大模型时代，以大语言模型（Large Language Models, LLMs）为代表的人工智能技术，已在自然语言的理解与生成方面取得了革命性突破。然而，尽管模型在各项任务预测准确度上不断提升，其内部决策机理始终缺乏明晰的阐释。但随着模型复杂度的提升，我们越来越难以充分理解其判断与推理的内在逻辑，这不仅削弱了用户对模型的信任，也构成了当前人工智能发展中的核心瓶颈。
为了应对上述挑战，连信“洞见人和”人本世界大模型在依托自主研发的神经网络基础上，创新性地引入神经符号AI（Neuro-Symbolic AI）技术**，在可解释性路径上实现关键突破。** 大模型成功实现了AI决策过程的可解释与透明化，在保持强大泛化能力的同时，确保了分析结果的理论合理性与逻辑可读性。
实验验证表明，融合神经符号AI的连信“洞见人和”人本世界大模型在多项可解释性相关指标上均取得显著提升。在由第三方大模型与心理学专家参与的盲评中，该系统在“可信度”与“可解释性”两项关键维度上表现优异，体现出该技术路径在构建可信AI系统方面的有效性与先进性。
｜神经符号AI，实现1+1>2
神经符号AI（Neuro-Symbolic AI, NeSy） 简单来说，它致力于将神经网络强大的模式学习能力，与符号系统结构化、透明的推理能力相结合（Marra et al., 2024; Colelough et al., 2025），取长补短，实现1+1>2的效果。
这一融合思路可类比于人类认知的双系统理论（丹尼尔·卡尼曼提出）：
- 神经网络类似于快速、直觉化的“系统1”，擅长从数据中提取隐性模式
- 符号系统则如同缓慢、遵循逻辑规则的“系统2”，善于执行基于显性规则的逻辑推理（Kahneman, 2011）
两者并非对立，而是互补关系。神经符号AI的核心理念就是让这两个系统协同工作，既保持灵活性，又不失透明性。
这一技术的核心价值在于：它能让AI解释自己的决策过程。 通过引入符号逻辑的透明性，神经符号模型能够为其输出提供基于规则的解释，从而构建真正可信的AI系统。
｜循证知识图谱+神经符号AI，双重保障
“洞见人和”人本世界大模型创新构建了一套独特的推理系统， 在保留自研的“循证知识图谱”的基础上，我们引入了神经符号AI这一前沿技术 ，形成双重保障，提升大模型的自主推理能力。
Ø 循证知识图谱
我们自主研发的“循证知识图谱”，构建了一套融合多学科循证理论与真实业务数据的推理体系。该图谱以人格特质为基础，围绕健康、发展与风险三大核心领域，整合了需求动机、能力资源、行为倾向等多个分析维度。目前，图谱已具备超过120万条推理路径与数万个推理节点，能够在仅掌握个体部分信息的情况下，实现对潜在信息的深度推断与决策支持，从而全面、精准地勾勒出人物画像。
Ø 引入神经符号AI
神经符号AI技术的引入，弥补了单纯依赖“循证知识图谱”推理在灵活性上的不足及未覆盖领域的能力泛化性。系统会智能对比大模型生成结果与规则推理结论：结果一致则直接采纳；存在差异则启动二次检查与修正机制。这一机制既保留了符号推理的透明性与可追溯性，又融入了大模型在未覆盖领域的语义理解与泛化能力，使决策过程既可靠又可释。
｜效果验证：数据说话的科学评估
为验证这一技术的实际效果，我们进行了严谨的对比实验，分别评估仅使用循证知识图谱与结合神经符号AI两种路径生成的分析报告，并邀请第三方大模型和心理专家从多个维度进行打分：
｜实验过程，请勿自行转载
｜对比结果，请勿自行转载
实验结果显示，引入神经符号AI技术后，各项指标均有明显提升，尤其在可信度和可解释性方面表现突出，有效提升对原始输入信息的利用率，并增强报告的可读性。
｜三大技术优势，让AI更懂人话
①语义对齐更精准
在语义的抽象程度上更贴近原始输入的表述方式，有助于大型语言模型实现输入内容与画像标签之间的语义对齐，从而构建标签与信息之间的潜在逻辑关联，增强分析的流畅性和洞察力。
②逻辑结构更严谨
提供的标签涉及多个维度（尤其在“事”的维度上具有高情境性与信息密度），不同维度标签之间存在递进式的逻辑结构，显著增强报告的科学严谨性与条理性。
③可解释性更强
通过引入符号逻辑的透明性，神经符号模型能够为其输出提供基于规则的解释，从而构建内生性可解释的AI系统，使决策过程可追溯、更可信。
此次我们大模型在神经符号AI领域的成功实践，为解决AI可解释性问题提供了行之有效的路径。这项技术的意义不仅在于提升当前系统的性能，更重要的是为AI技术的透明、可信、可靠应用奠定了坚实基础。
未来，随着神经符号AI技术的不断成熟，我们有望见证更多兼具灵活性与可解释性的AI系统出现在各个领域，真正实现人工智能的“透明化”运作，让人工智能不仅“有用”，而且“易懂”、“可信”。
参考文献：
1）Marra, G., Dumančić, S., Manhaeve, R., & De Raedt, L. (2024). From statistical relational to neurosymbolic artificial intelligence: A survey. Artificial Intelligence , 328 , 104062.
2）Colelough, B. C., & Mukherjee, S. (2025). Neuro-Symbolic AI in 2024: A systematic review. arXiv preprint arXiv:2501.05435 .
3）Kahneman, D. (2011). Thinking, fast and slow . Farrar, Straus and Giroux.
4）Bhuyan, B. P., Ramdane-Cherif, A., Tomar, R., & Singh, T. P. (2024). Neuro-symbolic artificial intelligence: A survey. Neural Computing and Applications , 36 , 12809-12844.
