분산된 인공지능(AI) 에이전트들이 중앙 통제 없이 자율적으로 협력하는 '메시 인텔리전스(Mesh Intelligence)'를 구현하기 위해서는 기존의 AI 모델과는 다른 새로운 접근 방식이 필요하다는 연구 결과가 나왔습니다. 홍웨이 쉬(Hongwei Xu) 연구원은 arXiv 논문을 통해 메시 인텔리전스의 핵심 과제인 '중앙 제어 없는 정보 통합'을 해결하기 위한 두 가지 필수 조건을 제시하며, 이를 만족하는 '액체 기판(liquid substrate)'의 필요성을 강조했습니다.
메시 인텔리전스 환경에서 각 에이전트는 공유된 시계, 모델, 또는 데이터 수집 및 재훈련을 위한 코디네이터 없이 독립적으로 작동합니다. 이들은 동료 에이전트가 불규칙하고 비예약적인 시간에 보내는 관측 데이터를 온라인으로 받아 단일한 내부 상태로 통합해야 합니다. 이때, 에이전트가 가중치를 재훈련할 수 없는 기판 위에서 최적으로 정보를 통합하는 것은 매우 어려운 문제입니다. 연구는 이러한 제약 조건 하에서 최적의 추정기(estimator)는 시간에 따라 변해야 하므로 적응형 시간 척도(adaptive timescale)가 필수적이며, 고정된 이득(fixed-gain) 필터는 항상 최적이 될 수 없음을 증명했습니다. 또한, 데이터 도착 간의 경과 시간 간격에 따라 최적의 추정치가 달라지는데, 이러한 시간 간격을 인지하지 못하는 기존 네트워크는 아무리 깊거나 넓어도 이 문제를 해결할 수 없다는 점을 밝혀냈습니다.
이 두 가지 조건은 '연속 시간 액체(continuous-time liquid)' 클래스에서 교차합니다. 기존의 LSTM(Long Short-Term Memory)은 첫 번째 조건인 적응형 시간 척도를 만족하지만, 두 번째 조건인 시간 간격 의존성은 고정된 연속 시간 필터가 더 잘 처리합니다. 그러나 '다중 시간 척도 액체 네트워크(multi-timescale liquid network)'는 이 두 가지 조건을 모두 만족할 수 있습니다. 이 연구는 고정된 가중치를 가진 기판에 대한 필요 조건을 제시한 것으로, 재훈련이 가능한 네트워크는 다른 방식으로 이 클래스에 도달할 수 있음을 시사합니다. 각 에이전트에게 적용되는 이 필요 조건은 메시 인텔리전스의 구조적 기반을 형성하며, 미래의 분산 AI 시스템 설계에 중요한 방향을 제시할 것입니다.