기계가 우리 기억을 다시 설계할 때, 샌프란시스코가 던지는 질문

Apr 14, 2026

6 min read

4 views

72%

시작: 기계에게 역사를 맡길 수 있는가

기계가 수천 년의 흔적을 읽어내고, 지워졌던 이름을 되살리며, 오래된 이미지들 사이에서 패턴을 찾아낼 때 우리는 어떤 결정을 내려야 할까: 과거를 복원하는 권한을 기계에 얼마나, 어떻게 위임할 것인가. 이 질문은 단순한 기술 문제가 아니다. 그것은 도시와 공동체가 어떻게 기억을 쌓아왔고, 기술이 그 기억을 어떻게 재배치할지에 관한 정치적 물음이기도 하다.

오늘날 AI는 흐릿한 비문을 복원하고, 낡은 서체를 번역하며, 수만 장의 삽화를 군집화하여 보이지 않던 지식의 흐름을 드러낸다. 동시에 동일한 기술은 몇 초 만에 그럴듯한 가짜 사진과 문서를 만들어내며 집단 기억을 뒤흔들 수도 있다. 이 양면성은 우연이 아니다. 기술을 발명하고 운용하는 장소의 문화와 역사적 맥락이, 그 기술이 어떤 기억을 보존하고 어떤 기억을 지워버리는지를 규정한다. 샌프란시스코는 이 역학을 가장 선명하게 보여주는 하나의 사례다: 다양성과 자유를 품어 성장한 도시가 기술 혁신의 온상이 되었고, 그 기술은 이제 과거를 재설계할 역량을 갖게 되었다.

작은 발견, 큰 서사: AI가 드러내는 숨은 패턴과 그 한계

딥러닝은 거대한 데이터 속에서 패턴을 골라내는 데 탁월하다. 오래된 문서의 난해한 서체도, 서로 다른 형태로 그려진 표의 수치적 유사성도 신경망은 포착한다. 이런 방식으로 나타난 발견은 종종 '미시적 관찰이 거대 서사를 뒤흔드는' 전형적인 사례를 만든다. 예를 들어, 특정 도시의 인쇄물에서 반복되는 표의 형식을 추적하는 것만으로도 지식의 전파 경로와 학문의 중심이 어떻게 바뀌었는지를 추론할 수 있다. 얼마 안 되는 유사한 자료들이 모여 수백 년의 변화를 증언하게 되는 것이다.

하지만 이러한 장점은 여러 한계와 함께 온다. 핵심 문제는 다음과 같다: 기계는 훈련된 데이터의 현재성을 반영한다. 최근의 풍경, 고해상도의 컬러 이미지, 우세한 언어 자료들에 익숙한 모델은 오래된 흑백 사진, 지역 방언, 드문 서체를 제대로 인식하지 못한다. 이는 곧 '현재주의적 편향'의 문제로 연결된다: 과거의 사물들이 기술이 학습한 최근의 형상으로 해석되거나, 단순히 무시되는 일이 발생한다.

또 다른 문제는 불투명성이다. 많은 신경망은 결과만 제시할 뿐, 왜 그런 결론에 도달했는지를 설명하기 어렵다. 역사 연구는 근거와 맥락의 투명한 해석에 의존한다. 기계가 생성한 '복원'이나 '연대 추정'을 그대로 받아들일 경우, 우리는 설명되지 않는 가설을 역사적 사실로 착각할 위험에 처한다.

마지막으로, 생성형 기술의 발달은 고의적이거나 비고의적 왜곡을 모두 가속화한다. 실제로 존재하지 않았던 문장, 인물의 가짜 발언, 시대착오적 문서를 만들어내는 일은 단순한 놀이를 넘어 집단 기억을 바꿀 가능성이 있다. 역사와 기술의 문제는 이렇게 동시에 발견과 왜곡을 만들어내는 쌍곡선에 놓여 있다.

도시, 다양성, 그리고 기술의 상호작용: 샌프란시스코의 교훈

샌프란시스코는 자유와 다양성의 아이콘이었다. 이민자와 다양한 문화가 모여들며 형성된 도시적 혼종성은 창의성과 저항의 토양이 되었고, 그 결과 기술과 사회운동이 공존하는 독특한 생태계가 만들어졌다. 기술 혁신은 단지 공학적 성취만을 의미하지 않는다. 그것은 사회적 필요와 문화적 맥락 속에서 탄생하고 확장된다.

이 점이 중요한 이유는 다음과 같다: 기술은 그 탄생지의 가치와 편향을 반영한다. 한 도시가 다양성과 자유를 핵심 가치로 삼았다면 그곳에서 나온 기술은 개방성과 접근성, 실험성을 강조할 가능성이 크다. 반대로 기술의 산출물이 소유권, 효율, 표준화에 치우쳐 있다면, 그 기술이 작동하는 방식과 결과물도 그러한 가치에 맞게 기울게 된다.

샌프란시스코는 기술과 사회가 만나는 지점에서 다음과 같은 교훈을 준다:

혼종성은 발명에 유리하다: 서로 다른 배경과 전문성이 섞이면서 전혀 다른 문제 해결 방식이 생겨난다. 이는 자료의 번역, 멀티모달 해석, 비정형 데이터 처리에서 특히 강력하다.
자유의 문화는 실험을 촉진한다: 규범과 규칙이 느슨할 때, 사람들은 기존의 틀을 깨는 시도를 한다. AI 연구에서도 '비표준적' 데이터에 대한 도전은 이러한 실험 문화에서 비롯된다.
그러나 자유는 규범 부재를 의미하지 않는다: 규범과 책임이 결여된 실험은 왜곡과 오용으로 이어질 수 있다. 기술적 성과와 사회적 책임은 함께 설계되어야 한다.

이러한 교훈은 단순히 도시의 미담이 아니다. 실제로 다양성과 실험이 결합된 환경에서 만들어진 데이터와 모델이, 어떻게 과거의 기억을 다루는지에 직접적인 영향을 미친다. 샌프란시스코의 역사적 혼종성은 기술을 창출하는 토양이자, 그 기술이 만들어내는 기억의 윤곽을 형성하는 문화적 렌즈이기도 하다.

프레임워크: 과거를 기계에 맡길 때의 의사결정 지형

AI가 과거를 읽고 재구성하는 과정에는 몇 가지 핵심 변수들이 있다. 이를 이해하면 기술을 설계하고 사용할 때 더 명확한 선택을 할 수 있다. 다음은 실무적 판단을 돕는 세 가지 개념적 프레임워크이다.

아카이브 피드백 루프 (Archive Feedback Loop)

설명: 아카이브에서 데이터가 디지털화된다. 디지털화된 자료로 모델을 훈련시키면 모델은 새로운 분류와 연결고리를 제안한다. 이 발견은 다시 아카이브의 큐레이션과 우선순위를 바꾸며 추가적 디지털화로 이어진다.

의미: 한 번의 자동화된 '해석'이 아카이브의 미래 수집과 보존 결정을 바꿀 수 있다. 따라서 모델은 단순 도구가 아니라 아카이브의 설계자 역할을 하게 된다.

실천 지침: 모델의 결과는 큐레이터와 공동으로 검증되어야 한다. 자동화된 발견이 아카이브의 수집 정책을 바꾸기 전에 인간의 해석과 윤리적 검토를 통과하도록 설계하라.

현재주의 필터 (Presentism Filter)

설명: 모델은 주로 학습한 시공간의 이미지를 반영한다. 이는 오래된 형상이나 지역적 변종을 왜곡하거나 간과하게 만든다.

의미: 결과물은 훈련 데이터의 현재성을 반영한, 시대착오적 해석을 포함할 수 있다. 결국 과거의 물건이 현대의 형상으로 환원될 위험이 있다.

실천 지침: 시간적으로나 지역적으로 분포가 균형 잡힌 데이터셋을 의무화하라. 드문 서체, 사어, 지역적 이미지 표본을 우선적으로 확보하고, 모델의 불확실성을 명시하라.

이해 가능한 가능성의 계단 (Explainability Staircase)

설명: AI의 제안은 신뢰할 수 있는 설명을 단계적으로 제공해야 한다. 단순한 예측은 최하단, 그 근거와 기여 요인의 가시화는 중간, 인문학적 해석과 비교 검증은 최고 단계이다.

의미: 역사 연구에서 AI는 최종판이 될 수 없다. 모델은 '가설 생성기'로 설계되어야 하며, 그 가설이 왜 제기되었는지를 명확히 보여주어야 한다.

실천 지침: 모델의 출력에는 항상 근거 지표와 불확실성 범위를 포함시키고, 큐레이터나 연구자가 쉽게 참조할 수 있는 시각화 도구를 제공하라.

구체적 제안: 기술자와 역사학자, 도시 관리자에게 필요한 실천들

AI가 과거를 해석하는 과정에서 발생하는 위험을 줄이고 가치를 극대화하려면 다음의 구체적 조치들이 필요하다.

공동 설계의 규범을 세워라

기관과 연구팀은 데이터 선별, 모델 설계, 결과 검증 단계를 역사학자와 지역 커뮤니티와 함께 진행하라. 기술은 실험실 산물이지만 아카이브는 공공재다. 공동 설계는 잘못된 해석의 사회적 비용을 줄인다.

데이터의 출처와 시간적 분포를 표준화하라

데이터 메타데이터에는 반드시 출처, 제작 연대, 발신지, 이전 편집 이력 등이 포함되어야 한다. 시간적, 지역적 대표성을 문서화하는 것이 현재주의 편향을 완화한다.

설명 가능한 AI를 표준으로 삼아라

결과는 확률적 가설로 제시되어야 하며, 그 가설에 기여한 근거 자료를 열람할 수 있어야 한다. 결과물은 제안일 뿐 최종 판정이 아니라는 점을 사용자에게 명확히 알리라.

커뮤니티 기반의 검증 메커니즘을 구축하라

거리의 기록, 구술사, 지역 언어 지식 등은 자동화된 분석에서 쉽게 누락된다. 지역 공동체를 검증자와 큐레이터로 참여시키는 절차를 설계하면 기술의 Blind spot을 줄일 수 있다.

교육과 공개 리터러시를 확대하라

시민과 연구자 모두가 AI가 제시하는 결과를 비판적으로 읽을 수 있어야 한다. 도시 차원에서 디지털 리터러시 프로그램과 공공 아카이브 워크숍을 지원하라.

Key Takeaways

공동 설계가 필수다: 아카이브 AI 프로젝트는 기술자와 역사학자, 지역 공동체가 함께 설계해야 한다.
데이터의 시간적 균형을 확보하라: 모델 훈련용 데이터는 시대적, 지역적 대표성을 갖추어야 현재주의 편향을 줄일 수 있다.
모델 결과는 가설이다: AI의 복원과 추정은 최종 결론이 아니라 검증 가능한 가설로 다뤄라.
설명 가능성과 투명성을 기본으로 하라: 결과는 기여 근거와 불확실성 지표를 포함해야 한다.
시민적 검증을 도입하라: 구술사와 지역 지식을 공식 검증 과정에 포함시키면 왜곡 위험을 낮출 수 있다.

맺음말: 기억의 재구성은 기술의 문제가 아니라 공동체의 선택이다

AI는 과거로부터 새로운 통찰을 끌어낼 능력이 있다. 그러나 그 통찰이 어떤 방향으로 향할지는 기술 자체보다, 기술을 만드는 사회의 가치와 구조에 더 많이 달려 있다. 샌프란시스코는 혼종성과 실험이 혁신을 낳는다는 것을 보여주지만, 동시에 규범과 책임이 결여된 실험이 사회적 혼란을 초래할 수 있음을 경고한다.

기계가 우리 기억을 다시 설계할 때, 우리는 두 가지 중 하나를 선택해야 한다: 기술을 설계자들의 편의에 맡겨 과거를 자동적으로 재편성하게 둘 것인지, 아니면 공동체와 학문의 규범을 기술 설계의 중심에 둬서 과거의 복원이 민주적이고 회복적으로 이루어지도록 할 것인지. 이 선택은 단순한 정책의 문제가 아니다. 그것은 우리가 어떤 사회에서 살고 싶은지를 결정하는 질문이다.