새로운 연구에 따르면 범용 인공지능(AI)이 여러 환경과 목표에 걸쳐 거의 최적의 행동을 수행하려면 '기억'이 필수적인 요소임이 밝혀졌습니다. 이 연구는 AI가 단순히 현재 상태를 관찰하는 것을 넘어, 과거의 경험과 도메인 관련 정보를 기억에 저장해야만 복잡한 문제들을 해결할 수 있다는 점을 이론적으로 정립했습니다.
카람 야민(Khurram Yamin) 외 5명의 연구진이 발표한 이 논문은 두 도메인이 관찰 병목(observational bottleneck)을 공유하지만 최적의 행동이 서로 다를 때, 어떤 정책이든 균일하게 최적에 가까운 성능을 내려면 해당 병목 지점에서 서로 다른 기억 분포를 유도해야 한다고 설명합니다. 이는 '분리 정리(separation theorem)'로 이어지는데, 충분히 성공적인 에이전트는 현재 상태 관찰에만 의존할 수 없으며, 도메인 관련 정보를 기억에 보존해야 한다는 것을 의미합니다. 또한, 에이전트의 기억이 관련 목표에 대한 가치를 추정할 만큼 충분한 정보를 담고 있다면, 그 기억을 통해 에이전트의 지역적 전환 역학(local transition dynamics)을 근사적으로 재구성할 수 있음도 보여주었습니다.
이러한 연구 결과들은 범용 AI가 도메인 모호성을 해소하고(domain disambiguation), 전환 모델을 재구성하며(transition-model reconstruction), 효과적인 계획을 수립하는(planning) 데 있어 기억이 핵심적인 기반(substrate) 역할을 한다는 것을 명확히 합니다. 이는 현재 대규모 언어모델(LLM) 등 특정 작업에 특화된 AI를 넘어, 인간처럼 다양한 상황에 적응하고 학습하는 진정한 범용 인공지능(AGI) 개발에 중요한 이론적 방향성을 제시하며, AI 시스템 설계에 있어 기억 메커니즘의 중요성을 다시 한번 강조합니다.