PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.16752v2cs.AI

에피소딕 AI를 넘어서: 생물학적으로 영감을 받은 지속적 인지를 위한 인지 필드 네트워크

Beyond Episodic AI: Cognitive Field Networks for Biologically Inspired Persistent Cognition

인지 장 이론(CFT)은 인지가 지속적인 거시적 인지 장(cognitive field)을 생성하는 기억 기반의 집합적 동역학에서 비롯된다고 제안합니다. 본 논문에서는 체계화된 은닉 장이 \[ \Phi_{n+1}=F_{\theta}(X_{n+1},\Phi_n) \] 을 통해 후속 추론(inference)에 다시 진입하는 순환 트랜스포머(recurrent Transformer)인 인지 필드 네트워크(CFN)를 개발합니다. 명시적인 기억 연산을 규정하기보다, CFN은 새로운 정보가 이미 과거 이력에 의존적인 집합적 상태에 작용하도록 합니다. 연구 결과, 학습을 통해 지속적이고 내용에 의존적인 순환 동역학이 체계화되며, 그 시간 척도는 훈련된 순환 지평(horizon)에 따라 체계적으로 증가함을 발견했습니다. 의미론적 연속성은 목표 정답을 재생하지 않고도 순환 상태를 이 지평을 훨씬 넘어 전파합니다. 내용에 특화된 지원이 없으면 장은 유한한 수동적 이완을 보이는 반면, 관련 입력에 주기적으로 재노출되면 잔존 상태가 반복적으로 갱신되어 거의 정적인 비영(nonzero) 영역으로 수렴합니다. 무관한 입력 및 순환 비활성화 대조군은 이러한 거동을 재현하지 못하며, 유사하게 바꾸어 표현한(near-paraphrased) 재노출은 더 약한 갱신을 보여 표현에 민감한 지속성을 입증합니다. 이러한 결과는 세 가지 동역학적 과정을 구분합니다. 집합적 기억 장식이 이력 의존적인 인지 장을 형성 및 유지하고, 구조화된 입력이 이 장을 재구성하며, 주기 간 재진입이 그 결과로 나타난 상태를 후속 추론에서 인과적으로 활용할 수 있게 만듭니다. 따라서 CFN은 별도로 규정된 기억 시스템 없이도 지속적이고 이력에 의존적인 인지 동역학을 연구할 수 있는 통제된 계산 플랫폼을 제공합니다.

arXiv:2607.23942v1cs.AI

인지 아키텍처에서 언어 에이전트로: 계보, 수렴, 이전 격차에 대한 메커니즘 수준 리뷰

From Cognitive Architectures to Language Agents: A Mechanism-Level Review of Lineage, Convergence, and Migration Gaps

메모리, 계획, 반성(reflection), 도구 사용은 종종 특징 라벨로 비교되어, 에이전트가 실제로 어떻게 실행되는지를 결정하는 제어 의미론(control semantics)을 가려 버린다. 이 리뷰는 10개의 역사적 인지 아키텍처, 8개의 언어 에이전트 런타임 계열, 42개의 메커니즘 중심 현대 시스템을 연결한다. 각 메커니즘을 상태, 제어, 전이, 지속성, 실패, 학습, 자원 거버넌스를 통해 재구성한 뒤, 증거 관계(E1–E4)와 이전 깊이(D0–D4)를 별도로 코딩한다. 그 결과로 드러난 지형은 고르지 않다. 현대 에이전트는 적응형 메모리, 실패 복구, 동적 팀 선택, 워크플로우 탐색, 스킬 유도(skill induction), 자원 스케줄링, 불확실성 조건 행동(uncertainty-conditioned action)의 상당 부분을 실현화했지만, 종종 문서화된 계승(inheritance)보다는 독립적인 수렴을 통해 이루어졌다. 가장 큰 남은 기회는 메커니즘 간 결합(couplings)에 있다. 가장 근접한 기준선 스크리닝은 제안된 격차 중 하나를 메운다: GraSP는 이미 보정된 다중 스킬 선택, 타입화된 컴파일, 검증, 경계(bounded) 수리, 재계획 또는 ReAct 폴백을 결합한다. 5개의 잔여 번들이 남아 있다: 지연(latency)과 행동 유틸리티(action utility)를 갖춘 활성화(activation); 격리된 하위 상태(isolated substates)와 해결 컴파일(resolution compilation)을 갖춘 타입화된 교착 상태(typed impasse); 브로드캐스트와 승인 학습(admission learning)을 갖춘 경계 내 콘텐츠 경쟁(bounded content competition); 재고(reconsideration)와 실시간 방법 권한(live method authority)을 갖춘 지속적 의도(persistent intention); 자원 할당, 중단(interruption), 정지(stopping)를 갖춘 불확실성. 우리는 독특한 메커니즘 카탈로그, 감사 가능한 증거 깊이 프레임워크, 이 번들들을 조합 가능한 런타임 불변량(composable runtime invariants)으로 검증하기 위한 반증 가능한(falsifiable) 의제를 기여한다.

arXiv:2607.09560v1cs.AI

고정된 표현을 넘어서: 개방형 AI에서의 어휘 격차와 검증자 격차

Beyond Fixed Representations: The Vocabulary and Verifier Gaps in Open-Ended AI

현대 AI 시스템은 추론, 코딩, 정리 증명, 도구 사용, 장기적 연구 과제 등의 능력을 평가받는 경우가 점점 늘어나고 있다. 이러한 능력들은 강력하지만 구조적 한계를 공유한다. 즉, 모델이 작동하는 표현 프레임—개념적 어휘, 탐색 가능한 허용 해(admissible solution) 공간, 성공 판단 기준—이 사전에 고정되어 제공된다는 점이다. 본 논문은 개방형 혁신(open-ended innovation)이 가능한 더 강력한 지능형 시스템을 구축하기 위해서는 추가적인 연산 방식이 필요하다고 주장한다. 이는 새로운 표현 기본 요소(representational primitives)의 생성, 안정화, 재사용으로, 기존 공간 내에서 단순히 탐색하는 것이 아니라 탐색 공간 자체를 변경하는 것이다. 우리는 현재 AI 시스템과 진정한 개방형 지능 사이의 거리를 두 가지 격차로 특성화한다. 첫 번째는 어휘 격차(vocabulary gap)로, 기존 표현을 단순히 재조합하는 것이 아니라 새로운 표현 기본 요소를 발명하고 안정화하는 어려움이다. 두 번째는 검증자 격차(verifier gap)로, 새로운 기본 요소의 완전한 가치가 미래의 재사용 이후에야 비로소 가시화될 수 있을 때 그 가치를 판단하는 어려움이다. 우리는 두 격차 모두를 지능을 인지적 불일치 감소(cognitive discrepancy reduction)로 보는 통합 프레임워크를 통해 해석한다. 지능적 행동을 인지적 변환의 연쇄로 바라봄으로써, 고정된 표현 프레임 내에서 작동하는 공간 내 변환(intra-space transformation)과 프레임 자체를 수정할 수 있는 생성적 변환(generative transformation)을 구별한다. 이를 바탕으로 혁신 자율성의 사다리(ladder of innovation autonomy)를 제안하고, 유용한 표현적 변화에 보상을 부여하는 목적 함수, 발명된 기본 요소를 위한 영구 메모리 아키텍처, 평가 대상 표현과 함께 진화할 수 있는 적응형 검증 메커니즘 등 개방형 AI를 발전시키기 위한 여러 방향을 제시한다.