에이전트 월드 모델링: 기초, 능력, 법칙 및 그 너머

AI 시스템이 텍스트 생성을 넘어 지속된 상호작용을 통해 목표를 달성하는 단계로 이동함에 따라, 환경 역학을 모델링하는 능력이 핵심 병목 현상이 되고 있습니다. 물체를 조작하거나 소프트웨어를 탐색하며 타인과 협력하거나 실험을 설계하는 에이전트들은 예측 가능한 환경 모델을 필요로 하지만, '월드 모델 (World Model)'이라는 용어는 연구 커뮤니티마다 다른 의미를 지닙니다. 우리는 두 축을 따라 구성된 "레벨 x 법칙 (levels x laws)" 분류 체계를 도입합니다. 첫 번째 축은 세 가지 능력 수준을 정의합니다: L1 예측기 (Predictor) 는 단一步의 지역 전이 연산자 (transition operators) 를 학습하고, L2 시뮬레이터 (Simulator) 는 이를 도메인 법칙을 준수하는 다단계 행동 조건부 롤아웃 (rollouts) 으로 구성하며, L3 진화기 (Evolver) 는 예측이 새로운 증거에 의해 실패할 때 스스로 모델을 수정합니다. 두 번째 축은 물리적, 디지털, 사회적, 과학적이라는 네 가지 지배 법칙 체제 (governing-law regimes) 를 식별합니다. 이러한 체제는 월드 모델이 충족해야 할 제약 조건과 가장 실패할 가능성이 높은 영역을 결정합니다. 이 프레임워크를 활용하여 400 여 편의 연구를 종합하고, 모델 기반 강화학습 (model-based reinforcement learning), 비디오 생성, 웹 및 GUI 에이전트, 다에이전트 사회 시뮬레이션, AI 주도 과학 발견을 아우르는 100 여 개의 대표 시스템을 요약합니다. 우리는 레벨-체제 쌍에 따른 방법론, 실패 모드, 평가 관행을 분석하고, 의사결정 중심의 평가 원칙과 최소한의 재현 가능한 평가 패키지를 제안하며, 아키텍처 가이드라인, 미해결 문제, 거버넌스 과제를 개요합니다. 이를 통해 도출된 로드맵은 이전에 고립되어 있던 커뮤니티들을 연결하고, 수동적인 다음 단계 예측에서 에이전트가 작동하는 환경을 시뮬레이션하여 궁극적으로 재형상 (reshape) 할 수 있는 월드 모델로의 전환 경로를 제시합니다.