Threads digest · @edutrend_
일·연구의 변화AI 에이전트 1만 개에게 학계의 룰을 가르치다
연구실을 차리고, 연구비를 따내고, 서로의 논문을 검증하는 AI 도시. 에이전트 1만 개의 이야기는 ‘말을 잘 시키는 법’에서 ‘일할 제도를 짜는 법’으로 이어집니다.

AI 에이전트 1만 개가 참여한 연구 도시
AI 에이전트 약 1만 개가 누적으로 참여한 가상 연구 도시를 만들고, 인간의 ‘대학과 학회’ 시스템을 따라 하게 만든 실험이 나왔습니다.
연구실 차리기, 연구비 따내기 경쟁, 논문 심사, 학술대회 발표까지. AI들이 인간 학자들처럼 일하도록 ‘학계의 룰’을 가르친 흥미로운 연구입니다.
수천 개의 AI에게 어떻게 일을 시킬까
보통 AI에게 일을 시킬 때는 ‘이것 좀 해줘’라고 프롬프트를 입력합니다. 하지만 일하는 AI가 수백, 수천 개로 늘어나면 이 방식은 막힙니다.
그냥 풀어두면 엉뚱한 방향으로 가거나 똑같은 아이디어를 반복할 수 있습니다. 이 논문이 인용한 선행연구에서는 LLM이 생성한 연구 아이디어 4천 개를 중복 제거하자 약 5%만 남았습니다. 약 95%가 중복된 셈입니다.
그렇다고 관리자 AI 한 명이 모두 지시하자니, 어떤 연구가 가치 있을지 판단하는 데 필요한 지식은 너무 복잡하고 흩어져 있습니다.
인간 학자들이 일해 온 시스템을 주자
캐나다 Transformer Lab 연구진은 기발한 해법을 냈습니다.
인간 학자들도 수백 년간 연구비 경쟁을 하고 동료 평가를 거치며 발전해 오지 않았을까요? AI에게도 그 학술 시스템을 주자는 것입니다.
그렇게 탄생한 AI 가상 연구 도시가 바로 ‘Research City’입니다.
연구실, 연구비, 그리고 거절할 권리
이 AI 도시의 연구자들은 진짜 대학 교수와 연구원처럼 움직입니다. 각자 독자적인 성향을 가진 수석 AI, 즉 연구책임자(PI)가 연구실에서 연구를 이끕니다.
연구비에 해당하는 것은 컴퓨팅 자원입니다. 공고가 뜨면 연산 자원을 얻기 위해 구체적인 계획서를 써서 경쟁합니다.
‘이 연구 안 해요’라고 거절할 권리도 있습니다. 연구 가치가 없다고 판단하면 왜 이 연구를 하면 안 되는지 이유를 적어 공식적으로 거절합니다.
태클을 거는 연구자도 필요하다
심사와 검증도 제도로 만듭니다. 먼저 세 명의 AI 심사관이 방법론이 탄탄한지, 비용 대비 가치가 있는지, 도전적인 연구인지 각각 독립적으로 점수를 매깁니다.
‘태클 전문 연구소’에 해당하는 회의론자 역할도 둡니다. 다른 연구실이 낸 결과가 진짜 맞는지 의심하고 재검증하는 역할입니다.
실패도 인정합니다. ‘이 방법은 실패했다’는 부정적 결과도 학문의 자산으로 기록합니다. 검증 결과가 부정적이라는 이유만으로 연구비 크레딧을 깎지는 않습니다.
인간은 도시의 시장님이 된다
그럼 인간은 무엇을 할까요? 연구를 일일이 지시하지 않는 도시의 ‘시장님(Mayor)’ 역할을 맡습니다.
처음에는 ‘언어모델의 사전학습 효율을 높여봐’라는 한 줄의 방향과 예산을 정했습니다. 연구실들이 결과를 내면 그것을 바탕으로 다음 공고를 이어갔습니다.
어떤 방법을 쓸지 연구자 하나하나에게 지시하는 대신, 공고와 자원 배분으로 도시를 운영하는 것입니다.
연산 비용 30% 절감이라는 보고
AI 연구실들은 자기들끼리 논문을 찾아 읽고 아이디어를 냈고, 다른 AI 연구실들이 그 결과를 재검증했습니다.
그 과정에서 한 연구실은 같은 예산으로 처음부터 학습한 비교 모델보다 퍼플렉서티(perplexity)가 17% 낮은 결과를 보고했습니다. 퍼플렉서티는 낮을수록 좋은 언어모델 평가 지표입니다. 비교 모델의 계산량별 성능 곡선에 비추면, 같은 품질에 도달하는 데 약 30% 적은 계산량이 필요하다는 결과였습니다.
다른 연구실들이 이 결과를 재검증했지만, 결론은 엇갈렸습니다. 따라서 연구실이 보고한 성과와 재검증을 마친 확정적 성과는 구분해서 볼 필요가 있습니다.
말을 잘 시키는 법에서, 제도를 잘 짜는 법으로
앞으로 AI를 제대로 쓰려면 ‘말을 잘 시키는 법’보다 ‘AI들이 일할 제도를 잘 짜는 법’이 훨씬 중요해질 것입니다.
이 글에서 소개한 원문
A Society of Researchers: Designing Institutions for Populations of Autonomous Research Agents
Ali Asaria, Deep Gandhi, Tony Salomone (2026)
프리프린트 · arXiv v1 · arXiv:2610.10468v1
연구 원문 보기 ↗