Advancing Symbolic Integration in Large Language Models: Beyond Conventional Neurosymbolic AI

文章核心总结与创新点

主要内容

该研究聚焦大型语言模型（LLMs）的黑箱问题，针对其透明度不足、幻觉、缺乏可解释性等局限，系统探讨符号AI与LLMs的融合路径。通过系统性文献综述（覆盖2018-2025年177项研究），梳理了神经符号AI（NeSy AI）的现有方法与框架，提出了符号与LLMs融合的四维度分类体系（融合阶段、耦合机制、架构范式、算法与应用层面），分析了知识图谱（KGs）、逻辑系统等符号组件与LLMs的集成模式，并总结了相关基准测试、最新成果及挑战。

创新点

1. 提出四维度分类体系，首次系统梳理符号与LLMs的融合路径，涵盖融合阶段（预训练/微调/推理等）、耦合机制（解耦/交织）、架构范式（LLM到符号/符号到LLM/混合模型）及算法-应用双层面。
2. 明确符号集成LLMs是神经符号AI的专门分支，指出传统NeSy框架无法适配LLMs的独特特性（大参数量、自回归生成等），需定制化融合策略。
3. 构建完整研究路线图，整合现有基准测试（KGs与逻辑类）、融合方法及评估体系，为后续研究提供清晰指引。
4. 多维度对比分析现有方法，揭示符号集成在提升LLMs可解释性、推理能力、可信度等方面的核心价值与实践局限。

译文（Markdown格式）

Abstract

大型语言模