ChatGPT는 왜 자미두수 명반을 틀리게 만들까?

하는 일: (1) 출생 데이터 하나를 고정합니다 — 1990년 3월 15일 23:30, 타이베이, 남성; (2) 이 사이트의 결정론적 배치 엔진으로 이 생년월일시의 완전한 명반을 계산해 다음 절에 기준으로 공개합니다; (3) 범용 언어 모델(ChatGPT, Gemini, Claude 등 챗봇)이 자미두수 명반을 만들 때 반복적으로 저지르는 오류를 검증 가능한 네 가지 유형으로 정리하고 그 메커니즘을 설명합니다.

하지 않는 일: "ChatGPT가 이렇게 말했다"는 대화 캡처를 증거로 붙이지 않습니다. 단일 대화는 재현되지 않습니다 — 모델 버전과 샘플링에 따라 출력이 달라지므로, 일회성 캡처로 논증하는 것은 공정하지도 과학적이지도 않습니다. 대신 오류를 "유형"으로 서술하고, 각 유형에 독자가 직접 실행할 수 있는 검증 절차를 붙입니다. 재현 가능한 검증 방법 자체가 이 글의 논증입니다.

결론부터: 자미두수 명반 작성은 모든 단계에 유일한 정답이 있는 조견표 계산의 연쇄이고, 언어 모델은 만세력도 안성표도 없는 확률적 텍스트 생성기입니다. 모델에게 명반을 맡기는 것은, 책을 절대 펴지 않는 기억력 좋은 사람에게 만세력 전체를 암송시키는 것과 같습니다 — 큰 줄기는 자주 맞지만, 세부가 어디서 틀릴지는 예측할 수 없습니다.

아래 세 표는 이 생년월일시에 대한 본 사이트 배치 엔진의 완전한 출력입니다 — 오픈소스 자미두수 엔진(iztro)이 전통 삼합파 안성 규칙대로 조견표 계산한 결과로, 코드는 고정되어 있고 같은 입력은 항상 같은 출력을 내며, 자동화 테스트가 이 값들을 고정하고 있습니다: 엔진 변경으로 이 페이지의 숫자가 무효가 되면 테스트가 실패합니다.

두 가지 계산 관례를 먼저 밝힙니다(도구 간 정당한 차이의 원천이기도 합니다): (1) 시진은 입력한 현지 시계 시간으로 판정하며 진태양시 보정을 하지 않습니다; (2) 23:00–23:59는 같은 날의 자시(子時)로 처리합니다(날짜를 넘기지 않음). 이 명반과 비교할 도구가 이 두 관례를 공유하는지 먼저 확인한 후 항목별로 대조하세요.

명반 작성의 첫 단계는 양력 생일의 음력 변환입니다. 이 생년월일시의 정답: 1990년 3월 15일 = 음력 1990년 2월 19일. 조견표 한 번이면 되는 일인데, 언어 모델이 가장 자주 넘어지는 지점입니다: 음력 날짜가 하루 이틀 어긋나거나, 윤달 연도를 잘못 기억하거나(윤달을 엉뚱한 달에 배정), 자시의 날짜 경계 처리가 앞뒤로 일관되지 않습니다.

메커니즘은 단순합니다: 음력은 천문학적으로 정의된 역법입니다 — 매달 초하루는 실제 삭(新月)으로, 절기는 태양 황경으로 정해지며, 규칙 암산이 불가능하고 조견표를 봐야만 합니다. 계산 엔진은 완전한 변환표를 내장하고 있지만, 언어 모델은 학습 데이터에 흩어진 만세력 조각들을 확률적으로 "기억"해 낼 뿐입니다. 모델에게 "19일"과 "20일"은 똑같이 유창한 텍스트이고, 틀린 쪽을 골라도 내부 경보는 울리지 않습니다.

역법 오류가 치명적인 이유는 계산 사슬의 최상류에서 발생하기 때문입니다: 음력 날짜가 틀리면 자미성 배치에 쓰는 생일 수가 틀리고, 하류의 모든 단계가 오류를 물려받습니다.

역법을 맞혔다면 다음은 안성(별 배치) — 자미두수 계산에서 가장 촘촘하게 연쇄된 부분입니다: 생월과 생시로 명궁 위치를 정하고; 명궁 간지의 납음으로 오행국을 정하고(이 생년월일시: 명궁 己卯, 납음 성두토, 따라서 토오국); 오행국과 음력 생일의 조견표로 자미성을 배치하고(토오국·19일: 자미는 辰); 나머지 13개 주성은 전부 자미의 위치에서 도출됩니다.

이 구조에 주목하세요: 오행국이 한 단계 틀리면 자미의 위치가 틀리고, 자미가 한 궁 어긋나면 14주성 전체가 통째로 이동합니다 — "별 하나가 틀리는" 것이 아니라 명반의 주성 배치 전체가 틀립니다. 생년사화도 마찬가지입니다: 庚년은 언제나 태양 화록, 무곡 화권, 태음 화과, 천동 화기 — 하나만 잘못 외워도 전부 무너지는 고정 대조표인데, 학습 데이터에는 유파별 사화 구결이 뒤섞여 있어 모델이 교차 오염되기 쉽습니다.

이 규칙들은 계산 엔진에게는 몇 줄의 조견표 코드지만, 언어 모델에게는 어느 단계도 "대충 맞음"이 허용되지 않는 다단계 연쇄 계산입니다 — 확률적 생성이 보장할 수 없는 바로 그것입니다.

직접 검증하기 가장 쉬운 유형입니다: 같은 출생 데이터를 같은 챗봇에게 서로 다른 두 대화에서 "자미두수 명반을 만들어 달라"고 요청한 뒤, 두 출력의 명궁, 오행국, 주성 위치를 항목별로 비교하세요.

명반 작성은 결정론적 계산입니다 — 같은 입력이면 같은 출력, 두 결과는 글자 하나까지 같아야 합니다. 그러나 언어 모델의 생성에는 샘플링 무작위성이 있어, 두 번의 "작성" 결과가 음력 변환, 오행국, 주성 위치에서 서로 모순될 수 있습니다. 두 결과가 다르면 적어도 하나는 틀린 것입니다 — 그리고 모델은 어느 쪽이 틀렸는지 스스로 말해 줄 수 없습니다.

이 테스트가 강력한 이유는 명리 지식이 전혀 필요 없기 때문입니다: 명반을 만들 줄 몰라도, 두 표가 같은지 비교할 줄만 알면 됩니다.

계산 엔진은 처리할 수 없는 입력에 명시적으로 오류를 냅니다. 언어 모델은 정반대로 행동합니다: 확신이 있든 없든, 형식이 완전하고 용어가 전문적이며 그럴듯해 보이는 명반을 생성합니다 — 맞은 부분과 틀린 부분이 똑같이 자신 있는 어조로 나란히 놓이고, "여기는 틀렸을 수 있음" 표시는 붙지 않습니다.

이는 학습 목표의 귀결입니다: 언어 모델은 유창하고 도움이 되는 응답을 생성하도록 최적화되어 있지, 계산 과제를 거부하도록 최적화되어 있지 않습니다. 사용자 입장에서는 오류에 신호가 없다는 뜻입니다 — 틀린 명반과 맞은 명반은 겉보기로 구분되지 않습니다. 유일한 방어책은 외부 기준과의 대조이고, 이 페이지의 기준 명반이 존재하는 이유가 바로 그것입니다.

위 네 가지 오류 유형을 엔진의 동작과 한 표에 놓고 비교합니다:

가벼운 것부터 깊은 것까지 세 가지 — 하나만 골라도 됩니다:

이 글은 언어 모델이 쓸모없다고 말하는 것이 아닙니다 — 우리 제품 자체가 AI를 많이 씁니다. 요점은 분업입니다: 명반 작성은 조견표 계산이므로 결정론적 엔진에게, 해석은 언어 작업이므로 AI에게. AskStar의 구조가 정확히 그렇습니다 — 엔진이 먼저 명반을 정확히 계산하고, AI는 완성된 명반을 쉬운 말로 번역할 뿐이며, 계산 레이어는 모델을 전혀 거치지 않습니다. 자세한 방법은 방법론 페이지에 공개되어 있습니다.

그래서 "ChatGPT는 왜 자미두수 명반을 틀리게 만들까"의 한 줄 답: 명반 작성은 애초에 언어 모델의 일이 아니기 때문입니다. 각 절반에 맞는 도구를 쓰세요 — 확실히 맞는 명반이 필요하면 조견표 엔진으로, 그 명반을 이해하고 싶으면 그때 AI를 부르세요.