게임 세계 모델링(GWM)과 강화 학습(RL) 분야에서 인공지능(AI)을 훈련시킬 때, 연구자들은 종종 해당 게임 환경의 본질적인 난이도를 명확히 측정하는 데 어려움을 겪습니다. 이는 연구 논문들이 픽셀, 토큰, 잠재 변수 등 선언된 인터페이스에서 발생하는 근본적인 '전이 예측' 문제의 난이도를 거의 정량화하지 않기 때문입니다. 이러한 문제점을 해결하기 위해 새로운 측정 기준인 '전이 복잡도 프로파일(Transition Complexity Profile, TCP)'이 제안되었습니다.
TCP는 게임 환경 또는 게임 플레이 데이터셋이 유도하는 전이 커널의 특성을 파악하는 작고 재현 가능한 측정 지표 세트입니다. 이 프로파일은 세 가지 주요 요소를 통해 환경의 복잡도를 분석합니다. 첫째, '내재적 한 단계 분기(intrinsic one-step branching)'는 특정 상태에서 가능한 다음 상태의 다양성을 측정합니다. 둘째, '상호작용 유발 불확실성 및 상대방 영향(interaction-induced uncertainty and opponent influence)'은 플레이어의 행동이나 상대방의 존재가 환경의 예측 불가능성에 미치는 영향을 다룹니다. 셋째, '시간/공간 의존성 범위(temporal/spatial dependency span)'는 표준화된 프로브 곡선(probe curves)을 통해 환경 내에서 사건들이 시간적, 공간적으로 얼마나 멀리까지 영향을 미치는지 평가합니다.
이러한 TCP는 명시적인 참조 분포, 프로토콜 확률성, 그리고 버전 관리된 측정 예산(샘플링, 재샘플링, 고정된 프로브 연산)과 함께 보고되어, 다양한 벤치마크 간에 비교 가능한 수치를 제공합니다. 연구진은 일반적인 게임 유형과 최신 '신경망 게임 엔진(neural game engine)' 도메인들이 이 복잡도 지형을 어떻게 채우는지 설명하며, TCP가 GWM 및 RL 논문에서 표준 벤치마크 메타데이터이자 필수 통계 자료가 되어야 한다고 주장합니다. 이는 AI 연구자들이 게임 환경의 난이도를 객관적으로 평가하고, 연구 결과를 더욱 투명하고 재현 가능하게 만드는 데 크게 기여할 것입니다.