AI 에이전트가 스스로 학습하고 끊임없이 새로운 지식을 발견하게 만드는 방법: '프리즘' 메모리 시스템

여러 AI 에이전트가 서로 다른 형태의 기억 저장소를 통합적으로 활용해, 정해진 목표 없이도 스스로 새로운 지식을 찾아내고 진화할 수 있게 돕는 ‘프리즘(Prism)’ 메모리 프레임워크를 제안합니다.## 왜 중요한가 기존의 AI 시스템은 주로 특정 작업을 수행하는 데 최적화되어 있거나, 벡터 데이터베이스와 같은 단일한 형태의 기억 저장 방식에 의존하는 경우가 많았습니다. 하지만 AI가 인간 과학자처럼 스스로 가설을 세우고 실험하며 새로운 사실을 발견하는 '개방형 발견(Open-ended discovery)' 단계로 나아가기 위해서는, 단순한 정보 저장을 넘어 지식을 체계적으로 분류하고 시간이 흐름에 따라 진화시키는 복잡한 기억 구조가 필수적입니다.

특히 여러 AI 에이전트가 협력하는 환경에서는 각 에이전트가 발견한 서로 다른 형태의 정보를 효율적으로 통합하고 공유하는 능력이 시스템 전체의 지능과 확장성을 결정짓는 핵심 요소가 됩니다.

핵심 내용

이번 연구에서 소개된 '프리즘(Prism)'은 현대 AI 기억 시스템의 네 가지 핵심 패러다임을 하나의 의사결정 이론 프레임워크로 통합한 시스템입니다. 프리즘은 파일 기반의 영구 저장, 벡터 기반의 의미론적 기억, 그래프 구조의 관계형 기억, 그리고 다중 에이전트의 진화적 탐색 기법을 유기적으로 연결하여 작동합니다.

프리즘의 핵심은 정보를 단순히 쌓아두는 것이 아니라 '정보 층위(Information-stratified)'에 따라 체계적으로 관리한다는 점입니다. 시스템 내의 8개 하위 시스템은 확률적 검색 방식을 통해 현재 상황에 가장 적합한 기억이 어디에 있는지 판단하고 인출합니다. 이를 통해 AI 에이전트들은 파편화된 정보를 연결해 새로운 통찰을 얻고, 학습한 내용을 바탕으로 기억 구조 자체를 계속해서 발전시키며 정해진 정답이 없는 환경에서도 끊임없이 새로운 지식을 탐구할 수 있게 됩니다.

어디에 활용될 수 있나

이 시스템은 AI가 스스로 가설을 세우고 검증해야 하는 자율 과학 연구나, 방대한 코드베이스를 스스로 분석해 새로운 기능을 설계하는 복잡한 소프트웨어 공학 분야에 유용하게 쓰일 수 있습니다. 또한, 정해진 목표가 없는 복잡한 가상 환경에서 AI 에이전트들이 협력하며 최적의 생존 전략이나 효율적인 도구 사용법을 스스로 찾아내야 하는 고도화된 시뮬레이션 환경에서도 강력한 성능을 발휘할 것으로 기대됩니다.

한계와 주의점

프리즘은 여덟 개의 상호 연결된 하위 시스템으로 구성된 매우 복잡한 구조입니다. 따라서 이를 실제로 구현하고 최적화하는 데 상당한 컴퓨팅 자원이 필요하며, 설계 과정에서 높은 정밀도가 요구됩니다. 또한 확률적 검색 방식이 모든 도메인에서 항상 최적의 기억을 찾아내는지에 대한 추가적인 검증이 필요하며, 기억 데이터가 기하급수적으로 늘어났을 때 발생할 수 있는 인출 효율성 저하 문제는 앞으로 해결해야 할 과제입니다.

원문 정보

• Original Title: Prism: An Evolutionary Memory Substrate for Multi-Agent Open-Ended Discovery
• URL: https://arxiv.org/abs/2604.19795
• Category: AI Research