인간 도움 없이 지들끼리 협업하고 평가해서 똑똑해지는 AI 기술 등장

요약 인공지능 모델이 인류가 축적한 지식의 한계를 넘어설수록, 인간 전문가조차 AI의 연구 결과물을 검증하고 추가 연구 방향을 지도하기가 점점 어려워지고 있습니다. 특히 규칙 기반으로 정답 여부를 판별할 수 없는 복잡한 연구 과제는 아이디어를 제안하는 것보다 이를 실험하고 검증하는 데 훨씬 많은 시간과 자원이 소모됩니다. 이에 따라 모델 스스로가 개선의 대상이자 최적화기, 평가자 역할을 겸하는 '동질적 재귀 자가 개선(Homogeneous RSI)'의 필요성이 대두되었습니다. 사카나 AI(Sakana AI)와 UC 버클리 연구진은 인류가 분업과 협력, 지식 전수를 통해 지적 역량을 확장해 온 역사에서 착안해 '다중 에이전트 자가 지도(MASS)' 프레임워크를 제시했습니다. MASS에서는 하나의 공유 언어 모델이 작업 해결사(에이전트), 워크플로 최적화기, 평가자의 3가지 역할을 모두 수행합니다. 에이전트가 연구 결과와 보고서를 작성하면, 평가자가 결과물을 비교 판정하고, 최적화기는 이 피드백을 바탕으로 에이전트 간 업무 분담과 검토 방식을 개선합니다. 이 시스템은 내부 루프에서 모델 가중치를 고정한 채 최선의 팀 협업 워크플로를 탐색하고, 외부 루프에서는 최적의 팀이 도출해 낸 성과물을 다시 공유 모델에 증류·학습시키는 방식으로 작동합니다. 연구진은 정답 규칙이 주어지지 않은 비검증 연구 과제를 통해 테스트를 진행했으며, 외부 독립 평가자인 GPT-5.5와 Claude Opus 4.8을 활용해 성능을 측정한 결과 기존 베이스 모델 대비 출력 토큰당 점수가 유의미하게 향상되었음을 입증했습니다.