소개

아이디에이션은 독창적인 아이디어를 생성, 발전시키고 전달하는 인지 과정으로, 공학 설계 과정의 중요한 부분입니다. 이 단계의 효과는 인간 디자이너의 내재적 전문성, 도메인 지식 및 은연중의 경험에 의존합니다. 기존의 아이디에이션 방법론, 예를 들어 브레인스토밍, 시네틱스, TRIZ 등은 절차적 지원을 제공하기 위해 개발되었지만, 근본적인 창조적 동기는 여전히 인간 인지의 기능입니다. 이러한 개인 또는 그룹 지식에 대한 의존성에는 인지 편향, 디자인 고정 관념, 집단 설정에서의 생산 차단, 그리고 어떤 단일 인간도 다양한 도메인에 걸친 진정한 백과사전적인 지식을 갖추는 것이 불가능하다는 한계가 있습니다.

복잡하고 다학제적인 현대 제품 설계 컨텍스트에서 신속하게 번창하고 독창적이며 다양한 아이디어를 생성할 필요성은 컴퓨팅 지원의 탐색을 필요로 했습니다. 이는 인간 창조성을 기계 지능으로 보완하거나 지원하려는 노력이며, 수십 년 동안 다양한 용어들로 진행되어 왔습니다(Figure1), 예를 들어 컴퓨터 보조 아이디에이션(CAI), 인간-AI 협업 아이디에이션, 공동 아이디에이션, AI 증강 아이디에이션, 공동 창작, 인간-기계 협력, 참여형 설계, 컴퓨터 창조성, 혼합 주도권 아이디에이션 등. 이러한 용어의 다양성은 Figure 1에서 보듯, 인간과 컴퓨터 간 관계를 중심으로 한 학술적 논쟁을 반영합니다.

사용되는 정확한 용어와 상관없이 기계의 기본적인 역할은 인간 디자이너의 창조적 부담을 줄이는 것입니다. 초기 버전의 CAI 도구들은 패시브 리포지토리나 간단한 매개자로 작동하여 형태 분석이나 조합 탐색을 관리했습니다. 창조적인 부담은 여전히 인간 디자이너에게 있었습니다. 2020년대 이후에 발생한 생성형 AI, 특히 대용량 언어 모델(LLMs)의 지수급 증가와 민주화는 입력 문제 문장에 따라 많은 아이디어를 즉시 생성할 수 있는 잠재력을 보여주었습니다. 기계는 패시브 도구에서 활동적 협력자로 변화하여 종종 인간의 출력과 비교할 때 동일하거나 더 우수한 생성적 출력을 제공할 수 있게 되었습니다.

그러나 아이디어의 양이 많아지면 전문가들이 그 질을 평가하는 과정은 자원 집약적이며 인지적으로 요구되는 작업으로, 평가 기준의 일관성을 유지하기 어렵습니다. 이전 연구에서는 벡터 임베딩과 클러스터링을 사용하여 이러한 평가를 달성할 수 있음을 보여주었습니다. AI 생성 아이디어는 종종 몇 가지 기본 개념 주변에 세분화된 클러스터를 형성하며, 디자이너들이 요구하는 진정한 독창성과 다양성을 제공하지 못한다는 점을 보여주었습니다. 이 논문의 주요 목표는 이러한 간극을 메우기 위해 진정으로 독창적인 아이디어를 생성할 수 있는 시스템을 제안하는 것입니다. 우리는 독창성에 대한 두 가지 정의를 제시합니다: 아이디어는 문헌에서 이미 존재하는 솔루션(전역적 독창성)과 동일한 창조 세션 내에서 생성된 다른 아이디어들(지역적 독창성) 모두와 구별되어야 합니다. 우리는 모든 아이디에이션이 인간이나 컴퓨터 기반이라도 시간 순서로 흐른다는 것을 주장합니다. 따라서 $`(n+1)^{th}`$ 아이디어는 문헌(기존 솔루션)과 비교해서만 독창적이어야 하는 것이 아니라 $`n`$ 번째 아이디어가 생성되기 이전에 생성된 것들에도 독창적일 필요가 있습니다. 이러한 시간 인식 요구 사항은 현재의 AI 기반 아이디에이션 시스템의 주요 제한입니다. 이러한 한계를 활용하려고 합니다. 본 논문에서는 진보적이며 연속적인 생성-평가 작업을 관리하도록 설계된 에이전트 AI 시스템을 기반으로 하는 새로운 프레임워크를 제안, 설계 및 구현합니다.

진행적 아이디에이션의 가능성

진정한 LLM 주도의 아이디에이션이 약속하는 것은 여러 문제들로 인해 방해받고 있습니다. 이러한 단일 획출 모델에서 비롯된 문제들을 극복하고 디자이너와 진정으로 협력할 수 있는 시스템을 구축하기 위해서는 먼저 이러한 중요한 결함을 명시하고 해결해야 합니다.

현재 AI 지원 아이디에이션의 ‘단일 획출’ 제한

현재 LLMs를 설계에서 탐구하는 연구가 증가하고 있습니다. 그러나 주된 상호작용 모델은 단순합니다. 대부분의 연구와 상업적 도구는 디자이너와 단일, 통합된 LLM(GPT, Grok, 또는 Gemini 등) 사이의 턴-바이-턴 대화를 인간-AI 협력으로 간주합니다. 이러한 상호작용은 지식 베이스가 매우 넓고 다양한 개념을 신속하게 연결하는 파트너나 친구와 브레인스토밍하는 것과 유사하다는 비유로 설명됩니다.

이러한 대화적 패러다임은 기본적인 아이디어 생성에 효과적이었으며, 단순히 아이디어의 양을 늘리는 데 도움이 되었습니다. 그러나 이는 근본적인 결함을 가집니다: 단일 획출, 질의-응답 모델에 의존합니다. 상호작용은 거래적입니다. 디자이너가 프롬프트를 제공하고 LLM은 즉시 “획출” 형태의 아이디어를 반환합니다. 이 모델은 지나치게 단순화되어 진정한 인간 아이디에이션의 복잡성, 반영적인, 그리고 진보적 특성을 포착하지 못합니다.

인간 디자이너는 단 한 번의 통찰로 최종적으로 탄탄한 개념을 생성하지 않습니다. 이 과정은 본질적으로 순환적이며 혼란스럽고 점진적입니다. 그것은 정의, 초기 사상 생성, 제약 조건에 대한 평가, 외부 자극 연구, 새로운 통찰력을 기반으로 한 문제 재구성 및 여러 단계를 통해 “흐릿한” 개념을 구체적인 실행 가능한 솔루션으로 점진적으로 정교화하는 복잡한 인지 활동 간의 상호작용을 포함합니다. 현재 단일 LLM 파트너 모델은 이러한 구조적이고 다단계인 인지 여행을 재현할 수 없습니다. 그것은 전문적인 설계 시스템이 아니라 일반적인 “답변 기계“로 작동하여 진정한 독창성과 영향력 있는 솔루션 생성에 대한 여러 중요한 결함을 초래합니다.

그룹 동적에서 단일 모델로

실제 디자인 관행에서는 아이디에이션이 개인적인 노력이 거의 아닙니다. 다양한 인지 다양성을 활용하기 위해 팀으로 진행됩니다. 성공적인 인간 브레인스토밍 팀은 여러 사람이 서로 협력하고 비판하며 활동적으로 참여하여 잠재적이고 실행 가능한 솔루션 세트를 생성합니다. 팀의 각 구성원은 제약 없이 생성, 비판적 분석, 그리고 실행 가능성, 기존 기술 연구, 그리고 다양한 아이디어를 일관된 전체로 통합하는 통합을 수행하도록 훈련받습니다. 이러한 활동의 복잡한 상호작용은 혁신을 이끕니다. 현재 LLM 모델은 이러한 복잡한 동적을 제거하고 단일, 일반적인 “파트너"로 대체합니다. 인간 그룹이 권위주의적 편향이나 생산 차단과 같은 사회-인지 문제를 겪을 수 있지만 해결 방법은 그룹 동적을 제거하는 것이 아니라 최적화하는 것입니다. 우리는 더욱 강력한 패러다임이 존재한다고 주장합니다: 디자이너와 여러 전문 AI 에이전트의 팀으로 구성된 하이브리드 그룹입니다. 이러한 시스템에서 각 에이전트는 특정 기능을 위해 구성됩니다. 이는 에이전트 AI 시스템의 기초이며, 단순한 이원적 파트너십에서 분산형 다중 에이전트 협력 구조로 전환하여 고성능 인간 디자인 팀을 모방합니다.

스테이지 게이트 대 지속적인 생성 및 평가

대부분의 AI 아이디에이션 도구는 생성에 중점을 두고, 많은 아이디어를 생산하지만 평가 지원은 부족합니다. 디자이너들은 수동적으로 그들 중에서 독창성과 실행 가능성으로 필터링하며, 이로 인해 부담을 전환할 뿐 협업을 하지 않습니다. 일부 기계 평가 작업은 존재하지만 일반적으로 생성 후에 독립적으로 사용됩니다. 소프트웨어 엔지니어링에서 연속 통합/연속 배포(CI/CD)는 코드 작성, 테스트, 배포 사이의 긴밀한 피드백 루프를 만듦으로써 개발을 혁신했습니다. 우리는 디자인 아이디에이션에도 유사한 모델이 필요하다고 제안합니다: CG/CA(연속 생성 / 연속 평가) 파이프라인. 이 모델에서 생성과 평가는 분리된 순차적인 단계가 아니라 깊게 얽혀 있는 지속적인 사이클입니다. 아이디어는 즉시 독창성과 다양성을 위해 평가되며, 이러한 통찰력은 다음 라운드의 생성을 촉진하는 데 사용됩니다. 이 반복적 정교화는 아이디어 풀의 점진적인 개선을 보장하는 유일한 방법입니다. 이전 연구는 벡터 임베딩과 클러스터링을 활용하여 아이디어 밀도와 클러스터 밀도를 통해 독창성과 다양성을 측정하는 강력한 계산적 프레임워크를 구축함으로써 파이프라인의 “CA” 부분에 대한 방법론적 기반을 제공했습니다.

‘독창성 환상’: 환영, 변형 및 고정

현재 LLMs과 관련된 중요한 문제 중 하나는 그들이 생산하는 “독창성"의 품질입니다. 많은 연구 작업은 LLM이 인간보다 더 독창적인 아이디어를 생성한다고 주장하지만 이 주장은 종종 왜곡된 샘플에 기반하고 있습니다. LLMs은 본질적으로 현재 존재하는 인간 지식의 중간값을 훈련받은 확률적 앵무새입니다. 그들은 보간 즉, 기존 솔루션의 합리적인 변형을 생성하는 데 능숙하지만 진정한 외삽, 즉 극단적이고 창의적인 아이디어를 생성하는 것은 어려움이 있습니다. 결과적으로 “유사성의 바다"가 생겨나며, 수천 개의 생성된 “아이디어"는 단지 문법적 또는 의미론적 변형일 뿐입니다. 우리는 이를 *“독창성 환상”*이라 부릅니다.

이 문제를 더욱 악화시키는 것은 현실과의 근접성이 부족한 것입니다. 기존 AI 지원 아이디에이션 시스템의 또 다른 결함은 생성된 아이디어들을 기존 솔루션, 예를 들어 특허, 학술 논문 및 상업 제품과 비교할 수 있는 메커니즘이 없다는 점입니다. 디자이너와 LLM 모두에게 독창적으로 보일 수 있는 아이디어가 10년 전에 이미 특허받았을 수도 있습니다. 따라서 우리의 목표는 “아이디어의 풍부함"이 아니라 디자이너에게 진정으로 독창적이고 다양한 아이디어, 즉 서로 다른 것(지역적 독창성)과 기존 솔루션에 대한 것(전역적 독창성)을 제공하는 것입니다.

선형 아이디에이션: ‘아이디어에서 나온 아이디어’의 미개척 가능성을 활용

현재 AI 아이디에이션 모델은 선형적이며 단방향입니다. 디자이너가 문제(P1)를 입력하면 AI는 아이디어 목록 {I1, I2, I3…I5}를 생성합니다. 이는 아이디어가 그것으로부터 나왔다는 가정을 기반으로 합니다. 우리는 이러한 접근법이 인간 창조성의 핵심 메커니즘인 다양한 연결, 개념 통합 및 상징적 전달을 포착하지 못한다고 주장합니다. 아이디어들은 단일 문제에 고정되어 있지 않습니다. P1로부터 생성된 아이디어(I4)는 완전히 다른 문제(P2)의 해결책이 될 수 있습니다. 이 새로운 문제 P2는 자체적인 해결책 {I4, I5, I6, I7, I8}을 갖습니다. 진정한 창조적 도약은 그런 다음 이러한 다른 해결책들 중 하나(I6 또는 I7)가 원래의 문제 P1을 해결하는 데 적응될 수 있는 가능성에 대해 묻는 것입니다. 우리는 이러한 비선형 및 네트워크 기반 접근법, 즉 아이디어를 생성하는 “아이디어에서 나온 아이디어“가 디자이너가 초기 문제의 개념적 경계로부터 벗어나는 능력을 제공하며, 현재 선형 생성 모델에는 전혀 없는 것입니다.