Nemobot Games: 대규모 언어 모델(LLM)을 활용한 상호작용 학습을 위한 전략적 AI 게임 에이전트 제작

본 논문은 대규모 언어 모델(Large Language Models, LLMs)을 활용하여 클로드 섀넌(Claude Shannon)의 게임 플레이 기계 분류법(taxonomy of game-playing machines)을 확장하고 구현하는 새로운 AI 게임 프로그래밍 패러다임을 소개합니다. 이 패러다임의 핵심은 Nemobot입니다. Nemobot은 사용자가 LLM 기반 게임 에이전트를 생성, 맞춤 설정 및 배포할 수 있도록 하며, 동시에 AI 주도 전략에 능동적으로 참여하게 하는 상호작용적인 에이전트 엔지니어링 환경입니다. Nemobot에 통합된 LLM 기반 챗봇은 네 가지의 뚜렷한 게임 클래스 전반에 걸쳐 그 역량을 보여줍니다.

사전형(dictionary-based) 게임의 경우, 상태-행동 매핑(state-action mappings)을 효율적이고 일반화된 모델로 압축하여 신속하게 적응합니다. 엄격하게 해결 가능한(rigorously solvable) 게임에서는 수학적 추론을 사용하여 최적 전략을 계산하고 결정에 대한 사람이 읽기 쉬운 설명을 생성합니다. 휴리스틱 기반(heuristic-based) 게임의 경우, 고전적인 미니맥스 알고리즘(minimax algorithms)(예: shannon1950chess 참고)에서 얻은 통찰력과 크라우드소싱 데이터(crowd-sourced data)를 결합하여 전략을 합성합니다. 마지막으로, 학습 기반(learning-based) 게임에서는 인간의 피드백(human feedback) 및 자기 비판(self-critique)을 활용한 강화 학습(reinforcement learning)을 통해 시행착오(trial-and-error)와 모방 학습(imitation learning)을 거쳐 전략을 반복적으로 개선합니다.

Nemobot은 사용자에게 도구 증강 생성(tool-augmented generation) 및 전략적 게임 에이전트의 미세 조정(fine-tuning)을 실험할 수 있는 프로그래밍 가능한 환경을 제공함으로써 이 프레임워크를 확장합니다. 전략 게임부터 역할극 게임(role-playing games)에 이르기까지, Nemobot은 AI 에이전트가 크라우드소싱 학습과 인간의 창의성을 통합하여 자체 논리를 반복적으로 개선함으로써 일종의 자가 프로그래밍(self-programming)을 달성할 수 있음을 보여줍니다. 이는 자가 프로그래밍 AI라는 장기적인 목표를 향한 한 걸음입니다.