조건 시뮬레이션으로 구현하는 상식 추론 튜링 유산과 인공지능

초록

**
본 논문은 확률적 튜링 머신 QUERY를 중심으로, 조건부 시뮬레이션을 통해 인간의 상식적 추론을 확률적 추론으로 형식화한다. QUERY는 관찰 데이터와 세계의 불확실한 구조를 통합한 통계 모델에서 조건부 확률을 계산함으로써, 기존 인공지능·인지과학 연구를 하나의 통일된 프레임워크로 수렴시킨다.

**

상세 분석

**
논문은 먼저 “인지가 계산이다”라는 전통적 가설을 재조명한다. 여기서 핵심 질문은 ‘어떤 계산이 인지를 구현하는가’이며, 저자들은 이를 확률적 튜링 머신인 QUERY로 답한다. QUERY는 입력으로 확률 프로그램을 받아, 그 프로그램이 생성한 전역 상태 공간을 무작위로 탐색한다. 탐색 과정에서 특정 조건(예: 관찰된 사실)이 만족될 때까지 시뮬레이션을 반복하고, 조건이 충족된 시뮬레이션 결과를 수집함으로써 조건부 분포를 근사한다. 이 절차는 전통적인 마코프 체인 몬테카를로(MCMC)나 중요도 샘플링과는 달리, 프로그램 자체를 샘플링 대상에 포함시켜 모델 구조의 불확실성까지 동시에 다룰 수 있다는 점에서 혁신적이다.

논문은 여러 사례를 통해 QUERY가 어떻게 상식적 추론을 구현하는지를 보여준다. 첫 번째 예는 “새는 날 수 있다”는 일반적인 상식 명제를 확률적 그래프 모델에 삽입하고, 관찰된 새의 종류와 날개 형태를 조건으로 삼아 새가 날 수 있는지 여부를 추론한다. 두 번째 예는 일상 대화에서의 인과 관계 추론으로, “비가 오면 길이 미끄럽다”는 규칙을 조건부 시뮬레이션에 넣어, 실제 도로 상태와 관찰된 사고 기록을 기반으로 비와 사고 사이의 인과 강도를 추정한다. 이러한 예시들은 모두 인간이 자연스럽게 수행하는 ‘가능성 평가’와 ‘가정 검증’ 과정을, 확률적 프로그램 실행과 조건부 시뮬레이션으로 대체한다는 점을 강조한다.

또한 저자들은 QUERY가 기존 베이지안 네트워크와 비교했을 때 갖는 장점을 논한다. 베이지안 네트워크는 사전 정의된 구조와 변수 간 독립성 가정을 필요로 하지만, QUERY는 프로그램 수준에서 구조 자체를 확률 변수로 취급한다. 따라서 새로운 개념이나 관계가 등장할 때마다 모델을 재설계할 필요 없이, 프로그램에 새로운 규칙을 추가하는 것만으로 확장할 수 있다. 이는 인간의 상식이 끊임없이 진화하고, 새로운 상황에 빠르게 적응하는 방식을 컴퓨터가 모방하도록 하는 중요한 설계 원리다.

마지막으로, 논문은 Turing의 세 가지 유산—계산 가능성, 인공 지능에 대한 초기 사유, 그리고 통계적 추론에 대한 통찰—을 QUERY에 통합한다는 점을 강조한다. Turing이 제안한 ‘oracle machine’ 개념과 ‘learning machines’ 아이디어가 조건부 시뮬레이션이라는 현대적 구현을 통해 재현되며, 이는 인공지능 연구가 이론적 기반을 넘어 실용적 추론 메커니즘으로 전이되는 전환점으로 평가된다.

**