问题：智能系统应用快速扩展的同时，生成结果的准确性和稳定性问题日益凸显。大语言模型在处理复杂任务时可能出现偏差或错误，增加了实际应用中的不可控风险。如何构建更稳定、可解释的基础模型体系，成为学术界和产业界共同关注的焦点。 原因：研究显示，当前主流框架以Transformer为核心，推动了从特征工程到深度表征学习的转变。然而，这些框架主要侧重工程效率优化，对"智能机理"缺乏系统性解释。模型规模的扩大并未自动提升可解释性和一致性，基础理论与算法结构的不匹配是可靠性问题的主要原因。 影响：在公共服务、工业控制等关键领域，模型可靠性不足可能引发安全隐患和决策失误，影响智能技术的公信力和广泛应用。报告指出，公众看到的多是技术应用层面，而底层机制和科学原理仍是亟待解决的深层挑战。 对策：Randy Goebel提出多模型兼容框架解决方案：一是将不同模型整合为多模块系统，实现功能互补；二是让模型以独立代理形式协作，分工处理任务并交叉验证结果。通过优化系统结构和约束机制，提升输出的一致性和可控性，是提高可靠性的有效途径。 前景：在"以智赋能 掌控未来"的主题下，混合神经符号基础模型研究具有重要战略意义。未来，整合多模型优势、加强理论解释和验证体系建设，将有助于打造更稳健的智能技术基础。随着跨学科合作和工程验证的深入，基础模型从"能用"到"可信"的转变有望加速实现。
人工智能发展正进入新阶段，从追求规模和性能转向探索理论深度和机理本质已成为必然趋势；神经符号融合与多模型协同不仅是技术创新，更是对研究范式的深刻反思。这需要学界和业界共同努力，在推进应用的同时加强基础理论研究，才能真正实现人工智能从"可用"到"可信"的跨越，为智能化发展奠定坚实基础。