LLM 기반 다중 에이전트 도시 경제 시뮬레이션 SimCity

초록

SimCity는 대형 언어 모델(LLM)과 시각‑언어 모델(VLM)을 결합해 가계·기업·정부·중앙은행 네 종류의 이기종 에이전트를 구현하고, 노동·상품·금융 시장을 포함한 도시형 거시경제 환경을 시뮬레이션한다. 실험에서는 가격탄력성, Engel 법칙, Okun 법칙, Phillips 곡선, Beveridge 곡선 등 전통적 거시경제 현상을 자동으로 재현함을 보여준다.

상세 분석

SimCity는 기존 거시경제 모델링 패러다임을 두 축으로 확장한다. 첫째, DSGE 모델이 가정하는 대표적 최적화 주체와 완전 시장 청산 조건을 포기하고, 에이전트 간 이질성을 자연어 기반의 LLM으로 표현한다는 점에서 이론적 혁신을 제시한다. LLM은 각 에이전트의 선호·생산성·스킬 등 다차원 속성을 프로프트에 포함시켜 “생각하고” 행동하도록 설계되었으며, 함수 호출 방식으로 환경과의 인터페이스를 표준화했다. 이는 전통 ABM이 수작업으로 코딩한 규칙 기반 행동을 대체함으로써, 정책 변화나 외생 충격에 대한 적응성을 크게 향상시킨다.

둘째, VLM을 활용해 기업의 지리적 위치와 건물 시각화를 자동화한 점은 공간경제 연구에 새로운 도구를 제공한다. VLM은 기존 GIS 데이터와 연계해 신규 기업의 입지 선택을 “합리적”으로 판단하고, 지도에 실시간으로 반영한다. 이는 도시 확장과 경제 활동 간의 피드백 루프를 정량·정성적으로 관찰할 수 있게 한다.

세 번째로, 실험 설계는 거시경제 규칙 체크리스트를 기반으로 한 검증 프레임워크를 제시한다. 가격탄력성, Engel 법칙 등은 각각 수요·소득 구조와 생산·고용 관계를 통해 자연스럽게 발생했으며, 시뮬레이션 결과는 여러 랜덤 시드에 대해 일관성을 보였다. 특히, Phillips 곡선과 Beveridge 곡선 같은 노동시장 비선형 관계가 LLM 기반 에이전트의 임금·실업 기대 조정 메커니즘을 통해 재현된 점은 흥미롭다.

하지만 몇 가지 한계도 존재한다. LLM의 “이해”는 프롬프트 설계에 크게 의존하므로, 프롬프트 편향이 결과에 미치는 영향을 정량화하지 않았다. 또한, 현재 구현은 월 단위 시뮬레이션으로, 고주파(일·시간) 데이터가 필요한 금융시장 동학을 충분히 포착하지 못한다. 모델의 재현성을 위해서는 LLM의 온도·토큰 제한, VLM의 이미지 해상도 등 하이퍼파라미터가 결과에 미치는 영향을 체계적으로 분석할 필요가 있다. 마지막으로, 정책 시뮬레이션에서 정부·중앙은행의 규칙이 고정된 수식(예: 테일러 규칙)으로 구현돼, LLM이 실제 정책 입안자의 복합적 판단을 대체하기엔 아직 부족하다.

전반적으로 SimCity는 LLM과 VLM을 거시경제 ABM에 통합한 최초 수준의 시도이며, 이론·실증 경제학, 도시계획, AI 연구 간 교차점을 제공한다. 향후 연구는 프롬프트 자동 최적화, 멀티모달 데이터 통합, 그리고 실제 경제 데이터와의 정량적 검증을 통해 모델의 신뢰성을 강화할 수 있을 것이다.