기존의 뇌 인지 이론들이 설명하지 못했던 근본적인 질문에 답하기 위한 새로운 이론인 '예측 집합 이론(Predictive Set Theory, PST)'이 예비 논문으로 공개되었습니다. 이 이론은 뇌를 계층적 예측 엔진으로 보는 예측 처리 이론(Predictive Processing Theories)과 확률적 신념 업데이트에 초점을 맞춘 베이즈 인지 과학(Bayesian Cognitive Science)이 가진 한계를 지적하며, 인지 아키텍처의 핵심 메커니즘을 재구성하는 생성적 프레임워크를 제시합니다.
예측 집합 이론(PST)은 인지를 최소한의 연산 집합으로 설명합니다. 여기에는 정체성 함수로 형식화된 센서, 집합론적 상태 새로고침, 그리고 세 가지 근본적인 참조 사슬(참조, 역참조, 반참조)이 포함됩니다. 이 최소한의 원칙들로부터 상태 시퀀스, 요구, 비교, 효율성, 유한 시점 확률적 계획 등 핵심적인 인지 기능들을 엄밀하게 도출해냅니다. 이 이론은 신경 메커니즘을 모델링하기보다는, 불완전한 정보와 돌이킬 수 없는 위험 속에서 내부 일관성을 유지해야 하는 모든 시스템을 위한 설계 사양을 제공하는 데 중점을 둡니다.
이 프레임워크는 러셀의 역설(Russell's paradox), 괴델의 불완전성 정리(Gödelian incompleteness)의 인지적 상태, 부정적 피드백의 근거, 영화 편집의 이해와 같은 고전적인 문제들에 대한 새로운 해결책을 제시합니다. 예측 집합 이론은 뇌의 작동 방식을 이해하는 데 새로운 관점을 제공할 뿐만 아니라, 인공지능(AI) 시스템이 불확실한 환경에서 더 견고하고 일관성 있게 작동하도록 설계하는 데 중요한 이론적 기반을 마련할 수 있습니다. 이는 AI의 다음 세대 아키텍처 설계에 영감을 줄 잠재력을 가지고 있습니다.