信息来源：人大高瓴人工智能学院 发布时间：2025年12月22日

    在小说阅读器中沉浸阅读「硅基温度-牛导力荐」栏目，每周力邀一位AI领域的顶尖导师，从浩如烟海的论文中，亲自为您挑选一篇“必读好文”。它或许预示着一个崭新的方向，或许内藏着一个精妙的巧思。

在这里，让最具慧眼的领路人，带你穿透信息的迷雾，触摸AI未来的脉搏。

推荐人：曹朝

中国人民大学高瓴人工智能学院 教授

曹朝老师曾任华为泊松实验室主任、华为云EI（企业智能）服务产品部架构与设计部负责人（大模型、大数据、昇腾云技术首席架构师）、华为搜索技术工作组组长、华为区块链技术工作组组长；曾主导从0-1打造华为搜索引擎内核和区块链内核，在华为核心产品和服务中发挥关键作用。主要研究方向为智能体、大模型、信息检索、分布式系统，在相关领域发表论文30余篇，申请专利20余项，主导编写的《区块链技术及应用》获评高被引图书TOP 1%。

引言：大模型的反思潮

在过去十多年里，人工智能几乎与大模型画上等号。神经网络、参数规模、算力与数据，被普遍视为通向智能的唯一正道。从深度学习在视觉、语音和自然语言处理上的突破，到大型语言模型在生成与对话任务中的惊艳表现，这一技术路线在工程层面取得了无可争议的成功。

然而，就在公众沉浸于大模型的生成奇迹时，研究界却悄然掀起一场深刻的反思潮。Nicola Jones于2025年12月在《Nature》发表的文章How good old-fashioned AI could spark the field’s next revolution，显得尤为耐人寻味。文章并未沿着“模型更大、数据更多”的既定叙事继续推进，而是提出了一个看似“逆潮流”的判断：人工智能的下一次革命，可能并不来自更大的神经网络，而源于与一种“老派”思想——符号人工智能的重新结合。

这一判断之所以重要，并不在于它是否“正确”，而在于它揭示了一种正在浮现的期待或共识：随着AI系统被赋予越来越复杂的任务，仅靠统计学习和端到端优化，似乎越来越难以支撑对“类人智能”的期待。文章并不是呼吁回到早期那种规则驱动、人工编码的符号系统，而是明确指出：真正的突破，可能来自数据驱动与规则驱动之间的动态平衡，即神经符号AI（Neurosymbolic AI）。换言之，问题的关键不再是“选择哪一种范式”，而是如何在两种长期被视为对立的范式之间建立有效协同。

这种判断并非出于怀旧情绪。文章引用了AAAI在2025年初对其会员进行的一项调查，问题直指当前AI研究的核心假设：仅靠神经网络，是否足以实现类人智能？调查结果颇具指向性——大多数研究者给出了否定回答。他们认为，若要实现人类水平的智能，仍然需要大量借助一种更“老派”的方法：符号AI。对一个长期由深度学习主导的研究领域而言，这样的共识本身，就已经表明现有技术路线正在遭遇方法论层面的压力。

符号AI、大模型、神经符号AI间的关系

要理解这种反思为何会出现，首先需要重新审视符号人工智能在整个AI发展史中的位置。符号AI，有时也被称为“良好传统的AI”（Good Old-Fashioned AI，GOFAI），其核心思想是通过形式化符号、显式规则以及概念之间的逻辑关系来构建智能系统。数学表达式、if-then规则、程序语言、流程图或维恩图，都是这种范式的典型工具。与神经网络相比，符号系统最大的特点在于其推理过程是显式且可解释的，系统行为可以被追溯、检查和验证。

在20世纪后半叶，符号方法曾长期占据AI研究的主流地位，尤其在逻辑推理、定理证明和规划问题上表现突出。然而，随着问题规模的扩大和应用场景的复杂化，符号系统逐渐暴露出难以回避的局限：规则获取高度依赖人工，规则库一旦扩展便迅速引发搜索空间爆炸，对噪声、不确定性和自然语言输入也极为敏感。进入2010年代后，深度学习在感知与语言任务上的突破，使得研究重心迅速转向数据驱动方法，符号AI由此被边缘化。

但正如《Nature》文章所强调的那样，符号AI的式微，并不意味着其核心思想已经被证明是错误的。相反，它更多反映的是在当时的工程条件下，这一范式难以扩展到真实世界的复杂问题中。随着算力、数据规模和学习算法的进步，研究者开始重新意识到：符号系统的价值并不在于“独立承担一切”，而在于其在逻辑一致性、结构表达和可验证推理方面所具备的独特优势。

正是在这一背景下，“神经符号AI”逐渐受到关注。文章指出，自2021年左右开始，相关研究的数量和热度持续上升。这一趋势并非偶然，而是源于对神经网络优势与局限的双重认知。一方面，神经网络在模式识别和表示学习方面表现出色，能够从海量数据中提取复杂结构；另一方面，当任务涉及长程推理、因果关系、约束满足或可解释决策时，单纯依赖统计学习往往显得力不从心。将两种方法结合，被视为突破这一僵局的潜在路径。

这种转向并非情绪化反弹，而是源于对神经网络优势与局限的系统性反思。神经网络与符号系统各自的优势与不足。神经网络由大量节点和层级构成，通过训练从数据中学习模式，能够快速适应复杂输入，并在许多任务中展现出类似“创造性”的行为。然而，其内部表示高度分布化，推理过程难以解释，且容易出现所谓的“幻觉”现象——生成看似合理却事实错误的结果。相比之下，符号系统的工作原理清晰，擅长逻辑推理和规则约束，具有良好的可解释性，但在面对自然语言等高度复杂、规则难以枚举的问题时，构建和维护规则库的成本极高，搜索效率也难以保证。

不可否认，深度学习在工程层面解决了多个长期难题：它摆脱了人工规则设计，通过数据自动学习特征；在视觉、语音和语言建模等感知任务上取得了压倒性成功；大型语言模型甚至在部分任务中表现出超越人类的生成能力。然而，正如《Nature》文章通过多个实例所暗示的那样，这些成功并不意味着神经网络真正“理解”了世界的结构。

神经网络更像是在高维空间中拟合模式，而非显式操纵概念与关系。这种差异在复杂推理场景中逐渐显现为一系列问题：模型可能生成语法完美却事实错误的内容；图像模型会画出六根手指的手；视频模型难以稳定遵守基本物理规律；一旦输入分布发生变化，性能迅速下降。这些现象并非简单通过“增大参数规模”就能自然消失，它们指向的是表示与推理层面的结构性不足。

围绕是否应引入符号机制，研究界并非没有争议。2019年，计算机科学家Richard Sutton提出了著名的“苦涩教训”（The Bitter Lesson），认为从1950年代以来，依赖人类先验知识和规则的系统，几乎总是被依靠数据和算力的大规模学习方法所超越。在这一观点看来，向系统中重新引入符号结构，可能是一次历史性的倒退。

然而，这一判断并未终结争论。包括Gary Marcus在内的研究者指出，这更像是一场关于智能本质的哲学分歧，而现实系统的成功经验正在不断削弱“纯神经路线”的排他性。事实上，当前最强的棋类引擎之一Stockfish，本身就是神经网络评估函数与符号搜索树结合的产物，这一事实本身就说明，纯神经模型并非唯一可行路径。

对神经符号融合的实现方式

在具体实践中，神经符号AI并不存在单一实现路径。存在多种融合策略：有的工作利用符号方法增强神经网络，例如通过符号生成的数据来训练模型，从而提高输出的可验证性；有的工作则利用神经网络为符号搜索提供启发式指导，大幅缩小原本无法穷举的搜索空间。AlphaGo和AlphaGeometry正是这一思路的典型代表：神经网络不再直接给出答案，而是预测哪些候选更有希望，真正的正确性由符号推理系统来保证。

这些案例共同揭示了一个更深层的转变：神经符号AI并不是折中方案，而是一种结构性升级。在这种框架下，神经网络与符号系统不再争夺“智能的中心位置”，而是承担不同、互补的功能。神经网络负责感知、表示学习和启发式判断，估计哪些路径或假设更值得探索；符号系统则负责维护结构、执行约束，并提供可检查、可验证的推理过程。学习不再试图替代推理，而是为推理提供方向。

将这一视角延伸到当前的大模型与智能体研究中，其启示尤为直接。尽管《Nature》文章并未显式讨论LLM Agents，但其思想与这一研究方向高度同构。现实世界中的智能体任务往往具有多约束、可组合子任务以及可解释、可追责的需求，而这些恰恰是符号结构的优势所在。文章隐含的判断是：大模型更适合作为“认知前端”，用于理解、生成和启发，而非承担完整的规划与验证职责。这与当下流行的工具调用、规划-执行分离以及基于图的记忆结构不谋而合。

由此也可以看到，一个重要的研究转向正在发生：从端到端黑盒最优，走向模块化、可验证、可演化的智能系统。神经符号融合不再只是技术选项，而逐渐成为构建复杂智能体时的结构性需求。

结语：走向“理解型”AI

当然，融合本身的难度也不能低估。如何在连续的神经表示与离散的符号表示之间建立稳定接口，如何防止系统复杂度失控，是否需要新的硬件架构来支持混合推理，以及如何评测融合系统的智能水平，这些问题都尚未得到完整答案。也正因如此，这篇《Nature》文章的真正价值，并不在于给出确定结论，而在于提醒研究者：人工智能的发展，或许正在进入一个需要重新思考“智能结构”的阶段。

如果说过去十年是规模驱动的革命，那么接下来的十年，很可能是结构与认知驱动的革命。“老派AI”的回归，并非历史倒退，而是一种更高维度的整合。在这一过程中，神经网络发现新模式、新规则和新概念的能力，或许最终将与符号系统的结构化推理相结合，使AI不仅模仿人类已有的知识体系，而能够推动人类对世界的理解本身不断向前。