AI 탐색 호출 162배 줄여…동일 조건은 1.7배

구글 연구진이 과거 탐색 기록을 재활용해 AI 에이전트 호출 비용을 낮추는 ‘드림-RSI(Dream-RSI)’를 제시했다. Lasso 정규화 경로 문제에서 기존 방식보다 에이전트 호출을 최대 162배 줄였지만, 동일한 모델과 설정을 적용한 비교에서는 감소 폭이 약 1.7배였다.

[구글 딥마인드], 메릴랜드대학교, 버지니아대학교 연구진은 14일 arXiv 논문을 통해 드림-RSI를 소개했다. 이 방식은 기초 AI 모델의 가중치를 다시 학습하지 않고 탐색 순서와 병렬 처리, 중단 시점 등을 조정하는 오케스트레이션 계층을 개선한다.

드림-RSI는 세 단계로 작동한다. 먼저 AI 에이전트가 온라인에서 후보 해법을 찾고 각 시도와 결과를 ‘디스커버리 트리’에 기록한 뒤, 이를 ‘리플레이 시뮬레이터’로 바꿔 새로운 탐색 정책을 평가한다.

새 정책은 실제 에이전트를 다시 호출하지 않고 과거 경로를 재생하며 시험된다. 연구진은 성능이 가장 높은 정책만 다음 온라인 탐색에 투입하는 구조라고 설명했다.

핵심은 이미 실행한 탐색 결과를 정책 평가에 다시 쓰는 데 있다. 리플레이 시뮬레이터는 실제로 탐색된 영역에서는 저장된 결과를 그대로 보여주지만, 한 번도 탐색하지 않은 영역의 결과를 예측하는 세계 모델은 아니다.

162배라는 수치는 Lasso 정규화 경로 문제에서 나왔다. SimpleTES는 gpt-oss-120b를 사용해 5만1200회의 generation을 수행했지만, 드림-RSI는 Gemini-3.1-Pro 기반으로 317회의 discovery-agent call을 사용했다.

두 수치를 단순 비교하면 드림-RSI의 호출량이 약 162배 적다. 다만 기반 모델과 설정이 달라 동일 조건의 대조 실험으로 볼 수는 없다.

같은 Gemini-3.1-Pro 환경에서 Recursive Fixed Exploration은 550회 호출과 평균 실행 시간 3587.1밀리초를 기록했다. 드림-RSI는 317회 호출과 2931.0밀리초를 기록해 연구진이 제시한 동일 계열 비교에서 호출량을 약 1.7배 줄였다.

성능 개선 폭은 과제마다 달랐다. Lasso 실험에서 드림-RSI는 6개 별도 데이터셋의 기존 sklearn·glmnet 구현보다 낮은 평균 실행 시간을 기록했다.

수학 최적화에서는 Sum-Difference와 Circle Packing에서 선택된 기준선과 같거나 높은 결과를 냈다. 반면 Autocorrelation Inequalities에서는 1.456375를 기록해 SimpleTES의 1.453675보다 낮은 성능을 보였으며, 해당 지표는 수치가 낮을수록 좋다.

GPU 커널 탐색에서는 VGG16과 LayerNorm에서 비슷한 성능을 내면서 각각 2.43배, 1.79배 적은 generation을 사용했다. ConvDiv와 ConvMax에서는 비교 가능한 예산에서 성능이 각각 2.09배, 1.44배 높았다.

이 결과는 AI 모델 자체의 능력을 높였다기보다 탐색 작업에 투입되는 호출과 실행 순서를 조정한 데서 나온 것이다. 본지는 앞서 AI 에이전트의 실행 구조에 따라 작업 비용이 달라질 수 있다는 점을 다뤘다.

기업이 여러 모델과 도구를 연속 호출하는 환경에서는 모델 성능뿐 아니라 탐색 경로의 재사용 여부도 비용을 좌우할 수 있다. 다만 드림-RSI의 리플레이 방식은 과거에 축적된 탐색 기록의 범위와 품질에 의존한다.

프로젝트 페이지는 리플레이 시뮬레이터가 기록된 탐색 공간 안에서는 정확하지만, 그 범위를 넘어선 결과는 보장하지 않는다고 설명한다. 공식 GitHub 저장소에는 논문과 대화형 데모가 공개됐으며, 전체 코드베이스와 재현 스크립트는 준비 중이다.

이에 따라 162배라는 교차 비교 수치와 다른 모델·과제에서의 비용 절감 효과는 추가 재현을 거쳐 확인할 필요가 있다.