생성형 에이전트로 혁신을 재현하다

초록

본 연구는 내부 상태를 갖는 다중 LLM 에이전트가 대화와 반성을 통해 아날로지 기반 혁신을 모사할 수 있음을 입증한다. Dyson 블레이드리스 팬을 사례로, 내부 상태가 있는 5명 이질적 에이전트가 핵심 아이디어를 성공적으로 재현했다.

상세 분석

GAI 프레임워크는 두 개의 핵심 모듈, 즉 메모리 모듈과 내부 상태 모듈로 구성된 생성형 에이전트 아키텍처를 제시한다. 메모리 모듈은 기술 문서, 과거 대화, 자체 반성 기록을 타임스탬프와 함께 구조화된 형태로 저장하고, 이를 내부 상태 모듈에 공급한다. 내부 상태 모듈은 ‘아이디어 생성’과 ‘내적 비판’이라는 두 단계 프로세스를 반복함으로써 현재 생각(current thoughts)을 지속적으로 갱신한다. 아이디어 생성 단계에서는 여러 후보 아이디어를 생성하고, 새로 정의된 1~10점 척도의 ‘Novelty(새로움)’, ‘Importance(중요도)’, ‘Consensus(합의)’ 세 가지 기준에 대해 정량화한다. 각 에이전트는 α, β, γ 가중치를 달리 설정해 다양성을 확보한다; 예컨대 Novelty에 높은 가중치를 부여한 에이전트는 탐색적 아이디어를, Consensus에 무게를 둔 에이전트는 팀 의견에 부합하는 아이디어를 선호한다. 이후 내부 비판 LLM이 선택된 아이디어의 모호점·모순을 탐색하고, 그 피드백을 반영해 아이디어를 정제한다. 이러한 순환은 에이전트가 스스로의 사고와 타인의 의견을 메타레벨에서 통합하도록 만든다.

대화 스킴은 디자인 바이 아날로지(DbA) 이론을 구현한다. 목표 도메인(가정용 팬)과 출발 도메인(산업용 이젝터) 사이의 기능적·관계적 유사성을 추출하고, 차이점을 명시적으로 구분한다. 에이전트는 구조화된 대화 템플릿에 따라 ‘유사점 탐색 → 차이점 식별 → 솔루션 전이’ 순으로 발언한다. 조직 구조는 방향성 그래프 형태로 정의되어, 평면형부터 계층형까지 다양한 커뮤니케이션 패턴을 실험적으로 조절할 수 있다.

실험 1에서는 가상 특허 문서를 활용해 Dyson Air Multiplier(블레이드리스 팬)의 핵심 메커니즘을 재현하도록 했다. 내부 상태가 없는 모델은 초기 역할과 과거 대화에만 의존해 점수가 낮고 변동성이 컸다. 반면 내부 상태를 갖고, 다섯 명의 이질적 에이전트가 참여한 모델은 9가지 평가 기준 중 평균 7.2점을 획득했으며, 특히 ‘노즐 구조 제안’, ‘전동기·브러시리스 모터 언급’, ‘유체역학 원리 설명’ 등 핵심 요소를 모두 포함했다. 이는 내부 상태가 에이전트에게 지속적인 컨텍스트 유지와 아이디어 정제를 가능하게 함을 시사한다.

한계점으로는 가상 문서의 품질에 크게 의존한다는 점, 현재는 텍스트 기반 평가에 머물러 실제 물리 시뮬레이션(예: CFD)과 연계되지 않았다는 점을 들 수 있다. 또한 가중치 설정이 수동적이며, 최적 가중치를 자동 탐색하는 메커니즘이 부재하다. 향후 연구에서는 실제 특허·논문 데이터를 사용하고, 물리 엔진과 연동해 설계 검증을 자동화하며, 메타러닝을 통해 에이전트 간 동기화와 가중치 조정을 학습시키는 방향을 제안한다.