상징적 AI

기호적 인공지능(Symbolic AI)은 복잡한 과제를 해결하기 위해 문제, 논리, 탐색 능력을 인간이 이해할 수 있는 고수준 표현에 의존하는 인공지능의 한 분야입니다. 흔히 "구식 인공지능(GOFAI)"이라 불리는 이 접근법은 명시적 규칙에 따라 기호(실세계 개념을 나타내는 문자열)를 처리함으로써 인간의 추론 능력을 모방하려 합니다. 방대한 데이터에서 패턴을 학습하는 현대의 딥 러닝(DL) 과 달리, 상징적 AI는 특정 지식과 논리적 제약 조건을 수동으로 프로그래밍하므로 규칙을 엄격히 준수하고 투명한 의사 결정이 필요한 문제에 매우 효과적입니다.

상징적 추론의 메커니즘

기호적 인공지능의 핵심은 논리를 이용한 기호 조작에 있다. 이러한 시스템은 통계적 인공지능에서 발견되는 신경망에 의존하지 않고, 추론 엔진을 활용하여 기존 지식 기반에서 새로운 사실을 도출한다. 예를 들어, 상징적 시스템은 "소크라테스는 남자다"라는 사실과 "모든 인간은 필멸적이다"라는 규칙을 저장할 수 있습니다. 논리적 추론을 적용함으로써 시스템은 독립적으로 "소크라테스는 필멸적이다"라고 결론 내릴 수 있습니다.

이러한 명시적 구조는 높은 수준의 설명 가능한 인공지능(XAI)을 가능하게 합니다. 시스템이 명확한 "IF-THEN" 논리 체인을 따르기 때문에 엔지니어는 특정 결정이 내려진 정확한 이유를 추적할 수 있습니다. 이는 내부 추론 과정이 종종 불투명한 많은 생성형 AI 모델의 "블랙박스" 특성과는 뚜렷한 대조를 이룹니다.

상징적 AI와 통계적 AI 비교

상징적 인공지능(Symbolic AI)을 오늘날 지배적인 패러다임인 통계적 인공지능(Statistical AI)과 구분하는 것이 매우 중요하다.

• 상징적 인공지능은 하향식이며 규칙 기반이다. 추상적 추론, 계획 수립, 대수 방정식이나 지식 그래프 같은 정의된 구조 조작에 탁월하다. 규칙이 변하지 않는 정적 환경에서는 완벽하게 작동하지만, 잡음이 많은 데이터(구조화되지 않은 이미지 등)나 모호성에는 어려움을 겪는다.
• 통계적 인공지능 ( 기계 학습 포함)은 상향식이며 데이터 중심입니다. YOLO26과 같은 모델은 수천 장의 이미지를 처리함으로써 패턴을 인식하는 법을 학습합니다. 이들은 노이즈에 강건하며 지각 작업에 탁월하지만, 일반적으로 추가 구성 요소 없이는 논리적 추론을 수행하는 능력이 부족합니다.

실제 애플리케이션

딥 러닝이 인지 작업을 주도하는 반면, 정밀성과 감사 가능성을 요구하는 산업에서는 상징적 인공지능이 여전히 핵심적 역할을 수행합니다.

• 의료 분야의 전문가 시스템: 의학에서 초기 형태의 인공지능은 상징적 전문가 시스템이었다. 이 시스템들은 의료 지식 데이터베이스와 진단 규칙 집합을 활용해 치료법을 제안한다. 오늘날 이러한 논리 계층은 의료 비전 모델 내 인공지능과 함께 작동하며, 진단이 확립된 의료 프로토콜을 준수하도록 보장한다.
• 규제 및 재무 규정 준수: 금융 분야 인공지능에서는 확률적 추측이 종종 용납되지 않습니다. 세금 소프트웨어와 자동 규정 준수 검사기는 모든 계산이 정부 세법을 엄격히 준수하도록 기호 논리를 사용합니다. "99% 확률"은 세금 신고서에 불충분하며, 논리는 정확해야 합니다. 이는 기호 프로그래밍의 강점입니다.

신경-상징적 인공지능의 부상

신경-기호적 인공지능( Neuro-Symbolic AI)은 신경망의 지각 능력과 기호 논리의 추론 능력을 결합한 강력한 신흥 기술입니다. 이러한 하이브리드 시스템에서 컴퓨터 비전 모델은 감각 입력(세상을 보는 것)을 처리하는 반면, 기호 계층은 추론(규칙 이해)을 담당합니다.

예를 들어, Ultralytics 사용하여 공장에서 물체를 detect 후, 해당 감지 결과를 바탕으로 안전 규칙을 시행하기 위해 간단한 심볼릭 스크립트를 사용할 수 있습니다.

다음 예시는 기본적인 신경-기호적 워크플로를 보여줍니다: 신경 구성 요소(YOLO26)가 객체를 인지하고, 기호적 구성 요소(Python )가 규칙을 적용합니다.

from ultralytics import YOLO

# NEURAL COMPONENT: Use YOLO26 to 'perceive' the environment
model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")

# SYMBOLIC COMPONENT: Apply explicit logic rules to the perception
for r in results:
    for c in r.boxes.cls:
        class_name = model.names[int(c)]
        # Rule: IF a heavy vehicle is detected, THEN issue a specific alert
        if class_name in ["bus", "truck"]:
            print(f"Logic Rule Triggered: Restricted vehicle '{class_name}' detected.")

향후 전망

연구자들이 인공 일반 지능(AGI)을 향해 노력함에 따라 순수 통계 모델의 한계가 드러나고 있다. GPT-4와 같은 대규모 언어 모델(LLM)은 논리적 추론 대신 확률적으로 다음 단어를 예측하기 때문에 종종 "환각" 현상을 보인다.

상징적 추론을 통합함으로써 이러한 모델은 출력을 사실에 기반할 수 있게 합니다. 우리는 자연어 이해와구조화된 데이터베이스 쿼리 또는 수학적 솔버를 결합한 도구에서 이러한 진화를 목격하고 있습니다. 복잡한 시스템을 구축하는 개발자에게 Ultralytics 데이터셋을 관리하고 이러한 고급 논리 기반 애플리케이션의 감각적 기반이 되는 비전 모델을 훈련시키는 데 필요한 인프라를 제공합니다.