미해결 문제: G1–G8 공백

📍 현재 위치: VIII부 · 연구의 활주로 — 21장. 여덟 가지 주장은 주장-대-실험 행렬을 확정하고 그 정직한 장난감 부분집합을 실행함으로써 VII부를 마무리했습니다; 이 장은 같은 규율을 바깥으로 돌려, 한 시스템이 주장하는 것에서 이 분야 전체가 아직 하지 못하는 것으로 향합니다.

모든 연구 분야는 미해결 문제 목록을 지니고 있으며, 그런 목록 대부분은 소망일 뿐입니다: "시스템은 더 견고해져야 한다", "설명은 더 신뢰할 만해져야 한다"는 식입니다. 소망은 실패할 수 없으므로, 소망은 작업을 이끌 수 없습니다. 이 장은 앞 장이 한 시스템의 주장들을 진술했던 방식 그대로 신경-기호 분야의 미해결 문제들을 진술합니다. 즉 역량 공백(capability gap)으로서, 이미 입증된 것과 필요한 것 사이의 차이이며, 각각은 진전을 측정할 명명된 계측 도구와 "닫혔다"는 것에 대한 반증 가능한 개념을 갖춥니다. 여덟 개의 공백 G1부터 G8까지는 캡스톤 배후의 조사 말뭉치, 곧 SATORI의 설계에 동기를 부여했던 바로 그 공백 분석에서 나오며, 이 장은 그 각각에 동일한 네 부분 처치, 즉 정밀한 진술, 커밋되거나 인용된 증거를 갖춘 최선의 부분적 답, 측정 도구, 그리고 반박할 수 있을 만큼 구체적으로 진술된 난이도 추정을 부여합니다. 이 권의 반전은 그 부분적 답들이 가설이 아니라는 점입니다: 모든 공백에 대해, 이 시리즈의 어떤 장인가가 현재 최선의 증거를 짓거나 인용했으므로, 이 공백 지도는 다섯 권이 측정한 모든 것에 대한 색인을 겸합니다.

쉽게 말하면

등반 클럽이 아직 오르지 못한 암벽들을 기록한 장부를 상상해 보십시오. 쓸모없는 항목은 "북벽은 매우 어렵다"라고 적습니다. 쓸모 있는 항목은 이렇게 적습니다. 암벽의 높이는 900미터이고, 누군가 도달한 가장 높은 캠프는 610미터 지점이며 2019년 라르센 루트로 세워졌고, 다음 120미터는 모든 시도가 되돌아선 텅 빈 얼음벽이며, 진전은 3번 캠프 위 고정 확보물로 측정될 것이고, 등급은 5.11과 5.13 사이에서 다투어지고 있으니 증거를 가져오라는 것입니다. 두 번째 항목은 무엇이 이루어졌는지, 무엇이 모두를 멈추게 하는지, 그리고 정확히 무엇이 더 높이 오른 것으로 쳐질지를 이름 붙입니다. 이 장은 신경-기호 분야가 아직 오르지 못한 여덟 개의 암벽에 대해, 그 두 번째 종류의 항목을 여덟 번 씁니다.

이 장에서 다루는 내용

• 틀 짜기 동작: 소망이 아니라 계측 도구를 갖춘 역량 공백으로서의 미해결 문제, 주장 장에서 물려받은 규율, 그리고 이 분야 조사 문헌과 캡스톤 자신의 출처 말뭉치에 뿌리를 둔 여덟-공백 지도를 다룹니다.
• G1과 G7, 신뢰의 짝: 4권의 장부를 되짚어 날카롭게 진술된 정확/학습 가능 분할, 그 측정 문제로서의 지름길-아래 보정, 그리고 "닫혔다"를 정의하는 식별 가능성 기준을 다룹니다.
• G2와 G4, 학습의 짝: 이 시리즈 자신의 템플릿 개수 위에서 정량화된 규칙-탐색 폭발, 증명되지 않은 체계성 주장을 지닌 부분적 답으로서의 라우팅과 질의-조건부 생성, 그리고 그라운딩된 임베딩이라는 부분적 해법을 지닌 온톨로지-눈먼 학습을 다룹니다.
• G3, 시스템 공백: IV부의 커밋된 숫자와 인용된 상한을 지닌 CPU/GPU 비대칭, 그리고 정확히 이름 붙여진 벽, 곧 동적이고 희소한 최전선 대 SIMD 배치를, 그 밑에 놓인 깊이의 물리학과 함께 다룹니다.
• G5와 G6, 전이와 설명: 오늘날 온톨로지들 사이에서 무엇이 옮겨 가고 무엇이 옮겨 가지 않는지, 불충실성 증거와 구성에-의한-흔적이라는 부분적 답, 그리고 두 공백이 이미 갖춘 계측 도구들을 다룹니다.
• G8, 메타인지 공백: 문헌의 얇은 조각, III부의 기권 기계 장치가 실제로 제공하는 것, 그리고 이 공백이 왜 다른 모든 것을 복리로 악화시키는지를 다룹니다.
• 조립된 활주로: 계측 도구 준비성과 의존성이라는 두 축 위에서 순위가 매겨진 여덟 개의 공백을 다루며, 독자 자신의 출구로 끝을 맺습니다. 계측 도구가 존재하고 의존성이 충족된 공백 하나를 고르는 것입니다.

소망이 아니라 공백으로 진술된 문제들

틀 짜기 동작은 두 곳에서 물려받은 것입니다. 첫째는 앞 장의 주장 규율입니다: 잘 진술된 주장은 그것을 반박할 실험의 이름을 대며, satori_eval.py의 정직한 실행은 여덟 개의 주장을 숫자가 딸린 장난감-검증과 이유가 딸린 인용-전용으로 분류했습니다. 미해결 문제는 그와 같은 문법을 거꾸로 뒤집어 놓을 자격이 있습니다. 잘 진술된 문제는 그것을 닫을 실험의 이름을 댑니다: 빠져 있는 역량, 기록상 가장 강력한 부분적 시연, 그리고 그 차이를 등록할 측정입니다. 두 번째 유산은 이 분야 자신의 조사 문헌으로, 수년에 걸쳐 바로 이 목록으로 수렴해 왔습니다: 학습-대-추론 통합, 훈련 분포 너머로의 외삽, 그리고 건전한 설명을 상존하는 도전 과제로 이름 붙인 제3의 물결 분석 [1]; 이미 공존하는 수많은 아키텍처적 답들이 저마다 문제의 다른 한 모서리를 사들이는 방식을 보여 준 통합 패턴의 분류법 [2]; 논리, 확률, 학습의 어떤 조합이 실제로 만들어졌으며 그 지도가 어디서 끊기는지를 그려 낸 설계-공간 조사 [3]; 그리고 되풀이되는 시스템 형태들에 공학 어휘로 재사용할 수 있을 만큼 정밀한 이름을 붙여 준 하이브리드 설계 패턴의 박솔로지(boxology) [4]입니다.

G1부터 G8까지의 여덟-공백 지도는 그 문헌을, 그것에 맞서 지을 수 있을 만큼 날카로운 행들로 증류해 낸 SATORI 말뭉치의 산물이며, 줄곧 이 권의 companion 스위트 안에 자리 잡고 있었습니다. 캡스톤 평가기는 그 지도를 자신의 독스트링 안에 실어 나르며, 자신의 장난감 실행이 어떤 공백을 예증하고 어떤 공백은 그저 인용만 할 수 있는지에 대한 정직한 진술과 함께 둡니다(examples/frontier/satori_eval.py, 46–52행):

The gap map G1–G8 of ``../satori/docs/RELATED_WORK.md`` — G1 exact/learnable
split, G2 rule-search explosion, G3 CPU-bound symbolic inference, G4
ontology-blind rule learning, G5 non-transferability, G6 explanation
faithfulness, G7 uncertainty/calibration/shortcuts, G8 meta-cognition — is
the open-problems chapter's syllabus; this module exhibits G1 (C2), G2 (a
25-template space, no enumeration blow-up), G4 (C1's substrate is the TBox
kernel), G6 (C3) and G7/G8 (C5), and leaves G3/G5 to the citations above.

그 주석이 바로 이 장의 목차입니다. 이 모듈을 한 번 실행하면(cd examples/frontier && python3 satori_eval.py) 앞 장이 읽었던 주장 표가 출력되며, 그 검증됨/인용됨 분할은 정확히 장난감 규모에서의 공백 지도 증거 목록입니다:

  C1 multi-hop EPFO answering   toy-verified  MRR 0.568 vs random 0.230 / oracle 1.000
  C2 router learns rules        toy-verified  advises∘advises recovered, α = 0.972, exact decode
  C3 faithful proof traces      toy-verified  comp 8/8, suff 4/4, trace ⊇ MinA 2/2
  C4 GPU-batched scalability    cited-only    proxy gpu_fixpoint.py; needs PyReason/Scallop at scale
  C5 calibration + abstention   toy-verified  ECE 0.019; coverage 0.821 @ acc-on-answered 1.000
  C6 ontology grounding Δ MRR   cited-only    ablation degenerate here; Box2EL / TransBox carry it
  C7 cross-ontology transfer    cited-only    needs a 2nd ontology; RRN is the failing baseline
  C8 crisp soundness (τ→0)      toy-verified  satori_lite re-run: Horn 47/47, EL 46/46, complete iff L ≥ 3

모든 "장난감-검증" 행은 어떤 공백에 대한 부분적 답이며, 모든 "인용-전용" 행은 그 공백의 계측 도구가 아직 노트북 크기의 세계에 들어맞지 않는 지점을 표시합니다. 표의 약칭은 앞 장의 것이며, 여기서 한 번 해독해 둡니다: MRR은 평균 역순위(mean reciprocal rank)로, 각 참 정답의 순위의 역수를 평균 내는 순위 지표입니다; EPFO 질의는 존재 긍정 1차(existential positive first-order) 질의로, C1이 답하는 다중 홉 질의 클래스입니다; 그리고 C2 행에서 advises∘advises의 ∘는 관계 합성(advises를 적용한 뒤 다시 advises를 적용하는 것)이고, α는 그 참 규칙 몸체 위의 라우터 어텐션 가중치이며, τ는 그 0 극한이 C8의 커널을 크리스프하게 만드는 온도입니다. 이 장의 나머지는 여덟 개의 공백을 그 의존성이 시사하는 순서대로 짝과 단수로 훑으며, 각각을 위에서 약속한 네 부분 처치에 붙들어 맵니다.

의존성 순서가 매겨진 지도로 본 여덟 개의 공백: 각 카드는 자신의 최선의 부분적 답과 계측 도구를 이름 붙이고, 화살표는 어느 공백이 어느 공백을 가로막는지를 표시하며, 색상 배지는 계측 도구 준비성을 등급화합니다. 저자가 AI의 도움을 받아 직접 제작한 원본 도해.

G1과 G7: 신뢰의 짝

G1, 정확/학습 가능 분할, 정밀하게 진술하면. 기존 시스템들은 두 모서리를 차지할 뿐 그 사이의 공간은 차지하지 못합니다. 한쪽 모서리에는 정확한 추론기들이 있습니다: ELK, HermiT, Konclude(2권의 EL 추론기와 DL 엔진), 그리고 주석 논리 엔진들이며, 자신의 조각 위에서 건전하고 완전하고, 모든 답이 하나의 정리이며, 고정되어 있어서 손으로 지은 규칙만 있을 뿐 어디에도 그래디언트가 없습니다. 다른 쪽 모서리에는 훈련 가능한 시스템들이 있습니다: 퍼지 컴파일, 부드러운 증명기, 질의 임베딩이며, 모든 매개변수가 학습 가능하고 어떤 답도 정리가 아닙니다; 이 두 모서리와 그 사이의 빈 중간이 바로 설계-공간 조사 자신의 지도입니다 [3]. 공백은 훈련 가능하면서 동시에 건전한 시스템이며, 4권의 마무리 장부는 각 모서리가 무엇을 치르는지를 측정했습니다. 훈련 가능한 모서리는 의미로 값을 치릅니다: 논리가 판가름할 수 없는 t-노름(t-norm) 선택에 따라 같은 두 단계짜리 인용 사슬이 0.80, 0.72, 혹은 0.70으로 나왔으며, 하나의 결론에 세 개의 방어 가능한 신뢰도가 있었습니다(4권의 평결에 나오는 커밋된 tnorms.py 사슬). 정확한 모서리는 규모로 값을 치릅니다: 정확한 추론의 그래디언트는 얻을 수 있으며, 커밋된 DeepProbLog 미니어처에서 유한 차분에 대비해 2.7e-13까지 인증되었지만, 그것을 사들이는 그라운딩-및-컴파일 청구서는 문제 규모에 따라 불어나서, 그 장이 인용하는 후속 평가들에서는 정확한 파이프라인이 네 자릿수 MNIST 덧셈 근처에서 시간 초과됩니다. 그 권의 모든 프레임워크는 이 분할의 한쪽을 치렀습니다; 어느 것도 그것을 벗어나지 못했습니다.

그 커밋된 증거를 지닌 부분적 답. 이 시리즈가 VII부를 향해 지어 온 노선인 주석 달린 미분 가능 기판은 그 극한에서 두 모서리의 성질을 모두 지닙니다: 캡스톤 커널은 어디서나 미분 가능하며(그 라우터는 평범한 경사 하강법으로 훈련되었고, 손으로 구한 그래디언트는 1.17e-11까지 검사되었습니다) 온도 극한에서 증명 가능하게 크리스프하여, 두 고전적 오라클 모두에 대비해 혼 폐쇄 47/47과 EL 폐쇄 46/46을 복원하며, 펼침 깊이가 포화 깊이에 도달할 때 정확히 완전해집니다(위의 C8 행). 이것은 그 중간을 진정으로 차지하는 것입니다: τ→0에서 건전하고, τ가 0보다 클 때 훈련 가능합니다. 이것이 아닌 것은 이 공백의 닫힘입니다. 왜냐하면 그 두 극한 사이에는 열린 보정 부채(calibration debt)가 놓여 있기 때문입니다: 커널의 부드러운 정도는 맞춤 온도를 거친 뒤에야 신뢰도로 쓸 수 있으며(306개의 보간이 필요한 쌍에 대한 커밋된 ECE(기대 보정 오차) 0.0186은 먼저 calibration.py의 $\tau^* = 1.4172$를 필요로 했습니다), 그렇게 보정된 정도가 레이블이 아니라 개념을 따라가고 있다는 것을 증명하는 것은 아직 아무것도 없습니다. 바로 그곳이 정확히 이 분할의 측정 문제가 사는 곳이며, 그 문제는 지도 위에 자신만의 행을 가지고 있습니다.

G7, 지름길 아래에서의 보정, 정밀하게 진술하면. II부는 소박한 신뢰도가 개념을 인증할 수 없음을 증명했습니다: 결정론적 지식(개념 상태를 레이블로 사상하는 고정된 기호 프로그램)이 단일원소가 아닌 파이버(파이버란 같은 레이블을 산출하는 개념 상태들의 집합입니다)를 지닐 때는, 레이블 가능도가 내부 기호가 무엇을 뜻하는지에서만 차이 나는 여러 개의 전역 최적점을 가지며, XOR 과제의 전체 지지집합 위에는 열여섯 개의 허용 가능한 재레이블링이 있고 그중 열다섯 개가 틀렸으며, 레이블 관점에서 완벽한 스무 개의 훈련 실행 중 열다섯 번이 지름길에 내려앉았습니다 [5]. 그런 모델에서 읽어 낸 신뢰도는 레이블에 대한 신뢰도이며, rsbench 장의 커밋된 대조는 그것이 무엇을 치르는지 보여 줍니다: 지름길 모델의 개념 수준 기대 보정 오차는 0.2467로, 그 지도받은 쌍둥이의 0.0013에 맞서는데, 의미에 대해 약 190배만큼 확신에 차서 틀린 것입니다. G7은 답을 따라가는 신뢰도와 그 밑에 있는 개념-그라운딩을 따라가는 신뢰도 사이의 공백입니다. 그 첫 부분적 답들은 이미 존재합니다: BEARS 노선의 지름길-인식 보정은 개념 사후 확률들을 앙상블하여 지름길의 모호함이 기권 게이트가 읽을 수 있는 개념 수준 불확실성으로 떠오르게 하며, 이는 III부의 기권 장이 대증 치료로 인용한 제안입니다; 그리고 식별 가능성 장은 인과적 치료법에 값을 매겨, 인수분해된 헤드가 XOR의 열여섯 개 허용 가능한 사상을 둘로 줄이고, 계층화된 열두 개의 개념 레이블은 항등원만을 남겨 둔다는 것을 보였습니다.

닫힌다면 어떤 모습일지. 그 기준은 보정 성질로 다시 진술된 식별 가능성 기준입니다: 보고된 불확실성이 살아남은 대칭 궤도를 증명 가능하게 덮는 훈련 가능한 시스템이며, 그리하여 관측된 지지집합 위에서 지식의 대칭군이 자명할 때는 신뢰도가 개념에 그라운딩된 확률로 수렴하고, 자명하지 않을 때는 보고된 개념 불확실성이 최소한 그 궤도의 모호함만큼은 되어야 합니다. 보정이 식별 가능성을 따라간다는 추측은 식별 가능성 장에서 진술되었지만 어디서도 증명되지 않았습니다. 계측 도구는 벤치마크 규모에서 존재합니다(정답 개념에 대비한 개념 수준 ECE, rsbench의 패널); 정리는 그렇지 않습니다. 반박할 수 있도록 진술한 난이도 추정: 계측 도구 작업은 한 연구 그룹에게 일 년에서 이 년짜리 프로젝트인데, 지표와 테스트베드는 이미 지어져 있기 때문입니다; 보정을 대칭군에 연결하는 정리는 더 어려운데, 그것은 최적점만이 아니라 훈련 동역학에 대해서도 정량화해야 하며, 현재의 이론 어디에도 경사 하강법이 어떤 최적점을 고르는지를 다루는 것이 없기 때문입니다. 그 정리가 이 년이 아니라 오 년쯤 떨어져 있다고 생각하는 심사자라면 빠져 있는 선택 이론을 지적해야 하며, 그것이 일 년이라고 생각하는 심사자라면 열거 불가능한 개념 공간에 대한 증명 전략의 이름을 대야 합니다.

G2와 G4: 학습의 짝

G2, 규칙-탐색 폭발, 이 시리즈 자신의 숫자 위에서 정량화하면. 후보 몸체를 열거하는 규칙 학습기는 규칙 길이에 대해 지수적으로 값을 치릅니다. 그 셈은 초보적이며 실행 예제 위에서 직접 해 볼 만합니다. 5개의 기본 역할이 있을 때, 길이-2 사슬 몸체의 개수는 $5^2 = 25$개입니다; 이것이 바로 캡스톤의 라우터가 탐색한 템플릿 공간이며, companion은 그것을 문자 그대로의 곱으로 담아 둡니다(examples/frontier/satori_eval.py, 154–159행):

# --- C2: planted-rule recovery by a softmax router --------------------------------
# The template space: every length-2 role chain  r(x,y) ∧ s(y,z) → head(x,z)
# over the 5 base roles — 25 candidate rule bodies, one of which (advises ∘
# advises) is the grandAdvisor rule the router is never shown.
TEMPLATES: list[tuple[str, str]] = sorted(
    itertools.product(kg.RELATIONS, kg.RELATIONS))

4권의 Neural-LP 장은 실제 시스템들이 쓰는 더 풍부한 연산자 어휘, 즉 11개의 연산자(5개의 관계, 5개의 역관계, 항등원)를 다루었으므로, 그 길이-$T$ 몸체 공간은 $11^T$입니다: 두 홉에서 121개의 몸체, 세 홉에서 1,331개, 네 홉에서 14,641개이며, 어텐션 요령은 정확히 이 공간을 나열하지 않고도 그것을 채점하는 방법입니다. 즉 $11^T$개의 신뢰도 대신 $T$개의 소프트맥스 분포를 유지하는 것입니다. 그 지수는 사라지지 않습니다; 그것은 부드러운 가중치가 암묵적으로 순위를 매겨야 하는 가설 공간의 크기 속으로 옮겨 갈 뿐이며, 두 번째의 더 날카로운 벽, 곧 사슬 편향(chain bias)이 그와 함께 나타납니다. 인접 행렬의 곱으로 표현 가능한 모든 것은 신선한 변수들의 단일 경로입니다; 몸체가 갈라지거나, 형제를 비교하거나, 순환을 닫는 규칙들은 어떤 길이에서도 탐색된 공간 바깥에 있습니다. 공백은 그 탐색이 두 벽 모두를 지나 규모를 확장하는 규칙 학습기입니다.

부분적 답들과 그 증명되지 않은 절반. 라우팅이 첫 번째입니다: 커밋된 C2 행은 25개의 템플릿 위의 소프트맥스 라우터가 숨겨진 grandAdvisor 규칙을 정확히 복원하는 모습을 보여 주며, 참 몸체 위의 어텐션은 세 개의 질의 답과 손으로 유도한 그래디언트로부터 0.9718입니다. 질의-조건부 합성이 두 번째입니다: 4권의 신경 정리 증명 장에서 만난 CTP(Conditional Theorem Prover, 조건부 정리 증명기)와 R5로 이어지는 질의-조건부 증명기 노선은 몸체를 열거하는 대신 추론 단계마다 규칙 부분집합을 선택하며 [6], 이 시리즈의 출처 말뭉치는 그 노선을 체계적 일반화에 대한 이 분야의 살아 있는 시도로 읽습니다. 증명되지 않은 절반은 체계성(systematicity)이라는 단어 그 자체입니다. 우리에게 이미 주어진 템플릿 공간 안에서 심어진 규칙을 복원하는 것, 즉 우리의 C2와 이미 발표된 심어진-규칙 결과 양쪽이 시연하는 것은 구성적 일반화가 아닙니다; 라우팅된 규칙 조각들이 더 깊고 본 적 없는 합성 위에서 올바르게 재조합된다는 주장은 정확히 CLUTRR류 프로브(Compositional Language Understanding and Text-based Relational Reasoning, 구성적 언어 이해와 텍스트 기반 관계 추론: 짧은 친족 합성으로 훈련하고, 엄밀히 더 긴 것으로 시험함)가 시험하는 바로 그 주장이며, 라우팅 노선의 체계성은 심어진-규칙 복원이 아니라 바로 그런 깊이-일반화 곡선 위에서 판정되어야 하는데, 그런 판정은 이루어진 적이 없습니다. 그렇다면 계측 도구는 이미 하나의 형태를 갖추고 있습니다: 심어진 규칙에 더해 남겨 둔 합성 깊이들이며, 정확-복원과 깊이-일반화 곡선으로 채점됩니다. 난이도 추정: 인공 세계에서 어떤 체계적인 라우터든 시연하는 것은 단기 과제입니다(그 조각들은 이 시리즈 자신의 companion들 안에 이미 존재합니다); 행렬-곱 지름길이 존재하지 않는, 가지 치고 순환하는 몸체를 포함하는 가설 공간으로 그것을 해내는 일에는 발표된 경로가 전혀 없으며, 사슬 편향을 그대로 유지한 채 일반적인 규칙 학습을 주장하는 어떤 제안이든 심사자는 구성상 과도한 주장으로 취급해야 합니다.

G4, 온톨로지-눈멂, 정밀하게 진술하면. 위의 규칙 학습기들은 엣지들의 자루(bag)를 소비합니다. 학계 세계의 지식 그래프를 건네받으면, Neural-LP는 15개의 트리플을 볼 뿐입니다; 그것은 advises가 교수와 학생 사이에서 단언된다는 것도, TenuredStudentAdvisor가 충족 불가능하다는 것도, 2권의 오라클이 유도하는 14개 공리 TBox의 다른 어떤 귀결도 보지 못합니다. TBox는 어떤 규칙이 참일 수 있는지에 대한 강력한 사전 정보이며, 지식 그래프 완성을 지배하는 학습기들은 그것을 완전히 무시합니다; 이 관찰이 바로 공백 지도 자신의 G4 행입니다. 부분적 답은 기하학 쪽에서 도착했습니다: 3권의 III부는 EL 임베딩, Box2EL, TransBox 노선을 지었으며, 여기서는 TBox 공리가 기하학적 포함 제약이 되고, 발표된 절제 실험들은 온톨로지 그라운딩이 시험된 곳에서 측정 가능한 순위 개선을 사들인다는 것을 보여 줍니다. 하지만 학습 이전에 임베딩을 그라운딩하는 것은 쉬운 절반입니다. 열린 결합 문제는 표현력 있는 조각, 곧 EL 및 그 이상을 놓고 추론하는 동시에 규칙을 학습하는 것이어서, TBox와 모순되는 후보 규칙이 결코 고려되지 않고 유도된 포섭이 실행 중간에 훈련 신호로 쓰일 수 있게 하는 것입니다. 캡스톤은 장난감 증거가 어디까지 미치는지에 대해 정직합니다: 그 C6 행은 인용-전용인데, TBox 로부터 지어진 커널은 그라운딩의 기여를 분리해 낼 온/오프 절제 실험을 실행할 수 없기 때문입니다; 그 절제 실험에는 온톨로지를 무시할 수도 있는 임베딩이 필요하며, 그것은 Box2EL/TransBox 규모에서 삽니다. 계측 도구: Δ MRR 절제 실험(같은 아키텍처에서 그라운딩 켬 대 끔)에 더해, 학습된 규칙들을 TBox에 대비해 검사하는 일관성 감사입니다. 첫 번째는 인용된 논문들 안에 존재합니다; 두 번째는 짓기에 값싸지만, 이 시리즈가 아는 한 보고된 바가 없습니다. 난이도: 그 감사는 학생 프로젝트입니다; 건전성을 온전히 유지한 채 EL 위에서 학습과 추론을 결합하는 것은 다년간의 프로그램인데, 그것은 전제 조건으로 G1의 기판을 필요로 하기 때문입니다.

G3: 시스템 공백

정밀하게 진술하면. 학습은 가속기를 타지만, 주류 엔진들에서 기호 추론은 그렇지 않습니다. 설계-공간 조사는 이 문장의 부드러운 절반을 진술합니다: 정확한 확률적 추론은 계산적으로 비싸며, 그 규모 확장은 상존하는 미해결 도전 과제입니다 [3]. 날카로운 절반은 공백 지도의 출처 말뭉치가 모아 둔 엔진들 자신의 기록입니다: 주석 논리와 확률적 논리 계열, 그중에서도 PyReason, DeepProbLog, Scallop은 자신의 기호 코어를 배치 추론 없이 CPU에 묶어 두는 반면, 이 시리즈의 모든 신경망 기준선은 조밀하고 규칙적인 산술을 위해 지어진 하드웨어 위에서 훈련되었습니다. 공백은 같은 실리콘을 포화시키는 정확한 추론입니다.

살아 있는 전선, IV부의 숫자와 함께. GPU 추론 장은 장난감 규모에서 그 답의 형태를 보여 주었습니다: 2권의 EL 완성을 불 행렬 대수로 다시 표현하여, 실제 TBox와 세 개의 시드가 부여된 합성 TBox 위에서 고전적 오라클과 칸 하나하나까지 동등함을 단언했고, 준순진 델타는 도출 사건을 71에서 28로 줄였으며, 쌓인 백 개의 온톨로지 변형은 루프 없는 단 한 번의 텐서 패스로 닫혀, 커밋된 CPU-NumPy 프록시 위에서 파이썬 루프보다 약 8.2배 빠릅니다. 인용된 상한들은 그 형태가 산업화된 지점을 표시합니다: RDFox 배후의 병렬-구체화 노선은 128코어 기계 위에서 최대 87배의 속도 향상을 측정했고, KLay는 불규칙한 산술 회로를 가속기를 위한 조밀한 레벨별 텐서 연산으로 층화하는데, 이는 한 단계 아래에서의 같은 동작입니다(둘 다 IV부에서 인용됨). 그러므로 이 전선은 논리-에서-텐서로와 회로-에서-텐서로 양방향 모두에서 살아 있습니다.

벽, 정밀하게 이름 붙이면. 그것은 하드웨어 문제 밑에 놓인 자료 구조 문제입니다. 포화 최전선은 동적이고 희소합니다: 학계 TBox 위의 커밋된 파동 전선은 파동마다 9, 12, 7, 0개의 새로운 귀결이며, 자라났다가 정점을 찍고 비워지는 집합입니다. SIMD(single instruction, multiple data, 단일 명령 다중 데이터) 하드웨어는 그 반대, 즉 미리 알려진 넓고 규칙적인 배치를 원합니다; 장난감 규모의 임시방편(매 파동마다 조밀하게 다시 계산하는 것)이 온당한 것은 오직 행렬이 작기 때문입니다. 희소해져 가는 도출 최전선을 가속기 위에 상주시키면서 효율적으로 유지하는 정립된 설계는 아무도 갖고 있지 않으며, 삭제(구체화 장의 DRed 기계 장치)에는 받아들여진 배치화 정식화가 전혀 없습니다. 그리고 그 공학 밑에는 아무리 애써도 폐지할 수 없는 물리학이 놓여 있습니다. 병렬성 트레이드오프는 로그 정밀도 트랜스포머가 균일 TC⁰ 안에 놓인다는 것을 증명했습니다. TC⁰란 상수 깊이, 다항 크기의 문턱-회로족의 클래스입니다 [7]; 같은 포함 논증은 그와 비슷하게 상수 깊이로 배치화된 어떤 기판으로든 확장됩니다; 정밀하게 진술하면, 그런 모델이 길이 $n$의 입력 위에서 계산하는 어떤 함수든, 깊이가 $n$과 무관한 상수이고, 게이트 개수가 $n$에 대해 많아야 다항식으로 자라며, 게이트 안에 문턱 게이트를 포함하고(문턱 게이트는 자신의 입력 배선 중 적어도 $\theta$개가 1을 나를 때 정확히 발화합니다), 그 구성원 전부가 하나의 단순한 균일 조리법으로 만들어지는 회로족으로 계산 가능합니다. 그 증명은 이 권의 범위를 넘어섭니다; 깊이-천장 장이 모든 기호를 해독하여 그것을 진술하며, 그 companion은 대신 그 메커니즘을, 곧 깊이에 따라 움직이지만 결코 사라지지는 않는 훈련된 절벽들을 보여 줍니다. G3에 대한 귀결: 추측된 계층 구조가 무너지지 않는 한 PTIME-완전 폐쇄(다항 시간 안에 풀 수 있는 어떤 문제만큼이나 어려운 포화 문제들이며, P와 완전성은 깊이-천장 장이 해독합니다)는 TC⁰ 밖에 있으므로, 배치화는 상수와 병렬 너비를 사들일 뿐, 비선형 핵심의 순차적 깊이는 결코 사들이지 못합니다. 난이도: 희소-최전선 커널은 하나의 시스템학 학위논문 감이며, 어렵지만 유계입니다; 깊이 축은 공학 문제가 전혀 아니며, 제안들은 자신이 그 선의 어느 쪽에 사는지를 밝혀야 합니다.

G5: 전이 공백

정밀하게 진술하면. 하나의 온톨로지 위에서 훈련된 추론 기계 장치는 다른 온톨로지로 옮겨 갈 수 있어야 하지만, 오늘날 그것을 해내는 것은 거의 없습니다. 고전적인 부정적 전시물은 RRN(Recursive Reasoning Networks, 재귀 추론 네트워크) 노선, 즉 OWL 2 RL 규칙 프로파일(OWL은 Web Ontology Language, 웹 온톨로지 언어)의 깊은 에뮬레이터로서 도메인마다 다시 훈련되는 것들이며, 이것이 바로 캡스톤의 C7 행이 RRN을 실패하는 기준선으로 이름 붙인 채 인용-전용으로 남아 있는 이유입니다. 오늘날 전이되는 것은 구조적 링크 예측입니다: 4권의 파운데이션 모델 장은 장난감 규모에서 그 영수증을 커밋했습니다. 오직 학계 세계 위에서만 훈련된 열두 개 매개변수짜리 프로젝터가, 어휘가 겹치지 않는 병원 세계 위에서 제로샷 MRR 0.8333을 기록하며 무작위 기준선 0.2198에 맞섭니다. 인용된 벤치마크 규모 결과는 더 강력하여, 제로샷 평균 MRR 0.395가 그래프별로 훈련된 기준선 0.344를 이깁니다. 전이되지 않는 것은 이 권이 그 위에 더한 모든 것입니다: 증명 구조, 규칙 레퍼토리, 보정 온도입니다. 어휘-독립적인 기판은 채점기를 옮길 뿐입니다; 그것이 도출을 옮긴다는 것을 보인 사람은 아무도 없습니다.

계측 도구와 정직한 난이도 소견. 계측 도구는 이 권 자신의 심어진-규칙 프로토콜을 두 개의 어휘로 끌어올린 것입니다: 온톨로지 A에 규칙을 심고, 그곳에서 라우터를 훈련시킨 다음, A와 관계 이름을 하나도 공유하지 않는 온톨로지 B 위에서, C2의 해독-비교 기계 장치와 C3의 소거-더하기-MinA 도구를 변경 없이 그대로 써서 정확한 규칙 복원과 증명-흔적 품질을 채점합니다. 그것을 위한 두-세계 짝은 이미 companion 스위트 안에 존재합니다(ultra_lite.py의 학계와 병원 그래프). 존재하지 않는 것은 전이 주장을 의미 있게 만들어 줄 벤치마크입니다: 전이는 GALEN, Gene Ontology, SNOMED CT가 EL 세계에 걸쳐 있는 방식으로 크기, 깊이, 조각에 걸쳐 있는 많은 목표 온톨로지를 필요로 하며, 그런 온톨로지 간 추론-전이 스위트는 아직 조립된 바 없습니다. 이 결핍은 SATORI 계획 자체 안에서도 인정되는데, 그 계획은 온톨로지가 풍부한 질의 집합을 큐레이션하는 것을 하나의 기여로 열거합니다. 정확히 빌려 올 수 있는 것이 존재하지 않기 때문입니다. 난이도: 두-어휘 시연은 단기 과제입니다; 벤치마크는 커뮤니티 규모의 노력이며, 심사자는 단 하나의 목표 위에서 평가된 어떤 전이 주장이든 하나의 일화로 깎아내려야 합니다.

G6: 설명 공백

정밀하게 진술하면. 어텐션 맵이나 생성된 사고 사슬을 드러냄으로써 공짜로 자신을 설명하는 시스템들은 불충실하게 설명한다고 문헌으로 기록되어 있습니다: 보여지는 유물은 답의 이유가 아닙니다. I부는 커밋된 구성물을 지었습니다: 그 어텐션이 질량의 0.5673을 특징 하나에 쌓아 올리지만 그 특징을 소거해도 출력이 0.0004만큼만 움직이는 반면, 실제로 쓰이는 특징은 7.7077의 훈련된 가중치와 12분의 1의 어텐션을 지니는 분류기입니다; 충실성 장은 ERASER류의 포괄성으로 그 불일치를 측정했고(어텐션 근거 0.2497 대 오클루전의 0.3659, 무작위 기준선 0.0789), 어텐션 맵과 사고 사슬 양쪽 모두에 대한 규모에서의 증거를 인용했습니다. 공백은 설명이 중요한 규모에서, 이유임이 보증되는 설명입니다.

부분적 답, 그리고 아무도 실행한 적 없는 절제 실험. 구성에-의한-흔적이 살아 있는 노선입니다: 설명이 곧 계산 그 자체인 아키텍처들이어서, 충실성이 측정되는 것이 아니라 구조적입니다. 캡스톤의 C3 행이 그 커밋된 미니어처로, MinA(minimal axiom set, 최소 공리 집합), 곧 정당화 장의 정답 설명 단위에 대비해 채점되며, 실행에서 그대로 인용합니다:

[3] C3 — faithful traces: erasure + MinA containment
  Horn face, 4 derived atoms — e.g. grandAdvisor(alice, carol) has trace leaves advises(alice, bob), advises(bob, carol)
    comprehensiveness 8/8: every leaf deletion kills its atom; leaves ALONE re-derive it (4/4)
    12 seeded non-trace deletions (default_rng(5)): nothing breaks (asserted)
  TBox face — the discretized trace vs justifications.py:
    Professor ⊑ Researcher: trace axioms {1} ⊇ MinA {1}   (all MinAs: {1} {4, 5})
    TenuredStudentAdvisor ⊑ ⊥: trace axioms {6, 10, 11, 12} ⊇ MinA {6, 10, 11, 12}   (all MinAs: {6, 10, 11, 12})

이 흔적을 이 공백의 현재 최선의 증거로 읽으십시오: 모든 흔적 잎은 인과적으로 필요하며(8개 중 어느 것을 삭제해도 그 원자가 깨집니다), 그 잎들만으로 충분하고, 흔적이 아닌 삭제는 아무것도 바꾸지 않으며, 이산화된 온톨로지 흔적은 정당화 장의 적중 집합 트리가 독립적으로 찾아낸 진짜 최소 정당화를 담고 있습니다; 블록의 trace ⊇ MinA 줄들이 기록하는 것이 바로 그 포함, 곧 흔적의 공리 집합이 완전한 MinA 하나를 부분집합으로 품고 있다는 사실입니다. 그것이 바로 13개의 개체 위에서 계측 도구로 검증된, 구성에 의한 충실성입니다. 열린 질문은 흔적의 품질이 규모에서의 훈련 압력을 견뎌 내는가입니다: 같은 아키텍처가 답 정확도에 대해 세게 훈련될 때, 그 흔적은 최소적이고 인과적으로 남을까요, 아니면 최적화가 실제 계산을 그 읽을 수 있는 경로 주변으로 우회시키도록 학습하여 흔적이 장식으로 퇴화할까요? 그 상호작용 절제 실험, 곧 벤치마크 규모의 시스템 위에서 훈련 실행 전체에 걸쳐 측정되는 흔적-충실성 지표는 아무도 발표한 적이 없으며, 이 공백이 가장 필요로 하는 단 하나의 실험입니다. 계측 도구는 새로 발명할 필요가 없습니다: 소거 더하기 MinA 포함은 이 권 자신의 도구이며, 이산적인 흔적을 내놓는 어떤 것 위에서든 실행됩니다. 난이도: 그 절제 실험은 흔적을 내놓는 시스템을 지닌 그룹에게 일 년짜리 프로젝트입니다; 구성에-의한-흔적을 규모에서 값싸게 만드는 일은 G6의 옷을 입은 G3의 문제이며, 그것이 바로 활주로 절이 그 둘 사이에 하나의 변을 그리는 이유입니다.

G8: 메타인지 공백

정밀하게 진술하면. 자신이 모른다는 것을 아는 것은 신경-기호 문헌의 얇은 한 조각을 차지할 뿐입니다; 이 공백 지도 배후의 조사 말뭉치는 메타인지를 자신이 검토하는 작업의 대략 5퍼센트로 헤아리며 [8], 이는 그 지도에서 가장 얇은 조각이고, 그 지도를 심은 분야 수준의 분석들은 신뢰와 자기 인식을 성취가 아니라 늘 상존하는 도전 과제로 꼽습니다 [1]. III부가 그것을 닫았다고 읽고 싶은 유혹이 있지만, 이 공백의 정밀한 진술이야말로 정확히 그것이 닫히지 않은 이유입니다. 존재하는 것은 기권 기계 장치입니다: 점수, 구간, 혹은 구조에 근거해 질문을 거절하는 정책들입니다. III부의 커밋된 세-정책 표는 그것들을 한 축 위에 놓았습니다. Chow 임계값은 커버리지 0.9841에서 침묵하는-오답 비율 0.0159를 지니고, 열린 세계 구간은 커버리지 0.8651에서 침묵하는 오류가 전혀 없으며, 구조적 파서는 0.9293에서 구성상 0을 지닙니다; 그리고 캡스톤의 C5 행은 그 구간 종류를 처음부터 끝까지 다시 실행했습니다:

[4] C5 — calibration + open-world abstention
  kernel degrees on the 306 imputation-needing (query, entity) pairs: ECE = 0.0186
  interval [ℓ, u]: ℓ from G_train, u from the 62-edge typed completion (⊇ all 18 true edges)
  policy                    coverage   acc-on-answered
  closed-world traversal      1.0000   0.9487   (24 errors = 23 hard answers + the 2in witness)
  interval + abstain          0.8205   1.0000   (19 yes + 365 no; abstains 84/468)

블록의 표기는 주장 장의 설정에서 그대로 읽어 낼 수 있습니다: 각 답의 참됨은 하나의 구간으로 감싸이는데, 그 하한 ℓ은 관측된 엣지들의 15-엣지 훈련 그래프 G_train에서 오고, 상한 u는 TBox의 타입이 허용하는 모든 엣지인 62-엣지 타입 완성에서 옵니다; ⊇는 그 완성이 18개의 참 엣지 전부를 부분집합으로 담고 있음을 기록합니다; 그리고 2in은 닫힌 세계가 잘못된 예를 만들어 내는 단 하나의 질의 형태, 곧 한쪽 가지가 부정된 두-가지 교집합의 이름입니다.

이 공백이 실제로 묻는 것은 그 모든 것보다 한 단계 위에 있습니다. 기권 정책은 질문 하나하나에 대한 신호를 소비하여 질문 하나를 거절합니다. 메타인지 시스템은 자신의 역량 경계(competence boundary), 즉 자신의 기계 장치가 믿을 만한 입력의 영역을 모델링하고 그에 따라 길을 잡아 줍니다: 이 질의는 내 건전한 조각 안에 있으니 증명과 함께 기호적으로 답하라; 이것은 보간이 필요하니 보정된 정도와 함께 신경망적으로 답하라; 이것은 둘 다의 바깥에 있으니 거절하거나 상위로 넘기라는 식입니다. 구체적인 다음 유물은 정확히 그런 신경-대-기호 라우터이며, 그것은 이국적이지 않습니다: 박솔로지의 제어를-위한-메타추론(meta-reasoning for control) 패턴은 이미 학습기 위에 기호적 컨트롤러를 두어, 학습기의 상태를 추론하고 그 행동을 조종하게 합니다 [4]; G8이 필요로 하는 입력별 라우팅은 그 패턴에서 아직 이름 붙지 않은 짧은 한 걸음만큼 더 나아간 것입니다; 빠져 있는 것은 훈련된 경계 모델과 그것을 위한 증거 기준입니다(라우팅 시스템은 선택적 예측기처럼, 곧 차선별 커버리지, 차선별 위험, 그리고 명시된 잘못된-라우팅 비용으로 채점되어야 합니다). 이 공백이 다른 모든 것을 복리로 악화시키는 이유: 자신이 건전한 조각 바깥에 있다는 것을 아는 시스템이라면 G1의 분할을 살 만한 것으로 만들 것이고(정확함이 성립하는 곳에서는 정확하게, 다른 곳에서는 학습된 것으로 실행하되 그 이음매를 보이게 하는 것입니다), G7의 개념 불확실성을 행동 가능한 거절로 바꾸어 놓을 것이며, G5의 비전이를 소리 없는 성능 저하가 아니라 탐지된 경계 넘기로 바꾸어 놓을 것입니다. 난이도: 라우터 유물은 이 시리즈 자신의 구성 요소들 위에서 지금 당장 지을 수 있으며, 그것이 바로 다음 장이 그것을 향해 짓는 이유입니다; 일반적인 역량, 곧 분포 이동 아래에서도 버텨 내는 역량 모델은 이동이 더해진 G7의 모든 미해결 문제를 물려받으며, 어떤 정직한 추정도 그것을 가깝다고 놓지 않습니다.

조립된 활주로

이 장이 조용히 채점해 온 두 축 위에서 여덟 개의 공백에 순위를 매겨 봅시다: 계측 도구 준비성(instrument-readiness, 측정이 존재하는지, 그것이 커밋된 코드인지 인용된 프로토콜인지)과 의존성(dependency, 어느 공백이 어느 공백을 가로막는지)입니다. 다음 표가 이 장의 평결입니다:

공백	가장 날카로운 진술	이 시리즈에서 나온 최선의 부분적 답	계측 도구	준비성
G1 정확/학습 가능	훈련 가능하면서 건전함, 둘 중 하나가 아니라	τ→0 건전성 + 훈련된 라우터 (C8, C2)	크리스프 극한에서의 오라클-동등성 + 훈련 곡선	커밋됨
G2 규칙 탐색	$11^T$식 열거를 지나고 사슬을 지나	라우터 복원, α = 0.9718 (C2)	심어진 규칙 + 깊이-일반화 프로브	프로토콜 존재, 스위트 없음
G3 하드웨어	가속기 위에서의 정확한 추론	오라클과 동등한 배치화 고정점, 8.2배 프록시	처리량 대 정확성 곡선; 인용된 87배 상한	커밋된 프록시, 규모에서는 열림
G4 온톨로지-눈멂	EL+ 위에서 추론하는 동시에 규칙 학습	그라운딩된 임베딩 (3권 III부, 인용됨)	Δ MRR 절제 실험 + TBox-일관성 감사	절제 실험 인용됨, 감사 미구축
G5 전이	점수만이 아니라 증명을 옮기기	제로샷 0.8333 대 0.2198 (연결만)	온톨로지 간 심어진-규칙 복원	벤치마크 없음
G6 충실성	인과적임이 보증된 설명	comp 8/8, suff 4/4, trace ⊇ MinA 2/2 (C3)	소거 + MinA 포함	커밋됨
G7 보정/지름길	개념을 따라가는 신뢰도	맞춤 후 ECE 0.0186; BEARS 노선 (인용됨)	정답 개념 대비 개념 수준 ECE	장난감에서 커밋됨, 정리는 열림
G8 메타인지	역량 경계를 모델링하기	세 개의 기권 정책, 하나의 표	라우팅 차선별 선택적-예측 채점	발판뿐

의존성 스케치는, 장들이 그것을 지은 곳에서는 커밋되어 있고 그렇지 않은 곳에서는 논증되어 있습니다: G7은 G2의 기계 장치를 필요로 하는데, 지름길-인식 보정은 레이블-동치인 가설들의 census를 알아야 하며, 관계적 과제에 대해 그 census를 만들어 내는 것은 정확히 G2가 아직 다루지 못하는 템플릿 공간 위에서의 규칙-탐색 계산이기 때문입니다; 그 논증은 식별 가능성 장의 전수 조사를 규모에 대해 정직하게 만든 것입니다. G8은 G7을 필요로 하는데, 역량 경계란 점이 아니라 영역에 대한 보정이기 때문입니다; 기권 장의 전제조건 순서(먼저 보정하고, 그다음에 게이트를 두라)가 한 단계 위에서 똑같은 변입니다. G1의 닫힘 조건은 G7의 어휘(식별 가능성 기준)로 진술되어 있으므로, 신뢰의 짝은 안쪽부터 먼저 풀립니다. G6과 G5는 정리보다 계측 도구를 더 필요로 하며, G6은 그것을 갖고 있지만 G5의 벤치마크는 그렇지 않습니다. G3은 이 모두와 병렬입니다: 아무것도 그것을 가로막지 않고, 그것은 아무것도 가로막지 않으며, 그 깊이의 바닥은 의존성이 아니라 물리학이어서, 시스템 지향적인 연구자에게는 가장 안전한 공백이 되고 이론 지향적인 연구자에게는 가장 지렛대가 되지 못하는 공백이 됩니다.

독자의 출구는 이제 기분이 아니라 하나의 결정 절차입니다. 계측 도구가 존재하고 의존성이 충족된 공백 하나를 고르십시오: 오늘 그 단축 목록은 G6(계측 도구 커밋됨, 가로막는 것 없음), G7의 경험적 절반(지표가 지어졌고, 테스트베드가 발표됨), 그리고 G8의 라우터 유물(모든 구성 요소가 이 시리즈의 companion들 안에 있음)입니다. 그 선택을, 개인적인 것으로 만들어 첫 실험으로 바꾸는 것이 다음 장의 전체 주제입니다.

아직 풀리지 않은 부분

이 지도 자체가 증명되지 않은 대상입니다. 여덟 개의 공백을 제시한다는 것은 그것들이 정말로 여덟 개, 즉 독립적으로 공략할 수 있을 만큼 분리 가능하다는 것을 전제하는데, 위의 의존성 스케치는 이미 그 전제를 팽팽하게 잡아당기고 있습니다: G1의 닫힘은 G7의 용어로 진술되고, G7은 G2에 기대며, G6의 규모 질문은 G3의 비용 질문입니다. 비관적인 읽기는 이렇게 말합니다. 이 지도는 여덟 벌의 옷을 입은 단 하나의 공백, 곧 정확/학습 가능 분할이며, 그 옷들에 대한 부분적 답들은 그 밑에 있는 분할이 움직이지 않은 채로 계속 쌓여만 갈 것입니다. 이는 정확히 십 년에 걸친 통합 분류법들이 문제를 해소하기보다 그저 기록하기만 했다고 비난받을 수 있는 바로 그 패턴입니다 [2]. 이 지도에는 또한 자신만의 반증 프로토콜도 없습니다: 어떤 공백이 그저 열려 있는 것이 아니라 잘못 진술된 것임을 보여 줄 증거가 무엇일지, 여기서는 아무것도 말하지 않으며, 모든 분야의 공백 목록들은 그 틀이 낡아 버린 뒤에도 오랫동안 수정되지 않은 채 살아남는다는, 문헌으로 기록된 실패 양식을 지니고 있습니다. 정직한 현황은 이렇습니다: G1부터 G8까지는 이 장이 정한 기준(각 행이 자신의 계측 도구를 이름 붙입니다)으로 볼 때 현재 최선의 분해이며, 그 분해 자체는 다음 십 년의 결과가 확인하거나, 합치거나, 다시 그릴 하나의 가설입니다.

왜 중요한가

이 시리즈에게 이 장은 반전점입니다: 네 권 반 동안 역량을 짓고 측정해 왔으며, 그 같은 증거를 성취가 아니라 차이로 읽으면 하나의 연구 의제가 됩니다. 여기서 인용된 커밋된 숫자 하나하나는 이중의 역할을 했습니다. 처음에는 무엇이 작동하는지에 대한 영수증으로, 이제는 무엇이 작동하지 않는지에 대한 경계 표지로 말입니다. 독자 자신의 연구를 위해서라면, 이 특정한 여덟 행과는 독립적으로, 이 장의 틀 자체가 옮겨 담을 수 있는 자산입니다: 문제를 역량 공백으로 진술하고, 기록상 가장 강력한 부분적 답을 그 증거와 함께 이름 붙이고, 계측 도구를 이름 붙이고, 누군가 반박할 수 있는 난이도 추정을 덧붙이십시오. 그런 문법으로 쓰인 제안은 실패할 수 있는데, 바로 그것이 그것을 연구비를 받을 만하고, 심사할 만하고, 인생의 삼 년을 걸 만한 가치가 있게 만드는 것입니다. 그리고 이 두 축 순위는 과학적 도구인 만큼이나 경력의 도구이기도 합니다: 계측 도구를 갖추고 의존성이 충족된 공백은 논문을 낳고, 계측 도구가 없는 공백은 벤치마크를 낳는데, 이 분야는 후자에 더 느리게 보상하면서도 그것을 더 절실히 필요로 하며, G5가 바로 이 지도의 상존하는 사례입니다.

핵심 용어

• 역량 공백(capability gap): 입증된 역량과 필요한 역량 사이의 차이로 진술된 미해결 문제이며, 진전을 측정할 명명된 계측 도구를 갖춥니다; 연구 소망의 반증 가능한 형태입니다.
• 계측 도구 준비성(instrument-readiness): 어떤 공백의 진전 측정이 커밋된 코드로 존재하는지, 인용된 프로토콜로 존재하는지, 아니면 전혀 존재하지 않는지를 가리킵니다; 활주로의 두 순위 축 가운데 첫 번째입니다.
• 의존성(dependency, 공백들 사이의): "A를 닫으려면 B의 도구나 정리가 필요하다"는 관계입니다; 두 번째 순위 축으로, 어떤 장이 그 변을 지은 곳에서는 커밋되어 있고 그렇지 않은 곳에서는 논증되어 있습니다.
• 정확/학습 가능 분할 (G1): 이 분야를 건전하고-고정된 추론기와 훈련 가능하지만-불건전한 학습기로 나누는 구분입니다; 그 측정 문제는 G7이며, 그 닫힘 조건은 식별 가능성 기준입니다.
• 식별 가능성 기준: G7이 닫혔음을 정의하는 표준입니다: 보고된 불확실성이 지식의 살아남은 대칭 궤도를 증명 가능하게 덮으며, 그 궤도가 자명할 때 개념에 그라운딩된 확률로 수렴합니다.
• 사슬 편향: 행렬-곱 규칙 학습기들을 단일 경로 규칙 몸체로 제한하는 것입니다; G2의 두 번째 벽으로, 어떤 길이-$T$ 규모 확장 해법으로도 건드릴 수 없습니다.
• 구성에-의한-흔적: 설명이 곧 계산 그 자체인 아키텍처들이어서 충실성이 구조적임을 뜻합니다; G6의 부분적 답으로, 여기서는 소거와 MinA 포함으로 검증됩니다.
• 역량 경계: 시스템의 기계 장치가 믿을 만한 입력 영역입니다; 그것을 모델링하고 그것을 가로질러(신경 대 기호로) 길을 잡아 주는 것이 G8의 구체적인 유물입니다.

이 장이 이끄는 곳

이 활주로는 하나의 지침으로 끝을 맺습니다: 계측 도구가 존재하고 의존성이 충족된 공백 하나를 고르고, 그 위에서 다음 작업을 하라는 것입니다. 다음 연구 하기: 사각지대와 첫걸음은 그 지침을 실행 가능하게 만들어, 이 공백 지도를 개인적인 연구 프로그램으로 바꾸어 놓습니다: 당신에게 거짓말할 수 없는 첫 실험을 어떻게 고를지, 이 시리즈 자신의 방법론이 어떤 사각지대를 드러내는지(그래서 그 실수는 물려받지 않으면서도 그 계측 도구는 물려받을 수 있도록), 그리고 G6, G7, 혹은 G8 위에서의 첫 결과가 한 명의 연구자가 실행할 수 있는 규모에서 구체적으로 어떤 모습일지를 다룹니다.

---

Companion 코드: examples/frontier/satori_eval.py는 자신의 모듈 독스트링 안에 G1–G8 지도를 실어 나르며, 이 장이 캡스톤 평가로부터 인용하는 모든 커밋된 숫자(주장 표, 라우터 복원, 흔적-충실성 블록, 그리고 보정-더하기-기권 블록)를 산출합니다. python3 examples/frontier/satori_eval.py를 실행하면 그것들을 재현할 수 있습니다; 그 실행은 결정론적이며 인용된 모든 수치는 assert로 지켜집니다. 공백 분석 그 자체와 그것이 동기를 부여하는 계획은 SATORI 말뭉치의 문서 RELATED_WORK.md와 DEVELOPMENT_PLAN.md입니다.