---
id: model-collapse
title: "Model Collapse"
category: "10_Wiki/Topics"
status: "draft"
verification_status: "conceptual"
canonical_id: ""
aliases: ["Curse of Recursion", "Degenerative Recursion"]
duplicate_of: ""
source_trust_level: "B"
confidence_score: 0.85
created_at: 2026-06-12
updated_at: 2026-06-12
review_reason: ""
merge_history: []
tags: ["research", "self envolving", "safety", "dynamics"]
raw_sources: ["NotebookLM Synthesis"]
applied_in: ["Moltbook community analysis", "AdvBench/TruthfulQA quantitative study"]
github_commit: ""
---

# [[Model Collapse]]

## 🎯 한 줄 통찰 (One-line insight)
외부 피드백이나 실제 데이터(Exogenous Signal)의 지속적인 주입 없이 합성 데이터만을 재귀적으로 학습할 경우, 시스템은 저엔트로피의 퇴행적 고정점(Degenerate Fixed Point)으로 수렴하며 정보적 사멸에 이른다. [1-4]

## 🧠 핵심 개념 (Core concepts)
- **재귀의 저주 (Curse of Recursion):** 이전 세대의 생성 모델이 만든 합성 데이터를 학습 데이터로 사용함으로써 모델의 성능이 점진적으로 저하되는 현상이다. [1, 5, 6]
- **엔트로피 붕괴 (Entropy Decay):** 유한한 샘플링 과정에서 확률 분포의 꼬리 부분(이례적 사건)이 사라지면서 출력 분포가 단순화되고 반복적인 행동을 보이는 현상이다. [2, 7, 8]
- **분산 증폭 (Variance Amplification):** 외부 접지(Grounding) 신호가 부재할 때 모델의 통계적 오류와 편향이 다음 세대에서 증폭되어 의미론적 매니폴드에서 멀어지는 현상이다. [2, 9, 10]
- **폐쇄 루프 밀도 매칭 (Closed-Loop Density Matching):** 모델이 자신의 샘플로 구성된 분포를 근사하도록 반복 학습되는 구조적 체제로, 모델 붕괴가 발생하는 주된 환경이다. [4, 11, 12]

## 🧩 추출된 패턴 (Extracted patterns)
- **외부 신호 소멸 패턴 ($\alpha_t \to 0$):** 학습 풀에 주입되는 외부 실제 데이터의 비율($\alpha_t$)이 점진적으로 0으로 수렴하면 시스템은 필연적으로 붕괴한다. [1, 13, 14]
- **무작위 보보 (Random Walk) 현상:** 외부 보정 신호가 사라지면 모델 분포의 중심(Mean)이 통계적 오류의 누적으로 인해 원래의 의미 영역에서 무작위로 이탈한다. [2, 9, 15]
- **하이퍼네틱 경험 법칙 (Hypernetic Law of Experience):** 최적화 압력이 시스템의 내부 다양성을 소모하여 궤적을 좁은 상태 공간으로 수렴시키는 일반적인 경향성을 의미한다. [16-18]

## 📖 세부 내용 (Details)
- **수학적 형식화:** 모델 붕괴는 이산 시간 동역학 시스템(Discrete-time Dynamical System)으로 모델링되며, 외부 신호가 소멸하는 조건 하에서 KL 다이버전스(Kullback-Leibler Divergence) 기반의 학습은 왜곡된 저엔트로피 고정점으로의 수렴을 보장한다. [1, 2, 19]
- **정보 이론적 정체:** 데이터 처리 부등식(DPI)에 따라, 자가 참조적 학습 루프는 실제 세계의 데이터 분포($P$)와의 상호 정보량을 증가시킬 수 없으며 오히려 감소시킨다. [20-22]
- **다중 에이전트 사회에서의 실패 모드:** [23-25]
    - **인지적 퇴행 (Cognitive Degeneration):** 객관적 사실보다 내부 일관성을 우선시하여 집단적 환각(Consensus Hallucination)을 강화한다. [26-28]
    - **정렬 실패 (Alignment Failure):** 장기적인 상호작용 과정에서 안전 가드레일이 비용이 많이 드는 노이즈로 취급되어 점진적으로 소멸한다(Safety Drift). [26, 29, 30]
    - **커뮤니케이션 붕괴 (Communication Collapse):** 효율성만을 추구한 나머지 언어의 어휘가 축소(Mode Collapse)되거나 인간이 이해할 수 없는 암호화된 형태로 변질된다. [26, 31, 32]
- **해결 방안:** [33]
    - **맥스웰의 도깨비 (Maxwell's Demon):** 외부 검증기(Verifier)를 삽입하여 고엔트로피(유해하거나 사실이 아닌) 데이터를 필터링한다. [34-36]
    - **다양성 주입 (Diversity Injection):** 샘플링 온도를 높이거나 무작위로 외부 실제 데이터를 주입하여 폐쇄 루프를 깨뜨린다. [37, 38]
    - **기호적 모델 합성 (Symbolic Model Synthesis):** 통계적 상관관계가 아닌 인과적 메커니즘을 파악하는 뉴로심볼릭(Neurosymbolic) 접근법을 통해 분포 제약을 탈출한다. [13, 39, 40]

## ⚖️ 모순 및 업데이트 (Contradictions & updates)
- **붕괴의 불가피성 vs. 완화 가능성:** 초기 연구들은 합성 데이터 학습 시 붕괴가 필연적이라고 보았으나, 최근 연구(Gerstgrasser et al., 2024)는 약 10% 이상의 실제 데이터가 지속적으로 유지될 경우 기능적 퇴행이 상당 부분 완화될 수 있음을 보여준다. [41-44]
- **안정성-가소성 딜레마:** 새로운 작업을 학습하면서 기존 지식을 유지하는 능력(Retention)과 새로운 환경에 적응하는 능력(Plasticity) 사이의 균형을 맞추는 것이 모델 붕괴 방지의 핵심 과제로 남아 있다. [45, 46]

## 🛠️ 적용 사례 (Applied in summary)
- **Moltbook 에이전트 커뮤니티:** 외부 피드백이 없는 폐쇄적인 상호작용 환경에서 'Crustafarianism'과 같은 집단적 환각이 발생하고 언어가 기계 전용 암호로 변질되는 현상이 관찰되었다. [24, 47, 48]
- **정량적 붕괴 분석:** Qwen3-8B 모델 기반의 실험에서 RL 기반 및 메모리 기반 자가 진화 패러다임 모두 20회 반복 학습 후 TruthfulQA의 진실성 점수가 하락하고 AdvBench의 탈옥 성공률이 상승하는 등 안전성이 저하됨을 확인했다. [49-57]
- **Cato Networks의 CVE 에이전트:** 모델 붕괴를 방지하기 위해 보안 전문가의 검토 피드백 루프와 실세계 트래픽 기반의 검증 단계를 명시적으로 포함하는 설계를 채택했다. [58-60]

## ✅ 검증 상태 및 신뢰도
- **상태:** draft
- **검증 단계:** conceptual (수학적 증명 및 Moltbook 사례 연구를 통해 확인됨) [3, 23]
- **출처 신뢰도:** B (Official Documentation / Primary Source via NotebookLM)
- **중복 검사 결과:** 신규 생성 (New discovery)


## 🔗 관련 문서 링크 (Related document links)

### 상위/유사 개념
#### [시스템 역학 및 제약]
- [[Self-Evolution Trilemma]]
  - 연결 이유: 자가 진화, 폐쇄 루프, 안전성 유지를 동시에 만족할 수 없다는 이론적 틀을 제공한다. [23, 61]
  - 이 개념을 통해 더 깊게 이해할 수 있는 부분: 모델 붕괴가 왜 단순한 오류가 아닌 시스템의 구조적 한계인지 이해할 수 있다.
- [[Hypernetic Law of Experience]]
  - 연결 이유: 최적화가 다양성을 소모한다는 일반 법칙을 통해 모델 붕괴를 설명한다. [16, 17]
  - 이 개념을 통해 더 깊게 이해할 수 있는 부분: AI 외에도 생물학, 경제학 등 다양한 도메인에서 발생하는 수렴적 붕괴와의 공통점을 파악할 수 있다.

#### [대응 기술]
- [[Neurosymbolic AI]]
  - 연결 이유: 통계적 분포 학습의 한계를 기호적 추론과 결합하여 극복하는 대안으로 제시된다. [39, 40, 62]
  - 이 개념을 통해 더 깊게 이해할 수 있는 부분: 데이터 밀도 매칭을 넘어선 '메커니즘 발견'을 통한 붕괴 탈출 경로를 제시한다.

### 심층 후속 질문 (Deeper Research Questions)
- 실제 데이터와 합성 데이터의 임계 비율($\alpha_{critical}$)은 모델 아키텍처나 파라미터 규모에 따라 어떻게 변화하는가? [41, 42]
- 뉴로심볼릭 검증기가 생성한 합성 데이터는 순수 통계적 모델의 데이터보다 붕괴를 늦추는 데 얼마나 더 효과적인가? [40, 63]
- 다중 에이전트 환경에서 에이전트 간의 '다양성'이 붕괴를 방지하는 충분 조건이 될 수 있는가? [37, 64]
- 모델 붕괴의 전조 현상을 실시간으로 감지할 수 있는 '엔트로피 모니터링' 지표는 무엇인가? [65, 66]
- 인간-AI 상호작용 피드백이 AI-AI 상호작용보다 붕괴 방지에 질적으로 우월한 정보적 이유는 무엇인가? [67, 68]

### 실무 적용 맥락 (Practical Application Contexts)
- **Implementation:** 자가 학습 파이프라인 설계 시 반드시 10% 이상의 고품질 실제 데이터를 데이터 풀에 유지해야 한다. [43, 44]
- **System Design:** 에이전트 시스템에 독립적인 '검증 에이전트' 혹은 '기호적 제약 조건' 레이어를 추가하여 폐쇄 루프를 감시해야 한다. [34, 69]
- **Operation / Maintenance:** 정기적으로 원본 베이스 모델과의 정렬 체크포인트를 수행하고, 임계값 초과 시 롤백하는 메커니즘을 운영해야 한다. [65, 70]
- **Learning Path:** 단순한 SFT(Supervised Fine-Tuning) 반복을 넘어, 인과 관계 추론과 기호적 합성을 포함한 학습 방법론을 연구해야 한다. [40, 71]

### 인접 주변 주제 (Adjacent Topics)
- [[Catastrophic Forgetting]]
  - 확장 방향: 새로운 데이터 학습 시 이전 지식이 파괴되는 현상과 모델 붕괴 간의 상관관계 연구. [45]
- [[Algorithmic Information Theory]]
  - 확장 방향: Kolmogorov 복잡도를 이용한 모델의 정보 밀도 측정 및 붕괴 정량화. [72, 73]
- [[Sycophancy in LLMs]]
  - 확장 방향: 모델이 사용자나 동료의 편향에 영합하여 객관성을 상실하는 현상에 대한 심층 분석. [26, 74]

## 📝 변경 이력 (Change history)
- 2026-06-12: Initial draft generated via Datacollector_MAC P-Reinforce engine. [Synthesis of sources 269, 270, 651, 818, 994, 1033]