AI 스스로 최적화한 추론 알고리즘 오토티티에스 개발

주장연구진은 인공지능이 스스로 추론 제어 알고리즘을 탐색하게 함으로써 인간이 설계한 규칙보다 효율적인 결과를 도출했습니다. 이러한 성과는 인공지능 연구의 패러다임이 인간의 직접 설계에서 환경 구축으로 전환되고 있음을 의미합니다.

팩트메릴랜드대, 버지니아대, 워싱턴대, 노스캐롤라이나대, 구글, 메타 연구팀은 오토티티에스(AutoTTS)라는 시스템을 개발했습니다. 해당 시스템은 클로드 코드(Claude Code) 에이전트를 활용하여 최적의 추론 확장 알고리즘을 찾아냅니다.

팩트오토티티에스는 오프라인 시뮬레이션 환경에서 작동하며 언어 모델이 생성한 기존 데이터를 활용하여 연산 비용을 절감합니다. 이를 통해 실제 모델을 매번 구동하지 않고도 수천 개의 알고리즘 변형을 테스트합니다.

팩트수학 벤치마크인 에이아이엠이(AIME)와 에이치엠엠티(HMMT) 테스트에서 이 알고리즘은 기존 방식 대비 토큰 사용량을 약 70퍼센트 절감했습니다. 이는 정확도를 유지하면서도 연산 효율성을 크게 향상한 수치입니다.

팩트발견된 알고리즘은 모델의 신뢰도 변화를 실시간으로 추적하여 연산 자원을 배분합니다. 신뢰도가 낮으면 경로를 확장하고 신뢰도가 빠르게 상승하면 새로운 경로 생성을 중단하는 방식을 취합니다.

주장연구진은 이러한 알고리즘이 인간이 직접 설계하기 어려운 복잡한 조정 방식을 포함하고 있다고 평가합니다. 이는 인공지능이 인간의 직관을 뛰어넘는 최적화 전략을 스스로 찾아낼 수 있음을 보여줍니다.

팩트이번 연구의 전체 탐색 과정은 약 40달러의 비용과 160분의 시간이 소요되었습니다. 발견된 알고리즘은 딥시크-알원-디스틸-라마-8비트(DeepSeek-R1-Distill-Llama-8B) 등 다른 모델에도 적용 가능합니다.

교차검증현재 오토티티에스는 추론의 너비와 깊이 사이의 균형을 맞추는 데 집중하고 있습니다. 트리 탐색과 같은 복잡한 구조를 처리하는 데는 한계가 있으며 발견된 알고리즘의 성능은 에이전트의 능력에 의존합니다.

교차검증알고리즘의 성능을 유지하기 위해서는 상세한 로그 기록과 고수준 제어기의 역할이 필수적입니다. 이러한 설계 요소가 빠지면 에이전트는 극단적인 지름길을 선택하여 연산은 아끼지만 정확도가 급격히 떨어지는 결과를 낳습니다.

출처더 디코더(The Decoder)의 관련 보도를 통해 위 내용을 교차 검증했습니다.