제너레이티브 에이전트란? 인간의 개입 없이 스스로 주변 환경과 타 에이전트의 정보를 인지하고, 판단 및 생성 과정을 거쳐 행동하는 인공지능 개체를 의미합니다.
* 인지와 계획: 시각·청각 등 환경 데이터를 분석하여 상황을 파악하고, 자신의 목표를 달성하기 위한 구체적인 계획을 수립합니다. * MPC와의 차이점: 정해진 규칙에 따라 동일한 반응만 반복하는 일반 게임 속 캐릭터(Non-Player Character)와 달리, 상황 변화에 따라 유연하게 소통하고 협업하는 특징을 가집니다. ## 멀티 에이전트 협업 연구: AutoGen과 ChatDev 연구에 따르면 에이전트들이 단독으로 활동할 때보다 팀을 구성해 협업할 때 더 높은 성과를 보입니다. * AutoGen (마이크로소프트, 2023): 에이전트들이 API나 메시지를 통해 피드백 루프를 형성하여, 사람이 일일이 개입하지 않아도 목표를 향해 서로 코칭하며 과업을 수행하게 하는 연구입니다. * ChatDev (2023): 가상 회사처럼 대표, 개발자, 디자이너 등 각기 다른 역할을 가진 에이전트들이 대화만으로 복잡한 소프트웨어를 설계·코딩·테스트하는 모델입니다. 역할 분담을 통해 AI 모델의 고질적인 문제인 '환각 현상(Hallucination)'을 효율적으로 제어합니다. ## 지식 학습의 두 가지 방식: 파라메트릭 vs 논파라메트릭 AI가 정보를 학습하고 기억하는 방식은 크게 두 가지로 나뉩니다. * 파라메트릭(Parametric) 학습: 모델 내부의 가중치(Weight/Parameter)를 직접 변경하는 방식입니다. * 장점: 지식의 내재화가 가능합니다. * 단점: 막대한 컴퓨팅 자원(GPU 등)이 필요하여 비용이 많이 들고, 매번 학습 시킬 경우 비용 문제로 기업 운영이 어려워질 수 있습니다. * 논파라메트릭(Non-parametric) 학습: 모델 가중치를 수정하지 않고, 외부 데이터베이스(외부 지식)를 연결해 참조하는 방식입니다. * 장점: 정보의 수정·삭제가 용이하며, 백과사전처럼 필요할 때마다 외부 정보를 가져와 학습할 수 있어 효율적입니다. ## 공유 메모리(Shared DB) 시스템의 필요성 많은 에이전트가 생성하는 방대한 정보를 모델이 무분별하게 학습하면, 정보의 뒤섞임으로 인해 오히려 판단력이 흐려지는 문제가 발생합니다. 이를 해결하기 위해 등장한 개념이 '공유 메모리(Shared DB)'입니다.- 기억 필터링: 모든 정보를 학습하는 대신, 공유 메모리 시스템을 통해 최근 정보와 중요도를 판별하여 핵심 지식만을 모델의 두뇌(가중치)에 반영합니다.
- 공동 일기장: 에이전트들은 공유 메모리를 일종의 '공동 일기장'으로 활용합니다. 개별 에이전트가 겪은 중요한 경험을 저장하고 다른 에이전트가 이를 조회함으로써, 모델을 매번 새로 학습시키지 않고도 효율적인 협업 체계를 유지할 수 있습니다.