문제는 AI 팀의 기억 저장소에서 서로 모순되는 지식 두 개가 검색에 나란히 나와도 아무 표시가 없었다는 것이었다. 이 글은 2분짜리 대중과학 영상이 설명한 Grover 알고리즘(양자컴퓨터가 많은 후보 중에서 정답을 찾아내는 검색 방법)에서 구조 원리 4개를 뽑아, 팀 공유 기억 저장소 memory-bank-cloud(여러 AI 세션이 함께 쓰는 지식 저장소)의 검색과 개발 하네스(harness — AI가 "다 했다"고 거짓말하지 못하게 증거를 강제하는 감시 장치 묶음)에 옮겨 본(전이한) 기록이다. 가져온 것은 속도가 아니다. "오답끼리 상쇄시키고 정답만 남긴다"는 구조 하나를 가져왔고, 그것이 검색 결과의 모순 표시로 코드가 됐다.
세모과학 영상은 Grover 알고리즘을 이렇게 요약한다. 100만 개 후보 중 정답이 어디 있는지는 모른다. 그래도 어떤 후보가 정답인지 판별하는 방법은 안다. 이 판별기를 오라클(oracle)이라 부른다. 오라클은 정답을 들여다보지 않는다. 정답에 해당하는 파동의 부호만 뒤집어 표시한다. 부호를 뒤집는 이 동작을 위상 반전이라 부른다. 여기서 진폭(amplitude)이란 각 후보가 뽑힐 확률의 뿌리가 되는 파동의 크기다. 표시가 끝나면 전체를 평균 기준으로 반전시킨다. 그러면 오답의 진폭은 깎이고 정답만 커진다. 이 과정을 반복하면 오답들은 서로 상쇄되어 사라진다.
"모든 가능성을 펼쳐 놓고, 오답들이 서로 충돌해 사라지게 만들고, 정답만 살아남게 만드는 기술."
양자 가속(√N)은 이식 불가능하다. 양자 가속이란 후보가 N개일 때 정답을 찾는 데 드는 횟수가 N의 제곱근 수준으로 줄어드는 효과다. 그것은 물리 현상이지 알고리즘 기법이 아니다. 그래서 이 연구가 가져온 것은 구조 원리 4개다. 속도는 애초에 가져올 수 없었다. 각 원리를 "이 시스템에 코드로 착지 가능한가"라는 질문 하나로 정직하게 판정했다. 착지란 원리가 실제 코드 변경으로 내려앉는 것을 말한다. 은유를 성능 주장으로 포장하지 않았다.
전이 연구(다른 분야의 원리를 내 시스템에 옮겨 심어 보는 연구)의 핵심은 버릴 것을 버리는 판정이다. 4개 원리 중 코드로 착지한 것은 1개다. 이미 그 구조였던 것이 2개, 수학적으로 무의미해 기각한 것이 1개다. 아래 표에서 검색 rerank 는 검색 결과를 다시 줄 세우는 단계를 말하고, Exp G 는 착지한 실험에 붙인 이름이다.
| 원리 | 구조적 의미 | 판정 | 착지한 곳 |
|---|---|---|---|
| 상쇄 간섭 | 후보들을 독립 평가하지 말고 서로 충돌시켜 정답만 남긴다 | 적용 | 검색 결과의 contradicts 필드 — 모순 쌍 표면화 (Exp G) |
| 위상 마킹 | 정답을 관측(소비)하지 않고 표시만 — 마킹과 행동의 분리 | 이미 정합 | 하네스의 제안→승인→실행 분리, 리뷰(마킹)/수정(행동) 단계 분리 — 확인만 |
| 평균 반전 | 절대 점수가 아니라 전체 평균 대비 편차로 재조정 | 기각 / 제안 | 검색 rerank로는 순위 불변(단조 변환)이라 무의미 — 기각. 하네스 개선 후보 우선순위(평균 대비 튀는 마찰)로만 제안 |
| 최적 반복 횟수 | 반복은 단조 개선이 아니다 — 과회전(overshoot)하면 다시 나빠진다 | 제안 | 적대 리뷰 루프의 "심각도 체감" 정지 신호 제안 — 이번 작업 자체가 실측 사례(아래 §4) |
이 실험(Exp G)의 결과는 이렇다. 이전에는 서로 모순되는 두 지식이 검색에 나란히 나와도 아무 표시가 없었다. 여기에 Grover의 "간섭을 계산의 1급 재료로 쓴다"는 관점을 가져왔다. 간섭이란 파동 두 개가 만나 서로를 키우거나 지우는 현상이다. 기억 저장소에서 지식 한 조각을 fact 라 부른다. 두 fact 가 서로 어긋난다는 관계는 CONTRADICTS(모순 관계 — 한쪽이 참이면 다른 쪽은 참일 수 없다는 표시)로 저장돼 있다. 이제 같은 결과 페이지 안에서 서로 모순 관계인 fact 쌍을 서버가 contradicts 필드(응답에 붙는 항목)로 마킹한다. 서버는 충돌을 드러내기만 한다. 오라클이 정답을 관측하지 않고 위상만 표시하듯이 어느 쪽이 맞는지는 판단하지 않는다. 어느 쪽을 남길지는 호출자(검색을 요청한 AI 세션)가 개정이나 철회로 결정한다.
Grover의 교훈 하나는 "반복은 단조 개선이 아니다"이다. 최적 횟수를 지나면 정답 확률이 도로 떨어진다. 이것을 과회전(overshoot)이라 부른다. 이번 작업의 push 게이트(코드를 저장소에 올리기 직전에 반드시 통과해야 하는 검문소)에서 돌린 적대 리뷰가 정확히 그 곡선을 그렸다. 적대 리뷰란 다른 AI 모델인 Codex가 작정하고 결함을 찾아내는 리뷰다. 발견에는 심각도 등급이 붙는다. CRITICAL(치명 — 반드시 막아야 하는 결함)과 HIGH(높음 — 고쳐야 하는 결함)가 위쪽 두 등급이다. CRITICAL은 5라운드 내내 0이었다. 초반의 정당한 HIGH들을 수정하고 나자 발견은 점점 좁아졌다. 마지막 라운드는 이 diff(이번에 바꾼 코드 범위) 밖의 인프라 요구인 DB 인덱스에 닿았다.
R2~R4)에서 나왔다. 그것을 수정한 뒤의 라운드는 diff 밖 인프라 요구로 수렴했다. "심각도 체감"을 정지 신호로 쓰자는 하네스 제안의 실측 근거다.숫자부터 보자. 자동 테스트 도구 vitest 의 통과 수는 163개에서 171개로 늘었다. 이 연구는 autoresearch(AI가 실험을 스스로 돌리고 측정값으로 유지할지 버릴지 정하는 자율 연구 루프)로 진행했고, 실험 5개는 전부 keep(측정 결과가 좋아 유지) 판정이다. 리뷰에서 HIGH 4건을 수정했고, 고친 코드는 push(저장소에 올리기)를 통과해 커밋 04eff7c로 착지했다.
HIGH 수정04eff7cpush 착지"원리가 새 조치를 요구하지 않음을 확인하는 것도 결과다"
"측정된 개선 없이 하네스 룰을 바꾸지 않는다"
CRITICAL/HIGH 가 0이 된 이후 라운드에서 심각도가 체감하는지 감지한다 (§4가 실측 근거)이 영상에서 가져온 실질 수확은 "모순을 숨기지 말고 간섭 신호로 표면화하라"는 관점 하나였다. 그것이 검색 응답의 contradicts 필드로 착지했다. 나머지 원리는 이미 있었거나(2건), 수학적으로 무의미해 버렸거나(1건), 측정 게이트(측정된 개선이 있어야만 통과시키는 관문) 뒤의 제안으로 남았다(2건). 남은 결정은 두 가지다. 관계 테이블에 복합 인덱스(여러 열을 묶어 조회를 빠르게 하는 색인)를 붙이는 것과 중복 방지 제약을 거는 것인데, 둘 다 마이그레이션 트랙(DB 구조 변경을 따로 관리하는 작업 줄)에서 처리한다. 상세 기록은 docs/grover-amplitude-transfer-2026-07-24.md(이 연구의 원본 기록 문서)에 있다.