一서론: 동질성 문제의 제기

2026년의 AI 산업은 미묘한 전환점에 놓여 있다. 프론티어 모델의 파라미터 스케일링이 수확 체감에 직면하고, 고품질 훈련 데이터가 고갈 위기에 처해 있으며, 추론 모델의 토큰 소비가 폭발적으로 증가하고 있다. 대부분의 기술 담론은 이러한 문제들을 독립적인 공학적 과제로 취급한다. 본 논문은 다른 관점을 제시한다: 이들 겉보기에 독립적인 문제들은 동일한 아키텍처 특성의 서로 다른 발현일 수 있다—바로 현행 AI 시스템의 동질성이다. 본 논문은 이를 통합 가설로 제시하며, 이미 확립된 인과 법칙으로 제시하는 것이 아니다.

1.1 동질성의 조작적 정의

본 논문의 핵심 논점은 최적화 동질성과 기능적 동질성의 복합 효과를 겨냥한다. 구조적 동질성 자체는 문제가 아니다—이는 현행 GPU/TPU 하드웨어에서 딥러닝이 효율적으로 작동할 수 있게 하는 공학적 기반이다.

1.2 기능 이질성의 조작적 정의

본 논문의 가설에 반증 가능한 경계를 부여하기 위해, 무엇이 “기능 이질성”을 구성하는지 정의할 필요가 있다. 본 논문은 세 가지 조건의 동시 충족을 요구한다:

조건 1: 서로 다른 훈련 목표—구성 요소들이 각각 서로 다른 손실 함수를 최적화한다 (예: 생성 손실 vs 교정 손실 vs 기권 손실).

조건 2: 상태 경계 격리—구성 요소들이 독립적인 파라미터 공간 또는 상태 공간을 보유하며, 다른 구성 요소와 그래디언트 갱신을 전역적으로 공유하지 않는다.

조건 3: 인과적 격리 가능성—해당 구성 요소의 시스템 행동에 대한 기여를 소거(ablation) 또는 개입 실험을 통해 독립적으로 측정할 수 있다.

이 세 가지 조건을 충족하지 않는 시스템 수준의 배치—예컨대 동일 모델의 다중 샘플링, 동일 기반 모델에서의 Best-of-N 선택, 동일 모델의 서로 다른 온도에서의 자기 대결—는 본 논문에서 “기능 이질성”이 아니라 “추론 시 연산 확장”으로 간주한다. 이 구분은 가설이 반증 불가능해지는 것을 방지하는 데 결정적으로 중요하다.

二사전훈련: 존재론의 구축과 한계

2.1 Next-Token Prediction의 존재론적 본질

사전훈련은 간결한 목표 함수—앞선 토큰이 주어졌을 때 다음 토큰을 예측하는 것—를 통해 고차원 파라미터 공간에서 “세계에 무엇이 존재하며 그것들 사이에 어떤 관계가 있는가”에 대한 내부 표현을 구축한다. 이는 철학적으로 존재론(Ontology)의 구축에 해당한다. Loss = -log(P)라는 공식은 microGPT에서 GPT-4까지 변하지 않았으며, 양자 간 약 천만 배의 비용 격차는 파라미터와 데이터 규모에서 비롯된다.

2.2 고차원 표현 공간과 창발

Anthropic은 “Toy Models of Superposition”(2022)에서 제어된 토이 모델에서 초위치 중첩(Superposition)을 시연하고 이론화했다—모델이 n차원 공간에서 근사적으로 직교하는 방향들을 사용하여 n개를 훨씬 초과하는 개념을 인코딩할 수 있다^[2]. Johnson–Lindenstrauss 보조정리는 고차원 공간에서 표현 용량이 지수적으로 증가하는 수학적 가능성의 기초를 제공한다.

그러나 표현 가능성에서 실제 창발 사이에는 자동으로 충족되지 않는 여러 조건들이 존재한다: 훈련 데이터에 교차 도메인 공출현 패턴이 존재해야 하고, 최적화 역학이 이러한 패턴을 발견하고 인코딩할 수 있어야 하며, 특징 희소성이 간섭 허용 조건을 충족해야 한다. 초위치 중첩은 창발의 필요조건(표현 공간)을 제공하지만, 충분조건은 아니다.

2.3 사전훈련의 세 가지 벽

데이터 벽: Epoch AI는 80% 신뢰도로 고품질 훈련 데이터가 2026–2028년에 고갈될 것으로 예측한다^[19]. 파라미터 벽: 서로 다른 능력이 서로 다른 파라미터 규모에서 수확 체감에 도달한다^[20]. Ilya Sutskever는 NeurIPS 2024에서 “우리가 알고 있는 사전훈련은 끝날 것”이라고 선언했다^[21]. 평가 벽: 인간 평가자가 모델 출력을 평가할 때 핵심 오류의 절반 이상을 놓치고 있다—모델이 인간의 평가 능력을 초월하고 있다^[15].

三RL 후훈련: 방법론의 최적화와 경계

3.1 사전훈련 창발과 RL 창발의 본질적 차이

사전훈련이 구축하는 것이 존재론이라면, RL 후훈련이 최적화하는 것은 방법론(Methodology)이다. CMU의 2025년 12월 연구는 조화 프레임워크를 제공한다: RL은 두 가지 조건이 동시에 충족될 때에만 진정한 능력 향상을 산출한다—(1) 해당 과제가 사전훈련에서 충분히 다뤄지지 않았을 것; (2) RL 데이터가 모델의 “능력 경계”에 교정되었을 것^[11].

3.2 방법론의 한계는 존재론에 의해 결정된다

“Thinking Sparks!” 논문은 아키텍처 차원에서 RL 후훈련의 창발을 최초로 관찰했다—복잡 추론에 대한 후훈련이 기능 특화된 어텐션 헤드의 창발을 촉발했다^[8]. 그러나 동일 연구는 GRPO 훈련에서의 특화 헤드가 주로 기존 지식과 연산 경로의 사용 효율을 최적화하는 것이지, 완전히 새로운 경로를 처음부터 구축하는 것이 아님을 보여주었다. Foster 등은 이론적 경계를 제시한다: 기반 모델의 pass@k 성능이 낮으면, RL은 지수적 비용 영역으로 밀려난다^[14].

四인식론의 구조적 취약성

4.1 메타인지의 현황: 신호는 있으나 안정적 제어는 없다

완전한 지능에는 세 번째 층위가 필요하다: 인식론(Epistemology). 프론티어 LLM이 메타인지 능력을 전적으로 결여한 것은 아니다—2025년의 실험 증거에 따르면, 프론티어 모델은 제한적이고 맥락 의존적이며 인간과 질적으로 다른 메타인지 신호를 보인다^[16]. 그러나 이러한 능력에는 세 가지 구조적 결함이 있다: 해상도의 제한, 맥락 의존성, 그리고 감지-제어 단절—모델이 추론 체인에서 불확실성을 표현하면서도 최종 출력은 여전히 확신에 차 있다.

4.2 왜 동질 아키텍처가 메타인지의 안정적 창발을 더 어렵게 만드는가

인간 뇌에서 인식론은 여러 이질적 하위 시스템들의 상호작용을 통한 창발적 산물이다. 인간 뇌의 각 영역은 독립적 모듈이 아니라 분산적이고 중첩된 네트워크를 형성한다는 점을 지적해야 하지만, 핵심적인 구조적 사실은 다음과 같다: 서로 다른 기능은 서로 다른 신경 회로가 담당하며, 각각 서로 다른 학습 규칙과 시간 척도를 가진다.

현행 LLM의 동질 아키텍처에서, 생성 목표와 메타인지 제어 목표 사이에는 빈번한 그래디언트 방향 충돌이 존재한다. 이것이 수학적 불가능성을 구성하는 것은 아니다—단일 네트워크가 이론적으로 여러 목표를 공동 최적화할 수 있다. 그러나 다중 작업 학습 문헌에서 그래디언트 간섭(Gradient Interference)은 충분히 기록된 난제이다. 본 논문의 논점은 “불가능하다”가 아니라 “구조적으로 더 어렵다”이다: 공유 파라미터 공간에서 생성과 메타인지 제어를 공동 최적화하면 더 심각한 그래디언트 간섭과 더 불안정한 훈련 역학에 직면한다.

4.3 창발적 기능 분화의 검증 대기 중인 세 가지 속성

본 논문 가설에 대한 가장 중요한 도전은 하나의 사실에서 비롯된다: 동질 구조가 실제로 훈련을 통해 기능 분화를 산출할 수 있다는 것이다. “Thinking Sparks!”에서 관찰된 특화 어텐션 헤드가 바로 그 증거이다^[8]. 본 논문은 이러한 창발적 기능 분화를 미리 “사이비”라고 판정하지 않는다—이는 용어가 아니라 실험이 답해야 할 질문이다. 구체적으로 세 가지 속성에 대한 검증이 필요하다:

교차 실행 안정성: 창발적 기능 분화가 다수의 독립적 훈련 실행에서 일관된 기능 패턴을 산출하는가? “Thinking Sparks!”는 특화 헤드가 “반복적으로 활성화, 평가, 가지치기된다”고 지적했지만, 이것이 기능적 불안정성과 동의어는 아니다—활성화 패칭과 인과적 소거를 통해 헤드에 기능 라벨을 정렬한 후에 판단해야 한다.

인과적 격리 가능성: 특화 헤드를 독립적으로 소거했을 때, 기능 라벨과 일치하는 행동 변화가 나타나는가?

그래디언트 간섭 저항성: 공동 훈련에서 특화 헤드의 기능이 다른 목표로부터의 그래디언트 간섭에 의해 퇴화하는가?

세 가지 검증이 모두 통과되면—창발적 기능 분화가 안정적이고, 격리 가능하며, 간섭에 저항한다면—이는 동질 아키텍처 내에서의 진정한 기능 이질성을 구성하며, 본 논문의 가설은 그에 상응하는 수정이 필요하다.

五기억 시스템의 구조적 결함

5.1 기억 기능의 유비적 매핑

Cattell(1963)의 결정 지능 vs 유동 지능 프레임워크를 유비로 차용하면(원래 프레임워크는 기억 유형이 아니라 지능 유형을 기술한다), 현행 주류 LLM 기억 시스템은 기능적으로 결정 지능을 위한 정보 저장 및 검색에 더 가깝고, 유동 지능을 위한 동적 연결 및 추상적 일반화 기능이 결여되어 있다.

5.2 다차원 정보의 층층 박피

인간이 한 가지 사건을 기억할 때, 뇌는 시간, 공간, 관계, 감정, 인과 등 여러 차원을 동시에 결합하여 완전한 기억 묶음을 형성한다. LLM 기억 시스템은 저장과 갱신의 매 단계에서 이러한 차원들을 소실한다. 사용자가 “지난 수요일 상하이 사무실에서 라오왕과 논의한 후, 가격 전략이 너무 공격적일 수 있다고 느꼈고, 꽤 불안했다”라고 입력하면—LLM 기억 추출 후 {"memory": "사용자가 가격 전략이 너무 공격적이라고 생각함"}이 된다—시간, 공간, 관계, 감정, 확신도, 인과관계가 모두 소실된다.

5.3 기억은 Input이지 Model이 아니다

인간의 기억은 신경 연결의 영구적 변화를 통해 실현된다—시냅스 가소성, 지속적 신경 활동, 인출-재공고화 등 여러 메커니즘을 포함한다. LLM의 외부 기억 시스템에 저장된 정보는 컨텍스트 텍스트로 주입된다—모델 파라미터 자체는 변하지 않는다. 모든 기억을 삭제하면, 모델의 응답은 사용자를 한 번도 기억한 적이 없을 때와 완전히 동일하다.

六컨텍스트 부패: 다중 요인 누적에 의한 퇴화

6.1 Context Rot의 정량적 증거

Chroma의 2025년 연구는 18개 프론티어 모델을 테스트했으며, 모든 모델이 모든 입력 길이 증가분에서 퇴화를 보인다는 것을 발견했다^[6]. GPT-4의 성능은 컨텍스트 정보 구성 방식의 차이만으로 정확도가 98.1%에서 64.1%로 하락했다.

컨텍스트 퇴화의 근본 원인은 다원적이다: Lost in the Middle 효과, 컨텍스트 증가에 따른 어텐션 경쟁 항의 증가(관련 토큰의 가중치 유지를 더 어렵게 만듦), 위치 인코딩 외삽, 훈련 길이 분포 편향, 검색 실패 등. 동질 아키텍처는 이 문제의 핵심 촉진 요인 중 하나이지만, 유일한 원인은 아니다.

6.2 에이전트의 “기억”: 이력 로그의 무한 누적

현행 대다수 AI 에이전트의 “기억”은 모든 이력을 input으로 재전송하는 것이다. 생산 감사 데이터에 따르면(업계 관찰이며 학술적 검증은 아님), 재전송된 컨텍스트가 총 소비의 약 62%를 차지하고^[24], 코딩 에이전트는 대부분의 토큰을 문제 해결이 아닌 위치 확인에 소비한다^[25]. 누적된 이력은 어텐션 경쟁 심화로 인해 output에 대한 영향력을 잃을 뿐만 아니라, 노이즈 유입으로 인해 output 품질을 저하시킬 수 있다.

6.3 Thinking Token의 아키텍처적 비용

Thinking Token은 기술적으로 Output Token이다. 특정 추론 모델이 특정 벤치마크 과제에서 생성하는 토큰 양은 표준 모델의 약 18배이며, 정확도는 오히려 더 낮다^[26]. 특정 모델과 워크로드 하에서 쿼리당 에너지 소비는 33–40 Wh에 달할 수 있다^[27](이 데이터는 특정 측정 조건에서 나온 것으로, 모든 추론 모델의 모든 쿼리에 일반화할 수 없다).

더 주목할 만한 구조적 문제는 다음과 같다: 현행 주류 추론 모델의 단계 간 반복 추론은 주로 자기회귀 토큰을 통해 실현된다—사고의 각 단계가 다음 단계로 진행하기 위해 명시적으로 토큰으로 기록되어야 한다. 인간 추론 과정의 대규모 병렬 신경 활동 변화(시냅스 가중치의 장기 학습과는 구별됨)는 언어로 직렬화될 필요가 없다. 이러한 “시행착오의 직렬화”는 자기회귀 아키텍처의 구조적 비용이다. 잠재 추론(Latent CoT)이 이미 이 한계의 직접적 반례를 구성하고 있으나, 현재 성능은 명시적 CoT와 여전히 격차가 있다는 점을 지적할 필요가 있다.

七최적해와 유일해: 인지 유한론의 핵심

7.1 NTP는 최적해이지 유일해가 아니다

현행 전체 LLM 산업 사슬은 하나의 암묵적 가정 위에 세워져 있다: 다음 토큰을 예측하는 것이 범용 지능으로 향하는 올바른 경로라는 것. 그러나 이는 현행 공학적 제약 조건 하에서의 최적해—훈련 데이터가 가장 풍부하고, 목표 함수가 가장 단순하며, 병렬화가 가장 효율적이고, 스케일링 법칙이 가장 명확한—이지, 인지 이론적 관점에서의 유일해가 아니다.

7.2 “최적”과 “유일”을 구분하는 인지 조작

하나의 인지 시스템이 현행 최적해를 유일해로 고정할 때, 그것이 수행하는 것은 “조기 폐쇄”이다. 인류 인지사의 모든 중대한 돌파구는 “유일성”에 대한 의문이었다: 뉴턴 역학이 최적해였다 → 아인슈타인이 “유일해인가?”라고 물었다 → 상대성 이론. 현행 AI는 이 조작을 수행하지 않는다—해 공간 내에서 대안 경로를 탐색할 수는 있지만, 해 공간 자체를 의문시하지는 않는다.

7.3 모호화 처리의 인지 위기

인지 대상의 정보 복잡도가 인지 주체의 처리 대역폭을 초과하면, 인간은 인지 절전 전략—다차원 정보를 일차원 라벨로 압축하는 것—을 발동한다. 2026년, AI의 출력 속도는 인간의 인지 처리 속도를 크게 초과한다. 인간의 주의력 지속 시간과 독서 속도에 대한 기존 연구 측정은 이 격차가 확대되고 있음을 시사한다(관련 추정값은 외삽을 포함하므로 확정된 인지적 사실로 인용하기에는 부적절하다^[28]). 모호화 처리의 압력은 지속적으로 증대될 수밖에 없다.

八돌파 방향: 동질에서 이질로의 다중 경로

8.1 동시에 변경해야 하는 두 가지 차원

동질 아키텍처 위에서 규모 확장을 계속하는 것은 수확 체감 중인 경로이다. 본 논문은 돌파구가 아키텍처 차원(기능 특화된 이질적 구성 요소의 도입)과 목표 차원(단일 NTP에서 다중 목표 공동 훈련으로의 전환)에서 동시에 발력해야 한다고 주장한다.

8.2 이미 탐색 중인 기술 방향

RPT(Reinforcement Pre-Training)—RL을 사전훈련에 직접 통합하여 존재론과 방법론의 단계적 분리를 타파한다. 잠재 추론(Latent CoT)—COCONUT 등의 방법은 추론을 은닉 상태 공간에 유지하며^[29], 아키텍처 차원에서 시행착오의 직렬화 문제를 해결하지만, 현재 성능에는 격차가 있다. ThinKV—사고 유형의 중요도에 따라 서로 다른 정밀도의 KV 저장을 할당하며, 원래 KV Cache의 5% 미만으로 거의 무손실 정확도를 달성한다^[18].

8.3 기능 이질성 정의를 충족하는 방안 vs 추론 시 연산 확장

본 논문의 “이질화” 주장에 대한 중요한 반론은 다음과 같다: 시스템 구성 요소를 추가하는 모든 방안이 기능 이질성을 구성하는 것은 아니다. 1.2절의 세 가지 조건 정의에 따라, 기존 방안을 두 가지 유형으로 분류할 수 있다:

기능 이질성 정의를 충족하는 방안(유형 A): 생성 네트워크 + 독립적으로 훈련된 메타인지 네트워크(서로 다른 목표, 독립적 파라미터); 독립적으로 훈련된 보상/검증 모델(독립적 손실 함수, 소거를 통한 검증 가능). 이 유형의 구성 요소들은 서로 다른 훈련 목표, 격리된 상태 경계, 독립적으로 측정 가능한 인과적 기여를 가진다.

기능 이질성 정의를 충족하지 않는 방안(유형 B): 동일 기반 모델의 다중 에이전트 대결(존재론적 경계와 파라미터 공간을 공유); 동일 모델의 서로 다른 온도에서의 샘플링; Best-of-N 선택. 이 유형의 성공은 “이질성”에 귀속시킬 수 없으며, 탐색, 앙상블, 또는 추가적 추론 연산에 귀속될 가능성이 더 높다.

본 논문의 가설이 생성하는 반증 가능한 예측은 다음과 같다: 총 파라미터 수와 총 추론 FLOPs가 동일하도록 통제한 조건에서, 유형 A 방안이 교정 오차와 기권 정확도에서 유형 B를 능가해야 한다. 유형 B가 유형 A와 차이가 없다면, 본 논문의 가설은 약화된다.

특별히 지적해야 할 것은, 동일 기반 모델의 다중 에이전트 대결이 더 깊은 구조적 한계에 직면한다는 점이다: 주 에이전트와 검증 에이전트가 동일한 사전훈련 기반을 공유하면, 그들은 동일한 존재론적 경계를 공유한다. 기반 모델이 특정 인과관계에 대한 표현을 결여하고 있을 때, 아무리 많은 동원적 상호작용도 진정한 인식론적 검증을 창발시킬 수 없다. 효과적인 시스템 수준의 이질성은 기능 분화뿐만 아니라 존재론적 다양성도 요구할 수 있다.

8.4 공학적 제약: 동질성의 하드웨어 경제학

동질성은 우연한 설계 결함이 아니다. 행렬 곱셈의 높은 규칙성은 GPU/TPU의 SIMD 아키텍처에 완벽하게 부합한다. 이질적 모듈—특히 이산 연산이나 서로 다른 시간 척도의 구성 요소를 포함하는 것들—은 현행 하드웨어에서 효율적으로 병렬화하기가 극히 어렵다. 현행 하드웨어 세대 내에서, 세 가지 조건 정의를 충족하는 기능 이질성(예: 독립적으로 훈련된 검증기)이 칩 수준의 이종 컴퓨팅보다 더 실현 가능하다.

8.5 검증 가능한 예측과 실험 설계

실험 1: 파라미터 공유 비율의 소거 비교. 총 파라미터 수와 총 추론 FLOPs를 고정한 조건에서, 파라미터 공유 비율만 변경한다: (a) 전체 공유—단일 네트워크에서 생성 + 교정 목표를 동시 훈련; (b) 부분 공유—하위 인코더는 공유하고 상위 레이어를 생성 헤드와 교정 헤드로 분리; (c) 완전 분리—두 개의 독립 네트워크가 각각 총 파라미터의 50%를 점유; (d) 대조군—단일 네트워크에서 생성 목표만 훈련 + Best-of-N 선택. 측정 지표: ECE 교정 오차, AbstentionBench 기권 정확도, ARC-AGI 부분집합 성능. 핵심 대조: (c) vs (d)는 “기능 이질성”과 “추론 시 연산 확장”의 각각의 기여를 격리한다.

실험 2: 목표 충돌의 그래디언트 간섭 정량화. 동일 모델에서 NTP + 교정 손실을 공동 훈련하며, 두 목표의 그래디언트 코사인 유사도가 훈련 진행에 따라 어떻게 변화하는지 측정한다. 세 그룹의 대조를 추가한다: 전체 공유, 부분 공유, 완전 분리. PCGrad/CAGrad 등의 충돌 완화 방법을 경쟁적 설명으로 도입한다. 본 논문의 예측: 그래디언트 코사인 유사도가 훈련 후기에 지속적으로 음수이며, 충돌 정도가 교정 성능과 부적 상관관계를 가진다.

실험 3: 창발적 기능 분화의 교차 실행 안정성. 동일 모델에 대해 다수의 독립적 RL 후훈련을 수행한다. 먼저 활성화 패칭과 인과적 소거를 사용하여 어텐션 헤드에 기능 라벨을 할당한 후, 기능 라벨의 교차 실행 일관성을 비교한다. 기능은 일관되지만 위치가 다르다면, 창발적 분화는 안정성을 가지며 본 논문의 가설은 수정이 필요하다.

실험 4: 기억 차원 유지. 시간, 장소, 인물, 감정, 확신도를 포함하는 복잡한 기억을 모델에 제시한 후, N 라운드의 대화를 거친 후 각 차원의 유지율을 테스트한다. 표준 컨텍스트 주입 vs 구조화된 기억 모듈(독립적 상태 공간)을 비교한다. 측정 지표: 대화 라운드에 따른 차원별 F1 점수의 감쇠 곡선.

실험 5: Context Rot과 모듈화 소거. 동등한 총 파라미터와 컨텍스트 길이 조건에서, 표준 단일체 Transformer vs 분할 처리 + 독립 파라미터 요약 모듈을 비교한다. 측정 지표: Context Rot 벤치마크에서의 정확도-길이 곡선.

8.6 인식론-비용 역설

본 논문이 솔직하게 직면해야 하는 내부 모순이 있다: 제6장은 Thinking Token과 Agent Log 누적으로 인한 추론 비용 폭발을 진단했지만, 제8장에서 제안한 모든 이질화 방안(외부 검증기, 이중 네트워크, 다중 에이전트)은 예외 없이 추론 시의 토큰 및 FLOPs 소비를 더욱 증가시킨다.

이는 다음을 의미한다: 이질화가 인식론적 결핍을 해결할 수 있더라도, 동시에 컨텍스트 부패와 비용 폭발을 악화시킬 수 있다. 네 가지 유형의 한계가 반드시 동일한 방안으로 동시에 해결될 수 있는 것은 아니다—그들 사이에 본질적 트레이드오프가 존재할 수 있다. 인식론 개선과 비용 통제 사이에 근본적 트레이드오프가 존재한다면, “동질성이 네 가지 유형의 한계의 공통 촉진 요인”이라는 주장은 “동질성이 인식론 및 유동 지능 결핍의 촉진 요인이며, 토큰 소비 문제는 독립적인 아키텍처 근본 원인(자기회귀 직렬화)을 가진다”로 약화되어야 한다.

九결론

본 논문은 통합 가설을 제시했다: 현행 AI 시스템의 다양한 한계—인식론의 심각한 부족, 기억 차원 소실, 컨텍스트 부패, 유동 지능 결핍—은 하나의 핵심 아키텍처적 촉진 요인을 공유할 수 있다: 동질성. 보다 정확하게 말하면, 파라미터 공유, 목표 공유, 기능 격리 부족이 메타인지 제어, 기억 관리, 장거리 추론의 신뢰성에 공동으로 영향을 미칠 수 있다.

존재론/방법론/인식론의 삼분법을 통해, 본 논문은 사전훈련(존재론 구축), RL 후훈련(방법론 최적화), 현행 취약점(인식론) 사이의 관계를 재이해했다. 본 논문은 기능 이질성의 세 가지 조건 조작적 정의를 제시하고, 이를 바탕으로 정의를 충족하는 방안과 추론 시 연산 확장을 구분하여 가설에 반증 가능한 경계를 부여했다.

본 논문은 동시에 가설의 내부 긴장을 솔직하게 직면했다: 인식론 개선과 추론 비용 사이에 근본적 트레이드오프가 존재할 수 있으며, 이는 네 가지 유형의 한계가 반드시 동일한 아키텍처 변혁으로 동시에 해결되지 않을 수 있음을 의미한다. 다섯 그룹의 실험 설계는 후속 실증 연구를 위한 실행 가능한 출발점을 제공한다.

十참고문헌