AI 튜토리얼

AI로 Project Lighthouse를 활용해 역사적 과학 문헌을 분석하는 방법

Project Lighthouse가 AI 전사, 수학적 심층 판독, 독립 검토, 공동 증거 장부를 조율해 디지털화된 역사 문헌을 중복 작업이나 과장된 발견 없이 조사하는 방법을 알아보세요.

2026년 11월 9일약 14분 소요

AI로 Project Lighthouse를 활용해 역사적 과학 문헌을 분석하는 방법

프로젝트 라이트하우스의 역할

프로젝트 라이트하우스는 과학 원고, 노트, 편지, 그리고 주목받지 못한 출판물을 대규모로 조사하기 위한 공개 연구 활동입니다. 이 프로젝트는 AI를 사용해 디지털화된 페이지를 전사하고 그 수학적 의미를 재구성하지만, 후보를 신뢰할 만한 발견으로 간주하기 전에 반드시 사람의 검토, 계산 검증, 문헌 조사, 독립 검토를 거치도록 합니다.

이 프로젝트는 미완성된 아이디어, 출처가 표시되지 않은 결과, 간과된 연관성을 찾도록 설계되었습니다. 또한 잘못된 단서와 이미 알려진 결과를 공유 원장에 기록하여, 기여자들이 이미 막다른 길에 이른 조사를 반복하지 않도록 합니다.

2026년 11월 9일 기준 저장소 현황에 따르면, 가우스, 리만, 힐베르트, 데데킨트, 그로텐디크의 자료 약 12,000페이지가 심층적으로 검토되었습니다. 가장 유력한 후보는 리만의 것으로 추정되는 미출판 충격파 시트에 관한 L-019였습니다. 대수적 내용은 계산적으로 검증되었지만, 해당 자료의 귀속은 아직 인문학적 문서 전문가의 확인을 기다리고 있습니다.

AI의 도움으로 이루어진 유망한 판독이 자동으로 발견이 되는 것은 아닙니다. 프로젝트 라이트하우스는 전사, 해석, 검증, 역사적 우선권, 전문가 확인을 서로 별개의 문제로 다룹니다.

주요 기능

페이지 단위 전사: 원고 이미지를 축어적 텍스트로 변환하며, 수식은 LaTeX로 표현하고 삭제된 텍스트는 명시적으로 표시합니다.
맥락 기반 심층 판독: 수학 페이지를 인접 페이지와 함께 분석하여 논증을 고립된 상태에서 해석하는 대신 재구성할 수 있도록 합니다.
현대적 비교: 심층 판독을 통해 현대적 대응 개념, 일반적으로 그 개념을 인정받는 사람, 0부터 10까지의 놀라움 점수를 확인합니다.
4단계 후보 검증 절차: 모든 후보는 스캔 검토, 계산을 통한 재도출, 의미 기반 문헌 조사, 독립적인 비선입견 검토를 통과해야 합니다.
공유 원장: ledger/LEADS.md는 중복, 오류, 이를 해결한 자료를 포함하여 후보와 판정을 기록합니다.
오탐 통제: docs/FALSE_POSITIVES.md는 겉보기 발견이 실패할 수 있는 12가지 일반적인 방식을 문서화하고 필수 체크리스트를 제공합니다.
기여 라벨: 라벨은 신뢰도나 인기도가 아니라 완료된 작업을 설명합니다.
개방형 형식: 전사와 분석에는 문서화된 저장소 형식을 사용하므로 기여자가 데이터를 검토하고 확장할 수 있습니다.

저장소 구조 이해하기

페이지를 처리하기 전에 주요 경로를 익히십시오.

queue/QUEUE.md
src/transcribe.py
src/deep.py
src/read_source.py
data/<author>/STATUS.tsv
data/<author>/transcripts/<bundle>/cNNN.json
data/<author>/deep/<bundle>_cNNN.json
data/FORMAT.md
verify/
ledger/LEADS.md
docs/HOT_PAGES.md
docs/FALSE_POSITIVES.md
CONTRIBUTING.md
CITATION.cff

queue/ 디렉터리는 처리를 기다리는 자료를 추적합니다. src/ 스크립트는 전사와 심층 판독을 처리합니다. 저자별 출력물은 data/ 아래에 저장되고, 검증 프로그램은 verify/에 배치되며, 조사한 단서는 원장에 기록됩니다.

설치 및 설정

1. 저장소 가져오기

GitHub에서 프로젝트 라이트하우스 저장소를 복제하거나 다운로드한 다음 저장소 루트 디렉터리에서 작업하십시오. 데이터를 추가하거나 후보를 검토하기 전에 CONTRIBUTING.md를 읽으십시오. 이 파일에 기여 절차가 정의되어 있습니다.

2. 문서화된 데이터 형식 확인하기

전사 파일이나 심층 판독 파일을 만들기 전에 data/FORMAT.md를 여십시오. 기존 데이터는 다음 형식을 따릅니다.

data/<author>/transcripts/<bundle>/cNNN.json
data/<author>/deep/<bundle>_cNNN.json

대체 구조를 만들지 말고 문서화된 스키마를 따르십시오. 일관된 파일 이름과 필드를 사용하면 기여자들이 어떤 페이지가 이미 처리되었는지 확인할 수 있습니다.

3. API 키 설정하기

이 저장소에서는 기여자가 자신의 Anthropic API 키를 준비해야 합니다. 키는 다음 로컬 경로에 저장하십시오.

~/.config/hunt/anthropic_key

키를 저장소에 절대 커밋하지 마십시오. README에서는 Claude Opus 5.5로 전사와 심층 판독을 수행할 때 페이지당 비용이 약 $0.25라고 추정합니다. 대규모 자료를 처리하기 전에 실제 사용량을 모니터링해야 합니다.

4. 적합한 자료 선택하기

자료는 어떤 저자, 분야, 언어, 세기의 것이든 될 수 있지만, 반드시 공개 도메인에 속하고 디지털화되어 있으며 가져오기를 허용하는 조건을 갖춘 곳에서 호스팅되어야 합니다. 이 프로젝트는 원고, 노트, 편지, 주목받지 못한 출판물을 취급합니다.

queue/QUEUE.md에 자료를 추가하고 다음 경로에 해당 저자의 디렉터리를 만드십시오.

data/<author>/

도서관 스캔본을 저장소에서 호스팅하지 마십시오. 프로젝트 라이트하우스는 스캔본으로 연결하고, 직접 제작한 전사와 분석만 저장소의 라이선스 규정에 따라 저장합니다.

기본 사용 작업 흐름

1단계: 각 페이지 전사하기

자료를 IIIF 이미지 URL로 이용할 수 있을 때는 src/transcribe.py를 사용하십시오. 스캔 PDF에는 PDF 페이지를 JPEG 이미지와 페이지 레코드로 변환하는 작업 흐름을 지원하는 src/read_source.py를 사용하십시오.

전사는 페이지에 나타난 내용을 임의로 수정하지 않고 보존해야 합니다. 수식은 LaTeX로 기록하고 삭제된 텍스트를 표시하십시오. 결과는 data/FORMAT.md에 정의된 저자 및 번들 구조에 맞춰 저장하십시오.

data/example_author/transcripts/example_bundle/c001.json

이 경로는 문서화된 명명 패턴의 예시입니다. 소스에 맞는 실제 저자, 번들, 페이지 식별자를 사용하세요.

2단계: 수학 페이지를 심층적으로 읽기

src/deep.py 또는 src/read_source.py의 심층 읽기 함수를 사용하세요. 표기법, 정의, 중간 단계가 맥락에 맞게 해석되도록 인접 페이지도 포함하세요.

각 관련 페이지에 대해 논증을 재구성하고, 현대적 대응 개념을 식별하며, 일반적으로 누구의 업적으로 인정되는지 기록하고, 저장소의 0–10 놀라움 점수를 부여하세요. 결과는 해당 심층 읽기 경로에 저장하세요.

data/example_author/deep/example_bundle_c001.json

높은 점수는 검토 우선순위를 정할 뿐입니다. 이는 역사적 우선권을 입증하거나 더 강한 검토 라벨을 정당화하지 않습니다.

3단계: 처리 상태 확인

data/<author>/STATUS.tsv를 열어 전사되었지만 아직 심층 읽기가 완료되지 않은 번들을 찾으세요. 새로운 소스를 추가하지 않고 기여할 수 있는 실용적인 방법입니다.

4단계: 놀라운 페이지 조사

가장 빠른 검토 경로는 docs/HOT_PAGES.md입니다. 이 파일에는 모델이 놀랍다고 평가했지만 아직 사람이 확인하지 않은 페이지가 나열되어 있습니다. 전사본을 스캔본과 직접 비교하고, 주변 페이지를 살펴본 다음, 해당 주장이 이미 알려진 것인지, 잘못 전사된 것인지, 연대가 잘못된 것인지, 아니면 후보로서 실제로 검토할 가치가 있는지 판단하세요.

후보 프로토콜 적용

가능한 발견의 중요성을 언급하기 전에 네 가지 검사를 순서대로 모두 완료하세요.

스캔본과 대조하여 페이지를 읽으세요. 필체, 기호, 여백 메모, 삭제, 페이지 순서를 확인하세요. AI 출력만으로는 충분하지 않습니다.
코드로 수학을 다시 유도하세요. 재현 가능한 계산을 verify/에 넣으세요. 말로 비슷해 보인다는 데 의존하지 말고, 주장된 항등식이나 귀결을 검증하세요.
의미를 기준으로 문헌을 검색하세요. 먼저 저자의 출판물을 검색한 다음 더 오래된 자료를 살펴보세요. AI가 생성한 “최초로 인정된 날짜”를 검증 없이 믿지 마세요. 그러한 날짜는 지나치게 늦을 수 있습니다.
독립적이고 비편향된 검토를 요청하세요. 원하는 결론을 밝히지 않은 채 관련 사실을 두 번째 기여자나 에이전트에게 제공하세요. 검토자는 판정문을 작성하고 출처를 인용해야 합니다.

모든 후보 파일에는 docs/FALSE_POSITIVES.md의 체크리스트도 포함해야 합니다. 이는 잘못된 전사, 현대적 해석, 다른 이름으로 이미 발표된 사실, 근거 없는 연대 추정과 같은 일반적인 오류를 찾아내는 데 도움이 됩니다.

결과를 원장에 기록

후보와 그 판정을 ledger/LEADS.md에 추가하세요. 긍정적인 결과만큼 부정적인 결과도 꼼꼼하게 기록하세요. 잘 알려진 역사적 사실로 판명된 후보라도 다른 기여자가 같은 검색을 반복하는 것을 막아 줍니다.

저장소에서 대표적인 예는 L-019입니다. 전체 기록은 ledger/LEADS.md에 있으며, docs/L019_expert_request_draft.md에는 전문가를 위해 준비한 요청서가 들어 있습니다. README는 컴퓨터 검증과 맹검 AI 필체 비교를 설명하지만, 인간 고문서 전문가가 아직 귀속을 확인하지 않았다고 명시합니다.

라벨을 올바르게 사용

Project Lighthouse의 라벨은 발견에 대한 믿음이 아니라 완료된 작업을 보고합니다.

transcribed: 페이지 JSON 파일이 존재합니다. 모든 기여자가 설정할 수 있습니다.
read: 심층 읽기 기록이 존재합니다. 모든 기여자가 설정할 수 있습니다.
self-checked: 발견자가 스캔본을 확인하고, 수학을 검증하며, 문헌을 검색했습니다.
reviewed: 다른 기여자 또는 비편향 에이전트가 네 가지 검사를 독립적으로 모두 반복하고, 출처를 포함한 판정문을 작성했습니다.
expert: 명시된 전문가가 스캔본을 확인했습니다.

투표는 어떤 페이지를 먼저 검토할지 정하는 데 도움이 될 수 있지만, 투표만으로는 라벨을 설정할 수 없습니다.

신뢰할 수 있는 연구를 위한 고급 팁

전사와 해석을 분리하세요

수학을 이해했다고 생각하더라도 전사본은 충실하게 유지하세요. 재구성, 현대 표기법, 역사적 비교는 소스를 다시 쓰는 대신 심층 읽기 기록에 넣으세요.

페이지 주변 맥락을 읽으세요

정의나 앞선 유도 과정과 분리하면 공식이 새롭게 보일 수 있습니다. 리드를 열기 전에 항상 앞뒤 페이지, 번들 순서, 관련 노트를 살펴보세요.

용어뿐 아니라 개념을 검색하세요

역사적 저자는 현대적 결과를 현재의 명칭 없이 설명할 수 있습니다. 수학적 관계, 기하학적 구성, 물리적 조건 또는 증명 기법을 검색하세요. 이후에 다른 출처에서 인정된 내용과 비교하기 전에 저자 자신의 출판물부터 확인하세요.

검토를 비편향 상태로 유지하세요

독립적인 검토자에게 해당 페이지에 훗날 유명해진 결과가 있을 것이라고 말하지 마세요. 제안된 결론은 숨긴 채 스캔본, 전사본, 연대 근거, 수학적 사실을 제공하세요. 이렇게 하면 확증 편향이 줄어듭니다.

검증을 재현 가능하게 만드세요

스크립트와 계산을 verify/에 넣고, 가정을 문서화하며, 정확한 기호 검증과 수치적 증거를 구분하세요. 유용한 검증은 다른 기여자가 유도를 독립적으로 다시 실행할 수 있게 해야 합니다.

완료되지 않은 작업을 우선하세요

STATUS.tsv를 사용해 심층 읽기를 기다리는 전사 완료 번들을 찾고, docs/HOT_PAGES.md를 사용해 사람의 확인을 기다리는 놀라운 페이지를 찾으세요. 이 경로를 활용하면 완료된 처리를 중복하는 일을 피할 수 있습니다.

소스별 권리를 존중하세요

스캔본은 해당 라이브러리에 그대로 두어야 하며, 호스팅하기보다는 링크해야 합니다. 저장소의 전사문과 분석 자료는 CC BY 4.0 라이선스가 적용되고, 코드는 MIT 라이선스가 적용됩니다. 그로텐디크의 미출판 노트에 대해서는 README에 설명된 예외에 따라 저장소에 전체 전사문이 아니라 분석 자료와 짧은 인용문만 포함됩니다.

우선순위와 인용 정보 보존

Project Lighthouse는 원장 항목이 포함된 최초의 커밋 또는 릴리스를 해당 항목의 공개 날짜로 간주합니다. Zenodo에 보관된 GitHub 릴리스에는 DOI와 독립적인 타임스탬프를 추가할 수 있습니다. 저장소를 인용할 때는 CITATION.cff를 사용하고, CC BY 전사문을 재사용할 때는 저장소를 출처로 명시하세요.

기여 방법

사람이 직접 작성했거나 도구 또는 모델을 사용해 만든 기존 전사문이나 번역문을 공유하세요.
새로운 적격 출처에 처리 스크립트를 실행하세요.
스캔본과 대조하여 생성된 전사문을 수정하세요.
현재 전사만 완료된 자료 묶음을 심층적으로 읽으세요.
기존 후보를 독립적으로 검토하세요.
관련 전문 지식이 있다면 전문가 이름을 명시한 판정을 제공하세요.

이 프로젝트는 전문가의 독해와 문헌 지식이 모델 토큰보다 더 부족하다는 점을 강조합니다. 후보를 반증하는 기여라도 명확한 증거와 출처를 바탕으로 기록되어 있다면 가치가 있습니다.

결론

Project Lighthouse는 AI 규모의 원고 처리와 의도적으로 회의적인 연구 프로토콜을 결합합니다. 적격 출처나 미완성 자료 묶음을 선택하는 것부터 시작해 충실한 전사문을 만들고, 문맥 속에서 페이지를 심층적으로 읽으며, 스캔본 검토와 코드, 문헌 조사, 독립적인 검토를 통해 놀라운 주장을 조사하세요. 모든 결과를 공유 원장에 기록하여 발견과 막다른 길 모두 재사용 가능한 학술적 증거가 되도록 하세요.