보편 개념 계층: 버전 관리가 가능한 코드로서의 언어

본 연구 논문의 번역본은 참고용이며, 영문 원본이 우선합니다.

사람, 언어 모델, 에이전트, 로봇 간의 의미 계층

Andreas Ehstand 독립 연구자 · AUGMANITAI 연구 프로그램 · ORCID 0009-0006-3773-7796

워킹페이퍼 · 버전 2.1 · 이중 언어 출판. 독일어판과 영어판은 실질적으로 동일한 내용을 담고 있으며 단일 식별자 하에 하나의 기록으로 발행된다. 인용 시에는 영어판을 기준으로 한다. 라이선스: CC BY 4.0(저작자표시). 본 라이선스는 이 텍스트에 한정하여 적용된다. 프로그램의 내부 작동 절차는 본 출판물의 범위에 포함되지 않으며 해당 라이선스의 적용을 받지 않는다. 상표권 및 성명권은 이와 무관하게 유지된다.

초록

사람, 대규모 언어 모델, 자율 에이전트 및 로봇으로 구성된 시스템의 인프라는 전송, 도구 호출, 식별자, 기능 명세 등의 영역에서 빠르게 표준화되고 있다. 그러나 한 계층만은 체계적으로 논의에서 배제되어 왔다. 이는 단순한 간과가 아니라, 이미 해결된 문제로 간주되기 때문이다. 고전적인 에이전트 통신 언어들은 이를 위해 온톨로지(ontology)를 지시하는 메시지 필드라는 자리표시자(placeholder)를 제공한 바 있다. 하지만 여기서 명세된 것은 포인터 그 자체일 뿐, 가리키는 대상의 생명주기가 아니었다. 준거 틀(frame of reference)이 버전 관리 하에서 어떻게 변경될 수 있는지, 의미의 단절을 어떻게 신호로 알릴 것인지, 수신자가 한 번도 접하지 못한 버전을 어떻게 해석해야 하는지, 그리고 동일한 단일 레코드가 사람과 언어 모델, 로봇 제어기에 어떻게 동일하게 기능할 수 있는지에 대해서는 어떠한 합의도 이루어지지 않았다.

본 논문은 단순히 자리표시자를 재설정하는 데 그치지 않고, 그 빈 공간을 실질적으로 채우는 방안을 제안한다. 본 연구는 의미의 수준이 그 자체로 시스템 아키텍처의 독립적인 계층(보편 개념 계층, Universal Concept Layer)을 구성하며, 그 매개체는 버전 관리가 적용된 자연어라고 주장한다. 즉, 개념(concept)은 정의, 경계 설정, 유효 맥락, 타임스탬프, 버전 번호 및 출처 기록을 갖추어 소프트웨어 산출물과 동일한 방식으로 유지되어야 한다. 이에 따라 본 논문은 정의 객체의 최소한의 형식적 명세를 제시하고, 인간과 기계의 상호작용 속에서 이러한 개념이 발현되는 재귀적 5단계 주기를 기술한다. 나아가 언어 기반의 사이버-물리 시스템에 적용되는 코르집스키(Korzybski)의 고전적 원칙을 한층 더 구체화한다. 지도는 영토 자체가 되는 것이 아니라 영토의 청사진이 되며, 청사진에 적용되는 모든 원칙은 지도에도 동일하게 적용된다는 것이다.

또한 본 제안을 세 가지 조작화된 기준에 따라 10개의 인접 연구 전통과 표 형태로 대조 분석하며, 본 연구의 신규성 주장과 겹치는 유사 영역에 대해서도 명확히 밝힌다. 아울러 2025년 이후의 구현 현황을 보고하고 완전한 개념 번들을 부록으로 제공하며, 구체적인 실험 설계를 통해 본 논제의 반증 가능성을 열어둔다.

키워드: 보편 개념 계층 · 코드로서의 언어 · 버전 관리 가능한 의미론 · 용어 인프라 · 인간-AI 상호작용 · 에이전트 상호운용성 · 의미 이동(semantic drift) · 체화된 AI

1. 누락된 계층

2026년 현재, 사람과 언어 모델, 에이전트 및 물리적 액추에이터(actuator)로 구성된 시스템을 구축하려는 사람은 거의 모든 아키텍처 수준에서 이미 확립된 표준이나 표준 후보군을 발견할 수 있다. 모델 컨텍스트 프로토콜(Model Context Protocol)은 모델이 도구와 자원을 호출하는 방식을 규정한다. Agent2Agent 프로토콜은 에이전트 간의 작업 이양과 기능 명세를 통제한다. 이와 인접한 다양한 연구들은 에이전트 식별자, 사용 선호도 및 관측 가능성을 다루고 있다. 2026년 8월 22일에 발표된 모델 컨텍스트 프로토콜 로드맵은 향후 6~12개월간의 5대 우선 과제로 에이전트 메시지 기본 단위(primitives), HTTP 전송의 통합 및 보안 강화, 에이전트 식별자 및 엔터프라이즈급 보안, 기본 단위 기능 개선, 그리고 소프트웨어 라이브러리의 개발자 경험 향상을 제시하였다(Soria Parra and Delimarsky 2026). 그러나 어휘와 의미의 영역은 이 우선순위 목록에 포함되지 않았다.

본 논문은 이 문제가 한 번도 제기되지 않았다고 주장하는 것이 아니다. 이 질문은 이미 초기부터 제기되어 왔다. KQML(Knowledge Query and Manipulation Language)은 온톨로지 및 지식 표현 언어를 위한 메시지 매개변수를 제공했으며(Finin et al. 1994), 에이전트 통신 언어를 위한 FIPA 명세는 모든 메시지의 필수 구성 요소로 :ontology와 :language 매개변수를 포함하고 있다(FIPA 2002). 이러한 언어들의 설계자들은 공유된 준거 틀 없이는 메시지를 온전히 이해할 수 없다는 점을 통찰했고, 이에 따라 적절한 자리표시자를 마련했다. 하지만 여기서 명세된 것은 참조의 준거 틀을 가리키는 식별자, 즉 포인터에 불과하다. 정작 가리키는 대상 자체가 이후 어떠한 과정을 거치게 되는지에 대해서는 명세되어 있지 않다.

이와 관련하여 과거부터 제기된 네 가지 핵심 질문은 오늘날까지도 미해결 상태로 남아 있다. 첫째, 이미 작동 중인 시스템 결합을 훼손하지 않으면서 어떻게 준거 틀을 변경할 수 있는가? 둘째, 발생한 변화가 단순한 의미의 정제가 아니라 의미 체계의 단절이라는 사실을 수신자가 어떤 신호를 통해 인지할 수 있는가? 셋째, 수신자가 알지 못하는 참조 버전이 전달되었을 때 이를 어떻게 처리하고 해석해야 하는가? 넷째, 동일한 단일 레코드가 사람, 언어 모델, 로봇 제어기 각각에 맞춰 매번 새롭게 변환되지 않고도 모두에게 기능할 수 있도록 개념의 단위를 어떻게 구성해야 하는가?

이러한 공백은 단순한 학술적 주변부의 난제가 아니다. 이는 이질적인 지능들이 협업하는 모든 환경에서 매일같이 발생하는 손실의 근본 원인이다. 예컨대 여러 부서와 각 부서의 AI 도구를 거치며 지시의 의미가 변질되는 현상, 동일한 필드명을 다르게 해석하여 작동을 멈추는 에이전트 체인, 전이 가능한 용어로 명문화되지 않아 담당자의 퇴사와 함께 조직에서 소실되는 암묵지, 그리고 사후에 그 개념적 근거를 역추적하거나 재구성할 수 없는 AI 기반의 의사결정 등이 이에 해당한다.

이러한 양상은 컴퓨팅 역사에서 매우 익숙한 패턴이다. 하나의 계층이 공식적으로 명명되고 명세되며 유지보수되기 전까지, 그 계층은 관행이나 일회성 해결책, 명시되지 않은 암묵적 지식 속에 흩어진 채 오랜 기간 암묵적인 실천의 영역에 머문다. 운영체제라는 개념이 명명되기 전에는 프로그램들이 하드웨어 위에서 직접 실행되었고, 네트워크 계층 모델이 등장하기 전에는 임시방편적인 관례들이 컴퓨터들을 연결했다. 이러한 실제적인 실천과 공식적인 명세 사이의 과도기는 항상 누가 그 계층의 형태를 주도할 것인지를 결정짓는 중요한 결정적 시기가 된다. 본 논문은 현재 의미의 수준이 바로 이 과도기에 놓여 있다고 주장하며, 이를 위한 명칭과 매개체, 그리고 작동 방식을 제안하고자 한다.

2. 논제: 버전 관리가 가능한 코드로서의 언어

2.1 코드화의 심층적 확장

지난 20여 년간 컴퓨팅 분야는 인프라, 환경 설정, 정책, 문서 등 다양한 영역을 버전 관리가 가능하고 추적 및 검증할 수 있는 산출물로 전환해 왔다. 이러한 전환의 이점은 항상 동일하다. 버전이 관리되는 대상은 비교와 검토가 가능하며, 문제 발생 시 이전 상태로 되돌리거나 책임 소재를 명확히 할 수 있다.

본 논문이 제시하는 논제는 이러한 흐름이 이제 가장 심층적이면서도 오랫동안 간과되어 온 영역, 즉 자연어 자체에 도달했다는 것이다. 이는 언어를 프로그래밍 코드로 변환하자는 것이 아니라, 코드를 유지보수하는 방식과 동일하게 자연어를 관리하자는 의미다. 이러한 관점에서 정밀하게 정의된 개념은 하나의 인터페이스로 기능한다. 여기에는 정의, 인접 개념과의 경계, 유효한 맥락, 타임스탬프, 버전 번호, 그리고 출처 기록이 포함된다. 개념에 대한 이해가 달라지면 새로운 부버전(minor version)이 생성되고, 해당 개념이 지시하는 외연이 변하면 새로운 주버전(major version)이 부여되며, 이 모든 변경 이력은 지속적으로 추적 및 해석될 수 있어야 한다.

이 구상을 실현할 구성 요소들은 이미 오래전부터 존재해 왔으며, 제5장에서 이를 개별적으로 살펴본다. 지금까지 부재했던 것은 이 요소들을 하나의 '운영 체계(operation)'로 통합하는 작업이다. 즉, 개별 개념 수준에서 버전 관리를 수행하고, 인간뿐만 아니라 기계 소비자(machine consumer)를 위해 설계되며, 애플리케이션 계층 아래와 전송 프로토콜 계층 위에서 독립적인 단일 계층으로 자리 잡아 모든 기질(substrate)에 범용적으로 적용될 수 있는 시스템이 필요하다.

2.2 시대적 배경: 수행적(performative) 매체로 진화하는 언어

본 논제를 제기하는 시의성은 기술적 전환점에 기인한다. 역사적으로 언어는 근본적으로 서술적(descriptive)이었다. 즉, 언어와 독립적으로 존재하는 세계를 묘사하는 역할을 수행했다. 고전적 프로그래밍의 등장과 함께 디지털 영역 내에서 작동하는 수행적인 두 번째 형태가 나타났다. 프로그램 코드는 디지털 세계를 묘사하는 데 그치지 않고, 그 세계를 직접 구현해 낸다. 최근 몇 년간 대규모 언어 모델(Large Language Model)이 도구, 에이전트, 물리적 액추에이터(actuator)와 결합하면서 세 번째 단계로의 진입이 이루어졌다. 이제 자연어는 형태의 변화 없이도 수행성을 획득하게 되었다. 로봇 공학 연구에 따르면, 언어 모델은 물리적 시스템을 직접 제어할 수 있는 실행 코드를 생성하며(Liang et al. 2023), 텍스트에 내재된 세계 지식이 로봇의 실제 행동으로 전이된다(Brohan et al. 2023). 같은 맥락에서 헌법적 인공지능(Constitutional AI)은 자연어로 작성된 명시적인 원칙 문서가 인공지능 시스템의 행동을 통제할 수 있음을 입증한다(Bai et al. 2022). 이 경우 언어는 이미 통제력을 지닌 산출물로 기능하고 있다. 해당 선행 연구들에서 이러한 문서의 버전 관리는 주요 논의 대상이 아니었으나, 본 논문이 제안하는 운영 방식은 바로 이 지점을 일반화하여 버전이 관리되는 문서 단위에서 개별 개념 단위로 확장하고자 한다.

이로부터 종종 역전 현상으로 표현되나, 더 정확히는 '적합성 방향(direction of fit)'의 변화로 이해해야 하는 정교화 과정이 도출된다. '지도는 영토가 아니다'라는 코르집스키(Korzybski 1933)의 경고는 여전히 유효하며 반박되지 않는다. 변화하는 것은 다른 지점이다. 화행론(speech act theory)에서는 참이 되기 위해 세계에 부합해야 하는 발화와, 명령을 이행하기 위해 세계가 발화에 맞춰져야 하는 발화를 구분한다(Austin 1962; Searle 1979). 서술적 언어가 전자에 속한다면 코드는 후자에 속하며, 이른바 '세계의 단어에 대한 적합(world-to-word direction of fit)' 방향성을 지닌다. 언어 모델이 도구 및 액추에이터와 결합하면서 자연어는 후자의 영역으로 진입하고 있다. 어제 상황을 묘사했던 바로 그 문장이 오늘은 행동을 지시하는 명령어가 되는 것이다. 지도가 영토 자체가 되는 것은 아니지만, 영토를 구성하는 '설계도(blueprint)'로 기능하게 된다. 따라서 설계도에 적용되는 원칙이 언어에도 동일하게 적용된다. 설계도에 오류가 있으면 그 오류까지 그대로 구축되고 마는 것이다. 코르집스키의 경고는 필수적이지만 더 이상 그것만으로는 충분하지 않다. 해당 경고는 개념의 혼동을 방지할 뿐, 오입력된 명령의 실행 자체를 막아주지는 못하기 때문이다.

실천적 관점에서의 결과는 책임 소재의 전환이다. 개념이 특정 행동 공간을 창출한다면, 용어 작업(terminology work)은 더 이상 서술적 활동이 아닌 구성적(constitutive) 활동이 된다. 따라서 우리가 통제 목적의 다른 산출물에 요구하는 엄격한 품질 관리 및 버전 통제 규율이 이제는 개념을 다루는 데 있어서도 필수적인 운영상 요구사항이 된다.

3. 최소 요건의 형식적 명세

본 논제는 구체적인 구현 방식과 독립적인 하나의 데이터 모델로 명세될 수 있다.

정의 객체(Definition Object). 이 계층의 가장 기본적인 구성 단위는 다음과 같은 함수적 사상(mapping)이다.

Def: (E, N, C, T) → ⟨def, L, V, P, K⟩

입력 키는 참조 주체 E(개인, 팀, 조직, 모델, 로봇 시스템, 혹은 특정 도메인), 지시어 N(개념 자체가 아닌 언어적 형태), 유효 맥락 C, 그리고 시점 T로 구성된다. 출력 레코드는 정의 텍스트 def, 표현 언어 L, 버전 식별자 V, 출처 P, 그리고 유효성 검증자 K를 포함한다. 이때 V, P, K는 직접 입력되는 값이 아니라 파생되는 값이다.

버전 관리의 기준은 자의적 판단에 맡겨지지 않고 조작적으로 통제된다. 지시 대상의 외연 변화 없이 def가 정교화될 경우 V는 부버전을 올린다. 반면 이전에 포함되던 사례가 배제되거나 배제되었던 사례가 새롭게 포함될 경우에는 주버전을 올린다. 즉, 외연의 변화 유무가 의미 단절을 판별하는 검증 가능한 기준이 된다.

의미적 상태(Semantic State). Def 함수의 출력물인 여러 정의 객체들은 다음과 같은 구조를 형성한다.

S(E, T, C) = ⟨D, R, w, π⟩ 단, R ⊆ D × D × RelType, w: R → [0,1], π: D → 출처

RelType은 최소한 다음의 관계를 포함한다. 하위_개념임(is_subordinate_to), 경계가_구분됨(delimited_against), 이전_버전을_대체함(supersedes_version), 전제함(presupposes), 긴장_관계에_있음(stands_in_tension_with). S가 정형식(well-formed)을 갖추기 위한 정확한 조건은, D의 모든 요소가 해석 가능한 식별자를 보유하고, 모든 관계성이 양방향으로 D의 요소들을 참조하며, 하위_개념임 관계 내에 순환(cycle)이 존재하지 않는 경우이다.

번들(Bundle)의 이중 계층 구조. 이 모델에서 의미란 주체에 상대적이고, 맥락에 의존하며, 특정 시점에 종속된다. 이는 언뜻 보기에 안정성을 저해하는 요소로 들릴 수 있으며, 이러한 반론은 진지하게 검토되어야 한다. 주체 상대성이란 본질적으로 의미의 표류(semantic drift) 현상을 형식화한 것에 불과하기 때문이다. 따라서 필연적으로 이중 계층 구조를 도입해야 한다. 번들은 두 가지 수준으로 나뉜다. 하나는 정의 텍스트, 인접 개념과의 경계, 식별자, 버전 등을 포함하는 표준 코어(canonical core)로, 이는 모든 주체에게 동일하게 전달되는 이식 가능한 단위다. 다른 하나는 주체 종속적 에디션(entity-bound edition)으로, 특정 주체가 자신의 맥락에 맞춰 해당 코어를 어떻게 구체화하고 제한하며 혹은 기각하는지를 기록한다. 시스템 및 모델 간 경계를 초월하는 전송 가능성은 에디션이 아닌 코어 단계에서만 보장된다. 만약 동일한 코어를 두고 두 개의 에디션이 서로 다른 방향으로 분화한다면, 이는 시스템의 오류가 아니라 의미 변화를 정밀하게 측정하고 있다는 방증이다.

전송 가능한 형태. 하나의 개념은 {지시어, 정의 텍스트, 인접 개념과의 경계, 언어, 고유 개념 식별자, 버전 번호, 버전 콘텐츠 해시, 출처}가 묶인 번들 형태로 전송된다. 여기서 두 식별자는 각기 다른 기능을 수행한다. 고유 개념 식별자는 계보를 추적하여 모든 버전을 단일한 연속적 이력으로 통합하고, 콘텐츠 해시는 개별 버전을 위변조가 불가능한 방식으로 식별한다. 수신자(인간, 대규모 언어 모델, 소프트웨어 에이전트 또는 로봇 제어기)는 번들을 수신할 때마다 자신이 지닌 세계 지식을 바탕으로 해당 개념을 새롭게 재구성한다. 이 메커니즘은 별도의 공유 벡터 공간이나 공통의 모델 계열(model family)을 요구하지 않으며 오직 가독성(legibility)만을 필요로 한다. 전체 번들의 형태는 부록 A에 제시되어 있다.

언어 모델의 역할. 이 아키텍처 내에서 대규모 언어 모델은 의미의 외재화자(semantic externaliser) 역할을 수행한다. 이들은 이질적인 데이터로부터 명시적인 정의 객체를 산출해 냄으로써, 개별 모델에 종속되어 있던 잠재적 의미를 내구성 있고 다른 모델로 이식할 수 있는 산출물로 변환한다. 이를 컴파일러의 역할에 빗대어 설명할 수 있으나, 작동 방식은 유사할지라도 그 결과에 대한 보증 여부에는 차이가 있다. 컴파일러는 두 개의 형식 언어 사이에서 의미의 완벽한 보존을 보장하지만, 언어 모델은 이를 보장하지 않는다. 따라서 외재화의 신뢰성은 기저에 깔린 기본 속성이 아니라 독립적으로 측정되어야 하는 변수다(제7장 참조).

이로써 본 제안은 확장된 인지 논제(extended mind thesis, Clark and Chalmers 1998)의 궤를 같이한다. 인지 상태는 외부 매체가 신뢰할 수 있는 방식으로 가용하고, 용이하게 검색 가능하며, 인지 주체에 의해 승인될 경우 주체의 물리적 한계를 벗어나 존재할 수 있다. 본 논문에서 서술하는 계층은 이 세 가지 조건을 영구적인 해석 가능성, 기계 가독성, 검증 가능한 출처라는 기술적 요구사항으로 구체화하고, 이를 개별 인간을 넘어 모델, 에이전트, 그리고 체화된 시스템(embodied system)으로 확장한다.

정의의 무한 소급(Regress of definition) 문제. 정의를 구성하는 텍스트 자체도 해석이 필요한 단어들로 이루어져 있으므로, 의미의 표류 현상을 완전히 제거하는 것이 아니라 단지 그 위치를 옮긴 것에 불과하다는 자명한 비판이 제기될 수 있다. 이 반론은 타당하며, 본 주장의 범위 역시 이에 맞춰 조정되어야 한다. 무한 소급의 문제는 완전히 해소되는 것이 아니라, 그 길이가 단축되고 검증 가능한 형태로 변환되는 것이다. 단축된다는 것은 정의가 지시어를 더 보편적이고 빈번하게 사용되는 표현으로 환원시킴으로써, 이질적인 수신자들 사이에서 발생할 수 있는 해석의 편차를 줄여준다는 의미다. 검증 가능해진다는 것은 번들 내에 정의뿐만 아니라 인접 개념과의 경계 및 출처가 함께 포함되기 때문이다. 따라서 수신자 간의 해석이 엇갈릴 경우 어느 지점에서 편차가 발생했는지 정확히 특정할 수 있다. 본 논문의 주장은 완전한 일의성(univocity)의 달성이 아니라 다의성(equivocation)이 발생하는 지점을 국소화할 수 있다는 데 있다. 이로써 의미의 표류는 시스템 내에 숨겨진 채 방치되지 않고 프로토콜 계층 위에서 가시화되어 상호 조정이 가능한 대상이 된다.

4. 생성적 순환 주기

이 계층을 구성하는 개념들은 어디서 연원하는가? 본 논문의 기반이 된 실무적 접근은 다음과 같은 5단계의 순환 주기로 설명할 수 있다.

분리(Isolation). 인간과 기계 간의 지속적인 상호작용 과정에서, 모호하고 분산된 환경으로부터 아직 명명되지 않은 반복적인 현상이 식별되어 드러난다.

명명(Naming). 대화형 작업을 통해 해당 현상의 범주를 확정 짓는 표현이 도출된다. 이 과정은 전문적인 용어 작업의 원칙을 따른다. 즉, 일물일어(one term, one concept)의 원칙, 상위 개념과 변별적 특징의 명시, 그리고 가장 인접한 개념과의 명확한 경계 설정이 수반된다.

정착(Anchoring). 생성된 표현은 양 당사자 모두가 참조할 수 있는 형태로 자리 잡는다. 인간에게는 인지적 닻(anchor)으로, 모델에게는 의미를 내포한 단위로 기능한다. 여기서는 두 가지 경로를 구분해야 한다. 휴잇 등(Hewitt et al. 2025b)은 모델 내부에서의 정착 과정을 입증했다. 새로운 단어가 학습된 임베딩 형태로 모델에 주입되어, 통제 가능하고 자기 언어화(self-verbalisation)가 가능한 효과를 획득하게 된다. 이들의 동반 논문은 기존 어휘가 구조적으로 부적합한 이유를 논증한다(Hewitt et al. 2025a). 반면 본 논문이 제시하는 순환 주기는 모델 외부에서 이루어지는 상호보완적 경로를 채택한다. 개념을 모델의 가중치(weights)에 개입하여 직접 학습시키는 대신 명확한 정의와 함께 맥락의 일부로 제공하는 방식이다. 학습을 통한 정착이 더 심층적인 방법론이지만 특정 모델에 종속되는 한계가 있다면, 정의를 번들에 포함시켜 전송하는 방식은 개입의 깊이는 얕을지라도 여러 모델 간의 이식이 가능하다는 장점이 있다.

버전 관리(Version Control). 확립된 개념은 정의, 경계, 관계성, 고유 식별자, 타임스탬프, 버전 정보를 포함하여 관리형 저장소에 통합된다.

재귀(Recursion). 이렇게 확장된 개념적 공간은 이전에는 인식할 수 없었던 새로운 현상들을 가시화하며, 이로써 한 차원 높은 수준에서 순환 주기가 다시 시작된다.

이 순환 주기의 핵심은 개별 단계들의 독창성이 아니라 이들의 유기적인 결합에 있다. 버전 관리가 전제될 때 비로소 명명 과정의 검증이 가능해지며, 검증 가능성이 확보되어야만 해당 개념을 기계 소비자가 온전히 처리할 수 있다. 나아가 재귀적 구조를 통해서만 개별 개념들이 체계적으로 관리되고 성장하는 방대한 개념 공간으로 확장될 수 있다. 이 과정에서 발생하는 이중적 효과는 주목할 만하다. 특정 현상을 관찰하고 인간을 위해 학습할 수 있도록 만드는 행위 자체가, 역으로 상호작용하는 기계들이 참조할 수 있는 개념적 공간을 확장하는 결과로 이어진다.

5. 관련 연구

본 논제는 이미 성숙한 여러 학문적 전통과 맞닿아 있다. 기존 연구와의 차별성을 객관적으로 검증하기 위해 세 가지 기준을 조작화하여 제시한다.

M1 — 런타임 소스로서의 언어(Language as a runtime source). 자연어 산출물이 시스템 런타임 시 비인간 실행자(non-human executor)가 참조하는 규범적 원천으로 작용하는 경우를 충족 기준으로 삼는다. 언어가 단순한 입력 데이터로만 사용되는 경우는 배제한다.

M2 — 개념 단위의 버전 관리(Version control per concept). 각각의 개별 개념이 독립적으로 판올림 가능한 버전 식별자를 가지며, 모든 변경 사항이 기록으로 남고, 과거의 모든 버전에 대한 해석 및 접근이 지속적으로 보장되는 경우를 충족 기준으로 삼는다.

M3 — 기질 간 호환성(Cross-substrate validity). 동일한 산출물이 최소 두 가지 이상의 서로 다른 기질(예: 인간과 언어 모델, 혹은 언어 모델과 로봇 제어기)에 의해 어떠한 형태적 변형 없이 그대로 소비될 수 있는 경우를 충족 기준으로 삼는다.

검토된 열 가지 전통 중 세 가지 기준을 모두 충족하는 연구는 없으며, 일부만이 두 가지 기준을 제한적으로 만족한다. 이 중 네 가지 분야는 본 연구의 독창성 주장과 상당히 인접해 있으므로 보다 상세한 논의가 필요하다.

용어 표준화(Terminology standardisation). ISO 704 및 ISO 1087은 본 제안의 기초가 되는 정의 방법론의 틀을 제공하며, ISO 12620은 데이터 범주의 인벤토리를, ISO 30042는 기계 판독이 가능한 교환 형식을 규정한다. 또한 ISO 26162는 항목의 메타데이터 및 변경 관리를 포함한 용어 관리 시스템을 다룬다. 2025년부터는 용어 관리와 인공지능 간의 상호작용을 연구하는 국제 실무 그룹(Khemakhem et al. 2025)이 별도로 활동 중이다. 이 전통은 다른 어느 분야보다 M2 기준에 근접해 있다. 그러나 두 가지 결정적인 차이점이 존재한다. 첫째, 대상 독자가 기계 소비자의 런타임 해석이 아닌 인간 전문가들 간의 소통에 맞춰져 있다. 둘째, 그 효과 면에서 용어 데이터베이스는 언어의 실제 사용 양상을 서술할 뿐 시스템의 동작을 직접 통제하지 않는다.

온톨로지 진화(Ontology evolution). 온톨로지 진화 연구는 개념 수준에서의 변경 연산, 변경 로그 기록, 그리고 영향 분석 방법론을 정교하게 발전시켜 왔으며(Klein and Fensel 2001; Noy and Musen 2004; Stojanovic 2004), 정형화된 환경 내에서 M2를 상당 부분 충족한다. 본 연구와의 차이는 목표가 아닌 매개 물질(carrier material)에 있다. 기존 연구가 기계 추론을 목적으로 하는 형식적 스키마에 의존한다면, 본 제안은 인간, 언어 모델, 로봇 제어기가 모두 동일하게 읽어낼 수 있는 자연어 기반의 정의를 채택한다. 즉, 이 전통은 M1과 M3를 충족하지 못하지만, 본 연구는 이들과 M2를 공유하며 그 기반 위에서 이론을 전개한다. 이와 상반되는 학파 역시 언급할 가치가 있다. 생명의학 분야의 온톨로지 큐레이션에서는 용어의 정의가 현실 세계의 동일한 지시체를 일관되게 가리켜야 한다는 원칙(OBO Foundry, 원칙 19, "용어 의미의 안정성")을 명시적으로 고수한다. 따라서 용어에 대한 이해나 정의가 변경될 경우, 기존 식별자는 폐기 처리되고 완전히 새로운 식별자가 발급된다. 이는 개념을 연속적인 역사를 지닌, 버전이 관리되는 인터페이스로 간주하는 본 논문의 접근 방식과 정확히 대척점에 있다. 두 해결책 모두 안정성을 추구하지만 지불하는 비용의 성격이 다르다. 전자는 개념의 역사가 파편화된 식별자들로 단절되는 불연속성의 비용을 치르는 반면, 본 논문에서 제안하는 방식은 지속적인 해석 과정을 요구하는 처리 비용을 수반한다.

통시적 의미론(Diachronic semantics). 어휘 의미 변화 탐지(lexical semantic change detection)를 다루는 컴퓨터 과학 연구는 대규모 말뭉치를 기반으로 시간에 따른 의미의 이동을 측정하는 기법을 발전시켜 왔으며, 공유된 평가 과제를 기준점으로 삼고 있다(Schlechtweg et al. 2020). 이는 의미 변화의 발생 여부를 묻는 질문에 대해 현존하는 가장 정밀한 해답을 제공한다. 그러나 의미가 변화했을 때 구체적으로 무엇을 해야 하는가에 대한 해법을 제시하지는 않는다. 측정과 운영의 관계는 진단과 치료의 관계와 같다.

개념적 협약(Conceptual pacts). 심리언어학 분야에서는 대화 참여자들이 반복적으로 등장하는 지시 대상에 대해 공통의 명칭을 합의하고, 이러한 협약을 시간이 지나도 안정적으로 유지한다는 사실을 지난 30여 년간 실증해 왔다(Brennan and Clark 1996). 이는 본 논문에서 제시하는 순환 주기의 기저 메커니즘이 구두로 이루어지고, 기록되지 않으며, 특정 대화 참여자 쌍(dyad)에 국한되어 나타나는 형태라 할 수 있다. 본 제안은 이를 세 가지 차원에서 일반화한다. 첫째, 협약을 명시적인 문서 형태로 기록하고, 둘째, 이에 대한 버전 이력을 부여하며, 셋째, 이를 통해 초기 협상 과정에 참여하지 않았던 새로운 주체(기계 파트너 포함)에게도 해당 개념을 이식할 수 있도록 확장한다.

등장 시기에 관한 부수적 관찰. 2026년 4월 15일, 상호작용 실패 패턴의 분류 체계를 제시하며 이를 안전 분류 시스템 내 누락된 계층으로 규정한 미검토 포럼 게시글이 게재되었다(Beyer 2026). 이는 본 논문의 기반이 된 초기 개념 버전(Ehstand 2026a)이 공개된 날짜와 정확히 일치한다. 이 두 연구는 완전히 독립적으로 진행되었으나, 서로 다른 소재(전자는 실패 패턴, 후자는 의미의 계층)를 통해 동일한 공백을 진단해 냈다. 해당 포럼 글은 버전 관리 방법론이나 프로토콜에 대한 구체적인 제안을 담고 있지는 않다. 독립적인 두 관찰자가 같은 달에 동일한 문제의식에 도달했다는 사실은 본 논제에 대한 반론이 아니라, 당시 실무자들 사이에서 해당 문제의 공백이 이미 가시화되고 있었음을 시사하는 강력한 방증이다.

2026년 8월, 산업계의 포위망 형성. 본 논문의 초고가 완성되던 바로 그 주에, 인공지능 에이전트 내 의미 계층의 부재를 지적하는 진단이 산업계 전반으로 빠르게 확산되었다. 한 유력 분석 기관은 시맨틱 계층, 지식 그래프, 런타임 맥락을 결합한 "컨텍스트 계층(context layers)"을 기업용 AI의 차세대 발전 단계로 규정했고(Evelson and Bandyopadhyay 2026), 같은 달 말에는 대형 클라우드 제공업체가 에이전틱 AI(agentic AI)를 위한 온톨로지 기반 시맨틱 계층의 구축 지침을 발표했다. 이는 형식 온톨로지, 기호학적 추론, 가상 지식 그래프를 기반으로 설계되었으며, 제1장에서 언급된 프로토콜들을 통해 에이전트와 연동되는 구조를 띠고 있었다(Simpson et al. 2026). 두 사례 모두 본 논문과 동일한 진단을 공유하고 있으나, 본 논문이 채택한 매개 물질을 사용하지는 않았다. 이들이 활용하는 기본 단위는 그래프 온톨로지와 카탈로그 구조(앞서 언급한 온톨로지 진화 전통의 계보를 잇는 형식 스키마)일 뿐, 개별 개념 단위로 버전이 관리되는 자연어 기반의 정의 객체가 아니다. 또한 어느 쪽도 개별 개념 수준에서 M2 기준을 충족하지 못한다. 본 논문이 명명한 공백은 출판 시점을 기준으로 완벽히 채워졌다기보다, 인접한 기술적 해법들에 의해 서서히 포위되고 있는 형국이다.

선행 문헌 검색 현황에 관하여. 본 장의 연구 구획은 2026년 8월 30일을 기점으로 전문 문헌, 특허 보유 현황, 기술 명세서 등을 비체계적으로 검토한 결과에 기반하며, 포괄적 완전성을 주장하지는 않는다. 검토된 특허 중 본 연구와 가장 유사한 선례는 명사와 동사의 공유 스키마를 활용한 데이터 통합 프레임워크인 US 12,367,337 B2(Comake Inc., 2023년 4월 20일 출원, 2025년 7월 22일 등록)이다. 그러나 해당 특허 역시 버전이 관리되는 자연어 개념을 핵심 주제로 다루지는 않는다.

6. 구현 현황

본 제안은 단순한 설계에 그치지 않고 2025년부터 내부적으로 운영되어 왔다. 다만 조직의 경계를 넘어 공개적으로 접근 가능한 운영 체계는 아직 마련되지 않았으며, 부록 A에서 이 누락된 요소를 정확히 명시하고 있다. 본 구현은 엄격한 계단식 3계층 아키텍처(cascading three-layer architecture)를 따른다. 의미 계층(semantic layer)이 취급하는 교환 객체는 단 하나, 즉 앞서 기술한 번들(bundle)뿐이다. 트랜잭션 계층(transaction layer)은 해당 번들에 콘텐츠 기반 식별자(content-addressed identifier), 서명 및 출처 증명 사슬(provenance chain)을 부여한다. 전송 계층(transport layer)은 동일한 번들을 손실 없이 다양한 기계 판독 가능 형식으로 인코딩한다. 각 계층은 독립적으로 검증될 수 있다. 즉, 의미 계층은 바이트와 네트워크의 물리적 특성에 관여하지 않으며, 전송 계층은 데이터의 내재적 의미를 처리하지 않는다.

이러한 기반 위에서 인간-AI 상호작용 현상을 다루는 약 9,400개의 이중언어 정의 개념으로 구성된 큐레이션된 핵심 데이터(curated core)가 구축되었다. 이 중 25개는 골드 스탠다드(gold standard)로서 ISO 704의 6가지 정의 기준 전체를 충족하도록 문서화되었고, 400개는 이중 검증을 거쳤으며, 나머지는 지속적인 검증 단계에 있다. 해당 수록 데이터는 ISO 인증을 받지 않았다. 인증은 독립적인 연구 프로그램에는 개방되지 않는 기관 차원의 절차이기 때문이다. 따라서 'ISO 704 기준에 부합하며 프로그램 내부에서 검토됨'이 더 정확한 설명이다. 여기서 집계된 수치는 큐레이션된 레지스터의 항목 수다. 동일한 프로그램의 초기 처리 단계에서 도출된 다른 수치들(예: 준비 파이프라인의 약 4,400개 항목이나 내비게이션 뷰의 약 7,000개 노드)은 집계 대상 자체가 다르며 본 수치와 동일한 범위를 가지지 않는다.

본 데이터는 2025년 3월 이후 문서화된 10만 건 이상의 인간-AI 대화 턴(dialogue turn)으로 구성된 작업 말뭉치에서 도출되었다. 그중 약 4만 건은 여러 벤더의 다양한 모델 계열에 걸쳐 구조화된 유도(structured elicitation) 방식을 통해 수집되었다. 관리되는 핵심 데이터 내 개념의 변경 사항은 타임스탬프가 포함된 문서화된 항목으로 기록된다. 현재는 병렬적으로 축적된 여러 데이터를 지속해서 버전 관리가 이루어지는 단일한 생산 상태(production state)로 통합하는 작업이 진행 중이다. 이 밖에도 용어 교환 형식(terminology exchange format)의 다국어 교환 데이터, 최상위 구조로서의 관계형 그래프, 기계 소비자를 위한 로컬 프로그래밍 인터페이스(API), 인간 사용자를 위한 대화형 내비게이션 인터페이스가 구축되어 있다.

본 논문은 데이터 모델, 생성 주기, 계층 경계, 검증 가능한 속성 등 아키텍처의 외형적 측면을 기술한다. 선별 휴리스틱(selection heuristics), 점검 순서, 오케스트레이션 및 검증 루틴과 같은 내부 작업 절차는 비공개로 유지된다. 이를 공개하는 것은 학술적 이해를 높이는 데 기여하기보다는 단순히 운영 방식을 도용할 여지를 제공할 뿐이기 때문이다. 반면 검증 가능한 객체는 투명하게 공개되어 있으며, 부록 A에서 완전한 형태의 개념 번들을 확인할 수 있다.

7. 검증 가능성

우선권 주장. 이는 제5장에 제시된 형태의 M1, M2, M3 결합에만 적용된다. 이에 대한 반례가 성립하려면 이 세 가지를 동시에 충족해야 하며, 2026년 4월 20일 이전에 출판된 것이어야 한다. 이 날짜는 암호학적 앵커(cryptographic anchor)가 설정된 날짜이자, 본 연구가 스스로 증명할 수 있는 가장 이른 시점이다. 만약 그러한 선행 저작물이 제시된다면, 본 연구진은 우선권 주장을 공식적으로 철회할 것이다.

실질적 주장. 본 논제는 완전한 번들의 전송이 이질적인 수신자 간의 일치도(agreement)를 단순한 명칭 지정(bare designation)을 통한 수준 이상으로 향상시킨다고 주장한다. 구체적으로 다음과 같은 실험 결과가 부정적으로 도출될 경우, 본 논제는 반증된 것으로 간주한다. 서로 다른 벤더의 최소 3개 모델 계열에서 4명(또는 개체) 이상의 수신자를 선정하고, 인간 대조군을 함께 구성한다. 수록 데이터에서 최소 100개의 개념을 추출하여 각각에 대해 10개의 용법 판단(usage judgements)을 생성하되, 참조 정답은 독립적으로 고정한다. 조건 A는 '명칭 지정만 제공'이며, 조건 B는 '완전한 번들 제공'이다. 측정 대상은 크리펜도르프의 알파(Krippendorff's alpha)를 활용한 수신자 간 쌍별 일치도(pairwise agreement)이다. 본 논제가 입증되려면 사전에 설정된 유의 수준 하에 조건 A에서 B로 전환 시 최소 0.15의 알파 값 향상이 이루어져야 한다.

추가적 평가 기준. 도입 전후의 주기 시간, 재작업률, 재구성 가능성을 기록했을 때, 개념 수준의 버전 관리가 실제 진행 중인 작업 환경에서 추적 가능성에 유의미한 이점을 제공하지 못하는 것으로 드러날 경우 본 논제의 타당성은 약화될 것이다. 또한 가정된 기질 간 전이 가능성(transferability across substrates)이 체계적 경계에서 실패하고, 이것이 증거 상태나 유효성 한정자(validity qualifier)로 설명되지 않을 때도 마찬가지로 약화된다.

8. 한계점

본 연구의 경험적 기반은 단일 관찰자 종단 연구(single-observer longitudinal study)라는 점이다. 여러 모델 계열에 걸친 다각화(triangulation)는 모델 측면을 통제할 뿐 인간 측면을 통제하지는 못한다. 즉, 개념의 분리, 명명, 경계 설정 및 버전 결정은 모두 단일 관찰자에게 전적으로 의존하고 있다. 골드 스탠다드로 지정된 25개 개념에 대해서는 프로그램 내부의 검토 절차가 존재한다. 여기에는 두 번의 맹검 평가, 이견 조정 후의 세 번째 재점검, 반대 의견을 낸 개별 평결의 기록 등이 포함된다. 그러나 수록 데이터의 어떤 부분에 대해서도 독립적인 외부 전문가 주석자(annotator)가 참여한 일치도 연구는 수행되지 않았다. 개념 중 어느 정도가 도메인의 실제 현상을 포착하고 있으며, 어느 정도가 해당 관찰자의 개인적 특성(idiosyncrasy)을 반영한 것인지는 현재의 데이터만으로는 판별할 수 없다. 연구진은 이를 단순한 방법론적 주석이 아니라 본 연구의 가장 치명적인 미해결 공백으로 간주한다. 이에 따른 다음 단계는 이미 확정되어 있다. 수록 데이터의 일부를 두 명의 독립적인 전문가 주석자에게 제공하여 재정의하도록 할 것이며, 그에 따른 일치도 결과는 어떻게 도출되든 투명하게 보고될 것이다.

세 가지 추가적인 한계점도 명시되어야 한다. 첫째, 교차 기질 유효성(cross-substrate validity)에 대한 주장은 현재의 증거 수준에서는 입증된 속성이라기보다는 아키텍처 상의 요구사항에 가깝다. 보고된 데이터가 실질적으로 증명하는 것은 인간과 모델 간의 경로(human-model path)뿐이다. 로봇 제어기는 자연어 번들을 직접 소비하지 않으며, 언어 처리 능력을 갖춘 해석 컴포넌트를 통해 이를 수신하고 그로부터 실행 가능한 표현을 도출한다. 해당 계층 자체에 대한 로보틱스 시험은 아직 수행되지 않았다. 따라서 명제 M3는 사람과 모델에 대해서는 충족되었으나, 나머지 기질 클래스에 대해서는 가정된 상태에 머물러 있다. 둘째, 이 계층은 미지의 지식을 생성한다고 주장하지 않는다. 충분한 증거로부터 추론할 수 있는 내용을 불확실성 및 출처 정보와 함께 표현할 뿐이다. 셋째, 이 시스템은 공식적으로 명세화된 것이 아니라 학습을 통해 형성된 해석 기질 위에서 실행된다. 그 의미론(semantics)은 증명 가능한 것이 아니라 확률론적이며, 이는 모든 평가 설계에서 반드시 고려해야 할 핵심적인 구조적 속성이다.

9. 결론

오늘날 사람, 모델, 에이전트, 로봇 간의 의미 계층(level of meaning)은 모든 프롬프트, 시스템 지시어, 에이전트 프로토콜 내에 존재하지만, 명명되지 않고, 버전이 관리되지 않으며, 통제되지 않는 상태로 방치되어 있다. 고전적인 에이전트 언어들은 이를 위한 자리 표시자(placeholder)를 마련해 두었으나 실제로 그 빈 공간을 채우지는 못했다. 본 논문은 이 의미 계층을 명명하고, 그 전달 매개체를 확정하며, 최소 형식을 명세하였다. 아울러 그 생성 주기를 기술하고 10가지 인접 개념과 대조하였으며, 중심 객체의 표본을 제시함과 동시에 이를 반증할 수 있는 실험 설계를 제공하였다.

우선권 성명(Statement of priority). 본 주장은 상호 독립적인 두 가지 기준점(anchor)에 기반한다.

암호학적 기준점. 본 프로그램의 전체 작업물은 2026년 4월 20일 비트코인 블록체인에 고정(anchoring)되었다. 해당 블록은 945970 및 945979이며, 루트 체크섬(SHA-256)은 299e4b3d0ac9e50740268896b5eeb541f6462332bb67b7efdf4cd309704770d0, 타임스탬프 매니페스트는 MANIFEST_20260420T205730Z이다. 기반이 되는 두 연구 논문 중 하나의 사본을 확보한 사람이라면 누구나 해당 매니페스트를 통해 체크섬을 검증하고, 매니페스트를 블록체인과 대조하여 확인할 수 있다. 타임스탬프 매니페스트는 요청 시 제공된다. 따라서 이 기준점은 내용을 대중에게 공개하지 않고도 버전을 제시할 때 날짜와 무결성을 입증할 수 있게 해준다.

등록 기준점. 두 연구 논문은 추가로 2026년 4월 22일에 프로그램 번들(DOI 10.5281/zenodo.19695778)의 구성 요소로 등록되었다. 이 번들은 프로그램의 여러 갈래를 통합한 것으로, 공개된 제목은 본 논문에서 다루는 특정 연구가 아닌 번들 전체의 스포츠 성과 방법론적 주제를 명시하고 있다. 제목, 저자, 등록일은 공개되어 있으나 파일 접근은 제한된다. 결과적으로 등록 기준점은 기관이 유지 관리하는 두 번째 확정일자를 제공하며, 내용의 귀속성에 대한 증명은 암호학적 기준점이 담당한다.

이러한 타임스탬프는 오직 최초 출판을 통한 선행 기술(prior art) 확립만을 목적으로 한다. 특허를 출원할 의도가 없으며, 기술된 계층이나 그 명칭, 혹은 개별 개념에 대한 어떠한 독점적 권리도 주장하지 않는다. 이 우선권 성명은 사용권이 아닌 귀속성을 보장하기 위함이다.

부록 A — 완전한 개념 번들

본 논문은 해당 계층의 기본 단위가 문서가 아닌 개별 개념(individual concept)임을 역설한다. 아래 항목은 그 단위를 온전한 형태로 보여준다. 정의 및 경계 설정(delimitation)은 본 프로그램의 골드 스탠더드(gold-standard) 집합에서 발췌하였으며, 필드 구조는 제3장에서 규정한 최소 형식을 따른다.

콘텐츠 해시는 독자가 직접 다시 계산해 볼 수 있다. 해시의 대상이 되는 것은 해당 버전의 규범적 핵심(canonical core) 요소들, 즉 명칭, 영문 정의, 독문 정의 순으로 구성된 텍스트다. 각 요소는 공백 없이 수직선(|)으로 구분되며 UTF-8로 인코딩된다. 해시 문자열에서 움라우트(Umlaut)와 에스체트(Eszett)는 대소문자를 유지한 채 각각 ae, oe, ue, ss로 변환된다. 예를 들어 Ü는 ue가 아니라 Ue로 처리된다. 핵심 내용 중 단 한 글자라도 변경되면 해시값이 달라진다. 이것이 바로 변조 방지(tamper-evident) 방식으로 버전을 식별하는 메커니즘이다.

식별 가능성(resolvability)에 관한 일러두기. 제3장에서는 올바르게 구성된(well-formed) 상태의 조건으로 모든 식별자가 해석 및 식별 가능해야 함을 요구한다. 위에서 제시된 식별자는 아직 해당 요구사항을 충족하지 못하고 있다. 프로그램 내에서는 고유한 값을 가지지만, 제3자가 조회할 수 있는 공개 식별 서비스(resolution service)가 부재하기 때문이다. 따라서 식별 가능성은 이 의미 계층의 운영을 위한 필수 요구사항이나, 현재 상태에서는 이를 이행하지 못하고 있다. 이는 부차적인 문제가 아니며, 번들이 조직 간에 원활하게 유통되기 위한 필수 전제조건이다.

예시를 통한 버전 기준 설명. 만약 앞선 정의에 "출력 결과가 정확한 경우일지라도"라는 단서 조항이 추가되었다고 가정해 보자. 이 경우, 정확한 출력이 배제된 적이 없었으므로 지시 대상의 외연(extension)은 변하지 않으며 단지 표현이 더욱 정교해진 것에 불과하다. 이는 마이너 버전(minor version) 업데이트에 해당한다. 반면, "오직 직업적 맥락에 한하여"라는 조건이 추가된다면, 기존에 포함되었던 사례들의 일부가 배제된다. 이는 메이저 버전(major version) 업데이트, 즉 의미의 단절(break in meaning)을 뜻하며 모든 사용자가 해당 개념을 새롭게 재식별하도록 강제한다. 이 예시는 버전 기준을 설명하기 위해 가상으로 구성된 것이며, 실제로 발생한 버전 변경을 의미하지 않는다.

참고문헌

Austin, J. L. (1962). How to Do Things with Words. The William James Lectures Delivered at Harvard University in 1955, ed. by J. O. Urmson. Oxford: Clarendon Press / Cambridge, MA: Harvard University Press.

Bai, Y., Kadavath, S., Kundu, S., Askell, A. et al. (2022). Constitutional AI: Harmlessness from AI Feedback. arXiv:2212.08073.

Beyer, C. J. (2026). Toward a Common Language for Human-AI Interaction Failures: A Practitioner-Accessible Error Taxonomy for the Missing Layer of AI Safety Classification. Effective Altruism Forum, 2026년 4월 15일.

Brennan, S. E. and Clark, H. H. (1996). Conceptual Pacts and Lexical Choice in Conversation. Journal of Experimental Psychology: Learning, Memory, and Cognition 22(6), 1482–1493.

Brohan, A., Brown, N., Carbajal, J. et al. (2023). RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control. arXiv:2307.15818.

Clark, A. and Chalmers, D. (1998). The Extended Mind. Analysis 58(1), 7–19. doi:10.1093/analys/58.1.7.

Evelson, B. and Bandyopadhyay, I. (2026). The Next Evolution Of AI Will Rely On Context Layers. Forrester Blogs, 2026년 8월 20일. https://www.forrester.com/blogs/the-next-evolution-of-ai-will-rely-on-context-layers/ (2026년 8월 30일 접속).

Ehstand, A. (2026a). AUGMANITAI Universal Concept Layer: A Bundle-Based Semantic Protocol for Cross-Substrate Communication. Working Paper 1.0, 2026년 4월 15일. 2026년 4월 22일 등록 레코드에 포함됨 (DOI 10.5281/zenodo.19695778, 접근 제한).

Ehstand, A. (2026b). Sprache als versionierbarer Code: Eine rekursive Architektur zur Erweiterung von Realität über biologische, digitale und cyber-physische Entitäten. Working Paper 0.1, 2026년 4월 20일. 타임스탬프 매니페스트 MANIFEST_20260420T205730Z에 기록됨. 2026년 4월 22일 등록 레코드에 포함됨 (DOI 10.5281/zenodo.19695778, 접근 제한).

Finin, T., Fritzson, R., McKay, D. and McEntire, R. (1994). KQML as an Agent Communication Language. Proceedings of the Third International Conference on Information and Knowledge Management (CIKM '94), 456–463.

FIPA — Foundation for Intelligent Physical Agents (2002). FIPA ACL Message Structure Specification. Standard SC00061G/J.

Hewitt, J., Geirhos, R. and Kim, B. (2025a). Position: We Can't Understand AI Using our Existing Vocabulary. Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:81556–81572. arXiv:2502.07586.

Hewitt, J., Tafjord, O., Geirhos, R. and Kim, B. (2025b). Neologism Learning for Controllability and Self-Verbalization. ICLR 2026 (Poster). arXiv:2510.08506.

Karpathy, A. (2023). "The hottest new programming language is English." X, 2023년 1월 24일. https://x.com/karpathy/status/1617979122625712128.

Khemakhem, M., Valentini, C., Ralli, N., Barros, S., Löckinger, G., Vezzani, F., Salgado, A., Zhang, Z., Mahr, S., Carvalho, S., Fleischmann, K. and Costa, R. (2025). Terminology Management Meets AI: The ISO/TC 37/SC 3/WG 6 Initiative. Proceedings of the 5th Conference on Language, Data and Knowledge: TermTrends 2025, Naples: Unior Press, 16–24.

Klein, M. and Fensel, D. (2001). Ontology Versioning on the Semantic Web. Proceedings of the First Semantic Web Working Symposium (SWWS), Stanford, 75–91.

Korzybski, A. (1933). Science and Sanity: An Introduction to Non-Aristotelian Systems and General Semantics. Lancaster, PA: The International Non-Aristotelian Library Publishing Company.

Liang, J., Huang, W., Xia, F., Xu, P., Hausman, K., Ichter, B., Florence, P. and Zeng, A. (2023). Code as Policies: Language Model Programs for Embodied Control. 2023 IEEE International Conference on Robotics and Automation (ICRA), London, 9493–9500. doi:10.1109/ICRA48891.2023.10160591.

Noy, N. F. and Musen, M. A. (2004). Ontology Versioning in an Ontology Management Framework. IEEE Intelligent Systems 19(4), 6–13.

OBO Foundry (n.d.). Principle 19: Stability of Term Meaning. https://obofoundry.org/principles/ (2026년 8월 26일 접속).

OMG — Object Management Group (2019). Semantics of Business Vocabulary and Business Rules (SBVR), Version 1.5. Document formal/19-10-02.

Park, S., Ramamurthi, V. and Terry, O. (2025). Neologism Learning as a Parameter-Efficient Alternative to Fine-Tuning for Model Steering. arXiv:2512.18551.

Pourzand, R. (n.d.). Why we need a universal semantic layer. dbt Labs Blog. 페이지에 최초 게시일이 없음. 마지막 편집 2024년 10월 15일. https://www.getdbt.com/blog/universal-semantic-layer (2026년 8월 26일 접속).

Simpson, D., Riggan, T. and Schiros, C. (2026). Semantic Layer for Agentic AI using Ontology, Symbolic Reasoning, and Virtual Knowledge Graph. AWS Prescriptive Guidance. https://docs.aws.amazon.com/prescriptive-guidance/latest/semantic-layer-agentic-ai-ontology-reasoning-virtual-knowledge-graph/semantic-layer-agentic-ai-ontology-reasoning-virtual-knowledge-graph.html (2026년 8월 30일 접속).

Schlechtweg, D., McGillivray, B., Hengchen, S., Dubossarsky, H. and Tahmasebi, N. (2020). SemEval-2020 Task 1: Unsupervised Lexical Semantic Change Detection. Proceedings of the Fourteenth Workshop on Semantic Evaluation, 1–23.

Searle, J. R. (1979). Expression and Meaning: Studies in the Theory of Speech Acts. Cambridge: Cambridge University Press.

Soria Parra, D. and Delimarsky, D. (2026). MCP Roadmap. Model Context Protocol Blog, 2026년 8월 22일. https://blog.modelcontextprotocol.io/posts/mcp-roadmap/ (2026년 8월 26일 접속).

Stojanovic, L. (2004). Methods and Tools for Ontology Evolution. PhD thesis, University of Karlsruhe.

주석

이해상충(Competing interests). 저자는 특정 기관에 소속되지 않은 상태로 독립적인 연구를 수행한다. 본 논문에서 기술된 분야와 관련하여 저자는 연구뿐만 아니라 응용 분야의 실무적 관심사도 함께 추구하고 있다. 본 논문은 어떠한 서비스도 광고하지 않으며, 특정 공급처를 명시하거나 상업적인 청약을 포함하지 않는다.

데이터. 작업 말뭉치(corpus)는 저자가 인공지능 시스템과 상호작용한 내역을 스스로 문서화한 것이다. 여기에는 제3자에 대해 체계적으로 수집된 데이터가 포함되지 않으며, 분석 전에 제3자에 대한 산발적인 언급은 모두 제거되었다. 데이터 처리의 법적 근거는 개인정보보호규정(GDPR) 제6조 제1항 (f)호에 따른다. 기관 소속이 없으므로 윤리 위원회는 관여하지 않았으며, 연구 설계상 인간 피험자는 포함되지 않았다.

투명성. 자료 검색 및 원고 작성 과정에서 인공지능 도구들이 연구 보조 수단으로 활용되었다. 연구의 구상, 학술적 판단 및 그에 대한 모든 책임은 전적으로 저자에게 있다.

라이선스. CC BY 4.0 International (저작자표시). © Andreas Ehstand 2026. 본 라이선스는 이 텍스트에 한정하여 적용된다. 프로그램의 내부 작업 절차는 본 출판물의 일부가 아니며 해당 라이선스의 적용 대상이 아니다. 상표권 및 명칭에 관한 권리는 본 라이선스의 영향을 받지 않는다.