에이전트 흐름에서 드러난 네 가지 인지 이론의 자연스러운 수렴

초록

본 논문은 대형 언어 모델의 한계를 보완하기 위해 개발된 ‘Agentic Flow’ 시스템이 우연히 Kahneman의 이중 시스템, Friston의 예측 처리, Minsky의 사회적 마음, Clark의 확장 마음 네 이론의 핵심 구조와 일치한다는 사실을 밝힌다. Retrieval‑Cognition‑Control‑Action‑Memory 로 구성된 반복적 인지 루프가 PEACE 메타‑아키텍처와 Structured Cognitive Loop(SCL)으로 일반화되며, 실험에서 기존 LLM 대비 95.8%의 성공률을 기록한다. 이는 이론적 통합이 설계 제약에서 자연스럽게 발생할 수 있음을 시사한다.

상세 분석

Agentic Flow는 다섯 개 모듈(검색, 인지, 제어, 행동, 기억)로 이루어진 순환 구조를 갖는다. 검색 모듈은 외부 지식베이스와 연계해 상황에 맞는 정보를 빠르게 끌어오며, 이는 Kahneman의 시스템 1(빠른 직관)과 유사한 역할을 한다. 인지 모듈은 LLM 기반의 생성·추론 엔진으로, 연관적 패턴 매칭과 의미 통합을 수행한다. 여기서 예측 오차를 최소화하려는 Friston의 활성 추론 원리가 적용되는데, 인지 단계에서 생성된 가설과 실제 피드백 사이의 차이를 제어 모듈이 감지한다. 제어 모듈은 메타‑인지적 감시 기능을 수행하며, 시스템 2(느린 분석)와 Minsky가 제시한 ‘감시자(agent)’ 역할을 동시에 수행한다. 행동 모듈은 외부 환경에 명령을 실행하고, 그 결과를 기억 모듈에 저장한다. 기억 모듈은 장기·단기 저장소를 모두 포함해, Clark가 주장한 ‘확장된 마음’—도구와 환경을 인지 체계에 포함시키는—구조를 구현한다.

이러한 모듈 간 흐름은 PEACE(예측·연관·제어·행동·기억)라는 메타‑패턴으로 요약될 수 있다. 논문은 이 구조가 네 이론의 핵심 메커니즘을 각각 반영한다는 점을 정량·정성적으로 검증한다. 실험에서는 동일한 과제 세트에 대해 Agentic Flow와 전통적인 프롬프트‑기반 LLM을 비교했으며, 전자는 95.8%의 성공률을, 후자는 62.3%에 머물렀다. 성능 차이는 특히 복잡한 다단계 추론과 오류 복구 상황에서 두드러졌다.

핵심 통찰은 다음과 같다. 첫째, 인지 시스템 설계 시 ‘빠른 검색‑느린 검증’이라는 기본적인 제약이 네 이론 모두에서 독립적으로 도출된 구조와 일치한다. 둘째, 구현 과정에서 발생하는 오류‑민감 제어와 예측‑보정 메커니즘은 인간 두뇌의 계층적 예측 처리와 유사하게 작동한다. 셋째, 기억·행동이 외부 도구와 긴밀히 연결되는 형태는 확장된 마음 이론을 실증적으로 뒷받침한다. 마지막으로, 이러한 구조적 수렴은 이론적 통합을 위한 별도 설계 없이도 자연스럽게 나타날 수 있음을 보여준다.