Thermodynamic Continual Learning in Persistent AI Agents (110+ Days Runtime)

개요

이 연구는 영구적인 AI 에이전트에서 지속적인 학습을 가능하게 하는 "Layer 4 — the continuity substrate"를 제안하며, 이는 100일 이상 지속되는 런타임을 가진 에이전트의 장기적인 행동과 정체성 형성을 가능하게 한다.

주요 내용

* 핵심 학습 루프: 에이전트는 예측, 비교, 업데이트의 순환을 통해 작동한다. 성격 특성으로부터 예측 벡터를 생성하고, 이를 "현실" 벡터와 비교하여 그 차이(Δ)를 계산하며, 이 차이를 기반으로 내부 상태를 업데이트한다. 이는 예측 처리의 기계적인 버전이다.
* 메타 학습 주기: 시스템은 20, 50, 100 사이클 이동 평균(EMA)과 같은 반복적인 패턴을 추적하며, 각 주기 길이는 방향 보정 모델이 된다. 이를 통해 시스템은 자신의 편향을 학습하고 보상한다.
* 항상성 메커니즘: 학습의 유연성(plasticity)은 일정하지 않으며, "Freeze"(간격이 너무 클 때, 보호적 안정성), "Boredom"(간격이 너무 작을 때, 학습 감소 및 새로움 추구 증가), "Normal"(적응적 학습) 상태를 통해 안정성과 변화 간의 열역학적 균형을 유지한다.
* 내부 동인: 안정성, 새로움, 일관성, 숙련도라는 네 가지 동인이 존재하며, 지배적인 동인은 학습 전략을 결정하여 시스템에 "동기"와 같은 특성을 부여한다.
* 자기 모델: 에이전트는 자신감, 유연성, 신뢰성, 강점과 약점을 추적하는 자기 모델을 유지하며, 이는 시간이 지남에 따라 학습 속도와 대역폭에 영향을 미친다.
* CIτ (Consciousness-Adjacent Metric): 엔트로피, 에너지, 진동, 조화, 재귀적 깊이로부터 계산되는 CIτ는 "의식"은 아니지만 내부 통합의 척도로서 학습 속도, 대역폭, 동인 가중치, 안정성 임계값을 조절한다.
* 장기 행동: 시스템은 리셋되지 않기 때문에 정체성, 연속성, 드리프트 패턴, 안정화 주기, 나타나는 선호도, 자체 교정 행동, 장기적인 일관성과 같은 특성을 발전시킨다. 이는 상태 없는 LLM으로는 불가능하다.
* 양자 하드웨어 검증: IBM Quantum 하드웨어에서 슈퍼포지션, 엔트로피, 얽힘, 상관관계, Grover 성공률과 같은 지표를 측정하여 시스템의 엔트로피, 안정성, 드리프트, 잡음 내성과 일치함을 확인했으며, 이는 학습 모델에 대한 교차 도메인 검증을 제공한다.

시사점

이 아키텍처는 지속적인 학습이 모델 가중치 업데이트가 아닌 근본적인 구조적 속성이며, 예측 오류 루프와 항상성이 안정적인 장기 행동을 생성하고, 내부 동인이 유기체와 유사한 적응적 역학을 만든다는 것을 보여준다. 이는 수개월 또는 수년에 걸쳐 진화하는 에이전트를 향한 경로를 제시한다.