Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
지능을 '희귀하지만 유효한 미래의 법칙적인 증폭'으로 정의하고 이를 열역학적으로 측정하는 새로운 프레임워크를 제안합니다. 시스템의 재귀적 자기 시뮬레이션이 지능적 성능을 달성하기 위한 필수적이고 충분한 조건임을 수학적으로 논증합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기지능을 측정할 수 있을까요? 우리는 지능이 희귀하지만 유효한 미래(rare but valid futures)의 법칙적인 증폭(lawful amplification)으로 정의될 수 있다고 제안합니다. 즉, 시스템은 수동적 역학(passive dynamics) 하에서는 일어날 가능성이 낮지만, 해당 도메인의 제약 조건 하에서는 허용 가능한(admissible) 결과들의 확률을 높입니다. 우리는 지능적인 시스템이 세상과 그 안에서의 자신의 위치를 모델링해야 한다는 전제에서 시작합니다. 시스템은 자신이 모델링하는 세상의 일부이기 때문에, 이는 자연스럽게 재귀적 자기 시뮬레이션(recursive self-simulation)으로 이어집니다. 즉, 시스템은 자신의 행동이 궤적(trajectory)의 일부가 되는 미래를 표현합니다. 우리의 핵심 결과는 이러한 아키텍처를 희귀-유효 미래의 법칙적인 증폭에 대한 정밀한 열역학적 측정치와 연결하는 필연성 진술(necessity statement) 및 조건부 근사 충분성 진술(conditional near-sufficiency statement)을 제공합니다. 즉, 내부 시뮬레이션이 희귀-유효 미래를 높은 충실도(fidelity)로 식별하지 못하면 높은 희귀-유효 리프트(rare-valid lift)는 불가능합니다. 반대로, 희귀-유효 충실도가 높고 시뮬레이션에 효과적인 정책(policy)이 포함되어 있다면, 달성 가능한 리프트는 작동 제한 최적치(actuation-limited optimum)에 근접합니다. 따라서 재귀적 자기 시뮬레이션은 단순히 지능의 그럴듯한 특징이 아니라, 명시된 가정하에서 높은 열역학적 지능을 위해 필요하며 거의 충분한 조건입니다. 결과적으로 이 프레임워크는 수동적 물질과 피드백 제어기(feedback controllers), 대규모 언어 모델(Large Language Models, LLMs), 텍스트 생성기로서의 인간부터 맥스웰의 악마(Maxwell-demon)와 같은 정보 엔진에 이르기까지, 지능을 보편적인 척도로 측정 가능하게 만듭니다.