Neuro-Symbolic AI in 2024: A Systematic Review

2025 年 PRISMA 系统综述，167 篇论文，五维功能分类，元认知仅 5% 但最关键，AlphaGeometry 为唯一全谱案例，Kahneman System 1/2 自我批判

源

来源 · NSAI 2024 SYSTEMATIC REVIEW · PRISMA · 167 篇论文 · 五维分类

Neuro-Symbolic AI in 2024: Systematic Review

PRISMA 系统综述（2025）——2020–2024 年 167 篇神经符号 AI 论文的功能分类与研究分布

对 1,428 篇初始候选论文筛选出 167 篇（有公开代码库的同行评审），提出五维功能性分类——补充 Kautz 六类架构分类。最重要发现：元认知（Meta-Cognition）仅占 5%（8 篇），却被认为是通往 AGI 的关键门控能力。

五维功能分类（2020–2024 研究分布）

63%学习与推理（Learning & Inference）端到端可微推理，多源知识推理

44%知识表示（Knowledge Representation）常识知识图谱，语义接地

35%逻辑与推理（Logic & Reasoning）逻辑-概率集成，多跳推理

28%可解释性与可信度（XAI）透明推理，偏见检测——严重欠缺

5%元认知（Meta-Cognition）监控/评估/调整自身推理——最欠缺，但通往 AGI 的关键

AlphaGeometry：唯一全谱案例

四区全覆盖

学习推理 + 知识表示 + 逻辑推理 + 可解释性——唯一同时覆盖四个主区域的项目

Kahneman 的批判

System 1/2「在大脑中并不真正存在」——框架有用但过简化，元认知比 S1/S2 切换更复杂

→ Neurosymbolic AI · Kautz Taxonomy · System 1 vs 2arXiv:2501.05435 (2025)

Neuro-Symbolic AI in 2024: A Systematic Review

来源文件： sources/arxiv_papers/2501.05435-neurosymbolic-ai-2024-systematic-review.md 原始 URL： https://arxiv.org/abs/2501.05435 发表： 2025 年 1 月 方法论： PRISMA 系统性文献综述

摘要

对 2020–2024 年神经符号 AI 研究进行 PRISMA 方法论系统综述，分析 167 篇论文，提出五维研究分类，并将元认知（Meta-Cognition）定义为领域最欠缺的维度。

核心贡献

1. 五维功能性分类（补充 Kautz 结构分类）

本综述提出的五类研究方向——功能/研究焦点导向，与 Kautz 六类架构分类互补：

研究维度	论文占比	核心问题
学习与推理（Learning & Inference）	63%（n=99）	端到端可微推理，多源知识推理
知识表示（Knowledge Representation）	44%（n=70）	常识知识图谱，语义接地
逻辑与推理（Logic & Reasoning）	35%（n=55）	逻辑-概率集成，多跳推理
可解释性与可信度（Explainability & Trustworthiness）	28%（n=44）	透明推理，偏见检测
元认知（Meta-Cognition）	5%（n=8）	系统监控/调整自身推理，最欠缺维度

五维 vs 六类的关系： Kautz 分类从架构结构出发（神经与符号如何连接），本综述从研究功能出发（研究在做什么）。两者相互补充，不互斥。

2. 元认知的定义与重要性

元认知（Meta-Cognition）： “对自身思维的思考”，系统监控、评估、调整自身推理和学习过程的能力。作为控制器，决定何时懒惰（快速直觉）、何时专注（慢速推理）。

2020–2024 年间仅 5% 的论文涉及元认知，尽管它被认为是向 AGI 演化的关键能力之一。详见 meta-cognition-ai。

3. 研究分布的实证数据

2020–2024 年 NSAI 论文从 53 篇（2020）增长到 236 篇（2023）——指数级增长
从 1,428 篇初始论文中筛选出 167 篇（要求有公开代码库的同行评审论文）
最重要的交叉领域：知识表示 × 学习与推理（27%，n=43）

4. AlphaGeometry 作为最佳案例

AlphaGeometry（Google） 是唯一同时覆盖全部四个主要研究区域的项目：

学习与推理 + 知识表示 + 逻辑推理 + 可解释性
在奥林匹克几何题上达到人类金牌选手水平
神经语言模型生成候选定理，符号演绎引擎验证与推理
证明了”神经符号 AI 可以实现高级问题解决能力”

5. System 1/2 框架的重要批判

Kahneman 本人的说法是：System 1 和 System 2”并不真正存在于大脑中”，只是自动处理与高唤醒处理的认知捷径。这一自我否定意义深远：

神经符号 AI 以 System 1/2 为设计框架，但这个框架本身是简化的
向 AGI 演化需要更复杂的元认知控制系统，而非仅仅对 System 1/2 的机械实现
元认知层是连接神经（直觉）和符号（推理）的调控层，而非第三种独立系统

关键发现

研究扎堆在应用，基础匮乏： 可解释性（28%）和元认知（5%）是严重欠缺维度
AlphaGeometry 是唯一全谱案例： 没有其他项目同时覆盖所有四个主区域
元认知是通往 AGI 的门控： “监控、评估、调整自身推理”的能力是提升自主性和适应性的核心
System 1/2 框架有效但过简化： Kahneman 自己的告诫应被纳入领域设计考量

与现有 Wiki 的关联

neurosymbolic-ai — 补充 2020-2024 实证研究分布数据和五维功能分类
neurosymbolic-ai-taxonomy — 五维功能分类是对 Kautz 六类架构分类的功能层补充
system-1-vs-system-2 — Kahneman 自己的批判：这两个系统在大脑中并不真正存在
knowledge-extraction-fidelity — 可解释性与可信度是 NSAI 最欠缺的研究维度，与 Garcez & Lamb 的忠实性原则批判形成呼应
meta-cognition-ai — 新概念：元认知在 AI 系统中的定义与意义

References

Source: sources/arxiv_papers/2501.05435-neurosymbolic-ai-2024-systematic-review.md
arXiv:2501.05435 (2025). Neuro-Symbolic AI in 2024: A Systematic Review. https://arxiv.org/abs/2501.05435