인공지능(AI) 시스템의 학습 효율성을 높이는 새로운 접근 방식이 제시되었습니다. 최근 발표된 연구에 따르면, AI 시스템을 구성하는 여러 모듈(module)들이 서로 주고받는 정보를 의도적으로 제한하는 '증거 마스킹(evidence masking)' 기법이 AI의 복합적인 추론(compositional generalization) 능력을 크게 향상시키는 것으로 확인되었습니다. 이는 AI가 모든 정보를 무분별하게 학습하기보다, 필요한 정보에만 집중할 때 더 정교한 학습이 가능하다는 것을 시사합니다.
이번 연구는 60개의 4셀(four-cell) 시스템을 활용해 진행되었으며, 각 시스템은 고정된 대규모 언어모델(LLM) 백본을 공유하고 학습된 연속적인 패킷(packet)을 통해 통신했습니다. 연구진은 증거 마스킹, 소유권 마커(ownership markers), 그리고 외부 증거를 중립적인 필러(neutral filler)로 대체하는 등 다섯 가지 조건을 적용하여 실험했습니다. 그 결과, 마스킹(masking) 기법을 적용했을 때 AI는 두 개 및 세 개 연산으로 구성된 복합적인 작업에서 정확도가 각각 0.846과 0.859만큼 향상되는 것을 확인했습니다. 이는 모든 실험 쌍에서 요구되는 마진을 초과 달성한 수치로, 증거 마스킹이 AI의 복합 추론 능력에 상당한 이점을 제공함을 입증합니다.
이러한 결과는 AI 시스템 설계에 중요한 함의를 가집니다. 기존에는 더 많은 데이터와 정보가 AI 성능 향상에 필수적이라고 여겨졌지만, 이번 연구는 오히려 정보의 '제한'이 특정 유형의 학습, 특히 복합적인 문제 해결 능력에 긍정적인 영향을 미칠 수 있음을 보여줍니다. 이는 AI가 불필요하거나 노이즈가 많은 정보에 압도되지 않고, 핵심적인 관계와 패턴을 더 효과적으로 추출하고 학습할 수 있도록 돕는다는 점에서 의미가 큽니다. 앞으로 AI 모델의 효율성과 일반화 능력을 높이는 데 증거 마스킹과 같은 정보 제어 전략이 더욱 중요하게 활용될 것으로 예상됩니다.