구글, AI 문제 해결에 ‘재귀적 자기개선’ 도입...탐색 비용 162배 절감

구글이 최근 발표한 새로운 인공지능(AI) 기술은 탐색 비용을 대폭 줄이는 혁신적인 방법을 제시하고 있습니다. 이 기술은 재귀적 자기개선(RSI, Recursive Self-Improvement)이라는 접근 방식을 통해 AI 에이전트가 더 효율적으로 문제를 해결할 수 있도록 돕습니다. 구글은 17일(현지시간) 드림-RSI(Dream-RSI)라는 시스템을 공개하며, 과거의 탐색 기록을 활용해 새로운 탐색 전략을 평가하는 방식을 선보였습니다.

드림-RSI의 작동 원리

드림-RSI는 세 가지 핵심 단계로 구성된 재귀적 자기개선 루프를 통해 작동합니다. 먼저, AI 에이전트는 탐색 정책에 따라 실제 문제를 해결하면서 ‘발견 트리(Discovery Tree)’라는 구조에 결과를 기록합니다. 이 발견 트리는 에이전트가 이전에 내린 모든 결정과 실제 실행 결과를 저장하여, 향후 탐색 시 소중한 데이터를 제공합니다.

이후 AI는 과거의 발견 트리를 기반으로 여러 대안 정책을 생성하고, 이들 정책의 성능을 비교합니다. 기존의 방법과 달리, 드림-RSI는 새로운 탐색 전략을 평가하기 위해 매번 코드를 다시 실행할 필요가 없습니다. 과거의 탐색 기록을 활용해 가상의 시뮬레이션을 통해 직접적인 실행 없이도 다양한 전략을 테스트할 수 있는 것입니다. 이 과정을 통해 가장 효과적인 정책은 다시 실제 환경으로 반영되어, 그 결과는 새로운 발견 트리를 생성하는 데 기여합니다.

성과와 효율성

구글의 연구팀은 드림-RSI를 알고리즘 엔지니어링부터 GPU 커널 엔지니어링까지 다양한 탐색 과제에 적용하여 그 성능을 평가했습니다. 실험 결과, 드림-RSI는 기존의 고정 탐색 방식과 비교해 문제 해결 성과는 비슷하거나 더 나은 결과를 내면서도, 탐색에 소요되는 연산량과 에이전트 호출을 크게 줄였습니다. 특히, 기존의 심플TES 방식과 비교한 결과는 놀라웠습니다. 최대 162배 적은 호출로도 비슷한 성과를 이뤄냈습니다.

예를 들어, 라쏘(Lasso) 탐색 실험에서는 ‘제미나이-3.1-프로’ 모델을 사용할 때 평균 실행 시간이 3587.1밀리초에서 2931.0밀리초로 감소했고, 탐색 에이전트 호출 수는 550회에서 317회로 줄어드는 성과를 보였습니다. 이러한 효율성은 AI의 문제 해결 과정의 속도와 품질을 동시에 향상시키는 중요한 요소로 작용합니다.

미래의 가능성

드림-RSI의 도입은 AI 기술의 발전에 있어 중요한 전환점을 의미합니다. 기존 방식이 과거 경험에 기초해 단순히 새로운 탐색 정책을 학습하는 것에 그쳤다면, 드림-RSI는 이 경험을 실질적인 시뮬레이션 환경으로 활용함으로써 AI의 문제 해결 능력을 획기적으로 향상시켰습니다. 연구진은 “히스토리는 꿈꿀 수 있는 세계”라며, 발견 트리가 AI의 탐색 공간을 더욱 넓힐 수 있는 기회를 제공한다고 강조했습니다.

앞으로 드림-RSI와 같은 혁신적인 기술이 AI의 다양한 분야에 적용되면서, 보다 효율적이고 스마트한 문제 해결이 가능해질 것입니다. 이 기술이 실제 산업에 어떻게 활용될지, 그리고 AI가 인간의 사고 과정을 보완하는 데 어떤 역할을 할지 기대되는 시점입니다. 이로 인해 AI 분야의 연구는 물론, 실제 적용 가능성에서도 큰 진전을 이룰 것으로 보입니다.