題。

符號知識庫往往面臨一個棘手痛點：體量過于龐大，導致搜索極其耗時。

以圍棋為例，其所有可能走法構成的「搜索樹」包含了約$$10^{170}$$個盤面位置，這是一個無法靠暴力計算來窮盡的天文數字。

而神經網絡可以被訓練來預測那些「最有勝算」的落子方向，從而大幅修剪需要搜索的「分枝」，讓系統能以極快的速度鎖定最佳走法。

這也正是當年谷歌的AlphaGo的制勝法寶——

憑借這一機制，它在舉世矚目的對決中擊敗了人類圍棋冠軍。

參考資料：

https://www.nature.com/articles/d41586-025-03856-1

秒追ASI

?點贊、轉發、在看一鍵三連?

點亮星標，鎖定新智元極速推送！