최근 파운데이션 모델은 단백질 접힘부터 기상 예측까지 높은 예측 성능을 보였지만, 이 논문은 예측만으로는 과학적 발견에 도달할 수 없다고 본다. 2026년 7월 14일 공개된 arXiv v1 프리프린트에서 제시된 핵심 문제의식은, 관측을 잘 맞히는 모델과 관측을 만들어내는 재사용 가능한 설명 메커니즘을 드러내는 모델은 다르다는 점이다.
Ingmar Posner, Anson Lei, Bernhard Schölkopf는 과학적 발견을 지식 조직의 문제로 정의하고, 이를 위한 새 설계 패러다임으로 Mechanistic World Models를 제안한다. 기존 세계모형이 미래 상태의 예측에 초점을 맞췄다면, 이 틀은 표현·계산·학습의 중심을 관측이 아니라 메커니즘에 둔다. 논문은 철학적 논의에서 출발해, 발견에 필요한 계산 능력과 설명적 지식을 유도하는 귀납적 압력을 정리한 뒤, 메커니즘 중심 세계모형의 구조를 개념적으로 정식화한다.
초반부에서는 예측과 설명의 차이를 길게 다룬다. 설명은 특정 현상을 한 번 맞히는 기술이 아니라, 여러 현상에 재사용될 수 있는 안정적 구조를 드러내는 일로 정의된다. 이에 따라 좋은 설명은 단순한 수학적 귀결보다도 인과성, 기제성, 통합성을 함께 갖춰야 하며, 최소한의 원리로 더 넓은 범위를 설명해야 한다는 점이 강조된다. 논문은 이런 관점을 “정보 조직”으로 요약하면서, 발견이란 결국 반복되는 패턴을 더 작은 수의 메커니즘으로 압축하는 과정이라고 본다.
중간부에서는 기존 연구 흐름을 네 갈래로 검토한다. 기계적 해석가능성은 모델 내부를 읽어내는 데 강점이 있지만, 학습 과정 자체가 설명 가능한 구조를 보장하지는 못했다고 정리된다. 인과 표현 학습은 관측과 개입에서 변수와 기제를 복원하려 하지만, 이론적 식별 가능성은 주로 합성 벤치마크에 머문다고 평가된다. 방정식 발견은 간결한 수식 복원에서 성과를 보였으나, 여전히 특정 변수 집합과 단일 법칙 복원에 더 가깝다. MoE 계열은 모듈화가 효율과 지속 학습에 유리함을 보여주지만, 그 모듈이 과학적 설명의 단위와 일치할 필요는 없다고 본다.
논문이 제안하는 Mechanistic World Models는 이 네 흐름의 장점을 하나의 공통 토대로 묶는 개념 틀이다. 메커니즘은 여기서 엔티티 V와 그것을 변화시키는 작용 f의 쌍 m ≜ (V, f)로 이해된다. 이런 표현은 물리 법칙, 생화학 경로, 신경 회로처럼 서로 다른 현상에 쓰일 수 있으며, 관측·개입·예측을 연결하는 재사용 가능한 계산 단위로 기능한다. 새 관측이 들어오면 모든 것을 다시 배우는 대신, 관련된 메커니즘만 갱신·조합·확장하는 식의 지식 조직이 가능하다는 주장이다.
| 구분 | 원문에서의 요지 | 원문 위치 |
|---|---|---|
| MWM의 핵심 표현 | 메커니즘을 V(엔티티와 속성)와 f(작용)의 쌍 m ≜ (V, f)로 본다 | Section 2.4, Eq. (1) |
| 기계적 해석가능성의 한계 | 모델 내부 해석은 가능하더라도 학습이 설명적 구조를 보장하지는 못함 | Section 3.1 |
| 인과 표현 학습의 특징 | 식별 가능성 결과가 있으나 주로 합성 벤치마크에 머문다고 평가 | Section 3.2 |
| 방정식 발견의 범위 | 이미 알려진 물리계 재발견에는 강하지만 더 넓은 개방형 설정은 어렵다 | Section 3.3 |
| MoE의 의미 | 모듈화와 희소 계산은 효율을 높이지만, 모듈이 설명 단위일 필요는 없다 | Section 3.4 |
자료: STORIUM 정리
제약으로는 이 논문은 실험 결과를 제시하는 검증형 연구가 아니라 개념 논문이다. 실제 성능 비교나 새 데이터셋 평가 대신, 기존 연구들을 묶어 설명적 학습의 설계 원리를 정리하고 향후 연구의 청사진을 제시하는 데 목적이 있다. 결론적으로 이 프리프린트는 AI를 예측기에서 자동 과학 발견기로 옮기기 위해, 모델이 무엇을 맞히는지가 아니라 지식을 어떻게 조직하는지를 먼저 물어야 한다고 주장한다.
저작권자 © STORIUM 무단전재 및 재배포 금지
