PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.12828v1cs.AI

인공지능 연구의 주제적 상전이: 대규모 증거와 신흥 주제에 대한 조기 경보 시그너처

Topical Phase Transitions in Artificial Intelligence Research: Large-Scale Evidence and an Early-Warning Signature for Emerging Topics

인공지능 연구 주제는 점진적으로 성장하는가, 아니면 급격하고 탐지 가능한 도약으로 전진하는가? 2017년부터 2025년까지 5개 주요 AI 학회(ACL, CVPR, ICLR, ICML, NeurIPS)의 수락된 메인 트랙 논문 80,814편을 분석한 결과, 주요 AI 주제들이 주제적 상전이(topical phase transitions)를 통해 발전함을 보여준다. 수년간 주변적 상태를 유지하다가 1~3년 안에 여러 학회에서 급증하는 패턴이다. 대규모 언어 모델(LLM)은 2025년까지 지배적인 교차 학회(cross-venue) 주제가 되었고, 확산 모델(diffusion models)은 유사한 급격성으로 부상했으며, 언어 모델 방법은 비전-언어(vision-language) 모델을 통해 컴퓨터 비전(CV)으로 확장되었다. 반면 강화학습(RL)은 완만하게 누적 성장하여, 진정한 상전이를 일반적 성장과 구별한다. 이러한 구조가 우리의 핵심 기여이다: AI 연구가 재편되는 방식에 대한 대규모 교차 학회 특성화이다. 그다음 우리는 상전이가 정점에 이르기 전에 탐지 가능한 흔적을 남기는지 묻는다. 조기 경보 시그너처를 정의하고, 2017-2021 데이터에 고정된 네 가지 출판 역학(publication-dynamics) 기준을 사용하여 2023-2025 상전이에 대해 표본 외(out of sample)로 평가하여, 13.5% 기저율(base rate) 대비 정밀도(precision) 27%, 재현율(recall) 63%를 얻었다. 2025년 데이터에 적용하면, 이 시그너처는 추론(reasoning) 및 테스트 시점 계산(test-time compute), 에이전트(agent) AI, 멀티모달 LLM, 검색-증강 생성(RAG), 월드 모델(world models)을 2026-2028년 동안 모니터링할 주제로 표시한다. 소스 코드는 https://github.com/KurbanIntelligenceLab/ai-phase-transitions GitHub에서 공개적으로 이용 가능하다.