用于理性推理的球面神经网络

大型语言模型（LLM），例如 ChatGPT，其成功体现在全球范围的流行度、类人沟通能力以及稳步提升的推理性能上。然而，LLM 是否真正进行推理仍不清楚。如何对传统神经网络进行质的扩展，使其超越统计范式并实现高级认知，是一个悬而未决的问题。在此，我们通过将计算构建块从向量推广到球面，提出一种新颖的质的扩展。我们提出球面神经网络（SphNN），通过模型构建与检验实现类人推理，并针对人类理性的缩影——三段论推理——开发了 SphNN。SphNN 是一种分层的神经符号 Kolmogorov-Arnold 几何图神经网络（GNN），利用邻域空间关系的神经符号转换映射，将当前球面构型向目标构型变换。SphNN 是首个无需训练数据、在一个 epoch 内即可判定长链三段论推理有效性的神经模型，其最坏计算复杂度为 O(N)。SphNN 可演化为多种推理类型，如时空推理、带否定与析取的逻辑推理、事件推理、神经符号统一以及幽默理解（最高层次的认知）。所有这些都暗示了一种新型的赫伯特·A·西蒙剪刀，具有两片神经刀刃。SphNN 将极大促进跨学科合作，以发展这两片神经刀刃，实现确定性神经推理与人类有限理性，并将 LLM 提升为可靠的心理 AI。本研究表明，球面的非零半径是阻止传统深度学习系统进入理性推理领域并导致 LLM 陷入幻觉沼泽的缺失组件。