사카나 AI(Sakana AI)가 AI 모델이 스스로 학습하고 개선하는 새로운 접근 방식인 다중 에이전트 자기 지도 학습(MASS: Multi-Agent Self-Supervision)을 발표했습니다. 이 기술은 하나의 언어 모델이 작업 실행자, 워크플로 최적화기, 평가자 역할을 모두 수행하며, 팀의 협업 방식을 개선하고 선별된 팀 실행 기록으로 자신을 다시 학습하는 재귀적 자기 개선(Recursive Self-Improvement) 방식을 사용합니다. 이는 AI가 인간의 개입 없이도 스스로 진화할 수 있는 잠재력을 보여줍니다.
MASS는 내부 루프와 외부 루프를 통해 작동합니다. 내부 루프에서는 모델 가중치를 고정한 채 에이전트 간 역할과 정보 교환을 최적화하여 워크플로를 개선합니다. 외부 루프에서는 우수한 실행 기록을 공유 모델에 증류(distillation)한 뒤, 갱신된 모델로 다시 전체 과정을 반복합니다. Qwen3.6-27B 모델에 이 방식을 두 차례 적용한 결과, 학습에서 제외된 합성 연구 과제에서 기본 모델 대비 승률이 69.9%에 달했으며, 4종의 연구 벤치마크에서는 출력 토큰당 점수가 1.2~1.6배 높아지는 성과를 보였습니다. 특히, 다중 에이전트 기록은 단일 에이전트 기록보다 적은 지도 학습 토큰으로도 더 높은 성과를 달성하여 학습 효율성 측면에서도 강점을 드러냈습니다.
이 기술의 핵심은 AI가 작업 수행 기록만으로도 워크플로 최적화와 평가 능력을 동시에 개선한다는 점입니다. 이는 마치 인간 사회가 분업, 아이디어 결합, 지식 전승을 통해 역량을 확장해 온 방식과 유사합니다. 그러나 같은 모델이 생성과 평가를 모두 맡는 구조에서는 '공유된 맹점(shared blind spot)'이 다음 학습에 반복 반영될 수 있어, 자기 평가를 교정할 수 있는 외부 감독의 필요성도 제기됩니다. 이러한 한계점에도 불구하고, MASS는 AI가 인간의 지식을 넘어서는 새로운 발견을 스스로 평가하고 다음 개선을 이끌어낼 수 있는 '동종 재귀적 자기 개선(homogeneous RSI)'의 가능성을 열었다는 점에서 큰 의미를 가집니다. 이는 AI가 단순한 도구를 넘어, 스스로 지식을 탐구하고 발전시키는 주체로 성장할 수 있음을 시사합니다.