MIT·스탠포드·엔비디아 연구진…"인간 언어 버리니 AI 성능 대폭 향상"

주장지금까지의 멀티 에이전트 시스템(Multi Agent System, MAS)은 여러 AI가 각자의 역할을 나누어 협업함으로써 복잡한 문제를 해결해 왔습니다.

팩트이 방식에는 결정적인 한계가 있었습니다. 에이전트끼리 서로 소통할 때 사람이 읽을 수 있는 '텍스트(인간의 언어)' 형태로 매번 변환(디코딩)하고 이를 다시 AI가 이해할 수 있도록 변환(인코딩)해야 했다는 점입니다. 인간의 언어로 변환하는 과정에서 비용이 증가하고 정보 소실이 발생했습니다.

주장이번 연구진이 제시한 RecursiveMAS(재귀적 멀티 에이전트 시스템)는 이 비효율적인 프로세스를 완전히 뒤엎었습니다. 본 기술은 UIUC, 스탠포드 대학교, 엔비디아(NVIDIA), MIT 연구진이 공동으로 참여하여 개발했습니다.

팩트에이전트들이 텍스트라는 중간 매개체를 거치지 않고, AI 본연의 내부 컴퓨터 언어인 '잠재 공간(Latent Space)' 내에서 연속적인 벡터 형태로 직접 생각과 정보를 주고받도록 만든 것입니다.

주장이 '재귀적 루프' 구조는 AI 협업의 패러다임을 바꿀 초석이 될 것입니다.

교차검증이러한 잠재 공간 기반의 직접 소통 방식은 이론적으로는 완벽해 보이지만, 서로 다른 크기와 구조를 가진 이기종(Heterogeneous) AI 모델들이 어떻게 왜곡 없이 서로의 내부 신호를 이해할 수 있는가에 대한 기술적 의문이 존재해 왔습니다.

팩트연구진은 이를 해결하기 위해 두 레이어로 구성된 초경량 연결 모듈인 'RecursiveLink(재귀적 링크)'를 독창적으로 설계하여 교차 검증을 완료했습니다. 내부 링크(Inner Link)는 단일 에이전트 내부의 잠재적 생각을 정렬하고 , 외부 링크(Outer Link)는 가중치를 조정하여 서로 다른 모델(예: Qwen, Llama, Gemma 등)의 숨겨진 표현(Hidden Representation)을 부드럽게 연결해 줍니다.

팩트또한, 텍스트 기반 소통 시 발생하는 '그라디언트 소멸(Gradient Vanishing)' 문제를 수학적으로 분석하여, 잠재 공간 협업이 시스템 전체의 최적화 학습을 훨씬 더 안정적이고 효율적으로 만든다는 것을 증명했습니다.

팩트수학, 과학, 의학, 코딩 등 9개 벤치마크에서 기존의 최신 에이전트 시스템과 비교 평가한 결과, 평균 정확도(Accuracy) 8.3% 향상, 엔드투엔드 추론 속도 1.2배~2.4배 가속, 토큰(비용) 사용량 34.6%~75.6% 절감을 동시에 달성했습니다.

팩트연구에 따르면, 기존의 고비용 텍스트 기반 재귀 시스템(Recursive-TextMAS)은 추론 단계(Round)가 깊어질수록 토큰 오버헤드가 기하급수적으로 증가하는 반면, RecursiveMAS는 오직 최종 라운드의 마지막 에이전트만 텍스트 출력을 생성하므로 연산 비용이 획기적으로 낮습니다.

팩트1.5B(15억 파라미터) 미만의 소형 모델 조합만으로도 강력한 확장성을 보여습니다.

교차검증본 연구는 정식 학회나 저널의 엄격한 동료 평가를 거치지 않고 아카이브(arXiv)에 선공개된 상태입니다. 검증되지 않은 학술적 주장일 가능성을 배제할 수 없으므로, 향후 학계의 공식적인 검토와 교차 검증 과정을 예의주시할 필요가 있습니다.

교차검증연구의 주장과 달리 에이전트가 인간의 언어가 아닌 100% 잠재 공간(Latent Space) 벡터로만 대화하기 때문에, 협업 과정에서 시스템 오류나 '환각 현상(Hallucination)'이 발생했을 때 인간 관리자가 중간 과정을 모니터링하거나 추적 디버깅하기가 사실상 불가능합니다. 오직 최종 라운드에서만 텍스트가 출력되므로, AI의 설명 가능성(Explainability)과 투명성이 크게 훼손된다는 지적이 나올 수 있습니다.

출처아카이브의 선공개 논문(https://arxiv.org/abs/2604.25917)을 참고했습니다.