어포던스 컴파일 지능: LLM 시스템의 인지 임피던스 매칭

본 연구는 LLM(대규모 언어 모델) 통합 시스템의 신뢰성을 높이기 위한 새로운 이론인 인지 임피던스 매칭 이론(CIMT)을 제안한다. CIMT는 관측 가능하고 메타 정보가 없는 보호 컴파일러 이론으로, 고정된 모델 정책이 주변 환경 재설계를 통해 어떻게 다른 운영 능력을 발휘할 수 있는지 탐구한다. CIMT는 시스템 수준의 역량 증폭을 모델 가중치 개선 문제가 아닌, 세계 측면의 컴파일 문제로 접근한다. 관측, 유형화된 액션 핸들, 유효성 검사기, 복구 경로, 롤백 모드 등을 통해 시스템의 운영 능력을 향상시킨다. 또한, 명시적인 클레임 및 증거 객체를 활용하며, 커밋된 관측 가능 원장, 목표 평가 채널 등을 사용하여 운영 주장을 정의한다. 이 이론은 인간 검토자나 LLM 평가자를 특권적인 평가자로 간주하지 않고, 명명된 오류 발생 가능한 측정 채널로 모델링한다. 이를 통해 목표 채널 개선, 벡터 부채 회계, 금지 좌표 제로 인증, 목표 방화벽 규율 등 보수적인 인증 프레임워크를 제공한다. CIMT는 고정 모델 LLM 시스템의 신뢰성을 높이기 위한 실용적이고 형식적인 기반을 제공한다. 특히 관측 가능한 세계 측 인터페이스, 권한, 유효성 검사, 복구 및 감사 설계를 통해 시스템의 견고성을 강화하는 데 기여한다.