신경망의 학습 능력과 기호 논리의 추론 능력을 결합한 AI 접근법. 딥러닝이 잘하는 패턴 인식과 논리 체계가 잘하는 규칙 기반 추론을 하나로 합쳐, 더 정확하고 설명 가능한 AI를 만든다.
LLM은 방대한 텍스트에서 패턴을 학습해 놀라운 결과를 내지만, 논리적 추론에서는 종종 틀린다. "A이면 B이고, B이면 C이다. 그러면 A이면?"이라는 단순한 삼단논법도 맥락에 따라 엉뚱한 답을 내놓는다. 반대로 전통적인 기호 AI(symbolic AI)는 논리 규칙을 완벽하게 따르지만, 현실 세계의 복잡한 데이터에서 패턴을 스스로 발견하지는 못한다. 뉴로심볼릭 AI는 이 두 세계를 합친다. 신경망이 데이터에서 개념을 추출하고, 기호 시스템이 그 개념들 사이의 관계를 논리적으로 추론하는 구조다.
Amazon의 창고 로봇 Vulcan은 뉴로심볼릭 접근을 실제로 쓰고 있다. 카메라로 물체를 인식하는 건 신경망이 하고, "이 물건은 깨지기 쉬우니까 위에 무거운 걸 올리면 안 된다"는 판단은 기호 규칙이 한다. 신경망만 쓰면 가끔 유리컵 위에 벽돌을 올리는 실수를 하지만, 규칙 레이어를 추가하면 그런 논리적 오류가 원천 차단된다.
환각(hallucination) 문제를 줄이는 데도 쓰인다. LLM이 답변을 생성할 때 지식 그래프 같은 기호 체계로 사실 관계를 검증하면, "그럴듯하지만 틀린 답"이 걸러진다. 2026년 4월 발표된 연구에서는 뉴로심볼릭 방식이 에너지 소비를 최대 100배 줄이면서 정확도는 오히려 높인 결과도 나왔다. 무작정 큰 모델을 돌리는 대신, 논리적 추론으로 탐색 공간을 줄이기 때문이다.
Henry Kautz는 뉴로심볼릭 통합을 6가지 유형으로 분류했다. Type 1은 단순히 신경망과 기호 시스템을 따로 쓰는 것이고, Type 6은 신경망 내부에 기호 추론이 완전히 녹아든 형태다. 현재 대부분의 실용적 시스템은 Type 2~3 수준 — 신경망이 패턴을 추출하면 기호 시스템이 그 위에서 추론하는 파이프라인 구조다. EU AI Act가 고위험 AI 시스템에 설명가능성을 요구하면서, 뉴로심볼릭 접근은 규제 대응 수단으로도 주목받고 있다.
두 시스템을 통합하는 게 말처럼 쉽지 않다. 신경망의 연속적인 수치 공간과 기호 시스템의 이산적인 논리 공간을 연결하는 인터페이스 설계가 까다롭고, 이 접합점에서 정보 손실이 생길 수 있다. 또한 기호 규칙을 사람이 직접 정의해야 하는 경우가 많아, 순수 딥러닝처럼 "데이터만 넣으면 끝"은 아니다.