사람들이 동일한 문서와 관찰을 공유하면서도 서로 다른 결론에 도달할 때, 이러한 의견 불일치는 종종 상대방이 인지적으로 결함이 있거나, 비이성적이거나, 혹은 악의적으로 행동한다는 판단으로 이어지곤 합니다. 본 논문은 이러한 차이가 상대방의 결함이라기보다, 추론 (Inference) 및 학습 (Learning)에 내재된 비식별성 (Non-identifiability)의 한 형태로 설명하는 것이 더 적절하다고 주장합니다. 우리는 이 현상을 두 가지 수준으로 체계화합니다: (i) $\theta$-수준 비식별성: 추론 설정 (Inference settings)이 다르기 때문에 동일한 세계 모델 $W$ 하에서도 결론이 갈라지는 경우; (ii) $W$-수준 비식별성: 특정 추론 설정 $\theta$를 반복적으로 사용함으로써 데이터 노출과 업데이트 규칙에 편향이 생겨, 학습된 세계 모델 $W$ 자체가 갈라지는 경우. 우리는 Reference (참조), Exploration (탐색), Stabilization (안정화), Horizon (지평)으로 구성된 추론 프로필 $\theta = (R, E, S, D)$를 도입하며, 동일한 관찰 $o$와 동일한 $W$에 대해서도 출력이 어떻게 분리될 수 있는지 보여줍니다. 나아가, 학습 시스템에 대한 일반적인 제약 조건인 계산적 (Computational), 관찰적 (Observational), 그리고 조정 (Coordination) 제약의 결과로서, 왜 의견 불일치가 소수의 기준들—추상적 대 구체적, 외재화 가능성 (Externalizability), 그리고 질서 대 자유—로 투영되는 경향이 있는지 설명합니다. 마지막으로, 표현 계층 (Representation hierarchy), 잠재 상태 추정 (Latent-state estimation), 그리고 정규화-탐색 트레이드오프 (Regularization-exploration trade-offs)를 포함한 심층 표현 학습 (Deep representation learning)과 이 프레임워크를 연관시키고, AI 규제 논쟁에 대한 사례 연구를 통해 이 프레임워크를 예시합니다.