집단지능을 통한 재귀적 자기개선

(news.hada.io)

Sakana AI가 발표한 MASS 기술은 모델이 실행자, 최적화기, 평가자 역할을 수행하며 스스로 워크플로를 개선하고 재학습하는 재귀적 자기개선 방식으로, 적은 데이터로도 모델의 연구 및 문제 해결 능력을 비약적으로 높일 수 있음을 증명했습니다.

이 글의 핵심 포인트

1MASS는 모델이 실행자, 최적화기, 평가자 역할을 동시에 수행하며 워크플로를 개선하고 스스로를 재학습하는 방식임
2Qwen3.6-27B 모델에 적용 시, 학습에 사용되지 않은 연구 과제에서 기본 모델 대비 승률이 69.9%까지 상승함
3다중 에이전트 실행 기록을 활용함으로써 단일 에이전트 방식보다 31% 적은 지도학습 토큰으로 더 높은 성과를 달성함
4워크플로 최적화 과정에서 모델은 '역할'이나 '지시'보다 '계약'과 '호출 순서'를 통해 정보 흐름을 최적화하는 경향을 보임
5동일 모델이 생성과 평가를 모두 맡을 경우 발생하는 '공유된 맹점' 문제를 해결하기 위한 외부 감독의 필요성이 제기됨

이 글에 대한 공공지능 분석

왜 중요한가?

모델의 성능 향상을 위해 막대한 양의 외부 데이터나 인간의 레이블링에 의존하는 대신, 모델 스스로가 생성한 고품질의 실행 궤적을 통해 자가 발전할 수 있는 새로운 패러다임을 제시했기 때문입니다.

어떤 배경과 맥락이 있나?

기존의 LLM 발전은 대규모 데이터셋과 인간 피드백(RLHF)에 의존해 왔으나, 데이터 고갈 문제와 비용 상승이 한계로 지적되면서 모델 스스로 지식을 확장하는 재귀적 자기개선(RSI) 기술이 주목받고 있습니다.

업계에 어떤 영향을 주나?

에이전트 기반 워크플로 최적화가 가능해짐에 따라, 단순한 챗봇을 넘어 복잡한 연구나 금융 분석 등 전문적인 태스크를 수행하는 '자율형 에이전트' 개발의 효율성이 극대화될 것입니다.

한국 시장에 어떤 시사점이 있나?

고비용의 GPU 자원과 데이터 확보가 어려운 국내 스타트업들에게, 적은 데이터로도 모델의 전문성을 높일 수 있는 이 기술은 특정 도메인 특화 모델(sLLM) 고도화의 핵심 전략이 될 수 있습니다.

이 글에 대한 큐레이터 의견

MASS는 데이터 효율성 측면에서 혁신적인 돌파구를 보여줍니다. 특히 다중 에이전트의 협업 기록이 단일 에이전트보다 더 밀도 높은 학습 신호를 제공한다는 발견은, 앞으로의 에이전트 설계가 단순한 '지능'의 크기가 아니라 '협업 구조'의 최적화에 집중되어야 함을 시사합니다. 이는 자원이 한정된 스타트업이 특정 도메인에서 강력한 성능을 내는 에이전트 시스템을 구축할 수 있는 중요한 힌트입니다.

하지만 '자기 평가의 맹점'이라는 치명적인 리스크를 간과해서는 안 됩니다. 동일한 모델이 실행과 평가를 모두 담당할 경우, 모델의 오류가 학습 데이터에 그대로 반영되는 '자기 강화적 편향'이 발생할 수 있습니다. 따라서 기술적 구현만큼이나, 모델의 논리적 오류를 교정할 수 있는 외부 검토 메커니즘이나 이질적인 감독자(Supervisor)를 어떻게 효율적으로 결합할지가 상용화의 성패를 가를 것입니다. 또한, 추론 시 발생하는 토큰 비용 증가(약 2.4배)는 서비스 운영 비용(OPEX) 측면에서 반드시 해결해야 할 트레이드오프 과제입니다.

원문 보기 →