언어 이터레이션 속도,
또 다른 차원의 LLM 변수
Language Iteration Speed: Another Dimension of LLM Variables

본 논문은 기술 용어의 교차언어 진화 속도 차이가 대규모 언어 모델(LLM)의 인지 해상도에 미치는 구조적 영향을 탐구한다. GPU 병렬 행렬 연산 시설의 중·영 명명 체계를 핵심 사례로 삼는다: 중국은 “数据中心(데이터센터)”에서 “算力中心(산력중심)/智算中心(지산중심)” 등의 정밀한 신조어를 진화시켰으나, 영어는 여전히 “data center”에 수식어를 추가하는 방식을 고수하고 있다. 이 차이는 우연이 아니다 — 언어 형태적 특성, 산업 조직 방식, 경로 의존 구조의 복합 작용에 뿌리를 두고 있다. 더 핵심적인 것은, 전 세계 AI 최전방 연구자의 과반수가 중국어 모어 화자인 상황에서, 그들이 중국어에서 정밀하게 분리된 개념을 영어 논문으로 번역할 때 발생하는 체계적 “의미 격하(semantic downgrade)”가 LLM 훈련 코퍼스로 전달되어, 모델 세계 표상의 해상도 상한을 제한한다는 점이다. 본 논문은 이 현상을 “용어-물리 정렬 지연(Terminology-Physics Alignment Lag, TPAL)”으로 명명하고, 통시 언어학, 경로 의존 이론, 사피어-워프 가설 약형을 통합하는 분석 프레임워크를 제안한다. TPAL은 모델 아키텍처, 훈련 방법, 정렬 기법과는 별개의 완전히 새로운 LLM 변수 차원을 구성한다.

문제 배경: 물리적 단절과 용어적 연속

2012년 이래 데이터센터의 물리적 본질은 근본적으로 변화했다. CPU 주도의 병렬 데이터 저장·처리 시설에서 GPU 주도의 대규모 행렬 연산 시설로 — 이것은 단순한 하드웨어 업그레이드가 아니라 아키텍처 패러다임의 단절이다. CPU 서버 1대의 전력 소비는 300~600W이지만, GPU 서버 1대는 3,000~10,000W에 달한다. 랙 전력 밀도는 전통 데이터센터의 5~15kW에서 AI 워크로드의 40~250kW 이상으로 급등했다. 냉각 방식은 공냉에서 수냉으로, 네트워크 토폴로지는 남북 방향 트래픽에서 GPU-to-GPU 동서 방향 통신으로 전환되었다.

이것은 같은 건물 안에서 장비를 교체한 것이 아니라 완전히 새로운 종류의 산업 시설이다. 그러나 영어권의 이 단절에 대한 명명 반응은: 기존 단어 “data center” 앞에 수식어를 추가하는 것 — “AI data center”, “GPU data center”, “hyperscale data center”였다.

이와 뚜렷하게 대비되는 것은, 중국이 동일한 물리적 변화에 대해 완전히 다른 용어 반응을 보였다는 점이다. 중국 공업정보화부(MIIT) 등 11개 부처가 공동 발문하여 산력(算力) 인프라를 통용산력중심(通用算力中心)(CPU 주도), 지능계산중심(智算中心)(GPU/AI 가속기 주도), 초산중심(超算中心)(HPC 클러스터 주도) 세 유형으로 명확히 분류했다. 각 용어는 서로 다른 하드웨어 아키텍처, 서비스 대상, 정책 관할에 정밀하게 대응한다.

비대칭적 명명 전략: 왜 다른가

양국의 명명 전략 차이는 단순한 언어 습관의 문제가 아니라 기술 거버넌스 철학의 구조적 매핑이다.

NVIDIA CEO 젠슨 황(Jensen Huang)은 2024년 GTC에서 “AI Factory” 개념을 반복 강조했다: “지난 산업혁명의 원료는 물이었고 산출물은 전기였다. AI 공장의 원료는 데이터와 전력이며, 산출물은 토큰이다.” 그는 “data center”의 저장 은유를 “factory”의 생산 은유로 대체하려 시도했다. 그러나 중국어의 “算力中心”은 이 단계 자체가 필요 없었다 — “算”이라는 어근이 본래부터 동사이며, 태생적으로 생산적이기 때문이다.

경로 의존: 영어 용어 관성의 구조적 원인

영어에서 “data center”의 지속적 사용은 단순한 습관이 아니라 다층적 경로 의존 잠금(lock-in)의 결과다. 경로 의존 이론은 초기 선택이 자기강화적 정(正)의 피드백 루프를 통해 후속 선택을 구속하며, 더 우수한 대안이 존재하더라도 전환 비용이 누적 수익을 초과하여 변혁을 억제한다고 본다.

매몰 비용 잠금. 미국 데이터센터 산업에는 조 달러 규모의 매몰 비용이 존재한다. 부동산 투자 신탁(REIT), 보험 계약, 정부 세제 혜택, 산업 표준(TIA-942 등) 모두가 “data center”라는 용어를 중심으로 구축되어 있다. 명칭 변경은 전체 법률 및 금융 프레임워크의 재구축을 의미한다.

네트워크 효과 잠금. 전 세계 영문 기술 문서, 표준, 계약이 모두 “data center”를 사용한다. 이것은 단일 국가의 명칭 변경 비용이 아니라 글로벌 규모의 조정 비용이다.

인지적 잠금. 영어의 형태론적 특성은 합성어 생성에서 중국어만큼 유연하지 못하다. 중국어 “智算中心” 세 글자로 완전히 새로운 개념 단위를 창출할 수 있지만, 영어는 동등한 압축도의 신조어를 만들기 어렵다.

의미 해상도 격차: 벡터 공간에서의 위상적 분리

용어 정밀도의 차이는 추상적 논의가 아니라 LLM 내부의 벡터 공간 구조에 직접 각인된다. LLM은 본질적으로 언어를 고차원 벡터 공간 행렬 연산으로 변환하는 시스템이다. 따라서 훈련 코퍼스에서 특정 개념이 단일 토큰 클러스터 내에 혼합되어 있는지, 독립적 클러스터로 분리되어 있는지가 모델이 학습하는 세계 모델의 해상도를 직접 결정한다.

사람의 변수: AI 최전방의 이중언어 인구 통계

앞서 기술한 문제의 심각성은 AI 연구 인재의 구성에 의해 증폭된다.

2025년 유엔산업개발기구(UNIDO) 보고서에 따르면, 중미 양국 AI 연구자가 전 세계 총수의 57.7%를 차지한다. 카네기국제평화재단의 분석은 더 첨예하다: 최상위 AI 논문의 저자 중 중국 출신 연구자의 기여는 미국 본토 저자와 대등하거나 더 많다. NeurIPS 2019의 저자 민족별 통계에서 약 42%가 중국계였고, AAAI 2020 채택 논문의 50%에 중국 출신 연구자의 기여가 포함되었다. 2024년 중국 학자가 발표한 AI 논문 수(23,695편)는 미국, 영국, EU의 합계를 초과했다.

용어-물리 정렬 지연: 새로운 LLM 변수 제안

본 논문은 앞선 분석을 종합하여, “용어-물리 정렬 지연(Terminology-Physics Alignment Lag, TPAL)”을 LLM 성능에 영향을 미치는 새로운 변수로 제안한다. TPAL이 측정하는 것은: 물리 세계에서 변화가 발생한 시점과, 그 변화를 정밀하게 지칭하는 신조어가 주류 코퍼스에서 자리잡는 시점 사이의 시간차 및 의미 간극이다.

이 인과 체인에서 TPAL은 상류 병목 위치에 있다. 모델 아키텍처, 훈련 방법, 정렬 기법이 아무리 개선되더라도, 훈련 코퍼스의 의미 해상도가 충분히 높지 않으면, 모델이 학습할 수 있는 세계 표상의 정밀도에는 상한이 존재한다. 이것은 환각(hallucination) 문제도 아니고, 추론 능력 문제도 아니며, 정렬(alignment) 문제도 아니다 — 이 문제들은 모두 더 하류에 위치한다. TPAL이 가리키는 것은 더 근본적 층위의 코퍼스 의미 입도(corpus semantic granularity) 문제다.

자기강화 루프: LLM이 용어 관성을 증폭한다

문제는 일방향 전달에 그치지 않는다. LLM은 코퍼스의 수동적 학습자일 뿐만 아니라 새로운 코퍼스의 능동적 생성자이기도 하다. 연구자와 실무자가 영어 LLM으로 AI 인프라를 논의할 때, LLM의 용어 선택이 역으로 인간의 코퍼스 생성에 영향을 미친다.

반대로, 중국어 측이 이미 “数据中心→智算中心”의 용어 전환을 완료했다면, 중국어 LLM의 출력은 자연스럽게 신용어를 사용하여 정(正)의 순환을 형성한다. 이는 TPAL의 교차언어 격차가 시간이 지남에 따라 자동으로 확대될 수 있음을 의미한다.

이것은 사피어-워프 가설의 AI 시대 변형으로 이해할 수 있다. 원래 가설은 “언어가 인간의 사고에 영향을 미친다/결정한다”는 것이다. 본 논문이 제안하는 변형은: “언어의 입도가 LLM의 인지 해상도를 결정하며, LLM은 다시 인간의 언어 사용을 강화하여, 이 제약을 자기강화시킨다.”

정밀도와 유연성의 긴장

공정을 기하기 위해, 중국어 용어 체계의 한계도 지적해야 한다. “通算/智算/超算”의 경직적 3분법은 기술 경계가 모호해질 때 문제에 직면한다 — 하나의 시설이 범용 클라우드 서비스와 AI 추론을 동시에 제공할 때, 어느 분류에 속하는가? 업계에서는 이미 “융합산력중심(融合算力中心)”이라는 패치 용어가 등장하여, 정밀 3분법의 경직성이 현실의 탄력성과 마찰을 빚고 있음을 보여준다.

기술 명명에서 “정밀도”와 “유연성” 사이에는 근본적 긴장이 존재한다. 중국어는 정밀도를 선택하여 정책 전달과 산업 간 유비의 효율을 얻었지만 일부 유연성을 희생했고, 영어는 유연성을 선택하여 시장 적응력을 보존했지만 통일된 행동이 필요할 때 더 높은 커뮤니케이션 비용을 치른다. 그러나 LLM 세계 모델 해상도라는 새로운 차원에서는, 정밀도 전략이 구조적 우위를 가진다.

연구 공백과 방법론 제안: LLM의 자기참조적 연구 도구화

현재 학술 문헌에서 이 교차 분야는 체계적 공백으로 남아 있다. 인접 분야의 연구 기반은 견고하다: 중국어 인터넷 신조어의 역학적 전파 모델(Jiang et al., 2021, PLOS ONE), 단어 임베딩 기반 200년 영어 의미 변동 추적(Memory & Cognition, 2022), 250년 영어 과학 저술의 통시적 변이 분석(Frontiers in AI, 2020), 경로 의존 이론의 기술 잠금 설명(David, 1985). 그러나 이것들을 “기술 용어의 교차언어 진화 속도 차이가 LLM 세계 모델에 미치는 영향”으로 통합한 연구는 아직 존재하지 않는다.

핵심 통찰은: LLM 자체가 이 문제를 연구하는 최적의 도구라는 점이다. LLM은 본질적으로 언어를 고차원 벡터 공간 행렬 연산으로 변환하는 시스템이므로, 다음의 실증 연구가 완전히 실행 가능하다:

이 연구 설계에는 자기참조적 우아함이 있다: GPU 행렬 연산이 LLM을 창조했고 → LLM은 언어를 계산 가능한 벡터 공간으로 변환하며 → “GPU 행렬 연산 시설” 자체의 언어 간 명명 차이가 → 바로 LLM의 벡터 공간을 통해 정량적으로 연구될 수 있다. 연구 도구와 연구 대상이 자기참조 구조(self-referential structure)를 형성한다.

결론: 언어의 입도가 지능의 해상도를 결정한다

본 논문은 다음의 핵심 주장을 제시한다:

첫째, 기술 용어의 교차언어 진화 속도에는 체계적 차이가 존재하며, 이는 언어 특성, 산업 조직 방식, 경로 의존 구조의 복합 작용의 결과다. 중국은 GPU 시대를 위해 새로운 용어 체계(“算力中心/智算中心”)를 생성했고, 영어는 기존 용어 “data center”에 수식어를 추가하는 단계에 머물러 있다.

둘째, 이 차이는 LLM 훈련 코퍼스의 의미 해상도에 직접 영향을 미치며, “용어-물리 정렬 지연(TPAL)”이라는 새로운 변수로 형식화할 수 있다. TPAL은 모델 아키텍처와 훈련 방법론보다 더 근본적인 층위에서 LLM 세계 모델 해상도의 상한을 한정한다.

셋째, LLM은 이 문제의 대상이면서 동시에 원인이다. LLM의 출력이 새로운 코퍼스를 생성하고, 자기강화 루프를 통해 코퍼스 내 용어 관성을 증폭한다. 이는 사피어-워프 가설의 AI 시대 변형을 구성한다: “언어의 입도가 LLM의 인지 해상도를 제약하고, LLM은 역으로 인간의 언어 사용을 강화한다.”

넷째, 전 세계 AI 연구 최전방 인재의 과반수가 중국어 모어 화자다. 그들이 중국어에서 정밀하게 분리된 개념을 영어 논문으로 번역할 때 발생하는 체계적 의미 격하는, 글로벌 AI 지식 생산 시스템의 구조적 비효율이다.

참고문헌 · References

1. Jiang, M. et al. (2021). “Neologisms are epidemic: Modeling the life cycle of neologisms in China 2008–2016.” PLOS ONE, 16(2), e0245984.
2. Xu, Y. et al. (2022). “Diachronic semantic change in language is constrained by how people use and learn language.” Memory & Cognition, 50, 1652–1672.
3. Bizzoni, Y. et al. (2020). “Linguistic Variation and Change in 250 Years of English Scientific Writing.” Frontiers in Artificial Intelligence, 3, 73.
4. David, P. A. (1985). “Clio and the economics of QWERTY.” American Economic Review, 75(2), 332–337.
5. Monaghan, P. (2014). “Age of acquisition predicts rate of lexical evolution.” Cognition, 133(1), 93–99.
6. CSET, Georgetown University. (2024). “Comparing U.S. and Chinese Contributions to High-Impact AI Research.” Data Brief.
7. Carnegie Endowment (2025). “Have Top Chinese AI Researchers Stayed in the United States?” Emissary Report.
8. Stanford HAI (2025). “The 2025 AI Index Report: Research and Development.”
9. UNIDO & 동벽데이터 (2025). “글로벌 인공지능 연구 동향 보고서(2015–2024).”
10. Digital Science (2025). “DeepSeek and the New Geopolitics of AI: China’s ascent to research pre-eminence.” Science, July 2025.
11. 중국 공업정보화부 등 11개 부처 (2024). “신형 정보 인프라 협조 발전 추진에 관한 통지.”
12. NVIDIA (2024). “AI Factories Are Redefining Data Centers.” GTC 2024 Keynote & NVIDIA Blog.
13. Sapir, E. (1929). “The Status of Linguistics as a Science.” Language, 5(4), 207–214.
14. Whorf, B. L. (1956). Language, Thought, and Reality: Selected Writings. MIT Press.
15. Arthur, W. B. (1994). Increasing Returns and Path Dependence in the Economy. University of Michigan Press.
16. Li, W. (2024). “Linguistic analysis of Chinese neologisms from 2017 to 2021.” International Journal of Language and Literary Studies.