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）在各类任务中展现出良好效果，然而其推理能力仍是根本性挑战。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，并受到学术界和工业界的广泛关注。多种技术已被探索以增强LLMs的推理能力，神经符号方法尤其具有前景。本文全面综述了用于提升LLM推理能力的神经符号方法的最新进展。我们首先对推理任务进行形式化定义，并简要介绍神经符号学习范式。随后，从Symbolic->LLM、LLM->Symbolic和LLM+Symbolic三个视角讨论了提升LLM推理能力的神经符号方法。最后，探讨了若干关键挑战和未来有希望的研究方向。我们也发布了包含与本综述相关论文和资源的GitHub仓库：https://github.com/LAMDASZ-ML/Awesome-LLM-Reasoning-with-NeSy。