简介
神经符号学习旨在融合数据驱动的机器学习与知识驱动的符号推理，被认为是突破现有大模型可信可靠性瓶颈、实现下一代人工智能的重要技术途径，得到了政府、学术界、产业界的高度关注。本次Tutorial将系统介绍神经符号学习的基本思想、典型理论框架、代表性方法与发展脉络，并重点讨论在大模型时代，神经符号学习所面临的新机遇与新挑战，围绕大语言模型推理增强、多模态理解与生成、智能体、具身智能等前沿方向，深入分析经典符号主义人工智能方法如何与大模型深度结合，从而提升人工智能系统在复杂开放环境中的知识约束能力、组合泛化能力、长程推理与规划能力、可解释性和可信可靠性。
简介为官网原文，部分内容可能未写完。
人员
嘉宾
- 戴望州 · 南京大学
- 李昊轩 · 北京大学
- 丁尧相 · 浙江大学
- 郭兰哲 · 南京大学
报告安排
神经符号学习发展与未来
戴望州 · 南京大学
简介
神经符号学习旨在融合机器学习与符号推理，以兼顾神经网络感知能力与符号系统严谨推理能力，被认为是实现下一代人工智能的重要技术途径。本次报告将介绍神经符号学习的基本思想，经典神经符号学习的理论基础与代表性方法，重点介绍报告人原创提出的反绎学习（Abductive Learning）范式；在此基础上，结合大模型的发展趋势，进一步探讨神经符号学习在大模型时代面临的新挑战与新机遇，及其在智能推理与规划、智能体等前沿方向中的潜在应用。
大模型的符号逻辑推理
李昊轩 · 北京大学
简介
大模型在各类自然语言任务中取得了显著成功，但其复杂逻辑推理能力仍然存在明显局限。在本Tutorial中，我们基于逻辑问答任务和逻辑一致性两个方面，系统介绍当前大模型符号逻辑推理研究的前沿评测与提升方法。具体而言，为了准确回答复杂逻辑问答任务，已有方法包括调用外部求解器、提示方法和微调训练。为了避免大模型回答间逻辑矛盾，我们将介绍多种逻辑一致性的概念、评估基准与解决方案。此外，我们将讨论大模型符号逻辑推理的未来发展趋势与探索方向。
基于神经符号学习的多模态理解与生成
丁尧相 · 浙江大学
简介
神经符号学习被视为在深度学习模型中注入符号化先验知识的有效方式。如何将符号推理模块有机融入复杂深度学习模型的训练和推理过程是神经符号学习领域的重要挑战。本报告将结合神经符号多模态理解和生成的研究进展，探讨符号中间表示方法，重点介绍（1）如何利用符号中间表示实现对复杂深度学习模型的有效控制；（2）如何基于符号中间表示提升大模型可靠性、可解释性和泛化能力，以期提供应对上述挑战的可行思路。
神经符号智能体
郭兰哲 · 南京大学
简介
近年来，人工智能系统正从单一模型范式逐步迈向具备推理、规划与行动能力的智能体系统。然而，纯大语言模型驱动的智能体在现实应用中仍面临可信可靠性不足、长程规划能力有限、决策结果难以验证等关键挑战。围绕上述问题，本报告将探讨如何将经典符号学习方法与大模型结合，从环境构建、长程规划、世界模型、技能归纳等方面，构建神经符号智能体，提升智能体规划过程的可信可靠性与约束满足能力，促进智能体从简单的反应式决策，到具备长程推理规划、自我修正与自主进化能力的可验证决策智能体演进，并讨论神经符号智能体在旅行规划、具身智能等典型场景的应用。