서론: 프롬프트 엔지니어링의 진화와 새로운 제안
대형 언어 모델(LLM)의 성능은 사용자의 프롬프트(Prompt) 품질에 따라 극적인 편차를 보인다. 이로 인해 ‘프롬프트 엔지니어링’은 효과적인 AI 활용을 위한 핵심 기술로 부상했으나, 그 본질은 여전히 직관과 경험에 의존하는 ‘기예(art)’의 영역에 머물러 있었다. 최근 AI 분야의 저명한 연구자 안드레이 카르파시(Andrej Karpathy)는 이러한 패러다임에 근본적인 질문을 던지는 제안을 제시했다. 그는 LLM에 자연어(Natural Language) 대신 항공우주 및 국방 산업의 기술 문서 표준인 ‘ASD-STE100’ 형식으로 응답을 요청할 것을 제안하며, 이는 AI와의 상호작용 방식에 대한 중요한 공학적 고찰을 시사한다.
본 보고서는 카르파시의 제안을 단순한 ‘팁’이 아닌, LLM의 작동 원리와 제어 가능성에 대한 심층적 분석의 출발점으로 삼는다. ASD-STE100 표준의 기술적 특성을 분석하고, 이것이 LLM의 결과물 생성 과정에 어떠한 영향을 미치는지 신경망 모델의 관점에서 고찰하고자 한다. 이는 ‘프롬프트 과학(Prompt Science)’으로의 전환 가능성을 탐색하는 과정이 될 것이다.
ASD-STE100: 통제된 자연어의 기술적 본질
ASD-STE100 (Simplified Technical English)은 유럽 항공우주 및 국방 산업 협회(AeroSpace and Defence Industries Association of Europe)가 수십 년에 걸쳐 발전시켜 온 통제된 언어(Controlled Language) 표준이다. 그 목적은 다국적 인원이 기술 문서를 오독할 가능성을 최소화하고, 명확성과 안전성을 확보하는 데 있다. 이 표준의 핵심 규칙은 언어의 모호성을 제거하는 데 집중된다.
주요 기술적 제약 조건의 원칙은 다음과 같이 요약할 수 있다.
- 제한된 어휘(Controlled Vocabulary): 승인된 단어 목록을 기반으로 사전을 구성하며, 각 단어는 하나의 명확한 의미만 갖도록 정의한다. 예를 들어, 특정 동사는 하나의 행위를 지칭하는 데만 사용하도록 제한될 수 있다.
- 단순한 문장 구조(Simple Sentence Structure): 문장 길이를 엄격히 제한하고, 복잡한 종속절 사용을 지양하며 하나의 문장은 하나의 핵심 아이디어만 전달하도록 권장한다.
- 명시적 지침(Explicit Instructions): 수동태보다 능동태 사용을 원칙으로 하며, 명사화(nominalization)를 피해 동사를 직접 사용하도록 한다. (예: ‘make an investigation’ 대신 ‘investigate’)
- 모호성 배제(Elimination of Ambiguity): 대명사 사용을 최소화하고, 지칭하는 대상을 명확히 명시한다. 또한, 관용구나 비유적 표현은 철저히 금지된다.
이러한 규칙들은 인간의 언어적 창의성과 유연성을 의도적으로 제거하고, 기계가 파싱(parsing)하기 용이한 구조적 명확성을 극대화하는 데 초점을 맞춘다. 이것이 바로 LLM 제어의 핵심 단서가 된다.
LLM 관점에서의 해석: 왜 STE100이 효과적인가
카르파시의 제안이 흥미로운 이유는 STE100의 특성이 LLM의 근본적인 작동 방식과 맞물려 시너지를 창출할 가능성이 있기 때문이다. 이는 몇 가지 가설을 통해 분석할 수 있다.
1. 출력 공간(Output Space)의 축소와 예측 신뢰도 증대
LLM은 본질적으로 이전 토큰 시퀀스가 주어졌을 때 다음 토큰의 확률 분포를 예측하는 자기회귀(Autoregressive) 모델이다. 자연어는 문맥에 따라 무한에 가까운 표현이 가능하므로, 모델이 생성할 수 있는 잠재적 결과물의 ‘탐색 공간’은 광활하다. 이로 인해 모델은 종종 장황하고, 비유적이며, 때로는 사실과 무관한 ‘환각(Hallucination)’을 생성하는 경향을 보인다.
ASD-STE100 형식으로 출력을 강제하는 것은 이 탐색 공간을 급격히 축소시키는 제약 조건으로 작용한다. 제한된 어휘와 문법 구조는 모델이 선택할 수 있는 다음 토큰의 후보군을 줄여, 각 단계에서의 예측 신뢰도를 높인다. 이는 불필요한 수식어나 문체적 변주를 원천적으로 차단하여, 핵심 정보만으로 구성된 간결하고 밀도 높은 결과물을 유도할 가능성이 크다.
2. 훈련 데이터 내 ‘기술 문서’ 코퍼스(Corpus)의 활성화
LLM의 훈련 데이터에는 웹 크롤링을 통해 수집된 수많은 기술 매뉴얼, 특허 문서, 학술 논문, 엔지니어링 보고서 등이 포함되어 있다. 이러한 문서들은 비록 STE100 표준을 엄격히 따르지는 않더라도, 본질적으로 명확하고, 객관적이며, 구조적인 서술 방식을 공유하는 경향이 있다.
STE100 형식의 프롬프트는 LLM의 어텐션 메커니즘(Attention Mechanism)이 훈련 과정에서 학습한 방대한 ‘기술 문서 스타일’의 데이터 패턴을 더 강하게 활성화시키는 트리거 역할을 할 수 있다. 즉, 모델 내부의 특정 ‘전문가 서브네트워크(Expert Subnetwork)’를 효과적으로 호출하여, 일상 대화체보다 훨씬 정제되고 구조화된 결과물을 생성하도록 유도한다는 가설을 세울 수 있다.
단순한 트릭을 넘어선 공학적 접근으로의 전환
카르파시의 제안은 LLM과의 상호작용을 ‘대화’가 아닌 ‘명령’으로 재정의하며, 이는 프롬프트 엔지니어링이 더 체계적인 공학 분야로 발전할 수 있음을 시사한다. 이는 LLM API에서 제공하는 ‘JSON 모드’나 ‘함수 호출(Function Calling)’ 기능과 동일한 철학을 공유한다.
이러한 기능들은 모두 LLM의 출력을 자연어의 모호함에서 벗어나 기계가 즉시 처리할 수 있는 엄격한 스키마(Schema)에 맞추도록 강제한다. STE100은 이 개념을 인간이 읽을 수 있는 텍스트(Human-readable text) 영역으로 확장한 시도라 볼 수 있다. 미래의 AI 인터페이스는 자연어의 유연함과 STE100, JSON과 같은 형식 언어(Formal Language)의 정밀함이 결합된 하이브리드 형태가 될 가능성이 높다.
한계 및 검증되지 않은 부분
본 보고서에서 제시된 분석은 현재 시점에서 다음과 같은 한계와 검증되지 않은 가설을 포함하고 있음을 명확히 한다.
- 정량적 검증의 부재: 현재까지 ASD-STE100 프롬프트와 일반 자연어 프롬프트의 성능을 다양한 태스크와 모델에 걸쳐 대규모로 비교한 공식 벤치마크나 학술 연구는 보고된 바 없다. 카르파시의 제안은 경험적 관찰에 기반한 것이며, 그 효과는 태스크의 종류와 모델의 특성에 따라 달라질 수 있다.
- ‘기술 문서 코퍼스 활성화’ 가설: LLM이 STE100 형식에 반응하여 특정 훈련 데이터 패턴을 활성화한다는 주장은 모델 내부 작동에 대한 해석적 가설일 뿐, 신경과학적 또는 계산적으로 증명된 사실이 아니다. 이는 추가적인 연구가 필요한 영역이다.
- 적용 범위의 한계: STE100은 기술적 사실을 명확히 전달하는 데 최적화되어 있다. 따라서 창의적 글쓰기, 감성적 대화, 복잡한 추론이나 브레인스토밍과 같이 미묘하고 다층적인 뉘앙스가 요구되는 작업에는 부적합하며, 오히려 성능을 저해할 수 있다.
- 사용자 측의 학습 비용: STE100을 효과적으로 사용하기 위해서는 사용자가 그 규칙을 학습하고 체화해야 하는 추가적인 인지 부하가 발생한다. 이는 범용적 AI 인터페이스로서의 확장성을 저해하는 실질적인 장벽이 될 수 있다.
결론적으로, ASD-STE100을 활용하라는 제안은 LLM의 출력 제어 가능성을 높이는 강력한 공학적 접근법을 제시한다. 이는 단순히 더 나은 결과물을 얻는 기법을 넘어, 우리가 AI의 본질을 어떻게 이해하고 상호작용해야 하는지에 대한 근본적인 관점을 제공하며, 향후 AI 인터페이스 설계에 중요한 이론적 기반이 될 것이다.