내가 AI 모델을 수정하려는 시도를 멈추고 비일관성을 대수적으로 불가능하게 만든 이유

내가 살펴본 모든 거대 언어 모델 (Large Language Model, LLM)은 일관성 (Coherence)에 대해 동일한 방식을 취합니다. 즉, 일관성을 모니터링하고, 일관성이 어긋나는 것을 감지하며, 이를 수정하려고 시도합니다.

나는 다른 것을 만들었습니다. CORE에서는 비일관성 (Incoherence)이 구조적으로 불가능합니다. 모니터링하는 것도, 수정하는 것도 아닙니다. 대수적으로 배제된 것입니다.

그것이 어떻게 작동하는지, 그리고 왜 중요한지에 대해 설명하겠습니다.

수정 기반 일관성의 문제점

시스템의 일관성을 모니터링하고 일관성이 어긋날 때 수정하는 방식을 취하면, 몇 가지 숨겨진 비용을 감수해야 합니다:

어긋남(Drift)과 감지 사이에는 항상 시간적 간극이 존재합니다.
수정 메커니즘 자체가 오류를 유발할 수 있습니다.
시스템이 일관적이라는 것을 공식적으로 증명할 수 없습니다. 단지 마지막 검사를 통과했다는 것만 알 수 있을 뿐입니다.
시스템이 일관성을 유지해야 할 구조적 이유가 없습니다. 단지 지금 이 순간 일관적일 뿐입니다.

이는 많은 애플리케이션에서 괜찮을 수 있습니다. 하지만 모든 단계를 추적할 수 있고 결과를 보장할 수 있는, 즉 '검사 가능하고(inspectable)', '재생 가능하며(replayable)', '감사 가능한(auditable)' 인지 시스템을 원한다면 이는 근본적인 한계입니다.

대수적 대안

CORE는 Cl(4,1) Conformal Geometric Algebra (공형 기하 대수)를 기반으로 구축되었습니다. 모든 상태는 잘 정의된 역원 (Inverse)을 가진 기하학적 객체인 versor로 표현됩니다. 모든 전이 (Transitions)는 versor 곱 (versor products)입니다.

이를 통해 우리는 항상 유지되는 강력한 불변량 (Invariant)을 얻습니다:

||F * reverse(F) - 1||_F < 1e-6

만약 이 불변량이 깨진다면, 해당 연산은 유효하지 않은 것입니다. 이는 나중에 수정될 결과를 생성하는 것이 아니라, 단순히 완료될 수 없음을 의미합니다. 일관성은 대수 자체의 수준에서 강제됩니다.

어텐션 메커니즘 (Attention mechanism)도, 샘플링 (Sampling)도, 수정 루프 (Correction loop)도 없습니다.

실제 적용 모습

CORE는 증거 기반 도메인 계층 (Evidence-Governed Domain Layer)을 가지고 있습니다. 모든 지식 도메인은 그 주장이 활성 인지 영역에 진입하기 전에 다음과 같은 공식적인 생명 주기를 거칩니다:

SPECULATIVE (추측적) → COHERENT (일관적) → CONTESTED (논쟁적) → FALSIFIED (반증됨)

audit-passed 상태로 승격되려면 디스크 상의 레인(lane) 결과로부터 바이트 단위로(byte-for-byte) 동일하게 재현되는, 리뷰어가 서명한 증거 번들(evidence-bundle) 다이제스트(digest)가 필요합니다. 현재 세 가지 도메인이 이 상태에 도달했습니다: mathematics_logic, physics, 그리고 systems_software입니다.

아직 어떤 도메인도 expert 상태를 보유하고 있지 않습니다 — 그리고 그것이 핵심입니다.

자기 강등(self-demotion) 이벤트

2026-05-23, mathematics_logic가 잠시 expert로 승격되었습니다. 그러다 증거 번들 내의 게이팅되지 않은(non-gating) 지표가 변경되었고, 이로 인해 서명 다이제스트가 무효화되었습니다. 시스템은 이를 audit-passed 상태로 자동 복구(auto-revert)했습니다.

시스템이 스스로를 강등시킨 것입니다. 인간의 개입은 없었습니다. 수정 루프(correction loop)도 트리거되지 않았습니다. 아키텍처가 불변량(invariant)을 강제했고, 상태가 이전으로 되돌아간 것입니다.

이것이 바로 시스템이 설계된 대로 정확하게 작동하고 있다는 증거입니다.

이 결정 뒤에 숨겨진 엔지니어링 선택

구현을 이끄는 세 가지 원칙은 다음과 같습니다:

1. 기계적 공감 (Mechanical Sympathy) — 이 시스템은 CPU, GPU, Neural Engine이 물리적 RAM을 공유하는 Apple Silicon의 통합 메모리 아키텍처 (UMA, Unified Memory Architecture)에 특화되어 설계되었습니다. 불필요한 복사도, 핫 패스(hot paths)에서의 GC(Garbage Collection) 일시 중단도 없습니다. Rust와 Zig로 작성되었습니다.

2. 의미론적 엄밀성 (Semantic Rigor) — 시스템 내의 모든 용어는 정확하고 타협 불가능한 의미를 가집니다. "이 정도면 충분한" 임계값(threshold)이란 존재하지 않습니다. 주장이 유효한 증거 번들 다이제스트를 갖거나, 갖지 않거나 둘 중 하나입니다. Versor 불변량이 유지되거나, 혹은 해당 연산이 무효이거나 둘 중 하나입니다.

3. 제3의 문 (Third Door) — 기존 라이브러리나 패턴을 채택하는 대신, CORE는 제1원리(first principles)로부터 구축됩니다. 볼트 회상(vault recall) 시스템은 코사인 유사도(cosine similarity)나 근사 최근접 이웃(approximate nearest neighbors)이 아닌, CGA 내적(inner product)을 직접 사용합니다. 매번 정확한 회상을 보장합니다.

이것이 AI 안전(AI safety)에 중요한 이유

구조적으로 일관성(coherent by construction)을 갖춘 시스템은 감사가 가능한 시스템입니다. 라이브 필드(live field)에 있는 그 어떤 상태, 그 어떤 전이(transition), 그 어떤 주장이라도 가져와서 형식적으로(formally) 검증할 수 있습니다. "모델이 아마 이 부분에서는 맞았을 것이다"라는 식의 추측은 없습니다. 불변량이 유지되었거나, 아니거나 둘 중 하나일 뿐입니다.

이것은 트랜스포머 기반 아키텍처 (transformer-based architectures)와는 다른 계산 기하학 (computational geometry)입니다. 모든 면에서 더 뛰어난 것은 아닙니다. 하지만 조사 가능하고 (inspectable), 재현 가능하며 (replayable), 증거에 의해 통제되는 (evidence-governed) 인지 (cognition)를 위해서는 이것이 올바른 토대입니다.

리포지토리(Repo) 및 특허

CORE는 오픈 소스이며 활발히 개발 중입니다. 핵심 아키텍처를 다루는 가특허 (provisional patent)가 출원되었습니다 (U.S. 64/080,054).

리포지토리 (Repo): github.com/AssetOverflow/core
GitHub Sponsors (5개 등급, 월 $5–$1,500): github.com/sponsors/AssetOverflow
자본 효율성 (capital efficiency) 세부 사항이 포함된 후원 선언문 (Sponsorship manifesto): docs/sponsors.md

만약 당신이 결정론적 AI (deterministic AI), 기하 대수 (geometric algebra), 또는 Rust/Zig에서의 제로 할당 시스템 (zero-allocation systems)에 대해 작업하고 있다면, 당신의 이야기를 듣고 싶습니다. 리포지토리에서 토론을 시작하거나 GitHub을 통해 연락해 주세요.