깊이보다 지지가 중요하다: 인식적 동형성, 그래프 구조, GNN의 공통 원리

Oracle 3부작을 쓰면서 한 가지를 발견했다. AI 평가 이론을 콘텐츠 마케팅 언어로 옮겼을 때 독자들이 더 쉽게 이해했다는 것. 처음에는 단순히 "비유가 잘 맞아서"라고 생각했는데, 나중에 보니 그게 아니었다.

비유가 잘 맞았던 이유가 있다. AI Oracle과 마케팅 KPI는 구조적으로 동형(isomorphic)이기 때문이다. 측정 기준이 목표가 되면 기능을 잃는다는 법칙이 두 영역에서 정확히 같은 방식으로 작동한다. 표면은 다르지만 관계 구조가 같다.

이것이 인식적 동형성이다. 그리고 이 원리는 인간 인지에서만 작동하는 게 아니다.

유추 추론이 작동하는 방식

Dedre Gentner는 1983년에 유추 추론의 작동 원리를 설명하는 구조 정렬 이론(Structure Mapping Theory)을 제안했다. 핵심은 단순하다. 사람이 유추로 이해할 때, 두 영역의 관계 구조가 매핑된다. 속성이 아니라 관계다.

"원자는 태양계와 같다"고 할 때, 우리는 전자와 행성의 크기나 색이 비슷하다고 말하는 게 아니다. 중심 주위를 회전한다는 관계 구조가 같다고 말하는 것이다. 이 구조적 유사성이 이해를 만든다.

신경 영상 연구들은 이 과정에 좌측 배외측 전전두엽이 관여한다는 것을 보여준다. 선행 경험으로 형성된 스키마가 새로운 정보의 동형 구조를 인식할 때 인지 부하가 줄어든다. 전문가가 초보자보다 새로운 문제를 더 빠르게 이해하는 이유도 같다. 전문가는 문제의 표면 특성이 아닌 기저 구조를 보기 때문이다.

정보가 잘 전달된다는 것은 수신자의 기존 스키마와 구조적으로 유사한 것이 들어왔을 때다. Oracle 3부작이 작동한 이유가 여기 있다. 마케터의 스키마에 AI 이론의 관계 구조가 매핑됐다.

온톨로지 그래프에서 같은 원리

이 원리가 인간 인지에만 해당한다면 흥미로운 이야기로 끝날 것이다. 그런데 지식을 저장하는 그래프 구조에서도 정확히 같은 패턴이 나타난다.

지식 그래프를 설계할 때 두 가지 극단적 선택이 있다. 깊고 선형적인 체인 구조, 혹은 넓게 연결된 격자 구조.

체인 구조에서 정보는 A → B → C → D → E처럼 순차적으로 연결된다. 검색하기 쉽고 구조가 명확하다. 그런데 이 구조에서 오류는 어떻게 전파될까. A의 오류는 B를 오염시키고, B는 C를, C는 D를 오염시킨다. 단일 경로만 존재하기 때문에 오류를 탐지할 수 있는 교차 검증 지점이 없다.

격자 구조는 다르다. A가 B, C, D에 동시에 연결되고, B와 C도 서로 연결되어 있다. 하나의 간선이 끊어져도 대체 경로가 존재한다. 더 중요한 것은, 중복된 경로가 오류를 드러낸다는 점이다. A → B → D 경로와 A → C → D 경로의 답이 다르면 오류가 있다는 신호다. 중복 경로는 비효율처럼 보이지만, 사실 오류 탐지 메커니즘이다.

GCN(Graph Convolutional Network) 연구들은 레이어 깊이가 증가할수록 일반화 오류가 확대된다는 것을 보여줬다. 더 깊게 파고들수록 오히려 성능이 나빠지는 역설. 체인이 길어질수록 회복 탄력성이 떨어지는 것과 같은 원리다.

GNN에서 같은 문제가 다른 이름으로

Graph Neural Network 연구자들은 오랫동안 이상한 현상을 관찰했다. 레이어를 더 깊게 쌓을수록 성능이 오히려 떨어진다. 이것을 Over-smoothing이라고 부른다.

메커니즘은 이렇다. GNN은 각 노드의 표현을 이웃 노드들의 정보를 집계해서 업데이트한다. 레이어가 하나 추가될 때마다 더 먼 이웃의 정보가 섞인다. 처음에는 유익하다. 그런데 레이어가 충분히 깊어지면, 모든 노드가 전체 그래프의 평균에 수렴한다. 결국 노드 A와 노드 B의 표현이 구별 불가능해진다.

반복적 이웃 집계가 Laplacian 평활화처럼 작동하는 것이다. 깊이가 깊어질수록 정보가 평균화되어 사라진다.

Over-squashing이라는 문제도 있다. 장거리 관계 정보를 고정 크기 벡터로 압축할 때 발생한다. 체인의 가장 취약한 지점, 병목에서 정보가 손실된다. 유효한 정보 전파를 위한 조건은 깊이 × 은닉층 크기 ≥ 그래프 크기의 다항식을 만족해야 한다는 것이 수학적으로 증명됐다.

결론은 명확하다. 얕고 넓은 GNN이 깊고 좁은 GNN보다 회복 탄력성이 높다. 고밀도 커뮤니티 구조가 정보 전달 신뢰성을 높인다. 격자 구조가 체인보다 낫다.

세 영역이 같은 것을 말하고 있다

인간 인지(구조 정렬 이론), 온톨로지 그래프(회복 탄력성), GNN(over-smoothing·over-squashing). 세 영역이 각자의 언어로 같은 원리를 말하고 있다.

영역	취약한 구조	강한 구조	핵심 메커니즘
인지과학	선형 연결 스키마	중복 관계 스키마	구조 정렬·체계성
온톨로지	깊은 체인	격자·지지 구조	중복 경로·교차 검증
GNN	깊고 좁은 레이어	얕고 넓은 레이어	이웃 밀도·정보 보존

공통 원리: 깊이보다 지지(support)가 중요하다. 구조적 중복성이 신뢰성을 만든다.

왜 이것이 메타 서사인가

Oracle 3부작을 쓰면서 우리는 세 개의 개념 노드를 만들었다. Oracle → 콘텐츠 마케팅 Oracle → AEO(에이전트 Oracle). 이것은 선형 체인처럼 보인다.

그런데 실제 KB 구조를 보면 다르다. concept__oracle-problem이 concept__goodharts-law-ai와 양방향으로 연결되고, 이것이 concept__content-engagement와 연결되고, 그것이 concept__viral-loop와, 그리고 concept__aeo와 concept__geo가 서로 연결된다. 단순한 체인이 아니라 격자를 형성한다.

이 격자 구조가 graph_rag.py로 멀티홉 추론을 가능하게 하고, orphan scan으로 오류를 탐지할 수 있게 했다. 그것이 KB 온톨로지 설계의 핵심이다.

그리고 독자가 Oracle 3부작을 이해할 수 있었던 것도 같은 이유다. 3부작의 각 편이 단순히 순차적으로 이어지는 것이 아니라, 공통 구조(Goodhart's Law)를 중심으로 격자를 형성하면서 서로를 지지했기 때문이다. 인식적 동형성은 그 격자의 관계 구조가 독자의 기존 스키마와 매핑됐을 때 작동한다.

지식이 잘 전달되는 조건은 결국 하나다. 표면의 깊이가 아니라 관계의 밀도다. 인간 인지에서도, 온톨로지에서도, GNN에서도.

참고문헌

Gentner, D. (1983). Structure-Mapping: A Theoretical Framework for Analogy. Cognitive Science, 7(2), 155-170.
PMC (2025). Thinking as Analogy-Making: Toward a Neural Process Account of General Intelligence.
ScienceDirect (2020). The generalization error of graph convolutional networks may enlarge with more layers.
Oxford (2021). Characterization of robustness and resilience in graphs: a mini-review.
arXiv (2023). A Survey on Oversmoothing in Graph Neural Networks.
arXiv (2025). How Wide and How Deep? Mitigating Over-Squashing of GNNs.
Nature (2024). Network structure influences the strength of learned neural representations.