본 논문은 대규모 데이터 의존적인 현대 인공지능 시스템의 한계를 극복하기 위해, 모델 간 데이터 없는 개념 전송(Model-to-Model Knowledge Transmission, M2KT)이라는 새로운 패러다임을 제안한다. M2KT는 모델들이 구조화된 개념 임베딩, 추상화 그래프, 추론 흔적, 출처 메타데이터를 포함하는 지식 패킷을 교환하여, 데이터 없이 지식을 전송한다. 기존의 지식 증류와 달리, M2KT는 예시 공간이 아닌 개념 공간에서 작동하며, 전송 과정에서 레이블된 데이터나 교사 모델의 출력이 필요하지 않다. 개념 다양체의 개념을 공식화하고, 교사 모델과 학생 모델의 잠재 공간 간의 상호 모델 정렬 매핑을 도입하며, 기하학적, 구조적, 추론적 일관성과 명시적인 안전 제약 조건을 함께 적용하는 복합 손실을 도출한다. 또한, 교사 측 패킷 생성과 학생 측 섭취 및 검증을 위한 알고리즘 절차를 제시한다. 대규모 언어 모델을 사용한 기호 추론 실험에서 M2KT는 표준 지식 증류에 비해 데이터 사용량을 98% 이상 줄이면서도 교사 모델 성능의 약 85~90%를 달성했다.
