[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,62 +2,187 @@
|
||||
id: wiki-2026-0508-symbolic-ai-vs-connectionism
|
||||
title: Symbolic AI vs Connectionism
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [AI-DEBATE-001]
|
||||
aliases: [GOFAI vs Neural Networks, Logic vs Learning, Symbolic vs Subsymbolic]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [ai-history, symbolic-ai, connectionism, neural-networks, Philosophy-of-ai]
|
||||
confidence_score: 0.95
|
||||
verification_status: applied
|
||||
tags: [ai-history, symbolic-ai, connectionism, neuro-symbolic, philosophy-of-ai]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: pytorch+z3
|
||||
---
|
||||
|
||||
# Symbolic AI vs Connectionism (기호주의 vs 연결주의)
|
||||
# Symbolic AI vs Connectionism
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "논리적 기호로 지능을 설계할 것인가, 뉴런의 연결망으로 지능을 창발시킬 것인가" — 인공지능의 황금기를 이끈 '기호주의(Good Old Fashioned AI)'와 현대 딥러닝의 뿌리인 '연결주의' 간의 근본적인 철학 및 기술적 대립과 융합.
|
||||
## 매 한 줄
|
||||
> **"매 symbolic 은 rules 의 manipulate, connectionist 는 weights 의 learn — 매 century-long debate"**. 매 1956 Dartmouth → 1980s expert system winter → 2012 AlexNet → 2022 ChatGPT 의 connectionist victory. 매 2026 의 답: 매 winner 없음, 매 hybrid (neuro-symbolic) 의 survive.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 명시적인 규칙과 지식 표현을 중시하는 하향식(Top-down) 접근과, 데이터로부터의 학습과 분산 표상을 중시하는 상향식(Bottom-up) 접근의 상호작용 패턴.
|
||||
- **세부 내용:**
|
||||
- **Symbolic AI:** 논리, 추론, 온톨로지 기반. 설명 가능성이 높으나 유연성이 낮음 (예: 전문가 시스템).
|
||||
- **Connectionism:** 신경망, 분산 처리 기반. 복잡한 패턴 인식에 강하나 블랙박스 특성이 있음 (예: 딥러닝).
|
||||
- **The Great Divergence:** 80-90년대 연결주의가 비판받던 시기를 지나, 2010년대 이후 빅데이터와 컴퓨팅 파워로 연결주의가 압도적 우위 점함.
|
||||
- **[[Neuro-Symbolic AI|Neuro-Symbolic AI]]:** 최근에는 두 방식의 장점을 결합하여, 신경망으로 인식하고 논리로 추론하는 하이브리드 모델 연구 활발.
|
||||
## 매 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 두 진영은 서로를 부정하던 시기를 거쳐, 현재는 고차원적 지능 구현을 위해 반드시 통합되어야 할 양 바퀴로 인식됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 연결주의적 모델(LLM)을 두뇌로 사용하되, 기호주의적 도구(Knowledge Graph, Rules)를 활용하여 정합성을 검증하는 하이브리드 전략을 취함.
|
||||
### 매 historical timeline
|
||||
- **1956 Dartmouth**: McCarthy, Minsky, Newell, Simon → symbolic dominant.
|
||||
- **1958 Perceptron**: Rosenblatt — connectionist 의 first.
|
||||
- **1969 Minsky/Papert "Perceptrons"**: XOR critique — 매 first AI winter.
|
||||
- **1980s Expert Systems boom + bust**: MYCIN, knowledge engineering bottleneck.
|
||||
- **1986 Backprop (Rumelhart)**: connectionist revival.
|
||||
- **2006 Deep Belief Net (Hinton)**: deep learning awakening.
|
||||
- **2012 AlexNet**: ImageNet 의 connectionist domination 의 시작.
|
||||
- **2017 Transformer**: attention-based 의 begin.
|
||||
- **2022 ChatGPT**: scale 의 power 의 evidence.
|
||||
- **2024 AlphaProof / AlphaGeometry**: hybrid 의 IMO-level.
|
||||
- **2026 현재**: pure-symbolic ≈ niche, hybrid mainstream.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Neural-Networks-Foundations, [[Knowledge-Graph|Knowledge-Graph]], [[Interpretability|Interpretability]], Artificial-Neural-Networks
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Symbolic-AI vs Connectionism.md
|
||||
### 매 symbolic 진영 (GOFAI)
|
||||
- **표현**: discrete tokens, logic, rules, KG.
|
||||
- **추론**: deduction, search, unification.
|
||||
- **장점**: interpretable, compositional, sample-efficient on structured.
|
||||
- **단점**: brittle, perception fail, knowledge-engineering bottleneck.
|
||||
- **대표**: SHRDLU, Cyc, Prolog, expert systems, Z3.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 connectionist 진영
|
||||
- **표현**: distributed embedding, weight tensor.
|
||||
- **추론**: forward/backward pass, attention, gradient descent.
|
||||
- **장점**: learns from raw data, perception, generalization.
|
||||
- **단점**: black box, hallucination, sample-hungry, OOD fragile.
|
||||
- **대표**: perceptron, CNN, LSTM, Transformer, LLM.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### 매 fundamental tensions
|
||||
- **Compositionality**: symbolic 의 native, connectionist 의 emergent (debated).
|
||||
- **Systematic generalization**: Marcus critique 의 핵심.
|
||||
- **Sample efficiency**: symbolic ≪ connectionist data hunger.
|
||||
- **Grounding**: connectionist 의 native, symbolic 의 needs perception layer.
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### 매 modern synthesis (neuro-symbolic, 2026)
|
||||
- **Pattern A (LLM-as-coder)**: LLM 가 Python/Lean code 의 generate, symbolic engine 가 execute.
|
||||
- **Pattern B (NN as perception, symbolic as reasoner)**: AlphaGeometry — NN proposes constructions, DD+AR proves.
|
||||
- **Pattern C (differentiable logic)**: Scallop, DeepProbLog — gradient through logic.
|
||||
- **Pattern D (RAG with KG)**: GraphRAG, Microsoft 2024 — embedding + KG triples.
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### 매 응용
|
||||
1. **AlphaProof**: LLM (Gemini) + Lean 4 → IMO 2024 silver.
|
||||
2. **AlphaGeometry**: NN constructions + symbolic deduction → IMO geometry gold.
|
||||
3. **GraphRAG**: KG-augmented retrieval — connectionist embed + symbolic graph traversal.
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
## 💻 패턴
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
### 1. Pure symbolic (Prolog-style)
|
||||
```prolog
|
||||
parent(tom, bob).
|
||||
parent(bob, alice).
|
||||
ancestor(X, Y) :- parent(X, Y).
|
||||
ancestor(X, Y) :- parent(X, Z), ancestor(Z, Y).
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
?- ancestor(tom, alice). % true
|
||||
```
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
### 2. Pure connectionist (Transformer)
|
||||
```python
|
||||
import torch.nn as nn
|
||||
class Tiny(nn.Module):
|
||||
def __init__(self):
|
||||
super().__init__()
|
||||
self.emb = nn.Embedding(50000, 512)
|
||||
self.tr = nn.TransformerEncoderLayer(512, 8)
|
||||
self.head = nn.Linear(512, 50000)
|
||||
def forward(self, x):
|
||||
return self.head(self.tr(self.emb(x)))
|
||||
```
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
### 3. Hybrid: LLM proposer + Z3 verifier
|
||||
```python
|
||||
import anthropic, z3
|
||||
|
||||
client = anthropic.Anthropic()
|
||||
|
||||
problem = "Find x, y in [0,100] s.t. 3x + 2y = 47, x*y is prime."
|
||||
|
||||
resp = client.messages.create(
|
||||
model="claude-opus-4-7",
|
||||
max_tokens=500,
|
||||
messages=[{"role": "user", "content":
|
||||
f"Output Z3 Python code (no prose) for: {problem}"}]
|
||||
).content[0].text
|
||||
|
||||
# Execute LLM-generated symbolic code
|
||||
exec_globals = {"z3": z3}
|
||||
exec(resp, exec_globals) # symbolic solver gives ground truth
|
||||
```
|
||||
|
||||
### 4. AlphaGeometry-style construct + verify
|
||||
```python
|
||||
def alphageometry_step(problem, llm, dd_engine):
|
||||
while not dd_engine.solved(problem):
|
||||
construction = llm.suggest_aux_construction(problem.state)
|
||||
problem.add(construction)
|
||||
dd_engine.deduce(problem) # symbolic forward chain
|
||||
return problem.proof
|
||||
```
|
||||
|
||||
### 5. GraphRAG (hybrid retrieval)
|
||||
```python
|
||||
def graph_rag(query, kg, vector_store):
|
||||
# connectionist: semantic match
|
||||
docs = vector_store.search(query, k=20)
|
||||
# symbolic: extract entities + walk KG
|
||||
entities = extract_entities(query) # NER (NN) → symbol
|
||||
subgraph = kg.k_hop_neighbors(entities, k=2)
|
||||
# combine
|
||||
return llm.answer(query, context=docs + subgraph.to_text())
|
||||
```
|
||||
|
||||
### 6. Differentiable logic (Scallop sketch)
|
||||
```python
|
||||
import scallopy
|
||||
ctx = scallopy.ScallopContext()
|
||||
ctx.add_relation("edge", (int, int))
|
||||
ctx.add_rule("path(x, y) :- edge(x, y)")
|
||||
ctx.add_rule("path(x, y) :- edge(x, z), path(z, y)")
|
||||
|
||||
# NN outputs probabilistic edges; loss flows back through reasoning
|
||||
ctx.add_facts("edge", [(0, 1, 0.9), (1, 2, 0.7)])
|
||||
ctx.run()
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Perception 의 dominant (vision, audio) | Connectionist |
|
||||
| Logical guarantees 의 필요 | Symbolic verify layer |
|
||||
| Mixed (proof, planning) | Neuro-symbolic hybrid |
|
||||
| Tabular small | Tree (gradient boosting) |
|
||||
| Knowledge-rich QA | Connectionist + KG RAG |
|
||||
| Code/math | LLM proposer + interpreter/Lean/Z3 verifier |
|
||||
|
||||
**기본값**: 매 LLM (connectionist) + verifier (symbolic) hybrid 의 pragmatic default.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[AI-History]] · [[Philosophy-of-AI]]
|
||||
- 변형: [[Symbols]] · [[Connectionism]] · [[Neuro-Symbolic-AI]]
|
||||
- 응용: [[AlphaProof]] · [[AlphaGeometry]] · [[GraphRAG]]
|
||||
- Adjacent: [[Marcus-Critique]] · [[Compositionality]] · [[Grounding-Problem]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: history explain, position survey, hybrid pattern design.
|
||||
**언제 X**: 매 ground truth math/logic — verifier 의 필수.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Pure symbolic 의 modern build**: 매 brittleness — knowledge engineering bottleneck.
|
||||
- **Pure connectionist 의 logical task**: 매 hallucination — verifier 의 add.
|
||||
- **Hybrid 의 over-engineer**: 매 simple task 의 simple model 으로 충분.
|
||||
- **"Connectionist won" claim**: 매 incomplete — IMO-level 의 hybrid 의 need.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Marcus "The Next Decade" 2020, Bengio·Russell·Hinton statements 2024, AlphaProof Nature 2024, Hinton Turing lecture).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — symbolic vs connectionist (history + modern hybrid) |
|
||||
|
||||
Reference in New Issue
Block a user