본 논문은 현대 대규모 AI 시스템의 학습 역학이 계층적이며, 물리 시스템에서 관찰되는 상전이와 유사한 급격한 질적 변화를 특징으로 한다는 점을 다룹니다. 이러한 현상은 신경망과 언어 모델의 메커니즘을 밝히는 데 유용하지만, 기존 이론들은 특정 사례만 다루는 등 단편적입니다. 따라서 본 논문은 매개변수 대칭성 연구 방향이 이러한 단편적인 이론들을 통합하는 데 중요한 역할을 한다고 주장합니다. 중심 가설은 매개변수 대칭성 깨짐과 복원이 AI 모델의 계층적 학습 행동의 통합 메커니즘이라는 것입니다. 기존 관찰과 이론들을 종합하여 이 연구 방향이 신경망의 세 가지 구별되는 계층(학습 역학, 모델 복잡성, 표현 형성)에 대한 통합적 이해로 이어질 수 있음을 논증합니다. 이를 통해 대칭성이라는 개념을 현대 AI의 잠재적 기본 원리로 격상시킵니다.
