우리는 대규모 추론 엔진 또는 상징적 플래너에 대한 온라인 접근이 지연, 연결성 및 자원 제약으로 인해 제한되는 동적 환경에서, 언어 모델(LM)을 구체화된(embodied) 과제에 채택하는 데 따르는 문제를 다룬다. 이를 위해 우리는 신경상징적 절차화(neurosymbolic proceduralization)를 통해 지식을 컴파일하는 새로운 구체화 추론 프레임워크인 NeSyPr를 제시하며, 이를 통해 LM 기반 에이전트에 구조화되고 적응적이며 시의적절한 추론 능력을 갖추게 한다. NeSyPr에서 과제별 계획은 먼저 선언적 지식을 활용하는 상징적 도구에 의해 명시적으로 생성된다. 이후 이러한 계획은 계획의 암묵적 생성 규칙을 인코딩하는 조합 가능한 절차적 표현(composable procedural representations)으로 변환되며, 그 결과로 구성된 절차는 LM의 추론 과정에 원활하게 통합될 수 있다. 이러한 신경상징적 절차화는 다단계의 상징적 구조화 경로 탐색 및 추론을 단일 단계 LM 추론으로 추상화하고 일반화하는데, 이는 인간의 지식 컴파일과 유사하다. NeSyPr는 외부의 상징적 지침에 의존하지 않고도 테스트 시 추론을 효율적으로 수행할 수 있어, 지연에 민감하고 자원이 제한된 물리 시스템에 배치하기에 적합하다. 우리는 NeSyPr를 구체화된 벤치마크인 PDDLGym, VirtualHome, ALFWorld에서 평가하였으며, 대규모 추론 모델 및 상징적 플래너에 비해 효율적인 추론 능력을 보이면서도 더 소형의 LM을 사용함을 입증한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.