以AI母语进行解释：神经模型中的原生符号推理

我们提出了一个框架，使神经模型发展出一种AI母语，即一种原生符号语言，它同时支持直观推理、组合符号链和固有的可解释性。与事后解释方法不同，我们的方法将推理直接嵌入到模型的表示中：符号捕获有意义的语义模式，链追踪决策路径，门控归纳机制引导选择性关注，从而产生透明且灵活的推理。我们引入了互补的训练目标以增强符号纯度和决策稀疏性，并采用顺序专业化策略，首先构建广泛的符号能力，然后精炼直观判断。在AI任务上的实验展示了具有竞争力的准确性以及可验证的推理轨迹，表明AI母语可以作为神经模型中可解释性、直观性和符号推理的统一机制。