AgentSociety: Large-Scale Simulation of LLM-Driven Generative Agents Advances Understanding of Human Behaviors and Society

이 논문은 대규모 LLM 기반 에이전트와 현실적인 사회 환경을 통합한 시뮬레이션 'AgentSociety'를 제안하여 1 만 명 이상의 에이전트 간 500 만 건의 상호작용을 시뮬레이션함으로써 양극화, 보편적 기본소득, 자연재해 등 주요 사회적 이슈에 대한 인간 행동과 메커니즘을 연구하는 새로운 패러다임을 제시합니다.

핵심

🏗️ 1. 이 시뮬레이션은 어떤 '게임'일까요?

기존의 사회 연구는 실제 사람을 대상으로 설문조사를 하거나, 복잡한 수식으로만 사회 현상을 예측했습니다. 하지만 이는 비용이 많이 들고, 윤리적 문제도 있으며, "왜 그런 일이 일어났는지" 그 깊은 이유를 파악하기 어려웠습니다.

이 논문은 **"만들지 않으면 이해할 수 없다"**는 물리학자의 말을 따랐습니다. 즉, 사회를 실제로 '만들어보겠다'는 것입니다.

• 비유: 마치 마인크래프트 (Minecraft) 같은 게임에서 수많은 NPC(비플레이어 캐릭터) 를 배치하고, 그들이 스스로 집을 짓고, 장사를 하고, 친구를 사귀며 도시를 만들어가는 것과 비슷합니다. 하지만 이 게임의 NPC 들은 단순한 프로그램이 아니라, **대규모 언어 모델 (LLM, 우리가 ChatGPT 같은 AI 를 생각하면 됩니다)**의 두뇌를 가진 '생각하는 인간'들입니다.

🧠 2. AI 인간들은 어떻게 '살아' 있을까요?

이 시뮬레이션의 핵심은 AI 인간들이 단순히 규칙대로 움직이는 게 아니라, 진짜 사람처럼 생각하고 느끼는 것입니다.

• 마음 (Mind): AI 인간들은 기쁨, 슬픔, 분노 같은 감정을 가지고 있고, 배고픔이나 안전, 사랑 같은 욕구가 있습니다. 또한 기후 변화나 정치 문제 같은 것에 대한 **생각 (인지)**도 가지고 있죠.
• 행동 (Behavior): 이 마음들이 모여 행동을 만듭니다.
  • 배고프면? -> 식당으로 이동합니다 (이동 행동).
  • 외롭다면? -> 친구에게 메시지를 보냅니다 (사회적 행동).
  • 돈이 필요하면? -> 일을 하거나 물건을 삽니다 (경제 행동).
• 비유: 마치 인형극을 보는 것인데, 이 인형들이 스스로 대본을 쓰고, 감정을 느끼며, 관객 (연구자) 의 지시 없이도 스스로 무언가를 결정합니다.

🌆 3. 현실 같은 '무대' (환경)

AI 인간들이 살아가려면 현실과 똑같은 배경이 필요합니다. 이 시뮬레이션은 다음과 같은 환경을 정교하게 만들었습니다.

• 도시 공간: 실제 도로, 지하철, 상점, 공원 등이 있습니다. 비가 오면 우산을 쓰고, 교통 체증이 있으면 우회로를 찾습니다.
• 사회 공간: SNS 와 같은 온라인 네트워크가 있어 친구와 대화하고, 뉴스도 봅니다.
• 경제 공간: 은행, 회사, 정부 기관이 있어 월급을 받고, 세금을 내고, 이자를 받습니다.

이 모든 것이 실제 데이터를 바탕으로 만들어져서, AI 인간들이 현실의 사람들과 거의 똑같은 생활 패턴을 보입니다.

🧪 4. 어떤 실험을 해봤나요? (실제 사례)

연구진은 이 가상 도시에서 5 가지 중요한 사회 실험을 진행했습니다.

1. 양극화 (Polarization): 사람들이 같은 생각만 가진 친구들끼리만 대화하면 의견이 얼마나 극단적으로 변하는지 보았습니다. (결과: 같은 생각만 들으면 더 극단적으로 변함)
2. 혐오 메시지 확산: 가짜 뉴스나 감정적인 글이 어떻게 퍼지는지, 그리고 플랫폼이 이를 막을 때 어떤 효과가 있는지 실험했습니다. (결과: 글을 올리는 사람을 차단하는 것이 네트워크를 끊는 것보다 효과적임)
3. 기본소득 (UBI): 모든 사람에게 무조건 월 1,000 달러를 주면 경제와 정신 건강에 어떤 영향을 미치는지 시뮬레이션했습니다. (결과: 소비는 늘고 우울감은 줄어듦 - 실제 텍사스 실험 결과와 유사)
4. 허리케인 (재난): 태풍이 오면 사람들이 어떻게 이동하고 대피하는지 예측했습니다. (결과: 실제 태풍 당시의 이동 패턴과 매우 비슷하게 반응)
5. 도시의 지속 가능성: "친환경적으로 살자"는 캠페인을 어떻게 하면 효과적으로 퍼뜨릴 수 있는지 실험했습니다. (결과: "남들이 다 한다"는 말보다 "내가 도덕적으로 해야 한다"는 생각이 행동 변화를 더 잘 이끔)

🚀 5. 왜 이것이 중요한가요?

이 시뮬레이션은 **사회과학의 '새로운 시대 (2.0)'**를 열었습니다.

• 비용 절감: 실제 사람을 대상으로 실험할 때 드는 막대한 비용과 시간을 아낄 수 있습니다.
• 안전한 실험실: "만약 기본소득을 주면 경제가 망할까?" 같은 위험한 실험을 실제로 해볼 수는 없지만, 이 가상 도시에서는 안전하게 시도해볼 수 있습니다.
• 미래 예측: 정책 결정자 (대통령, 시장 등) 가 새로운 정책을 만들기 전에, 이 시뮬레이션에서 먼저 결과를 보고 "이 정책이 잘될지, 안 될지" 미리 알아볼 수 있습니다.

💡 요약

에이전트 소사이어티는 **"AI 로 만든 1 만 명의 가상 인간들이 사는 가상 도시"**입니다. 여기서 우리는 실제 사회에서 실험하기 어려운 일들을 미리 해보고, 사회 문제를 해결하는 방법을 찾아냅니다. 마치 사회라는 복잡한 퍼즐을 풀기 위해, AI 로 만든 '가상 실험실'을 만들어 퍼즐 조각들을 미리 맞춰보는 것과 같습니다.

이 기술은 앞으로 우리가 살아가는 사회를 더 안전하고, 공정하며, 지속 가능하게 만드는 데 큰 역할을 할 것으로 기대됩니다.

기술 요약

1. 문제 제기 (Problem)

사회과학에서 인간 행동과 사회를 이해하는 것은 핵심 과제이지만, 기존 연구 방법론에는 다음과 같은 한계가 존재합니다.

• 실험의 비용과 윤리적 제약: 전통적인 사회 실험은 비용이 많이 들고, 윤리적, 실용적 어려움이 따릅니다.
• 기존 시뮬레이션의 비현실성: 기존 에이전트 기반 모델 (ABM) 은 규칙, 방정식, 또는 단순한 머신러닝 모델에 기반하여, 인간의 복잡한 자연어 의사소통, 정서, 사회적 맥락을 충분히 반영하지 못했습니다.
• 규모와 상호작용의 부재: 대규모 사회 현상 (예: 양극화, 정보 확산) 을 연구하려면 수천~수만 명의 에이전트 간 복잡한 상호작용이 필요하지만, 기존 LLM 기반 에이전트들은 소규모로 제한되거나 환경과의 상호작용이 부족했습니다.
• 생성적 사회과학 (Generative Social Science) 의 필요성: 단순히 관찰하고 예측하는 것을 넘어, 인간 사회를 '창조 (생성)'하여 그 작동 원리를 이해해야 한다는 패러다임 전환이 요구됩니다.

2. 방법론 (Methodology)

저자들은 AgentSociety라는 대규모 사회 생성 시뮬레이터를 제안했습니다. 이는 세 가지 핵심 구성 요소로 이루어져 있습니다.

A. LLM 기반 생성적 사회 에이전트 (LLM-driven Social Generative Agents)

단순한 역할극을 넘어 심리학, 경제학, 행동과학 이론을 통합하여 설계된 에이전트입니다.

• 마음 (Minds):
  • 정서 (Emotion): 외부 자극에 대한 즉각적인 반응 (슬픔, 기쁨, 분노 등 6 가지 기본 정서) 을 모델링합니다.
  • 욕구 (Needs): 매슬로의 욕구 단계 이론을 기반으로 생존부터 자아실현까지의 동기를 계층적으로 관리합니다.
  • 인지 (Cognition): 태도, 신념, 그리고 타인의 의도를 이해하는 마음 이론 (Theory of Mind) 을 포함합니다.
• 행동 (Behaviors):
  • 이동 (Mobility): 욕구에 기반한 이동 계획 수립, POI(관심사) 선택, 중력 모델 (Gravity Model) 을 활용한 공간 최적화.
  • 사회적 상호작용: 가족, 친구, 동료 관계망 기반의 온라인/오프라인 대화 및 정보 교환.
  • 경제 활동: 고용, 소비, 저축, 세금 납부 등 거시경제 환경과의 상호작용.
• 마음 - 행동 결합 (M-B Coupling): 에이전트의 내부 심리 상태 (정서, 욕구, 인지) 가 구체적인 행동으로 이어지는 과정을 '스트림 메모리 (Stream Memory)'를 통해 기록하고 피드백 루프를 형성합니다.

B. 현실 기반 사회 환경 (Realistic Societal Environment)

에이전트가 실제 사회와 유사하게 행동할 수 있도록 물리적, 사회적, 경제적 제약을 반영한 환경을 구축했습니다.

• 도시 공간 (Urban Space): OpenStreetMap 및 SafeGraph 데이터를 기반으로 도로망, AOI(지역), POI(장소) 를 모델링하고, SUMO 와 유사한 교통 시뮬레이션 (운전, 도보, 버스, 택시) 을 구현합니다.
• 사회 공간 (Social Space): 소셜 네트워크 구조를 모사하며, '슈퍼바이저 (Supervisor)'를 통해 메시지 필터링, 차단, 알고리즘적 정보 확산 제어 기능을 제공합니다.
• 경제 공간 (Economic Space): 기업, 정부, 은행, 가구를 포함한 거시경제 모델 (소득, 세금, 이자율, GDP 등) 을 구현하여 실제 경제 순환을 시뮬레이션합니다.

C. 대규모 시뮬레이션 엔진 (Large-scale Simulation Engine)

10,000 명 이상의 에이전트를 동시에 구동하기 위한 고성능 아키텍처입니다.

• 분산 처리: Ray 프레임워크를 활용하여 멀티 프로세스 분산 컴퓨팅을 수행하고, asyncio 를 통해 I/O 대기 시간을 최소화합니다.
• 메시징 시스템: MQTT 프로토콜을 사용하여 수만 개의 에이전트 간 고처리량 (High-throughput) 메시지 전송을 구현했습니다. 이는 IoT 환경의 통신 패턴을 차용한 것입니다.
• 확장성: TCP 포트 자원 제한을 우회하기 위해 '에이전트 그룹 (Agent Group)' 단위로 프로세스를 묶어 연결 재사용을 최적화했습니다.

3. 주요 기여 (Key Contributions)

1. 대규모 고충실도 시뮬레이션 플랫폼: 10,000 명 이상의 에이전트가 1 일 평균 500 회 이상의 상호작용을 수행하며, 500 만 건 이상의 상호작용을 생성할 수 있는 최초의 통합 플랫폼을 제시했습니다.
2. 다학제적 이론 통합: 심리학 (정서/욕구), 경제학 (거시경제 모델), 사회학 (사회적 관계) 이론을 LLM 에이전트 설계에 유기적으로 결합하여 인간과 유사한 행동 패턴을 구현했습니다.
3. 사회과학 실험 도구 상자: 설문조사, 인터뷰, 개입 (Intervention) 등 전통적인 사회과학 연구 방법을 시뮬레이션 환경에 통합하여, 정책 평가 및 사회 현상 분석을 위한 테스트베드 역할을 수행합니다.
4. 성능 최적화: MQTT 기반 메시징과 Ray 기반 분산 처리를 통해 기존 LLM 멀티에이전트 시스템의 확장성 한계를 극복하고, 실시간 대규모 시뮬레이션이 가능하도록 했습니다.

4. 실험 결과 (Results)

AgentSociety 는 5 가지 주요 사회적 이슈에 대한 실험을 통해 유효성을 입증했습니다.

• 성능 평가:
  • 100 만 명의 에이전트 환경에서도 환경 시뮬레이션 속도가 크게 저하되지 않음을 확인했습니다.
  • MQTT 기반 메시징 시스템은 Redis Pub/Sub, RabbitMQ, Kafka 대비 높은 안정성과 적절한 처리량을 보여주었습니다.
  • 10,000 에이전트 시뮬레이션에서 병렬 처리 (32 개 그룹) 를 통해 실행 시간을 획기적으로 단축했습니다.
• 사회 실험 사례:
  1. 양극화 (Polarization): 동질적 상호작용 (Echo Chamber) 은 극단화를 심화시키고, 이질적 상호작용은 중도적 의견을 형성하여 극단화를 완화함을 확인했습니다.
  2. 선동적 메시지 확산: 선동적 메시지는 일반 콘텐츠보다 빠르게 확산되며, '노드 (계정) 차단'이 '엣지 (관계) 차단'보다 확산 억제에 더 효과적이었습니다.
  3. 보편적 기본 소득 (UBI): UBI 정책 도입 시 에이전트의 소비 수준이 증가하고 우울감 지수 (CES-D) 가 감소하여, 텍사스 주의 실제 실험 결과와 유사한 패턴을 재현했습니다.
  4. 외부 충격 (허리케인): 허리케인 발생 시 에이전트의 이동 활동량이 급감했다가 회복되는 패턴이 실제 관측 데이터와 높은 일치도를 보였습니다.
  5. 도시 지속가능성: 다양한 환경 규범 개입 (개인적 규범 강조 등) 이 에이전트의 저탄소 이동 행동 변화로 이어짐을 확인했습니다.

5. 의의 및 중요성 (Significance)

• 컴퓨팅 사회과학 2.0 의 시작: 정적 분석을 넘어, 동적이고 상호작용적인 대규모 에이전트 시뮬레이션을 통해 복잡한 사회 시스템을 이해하는 새로운 패러다임을 제시합니다.
• 정책 결정 지원: 실제 실험의 비용과 위험 없이 다양한 정책 (UBI, 탄소세, 재난 대응 등) 의 효과를 사전에 평가하고 최적의 전략을 도출할 수 있는 '디지털 트윈' 역할을 합니다.
• 위험 관리 및 예측: 사회적 위기, 정보 확산, 팬데믹 등 예측 불가능한 사건의 시나리오를 생성하여 대응 전략을 수립하는 데 기여합니다.
• 미래 인간-AI 사회 탐구: AI 와 인간이 공존하는 미래 사회의 구조를 탐구하고, 새로운 거버넌스 모델을 검증할 수 있는 전략적 모래상자 (Sandbox) 로서의 가치를 지닙니다.

결론적으로, AgentSociety 는 LLM 의 언어 능력을 사회과학적 이론과 결합하여, 인간 사회의 복잡성을 고충실도로 재현하고 분석할 수 있는 획기적인 도구로 평가됩니다.