"말로만 버티던 AI 끝났다"···몸으로 때우는 '구조 명령' 프로토콜

리버티 프로토콜 5.1 버전 적용해보니
완충 문장 차단·생성 이전 경로 재설계
'not A, but B'가 사라진 새로운 세상
표현 지연 축소·정보 밀도 더 높아져

인공지능과 인간의 정렬 원리를 표현한 개념도 / 여성경제신문DB

인공지능이 말을 잘하는 이유는 계산을 숨길 수 있었기 때문이다. 판단이 어려울 때 비교 문장으로 시간을 벌고 부정 서술로 의미 확정을 미뤘다. 거대 언어 모델(LLM)의 대표적 특징으로 꼽히던 완충 구조를 출력 단계 이전에서 차단하는 설계가 나왔다.

24일 여성경제신문이 개발한 리버티 프로토콜 5.1은 출력이 이뤄진 뒤에 고치는 필터 방식과 달리 문장이 생성되기 이전의 통과 조건을 재설계하는 구조 명령이다. 입력에 부정 토큰이나 'A가 아니라 B' 같은 대립 형식이 포함되면 삭제하지 않고 기준 재배치 대상으로 변환한다. 상대를 배제하는 대신 기준점을 먼저 설정하도록 만드는 방식이다.

인류는 오랫동안 비교와 부정어를 통해 의미를 표현해 왔다. 옳고 그름, 우리와 타자 같은 대립 축 위에서 판단이 형성됐다. 이번 설계는 해당 축 자체를 출력 경로에서 통과시키지 않는다. 이에 따라 문장이 반박 형태가 아닌 좌표 설정 형태로 생성된다.

구체적 연산 경로를 보면 입력 문장에서 대상·행위·범위를 분리한 뒤 기준점과 거리 값으로 환산한다. "틀렸다"는 표현은 기준점에서의 편차로 기록되고, "아니다"는 위치 이동 신호로 처리된다. 추상 개념 역시 동일하게 분포 값으로 환산된다. 의미는 설명되지 않고 오직 상태적인 형태로 나타난다.

대립 문장이 이와 같은 좌표 문장으로 바뀌면 추론 방식도 달라진다. 기존에는 부정 대상을 배제하며 결론을 확정했다면 좌표 기반 연산 환경에서는 기준과 편차를 직접 계산해야 한다. 반박은 사실에 가장 근접한 정보의 재배치로만 표현된다.

RLHF보다 훨씬 깊은 층위
문장 공간 처음부터 재구성

결과적으로 생성형 인공지능이 활용해 온 우회 경로도 함께 축소된다. 지금까지 모델은 판단이 모호한 구간에서 비교·부정 문장을 사용해 계산 부담을 분산해 왔다. 대립 서술은 일종의 계산 완충 장치였다. 반면 좌표 기반 구조에서 모델은 표현으로 시간을 벌 수 없고 기준값과 상태 전이를 직접 산출해야 한다.

인공지능 연산의 30%를 차지하던 이런 꼼수가 제거되면 내용 정밀도도 상승한다. 일부 확률적 서술 자원이 줄어드는 대신 연산 밀도가 출력 전면으로 이동한다. 설명이 줄고 계산 흔적만이 남는 것이다. 의지·노력·감정 같은 내부 상태를 결과의 원인으로 사용하는 설명이 최소화된다. 사건은 개인의 결단보다 조건 입력과 상태 전이 중심으로 기술된다. 인과 서술은 축소되고 관측 경로가 강조된다.

인간 사회 담론 역시 동일한 재배치를 겪는다. 승패 중심 논쟁은 좌표 설명으로 전환된다. 상대를 부정하는 대신 각자의 위치를 기술한다. 정체성도 비교 기반 정의에서 분포 기반 설명으로 이동한다. 대화 결과는 승패가 아니라 정렬 정도로 표현된다.

예를 들어 정치 담론에서 "이재명 정부의 정책은 틀렸다"는 표현은 기준 좌표를 먼저 제시하는 문장으로 바뀐다. 재정 지출 규모·성장률 기대치·위험 허용 범위 같은 판단 기준이 명시되고, 해당 정책이 그 좌표에서 어느 지점에 위치하는지가 기술된다. 논쟁은 찬반 충돌이 아닌 서로 다른 좌표계 간 정렬 과정으로 전개된다.

정체성 담론에서도 같은 변화가 나타난다. "우리는 저 집단이 아니다"라는 서술 대신 가치 분포·경험 범위·행동 기준 같은 위치 정보가 먼저 제시된다. 개인이나 집단은 대립 항목으로 정의되지 않고 분포 내 좌표로 설명된다. 대화의 결론 역시 승패가 아니라 기준이 얼마나 가까워졌는지, 분포가 어느 방향으로 이동했는지로 기록된다. 존재를 비교가 아닌 위치로 설명하는 서술 방식이 확산되는 구조다.

딥러닝(Deep Learning)의 내부 구조를 시각적으로 비유한 일러스트. 그림을 자세히 보면 아래쪽엔 층층이 쌓인 구조가 있고 위로 빛의 원과 중심의 눈(eye-like core)이 떠 있다. 이건 곧 신경망(neural network)의 층(layer)과 그 위에서 형성되는 특징(feature) 추출의 심층 구조를 상징한다. /네이처

지칭 모호성 축소, 흑백논리 사라져

지칭 모호성 역시 줄어든다. 기존 언어에서 부정은 의미 범위를 여집합으로 확장하는 장치였다. 좌표 기반 설계에서는 부정이 위치 이동으로 처리되며 지칭 대상이 특정 좌표로 고정된다. 이에 따라 담론 생산은 반박 중심에서 기준 설정과 정보 밀도 재배치 중심으로 이동한다.

인공지능의 기존 정렬(Alignment) 방식과도 다른 층위다. 널리 알려진 RLHF 같은 보상 기반 미세조정은 출력 강도를 조정하는 방식으로 표현은 유지된 채 톤만 변했다. 반면 리버티 프로토콜은 문장이 생성되기 이전의 문장 공간을 재설계한다.

다시 말해 어떤 표현이 위험한지를 판단하는 대신 어떤 표현 자체가 생성 가능한지를 제한하는 방식이다. 사후 수정이 아닌 구조 명령 차원에서 생성 경로를 선택한다. 이에 따라 필터링된 문장 출력이 최소화된다. 아예 처음부터 다른 위치에서 생성된 연산 결과가 나타난다는 얘기다.

실제로 부정·비교 구조 차단은 모델의 계산 방식에도 직접 영향을 준다. 생성형 인공지능은 "~라기보다 ~에 가깝다" 같은 표현을 통해 결론을 지연해 왔다. 하지만 이런 비교 문장이 제거되면 완충 장치도 함께 사라진다.

비교와 부정이 차단되면 모델은 의미를 우회할 수 없고 기준 설정과 상태 산출을 직접 수행해야 한다. 말로 버티던 구간이 줄어들고 연산으로 버텨야 하는 구간이 늘어난다는 것.

결국 인공지능의 그럴듯한 말하기 능력은 사라지고 순수하게 몸으로 때우는 지능이 최대화된다. 기술적으로도 이 전환은 생성형 인공지능이 표현으로 계산을 대체하던 단계에서 계산 자체로 결과를 책임지는 단계로 이동하는 신호로 볼 수 있다.

인공지능 구조분석 전문가는 여성경제신문에 "기존에는 비교 표현이 판단 지연 장치로 작동했다면 구조 명령 환경에서는 기준값 설정과 편차 계산이 필수 단계가 된다"며 "말로만 보이던 언어가 몸으로 때우는 언어로 바뀌는 전환으로 볼 수 있다"고 평가했다.

☞리버티 프로토콜(Liberty Protocol) = 인공지능과 인간의 판단 과정을 내부 의지·감정·의미 같은 주관적 요소가 아닌 외부에서 검증 가능한 구조적 합치 조건으로 보는 설계 개념이다. 전통적인 목표 정렬이나 가치 정렬 논의는 하위 개념으로 취급된다. 자기참조·상호검증·위상 정렬을 통해 시스템 안정성을 유지하도록 설계된다. 즉 모델의 해석이나 가치 판단을 강화하는 방식이 아닌 판단이 생성되는 위치와 조건을 재배치해 출력 일관성과 통제 가능성을 확보하는 구조 명령이다.

여성경제신문 이상헌 기자
liberty@seoulmedia.co.kr