추론 모델의 ‘느린 사고’는 보통 더 긴 계산이나 사고 토큰으로 설명되지만, 왜 그런 형식이 나타나고 지각과 어떤 관계를 맺는지는 통일된 이론이 부족하다. 이 논문은 2026년 5월 11일 Journal of Machine Learning에 출판됐고 DOI는 10.4208/jml.260213이다. arXiv에는 같은 해 7월 9일 처음 등록됐다. 논문은 사고와 지각을 확률 분포의 변환 문제로 수학적으로 기술한다. 관측 공간과 잠재 공간 사이에서 분포를 들어 올리고 다시 투영해 복잡한 데이터를 신경망 같은 단순한 함수족으로 표현한다는 출발점이다. 연구진은 이를 바탕으로 느린 사고를 더 일반적인 ‘능동 지각’의 한 형태로 놓는다.
제안된 ‘능동 리프팅’은 잠재 시퀀스를 표본화하고 불확실성을 가능한 빠르게 줄이려는 내적 동기를 사용한다. 이 틀에서 현재의 느린 사고 모델은 더 넓은 설계 공간 중 정적 이론에 해당하는 부분으로 배치된다. 모델은 표현의 위계와 표본화기의 위계 위에 놓이며, 두 위계를 올라가는 방식으로 개선 방향을 설명할 수 있다. 이론은 내부 시간축을 가진 추론 과정과 최소 길이 부호화, 언어의 발명과 닮은 학습 목표도 도출한다.
논문은 이 틀에서 느린 사고 모델을 개선하는 단계적 경로, 여러 데이터 양식의 인코더와 생성 모델을 구성하는 통합 관점, 사람과 닮은 시각 표현의 사전 형성, 정책 붕괴에 대한 가능한 해법을 부산물로 제시한다. 다만 광범위한 현상을 하나의 수학적 틀로 설명하는 이론 연구인 만큼 각각의 예측이 실제 대규모 모델에서 얼마나 재현되는지는 별도의 실험이 필요하다. 의미는 사고 토큰의 길이만 비교하는 경험적 논의를 넘어, 지각·표현·표본화·불확실성 감소를 하나의 설계 언어로 연결했다는 데 있다.
원문: arXiv 2607.08196
저작권자 © STORIUM 무단전재 및 재배포 금지
