综述梳理50余个神经符号系统，提出以溯源半环统一规则语言并给出场景—特征决策矩阵

提出以四条轴线（语义、表达力、神经集成、求值机制）组织规则式神经符号语言的分类框架，并用表格把布尔概率、可微概率、稳定模型、软合一、模糊/t-范数与代数电路六类语义对应到代表系统。 此前工作多按单一系统或单一形式化家族介绍，这里把语义选择、语法特征、神经接口方式与求值策略拆成可独立比较的维度，使不同方言之间的取舍显式化。 基于对50余个系统与应用的整理与归类，并以表格形式给出类别、语义与代表系统的对应关系。

用溯源半环作为统一代数：改变半环即可在不改程序的前提下改变语义，因此单个带可微半环的分层Datalog引擎（Scallop、Lobster、DOLPHIN）即可覆盖视觉推理、规划与程序分析等场景行。 把Green等人的溯源半环结果与递归Datalog的收敛条件联系起来，并指出概率语义并非直接来自半环同态，而需在布尔溯源多项式上做加权模型计数。 以公式化的推导树求和与-连续性条件为论证基础，并引用收敛性刻画工作；同时明确指出时序与软合一列没有明显的半环表述。

给出场景到特征的决策矩阵，指出感知类任务需要概率语义、视觉推理还需聚合与否定、时空任务需要时序算子、知识图谱依赖软合一、自然语言推理依赖外部函数接口，且没有单一方言覆盖全部场景。 把语言特征需求与具体应用场景直接对齐，使选型从形式化偏好转为任务约束驱动。 基于对四个研究领域、六类反复出现场景的语料整理，并以表格逐项标注所需特征。

归纳五个开放问题：LLM生成规则集的静态分析与修复、布尔/概率/模糊/嵌入语义的源级统一、Datalog与ASP在单一可微系统中的桥接、概率推理的可扩展性与误差界、神经符号程序的验证。 把当前系统的能力边界整理为可操作的研究议程，例如指出近似推理目前只返回点估计而无误差界，触发图物化可望扩展到传播区间或标签分布。 以对现有系统求值机制的梳理为依据，属于问题陈述与方向建议，而非实验结论。

该综述面向需要在神经组件之上保留可检查规则层的研究者与工程师，适用于Datalog及其扩展、回答集程序、Prolog风格概率逻辑程序以及学习此类规则的归纳逻辑编程方法；纯子符号模型（含图神经网络）被明确排除在范围之外。决策矩阵按六类场景给出特征需求，可用于在语义、表达力、神经集成与求值机制之间做取舍；溯源半环被定位为最接近共同基础的抽象，适合作为统一引擎的起点。

语料以近六年、50余个系统为主，AI领域占比最高，视觉与机器人覆盖相对较少，因此矩阵对这两类的覆盖可能不如AI类充分。时序算子与软合一尚无明显的半环表述，外部函数接口与半环选择正交，概率推理仍是可扩展性瓶颈；近似方法目前返回点估计而无误差界，何时能给出可计算界仍是开放问题。此外，推理捷径与符号接地问题被指出与语言设计大体正交，其缓解手段的普适性仍需进一步观察。