本文介绍了一种新的机器学习模型——Boolformer，它可以从输入-输出示例中直接诱导出紧凑的布尔公式，为符号逻辑任务提供了一个开创性的解决方案。与传统神经网络不同，Boolformer 可以为其预测提供简明、合理的解释，具有可解释性。实验证明，Boolformer 在现实世界的二元分类问题上的预测准确性不相上下，甚至有过之而无不及。此外，Boolformer 还具有对噪声的鲁棒性、近似逻辑、快速推理、电路紧凑、自动设计、平滑降级等优点。与传统的大型语言模型相比，Boolformer 在任务制定、可解释性、通用性、推理、样本效率、归纳偏差、组合泛化等方面有所不同。