Prolog
PulseAugur coverage of Prolog — every cluster mentioning Prolog across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
Prolog-based AI policy explainability tools to emerge within 9 months
A novel process has been developed to transform deep reinforcement learning policies into readable Prolog programs, aiming to enhance AI explainability. This method guarantees monotonic improvement and termination, with Prolog programs matching or exceeding original neural network performance. This suggests a potential for new tools that leverage Prolog for making complex AI policies transparent and understandable.
Prolog's historical significance in AI is being re-examined
There's a notable cluster discussing the origins and historical significance of Prolog, referencing its introduction and commentary on Hacker News. This indicates a renewed interest in the foundational aspects of logic programming and its place in the history of AI research.
Prolog to see increased adoption in formal verification tooling within 6 months
Recent evidence shows Prolog being used to encode interactive sequent provers for Event-B and extended as a model checker (ProB) for visualizing Prolog transition systems. Coupled with Claude LLM's successful use for Prolog code generation and formal verification, this suggests a growing trend towards using Prolog for robust AI verification tasks. We anticipate this will lead to more formal verification tools being built with or integrated with Prolog.
-
Mark Watson 的 AI 编程书籍可通过 Leanpub 获取
Mark Watson 的书籍《Practical AI Programming with Prolog》现已上市。读者可以通过订阅 Leanpub Reader 会员免费阅读，或以 8.00 美元购买。
-
MetaSpace框架测试具身AI智能体的空间认知能力
研究人员推出MetaSpace，一个用于评估具身智能体空间认知能力的新颖框架。该系统应用了软件工程中常用的变形测试（metamorphic testing）原理，通过逻辑规则和物理定律自动生成测试用例。通过将这些原理编码到Prolog中，MetaSpace通过检测预定义的变形关系（metamorphic relations）的违本来识别空间认知中的失败。在三个场景的评估中，MetaSpace在最先进的多模态大型语言模型（MLLM）驱动…
-
新的RAG框架增强了问答系统的可解释性
研究人员开发了NeSy-RAG，这是一个新颖的检索增强生成（RAG）框架，旨在增强问答系统的可解释性。该系统从检索到的文本中合成可归因的Prolog模块，从而实现透明的执行跟踪，将推理步骤与其原始来源联系起来。NeSy-RAG还包含一个机制来检测和解决用户特定上下文缺失的问题，从而提高其输出的完整性和准确性。在ShARC基准测试中，NeSy-RAG的准确率为61.1%，显著优于标准的RAG基线。
-
大型语言模型与符号推理结合用于多机器人规划
研究人员开发了PLANTOR框架，该框架将大型语言模型（LLMs）与符号推理相结合，用于多机器人时间规划。该系统利用LLMs从自然语言任务描述中创建结构化的Prolog知识库，然后检查错误并用于生成符号规划。这些规划被细化为机器人动作，并针对时间进行优化，然后转换为可执行的行为树。虽然LLM生成的知识库可以显著减少手动工作量，但论文建议在关键任务中仍可能需要人工纠正，提倡一种混合方法，即LLMs协助创建符号制品，而规划过程仍可检查。
-
AI 研究员 Frank Bergmann 将在 AGI2026 讨论人工智能与意识
哲学家兼人工智能研究员 Frank Bergmann 将在 AGI2026 发表演讲。他的演讲将聚焦人工智能与意识，借鉴其在符号人工智能和哲学视角方面的背景。Bergmann 的工作融合了佛教、哲学和人工智能研究的元素。
-
Anthropic 的 Claude LLM 用于 Prolog 代码生成和形式化验证
研究人员详细介绍了一项实验，他们使用 Anthropic 的 Claude LLM 解决了称为 P-99 的一组 Prolog 编程练习。该 LLM 不仅生成了 Prolog 代码和测试，还使用逻辑程序定理证明器 (LPTP) 形式化证明了类型、接地性（groundness）和终止性等属性。这种被称为“vibe-coding/vericoding”的方法，涉及生成非正式规范，并让 Claude 产生具有形式保证的可靠代码，最终生成了 …
-
Prolog 的诞生：回顾逻辑编程的起源
该集群讨论了 Prolog 的起源和重要性，Prolog 是一种于 1996 年开发的逻辑编程语言。讨论强调了其在人工智能和编程中的历史背景，并引用了它在 Hacker News 上的介绍和相关评论。
-
AI 通过新工具和基准推动形式化证明系统发展 · 跟踪 4 个来源
研究人员为形式化定理证明开发了新工具和基准，该领域与 AI 的相关性日益增强。一篇论文详细介绍了一个用于 Event-B 的交互式序列证明器，该证明器用 Prolog 编码，在教学和证明分析方面具有优势。另一篇论文介绍了 ProB（一个基于 Prolog 的模型检查器）的扩展，用于动画和可视化 Prolog 转换系统，并应用于游戏策略评估和教学。第三项贡献引入了 ITPEval，这是第一个用于在不同交互式定理证明器 (ITP) 之间翻…
-
AI策略被转化为可读的Prolog程序，以增强可解释性
研究人员开发了一种新颖的三阶段流程，将深度强化学习策略转化为可执行的Prolog程序。该方法旨在通过将复杂AI模型的“黑箱”性质转化为可读可编辑的逻辑，使其更具可解释性。该系统保证了单调改进和终止，实证结果表明，在包括连续控制场景在内的各种任务上，Prolog程序可以媲美甚至超越原始神经网络的性能。
-
Prolog库实现直接的大型语言模型集成
一个名为pllm的新Prolog库已发布，它使开发人员能够将大型语言模型（LLMs）直接集成到Prolog程序中。该库提供了一个名为llm/2的谓词，该谓词与OpenAI兼容的聊天/补全端点进行交互，允许Prolog代码发送提示并接收模型响应。它支持各种提供商，包括OpenAI和本地Ollama实例，并提供配置端点、模型和API密钥的选项。
-
GitHub 上分享的基于 Prolog 的知识库项目
Hacker News 上分享了一个名为“Kb – Prolog Knowledge Base”的 GitHub 存储库。该项目利用逻辑编程语言 Prolog 来创建一个知识库。该存储库是开源的，托管在 GitHub 上。
-
新的神经符号框架增强了工业数字孪生
研究人员推出 ANSR-DT，一个旨在增强工业应用数字孪生的新型神经符号框架。该框架集成了时间异常检测、符号推理和强化学习，以提高可解释性、适应性和领域知识的整合。ANSR-DT 结合了用于模式识别的 CNN-LSTM 模型和基于 Prolog 的推理，以生成明确的规则和可追溯的决策路径，并通过基于 PPO 的适应层进一步优化。实验结果表明，ANSR-DT 在提供稳定的规则提取和可扩展推理的同时，实现了具有竞争力的预测性能，优于八种基…
-
Prolog 的可预测性与当前 AI 的不透明性形成对比
用户正在讨论 Prolog 与当前 AI 系统相比的可预测性和可解释性。他们指出，Prolog 虽然效率低下，但提供了持续且可理解的输出，他们认为现代 AI 未能达到这一标准。这种比较突显了人们对 AI 的可靠性和透明度倒退的看法。
-
LLM应对CUDA调试和抽象推理，带来新基准和方法
两篇新研究论文探讨了大型语言模型（LLM）的高级调试和推理技术。第一篇论文介绍了CUDABeaver，这是一个旨在评估基于LLM的CUDA代码调试的基准，强调了修复过程中性能保持的挑战。第二篇论文提出了基于诱导的程序化改进（ABPR），这是一种结合LLM和Prolog进行算法调试的神经符号方法，在ARC-AGI-2等抽象推理任务上展示了显著的改进。
-
新的 BPPO 方法提高了 LLM 的效率和简洁性
研究人员开发了二元前缀策略优化 (BPPO) 方法，该方法旨在提高使用组相对策略优化 (GRPO) 训练的大型语言模型 (LLM) 的效率和简洁性。BPPO 仅优化响应的前缀，降低了计算成本，并在不牺牲准确性的情况下鼓励更短、更直接的答案。该方法在 GSM8K 和 MATH 等推理任务的实验中显示出显著的速度提升和响应长度缩减。
-
人工智能证明生成被比作计算搜索方法
人工智能在生成数学证明中的应用正被比作传统的搜索算法。一种观点认为，这种由人工智能驱动的证明生成可以被视为一种计算搜索形式，这项技术在诸如Prolog等领域已经应用了几十年。这引发了关于人工智能是否代表一种根本性的新方法，还是数学中现有计算方法的演变的问题。
-
通过宝可梦类比解释 Prolog 编程语言
最近的一篇文章通过借鉴流行的宝可梦系列来探讨 Prolog 编程语言。文章认为，使用宝可梦中熟悉的で概念可以使学习 Prolog 更容易。该文强调了某些编程范式可以通过相关的类比更好地理解。
-
使用宝可梦角色实现的 Prolog 逻辑编程
一篇近期文章探讨了如何使用流行的游戏宝可梦来实现 Prolog 编程语言。这种创造性的方法通过一个熟悉且引人入胜的媒介，展示了 Prolog 的灵活性和基本原理。该项目展示了逻辑编程、游戏设计和教育技术的独特交集。
-
1985年AI的早期承诺激发了计算机科学的职业生涯
作者回顾了1985年第一次接触用Prolog编写的AI程序的经历。这种早期接触人工智能的经历激励他攻读计算机科学专业，尽管他后来没有继续从事AI领域的工作。如今已退休的他，观察到AI目前的复苏和流行，并指出时机在生活中的作用。
-
Dyna语言连接逻辑编程与机器学习研究
Dyna是一种专为机器学习研究人员设计的新型编程语言，旨在弥合数学概念与可执行代码之间的差距。它建立在Datalog和Prolog等逻辑编程范式的基础上，引入了灵活的执行顺序和加权规则等功能。这使得能够用最少的代码简洁地表达复杂的算法，包括矩阵乘法、斐波那契数列和神经网络。