[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,91 +2,183 @@
|
||||
id: wiki-2026-0508-symbols
|
||||
title: Symbols
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-SYMB-001]
|
||||
aliases: [Symbolic Representation, Symbolic AI, GOFAI, Symbol Manipulation]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.91
|
||||
tags: [auto-reinforced, symbols, semiotics, abstraction, representation, cognitive-science]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [symbolic-ai, neuro-symbolic, knowledge-representation, reasoning]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: python
|
||||
framework: scallop
|
||||
---
|
||||
|
||||
# [[Symbols|Symbols]]
|
||||
# Symbols
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능의 압축 파일: 복잡한 현실의 개념을 '로고, 단어, 수식'이라는 작은 기호 하나에 담아, 인간이 초고속으로 소통하고 고차원의 추상적 사고를 할 수 있게 돕는 인지적 지름길."
|
||||
## 매 한 줄
|
||||
> **"매 symbol 은 discrete, manipulable token — meaning 의 abstract carrier"**. 매 Newell·Simon 의 Physical Symbol System Hypothesis 의 origin. 매 2026 의 modern usage: pure symbolic AI 의 retire, neuro-symbolic hybrid (Scallop, DeepProbLog, LLM+Lean) 의 mainstream.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
기호(Symbols)는 어떤 사물이나 개념을 대신하여 나타내는 표지나 약속입니다.
|
||||
## 매 핵심
|
||||
|
||||
1. **기호의 위력**:
|
||||
* **Abstraction**: 구체적인 사과 100개를 일일이 떠올리지 않아도 '사과'라는 기호 하나로 사고 가능. ([[Logic|Logic]]와 연결)
|
||||
* **Communication**: 다른 언어를 써도 '정지(Stop)' 표지판 기호 하나로 의사 소통 가능. (Communication와 연결)
|
||||
* **Computation**: 복잡한 물리학 현상을 $E=mc^2$이라는 기호 수식으로 치환해 연산 가능. ([[Physics|Physics]]와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 지능이란 결국 '세상을 기호화하고 그 기호들 간의 관계를 조작하는 능력'이며, 기호는 무거운 현실을 가볍게 다룰 수 있게 해주는 마법의 지팡이이기 때문임. (Symbolic AI의 근간)
|
||||
### 매 Physical Symbol System Hypothesis (Newell & Simon 1976)
|
||||
- "A physical symbol system has the necessary and sufficient means for general intelligent action."
|
||||
- **Symbol**: physical pattern referring to entity.
|
||||
- **Expression**: composition of symbols.
|
||||
- **Process**: creation, modification, reproduction, destruction.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거 AI(Symbolic AI)는 기호 정책을 사람이 하드코딩해서 주입했으나, 현대 정책은 신경망 정책이 데이터 속에서 스스로 의미를 추출해 벡터라는 '잠재 기호 정책'으로 학습하는 방식으로 진화함(RL Update). ([[Representation-Learning|Representation-Learning]]와 연결)
|
||||
- **정책 변화(RL Update)**: 이제는 명시적인 기호 정책만 다루는 수준을 넘어, 기호와 기호 사이의 모호한 뉘앙스 정책까지 수학적으로 모델링하는 '신경-기호 통합([[Neuro-Symbolic AI|Neuro-Symbolic AI]]) 정책'이 하이브리드 지능의 미래로 꼽힘.
|
||||
### 매 symbol vs subsymbol
|
||||
- **Symbol (GOFAI)**: discrete, interpretable, composable. e.g., Prolog clauses, Knowledge Graph triples.
|
||||
- **Subsymbol (connectionist)**: distributed, continuous, learned. e.g., transformer hidden states.
|
||||
- **Bridge**: tokenization, embedding-of-symbol, neuro-symbolic.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Logic|Logic]], Communication, [[Physics|Physics]], [[Representation-Learning|Representation-Learning]], [[Structuralism|Structuralism]]
|
||||
- **Modern Application**: Math notations, Traffic signs, Programming syntax, Emoji.
|
||||
---
|
||||
### 매 modern symbolic 사용 영역
|
||||
- **Theorem proving**: Lean 4, Coq, Isabelle. LLM (DeepSeek-Prover) 의 partner.
|
||||
- **Knowledge Graph**: Wikidata, schema.org — RDF triples.
|
||||
- **Constraint solving**: Z3 SMT, OR-Tools.
|
||||
- **Program synthesis**: Sketch, Rosette.
|
||||
- **Symbolic regression**: SymbolicRegression.jl, PySR.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 neuro-symbolic 2026
|
||||
- **Scallop**: differentiable Datalog.
|
||||
- **DeepProbLog**: probabilistic logic + NN.
|
||||
- **AlphaProof / AlphaGeometry**: LLM proposer + symbolic verifier.
|
||||
- **Tool-using LLM**: Wolfram, Lean, Z3 의 call.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### 매 응용
|
||||
1. **Math/Physics**: AlphaProof IMO 2024 silver — LLM + Lean.
|
||||
2. **KG QA**: text2cypher / text2sparql with verification.
|
||||
3. **Constraint planning**: LLM proposes, Z3 verifies.
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### 1. SymPy symbolic math
|
||||
```python
|
||||
from sympy import symbols, diff, integrate, solve, simplify
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
x, y = symbols('x y')
|
||||
expr = x**3 + 2*x**2 - 5*x + 1
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
derivative = diff(expr, x)
|
||||
antideriv = integrate(expr, x)
|
||||
roots = solve(expr, x)
|
||||
print(simplify(derivative * 2))
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### 2. Z3 constraint solving
|
||||
```python
|
||||
from z3 import Int, Solver, And, sat
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
a, b, c = Int('a'), Int('b'), Int('c')
|
||||
s = Solver()
|
||||
s.add(a + b + c == 30, a >= 0, b >= 0, c >= 0,
|
||||
And(a*b*c == 1000))
|
||||
if s.check() == sat:
|
||||
m = s.model()
|
||||
print(m[a], m[b], m[c])
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### 3. Lean 4 theorem (LLM-suggested)
|
||||
```lean
|
||||
theorem add_comm (a b : Nat) : a + b = b + a := by
|
||||
induction a with
|
||||
| zero => simp
|
||||
| succ n ih => simp [Nat.succ_add, ih]
|
||||
```
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
### 4. RDF / SPARQL knowledge graph
|
||||
```python
|
||||
from rdflib import Graph
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
g = Graph()
|
||||
g.parse("dbpedia_subset.ttl")
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
q = """
|
||||
SELECT ?actor ?film WHERE {
|
||||
?film dbo:starring ?actor .
|
||||
?film dbo:director dbr:Christopher_Nolan .
|
||||
}
|
||||
"""
|
||||
for row in g.query(q):
|
||||
print(row.actor, row.film)
|
||||
```
|
||||
|
||||
### 5. Scallop neuro-symbolic
|
||||
```python
|
||||
import scallopy
|
||||
|
||||
ctx = scallopy.ScallopContext()
|
||||
ctx.add_relation("digit", (int, float)) # (digit, prob from NN)
|
||||
ctx.add_rule("sum(s) :- digit(a, _), digit(b, _), s == a + b")
|
||||
|
||||
# NN provides probabilistic facts; Scallop reasons differentiably
|
||||
ctx.add_facts("digit", [(3, 0.9), (5, 0.85)])
|
||||
result = ctx.run().relation("sum")
|
||||
```
|
||||
|
||||
### 6. Tool-using LLM (Wolfram-as-tool)
|
||||
```python
|
||||
tools = [{
|
||||
"name": "wolfram_alpha",
|
||||
"description": "Symbolic math via Wolfram Alpha",
|
||||
"input_schema": {"type": "object", "properties": {
|
||||
"query": {"type": "string"}}, "required": ["query"]}
|
||||
}]
|
||||
|
||||
# Claude calls wolfram_alpha("integrate(x^2 sin(x), x)")
|
||||
# returns symbolic answer; Claude composes natural language explanation.
|
||||
```
|
||||
|
||||
### 7. Symbolic regression (PySR)
|
||||
```python
|
||||
from pysr import PySRRegressor
|
||||
|
||||
model = PySRRegressor(
|
||||
niterations=40,
|
||||
binary_operators=["+", "*", "-", "/"],
|
||||
unary_operators=["cos", "exp", "sin"],
|
||||
)
|
||||
model.fit(X, y)
|
||||
print(model.sympy()) # human-readable formula
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Exact math | SymPy / Mathematica |
|
||||
| Logical constraints | Z3 / OR-Tools |
|
||||
| Theorem proving | Lean 4 + LLM proposer |
|
||||
| Structured KB QA | KG + SPARQL + LLM rephrase |
|
||||
| Pattern from data | symbolic regression (PySR) |
|
||||
|
||||
**기본값**: 매 symbolic-only 의 X. LLM proposer + symbolic verifier hybrid.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Symbolic-AI vs Connectionism]] · [[Knowledge-Representation]]
|
||||
- 변형: [[Neuro-Symbolic-AI]] · [[Theorem-Proving]] · [[Knowledge-Graph]]
|
||||
- 응용: [[AlphaProof]] · [[Tool-Using-LLM]]
|
||||
- Adjacent: [[GOFAI]] · [[Logic-Programming]] · [[SMT-Solver]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: symbolic system 의 natural-language interface, proof step proposal, KG query generation.
|
||||
**언제 X**: symbolic verification 그 자체 (LLM 의 hallucinate — Lean/Z3 의 사용).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Pure symbolic AI 의 modern attempt**: 매 brittleness — perception 의 connectionist 의 필요.
|
||||
- **Hand-crafted ontology 의 over-invest**: 매 maintenance hell. KG 의 LLM-bootstrap.
|
||||
- **LLM 의 symbolic answer 의 trust**: 매 verify 의 fail. 매 Lean/Z3/SymPy 의 ground.
|
||||
- **Embedding-only retrieval**: 매 logical relationship 의 lose — KG triples 의 hybrid.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Newell & Simon Turing lecture 1976, Marcus 2020 critique, AlphaProof Nature 2024, Scallop ICLR 2023).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — symbolic AI + modern neuro-symbolic hybrid |
|
||||
|
||||
Reference in New Issue
Block a user