Determinative Detection in Egyptian Hieroglyphic Sequences: A Sequence-Labelling Benchmark and Multi-Agent LLM Baseline

3,000년이 넘는 시간 동안, 고대 이집트인들은 현대인의 눈에는 새, 다리, 그리고 기하학적 도형들의 갤러리처럼 보이는 그림 체계를 사용하여 그들의 역사와 기도문, 그리고 법률을 기록했습니다. 하지만 이 문자 체계는 단순히 소리의 목록 그 이상이었습니다. 이것은 하나의 그림이 동시에 세 가지 다른 역할을 수행할 수 있는 혼합형 코드였습니다. 즉, 그림은 하나의 소리를 나타낼 수도 있고, 하나의 단어 전체를 대신할 수도 있으며, 혹은 침묵하는 라벨 역할을 할 수도 있었습니다. '결정사(determinative)'라고 불리는 기호가 수행하는 이 세 번째 역할이 텍스트를 이해하는 핵심입니다. 결정사는 단어 끝에 놓여 그 단어가 어떤 종류의 사물인지를 독자에게 알려주는 무음 표식입니다. 그것은 단어가 사람, 동물, 신, 또는 특정 종류의 동작을 가리키는지 신호를 보낼 수 있습니다. 이러한 기호들은 소리가 나지 않으며 문장 속의 다른 그림들과 비슷하게 생겼기 때문에, 어떤 것이 단순한 소리이고 어떤 것이 침묵하는 라벨인지 파악하는 것은 어려운 퍼즐과 같습니다. 이 퍼즐을 풀지 못하면 컴퓨터는 고대 이집트어를 제대로 번역할 수 없습니다. 왜냐로는 단어가 어디서 끝나고 다음 단어가 어디서 시작되는지 알 수 없을 뿐만 아니라, 발견한 단어의 의미도 이해할 수 없기 때문입니다.

수십 년 동안 학자들은 이 침묵하는 라벨들을 수작업으로 연구해 왔지만, 텍스트의 양이 너무 방대하여 인간이 혼자서 모든 것을 처리하는 것은 불가능합니다. 최근 연구자들은 컴퓨터에게 이 고대 문자를 읽히는 방법을 시도해 왔으나, 대부분의 작업은 새나 다리 그림을 식별하는 것처럼 단순히 그림 자체를 인식하는 것에 집중되었습니다. 어떤 그림이 침묵하는 라벨로서 작용하고 있는지 파악하는 더 어려운 과제에는 거의 주의를 기울이지 않았습니다. 브라질과 스페인의 연구진으로부터 나온 새로운 연구는 이 간극을 직접적으로 다룹니다. 그들은 고대 이집트 글자 배열에서 이러한 침묵하는 라벨을 찾아내도록 특별히 설계된 컴퓨터 시스템을 개발했습니다. 단순히 추측하는 대신, 이 시스템은 서로 다른 각도에서 텍스트를 점검하여 스마트하고 신뢰할 수 있는 결론에 도달하는 인공지능 에이전트 팀을 사용합니다.

연구진은 먼저 전문적인 지식 라이브러리를 구축하는 것으로 시작했습니다. 그들은 사람, 동물, 신, 자연과 같은 범주로 분류하여 80가지 이상의 다양한 결정사 기호에 대한 정보를 수집했습니다. 그런 다음, 인간 전문가들이 정성스럽게 검토하고 라벨을 붙인 99개의 짧은 고대 글자 시퀀스를 테스트 세트로 만들었습니다. 이 세트는 컴퓨터 프로그램이 과제를 얼마나 잘 수행할 수 있는지 확인하기 위한 벤치마크, 즉 표준 테스트 역할을 합니다. 목표는 기계가 기호의 문자열을 보고 어떤 것이 침묵하는 라벨이고 어떤 것이 단순한 소리나 단어의 일부인지를 정확히 지목할 수 있는지 확인하는 것이었습니다.

이를 해결하기 위해 팀은 작은 전문가 위원회처럼 작동하는 시스템을 구축했습니다. 그들은 방대한 양의 텍스트로 학습된 강력한 컴퓨터 프로그램인 대규모 언어 모델을 사용했지만, 이들이 단독으로 일하게 두지는 않았습니다. 대신, 각 글자 배열을 분석하도록 두 개의 독립적인 에이전트를 설정했습니다. 한 에이전트는 기호의 의미를 살펴보며 "이 그림이 신이나 사람이라는 개념에 부합하는가?"와 같은 질문을 던졌습니다. 다른 에이전트는 엄격하게 기호의 구조와 위치를 살피며 "이 기호가 단어의 끝, 즉 침묵하는 라벨이 주로 위치하는 곳에 있는가?"라고 물었습니다. 결정적으로, 이 두 에이전트는 작업하는 동안 서로 대화하지 않았습니다. 그들은 독립적으로 자신의 의견을 형성해야 했습니다. 이러한 설계는 만약 두 에이전트가 라벨에 동의한다면, 그것이 서로의 실수를 복사한 것이 아니라 올바른 결론이라는 강력한 신호가 되도록 보장합니다.

두 에이전트가 분석을 마친 후, 세 번째 에이전트가 합성가로서 그들의 발견을 하나로 모았습니다. 이 에이전트는 그들이 일치하는 부분과 불일치하는 부분을 찾았습니다. 마지막으로, 엄격하고 변하지 않는 규칙들이 심판 역할을 했습니다. 이 심판은 제안된 내용을 연구진이 구축한 지식 기반과 대조하여 검사했습니다. 이 심판은 "그릇을 의미하는 기호는 텍스트가 액체나 공양에 관한 것일 때만 결정사로 쓰일 수 있다"와 같은 구체적인 규칙을 적용했습니다. 만약 맥락이 맞지 않으면, 설령 인공지능 에이전트들이 그것이 맞다고 생각하더라도 규칙은 그 제안을 거부했습니다. 인공지능의 유연한 사고와 심판의 엄격한 규칙의 결적인 조합은, 터무니없는 추측을 하지 않고도 복잡한 고대 언어를 다룰 수 있는 시스템을 만들어냈습니다.

연구진은 결과가 단순히 운이 좋아서 나타난 현상이 아님을 보장하기 위해 엄격한 방법으로 시스템을 테스트했습니다. 그들은 99개의 테스트 시퀀스를 다섯 개의 서로 다른 그룹으로 나누었습니다. 각 테스트 라운드에서 그들은 네 그룹을 시스템 학습에 사용하고 다섯 번째 그룹을 테스트에 사용했으며, 모든 시퀀스가 정확히 한 번씩 테스트될 때까지 이 과정을 반복했습니다. 이 접근 방식은 새로운, 보지 못한 텍고에 대해 시스템이 어떻게 수행될지에 대한 명확한 그림을 제공했습니다. 결과는 시스템이 매우 효과적임을 보여주었습니다. 시스템은 모든 유형의 라벨을 균등하게 고려했을 때 약 82%, 발견된 총 라벨 수를 기준으로 했을 때 약 88%의 성공률을 기록하며 대다수의 경우에서 침묵하는 라벨을 정확히 식별해 냈습니다. 다양한 테스트 그룹 전반에 걸친 이러한 결과의 일관성은 시스템이 견고하며 특정 사례 세트에 의존하지 않음을 보여주었습니다.

가장 흥ante로운 발견 중 하나는 시스템이 어려운 사례를 어떻게 처리했는가 하는 점이었습니다. 연구진은 시스템이 정보가 풍부하여 세 개 이상의 침묵하는 라벨을 포함하고 있는 텍스트에서 가장 잘 작동한다는 것을 발견했습니다. 이러한 복잡한 시퀀스에서는 의미와 구조로부터 오는 서로 다른 단서들이 서로를 강화하여 정답을 명확하게 만들었습니다. 그러나 침묵하는 라벨이 전혀 없거나 하나뿐인 매우 짧은 시퀀스에서는 시스템이 더 어려움을 겪었습니다. 이러한 희소한 사례에서는 주변의 단서가 부족하여 시스템이 확신을 갖기 어려웠고, 이는 더 많은 오류로 이어졌습니다. 이는 시스템이 증거가 충분할 때는 패턴을 찾는 데 매우 뛰어나지만, 텍스트가 매우 단순할 때는 더 많은 도움이 필요하다는 것을 시사합니다.

이 작업의 또 다른 주요 혁신은 답변을 제시하는 방식입니다. 블랙박스처럼 단 하나의 최종 답변만을 주는 대신, 시스템은 순위가 매겨진 가능성 목록을 제공합니다. 시스템은 가장 가능성이 높은 답인 주 해석을 제공할 뿐만 아니라, 최대 세 개의 대안적 해석도 함께 나열합니다. 각 대안에 대해 시스템은 해당 대안이 정답이 되기 위해 어떤 추가적인 증거가 필요한지를 정확히 설명합니다. 예를 들어, "우리는 이 기호가 신을 위한 라벨이라고 생각하지만, 만약 텍스트가 사원에 관한 것이라면 건물에 대한 라벨일 수도 있습니다"라고 말할 수 있습니다. 이러한 투명성은 컴퓨터를 인간 학자들을 위한 협력 도구로 변화시킵니다. 이것은 전문가를 대체하는 것이 아니라, 옵션과 추론 과정을 제시함으로써 인간이 더 깊은 지식을 바탕으로 최종 결정을 내릴 수 있도록 돕는 것입니다.

연구는 여전히 남아 있는 구체적인 과제들도 강조했습니다. 시스템은 때때로 "걷다"라는 의미를 갖거나 "동작"을 나타내는 침묵하는 라벨로 작용할 수 있는 '걷는 다리' 그림처럼, 두 가지 매우 다른 역할을 수행하는 기호들을 혼동했습니다. 컴퓨터는 어떤 역할을 수행할지 결정하기 위해 맥락에 의존하기 때문에, 맥락이 모호할 때 가끔 실수를 저질렀습니다. 연구진은 이러한 오류가 시스템 논리의 결함 때문이 아니라 현재 지식 기반의 한계 때문이라고 언급했습니다. 더 많은 사례를 추가하고 이러한 까다로운 기호들에 대한 규칙을 정교하게 다듬는다면 시스템은 더욱 개선될 수 있을 것입니다.

궁극적으로, 이 연구는 컴퓨터가 고대 문자 체계와 상호작용하는 방식에 대한 새로운 기준을 세웁니다. 이는 현대 인공지능의 유연한 추론과 인간 학술의 엄격한 규칙을 결합한 하이브리드 접근 방식이, 어느 쪽도 단독으로는 해결할 수 없었던 문제를 해결할 수 있음을 입증합니다. 이 시스템은 단순히 번역을 생성하는 것이 아니라, 검토되고 질문되며 개선될 수 있는 구조화된 논거를 생성합니다. 추론 과정을 가시화하고 대안을 명확히 함으로써, 연구진은 고대 언어의 복잡성을 존중하면서도 아직 읽히지 않은 수천 개의 텍스트를 분석할 수 있는 길을 여는 도구를 만들었습니다. 이것은 모든 것을 즉각적으로 해결하는 마법 같은 해결책은 아니지만, 미래 연구를 위한 신뢰할 수 있는 기준점을 제공하고 기계와 인간이 과거를 이해하기 위해 함께 일하는 새로운 방식을 제시하는 중요한 진전입니다.