Apollo-1: The Neuro-Symbolic Foundation Model that Solves Task-Oriented Conversational AI
AI/LLM 시리즈 : Apollo-1 아키텍처 리뷰
출처: AUI 공식 블로그
3년 동안 AI 업계는 하나의 신화에 사로잡혀 있었습니다. "트랜스포머를 충분히 확장하면 범용 인공지능을 얻을 수 있다"는 믿음입니다. 하지만 지능은 그런 식으로 작동한 적이 없습니다. 새는 비행을 마스터했고, 돌고래는 소나를 진화시켰습니다. 각자는 자신만의 영역을 찾았고, 그 영역 내에서 일반화합니다.
사실 저희 회사에서도 마찬가지였습니다. 이커머스 지향 LLM을 만든다고 하였지만, 결과는 데이터 품질 문제 그리고 이커머스를 잘하게 만들면 떨어지는 범용 성능 등 여러 문제를 발견하는 데 그쳤습니다.
Augmented Intelligence(AUI)가 발표한 Apollo-1은 이러한 통찰을 바탕으로 태스크 지향 대화형 AI를 위한 완전히 새로운 아키텍처를 제시합니다.
태스크 지향 대화형 AI란?
태스크 지향 대화형 AI는 실제 세계의 행동으로 이어지는 모든 상호작용을 담당합니다. 항공권 예약, 결제 처리, 보험 청구 처리, 거래 실행, 일정 관리 등 경제의 모든 예약, 결제, 청구는 이러한 대화가 안정적으로 작동하는지에 달려 있습니다.
왜 LLM 에이전트로는 부족한가?
태스크 지향 대화형 AI가 성공하려면 세 가지 능력을 동시에 제공해야 합니다.
| 능력 | 설명 | LLM 에이전트 |
|---|---|---|
| 자연스러운 대화 | 사용자 의도를 이해하고 유연하게 대응 | ✅ 뛰어남 |
| 결정론적 보장 | "항상 신원 확인", "항상 먼저 제안" | ⚠️ 어려움 |
| 외부 시스템 통합 | 실제 좌석 예약, 카드 결제, 티켓 발행 | ❌ 해결 방법 없음 |
이것은 실패가 아니라 아키텍처의 문제입니다. 트랜스포머는 통계적 그럴듯함이 성공과 동일한 개방형 대화를 위해 설계되었기 때문입니다.
"보통"과 "항상"의 차이
LLM 에이전트에게 "결제 전에 항상 보험을 제안하라"고 요청하면 대부분의 경우 그렇게 할 것입니다. Apollo-1의 System Prompt에 그 규칙을 설정하면 확실하게(with certainty) 항상 그렇게 합니다.
Apollo-1의 핵심: 신경-상징 추론
문제의 핵심 통찰
2017년부터 AUI는 6만 명의 인간 에이전트를 통해 수백만 건의 실제 태스크 지향 대화를 해결하고 구조화된 데이터로 인코딩했습니다. 핵심 통찰은 데이터의 규모가 아니라 무엇을 표현해야 하는가였습니다.
태스크 지향 대화형 AI는 두 종류의 지식이 함께 작동해야 합니다.
**절차적 지식(Procedural Knowledge)**은 "먼저 날짜를 확인, 그 다음 좌석 선호도", "만약 X라면 Y를 해라" 같은 작업 흐름, 정책, 비즈니스 로직입니다.
**설명적 지식(Descriptive Knowledge)**은 "비즈니스 클래스는 프리미엄 이코노미보다 비싸다" 같은 일반 상식, 제품 정보, 도메인 지식입니다.
해결책: 상징적 언어
AUI는 절차적 역할과 설명적 사실을 인코딩하는 상징적 언어를 구축했습니다. 다양한 도메인(신발 판매, 항공권 예약, 대출 처리)에서 태스크 지향 대화는 보편적인 절차적 패턴을 따릅니다. 파라미터 추출, 제약 검증, 의도 식별, 정책 시행, 상태 의존적 분기가 그것입니다.
신경-상징 추론기
Apollo-1은 다음 토큰을 예측하는 대신 현재 상징적 상태에서 다음 행동을 계산하는 인지 코어를 개발했습니다.
- 신경 모듈: 상징적 언어와의 번역 담당
- 상징 모듈: 명시적 상태 유지, 보장 시행, 구조화된 도구 호출
핵심: 인식은 확률적이지만, 동일한 상태가 주어지면 추론기는 항상 동일한 결정을 내립니다. 이는 태스크 실행을 재현 가능하고, 감사 가능하며, 조종 가능하게 만듭니다.
System Prompt: 행동 계약 (Behavioral Contract)
Apollo-1의 System Prompt는 단순한 구성이 아닙니다. 행동 계약입니다.
System Prompt를 통해 다음을 정밀하게 선언할 수 있습니다. 의도(Intents), 파라미터(Parameters), 제약 조건(Constraints), 정책(Policies), 도구 사양(Tool Specifications), 필수 필드, 사전/사후 조건, 명확한 실패 상태 등입니다. 또한 상태 의존 규칙, 재시도 및 폴백 로직, 에스컬레이션 기준, 종료 상태도 정의할 수 있습니다.
실제 행동 확실성 예시는 아래와 같습니다.
- 🍔 음식 주문 앱: "알레르기가 언급되면 항상 레스토랑에 알림" → 항상 실행
- 📞 통신 제공업체: "세 번째 결제 실패는 인간 에스컬레이션 트리거" → 예외 없이 실행
- 🏥 보험 회사: "$10,000 이상 청구는 두 번의 승인 필요" → 매번 실행
성능 벤치마크
Apollo-1은 이미 Fortune 500 조직의 프로덕션 프로그램에 배포되어 있습니다.
| 테스트 / 벤치마크 | Apollo-1 | 최고 LLM 에이전트 | 개선율 |
|---|---|---|---|
| τ-Bench-Airline (가장 어려운 공개 벤치마크) | 90.8~92.5% | Claude-4: 60% | +51% |
| Google Flights (111개 실제 예약 대화) | 83% | Gemini 2.5-Flash: 22% | +277% |
| Amazon Retail (120개 실제 쇼핑 대화) | 90.8% | Rufus: 16.7% | +444% |
의도적인 트레이드오프: Apollo-1이 하지 않는 것
Apollo-1의 아키텍처는 의도적인 트레이드오프를 만듭니다. 태스크 지향 대화에서 행동 확실성을 최적화함으로써 다른 도메인에서는 의도적으로 경쟁하지 않습니다.
창의적 글쓰기, 브레인스토밍 등 개방형 창의적 작업과 최첨단 코드 생성은 트랜스포머가 더 우수합니다. 이미지 생성, 시계열 예측, 문서 요약 등 비대화형 애플리케이션도 Apollo-1의 설계 범위가 아닙니다.
트레이드오프가 핵심입니다. 이것들은 약점이 아니라 신뢰성의 대가입니다.
개방형 대화 vs 태스크 지향 대화
| 구분 | 대표 모델 | 최적화 방향 |
|---|---|---|
| 개방형 대화 | ChatGPT, Claude, Gemini | 창의적 확률, 통계적 그럴듯함 |
| 태스크 지향 대화 | Apollo-1 | 행동 확실성, 결정론적 보장 |
실제 돈, 실제 약속, 실제 고객 관계가 걸려 있을 때 확률은 충분하지 않습니다.
배포 및 통합
플레이그라운드에서 프로덕션까지, Apollo-1 에이전트는 몇 달이 아닌 몇 시간 만에 배포됩니다. 항공사, 보험, 리테일, 헬스케어 등 동일한 기반 모델에 다른 System Prompt를 사용합니다.
Google Cloud와의 파트너십을 통해 완전한 API 및 SDK, Playground 환경, 포괄적인 문서와 기술 백서를 제공할 예정입니다.
마무리
이 내용만 들어보면 태스크 지향 AI 시장의 오랜 고민을 끝내줄 새로운 방식이 등장한 것 같습니다. 그러나 실제로 이것이 구현될지는 모르겠습니다. 태스크 지향 LLM을 구현했다는 사람은 많아도 실제 결과를 보여준 것은 극히 드물기 때문입니다. 그렇기에 Apollo-1에 대해서 주목해볼 필요는 있을 것 같습니다.
공식 웹사이트: https://www.aui.io · 기술 백서 조기 액세스: https://www.aui.io/request-access/