창발 불변성: 상징화된 사고에서 인터페이스 개선까지

Emergence Invariance: From Symbolized Thought to Structural Control

언어는 사고의 형식화된 부분집합으로 볼 수 있으며, 이는 맥락에 따라 달라지는 인지 과정에서 파생된 결과 기반의 상징 구조입니다. 대규모로 훈련된 거대 언어 모델(LLM)은 보상적 창발성을 나타냅니다. 즉, 희소한 아키텍처 구성 요소가 문맥 내 학습, 다단계 추론, 도구 사용 및 연쇄적 사고를 지원합니다. 그러나 언어를 최우선으로 하는 확률 기반 아키텍처는 인간 인지 능력과 비교했을 때 상당한 수준의 불완전성(내재적, 하위 구조적, 고차원적)을 가지고 있습니다. 이러한 공존은 LLM을 인간과 유사한 사고 형태 생성기로 만들며, 이는 불완전한 기반에서 점점 더 인간과 유사한 추론 방식을 재구성합니다. 본 연구는 창발성이 모든 누락된 차이를 보상할 수 있는지 질문하며, 철학적 전제를 '상징화-하위 구조 논제'로 공식화하고 창발 불변성을 도입합니다. 특정 작업 인터페이스 φ를 통해 작동하는 크기 지수 가족의 경우, $\mathcal{R}_s^* = \mathcal{R}_{φ}^* + C_s$입니다. 여기서 규모는 보상 격차 $C_s$를 줄일 수 있지만, 긍정적인 인터페이스 기준선 $\mathcal{R}_{φ}^*$은 유지됩니다. 고정된 입력 법칙 하에서, 하나의 인터페이스가 보편적으로 정보가 부족하지 않다는 것은 해당 인터페이스의 완전한 정보 σ-필드가 다른 인터페이스를 개선할 때 성립하며, 총 보상이 발생하는 경우는 인터페이스 기준선과 비점근적 보상 격차가 모두 사라질 때입니다. 이 프레임워크는 근거, 기억, 위치, 주의 집중, 베이지안 상속, 과학적 추론 및 추론 제어에 대한 기존 연구 결과를 통합합니다. DeepSeek V4-Flash API를 사용하여 수행된 실험에서, 관련 차별화 요소가 제공될 때 문제 해결 능력이 포인터 추적의 정확도를 0/16에서 14/16으로 향상시켰습니다. 관찰적으로 동일한 쌍은 여전히 50%의 성능을 보였으며, 중요한 기억 기능을 복원하면 동등한 성능이 50%에서 100%로 향상되었습니다. 이러한 결과는 인터페이스 내에서의 확장과 인터페이스 자체를 개선하는 것 사이의 예측된 분리를 위한 초기 증거를 제공합니다.

Language-first intelligence is constrained by which distinctions enter its symbolic record, which mappings its language--interpreter--environment complex can execute, and which possibilities can be realized with finite resources. We formalize these limits through an effective interface $φ$, executable support $Π_{φ,H}$, a realization profile $M$, and resource-indexed families $\mathcal F_s(\mathcal J,M)$. They induce four nested capability levels: current reachability, budget realizability, asymptotic realizability, and structural capability, each with literal and risk-equivalent forms. On finite task spaces, universal bounded-loss dominance is characterized by inclusion of closed convexified risk envelopes; directed deficiencies and resource transformations quantify approximate simulation and realization burden. The decomposition $\mathcal R^*_{s,\mathcal J,M}=\mathcal R^*_{\mathcal J}+C_s(\mathcal J,M)$ separates structural limits from finite-resource compensation gaps. We develop dynamic control over these boundaries. Target risk identifies the lowest capability level that must change. Ockhamian control operates within inherited structural possibilities; Chattonian-containing control can produce endpoint structural novelty beyond the inherited decision class. Diminishing returns to within-structure computation and sustained structural-enrichment value yield a switching threshold, with switching costs creating hysteresis. Matched DeepSeek V4-Flash evidence shows: thinking raises pointer chasing from $0/16$ to $14/16$, exact observational and memory twins remain at their $0.5$ floors, restoring decisive memory raises performance from $0.5$ to $1.0$, and executable support determines whether reasoning can become effective. The framework organizes LLM emergence limits through structural capability, finite realizability, boundary control, and recursive meta-control.