논문은 Landauer 원리나 Fisher Information 같은 기존 틀이 규칙 제약이 복잡해질 때 한계가 있다고 보고, 규칙과 상태의 비가환성이 비용 급증의 근본 원인이라고 설명해요

새 arXiv 논문이 “지능에도 관성”이 있어서, AI 구조를 바꿀수록 계산·에너지 비용이 선형이 아니라 폭발적으로 뛴다고 제시했어요.

논문은 Landauer 원리나 Fisher Information 같은 기존 틀이 규칙 제약이 복잡해질 때 한계가 있다고 보고, 규칙과 상태의 비가환성이 비용 급증의 근본 원인이라고 설명해요. 적응 비용이 로렌츠 팩터처럼 비선형으로 커지는 J-커브를 제안했거든요.

검증은 3가지 실험으로 했어요. Fisher 모델과 J-커브 예측력 비교, 신경망 아키텍처 진화의 ‘지그재그’ 기하 분석, 그리고 관성을 반영한 스케줄러 래퍼로 딥넷 학습 최적화를 테스트했어요. 원고는 53페이지, 그림 9개 분량이에요.

핵심 시사점은 AI 성능 경쟁이 이제 “더 큰 모델”만이 아니라, 구조 변경 저항을 다루는 물리적 비용 관리로 옮겨간다는 점이에요.