# 잘못하지 않는 AI의 비밀: ET 이론의 선견지명과 제프

> https://bookfactory.kr/board/news/17922
> 게시판: 뉴스
> 작성자: admin
> 작성일: 2026-09-20T14:14:51.968Z

---

![見出し画像](https://assets.st-note.com/production/uploads/images/315386066/rectangle_large_type_2_d2908a749ef7d65bd6746e5239a73001.png?width=1280)

생성형 AI가 일상적인 도구로 침투한 지금, 우리는 “더욱 그럴듯한 거짓말(환각)”과 어떻게 대처할 것인가라는 과제에 직면해 있습니다. LLM(대규모 언어 모델)은 유창한 문장을 만들어내지만, 시스템의 뒤편에서 “확실한 판단”을 맡기는 데에는 출력 형식이 깨질 위험이 항상 따릅니다.

그 가운데, 텍스트 생성 능력을 완전히 버리고 “스키드 값(Choice / Score / Noul)”만을 반환하는 데 특화된 신형 AI “제브(Jev)”가 등장했습니다. 현재는 얼리 액세스 중이라 아직 저는 직접 실기에 닿아 보지 못했지만, 발표된 아키텍처 설계 철학을 분석해 보면, 매우 흥미로운 역사적 유사성이 드러납니다.

이는 최신 AI가 추구하는 모습이 1990년대 일본 연구자들이 제시한 “ET 이론(등가 변환 이론)”이 그렸던 이상과 일치하기 때문입니다.

### AI “Jev”가 글을 쓰지 않는다는 개념으로 등장하여 큰 화제를 일으키고 있습니다. 기존의 AI 챗봇이 마치 인간처럼 자연스러운 문장을 생성하는 능력을 가지고 있는 반면, “Jev”는 단순히 주어진 내용을 충실히 재현하는 데 그칩니다.

하지만 그 특징 자체가 비즈니스 환경에서 매우 매력적으로 다가옵니다. 예를 들어, 계약서, 보고서, 사내 이메일 등 형식적인 문서 작성에 AI를 활용하여 직원들은 보다 창의적인 업무에 집중할 수 있습니다.

“Jev”의 강점은 정확성과 효율성입니다. 오타나 문법 오류에 대한 걱정 없이 신속하게 문서를 작성할 수 있습니다. 또한 대량의 문서를 처리하는 능력도 뛰어나 업무 효율성 향상에 기여합니다.

실제로 한 기업에서는 영업 자료 제작에 “Jev”를 활용하고 있습니다. 영업 담당자는 고객의 니즈에 맞춰 신속하게 자료를 제작하고 제안에 임하는 것이 가능해졌습니다.

“Jev”의 등장은 AI가 글쓰기 분야에서 새로운 가능성을 열어갈 수 있음을 시사합니다. 앞으로 보다 고도화된 문장 생성 능력을 가진 AI가 등장할 가능성도 있지만, “Jev”와 같이 특정 용도에 특화된 AI는 앞으로도 비즈니스 환경에서 꾸준히 활용될 것입니다.

제브(Jev)는 기존의 LLM과 달리, 프롬프트에 따라 자유롭게 문장을 생성하는 것이 아니라, 미리 정의된 프로그래밍 언어의 타입(Choice, Score, Noul의 세 가지)에 100% 일치하는 값만을 즉시 반환합니다. 이는 기존 LLM처럼 문장을 1 토큰씩 순차적으로 생성하는 대신, 가능한 모든 출력을 병렬로 평가하는 “parallel sampler”라는 아키텍처를 사용하여, “확신도 80%”라고 답한 경우가 실제로 약 80%에 해당하는지 정확하게 RLCD 기법으로 훈련하고 있습니다.

LLM이 “확률적으로 다음 단어를 예측하는” 모델이라면, 제브는 “조건을 만족하는 논리적 이해를 정확한 확률로 도출하는” 엔진입니다. 출력물이 틀에서 벗어날 가능성이 원리적으로 발생하지 않기 때문에, 시스템 개발자는 AI의 예측 불가능한 출력 오류에 굴하지 않고, 조건 분기의 최전선에 AI를 결합할 수 있게 되었습니다.

### 1990년대의 예언 “ET 이론”

이 제브의 접근법과 강하게 공명하는 것이 홋카이도대학의 아카마 교수 등이 제창한 ‘ET 이론(등가 변환에 의한 문제 해결)’이다.

당시 Prolog와 같은 논리 프로그래밍은 계산 속도를 높이기 위해 논리적 타당성을 희생하는 타협안을 강요받고 있었습니다. ET 이론은 이를 극복하기 위해 프로그램의 “의미(해의 집합)”를 변하지 않는 규칙만을 사용하여 식을 반복적으로 변형시키는 프레임워크를 제안했습니다.

중간에 잘못된 풀이가 섞이는 것을 방지하면서, 순수한 대수 변형만을 통해 최종 답(단위 절)으로 좁혀나가면서 다음 사항을 엄밀히 보장합니다. “등가 변환을 사용하여 문제를 등가적으로 변환할 때까지는 잘못된 풀이를 얻지 않는다”는 것이 바로 제프의 보장보다 더 강력한 보장입니다. ET 이론이 보장하는 것은 단순히 출력의 “형태”뿐만 아니라, 답의 “내용 자체”가 수학적으로 정확하다는 것을 의미합니다. 이 점에서 제프는 ET 이론이 지향한 이상에는 미치지 못했을지도 모릅니다.

### 시스템 1과 시스템 2의 역전 현상

1차 번역문과 동일하게 유지합니다.

인간의 사고를 “직관(System 1)”과 “숙고(System 2)”로 구분하는 인지심리학의 관점에서, 현재 AI가 겪는 모순과 진화의 방향성이 더욱 명확하게 드러납니다.

실제로, 엄청난 계산을 수행하여 글을 쓰는 LLM은 내부 구조가 블랙박스인 확률 모델이기 때문에 본질적으로는 “거대한 System 1(직관의 연속)”에 불과합니다. 하지만 현실의 시스템 운영에서는 추론이나 논리 구축과 같은 “System 2”의 역할을 억지로 담당하고 있습니다. 이것이 논리적 오류의 원인입니다.

제브는 내부적으로 다듬어진 확률을 다루는 점에서 기존 LLM보다 더 신뢰할 수 있는 “시스템 1”입니다. 하지만 그 확신은 단순히 통계적으로 뒷받침되는 “직관”에 불과합니다. 반면 ET 이론은 내부적으로 엄밀한 논리 규칙을 쌓아 올리는 순수한 “시스템 2”였으며, 최종적으로는 단 하나의 확정적인 답만 제공하는 더 강력한 의미에서의 확실성을 지니고 있었습니다. 진정으로 믿을 수 있는 직관은 확률적 신뢰성의 한계를 넘어, 투명한 논리의 뒷받침이 있을 때 얻어지는 것일지도 모릅니다.

### 다른 산에서 같은 봉우리를 향하여

제브(Jev)는 ET 이론에서 직접 파생한 것이 아닙니다. 한쪽은 LLM의 한계를 극복하려는 현대 AI 기술이고, 다른 한쪽은 Prolog의 한계를 돌파하려 했던 1990년대의 기호 논리학입니다. 출발점과 시대는 완전히 다릅니다.

그러나 “진정으로 실용적이고 안전한 시스템을 구축하기 위해서는 확률적인 대화가 아닌, 타입 안전하고 확실한 논리 평가 엔진에 이르도록” 하는 같은 목표를 향해 나아가는 것은 단순한 우연이 아닌 정보 과학에서 나타나는 필연적인 수렴 진화라고 할 수 있을 것입니다. Jev는 ET 이론이 추구하는 “틀리지 않는 AI”에 이르기에는 어려울 것이라고 말할 수 있을 것입니다.

AI는 “쓰는” 시대에서 “판단하는” 시대로 나아가고 있습니다. 과거의 훌륭한 이론이 최신 기술의 형상을 빌려 현대에 부활하는 순간, 우리는 그 현장을 지켜보고 있을지도 모릅니다.

아카마 키요시·시미즈 도모노리·미야모토 에이이치 “선언적 프로그램의 등가 변환을 통한 문제 해결” 인공지능학회지 13권 6호 (1998), 84-92면

**출처:** [note 원문](https://note.com/bunkeipapa/n/nd6df3ecf0aa1)

*번역: Gemma 3(.44) 초벌 + 교정 15청크*

[원문 보기](https://note.com/bunkeipapa/n/nd6df3ecf0aa1) | 출처: note.com