混合式神经-符号人工智能（Neuro-symbolic AI）是整合神经网络人工智能及符号人工智能的架构，以解决这两种AI方法的优缺点互补的问题，提供能够推理、学习和认知建模的强大AI。正如瓦利安特和许多人所说， 想要有效建立具有丰富计算能力的认知模型，需要结合可靠的符号推理和高效的机器学习模型。盖瑞‧马可斯（Gary Marcus）认为：“如果没有混合架构、丰富的先验知识和复杂的推理技术这三驾马车，我们就无法以合乎需要、自动化的方式打造丰富的认知模型。”此外，“为了建构一种强大、知识驱动的人工智能方法，我们必须在套组中拥有符号处理机制。太多有用的知识是抽象的，若没有用于表示和操作抽象知识的工具，就难以堪用，而迄今为止，我们所知道的唯一能可靠操纵这种抽象知识的运转体系是符号处理机制。”
丹尼尔·卡尼曼的书《快思慢想 》中讨论了两种思维，Henry Kautz 、Francesca Rossi、和Bart Selman也主张综合法，其论点即基于解决《快思慢想 》中的这两种思维的需要。卡尼曼描述人类思维有两个部分“系统1和系统2”。
根据这种观点，深度学习适合处理第一种认知，符号推理适合处理第二种认知。两者都是强大、可靠的AI所必备的，可以学习、推理，并与人类互动以接受建议和回答问题。事实上，自1990年代以来，许多研究人员在人工智能和认知科学领域已经在研究明确提及这两种对比系统的双历程模型。
整合方法种类繁多。Henry Kautz提出的混合式神经-符号架构分类法以及一些例子如下：
这些类别并不全面，例如，未考虑多智能体系统。Bader和Hitzler在2005年提出了一个更详细的分类，像是考虑了符号使用是否包括逻辑，如果包括，逻辑是命题逻辑还是一阶逻辑。 2021年有篇文章对2005年的分类法和Kautz的分类法进行了比较和对比。2020年，Sepp Hochreiter认为图神经网络“......是混合式神经-符号计算的主要模型”，因为“它们描述了分子的属性，模拟社交网络，或预测物理以及工程应用中具有粒子-粒子相互作用的的未来状态。”
马可斯认为“......结合学习和符号操作的混合架构对于强大的智能是必要的，但还不够”， 并认为：
建立强大的人工智能需要四个先决的认知条件：
这呼应了早在1990 年代对混合模型的提倡。
Garcez和Lamb描述该领域的研究至少在过去二十年一直在进行（实际上到现在已经三十多年了）。自2005年以来，每年都会举办一系列关于混合式神经-符号人工智能的研讨会。早在1990年代初期就组织了一批关于该主题的初期研讨会。
许多关键的研究问题仍然存在，例如：
混合式神经-符号方法的具体实作如下：
