기억에서 자기진화로: Agent가 RSI로 나아가는 중요한 한 걸음

최근, 전 세계의 최고 AI 연구소들이 한 가지 신호를 집중적으로 발신하고 있습니다:AI는 인간이 작업을 수행하는 것을 돕는 것에서 시작하여, 이제는 자신의 연구 개발과 개선에 직접 참여하고 있습니다.

9월, OpenAI는 “자동화된 AI 연구 인턴”의 단계적인 목표를 달성했다고 발표하며, 2028년 3월까지 진정한 “자동화된 AI 연구원”을 만들 계획이라고 밝혔습니다. OpenAI의 수석 과학자 Jakub Pachocki는 같은 시기에 장문의 글을 발표하여 재귀적 자기 개선(Recursive Self-Improvement, RSI)의 발전 전망에 대해 논의했습니다. 9월 21일에는 자동화된 AI 연구원과 지속적인 AI 연구 개발 능력을 다음 단계의 중요한 전략적 방향으로 선정했습니다.

OpenAI는 2026년 9월 21일에 공식적인 전략 성명을 발표하여, 자동화된 AI 연구원과 재귀적인 자기 개선을 다음 단계의 중요한 목표로 삼았습니다.

한편, Anthropic도 주목할 만한 데이터를 발표했습니다: 올해 8월까지 Claude는 이미 약 26%의 내부 AI 연구 개발 작업에서 주도적인 역할을 하고 있습니다.점점 더 많은 연구자들이 수행하던 연구 개발 작업들이, 인간의 감독 하에 AI에 의해 이루어지기 시작하고 있습니다.

OpenAI에서 Anthropic으로, RSI는 먼 기술적 구상에서부터 전 세계 최고의 연구소들의 핵심 연구 과제로 발전하고 있습니다. AI는 이제 단순히 외부 문제를 해결하는 도구가 아니라, 자체 능력을 발전시키는 데에도 적극적으로 참여하고 있습니다.

하지만 이 지속적으로 진화하는 길에서 가장 핵심적인 요소는:

AI는 과거의 탐색과 시행착오를 어떻게 다음 번의 진보의 기반으로 만들 수 있을까요? 새로운 과제에 직면할 때마다 처음부터 시작하는 대신 말이죠.

기억은 Agent가 지속적으로 자기 개선을 할 수 있는 핵심적인 기반이다. 그것은 매번의 탐색이 과제 결과뿐만 아니라 후속 과제에서 상속하고 재사용할 수 있는 경험도 남기게 하여, 에이전트의 능력이 단일 과제를 넘어서서 지속적인 축적을 통해 끊임없이 진화할 수 있는 기회를 제공합니다.

01 ｜경험 축적에서 지속적인 진화까지:

기억이 RSI를 어떻게 지원하는가

Agent가 지속적으로 실행되면서 능력을 향상시키기 위해서는, 경험이 단일 작업을 넘어서 전달되는 것이 핵심입니다:과거의 탐색에서 얻은 효과적인 방법들을 정리하여 새로운 작업에서 정확하게 적용하고, 실행 결과에 따라 지속적으로 수정하고 최적화해 나갑니다. 그 중에서, 기억의 저장과 검색은 서로 연결되는 두 가지 핵심 과정을 담당합니다.

기억을 저장하는 것은 복잡한 실행 과정에서 효과적인 방법들, 실패의 원인 및 그 적용 조건들을 식별하여 과거의 경험을 실제로 재사용 가능하도록 하는 것을 의미합니다. 반면에 기억을 검색하는 것은 새로운 작업의 요구사항에 따라 적절한 과거의 방법과 핵심 증거를 정확하게 찾아내어 경험의 누락이나 잘못된 적용을 방지하는 것을 필요로 합니다.

더 나아가, 작업 피드백은 경험의 실제 가치를 역으로 검증하는 데에도 사용될 수 있습니다. 기억의 내용을 지속적으로 업데이트하고 효과적인 피드백을 기억 기반 모델 훈련에 활용함으로써, 기억 자체의 능력을 향상시키고 경험의 축적과 에이전트의 개선이 서로를 촉진하는 과정을 형성할 수 있습니다.

02 ｜기억의 학습과 진화:

Agent가 경험을 통해 지속적으로 더 강해지도록 하세요.

Agent RSI의 경험 축적, 태스크 간 재사용 및 지속적인 개선 요구를 중심으로 MemoraX는 다음과 같이 구축되었습니다:경험 학습, 경험 이전, 그리고 피드백을 통한 최적화핵심적인 기억 능력 체계를 기반으로, 고품질의 기억 데이터 구축, 동적인 기억 조직화, 그리고 실제 작업 피드백에 기반한 최적화를 통해 기억 기반 모델을 지속적으로 훈련시킵니다. 이를 통해 에이전트는 과거의 경험에서 끊임없이 학습하여 의사결정과 실행을 개선할 수 있습니다.

태스크에서 배우기: 경험의 축적을 최적화 가능한 모델 능력으로 만들기

에이전트가 작업을 수행하는 과정에서 결과의 검증과 전략의 조정을 통해 지속적으로 새로운 경험이 생성됩니다.성공적인 결정은 후속 작업에 재사용할 수 있는 방법을 제공하며, 검증된 실패 사례들은 에이전트가 비효율적인 방안들을 배제하고 반복적인 시행착오를 줄이는 데 도움을 줍니다.하지만 경험의 가치는 종종 후속 작업에서야 드러나며, 과거를 정확하게 요약하는 것이 미래를 효과적으로 지원할 수 있다는 것을 의미하지는 않습니다. 따라서 기억 학습의 과정은 가치 있는 경험을 식별하는 것뿐만 아니라, 그 경험의 검증 근거, 환경적 제약, 적용 조건도 보존해야 합니다. 이는 경험이 누락되거나 잘못 사용되는 것을 방지하기 위함이며, 단순한 정보 요약이나 압축으로는 해결할 수 없는 문제입니다.

이 도전을 해결하기 위해, MemoraX 는 기억을 미래의 작업 수익을 위한 학습 가능한 전략으로 모델링하여, 환경 구축, 데이터 수집, 샘플 생성 및 대규모 에이전트 기반 RL(Reinforcement Learning) 훈련을 포함하는 완전한 시스템을 지속적으로 구축합니다.상호 작용 가능하고 검증 가능한 작업 환경에서 실행 궤적, 메모리 사용 기록 및 검증 피드백을 수집하여 관련 쓰기 의사 결정 및 후속 사용 효과의 훈련 샘플을 구축합니다. 후속 작업의 완료 품질, 실행 효율성 및 반복 시범 오류 상황을 결합하여 보상 신호를 설계하고 메모리 쓰기 전략을 최적화합니다.이 프로세스는 모델의 최적화 목표를 정보 추출의 정확성에서 더 확장합니다.기억이 후속 작업의 질, 실행 효율성 및 반복적인 시행착오에 미치는 실제 영향，학습은 미래의 작업에 더 유리한 기억 저장 전략을 개발하는 데 도움이 됩니다.

경험에서 학습하기: 과거의 경험을 새로운 업무에 활용하기

경험은 저장될 수 있지만, 그것이 새로운 작업에서도 효과적으로 활용될 수 있다는 것을 의미하지는 않습니다. 다양한 작업 목표, 환경 제약, 및 실행 단계에 직면했을 때, 에이전트는 적용 가능한 과거의 방법을 정확하게 식별해야 하며, 불필요한 정보의 간섭과 경험의 잘못된 전이를 피해야 합니다.

이를 위해 MemoraX는기억 내용과 접근 구조의 분리현재 작업에 따라 메모리 접근 포인트와 관련 관계를 동적으로 조정하여 동일한 역사적 정보가 다양한 사용 요구에 맞게 적용될 수 있도록 합니다.

검색 측면에서, 더 나아가서…모델 훈련을 통해 현재 작업의 요구사항과 과거의 핵심 증거들 간의 일치 관계를 학습합니다., 세부적인 증거를 결합하여 유사한 기억의 모호성을 해소하고, 중요한 경험을 정확하게 식별하는 능력을 향상시켜 “주제 관련성”과 “증거의 정확성”을 구분합니다.

경험적인 사용 단계에서, MemoraX는 현재 작업 상태와 진행 상황을 고려하여...역사적으로 축적된 일반적인 경험을 명확한 목표, 운영 제약 조건, 그리고 검증 기준을 갖춘 행동 지침으로 전환하십시오.그리고 작업 단계에 따라 동적으로 조정하여, 과거의 경험이 에이전트의 의사결정과 실행에 실제로 반영되도록 합니다.

피드백을 통해 진화: 실행 결과를 통해 기억 능력을 지속적으로 최적화합니다

RSI의 지속적인 반복 과정에서, 과거의 경험이 항상 유효한 것은 아닙니다. 새로운 과제들은 기존의 방법들을 검증할 수도 있고, 그 한계를 드러낼 수도 있습니다.실행 피드백을 활용하여 경험의 진정한 가치를 판단하고, 이를 바탕으로 기억을 지속적으로 최적화하는 것은 지속적인 자기 개선의 중요한 과정입니다.

그 중에서 가장 핵심적인 도전은 Memory Credit Assignment（기억 기여도 할당）장거리 작업은 여러 가지 과거의 경험을 활용할 수 있지만, 실제로 에이전트의 결정에 영향을 미친 경험과 단순히 읽혔을 뿐인 경험을 구분하는 것은 어렵습니다. 결국 작업이 성공했다 하더라도, 각기 다른 기억이 얼마나 기여했는지 판단하는 것은 여전히 해결해야 할 문제입니다.

이러한 도전을 바탕으로 MemoraX는기억 버전, 실제 사용 기록 및 작업 실행 피드백 간의 연관성 구축과거의 경험을 추적하여 그것이 에이전트의 행동에 실제로 영향을 미쳤는지, 그리고 사용 후의 작업 성능과 검증 결과를 파악합니다. 이를 바탕으로 기존의 기억을 지속적으로 평가하고 반복적으로 개선합니다.유효한 경험을 보존하고 강화하며, 새로운 업무 피드백에 따라 더 이상 적용되지 않는 경험을 적시에 수정해야 합니다.

이러한 실제 피드백들도지속적인 기억 기반 모델 훈련데이터 기반과 최적화 신호를 제공함으로써, 기억의 개선이 콘텐츠 수준의 업데이트에서 더 나아가 기억 모델이 경험의 가치와 기억 전략을 학습하는 데까지 확장됩니다.

03 ｜경험 축적에서 능력 향상까지:

MemoraX의 다양한 시나리오에서의 RSI(상대 강도 지수) 활용 사례

Agent RSI에 있어서, 단지 특정 작업이 얼마나 좋은 결과를 얻었는지보다 더 주목해야 할 것은과거의 경험을 지속적으로 축적하고 수정하여, 후속 작업에서 계속해서 가치를 창출할 수 있을까요?

이 과정을 중심으로, 장기적이고 복잡한 코딩, 금융 분석, 복잡한 수학적 추론이라는 세 가지 유형의 작업에서 경험의 지속적인 반복, 작업 간의 이전, 그리고 피드백을 통한 최적화 능력을 각각 검증했습니다. 또한, 기억이 어떻게 에이전트가 장기적인 작업에서의 품질과 효율성을 향상시키는 데 기여하는지에 대해서도 더 깊이 있게 확인했습니다.

（1）장거리 복잡한 코딩: 경험을 통한 반복 학습에서부터 복잡한 엔지니어링 능력 향상까지

장거리 복잡한 코딩 실험은 통신, 금융, 물류 등의 분야에서 이루어집니다. 5개의 대형 산업 분야에서 13개의 산업용 시스템 개발 작업이 진행되었으며, 총 78회의 개발 실행이 이루어졌습니다. 총 개발 시간은 300시간을 초과했으며, 단일 실행의 최대 시간은 12시간을 넘었습니다. 그 결과, MemoraX 기억 향상 솔루션의 통과율이 20% 이상 증가했으며, 주요 Coding Agent의 총 Token 소모량도 20% 이상 감소했습니다.

경험의 축적에서 재귀적 개선에 이르기까지: 기억의 자기 반복적 발전 과정

전통적인 정적 메모리가 작업 수행 중에 경험을 지속적으로 축적하고 최적화하는 데 어려움을 겪는 문제에 대해, MemoraX 팀은Memory Model–Driven RSI（Memory Model–Driven Recursive Self-Improvement）방법자체 개발한 기억 모델과 에이전트 시스템이 협력하여, 전용 기억 모델이 에이전트의 실행 추적 및 온라인 피드백에서 프로그래밍적 기억을 추출하고 업데이트하는 역할을 합니다. 그리고 에이전트 시스템은 이러한 기억을 실제 작업에 적용함으로써 경험의 추출, 작업의 적용, 효과의 검증, 그리고 기억의 업데이트라는 순환적인 반복 메커니즘을 형성합니다. 이를 통해 효과적인 경험이 지속적으로 축적되고 최적화되어 후속 작업에 활용될 수 있습니다. 장기적인 코딩 작업으로 구성된 훈련 사례에서는...여러 라운드의 기억 반복 최적화를 거쳐, 프로그래밍적 기억의 질이 10% 이상 향상되었습니다.

반복적인 반복을 통해 얻은 경험을 바탕으로, 335시간에 걸친 복잡한 엔지니어링 개발 과제에 도전합니다.

경험이 원래의 학습 과제에서 벗어나 새로운 엔지니어링 과제에 직면했을 때, 그 경험이 얼마나 큰 역할을 할 수 있을까요?

이를 위해, 이미 축적된 경험을 새로운 복잡한 엔지니어링 개발 과제에 적용할 것입니다.13개의 복잡한 소프트웨어 공학 작업 중에서 총 78번의 개발 실행이 이루어졌으며, 총 개발 시간은 335시간을 초과했습니다. 그중 단일 실행의 최대 시간은 12시간을 넘었습니다.이러한 작업들은 단순한 코드 수정을 넘어서서, 복잡한 비즈니스 로직, 모듈 간의 의존성, 그리고 대량의 테스트가 필요한 실제 엔지니어링 과제들을 포함합니다.

결과적으로, 성공률이 20% 이상 향상되었으며, 동시에 Coding Agent의 총 Token 소비량도 20% 이상 감소했습니다.

그 중에서 AccessSentinel은 대표적인 고난도 사례입니다. Agent는 완전한 기업급 권한 관리 시스템을 구축해야 하며, 이를 보장해야 합니다.엄격한 보안 제약 사항。

기억 모델의 도움을 받아서,과거의 경험은 더 이상 정적인 정보 참조에 그치지 않고, 작업 상황의 변화에 따라 에이전트(Agent)의 실행 및 검증 과정에 지속적으로 참여할 수 있게 되었습니다.개발이 시작된 후 43분부터 2시간 30분까지, 기억은 여러 중요한 시점에서 남아 있습니다.적극적으로 제공하기맞춤형 지도:

• 장치 권한이 취소될 때，장치가 다시 로그인하는 것을 금지할 뿐만 아니라, 이전에 이미 로그인한 계정들이 시스템에 계속 접근할 수 없도록 해야 합니다.
• 보안 정책을 이전 버전으로 복원할 때,역사 기록을 보존해야 할 뿐만 아니라, 이미 취소된 권한이 실수로 복원되는 것을 방지해야 합니다.
• 배치 처리 신청 시，먼저 모든 신청이 요구 사항을 충족하는지 확인해야 합니다. 모든 신청이 승인되어야만 일괄적으로 실행할 수 있으며, 일부는 성공하고 일부는 실패하는 상황을 피해야 합니다.

테스트 중에,세 번의 실행에서 평균 통과율이 45% 이상 향상되었으며, 주요 코딩 에이전트(Coding Agent)의 총 토큰 소비량은 66% 이상 감소했습니다.

(2) 복잡한 금융 분석: 증거 축적에서 독립적이고 지속적인 개선까지

금융 연구는 방대하고 분산된 자료들에서 완전하고 신뢰할 수 있는 분석과 판단을 도출해야 합니다. 관련 데이터를 찾는 것뿐만 아니라, 에이전트는 복잡한 맥락 속에서 주체, 시간, 통계 기준을 정확하게 이해하고, 다양한 증거들 간의 연관성을 구축해야 합니다. 이를 통해 정보의 누락이나 기준의 혼동으로 인해 최종 결론에 영향을 받지 않도록 해야 합니다.

MemoraX는 두 가지 서로 연결된 문제에 주목하고 있습니다:어떻게 증거를 사용하여 완전한 답변을 뒷받침할 수 있을까요, 그리고 답변 속에 있는 질문들을 어떻게 활용하여 증거의 보관 및 검색 방식을 개선할 수 있을까요?이를 위해 MemoraX는 금융 분야의 권위 있는 벤치마크인 FinRank를 기반으로 실험을 진행했습니다. 이 벤치마크는 제약, 석유가스, 자동차 등 산업에 속한 22개의 미국 상장 기업의 실제 재무 보고서를 포함하며, 다양한 기업과 기간에 걸친 복잡한 금융 데이터를 다룹니다. 이러한 과제들을 중심으로 MemoraX는 작업 피드백을 활용하여 기억의 구조와 검색 방식을 지속적으로 최적화하며, “실행 — 피드백 — 기억 개선 — 재실행”의 RSI 반복적인 순환 과정을 형성합니다. 30회 이상의 메모리 모델과 금융 분석 시스템의 협력적 반복 개발，최종적으로증거 체인의 회수율이 거의 100%에 달하며, CodeX 작업의 완료 정확도에 비해 20% 향상되었고, 비용은 거의 98% 절감되었습니다.

데이터를 찾는 것부터 판단을 뒷받침할 수 있는 증거를 조직하는 것까지

대형 제조업체의 재무 분석 작업을 예로 들면, 관련 증거들은 3년간의 연속 재무 제표, 공급업체가 공개한 정보, 그리고 유사한 산업 분야의 자료들 속에 흩어져 있습니다. 키워드나 의미적 유사성만을 기준으로 하면 주제와 관련된 내용을 찾기는 쉽지만, 그 내용이 대상 기업이나 보고 기간에 해당하지 않는 경우가 많습니다. 요약만을 보존하면 수치의 기준이나 위험이 발생하는 조건들을 놓칠 수 있습니다.

이에 대해, MemoraX는 먼저 상황에 맞는 자료를 구조화된 기억으로 전환한 다음, 답변 피드백을 바탕으로 기억의 구성 방식을 반복적으로 조정합니다. 이 과정은 금융 관련 질문과 답변의 상황에 맞춰 이루어지며, 점차적으로 금융 분야의 질문과 답변에 적합한 기억 시스템을 형성해 나갑니다.정확한 수치, 일치된 측정 단위, 그리고 출처의 추적 가능성기억 모델의 출력 특성을 고려하여, 검색 시 현재 문제와 관련된 증거들을 다시 참조하여 재고 현황, 구매 구조, 잠재적 위험 요소들을 함께 분석합니다. 이러한 조직 방식은 금융 업무의 요구사항을 고려하여정확한 수치, 일관된 측정 기준, 그리고 추적 가능한 출처요구 사항입니다.

MemoraX의 최종 작업 완료 정확도가 Codex 대조군에 비해 향상되었습니다.약 20%또한, 실제 API 사용량을 기준으로 계산한 이 방안의 비용은Codex 대조 방안에 비해 거의 98%를 절감했으며, 더 높은 통과율을 달성하는 동시에 호출 비용도 크게 줄였습니다.

답변 피드백에서 전략 반복까지: 기억력 향상을 위해 “어떻게 저장하고, 어떻게 찾아내는가”

MemoraX는 작업 피드백에 따라 증거의 누락, 관계의 혼란, 그리고 중복된 인용문들을 고려하여 기억의 정보 선택 및 조직 방식을 지속적으로 탐구하고 있으며, 훈련 과정에서 이러한 지식을 지속적으로 축적하고 있습니다.관련된 작성 결정, 기억된 내용, 그리고 후속 사용 효과 간의 상호작용 사례들,기억 모델을 최적화하기 위해 사용됩니다. 훈련된 모델은 새로운 작업에 다시 참여하며, 그 실행 결과는 작성 전략과 후속 훈련을 개선하는 데 계속 사용됩니다. 이를 통해 작업과 모델 최적화가 서로를 촉진하는 RSI(Recycle-Seek-Interact) 순환을 형성합니다. 이 과정에서 모델은 점차 발전해 나갑니다.금융 시나리오에 적합한 기억 표현의 특성중요한 수치와 적용 조건을 연결하여 저장하고, 다른 주체, 보고 기간, 출처를 구분하며, 사실과 원문 증거 간의 대응 관계를 확립합니다. 36라운드 RSI 반복 (36 rounds of RSI iteration)，MemoraX 증거 회수율이 96.49%에 달했으며, 작업의 정확도는 33.33%에서 73.33%로 향상되었습니다.

장기적으로 재무 보고서와 공지를 추적해야 하는 연구자들에게는, 동일한 자료를 기반으로 구축된 기억이 다양한 문제 해결에 활용될 수 있으며, 초기에 투자한 노력을 분산시키는 데 도움이 됩니다. 후속 분석에서 얻은 피드백을 통해 기억의 내용과 사용 전략을 계속 수정할 수 있습니다.더 완전한 답변을 제공하고, 사용을 더 경제적으로 만들며, 경험을 지속적으로 축적할 수 있도록 하세요.MemoraX는 복잡한 금융 업무에서 실질적인 가치를 제공합니다.

(3) 복잡한 수학적 추론: 경험적 피드백에서 해결 전략의 자가 반복까지

고난도 수학 추론 실험에서 MemoraX는 역사적 경험과 검증 피드백을 활용하여 에이전트가 복잡한 문제에서 추론을 지속적으로 수정하고 해결 전략을 최적화하는 능력을 더욱 탐구했습니다. IMO(국제 수학 올림피아드) 수준의 조합 최적화 문제에서 에이전트는 약 4시간 동안 지속적으로 문제를 해결하고, 600회 이상의 모델 호출이 이루어졌습니다.마침내 검증된 결과를 찾았습니다. 21개 직사각형의 최적 해결책입니다. OpenAI Codex 방식과 비교했을 때, 해결 시간이 13% 줄었고 비용은 98% 절감되었습니다.

실패로부터 최적의 해결책을 찾아내기: 피드백을 통해 추론 능력을 지속적으로 개선하기

Matilda 16×16은 제 생각에 매우 어려운 조합 최적화 문제입니다: 가능한 한 적은 수의 직사각형을 사용하여 16×16 격자 내의 240개 사각형을 모두 채우면서, 각 행과 각 열에 정확히 하나의 빈 공간이 남도록 해야 합니다. 빈 공간의 위치만 해도 이미 상당히 많습니다. 20.9 조 가지의 배열 가능성. 어려움은 실행 가능한 해를 찾는 데만 있는 것이 아니라, 더 적은 직사각형을 사용하는 방안이 존재하지 않음을 증명하는 데에도 있습니다.

이러한 도전에 직면하여, 에이전트는 검색 구조의 구축, 형식 증명, 정확한 모델링, 그리고 독립적인 감사를 중심으로 지속적으로 협력했습니다. 시스템은 처음에 27개와 23개의 후보 구조를 찾아냈지만, 23개 구조에 대한 전역 최적성에 대한 주장은 독립적인 감사에 의해 거부되었습니다.

MemoraX는 이전의 후보 솔루션, 추론 과정, 그리고 검증 피드백을 지속적으로 축적할 수 있습니다. 메모리 기반의 패턴은 성공적인 경험에서 유용한 개선 사항을 추출하고, 실패한 경험을 후속의 조정 및 문제 해결 전략을 위한 참고 자료로 전환합니다:

• 기억의 자가수정: 잘못된 결론에서 기억의 수정까지. 독립적인 감사에서 23개의 오류가 있는 최적성 증명을 거부하여 Agent가 기존의 결론을 재검토하도록 유도했으며, “실행 가능한 해가 최적의 해와 같지 않다”는 검증 결과를 기억 수정에 활용하여 후속 추론에서 동일한 오류가 반복되지 않도록 했습니다.
• 전략 자동 최적화: 기억에서의 업데이트부터 방법 개선까지. 기억 기반의 모델에서 추출한 이전의 후보 솔루션과 검증 피드백을 바탕으로, 에이전트가 모델링 방법을 조정하도록 지도하여 빈 공간과 직사각형 경계의 제약을 해결 과정에 통합했습니다. 그 결과, 각각 22개와 21개의 더 나은 솔루션을 찾아냈습니다.
• 기억의 재반복: 결과 검증에서 지속적인 최적화까지. 에이전트는 단계별로 검사를 수행하고 도구를 호출하여 정확한 해결책을 찾아냅니다. 최종적으로 해답의 최적성을 확인한 후, 새로운 검증 결과를 기억 기반 모델에 피드백하여 해결책 구축을 개선합니다. 이를 통해 향후 유사한 문제에 대한 참고 자료로 활용할 수 있습니다.

마틸다 16×16 문제의 21개 직사각형 최적 배치 방법. 검은색 사각형은 비어 있는 공간이며, 다른 색상의 영역은 직사각형 타일입니다.

이것은 에이전트가 복잡한 수학적 작업에서 지속적으로 반복할 수 있는 능력을 보여줍니다:과거의 경험은 더 이상 단순한 정적인 추론 기록에 그치지 않고, 새로운 검증 결과를 반영하여 후속의 해결 전략을 지속적으로 조정하는 데 활용될 수 있습니다.

기억에서 출발하여 지속적으로 진화하는 에이전트로

MemoraX AI(메모라X AI)는 전 화웨이 의사결정 및 추론 연구소 소장, 대규모 모델 알고리즘 연구소 소장, 지능적 의사결정 분야의 수석 전문가였던 하오젠예(Hao Jianye)가 설립했으며, 차세대 학습 가능하고 진화 가능한 에이전트 메모리 모델에 중점을 두고 있습니다.

팀이 독자적으로 개발한 Agentic RL 기술 기반의 기억 모델이 세계적으로 권위 있는 기억 관련 순위에서 1위를 차지했으며, MIT Technology Review를 비롯한 국내외 언론에서 폭넓게 보도되고 주목을 받았습니다. 이 팀의 기억 솔루션은 프로그래밍, 의료, 금융, 보안, 스마트 홈 등 다양한 산업의 선두 기업들에서 널리 채택되고 있으며, 화웨이 클라우드/텐센트 클라우드의 전략적 파트너로 활동하고 있습니다.

요즘, 팀은 기억 기반 모델을 활용한 RSI를 더욱 심화시켜 Agent가 축적한 경험을 재사용하는 것을 넘어 지속적인 학습과 자기 진화로 나아가도록 하고 있습니다. 이를 통해 AI 기억 분야에서의 선도적인 위치를 더욱 공고히 하고 있습니다. 동시에, 다양한 시나리오에서의 실제 적용을 가속화하며 B2B 산업과 B2C 제품을 위한 기억 모듈의 표준화 연구 개발과 대규모 상용화를 추진하고 있습니다.

결론

Agent RSI의 핵심은 단지 AI가 단일 작업에서 더 잘 수행되도록 하는 것에 그치지 않습니다.모든 실행이 다음 능력 향상의 기반이 되도록 하세요.성공적인 방법들, 실패로부터 얻은 경험, 그리고 적용 가능한 조건들은 장기 기억을 통해 축적되며, 새로운 작업에서 재사용 가능한 행동 지침으로 전환됩니다. 새로운 실행 결과는 다시 경험의 업데이트, 기억 전략의 최적화, 그리고 기억 기반 모델의 지속적인 학습을 촉진합니다.

MemoraX가 현재 탐구하고 있는 것은기억과 에이전트의 자기 개선이 서로를 촉진하는 상호적인 진화 경로한편으로는 기억이 Agent RSI에게 지속적으로 경험을 축적하고 작업 간에 이를 이전할 수 있는 기반을 제공하도록 하고, 다른 한편으로는 실제 작업에서의 실행 과정과 피드백이 기억 자체의 학습과 진화에 지속적으로 영향을 미치도록 합니다.

각 작업에서 경험을 쌓고, 피드백을 통해 개선을 이끌어낼 수 있다면, Agent의 능력 향상은 단순한 한 번의 실행에 국한되지 않고, 지속적으로 축적되고 자가 진화하는 과정이 될 수 있습니다.

이 글은 "기계의 마음"에서 나왔으며, 저자는 "기계의 마음"입니다.