神经符号推理模型是结合了神经网络（从数据中学习模式）和符号人工智能技术（使用预定义规则和逻辑）的人工智能系统。这种混合方法旨在利用两种范式的优势：神经网络擅长处理图像或文本等非结构化数据，而符号系统则处理结构化推理，例如应用逻辑或特定领域知识。例如，神经符号模型可以使用神经网络来识别图像中的物体，然后应用符号规则来验证这些物体是否以物理上合理的方式排列。
神经符号模型的一个关键优势在于它们能够处理需要学习和推理的任务。单独的神经网络常常难以处理需要明确逻辑的任务，例如解决数学问题或验证约束条件。另一方面，符号系统在面对嘈杂或模糊数据时缺乏灵活性。通过整合两者，神经符号模型可以弥补这些不足。例如，在医疗诊断系统中，神经网络可以分析来自自由文本描述的患者症状，而符号组件则根据已知疾病关系检查与医疗指南的一致性或计算概率。这种组合使系统能够从现实世界数据中学习，同时遵循特定领域规则。
构建神经符号系统的开发人员通常面临设计神经和符号组件之间接口的挑战。例如，将神经网络输出（如概率分布）转换为符号表示（如逻辑谓词）需要精心的工程设计。概率逻辑语言（如 ProbLog）或神经符号框架（如 DeepProbLog）等工具有助于弥合这一差距。应用包括机器人（结合传感器数据和运动规划规则）和自然语言处理（使用语法规则优化神经翻译）。虽然神经符号模型的设计比纯神经网络或符号系统更复杂，但它们为构建数据驱动且可解释的人工智能提供了一条途径——这对于医疗保健或自动驾驶系统等信任和准确性至关重要的领域至关重要。