精选今天0 投票
组合式神经符号推理：突破ARC基准，提升AI抽象推理能力
神经符号AI新突破：组合式推理框架在ARC基准上实现性能跃升
在追求通用人工智能（AGI）的道路上，抽象推理能力一直被视为关键瓶颈。近日，一项名为组合式神经符号推理的研究在arXiv上发布，提出了一种创新架构，在Abstraction and Reasoning Corpus（ARC） 基准测试中取得了显著进展。
传统方法的局限与神经符号融合的必要性
当前AI系统在抽象推理任务上面临两大挑战：
- 纯神经架构：虽然擅长模式识别，但缺乏可靠的组合泛化能力，难以处理未见过的复杂规则组合。
- 纯符号系统：逻辑推理能力强，却受限于感知接地问题，难以从原始数据中提取结构化信息。
ARC基准正是为此设计——它要求AI系统从少量示例中推断出抽象规则，并应用于新场景，这直接考验了组合泛化能力。
组合式神经符号推理框架的核心设计
该研究提出的框架巧妙地融合了神经与符号方法的优势：
- 对象级结构提取：从网格数据中识别并分离出离散的“对象”，为符号推理奠定基础。
- 神经引导的转换提议：利用神经先验知识，从一个固定的领域特定语言（DSL）中生成候选转换规则。
- 符号一致性过滤：通过跨示例的一致性检查，筛选出最合理的假设，确保推理的可靠性。
这一框架的灵感来源于人类视觉抽象中的单元模式概念，强调组合性——即复杂规则由简单原子模式构建而成。
性能提升与开源贡献
在ARC-AGI-2公共评估集上，该框架将基础大型语言模型（LLM）的性能从16% 提升至24.4%。当与ARC Lang Solver通过元分类器结合时，性能进一步跃升至30.8%。
这些成果表明，通过分离感知、神经引导的转换提议和符号一致性过滤，系统能够在不进行任务特定微调或强化学习的情况下，显著改善泛化能力。同时，它减少了对暴力搜索和基于采样的测试时扩展的依赖，提高了效率。
研究团队已开源ARC-AGI-2 Reasoner代码，为社区提供了可复现和进一步探索的工具。
对AI行业的意义与未来展望
这项研究不仅为ARC基准的突破提供了新思路，更在方法论层面验证了神经符号融合的潜力。在LLM主导的当下，它提醒我们：专用推理架构与通用基础模型的结合，可能是解锁更高层次AI能力的关键。
随着AGI研究的深入，类似组合式神经符号推理的框架，有望在需要强泛化、可解释性和数据效率的领域（如科学发现、复杂规划）发挥更大作用。