LLM은 ‘점프’할 수 없다

현재 생성형 AI는 데이터에서 규칙을 찾는 귀납(Induction) 과 주어진 공리에서 결과를 도출하는 연역(Deduction) 은 빠르게 기계화하고 있지만, 감각 경험에서 새로운 설명과 공리로 넘어가는 귀추(Abduction) 의 ‘점프’는 수행하지 못한다는 입장임 Einstein의 일반상대성이론은 당시 Newton 역학이 관측 데이터와 거의 완벽하게 맞아 압축해야 할 오차 신호 자체가 거의 없었던 발견이며, Mercury의 근일점 이동조차 새 행성 ‘Vulcan’으로 설명하려 했기 때문에 ‘창의성=데이터 압축’만으로는 발견 과정을 설명하기 어렵다고 봄 Einstein이 1907년 떠올린 등가원리(Equivalence Principle) 는 관측 데이터를 통계적으로 일반화하거나 기존 전제에서 연역한 것이 아니라, 자유낙하하는 관찰자의 물리적 감각을 머릿속에서 시뮬레이션해 “가속과 중력은 구별되지 않는다”는 새 공리를 만든 사례로 해석함 이를 조작적 귀추(manipulative abduction) 라고 부르며, ARC-AGI처럼 희소한 사례에서 숨은 규칙을 찾는 귀추만으로는 부족하고 에이전트가 환경을 직접 바꾸며 반사실적 상황을 경험할 수 있는 감각적/물리적 기반이 필요하다고 주장함 Veo 같은 수동적 영상 예측보다 Genie처럼 행동으로 개입 가능한 월드 모델을 가능성 있는 해법으로 제시하며, AI Scientist나 AlphaEvolve도 기존 기호와 고정된 목표/그래디언트 안에서 탐색한다는 점에서 새로운 과학 패러다임을 만드는 점프와는 다르다고 봄 과학적 발견을 귀납/연역/귀추로 분해 출발점은 Schmidhuber의 ‘창의성은 압축 과정’ 이라는 관점임 관측 데이터를 더 짧은 프로그램이나 규칙으로 표현하는 과정이 과학적 발견이라는 설명임 논문은 이를 본질적으로 귀납으로 분류함 동시에 AlphaProof 같은 시스템의 성과는 AI가 연역적 추론도 빠르게 기계화하고 있음을 보여준다고 봄 만약 과학적 발견이 귀납+연역의 합이라면, 충분한 계산량을 가진 LLM도 원칙적으로 일반상대성이론을 발명할 수 있어야 한다는 문제를 제기함 Peirce의 Rule/Case/Result 구분으로 세 추론을 정리함 연역: Rule + Case → Result 규칙을 사례에 적용해 결과를 얻음 세 방식 가운데 진리를 보장할 수 있는 분석적 과정임 코드로 보면 함수를 실행해 출력값을 계산하는 것과 유사함 귀납: Case + Resul...