KAIST 전산학부 안성진 교수 연구팀이 관측된 데이터만으로 세계의 작동 원리를 스스로 찾아내는 새로운 AI 학습 패러다임을 제시했다. 이 팀은 ‘학습을 통한 이론화(Learning-to-Theorize, L2T)’라는 방법을 도입해, 변화 전후의 상황만을 보여줘도 AI가 그 뒤에 숨은 인과 관계를 추론할 수 있는 월드모델을 구현했다고 밝혔다. 기존의 예측 중심 모델과 달리, L2T는 현상을 설명하는 원리 자체를 모델 내부에 내재화하는 것을 목표로 한다.

이론화 학습(L2T)의 핵심 아이디어

연구팀은 에이전트가 환경에서 관찰한 상태 전이만을 입력으로 받아, 단순히 다음 상태를 예측하는 것을 넘어 해당 전이가 왜 발생했는지에 대한 근본 원리를 도출하도록 학습시킨다. 이를 위해 인과 구조를 암시하는 잠재 변수를 도입하고, 관측 데이터와 이론적 설명 사이의 일관성을 최대화하는 손실 함수를 설계했다. 실험에서는 간단한 블록 쌓기 환경과 시뮬레이션된 로봇 팔 작업에서, L2T가 인간 수준의 원리 설명을 생성하며 향후 행동을 더 정확하게 예측하는 모습을 보였다.

실험 결과 및 성능 평가

연구팀은 기준이 되는 기존 월드모델(예: 순환 신경망 기반 예측 모델)과 L2T를 동일한 환경에서 비교했다. 결과적으로 L2T는 예측 정확도에서 비슷하거나 약간 향상된 수준을 보였으나, ‘왜 그런가’를 설명하는 이론 생성 작업에서 기존 모델보다 40% 이상 높은 점수를 받았다. 또한, 학습에 필요한 데이터 양이 적어 효율성이 뛰어나며, 새로운 작업으로의 전이 학습 능력도 향상된 것으로 나타났다.

왜 중요한가

이번 연구는 AI가 단순히 패턴을 예측하는 수준을 넘어, 과학자가 가설을 세우듯 세계의 법칙을 스스로 발견할 수 있는 길을 열었다는 점에서 주목된다. 향후 자율주행, 산업 로봇, 과학 탐사 등 복잡한 의사결정이 필요한 분야에서 AI가 상황을 이해하고 대응 rationale를 제시할 수 있다면, 시스템의 신뢰성과 안전성을 높일 수 있다. 또한, 이론화 학습은 데이터 효율성을 높여 레이블이 scarce한 실제 환경에서의 적용 가능성을 확대할 것으로 기대된다.

#KAIST#안성진#월드모델#Learning-to-Theorize#AI 연구

출처: 인공지능신문 · 이 기사는 오픈 기자가 원문 보도를 참고해 재구성했습니다.