CERN Mistral 파트너십, 충돌기 물리학용 공유 모델 추진

CERN과 Mistral은 2026년 10월 15일 의향서를 발표하며, 해당 분야의 특화 알고리즘과 나란히 활용될 공유 물리 모델을 제시했다. CERN Mistral 파트너십은 수십억 건의 시뮬레이션 양성자-양성자 충돌 데이터를 학습한 Large Physics Model 개발을 목표로 한다. 이 목표는 한 가지 구체적인 질문을 제기한다. 과학적 정밀도를 잃지 않으면서 입자 재구성의 어느 정도까지 학습된 공통 기반을 공유할 수 있을까?

제안된 접근법은 연구자가 다양한 작업에 맞게 조정할 수 있는 사전학습 시스템인 파운데이션 모델을 기반으로 한다. OmniJet-α와 OmniLearned를 포함한 이전 프로젝트들은 이미 입자 물리학에서 이 방향을 탐색했다. 이번 발표는 기존 연구 흐름에 기관 간 파트너십을 더하며, 재구성 과정 전반으로 확장되는 목표를 내세운다.

개발자와 과학 컴퓨팅 팀에게 핵심 긴장은 공유 역량과 특화된 통제 사이에 있다. 모델 재사용은 반복 개발을 줄일 수 있다. 그러나 여러 과학 작업을 지원하는 시스템은 오류가 어디서 발생하는지, 어떻게 확산되는지, 연구자가 결과를 재현할 수 있는지에 관한 설득력 있는 근거도 필요하다.

CERN Mistral 파트너십이 실제로 추진하는 것

이번 발표는 완성된 모델이나 배포를 보고하는 것이 아니라 연구 방향과 의도된 파트너십을 설정한다.

CERN의 물리 모델 발표는 고에너지 입자 상호작용을 통해 물질을 연구하는 고에너지 물리학을 초기 초점으로 설명한다. 제안된 활용 분야에는 충돌 재구성, 입자 식별, 비정상 신호 탐지, 미래 검출기 설계가 포함된다. CERN은 물리학, 데이터, 컴퓨팅 전문성을 제공하고, Mistral은 대규모 모델 학습 경험을 제공한다.

이러한 활용 분야는 서로 다른 과학적 판단에 걸쳐 있다. 재구성은 검출기 측정값을 충돌 중 발생한 일에 대한 추정값으로 변환한다. 입자 식별은 연구자가 이러한 추정값을 해석하는 데 도움을 준다. 비정상 신호 탐색은 관측 결과가 추가 조사를 받을 가치가 있는지 묻고, 검출기 설계는 아직 구축되지 않은 장비와 관련된다.

이러한 활용 분야를 하나의 공유 모델에 담는 것은 야심 찬 연구 선택이다. 한 활용 분야에서의 성공은 유용한 근거가 되겠지만, 다른 분야에도 자동으로 적합함을 입증하지는 않는다. 익숙한 패턴을 정확히 인식하는 모델이라도 연구자가 낯선 패턴을 표시하도록 요청할 때는 별도의 평가가 필요하다.

의향서는 실무적 질문도 남긴다. 발표문은 모델 출시일, 파라미터 수, 학습 예산 또는 배포 아키텍처를 명시하지 않는다. 파트너십 외부 연구자에게 다운로드 가능한 모델, 서비스 기반 접근 또는 다른 배포 방식이 제공될지도 정하지 않았다.

이러한 누락은 발표의 현재 범위를 규정한다. 독자는 모든 구현 결정이 확정된 것으로 간주하지 않고도 제안된 방향을 평가할 수 있다. 의향서는 협력 탐색에 관한 조직적 의지를 전달하지만, 과학 컴퓨팅 시스템을 평가하는 데 필요한 증거 자체를 제공하지는 않는다.

따라서 외부 개발자에게 즉각적인 의미는 정보 차원에 있다. 확인 가능한 활용 분야와 참여 기관을 갖춘 명명된 프로그램이 생겼다. 하지만 통합을 계획하거나 운영 요구사항을 추정하거나 제안 모델을 기존 워크플로와 비교하기에는 아직 공개된 기술 세부 정보가 충분하지 않다.

의도된 역량과 이용 가능한 역량을 구분하는 일은 유용하다. 이 구분은 특히 제안된 시스템이 과학 작업의 여러 단계를 아우를 때 중요하다. 활용 분야가 하나 추가될 때마다 모델이 실제로 무엇을 입력받고, 무엇을 예측하며, 무엇을 다른 소프트웨어에 맡기는지 문서화하는 중요성도 커진다.

파트너십의 의미는 이러한 범위에 있다. 산업계의 학습 전문성과 실험 물리학의 요구사항이 같은 프로젝트를 형성할 수 있는 환경을 만든다. 이것이 유용한 공유 기반을 만들어낼지는 이후의 기술 출판물이 설명해야 할 결정과 결과에 달려 있다.

충돌기 업그레이드가 재구성 팀에 압박을 가한다

다가오는 실험 복잡성 증가는 공유 모델 연구에 구체적인 운영 목적을 부여한다.

CERN의 High-Luminosity LHC 프로그램은 원래 설계의 10배에 달하는 적분 광도를 목표로 한다. 이는 시간에 걸쳐 누적되는 충돌 기회를 뜻한다. CERN은 현재 업그레이드된 가속기가 2030년경 가동될 것으로 예상한다. 이 일정은 미래 실험 수요가 닥치기 전에 소프트웨어 팀이 접근법을 검토해야 할 실질적 이유를 제공한다.

압박은 측정값을 활용 가능하게 만드는 팀에 가해진다. 더 많은 충돌 기회는 연구자가 관측을 처리하고, 품질을 평가하며, 신뢰할 수 있는 결과를 추출할 수 있을 때에만 가치가 있다. 따라서 컴퓨팅 결정은 실험이 장비에서 얼마나 많은 과학적 가치를 얻을 수 있는지에 영향을 미친다.

관련 제약은 모델 정확도 점수를 넘어선다. 팀은 처리 시간, 메모리 요구사항, 유지보수, 변경 사항을 검증하는 데 필요한 노력도 고려해야 한다. 예측을 개선하지만 비현실적인 자원을 요구하는 접근법은 전체 워크플로를 개선하는 접근법과는 다른 제안이 된다.

교체 구성요소를 평가하는 재구성 팀을 생각해 보자. 첫 번째 질문은 해당 구성요소가 맡은 작업을 올바르게 수행하는지에 관한 것이다. 그다음 질문은 주변 소프트웨어와의 호환성, 변화하는 조건에서의 동작, 예상치 못한 출력 조사에 따르는 부담에 관한 것이다.

공유 기반은 이 평가에 또 하나의 차원을 더한다. 한 작업을 위해 학습된 개선점이 관련 작업에도 도움이 되어 반복 개발을 줄일 수 있다. 반대로 공통 모델을 변경하면 여러 팀이 검증 작업을 다시 검토해야 할 수 있다. 재사용은 중복을 줄이는 동시에 조율 필요성을 높일 수 있다.

이 때문에 과학 소프트웨어 개발자는 이 파트너십에 주목할 만하다. 모델 자체와 함께 모델 개발의 조직 방식도 검토 대상이 되기 때문이다. 공통 기반은 누가 공유된 동작을 유지하고, 누가 업데이트를 승인하며, 누가 새 버전의 준비 완료 여부를 판단하는지에 영향을 미친다.

Mistral에 제안된 협력은 학습 전문성을 평가할 수 있는 까다로운 환경도 제공한다. 과학적 유용성에는 그럴듯한 출력을 만드는 것 이상이 필요하다. 연구자는 측정, 검토, 재현 가능한 분석을 뒷받침하는 결과와 다른 사람이 평가할 수 있을 만큼 명확하게 제시된 한계를 필요로 한다.

이 압박은 주로 기술적·조직적 성격을 띤다. 이를 설명하기 위해 AI 공급업체 간의 즉각적인 상업 경쟁을 만들어낼 필요는 없다. 기존 재구성 팀은 이미 중요한 결정을 내려야 한다. 워크플로의 어떤 부분이 공유 학습의 이점을 얻고, 어떤 부분은 여전히 전용 처리를 정당화하는가?

이 결정은 조달과 인프라 계획에도 영향을 준다. 자원을 투입하기 전 기관은 탐색적 연구와 지원되는 의존성을 구분해야 한다. 유망한 프로토타입은 실험을 정당화할 수 있다. 일상적인 분석에 내장되는 시스템에는 더 명확한 소유권, 문서화, 지속적인 이용 가능성에 대한 기대가 필요하다.

과학을 위한 AI에 주는 더 넓은 교훈은 실용적이다. 모델 개발은 명확한 실험적 필요와 연결될 때 더 강한 목적을 얻는다. 여기서는 가속기 프로그램이 그러한 맥락을 제공하며, 제안된 소프트웨어 접근법이 그 요구를 충족하는지 판단하는 책임은 연구자에게 남긴다.

공유 모델이 특화 시스템의 연쇄와 맞선다

핵심 아키텍처적 승부수는 관련 물리 작업이 공통 표현 학습의 혜택을 받을 수 있다는 데 있다.

표현이란 입력에서 유용한 패턴을 부호화하는 모델 내부 방식이다. 이 표현을 공유하면 각 작업을 완전히 별개로 개발하는 방식의 대안이 된다. CERN Mistral 파트너십은 제안된 활용 분야가 관련된 충돌 정보를 서로 다르게 해석한다는 점에서 이러한 선택을 특히 중요하게 만든다.

가상의 재구성 워크플로를 통해 그 매력을 쉽게 이해할 수 있다. 별도의 구성요소들이 유사한 검출기 정보에서 각각 패턴을 학습한다고 가정해 보자. 공유 기반은 그 패턴 일부를 한 번 학습한 뒤 작업별 조정을 지원할 수 있다. 특정 활용 분야를 위한 추가 학습인 미세 조정은 공유 기반을 더 좁은 목표와 연결한다.

이 가능성이 모든 단계가 동일한 장치를 사용해야 함을 입증하지는 않는다. 일부 작업은 공유 특성의 이점을 얻을 수 있지만, 다른 작업은 특화된 입력이나 목표를 요구할 수 있다. 신뢰할 수 있는 아키텍처는 획일성을 그 자체의 목표로 삼기보다 이러한 경계를 설명해야 한다.

비교는 특화 소프트웨어의 강점도 보존해야 한다. 전용 구성요소에는 명확히 정해진 책임이 있어 개발자가 변경 사항을 분리하고 실패를 검토하는 데 도움이 된다. 출력이 바뀌면 팀은 전체 워크플로를 다시 고려해야 한다고 가정하지 않고 해당 구성요소를 조사할 수 있다.

공유 모델은 이 구성을 바꾼다. 입자 식별을 개선하려는 업데이트가 다른 곳의 동작도 바꿀 수 있다. 평균 결과가 개선되더라도 이러한 상호작용에는 신중한 테스트가 필요하다. 연구자는 개선이 널리 분포하는지, 아니면 더 쉬운 사례에 집중되는지 알아야 한다.

여러 작업에 걸쳐 공유된 학습이 개별 작업에 해를 끼치는 경우인 부정적 전이는 검증할 만한 유용한 가능성이다. 이를 이 프로젝트에서 입증된 결함으로 제시해서는 안 된다. 대신 평가자에게 구체적인 질문을 준다. 공유 학습은 관련 조건에서 각각의 의도된 활용 분야에 도움이 되는가?

같은 논리는 효율성에도 적용된다. 학습 재사용은 일부 중복 작업을 줄일 수 있지만, 결과 모델에는 여전히 운영 요구사항이 있다. 공정한 비교는 어떤 단계가 한 접근법을 가장 유리하게 보이게 하는지 선택하기보다 조정, 실행, 검증에 드는 노력을 포함해야 한다.

따라서 제안된 Large Physics Model은 여러 종류의 비교를 거쳐야 한다. 전용 방법, 더 단순한 공유 대안, 그리고 자체 구성요소와 비교해 평가해야 한다. 선택한 특성을 제거하는 실험인 절제 연구는 어떤 설계 선택이 보고된 이점을 만들어내는지 파악하는 데 도움이 될 것이다.

물리학 외부의 개발자에게도 이는 익숙한 아키텍처 문제다. 공유 인프라는 반복을 줄이지만 공통 의존성을 만든다. 유용한 질문은 얼마나 많은 소프트웨어를 공통 인터페이스 뒤에 둘 수 있는지가 아니라, 공유가 시스템의 목적을 어디에서 개선하는지에 관한 것이다.

이 구분은 분석을 현실에 기반하게 유지한다. 발표는 연구적 목표를 설명하며, 아키텍처적 근거는 실험적으로 확립해야 할 대상으로 남아 있다. 강력한 증거는 공유 접근법이 효과적인 지점과 전문가용 시스템을 유지하는 편이 더 나은 엔지니어링 결정인 지점을 모두 설명할 것이다.

기존 물리 모델은 선도자 서사를 복잡하게 만든다

기존 연구는 파트너십에 과학적 출발점을 제공하는 동시에 최초라는 주장에는 신중함을 요구한다.

2024년 교차 작업 물리 모델 논문은 OmniJet-α를 소개했다. 저자들은 입자 제트를 생성하는 학습과 이를 분류하는 학습 간 전이 학습을 보고했다. 제트는 고에너지 상호작용에서 생성되는 입자들의 밀집된 분사 흐름이다. 이 연구는 이미 한 물리 과제를 위한 학습이 다른 과제에 도움이 될 수 있는지를 살펴봤다.

범위는 중요하다. 제트 관련 과제 간 전이를 입증한다고 해서 충돌 재구성을 완전히 대체할 수 있다는 뜻은 아니다. 다만 이는 독자가 광범위한 기관의 목표와 충돌기 물리학에서 파운데이션 모델 연구가 처음 등장한 시점을 구분해야 하는 이유를 보여준다.

OmniLearned는 또 다른 관련 비교 사례를 제공한다. 2025년 10월 처음 제출된 뒤 수정된 제트 물리 프레임워크는 10억 개가 넘는 제트로 학습했다고 보고한다. 저자들은 입자 분류와 이상 탐지, 즉 예상된 패턴에서 벗어난 관측을 찾는 작업을 포함한 평가를 설명한다.

저자들은 선택한 과제에서 강력한 결과를 보고한다. 이들의 발견은 모든 충돌기 응용 분야를 아우르는 보편적 순위가 아니라, 연구한 조건 안에서의 연구 근거를 제공한다. 새 파트너십을 이 연구와 비교하려면 과제 정의, 데이터, 평가 절차를 맞춰야 한다.

이는 과학적 선례와 조직적 발전을 구분하는 데 유용하다. 앞선 연구는 특정 방법과 응용을 조사한다. CERN 발표는 더 폭넓은 모델 프로그램을 둘러싼 협력 의도를 설명한다. 이전 연구가 이야기에서 사라질 필요 없이, 둘 다 중요할 수 있다.

따라서 CERN이 자신의 목표를 충돌기 물리학을 위한 최초의 파운데이션 모델이라고 규정한 표현에는 출처 표시와 범위 설명이 필요하다. 공개된 선례는 제한 없는 사상 최초라는 해석을 유지하기 어렵게 만든다. 더 명확한 기술 설명이라면 제안된 프로젝트를 구별하는 입력, 과제 또는 재구성 단계의 조합이 정확히 무엇인지 설명해야 한다.

별도의 비교 사례로는 Argonne National Laboratory의 과학 파운데이션 모델 프로그램인 AuroraGPT가 있다. Argonne은 모델 개발을 과학 워크플로, 평가, 컴퓨팅 성능 및 지원 인프라와 결합하는 프로젝트라고 설명한다. 그 범위는 충돌기 재구성과 다르지만, 과학을 위한 AI에 대한 더 폭넓은 기관적 관심을 보여준다.

이 비교가 AuroraGPT와 CERN 프로젝트가 서로 대체 가능한 경쟁자라는 뜻은 아니다. 이들은 서로 다른 필요를 다룬다. 다만 과학 모델 프로그램에는 학습 그 이상이 필요하며, 여기에는 유용성을 평가하고 결과 시스템에 의존하는 연구자를 지원하는 방법도 포함된다는 점을 보여준다.

CERN의 노력에서 이전 연구는 해명해야 할 당혹스러운 요소가 아니라 잠재적인 비교 기준을 제공한다. 강력한 기술 출판물은 관련 선례를 식별하고, 무엇을 계승하며 무엇을 바꾸는지 설명하고, 그 변화를 검증해야 한다. 그렇게 하면 과학계가 그 기여를 더 쉽게 평가할 수 있다.

따라서 독자는 기관명만큼이나 연구의 계보를 면밀히 따라야 한다. 가장 유익한 발전은 기존에 해결되지 않았던 문제를 명확히 하는 결과일 것이다. 참신성에 대한 광범위한 주장은 어떤 역량이 어떤 조건에서 향상됐는지를 재현 가능하게 설명하는 것보다 지침을 덜 제공한다.

과학적 신뢰성은 학습만으로 보장할 수 없는 것에 달려 있다

대규모 학습만으로 모델이 과학적 측정에 적합하다는 사실이 확립되지는 않는다.

제안된 시뮬레이션 충돌 활용은 검증을 핵심 쟁점으로 만든다. 시뮬레이션은 정해진 가정 아래 사례를 생성해 학습과 평가를 위한 통제된 환경을 제공한다. 이후 응용에서는 관측이 그러한 가정과 다를 때 성능이 얼마나 잘 유지되는지가 문제다.

이 문제는 흔히 도메인 시프트라고 불리며, 개발에 사용된 조건과 실제 사용에서 마주치는 조건 간 차이를 뜻한다. 이 프로젝트에서 평가자는 어떤 변화가 중요한지, 이를 어떻게 탐지하는지, 모델이 낯선 사례를 만났을 때 어떤 일이 일어나는지를 물어야 한다.

이는 평가 요건이지 제안된 접근법이 실패했다는 근거는 아니다. 공개 발표는 그러한 결론에 이를 수 있는 결과를 제공하지 않는다. 회의론은 답을 단정하기보다 불확실성을 해소하는 데 필요한 실험을 식별할 때 더 유용하다.

불확실성 보정도 또 다른 관련 요건이다. 보고된 신뢰도는 관측된 신뢰성과 일치해야 한다. 후속 사용자가 그 불확실성을 이해한다면, 예측은 불확실한 상태에서도 유용할 수 있다. 확신에 차 있지만 틀린 결과는 추가 검토가 필요한 대상을 판단하는 일을 오도할 수 있기 때문에 다른 문제를 야기한다.

연구자들은 전체 평균을 넘어선 성능도 검토해야 한다. 집계 결과는 드문 조건이나 흔치 않은 사례에서 더 약한 성능을 감출 수 있다. 특히 의도된 응용이 익숙한 패턴에서 벗어난 사건을 식별하는 일을 포함할 때, 과학적 평가는 그러한 차이를 드러내야 한다.

Argonne의 과학 모델 평가 프로그램은 관련 방법론적 참고 사례를 제공한다. 이 팀은 벤치마크, 실험실형 연구 과제, 실제 연구 사용 사례 연구, 불확실성 관련 연구를 결합한다. 이러한 접근은 단일 점수로 과학적 유용성에 관한 모든 질문에 답할 수 없는 이유를 보여준다.

접근성과 재현성은 또 다른 결정의 집합을 수반한다. 공유 모델을 평가하는 연구자에게는 학습 입력, 평가 절차, 버전, 알려진 한계에 관한 명확한 문서가 도움이 된다. 그러한 기록이 없으면 기반 모델이 기술적으로 정교하더라도 변경된 결과를 해석하기가 더 어려워진다.

검색 가능한 지식 기반 문제는 여기서 엔지니어링 관행으로 관련이 있다. 팀은 결과와 연관된 가정과 결정을 찾아낼 수 있어야 한다. 이러한 기록을 체계화하면 조사를 지원할 수 있지만, 문서화만으로 과학적 예측이 옳다는 사실을 확립할 수는 없다.

배포 조건도 비슷한 이유로 중요하다. 호스팅 서비스로 접근하는 방식은 다운로드 가능한 모델 파일에 접근하는 방식과 다른 의존성을 만든다. 어느 방식도 자동으로 과학적 품질을 결정하지는 않는다. 중요한 질문은 연구자가 버전을 보존하고, 그 동작을 이해하며, 필요할 때 분석을 반복할 수 있는지에 관한 것이다.

오늘 이용 가능한 근거는 신뢰성 판단이 아니라 연구 목표를 뒷받침한다. 향후 출판물은 어떤 주장이 측정됐는지, 어떤 주장이 목표로 남아 있는지, 어떤 응용이 모델의 입증된 범위를 벗어나는지를 명시해야 한다. 이러한 구분은 잠재적 사용자가 어디에서 실험이 정당한지 판단하는 데 도움이 될 것이다.

세 가지 신호가 파트너십의 발전 방향을 보여줄 것이다

다음으로 유용한 발전은 정의된 프로그램, 비교 가능한 기술 근거, 그리고 연구자가 참여할 수 있는 실질적인 경로다.

첫 번째 신호는 더 상세한 구현 프레임워크다. 앞으로 몇 달 동안 명명된 작업 흐름, 책임, 이정표를 살펴봐야 한다. 연구 실험과 의도된 운영 용도를 분리하는 프레임워크는 발표되지 않은 출시 일정을 가정하지 않으면서도 진행 상황을 더 쉽게 평가하게 해줄 것이다.

그러한 세부 사항은 의향 표명이 실행 가능한 프로그램으로 전환되고 있다는 주장을 강화할 것이다. 또한 어떤 조직이 학습, 평가, 통합 결정을 맡는지도 분명히 할 것이다. 이러한 책임이 명시되지 않은 상태로 남는다면, 외부 독자는 파트너십의 성숙도를 더 제한적으로 해석해야 한다.

두 번째 신호는 의미 있는 비교를 담은 기술 출판물이다. 가장 강력한 근거는 명확히 정의된 과제에서 공유 학습을 특화 접근법과 비교하는 것이다. 데이터 분리, 자원 요구 사항, 관련 조건 전반의 결과를 설명해 독자가 개선점과 남은 약점을 모두 볼 수 있게 해야 한다.

이는 공유 기반과 특화 제어에 관한 이 글의 핵심 질문을 직접 검증할 것이다. 여러 응용에서 일관된 이점이 나타난다면 아키텍처적 근거가 강화될 것이다. 공유가 효과적인 지점과 전용 구성 요소가 여전히 더 바람직한 지점을 드러낸다면, 혼합된 결과도 여전히 유익할 수 있다.

비교에서 중요한 운영 비용을 빠뜨리거나 과제가 일치하지 않는 데 의존했다면, 인상적인 시연도 덜 결정적일 수 있다. 독자는 성능 주장을 해석하기 전에 실험 설정을 검토해야 한다. 관련 기준은 근거가 의도된 과학적 사용을 뒷받침하는지 여부다.

세 번째 신호는 구체적인 참여 및 접근 정책이다. 누가 시스템을 평가할 수 있는지, 어떤 자료가 제공되는지, 버전은 어떻게 유지되는지를 설명하는 문서를 살펴봐야 한다. 이러한 결정은 외부 연구자가 접근법을 직접 조사할 수 있는지, 아니면 공개된 설명에 의존해야 하는지를 결정할 것이다.

재현 가능한 평가 패키지는 프로그램이 더 폭넓은 검토를 지원할 수 있다는 신뢰를 강화할 것이다. 제한된 접근이 낮은 성능을 입증하는 것은 아니지만, 독립적 평가를 제한한다. 채택에 미치는 영향은 어떤 연구자가 자신의 작업에 필요한 정보를 얻을 수 있는지에 달려 있다.

이러한 신호 중 어느 것도 향후 몇 달 안에 완성된 범용 모델을 요구하지 않는다. 초기 진전은 더 제한적이면서도 여전히 실질적일 수 있다. 정의된 과제에서 신중하게 문서화된 결과는 수반 실험 없이 응용 목록만 확대하는 것보다 더 많은 근거를 제공할 것이다.

CERN과 Mistral의 파트너십을 지켜보는 독자는 실제로 검토할 수 있는 연구 주장부터 시작해야 한다. 제안된 범위를 OmniJet-α 및 OmniLearned와 비교한 뒤, 후속 결과가 비교 가능한 조건에서 더 폭넓은 문제를 다루는지 물어야 한다. 과학 소프트웨어를 개발한다면 자체 워크플로에서 어떤 구성 요소가 공유 학습의 이점을 얻을지, 어떤 구성 요소에 더 강한 분리가 필요할지를 식별해야 한다. 연구 인프라를 평가한다면 버전 보존, 재현 가능한 테스트, 명확한 유지보수 책임을 살펴봐야 한다. 기관의 명성이 대신 답하도록 두지 말고, 이러한 질문을 새 발표마다 함께 적용해야 한다. 첫 기술 근거가 도착하면 그것이 뒷받침하는 구체적인 과제와 여전히 해결되지 않은 결정을 평가해야 한다.