面向计算机科学的数理逻辑系统建模与推理_“神经+符号”：从知识图谱角度看认知推理的发展...

具有推理、可解释性等能力的认知智能是未来人工智能重要的发展方向之一。本文将首先探讨“符号”和“神经”系统在认知推理方面的特点，然后从知识图谱的角度结合技术的发展历程，探讨实现“符号+神经”理想认知智能系统的关键问题和挑战。

前言

在过去十年的人工智能浪潮中，以深度学习为代表的人工智能技术已基本实现了视觉、听觉等感知智能，但依然无法很好地做到思考、推理等认知智能。因此，具有推理、可解释性等能力的认知智能研究毫无疑问将越来越受到重视，成为未来人工智能领域重要的发展方向之一。

研究人员的嗅觉无疑是最敏锐的。例如，ACM图灵奖获得者约书亚·本吉奥(Yoshua Bengio)在NeuIPS 2019的特邀报告中明确提到，深度学习需要从系统1(System 1)到系统2(System 2)转化。这里所说的System 1和System 2是指认知科学中的双通道理论，其中System 1表示直觉的、快速的、无意识的、非语言的、习惯的认知系统，这也是目前深度学习技术擅长的事情；System 2则表示慢的、有逻辑的、有序的、有意识的、可用语言表达以及可推理的系统，这是未来深度学习需要着重考虑的研究方向。

神经系统和符号系统的特点

从更宏观的角度来看人工智能，System 1对应的是神经(Neural)学派， System 2则对应符号(Symbolic)学派，本吉奥所提的System 2关于深度学习的想法与“神经+符号”的人工智能目标基本一致。沿着这一点追溯，我们可以发现另一位ACM图灵奖得主马文·明斯基(Marvin Minsky)早于1986年在《心智社会》(The Society of Mind)一书中就清楚地阐述了人工智能和认知心理学(即System 1和System 2)之间的关系，并深入分析了人工智能中的神经系统和符号系统各自的特点和结合的可能，如图1所示。

从宏观再到具体，以数据的对象、存储以及应用来说，无论是神经系统还是符号系统，数据建模的目的都是求解给定输入问题的答案，如图2所示。但不同之处在于，神经系统擅长处理非结构化的数据(如文本等)，目前的主流模型以端到端为主，常见的应用场景有机器翻译、语音识别、简单问题智能问答(如，姚明的身高是