무한한 컴퓨팅 자원(Compute)과는 경쟁할 수 없습니다. 하지만 규모(Scale)보다 깊이(Depth)가 더 중요한 인접 영역을 찾을 수는 있습니다.

전략적 문제

저는 LLM(Large Language Model)의 역량 측면에서 OpenAI, Anthropic, 또는 Google과 경쟁할 수 없습니다. 그들은 제가 결코 따라갈 수 없는 컴퓨팅 자원(Compute), 인재, 그리고 자본을 보유하고 있습니다.

그래서 저는 다른 질문을 던졌습니다. "어떻게 하면 LLM을 더 똑똑하게 만들 수 있을까?"가 아니라, "LLM과의 대화는 우리가 생각하는 방식에 대해 무엇을 드러내며, 그 구조를 어떻게 유용하게 만들 수 있을까?"라고 말입니다.

이것은 실제적인 지적 문제와 실용적인 응용 분야를 갖춘, 훨씬 덜 포화된 공간임이 드러났습니다. 이는 수년간 지속될 수 있고, 다양한 프로젝트를 파생시키며, 사람들이 실제로 사용하는 무언가를 만들어낼 수 있는 연구 프로그램으로 자연스럽게 연결됩니다.

이 교훈은 일반적입니다. 주요 축(Main axis)에서 경쟁할 수 없을 때는, 당신의 특정한 기술과 제약 사항이 오히려 장점이 되는 직교 공간(Orthogonal space)을 찾으십시오.

인지적 MRI (Cognitive MRI)

저는 저 자신의 AI 대화 로그를 분석하는 것부터 시작했습니다. ChatGPT, Claude 및 기타 시스템과 나눈 수년간의 채팅입니다. 코드, 연구, 철학, 건강, 프로젝트를 아우르는 수천 건의 대화들이었습니다.

선형적인 텍스트는 구조를 숨깁니다. 하지만 이러한 대화로부터 의미론적 유사성 네트워크(Semantic similarity networks)를 구축하고 그 위상(Topology)을 분석하면, 흥미로운 무언가가 나타납니다.

방법론

1. 표준 언어 모델을 사용하여 대화를 임베딩(Embed)합니다.
2. 사용자 입력을 AI 응답보다 2배 더 높은 가중치를 둡 (절제 연구(Ablation studies) 결과, 사용자:AI 가중치를 2:1로 설정할 때 모듈성(Modularity)이 극대화됨을 확인했습니다).
3. 코사인 유사도(Cosine similarity) 에지 가중치를 사용하여 유사성 그래프(Similarity graph)를 구축합니다.
4. 의미 있는 연결을 유지하기 위해 임계값 컷오프(Threshold cutoff)를 적용합니다 (임계값 theta ~ 0.9 부근에서 상전이(Phase transition)가 나타납니다).
5. 네트워크 클러스터링(Network clustering)을 통해 커뮤니티를 식별합니다.

그 결과는 당신의 지식 탐색이 실제로 어떻게 구조화되는지를 보여주는 지도입니다.

이질적 위상 (Heterogeneous topology)

서로 다른 종류의 대화는 근본적으로 다른 네트워크 구조를 가집니다.

**프로그래밍 및 실무 작업 (Programming and practical work)**은 트리 형태의 계층 구조 (tree-like hierarchies)를 형성합니다. 즉, 문제에서 해결책으로 분기되는 선형적인 문제 해결 경로를 가지며, 도메인 간의 연결은 적고 평균 경로 길이 (average path length)는 깁니다.

**연구 및 개념적 작업 (Research and conceptual work)**은 좁은 세상 네트워크 (small-world networks)를 형성합니다. 허브 앤 스포크 (hub-and-spoke) 구조를 띠며, 많은 연결을 가진 중심 개념들과 멀리 떨어진 도메인을 연결하는 브리지 노드 (bridge nodes), 그리고 겉보기에 관련 없어 보이는 아이디어들 사이의 짧은 경로가 특징입니다.

**중간 도메인 (Intermediate domains)**은 이러한 양극단 사이의 하이브리드 구조를 생성합니다.

이는 예측되지 않았던 결과입니다. 이러한 위상 (topology)은 각 도메인의 인지 모드 (cognitive mode)를 드러냅니다. 프로그래밍 대화는 수렴적 (convergent, 해결책을 향해 좁혀짐)인 반면, 연구 대화는 발산적 (divergent, 연결성을 탐색함)입니다.

브리지 노드 (Bridge nodes)

몇몇 핵심적인 대화들이 전체 지식 그래프 (knowledge graph)를 하나로 묶어주는 브리지 노드 역할을 합니다. 이들은 주관적인 척도로 보았을 때 반드시 "가장 중요한" 대화인 것은 아닙니다. 대신, 그렇지 않으면 분리되었을 커뮤니티들을 서로 연결하는 대화들입니다.

이러한 브리지들을 제거하면 지식 그래프는 고립된 클러스터 (clusters)들로 파편화됩니다. 이들은 당신이 서로 다른 도메인을 어떻게 통합하는지를 보여주는 개념적 핵심축 (conceptual linchpins)을 나타냅니다.

절제 연구 (The ablation studies)

우리는 두 가지 파라미터 (parameters)를 체계적으로 변화시켰습니다:

• 사용자:AI 가중치 비율 (User:AI weighting ratio): 1:1에서 3:1까지 변화시켰으며, 2:1에서 가장 높은 모듈성 (modularity)이 나타났습니다.
• 임계값 컷오프 세타 (Threshold cutoff theta): 0.7에서 0.95까지 변화시켰으며, 0.9 부근에서 상전이 (phase transition)가 발생했습니다.

이 상전이는 중요합니다. 이는 우리가 파라미터에 의한 인위적인 결과 (artifacts)가 아닌, 실제 구조를 마주하고 있음을 시사합니다. 대화 데이터로부터 커뮤니티 구조 (community structure)를 추출하는 원칙적인 방법이 존재한다는 뜻입니다.

현재 도구들이 놓치고 있는 것

복잡계 네트워크 과학 (Complex networks science)은 수십 년 동안 한 가지 통찰을 증명해 왔습니다. 바로 위상 (topology)이 환원주의적 접근 방식 (reductionist approaches)이 놓치는 부분을 드러낸다는 점입니다. 우리는 이를 사회적 네트워크, 생물학적 시스템, 인프라, 인용 그래프 (citation graphs) 등에 적용해 왔습니다.

이제 우리는 양적으로 폭발하고 있는 새로운 데이터 소스를 갖게 되었습니다. 바로 AI 시스템과의 대화입니다. 이것들은 사고의 네트워크(networks of thought), 의미론적 연결(semantic connections), 개념적 가교(conceptual bridges), 그리고 지식 커뮤니티입니다. 하지만 대부분의 도구는 이러한 구조를 완전히 무시합니다.

전형적인 RAG (Retrieval-Augmented Generation, 검색 증강 생성) 방식은 다음과 같습니다:

1. 쿼리(query)를 임베딩(embeddings)으로 변환
2. 벡터 공간(vector space)에서 가장 가까운 이웃(nearest neighbors)을 찾음
3. 유사한 문서를 반환
4. 완료

이것은 메트릭 공간(metric space)에서의 최근접 이웃 탐색(nearest-neighbor search)일 뿐입니다. 어떤 문서들이 강력하게 연결되어 있는지, 브리지 노드(bridge nodes)가 멀리 떨어진 커뮤니티들을 어떻게 연결하는지, 어떤 문서가 허브(hubs) 역할을 하는지, 혹은 지식 클러스터(knowledge clusters)가 실제로 어떻게 조직되어 있는지에 대해서는 알지 못합니다.

우리는 그래프 구조(graph structure)를 버리고 있는 것입니다.

대신 우리가 구축해야 할 것

자신만의 네트워크 구조를 이해하는 도구입니다.

쿼리 가능성 (Queryable): 단순히 "이 쿼리와 유사한 문서를 찾아줘"가 아니라, "이 두 주제를 연결하는 가교는 무엇인가?", "이 도메인에서 허브 역할을 하는 문서는 무엇인가?", "이 멀리 떨어진 아이디어들 사이의 경로를 보여줘"와 같은 질문이 가능해야 합니다.

탐색 가능성 (Browseable): 실제 네트워크 토폴로지(topology)를 드러내야 합니다. 자연스러운 클러스터(clusters)를 보여주고, 허브를 강조하며, 브리지(bridges)를 밝혀내야 합니다. 탐색 방식이, 사용자가 파일을 정리할 때 생각했던 방식이 아니라 지식이 실제로 연결되는 방식을 반영하도록 해야 합니다.

대화 가능성 (Conversable): 토폴로지에 대해 추론할 수 있는 LLM이 필요합니다. "이 세 문서는 X를 서로 다른 각도에서 탐구하기 때문에 긴밀한 클러스터를 형성합니다. 이 다른 문서는 원리 Z를 통해 클러스터 Y로 연결되는 가교 역할을 합니다."와 같이 말이죠. 단순히 콘텐츠를 요약하는 것이 아니라, 그래프에 대해 추론해야 합니다.

인프라

저는 이러한 통찰을 네트워크 증강 검색(network-augmented retrieval)을 위한 도메인 특화 언어(DSL, Domain-Specific Language)로 일반화하는 Python 패키지를 구축하고 있습니다.

이 DSL은 임의의 데이터 소스(대화, 전자책, 북마크, 문서)로부터의 그래프 구축, 조정 가능한 파라미터를 이용한 커뮤니티 탐지(community detection), 브리지 식별 및 경로 분석, 허브 탐지, 그리고 그래프 구조 위에 계층화된 대화형 인터페이스를 처리합니다. 여러 데이터 소스에 걸친 오케스트레이션(orchestration)은 MCP를 통해 이루어집니다.

이를 귀하의 AI 대화 기록, 전자책 컬렉션, 브라우저 북마크, 이메일 아카이브, 개인 문서에 적용해 보십시오. 모든 것이 하나의 통합된 지식 그래프 (knowledge graph)의 일부가 되며, 그 위상 (topology)은 귀하가 존재조차 몰랐던 구조를 드러냅니다.

네트워크 과학자들을 위하여

수십 년 동안 네트워크 과학 (network science)은 정적인 데이터 세트의 구조를 분석해 왔습니다. 2015년의 소셜 그래프, 단백질 상호작용, 교통 네트워크 등이 그 예입니다.

이제 우리는 새로운 데이터 소스 (대규모로, 지속적으로 사고의 네트워크를 생성하는 LLM 대화), 새로운 능력 (순수 알고리즘이 할 수 없는 방식으로 네트워크 구조의 의미를 해석할 수 있는 LLM), 그리고 새로운 범위 (통합된 인터페이스를 통해 상호 연결된 데이터 소스 전반에 걸친 동시 네트워크 분석)를 갖게 되었습니다.

이는 복잡계 네트워크 (complex networks) 사고방식에서 벗어나는 것이 아닙니다. 그것은 자연스러운 다음 단계입니다. 우리는 마침내 네트워크 과학이 네트워크를 이해하는 방식 그대로 네트워크를 이해하는 시스템을 구축하고 있습니다.

하나의 수업, 하나의 논문

저는 네트워크 수업을 딱 하나 들었습니다. 그 결과로 동료 검토 (peer-reviewed)를 거친 논문 한 편과 Complex Networks 2025에서의 발표 기회를 얻었습니다.

이것은 천재성에 관한 문제가 아닙니다. 덜 포화된 공간에서 올바른 질문을 던지고, 상호 보완적인 기술 (프로그래밍, 통계학, 수학적 사고)을 가져오며, 컴퓨팅 자원 (compute)으로 경쟁하기보다 전략적으로 움직이고, 장기적인 프로그램을 지원할 인프라를 구축하는 것에 관한 문제입니다.

이곳에서 생산적인 연구를 위한 활성화 에너지 (activation energy)는 사람들이 생각하는 것보다 낮습니다. 병목 현상은 선수 지식 (prerequisite knowledge)이 아닙니다. 그것은 지적 호기심과 문제 해결 능력입니다.

맥락 (Context)

이 작업은 특정한 맥락 속에 존재합니다. 저는 4기 암을 앓고 있으며, 불확실한 시간적 지평과 반복되는 치료 주기를 가지고 있습니다.

암은 지적 작업을 변화시키지 않습니다. 다만 무엇이 할 가치가 있는지를 명확하게 해 줄 뿐입니다.

시간이 불확실할수록 전략적 포지셔닝 (strategic positioning)이 더 중요해집니다. 지속 가능한 연구 방향을 찾는 것이 더 중요해집니다. 다른 사람들이 계속 이어갈 수 있는 인프라를 구축하는 것이 더 중요해집니다.

Cognitive MRI 프로젝트는 압축된 타임라인(compressed timelines) 동안 진행된 저 자신의 지식 탐색 과정을 기록합니다. 이 네트워크들은 실제 제약 조건 하에서 이루어진 실제 지적 작업들을 매핑합니다. 시간이 흐르는 동안 사고를 네트워크 분석한다는 점이 매우 적절합니다.

대학원생들을 위하여

만약 연구 방향을 찾고 있다면, 다른 모든 사람들이 경쟁하고 있는 주요 축(main axis)에서 경쟁하지 마세요. 직교 공간(orthogonal space)을 찾으십시오.

다음과 같은 문제들을 찾아보세요:

• 화제가 되는 분야(hyped areas)와 인접해 있지만 포화 상태는 아닌 분야
• 기존의 기술과 학습 가능한 도구들로 해결 가능한 분야
• 여러 후속 질문을 생성할 수 있는 분야
• 학술적 참신함을 넘어 실질적으로 유용한 분야
• 다년간의 타임라인 동안 지속 가능한 분야

개인 지식 그래프(Personal knowledge graphs) + 복잡계 네트워크(complex networks) + LLM은 그러한 공간 중 하나입니다. 다른 공간들도 존재합니다.

핵심은 전략적 포지셔닝(strategic positioning)입니다. 무한한 컴퓨팅 자원이나 수십 년의 전문 지식 없이도 실제로 참신한 무언가를 기여할 수 있는 곳은 어디인가요?

향후 계획

complex-net RAG 패키지는 그래프 증강 검색(graph-augmented retrieval)을 위한 DSL(Domain Specific Language)을 제공할 것입니다. 이는 다양한 데이터 유형에 걸쳐 작동하며, 쿼리/브라우징/대화가 가능한 인터페이스를 가능하게 하고, MCP를 통해 여러 소스를 오케스트레이션하며, 재현성을 위해 개인 및 공개 데이터를 모두 지원할 것입니다.

연구 프로그램은 방법론적 개선(가중치 산정 방식, 임계값 선택), 새로운 도메인으로의 응용, 인지 과학적 질문(이러한 구조가 사고에 대해 무엇을 드러내는가?), 시스템적 질문, 그리고 도구 개발을 탐구할 것입니다.

가장 중요한 것은, 학생들이 이 분야에 빠르게 진입하여 의미 있게 기여하고, 자신만의 연구 방향을 구축할 수 있는 훈련장을 만든다는 점입니다.

관련 링크

• Cognitive MRI: Accepted to Complex Networks 2025
• Mathematical Elegance in Software Design
• Why I Build Comprehensively in Open Source

Complex Networks 2025, New York, December.