전략 게임에서는 특정 상황에 최적화된 전문 알고리즘이 항상 유리할 것이라는 믿음이 흔들리고 있다. 연구진은 일반 목적 인공지능 학습 기법이 오히려 전문 게임 이론 알고리즘보다 더 뛰어난 성과를 낼 수 있다는 결과를 발표했다.
전문가보다 범용 AI가 전략 게임에 더 강했다
포커나 협상처럼 상대의 정보를 완전히 알 수 없는 상황은 ‘불완전 정보 게임’으로 불린다. 지금까지는 이런 환경에서 게임 이론에 기반한 전문 알고리즘이 가장 효과적이라고 여겨졌다.
하지만 연구진은 정책 경사법(Policy Gradient)이라는 범용 인공지능 학습 기법과 기존 게임 이론 알고리즘을 비교한 결과 예상과 다른 결과를 얻었다. 정책 경사법은 목표를 향해 조금씩 전략을 수정하며 성능을 높이는 강화학습 방식이다.
연구진은 팬텀 틱택토, 헥스 변형 게임, 라이어스 다이스 등 상대 행동을 완전히 알 수 없는 다섯 가지 게임에서 실험을 진행했다. 그 결과 정책 경사법으로 학습한 인공지능은 대부분의 경우 더 낮은 ‘취약성(Exploitability)’ 점수를 기록했다. 이는 상대가 약점을 파고들더라도 쉽게 무너지지 않는다는 의미다.
이후 인공지능끼리 직접 대결한 실험에서도 정책 경사법 기반 모델이 게임 이론 기반 모델을 지속적으로 이겼다.
군사·협상·금융에도 적용 가능
이번 연구의 또 다른 성과는 전략 게임 알고리즘을 공정하게 비교할 수 있는 새로운 평가 기준을 마련한 것이다. 연구진은 최대 300억 개에 달하는 게임 상태를 분석할 수 있는 벤치마크 시스템을 개발해 다양한 인공지능 전략을 객관적으로 측정했다.
연구진은 이번 결과가 단순한 전략 게임을 넘어 현실 문제에도 적용될 수 있다고 본다. 실제 세계의 군사 작전, 금융 거래, 가격 협상 등은 대부분 상대의 정보를 완전히 알 수 없는 상태에서 진행되기 때문이다.
연구진은 숨겨진 정보가 존재하는 복잡한 환경에서도 범용 학습 기법이 강력한 성능을 보인다는 점이 확인됐다고 설명했다. 구글 딥마인드의 전략 게임 이론 전문가 이언 겜프 역시 이번 연구가 오래된 인공지능 기법을 현대적으로 개선하는 것이 여전히 매우 생산적인 접근법임을 보여준다고 평가했다.
성치훈 기자 / hello@sciencewave.kr
출처: Phys.org, “In game theory, generalists sometimes win out over specialists, finds research”
Science Wave에서 더 알아보기
구독을 신청하면 최신 게시물을 이메일로 받아볼 수 있습니다.