PEIRCE：通过 LLM 驱动的神经符号细化统一材料与形式推理

AI 中的一个持续性挑战是有效整合材料推理与形式推理——前者关注论证的可信度和情境相关性，而后者关注其逻辑和结构有效性。大型语言模型（LLM）凭借在大规模文本语料上的预训练，展现出强大的材料推理能力。然而，其推理常缺乏形式严谨性和可验证性。同时，LLM 的语言能力使其成为自然语言与形式语言之间有前景的桥梁，为结合这两种推理方式开辟了新机遇。本文引入 PEIRCE，一种神经符号框架，用于通过迭代的猜想-批评过程统一材料与形式推理。在该框架中，LLM 作为生成自然语言和形式语言中候选解的核心角色，然后通过与外部批评模型的交互进行评估和细化。这些批评包括评估形式有效性的符号求证器，以及衡量生成论证在语言和认识维度（如可信度、连贯性和简约性）质量的软评估器。虽然 PEIRCE 是一个通用框架，但我们在自然语言解释生成领域演示其能力——该领域本身需要材料充分性和形式正确性。