神经符号人工智能：迈向提升大型语言模型的推理能力

大型语言模型（LLMs）在各种任务中表现出令人鼓舞的成果，但其推理能力仍然是一个根本性挑战。开发具备强推理能力的人工智能系统被视为实现人工通用智能（AGI）的关键里程碑，且已获得学术界和工业界的广泛关注。为增强LLM的推理能力，各种技术被探索，其中神经符号方法尤为有前景。本文全面回顾了近期在利用神经符号方法提升LLM推理能力方面的进展。我们首先形式化推理任务，并简要介绍神经符号学习范式。随后，我们从三种视角讨论提升LLM推理能力的神经符号方法：符号到LLM（Symbolic->LLM）、LLM到符号（LLM->Symbolic）以及LLM与符号结合（LLM+Symbolic）。最后，我们探讨了若干关键挑战及未来有希望的方向。我们还发布了一个包含相关论文和资源的GitHub仓库：https://github.com/LAMDASZ-ML/Awesome-LLM-Reasoning-with-NeSy。