AI 탐색 호출 162배 줄여…동일 조건은 1.7배

본문

구글 연구진이 과거 탐색 기록을 재활용해 AI 에이전트 호출 비용을 낮추는 방법을 제시했다. 서로 다른 조건에서는 호출량이 162배 줄었지만, 동일한 Gemini-3.1-Pro 환경에서는 감소 폭이 약 1.7배였다. 구글 연구진이 과거 탐색 기록을 재활용해 AI 에이전트 호출 비용을 낮추는 ‘드림-RSI(Dream-RSI)’를 제시했다. Lasso 정규화 경로 문제에서 기존 방식보다 에이전트 호출을 최대 162배 줄였지만, 동일한 모델과 설정을 적용한 비교에서는 감소 폭이 약 1.7배였다. [구글 딥마인드], 메릴랜드대학교, 버지니아대학교 연구진은 14일 arXiv 논문을 통해 드림-RSI를 소개했다. 이 방식은 기초 AI 모델의 가중치를 다시 학습하지 않고 탐색 순서와 병렬 처리, 중단 시점 등을 조정하는 오케스트레이션 계층을 개선한다.

먼저 AI 에이전트가 온라인에서 후보 해법을 찾고 각 시도와 결과를 ‘디스커버리 트리’에 기록한 뒤, 이를 ‘리플레이 시뮬레이터’로 바꿔 새로운 탐색 정책을 평가한다.

SimpleTES는 gpt-oss-120b를 사용해 5만1200회의 generation을 수행했지만, 드림-RSI는 Gemini-3.1-Pro 기반으로 317회의 discovery-agent call을 사용했다. 두 수치를 단순 비교하면 드림-RSI의 호출량이 약 162배 적다. 드림-RSI는 317회 호출과 2931.0밀리초를 기록해 연구진이 제시한 동일 계열 비교에서 호출량을 약 1.7배 줄였다. 이 결과는 AI 모델 자체의 능력을 높였다기보다 탐색 작업에 투입되는 호출과 실행 순서를 조정한 데서 나온 것이다. 프로젝트 페이지는 리플레이 시뮬레이터가 기록된 탐색 공간 안에서는 정확하지만, 그 범위를 넘어선 결과는 보장하지 않는다고 설명한다.