🤖 AI

No Accidental Software Agent First Canonical Code for Human Code Entropy Reduction and 30 to 500 times Lower Frontier Model Requirements

이 논문은 인간의 소프트웨어 저장소로부터 우연한 엔트로피를 제거하기 위해 동등한 인코딩들을 통제된 대표값들로 붕괴시킴으로써, 프런티어 모델의 학습 요구량과 검증된 변경 비용을 30배에서 500배까지 줄이는 동시에 '무사고 지평(No-Accident Horizon)'을 향한 반증 가능한 경로를 구축하도록 설계된 증명 가능 기질인 '에이전트 우선 정준 코드(agent-first canonical code)'를 제안한다.

원저자: Jepson Taylor

게시일 2026-06-15

📖 4 분 읽기☕ 가벼운 읽기

CC0 1.0

원저자: Jepson Taylor

원본 논문은 CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/)에 따라 공공 도메인에 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

거대한 문제: "엉망진창인 차고" vs. "설계도"

당신이 로봇에게 집을 짓는 법을 가르치려고 한다고 상상해 보세요. 현재 당신은 로봇에게 인간이 지은 집의 사진 수백만 장을 보여주고 있습니다.

문제는 인간의 집은 엉망이라는 점입니다. 어떤 건축가는 빨간 벽돌을 쓰고, 다른 건축가는 파란 벽돌을 씁니다. 어떤 집은 주방이 왼쪽에 있고, 어떤 집은 오른쪽에 있습니다. 어떤 집은 원래 계획에는 없었지만 어쨌든 작동하는 지하실의 비밀 문이 있기도 합니다. 어떤 집은 특정 의자에 서 있어야만 작동하는 이상한 배선 구조를 가지고 있기도 합니다.

로봇은 "주방을 만드는 기본 개념"을 배우기 위해 이 모든 무작위적이고 우연적인 세부 사항들을 파악하는 데 모든 시간과 에너지를 쏟아야 합니다. 로봇은 건축의 실제 과학이 아니라, 인간의 건축 습관에 섞인 "우연한 사고들"을 이해하느라 뇌 용량을 낭비하고 있는 것입니다.

논문의 주장:
우리는 로봇에게 이 엉망진창인 사진들을 가르치는 것을 멈출 수 있습니다. 대신, 우리는 그 모든 인간의 집들을 먼저 완벽하고 표준화된 설계도로 변환할 수 있습니다. 이 설계도에서는:

주방은 항상 같은 위치에 있습니다.
배선은 항상 같은 방식으로 되어 있습니다.
"비밀 문"은 제거되거나 "선택 사항"으로 명확히 표시됩니다.

이렇게 하면 로봇은 추측하는 데 시간을 허비할 필요가 없습니다. 로봇은 핵심적인 건축 규칙을 훨씬 더 빠르게 배울 수 있고, 실수를 덜 하며, 실행 비용도 훨씬 적게 듭니다.

핵심 아이디어: "정형 코드 (Canonical Code)"

저자들은 이 표준화된 버전을 **"에이전트 우선 정형 코드(Agent-First Canonical Code)"**라고 부릅니다.

이것은 마치 번역 서비스와 같습니다.

가공되지 않은 인간의 코드: 이것은 마치 사람들이 서로 다른 방언을 사용하고, 속어를 쓰고, 서로 말을 끊는 북적이는 방 안의 대화와 같습니다. 가치 있는 정보는 가득하지만, 노이즈가 많습니다.
정형 코드: 이것은 동일한 대화이지만, 모든 단어에 엄격한 정의가 있고 문법이 완벽한 단일하고 완벽한 언어로 번역된 상태입니다.

논문은 우리가 단순히 "나쁜" 코드를 걸러내야 한다고 주장하는 것이 아닙니다. 우리는 AI에게 가르치기 전에 코드를 이 완벽한 형식으로 재구축해야 한다고 주장합니다.

우리가 혼란에 대한 대가를 치르는 네 가지 경우

논문은 우리가 엉망인 인간의 코드를 사용할 때, 혼란에 대해 네 번 대가를 치른다고 말합니다.

학습 (Training): 기초를 가르치기 위해 AI에게 수백만 개의 사례를 보여줘야 합니다.
탐색 (Searching): AI가 버그를 수정하려고 할 때, 코드가 어디에 있는지 찾기 위해 엉망인 폴더들을 뒤져야 합니다.
추론 (Reasoning): 규칙이 명확하게 적혀 있지 않기 때문에 AI는 규칙이 무엇인지 추측해야 합니다.
검토 (Reviewing): AI가 엉망인 맥락을 오해했을 수 있기 때문에, 인간은 AI의 작업물을 확인하는 데 수 시간을 보내야 합니다.

이 "정형 설계도"를 사용하면 첫 세 가지 비용을 거의 완전히 절감할 수 있습니다. AI는 어디를 찾아봐야 하는지, 규칙이 무엇인지 정확히 알게 됩니다.

"행동 셀 (Behavior Cells)" (레고 비유)

당신이 도시를 건설하고 있다고 상상해 보세요.

현재 방식: 매번 "소방서"가 필요할 때마다, 인간 건축가가 처음부터 새로 그립니다. 때로는 나무로 만들어지고, 때로는 벽돌로 만들어집니다. 때로는 문이 왼쪽으로 열리고, 때로는 오른쪽으로 열립니다.
논문의 방식: 우리는 **"소방서 셀(Fire Station Cell)"**을 만듭니다. 이것은 미리 제작되고 인증된 레고 블록입니다. 문, 지붕, 그리고 호스 연결부가 있습니다. 그것은 반드시 작동하도록 보장되어 있습니다.

AI가 도시를 건설해야 할 때, AI는 소방서를 새로 그리지 않습니다. 그저 "소방서 셀"을 제자리에 딱 끼워 넣을 뿐입니다.

주장: 논문은 소프트웨어의 70%에서 90%가 이러한 표준 블록을 "반복"하는 것(예: 로그인, 결제, 데이터 저장 등)이라고 제안합니다. 우리가 이 블록들을 식별할 수 있다면, AI는 지루하고 반복적인 것이 아니라 *새로운 것(참신함)*을 발명하는 데에만 집중할 수 있습니다.

"무사고 지평선 (No-Accident Horizon)"

논문은 **"무사고 지평선"**이라는 대담한 목표를 가지고 있습니다.

소프트웨어에 사고가 전혀 없는 세상을 상상해 보세요.

우연한 파일 이름 오류가 없습니다.
우연한 보안 구멍이 없습니다.
어떤 버튼이 무슨 기능을 하는지에 대한 우연한 혼란이 없습니다.

이 세상에서 인간(과 AI)이 할 수 있는 유일한 일은 창의적이고 새로운 일뿐입니다. 그 외의 모든 것은 사전에 승인되고 안전하며 인증된 블록을 조립하는 것입니다.

논문은 모든 가능한 미래 프로그램에 대해 100% 완벽함에 도달할 수는 없다고 인정합니다(어떤 것들은 너무 새롭거나 특이하기 때문입니다). 하지만 우리가 매일 사용하는 일상적인 소프트웨어(은행 앱, 이커머스 사이트, 내부 도구 등)의 경우, 비용과 노력을 30배에서 500배까지 줄일 수 있다고 믿습니다.

이 논문이 실제로 증명한 것 (그리고 증명하지 못한 것)

논문이 실제로 말하는 바를 지키는 것이 중요합니다:

그들이 한 것: 그들은 작은 규모의 코딩 예시들을 가져와서, 이를 이 "완벽한 설계도" 형식으로 변환한 다음, 작은 AI 모델이 이를 이해하도록 가르쳤습니다. 모델은 빠르게 학습했으며 설계도의 "규칙"에 대해 실수를 저지르지 않았습니다.
그들이 아직 증명하지 못한 것: 그들은 이것이 아직 세상의 모든 소프트웨어에 작동한다는 것을 증명하지 못했습니다. 또한 이것이 수십억 달러를 아껴줄 것이라는 것도 아직 증명하지 못했습니다(물론 이를 측정하기 위한 계획은 가지고 있습니다). 그들은 이러한 아이디어를 테스트하기 위한 연구 프로그램을 제안하고 있는 것입니다.

결론

이 논문의 핵심은 다음과 같습니다: "AI에게 엉망인 인간의 글씨체를 읽도록 가르치지 마십시오. 먼저 완벽하고 표준화된 설계도를 읽도록 가르치십시오."

이렇게 하면 AI는 인간이 보통 어떻게 하는지를 추측하느라 시간을 낭비하는 것을 멈추고, 실제로 어렵고 새로운 문제를 해결하는 데 시간을 쓰기 시작할 것입니다. 그 결과로 더 저렴하게 구축하고, 더 안전하게 사용하며, 훨씬 더 빠르게 만들 수 있는 소프트웨어가 탄생할 것입니다.

기술 요약: 우연한 소프트웨어의 제거 – 인간-코드 엔트로피 감소를 위한 에이전트 우선 정준 코드(Agent-First Canonical Code)

1. 문제 정의

본 논문은 현재의 프런티어 코딩 모델들이 직면한 근본적인 비효율성을 식별한다: 이들은 **내구성이 있는 제품 동작(durable product behavior)**과 **우연한 표현(accidental representation)**이 혼재된 가공되지 않은 인간의 저장소를 학습한다. 인간의 코드 아카이브에는 가치 있는 신호(동작, 엣지 케이스, 운영상의 상흔, 제품적 판단)가 포함되어 있지만, 이는 "우연한" 노이즈(언어적 유행, 프레임워크의 급격한 변화, 명명 규칙의 표류, 폴더 관습, 중복된 계약, 생성된 소스의 혼란, CI 방언 등)와 얽혀 있다.

이러한 "인간-코드 엔트로피"는 코딩 에이전트에게 다음과 같은 네 가지 형태의 '세금'을 지불하게 강요한다:

학습(Training): 동작 대신 중복된 구현 궤도(implementation orbits)를 학습함.
컨텍스트 수집(Context Gathering): 로컬 아키텍처와 관습을 재발견함.
추론/재시도(Reasoning/Retries): 유효하지 않은 편집 경로와 실패한 증명 루프를 탐색함.
인간 검토(Human Review): 구조화되지 않은 디프(diff)로부터 의도를 재구성함.

본 논문은 프런티어 모델들이 잘못된 대상을 학습하고 있다고 주장한다. 모델은 인간 소프트웨어 역사의 "생존 아카이브"를 모방하는 대신, 학습 및 운용 전 단계에서 루틴한 소프트웨어를 통제된 프로필로 이식하는 **정준적이고 증명을 동반하는 기질(canonical, proof-carrying substrate)**을 학습해야 한다.

2. 방법론 및 이론적 프레임워크

핵심 테제: 동작에 의한 몫집합화(Quotienting by Behavior)

본 논문의 이론적 척추는 선언된 오라클(oracle) 하에서 동작 등가성(behavior equivalence)에 의한 소프트웨어의 몫집합화이다.

궤도(Orbit) vs 몫집합(Quotient): 가공되지 않은 코드 모델은 전체 구문적 궤도 $[p]_O$ (모든 유효한 동작의 구현체)를 학습한다. 제안된 접근 방식은 단일한 **통제된 대표값(governed representative)**과 명시적 증거로 매핑되는 몫집합 $P/\sim_O$ 를 학습한다.
최소 기능 기술 길이(Minimum Functional Description Length, MFDL): 목표는 가장 짧은 텍스트 파일이 아니라, 동작, 보안 및 마이그레이션 제약 조건 하에서 작동하는 시스템을 생성하는 가장 짧은 정준 사양(specification), 증거 번들 및 렌더러를 찾는 것이다.

정준적 기질(The Canonical Substrate)

본 논문은 에이전트 우선의 통제된 표준을 제안한다:

정준 프로필(Canonical Profiles): 고정된 역할, 명명 규칙 및 의존성 소유권을 가진 버전 관리된 제한적 스택 구성(예: 백엔드/코어 레인, 타입화된 제품 표면 레인, 내구성이 있는 데이터 레인).
동작 셀(Behavior Cells): 안정적인 인터페이스, 스키마 및 증명 의무를 가진 재사용 가능한 인증된 프리미티브(예: 인증, 결제, 마이그레이션).
의미론적 패치 셀(Semantic Patch Cells): 가공되지 않은 디프(raw diffs)가 아닌 타입화된 변경 아키타입(예: "필드 추가", "비밀키 교체").
증명 레인(Proof Lanes): 표준화된 검증 경로(명령, 아티팩트, 수락 규칙).
증명을 동반한 변경 객체(Proof-Carrying Change Objects): 의도, 타입화된 디프, 보안 델타 및 롤백 계획을 포함하는 구조화된 작업 단위.
부정적 메모리(Negative Memory): 반복되는 오류를 방지하기 위한 금지된 계획, 호환성 유령(compatibility ghosts) 및 실패한 궤적의 저장소.

"파운드리(Foundry)" 프로세스

**통제된 파운드리(Governed Foundry)**는 가공되지 않은 아티팩트를 **정준 학습 객체(Canonical Training Objects)**로 처리한다. 모든 아티팩트는 다음과 같은 처분을 받는다:

변환 허용(Transform-permitted): 정준 형태로 이식됨.
보조 프로필(Secondary-profile): 비제품 앱 프로필(시스템, 임베디드)에 할당됨.
부정적 용도 전용(Negative-only): 거절 사례 또는 복구 메모리로 사용됨.
격리/라이선스 제외(Quarantine/License-excluded): 긍정적 학습에서 제외됨.

결정적으로, 파운드리는 데이터를 버리는 것이 아니라 동작 증거(테스트, 트레이스, 계약)와 기원(라이선스, 소스 계보)을 보존한다.

3. 주요 기여

A. 반증 가능한 연구 프로그램

본 논문은 "기적"에 대한 주장을 명시적으로 거부한다. 논문은 **검증된 올바른 변경당 총 비용(all-in cost per verified correct change)**이라는 결정적 종착점을 정의한다. 이 지표에는 소스 토큰, 컨텍스트, 추론, 도구, 검증, 보안, 기원, 검토, 실패 루프 및 분할 상환된 파운드리 비용이 포함된다.

논문은 3단계 평가 프로토콜을 개설한다:

Gate 1 (기질 테스트): 광범위한 프런티어 모델이 전문 학습 전, 쌍을 이룬 raw vs. canonical 작업을 실질적으로 더 적은 토큰, 도구 호출 및 재시도로 해결하는지 확인한다.
Gate 2 (전문가 학습): 정준 전문가 모델을 학습시키고, 정준 작업에 대해 광범위한 베이스라인과 비교한다.
Gate 3 (스케일링 및 경제성): 쌍을 이룬 스케일링 곡선을 통해 토큰 대비 타겟 정확도 및 분할 상환 비용을 측정한다.

B. 예비 증거 (QLoRA 파일럿)

논문은 매개변수 효율적 미세 조정 실험을 보고한다:

모델: Qwen2.5-Coder-14B-Instruct.
데이터: 64,088개의 정준으로 번역된 에이전틱 코딩 궤적.
결과: 모델은 수렴(검증 손실 ~0.646)을 달랐으며, 타겟 프로필 프롬프트에서 금지된 언어 마커(예: def, func, 또는 class 위반)가 **제로(0)**임을 기록했다.
한계: 이는 학습 가능성과 프로필 준수를 입증하지만, 아직 동작 보존, 토큰 대비 타겟 감소 또는 비용 절감을 입증하지는 않는다.

C. 이론적 경계 및 한계

본 논문은 **No-Accident Horizon(우연 없는 지평선)**을 설정한다:

보편적 한계(Universal Limit): 임의의 적대적 프로그램에 대해, 제거 가능한 작업 비율은 0%이다 (압축 보장 불가).
루틴 제품 한계(Routine Product Limit): 지원되는 루틴 제품 소프트웨어(SaaS, CRUD, 인증, 결제 등)의 경우, 본 논문은 모든 측면에서 검증된 변경 비용을 약 100배 줄일 수 있는 방어 가능한 계획 한계를 추정한다.
이론적 밴드(Theoretical Band): 성숙한 파운드리를 기준으로, 동작 셀이 루틴한 변경의 70~~90%를 커버한다는 가정하에 **30배~~500배**의 신중한 범위를 제안한다.

4. 결과 및 주장

논문은 측정된 결과, 단기 목표, 그리고 가설을 구분한다:

지표	상태	주장 범위
학습 토큰	가설	30배–150배 감소 (중심)
추론/도구 토큰	가설	10배–100배 감소 (중심)
검증된 변경 비용	가설	10배–50배 감소 (중료)
밀집 활성 속도	조건부	8.3배–10배 빠름 (100B 전문가가 1T 베이스라인과 일치할 경우)
액션 공간	가설	1,000배–100,000배 감소 (상한선)

중요한 주의사항: 논문은 이 범위들이 곱해지는 것이 아님을 명시한다. 이들은 쌍을 이룬 코퍼스에서 측정되어야 하는 별개의 분모(소스, 추론, 재시도, 비용)이다. "100배"라는 수치는 모든 작업에 대한 보장된 승수가 아니라, 가능한 옵션의 한계치를 의미한다.

5. 의의 및 목소리

본 논문의 의의는 데이터를 단순히 필터링(기존 데이터에서 더 깨끗한 예시를 선택)하는 것에서 정준적 이식(데이터 분포 자체를 변형)하는 것으로 패러다임을 전환하는 데 있다.

"더 나은 스타일"이 아님: 이 테제는 코드의 우아함에 관한 것이 아니라 엔트로피 감소에 관한 것이다. 인간의 선호(프레임워크, 명명 규칙, CI 의례)가 에이전트가 재발견해야 하는 "우연한 자유도"를 생성한다고 주장한다.
가치의 보존: 논문은 인간의 코드가 대체 불가능한 가치(엣지 케이스, 사고, 제품적 판단)를 포함하고 있음을 강조한다. 목표는 우연한 표현은 버리되 동작과 증거는 보존하는 것이다.
방어 가능성: 본 논문은 모든 큰 숫자가 명명된 분모 및 반증 테스트와 연결되어 있으므로 "방어 가능하다". 만약 동일한 모델의 기질 테스트가 실패한다면, 이 테제는 무너진다.
"No-Accident" 비전: 궁극적인 목표는 에이전트가 로컬 아키텍처를 발명하거나, 관습을 재발견하거나, 마이그레이션 법칙을 추측하지 않는 상태이다. 그들은 오직 새로움, 증거, 거버넌스, 그리고 리스크에만 컴퓨팅 자원을 소비하며, 제약된 소프트웨어 머신을 운용하게 된다.

논문은 "No-Accident Horizon"이 이론적 한계일지라도, 그 경로가 구체적인 엔지니어링 프로그램임을 결론짓는다: 쌍을 이룬 raw/canonical 저장소를 구축하고, 처분을 할당하며, 계약 내에서 동작을 이식하고, 검증된 올바른 변경당 분할 상환 비용을 측정하는 것이다. 만약 이 비용이 떨어지지 않는다면, "우연한 소프트웨어의 제거(No Accidental Software)"라는 주장은 실패한 것이다.