네이처 연구: 사람은 한 수 앞만 보는 빠르고 얕은 시뮬레이션으로 처음 보는 게임을 판단한다

핵심 메시지

• 사람은 처음 보는 게임을 한 판도 해보기 전에 재미와 공정성을 판단하는데, 그 과정에서 뇌는 놀랄 만큼 얕게만 계산한다.
• 연구팀이 만든 단순 모델 '직관적 게이머'는 한 수 앞만 보고 대여섯 번 상상 대결을 돌린 뒤 판단을 끝낸다.
• 이 단순 모델이 사람들의 게임 평가를 81% 설명한 반면, 수십만 판을 돌리는 무거운 모델은 오히려 사람과 덜 맞았다.
• 적게 계산하는 쪽이 더 정확했다는 결과는 뇌가 '무조건 많이'가 아니라 '자원을 아껴 적당히 똑똑하게' 판단하도록 최적화됐음을 보여준다.
• 처음 보는 문제에 유연하게 대응하는 AI를 만들려면 계산량을 늘리는 대신 사람처럼 빠르고 얕게 판단하는 방식이 열쇠일 수 있다.

쉽게 이해하기

처음 해보는 보드게임의 규칙만 슬쩍 들어도 우리는 '재밌겠다' 혹은 '이건 좀 불공평한데' 하는 감을 잡는다. 한 판도 해보기 전에 말이다. 네이처에 실린 연구 '사람은 빠르고 얕은 시뮬레이션으로 새로운 게임을 판단한다'는 바로 이 순간 머릿속에서 무슨 일이 벌어지는지 묻는다. 우리는 엄청나게 많은 경우의 수를 뒤지고 있을까, 아니면 훨씬 단순한 무언가를 하고 있을까.

기존 연구들이 체스·바둑처럼 고수의 사고를 다뤄온 것과 달리, 연구팀은 아무도 잘 모르는 게임을 새로 만들어 던졌다. 틱택토나 오목처럼 격자에 돌을 놓는 게임을 가져와 판 크기와 승리 조건을 조금씩 비틀어 서로 다른 게임 121개를 설계했다. 어떤 게임은 돌을 나란히 놓으면 이기고, 어떤 게임은 반대로 나란히 놓으면 지는 청개구리 규칙이었다. 참가자 대부분에게는 한 번도 본 적 없는 게임이었다.

연구팀은 1,000명이 넘는 사람에게 세 가지를 물었다. 이 게임이 얼마나 재밌을 것 같은지, 얼마나 공정할 것 같은지, 그리고 실제로 둔다면 어떤 수를 둘지. 전부 한 판도 해보기 전에 답한 것이다. 그리고 사람의 판단을 흉내 내는 모델을 만들어 '직관적 게이머'라 이름 붙였다. 핵심은 두 가지, 빠르게 그리고 얕게다. 이 모델은 딱 한 수 앞만 보고, 내 목표에 가까워지는지와 상대를 막을 수 있는지만 따진다. 그런 상상 대결을 겨우 대여섯 번 돌려본 뒤 판단을 끝낸다.

결과는 예상을 뒤집었다. 이 단순한 모델이 사람들의 게임 평가를 81% 설명했다. 사람 판단에서 설명 가능한 부분을 사실상 거의 다 잡아낸 셈이다. 반면 알파고식으로 수십만 판을 시뮬레이션하는 무거운 모델은 사람과 더 안 맞았다. 몬테카를로 방식은 60%, 전문가 모델은 65%에 그쳤다. 게다가 직관적 게이머는 전문가 모델보다 700배, 몬테카를로 방식보다는 3만 배 빨랐다. 훨씬 적게 계산하고도 사람을 더 잘 맞힌 것이다.

연구자들은 이를 '자원 합리성'이라고 부른다. 뇌는 무조건 많이 생각하도록 설계된 것이 아니라, 필요한 만큼만 자원을 쓰면서 적당히 똑똑하게 판단하도록 최적화돼 있다는 뜻이다. 물론 완성된 이야기는 아니다. 이 모델은 지면 이기는 청개구리 규칙 같은 비틀린 게임에서는 사람을 잘 맞히지 못했고, 확인된 범위도 두 명이 겨루는 격자 보드게임에 한정된다. 체스나 바둑처럼 복잡한 게임, 또는 여럿이 협력하는 상황으로 넓히는 일은 앞으로의 숙제로 남았다.

주요 인사이트

• 판단의 질이 계산량에 비례한다는 통념은 적어도 '처음 보는 문제' 앞에서는 뒤집힌다. 얕은 모델이 무거운 모델보다 사람의 실제 판단을 더 잘 재현했다.
• 고수의 깊은 수읽기를 모사하는 대신 초심자가 낯선 규칙을 마주하는 순간을 실험 대상으로 삼은 것이 이 연구의 설계적 강점이다.
• 속도 차이가 극적이다. 직관적 게이머는 전문가 모델의 700배, 몬테카를로 방식의 3만 배 속도로 판단을 내렸다.
• 지금의 AI는 막대한 계산으로 사람을 이기지만 처음 보는 문제에 유연하게 대응하는 데는 오히려 서툴다는 점이 대비된다.
• 모델이 실패한 지점도 정보를 준다. 직관을 배반하는 규칙에서는 얕은 시뮬레이션이 통하지 않았고, 이는 사람 역시 그런 상황에서 헤맨다는 뜻이기도 하다.

자주 묻는 질문

관련 AI 소식