在过去的十年里，人工智能技术尤其是深度学习已经取得了显著的进展，但在思考和推理等认知智能方面仍然存在不足。近日，哈尔滨工业大学计算机学院的副研究员丁效，在AI TIME青年科学家——AI 2000学者专场论坛上，就基于神经符号的认知推理方法进行了报告，并分享了最新进展。
今天，我们将探讨如何通过融合神经网络与符号系统来提高人工智能的认知能力。我们将首先回顾一下当前的人工智能发展阶段，然后分析现有方法在处理自然语言任务时的一些局限性。在此基础上，我们将介绍三种融合神经网络与符号系统的方法，以及它们如何被应用于文本推理任务中。
首先，让我们回顾一下人工智能目前的情况。尽管深度学习已经实现了视觉和听觉感知等功能，但在复杂知识推理方面仍然落后。此外，预训练模型虽然表现出色，但对知识推理能力和可解释性仍有提升空间。
为了解决这些问题，我们需要开发新的计算范式，即结合基于感知深度学习和基于认知符号计算的优势。这意味着我们需要找到一种方式，将传统符号表示（如分词）与分布式表示（如低维稠密向量）相结合，以便更好地理解语义信息并执行复杂推理任务。
接下来，让我们详细讨论这三种融合神经网络与符号系统的手段：
神经网络执行符号推理：这种方法可以帮助泛化单词之间关系，同时利用自然逻辑进行多项选择问答任务。
注入符号知识到神经网络：通过设计损失函数、正则化约束或数据增强，可以使得模型能够理解并使用来自知识库中的规则。
无缝融合两者：这是一个更加全面且开放性的策略，它不仅仅依赖于单一形式，而是尝试找到一种平衡点，使得两个世界能够共存互补。
最后，我想强调的是，要真正实现“类人”式的人工智能，我们需要在语义生成、文本理解、常识学习以及自我学习等四个方面做出努力。而文本推理作为一个核心组成部分，不仅涉及蕴含关系、因果关系以及故事结尾预测，还源自双过程理论，即直觉系统和逻辑系统。在实际应用中，这意味着要考虑如何让模型既能快速作出直觉判断，又能精确地进行逻辑 推导。这是一个具有挑战性的目标，但也是未来研究方向的一个重要方向。
