SymbolicAI 是一个多功能、模块化的框架，采用基于逻辑的方法进行概念学习和流程管理，在生成过程中使生成模型与各种求解器无缝集成，并通过将大型语言模型 (LLMs) 视为语义解析器来执行任务，从而弥合符号推理与生成人工智能之间的差距。该框架利用概率编程原理解决复杂任务，并利用可微分和经典编程范式及其各自的优势。该框架还引入了一组多态的、组合的、自引用的数据流操作，将 LLM 输出与用户目标对齐，并支持创建和评估可解释性计算图。最后，我们介绍一种质量度量和其经验分数，用于评估这些计算图，并提出了一个基准，用于比较各种复杂工作流程的最新 LLMs。我们将经验分数称为 “Vector Embedding for Relational Trajectory Evaluation through Cross-similarity”，简称 VERTEX 分数。框架代码库和基准测试结果请参考下方链接。

Feb, 2024

通过玩转指代博弈，研究者们发现使用可微分方式（ST Gumbel-softmax estimator）的强化学习方法能够有效地解决学习沟通的问题，从而使得交互遵循自然语言的组成性和可变性。

May, 2017

该论文调查了近年来神经符号 AI 领域的研究论文，对提出的模型及应用进行了分类和比较。这些模型结合了符号处理和神经网络，旨在通过学习数据分布，基于先前和学习的知识进行推理，并在其中进行共生使用，以实现人工智能通用。

May, 2023

人工智能代理是一个前景光明的领域，利用大型语言模型作为基础构建通用人工智能代理带来了显著的进展，其在单一代理场景、多代理场景以及人机合作中的广泛应用展示了卓越的潜力，并为人类社会提供了有价值的见解。

Sep, 2023

通过增强和无监督学习，训练具备最少先验知识的机器人在仿真 3D 环境中理解自然语言指令，将语言符号与周围物理环境的感知表示和相关的行动序列联系起来，实现语言含义的压缩和提取，从而揭示出关于语言基于感知概念的本质和潜力。

Jun, 2017

该论文研究了大型语言模型作为符号推理器的潜在应用，提出了一个针对符号挑战和实现游戏目标的 LLM 代理，并通过实验结果证明了其能显著增强 LLMs 作为符号推理自动化代理的能力，对涉及符号任务的基于文本的游戏取得了 88% 的平均性能。

Jan, 2024

通过研究所提出的名为 ENVISIONS 的环境引导的神经符号自训练框架，我们克服了符号数据的稀缺性和大型语言模型处理符号语言的能力有限这两个主要挑战，从而在三个不同领域的广泛评估中展示了我们的方法的有效性，并进行了全面分析以揭示贡献到 ENVISIONS 成功的因素，为未来的研究提供了有价值的见解。

Jun, 2024

提出自动内在动机代理 (autotelic agents) 的 Vygotskian 模型，通过对话语言和实体环境交互学习，实现自我生成目标和内化交互成为认知工具，进而形成人工认知功能，从而推进社会化学习的人工智能研究应用前景。

Jun, 2022

通过深度学习使自主系统能够在感知的亚符号方式下逐渐理解对象及其环境，执行对象检测、传感器数据融合和语言理解任务。为了实现强大的人工智能，我们需要考虑人类提供的显式教学和通过观察人类行为获得的隐式教学，同时设计多模态输入和输出能力的系统以支持隐式和显式交互模型。我们提出了几个假设和设计指南，并通过相关工作的一个用例来实现这个目标。

Sep, 2023

本文提出了一种基于神经和符号表示的推理代理，它在遵循语言指令的同时，基于过去的经验（例如自然语言和自我中心视觉）积极应用推理和计划，从而实现了大于 70％ 的改进，并提供了令人印象深刻的透明度和可解释性。

Oct, 2022