Brandon C. Colelough和William Regli分别来自University of Maryland, College Park，该文发表于2024年，并收入CEUR Workshop Proceedings。文章为一篇系统性综述，题为“Neuro-Symbolic AI in 2024: A Systematic Review”，围绕2020年至2024年神经符号人工智能（Neuro-Symbolic AI）的研究展开，研究方向涵盖学术背景、技术方法、主要成果以及未来挑战。以下对该综述的主要内容进行详细介绍。

论文主题与研究背景

神经符号人工智能（Neuro-Symbolic AI）是人工智能领域的一个重要分支，融合了符号人工智能（Symbolic AI）与亚符号人工智能（Sub-Symbolic AI）。符号人工智能以知识图谱、逻辑推理为基础，而亚符号人工智能则包括机器学习、深度学习等方法，能够从数据中自动提取模式。近年来，深度学习等亚符号方法虽然表现出强大的能力，但缺乏推理和逻辑能力。在此背景下，神经符号人工智能被视为结合二者优势的混合型解决方案，试图实现更智能、更可靠的人工智能系统。

作者选择这一主题的目的在于，通过系统性综述总结2020年至2024年间神经符号人工智能的研究进展，识别该领域当前的研究主题、研究方法，以及存在的研究空白，推动这一领域的进一步发展。

论文的主要观点和贡献

文章从以下几个方面展开： 1. 神经符号人工智能定义与研究背景； 2. 各个核心研究领域的发展情况； 3. 文献筛选方法和分类； 4. 神经符号人工智能在2020至2024年的研究趋势； 5. 研究发现与现存挑战。

以下是各个主要观点与细节阐释。

核心研究领域和方法论

文章定义了五大研究领域和方向： 1. Knowledge Representation（知识表达）
神经符号人工智能在这一领域的研究集中表现为符号与神经表征的结合——通过知识图谱（如commonsense和事件图谱）构建领域特定或通用的知识库。此外，研究探索使用神经网络优化数据的高效表示，并提升语义嵌入和关系预测的能力。

1. Learning and Inference（学习与推断）
   这一领域的重点在于集成神经网络（学习能力）和符号逻辑（推理能力），以大幅提升AI模型的泛化能力、问题解决能力和决策效率。研究具体探讨如何将逻辑性学习（如逻辑张量网络）与神经学习的灵活性相结合，扩展至多任务、跨领域的学习问题中。

2. Explainability and Trustworthiness（可解释性和可信性）
   尽管神经网络具备强大的表现力，但缺乏可解释性妨碍了它在实际场景中的应用。研究在这一方向集中于增强逻辑模型的透明度并提升用户对AI模型的信任，比如开发可生成透明决策路径的逻辑推理器，解决AI模型的语义清晰性问题。

3. Logic and Reasoning（逻辑与推理）
   重点为结合符号逻辑与概率模型增加复杂推理能力。例如研究成果包括增强传统逻辑编程能力的DeepStochLog和支持多跳推理的LinkBERT模型。

4. Meta-Cognition（元认知）
   元认知为一个新兴子领域，讨论AI系统通过自我监控、自我评估优化学习和推理流程的潜力。研究聚焦开发能具备自适应学习能力和反思能力的元认知框架。

作者通过分析现有文献，对上述五个研究领域进行了进一步分类，并指出元认知是最不成熟但潜力巨大的方向。

文献筛选与研究趋势

作者采用PRISMA方法从IEEE Explore、Google Scholar、arXiv、ACM以及SpringerLink五个数据库中筛选相关文献。从1428篇初筛论文中，排除重复以及不符合可追溯性标准的文献后，最终筛选出158篇研究论文。这些文献被分类到上述五个领域中，并进一步分析领域交叉研究的情况。

研究表明，从2020年开始，神经符号人工智能研究呈现指数级增长，到2023年达到巅峰（236篇发表论文）。

各领域研究进展与代表性成果

知识图谱与知识表达

研究成果包括开发领域特定的知识图谱（如ConceptNet），以及利用ASM（少样本学习）方法将符号信息与少量任务数据结合提升推理效率。例如NeuroQL语言减少了符号表达构建的时间成本，提升了表达的动态适应性。

学习与推断

如计划生成架构Plan-SoFAI，通过统一逻辑推理与深度学习解决复杂任务；零镜像架构ZeroC通过慢、快思维的结合，增强了模型的概念更新能力。

可解释性与可信性

Semantic Revisions等技术通过明确AI决策过程中的语义，提升了模型的过程透明性。此外，FactPegasus研究提出了增强摘要可信性的训练和微调机制。

逻辑与推理

这一领域的研究成果之一为DeepStochLog，通过深度学习增强符号逻辑任务的处理复杂性并提升多跳推理能力，如Kogito模型结合语义理解完成复杂文本分析任务。

元认知

尽管此领域的研究相对稀少，但一些概念框架已经提出。例如通过强化学习结合逻辑推导改变问题解决策略，构建出能够动态自适应的学习系统。

挑战与研究空白

文章指出以下四个领域研究进展速率差异较大： 1. 可解释性与可信性研究仍未达到实用化需求； 2. 元认知研究过于初期，亟需开发自监控和自调整的框架； 3. 学科交叉研究相对分散，整合潜力被低估。

此外，知识表达与推理领域的研究远多于可解释性与元认知，这可能会阻碍AI的实际可靠性。

论文意义与未来研究展望

研究价值

1. 丰富了2020年后的神经符号人工智能文献分析；
2. 提出了一个包含五大领域的研究分类框架，有助于统一未来研究方向。

实践意义

1. 能够指导学界与工业界在交叉领域的创新实践；
2. 为推动可解释性AI和元认知AI提供了初始理论支撑。

未来方向

研究需整合所有五个领域，并加强可解释性和元认知部分的研究，从而实现更加智能、可靠和自适应的AI系统。

总结

这篇综述系统性评估了近五年神经符号人工智能的研究进展，厘清了主要研究主题及方向，指出了存在的研究空白和挑战，同时为相关领域未来发展提供了有益建议。