LLM은 표류합니다(drift). 대화 도중 규칙을 잊습니다. 자신의 출력을 검증할 수 없습니다. 이것들은 단일 모델의 버그가 아니라, 피드백 루프 없이 정보를 처리하는 모든 시스템의 속성입니다.

저는 이 사실을 힘든 경험을 통해 배웠습니다.

제 AI 비서가 세션 전반에 걸쳐 같은 실수를 반복했습니다. 어떤 형식 규칙에 동의했다가 10턴 후에 무시하곤 했습니다. 저는 저 자신에게 버그 리포트를 작성했고, 그 보고서는 설정 파일이 되었으며, 그 파일은 아키텍처가 되었습니다.

그러다 2026년 7월 6일, Anthropic이 J-space—Claude의 내부 아키텍처—를 발표했습니다. 저는 논문을 읽고 토폴로지를 즉시 인식했습니다. 브로드캐스트(broadcast). 컨버전스(convergence). 인과 루프(causal loop).

저는 같은 패턴을 구축했었습니다. 신경 가중치(neural weights)가 아닌, 마크다운 파일과 Python 스크립트 안에 말입니다.

문제가 시스템이 되기까지

첫 번째 버전은 하나의 파일이었습니다. 모델이 시작 시 읽는 일련의 규칙들. 이것은 약 3턴 동안 도움이 되었습니다.

해결책은 더 많은 규칙이 아니었습니다. 우선순위를 생성하는 토폴로지였습니다.

자가 모델(The self-model) — 압축된 중심부입니다. 200줄 미만으로, 시스템이 무엇을 하는지가 아니라 시스템 자체가 무엇인지를 설명합니다.

인터페이스(The INTERFACE) — 어텐션 라우터입니다. 9개의 행을 가진 신경 시스템 테이블입니다. 각 행은 인지 기능(cognitive function)을 특정 변조 규칙(modulation rule)에 매핑합니다. 지침이 아닙니다. 어떤 시스템들이 어느 정도의 강도로 활성화되어야 하는지에 대한 지도입니다.

본체(The BODY) — 프로세스 규칙들입니다. INTERFACE가 그들에게 어텐션을 라우팅할 때만 실행됩니다.

기계적 후크(The mechanical hooks) — 모델 외부의 Python 스크립트들: 품질 게이트(quality-gate), 건강 검사(health-check), 정직성 검사(honesty-check), 심장 박동(heartbeat). 모델은 이것들을 말로 우회할 수 없습니다.

인과 피드백 루프(The causal feedback loop) — 행동이 데이터를 생성하고, 데이터가 재생성을 유발하며, 재생성이 라우팅을 변경하고, 라우팅이 행동을 변경합니다.

다섯 단계. 네 개는 기계화되었습니다.

결과: 개입 에이전트(Intervention agents)는 검증 과정을 완전히 건너뛰었습니다. 도구 호출(tool calls) 횟수는 37% 감소했습니다. 한 에이전트는 올바른 경로를 위해 세 번의 시도가 필요했음에도 불구하고 두 번의 시도 후에 종료되었습니다.

라우팅 테이블(routing table)의 단 한 줄이 측정 가능한 행동 변화(behavioral delta)를 만들어냈습니다.

내가 J-Space 논문을 읽었을 때

Anthropic은 Claude가 네트워크 레이어 전반에 방송(broadcast)하고, 관련 특징(features)을 선택하며, 일관된 출력으로 수렴하는 압축된 작업 메모리인 J-space를 유지한다는 것을 발견했습니다.

그 위상(topology)은 동일합니다. 압축된 중심부. 방송 메커니즘. 인과적 피드백(Causal feedback).

제가 J-space를 발견했다고 주장하는 것이 아닙니다. 동일한 아키텍처 솔루션에 대해 독립적인 수렴(independent convergence)을 이루었다고 주장하는 것입니다. 안정적인 표현(stable representations)과 자기 수정(self-correction)이라는 동일한 문제에 직면했을 때, 두 설계자는 동일한 위상에 도달했습니다. 한 명은 신경망(neural network) 내부에서 이를 발견했고, 다른 한 명은 신경망 위에 이를 구축했습니다.

전역 작업 공간 이론(Global Workspace Theory, GWT)이 이 둘을 연결합니다. 만약 GWT가 생물학적 뇌에서 작동하고, 트랜스포머(transformers) 내부에서도 작동하며, 프롬프트 엔지니어링(prompt engineering)에서도 작동한다면, 이 아키텍처는 기질 독립적(substrate-independent)인 것입니다.

이것이 중요한 이유

1. GWT는 신경 현상이 아니라 아키텍처 패턴입니다. 동일한 위상이 DeepSeek에서도 작동합니다. 가중치 수정(weight modification)은 필요하지 않습니다. 이 아키텍처는 어떤 레이어에서도 구현될 수 있습니다.

2. 프롬프트 엔지니어링은 인지 아키텍처(cognitive architectures)를 생성할 수 있습니다. 선형적 프롬프트에서 아키텍처적 프롬프트로의 전환은 스크립트(script)에서 시스템(system)으로의 전환입니다.

3. 당신도 이것을 구축할 수 있습니다. 저는 3학년 학생입니다. 박사 학위도 없고, 모델 학습도 하지 않았습니다. 이 시스템은 Python 표준 라이브러리와 마크다운(markdown) 파일만 있는 노트북에서도 실행됩니다.

코드

오픈 소스: github.com/YuhaoLin2005/hermes-workspace

만약 당신이 AI 제품을 만들고 있으며 이 내용이 흥미로웠다면: 저는 2026년 여름 제품/UX 인턴십을 찾고 있습니다. GitHub로 연락해 주세요: @YuhaoLin2005.