目前主要有两个不同的人工智能领域。有基于“从经验中学习”的神经网络方法。还有“高级逻辑推理”方法，使用 LISP 和 PROLOG 等语言。
这些之间有很多重叠吗？我找不到很多！
举一个简单的例子，可以在 PROLOG 中表达一些游戏，然后使用神经网络来尝试玩游戏。
作为一个更复杂的例子，一个人可能会有一组可以以各种方式组合的 PROLOG 规则，以及一个神经网络来评估规则的有用性（通过模拟）。甚至创建新的 PROLOG 规则。（神经网络已用于某种语言生成，那么为什么不生成 PROLOG 规则，然后可以通过另一个神经网络评估其有用性？）
作为另一个例子，具有 PROLOG 规则的机器可能能够使用神经网络将这些规则编码成某种语言，然后再由另一台机器解码。所以向另一台机器表达指令。
我认为，这样一个可以使用 PROLOG 规则、组合它们、生成新规则并评估它们的组合系统可能是高度智能的。因为它可以访问高阶逻辑。并且与“思考”有一些相似之处。
关于您的确切问题，已发表的研究试图将这两个领域结合在一起。
例如，HolStep: A Machine Learning Dataset for Higher-order Logic Theorem Proving (2017)，作者 Cezary Kaliszyk、François Chollet、Christian Szegedy。该小组还有其他与该主题相关的已发表作品。
不管他们的结果如何，他们列出了几个非常适合机器学习方法的逻辑系统领域（第 3.1 节，第 4 页）：
预测一个陈述在给定猜想的证明中是否有用
预测证明陈述的依赖关系（前提选择）
预测一个陈述是否重要（人名）
预测特定中间陈述源自哪个猜想
预测给定语句的名称
生成对给定猜想的证明有用的中间语句
生成当前证明将导致的猜想
很难知道您是否可以有效地结合高阶逻辑和机器学习，而无需创建通用 AI。这相当于想知道这两个领域的有效合并是否是一个 AI-complete / AI-hard 问题。
Ben Goertzel 等研究人员对通用 AI 进行了积极的尝试（还有许多其他人，但只是为了给谷歌搜索起一个流行的名字）。对一般人工智能的研究会让你了解是否需要拼图的其他部分来创造“高度智能”的东西。
机器学习与符号 AI 相结合的另一个例子是在知识图谱（可以被视为知识库的图形/视觉表示）的上下文中，人们一直在提出学习嵌入的实体和关系的方法。图（称为知识图嵌入），以便能够执行三元分类等任务（即给定一个三元组有一个主题， 关系和对象，这是真的吗？）。