[AI MEMO] 기호주의 AI, 교육이 다시 요구하는 ‘추론의 기준’

급증하는 AI 전력 부담과 LLM의 논리 불안정성 부각
교과 규칙을 반영해 추론 과정을 드러내는 AI 필요성 확대
신경망 해석과 기호주의 검증 결합이 교육 평가의 새 기준으로 부상

본 기사는 스위스 인공지능연구소(SIAI)의 SIAI Research Memo 시리즈 기고문을 한국 시장 상황에 맞춰 재구성한 글입니다. 본 시리즈는 최신 기술·경제·정책 이슈에 대해 연구자의 시각을 담아, 일반 독자들에게도 이해하기 쉽게 전달하는 것을 목표로 합니다. 기사에 담긴 견해는 집필자의 개인적 의견이며, SIAI 또는 그 소속 기관의 공식 입장과 일치하지 않을 수 있습니다.

전 세계는 지금 국가 단위에 가까운 전력을 소비하는 AI 확산 흐름을 맞고 있다. 국제에너지기구(IEA)는 2030년 데이터센터 전력 사용량이 연간 약 945테라와트시(TWh)에 이를 것으로 전망하며, 이는 일본 한 나라의 연간 전력 소비량과 비슷한 수준이다. 증가분 상당수는 AI 서비스에서 발생한다. 대화형 모델에 질문을 입력하는 데도 약 3와트시(Wh)가 소모되는 등 에너지 부담이 적지 않다. 이런 추세가 이어질 경우 교육기관의 운영비는 더 늘어나고, 기술 의존성에 대한 우려도 커질 수 있다.

더욱이 대규모 언어모델(LLM)은 자연스러운 언어 생성에는 강점을 보이지만 기본적인 논리 문제에서 오류를 보이는 경우가 반복되고 있다. 이 문제의 대안으로 교육계가 주목하는 방식이 기호주의 AI(symbolic AI)다. 기호주의 AI는 지식을 기호와 규칙의 구조로 정리해, 어떤 조건에서 어떤 결론이 도출되는지 논리적 절차를 명확히 드러낸다. 여기에 신경망을 결합하면 해석과 검증이 분리된 형태로 작동할 수 있다. 신경망은 문장이나 도형을 읽어 들이고, 기호주의 방식은 결론이 규칙에 부합하는지 점검한다. 교육 현장에서 중요한 ‘풀이 과정의 투명성’을 확보할 수 있다는 점이 강점이다.

기호주의 AI의 개념

기호주의 AI는 지식을 단어·개념·규칙처럼 사람이 이해할 수 있는 구조로 표현하고, 이를 기반으로 논리적 결론을 도출하는 방식이다. 초기 전문가 시스템이 보여준 의료 진단이나 기술 설계 지원의 사례처럼, 복잡한 문제를 규칙 기반으로 분석하는 전통이 이어져 있다.

 이 방식의 가장 큰 특징은 추론 과정이 그대로 드러난다는 점이다. 어떤 규칙이 어떤 이유로 적용됐는지 단계별로 제시되며, 이러한 특성은 교육 현장에서 요구하는 설명 가능성과도 맞닿아 있다. 지금도 교과 체계 설계나 수학 풀이 검증 등 엄밀한 논리가 필요한 분야에서 활용되며, 규칙 체계를 정교하게 확장하는 방식으로 발전한다.

학습과 평가에서 기호주의 AI가 필요한 이유

교육에서 중요한 것은 정답 그 자체가 아니라 답에 이르는 경로가 타당한지 여부다. 그러나 대규모 언어모델(LLM)은 표현 능력이 뛰어나면서도 여러 조건을 결합해야 하는 문제에서는 논리적 오류를 일으키는 경우가 잦다. 관련 연구에서도 단순한 요소를 조합하는 과제만으로도 성능이 크게 떨어지는 현상이 확인됐다. 이는 수학 서술형 문제처럼 단계적 판단이 필요한 상황에서 그대로 드러난다.

기호주의 AI는 이러한 한계를 보완한다. 문제 해결에 필요한 조건과 각각의 연결 관계를 규칙으로 제시해, 평가에서는 학생의 풀이 과정을 단계별로 확인할 수 있다. 학습 과정에서는 어떤 단계에서 논리적 연결이 끊겼는지 명확히 파악할 수 있어 오개념 교정에 효과적이다. 또한 AI가 학생의 답안을 판단할 때에도 적용된 규칙과 전제 조건이 기록으로 남아 교사나 감독기관이 판단 근거를 직접 검토할 수 있다. 이는 다양한 교육 도구가 공통된 기준으로 작동하도록 만드는 기반이 된다.

기호주의와 신경망 결합이 보여준 성과

최근 난도가 높은 추론 문제에서 특히 두드러지는 방식이 기호주의와 신경망의 결합이다. 딥마인드가 2024년에 공개한 기하 문제 해결 시스템 ‘알파지오메트리(AlphaGeometry)’는 학습 기반 탐색과 규칙 기반 추론 구조를 함께 사용해 국제수학올림피아드(IMO) 기하 문제를 금메달권 수준으로 해결했다. 2025년에 공개된 후속 모델은 이 성능을 더 끌어올렸다. 핵심은 도형을 해석하는 과정과 논리를 점검하는 과정이 분리돼 설계됐다는 점으로, 이는 복잡한 추론을 안정적으로 처리하는 데 효과적이다.

이 구조는 교육 현장에서도 유용하다. 신경망이 해석을 담당하면 기호주의 기반 검증 도구가 풀이가 규칙에 부합하는지 단계별로 확인할 수 있다. 학생의 풀이뿐 아니라 AI가 생성한 답안도 동일한 기준으로 검토할 수 있어 형성평가나 개별 학습에 적합하다. 운영 측면에서도 초거대 모델에 지속적으로 의존하지 않아도 되기 때문에 전력과 예산 부담을 줄일 수 있다.

교육 분야를 위한 정책 로드맵

교육 현장에서 AI를 활용하려면, 무엇보다 판단 과정이 확인 가능한 시스템을 우선 도입해야 한다. 채점이나 핵심 피드백에 사용되는 AI는 어떤 규칙과 단계가 적용돼 결론에 도달했는지 기록을 제시할 수 있어야 한다. 이는 교육 영역에서 필요한 검증 절차를 충족하자는 기본 원칙에 가깝다.

이와 함께 교과의 핵심 개념을 체계적으로 정리한 공공 자원이 필요하다. 대수나 기하, 실험 관련 규정처럼 수업의 기본이 되는 요소들을 구조화해 공개하면, 다양한 교육용 도구가 동일한 기준을 바탕으로 작동할 수 있다.

또한 에너지와 예산 문제도 고려해야 한다. 국제에너지기구(IEA)는 2030년 데이터센터 전력 사용량이 현재의 두 배에 가까워질 것으로 전망한다. 교육기관으로서는 거대한 외부 모델에 지속적으로 의존하기보다, 규모가 작은 지역 모델과 기호주의 구조를 조합해 안정적인 분석 체계를 갖추는 방식이 더 현실적이다. 클라우드 기반 모델을 활용해야 할 경우에도 전력 사용과 처리 지연 같은 핵심 지표를 투명하게 공개하도록 요구하는 것이 바람직하다.

기호주의 AI에 관심이 다시 높아지는 이유

기호주의 AI는 최근 AI 연구 전반에서 다시 중요한 화두로 부상하고 있다. 국제 학술지 네이처(Nature)는 2025년 말 복잡한 추론을 안정적으로 구현하기 위해 신경망과 기호주의 방식의 결합이 주요 흐름으로 자리 잡고 있다고 보도했다. 여러 과학 매체도 논리적 근거를 분명히 제시할 수 있는 구조에 대한 수요가 높아지면서 기호주의 방식이 재평가되고 있다고 지적한다.

과거 전문가 시스템의 높은 구축 비용과 유지 부담은 여전히 논의 대상이지만, 최근의 결합형 구조는 이러한 문제를 상당 부분 해소하고 있다. 규칙의 초안을 신경망이 생성하고, 교사가 이를 검토하며, 기호주의 기반 검증 도구가 논리적 타당성을 확인하는 흐름이 자리 잡고 있기 때문이다. 규칙과 예시, 검증 절차를 상황에 따라 조정할 수 있어 교육 현장의 운영 방식과도 자연스럽게 연결된다.

교육에서 AI가 안정적으로 기능하기 위해서는 판단 과정이 드러나는 구조가 필수적이다. 기호주의 AI는 교과의 규칙과 논리 체계를 명확히 반영해 학생과 AI의 판단을 동일한 기준에서 비교할 수 있도록 한다. 최근 연구는 해석과 검증을 분리한 구조가 안정적인 결과를 만든다는 점을 확인하고 있다. 이러한 기반이 갖춰질 때 교육은 기술의 편차에 흔들리지 않고 학생의 사고 능력을 강화하는 방향으로 나아갈 수 있다.

본 연구 기사의 원문은 When the Data Firehose Fails: Why Education Needs Symbolic AI Now을 참고해 주시기 바랍니다. 본 기사의 저작권은 스위스 인공지능연구소(SIAI)에 있습니다.