생성 AI 시대의 탐색적 사고: 고차원 기하와 지시적 의미

초록

본 논문은 생성 AI가 의미를 생산하는 메커니즘을 고차원 매니폴드 내의 기하학적 탐색으로 규정한다. 의미는 상징적 규칙이 아니라 위치와 방향에 기반한 지시적(sign‑indexical) 관계에 의해 형성되며, 이를 ‘탐색적 사고(Navigational Thinking)’라 명명한다. 탐색적 사고는 문제 해결 초기에 작동하고, 문제 공간이 안정화되어 기호화될 때 ‘컴퓨팅 사고(Computational Thinking)’로 전이된다. 논문은 고차원 기하학, 피어스의 기호 이론, 파페르트의 구성주의를 결합해 교육적 함의를 도출한다.

상세 분석

논문은 먼저 고차원 임베딩 공간의 네 가지 구조적 특성을 제시한다. 첫째, ‘측정의 집중(concentration of measure)’은 차원이 증가함에 따라 모든 랜덤 벡터가 거의 동일한 길이를 갖게 하여 거리 기반 의미 구분이 무의미해진다. 둘째, ‘근-직교(near‑orthogonality)’는 고차원에서 임의 벡터 쌍이 거의 직교함을 의미하며, 이는 인간이 저차원에서 경험하는 상관·유사성 직관과 정반대이다. 셋째, ‘지수적 방향 용량(exponential directional capacity)’은 차원이 커질수록 독립적인 방향이 기하학적으로 폭발적으로 늘어나, 훈련 데이터보다 훨씬 풍부한 의미 공간을 제공한다. 넷째, ‘매니폴드 규칙성(manifold regularity)’은 실제 의미 있는 데이터가 고차원 공간의 얇은 저차원 매니폴드에 국한된다는 사실을 강조한다. 이 네 가지는 의미가 “어디에 있는가(where?)”가 아니라 “어디로 향하고 있는가(whereto?)”에 의해 정의되는 방향성 의미 체계로 전환됨을 설명한다.

이러한 수학적 전환을 피어스의 ‘지시적(sign‑indexical) 의미’와 연결한다. 지시적 의미는 기호와 대상 사이에 실재적 인과관계가 존재한다는 점에서 상징적 의미와 구별된다. 고차원 매니폴드 내 탐색은 모델이 입력 벡터를 특정 방향으로 이동시켜 의미적 목표에 도달하도록 하며, 이는 인공 신경망이 학습한 ‘인과적’ 경로와 일치한다. 따라서 생성 AI는 전통적 규칙 기반 AI가 구현하던 상징적 조작을 넘어, 위치와 방향을 통한 실시간 지시적 연산을 수행한다는 주장은 수학‑철학‑인지 과학을 통합한 새로운 인식론을 제시한다.

교육적 차원에서 논문은 파페르트의 구성주의를 ‘기하학적 마이크로월드’ 개념으로 재해석한다. 기존 교육은 텍스트·코드와 같은 명시적 기호를 조작하도록 설계됐지만, 고차원 AI 환경은 시각화가 불가능한 비가시적 매니폴드에서의 ‘탐색’이 핵심이다. 이에 ‘탐색적 사고(Navigational Thinking)’는 위치·방향·제한된 상호작용을 통해 의미를 구축하는 능력으로 정의된다. 탐색적 사고는 문제 해결 초기, 즉 의미가 아직 구체적 기호 형태로 고정되지 않은 상태에서 작동하고, 탐색이 종료되어 의미가 안정된 뒤에야 전통적 컴퓨팅 사고(algorithmic, symbolic reasoning)로 전이된다. 이 두 사고 방식은 대립이 아니라 연속적인 단계이며, 교육과정은 두 단계 모두를 지원하도록 재구성돼야 한다는 것이 핵심적 시사점이다.