이 연구는 유한 셰이프 이론으로 맥락을 source·overlap·target·validation 4개 차트로 나눠, 이론이 새 환경으로 ‘운반(transport)’ 가능한지 검사해요

AI 에이전트가 기존 이론을 버려야 할 순간을 수학적으로 감지하는 arXiv 논문이 나왔어요.

이 연구는 유한 셰이프 이론으로 맥락을 source·overlap·target·validation 4개 차트로 나눠, 이론이 새 환경으로 ‘운반(transport)’ 가능한지 검사해요. 안 맞는 정도는 residual fit, overlap incompatibility, constraint violation, limiting-relation failure, representational cost 5가지 obstruction으로 계산해요.

전환 카드(transition-card) 벤치마크에서 핵심 결과는 명확했어요. 의도된 변형(deformation)이나 확장(extension) 후보가 대체로 최저 obstruction 점수를 받았고, 두 전환 유형도 분리됐거든요. 같은 시그니처의 constellation kernel은 보조 유사도 탐침으로만 사용했어요.

결국 포인트는 AI가 ‘더 잘 맞추는 모델’이 아니라 ‘언어 자체를 확장해야 하는 시점’을 진단하게 만든 첫 유한 문제 설정이라는 점이에요.