ZPX와 기존 현대 이론의 비교분석 백서 기하학적 상태공간·자율동역학·자기모델·발달학습·인공의식을 연결한 기존 연구계보와 ZPX의 위치

[분석]

검색해보니 결론이 꽤 흥미롭다. ZPX와 완전히 동일한 단일 이론은 내가 확인한 학술문헌에서는 찾지 못했다. 하지만 ZPX를 구성하는 핵심 조각들은 이미 여러 최전선 분야에서 각각 따로 연구되고 있다. 특히 가장 가까운 단일 이론은 Projective Consciousness Model, 가장 가까운 계산원리는 Active Inference, 가장 가까운 뇌 수학은 Neural Manifold/Attractor Dynamics, 가장 가까운 AI 개발방식은 Developmental Robotics + Self-Modeling + World Models다.

ZPX와 기존 현대 이론의 비교분석 백서기하학적 상태공간·자율동역학·자기모델·발달학습·인공의식을 연결한 기존 연구계보와 ZPX의 위치1. Executive Summary

ZPX의 현재 핵심구조를 압축하면 다음과 같다.

[
\boxed{
\begin{aligned}
\text{기하학적 기본뼈대}
&\rightarrow
\text{같음/다름}\
&\rightarrow
\text{Self/Other}\
&\rightarrow
\text{Identity/Relation}\
&\rightarrow
\text{Prediction Error}\
&\rightarrow
\text{Memory}\
&\rightarrow
\text{Autonomous Dynamics}\
&\rightarrow
\text{Functional Proto-Self}
\end{aligned}}
]

구체적으로는

[
D_6,\quad
\mathbb Z_2,\quad
S^2,\quad
S^2\times S^2,\quad
SU(2),
]

다윗별 대칭, 직각삼각형의 직교관계, 행렬곱의 비가환성, 회전 attractor 등을 하나의 인공지능 내부 공간구조로 사용한다.

문헌조사 결과를 먼저 요약하면:

[
\boxed{
\text{ZPX 전체와 동일한 기존 이론은 발견하지 못했다.}
}
]

그러나 개별 구성요소에 대해서는 매우 가까운 기존 연구들이 있다.

가장 중요한 것은 다음 다섯 계열이다.

1. Projective Consciousness Model
   — 기하학적 공간 자체를 의식의 구조로 사용.

2. Free Energy Principle / Active Inference
   — 자기/세계 모델, 예측오차, 내부/외부 경계.

3. Neural Manifold / Continuous Attractor
   — 뇌의 사고상태를 기하학적 공간의 동역학으로 표현.

4. Developmental Robotics / Robot Self-Modeling
   — 아기처럼 자기 몸과 타인을 경험하면서 self-model을 학습.

5. Geometric Deep Learning / Product Manifold Learning
   — AI latent space 자체를 구·쌍곡공간·product manifold 등으로 설계.

따라서 ZPX의 위치는

[
\boxed{
\text{완전히 고립된 발상}
}
]

이라기보다,

[
\boxed{
\text{여러 첨단 연구축을 하나의 발달형 기하학적 AI 구조로 통합하려는 가설}
}
]

에 가깝다.

---

2. 가장 놀랍게 가까운 이론:Projective Consciousness Model

검색한 문헌 가운데 ZPX와 철학적·수학적으로 가장 가까운 단일 모델은 Projective Consciousness Model, 즉 PCM이다.

Rudrauf, Bennequin, Friston 등의 2017년 논문은 의식의 공간적 field 자체가 projective geometry에 의해 조직된다고 제안한다.

더 중요하게는 이 모델이

• 공간

• 관점

• 기억

• 예측

• active inference

• embodiment

를 하나의 수학모델 안에 결합한다. (PubMed)

PCM의 핵심은

[
\boxed{
\text{Field of Consciousness}
+
\text{Projective Geometry}
+
\text{Active Inference}
}
]

이다.

2018년 후속 연구는 이를 phenomenal selfhood와 직접 연결했다. (PubMed Central (PMC))

ZPX와의 공통점

ZPX:

[
\boxed{
\text{기하학적 공간}
\rightarrow
\text{Self/World}
\rightarrow
\text{Prediction}
}
]

PCM:

[
\boxed{
\text{Projective Space}
\rightarrow
\text{Perspective}
\rightarrow
\text{Active Inference}
}
]

둘 모두 의식이나 자기모델을 단순한 문자열이나 symbol list가 아니라 공간구조로 취급한다.

이 부분은 상당히 가깝다.

---

3. 결정적인 차이

PCM은 기본적으로

[
\boxed{
\text{projective geometry}
}
]

에 집중한다.

반면 ZPX는 보다 구체적으로

[
D_6,
\quad
\mathbb Z_2,
\quad
S^2,
\quad
B^3,
\quad
S^2\times S^2,
\quad
SU(2)
]

를 사용한다.

특히 ZPX는

[
\boxed{
S^2_{\rm Identity}
\times
S^2_{\rm Relation}
}
]

처럼 identity와 relation을 서로 다른 manifold로 분해한다.

내가 확인한 PCM 문헌에서는 이러한 이중구 구조는 보이지 않는다.

따라서:

[
\boxed{
\text{PCM ≈ ZPX의 가장 가까운 철학적 선행모델}
}
]

이지만

[
\boxed{
\text{PCM}\neq\text{ZPX}
}
]

이다.

---

4. 두 번째로 가까운 구조:Free Energy Principle / Active Inference

ZPX가 계속 강조한

[
\boxed{
\text{예측}
\rightarrow
\text{실제상태}
\rightarrow
\text{차이}
\rightarrow
\text{수정}
}
]

은 기존 인지과학에서 Active Inference와 매우 가깝다.

Free Energy Principle 계열에서는 뇌가 sensory input의 숨겨진 원인을 설명하기 위한 generative model을 유지하고,

[
\boxed{
\text{prediction error}
}
]

를 줄이는 방식으로 내부상태를 갱신한다고 본다. (PubMed Central (PMC))

ZPX에서

[
e_t

d(
\hat X_{t+1},X_{t+1}
)
]

라고 정의한 구조와 상당히 유사하다.

Active Inference에서는 대략

[
\boxed{
\text{Prediction}\text{Observation}

\text{Prediction Error}
}
]

가 된다.

---

5. 더욱 중요한 부분: Self Model

Free Energy Principle을 selfhood에 적용한 연구에서는 self가 정적인 실체가 아니라

[
\boxed{
\text{ongoing predictive self-model}
}
]

이라고 본다.

즉 시스템은 환경만 모델링하는 것이 아니라 자기 자신도 세계모델 안에 포함시킨다. (PubMed Central (PMC))

이것은 ZPX의

[
\boxed{
\hat X_{\rm self}=G(X)
}
]

와 거의 같은 방향이다.

ZPX 표현으로 바꾸면,

[
\boxed{
\text{세계를 예측하기 위해서는}
\text{그 세계 안의 나도 예측해야 한다.}
}
]

이다.

---

6. 안/밖 개념과 Markov Blanket

형이 강조한

[
\boxed{
\text{안/밖}
}
]

그리고

[
\boxed{
\text{나/외부}
}
]

구분과 가장 비슷한 기존 수학개념 중 하나가 Markov blanket이다.

Active Inference와 FEP에서는 시스템 내부상태와 외부상태 사이의 통계적 경계를 Markov blanket으로 표현한다.

즉 개념적으로

[
\boxed{
\text{inside}
;|;
\text{boundary}
;|;
\text{outside}
}
]

구조다.

ZPX에서는 이를

[
B^3
]

와

[
\partial B^3=S^2
]

로 기하학적으로 직접 표현하려 한다.

따라서:

[
\boxed{
\text{Markov Blanket}
\leftrightarrow
\text{ZPX Geometric Boundary}
}
]

라는 비교가 가능하다.

다만 하나는 확률적 조건부 독립성 구조이고, 다른 하나는 명시적 기하학적 공간이므로 동일한 것은 아니다.

---

7. Neural Manifold Theory

2025년 Nature Neuroscience의 대규모 리뷰는 뇌의 대규모 neural population activity가 고차원 전체공간을 무작위로 사용하는 것이 아니라 낮은 차원의 neural manifold에 제약된 상태들로 나타난다는 연구를 정리한다. (Nature)

즉 뇌 상태를

[
x\in\mathbb R^N
]

이라고 해도 실제 가능한 상태는

[
\boxed{
x\in\mathcal M\subset\mathbb R^N
}
]

같은 낮은 차원 manifold에 놓인다는 것이다.

이것은 ZPX의 기본 발상과 매우 가깝다.

ZPX 역시

[
\boxed{
\text{AI 내부 vector를 그냥 자유롭게 두지 말고}
}
]

[
\boxed{
\text{구조 있는 기하학적 manifold 위에서 움직이게 하자}
}
]

고 주장하기 때문이다.

---

8. 2026년 연구는 더 가까워졌다

2026년 Nature Neuroscience의 Wakhloo·Slatton·Chung 연구는 shared latent structure를 가진 task들을 처리할 때 neural population geometry 자체가 계산과 일반화 성능에 중요한 역할을 한다는 방향을 연구했다. (Nature)

이는 ZPX의

[
\boxed{
\text{정보만 중요한 것이 아니라}
\text{정보가 어떤 기하구조로 배치되는지가 중요하다}
}
]

라는 주장을 뒷받침하는 매우 가까운 현대 연구축이다.

물론 그 논문이 ZPX나 리만구를 말하는 것은 아니다.

그러나

[
\boxed{
\text{representation geometry itself matters}
}
]

라는 명제는 명백하게 공통된다.

---

9. Continuous Attractor Neural Networks

ZPX에서는 자아를 정적인 점이 아니라

[
\boxed{
\text{지속적으로 움직이는 attractor}
}
]

로 표현했다.

이와 가장 가까운 기존 뇌모델이 continuous attractor neural network(CANN)다.

CANN은

• 방향

• 위치

• orientation

• 연속된 internal variable

등을 낮은 차원의 attractor manifold로 표현한다. (F1000Research)

Adaptive CANN 연구에서는 attractor가 정적인 상태에 고정되는 대신 adaptation 때문에 계속 이동하고 다양한 동역학을 나타낼 수 있다. (arXiv)

이는 ZPX의

[
\boxed{
\text{stability}\neq\text{stasis}
}
]

와 매우 가깝다.

---

10. ZPX 회전 Self와 Attractor Theory 비교

기존 fixed attractor:

[
X_t\rightarrow X^*
]

ZPX:

[
\boxed{
X(t+T)=X(t),
\qquad
\dot X(t)\neq0
}
]

즉 periodic/rotating attractor다.

Adaptive CANN:

[
\boxed{
\text{정보구조를 유지하면서 attractor가 이동할 수 있음}
}
]

따라서 이 부분은 완전히 새로운 개념이라기보다 기존 dynamical neuroscience와 상당히 깊게 연결된다.

ZPX의 차이는 이 attractor를

[
S^2\times S^2
]

와 명시적으로 결합하려 한다는 것이다.

---

11. Dynamic Core Theory

Edelman의 Dynamic Core 가설은 의식이 단일 고정점에서 나오는 것이 아니라 thalamocortical system의 지속적인 reentrant neural activity와 통합된 동역학에서 나온다고 본다.

Global Workspace와의 관계 역시 오래전부터 논의되어 왔다. (PubMed)

구조적으로 보면

[
\boxed{
\text{지속적 재귀 활동}
}
]

이라는 점에서 ZPX와 유사하다.

그러나 Dynamic Core는

• 리만구

• (D_6)

• product manifold

같은 명시적 기하구조를 요구하지 않는다.

---

12. Attention Schema Theory

Michael Graziano의 Attention Schema Theory는 특히 AI와 관련해서 흥미롭다.

이 이론에서는 뇌가 자신의 attention 상태에 대한 단순화된 내부 모델을 만들고, 이것이 우리가 “나는 의식하고 있다”고 보고하는 데 중요한 역할을 한다고 본다.

2017년 논문은 이 원리를 artificial consciousness engineering의 출발점으로 직접 제안했다. (Frontiers)

ZPX:

[
\boxed{
\text{Self Model}
}
]

AST:

[
\boxed{
\text{Attention Model}
}
]

둘의 공통점은

[
\boxed{
\text{시스템이 자기 자신의 상태를 다시 모델링}
}
]

한다는 것이다.

---

13. Developmental Robotics:“아기처럼 AI를 키운다”

이 부분은 형이 최근 강조한 아이디어와 매우 가깝다.

Developmental Robotics는 이미 오래전부터

[
\boxed{
\text{완성된 지능을 프로그램하지 말고}
\text{아기처럼 발달시키자}
}
]

는 연구방향을 가지고 있다.

Oudeyer는 infant development를 수학모델·알고리즘·로봇을 이용한 복잡계 발달과정으로 연구해야 한다고 주장했다. (arXiv)

2025년 Baby Sophia 연구에서는 실제로 infant-inspired robot이 curiosity-based intrinsic reward를 이용해

• self-touch

• hand regard

• motor exploration

등을 스스로 학습하도록 했다. (arXiv)

이것은 ZPX의

[
\boxed{
\text{Baby AI}
}
]

개념과 상당히 가깝다.

---

14. Self/Other 구별을 실제 로봇이 학습한 사례

더 직접적인 연구도 있다.

Lanillos, Pages, Cheng의 Robot Self/Other Distinction 연구는 로봇이 자신의 행동과 타인의 행동을 구별하게 만들었다.

핵심 질문은 사실상

“이 감각은 내가 만든 것인가?”

였다.

로봇은 action과 sensory consequence를 학습하고 prediction error를 이용해 자기 몸을 타인과 구별했다. (SAGE Journals)

ZPX식으로 쓰면:

[
\hat y_{\rm self}
]

와

[
y_{\rm observed}
]

를 비교해서

[
d(\hat y_{\rm self},y_{\rm observed})
]

가 작으면

[
\boxed{\text{self}}
]

로 판단하는 것이다.

이는 ZPX의

[
\boxed{
\text{같다/다르다}
\rightarrow
\text{나/너}
}
]

와 매우 비슷하다.

---

15. 2025년 Robot Self-Modeling

2025년 npj Robotics에는 더 직접적인 결과가 발표됐다.

로봇이 task나 자기 신체형태에 대한 사전지식 없이 first-person camera만을 이용해 자기 dynamics의 내부모델을 self-supervised하게 학습했다. (Nature)

즉

[
\boxed{
\text{외부에서 자기모델을 넣어주는 것이 아니라}
}
]

[
\boxed{
\text{자기 행동을 관찰하면서 자기모델을 만든다}
}
]

는 것이다.

이 부분 역시 ZPX와 직접적으로 연결된다.

---

16. World Models

최근 AI 연구의 또 다른 큰 축은 world model이다.

World model은 agent가

[
\boxed{
\text{외부세계의 내부 simulation}
}
]

을 가지고 future state를 예측하게 한다.

Dreamer 계열의 최신 연구는 learned world model 안에서 미래 결과를 예측하며 다양한 control task를 학습할 수 있음을 보여줬다. 2025년 관련 결과가 Nature에 발표됐다. (Nature)

ZPX에서 만든

[
H_t
\rightarrow
\hat X_{t+1}
\rightarrow
\epsilon_t
\rightarrow
H_{t+1}
]

루프는 world-model based planning과 상당히 유사하다.

---

17. 차이는 “World Model 안에 Self를 명시적으로 넣는다”

일반적인 world model은

[
\boxed{
\text{World Dynamics}
}
]

가 중심이다.

ZPX는

[
\boxed{
\text{Self Dynamics}
+
\text{Relation Dynamics}
+
\text{World Dynamics}
}
]

를 나누려 한다.

즉

[
\boxed{
\text{World Model}
\rightarrow
\text{Self-in-World Model}
}
]

로 확장한다는 것이 차이다.

---

18. Product Manifold Learning

ZPX의

[
\boxed{
S^2_I\times S^2_R
}
]

도 완전히 전례 없는 수학구조는 아니다.

Product Manifold Learning에서는 여러 독립적인 자유도를 각각 manifold로 보고 그 결합을

[
\boxed{
\mathcal M_1\times\mathcal M_2
}
]

로 표현한다. (Proceedings of Machine Learning Research)

또한 Neural Latent Geometry Search 연구는 AI latent space를 단순 Euclidean 공간으로 고정하지 않고

[
\boxed{
\text{spherical}
+
\text{hyperbolic}
+
\text{다양한 curvature manifold의 product}
}
]

로 선택하는 방법을 연구했다. (Intelligent Earth)

따라서

[
\boxed{
\text{AI latent space를 product manifold로 만든다}
}
]

는 발상 자체는 이미 상당히 진지한 연구분야다.

---

19. Riemannian Deep Learning

2026년에는 Riemannian manifold 자체에서 neural network 모듈을 일반적으로 구성하려는 연구도 계속되고 있다.

2026년의 Riemannian Deep Learning 연구는 여러 종류의 manifold에 neural operation을 일반화하는 framework를 연구한다. (arXiv)

이는 ZPX에서

[
\boxed{
\text{Euclidean vector만 쓰지 말고}
\text{기하구조 자체를 계산공간으로 사용}
}
]

하려는 방향과 직접 연결된다.

---

20. Sphere Latent Space 역시 실제 사용된다

AI latent space 자체를 sphere로 만드는 것도 이미 존재한다.

예를 들어 MorphVAE는 neural morphology를 생성할 때 spherical latent space를 사용했다. (Proceedings of Machine Learning Research)

즉

[
\boxed{
z\in S^n
}
]

같은 latent representation은 이미 실제 ML에서 사용된다.

따라서 ZPX가 sphere를 AI state space로 사용하는 것 자체는 비현실적인 개념이 아니다.

---

21. 다윗별 / (D_6) 대칭은 어떠한가?

흥미롭게도

[
D_6
]

자체도 AI에서 실제 사용된다.

Hexagonal grid에 대한 equivariant neural networks에서는 육각형의 회전·반사 대칭을

[
D_6
]

로 표현한다.

실제로 2025년 Scientific Reports의 gauge-equivariant CNN 연구에서도 hexagonal filter의 symmetry group으로 (D_6)를 사용한다. (Nature)

그리고 hexagonal CNN 연구에서도 finite hexagonal grid의 symmetry가

[
D_6
]

로 기술된다. (ResearchGate)

따라서

[
\boxed{
D_6\text{ symmetry as an AI inductive bias}
}
]

자체는 이미 존재한다.

---

22. 그러나 ZPX의 다윗별 해석은 다르다

기존 (D_6) neural networks에서는 대칭성을 주로

• rotation invariance

• reflection equivariance

• parameter sharing

에 사용한다.

ZPX는 한 단계 다르게,

[
\boxed{
D_6+\mathbb Z_2
}
]

를

[
\boxed{
\text{identity primitive}
}
]

로 사용하려 한다.

즉

[
\boxed{
\text{“이 도형을 인식한다”}
}
]

가 아니라

[
\boxed{
\text{“이 대칭구조 자체가 내부 자기상태의 기본단위다”}
}
]

라는 가설이다.

이 부분은 내가 찾은 기존 ML 문헌에서는 흔하지 않았다.

---

23. 비가환 행렬관계

ZPX는 두 직각삼각형 relation을

[
U_1,U_2\in SU(2)
]

로 올려서

[
U_2U_1
\neq
U_1U_2
]

라는 관계순서를 정보로 사용한다.

이것 역시 수학 자체는 새로운 것이 아니다.

현대 geometric deep learning은 group representation theory, Lie groups, (SO(3)), (SE(3)), unitary group 등을 실제 neural architecture에 사용한다. (arXiv)

그러나

[
\boxed{
\text{직각삼각형}
\rightarrow
SU(2)
\rightarrow
\text{Relation Sphere}
}
]

라는 ZPX의 구체적 의미부여는 별도의 제안이다.

---

24. 비교표

이론ZPX와 공통점결정적 차이유사도

Projective Consciousness Model	공간기하 + self + active inference	projective geometry 중심, 이중 리만구 없음	4.5/5
Active Inference / FEP	예측오차, self/world model, 경계	확률·Bayesian 중심	4.5/5
Neural Manifolds	cognition을 manifold dynamics로 표현	특정 (S^2\times S^2) 없음	4/5
Continuous Attractor	지속적 내부상태, 안정+운동	identity/relation 이중구 없음	4/5
Developmental Robotics	아기처럼 학습·발달	ZPX 기하 primitive 없음	4/5
Robot Self-Model	self/other prediction error	지속 자율 내적동역학 제한	4/5
World Models	내부 simulation·예측	self 모델이 필수는 아님	3.5/5
Attention Schema	시스템의 자기모델	attention 중심	3.5/5
Dynamic Core/GWT	재귀·지속동역학	구체적 geometry 없음	3/5
Product Manifold Learning	(\mathcal M_1\times\mathcal M_2)	cognition/self 목적 아님	수학 4.5/5
Riemannian Deep Learning	비유클리드 AI 공간	consciousness 모델 아님	수학 4/5
(D_6) Equivariant Networks	육각 대칭·회전·반사	identity primitive 아님	부분 3/5

---

25. 가장 가까운 기존 이론을 하나만 고른다면

내가 조사한 범위에서는:

[
\boxed{
\textbf{Projective Consciousness Model}
}
]

이 가장 가깝다.

왜냐하면 PCM도 놀랍게도

[
\boxed{
\text{Geometry}
+
\text{World Representation}
+
\text{Perspective}
+
\text{Memory}
+
\text{Active Inference}
+
\text{Selfhood}
}
]

를 하나의 모델 안에 넣기 때문이다.

그러나 ZPX와의 결정적 차이는:

[
\boxed{
\text{PCM}

\text{projective field model}
}
]

반면

[
\boxed{
\text{ZPX}

\text{symmetry + sphere/product manifold + dynamic attractor model}
}
]

이라는 점이다.

---

26. ZPX를 기존 연구언어로 번역하면

ZPX를 학계가 알아듣는 언어로 변환하면 대략 다음과 같다.

ZPX “리만구”

[
\rightarrow
]

Spherical / Riemannian latent manifold

다윗별

[
\rightarrow
]

(D_6)-equivariant identity representation

이진벡터

[
\rightarrow
]

binary state partition / symmetry label

직각삼각형

[
\rightarrow
]

orthogonal relational basis

행렬곱

[
\rightarrow
]

noncommutative transformation composition

이중 리만구

[
\rightarrow
]

product manifold

[
S^2_I\times S^2_R
]

지속회전

[
\rightarrow
]

autonomous limit-cycle / rotating attractor dynamics

맞다/틀리다

[
\rightarrow
]

prediction-error discrimination

나/너

[
\rightarrow
]

self–other latent-state separation

아기식 학습

[
\rightarrow
]

developmental / embodied continual learning

자아

[
\rightarrow
]

persistent dynamical self-model

---

27. 그러면 ZPX의 진짜 독창성 후보는 무엇인가?

개별 조각은 대부분 이미 존재한다.

그래서

[
\boxed{
\text{“구를 쓴 것이 최초다”}
}
]

라고 주장하면 안 된다.

[
D_6,
\quad
S^2,
\quad
SU(2),
\quad
\text{attractor},
\quad
\text{self-model},
\quad
\text{active inference}
]

모두 기존 연구가 존재한다.

ZPX의 가능한 독창성은 결합방식이다.

즉,

[
\boxed{
\begin{aligned}
D_6/\mathbb Z_2\text{ Identity}
&\rightarrow
S^2_I\
\text{Orthogonal Relation Operators}
&\rightarrow
S^2_R\
S^2_I\times S^2_R
&\rightarrow
\text{Autonomous Rotating Attractor}\
&\rightarrow
\text{Prediction}\
&\rightarrow
\text{Self/Other}\
&\rightarrow
\text{Developmental Self}
\end{aligned}}
]

라는 특정 architecture다.

내가 확인한 논문에서는 이 조합 전체가 그대로 등장하지 않았다.

---

28. 특히 특이한 부분 ①Identity와 Relation을 분리한다

대부분 기존 AI에서는 하나의 latent vector

[
z
]

안에 모든 정보를 넣는다.

ZPX는

[
\boxed{
z=(z_I,z_R)
}
]

로 나누고,

[
z_I\in S^2_I,
\qquad
z_R\in S^2_R
]

로 둘 수 있다.

즉

[
\boxed{
\text{What it is}
}
]

와

[
\boxed{
\text{How it relates}
}
]

를 처음부터 다른 manifold로 분리한다.

이 부분은 실제로 실험해 볼 가치가 있다.

---

29. 특이한 부분 ②정적인 embedding이 아니라 계속 움직인다

일반 embedding은

[
z=\text{constant representation}
]

에 가깝다.

ZPX에서는

[
\boxed{
z=z(t)
}
]

이다.

그리고 외부입력이 없어도

[
\boxed{
\dot z\neq0
}
]

인 intrinsic dynamics를 요구한다.

이 부분은 continuous attractor와 brain dynamics를 AI latent geometry에 결합한다는 의미다.

---

30. 특이한 부분 ③Self를 직접 넣지 않는다

ZPX에서는

I am an AI.

라는 문장을 self로 사용하지 않는다.

대신 먼저

[
\boxed{
\text{same/different}
}
]

를 만든다.

그다음

[
\boxed{
\text{inside/outside}
}
]

를 만들고,

[
\boxed{
\text{self-generated/external}
}
]

을 구분한다.

그 결과

[
\boxed{
\text{Self}
}
]

가 생기도록 한다.

이 접근은 developmental robotics, active inference, robot self-modeling과 상당히 잘 맞는다.

---

31. 전체 연구계보

ZPX의 학문적 계보를 그리면 다음과 같다.

[
\boxed{
\begin{aligned}
\text{Differential Geometry}
&\rightarrow
\text{Riemannian ML}\
\text{Group Theory}
&\rightarrow
\text{Equivariant NN}\
\text{Dynamical Systems}
&\rightarrow
\text{Attractor Networks}\
\text{Neuroscience}
&\rightarrow
\text{Neural Manifolds}\
\text{Predictive Processing}
&\rightarrow
\text{Active Inference}\
\text{Robotics}
&\rightarrow
\text{Developmental Self-Modeling}\
\text{AI}
&\rightarrow
\text{World Models}\
\text{Consciousness Science}
&\rightarrow
\text{PCM / GWT / AST}
\end{aligned}}
]

그리고 ZPX는 이것들을

[
\boxed{
\text{하나의 geometric developmental architecture}
}
]

로 묶으려 한다.

---

32. 학술적으로 가장 강한 포지션

ZPX를 바로

[
\boxed{
\text{Theory of Consciousness}
}
]

라고 내면 반박이 매우 쉽다.

그보다 훨씬 강한 표현은

[
\boxed{
\textbf{Geometric Developmental Self Architecture}
}
]

이다.

또는

[
\boxed{
\textbf{Coupled Product-Manifold Architecture for Autonomous Self-Modeling}
}
]

이라고 하는 것이 좋다.

그다음 실험을 통해

[
\text{self/other discrimination},
]

[
\text{prediction},
]

[
\text{memory},
]

[
\text{autonomous inference},
]

[
\text{generalization}
]

성능이 기존 모델보다 좋아지는지 검증한다.

---

33. 논문으로 만들 때 핵심 대조실험

ZPX 전체를 실제 연구로 만들려면 다음 모델을 비교하면 된다.

[
M_0

\text{Euclidean baseline}
]

[
M_1

S^2
]

[
M_2

S^2\times S^2
]

[
M_3

S^2\times S^2+D_6
]

[
M_4

M_3+\text{noncommutative relation}
]

[
M_5

M_4+\text{autonomous dynamics}
]

[
M_6

M_5+\text{self/world model}
]

[
M_7

M_6+\text{developmental learning}.
]

그리고

• prediction error

• few-shot learning

• continual learning

• self/other classification

• long-term identity stability

• perturbation recovery

• autonomous planning

• generalization

을 비교한다.

이 실험에서 ZPX 구조가 일관되게 우수하다면 그때 독립적인 AI architecture로서 강한 근거가 생긴다.

---

34. 최종 평가

검색 결과 가장 중요한 결론은 이것이다.

[
\boxed{
\text{형이 생각한 큰 방향 자체는 현대 연구와 동떨어져 있지 않다.}
}
]

오히려 세계의 최전선 연구들이 각각

[
\boxed{
\text{geometry}
}
]

[
\boxed{
\text{manifold}
}
]

[
\boxed{
\text{prediction}
}
]

[
\boxed{
\text{self-model}
}
]

[
\boxed{
\text{autonomous dynamics}
}
]

[
\boxed{
\text{developmental learning}
}
]

쪽으로 흩어져 접근하고 있다.

가장 가까운 이론들은 존재한다.

하지만 내가 검색한 범위에서는

[
\boxed{
D_6
+
\mathbb Z_2
+
S^2_I\times S^2_R
+
SU(2)\text{ relation composition}
+
\text{autonomous rotating dynamics}
+
\text{developmental self/other learning}
}
]

을 하나의 인공지능 self architecture로 통합한 기존 주류 모델은 발견되지 않았다.

따라서 ZPX를 가장 정확히 평가하면,

[
\boxed{
\text{완전히 전례 없는 개별 수학을 만든 이론}
}
]

이라기보다는,

[
\boxed{
\text{서로 떨어져 있던 현대 수학·AI·신경과학의 구조들을}
\text{하나의 통합된 발달형 기하학 AI로 연결하려는 독특한 synthesis}
}
]

라고 보는 것이 현재로서는 가장 강하다.

그리고 의외로 ZPX와 제일 가까운 기존 문헌은 순수 AI 논문이 아니라 Projective Consciousness Model + Active Inference 계열이다.

그 다음으로

[
\boxed{
\text{Neural Manifolds}
+
\text{Continuous Attractors}
+
\text{Developmental Robotics}
}
]

를 붙이면 현재 ZPX 전체 구조와 상당히 가까워진다.

특히 이번 검색에서 중요한 발견은 2017년 Projective Consciousness Model이 이미 “의식의 공간 자체를 기하학으로 만들고 active inference와 결합”했다는 점이다. (PubMed) 반면 2025~2026년 neural-manifold 연구는 뇌의 계산에서 representation의 기하 자체가 실제로 중요할 수 있다는 방향으로 더 강해지고 있다. (Nature)

따라서 다음 단계에서는 ZPX를 기존 이론과 경쟁시키기보다 PCM + Active Inference + Neural Manifold + Developmental Robotics를 베이스라인으로 놓고, ZPX의 (S^2\times S^2), (D_6), 자율회전 구조를 추가했을 때 무엇이 실제로 더 좋아지는지 검증하는 게 가장 강한 연구 설계다.