상징적 AI(Symbolic AI)는 종종 GOFAI("Good Old-Fashioned AI")라고도 불리며, 형식 논리, 구조화된 규칙, 그리고 이산적 표현에 대한 탐색을 사용하여 추론과 문제 해결을 모델링하는, 기호의 명시적 조작에 기반한 인공지능 접근 방식이다. 이는 1950년대 이 분야의 창립부터 1980년대까지 인공지능 연구의 지배적인 패러다임이었으며, 이후 통계적 및 연결주의적 방법에 자리를 내주었다.
기원
이 접근 방식은 1956년 존 매카시가 조직한 다트머스 워크숍에서 표명된 이 분야의 창립 가정, 즉 지능이 원칙적으로 너무 정밀하게 기술될 수 있어서 기계가 이를 시뮬레이션할 수 있게 만들 수 있다는 가정에 그 뿌리를 두고 있으며, 일반적으로 규칙에 따라 기호를 조작함으로써 이루어진다. 초기 지지자들인 앨런 뉴웰과 허버트 사이먼은 논리 이론가(1956)와 일반 문제 해결사(1957)를 개발했는데, 이는 문제의 상징적 표현을 탐색하여 수학적 정리를 증명하고 퍼즐을 풀도록 설계된 프로그램으로, 종종 "물리적 기호 시스템 가설"이라고 불리는 기초를 마련했다. 즉, 기호 조작이 일반적인 지능적 행동에 필요하고 충분하다는 것이다.
기법
상징적 시스템은 일반적으로 지식을 형식 언어의 사실과 규칙으로 표현한 다음, 논리적 추론, 휴리스틱 탐색, 또는 계획 알고리즘을 적용하여 결론을 도출하거나 행동을 선택한다. 대표적인 기법으로는 생성 규칙 시스템, 의미 네트워크, 지식 그래프 스타일의 구조화된 표현, 그리고 자동 정리 증명기와 제약 충족 솔버가 있다. 이후의 기계 학습 접근 방식과 달리, 상징적 시스템은 일반적으로 데이터에서 규칙을 학습하지 않으며, 도메인 지식은 인간 전문가에 의해 수작업으로 설계되어, 상징적 시스템은 해석 가능하고 감사 가능한 추론 과정이라는 이점을 제공한다.
전문가 시스템 붐
상징적 AI는 1970년대 후반과 1980년대에 전문가 시스템 기술로 상업적 정점에 도달했는데, 의료 진단이나 화학 분석과 같은 좁은 영역에 대한 전문가 규칙을 코딩한 프로그램이 주요 기업 및 정부 투자를 유치했다. MIT AI 연구소의 공동 설립자이자 선도적인 상징적 AI 연구자였던 마빈 민스키는 영향력 있는 비판과 프레임워크를 기여했으며, 여기에는 경쟁 연결주의 모델인 퍼셉트론의 한계에 관한 시모어 파퍼트와의 1969년 저서가 포함되어, 이는 신경망 연구를 10년 이상 억제한 것으로 종종 평가된다.
쇠퇴
상징적 AI의 추진력은 1980년대 후반과 1990년대 초반의 더 넓은 AI 겨울과 함께 붕괴했는데, 전문가 시스템이 좁은 영역 밖에서는 취약하고, 규칙 기반이 커짐에 따라 유지 비용이 많이 들며, 인간이 쉽게 적용하는 불확실성, 모호성, 또는 "상식" 지식을 처리할 수 없었기 때문이다. 1990년대와 2000년대의 더 저렴한 컴퓨팅과 더 큰 데이터셋의 부상은 수작업으로 코딩된 규칙을 요구하기보다 데이터에서 직접 패턴을 학습할 수 있는 통계적 기계 학습 방법을 선호하게 했고, 이러한 전환은 신경망 아키텍처에 기반한 2012년 딥러닝 부흥 이후 극적으로 가속화되었다.
유산과 하이브리드 접근 방식
순수 상징적 AI는 더 이상 이 분야의 지배적인 패러다임이 아니지만, 그 아이디어는 현대 시스템에 지속되고 있다. 구조화된 지식 그래프 데이터베이스는 검색 엔진과 대규모 언어 모델 출력의 접지 기법을 뒷받침한다. 형식 검증과 제약 솔버는 안전 필수 소프트웨어에서 표준 도구로 남아 있다. 연구자들은 신경 패턴 인식과 상징적 추론을 결합하여 해석 가능성과 더 강한 일반화를 얻는 "신경-상징적" 하이브리드를 주기적으로 재검토해 왔으며, 순수 딥러닝 접근 방식에 대한 비평가들, 예를 들어 게리 마커스는 현재 딥러닝 시스템이 여전히 안정적으로 달성하지 못하는 견고한 추론을 위해 명시적 상징 구조의 일부 재도입이 필요할 것이라고 주장해 왔다.