포지션: 더 나은 학습을 위한 경로로서 대화형 환경에서의 성찰적 경험

Position: Introspective Experience from Conversational Environments as a Path to Better Learning

현재의 AI 훈련 접근 방식은 추론을 규모의 확장에 따른 창발적 속성으로 취급한다. 우리는 그 대신 견고한 추론이 언어적 자기 성찰에서 비롯되며, 이는 양질의 사회적 상호작용이 내면화된 것이라고 주장한다. 비고츠키 발달 심리학에 기반하여, 우리는 '성찰(Introspection)'을 중심으로 세 가지 핵심 입장을 제시한다. 첫째, '개인적 마음의 사회적 기원'을 주장한다. 대화형 환경에서의 학습은 세상을 이해하는 새로운 방식으로 부상하고 있으며, 다른 행위자(내부적이든 아니든)와 조율하는 과정에서 발생하는 마찰이 추론 과정을 정제하고 구체화한다. 둘째, 대화적으로 지지(scaffolding)된 성찰적 경험은 에이전트가 즉각적인 데이터 스트림에서 학습을 분리하는 의미 구성 작업에 참여하게 하여, 가공되지 않은 환경 데이터를 풍부하고 학습 가능한 서사로 변환할 수 있게 한다고 주장한다. 마지막으로, 우리는 '대화의 질이 곧 새로운 데이터의 질'이라고 주장한다. 에이전트의 사적 추론의 깊이와 테스트 시간 연산의 효율성은 에이전트가 습득한 대화의 다양성과 엄밀함에 의해 결정된다. 우리는 이러한 대화적 비계를 최적화하는 것이 차세대 범용 인공지능을 위한 주요 수단이라고 결론짓는다.

Current approaches to AI training treat reasoning as an emergent property of scale. We argue instead that robust reasoning emerges from linguistic self-reflection, itself internalized from high-quality social interaction. Drawing on Vygotskian developmental psychology, we advance three core positions centered on Introspection. First, we argue for the Social Genesis of the Private Mind: learning from conversational environments rises to prominence as a new way to make sense of the world; the friction of aligning with another agent, internal or not, refines and crystallizes the reasoning process. Second, we argue that dialogically scaffolded introspective experiences allow agents to engage in sense-making that decouples learning from immediate data streams, transforming raw environmental data into rich, learnable narratives. Finally, we contend that Dialogue Quality is the New Data Quality: the depth of an agent's private reasoning, and its efficiency regarding test-time compute, is determined by the diversity and rigor of the dialogues it has mastered. We conclude that optimizing these conversational scaffolds is the primary lever for the next generation of general intelligence.