[이산구조 특별편 1] 드모르간과 AI — 19세기 논리가 21세기 인공지능이 되기까지

1. 드모르간 — 외눈의 천재 수학자

아우구스투스 드모르간(Augustus De Morgan, 1806~1871) 은 인도에서 태어나 영국의 수학 기반을 다진 인물이다.

항목내용

출생	1806년, 인도
활동 무대	영국 런던
직책	런던 대학교(UCL) 수학과 교수
임용 나이	21세 (괴짜 천재)
신체적 특징	태어난 지 몇 달 만에 한쪽 눈 시력 상실
본인 별칭	"Homo paucarum literarum" (글을 적게 쓰는 사람)

흥미로운 관점

태어나자마자 한쪽 눈을 잃은 그는 시각적 결함이 오히려 내면적 통찰을 키웠을 것이라는 해석을 받기도 한다. 외부 세계를 절반만 보는 대신, 내면의 추상적 세계 — 즉 논리와 수학의 세계 — 를 더 깊이 들여다본 셈이다.

💡 그의 가장 위대한 업적은 단일 정리가 아니라, "논리도 수학처럼 계산할 수 있다" 는 비전 자체였다.

---

2. 논리의 수학화 — 철학에서 수학으로

드모르간이 활동하던 19세기 이전까지, 논리는 철학자들의 영역이었다. 아리스토텔레스의 삼단논법, 스콜라 철학자들의 사변적 추론 — 모두 언어로 이루어진 사유였다.

그 한계

언어적 논리의 문제수학적 논리의 해결

모호함 (해석 차이 발생)	기호로 명확화
검증 어려움 (직관 의존)	진리표·법칙으로 검증
기계화 불가능	계산 가능
확장성 한계	무한 확장 가능

드모르간의 비전

드모르간은 언어적 추론을 명확한 수학 기호와 연산으로 대체하면, 사고 과정 자체를 정량화하고 분석할 수 있다고 봤다. 이는 마치 음악을 악보로 옮기거나 물리현상을 방정식으로 표현하는 것과 같은 혁명이었다.

 

 

"모든 사람은 동물이다"  →  P
"동물은 숨을 쉰다"        →  Q
"모든 사람은 숨을 쉰다"   →  결론

이렇게 언어를 기호로 바꾸는 순간, 인간의 사고는 계산의 대상이 되었다. 그리고 이것이 훗날 AI 추론 엔진의 직접적인 조상이 된다.

---

3. 1840년대 — 두 천재의 평행 연구

같은 시대, 드모르간과 함께 논리를 수학화한 인물이 또 있었다. 바로 1강에서 다룬 조지 불(George Boole) 이다. 이 둘은 서로 다른 길을 걸었지만 같은 목적지에 도달했다.

인물접근 방식핵심 기여

조지 불	대수적·계산적 접근	수학 공식을 논리에 적용 (부울 대수)
드모르간	구조적·논리적 접근	논리적 관계 자체를 탐구 (드모르간 법칙)

두 사람의 공통 발견

겉보기엔 달라 보였던 두 접근이 본질적으로 같은 것을 탐구하고 있었다는 사실이 1840년대에 드러난다. 그것이 바로 — 사고 과정의 치환 가능성(Equivalence).

💡 같은 목적지에 도달하는 여러 길 중에서 가장 효율적인 길을 찾는 것. 이것이 오늘날 우리가 배우는 명제 동치(Propositional Equivalence) 의 출발점이다.

---

4. 종이 위의 끄적임이 실리콘 두뇌가 되다

1847년 드모르간이 종이에 끄적였던 기호들이, 어떻게 21세기 AI의 '생각하는 방식'이 되었을까? 결정적인 다리는 다음과 같다.

시기사건결과

1847년	드모르간, 논리 기호화 연구 발표	논리의 수학적 토대
1854년	조지 불, 『생각의 법칙』 출간	부울 대수 완성
1937년	클로드 섀넌, 부울 대수 = 전기 회로 발견	디지털 컴퓨팅 시작
20세기 후반	추론 엔진·전문가 시스템 등장	AI 1세대
21세기	LLM·자율주행 등 실용 AI 시대	논리가 일상이 됨

이 흐름의 핵심은 단 하나의 아이디어다. "인간의 생각을 시뮬레이션할 수 있다".

---

5. AI 두뇌 설계도 ① 추론 엔진 (Inference Engine)

이제 본격적으로, 19세기 논리가 어떻게 AI 두뇌 속에 들어와 있는지 5가지 핵심 설계도를 살펴본다.

정의

추론 엔진은 사실(Fact)과 규칙(Rule)을 결합하여 새로운 결론(Result)을 도출하는 지식 기반 AI의 핵심 구성 요소다.

작동 원리

 

 

규칙 : If A Then B  (만약 감기에 걸리면, 기침을 한다)
사실 : Fact A       (철수는 감기에 걸렸다)
─────────────────────────
결론 : Fact B       (철수는 기침을 한다)

이 단순한 If-Then 구조가 AI가 '판단'하는 가장 기본적인 메커니즘이다.

두 가지 작동 방식

방식설명예시

전방향 추론(Forward Chaining)	알려진 사실에서 시작 → 규칙 적용 → 모든 가능한 결론 도출	증상 입력 → 가능한 모든 질병 추론
후방향 추론(Backward Chaining)	목표 결론에서 시작 → 필요한 사실을 역으로 추적	"감기인가?" → 발열·기침 확인

적용 분야

의료 진단 AI, 전문가 시스템, 추천 시스템, 챗봇 등.

💡 연결: 1강에서 배운 함축(IMPLY, →)이 바로 이 추론 엔진의 수학적 기반이다. 19세기 종이 위의 → 기호가 21세기 AI 의사결정의 엔진이 된 것이다.

---

6. AI 두뇌 설계도 ② 신경망을 논리로 번역하기 (Neuro-Symbolic AI)

딥러닝의 한계 — 블랙박스 문제

최근 딥러닝은 놀라운 성능을 보여주지만 내부 작동 방식을 이해할 수 없는 블랙박스라는 치명적 한계가 있다. AI가 "왜" 그런 결론을 내렸는지 설명할 수 없는 것이다.

Neuro-Symbolic AI의 해법

단계내용

문제	딥러닝 모델이 결정은 잘하지만 이유를 설명 못함
접근	신경망의 학습 가중치를 기호 논리(IF-THEN) 로 역산(Reverse Engineering)
결과	"기계의 직관"을 "인간의 언어"로 번역

구체적 예시

자율주행차가 급정거했을 때:

기존 딥러닝 답변Neuro-Symbolic 답변

"내부 계산 결과 정지함"

"전방에 보행자 출현(A) AND 충돌 임박(B) → 급정거(C)"

💡 연결: 이 과정의 핵심이 바로 명제 동치다. 복잡한 신경망 표현을 인간이 이해할 수 있는 동치 명제로 변환하는 것이 핵심 과제다.

---

7. AI 두뇌 설계도 ③ 가지치기 (Pruning)

정의

가지치기는 복잡한 논리 회로나 계산 과정에서 불필요한 단계를 제거하여 더 가볍고 빠른 AI를 만드는 최적화 기법이다.

드모르간 법칙과의 직접 연결

가지치기의 원리는 단 한 줄로 요약된다.

"복잡하게 말해도 결국 같은 뜻이라면, 가장 짧은 길을 택하라!"

이는 정확히 3강에서 배운 동치 법칙의 본질이다.

실제 적용 예시

변환 전 (복잡)적용 법칙변환 후 (단순)

(A ∧ B) ∨ (A ∧ C)	분배 법칙	A ∧ (B ∨ C)
¬(P ∨ Q)	드모르간 법칙	¬P ∧ ¬Q
P ∨ (P ∧ Q)	흡수 법칙	P

효과

• 추론 속도 ↑
• 메모리 사용량 ↓
• 모바일·임베디드 환경에서 필수
• 음성 인식·자율주행 등 실시간 시스템 핵심 기술

💡 연결: 휴대폰의 음성 비서가 빠르게 응답할 수 있는 이유가 바로 가지치기 덕분이다. 그리고 그 가지치기의 수학적 기반이 드모르간 법칙이다.

---

8. AI 두뇌 설계도 ④ 안전성 검증 (Formal Verification)

정의

안전성 검증(정형 검증) 은 자율주행·의료 AI 등 생명과 직결된 AI 시스템이 절대 수학적 오류를 범하지 않음을 완벽하게 증명하는 과정이다.

테스트 vs 정형 검증

항목일반 테스트정형 검증

방식	케이스별 확인	모든 가능 경우 수학적 증명
보장 수준	"발견된 오류 없음"	"오류 발생 불가능"
비유	건물 완공 후 점검	설계도 단계에서 수학적 입증

검증 대상 예시

자율주행차의 안전 규칙들

안전 규칙정형 검증으로 증명할 내용

보행자 앞에서 항상 정지	어떤 입력 조합에서도 이 규칙이 깨지지 않음
시속 한도 초과 금지	모든 상태 전이에서 속도 제한 유지
신호 위반 금지	신호 인식 실패 시에도 안전 우선 동작

사용되는 수학적 도구

유한 상태 기계, 페트리 넷, 시간 논리 등 — 모두 명제 논리와 술어 논리의 확장 형태다.

💡 중요도: AI가 사회 인프라와 결합될수록 정형 검증은 선택이 아니라 필수다. 대중의 AI 신뢰성을 결정짓는 핵심 기술이다.

---

9. AI 두뇌 설계도 ⑤ LLM 일관성 (LLM Consistency)

환각(Hallucination) 문제

ChatGPT 같은 거대 언어 모델(LLM)은 때로 사실과 다른 내용을 마치 사실처럼 지어내거나, 앞뒤가 안 맞는 답변을 내놓는다. 이것이 환각 현상이다.

LLM 일관성의 역할

"거짓말을 잡아내는 논리 탐지기"

논리적 모순을 제거하여 모델 출력의 신뢰성과 일관성을 확보하는 기술이다.

일관성 확보 방법

방법작동 원리

학습 단계 제약	모델 훈련 시 논리적 제약 조건 부여
자기 검증	추론 과정에서 스스로 모순 체크
사후 처리	답변 생성 후 별도 검증 시스템으로 재확인
외부 지식 연동	신뢰 가능한 지식 베이스와 대조

실제 사례

모순 답변 (제거 대상)일관성 검증 후

"A는 B의 아들이다" / "A는 B의 아버지이다" (한 대화 내 모순)	한 입장으로 통일 또는 "정보 불확실" 표시
존재하지 않는 논문 인용	검증되지 않은 정보임을 명시

💡 연결: 2강에서 배운 모순(Contradiction, P ∧ ¬P) 개념이 바로 이 기술의 핵심이다. LLM의 출력에서 모순 명제가 발생하지 않도록 보장하는 것이 일관성 검증이다.

---

10. 결론 — 인간의 생각을 시뮬레이션하는 수학으로서의 논리

지금까지 살펴본 5가지 AI 두뇌 설계도는 모두 단 하나의 거대한 목표를 향한다.

인간의 사고를 수학적으로 시뮬레이션하는 것

19세기 → 21세기, 논리의 여정

시대논리의 모습결과물

19세기	종이 위의 기호 (드모르간)	논리의 수학화
20세기 중반	전기 회로 (섀넌)	디지털 컴퓨터
20세기 후반	If-Then 추론 엔진	전문가 시스템
21세기	신경망 + 기호 논리	LLM, 자율주행, 멀티모달 AI

핵심 통찰

인간의 사고는 결국 명제 + 추론 규칙 + 논리적 관계로 이루어져 있다. 드모르간이 시작한 "논리를 수학으로 치환하는 작업"은, 오늘날 AI가 인간의 언어를 이해하고 사고하며 창의적인 결과물을 만드는 모든 과정의 근본 원리가 되었다.

💡 ChatGPT가 질문을 이해하고 답변하는 과정 = 언어를 논리적 형태로 변환 → 추론 엔진으로 처리 → 다시 언어로 변환. 이는 인간이 머릿속에서 생각을 정리하고 표현하는 과정과 본질적으로 동일하다.

---

📌 한눈에 보는 핵심정리

AI 두뇌 설계도핵심 역할19세기 논리와의 연결

추론 엔진	사실 + 규칙 → 결론 도출	함축(P→Q), If-Then
Neuro-Symbolic AI	딥러닝을 인간 언어로 번역	명제 동치, 치환 가능성
가지치기(Pruning)	불필요한 계산 제거, AI 경량화	드모르간·분배·흡수 법칙
정형 검증	AI가 오류 없음을 수학적으로 증명	명제 논리, 술어 논리
LLM 일관성	환각·모순 제거	모순 명제(Contradiction, P∧¬P)

인물 / 사건시기기여

드모르간	1847년	논리의 수학화, 드모르간 법칙
조지 불	1854년	부울 대수 완성
클로드 섀넌	1937년	논리 = 전기 회로
현대	21세기	LLM·자율주행 등 실용 AI

---

🧠 예상문제 2제

문제 1. AI 두뇌 설계도와 논리 개념 매칭

다음 중 AI 두뇌 설계도와 19세기 논리 개념의 연결이 잘못된 것은?

① 추론 엔진 — 함축(P → Q) ② Neuro-Symbolic AI — 명제 동치 ③ 가지치기(Pruning) — 드모르간·분배 법칙 ④ LLM 일관성 — 항진(Tautology, P ∨ ¬P)

👉 정답: ④

LLM 일관성은 모순(Contradiction, P ∧ ¬P) 을 제거하는 기술이다. 항진은 "항상 참인 명제"이고, 모순은 "항상 거짓인 명제"다. LLM 환각 현상은 답변 내에서 서로 모순되는 명제가 동시에 등장하는 문제이므로, 이를 제거하는 것은 모순 명제를 탐지·제거하는 작업이다.

💡 추가 학습: 2강에서 배운 항진/모순/불확정의 구분이 실제 AI 시스템 설계의 기준이 된다는 점이 핵심.

---

문제 2. 가지치기의 수학적 원리

자율주행 AI의 의사결정 회로에서 다음과 같은 논리식이 발견되었다.

 

 

(A ∧ B) ∨ (A ∧ C) ∨ (A ∧ D)

이 식을 가지치기(Pruning) 기법으로 단순화할 때 사용해야 할 핵심 동치 법칙은?

① 흡수 법칙 ② 분배 법칙 ③ 드모르간 법칙 ④ 이중 부정 법칙

👉 정답: ②

분배 법칙(Distributive Law)을 사용하여 다음과 같이 단순화할 수 있다.

 

 

(A ∧ B) ∨ (A ∧ C) ∨ (A ∧ D)
≡ A ∧ (B ∨ C ∨ D)     ... 분배 법칙 (역방향 적용)

세 번 반복되던 A를 한 번만 계산하면 되므로 연산량이 1/3로 감소한다. 자율주행이나 음성 인식처럼 실시간 처리가 중요한 AI에서 이러한 단순화가 응답 속도를 결정짓는다.

💡 연결: 19세기 드모르간이 종이 위에 정리한 분배 법칙이, 21세기 자율주행차의 0.01초 반응 속도를 만들어낸다. 이것이 "이론이 응용을 만든다"는 말의 진짜 의미다.