神经符号人工智能的 RAIL 原则：推理、保证、接口和学习

arXiv:2608.04285v1 公告类型：新 摘要：集成机器学习和符号推理的神经符号人工智能系统正在迅速引起人们的关注。它们用符号推理算法补充了神经网络和语言模型的数据密集型统计方法，以在高风险领域或表征许多现实世界应用的低数据体系中发挥作用。我们认为，机器学习和形式推理的神经符号组合并不是人工智能中的一种小众方法，而是包括许多已经成功的技术，这些技术对于开发可靠、高效且最终值得信赖的系统至关重要。这种观点促使人们重新审视当前人工智能系统的设计。我们表明，许多领先的人工智能系统，包括一些传统上不被视为神经符号的系统，可以从神经符号人工智能设计的四个原则的角度进行分析：推理、保证、接口和学习（RAIL）。应用 RAIL 框架提供了看似不同的 AI 系统的统一视图，范围从物理感知机器学习到神经引导搜索（例如 Google DeepMind 的 Alpha-* 套件）、因果学习和工具增强的大型语言模型。重要的是，RAIL 原则将使工程师能够就生产级人工智能系统的设计和部署做出更明智、更有原则的决策。在本文中，我们介绍 RAIL 原则，研究如何将它们应用于人工智能的主要领域，并说明它们如何指导从业者将神经符号方法集成到下一代人工智能技术中。