인간‑AI 집단지식 역학: 지속가능한 웹 성장 모델

초록

본 논문은 인간과 대형 언어 모델(LLM)이 공동으로 생산·소비하는 웹 지식 아카이브의 규모·품질·기술·수요가 상호작용하는 다섯 변수 동적 시스템을 제안한다. 인간 기여와 LLM 기여, 품질 게이트, 인간 학습 경로, LLM 학습 방식 등을 파라미터화해 성장·침체·진동 등 다양한 레짐을 규명하고, 위키피디아·PubMed·GitHub 사례를 통해 정책·플랫폼 레버가 시스템 전이를 어떻게 유도하는지 실증한다.

상세 분석

이 연구는 인간‑AI 집단지식 생태계를 “아카이브 규모(K)·품질(q)·LLM 스킬(θ)·인간 스킬(H)·쿼리량(Q)” 다섯 차원으로 추상화한 최소·해석 가능한 연속동역학 모델을 제시한다. 모델식(1)은 다음과 같은 핵심 메커니즘을 포함한다.

1. 콘텐츠 유입: 인간 기여는 α_H·H에 비례하고, LLM 기여는 α_A·Q·g(a)로 표현된다. 여기서 g(a)는 LLM 출력 정확도 a와 게이트 파라미터(κ_gate, a₀)에 따라 조정되는 로지스틱 함수로, 플랫폼의 검증·중재 강도를 의미한다.

2. 품질 평균화: 아카이브 품질 q는 인간 기여 시 q_H(인간 전용 품질 기준) 쪽으로, LLM 기여 시 현재 모델 정확도 a=σ(θ)·q 쪽으로 각각 끌어당겨진다. K가 클수록 단위 기여가 품질에 미치는 영향은 감소한다(분모 K).

3. LLM 스킬 진화: θ는 두 학습 모드의 합으로 변화한다. (i) 사전학습은 규모법칙 θ* (K,q)=θ_max·ln(1+K)/ln(1+K_max)·q에 수렴한다. (ii) RLHF는 Q·Q/(Q+Q_{1/2})·(θ_max−θ) 형태의 포화 함수로, 사용자 쿼리량이 클수록 모델이 빠르게 최전선에 접근한다. η_sup, η_RLHF가 각각 학습 속도를 조절한다.

4. 인간 스킬 진화: H는 (i) 아카이브 자체 학습(H_max(K,q)·Hill 형태)과 (ii) LLM 보조 학습(β_A·a·S(Q))에 의해 상승하고, γ_H·H에 의해 감퇴한다. β_K와 β_A는 인간이 스스로 학습하는 비중과 AI 보조에 의존하는 비중을 조절한다.

5. 쿼리량 동역학: Q는 ξ(H)=ξ₀·exp(−κ·H)·(1+T_difficulty)⁻¹ 로 인간 스킬이 높을수록 감소하고, ρ_Q·Q에 의해 자연 감쇠한다.

이러한 상호작용은 피드백 루프를 형성한다. 예를 들어, 게이트가 완화되면 낮은 a의 LLM 출력이 대량 유입돼 q를 낮추고, 이는 θ*를 감소시켜 이후 모델 정확도 a를 더욱 악화시킨다(모델 붕괴). 동시에 H는 낮은 q·a에 의해 학습 효율이 감소해 역전 현상이 발생한다(인간 역량 역전).

시뮬레이션 결과는 건강한 성장 레짐(α_H≫α_A, 엄격한 게이트, 높은 η_RLHF), 역류 레짐(α_A≫α_H, 관대한 게이트), 진동 레짐(중간 파라미터에서 Q와 H가 주기적으로 상호 억제), 붕괴 레짐(θ·q·g(a) 모두 낮아 지속적 품질 저하) 등 네 가지 주요 동태를 도출한다. 파라미터 변화를 통해 정책 레버(게이트 엄격도 κ_gate, RLHF 투자 η_RLHF, 인간 학습 비중 β_K 등)가 시스템을 어느 레짐으로 이동시키는지 정량적으로 보여준다.

실증 부분에서는 위키피디아 데이터를 사전·사후(Pre‑ChatGPT vs Post‑ChatGPT) 시기로 나누어 모델을 적합한다. 사후 시기에는 α_A·g(a)·Q가 급증하고 α_H·H가 감소해 “역류 레짐”에 근접함을 확인한다. PubMed은 높은 α_H·H와 엄격한 게이트(학술 저널 심사)로 “건강한 성장”에 머무는 반면, GitHub + Copilot은 낮은 게이트와 높은 Q·α_A로 “진동/역류 혼합” 레짐을 보인다.

핵심 인사이트는 다음과 같다.

• 게이트 조절은 품질 저하를 방지하는 가장 직접적인 수단이며, 특히 대규모 LLM 배포 초기 단계에서 필요하다.
• RLHF 투자는 모델 스킬을 빠르게 끌어올리지만, Q가 과도하면 품질 게이트를 우회하는 위험이 있다. 따라서 Q·η_RLHF의 비율을 적절히 제한해야 한다.
• 인간 학습 지원(β_K 강화, 교육 프로그램)은 H를 유지·증대시켜 q와 θ의 악순환을 차단한다.
• 시스템 레짐 모니터링(K, q, θ, H, Q 실시간 추적)과 조기 경보 메커니즘을 도입하면 붕괴 전환을 사전에 방지할 수 있다.