一句话定义
神经符号 AI 把神经网络和符号系统结合：神经部分做感知/模式识别，符号部分做规则、逻辑、知识表示和验证，形成可解释、可验证的混合系统。
为什么需要它
纯神经网络擅长感知但难保证严格规则/可解释；纯符号系统可验证但难处理噪声/开放世界。混合架构适合合规、数学、知识图谱和工业控制。
怎么工作
- 神经感知：识别实体/关系/意图。
- 符号表示：转成实体、关系、规则、约束。
- 符号推理：逻辑/SMT/规则引擎/图查询。
- 验证/反例：检查结论是否满足约束。
- 输出答案/动作/证明，可回溯。
符号表示可以是一阶逻辑、知识图谱、约束或程序；集成方式有神经→符号、符号→神经、联合训练。工具包括 SMT、定理证明器、规则引擎和图数据库。评测看正确性、可解释性、覆盖和延迟。案例包括数学证明、合规校验和工业规则；局限是开放世界/常识难覆盖。神经符号不是新概念，但 LLM 让自然语言→符号的接口更容易。关键是把不确定性显式化，而不是假装规则永远对；先从高价值、规则明确的子任务开始，再扩展。评测先行，持续维护规则，再扩展，再验证，再上线。
关键取舍
- 可解释/可验证更强，但接口和工程复杂。
- 神经输出有噪声，符号层要处理不确定/冲突。
- 规则维护成本高；开放世界难穷举。
- 延迟可能高于端到端模型。
常见误区
- 加几条规则就是神经符号：需要表示/推理/验证的闭环。
- 符号系统不需要学习：规则/本体仍需构建/维护。
- 神经符号一定更准：取决于接口和规则质量。
- 只适合学术：工业合规/知识图谱已有落地。
用在哪里
- 合规/风控/工业规则校验。
- 数学/逻辑/程序验证。
- 知识图谱问答与可解释推理。