AI擅长于模式识别，但在推理方面挣扎。同时，人类认知深深植根于逻辑和连贯性。如果我们可以 结合两全其美– 大语言模型（LLM）的原始处理能力和基于规则的符号AI的思维？
这是背后的目标 Neurosymbolic AI这是一种新方法，将深度学习与连贯驱动的推理（CDI）融合在一起。研究人员Huntsman和Thomas提出了一种允许LLM的方法 构建逻辑关系 从自然语言开门 更好的决策，解决问题，甚至是AI驱动的法律推理。
这项研究，“”通过大语言模型和连贯驱动的推理神经肯定人工智能史蒂夫·亨斯曼（Steve Huntsman）和Cynnovative的Jewell Thomas进行的”探索了一种新颖的方法，可以将相干驱动的推理（CDI）与大语言模型（LLMS）（LLMS）相结合。通过开发一种将自然语言命题转换为结构化相干图的算法，研究人员基准AI建模了重建逻辑关系的能力。
什么是连贯驱动的推理？
连贯驱动的推理（CDI）是一种基于一组命题的合适状态来做出决策的方式。 CDI不简单地接受或拒绝个人事实，而是建立 关系图，将权重分配给 持续的 和 矛盾 语句。
连贯的图将连接这些命题，并 评分他们的一致性，帮助AI确定 哪些陈述最有可能是真实的。
问题？到现在为止，这些图必须是 手动建造– 艰苦而不切实际的过程。新研究提出了一种可以 自动生成 这些图 自然语言输入 并测试LLM可以重建它们的效果。
教LLM建立逻辑结构
研究人员的方法涉及两个关键步骤：
- 产生命题：以自然语言创建了一组语句，反映了逻辑结构。
- 重建相干图：然后提示LLMS分析这些语句并重建基础图结构。
这样，AI模型被迫 想像人类，不仅评估个人事实，还会评估 他们如何连接到更广泛的知识网络。
人工智能可以做对吗？
该研究从 GPT-4O和Claude 3.5 到 QWEN-32B和LLAMA-3.3等开源型号。结果是 令人惊讶的有希望– 一些模型能够以高精度重建相干图，即使在 不确定或模棱两可的条件。
有趣的是， 用于推理的模型， 喜欢 O1-Mini和QWQ-32B，表现最好。这表明AI系统经过专门培训 结构化解决问题 处理复杂的推理任务时，可以超越通用LLM。
核心 连贯驱动的推理（CDI） 是知识不仅仅是一个想法 孤立的事实– 这是一个网络 相互依存的真理。 Huntsman和Thomas引入的方法将知识作为一种 相干图， 在哪里：
- 节点 代表命题（例如，“海牙是资本”）。
- 边缘 代表 一致性 或者 不一致 在这些命题之间。
如果是命题 支持另一个，有一个 正连接。如果两个陈述与 负面连接。目标？到 最大化连贯性 通过分开 真假语句 变成不同的集群。
在图中找到最连贯的分区的问题在数学上等同于 最大切割，众所周知的计算挑战。 Neurosymbolic AI通过将LLMS的自然语言理解与CDI基于图的推理相结合来解决这一问题。
研究人员的方法从 心理学和计算机科学。 CDI已用于建模 人类决策，法律推理，甚至 科学的因果推论。但是直到现在，必须手动构造CDI图。
为了自动化此过程，研究提出了一种算法，该算法：
- 将自然语言命题转换为结构化相干图。
- 训练LLM重建这些图，测试他们识别事实之间关系的能力。
- 不同AI模型的基准性能，分析它们保持逻辑一致性的能力。
为了测试LLM处理相干驱动的推理的效果，研究人员生成了合成相干图并将其馈入各种AI模型。这些图包含一致和矛盾的陈述，挑战了模型以识别逻辑结构，而不仅仅是反流信息。
他们测试了：
- Claude 3.5和GPT-4O （高端商业LLM）
- QWQ-32B，O1-Mini和Llama-3 （为推理优化的开源模型）
- PHI-4和双子座1.5/2.0 （较小和中型型号）
结果表明：
- 用于推理的模型（例如O1-MINI和QWQ-32B）明显优于通用LLM。
- 一些模型成功地重建了原始的连贯图，即使面对不确定或模棱两可的信息也是如此。
- LLM在更复杂的逻辑结构中挣扎，尤其是当多个命题相互依存时。
这项研究是迈向的重要一步 真正聪明的AI。而不是将语言视为 统计猜测游戏，相干驱动的推理迫使AI迫使AI 评估逻辑一致性，导致：
- 更可靠的AI输出 （减少幻觉，更准确的推理）
- 更好的解释性 （基于明确逻辑结构的AI决定）
- 加强问题解决 （适用于法律，科学和治理）
特色图片来源： Tara Winstead/Pexels
