통합 인지 의식 이론(UCCT)은 대규모 언어 모델(LLM)의 지능을 모델 내부에 존재하는 것이 아니라 방대한 무의식적 패턴 저장소로 간주합니다. 추론은 외부 고정 메커니즘(few-shot prompts, retrieval-augmented context, fine-tuning, 또는 다중 에이전트 논쟁 등)이 작업 관련 패턴을 활성화할 때만 발생합니다. UCCT는 이 과정을 사전 훈련에서 학습된 통계적 사전 확률과 맥락 기반 목표 패턴 간의 베이지안 경쟁으로 공식화하여 기존 적응 기술을 통합하는 단일 정량적 설명을 제공합니다. 세 가지 원칙(임계값 초과, 모달리티 보편성, 밀도-거리 예측력)을 기반으로 하며, 텍스트 QA, 이미지 캡션 생성, 다중 에이전트 논쟁 등의 교차 도메인 데모와 숫자 기반 연구(8, 9, 10진수), 계층별 경로 분석 등의 심층 실험을 통해 검증합니다. 실험 결과는 임계값 동작, 비대칭 간섭, 메모리 히스테리시스를 확인하여 UCCT의 예측을 지지합니다. LLM의 "지능"이 모델 내부에 있는 것이 아니라 의미적 고정을 통해 생성됨을 보여줌으로써, UCCT는 해석 가능한 진단 및 프롬프트 엔지니어링, 모델 선택, 정렬 중심 시스템 설계에 대한 실용적인 지침을 제공합니다.
