MIT·사카나, 자가 진화 AI 에이전트 'SIFT' 발표...'검증 비용 병목' 해결

최근 MIT와 사카나 AI 연구팀이 발표한 새로운 프레임워크 'SIFT(Recursive Self-Improvement via Fast Tree Search)'가 자가 진화 AI 에이전트의 효율성을 크게 향상시킬 가능성을 보여주고 있습니다. 이 기술은 AI가 스스로 문제 해결 방식을 개선할 수 있도록 하고, 기존에 존재하던 '검증 비용 병목' 문제를 해결하는 데 중점을 두고 개발되었습니다. AI 기술이 발전함에 따라, 그 성능을 높이기 위한 다양한 연구가 진행되고 있지만, 수많은 변종 후보를 검증하는 데 드는 시간과 비용은 여전히 큰 장벽으로 작용해 왔습니다.

SIFT의 혁신적 접근 방식

SIFT는 AI 에이전트가 자신의 지침, 도구 및 코드를 수정하여 더 나은 성능을 발휘하도록 지원하는 구조를 갖추고 있습니다. 전통적인 방법에서는 각 후보 에이전트를 여러 코딩 과제에 투입하여 직접 성능을 측정해야 했고, 이는 수천 시간의 CPU 시간과 높은 비용을 초래했습니다. 그러나 SIFT는 ‘비대칭 비용 구조’ 개념을 도입하여, 새로운 에이전트는 기존 에이전트와 비교 평가를 통해 신속하게 유망한 변경 사항을 선별할 수 있습니다. 이 과정에서 발생하는 비교 비용이 상대적으로 저렴하기 때문에, 전체적인 검증 비용을 획기적으로 줄일 수 있습니다.

SIFT의 작동 방식은 기본적으로 새로운 코딩 모델이 생성될 때, 기존 모델과의 비교를 통해 성능을 평가하는 형태입니다. AI는 먼저 간단한 과제를 통해 초기 검사를 수행한 후, 상위 후보들과 비교하여 상대 순위를 매깁니다. 이후에야 실제 벤치마크 평가를 진행하는 방식으로, 이로 인해 대규모 평가를 시작하기 전에 문제점을 빠르게 식별할 수 있습니다.

AI의 자가 개선, 실제 사례

흥미로운 점은 SIFT가 실제로 AI 에이전트가 새로운 도구를 고안해내는 과정을 목격하게 했다는 것입니다. 한 후보 에이전트는 코드 수정을 통해 'test_runner'라는 도구를 추가하고, 이를 바탕으로 더 복잡한 기능을 가진 후속 버전을 만들어냈습니다. 두 버전의 성능은 초기 테스트에서 비슷한 결과를 보였지만, 전체 벤치마크에서는 심사자가 높은 평가를 한 간단한 버전이 더 나은 성과를 기록했습니다. 이러한 사례는 SIFT의 평가 방식이 단순히 성능을 수치적으로 측정하는 것에 그치지 않고, AI 에이전트의 창의성을 유도하는 데도 기여할 수 있음을 보여줍니다.

SIFT의 비동기 트리 탐색 파이프라인은 새로운 후보 생성과 벤치마크 평가를 동시에 진행할 수 있도록 설계되었습니다. 이로 인해 시간적 효율성을 극대화하며, 여러 갈래의 탐색 트리를 동시에 확장할 수 있습니다. 연구진의 실험 결과에 따르면, SIFT는 기존 AI 모델보다 더 적은 CPU 시간을 사용하면서도 유사하거나 더 나은 성능을 보여준 것으로 나타났습니다.

향후 전망

MIT와 사카나의 SIFT 기술은 AI 에이전트의 자가 진화 가능성을 크게 높이는 데 기여할 것으로 기대됩니다. 기존의 검증 비용 문제를 해결함으로써, AI 기술의 실용화에 한 걸음 더 가까워진 것입니다. SIFT는 앞으로 다양한 분야에서의 활용 가능성을 열어주며, AI가 스스로 더욱 창의적인 솔루션을 제시할 수 있는 기반을 마련할 것입니다. 이러한 혁신이 AI의 진화에 미치는 영향은 실로 크며, 앞으로의 연구 결과가 더욱 기대되는 시점입니다.