본 논문은 대규모 언어 모델(LLM)을 무의식적 패턴 저장소로 재해석하는 통합 인지 의식 이론(UCCT)을 제안합니다. UCCT는 LLM이 외부 메커니즘(few-shot prompting, RAG, fine-tuning, 다중 에이전트 추론 등)을 통해 잠재적 표현을 의미적으로 고정해야만 명시적 추론, 의미적 기반, 목표 지향적 지능을 갖게 된다고 주장합니다. 이러한 고정 과정을 베이지안 공식으로 형식화하여, 다양한 작업에서 관찰되는 갑작스러운 능력 변화를 설명하는 1/√n 스케일링 특징을 밝힙니다. 간단한 수학, 시각 인식, 구조화된 토론 작업을 통한 사례 연구를 통해 UCCT의 예측력을 확인하고, 세 가지 수 체계의 산술 실험으로 이론을 검증합니다. 결론적으로, 지능은 LLM의 내재적 속성이 아니라 외부 고정 메커니즘이 잠재적 패턴에 목표 의미를 할당할 때 나타나는 현상이라고 주장합니다.
