从类脑人工智能到神经符号人工智能投资

最初发表于《Global Corporate Venturing》（GCV）
阅读 GCV 原文 ↗ · 2026年2月5日

神经符号人工智能——人工智能+工业的关键

将结构化推理、规则和逻辑约束集成到学习系统中的神经符号模型正在成为人工智能在工业应用中发挥其潜力的关键道路。

人工智能驱动的资本投资

近年来，人工智能推动了前所未有的市场扩张。根据国际货币基金组织报告的指标，由于人工智能驱动的预期而不是基本盈利，美国十大公司的总市值目前在全球股票市场占据主导地位。高盛还报告称，自 2023 年以来，仅人工智能硬件支出就增加了约 3000 亿美元，推动了数据中心投资和计算基础设施的激增。

大部分人工智能基础设施建设都是通过债务融资的。在美国的基本情况下，到 2030 年，大约 4 万亿美元的数据中心支出将需要 8 万亿美元的收入来证明回报的合理性。在更激进的情况下，10 万亿美元的资本支出将需要产生 20 万亿美元的下游价值。

神经形态人工智能的局限性

这些模型无法在现实系统中独立推理、强制约束和可靠扩展。因此，向神经符号模型的转变正在成为前进的关键道路。对于投资者来说，关键信号是真正的架构转变的证据，验证工业人工智能的持续进步。

VLA 的扩展和限制

基于感知的系统在文本、图像和语音识别方面稳步发展，但最近的发展暴露了规模本身的局限性。训练前沿规模模型需要极高的计算能力，而训练数据仍然有限。这标志着从规模驱动的人工智能到受架构、经济和现实世界部署约束的人工智能的转变。

人形机器人比自动驾驶困难得多

人形机器人必须与人类和非结构化环境持续交互，执行未定义的任务，在有限的电池和计算能力下运行，并管理平衡和跌倒风险。它们的物理经济仍然脆弱，因为制造、部署、服务和可靠性无法被抽象出来。

投资者应关注的三个信号

1. 仅靠规模并不能无限期地复合人工智能能力。 当成本和复杂性上升时，边际收益就会减少。
2. 神经形态人工智能仍然是一个黑匣子。 它反映的是相关性而不是明确的逻辑，并且随着极端情况的增加而陷入困境。
3. 实体人工智能暴露了其局限性。 自治的进展仍然受到专用架构、经济和特定领域流程的限制。

神经符号AI是AI+工业的关键

神经符号架构结合了用于模式识别的神经模型、基于法学硕士的语言理解和因果链预测，以及用于基于约束的推理的符号本体、规则和知识图。这可以减少幻觉、加强概括、提高可解释性并降低数据要求。

应用案例

Citrine Informatics 将材料感知人工智能应用于发现和优化，与前沿法学硕士相比，能够以更少的计算量实现更快的产品开发并缩短客户响应时间。 云锦特导 利用人工智能研发发现了一种新型铜合金，在种子融资一年内实现了显着的效率提升和商业销售。

为了随着行业的成熟获得持久的回报，投资者必须重新调整对整合、资本效率和推理系统的预期。