뉴로심볼릭 AI

데이터에서 패턴을 배우는 신경망과 규칙대로 따지는 기호 논리를 한 시스템에 묶어, 인식은 신경망이, 판단은 논리가 맡는 AI 방식이다. 조건이 많이 얽혀 정답을 규칙으로 판정할 수 있는 문제나, 틀린 답이 큰 문제가 되는 서비스에 쓴다.

LLM은 번역만, 답은 솔버가

개발자가 가장 쉽게 써 볼 수 있는 형태다. 회의 일정 조율이나 요금 계산처럼 조건이 많은 문제를 LLM이 바로 풀면 조건 하나를 빠뜨리기 쉽다. 그래서 LLM에게는 문제를 Z3 같은 솔버의 제약식, Prolog 규칙, 실행되는 Python 코드로 옮기는 일만 맡기고, 답은 솔버가 계산하게 한다.

솔버는 모든 조건을 만족하는 답을 찾거나, 그런 답이 아예 없다는 것을 증명해 준다. 번역이 틀렸으면 솔버가 모순을 알려 주니, 그 결과를 LLM에게 보여주고 다시 고치게 하면 된다.

챗봇 답변을 규칙으로 검사한다

같은 원리로 LLM 답변이 맞는지 검증할 수도 있다. Amazon Bedrock Guardrails의 Automated Reasoning checks는 인사 규정이나 대출 심사 기준 같은 문서를 논리 규칙으로 바꿔 두고, 챗봇 답변이 그 규칙과 어긋나면 어느 규칙과 어긋났는지를 근거로 돌려준다. 틀린 답이 곧 법적 문제가 되는 규정 안내 챗봇에 쓸 만하다.

다만 검증은 정책에 정의된 범위 안에서만 통하고, 문장을 논리식으로 옮기는 일은 여전히 LLM이 하므로 그 번역이 정확해야 전체가 믿을 만하다.

규칙이 분명하면 더 정확하고 싸다

구글 딥마인드의 AlphaGeometry는 기호 엔진이 추론하다 막히면 언어 모델이 보조점 아이디어를 내는 방식으로 올림피아드 기하 문제를 풀고, 사람이 읽을 수 있는 증명까지 남겼다. 로봇 블록 쌓기 실험에서도 뉴로심볼릭 시스템이 큰 신경망 모델보다 훨씬 자주 성공했다.

하노이의 탑 형태 블록 쌓기 과제의 시뮬레이션 성공률(터프츠대, ICRA 2026). 학습에 든 에너지는 뉴로심볼릭이 약 100분의 1이었다.

열린 문제에는 아직 큰 신경망이 낫다

기호 쪽이 추론 과정을 남기므로 결론이 왜 나왔는지 사람이 확인할 수 있다는 게 큰 장점이다. 하지만 규칙을 사람이 직접 정해야 하는 경우가 많아 데이터만 넣으면 되는 딥러닝보다 손이 많이 가고, 신경망과 논리 사이를 잇는 부분에서 정보가 새기 쉽다. 규칙이 잘 정리되지 않은 문제라면 여전히 큰 신경망이 유리하다.

LLM에 솔버나 규칙 검사기를 붙여 쓴다

가장 흔한 건 LLM 뒤에 솔버나 규칙 검사기를 붙이는 방식이다. 말을 알아듣는 일은 LLM에 맡기고, 정확해야 하는 계산과 판정만 논리 쪽으로 넘긴다.