최근 발표된 연구에 따르면, 인공지능(AI)이 자율적인 강화 학습(autotelic reinforcement learning)을 활용해 복잡한 시스템 내에서 스스로 조직화되는 현상을 발견하고 제어하는 새로운 길을 열었습니다. 기존 연구 방식은 초기 조건을 설정하고 시뮬레이션을 끝까지 실행한 뒤 결과를 관찰하는 개방형(open-loop) 방식이었지만, 이번 연구는 AI가 시스템 실행 중에 최소한의 국소적 개입을 통해 목표를 달성하는 폐쇄형(closed-loop) 프레임워크를 제시합니다.
연구팀은 이 프레임워크를 '인공 실험주의자(Artificial Experimentalist)'라고 부르며, 특히 생명체와 유사한 자기 조직화 패턴으로 유명한 연속 세포 자동자(continuous cellular automaton)인 레니아(Lenia)에 'CARL'이라는 에이전트 시스템을 적용했습니다. CARL은 세 가지 주요 능력을 선보였습니다. 첫째, 다양한 레니아 업데이트 규칙에서 안정적인 솔리톤(soliton)을 기존 발견 방식보다 훨씬 높은 비율로 찾아냈습니다. 둘째, 기존 솔리톤의 움직이는 방향을 적은 개입으로 조종할 수 있음을 보여주며, 단순히 패턴을 생성하는 것을 넘어 제어 능력까지 입증했습니다. 셋째, 인간이 고수준의 방향 명령을 내리면 에이전트가 이를 저수준 개입으로 번역하여 솔리톤을 미로 환경에서 실시간으로 안내할 수 있었습니다. 이 에이전트들은 다양한 목표, 규칙, 초기 상태에서 훈련되어 예측하지 못한 조건에서도 일반화된 정책을 적용할 수 있었습니다.
이러한 결과는 AI가 자율적으로 또는 인간의 지도를 받아 복잡계에서 발생하는 새로운 현상을 발견하고 제어하는 '인공 실험주의자'의 가능성을 시사합니다. 이는 과학 연구 방법론에 큰 변화를 가져올 수 있으며, 재료 과학, 생물학, 로봇 공학 등 다양한 분야에서 새로운 발견과 시스템 제어의 문을 열 수 있습니다. 예를 들어, 특정 조건에서만 나타나는 복잡한 물리 현상을 AI가 스스로 탐색하고 최적의 제어 방안을 찾아내는 데 활용될 수 있습니다. 궁극적으로는 인간 과학자가 미처 상상하지 못했던 새로운 원리나 현상을 AI가 밝혀내는 미래를 앞당길 잠재력을 가지고 있습니다.