많은 독자들이 이를 일화적으로 알아차렸습니다. AI 모델로 작성된 텍스트는 문법적으로 완벽하더라도 점점 더 조밀해지고, 부자연스럽고, 이상하게도 분석하기가 지치게 느껴집니다. arXiv에 게시된 새로운 사전 인쇄본은 그러한 직관 뒤에 확실한 언어 데이터를 두고 있으며 그러한 직관이 왜 발생하는지에 대한 설명을 제안합니다.
"AI 생성 언어는 왜 그렇게 이해하기 어려운가?"라는 연구는 연구원 Thomas Hikaru Clark, Matias B. Martin 및 Kyle Mahawald가 10월 21일에 제출했습니다. 다양한 영역에 걸친 AI 생성 텍스트의 새로운 코퍼스를 바탕으로 저자는 객체 관련 절, 긴 구문 종속성 및 저주파 n-그램을 포함하여 인간 독자의 처리 어려움을 나타내는 지표로 문헌에 잘 확립된 일련의 심리언어학적 특징을 분석했습니다. 이 이야기에 대한 자세한 내용은 AI 뉴스를 참조하세요.
연구원들이 측정한 것
심리언어학에서는 모든 문장을 읽는 데 드는 비용이 동일하지 않다는 사실을 오랫동안 알고 있었습니다. 대상 친족 조항("기자가 공격한 상원의원...")은 대상 친족보다 처리하는 데 훨씬 더 오랜 시간이 걸립니다. 단어 간의 긴 의존성은 독자가 더 많은 내용을 기억하도록 만듭니다. 희귀한 단어 시퀀스를 검색하고 통합하려면 더 많은 노력이 필요합니다. 이러한 기능은 텍스트가 얼마나 정교한지와는 별개로 텍스트를 실제로 이해하기가 얼마나 어려운지 측정하는 눈금자 역할을 합니다.
연구원들은 AI가 생성한 글을 두 가지 기준, 즉 사람이 쓴 텍스트와 왕복 번역을 통해 생성된 의역, 형식적이거나 기계적인 산문의 일반적인 풍미와 실제 모델 특성을 분리하도록 설계된 컨트롤과 비교했습니다.
그 통제가 중요합니다. 회의론자들은 AI 텍스트가 뚜렷한 병리를 나타내기보다는 단순히 비즈니스 또는 기술 문서처럼 형식적이고 비인격적이며 명사 중심으로 읽는다고 합리적으로 주장할 수 있습니다. 왕복 번역은 언어 모델 교육 없이 유사하게 세련되고 약간 부자연스러운 문자를 생성합니다. AI 모델이 처리 난이도 측정에 대한 기준을 여전히 초과한다면 모델 자체가 작성하는 방법을 학습한 구체적인 방법에서 차이가 발생해야 합니다. 본질적으로 이것이 바로 연구 결과입니다.
그들이 발견한 것
결과는 전반적으로 일관되었습니다. 인간의 글쓰기와 비교했을 때, 연구에서 조사된 9개의 프론티어 및 준프론티어 모델(GPT-5.6, Claude, Llama, DeepSeek 및 Qwen 제품군의 시스템을 포함하는 그룹)은 모두 측정하기 어려운 선택을 했습니다.
- 애니메이션 동사와 짝을 이루는 더 많은 무생물 주제 — 추상화를 "탐구", "밑줄" 또는 "강조"하는 글쓰기의 특징적인 AI 패턴입니다.
- 더 낮은 빈도의 n-그램, 인간 작가가 거의 생성하지 않는 특이한 단어 시퀀스를 의미합니다.
- 더 긴 구문 의존성, 주어와 동사가 더 많은 중간 자료로 구분됩니다.
- 더 많은 누적 명사 및 대화 텍스트에서는 목적어 관련절이 더 줄어듭니다.
이 연구는 또한 모든 모델이 똑같이 읽기 어려운 것은 아니지만 모델군 전반에 걸친 상당한 변화를 문서화했으며, AI 모델이 왕복 번역 의역보다 이러한 어려운 구성을 더 자주 사용한다는 사실을 발견했습니다. 이는 그 효과가 공식 레지스터의 아티팩트가 아닌 모델 훈련 방법에 특정하다는 것을 나타냅니다.
이러한 변형은 조용히 논문에서 가장 유용한 결과 중 하나입니다. 읽기 어려움이 규모나 능력의 불가피한 결과라면 모든 프론티어 시스템이 함께 클러스터될 것입니다. 대신, 가족 간의 확산은 데이터 혼합, 보상 신호, 추론이 많은 영역에 대한 강조 등 훈련 후 선택이 모델의 산문이 인간 독자에게 전달되는 방식을 시각적으로 형성한다는 것을 시사합니다. 즉, 읽기 어려운 AI 텍스트는 설계 결과이지 지능의 필연적인 부산물이 아닙니다.
정보 밀도 가설
모델이 더 어려운 언어로 표류하는 이유는 무엇입니까? 저자는 가설을 제안하고 테스트합니다. 인간의 언어는 성공적으로 의사소통해야 한다는 압력을 받아 진화하고 학습되는 반면, AI 생성 텍스트는 이해의 용이성보다는 정보 밀도에 더 중점을 두는 다른 목표(수학, 코드, 추론 작업)에 점점 더 최적화되고 있습니다.
정답을 더 적은 수의 토큰에 담아 보상을 받은 모델은 의미를 압축하고, 정확하지만 희귀한 표현을 선호하고, 문장당 더 많은 구조를 삽입하는 등 산문에까지 이어지는 습관을 학습합니다. 그 결과 벤치마크에서는 좋은 점수를 받았지만 인간 독자에게는 점점 덜 자연스러워지는 텍스트가 탄생했습니다.
아이디어를 테스트하기 위해 연구원들은 개념 증명 실험을 실행했습니다. 그들은 길이 패널티 하에서 언어 모델을 미세 조정하여 출력을 압축하도록 했습니다. 모델의 언어적 행동은 가설이 예측하는 방식과 정확히 일치하여 인간과 유사한 패턴에서 벗어났습니다. 이는 데이터만이 아니라 최적화 압력이 변화를 주도한다는 아이디어에 인과적 지원을 제공합니다.
중요한 이유
이번 연구 결과는 저자가 인간의 언어 처리 요구 사항과 대규모 언어 모델에서 암묵적으로 선호하는 요구 사항 사이의 불일치라고 부르는 점을 강조합니다. 이러한 정렬 불량은 실질적인 결과를 가져옵니다. 읽기 어려운 텍스트를 생성하는 AI 도우미는 모든 답변에 숨겨진 세금을 부과하고, 사람들이 모델에서 생성된 초안, 요약 및 설명에 더 많은 독서 시간을 소비함에 따라 그 효과는 더욱 커집니다.
저자들은 그들의 프레임워크가 가능한 해결책, 즉 능력을 희생하지 않고 인간의 처리 한계를 존중하는 출력을 갖는 모델을 훈련하거나 조정하는 방법을 지향한다고 주장합니다. 이 논문은 사전 인쇄본이고 아직 동료 검토를 거치지 않았지만 중심 관찰은 이미 반향을 불러일으키고 있습니다. 이 연구는 10월 24일 Hacker News 첫 페이지에 올라 추론 성능과 읽을 수 있는 산문 사이의 균형이 근본적인지 아니면 고칠 수 있는지에 대한 활발한 논쟁을 불러일으켰습니다.
현재 이 연구는 독자들에게 익숙한 좌절감에 대한 검증된 어휘를 제공합니다. 텍스트가 우연히 악화되는 것이 아니라 의도적으로 밀도가 높아지는 것입니다.
출처: arXiv:2610.29162, 해커 뉴스 토론---
AI 최신 소식최신 AI 뉴스, 분석 및 혁신을 한 곳에서 확인하세요.
AI 뉴스 더 보기 →
