Sakana AI의 AB-MCTS 알고리즘과 멀티-LLM 협업으로 30% 성능 향상

Sakana AI, 혁신적인 AI '드림팀'을 만들다

인공지능이 빠르게 발전하는 가운데, 일본의 스타트업 사카나 AI는 AI 모델 간의 협업을 통해 더욱 복잡한 문제를 해결할 수 있는 새로운 방법을 제시했습니다. 이 새로운 방법은 "적응형 분기 몬테카를로 트리 검색(AB-MCTS)" 알고리즘을 활용해 여러 대형 언어 모델(LLM)을 효과적으로 협력시킵니다. 이 기술은 단일 모델의 한계를 뛰어넘어 성능을 30% 이상 향상시켰습니다.

다중 LLM의 집단 지능

AB-MCTS는 여러 LLM이 문제를 해결하는 과정을 협력적으로 수행할 수 있도록 만드는 알고리즘입니다. 이 알고리즘은 각각의 모델이 가지고 있는 고유한 강점을 활용하여 문제를 풀어냅니다. 예를 들어, 어떤 모델은 코딩에 뛰어나고 다른 모델은 창의적 글쓰기에 탁월할 수 있습니다. 이러한 다양한 특성을 팀으로 결합해서 더 나은 성과를 이루어 냅니다.

적응형 분기 검색의 작동 원리

AB-MCTS 알고리즘의 핵심은 '깊게 검색'과 '넓게 검색'이라는 두 가지 다른 탐색 전략을 균형 있게 조합하는 것입니다. 이 방법은 정상적인 해결책을 반복적으로 개선하면서 더 나은 솔루션을 찾거나, 완전히 새로운 해결책을 생성함으로써 문제 해결 경로를 최적화합니다. 이러한 과정은 AI 분야에서 종종 사용되는 몬테카를로 트리 검색(MCTS)의 확장된 형태로, 적응형 검색을 통해 최적의 해결책에 도달할 수 있습니다.

성능 평가와 실제 적용 사례

사카나 AI는 ARC-AGI-2 벤치마크에서 AB-MCTS 시스템을 테스트하였습니다. 그 결과, 이 시스템은 개별 모델보다 30% 이상의 문제를 해결하는 데 성공하였으며, 이는 다중 LLM이 단일 LLM을 능가한다는 것을 보여줍니다. 이번 연구에서 사용된 모델에는 'o4-mini', 'Gemini 2.5 Pro', 'DeepSeek-R1' 등이 포함되어 있습니다.

이 기술은 기업들이 단일 AI 제공업체에 종속되지 않고 각 작업에 가장 적합한 AI 모델을 동적으로 활용할 수 있게 합니다. 혁신적인 AI 시스템 구현을 위해 열린 소스 프레임워크인 TreeQuest를 통해 이 기술을 제공하고 있으며, 기업과 개발자들이 바로 적용할 수 있도록 설계되었습니다.

미래 전망과 함의

이번 연구의 중요한 점은 AI 시스템이 집단 지능 형태로 작동할 수 있도록 하는 길을 열었다는 것입니다. 이는 머신러닝 모델의 개선뿐만 아니라 복잡한 코딩 작업에도 성공적으로 적용될 수 있습니다. TreeQuest와 같은 오픈 소스 도구의 출시로, 앞으로 더욱 많은 AI 도구가 협력하여 고유의 기술을 발휘할 수 있을 것입니다. 이러한 협력 시대의 도래는 기존의 단일 모델에 의존했던 방식에서 벗어나게 할 것입니다.