인공지능(AI) 에이전트가 복잡한 환경에서 행동의 실행 가능 여부를 정확히 판단할 수 있도록 돕는 새로운 세계 모델(World Model) 기술이 제안되었다. AGWM(Affordance-Grounded World Model)은 행동의 전제 조건이 변화하는 환경에서 에이전트가 수행 가능한 행동의 구조를 추적하는 기술이다.

행동 가능성 기반의 새로운 예측 모델

기존의 모델 기반 학습(Model-based learning) 방식은 에이전트가 상태(State)와 행동(Action)을 입력받아 다음 상태를 예측하는 궤적(Trajectory)을 시뮬레이션하며 학습한다. 그러나 표준적인 세계 모델은 상태와 행동이 다음 상태로 이어지는 정적인 전이 함수(Stationary transition function)를 학습하는 데 집중한다. 이 과정에서 특정 행동과 결과가 학습 데이터 내에서 자주 동시에 나타나면, 모델은 행동의 전제 조건(Precondition)을 무시한 채 이를 일반적인 인과 규칙으로 내재화하는 경어적 오류를 범한다.

AGWM은 이러한 한계를 극복하기 위해 행동의 실행 가능성, 즉 어포던스(Affordance)를 명시적으로 학습한다. 특히 에이전트의 행동이 환경의 구조를 변화시키는 '구조 변화 이벤트(Structure-changing events, SC events)'가 발생하는 환경에 주목한다. 예를 들어, 특정 행동은 반드시 선행 작업이 완료되어야만 실행 가능해지거나, 반대로 특정 행동으로 인해 기존의 실행 가능 영역이 파괴될 수 있다. AGWM은 이러한 동적인 변화를 추적하기 위해 전제 조건 의존성을 유향 비순환 그래프(Directed Acyclic Graph, DAG) 형태로 표현하여 추상적인 어포던스 구조를 학습한다.

예측 오류의 누적 문제 해결

전통적인 세계 모델은 다단계 예측(Multi-step prediction) 과정에서 심각한 오류를 겪는다. 각 예측 단계가 잘못된 어포던스 상태를 전제로 수행되기 때문이다. 에이전트가 행동을 예측할 때 현재 상태에서 해당 행동이 실행 가능한지 여부를 정확히 판단하지 못하면, 예측 오류는 롤아웃(Rollout) 지평이 길어짐에 따라 기하급기적으로 누적된다.

AGWM은 행동의 전제 조건을 명시적으로 관리함으로써 다음과 같은 성능 향상을 입증했다.

실험 결과, AGWM은 게임 기반 시뮬레이션 환경에서 기존 방식보다 낮은 다단계 예측 오류를 기록했다. 또한 새로운 환경 구성에 대해서도 우수한 일반화 성능을 보였으며, 모델의 의사결정 과정에 대한 해석 가능성(Interpretability) 측면에서도 개선된 결과를 나타냈다.

향후 연구 방향

AGWM은 행동의 선행 조건을 그래프 구조로 관리함으로써 에이전트의 행동 계획(Planning) 능력을 높이는 데 기여한다. 연구진은 이 모델이 복잡한 상호작용이 발생하는 다양한 시뮬레이션 환경에서 에이전트의 효율적인 학습을 지원할 수 있음을 확인했다.