CAPTCHA를 풀도록 AI 훈련하기: Salman과 Bicakci, 학습하는 솔버를 시험하다
Oguzhan Salman과 Kemal Bicakci는 사용을 거치며 개선되도록 설계된 CAPTCHA 솔버가 85.4%의 분류 정확도를 기록했다고 보고했다. CAPTCHA를 풀도록 AI를 훈련하는 이들의 연구는 자동화된 솔버를 막는 퍼즐이라면 계속 막을 것이라는 익숙한 방어 가정에 도전한다. 제안된 시스템은 특화된 이미지 인식과 더 폭넓은 시각적 추론을 결합한다.
핵심 경쟁 구도는 고정된 시각 방어 수단과 적응형 솔버 사이에 있다. 인간과 자동화 소프트웨어를 구분하기 위한 테스트인 CAPTCHA는 인식 문제를 제시한다. 이 문제를 바꾸면 특화 모델을 방해할 수 있다. 더 어려운 질문은 다른 모델이 학습 예시를 제공할 때 그 방해가 지속되는지다.
Google의 reCAPTCHA는 실질적인 기준점이지만, 그 함의는 웹사이트가 보호를 평가하는 방식 전반으로 확장된다. 오늘 퍼즐 방어에 성공했다고 해서 지속적인 저항력을 확보했다는 뜻은 아니다. 개발자와 보안 구매자에게 이 연구는 복구 시간, 전체 검증 결과, 정당한 접근의 비용으로 관심을 돌린다.
CAPTCHA를 풀도록 AI 훈련하기, 고정 모델을 넘어서다
Istanbul Technical University의 연구원인 Salman과 Bicakci는 2026년 9월 2일 프리프린트를 게시했다. Bruce Schneier는 10월 19일 적응형 CAPTCHA 연구를 소개했다. 이 구분은 중요하다. 최근의 관심은 새로 발표된 상용 제품이 아니라 기존 연구 공개에 관한 것이기 때문이다.
중요한 변화는 퍼즐 속 객체를 인식하는 능력보다 제안된 학습 루프에 있다.
이 시스템은 특화된 시각 인식 모델인 YOLOv8과 이미지와 텍스트를 함께 처리하는 비전-언어 모델을 결합한다. 라우팅 메커니즘은 신뢰도에 따라 둘 중 하나를 선택한다. 이 구성은 동일한 아키텍처 안에서 특화 경로와 더 폭넓은 대체 경로를 제공한다.
저자들은 16개 클래스 전반에서 전체 정확도 85.4%, 매크로 정확도 84.2%를 보고했다. 전체 정확도는 평가된 샘플 전체의 예측을 집계한다. 매크로 정확도는 각 클래스를 동일하게 가중하므로, 흔한 클래스 뒤에 성능이 낮은 범주를 숨기기 어렵다. 이 수치는 보편적인 웹사이트 접근 성공률이 아니라 분류 성능을 설명한다.
이 차이는 독자가 핵심 수치를 해석하는 방식을 바꾼다. 웹사이트는 모델이 고립된 이미지에 올바른 라벨을 붙였다고 해서 접근을 허용하지 않는다. 여러 선택, 새로 고침된 이미지, 검증 결정, 재시도를 포함할 수 있는 상호작용을 평가한다. 분류 벤치마크는 그 상호작용의 중요한 구성 요소를 측정한다.
논문은 Google의 reCAPTCHA v2 데모 페이지에서 수행한 실시간 평가도 보고한다. 100개 세션에서 모두 최종적으로 통과했으며, 206개 퍼즐 중 181개는 첫 시도에서 성공했다. 이 결과는 정적 이미지를 넘어선 배포 환경의 근거를 제공한다. 다만 여러 웹사이트에 걸친 독립 감사가 아니라 저자들의 시험 조건에서 관찰한 결과다.
방어자에게 중요한 구분은 즉각적인 인식, 최종 완료, 지속적인 저항력 사이에 있다. 각각은 서로 다른 질문에 답한다. 이를 하나의 성공률로 합치면 시스템이 작동하는 지점과 다른 보호 조치가 여전히 중요한 지점이 가려질 수 있다.
의심스러운 활동 뒤에 이미지 챌린지를 제시하는 등록 흐름을 생각해 보자. 올바른 이미지 선택은 시각 과제가 해결됐음을 보여 준다. 그러나 이후 계정 행동이 허용 가능하다는 점까지 입증하지는 않는다. 이미지 솔버의 성능이 뛰어나더라도 보안 분석은 이 경계를 유지해야 한다.
따라서 CAPTCHA를 풀도록 AI를 훈련하는 일은 반복된 접촉 속 행동에 관한 질문이 된다. 이 연구는 솔버가 익숙하지 않은 것을 본 뒤 미래의 능력이 바뀌는지 묻는다. 이는 변하지 않는 모델을 고정된 이미지 모음과 비교하는 것보다 방어 수단에 더 엄격한 시험이다.
시각 챌린지는 봇을 방해할 수 있지만 학습까지 막지는 못한다
오류를 유발하는 방어 수단은 그 오류가 왜 지속될 것인지에 대한 별도의 설명이 필요하다.
압박은 시각적 난이도를 지속적인 장벽으로 여기는 보안 팀에 가장 직접적으로 가해진다. 이들의 즉각적인 측정은 수정된 퍼즐이 기존 탐지기를 막는다는 것을 보여줄 수 있다. 그 결과는 유용하지만 불완전하다. 솔버가 피드백을 받거나 모델을 업데이트한 뒤에 어떤 일이 일어나는지는 거의 말해 주지 않는다.
웹사이트의 등록 보호를 승인된 방식으로 평가하는 상황을 상상해 보자. 새로운 이미지 범주는 처음에는 시험 솔버를 좌절시킨다. 보안 팀은 실패를 기록하고 변경이 효과적이라고 판단한다. 평가가 거기서 끝난다면 이후의 노출이 그 이점을 없애는지 측정하지 못한다.
적응형 평가는 초기 실패 뒤에도 계속된다. 솔버가 개선되는지, 어떤 정보가 개선을 이끄는지, 보호된 작업이 계속 차단되는지를 살핀다. 결정적인 결과는 정의된 조건에서의 지속적인 저항력이다. 인상적인 초기 오류율만으로는 이 질문에 답할 수 없다.
이는 조달 문구에도 압박을 만든다. 자동화 트래픽을 탐지한다는 주장은 명확한 범위를 가져야 한다. 이미지 인식, 챌린지 완료, 의심스러운 세션, 악의적 행동 중 무엇에 관한 주장인가? 구매자는 제품을 비교하거나 실험실 결과를 해석하기 전에 이러한 구분을 알아야 한다.
같은 논리는 운영자의 업무량에도 적용된다. 시각 챌린지 교체는 의미 있는 보호를 제공할 때 가치가 있다. 정당한 방문자를 불편하게 하면서 그 보호를 유지하려면 잦은 변경이 필요하다면 그 가치는 불분명해진다. 관련 비교에는 방어 이점과 지속적인 유지 관리가 모두 포함된다.
시간 문제도 있다. 방어 수단은 결국 효과를 잃더라도 실질적 가치를 유지할 수 있다. 일시적 장벽은 짧은 등록 기간을 보호하거나 진행 중인 캠페인을 방해할 수 있다. 이 연구는 모든 일시적 방어가 쓸모없다고 주장하지 않는다.
대신 더 정확한 질문을 제시한다. 개입이 얼마나 유용한 지연을 만들어 내는가? 그 지연은 공격자의 목표와 방어자의 대응 시간에 비추어 측정돼야 한다. 짧은 방해와 지속적인 장애물은 서로 다른 운영상 설명이 필요하다.
웹사이트 소유자는 인간 검증과 권한 부여도 구분해야 한다. 방문자는 챌린지를 완료했더라도 특정 작업을 수행할 권한이 없을 수 있다. 반대로 정당한 사용자는 권한이 있어도 검증에 어려움을 겪을 수 있다. 시각 결과를 완전한 신뢰 결정으로 취급하면 이 별개의 판단들이 하나로 뭉개진다.
AI 제품 개발자에게도 에이전트가 웹사이트와 상호작용할 때 같은 경계가 중요하다. 화면을 완료할 기술적 능력이 진행 권한을 입증하지는 않는다. 시각 능력이 향상되더라도 제품 행동은 사용자의 권한과 대상 서비스의 규칙을 따라야 한다.
따라서 즉각적인 함의는 구체적이다. 고정된 인식 격차에 크게 의존하는 팀은 그 격차가 반복 노출 뒤에도 유지된다는 근거가 필요하다. 이미 전체 상호작용을 평가하는 팀은 그 평가에 적응을 포함해야 한다. 어느 결론도 모든 CAPTCHA가 구식이라고 선언할 필요는 없다.
빠른 탐지기와 범용 모델은 서로 다른 역할을 맡는다
독립형 특화 탐지기와 범용 시각 모델은 서로 다른 제약에 직면한다. 탐지기는 학습 데이터에 표현된 패턴에 집중한다. 더 폭넓은 모델은 낯선 콘텐츠를 해석하는 또 다른 방식을 제공한다. 둘을 결합하면 각 접촉을 어떤 구성 요소가 처리해야 하는지가 달라진다.
이 아키텍처의 논지는 범용 추론이 익숙한 모든 결정을 끝없이 반복하는 대신 특화된 실행을 개선하도록 해야 한다는 것이다.
저자들은 불확실한 예측을 더 폭넓은 모델로 보내는 구성 요소인 신뢰도 기반 라우터를 설명한다. 작동 원리는 지원 프로세스 내 에스컬레이션과 닮아 있다. 일상적인 사례는 특화 경로를 따른다. 다른 종류의 판단이 필요한 사례는 추가적인 주의를 받는다.
이 구성에서는 신뢰도 품질이 평가의 중요한 쟁점이 된다. 자신감 있는 오류가 자동으로 대체 경로에 도달하는 것은 아니다. 지나치게 신중한 라우터는 일상적인 작업을 더 부담이 큰 경로로 보낼 수 있다. 따라서 결합 시스템을 측정하려면 에스컬레이션에 관한 결정을 살펴봐야 한다.
바로 여기서 특화 AI와 범용 AI의 비교가 유용해진다. 폭넓은 모델은 탐지기의 확립된 범주 밖 사례를 다룰 수 있다. 특화 모델은 반복되는 패턴에 집중할 수 있다. 이 연구는 이러한 강점을 적응형 CAPTCHA 솔버의 상호 보완적 구성 요소로 다룬다.
이전 연구는 직접 비교 가능한 순위를 확립하지는 않지만 역사적 맥락을 제공한다. Andreas Plesner, Tobias Vontobel, Roger Wattenhofer는 2024년 reCAPTCHA v2 연구에서 자신들의 설정하에 챌린지 해결의 완전한 성공을 보고했다. 이들의 연구는 YOLO 기반 인식을 사용했고 브라우저 컨텍스트도 검토했다.
이전 결과는 현재 뉴스에 대한 과장된 해석을 막는다. 자동화된 이미지 챌린지 해결은 이 프리프린트에서 시작된 것이 아니다. 연구마다 프로토콜, 재시도, 환경, 결과 측정 방식도 다르다. 이러한 차이를 통제하지 않고서는 각 수치로 명확한 성능 서열을 확립할 수 없다.
더 유용한 비교는 각 아키텍처가 한 번의 접촉 후 무엇을 유지하는지에 관한 것이다. 고정 분류기는 기존 매개변수를 적용한다. 범용 모델은 주변 시스템을 반드시 변경하지 않고도 새로운 입력을 해석할 수 있다. 적응형 아키텍처는 경험이 이후 성능에 영향을 미치도록 하는 경로를 도입한다.
이 구분은 더 광범위한 AI 주장도 균형 있게 바라보게 한다. 에이전트가 대화를 기억하는 것은 인식 모델을 업데이트하는 것과 다르다. 이전 예시를 검색하는 것은 새로운 범주를 학습하는 것과 다르다. 개선에 관한 보고는 실제로 어떤 메커니즘이 변했는지 밝혀야 한다.
시각 방어 측면에서 이러한 구현 차이는 평가되는 위협에 영향을 미친다. 챌린지는 특정 분류기를 막을 수 있지만 다른 모델에는 여전히 판독 가능할 수 있다. 시스템이 그 두 번째 판단을 생산적으로 활용할 수 있다면 구성 요소의 실패가 지속적인 시스템 실패가 될 필요는 없다.
논문의 하이브리드 솔버 평가는 기초 실험 내용을 제공한다. 그 결과는 저자들이 보고한 결과로 평가해야 한다. 보편적 주장을 받아들이지 않아도 핵심 아키텍처 질문은 이해할 수 있다. 경험이 이후 실행을 안정적으로 개선하는가?
이 질문은 CAPTCHA 연구를 넘어 적용되지만, 이 글의 보안 결론은 더 좁게 유지된다. 솔버가 적응할 수 있을 때 고정된 시각 장벽은 다른 상대와 맞선다. 변하지 않는 모델을 중심으로 설계된 평가는 배포 후 사라지는 이점을 측정할 위험이 있다.
스크린샷 인터페이스는 시험을 바꾸지만 신뢰의 의미까지 바꾸지는 않는다
연구진은 스크린샷을 읽고 운영체제 입력 이벤트를 보내는 시스템을 설명한다. 이 시스템은 브라우저 자동화나 페이지의 구조화된 브라우저 표현인 DOM에 의존하지 않는다. 브라우저는 솔버를 위한 보이는 인터페이스로 기능한다.
페이지 구조에 대한 접근을 제거하면 시각적 상호작용 주장은 강화되지만, 보편적인 비가시성을 입증하지는 않는다.
이는 퍼즐을 인식하는 것과 그 인터페이스를 조작하는 것이 별개의 문제이기 때문에 중요하다. 모델은 이미지를 이해하면서도 올바른 위치를 선택하지 못할 수 있다. 완전한 상호작용에는 화면의 변화를 처리하고 작업이 완료되었는지도 판단하는 능력이 필요하다.
스크린샷 방식은 이러한 상호작용 요구를 평가 대상 시스템 안에 포함한다. 이는 보이는 콘텐츠를 통해 조작한다는 주장을 뒷받침한다. 시각적 해석을 행동과 연결해야 하는 컴퓨터 사용 에이전트와 관련이 있다. 다만 이는 여전히 테스트된 환경의 범위 안에서 설명되어야 한다.
웹사이트는 이미지가 어떻게 읽혔는지 이상의 것을 평가할 수 있다. 따라서 특정 자동화 메커니즘이 없다는 사실만으로 감지 가능한 모든 신호가 없다는 결론을 내릴 수는 없다. 탐지되지 않는다는 주장은 별도의 근거가 필요하다. 보고된 인터페이스 설계만으로는 그보다 넓은 질문에 답할 수 없다.
라이브 시연 결과에도 신중한 경계가 필요하다. 최종적인 세션 완료에는 실패한 시도에서의 복구가 포함된다. 첫 시도에서의 퍼즐 성공은 다른 결과를 뜻한다. 둘 다 유용하지만, 사용자 경험, 신뢰성, 방어적 마찰에 관한 서로 다른 판단에 정보를 제공한다.
보호 시스템을 평가하는 구매자는 어떤 결과가 비즈니스 목표와 맞는지 물어야 한다. 악의적인 등록을 막는 일은 해당 행동이 결국 발생하는지와 관련된다. 상호작용 부담을 제한하는 일은 그 결과에 앞서 얼마나 많은 작업이 필요한지와 관련된다. 시각적 정확도만 측정해서는 두 가지 모두에 답할 수 없다.
기존 제품도 시장을 이미지 퍼즐로만 축소할 수 없는 이유를 보여 준다. Google은 reCAPTCHA v3의 상호작용 위험 점수 산정을 문서화하고 있으며, 이는 대화형 챌린지를 제시하지 않고 점수를 반환한다. 해당 문서는 이 점수를 웹사이트 운영자가 선택한 행동과 연결한다.
Cloudflare는 방문자의 브라우저 환경에서 얻은 신호를 활용하는 Turnstile의 비대화형 브라우저 챌린지를 설명한다. 이러한 제품 설명은 더 넓은 방어 영역을 보여 준다. 어느 서비스가 연구 시스템을 무력화한다는 사실을 입증하는 것은 아니다.
중립적인 비교의 핵심은 무엇을 측정하는가에 있다. 시각 솔버는 자신이 마주치는 인식 및 상호작용 과제를 처리한다. 위험 기반 서비스는 자체 설계에 따라 추가 맥락을 평가한다. 하나를 평가했다고 해서 다른 하나까지 자동으로 평가되는 것은 아니다.
제품 팀에게 이는 익숙한 체크박스가 보안 논의 전체를 규정해서는 안 된다는 뜻이다. 보호되는 행동, 주변 통제 수단, 관찰된 악용 사례가 모두 중요하다. 승인된 테스트는 이 계층 가운데 실제로 어떤 부분을 검증했는지 밝혀야 한다.
CAPTCHA를 해결하도록 AI를 훈련하는 일은 시각적 검증에 구체적인 과제를 제기한다. 그렇다고 모든 검증 제품을 같은 범주로 묶어도 된다는 뜻은 아니다. 이 아키텍처가 주목할 만한 이유는 그 시연 범위를 보편적 접근 권한 주장으로 바꾸지 않고도 설명할 수 있기 때문이다.
양측의 적응을 견뎌낼 수 있는 근거가 필요하다
적응형 솔버에는 그 행동 변화에 대응하는 방어 수단을 포함한 적응형 평가가 필요하다.
가장 강한 회의적 해석은 보고된 이점이 선택된 조건 밖에서도 유지되는지 묻는다. 연구 시스템은 모든 운영 환경을 포괄하지 않더라도 의미 있는 결과를 낼 수 있다. 재현은 가정이 덜 유리해질 때도 동일한 메커니즘이 계속 유용한지 검증해야 한다.
중요한 질문 중 하나는 피드백의 품질이다. 모델이 생성한 답변은 독립적인 정답이 아니라 예측이다. 이후 학습이 이러한 답변에 의존한다면, 평가자는 답변이 틀렸을 때 어떤 일이 벌어지는지 살펴봐야 한다. 개선은 지속되는 오류와 함께 측정되어야 한다.
또 다른 질문은 기존 성능의 유지다. 익숙한 입력에 대한 역량을 잃는다면 새로운 것을 학습하는 일의 효용은 떨어진다. 신뢰할 수 있는 평가는 두 가지를 모두 추적해야 한다. 그렇지 않으면 최근에 접한 사례에서 보이는 진전이 다른 영역의 퇴보를 가릴 수 있다.
신뢰도 역시 비슷한 수준의 검토가 필요하다. 라우터는 자신에게 제공된 정보에 따라 사례를 상향 처리할 수 있을 뿐이다. 어려운 입력에서 잘못된 확신이 생긴다면 대체 동작은 예상보다 약할 수 있다. 모델 자체를 시험하는 것만큼 라우팅 결정도 시험하는 일이 중요하다.
이는 평가에 관한 질문이지, 보고된 시스템이 반드시 실패한다는 주장은 아니다. 이는 논증을 강화하거나 범위를 좁힐 수 있는 근거를 가리킨다. 신중한 해석은 관찰된 결과를 미래의 모든 입력 분포에 관한 가정과 분리한다.
독립적인 재현은 또 다른 유용한 경계를 제공할 수 있다. 아티팩트 공개는 외부 연구자가 방법을 검토하고 테스트할 수 있게 한다. 그러나 그 자체만으로 외부인이 동일한 결과를 얻었다는 사실을 입증하지는 않는다. 재현에는 비교 가능한 조건과 그 조건에서 명확히 식별된 차이가 포함되어야 한다.
운영 맥락도 중요하다. 시연 페이지는 유용한 테스트 환경이지만, 실제 서비스는 특정 워크플로를 보호한다. 그 워크플로에는 챌린지 전후의 추가 판단이 포함될 수 있다. 서비스 전반으로 일반화하려면 이러한 완전한 상호작용에 관한 근거가 필요하다.
방어적 변화는 정당한 접근도 고려해야 한다. W3C의 CAPTCHA 접근성 분석은 인간 검증 과제와 관련된 장벽을 문서화한다. 또한 오디오 대안이 자동으로 동등한 접근을 제공하지 않는 이유도 설명한다.
이러한 관점은 더 강력한 이미지 인식에 대한 가장 단순한 대응, 즉 퍼즐을 더 어렵게 만드는 방식을 복잡하게 만든다. 난이도 증가는 수용 가능한 인간 사용자 결과와 함께 보호가 개선됐다는 근거를 필요로 한다. 그렇지 않으면 지속적인 자동화 저항을 입증하지 못한 채 마찰만 부과할 수 있다.
관련 결과는 보호와 접근 사이의 관계다. 정당한 사용자를 차단하는 방어책은 자동화 실패율이 유리해 보이더라도 비용을 발생시킨다. 적응형 평가는 솔버의 성능만 보고하는 대신 이러한 가시성을 유지해야 한다.
연구를 추적하는 팀에게는 검색 가능한 지식 베이스가 프로토콜, 결과, 한계를 함께 유지하는 데 도움이 될 수 있다. 실질적인 가치는 맥락을 보존하는 데 있다. 측정 조건이 없는 기억 속의 백분율은 이후 보안 의사결정을 오도할 수 있다.
재현, 완전한 세션, 방어 대응을 지켜봐야 한다
다음으로 유용한 근거는 또 하나의 고립된 헤드라인 수치를 더하는 대신 지속성을 명확히 해야 한다. 향후 몇 달 동안 독자는 독립 평가와 제품 대응에서 나타나는 구체적인 변화를 살펴볼 수 있다. 이는 발표된 이정표가 아니라 관찰 우선순위다.
결정적인 질문은 환경과 방어자가 모두 대응할 때 솔버의 이점이 계속 유용한지 여부다.
첫째, 적응형 행동의 독립적 재현을 주시해야 한다. 설득력 있는 재현은 문서화된 조건에서 반복 노출이 이후 결과를 개선하는지 검토할 것이다. 인식의 변화와 재시도 또는 상호작용 처리의 변화를 구분해야 한다.
성공적인 재현은 적응이 의미 있는 아키텍처상 이점이라는 주장을 강화할 것이다. 재현에 실패한다면 결론은 원래의 설정으로 좁혀질 것이다. 어느 결과든 벤치마크 수치를 반복하는 또 하나의 요약보다 더 많은 정보를 제공한다.
둘째, 완전한 검증 세션에 관한 더 폭넓은 보고를 지켜봐야 한다. 평가는 이미지 예측, 퍼즐 시도, 최종 완료, 소요 시간을 구분해야 한다. 또한 검증 뒤에 어떤 보호된 행동이 이어졌는지도 밝혀야 한다.
다양한 승인된 환경에서 일관된 완료가 이루어진다면 운영상 근거는 강화될 것이다. 강력한 분류 성능과 신뢰할 수 없는 세션 완료가 함께 나타난다면 더 제한적인 역량을 뜻한다. 이 구분은 방어자가 모호한 성공률에 반응하는 대신 비례에 맞게 대응할 방법을 제공한다.
셋째, 변경 이후 솔버가 적응하도록 허용하는 방어 평가를 지켜봐야 한다. 유용한 대응은 보호가 유지되는지, 얼마나 많은 지연을 만드는지, 정당한 방문자에게 어떤 일이 일어나는지를 측정할 것이다. 변경되지 않은 모델의 초기 실패는 출발점에 불과하다.
방어적 변경이 반복 노출 뒤에도 효과를 유지한다면 적응형 위협에 대한 가장 광범위한 해석은 약화될 것이다. 반대로 이점이 반복해서 사라진다면 시각적 난이도 너머로 관심을 옮겨야 한다는 근거는 강화될 것이다. 어느 결과든 인간의 완료 결과가 함께 제시되어야 한다.
개발자에게 이러한 신호는 구체적인 해석 원칙을 제공한다. 시도 사이에 무엇이 바뀌었는지, 무엇을 성공으로 간주했는지, 누가 결과를 검증했는지 물어야 한다. 구매자에게는 이 측정값이 보호하려는 행동과 어떻게 연결되는지 물어야 한다. AI 사용자에게는 유능한 인터페이스 에이전트와 승인된 에이전트를 구분해야 한다.
CAPTCHA를 해결하도록 AI를 훈련하는 일은 이제 지속성, 피드백, 완전한 상호작용에 관한 논의를 필요로 한다. 성공률을 제품 결정에 반영하기 전에 평가 조건을 읽어야 한다. 모델이 이미지를 인식하는 것과 서비스가 악용에 저항하는 것의 차이를 보존해야 한다. 다음 주장이 나올 때는 독립적 재현, 세션 수준의 결과, 적응 이후 테스트된 방어책을 찾아야 한다. 이러한 관찰은 이 아키텍처가 반복 가능한 이점을 제공하는지, 아니면 원래 조건에 계속 의존하는지를 보여 줄 것이다. 운영하는 모든 워크플로에서 보호되는 행동부터 시작해 근거를 거꾸로 추적해야 한다. 솔버가 학습할 기회를 얻은 뒤에도 장벽이 계속 작동한다는 사실은 무엇으로 입증할 수 있는가?
