장면 적합 중심 AI와 동적 인지 네트워크

초록

본 논문은 기존 AI 기술이 직면한 한계를 짚고, 장면 적합성을 핵심으로 하는 엔드‑투‑엔드 구조 전환을 제안한다. 이를 구현하기 위해 이질적이고 동적인 인지 네트워크(DC Net)를 설계하고, 두 차원·다중 레이어 구조, 양방향 조건부 확률 기반 인지 확률 모델, 전방향 매칭‑성장 알고리즘, 구조 학습 중심의 인지 네트워크 학습(CNL) 프레임워크 등을 제시한다. 특히 개방형·유의 확률 장면을 AI 핵심 과제로 규정하고, 인간 지능과의 논리적 유사성을 논한다.

상세 분석

이 논문은 현재 딥러닝·대규모 언어 모델이 “데이터‑대‑모델” 패러다임에 머무르는 구조적 한계를 비판한다. 저자는 AI가 진정한 일반지능에 도달하려면, 문제 해결을 위한 “엔드‑투‑엔드 함수 계산”을 포기하고, 상황(장면)마다 최적화된 계산 흐름을 동적으로 구성할 수 있는 프레임워크가 필요하다고 주장한다. 이를 위해 제시된 Dynamic Cognitive Network(DC Net)는 다음과 같은 핵심 설계 원칙을 가진다.

이질적 동적 연결망: 개념 요소들을 노드로 하고, 이들 사이의 관계를 다중 유형(논리, 확률, 시맨틱) 연결으로 표현한다. 이러한 연결은 시간·맥락에 따라 가변적이며, 새로운 개념이 등장하면 자동으로 네트워크에 삽입·재배치된다.
두 차원·다중 레이어 구조: 하나의 차원은 “개념‑관계” 그래프, 다른 차원은 “확률‑조건부 흐름”을 담당한다. 레이어는 저수준 감각/시퀀스 처리부터 고수준 추론·일반화까지 계층적으로 쌓이며, 레이어 간 교차 연결을 통해 상향·하향 피드백이 가능하다.
인지 확률 모델: 저자는 “유의 확률 장면”과 “비유의 확률 장면”을 구분하고, 전자는 인간이 직관적으로 판단하는 상황, 후자는 통계적 우연에 의존하는 상황으로 정의한다. 모델은 양방향 조건부 확률(P(A|B), P(B|A)), 확률 전이(전파), 확률 중첩, 그리고 “확률 붕괴”(관측에 의한 확률 재정규화)를 통합한다. 이를 통해 동일한 입력에 대해 상황에 맞는 확률 분포를 동적으로 선택한다.
전방향 매칭‑성장 알고리즘: 목표와 확률을 동시에 드라이버로 삼아, 파싱·생성·추론·질의·학습 과정을 하나의 네트워크 매칭 과정으로 통합한다. 입력이 들어오면 가장 적합한 서브그래프를 매칭하고, 필요 시 새로운 연결을 성장시켜 문제 해결 능력을 확장한다.
인지 네트워크 학습(CNL): 구조 학습을 1차 목표로 두고, 파라미터 학습을 보조한다. 구조 학습은 메타‑리인포스먼트, 그래프 신경망 기반 구조 변형, 그리고 인간의 개념 확장 메커니즘을 모방한 “개념 삽입‑삭제” 연산을 포함한다. 파라미터 학습은 기존의 역전파·베이지안 업데이트를 활용하지만, 구조가 변할 때마다 파라미터 재조정이 자동으로 이루어진다.
인간 지능과의 논리적 유사성: 인간은 상황에 따라 다른 인지 체계를 활성화하고, 새로운 개념을 기존 네트워크에 통합한다. DC Net은 이러한 특성을 그래프 기반 동적 재구성, 확률 기반 의사결정, 그리고 목표‑구동 성장 메커니즘으로 구현한다.

이러한 설계는 현재 AI가 “범용성”을 주장하지만 실제로는 특정 데이터셋에 과적합된 상태에 머무는 문제를 근본적으로 해결하려는 시도이다. 특히 개방형 장면(open domain)과 유의 확률 장면(significant‑probability scene)을 핵심 목표로 삼음으로써, 인간이 일상 대화·문제 해결에서 보이는 유연성을 재현하려는 목표가 명확히 드러난다. 다만, 논문은 구현 세부사항(예: 그래프 성장 연산의 복잡도, 확률 모델의 수치 안정성)과 실험적 검증에 대한 구체적 데이터가 부족해 실제 적용 가능성을 평가하기엔 한계가 있다.