摘要

本文探讨了连接主义和符号主义人工智能（AI）的融合，从历史辩论到当代进展。传统上，连接主义AI专注于神经网络，而符号主义AI强调符号表示和逻辑。近期大型语言模型（LLMs）的发展，如ChatGPT和GPT-4，展示了连接主义架构在处理人类语言作为符号形式方面的潜力。研究认为，LLM赋能的自主代理（LAAs）体现了这种范式融合。通过利用LLMs进行基于文本的知识建模和表示，LAAs整合了神经符号AI原则，展示了增强的推理和决策能力。与神经符号AI主题中的知识图谱（KGs）相比，LAAs在模拟人类推理过程、有效处理大数据集和利用上下文样本方面具有独特优势。研究强调了神经向量符号集成、指令编码和隐式推理等有前景的研究方向，旨在进一步增强LAA能力。通过探索神经符号AI的进展并提出未来研究轨迹，本工作推进了对AI技术理解和发展的认识。

原理

LLM赋能的自主代理（LAAs）结合了符号子系统和神经子系统。符号子系统利用基于语言的知识、规则和工作流程，而神经子系统则利用LLMs的生成能力。这种结合使得LAAs能够展示高级的推理、规划和决策能力。LAAs的工作原理基于神经符号AI的融合，其中LLMs作为核心控制器，与符号子系统和外部工具协同工作，包括任务分解、自我反思、记忆管理和工具使用组件。这种融合不仅提高了模型的灵活性和适应性，还增强了其在复杂任务中的表现。

流程

LAAs的工作流程包括以下几个关键步骤：

1. 代理工作流程：结合规划、推理、记忆管理、工具集成和用户界面与LLMs。
2. 规划和推理器：使用链式思考和树式思考提示技术将任务分解为子任务，并通过自我反思优化输出。
3. 记忆管理：包括短期记忆和长期记忆，使用外部存储如向量数据库，以实现高效的信息检索和增强的推理。
4. 工具使用和自然语言接口（NLI）集成：代理可以访问外部工具、API和模型，根据任务目标决定何时以及如何使用它们。

例如，LAAs可以通过链式思考（CoT）方法生成关于中间推理步骤的文本，从而增强其认知任务表现。通过将任务分解为逻辑序列，CoT提示鼓励LLMs系统地构建其推理过程，提高问题解决的准确性和可靠性。

应用

LAAs的应用前景广泛，包括但不限于自动化任务执行、复杂问题解决、数据分析和决策支持。由于其能够处理大规模数据集并适应实时变化，LAAs在金融、医疗、教育和科研等领域具有巨大的潜力。此外，LAAs的隐式推理和指令编码能力使其在需要高级逻辑和数学推理的应用中表现出色，如科学发现和工程设计。随着技术的进一步发展，LAAs有望在更多领域实现智能化和自主化。