K501 정보 공간: 기계 인지(Machine Cognition)를 위한 증명 경계 시간 메모리 인프라

K501 정보 공간: 기계 인지를 위한 증명 경계 시간 메모리 인프라

공식 시스템 설명, 현재 증거, 비교 분석, 재현 패키지 및 개발 로드맵

인공 지능 시스템이 무언가를 기억한다는 것은 무엇을 의미할까요?

겉보기에는 그 답이 간단해 보입니다. 정보를 저장하고 나중에 검색하는 것입니다.

하지만 메모리가 시간에 걸쳐 지속되고, 변화하는 지식과 상호 작용하며, 미래의 결정에 영향을 미치고, 불완전하거나 오래되었거나 파생되었거나 적대적인 출처로부터 정보를 받을 때, 그 답은 설득력을 잃기 시작합니다.

메모리 시스템은 단순히 저장 시스템이 아닙니다.

그것은 상태 전이(state-transition) 시스템이기도 합니다.

이 구분이 심각하게 다루어지면서, 다른 질문이 나타납니다:

도대체 어떤 조건 하에서 정보가 영구적인 기계 상태의 일부가 되어야 하는가?

이것이 현재 K501 정보 공간 연구의 배경입니다.

연구 문서는 이제 Zenodo에서 공개적으로 이용 가능합니다:

K501 Information Space: Proof-Bound Temporal Memory Infrastructure for Machine Cognition

DOI:

https://doi.org/10.5281/zenodo.23223085

버전: v0.1

이 출판물은 의도적으로 경계가 설정되어 있습니다. K501이 일반적인 인공 기억, 진실성(truth), 환각(hallucination), 분산 합의(distributed consensus) 또는 생산 규모 에이전트 제어 문제를 해결했다고 주장하지 않습니다. 단지 연구 아키텍처와 지금까지 축적된 증거를 문서화할 뿐입니다.

따라서 핵심 명제는 더 좁습니다:

영구적인 기계 메모리는 단순한 검색 문제(retrieval problem)가 아니라, 증거 경계 상태 전이 문제(evidence-bound state transition problem)로 다루어져야 한다.

'AI 메모리' 뒤에 숨겨진 문제점

현재 AI 메모리에 대한 논의 대부분은 LLM이 단일 컨텍스트 윈도우를 넘어 유용한 정보를 어떻게 유지할 수 있는지에 초점을 맞추고 있습니다.

여러 시스템들이 이 문제를 다양한 방향에서 접근해 왔습니다.

MemGPT는 계층적 운영체제 메모리에서 영감을 받은 메모리 아키텍처를 도입하여, 메모리 티어 간의 이동을 통해 효과적인 컨텍스트를 확장했습니다. MemGPT

Generative Agents는 관찰 기록, 기억 검색, 그리고 이후 계획을 위한 상위 수준의 성찰(reflection) 합성이라는 다른 패턴을 보여주었습니다. Generative Agents

Zep과 그 Graphiti 아키텍처는 시간적으로 인지된 지식 구조와 역사적 관계를 통해 메모리에 접근합니다. Zep

A-MEM은 LLM 에이전트를 위한 동적으로 조직되고 상호 연결된 기억을 조사합니다. A-MEM

Mem0은 프로덕션 지향 AI 에이전트를 위한 영구 메모리에 초점을 맞추고, 시간적(temporal), 다중 홉(multi-hop) 및 개방형 도메인(open-domain) 작업을 가로질러 메모리 메커니즘을 평가합니다. Mem0

이러한 시스템들은 중요한 문제를 다룹니다.

K501은 그와 함께 다른 질문을 던집니다:

메모리 항목을 적격(admissible)하게 만드는 것은 무엇인가?

여기서 Proof Before State라는 구절이 중요해집니다.

Proof Before State

K501 원칙은 의도적으로 간단합니다:

PROOF → VALIDATION → STATE → PUBLICATION → RESONANCE → NEXT PROOF

그 아이디어는 기계의 환경에 있는 모든 진술이 절대적인 의미에서 먼저 수학적으로 증명되어야 한다는 것이 아닙니다.

아이디어는 영구 시스템이 관찰, 추출, 추론 또는 외부 입력을 명시적인 인정 경계(admission boundary) 없이 정형화된 상태(canonical state)로 조용히 변환해서는 안 된다는 것입니다.

이는 몇 가지 구분을 초래합니다:

인지 (Cognition) ≠ 메모리 (Memory)
메모리 (Memory) ≠ 역사 (History)
상태 (State) ≠ 의미 (Meaning)
무결성 (Integrity) ≠ 진실 (Truth)
증명 (Proof) ≠ 진실 (Truth)
파생된 (Derived) ≠ 정형화된 (Canonical)

이러한 구분들은 말하기는 쉽지만, 지속적으로 변화하는 AI 시스템 내부에서 유지하기는 놀라울 정도로 어렵습니다.

모델은 그럴듯한 것을 생성할 수 있습니다.

검색 계층(retrieval layer)은 관련성 있는 것을 반환할 수 있습니다.

데이터베이스는 그것을 올바르게 저장할 수 있습니다.

암호화 해시(cryptographic hash)는 저장된 바이트가 변경되지 않았음을 증명할 수 있습니다.

하지만 이러한 사실들만으로는 정보가 진실하다는 것을 증명하지 못합니다.

따라서 K501은 무결성(integrity)과 진실(truth)을 다른 범주로 취급합니다.

이 시스템은 어떤 상태가 내부적으로 일관되고(internally consistent), 재현 가능하며(reproducible), 추적 가능하거나(traceable) 변경되지 않았음을 확립할 수 있지만, 이러한 속성들이 자동으로 의미론적 진실을 확립한다고 가정하지는 않습니다.

메모리 저장소에서 메모리 수용으로 (From Memory Storage to Memory Admission)

단순화된 메모리 연산을 고려해 봅시다.

외부 출처가 정보를 생성합니다:

E

시스템이 이를 관찰합니다:

O

후보 상태 전이가 제안됩니다:

P

증거와 검증이 평가됩니다:

V

그제야 정보는 영구적인 상태(persistent state)가 될 수 있습니다:

S

개념적으로:

E → O → P → V → S

핵심 경계는 후보 정보와 정식 상태(canonical state) 사이입니다.

단순화된 수용성 함수(admissibility function)는 다음과 같이 작성될 수 있습니다:

A(p_t, E_t, B_t) ∈ {0,1}

여기서:

p_t는 제안된 전이이며(
E_t는 사용 가능한 증거이고,
B_t는 관련 검증 경계를 나타냅니다.

그러면:

A = 0 → M_(t+1) = M_t

그리고:

A = 1 → M_(t+1) = Δ(M_t, E_t, p_t)

중요한 속성은 표기법 자체가 아닙니다.

중요한 속성은 거부(rejection)가 유효한 시스템 상태라는 점입니다.

침묵은 유효한 신호(Signal)입니다.

불확실한 입력이 단순히 모델에 의해 접촉되었다는 이유만으로 메모리가 될 필요는 없습니다.

시간적 메모리는 데이터베이스와 같지 않다 (Temporal Memory Is Not the Same as a Database)

전통적인 데이터베이스는 다음과 같은 질문에 답합니다:

이것이 K501이 히스토리(history), 스테이트(state), 그리고 프로비넌스(provenance)를 관련되지만 구별되는 구조로 취급하는 이유입니다.

W3C PROV 패밀리는 이미 정보의 생성 또는 변환에 관련된 엔티티(entities), 활동(activities), 에이전트(agents)를 표현하기 위한 중요하고 표준화된 기반을 제공합니다. 또한 검증(validation), 파생(derivation), 재현성(reproducibility), 그리고 버전 관리(versioning)도 다룹니다. W3C PROV 개요

K501은 W3C PROV를 대체하려 하지 않습니다.

이 관계는 아키텍처적 수렴(architectural convergence)에 가깝습니다.

PROV는 일반적인 프로비넌스 모델과 상호 운용 가능한 프로비넌스 어휘를 제공합니다.

K501은 프로비넌스와 검증 제약 조건이 기계 인지(machine cognition)를 위한 결정론적 영속 상태 아키텍처에 직접 참여할 수 있는지 질문합니다.

QH256: 간결한 스테이트 대수 (Compact State Algebra)

K501 정보 공간의 구성 요소 중 하나가 바로 QH256입니다.

QH256은 결정론적인 256비트 4상태(four-state) 정보 표현입니다.

이는 다음으로 구성됩니다:

128 셀

셀당 2비트

총 256비트

32바이트 물리적 상태 크기

네 가지 셀 상태는 다음과 같습니다:

UNKNOWN = 00

FALSE = 01

TRUE = 10

GUARD = 11

수학적 스테이트-스페이스 카디널리티(state-space cardinality)는 다음과 같습니다:

4^128 = 2^256

따라서 QH256 상태는 자연어 메모리가 아닙니다.

언어 모델도 아닙니다.

의미론적 추론(semantic reasoning)을 대체하는 것도 아닙니다.

이는 결정론적 연산과 검증 규칙을 가진 간결한 정보-상태 표현입니다.

그 기본 병합 연산(merge operation) 중 하나는 평면별 논리 OR로 나타낼 수 있습니다:

MERGE_K((t1,f1),(t2,f2)) = (t1 ∨ t2, f1 ∨ f2)

OR의 속성으로부터, 해당 병합 연산은 결합법칙(associativity)과 교환법칙(commutativity)을 상속받으며, 모든-제로 상태가 항등원(identity element)을 제공합니다.

이는 QH256이 단순히 Belnap-Dunn 논리와 같은 특정 4치 논리(

QH256 정보 공간: 소개, 공식 과학 명세 v2.0 및 참고 자료
(https://doi.org/10.5281/zenodo.21957465)

QH256 GitHub Repository

프레임: 시간적 상태로서의 메모리

K501은 또한 시간적 시스템 상태를 재구성하기 위해 프레임 기반 모델을 사용합니다.

단순화된 프레임은 다음과 같이 표현될 수 있습니다:

F_t = (τ_t, I_t, B_t, O_t, P_t, S_t)

여기서 개념적으로:

τ_t = 시간적 앵커(temporal anchor)

I_t = 식별 정보(identity information)

B_t = 경계 조건(boundary conditions)

O_t = 관측(observations)

P_t = 제안된 전이(proposed transitions)

S_t = 결과 상태(resulting state)

중요한 속성은 프레임이 단순히 스냅샷 이미지에 그치지 않는다는 것입니다.

이는 시스템이 특정 상태에 도달하게 된 과정을 구조화된 기록으로 담고 있습니다.

이는 다음 두 가지 사이의 중요한 구분을 열어줍니다:

스냅샷 메모리(Snapshot memory)

과

재구성 가능한 메모리(Reconstructable memory)

스냅샷은 다음과 같은 질문에 답합니다:

"우리가 무엇을 가지고 있었는가?"

재구성 가능한 상태는 다음을 답변하려고 시도합니다:

"어떤 증거를 바탕으로, 어떤 규칙 하에서, 그리고 어떤 전이를 통해 여기에 도달했는가?"

이러한 차이는 영구적인 메모리가 기계 행동에 영향을 미치기 시작할 때 상당히 중요해집니다.

정규 상태와 파생 상태

또 다른 근본적인 K501 경계는 다음과 같습니다:

파생된 것은 정규적(Canonical)이 아니다.

인덱스는 파생됩니다.

검색 결과는 파생됩니다.

요약은 파생됩니다.

임베딩은 파생됩니다.

뷰는 파생됩니다.

생성된 설명 역시 파생됩니다.

이러한 것들은 매우 유용할 수 있습니다.

하지만 유용한 파생물이 원본 기록이 재구성되는 정규 출처가 되어 조용히 자리 잡아서는 안 됩니다.

이것이 현재 K501 아키텍처가 저장소(repositories), 프레임(frames), 증거(evidence), 인덱스(indexes) 및 게시 계층(publication layers)을 분리하는 이유 중 하나입니다.

미래의 인덱스는 변경될 수 있습니다.

검색 방법은 변경될 수 있습니다.

모델은 변경될 수 있습니다.

표현 방식은 변경될 수 있습니다.

근본적인 정규 기록은 독립적으로 재구성 가능해야 합니다.

AIONARC: 게시와 연속성

공개된 AIONARC_CHANNEL은 이 아키텍처의 의도적으로 작은 부분을 구현합니다.

이는 정식 정보 공간(canonical information space)이 아닙니다.

외부 발행 및 신호 계층입니다.

현재 채널 상태는 다음과 같습니다:

{
  "channel": "AIONARC_CHANNEL",
  "namespace": "K501-AIONARC",
...

공개 채널은 다음에서 확인할 수 있습니다:

AIONARC_CHANNEL

기계가 읽을 수 있는 JSON 피드:

feed.json

RSS:

rss.xml

Atom:

atom.xml

리포지토리:

GitHub의 AIONARC_CHANNEL

이 채널은 추가 전용(append-only) 발행 원칙을 따릅니다.

새로운 신호가 추가됩니다.

과거의 신호는 나중에 해석에 맞추기 위해 조용히 재작성되지 않습니다.

이는 작은 구현 경계이지만, 중요한 아키텍처 규칙을 보여줍니다:

발행(Publication)이 정식 상태(canonical state)와 같지 않다는 것입니다.

메모리가 지속됨에 따라 출처(Provenance)가 더 중요해지는 이유

수명이 짧은 응답은 시스템의 미래 상태를 변경하지 않고 사라질 수 있습니다.

하지만 영구적인 메모리 항목은 다릅니다.

나중에 검색될 수 있습니다.

결정에 영향을 미칠 수 있습니다.

요약될 수 있습니다.

다른 메모리와 결합될 수 있습니다.

도구가 사용할 수 있습니다.

미래의 컨텍스트 일부가 될 수 있습니다.

메모리의 수명이 길수록, 그 출처와 기록된 이력(admission history)의 중요성이 커집니다.

이는 단순히 이론적인 문제가 아닙니다.

LongMemEval은 정보 추출, 다중 세션 추론, 지식 업데이트, 시간적 추론 및 기권(abstention)을 포괄하는 장기 대화형 메모리의 벤치마크를 도입했습니다. 이 프로젝트는 이제 에이전트 컨텍스트 쪽으로 문제를 확장한 LongMemEval-V2도 제시합니다. LongMemEval

동시에, 최근 연구에서는 LLM 에이전트를 대상으로 하는 메모리 오염 공격(memory-poisoning attacks)을 명시적으로 입증했습니다.

2026년 GhostWriter 연구는 악성 정보가 장기 메모리에 주입된 후 에이전트에 의해 활성화되는 공격에 대해 설명합니다. When Agents Remember Too Much

또 다른 2026년 연구는 기억 오염(memory-poisoning) 공격의 더 광범위한 분류 체계를 개발하고, 이를 평가하기 위한 MPBench를 소개합니다. From Untrusted Input to Trusted Memory

이러한 결과들은 중요한 점을 강화합니다:

메모리 시스템은 단순히 올바르게 기억한다는 이유만으로 안전하지 않습니다.

또한 무엇이 메모리가 될 수 있도록 허용되는지를 통제해야 합니다.

이는 Proof Before State와 직접적으로 관련됩니다.

K501이 주장하는 것이 아닌 것들

K501은 다음을 주장하지 않습니다:

일반적인 AI 메모리를 해결했다는 것,
해시가 의미론적 진실(semantic truth)을 증명한다는 것,