KAIST, '이론화 학습'과 신경망 모델 NEO 제시…정답 없이 실행 규칙 생성
ICML 2026 상위 0.7% 구두발표 선정…로봇·자율주행·과학탐구 활용 기대

인공지능에 변화 전과 변화 후의 모습만 보여주면 왜 그렇게 변했는지 스스로 원리를 찾아내는 기술이 개발됐습니다. 미래 상황을 단순히 예측하는 데서 나아가 관측 결과를 설명할 수 있는 실행 규칙을 만드는 새로운 월드모델입니다.

KAIST 전산학부 안성진 교수 연구팀이 AI가 관측한 정보만으로 스스로 세상의 작동 원리를 이론화하도 하는 새로운 학습 방식인 '이론화 학습’, L2T를 제안하고 이를 구현한 신경망 기반 이론 생성 모델 'NEO'를 개발했습니다.

월드모델은 AI가 주변 환경의 구조와 변화를 내부적으로 표현하는 기술입니다. 로봇 제어와 자율주행, 생성형 AI, 스스로 판단하고 행동하는 자율 에이전트의 기반으로 활용됩니다.

기존 월드모델은 현재 상태를 토대로 다음에 일어날 상황을 정확히 예측하는 데 집중했습니다. 하지만 결과를 잘 맞히더라도 어떤 원리로 변화가 일어났는지 설명하거나, 배운 규칙을 새로운 방식으로 조합하는 데는 한계가 있었습니다.

연구팀은 사람이 어린 시절부터 관찰을 통해 사물의 움직임과 변화에 관한 내부 규칙을 형성한다는 발달인지과학의 관점을 AI 학습에 적용했습니다.

L2T는 AI에 정답이나 사전에 정의한 규칙을 제공하지 않습니다. 변화가 일어나기 전과 후의 관측 결과만 제시하고, 두 상태를 연결하는 규칙을 모델이 직접 추론하도록 학습합니다.

연구팀이 함께 개발한 NEO는 관측된 변화에서 반복되는 구조를 찾아 실행할 수 있는 형태의 규칙으로 정리합니다. 이후 새로운 문제가 주어지면 기존에 익힌 규칙을 필요한 순서로 조합해 적용합니다.

예를 들어 NEO가 물체를 회전하거나 왼쪽과 아래쪽으로 이동하고 색을 칠하는 기본 규칙을 각각 학습했다고 가정할 수 있습니다.

학습 과정에서 보지 못했던 '아래로 이동한 뒤 색을 칠하고 회전하는' 문제가 제시되더라도 세 가지 기본 규칙을 순서대로 결합해 변화를 설명하고 과제를 수행할 수 있습니다.

기존 AI는 여러 규칙이 섞인 패턴을 하나의 사례처럼 학습하는 경향이 있어 익숙하지 않은 조합이 등장하면 성능이 크게 낮아졌습니다.

연구팀은 다양한 실험을 통해 NEO가 학습한 기본 규칙을 다시 조합해 처음 접하는 문제를 해결하는 '구성적 일반화'에서 기존 모델보다 높은 성능을 보였다고 설명했습니다.

이번 기술은 관측 데이터에서 규칙을 추론해 새로운 상황에 적용한다는 점에서 로봇과 자율주행 시스템의 환경 적응력을 높이는 데 활용될 가능성이 있습니다.

실험 결과에서 반복되는 관계를 찾아 가설 후보를 제시하는 등 과학 연구를 지원하는 AI로도 발전할 수 있을 것으로 전망됩니다.

다만 NEO가 생성한 규칙은 학습 데이터 안에서 관측된 변화를 설명하기 위한 계산 구조입니다. 사람이 세계의 인과관계를 이해하는 것과 같은 수준이라고 단정하려면 현실 환경을 대상으로 한 추가 검증이 필요합니다.

안성진 교수는 " 이버 연구는 AI의 세계 이해를 미래 예측에서 작동 원리를 설명하는 단계로 넓힌 첫걸음"이라며 "예측 중심의 월드모델을 넘어 '월드 시어리 모델'이라는 연구 방향을 제시했다"고 말했습니다.

KAIST 백두진·이규빈 석사과정 학생이 공동 제1저자로 참여한 이번 논문은 지난 9일 서울에서 열린 국제기계학습학회 ICML 2026에서 상위 0.7%에 주어지는 구두발표 논문으로 선정됐습니다. 또 ICML 구성적 학습 워크숍에서는 최우수논문상을 받았습니다.