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，然而它们的推理能力仍是一个根本性挑战。开发具备强大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，且引起了学术界和工业界的广泛关注。为增强LLM的推理能力，已探索多种技术，其中神经符号方法尤为有前景。本文全面回顾了神经符号方法在提升LLM推理能力方面的最新进展。我们首先对推理任务进行形式化描述，并简要介绍神经符号学习范式。随后，从符号->LLM、LLM->符号及LLM+符号三种视角讨论了提升LLM推理能力的神经符号方法。最后，我们探讨了若干核心挑战和未来方向。我们还发布了包含本综述相关论文和资源的GitHub仓库：https://github.com/LAMDASZ-ML/Awesome-LLM-Reasoning-with-NeSy。