“결과 예측 넘어 이유까지 이해”… KAIST ‘이론화 학습’ AI 한계 넘는다

안성진 교수팀, 관측 데이터만으로 메커니즘 추출하는 ‘NEO’ 구현
기존 ‘결과 맞히기’ 한계 극복… 지능형 로봇·자율 에이전트 성능 도약 발판 마련

L2T(이론화 학습) 프레임워크 개요. 사진=KAIST 제공

[충청투데이 조정민 기자]  아이가 블록 쌓기 놀이를 할 때 어른이 물리 법칙을 일일이 설명해주지 않더라도 아이는 블록이 떨어지거나 걸리는 현상을 반복 관찰하며 세상의 원리를 스스로 습득한다.

인공지능(AI) 기술이 사람 아이의 발달인지 과정처럼 관측만으로 세상의 작동 메커니즘을 스스로 이론화하는 단계에 도달했다.

27일 KAIST에 따르면 전산학부 안성진 교수 연구팀이 입력된 관측 정보만으로 세계의 작동 원리를 자율적으로 이론화하는 새로운 학습 패러다임 '이론화 학습(L2T, Learning-to-Theorize)'과 이를 구현한 신경망 기반 모델 'NEO(Neural Theorizer)'를 선보였다.

이번 연구 결과는 최근 세계적 권위의 인공지능 학회 제43회 국제기계학습학회(ICML 2026)에서 전체 2만 3918편 투고 논문 중 상위 0.7%(168편)에만 부여되는 구두발표 상위 논문에 선정된 데 이어 구성적 학습 워크숍 최우수논문상을 동시에 받았다.

최근 AI 업계 화두인 월드모델(World Model)은 로봇 제어, 자율주행, 생성형 AI 등이 현실 환경을 이해하고 행동을 계획하도록 돕는 핵심 기술이다.

지금까지 월드모델은 주어진 시점 이후에 무엇이 일어날지 결과나 다음 장면을 예측하는 데 편중돼 있었다.

(왼쪽부터) KAIST AI 컴퓨팅학과 & 전산학부 안성진 교수, 백두진 석사과정, 이규빈 석사과정, 백준엽 박사과정, 이호성 석사과정. 사진=KAIST 제공

다시 말해 데이터 패턴을 통째로 외워 결과를 맞춰내는 것은 뛰어났지만, 정작 왜 그런 변화가 일어났는지에 대한 인과적 원리는 파악하지 못했다.

결국 학습 데이터 범주를 벗어나 완전히 새로운 복합적 상황에선 AI의 예측 성능이 급격히 떨어지는 일반화 실패 현상이 반복됐다.

안 교수팀은 이런 한계 극복을 위해 발달인지과학적 접근법을 도입했다.

정답이나 기호화된 규칙을 사전에 주지 않고, 오직 현상의 변화 전후 상태만 보여주고 AI가 그 사이에 작용한 기본 원시 요소를 스스로 찾아내도록 유도했다.

연구진이 개발한 NEO 모델은 이동, 회전, 색상 변경 등 개별 변환 규칙을 독립적으로 학습한 뒤 이를 실행 가능한 프로그램 형태로 정리한다.

이렇게 분리·학습된 기본 규칙들은 향후 한 번도 접하지 못한 초유의 상황이 주어지더라도 마치 레고 블록처럼 자유롭게 조합돼 새로운 현상을 설명하고 해결하는 데 활용된다.

연구진은 AI가 규칙을 부풀리거나 단순 암기하는 것을 막기 위해 가용한 설명 중 가장 간결한 프로그램을 선호하도록 만드는 '최소 설명 길이' 원리와 중간 단계들이 실제 관측과 상응하도록 하는 '상태 접지' 기술을 접목했다.

이를 통해 정답 제공 없이도 AI가 독자적으로 유의미한 변환 규칙을 추출할 수 있음을 입증했다.

이번 기술은 향후 지능형 로봇과 자율 에이전트 분야에서 활용도가 클 것으로 예상된다.

기존 로봇 제어 기술은 수많은 정교한 행동 데이터나 인간의 직접적인 프로그래밍이 필수적이었다.

하지만 이론화 학습이 적용된 로봇은 작업자 시연이나 영상 관찰만으로 물체 집기, 회전하기, 놓기 등 기본 원리를 스스로 분리 파악하는 것을 물론, 미지의 공정이나 작업 환경에서도 상황에 맞게 행동 스크립트를 재조합해 실행할 수 있게 된다.

안성진 KAIST 교수는 "이번 연구는 AI의 세계 이해 수준을 단편적 미래 예측에서 세상의 작동 원리를 자율적으로 설명하는 세계 시어리 단계로 전환했다는 데 의의가 있다"며 "향후 노이즈가 존재하는 실제 비디오나 센서 데이터 환경에서도 작동할 수 있도록 연구를 확장할 계획"이라고 말했다.

조정민 기자 jeongmin@cctoday.co.kr