[논문 리뷰] An Axiomatic Approach to General Intelligence: SANC(E3) -- Self-organizing Active Network of Concepts with Energy E3

Daesuk Kwon, Won-Gi Paeng|arXiv (Cornell University)|2026. 01. 13.

Embodied and Extended Cognition인용 수 0

한 줄 요약

논문은 SANC(𝐄₃)라는 공리적 프레임워크를 도입합니다. 표현 단위(Gestalts)은 재구성, 구조, 업데이트 비용의 균형을 맞추는 에너지 E₃를 최소화함으로써 유한 용량에서 나타나며, 지각, 상상, 계획, 행동을 Gestalt 완성과 의사 메모리 매핑 I/O를 통해 통합합니다.

ABSTRACT

General intelligence must reorganize experience into internal structures that enable prediction and action under finite resources. Existing systems implicitly presuppose fixed primitive units -- tokens, subwords, pixels, or predefined sensor channels -- thereby bypassing the question of how representational units themselves emerge and stabilize. This paper proposes SANC(E3), an axiomatic framework in which representational units are not given a priori but instead arise as stable outcomes of competitive selection, reconstruction, and compression under finite activation capacity, governed by the explicit minimization of an energy functional E3. SANC(E3) draws a principled distinction between system tokens -- structural anchors such as {here, now, I} and sensory sources -- and tokens that emerge through self-organization during co-occurring events. Five core axioms formalize finite capacity, association from co-occurrence, similarity-based competition, confidence-based stabilization, and the reconstruction-compression-update trade-off. A key feature is a pseudo-memory-mapped I/O mechanism, through which internally replayed Gestalts are processed via the same axiomatic pathway as external sensory input. As a result, perception, imagination, prediction, planning, and action are unified within a single representational and energetic process. From the axioms, twelve propositions are derived, showing that category formation, hierarchical organization, unsupervised learning, and high-level cognitive activities can all be understood as instances of Gestalt completion under E3 minimization.

연구 동기 및 목표

• 일반 지능을 토큰이 선험적으로 주어지지 않고 공리로 정의합니다.
• 토큰의 등장과 안정화를 지배하는 유한 용량의 에너지 최소화 시스템(E₃)을 형식화합니다.
• Gestalt 형성, 분류, 계층 및 비지도 학습을 원리로부터 도출합니다.
• 하나의 표현 프로세스 아래 지각, 상상, 예측, 계획, 행동을 통합합니다.

제안 방법

• E₃ = λ₁L_rec + λ₂C_struct + λ₃C_update를 지능적 다이내믹의 핵심 목표로 제시합니다.
• 용량, 경쟁, 연관, 안정화 및 공존 기반 후보를 제약하기 위해 공리 A1–A5를 도입합니다.
• 토큰, 시스템 토큰, Gestalts 및 공존/연관 메커니즘(D1–D6)을 정의하여 표현을 생성합니다.
• 구성에 따른 폐쇠를 보장하는 공리 A6–A10을 확립하고, 계층적 자기 조직화, 교차 수준 등가성, 하위 시스템 간 통신을 다룹니다.
• Gestalt 완성 아래 분류, 계층, 비지도 학습 및 고수준 인지가 어떻게 나타나는지 보여주는 12개의 명제(T1–T12)를 도출합니다.
• 의사 기억 매핑 I/O 루프를 제시하여 재생된 Gestalts가 외부 입력과 동일한 공리를 따르도록 합니다.

실험 결과

연구 질문

• RQ1 유한 자원하에서 일반 지능을 보이려면 시스템이 만족해야 할 최소 공리는 무엇인가?
• RQ2 선행 토큰 없이도 Emergent한 표현 단위(Gestalts)는 어떻게 형성되고 안정화되는가?
• RQ3 E₃ 목표가 재구성, 구조, 업데이트 간의 균형을 어떻게 맞추어 토큰 폭발 또는 침체를 방지하는가?
• RQ4 지각, 상상, 예측, 계획, 행동을 Gestalt 완성 아래 하나로 통합할 수 있는가?
• RQ5 계층적이고 자기 유사한 구조는 공리와 다이내믹으로부터 어떻게 형성되는가?

주요 결과

• 시스템 토큰을 제외한 토큰은 경쟁이나 소멸에서 면제되지 않는다(전 predefined 시스템 토큰을 제외하고).
• 유한 용량하에서 Gestalt의 순환 교체는 경쟁과 제한된 활성화로 인해 불가피하다.
• 토큰은 시스템 토큰을 제외하고 모두 E₃를 최적화하는 emergent stabilized 구조로 생성된다.
• 균형 잡힌 E₃는 토큰 및 시퀀스의 폭발을 방지하여 안정된 레퍼토리를 제공한다.
• 카테고리 형성은 재구성 오류와 구조적 복잡성을 모두 낮추는 압축으로 나타난다.
• 예측은 부분 일치 검색 및 내부 재생을 통한 Gestalt 완성으로 나타나며 Gestalt 원리와 일치한다.
• 계층성과 자기 유사적 조직은 닫힘 및 레벨-동질성 다이내믹스에서 나오며 다단계 처리를 가능하게 한다.
• 시스템 토큰(앵커)은 관계적이며 맥락 변화에 따라 그 의미가 관계적으로 진화한다.