AI가 만든 언어, Jacquard의 가능성과 한계

커뮤니티에서는 AI가 기존 언어들의 AST를 분석하여 새로운 언어를 설계했다는 점에 흥미를 보이고 있습니다. 하지만 AI의 언어 설계 능력 자체에 대한 회의론도 존재하며, 특히 LLM이 생성한 코드의 품질과 신뢰성에 대한 의문이 제기됩니다. 한 사용자는 LLM이 웹 검색 능력 없이 처음부터 언어를 배워야 한다면 기존 언어보다 불리할 수 있다고 지적합니다. 이는 AI 생성 코드의 검증 및 디버깅에 대한 중요성을 부각시킵니다.

Jacquard의 가장 큰 특징 중 하나는 함수 시그니처에 외부 효과(파일 시스템, 네트워크 접근 등)를 명시하는 것입니다. 이는 순수 함수(Pure Functions) 개념을 확장하여 코드의 부수 효과(Side Effects)를 명확히 파악하게 해줍니다. 한 사용자는 이를 Jai 언어의 유사한 기능과 비교하며, 코드의 예측 가능성(Predictability)과 디버깅 용이성을 높이는 훌륭한 아이디어라고 평가합니다. 또한, 이러한 효과를 런타임에서 제어하고 재현(Record/Replay)하는 기능은 테스트 및 시뮬레이션에 유용할 것으로 보입니다.

Jacquard는 코드의 구조적 동일성(Structural Identity)을 해시값으로 관리합니다. 이는 코드의 내용이 동일하다면 형식 변경(Renaming, Formatting)에도 불구하고 재컴파일이나 재테스트가 필요 없다는 것을 의미합니다. 이는 코드의 불변성(Immutability)을 강화하고, 특히 AI가 생성한 코드의 반복적인 변경에 유연하게 대처할 수 있는 장점을 제공합니다. 한 사용자는 Unison 언어의 캐싱 접근 방식과 유사하다고 언급하며, 이러한 접근 방식의 광범위한 채택을 기대합니다.

함께 개발된 Warp 테스트 프레임워크는 결과 캐싱, 핸들러 치환, 재현(Replay) 등의 기능을 통합하여 개발 생산성을 높입니다. 특히, 다양한 '월드(Worlds)' 환경에서 코드를 실행하고 결과를 비교하는 기능은 주목할 만합니다. 이는 실제 네트워크, 녹화된 트래픽, 확률 모델 등 다양한 시나리오에서 코드를 테스트할 수 있게 합니다. 한 사용자는 이를 의존성 주입(Dependency Injection)과 유사하다고 보면서도, Jacquard의 효과 시스템과 결합된 독특한 접근 방식임을 시사합니다.

새로운 AI 중심 언어의 가장 큰 과제는 기존 LLM들이 해당 언어에 대한 사전 학습 데이터가 부족하다는 점입니다. Java나 C++와 같이 수십 년간 축적된 코드 베이스를 가진 언어와 달리, Jacquard는 LLM이 학습할 자료가 제한적일 수 있습니다. 이는 언어 자체의 문서화 및 커뮤니티 지원이 매우 중요함을 시사합니다. 또한, AI가 생성한 코드를 인간이 검토하고 수정하는 워크플로우가 언어 설계의 핵심 목표인 만큼, 이 과정의 효율성과 실용성이 검증되어야 할 것입니다.