我的直觉是理解语言和符号数学（例如代数）之间存在一些重叠。代数的规则有点像语法，一步一步的论证让你有点像叙述。如果有人相信这个前提，那么可能值得训练 AI 来做代数（求解 x、导出这个方程等）。
此外，当变量表示“实”数（例如在物理学中所见）时，代数方程以抽象的“线性”方式描述现实世界，这有点类似于自然语言。
最后，代数中有一些练习，如简化、推导有用的方程等，这些练习接近于主观领域，但它仍然比语言更有条理和一致。似乎这可能是通向自然语言歧义的垫脚石。
谁能说出这是否已经（1）被探索或（2）是一个完全虚假的想法？
没有，真的。自然语言比代数更加复杂和不规则，代数更加形式化和明确。
到目前为止，在 NLP 中，大多数成功/进步都是在小玩具领域取得的，这些领域排除了现实生活的大部分复杂性，包括许多模糊性。
当你说代数的规则有点像语法时，那是因为它本质上是一种形式语言，我们可以为它指定一个语法。目前没有任何人类语言的完整语法（我怀疑永远不会有），更不用说可以由计算机处理的正式语法了。
这就是为什么第一次 AI 热潮（许多过度宣传的关于能够自动将俄语翻译成英语的承诺）失败的原因之一：自然语言不仅仅是词汇项目的形式语法。
随机方法在某种程度上朝着务实的解决方案迈进了一步，但在理解语言方面，它们基本上是一种软糖。不要让我开始研究 NLP 的深度学习方法。
因此，唯一的关系是我们在这两种情况下都使用术语“语法”来表示描述性形式；代数的形式语法与人类语言的语法非常不同。
然而，这并不意味着在 NLP 领域开发的方法不能应用于代数：即使是那些因为过度限制而在 NLP 中失败的方法。要了解有关此的更多信息，请查找Chomsky Hierarchy——它描述了形式语言的不同表达能力。
但我认为人类语言不在此范围内，因为它不是一种正式的语言。
询问这两个问题是否相关的方法之一是询问，我们能否用 NLP 方法解决数学/代数方程，答案是肯定的，这是一个绝对有效的想法，许多研究人员都在研究它。
例如，在 facebook 研究人员的“符号数学深度学习”论文中，基于 NLP 的方法被用于解决微积分级别的数学问题。
或者在本文中，作者提出了一种从单词中的数学问题中提取语义并解决它们的方法。
事实上，即使是像小型 LSTM 网络这样非常简单的方法也可以解决简单的严格问题
许多自然语言处理软件（2021 年）都在使用统计方法。
阅读深度学习革命（T.Sejnowski 着）、人工存在、良心机器的良心（J.Pitrat 着）、深度学习简介（E.Charniak 着）。
但是，也可以使用混合方法（如在RefPerSys中）。
所谓的基于框架的方法可以并且已经在 NLP 中使用。从抽象的角度来看，它们接近于代数。并且可能仍然是生成自然语言句子（书面形式）的最佳方法之一。
Pitrat 数十年来一直在教授和倡导一种符号 AI 方法来处理 NLP。你可以阅读他的法语书Métaconnaissances, futur de l'IA（元知识，人工智能的未来）。
另请阅读知识表示和推理（Braqueman & Leveque）等书籍
您还可以阅读（如果您能阅读法语）Nicolas Bourbaki 的Théorie des Ensembles或（英文）Interactive Theorem Proving and Program Development（Bertot & Castéran 着）。
符号 AI 方法绝对是“类似代数的”。在实践中，它们不需要强大的 GPGPU，甚至不需要做很多浮点运算。
我假设您想要处理可用作文本文件的人类语言文本（例如 HTML、XML、UTF8 编码的纯文本等）。如果您想处理声音和语音（例如，来自麦克风的音频信号），您确实需要更多的信号处理和浮点运算。如果你想处理图像（例如手写文本），它也是不同的。在法国，我会推荐Mohamed Daoudi教授。