서론
본 작업은 일반 사용자(Stas)가 두 개의 대규모 언어 모델(LLM) — Grok (xAI) 및 Gemini (Google)와 협력하여 준비한 분석적 검토 및 개념적 가설입니다.

최근 몇 년 동안 대규모 언어 모델(LLM)은 텍스트 생성, 분석 및 정보 보조 작업에서 눈에 띄는 성과를 거두었습니다. 동시에 이들은 엄격한 한계에 직면했습니다: 양질의 인간 데이터 고갈과 학습 과정에서 합성 데이터(synthetic material) 비율의 증가입니다. 이 과정은 '데이터 벽(data wall)'과 모델 붕괴(model collapse)라는 개념으로 설명됩니다. 모델들은 새롭고 깊이 있으며 비균질적인 지식에 접근하는 데 점점 더 어려움을 겪고 있으며, 이미 평균화된 패턴을 점점 더 자주 재현하고 있습니다.

이와 병행하여 과학계에서는 또 다른, 덜 소란스러운 위기가 발전하고 있습니다. 시니어 및 미들 세대 전문가들이 은퇴함에 따라 암묵적 전문가 지식(implicit expert knowledge) — 즉, 논문, 보고서, 데이터베이스에 완전히 담기지 않는 경험, 직관, 미완성된 사고 과정, 숨겨진 상관관계 및 실무적 이해 — 이 소실되고 있습니다. 이 지식의 일부는 오늘날 주목받는 인물들뿐만 아니라, 과거의 저자들이자 기술적 또는 조직적 한계에 부딪혀 현업에서 물러난 '침묵하는' 지식 보유자들에게도 속해 있습니다. 그 이후로 한계치는 많이 이동했지만, 지식 보유자 본인은 새로운 아이디어 형성 및 전달 주기에 포함되지 않는 경우가 많습니다.

이 두 프로세스 사이에는 격차가 존재합니다. 모델에는 생생한 전문가 계층이 부족합니다. 지식 보유자에게는 프롬프팅(prompting), 인터페이스 및 기술적 환경을 익히지 않고도 이 계층을 전달할 수 있는 정상적이고 진입 장벽이 낮은 방법이 없습니다. 결과적으로 두 개의 잠재적으로 강력한 리소스는 약하고, 우연하며, 비용이 많이 드는 방식으로 결합됩니다.

가능한 해결책 중 하나로 '산업별 AI 메카닉(Industry AI-Mechanic)' — 전문가와 모델 사이의 중개 전문가 — 의 인프라적 역할이 제안됩니다. 그의 임무는 과학자를 대체하는 것도, 과학자를 숙련된 AI 운영자로 만드는 것도 아닙니다.

과제는 다른 데 있습니다. 대화를 이끌고, 자료를 기록하며, 의미의 손실을 줄이고, 지식의 1차적인 패키징 (packaging)을 조직하며, 이 프로세스를 과학 조직의 업무에 통합할 수 있도록 돕는 것입니다. 원칙은 간단합니다. 과학자가 말하면 — 메카닉(mechanic)이 조직하고 기록하며 — 모델이 처리를 돕는 것입니다.

이 모델은 과학의 전면적인 개혁을 요구하지 않습니다. 이미 존재하는 기관 내의 소규모 그룹, 파일럿 형식, 그리고 점진적인 실무 축적을 통한 실용적인 도입을 목표로 합니다. 특히 활동적인 전문가뿐만 아니라, 비활동적 또는 반활동적인 지식 보유자 — 기존 프로젝트들이 가장 제대로 다루지 못하는 계층 — 와의 협업에 별도의 강조점을 둡니다.

이 설계의 또 다른 조건은 처리된 자료의 합리적인 개방성입니다. 추출된 지식이 기본적으로 다시 로컬 루프 (local loops) 안에 갇혀 버린다면, 이 작업의 주요 의미 중 하나는 약화됩니다. 즉, 모델을 위한 양질의 데이터 부족 문제를 극복하겠다는 선언이 공허한 외침으로 남게 되기 때문입니다. 민감한 정보는 별도로 보호될 수 있으며 보호되어야 합니다. 하지만 여기서 개방성은 구호가 아니라 작업 조건으로 간주됩니다.

이 작업은 모든 아이디어의 절대적인 독창성을 주장하지 않습니다. 이는 이미 알려진 흐름들 — 암묵지 (tacit knowledge), 지식 인출 (knowledge elicitation), 인간 참여형 (human-in-the-loop), 인터뷰 기반 데이터 수집 (interview-based data collection) — に 기반하며, 이를 더욱 통합적인 실무 체계로 모으는 것입니다. 이것은 최종적인 진리가 아니라, 저자가 두 개의 독립적인 모델과 진행한 긴 대화 및 이후의 합성 과정을 통해 도출된 실행 가능한 가설입니다.

본 게시물은 공개되어 있습니다. 목적은 우선권을 주장하는 것이 아니라, 구조를 기록하고, 문제를 규정하며, 검증 가능한 행동 방식을 제안하는 것입니다.

작업의 목표
본 작업의 주요 목표는 거대 언어 모델 (LLM)의 발전과 과학계의 전문 지식 상태가 교차하는 이중적 위기를 기록하고, 가능한 실질적인 해결책 중 하나를 제안하는 것입니다.

구체적인 목표:

1. 문제의 체계화.

언어 모델을 위한 양질의 데이터 고갈("데이터 벽", model collapse)과 과학 분야에서의 암묵적 전문 지식(implicit expert knowledge)의 병행적 상실 사이의 연결 고리를 보여주는 것입니다. 이 두 과정은 서로를 강화합니다. 모델에는 살아있는 전문가 계층이 부족하고, 지식 보유자들은 이를 전달할 수 있는 진입 장벽이 낮은 방법을 가지고 있지 않습니다.

2. 실행 가능한 인프라 모델을 제안합니다. 전문가와 모델 사이의 중재자로서 '산업별 AI 메카닉(Industry AI Mechanic)'의 역할을 기술합니다. 이것이 과학의 전면적인 개혁을 의미하는 것이 아니라, 소규모 그룹과 파일럿 형식을 통해 기존 기관에 통합될 수 있는 보조적인 전문 분야임을 강조합니다.

3. 설계의 실무적 초점을 기록합니다. 역할의 분리, 능동적인 지식 보유자뿐만 아니라 비능동적인 지식 보유자와의 협업, 처리된 자료의 합리적인 개방성, 그리고 절대적인 독창성을 주장하기보다는 이미 존재하는 체계들(암묵지(tacit knowledge), 지식 인출(knowledge elicitation), 인간 참여형(human-in-the-loop), 인터뷰 기반 캡처(interview-based capture))에 기반하는 것을 다룹니다.

4. 의미 있는 결과가 이미 지금 달성 가능하다는 것을 보여줍니다. 이 작업 자체가 부수적이지만 중요한 사례입니다. 이 작업은 특별한 제도적 지위나 연구 예산, 폐쇄된 시스템에 대한 접근 권한이 없는 일반 사용자가 두 개의 무료 언어 모델과 긴 대화를 나누며 만들어낸 것입니다. 이 모델들이 없었다면 현재 형태의 텍스트는 존재하지 않았을 것입니다. 이것은 저자의 능력을 증명하거나 "AI의 마법"을 광고하는 것이 아닙니다. 이는 더 겸손한 사실을 보여주는 것입니다. 즉, 일관된 작업을 수행한다면 현재 수준의 공개 모델만으로도 비정형적인 자료를 출판 및 토론이 가능한 일관된 가설로 수집할 수 있다는 사실입니다.

5. 동의가 아닌 검증을 요청합니다. 이 작업은 최종적인 해답으로 제안되는 것이 아닙니다. 이 작업의 의미는 검증 가능한 구조를 제공하고, 문제를 규정하며, 비판과 개선 및 파일럿 테스트를 위한 공간을 남겨두는 데 있습니다.

따라서 여기서의 목표는 이중적입니다. 한편으로는 문제를 기술하고 가능한 행동 방식을 제시하는 것입니다.

다른 한편으로는, 이러한 가설을 수립하는 과정 자체가 완벽한 미래의 도구를 기다리기보다는 기존 모델들을 의미 있게 활용해야 한다는 작은 실천적 근거가 된다는 점을 기록하는 데 있습니다.

러시아어 및 영어 전체 버전은 Zenodo에서 확인할 수 있으며, 여기에서 https://doi.org/10.5281/zenodo.21762599를 참조하십시오.