'Intelligent'라는 단어를 바라보는 유용한 관점

우주는 무질서를 향해 간다. 무언가가 그 흐름을 거슬러 민다. 우리는 그것을 지식이라 부르지만, 그것이 어떻게 작동하는지에 대한 정착된 이론은 아직 없다.

이 글은 앞선 작업 위에 놓여 있다.

두 종류의 엔트로피 (정보와 지식), 어둠과 싸우는 것 (물리적 힘으로서의 지식), 그리고 두 루프(two loops) (시스템(system)이 계속 새로운 지식을 만들어내는 아키텍처)는 여기서 말하는 지식이 무엇인지, 그리고 시스템이 그것을 어떻게 생성하는지의 바닥을 깔아준다. 이 글은 그것을 휘두르는 시스템을 어떻게 측정할 것인지를 묻는다.

---

2023년, 생물학자 Michael Hochberg는 A Theory of Intelligences를 발표했다. 지능을 정의하려는 대부분의 시도가 주지 못했던 것을 주는 논문이다. 한 문장짜리 정의가 아니라, 기반(substrate)을 가로질러 실제로 일반화되는 작동 프레임워크.

이전 시도들은 대체로 지능을 어떤 종류의 사물처럼 다뤘다. 1904년 Spearman의 g-factor. 1944년 Wechsler의 “global capacity” 정의. Sternberg의 삼원 지능 이론. Gardner의 다중 지능. 각각은 가정된 물질을 이름 붙인 조각들로 잘라냈다. 그 어떤 것도 벌, 면역 세포, foundation model로 깔끔하게 확장되지 않았다. 모두 인간이 가진다고 전제된 소유물의 분류표였기 때문이다.

Hochberg는 다른 질문에서 출발한다. “지능이라는 것은 무엇인가?”가 아니라 “지능적인 시스템은 무엇을 하는가?” 그의 답은 한 문장이다. 지능은 결과나 목표를 만들어내는 불확실성의 해소다. 어떤 과정이 결과를 향해 불확실성을 줄인다면, 그것은 기반과 무관하게 해당된다. 그 출발점에서 논문은 충분한 내부 구조를 갖춘 프레임워크를 세운다. 그래서 우리는 그것을 온도조절기, 체스 엔진, 문어, foundation model, 혹은 문명에 일관되게 적용할 수 있다.

이 관점을 들고 다닐 만한 이유는 세 가지다.

1. 어떤 시스템에도 적용된다. 뇌, 면역 세포, foundation model, 도시의 교통망, 제도. 모두 같은 척도 위에서 점수를 받는다. 크기는 엄청나게 다르지만 말이다. 어떤 것이 “정말로” 지능적인지에 대한 끝없는 논쟁은 정량적 질문이 된다.
2. 설명 가능한 작동들로 분해된다. 지능은 하나의 숫자가 아니다. 목표의 난이도에 의해 스케일되는 두 기초 역량, 해결(solving)과 계획(planning)에 걸친 프로필이다. 서로 다른 시스템은 서로 다른 프로필을 가지며, 그 프로필은 문지기 역할이 아니라 정보를 준다.
3. AGI와 superintelligence의 혼란을 녹여낸다. 두 대중적 개념 모두 지능이 어떤 시스템에는 더 많이 들어 있는 물질이라고 가정한다. 지능이 난이도에 상대적인 작동들의 프로필이 되는 순간, “도달의 순간”이나 “임계값”은 지시 대상을 잃는다. 임계값을 걸 물질은 없다. 각 역량에서, 각 영역에서, 올라갈 점수만 있을 뿐이다.

이 글의 나머지는 Hochberg의 프레임워크를 작동 아키텍처로 따라가며, 두 역량이 무엇을 의미하는지 풀어낸다. 그리고 그 결과를 사용해 AI를 둘러싼 흔한 혼란 몇 가지를 정리한다.

---

불확실성 해소로서의 지능

불확실성의 해소로서의 지능. 행동 전에는 시스템의 상태가 넓게 불확실하다. 행동 후에는 불확실성이 더 작은 영역으로 붕괴한다. 상호정보량의 비트 단위로 측정되는 그 붕괴의 크기가 이 척도가 추적하는 것이다.

중심 이미지는 여기서 시작한다. Hochberg의 프레임워크에서 지능적인 시스템은 세계의 상태가 여러 방식일 수 있는 상황을 받아, 목표를 구성하는 특정한 한 방식을 향해 그것을 해소하는 시스템이다.

온도조절기는 “방이 목표 온도에 있는가”라는 불확실성을 해소한다. 대부분의 시간에는 아니다. 온도조절기가 릴레이를 닫고, 히터가 켜지고, 방이 따뜻해지고, 불확실성이 해소된다. 작은 불확실성, 작은 해소, 작은 지능. 그럼에도 이 척도상으로는 지능이다.

외과의는 “다음 절개는 어디로 가야 하는가”라는 불확실성을 해소한다. 환자 몸의 상태는 엄청나게 고차원적이다. 결정 공간은 풍부하다. 해부학, 술기, 사례 경험의 세월이 각각의 절개를 정확한 밀리미터에 놓는 판단으로 인코딩되어 있다. 큰 불확실성, 큰 해소, 큰 지능.

foundation model은 “이 시퀀스에서 다음 토큰은 무엇인가”라는 불확실성을 해소한다. 방대한 코퍼스로 훈련된 모델은 언어, 코드, 이미지의 통계적 규칙성을 흡수했다. 각각의 예측은 불확실성을 줄이는 행위다. 수백만 개의 맥락 전체에서, 그 누적 해소는 엄청나다. 다만 영역마다 고르지는 않다.

각 경우에 같은 작동이 일어나고 있다. 사전확률과 기술을 갖춘 시스템이 여러 방식일 수 있는 상태를 받아, 가능성들을 하나로 좁히는 행동이나 출력을 만들어낸다. Hochberg의 프레임워크는 바로 그 작동에 정확한 이름을 붙인다. 그래서 크기의 차이가 탈락의 이유가 아니라 흥미로운 질문이 된다.

---

두 역량, 해결과 계획

Hochberg의 중심 이미지. 목표는 하위 목표들의 네트워크다. 해결은 각 노드에서 작동한다. 시스템이 그곳에서 해소 가능한 불확실성 중 실제로 얼마나 해소하는가. 계획은 경로 전체에서 작동한다. 시스템이 어떤 노드들의 시퀀스를 선택하는가.

Hochberg의 핵심 분해는 시스템이 가질 수 있는 두 역량으로 나뉜다.

첫 번째는 해결이다. 해결은 하나의 하위 목표에서 국소적 불확실성을 해소하는 일이다. 체스의 각 수는 해결 행위다. 병뚜껑을 여는 것도 해결이다. 얼굴을 알아보는 것도 해결이다. 날아오는 공을 잡는 것도 해결이다. 시스템은 현재 상태를 받아, 자신이 가진 사전확률과 기술을 적용하고, 그 한 단계에 대한 불확실성을 줄이는 행동을 만들어낸다.

Hochberg는 해결 품질을 하위 목표들에 걸친 단순한 비율로 쓴다. 어떤 목표가 $N$개의 단계로 쪼개져 있다고 상상해보자. 각 단계 $n$에는 해소될 수 있는 불확실성의 양이 있다. 이것을 ${\hat{U}}_{n,y}$라고 부르자. 목표 $y$에서 단계 $n$의 해소 가능한 정보다. 그리고 실제로 해소되는 양도 있다. 이것을 $U_{n,y}$라고 부르자. 해결 품질은 전체 단계에 걸쳐 시스템이 해낸 비율의 평균이다.

$${\mathbb{U}}_y=\frac{1}{N}\sum _{n=1}^N\frac{U_{n,y}}{{\hat{U}}_{n,y}}$$

말로 읽으면 이렇다. 해결 품질 ${\mathbb{U}}_y$는 $N$개의 하위 목표에 걸친 시스템의 평균 점수다. 각 하위 목표의 점수는 해소 가능한 불확실성 중 시스템이 실제로 해소한 비율이다. 시스템이 모든 단계에서 가능한 불확실성을 전부 해소하면 ${\mathbb{U}}_y=1$이다. 아무것도 해소하지 못하면 ${\mathbb{U}}_y=0$이다. 실제 시스템은 그 사이 어딘가에 놓인다. 방이 설정 온도보다 낮을 때 릴레이를 닫는 온도조절기는 매 사이클마다 관련된 국소 불확실성의 거의 1에 가까운 양을 해소한다. 복잡한 포지션을 마주한 주니어 체스 선수는 같은 포지션을 마주한 그랜드마스터보다 더 작은 비율을 해소한다. 같은 문제, 다른 ${\mathbb{U}}_y$.

두 번째는 계획이다. 계획은 궁극 목표를 향해 하위 목표들을 최적으로 배열하는 일이다. 체크메이트에 이르는 30수짜리 체스 시퀀스는 계획이다. 연구 프로그램을 설계하는 것도 계획이다. 달 발사를 조율하는 것도 계획이다. 계획은 가능한 단계들의 그래프를 통과하는 올바른 경로를 고르는 일이지, 그 경로 위의 수를 직접 두는 일이 아니다.

Hochberg는 계획 품질도 비슷한 비율로 쓴다. 시스템이 선택한 실제 경로를 최적 경로와 비교하는 것이다. 실제 경로는 $N$개의 노드를 갖고, 각 노드에서 정보 ${\hat{U}}_{n,y}$를 가진다. 최적 경로는 $G$개의 노드를 갖고, 각 노드에서 정보 ${\tilde{U}}_{g,y}$를 가진다. 계획 품질은 실제 경로의 단계당 평균 정보량을, 최적 경로의 단계당 평균 정보량으로 나눈 값이다.

$${\mathbb{A}}_y^G=\frac{{\sum }_{n=1}^N{\hat{U}}_{n,y}/N}{{\sum }_{g=1}^G{\tilde{U}}_{g,y}/G}$$

말로 읽으면 이렇다. 계획 품질 ${\mathbb{A}}_y^G$는 시스템이 선택한 경로가 최적 경로와 맞아떨어질 때 1에 가까워진다. 모든 단계가 가능한 한 정보적일 때다. 경로가 우회하거나, 시스템이 가능한 최선의 대안보다 정보량이 적은 단계를 선택하면 값은 떨어진다. 거의 최적인 30수 메이트 시퀀스를 찾는 체스 엔진은 높은 ${\mathbb{A}}_y^G$를 갖는다. 체크메이트에 결국 도달하더라도 그 전에 헛수들을 헤매는 엔진은 낮은 ${\mathbb{A}}_y^G$를 갖는다.

그다음 Hochberg는 목표 $y$를 다루는 시스템 $x$에 대해 해결과 계획을 하나의 지능 척도로 결합한다.

$${\mathbb{I}}_{x,y}={\mathbb{U}}_{x,y}^R(\alpha +\beta {\mathbb{A}}_{x,y}^G)$$

$\mathbb{U}$ 위의 위첨자 $R$은 관련성으로 가중된 해결 버전임을 표시한다. 각 하위 목표가 궁극 목표에 얼마나 기여하는지에 따라 가중한다는 뜻이다. $\alpha$와 $\beta$는 합이 1인 가중치이며, 해당 목표 종류에서 계획이 얼마나 중요한지를 인코딩한다. $\beta =0$이면 지능은 순수한 해결이다. 시스템은 온도조절기처럼 반응적이다. $\beta \to 1$이면 계획이 점수에 필수적이 된다. 시스템은 경로의 품질이 모든 것인 다단계 목표와 씨름하고 있는 것이다.

방정식의 형태는 하나의 구조적 주장을 인코딩한다. 해결은 항상 필요하다. 그래서 곱셈의 뿌리에 놓여 있다. 계획은 해결의 증폭기이며, 목표가 얼마나 복잡한지에 따라 가중치가 달라진다. 어떤 시스템은 단순한 목표에서 해결만으로도 높은 지능을 보일 수 있다. 복잡한 목표에서는 같은 해결 품질이라도 계획이 나쁘면 훨씬 낮은 지능 점수를 받는다. 승수가 줄어들기 때문이다.

두 역량은 서로 분리될 수 있다. 온도조절기는 계획 없이 매 사이클마다 불확실성 한 비트를 다루는 순수 해결을 한다. minimax를 실행하는 체스 엔진은 둘 다 한다. 탐색 트리의 각 노드에서 해결하고, 그 노드들을 통과하는 시퀀스를 계획한다. 인간 외과의는 거대한 계획(수술 순서) 안에 박힌 거대한 해결(각 절개)을 한다. 해결자 없는 순수 계획자는 쓸모없다. 경로를 걸을 수 없기 때문이다. 계획 없는 순수 해결자는 국소 문제에서는 매우 효과적일 수 있지만, 그것들을 긴 호로 엮어내지는 못한다.

이것이 Hochberg의 프레임워크가 깔끔하게 일반화되는 이유다. 서로 다른 시스템은 서로 다른 해결-계획 프로필을 드러내며, 우리가 “지능적”이라는 단어를 사용할 때 말하고 싶은 것은 바로 그 프로필이다. 온도조절기는 자기의 아주 작은 문제에서 해결 점수가 높고 계획 점수는 0이다. 문명은 수십억 개의 뇌와 여러 세대에 걸쳐 분산된 채로 두 축 모두에서 엄청나게 높은 점수를 낸다. foundation model은 검색(retrieval)과 패턴 완성에서 해결 점수가 높지만, 긴 시간 범위의 목표 추구가 필요한 과제에서는 계획 점수가 낮다.

Hochberg는 인지심리학 문헌의 익숙한 한 쌍도 끌어들인다. 결정화된 지능, 즉 시스템이 끌어다 쓸 수 있는 저장된 지식과 유동적 지능, 즉 시스템이 즉석에서 수행할 수 있는 추론이다. 이것들은 새로운 역량이 아니다. 해결과 계획이 끌어다 쓰는 자원이다. 결정화된 자원은 익숙한 문제에서 해결과 계획을 더 빠르게 일어나게 한다. 유동적 자원은 낯선 문제에서 그것들이 아예 일어날 수 있게 한다. 결국 어떤 시스템의 지능 프로필은, 눈앞의 목표를 다루기 위해 해결과 계획이 결정화된 자원과 유동적 자원을 어떻게 조합하는지에 대한 설명이다.

혹은 직접 경로를 만들어보자. 가운데 세 열에서 각각 하나의 노드를 클릭해, 선택이 바뀔 때마다 해결률 𝕌, 계획 품질 𝔸, 결합 지능 𝕀가 어떻게 바뀌는지 보라. 최적 경로를 시도한 다음, 일부러 나쁜 경로도 시도해 𝔸에 미치는 효과를 느껴보라.

---

난이도와 지능 니치

Hochberg는 전체 프레임워크에서 중요해지는 움직임을 하나 더 추가한다.

목표에 대한 수행은 절대적인 기준으로 평가될 수 없다. 목표는 시스템의 역량에 상대적으로 어렵다. 아이가 2+2를 푸는 것은 그 수준에서는 진짜 지능을 보이는 일이다. 체스 그랜드마스터가 같은 산수를 하는 것은 딱히 별 의미가 없다. 같은 문제, 같은 정답, 완전히 다른 지능 판독값.

Hochberg의 프레임워크에서 이것은 목표의 내재적 복잡도와 그것을 다루는 시스템의 기대 능력 사이의 비율로 나온다.

$${\mathbb{D}}_y=\frac{{\mathbb{C}}_{g,y}}{{\mathbb{Q}}_{x,y}}$$

말로 읽으면 이렇다. 목표 $y$의 난이도 ${\mathbb{D}}_y$는 목표의 내재적 복잡도 ${\mathbb{C}}_{g,y}$, 즉 그것을 달성하는 데 필요한 최소 정보량을, $y$ 같은 목표에 대한 시스템의 기대 능력 ${\mathbb{Q}}_{x,y}$로 나눈 값이다. ${\mathbb{D}}_y>1$이면 목표가 시스템의 전형적 역량을 넘어선다. 정말 어렵다는 뜻이다. ${\mathbb{D}}_y<1$이면 목표가 시스템의 주특기 안에 있다. 쉽다는 뜻이다. 2+2 예시는 여기서 깔끔하게 읽힌다. “2+2”의 복잡도 $\mathbb{C}$는 두 경우 모두 같다. 아이의 능력 $\mathbb{Q}$는 작고, 그랜드마스터의 능력 $\mathbb{Q}$는 크다. 그래서 $\mathbb{D}$는 아이에게는 거대하고 그랜드마스터에게는 아주 작다. 같은 문제, 완전히 다른 난이도, 그리고 그것을 보정하고 나면 완전히 다른 지능 판독값.

난이도는 절대값이 아니라 비율이다. 같은 문제라도 누구의 역량이 늘어나고 있는지에 따라 완전히 다른 지능 판독값을 만든다.

지능은 시스템이 자기 역량을 늘리는 목표를 다루는 방식에서 드러나지, 시시한 문제를 처리하는 방식에서 드러나지 않는다. 난이도 비율은 프레임워크가 온도조절기와 뇌를 하나의 순위표로 붕괴시키지 않으면서도 둘을 함께 다룰 수 있게 해주는 움직임이다. 각 시스템은 자기 역량에 맞는 목표에 대해 평가된다.

이 상대화의 움직임은 Hochberg가 **지능 니치(intelligence niche)**라고 부르는 것도 도입한다. 생태적 유기체가 무엇을 먹고 무엇에게 먹히는지로 정의되는 니치를 차지하듯, 지능적 시스템은 자신이 추구하는 목표와 가져오는 역량으로 정의되는 니치를 차지한다. 벌의 지능 니치는 꽃을 찾고, 그 위치를 전달하고, 꿀을 만드는 것이다. foundation model의 지능 니치는 자신이 훈련된 코퍼스 전체에서 패턴을 완성하는 것이다. 인간 문명의 지능 니치는 어느 정도 자신이 닿을 수 있는 물리 세계 전체다.

이 움직임 덕분에 프레임워크는 비교이기를 멈추고 설명이 되기 시작한다. 우리는 벌이 foundation model보다 “더 지능적인가”를 묻고 있는 것이 아니다. 각자가 자기 니치에서 요구되는 해결과 계획을 얼마나 잘 수행하는지를 묻고 있다.

---

해결자와 계획자의 스펙트럼

지능이 물질이 아니라 프로필이 되면, 우리는 시스템들을 순위로 밀어 넣지 않고도 연속선 위에 놓을 수 있다.

하나의 점수가 아니라 역량들에 걸친 프로필로서의 지능. 서로 다른 시스템은 서로 다른 위치에 놓이고, 각 위치는 저마다의 지능 니치에 의해 형성된다. 그 어떤 것도 하나의 순위로 붕괴되지 않는다.

물리 시스템은 맨몸의 해결을 한다. 과포화 용액에서 결정이 형성되는 것은 분자 위치에 대한 엄청난 양의 국소 불확실성을 해소한다. 행위자 지향적 의미의 목표는 없지만, Hochberg의 프레임워크상으로 그 작동은 가장 반응적인 형태의 해결에 해당된다. 물리라는 기반은 이미 이 척도의 가장 원초적인 형태를 지탱하고 있다.

생물학적 시스템은 능동적 해결과 계획의 시작을 발전시킨다. 화학적 구배를 따라 움직이는 박테리아는 어느 방향이 구배를 올라가는 방향인지에 대한 국소 불확실성을 해결한다. 먹잇감을 사냥하는 동물은 이런 해소들을 여럿 통합해 계획에 가까운 시퀀스로 만든다. 포유류는 분명한 계층적 계획을 보인다. 영장류는 그것을 더 밀어붙인다. 계통 발생의 기록은 해결에서 계획이 서서히 출현해온 과정을 추적한다.

인간 인지는 계층적 계획이 지배적 모드가 되는 기반이다. 각 세대는 언어, 문자, 제도를 통해 거대한 사전 지식 재고를 물려받고, 그것을 사용해 어떤 개인의 뇌도 혼자 계산할 수 없는 시간 범위에 걸쳐 계획한다. 문명은 거대한 검색과 실행 기반 위에서 돌아가는 분산 계획 기계다.

인공 시스템은 이 스펙트럼 위에서 흥미로운 지점에 놓인다. foundation model은 여러 영역에서 대규모 해결을 하며, 검색과 패턴 완성에서 매우 높은 점수를 낸다. 기본 모드에서 계획은 얕고, 스캐폴딩(chain-of-thought, agentic architectures)을 붙이면 확장되지만 어느 정도 해결 품질의 비용을 치른다. 포켓 계산기는 산술에서 완벽한 해결을 하고 그 밖에는 아무것도 하지 않는다. 체스 엔진은 아주 작은 목표 공간 안에서 깊게 계획한다. 각각의 인공 시스템은 자기만의 프로필을 갖고 있으며, 그 어떤 것도 하나의 “지능 수준”으로 대응되지 않는다.

연속체가 핵심이다. 범주는 인공물이다.

---

이것이 AGI와 superintelligence의 혼란을 녹이는 이유

지능을 범주로 보는 관점의 문제는 존재하지 말아야 할 두 개념을 만들어낸다는 것이다.

첫 번째는 artificial general intelligence, 보통 AGI로 줄여 부르는 것이다. AGI는 어떤 시스템이 일반 목적의 물질 같은 것을 획득하는 순간을 가리키는 이름이어야 한다. 기계에 맞춰 스케일된 g-factor 같은 것 말이다. 지능이 니치 전반에 걸친 해결-계획 프로필이 되면, 그 개념은 가리킬 것이 없어진다. 어떤 시스템이 어느 정도 소유하는 단일한 양은 없다. 여러 다른 니치에서 잘 해결하고 잘 계획하는 시스템은 진짜로 인상적이고 유용하다. 그것을 “일반적으로 지능적”이라고 부르면, 인상적인 부분이 어떤 특별한 범주라는 망가진 가정을 다시 몰래 들여오는 셈이다. 실제로는 여러 목표 종류에서 기초 역량 점수가 높은 것일 뿐인데도.

두 번째는 superintelligence다. superintelligence는 어떤 시스템이 인간보다 더 많은 그 물질을 가져서 질적으로 달라질 만큼 충분히 앞선다고 상상한다. 지능이 더 많이 가질 수 있는 물질이라면 이 프레이밍은 말이 된다. 지능이 니치 전반에 걸친 해결-계획 수행의 프로필이라면 별로 말이 되지 않는다. foundation model은 이미 어떤 해결 과제에서는 어떤 개인 인간보다 훨씬 높은 점수를 낸다. 포켓 계산기는 이미 산술에서 어떤 인간보다 높다. 체스 엔진은 이미 체스에서 모든 그랜드마스터를 넘어선다. 그런데 이 중 어느 것도 그 단어가 보통 함축하는 방식의 superintelligent라고 불리지 않는다. 이들은 좁은 니치 안의 좁은 작동 집합에서 매우 높은 점수를 받고, 다른 곳에서는 평범하거나 낮은 점수를 받는다. 더 많은 니치 전반의 더 많은 작동에서 더 높은 점수를 받는 미래의 시스템은 더 넓게 유능한 것이지, 범주적으로 다른 것이 아니다.

이것은 AI에 대한 비관론이 아니다. 지금 만들어지고 있는 시스템들은 인류가 지금까지 만든 가장 강력한 지식 도구다. 그것들은 사람들이 일하는 방식, 연구가 수행되는 방식, 소프트웨어와 예술이 만들어지는 방식을 바꾸고 있다. 그것들을 배치하면서 따라오는 생산성과 가치의 지수적 성장은 실제이고 눈에 보이며, 곧 느려질 것이라고 생각할 이유도 없다. Arvind Narayanan과 Sayash Kapoor는 AI as Normal Technology에서 AI의 효과가 다른 모든 변혁적 기술이 사용해온 같은 통로를 통해 퍼진다고 주장했다. 즉 채택, 인프라, 규제, 그리고 기존 도구와의 재조합이다. AI를 구세주이든 위협이든 독특한 종류의 존재로 취급하는 것은 대화를 왜곡한다. 특정 니치에서 높은 해결-계획 점수를 가진 도구로 취급하는 것은 대화를 명료하게 한다.

AGI 도달의 순간이나 superintelligence 임계값에 의존하는 전망들은 근거가 없다. 그 전망들이 말하는 물질이 존재하지 않기 때문이다. 진보는 실제이고, 가치 창출도 실제이며, 곡선은 계속 올라간다. 범주의 도약은 범주 오류다.

---

프록시, 그리고 다음 시리즈로 가는 다리

Hochberg는 이 작업에서 이어지는 모든 것에 중요해지는 마지막 움직임을 하나 더 한다.

해결과 계획은 반드시 시스템 자신이 수행할 필요가 없다. 시스템이 사용하는 **프록시(proxies)**가 수행할 수도 있다. Hochberg는 환경, 기술, 사회, 집합체가 지능의 일반 이론에 필수적이라고 명시적으로 주장한다. 계산기를 든 인간은 계산기 없는 인간보다 산술을 더 잘 해결한다. 동료심사 네트워크를 가진 과학자는 혼자인 과학자보다 연구를 더 잘 계획한다. 도서관, 검색 엔진, 실험실을 가진 문명은 어떤 개인도 닿을 수 없는 규모만큼 해결과 계획을 확장한다.

프록시는 그 자체로 체화된 지식이다. 원래라면 뇌 안에서 일어나야 했을 인지 작동을 세계 안에 놓아둔다. 그래서 그것은 검토되고, 개선되고, 상속될 수 있다. 좋은 프록시를 찾아 통합하는 시스템의 역량은 그 자체로 지능 프로필의 일부이며, 논쟁의 여지는 있지만 인간 문명을 생물학적 기준선 위로 끌어올리는 데 가장 크게 기여한 부분이기도 하다.

Hochberg의 전체 아키텍처. 하나의 Controller는 자신의 해결과 계획을 증강하는 네 층의 프록시(환경, 전송, 진화) 안에 박혀 있다. 다음 시리즈는 이 각 층에서 무슨 일이 벌어지는지를 추적한다. (Hochberg 2024, Fig 9)

이것은 다음 시리즈인 Evolutionary Tools로 넘어가는 자연스러운 전환점이다. 이 시리즈는 그 프록시들이 실제로 무엇이며 어떻게 축적되는지를 살펴본다. 첫 글 도구, 지식의 물리적 체현은 도구가 무엇을 하는지 이해하기 위한 인지과학 프레임워크를 소개한다. 경험의 인코딩, 맥락 속 검색, 세계를 향한 활성화다. 가운데 글 The Stack은 문명이 새로운 형태의 지능을 가치로 흡수하는 일곱 층의 아키텍처를 추적한다. 마지막 글 Let There Be Light는 지난 몇 년 사이 등장한 새로운 종류의 프록시를 검토한다. 해결과 계획의 일부를 직접 수행할 만큼 풍부한 프록시다.

이 글 전체에서 우리가 “지능”이라고 불러온 것은 척도다. 다음 시리즈가 추적하는 것은 그 척도에서 점수를 얻는 인공물들이다.

---

이 글은 Infinite Knowledge 시리즈의 네 번째 글이며, 두 종류의 엔트로피, 어둠과 싸우는 것, 두 루프의 뒤를 잇는다. 이 프레임워크가 가리키는 프록시들에 대해서는 Evolutionary Tools 시리즈를 보라. 첫 글은 도구, 지식의 물리적 체현이다. 여기의 프레임워크는 Michael Hochberg의 Theory of Intelligences다. 이를 뒷받침하는 측정 기반 작업으로는 François Chollet의 On the Measure of Intelligence (경험 대비 기술의 비율로서의 지능)가 있다. AI를 독특한 종류의 존재가 아니라 정상적인 변혁적 기술로 보는 더 넓은 프레이밍에 대해서는 Arvind Narayanan과 Sayash Kapoor의 AI as Normal Technology를 보라.