J. Mark Bishop과 Stephen J. Cowley는 대규모 언어모델이 학습한 통계 구조가 언어의 무엇을 담고 무엇을 놓치는지 철학적으로 검토했다. 2026년 7월 8일 arXiv에 제출되고 Philosophy and Technology에 투고된 이 논문은 Roy Harris의 통합주의 언어학과 Elan Barenholtz의 언어 자동생성 이론을 결합한다. 새 모델이나 데이터셋, 정량 벤치마크를 제시하는 실험 연구는 아니다.
통합주의에서 언어는 고정된 부호를 해독하는 체계가 아니라, 구체적인 상황에서 참여자들이 이후 행동을 조정하며 만드는 활동이다. 저자들은 이 관점이 지시주의를 비판하는 데 강하지만 기호가 다음 행동의 가능성을 여는 구조, 언어와 비언어적 기호 활동의 연속성, 과거 상호작용의 축적물이 새 참여자에게 쓰이는 방식을 충분히 설명하지 못했다고 본다.
논문은 자동생성 이론이 이 빈틈을 보완할 수 있다고 주장한다. 과거의 통합 행위가 남긴 ‘아카이브’에는 다음 표현과 행동을 제약하거나 가능하게 하는 통계적 경향이 축적되며, LLM은 그 일부를 효과적으로 포착한다는 해석이다. 다만 이 구조가 세계의 사실을 직접 가리키거나 현재 참여자 사이의 공동 행동을 수행하는 것은 아니므로, 실제 상황의 의미 형성과 모델의 연속 생성 능력은 구분해야 한다고 설명한다.
방법은 두 철학적 전통의 개념 비교와 논증이다. 표본 수, 대조군, 정확도 같은 측정치는 없고 가설을 검증하는 사용자 연구도 수행하지 않았다. 따라서 논문이 보여주는 것은 LLM 성능의 경험적 한계가 아니라, 통계적 언어 능력을 상황적 의미와 동일시하지 말아야 한다는 개념적 근거다. 본문에 등장하는 사례도 이론을 설명하는 예이지 일반화 가능한 실험 결과가 아니다.
저자들의 통합이 설득력 있는지, ‘아카이브’가 실제 모델 내부 표현과 어떤 대응을 갖는지는 독립적인 철학 논쟁과 실증 연구가 필요하다. 향후 연구에서는 동일한 문장이라도 참여자 관계와 행동 맥락에 따라 의미가 달라지는 과제를 설계하고, 모델 출력의 통계적 적합성과 공동 행동의 성공을 별도로 측정할 수 있다. 현재 단계에서 이 논문은 모델 설계 지침이나 인간 언어 이론의 확정적 결론보다 검토할 개념 틀로 보는 편이 정확하다.
저작권자 © STORIUM 무단전재 및 재배포 금지
