Prolog
PulseAugur coverage of Prolog — every cluster mentioning Prolog across labs, papers, and developer communities, ranked by signal.
5 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.
-
Prolog 教科书《Simply Logical》演变为在线互动版
一篇发表在 arXiv 上的论文详细介绍了 Prolog 教科书《Simply Logical -- Intelligent Reasoning by Example》的演变过程。该书最初于 1994 年以印刷版和 3.5 英寸软盘的形式发布，现已转变为一个完全在线的互动版本。作者们探讨了技术对教育材料的影响，其中一位作者讨论了原书的理念，另一位作者详细介绍了互动式网页编程的实现，还有一位作者展示了用于在线版本的创作工具包。这项工作为…
-
新的 $\pi$-CoT 提示方法增强了 LLM 的多跳问答能力
研究人员推出了一种新的提示策略——基于 Prolog 的链式思考提示（$\pi$-CoT），旨在提高大型语言模型（LLM）的多跳问答能力。该方法通过将复杂问题重构为顺序的、单跳的 Prolog 查询，将 Prolog 的逻辑严谨性与 LLM 的灵活性相结合。这些查询的中间结果随后用于初始化后续的链式思考推理过程，旨在缓解在检索增强生成（RAG）场景中出现的循环推理和逻辑偏差等问题。
-
LLM 通过新的潜在推理和 CoT 压缩技术得到增强 · 跟踪 7 个来源
多篇研究论文探索了通过优化大型语言模型 (LLM) 的潜在表示和推理过程来增强其推理能力的新方法。技术包括使用不变度量进行稳定表示（Invariant-Measure Reasoners）、基于 Prolog 的自举思维链（Thought-Like-Pro）以及在潜在空间中进行约束优化以减少过度思考和 token 消耗（Efficient Reasoning via Constrained Optimization in Latent…
-
WAMpy框架加速Python中Prolog程序合成
研究人员开发了WAMpy，一个专为高效合成Prolog程序设计的Python框架。该系统特别适用于涉及重复生成和评估小型候选程序的任务。WAMpy通过将Prolog子句编译为基于NumPy数组的WAM指令，并利用Numba对性能关键例程进行即时编译，从而实现性能提升。基准测试表明，对于涉及重复编译和评估的工作负载，WAMpy通过Janus从Python访问时，其性能优于SWI-Prolog。
-
关于使用 Prolog 进行人工智能编程的新书发布
Mark Watson 的著作《Practical AI Programming with Prolog》现已上市。读者可以通过 Leanpub Reader 会员免费阅读，或以 8.00 美元的价格购买。
-
新框架将交通规则翻译成Prolog逻辑，准确率达75%
研究人员开发了一个名为结构化四阶段法律翻译（S4L）的新框架，用于将自然语言交通规则翻译成可执行的Prolog逻辑。该方法旨在克服法律文本固有的歧义和不确定性，这与计算推理引擎的精确要求相冲突。S4L在形式化交通规则方面达到了75%的准确率，优于自然语言到Prolog（NL->Prolog）的60%和逻辑英语到Prolog（LE->Prolog）的55%的基线方法。该框架的成功证明了结构化推理提示在提高自然语言到逻辑翻译的可靠性方面具…
-
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。