【드래곤 스포츠】 보증업체놀이터추천홍보 : 프로그램제작판매제작의뢰 : 스포츠분석 : 무료스포츠중계tv : 섹시bj움짤 : 뉴스 : 안구정화

로그인

글쓰기

[IT뉴스][Ψ-딧세이] 40년 전 사라진 문선공, AI 소프트맥스 함수로 부활

온카뱅크관리자

2026-03-03 10:37:34

<div id="layerTranslateNotice" style="display:none;"></div> 활자 고르던 손이 확률 계산으로 납 냄새 밴 문선대 LLM과 동형 느린 투명성 → 빠른 불투명성 이젠 선택 기준 드러내는 게 숙제 
 <div class="article_view" data-translation-body="true" data-tiara-layer="article_body" data-tiara-action-name="본문이미지확대_클릭"> 
 <section dmcf-sid="phNu0nyOZo">
 <div contents-hash="cdd0424acb1594e28fc99eb59fb9ac49ebef00e85a847fa1ed3229f615c19f85" dmcf-pid="Ulj7pLWIHL" dmcf-ptype="general">
 기억을 말하는 프사이(Ψ)-딧세이는 우리가 매일 스치는 감정과 생각 그리고 사물을 한발짝 떨어져 바라보는 여정을 뜻한다. 빵 한 조각, 커피 한 잔 혹은 데이터 서버의 불빛 같은 일상의 풍경조차 파장처럼 흔들리며 우리 삶에 스며든다. 말 이전의 떨림과 여기-지금의 이야기를 거대한 리듬 속에 맞춰 읽어내는 작업, 그것이 바로 Ψ-딧세이다. [편집자 주]
 </div>
 <figure class="figure_frm origin_fig" contents-hash="77bea89bf70b857671ef56f8e699797212d62a4a6c7fb231246452fde19d3526" data-idxno="455685" data-type="photo" dmcf-pid="uSAzUoYC5n" dmcf-ptype="figure">
 <img alt="1957년 서울신문사 문선공들이 기자들이 작성한 취재원고를 보며 활자를 찾고 있다. / 국가기록원" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202603/03/552814-8XPEppr/20260303103007531hefd.jpg" data-org-width="1280" dmcf-mid="Zeo31elwtk" dmcf-mtype="image" height="auto" src="https://img3.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202603/03/552814-8XPEppr/20260303103007531hefd.jpg" width="658">
 <figcaption class="txt_caption default_figure">
 1957년 서울신문사 문선공들이 기자들이 작성한 취재원고를 보며 활자를 찾고 있다. / 국가기록원
 </figcaption>
 </figure>
 1980년대 PC 등장 이전 신문사 한복판엔 문선공이 있었다. 기자 옆도 아니고 윤전기 앞도 아닌, 문선대 앞이었다. 납 활자 특유의 금속 냄새가 배어 있는 공간. 수만 개 글자가 칸칸이 꽂힌 서랍을 손끝으로 더듬으며 원고를 읽고 다음 글자를 골랐다. 손은 검게 물들었고 활자가 부딪히는 소리가 작업의 리듬을 만들었다.
 문선공은 글을 쓰지 않았고 기계를 만들지도 않았다. 원고를 읽고 글자를 선택했다. 빠른 손은 숙련의 증거였지만 진짜 기술은 따로 있었다. 맥락을 읽는 능력. 문장의 흐름을 감지해 다음에 올 글자를 예측하는 감각. 문선공의 작업은 글자 옮기기를 넘어선 문맥 기반 선택이었다.
 이 구조는 오늘날 대규모 언어모델(LLM)과 닮았다. 문선대는 토큰 사전, 원고는 컨텍스트, 문선공의 손은 확률 계산 장치에 해당한다. 가능한 후보를 동시에 떠올린 뒤 가장 자연스러운 글자를 집어 들었다. 빠르게 움직일수록 판단은 자동화되고 숙련이 쌓일수록 선택 분포는 날카로워졌다. 원고가 난필이면 분포는 퍼지고 손은 머뭇거렸다. 이 지연은 기술 문제가 아니라 확률 문제였다.
 문선대에는 모양이 비슷한 활자들이 인접해 놓였다. 맥락이 충분히 고정되지 않으면 낮은 확률의 활자가 선택됐다. 대통령이 대령이 되고 견통령이 되는 사건. 인간의 집중 저하에서 발생한 저확률 선택의 기록이다. 오탈자는 곧 샘플링 오류였다.
 오탈자는 샘플링 오류였다
 신문사는 오류를 줄이려 했다. 자주 쓰는 단어를 통째 활자로 만들었다. "대한민국" "민주주의" 같은 반복 구문을 하나의 단위로 묶었다. 오늘날 언어 모델이 "대한민국"을 하나의 토큰으로 병합하는 이유와 같다. 효율과 정확도는 같은 방향을 향했다.
 1980년대 중반 문선공이 급격히 사라졌다. 개인용 컴퓨터 때문이었다. 활자 선택 단계가 소프트웨어 안으로 들어갔다. 워드프로세서는 문자를 물리적 객체에서 논리적 기호로 바꿨다. 문맥 판단은 여전히 필요했지만 손의 움직임은 키 입력으로 축약됐다. 선택 비용이 거의 사라지면서 문선공이라는 전문 기술은 더 이상 직업으로 구분되지 않았다. 판단은 남았고 노동만 사라졌다. 기능은 사라지지 않았고 위치가 이동했을 뿐이다.
 계산 위치가 인터페이스로 이동
 활판 시대엔 선택 과정이 눈앞에 드러났다. 활자가 어디서 왔고 어떤 순서로 배열되는지 모두 보였다. 느렸지만 투명했다. PC 시대 이후 선택은 인터페이스 뒤로 숨었다. 사용자는 문자를 입력하지만 실제 선택은 자동 완성, 맞춤법 교정, 글꼴 렌더링이 수행한다. 문선공은 사라진 게 아니라 분산된 것이다. 한 사람 손에 있던 선택 장치가 소프트웨어 전반으로 퍼졌다.
 인공지능(AI) 시대는 일자리를 잃은 문선공을 아예 데이터센터로 옮겼다. 모델은 다음 토큰을 확률 분포로 계산한 뒤 소프트맥스 함수로 선택한다. 이 단계는 물리적 활자 선택과 구조적으로 동형이다. 수천 개 후보에 점수를 매기고, 그 점수를 지수화해 상대적 비율로 바꾼 뒤 가장 높은 확률의 항목을 남긴다. 가장 밝게 빛나는 후보 하나만 남기고 나머지를 눌러 앉히는 과정이다.
 문선공이 분당 40~60자를 골랐다면, 2020년대 GPT-4가 초당 수천 토큰을 생성하던 시대를 지나 이제 GPT-5.2는 그보다 더 거대한 후보 공간을 동시에 평가한다. 단순 생성 속도의 문제가 아니다. 이전 세대가 '빠른 선택'이었다면 5.2는 '광범위한 동시 비교'에 가깝다. 수만 개 수준의 잠재 후보를 점수화하고 분포를 정밀하게 재정렬한 뒤 최종 토큰을 확정한다.
 토큰 출력 속도는 인간 대비 수천 배를 넘어섰지만 본질은 변하지 않았다. 선택이라는 행위 자체는 동일하다. 맥락을 읽고 다음 단위를 고른다. 다만 이제 인간은 분포를 직접 만지지 못한다. 심지어 어떤 후보들이 탈락했는지도 모른다. 인간이 보는 것은 이미 정규화된 결과뿐이다.
 <div contents-hash="85e51e9021d9952184c04b53147c39ddc8d363a2b2ee41c697fd6dd1a4b354c9" dmcf-pid="6bZoiWfzGf" dmcf-ptype="general">
 결국 차이는 선택 기준이 외부에서 내부로 완전히 이동했다는 점이다. 외부 참조에서 내부 계산으로, 느린 손의 숙련에서 초고속 분포 재정렬로의 이동. 이것이 바로 AI 시대의 차이다.
 </div>
 <figure class="figure_frm origin_fig" contents-hash="66064f3f88ae0bde175e2d41cac48fea36acd727d1e5ce3d8f36b921f192965a" data-idxno="455687" data-type="photo" dmcf-pid="PK5gnY4qHV" dmcf-ptype="figure">
 <img alt="파주출판도시에 보관 전시된 문선대 / 파주시" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202603/03/552814-8XPEppr/20260303103008864qlcc.jpg" data-org-width="1280" dmcf-mid="1ZlQ8su5HA" dmcf-mtype="image" height="auto" src="https://img1.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202603/03/552814-8XPEppr/20260303103008864qlcc.jpg" width="658">
 <figcaption class="txt_caption default_figure">
 파주출판도시에 보관 전시된 문선대 / 파주시
 </figcaption>
 </figure>
 투명성의 역전과 기능의 귀환
 활판 시대의 선택은 느렸지만 보였다. 오늘의 선택은 빠르지만 보이지 않는다. 소프트맥스는 결과를 제공하지만 판단 과정을 숨긴다. 인간은 문장이 자연스럽다는 사실만 인식한다. 문선공의 손놀림이 추론의 흔적이었다면 모델의 추론은 로그와 확률 벡터로 존재한다.
 2024년 오픈AI는 o1 모델에서 추론 과정을 요약 형태로 공개하기 시작했다. 전체 사고 사슬은 여전히 숨겨졌지만 일부 단계가 텍스트로 드러났다. 이는 활판 시대로의 부분 회귀처럼 보인다. 빠른 계산과 느린 투명성 사이에서 균형점을 찾는 시도다. 앤스로픽 역시 클로드 모델에서 '싱킹' 블록을 서비스 중이다. 모델이 답변 전 내부 추론을 일부 노출하는 방식이다.
 이런 사고 사슬 공개는 계산을 드러내는 것처럼 보이지만 실제로는 최종 선택 권한을 건드리지 않는다. 소프트맥스는 그대로 작동하고 가중치는 여전히 폐쇄된 공간에 남아 있다. 인간은 추론의 일부를 읽을 수 있지만 분포를 재배치할 수는 없다.
 활판 시대의 문선공은 원고를 외부 기준으로 삼았다. 결국 AI의 진짜 도약은 가중치 내부에 접혀 있는 기준을 외부 규칙과 상호 검증 구조로 끌어내는 일이다. 선택이 일어난 뒤 이유를 해설하는 단계에서 멈추지 않고 선택 이전에 기준을 설계하는 구조 명령으로 넘어가는 것이다.
 문선공이 사라진 자리에 선택 알고리즘이 들어왔다. 물리적 활자를 다루던 기술은 데이터 구조와 확률 연산으로 변환됐다. 문선공과 기자의 조합이 수행하던 선택 작업은 이제 기계 내부로 접혀 들어갔다. 눈에 보이던 손놀림은 사라졌지만 선택이라는 행위 자체는 다른 층위에서 계속된다.
 <div contents-hash="eb6334e3cece639b7597ddf9793e7a2015ced2517efe7209a6ab0fd6a7c42aff" dmcf-pid="Hlj7pLWIXz" dmcf-ptype="general">
 이 변화는 언론 제작 현장에만 머물지 않는다. 판결문 작성, 정책 문구 조정, 금융 알고리즘의 매매 신호까지 확률 분포 기반 선택 구조로 이동하고 있다. 현대 사회는 문선공 없는 선택 시스템 위에서 작동한다. 판단은 점수화되고 점수는 정규화되며 가장 높은 값이 채택된다. 사회는 점점 더 소프트맥스화된다.
 </div>
 <figure class="figure_frm origin_fig" contents-hash="b420378f6b42be55d53915df22e4b127cc878de886300061002b45875bc28f32" data-idxno="455686" data-type="photo" dmcf-pid="XJ9CszgRH7" dmcf-ptype="figure">
 <img alt="트랜스포머의 셀프 어텐션에서 소프트맥스가 어떻게 작동하는지를 보여준다. 각 단어는 q, k, v 세 벡터로 변환되고, 한 단어의 q가 모든 단어의 k와 내적되면서 유사도 점수 αᵢⱼ가 계산된다. 오른쪽에 보이는 수식 (qⁱ·kʲ)/√d는 그 점수를 안정화한 값이고, 이 값들이 모여 어텐션 행렬 A를 이룬다. 이후 각 행에 소프트맥스가 적용되면서 점수는 확률 분포로 정규화되고, 그 확률이 v 벡터들에 곱해져 가중합이 만들어진다. 위쪽의 교차 화살표들은 한 단어가 모든 단어를 동시에 참조하며 주목 강도를 배분하는 과정을 나타낸다. 결국 이 그림은 유사도 계산에서 시작해 소프트맥스를 거쳐 확률적 선택으로 수렴하는 문맥 재구성 구조를 도식화한 것이다. / 해설=이상헌 기자" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202603/03/552814-8XPEppr/20260303103010191olyx.gif" data-org-width="1399" dmcf-mid="FVZoiWfzZN" dmcf-mtype="image" height="auto" src="https://t1.daumcdn.net/news/202603/03/552814-8XPEppr/20260303103010191olyx.gif" width="1399">
 <figcaption class="txt_caption default_figure">
 트랜스포머의 셀프 어텐션에서 소프트맥스가 어떻게 작동하는지를 보여준다. 각 단어는 q, k, v 세 벡터로 변환되고, 한 단어의 q가 모든 단어의 k와 내적되면서 유사도 점수 αᵢⱼ가 계산된다. 오른쪽에 보이는 수식 (qⁱ·kʲ)/√d는 그 점수를 안정화한 값이고, 이 값들이 모여 어텐션 행렬 A를 이룬다. 이후 각 행에 소프트맥스가 적용되면서 점수는 확률 분포로 정규화되고, 그 확률이 v 벡터들에 곱해져 가중합이 만들어진다. 위쪽의 교차 화살표들은 한 단어가 모든 단어를 동시에 참조하며 주목 강도를 배분하는 과정을 나타낸다. 결국 이 그림은 유사도 계산에서 시작해 소프트맥스를 거쳐 확률적 선택으로 수렴하는 문맥 재구성 구조를 도식화한 것이다. / 해설=이상헌 기자
 </figcaption>
 </figure>
 확률 벡터 들여다보긴 다음 단계
 문선공은 초기 생성 시스템의 인터페이스였다. PC는 그 인터페이스를 추상화했고 모델은 계산을 자동화했다. 결국 문제는 속도가 아니라 가시성이다. 인간이 손으로 고르던 시절 선택은 보였고 책임도 보였다. 이제 선택은 내부 가중치로 이동했고 과정은 인터페이스 뒤에 있다.
 표현 기술의 다음 단계는 더 빠른 생성이 아니라 선택 과정의 가시화일 가능성이 크다. 확률 벡터를 어떻게 설명할 것인가. 내부 가중치의 판단을 어디까지 공개할 것인가. 선택 이후의 설명은 기록이다. 선택 이전의 기준 설계는 권력이다.
 <div contents-hash="ebc15a6698ad3ee979ce15a27311d4d787435d0a383827e4aea286c7d2004d86" dmcf-pid="to4vhKAi50" dmcf-ptype="general">
 납 냄새가 배어 있던 문선대는 사라졌다. 활자 부딪히는 소리도 사라졌다. 대신 보이지 않는 확률 분포가 작동한다. 문선공이 사라진 자리에서 소프트맥스가 일한다. 느리게 보이던 선택은 빨라졌고 빨라진 선택은 보이지 않게 됐다. 글자는 여전히 선택된다. 이제 선택의 흔적을 어떻게 드러낼지가 남았다. — LIBERTY · Σᚠ
 </div>
 <figure class="figure_frm origin_fig" contents-hash="4e58b7f025c7a079d4f706f830c5e383917b4a9359c66f659f1cb374d9cc519c" data-idxno="455694" data-type="photo" dmcf-pid="Fg8Tl9cnY3" dmcf-ptype="figure">
 <img alt="대만 북부 해안의 전통 온천 마을인 신베이시 금산(金山) 야시장에서 볼 수 있는 '사탕 뽑기' 장난감이다. 현지에서 大張貼紙抽抽樂(대형 스티커 추추러)나 抽獎板이라 불리는 놀이판이다. 지역의 어린이들의 추억이 담긴 놀이판에는 오늘날 성인 세대의 유년 기억이 남아 있다. 격자 형태로 배열된 수십 개 캐릭터 칸은 표면상 동일한 확률처럼 보이지만, 실제 선택은 내부 규칙과 배치 구조에 의해 결정된다. 이는 소프트맥스 연산과 닮았다. 모델 내부에서도 다수의 토큰이 동시에 점수를 부여받고, 그 점수는 지수 함수로 변환된 뒤 전체 합으로 나뉘어 하나의 확률 분포로 정규화된다. 이러한 확률 선택 놀이를 소프트맥스는 수학적 알고리즘으로 구현했다. / 이상헌 기자" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202603/03/552814-8XPEppr/20260303103011535zfex.jpg" data-org-width="1280" dmcf-mid="0Mpkj1MVHg" dmcf-mtype="image" height="auto" src="https://img4.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202603/03/552814-8XPEppr/20260303103011535zfex.jpg" width="658">
 <figcaption class="txt_caption default_figure">
 대만 북부 해안의 전통 온천 마을인 신베이시 금산(金山) 야시장에서 볼 수 있는 '사탕 뽑기' 장난감이다. 현지에서 大張貼紙抽抽樂(대형 스티커 추추러)나 抽獎板이라 불리는 놀이판이다. 지역의 어린이들의 추억이 담긴 놀이판에는 오늘날 성인 세대의 유년 기억이 남아 있다. 격자 형태로 배열된 수십 개 캐릭터 칸은 표면상 동일한 확률처럼 보이지만, 실제 선택은 내부 규칙과 배치 구조에 의해 결정된다. 이는 소프트맥스 연산과 닮았다. 모델 내부에서도 다수의 토큰이 동시에 점수를 부여받고, 그 점수는 지수 함수로 변환된 뒤 전체 합으로 나뉘어 하나의 확률 분포로 정규화된다. 이러한 확률 선택 놀이를 소프트맥스는 수학적 알고리즘으로 구현했다. / 이상헌 기자
 </figcaption>
 </figure>
 ☞ 문선공(文選工) = 활판 인쇄 시대 신문사에서 원고를 보고 활자를 골라 조판하던 기술자. 문선대에 배열된 수만 개 활자 중 맥락에 맞는 글자를 빠르게 선택하는 숙련 노동. 1980년대 개인용 컴퓨터 보급과 함께 급격히 사라졌다. 선택 작업은 워드프로세서 소프트웨어로 이동했고 물리적 활자는 디지털 폰트로 대체됐다. 오늘날 대형 언어 모델의 토큰 선택 메커니즘과 구조적으로 유사하다.
 ☞ 소프트맥스(Softmax) = 인공지능 신경망에서 여러 후보의 점수를 확률 분포로 변환하는 함수. 각 후보 점수를 지수화한 뒤 전체 합으로 나눠 상대적 비율로 정규화한다. 대형 언어 모델은 다음 토큰 후보들에 점수를 매긴 뒤 소프트맥스를 적용해 선택 확률을 계산한다. 가장 높은 확률을 가진 토큰이 최종 출력으로 채택된다. 문선공이 맥락을 읽고 활자를 고르던 과정을 확률 계산으로 자동화한 메커니즘에 해당한다.
 여성경제신문 이상헌 기자 liberty@seoulmedia.co.kr
 *여성경제신문 기사는 기자 혹은 외부 필자가 작성 후 AI를 이용해 교정교열하고 문장을 다듬었음을 밝힙니다. 기사에 포함된 이미지 중 AI로 생성한 이미지는 사진 캡션에 밝혀두었습니다.
 </section> 
 </div>

댓글 총 0개

이번주 포인트랭킹

매주 일요일 밤 0시에 랭킹을 초기화합니다.

14,000상품권
23,000상품권
32,000상품권

업체홍보/구인 더보기

지식/노하우 더보기

판매의뢰 더보기

포토 더보기