摘要
基于 $IFOL_B$ 的神经符号人工智能是一种结合神经学习与符号推理的方法，旨在克服纯神经系统的局限性（如缺乏可解释性和逻辑结构），并利用形式逻辑机制进行自我引用。本文通过使用概率计算扩展了 $IFOL_B$ 的认知能力，主要针对目前未知的句子，这基于 Nilsson 的概率结构。
我们引入了全局对称变换，它保持当前知识数据库和逻辑推理的完整性；同时也引入了局部变换，用于针对具体（子）问题的实时决策，这些问题仅涉及非常严格的 $IFOL_B$ 谓词子集。在这两种情况下，概率密度函数 $KI$ 的计算基于香农的最大信息熵，由此类概率神经符号 AGI 的神经网络提供支持。
博主点评： 本文深入探讨了神经符号 AI 的概率扩展，展示了如何通过引入概率计算提升逻辑推理能力。这种结合为 AI 系统的可解释性与决策能力提供了新思路，值得关注。尤其是在处理复杂推理场景时，其潜在应用前景广泛。