GEUL은 위키데이터를 부정하지 않는다. 위키데이터 위에 선다.
사전 없이 언어를 만들 수 없다
언어에는 단어장이 필요하다.
한글에는 한국어 사전이 있다. 영어에는 영어 사전이 있다. 프로그래밍 언어에는 표준 라이브러리가 있다.
인공언어도 마찬가지다. 엔티티의 목록, 관계의 목록, 속성의 목록. “삼성전자"가 이 언어에서 어떤 코드인지, “수도(capital)“라는 관계가 어떤 코드인지, 단어장이 있어야 문장을 쓸 수 있다.
이 단어장을 어떻게 만드는가. 두 가지 방법이 있다.
처음부터 만든다. 또는 이미 있는 것을 가져다 쓴다.
처음부터 만든다: CYC의 교훈
CYC 프로젝트는 1984년에 시작했다.
범용 상식 지식을 형식화하여 저장하겠다는 목표. 온톨로지를 처음부터 설계했다. 개념을 정의하고, 관계를 정의하고, 규칙을 정의했다. 전문가들이 수작업으로 입력했다.
30년이 지났다. 수백만 개의 규칙이 입력되었다.
그러나 세계의 지식을 커버하기에는 턱없이 부족했다. 도메인마다 온톨로지를 따로 설계해야 했다. 도메인 간 일관성을 유지하기 어려웠다. 새로운 개념이 등장할 때마다 온톨로지를 수정해야 했다. 수정이 기존 규칙과 충돌하는 경우가 빈번했다.
CYC가 증명한 것은 가능성이 아니라 한계였다. 소수의 전문가가 세계의 온톨로지를 설계하는 것은 규모가 커지면 유지 불가능하다.
이미 있는 것: 위키데이터
위키데이터(Wikidata)는 2012년에 시작했다.
위키미디어 재단이 운영하는 구조화된 지식 베이스. 누구나 편집할 수 있다. 2026년 10월 19일 덤프 기준, 개체 약 1억 2,197만 개. 그중 속성이 13,991개. 진술 약 17억 8천만 개. 600개가 넘는 언어 코드로 쓴 레이블.
CYC가 30년간 전문가 팀으로 못 이룬 규모를 위키데이터는 14년간 커뮤니티로 이뤘다.
위키데이터가 가진 것을 보자.
엔티티 식별자. Q-ID. 삼성전자는 Q20718. 서울은 Q8684. 이순신은 Q217300. 전 세계에서 유일한 식별자. 언어에 무관하다.
속성 식별자. P-ID. “본사 소재지"는 P159. “설립일"은 P571. “인구"는 P1082. 관계와 속성이 고유하게 식별된다.
계층 구조. P31(instance of)과 P279(subclass of)로 타입 계층이 형성된다. “서울 → 도시 → 인간 거주지 → 지리적 개체.” 세계의 분류 체계가 이 두 속성으로 표현된다.
다국어 레이블. Q20718의 한국어 레이블은 “삼성전자”, 영어 레이블은 “Samsung Electronics”, 일본어 레이블은 “サムスン電子”. 식별자는 하나, 이름은 언어마다 다르다.
커뮤니티 검증. 전 세계의 편집자. 반달리즘 감지. 출처 요구. 완벽하지 않지만, 소수의 전문가보다 확장 가능하다.
이것을 처음부터 만들 이유가 없다.
GEUL은 위키데이터를 그대로 옮긴다
GEUL은 위키데이터의 식별자를 새로 만들지 않는다. 그대로 쓴다.
GEUL 문법에는 위키데이터를 가리키는 Reference가 따로 있다. WIKIDATA-QID는 Q-ID의 숫자를, WIKIDATA-PID는 P-ID의 숫자를 부호 없는 정수로 쓴다. Q42는 정수 42다. P31은 정수 31이다. 문자열이 아니라 정수이므로, 같은지 비교하는 데 정규화가 필요 없다.
옮기는 경로는 이렇다.
1단계: 무손실 적재. wikipg가 위키데이터 JSON 덤프를 PostgreSQL에 적재한다. 개체, 레이블, 설명, 별칭, 진술, 한정자, 출처, 사이트링크를 덤프 순서대로 저장하고, 덤프의 모든 줄을 원문 그대로 남긴다. 덤프 파일 자체(URL, 크기, 체크섬, 적재기 커밋)도 기록한다. 아무것도 버리지 않아야 무엇을 옮기고 무엇을 건너뛰었는지 나중에 따질 수 있다.
2단계: 개체마다 문서 하나. wikigeul이 적재된 덤프를 읽어 항목과 속성마다 GEUL 문서를 하나씩 만든다. 레이블, 설명, 별칭, 한정자와 출처가 붙은 진술, 사이트링크를 담는다. 모든 언어가 한 문서에 들어간다. 언어별로 나누지 않는다.
모든 문서의 Issuer는 0x00000001(wikidata.geul.org) 하나다.
문서 ID는 64비트다. 맨 위 바이트가 개체 종류의 글자이고, 아래 56비트가 번호다.
Q42의 문서는 0x510000000000002a다. 0x51은 Q, 0x2a는 42다.
P31의 문서는 0x500000000000001f다.
hex만 봐도 어느 개체의 문서인지 안다.
실제 문서 한 벌은 예시: 위키데이터 항목에서 처음부터 끝까지 읽을 수 있다.
3단계: 정수로 인용. 진술 안에서 항목과 속성은 정수로 적힌다. “Q42는 사람(Q5)이다"는 P31, Q42, Q5 세 정수로 된 TRIPLE이다. 이 정수가 곧 문서 ID의 번호다. 어떤 진술에서든 그 대상의 문서로 바로 갈 수 있다.
출처도 함께 옮긴다. 위키데이터의 출처(reference) 하나는 GEUL의 SOURCE 하나가 된다. 문서 머리에는 어느 덤프를 어떤 도구(커밋)로 옮겼는지가 기록된다.
4단계: pack 아카이브로 공표. 개체 1억 2천만 개를 파일 1억 2천만 개로 내놓을 수는 없다. 문서는 Issuer별 pack 아카이브로 묶고, 레코드는 zstd로 압축한다. 읽는 쪽은 아카이브 전체를 받지 않고 필요한 문서만 꺼낸다.
지금은 Q1–Q10000 구간으로 변환을 검증하고 있다. 역변환 왕복, 아카이브, 완전성을 전수 점검한다. 전량 변환과 공표는 그다음이다.
SIDX는 그다음이다
Q-ID는 등록 순서대로 붙은 번호다. 번호가 가깝다고 의미가 가깝지 않다. Q42는 더글러스 애덤스이고, Q41은 그리스, Q43은 튀르키예다.
GEUL은 다른 종류의 식별자도 연구하고 있다. SIDX(Semantic-aligned Index), 의미가 가까운 대상에 가까운 값을 주는 의미정렬 식별자다. 목표는 비트 자체에 의미를 담는 것이다. 상위 비트만 봐도 “이것이 사람인지, 장소인지, 조직인지” 알 수 있게.
SIDX는 아직 v1 이전의 연구 단계다. 문법에는 GEUL-SIDX Reference의 자리만 있다. 폭은 정해지지 않았다. 64비트와 256비트 등을 검토하고 있고, 통계를 보고 정한다. 배정 결과도 아직 없다. 그래서 지금의 위키데이터 문서는 SIDX 없이 Q-ID로 쓴다. SIDX가 배정되면 같은 대상의 기존 식별자와 SIDX를 SAME-NODE로 잇는다.
여기서 위키데이터가 다시 쓰인다. SIDX 연구는 위키데이터의 분류 체계와 빈도 통계에서 출발한다. 검토하고 있는 방향은 이렇다.
타입 추출. P31(instance of)의 목적어로 쓰인 Q-ID를 모은다. 이것이 “타입"의 목록이다. “인간(Q5)”, “도시(Q515)”, “국가(Q6256)”, “기업(Q4830453)”… 각 타입의 인스턴스 수를 센다.
계층 구축. 타입 간의 P279(subclass of) 관계로 트리를 만든다. “도시 → 인간 거주지 → 지리적 개체 → 개체.” 하나의 타입이 여러 상위 타입에 속하는 다중 상속을 어떻게 다룰지가 과제다.
비트 배정. 트리 구조가 비트 접두사의 관계가 된다. 같은 상위 타입에 속하는 하위 타입들은 같은 접두사를 공유한다. “도시"와 “마을"은 “인간 거주지"의 접두사를 공유한다. 인스턴스가 많은 타입에는 더 짧은 접두사, 즉 더 넓은 번호 공간을 준다. 허프만 코딩과 같은 발상이다.
이것은 아직 가설이다. 풀어야 할 문제가 남아 있다. 통계가 바뀌어도 이미 배정한 SIDX를 옮기지 않아야 한다. 같은 값이 두 대상에 배정되면 안 된다. 코드북과 레지스트리를 어떤 형식으로 공개할지도 정해야 한다.
위키데이터가 제공하는 것
이 경로에서 위키데이터가 제공하는 것은 세 가지다.
식별자. “세계의 무엇을 가리키는가"에 대한 답. Q-ID와 P-ID가 그대로 GEUL의 정수 Reference가 된다. 위키데이터의 지식을 GEUL 문서로 옮길 수 있고, GEUL 문서에서 위키데이터 식별자를 그대로 읽을 수 있다.
분류 체계. “세계에 어떤 종류의 것들이 있는가"에 대한 답. CYC는 이것을 전문가 팀이 설계했다. GEUL은 위키데이터에서 가져온다. 편집자들이 14년간 합의한 분류 체계를 SIDX의 비트 트리로 옮기는 것이 연구의 목표다.
빈도 통계. “어떤 종류의 것이 세계에 얼마나 있는가"에 대한 답. 인간 엔티티가 900만 개이고 소행성이 100만 개라면, “인간"이라는 타입이 “소행성"보다 더 효율적인 코드를 받아야 한다. 실제 사용 빈도가 코드 설계의 근거가 된다.
위키데이터가 제공하지 않는 것
위키데이터는 사전이다. 사전이 언어는 아니다.
사전은 단어의 목록을 제공한다. 언어는 단어로 문장을 만드는 문법을 제공한다.
위키데이터가 제공하지 않는 것은 GEUL이 추가하는 부분이다.
Fact에서 Claim으로. 위키데이터의 기본 단위는 사실(Fact)이다. “서울의 인구는 974만이다.” 참이거나 거짓이다.
GEUL의 기본 단위는 주장(Claim)이다. “A에 따르면, 서울의 인구는 약 974만이다. (확신도 0.9, 시점 2023)” 누가, 얼마나 확실하게, 언제 기준으로 주장하는지가 서술에 포함된다. 이 차이는 왜 사실이 아니라 주장인가에서 상세히 다룬다.
동사 한정사. 위키데이터에는 동사의 미묘함을 표현할 자리가 없다. “이순신은 명량해전에서 승리했다"에서 시제, 상, 증거성, 서법, 확신도가 어디에 있는가. 위키데이터에서 이것은 퀄리파이어로 부분적으로 표현되지만, 체계적인 동사 한정 체계는 없다.
GEUL은 시제, 상, 극성, 증거성, 서법, 의도성, 확신성 같은 차원을 서술에 구조적으로 붙이는 동사 한정 체계를 설계하고 있다. 이것도 v1 이전의 과제다.
16비트 워드. 위키데이터의 표현은 컨텍스트 윈도우를 위해 설계되지 않았다. JSON-LD, RDF, SPARQL. 기계가 읽을 수 있지만 토큰 효율적이지 않다.
GEUL은 16비트 워드의 연속이다. 레코드의 첫 워드(TAG WORD)가 그 레코드의 종류와 길이를 말한다. 코덱북 없이도 레코드를 거르고 건너뛸 수 있다. 컨텍스트 윈도우의 유한함을 전제로 한 표현 체계다. 이것은 왜 MD/JSON/XML로는 안 되는가에서 이미 다뤘다.
컨텍스트 파이프라인. 위키데이터는 저장소다. GEUL은 파이프라인의 일부다. 명료화, 검증, 필터링, 정합성 검사, 탐색 — 이 시리즈에서 논의한 모든 것이 GEUL의 구조화된 표현 위에서 작동한다. 위키데이터에는 이 파이프라인이 없다. 있을 필요도 없다. 위키데이터의 목적은 다르니까.
사전과 언어의 관계
정리하면 이렇다.
위키데이터는 세계의 단어장이다. 어떤 엔티티가 존재하는지, 어떤 관계가 존재하는지, 어떤 타입이 있고 그것들이 어떻게 분류되는지. 이것을 14년간 커뮤니티가 쌓았다.
GEUL은 이 단어장 위에 문법을 얹는다. 단어장의 식별자 → GEUL의 정수 Reference. 단어장의 항목 → 개체마다 GEUL 문서 하나. 단어장의 분류 체계와 빈도 통계 → SIDX 연구의 재료.
그리고 단어장에 없는 것을 추가한다. 주장의 구조. 동사의 한정. 16비트 워드. 컨텍스트 파이프라인.
위키데이터 없이 GEUL을 만들 수 있는가. 만들 수 있다. CYC처럼 처음부터 온톨로지를 설계하면 된다. 그러나 그것은 40년 전에 시도되었고, 결과가 나와 있다.
위키데이터가 있으므로 GEUL은 온톨로지를 설계하지 않는다. 이미 존재하는 합의를 옮긴다.
요약
인공언어에는 단어장이 필요하다. 단어장을 처음부터 만드는 것은 CYC가 시도했고, 30년이 한계를 증명했다.
위키데이터는 개체 약 1억 2천만 개, 진술 약 17억 8천만 개를 가진 세계의 단어장이다(2026년 10월 덤프 기준). 커뮤니티가 14년간 쌓은 것이다.
GEUL은 이 단어장을 그대로 옮긴다. wikipg가 덤프를 PostgreSQL에 무손실로 적재하고, wikigeul이 개체마다 모든 언어를 담은 GEUL 문서 하나를 만든다. 항목과 속성은 정수로 인용되고, 문서는 pack 아카이브로 공표된다.
SIDX는 그다음 연구다. P31의 인스턴스 빈도와 P279의 계층으로 의미정렬 식별자를 설계한다. 폭도 배정도 아직 정해지지 않았다.
위키데이터는 사전이고 GEUL은 언어다. 사전은 단어를 제공하고, 언어는 문법을 제공한다. GEUL은 위키데이터의 단어장 위에 주장의 구조, 동사 한정, 16비트 워드, 컨텍스트 파이프라인을 얹는다.
GEUL은 위키데이터를 부정하지 않는다. 위키데이터 위에 선다.