성균관대학교는 권민혜 정보통신대학 전자전기공학부 교수 연구팀이 최첨단 인공지능 기술을 활용해 거대언어모델(LLM) 기반 인공지능의 고질적인 한계들을 해결한 혁신적인 연구 성과 두 건을 연달아 발표했다고 13일 밝혔다. 연구팀이 개발한 인공지능 병합 기술 'METIS'와 AI 에이전트 제어 프레임워크 'Multi²'는 기계학습 및 인공지능 분야에서 세계 최고 권위를 자랑하는 국제 학술대회인 '국제기계학습학회(ICML 2026)' 최신호에 동시에 게재 및 발표가 확정되며 전 세계 학계의 큰 주목을 받는다.
'METIS'는 다양한 과업을 해결할 수 있는 멀티태스크 AI를 만들기 위해, 서로 다른 특기를 가진 과업 특화 AI들을 하나의 모델로 융합하는 기술이다. 연구팀은 각 모델들을 일괄적으로 융합하는 대신, 각 단계에서 지식 충돌로 인한 손실을 최소화하는 점진적인 융합 전략을 도입하여 각 모델의 전문성을 안정적으로 통합할 수 있도록 했다.
METIS는 기존 과업 특화 AI들의 핵심 능력을 보존하면서도 서로 다른 전문성을 하나의 모델 안에 통합하는 데 성공했다. 이를 바탕으로 METIS는 기업이 보유한 고객 응대, 문서 분석, 코드 생성, 의사결정 지원 등 다양한 과업 특화 인공지능 모델을 하나의 통합 모델로 안정적으로 결합하는 데 활용될 수 있을 것으로 기대된다.
기존 모델을 처음부터 다시 학습하지 않고 재조합할 수 있어, 산업 현장에서 인공지능 도입 비용과 운영 부담을 낮추는 동시에 서비스 확장성과 전문성을 확보할 수 있는 핵심 기술로 평가된다. 나아가 새로운 초거대 AI를 처음부터 학습시키는 데 드는 막대한 컴퓨팅 비용과 전력 사용을 줄일 수 있다는 점에서도 의미가 크다.
두 번째 성과인 'Multi²'는 AI 에이전트가 복잡하고 긴 작업을 수행하는 과정에서 초기 목적을 잊어버리는 Objective drift 문제와 LLM의 토큰 비효율성 문제를 해결한 기술이다. 기존 AI 에이전트는 수행 단계가 길어질수록 초기 목표와의 정합성이 약화되고, 이로 인해 오류가 누적되는 한계를 가지고 있었다.
연구팀은 AI 에이전트의 의사결정 과정을 고수준에서 문제를 작은 Sub-goal로 분해하는 'System 1'과, 저수준에서 Sub-goal을 바탕으로 실제 환경에서 실행할 행동을 생성하는 'System 2'로 구분한 계층적 프레임워크를 제안했다. 각 에이전트의 역할에 최적화된 학습 방법론을 도입함으로써, 복잡한 장기 과제에서의 수행 안정성과 비용 효율성을 동시에 향상시켰다. 향후 실제 환경에서 장시간에 걸쳐 목표를 유지하며 순차적인 작업을 수행해야 하는 로봇 태스크로의 확장 가능성을 제시했다.
권민혜 교수는 “이번 연구 성과들은 최근 화두가 되는 Physical AI의 두뇌를 만드는데 핵심적인 기술”이라며 “로봇들이 장단기의 복잡한 계획을 세우면 수행해야하는 어려운 문제들 풀수 있어야 하고 이 과정에서 여러가지 다른 작업을 할 수 있는 능력을 동시에 가져야하기에 이번 연구 결과들은 Physical AI시대를 위한 핵심 주춧돌 기술이 될 것”이라고 강조했다.
조호현 기자 hohyun@etnews.com
