AI 자율 연구의 진화, 가설 트리 정제 기법으로 성능 2.5배 향상

주장인공지능이 인간의 개입 없이 스스로 과학적 가설을 세우고 실험을 반복하는 자율 연구 시대가 다가오고 있습니다. 최근 연구진은 가설 트리 정제(HTR, Hypothesis-Tree Refinement) 기법을 도입한 자율 연구 프레임워크 아버(Arbor)를 공개했습니다.

팩트이번 연구에는 자지아 진(Jiajie Jin)을 포함한 다국적 연구진이 참여했습니다. 연구진 소속 정보는 arxiv 등록 기준입니다.

팩트아버는 장기적인 전략을 수립하는 코디네이터와 개별 실험을 수행하는 실행자들로 구성됩니다. 이들은 가설과 증거, 통찰을 연결하는 지속적인 트리 구조를 공유하며 연구를 진행합니다.

주장기존의 AI 연구 방식이 단편적인 시도에 그쳤다면, 아버는 과거의 실패와 성공을 누적하여 다음 단계의 전략에 반영합니다. 이는 연구의 연속성을 확보하는 핵심적인 변화입니다.

팩트연구진은 자율 최적화(AO, Autonomous Optimization) 환경에서 아버의 성능을 검증했습니다. 이 과정에서 인간의 단계별 감독 없이 AI가 초기 연구 결과물을 스스로 개선하도록 설계했습니다.

팩트모델 학습, 하네스 엔지니어링, 데이터 합성 등 6가지 실제 연구 과제에서 아버는 기존의 코덱스(Codex)와 클로드 코드(Claude Code) 대비 평균 2.5배 이상의 상대적 성능 향상을 기록했습니다.

팩트또한, 벤치마크 테스트인 MLE-벤치 라이트(MLE-Bench Lite)에서 GPT-5.5 모델을 기반으로 86.36%의 메달 획득률을 달성하며 비교군 중 가장 우수한 성적을 거뒀습니다.

교차검증본 연구는 arxiv에 선공개된 논문으로, 아직 학계의 공식적인 동료 평가(Peer Review) 과정을 거치지 않았습니다. 따라서 제시된 성능 수치는 향후 검증 과정에서 변동될 가능성이 있습니다.

교차검증아버의 범용성에 대한 기술적 한계도 존재합니다. 다양한 도메인에서 높은 성과를 냈으나, 복잡도가 극도로 높은 미지의 과학적 난제에서도 동일한 효율을 보일지는 추가적인 실험이 필요합니다. 또한, AI가 생성한 가설의 논리적 타당성을 인간이 완전히 이해하고 검증하기 어려운 설명 가능성(Explainability) 문제도 해결 과제로 남습니다.

주장이번 성과는 AI가 단순한 도구를 넘어 연구의 주체로 성장할 수 있음을 시사합니다. 특히 반복적인 실험이 필요한 분야에서 연구 속도를 획기적으로 높일 것으로 기대됩니다.

팩트아버는 잠재 공간(Latent Space, 데이터의 핵심 특징을 압축하여 표현하는 다차원 공간) 내에서 최적의 가설 경로를 탐색합니다. 이를 통해 불필요한 실험을 줄이고 연구 자원을 효율적으로 배분합니다.

출처arxiv의 선공개 논문(https://arxiv.org/abs/2606.11926)을 참고했습니다.