보편적 귀납을 위한 솔로몬오프 유도론

논문은 인간의 추론 능력을 두 축, 연역과 귀납으로 구분하고, 특히 불완전한 관측으로부터 최선의 결론을 도출하려는 귀납적 추론에 초점을 맞춘다. 역사적 고찰에서는 에피쿠로스의 다중설명 원리, 옥캄의 면도날, 그리고 흄의 귀납 문제를 소개하며, 이들이 베이즈주의와 라플라스의 성공률 법칙으로 이어지는 과정을 서술한다. 라플라스와 베이즈는 사전 확률과 사후 확률을 명시적으로 다루어 귀납을 정량화했지만, 여전히 확인 문제와 검은 까마귀 역설 같은 논리적 모순에 직면했다. 솔로몬오프는 이러한 한계를 극복하기 위해 모든 가능한 가설을 튜링 기계 프로그램으로 모델링하고, 프로그램 길이에 비례하는 사전 확률을 할당한다. 이 사전은 콜모고로프 복잡도 K(x)와 동일하게 정의되며, 짧은 프로그램이 높은 사전 확률을 갖는다는 옥캄의 원리를 자연스럽게 구현한다. 베이즈 혼합을 적용하면, 무한히 많은 가설을 포함하는 경우에도 예측 분포가 수렴하고, ‘보편적 예측기’는 최적의 예측을 제공한다. 논문은 특히 다음 세 가지 핵심 문제를 상세히 분석한다. 첫째, 검은 까마귀 역설에서 ‘검은 까마귀가 아닌 것’을 관측함으로써 가설이 강화되는 현상을, 솔로몬오프 사전이 전체 가설 공간을 균등하게 가중함으로써 해결한다. 둘째, 오래된 증거와 새로운 가설 사이의 상호작용을 다루며, 보편적 사전이 기존 증거를 무시하지 않고 새로운 가설을 적절히 평가한다는 점을 보인다. 셋째, 확인 문제 자체가 확률 공리와 베이즈 업데이트만으로는 충분히 설명되지 않으며, 알고리즘적 복잡도라는 추가적인 구조적 기준이 필요함을 강조한다. 기술적 측면에서는 솔로몬오프 귀납이 튜링 기계에 의존해 계산적으로 비결정적이며, 실제 적용이 불가능하다는 한계를 인정한다. 이를 보완하기 위해 최소 설명 길이 원칙(MDL), 자원 제한 복잡도, 컨텍스트 트리 가중치 등 다양한 근사 기법을 제시한다. 또한, 이러한 근사 방법이 실제 머신러닝, 데이터 압축, 그리고 보편적 인공지능 모델인 AIXI와 어떻게 연결되는지를 논의한다. 마지막 장에서는 보편적 사전 선택의 주관성, 튜링 기계 선택에 따른 결과 변동, 그리고 장점·단점을 종합적으로 평가한다. 전체적으로 논문은 솔로몬오프 귀납이 철학적 일관성, 수학적 엄밀성, 그리고 실용적 응용 가능성을 모두 포괄하는 유일한 보편적 귀납 체계임을 주장하며, 앞으로의 연구 방향으로 계산 가능성 향상과 다양한 도메인 적용을 제시한다.