← Knowledge Atlas · 概念
命题固着（Propositional Fixation）
命题固着：神经网络无法表示完整一阶逻辑的根本局限（McCarthy），神经符号集成的核心理论动机
念
命题固着
Propositional Fixation — 神经网络无法表示完整一阶逻辑或高阶逻辑
McCarthy 的诊断：神经网络的根本局限不是实现细节，而是计算结构决定的。分布式连续表示无法实现任意深度的递归绑定和量化——这是神经符号集成的核心理论动机。
神经网络的逻辑可达范围
可表示命题逻辑 · 非单调逻辑程序 · 命题模态逻辑 · 一阶逻辑有限片段
不可表示完整一阶逻辑（含函数符号、无限量化链） · 高阶逻辑
工程含义 关系学习天花板 学习”祖先”关系（任意深度递归）需要符号推理层，纯神经无法外推 泛化上界 学到的规则是命题级（接地的），无法组合外推到新变量 回应策略 1 LTN / Logic Tensor Networks：逻辑陈述转为损失约束——近似而非精确 回应策略 2 神经符号混合：精确推理交给符号层（Type 3–6），神经层负责感知/学习
→ Neurosymbolic AI · NSAI Taxonomy · Constrained DecodingMcCarthy / Garcez & Lamb (2023)
命题固着（Propositional Fixation）
定义： John McCarthy 提出的概念，描述神经网络在逻辑表达能力上的根本局限：神经网络可以表示命题逻辑和一阶逻辑的有限片段，但无法表示完整的一阶逻辑或高阶逻辑。
含义
神经网络擅长的逻辑层次：
- 可表示： 命题逻辑，非单调逻辑程序，命题模态逻辑，一阶逻辑的有限片段
- 不可表示： 完整的一阶逻辑（含函数符号、无限量化链），高阶逻辑
这一局限并非实现细节，而是与神经网络的基本计算结构有关——分布式连续表示不能实现任意深度的递归绑定和量化。
工程含义
关系学习的天花板： 学习”祖先”关系（∀X,Y,Z: ancestor(X,Z) ← parent(X,Y) ∧ ancestor(Y,Z)）需要任意深度的递归推理链，神经网络无法直接处理；需要借助符号推理层。
泛化的上界： 神经网络学到的规则是命题级的（grounded），无法自然地外推到新变量组合；符号系统的全称量化可以实现真正的组合外推。
回应策略
- Logic Tensor Networks（LTN）： 将逻辑陈述转化为损失函数，绕过命题固着——但这是近似，非精确表示
- 神经符号混合架构： 将精确推理交给符号层，神经层负责感知/学习（见 neurosymbolic-ai-taxonomy Type 3–6）
- 知识提取循环： 让神经网络学习，再将学到的规律提取为符号描述，再用符号做精确推理
与其他概念的关联
- neurosymbolic-ai： 命题固着是推动神经符号集成的核心理论动机之一
- constrained-decoding： 约束解码在形式上是对神经生成施加命题级符号约束，本质上是接受并补偿命题固着的工程策略
- ladder-of-causation： 命题固着意味着纯神经系统难以超越因果之梯第一级（关联层）
References
- d’Avila Garcez, A. & Lamb, L.C. (2023). Neurosymbolic AI: The 3rd Wave. Artificial Intelligence Review. wikis/sources/2012.05876-neurosymbolic-ai-third-wave.md
- McCarthy, J. (原始概念，多处引用于神经符号文献）