내가 제대로 이해했는지는 모르겠지만, 이 논문은 에이전트별 탐색 자원 배분을 다루는 것으로 보임. 예를 들어 MNIST 손글씨 인식 문제를 에이전트 3개에게 맡기고 각각 10번씩 개선하게 했을 때, 최종 정확도가 90%, 80%, 89%라면 첫 번째가 승자임.
하지만 첫 번째 에이전트는 2단계부터 이미 90%였고 이후 8단계 동안 정체됐을 수 있음. 반면 세 번째는 계속 좋아지다가 10단계 제한에 걸렸을 수 있음. 모든 중간 과정을 기록했다면, 다음에는 첫 번째에 덜 쓰고 세 번째에 더 많은 자원을 주는 편이 나을 수 있음.
내가 이해한 탐색 제어기는 이런 평가와 자원 재배분을 자동화해 새 문제에도 적용하는 장치임. 다만 한 문제에서 어떤 경로가 일찍 정체됐다고 해서 다른 문제에서도 그러리라는 보장은 없는데, 새 문제에 얼마나 일반화할 수 있는지 궁금함.

기본적으로 맞게 이해했음. 새 문제에 적용하려면 메타 에이전트 관점이 필요함. 자기 진화 에이전트가 주목받는 가운데, 에이전트로 완벽한 에이전트를 설계하려는 것이며 이 논문의 탐색 제어기도 그 과제를 해결하려 함.

수학·과학 밖에서 결과를 객관적으로 검증할 수 없는 분야에도 이 접근법을 확장할 수 있을까?

직관적으로는 각 에이전트의 단계 수를 조정하기보다, 같은 단계 수로 한 차례 더 실행하겠음. 이전 시도들이 무엇을 했고 어떤 성과를 냈는지 간결하게 전달한 뒤 개선하도록 요청하는 방식임. 가용 연산량에 따라 병렬 탐색 → 결과 종합 과정을 몇 차례 반복할지 정하면 됨.

많은 문제에서는 매 단계의 정확도를 계속 파악하는 것조차 어려운데, 원래 강화학습에서도 마주치는 난점 아닌가?

왜 아무도 재귀적 자기 개선(RSI)의 위험성을 걱정하지 않는 듯한지 여기서 물어봐도 될까? 내게는 상당히 나쁜 발상처럼 보이지만, RSI를 지지하는 쪽의 논리도 듣고 싶음.

내가 잘못 이해한 게 아니라면, 이것을 RSI라고 부르는 건 오해를 부르지 않을까? 기존 학습 방법을 잘 최적화한 것으로 보이지만, 시스템이 끝없이 스스로를 개선한다는 의미의 RSI는 아닌 듯함.

이제 RSI와 AGI에 구체적인 의미가 남아 있기는 할까? 유행어처럼 느껴짐. AGI를 “지적 과제의 95%에서 인간의 95%보다 뛰어남”처럼 측정 가능하게 정의할 수는 있지만, 그 기준이면 이미 AGI가 있는데도 달성했다고 보는 사람은 거의 없음.
AI로 AI를 학습시키고, 그 AI로 또 AI를 학습시키는데 왜 RSI가 아닐까? 인간이 얼마나 개입해야 RSI가 아니게 되는지도 불분명함.

합리적인 사람이 재귀적 자기 개선이라고 할 때 떠올릴 만한 것은 확실히 아님. 아직 몇 쪽만 읽어 완전히 이해하지는 못했지만, 지속 학습에 훨씬 가까워 보임.

내가 이해하는 RSI라면 모델이 새 모델을 만들거나 자신의 가중치·구조를 개선해야 함. 여기서는 그런 일이 일어나는 것 같지 않음.

이 논문은 다음 라운드에서 에이전트 자체에 사용할 제어기·정책을 최적화하는 것임.

업계 지도자들의 말대로라면 최근 한 달쯤 사이에 이미 AGI와 RSI가 생긴 셈임. 물론 증거는 전혀 보지 못했으니 그 말을 그대로 믿어야 함.

이것을 RSI로 규정하는 것은 무리임. 탐색 정책의 반복적 온라인 최적화에 재귀적으로 지능을 개선하는 요소는 전혀 없음. 시간에 따라 시스템 상태가 바뀌면, 가용 연산 자원을 탐색 공간에서 더 유망해 보이는 영역으로 재배분할 뿐임.

과거 기록을 재생하는 시뮬레이터로 오프폴리시 평가를 해 비용이 큰 롤아웃을 피하는 발상이 영리함. 다만 이미 발견한 분기에 정책이 과적합되거나, 탐색 공간이 확장되면서 정책이 낡아지는 것은 어떻게 막는지 궁금함.

지금까지 AGI와 RSI는 모델 수준의 개념이라고 생각했는데, 이 논문은 에이전트 등을 이야기하는 듯함. 에이전트 무리가 문제 공간을 병렬로 무차별 탐색하는 게 AGI의 본질인지는 모르겠음. 내가 틀렸다는 걸 보여준다면 기꺼이 받아들이겠음.

AGI와 RSI는 원하는 뜻을 붙일 수 있는, 의미 없는 용어가 됐음. RSI가 새 유행어인 셈임. 모델은 특이점을 향해, 이 연구의 에이전트들은 학습 환경을 숙달하는 쪽으로, 우리 집 고양이는 최고의 고양이가 되는 쪽으로 스스로 RSI를 한다고 해도 될 정도임.

잘 이해가 안 되니 구체적인 실제 예시가 있으면 좋겠음. 과거 상태들을 모아 “시뮬레이터”를 만든다는 설명만으로는 부족함.

이것이 혁명적인 연구인지, 그렇다면 왜 그런지 설명해 주면 좋겠음.

공개됐다는 사실만 봐도 아마 혁명적이지는 않을 듯함.

논문에서는 “알고리즘 엔지니어링, 수학적 최적화, GPU 커널 엔지니어링 전반에서 Dream-RSI가 경쟁력 있거나 더 나은 탐색 결과의 품질을 달성하면서, 여러 설정에서 탐색 비용을 크게 줄임”이라고 설명함.

왜 혁명적이라고 가정하는 건가?

지금쯤이면 모든 연구소가 RSI를 하고 있다고 거의 확신함. 얼마나 공개적으로 발표하고 홍보하느냐의 차이라고 봄.
요즘은 경량 모델도 커널을 작성하고 최적화할 줄 앎. 내 코드베이스의 맞춤형 CUDA 커널을 DeepSeek 4.1 Flash로 대폭 튜닝해 봤는데, 충분히 유능했고 비용도 저렴했음.
혁신은 이를 뒷받침하는 실행·평가 체계에서 나올 것이며, 이 연구도 일부는 그 방향으로 보임.