推进大语言模型中的符号集成：超越传统神经符号AI
人工智能
2025-10-27 v1
摘要
LLM在高风险领域展现了高效的学习、类人响应生成和决策能力。然而，这些模型仍然是黑箱，因为它们难以确保响应的透明度。文献中探索了许多解决LLM透明度挑战的方法，包括神经符号AI(NeSy AI)。NeSy AI方法主要是为传统神经网络开发的，并不完全适用于LLM的独特特征。因此，对于如何将符号AI有效集成到LLM中，目前缺乏系统性的理解。本文旨在通过首先回顾已建立的NeSy AI方法，然后提出一种新颖的LLM符号集成分类法，以及将符号技术与LLM融合的路线图来弥补这一空白。该路线图通过在这些类别内组织现有文献，引入了一个跨越四个维度的新分类框架。这些维度包括LLM不同阶段的符号集成、耦合机制、架构范式，以及算法和应用层面的视角。本文全面识别了当前基准、前沿进展和该领域内的关键空白，以提出未来研究的路线图。通过强调最新发展和文献中的显著空白，它为实施将符号集成到LLM中以增强透明度的框架提供了实用见解。
引用
@article{arxiv.2510.21425,
title = {Advancing Symbolic Integration in Large Language Models: Beyond Conventional Neurosymbolic AI},
author = {Maneeha Rani and Bhupesh Kumar Mishra and Dhavalkumar Thakker},
journal= {arXiv preprint arXiv:2510.21425},
year = {2025}
}