기술 요약: 사람들은 새로운 게임을 추론하기 위해 빠르고 평면적인 시뮬레이션을 사용한다

문제 정의

인공지능과 인지 과학은 기존의 숙련된 게임(예: 체스, 바둑)에서 나타나는 전문가 수준 및 초인적 성능에 대해 광범ively 연구해 왔으나, 인간이 이전에 경험해 보지 못한 새로운 문제 설정에 대해 어떻게 추론하는지에 대한 이해에는 여전히 상당한 공백이 존재한다. 현실 세계의 의사결정은 흔ual히 사전 경험 없이도 규칙과 보상의 체계를 탐색해야 하는 상황을 요구하지만, 기존의 인간 게임 플레이 모델들은 심층 트리 탐색(deep tree search)과 방대한 경험을 가정하며, 이는 초심자에게는 계산적으로 불가능한 모델이다. 본 연구가 다루는 핵심 질문은 다음과 같다: 인간은 어떻게 제로(zero)의 사전 노출 상태에서 완전히 새로운 전략적 환경을 신속하게 평가하고, 행동을 선택하며, 결과를 예측하는가?

방법론

실험 설계

저자들은 1,000명 이상의 참가자와 121개의 독특한 2인용 전략 보드게임 데이터셋을 활용하여 일련의 대규모 행동 연구를 수행하였다. 이 게임들은 M-N-K 계열(예: 틱택토, 커넥트-4)에서 파생되었으나 보드 차원, 승리 조건(예: K-in-a-row, 미제르 규칙), 전이 역학(예: 오프닝 수, 비대칭 규칙) 측면에서 체계적으로 변형되었다. 결정적으로, 거의 모든 게임은 참가자들에게 생소한 것이었다.

연구는 다음 세 가지 설정에서 추론을 평가하였다:

1. 게임 평가 (Zero-Shot): 참가자들은 게임을 실제로 플레이하기 전, 자연어 설명과 보드 묘사만을 바탕으로 게임을 평가하였다. 과업에는 승리/무승부 확률 추정(객관적 공정성)과 기대되는 "재미(funness)" 등급 매기기(주관적 몰입도)가 포함되었다.
2. 행동 선택: 참가자들은 새로운 게임을 다른 초심자와 단 한 라운드 동안 플레이하였다. 이들의 수 선택을 기록하여 첫 번째 의사결정 과정을 분석하였다.
3. 행동 예측: 참가자들은 다른 사람들이 새로운 게임을 플레이하는 영상을 시청하고 특정 다음 수의 가능성을 예측함으로써, 타인의 추론을 시뮬레이션하는 능력을 평가받았다.

계산 모델: "직관적 게이머 (The Intuitive Gamer)"

저자들은 인간의 성능을 설명하기 위해 직관적 게이머라는 계산적 인지 모델을 제안한다. 이 모델은 네 가지 핵심 메커니즘으로 정의된다:

1. 빠름 (Fast): 철저한 탐색 대신 적은 수의 정신적 시뮬레이션($k \approx 5\text{--}7$)에 의존한다.
2. 평면적 (Flat/Depth-Limited): 플레이어 모듈은 행동을 선택할 때 심층 트리 탐색 대신 단 한 단계의 앞을 내다보는(depth-1) 룩어헤드(lookahead)만을 수행한다.
3. 목표 지향적 (Goal-Directed): 행동 가치는 자신의 목표($U_{self}$)와 상대방의 진행을 저지하는 것($U_{opp}$)을 평가하는 추상적이고 국소적으로 평가 가능한 휴리스틱 함수와 보조 센터 편향 휴리스틱($U_{aux}$)에 기반한다.
4. 확률적 (Probabilistic): 행동은 추정된 가치에 대한 소프트맥스(softmax) 분포를 통해 선택되며, 추론은 결과 분포를 추정하기 위해 여러 자기 대국(self-play) 궤적을 샘플링하는 과정을 포함한다.

비교 베이스라인

직관적 게이머는 다음 모델들과 비교되었다:

• 전문가 게이머 (Expert Gamer): 특정 게임에서 인간 전문가의 플레이에 맞춰 조정된, 더 깊은 탐색(약 depth-5)과 더 정교한 가치 함수를 가진 모델.
• 랜덤 게이머 (Random Gamer): 행동을 균등하게 무작위로 선택하는 모델.
• 몬테카를로 트리 탐사 (MCTS): 근사적 오라클로 사용되는 계산 집약적인 AI 알고리즘.
• 언어적/특징 모델 (Linguistic/Feature Models): 시뮬레이션 없이 표면적인 게임 설명에만 의존하는 모델.

주요 결과

1. 게임 평가 (플레이 전)

• 객관적 공정성: 직관적 게이머 모델은 인간의 게임 페이오프(공정성) 추정치와 $R^2 = 0.81$의 상관관계를 보였으며, 이는 인간 데이터의 반분 신뢰도($R^2 = 0.82$)와 일치한다. 이 모델은 전문가 게이머($R^2 = 0.65$), MCTS($R^2 = 0.60$), 랜덤 모델을 유의미하게 능가했다.
• 주관적 재미: 직관적 게이머의 시뮬레이션에서 도출된 특징들(균형, 사고에 대한 보상, 게임 길이)을 사용하는 회귀 모델은 인간의 재미 등급을 $R^2 = 0.57$로 예측하였으며, 이는 인간 데이터의 설명 가능한 분산 상한선($R^2 = 0.60$)에 근접했다.
• 구성 요소 분석: 소거 연구(Ablation studies)를 통해 네 가지 핵심 구성 요소(빠름, 평면성, 목표 지향성, 확률적 시뮬레이션) 중 하나라도 제거하면 인간의 판단에 대한 모델의 적합도가 유의미하게 저하됨을 확인하였다.

2. 행동 선택 및 예측

• 첫 번째 플레이: 직관적 게이머는 단일 라운드 게임플레이에서 초심자들이 실제로 둔 수를 가장 잘 예측하였으며, 로그 가능도 테스트(log-likelihood tests)에서 전문가 게이머 및 랜덤 모델을 유의미하게 앞질렀다 ($p < 0.001$).
• 분포 예측: (시청 및 예측 과업에서) 직관적 게이머의 예측 분포는 인간의 판단(전체 변동 거리로 측정)과 가장 가까웠으며, 종종 인간의 노이즈 상한선(noise ceiling)과 일치하였다.
• 무승부 결정: 무승부 요청을 수락하거나 거절하는 인간의 결정은 직관적 게이머의 기대값과 게임 길이를 포함하는 로지스틱 회귀에 의해 가장 잘 모델링되었다. 이는 플레이어가 객관적 보상과 주관적 몰입(재미) 및 시간 비용 사이에서 절충함을 시사한다.

3. 효율성

직관적 게이머는 대안들보다 수 차례 더 효율적이다. 이 모델은 전문가 게이머보다 약 700배 빠르며, MCTS보다는 실제 실행 시간 기준으로 40,000배 더 빠르다. 그러면서도 이러한 자원 집약적인 모델들보다 인간의 행동을 더 정확하게 포착한다.

의의 및 주장

본 논문은 전문성 형성 전(pre-expertise)의 추론에 대한 새로운 계산적 설명을 제공한다고 주장한다. 저자들은 인간의 인지가 새로운 영역에서 (전문가처럼) 깊고 철저한 탐색에 의존하거나, 혹은 순수하게 무작위적인 것이 아니라고 주장한다. 대신, 사람들은 자원 합리적(resource-rational) 전략을 사용한다: 즉, 빠르고, 평면적이며, 목표 지향적이고, 확률적인 정신적 시뮬레이션을 실행한다.

주요 기여는 다음과 같다:

• 경험적 증거: 단순한 깊이 제한 시뮬레이션 모델이 복잡한 전문가 모델보다 121개의 다양한 새로운 게임에 걸쳐 인간의 추론을 더 잘 포착한다는 것을 입증하였다.
• 통합 프레임워크: 동일한 "직관적 게이머" 메커니즘이 게임의 속성 평가(공정성, 재미)와 그 안에서의 행동 선택을 모두 설명함을 보여주었다.
• AI 설계에 대한 시사점: 더 유연하고 인간과 유사한 AI 시스템은 단순히 최대의 계산량을 투입하여 과업을 해결하는 데 집중할 것이 아니라, 인간이 새로운 것에 대해 빠르게 평가하는 능력을 모방하여, 해당 과업에 참여할 가치가 있는지 신속하게 평가하는 메커즘을 통합해야 함을 시사한다.

저자들은 모델의 범위에 대해 겸허한 태도를 유지하며, 현재 모델이 익숙한 장르 내의 완전 정보 기반 2인 경쟁 보드게임으로 제한되어 있음을 언급한다. 이들은 이러한 "게임에 대한 직관적 이론"을 이해하는 것이 과학적 탐구나 창의적 문제 해결을 포함한 복잡하고 새로운 시스템에 대한 더 넓은 인간 추론 모델으로 나아가는 단계라고 상정한다.