현실이 빨라질 때 지능은 어디까지 따라갈까

이번에 함께 읽을 논문은 When Reality Outpaces Cognition: A New Scaling Principle for Reliable Intelligence라는 제목으로 arXiv에 공개된 연구입니다. 저자들이 던지는 질문은 아주 직접적입니다. 현실이 얼마나 빨리 변해야 지능 시스템이 더 이상 지각하고 추론하고 행동하는 일을 믿을 수 없게 될까라는 물음이죠. 제가 이해한 이 논문의 주장은 신뢰할 수 있는 지능을 판단하는 새로운 기준으로 일관된 인지의 속도를 확장하는 일을 제안한다는 점인데, 원문 논문은 제목 아래 연결된 읽기 자료에서 바로 확인하실 수 있습니다.

이 도입부가 조금 건조하게 느껴지실 수도 있겠습니다. 그런데 이 논문은 처음부터 이런 식으로 읽어야 합니다. 왜냐하면 뒤에 나오는 모든 논의가 하나의 측정 장치 위에 올라가 있기 때문입니다. 현실의 속도라는 낯선 축을 놓고, 그 축을 끝까지 밀어붙였을 때 어떤 구조가 무너지고 어떤 구조가 버티는지를 본다는 발상이죠. 저는 이 발상이 마음에 들었습니다. 정확도가 몇 점 올랐는지를 말하는 대신, 얼마나 빠른 세상에서도 약속을 지키는지를 묻고 있었기 때문입니다.

왜 이 논문을 끝까지 읽었을까

안녕하세요, 패트릭입니다.

저는 평소에 새로운 아키텍처 논문을 볼 때 성능 표부터 보지 않습니다. 대신 질문부터 봅니다. 이 논문이 세상을 어떤 방향으로 밀고 있는지를 먼저 확인하죠. 이번 논문은 첫 문장부터 저를 붙잡았습니다. 현실이 얼마나 빨리 변해야 지능이 더 이상 믿을 수 없게 되는가를 묻고 있었기 때문입니다. 우리가 평소에 모델에게 묻는 질문과는 결이 달랐습니다. 더 똑똑한가가 아니라 더 빠른 세상에서도 일관되게 행동할 수 있는가를 묻고 있었죠.

생각해보면 우리가 쓰는 AI는 대부분 멈춰 있는 세상에서 시험을 봅니다. 사진 한 장을 보여주고 이게 무엇인지 묻거나, 정해진 문제를 풀게 하죠. 그런데 실제 세상은 멈춰 있지 않습니다. 자율주행 차량 앞의 풍경은 매 순간 바뀌고, 시장의 호가는 눈을 깜빡이는 사이에 움직이며, 공장의 센서 값도 쉴 새 없이 흔들립니다. 그렇다면 멈춰 있는 시험에서 잘하는 일이 움직이는 세상에서도 그대로 이어질까요. 저는 이 질문 앞에서 멈칫했습니다. 왜냐하면 많은 경우 그렇지 않다는 것을 현장에서 보아왔기 때문입니다.

제가 이 논문에서 가장 흥미롭게 본 부분은 신뢰를 점수가 아니라 속도로 말한 대목이었습니다. 어디까지 빨라져도 괜찮은가를 묻는 방식은 엔지니어에게는 훨씬 와닿습니다. 처리량이 얼마인가를 묻는 대신 어떤 조건에서도 약속한 동작을 유지하는가를 묻는 쪽이 실제 운영과 가깝기 때문입니다. 저희가 새로운 AI 아키텍처를 볼 때도 benchmark 숫자만 보지는 않습니다. 실제로 무엇이 바뀌었고, 그 변화가 시스템에서 어떤 비용 구조를 만드는지를 함께 봅니다. 이 논문은 바로 그 관점에서 읽을 가치가 있었습니다.

현실이 빨라지면 지능은 어디서부터 흔들릴까

우리가 흔히 말하는 똑똑함은 대부분 느린 세상에서 정의됩니다. 충분히 생각할 시간이 있고, 입력이 또렷하며, 정답이 분명한 상황이 그렇죠. 그런데 현실의 속도라는 말을 꺼내면 풍경이 달라집니다. 여기서 속도란 단순히 입력이 자주 들어온다는 뜻이 아닙니다. 세상의 상태가 바뀌는 속도가 시스템이 지각하고 판단하는 속도를 앞지르기 시작한다는 뜻에 가깝습니다. 관찰한 것과 실제가 어긋나기 시작하는 순간이 바로 흔들림이 시작되는 지점입니다.

운전을 떠올리시면 이해가 쉽습니다. 시속 30킬로미터로 골목을 지날 때와 비 오는 고속도로에서 시속 110킬로미터로 달릴 때는 같은 사람이라도 판단의 여유가 전혀 다릅니다. 눈으로 본 차선의 위치와 실제 차의 위치가 어긋나기 시작하고, 브레이크를 밟아야 한다는 판단이 내려졌을 때는 이미 상황이 앞으로 나아가 있죠. 모델도 비슷합니다. 입력이 들어오고 추론이 끝나고 행동이 나가는 사이에 세상이 앞으로 가버리면, 정교한 판단도 소용이 없어집니다. 문제는 추론이 틀려서가 아니라 추론이 늦어서 생깁니다.

그래서 이 논문은 지능을 고정된 능력으로 보지 않습니다. 주어진 속도에서 유지되는 일관성으로 봅니다. 느린 세상에서는 멀쩡하던 시스템이 빠른 세상에서는 갑자기 무너질 수 있는데, 그 무너짐이 어디서 시작되는지를 재는 일이 중요해진다는 것이죠. 저는 이 문제 설정이 마음에 들지만, 여기까지 일반화하기에는 데이터가 부족하다고 봅니다. 아직은 강화학습 환경에서 보여준 틀에 가깝기 때문입니다. 다만 방향 자체는 분명합니다. 얼마나 아는가가 아니라 얼마나 빨리 변하는 세상에서도 아는 것을 행동으로 옮길 수 있는가를 보겠다는 것이라고 봅니다.

그렇다면 무엇을 재야 할까

여기서 재미있는 질문이 생깁니다. 빠른 세상에서도 믿을 수 있다는 것을 어떻게 숫자로 말할 수 있을까라는 질문이죠. 논문이 내놓은 답은 effective Speed of Coherent Cognition이라는 개념인데, 줄여서 S_C^eff라고 부릅니다. 정의는 생각보다 담백합니다. 기준선에서 약속한 행동 신뢰 기준을 계속 만족하면서 버틸 수 있는 가장 높은 현실의 속도라고 봅니다. 현실의 속도를 S_R이라고 부른다면, S_C^eff는 그 S_R 축 위에서 시스템이 무너지지 않고 버티는 마지막 지점이라고 보시면 됩니다.

이 차이는 생각보다 중요합니다. 보통의 평가는 고정된 환경에서 점수를 재고 끝냅니다. 반면 여기서는 환경을 점점 빠르게 만들면서 신뢰가 끊어지는 지점을 찾습니다. 점수가 아니라 구간을 재는 셈이죠. 기준선에서 정한 행동 기준을 출발점으로 삼기 때문에, 출발선이 다른 시스템끼리 점수만 놓고 다투는 일도 줄어듭니다. 각자 자신의 기준선에서 출발해 어디까지 버티는지를 보기 때문입니다. 표면적으로 보면 단순합니다. 실제로는 그렇지 않습니다. 신뢰 기준을 어떻게 정하느냐에 따라 결과가 달라질 수 있어서, 기준 자체가 공정해야 한다는 단서가 따라붙기 때문입니다.

저는 이 숫자보다 그 뒤의 구조가 더 중요하다고 봅니다. S_C^eff는 단순한 순위가 아니라 설계 원칙을 바꾸는 제안이기 때문입니다. 더 큰 모델을 만드는 일이 아니라 더 빠른 현실에서도 일관성을 유지하는 인지를 확장하는 일이 목표가 됩니다. 물론 이 대목에서는 조금 조심해서 읽을 필요가 있습니다. S_C^eff가 높다는 말이 모든 면에서 더 좋은 모델이라는 뜻은 아니기 때문입니다. 특정한 행동 신뢰 기준 아래에서, 특정한 환경 축 위에서 더 오래 버틴다는 뜻에 가깝습니다. 그 조건을 잊으면 숫자가 혼자 돌아다니기 시작합니다.

이 이야기가 말하지 않는 것은 무엇일까

오해를 먼저 풀어야 할 것 같습니다. 이 논문은 더 빠른 추론을 말하는 논문이 아닙니다. 토큰을 빨리 뱉어내는 기술과도 다릅니다. 여기서 말하는 속도는 모델이 빨리 말하는 속도가 아니라 세상이 빨리 변하는 속도입니다. 모델이 아무리 빨리 답을 내도, 그 답이 이미 지나간 세상을 향하고 있다면 소용이 없죠. 그래서 throughput을 올리는 일과 S_C^eff를 올리는 일은 서로 다른 방향을 봅니다. 하나는 말하는 속도를 재고, 다른 하나는 변하는 세상에서도 말이 맞게 유지되는 구간을 재기 때문입니다.

또한 이 논문은 한 번 학습하면 모든 세상에서 통한다는 만능 일반화를 주장하지도 않습니다. 오히려 조건을 또렷하게 둡니다. 기준선의 속도에서 학습한 뒤, 다시 훈련하지 않고 속도를 올리면서 평가한다는 것이죠. 다시 훈련하지 않는다는 조건이 들어가서, 외워서 맞추는 일이 아니라 배운 방식이 얼마나 먼 미래까지 이어지는지를 보게 됩니다. (참고로 현장에서 모델을 다시 학습시키는 일은 생각보다 비용이 크고, 자주 할 수도 없는데요. 그래서 다시 훈련하지 않고 버티는 구간을 재는 방식은 운영자의 마음에 꽤 와닿습니다.)

그렇다면 이 흐름은 어디에서 끊을 수 있을까요. 그 질문은 마지막 장에서 다시 짚어보기로 했는데, 지금은 한 가지만 분명히 해두겠습니다. 다시 말해 S_C^eff라는 제안은 새로운 순위표라기보다 새로운 자를 꺼낸 일에 가깝다고 봅니다. 자가 바뀌면 재고 싶은 대상도 달라지는데, 저는 그래서 이 논문을 정확도 경쟁의 눈으로 읽지 않았습니다. 대신 어떤 자를 꺼냈고 그 자가 현장의 어떤 고민과 맞닿아 있는지를 먼저 보았는데, 그 관점에서 보면 이 제안은 운영자가 매일 묻는 질문과 이어집니다. 여러분이 맡은 시스템은 어디까지 빨라져도 약속을 지킬 수 있습니까.

관찰과 현실 사이에 벌어지는 간격

이제 논문이 그리는 장면을 조금 더 가까이에서 보겠습니다. 시스템이 세상을 볼 때, 보는 것과 실제 사이에는 항상 작은 시차가 있습니다. 느린 세상에서는 그 시차가 문제가 되지 않습니다. 본 것이 곧 실제와 같기 때문입니다. 그런데 세상이 빨라지면 이야기가 달라집니다. 관찰이 끝났을 때 현실은 이미 앞으로 나아가 있고, 시스템은 과거의 사진을 들고 미래의 결정을 내려야 합니다. 논문이 말하는 관찰과 현실 사이의 간격이 바로 이 틈입니다.

저는 여기서 조금 의심했습니다. 간격이 벌어지면 결국 예측이 중요해지는 것 아닌가라는 생각이 들었기 때문입니다. 그런데 논문의 시선은 예측을 잘하는 기술 자체에 머물지 않습니다. 점점 더 먼 미래 상태를 향해 믿을 수 있는 행동을 고르는 일을 볼 수 있게 틀을 짰다는 데에 방점이 있습니다. 다시 말해 한 걸음 앞을 맞추는 능력이 아니라, 간격이 벌어질수록 멀어지는 앞을 향해 행동을 이어가는 능력을 본다는 것이죠. 이 차이는 실제 시스템 관점에서 보면 꽤 큽니다. 한 걸음 예측은 짧은 구간에서는 통하지만, 속도가 올라가면 금방 닳아버리기 때문입니다.

좋은 비유가 있을까요. 멀리 있는 표적을 맞추는 일과 비슷하게 볼 수 있습니다. 가까운 표적은 조준한 그대로 맞출 수 있지만, 멀리 움직이는 표적은 지금 위치가 아니라 도착할 위치를 보고 쏴야 합니다. 게다가 바람까지 빨라지면 계산이 더 어려워지죠. 논문의 평가 틀은 바로 이 상황을 체계적으로 만듭니다. 이론이나 특정 모델에 기대지 않고, 속도를 올리면서 행동이 언제 흐트러지는지를 본다고 설명합니다. 특정 구조에만 유리한 시험지가 아니라, 어떤 구조를 올려도 같은 방식으로 잴 수 있는 자를 만들겠다는 뜻이죠. 물론 이론과 무관하다는 말이 완전한 중립을 뜻하지는 않습니다. 행동 신뢰 기준을 정하는 순간 평가자의 선택이 들어가기 때문입니다. 그래서 저는 이 틀을 쓸 때 기준을 누가 어떻게 정했는지를 먼저 볼 것 같습니다.

기준선에서 시작해 다시 훈련하지 않고 올리는 속도

평가의 진행 방식은 단순하지만 단단합니다. 먼저 기준선이 되는 현실의 속도에서 강화학습 에이전트를 학습시킵니다. 그다음에는 다시 훈련하지 않고 현실의 속도를 끌어올립니다. 계산 자원은 고정한 채로 최대 50배까지 올리면서 본다고 합니다. 일반 파일에만 남겼을 때는 17%에 그쳤지만, SOUL.md에 옮겨 적었을 때는 55%까지 올라갔다는 식의 숫자 놀이가 아니라, 조건을 고정하고 축 하나만 밀어붙이는 방식이죠. 그래서 결과 해석이 비교적 또렷합니다.

여기서 다시 훈련하지 않는다는 조건이 왜 중요한지를 짚을 필요가 있습니다. 다시 훈련을 허용하면 시스템은 빠른 세상에 적응한 새로운 시스템이 되어버립니다. 그러면 우리가 보는 것은 처음 배운 것의 힘이 아니라 새로 배운 것의 힘이 됩니다. 반면 다시 훈련하지 않으면 남는 것은 배운 방식 자체의 힘뿐입니다. 느린 세상에서 배운 판단 방식이 빠른 세상에서도 이어지는지를 묻게 되죠. 실제 시스템 관점에서 보면 다음 질문이 바로 생깁니다. 현장에서는 세상이 빨라질 때마다 모델을 처음부터 다시 가르칠 수 없는데, 이 평가가 바로 그 상황을 재현하고 있지 않은가라는 질문입니다.

숫자도 함께 보죠. 최대 50배라는 폭은 작은 변화가 아닙니다. 두 배나 세 배가 아니라 쉰 배까지 밀어붙인다는 것은, 웬만한 요령으로는 버티기 어려운 구간까지 보겠다는 뜻입니다. 계산 자원을 고정했다는 단서도 함께 읽어야 합니다. 자원을 함께 늘렸다면 빨라진 세상을 더 많은 계산으로 메운 것인지 구조 자체가 좋은 것인지 구분하기 어렵기 때문입니다. 저는 그래서 이 실험 설계를 공정하게 봤다고 말하고 싶습니다. 잘 보이는 조건만 골라서 보여준 것이 아니라, 어려운 조건을 먼저 걸어두고 시작했기 때문입니다. 다만 50배라는 숫자를 그대로 믿기 전에 조건을 봐야 합니다. 어떤 환경 축에서, 어떤 행동 기준 아래에서 잰 50배인지를 함께 보지 않으면 숫자가 혼자 커 보일 수 있습니다.

세포에서 힌트를 얻은 구조는 무엇이 달랐을까

이제 구조 이야기로 넘어가겠습니다. 논문은 Transformer와 gated-MLP라는 익숙한 기준선과 Co^4라는 새로운 구조를 나란히 놓고 비교합니다. Co^4는 의식적 처리나 깨어 있는 사고와 관련 있다고 알려진 세포 차원의 기제에서 영감을 받았다고 설명합니다. 이 표현을 읽을 때 주의할 점이 있습니다. 세포를 닮았다는 말이 생물학을 그대로 옮겼다는 뜻은 아니기 때문입니다. 특정한 세포 기제가 주는 발상을 구조 설계로 가져왔다는 뜻에 가깝습니다. 저는 이 대목을 읽으면서 기대와 경계를 함께 가졌습니다. 생물학적 영감은 종종 좋은 질문을 주지만, 그 자체가 성능의 증거가 되지는 않기 때문입니다.

그렇다면 무엇이 달라졌을까요. 논문이 전하는 바를 제 언어로 풀면, 빠르게 변하는 입력 속에서도 일관된 판단을 이어가는 쪽에 무게를 둔 설계로 읽힙니다. Transformer가 주어진 맥락 안에서 관계를 잘 엮는 데에 강점이 있다면, Co^4는 그 엮음이 속도가 올라가도 풀어지지 않게 붙잡는 쪽에 가깝다는 것이죠. gated-MLP 역시 단순하고 단단한 기준선이지만, 간격이 크게 벌어지는 구간에서는 판단의 끈을 놓치기 쉽습니다. 물론 이것은 논문의 결과 방향을 빌려 쓴 해석입니다. 구조의 세부 회로까지 뜯어보지 않고 단정할 일은 아닙니다. 다만 결과의 결이 일관되게 그쪽을 가리키고 있다는 점은 분명합니다.

여기서는 조금 조심해서 읽을 필요가 있습니다. 생물학적 영감을 앞세운 설명은 듣기에 매력적이지만, 실제 차이는 종종 훨씬 건조한 곳에서 생기기 때문입니다. 정보가 어떻게 흐르고, 어디에서 판단이 고정되며, 속도가 올라도 어떤 부분이 흔들리지 않는지를 봐야 합니다. 저는 구조 논문을 볼 때 이름보다 배선을 봅니다. 이름은 발상의 출처를 말해주지만, 배선은 왜 버티는지를 말해주기 때문입니다. 이 논문 역시 이름이 아니라 버팀의 기록으로 평가받는 편이 맞다고 봅니다.

계산 자원을 고정했을 때 벌어지는 일

같은 예산을 어디에 쓸지 고르는 일은 현장에서 매일 일어납니다. 메모리를 늘릴지, 연산량을 늘릴지, 응답 속도를 포기할지를 두고 다투죠. 이 논문의 실험은 그 고민에 직접 답합니다. 계산 자원을 고정한 채로 현실의 속도만 올렸기 때문입니다. 자원을 늘려서 문제를 덮는 길을 미리 막아둔 셈인데, 이 선택 덕분에 구조의 차이가 더 또렷하게 드러납니다. 더 많이 계산해서가 아니라 같은 계산으로도 더 먼 미래까지 일관되게 행동하는 쪽이 누구인지를 묻게 되기 때문입니다.

결과 방향은 논문이 또렷하게 말합니다. 여러 시험 장면에서 Co^4가 기준선들보다 훨씬 높은 S_C^eff를 보였다는 것이죠. 다시 말해 같은 출발선에서 시작해도 무너지는 지점이 훨씬 뒤에 있었다는 뜻입니다. 저는 이 대목을 읽으면서 단순한 승패보다 구간에 주목했습니다. 이겼다는 말보다 어디까지 버텼다는 말이 더 많은 정보를 주기 때문입니다. 빠른 세상에서 신뢰가 끊어지는 지점이 뒤로 밀렸다는 것은, 운영자가 감당해야 하는 위험 구간이 그만큼 줄었다는 뜻이기도 합니다.

그런데 여기서 질문을 하나 더 던져야 합니다. 고정된 자원이라는 말이 모든 비용을 같게 묶는다는 뜻일까요. 그렇지 않습니다. 같은 연산량이라도 메모리 움직임이나 지연 시간, 동시 처리 방식에 따라 현장 체감은 달라집니다. 논문이 고정한 것은 실험 안의 계산 자원이지, 실제 서빙의 모든 비용이 아닙니다. 그래서 저는 이 결과를 이렇게 읽었습니다. 공정한 실험 틀 안에서는 Co^4가 더 먼 속도까지 버틴다는 신호가 분명하다, 다만 그 신호를 실제 하드웨어와 실제 워크로드로 옮기려면 메모리 대역폭과 지연, 처리량 같은 숙제를 따로 풀어야 한다고 말이죠. 이 간격을 메우지 않고 숫자를 현장에 바로 붙이면 오해가 생깁니다.

숫자를 넘어서 구조를 보게 되는 이유

표면적으로 보면 이 논문은 새로운 지표 하나와 새로운 구조 하나를 내놓은 것처럼 보입니다. 그런데 조금 더 들여다보면 진짜로 바뀌는 부분은 평가의 습관입니다. 무엇을 잘했는가를 묻던 습관에서 어디까지 믿을 수 있는가를 묻는 습관으로 옮겨간다는 점이죠. 저는 이 이동이 마음에 들었습니다. 연구실 점수에 머무르지 않고 운영의 아침을 지키는 쪽으로 눈을 돌리게 만들기 때문입니다. 밤사이 공시가 늦게 도착하거나 아침에 특정 종목이 거래 정지에 걸려도 예측 라인은 멈추면 안 되는 것처럼, 빠른 세상에서도 멈추지 않는 판단이 필요하기 때문입니다.

생각해보면 사람도 비슷하게 배웁니다. 처음에는 천천히 배웁니다. 자전거를 배울 때도 처음에는 빈 주차장에서 천천히 페달을 밟죠. 그런데 진짜 실력은 차가 다니는 길에서 드러납니다. 속도가 붙고 변수가 많아져도 중심을 잃지 않는가가 관건이기 때문입니다. 논문의 평가도 같은 흐름을 따릅니다. 느린 기준선에서 배운 뒤 빠른 세상에서 시험을 보는 방식은, 배움의 질을 묻는 오래된 방식과 닮아 있습니다. 외운 것을 묻는 대신 배운 방식이 얼마나 멀리 가는지를 묻는 것이죠. 일종의 오답 노트처럼요. 틀린 문제를 모아두는 것이 아니라 틀리는 방식을 모아두는 셈입니다.

문제는 그다음입니다. 새로운 자가 나왔다고 해서 모두가 같은 자를 쓸까요. 그렇지 않을 가능성이 큽니다. 행동 신뢰 기준을 정하는 일이 만만치 않고, 환경마다 빠른 속도의 뜻이 다르기 때문입니다. 그럼에도 저는 이 제안이 남긴다고 봅니다. 적어도 빠른 세상에서의 신뢰를 말할 때 이제는 구간을 함께 말해야 한다는 감각이 생겼기 때문입니다. 몇 점을 받았다는 말 뒤에 어디까지 버텼다는 말을 붙이는 습관만 생겨도 논의의 질이 달라집니다. 숫자가 아니라 구조를 보게 되는 이유는 결국 여기에 있습니다. 점수는 결과를 말해주지만, 구간은 방식을 말해주기 때문입니다.

그래서 앞으로 무엇을 지켜봐야 할까

질문도 바뀌었습니다. 얼마나 정확한가에서 얼마나 빠른 세상에서도 일관된가를 묻는 쪽으로 말이죠. 그렇다면 앞으로의 연구는 어디로 가야 할까요. 제가 앞으로 보고 싶은 것은 세 가지입니다. 첫째는 기준의 투명성입니다. 행동 신뢰 기준이 어떻게 정해졌고, 그 기준이 바뀌면 S_C^eff가 어떻게 움직이는지를 함께 보여주면 논의가 훨씬 단단해집니다. 기준이 숨겨지면 숫자는 커 보이지만 해석은 가벼워지기 때문입니다.

둘째는 환경의 폭입니다. 강화학습 환경에서 보여준 틀이 다른 종류의 빠름에서도 통하는지를 보고 싶습니다. 예를 들어 센서가 빠르게 바뀌는 로보틱스나 호가가 쉴 새 없이 흔들리는 시장, 요청이 몰리는 서빙 환경처럼 빠름의 결이 다른 곳에서도 같은 방식으로 잴 수 있는지가 궁금합니다. 빠름이라는 말 하나로 묶기에는 현장의 빠름이 너무 다르기 때문입니다. 셋째는 구조의 이유입니다. Co^4가 왜 버티는지를 배선 단위에서 더 또렷하게 보고 싶습니다. 영감의 출처가 아니라 동작의 이유가 밝혀질 때, 다른 연구자들이 그 발상을 가져다가 자기 문제에 붙일 수 있기 때문입니다.

좋은데, 이걸 실제로 어떻게 서빙할까요. 이 질문을 빼놓을 수 없습니다. 계산 자원이 고정된 실험과 실제 운영 사이에는 하드웨어와 메모리 계층, 대역폭과 지연, 동시성과 프리페치 같은 현실적인 층이 놓여 있습니다. 같은 연산이라도 메모리 움직임이 다르면 체감이 다르고, 지연이 중요한 현장에서는 평균 처리량보다 꼬리 지연이 더 아플 때가 많습니다. 그래서 저는 다음 연구에서 시스템 측정치를 함께 보고 싶습니다. 어떤 하드웨어에서, 어떤 배치와 어떤 동시성 아래에서, 신뢰 구간이 어떻게 달라지는지를 말이죠. 그 숫자가 나와야 실험실의 구간이 현장의 구간으로 이어집니다.

마지막으로 한 가지만 더 묻고 싶습니다. 현실이 계속 빨라지면 사람의 역할은 무엇일까요. 시스템이 빠른 세상에서도 스스로 일관되게 행동할수록, 사람이 정해야 하는 일은 오히려 더 또렷해집니다. 무엇을 믿을 것인지, 어디까지 믿을 것인지, 그리고 믿음이 깨졌을 때 어떻게 멈출 것인지를 정하는 일이죠. 이 논문은 그 물음에 직접 답하지 않습니다. 다만 묻는 방식을 바꿔줍니다. 더 똑똑한지를 묻는 대신 어디까지 믿을 수 있는지를 묻게 만들죠. 저는 그 바뀐 질문을 가지고 이번 글을 마치고 싶습니다. 여러분이 만드는 시스템은 얼마나 빠른 세상에서도 약속을 지킬 수 있습니까. 그리고 그 약속의 끝은 어디입니까.