인공지능(AI) 분야에서 신경망(neural network)과 기호 논리(symbolic logic)를 결합하려는 신경-기호 AI(Neuro-symbolic AI) 접근 방식이 주목받고 있습니다. 이는 순수 신경망이 가지는 해석 불가능성(lack of interpretability)과 논리적 구조 부족 같은 한계를 극복하고, 동시에 기호 논리의 형식적 추론 능력을 활용하여 AI의 인지 능력을 강화하려는 시도입니다. 최근 아카이브(arXiv)에 발표된 논문은 이러한 신경-기호 AI 로봇의 인지 능력을 확률적 추론을 통해 더욱 확장하는 방법을 제시했습니다.
조란 마이키치(Zoran Majkic)가 제안한 이 연구는 벨납(Belnap)의 유형화된 의도적 1차 논리($IFOL_B$)에 기반한 신경-기호 AI에 닐슨(Nilsson)의 확률 구조를 통합합니다. 핵심은 현재 알 수 없는 문장(unknown sentences)에 대해 확률을 계산하는 능력을 부여하는 것입니다. 이를 위해 연구는 지식 데이터베이스와 논리적 연역을 보존하는 전역 대칭 변환(global symmetry transformation)과, 특정 하위 문제에 대한 실시간 의사결정을 위한 지역 대칭 변환(local symmetry transformation)을 도입했습니다. 두 경우 모두 섀넌(Shannon)의 최대 정보 엔트로피(maximum information entropy)에 기반한 확률 밀도 함수($KI$) 계산은 신경망이 담당합니다.
이러한 확률적 확장은 신경-기호 AI 로봇이 불확실한 정보 속에서도 더 정교하게 추론하고 의사결정을 내릴 수 있게 한다는 점에서 중요합니다. 순수 신경망은 패턴 인식에 강하지만, 논리적 추론이나 설명 능력은 부족합니다. 반면 기호 논리는 명확한 추론 규칙을 제공하지만, 현실 세계의 모호하고 불확실한 정보를 처리하는 데 한계가 있습니다. 이번 연구는 이 두 가지 장점을 결합하여, AI가 미지의 상황에서도 확률적 판단을 내리고 지식을 확장할 수 있는 길을 열어줍니다. 이는 궁극적으로 보다 강력하고 유연한 범용 인공지능(AGI) 개발에 기여할 잠재력을 가집니다.