在機械人領域，研究團隊展示把神經網絡與符號推理結合的做法，可在需要長步驟規劃的任務中顯著減少試錯，並把訓練與執行能耗降到傳統方法的一小部分。測試中，系統在經典規劃題上取得遠高於常見方法的成功率，且在未見過的更複雜版本仍能保持表現。這類方向對「要在邊緣設備上跑、又要可靠」的應用（例如倉儲、零售後勤、醫療輔助機械人）尤其關鍵，亦呼應全球對 AI 用電與可持續性的關注。
在機械人領域，研究團隊展示把神經網絡與符號推理結合的做法，可在需要長步驟規劃的任務中顯著減少試錯，並把訓練與執行能耗降到傳統方法的一小部分。
在機械人領域，研究團隊展示把神經網絡與符號推理結合的做法，可在需要長步驟規劃的任務中顯著減少試錯，並把訓練與執行能耗降到傳統方法的一小部分。測試中，系統在經典規劃題上取得遠高於常見方法的成功率，且在未見過的更複雜版本仍能保持表現。這類方向對「要在邊緣設備上跑、又要可靠」的應用（例如倉儲、零售後勤、醫療輔助機械人）尤其關鍵，亦呼應全球對 AI 用電與可持續性的關注。