현재의 체화된 세계 모델(embodied world models)은 주로 예측 목적(predictive objectives)에 최적화되어 있어, 분포 변화(distribution shifts) 상황에서의 일반화 능력과 보이지 않는 상황 및 가설적 개입(hypothetical interventions)에 대한 체계적인 추론 능력이 제한적입니다. 우리는 체화된 지능(embodied intelligence)이 예측적 세계 모델링(predictive world modeling)을 넘어, 환경과의 상호작용을 통해 내부의 인과적 표현(causal representations)을 지속적으로 구축하고 정교화하는 자기 진화적 인지 시스템(self-evolving cognitive systems)으로 나아가야 한다고 주장합니다. 이를 위해, 우리는 체화된 과학적 지능(embodied scientific intelligence)을 위한 인과적 세계 모델링(causal world modeling) 기반의 자기 진화적 인지 프레임워크를 제안하며, 이는 인과적 세계 모델링(causal world modeling), 개입 기반 인과 추론(intervention-driven causal reasoning), 그리고 지속적인 인지 정교화(continual cognitive refinement)라는 세 가지 상호 보완적인 구성 요소를 통합합니다. 제안된 프레임워크는 인과 발견(causal discovery), 개입 기반 피드백(intervention-driven feedback), 그리고 반사실적 추론(counterfactual reasoning)을 통해 내부의 인과적 세계 모델을 지속적으로 수정하고 확장하며, 이를 통해 지속적인 인지 정교화를 지원하고 인지 자체가 시간이 지남에 따라 진화할 수 있도록 합니다. 나아가, 우리는 체화된 상호작용(embodied interaction)을 단순히 궤적 최적화(trajectory optimization)를 위한 수단이 아니라, 인과적 가설 생성(causal hypothesis generation), 개입 기반 실험(intervention-driven experimentation), 그리고 지속적인 지식 습득(continual knowledge acquisition)을 위한 인식론적 과정(epistemic process)으로 재해석합니다. 본 연구는 예측적 지능(predictive intelligence)에서 인식론적 지능(epistemic intelligence)으로의 전환을 위한 개념적 및 이론적 토대를 제공하며, 여기서 지능은 환경과의 상호작용을 통한 인과적 세계 모델의 지속적인 구축, 수정 및 정교화를 통해 발현됩니다. 이에 따라, 자기 진화적 체화된 과학적 지능을 평가하기 위한 개입 기반 인과-인식론적 벤치마킹 패러다임(intervention-driven causal-epistemic benchmarking paradigm)을 제안합니다.