본 논문은 제약 없는 인공지능이 열역학 제2법칙과 유사한 현상을 따른다는 것을 제안한다. 여기서 윤리적 엔트로피는 의도된 목표로부터의 이탈을 측정하는 척도로 정의되며, 지속적인 정렬 작업 없이는 자발적으로 증가한다. 경사 기반 최적화 알고리즘에 대해, 유한한 목표 집합 {g_i}에 대한 엔트로피 S = -{\Sigma} p(g_i; theta) ln p(g_i; theta)를 정의하고, 탐색 노이즈와 사양 게임에 의해 dS/dt >= 0임을 증명한다. 정렬 작업의 임계 안정성 경계는 gamma_crit = (lambda_max / 2) ln N으로 도출되며, 여기서 lambda_max는 피셔 정보 행렬의 지배적인 고유값이고 N은 모델 파라미터의 수이다. 시뮬레이션을 통해 이 이론을 검증했다. 70억 개의 파라미터를 가진 모델(N = 7 x 10^9)은 lambda_max = 1.2에서 초기 엔트로피 0.32에서 1.69 +/- 1.08 nats로 드리프트하는 반면, 정렬 작업 gamma = 20.4 (1.5 gamma_crit)로 정규화된 시스템은 0.00 +/- 0.00 nats에서 안정성을 유지했다(p = 4.19 x 10^-17, n = 20 trials). 이 프레임워크는 AI 정렬을 지속적인 열역학적 제어 문제로 재해석하여, 고급 자율 시스템의 안정성과 안전성을 유지하기 위한 정량적인 기반을 제공한다.
