2.5.1 神经符号系统的背景
智能系统往往需要兼具感知与认知能力。近年来，神经系统实现了感知智能且具有高效的学习能力，但推理能力差。符号系统实现了认知智能且具有强推理能力，但学习效率差。目前，越来越多的国内
外学者开始尝试结合神经系统与符号系统两者的优点，开发兼具高效学习能力与强推理能力的模型， 该类模型被称为神经符号系统
（neural-symbolic system）。神经符号系统利用神经网络快速的计算能 力和符号强大的表达能力，能够在不同领域的任务上有效学习与推理，实现模型的感知与认知。
解决现实世界很多领域中的问题都需要智能感知与认知，如医学领域中的医疗诊断和自动驾驶领域中的智能决策等。图灵奖获得者约书亚·本吉奥(Yoshua Bengio)在 NeuIPS 2019 的特邀报告中明确提到： “深度学习需要从系统 1(system 1)到系统 2(system 2)转化，其中，系统 1 表示直觉的、快速的、无意识的、非语言的、习惯的系统；系统
2 表示慢的、有逻辑的、有序的、有意识的、可用语言表达以及可推理的系统。”该观点表明了人工智能的一个重要发展方向。如图所示，纵观人工智能的发展史，从上世纪 50 年代到 90 年代，符号主义比较盛行，逻辑推理和知识工程成为了人工智能的主流技术。之后，联结主义比较盛行，机器学习是人工智能的主流技术，研究者们不再过多关注逻辑推理。从图中也可以看出，人工智能的整个发展主要包含两大主义：符号主义（符号系统）与联结主义（神经系统）。符号主义研究演绎、逻辑推理以及为特定模型求解的搜索算法，如专家系统（通过规则与决策树从输入数据中推导出结论）、约束求解器（在一些给定的可能性中求解）与规划系统（从一些初始状态值中找到一系列动作实现给定目标）等。联结主义研究归纳、学习以及可以从数据中自动捕获信息的神经网络，如卷积神经网络（擅长处理有关图像问题）与长短期记忆网络（擅长处理有关时间序列的问题）等。
图 2-1 人工智能发展简史
基于以上分析，表 2-2 分别列出了神经系统和符号系统的优缺点。通过对两者优缺点的总结及对比，我们可以发现：符号系统与神经系统的优缺点具有互补性。符号系统善于利用知识，神经系统善于利用
数据，而人在做决策时需要知识与数据并存。根据符号系统与神经系统优缺点的互补性，以及人作决策时所需的条件，将两者结合是未来人工智能发展的主要趋势。
表 2-2 神经系统及符号系统优缺点
系统 | 优点 | 缺点 |
符号系统 （擅长演绎推理） | 泛化能力强 具有可解释性知识驱动 | 不擅长处理非结构化数据 鲁棒性差 推理速度慢 |
神经系统 （擅长归纳学习） | 擅长处理非结构化 数据 鲁棒性强 学习速度快 | 泛化能力弱 不具有可解释性 需要大量标注数据 |