본 논문은 지능을 복잡한 현상을 재사용 가능한 기본 단위로 분해하고 재조합하는 압축 및 재조합 과정으로 이해하는 이론적 프레임워크를 제시합니다.
인지 과학, 정보 이론, 진화 생물학 등 다양한 분야의 증거를 바탕으로, Atomic Units를 효율성, 전이, 해석 가능성, 진화 가능성을 지원하는 핵심 압축 계층으로 정의합니다.
Compression Calculus를 통해 표면 표현과 Atomic 표현을 비교하고, 추상화 계층에서 압축 이득이 어떻게 복합적으로 증가하는지 설명하며, LLM은 안정적인 개념 수준의 구조가 아닌 Atomic Units를 융합하는 엔진으로 해석할 수 있습니다.
본 프레임워크는 자체 진화하는 지식 시스템 설계의 기반을 제공하며, 전문성, 지식 표현, 설명 가능한 AI, 적응형 지능 시스템의 미래 아키텍처에 대한 통일된 관점을 제시합니다.