수백만 명의 사람들이 도시를 어떻게 이동하는지 예측하는 것을 상상해 보십시오. 그들은 오전 8시에 직장으로 달려갈까요? 햇살 가득한 토요일에 공원에서 여유를 즐길까요? 커피를 마시기 위해 경로를 이탈할까요? 이것은 단순한 추측 게임이 아닙니다. 과학자들과 도시 계획가들에게는 초능력과도 같습니다. 만약 우리가 이러한 움직임을 정확하게 시뮬레이션할 수 있다면, 더 나은 교통 시스템을 설계하고, 질병이 퍼지기 전에 발생을 차단하며, 사람들에게 실제로 도움이 되는 이웃을 건설할 수 있습니다.

오랫동안 우리는 실제 사람들에게 설문조사를 요청하거나 휴대폰을 추적하는 방식으로 이를 수행하려 노력해 왔습니다. 하지만 설문조사는 종종 잊히거나 편향될 수 있고, 휴대폰 추적은 심각한 개인정보 보호 문제를 일으킵니다. 여기서 "대규모 언어 모델(LLM)"이 등장합니다. LLM을 인터넷에 있는 거의 모든 것을 읽은 매우 똑똑한 로봇 뇌라고 생각하십시오. 과학자들은 이 로봇에게 한 사람인 것처럼 행동하며, 그 사람이 다음에 어디로 갈지를 단계별로 추론하도록 요청할 수 있다는 사실을 깨달았습니다. 이는 마치 백만 명의 배우를 고용하여 도시에서의 일상을 즉흥 연기로 구현하게 하는 것과 같습니다. 문제는 무엇일까요? 이것은 믿을 수 없을 정도로 비싸고 느리다는 점입니다. 로봇 뇌에게 백만 명의 모든 단계를 생각하도록 요청하는 것은 엄청난 컴퓨터 시간과 비용을 소모하며, 이는 실제 도시 규모로 확장하는 것을 어렵게 만듭니다.

이 지점에서 리하이 대학교(Lehigh University)와 SUNY 빙햄턴(Binghamton) 연구진의 새로운 논문인 MobCache가 등장합니다. 연구진은 로봇에게 매번 처음부터 생각하게 하는 대신, 로봇의 사고 과정을 담은 "메모리 뱅크"를 구축하는 영리한 트릭을 사용했습니다. 당신이 이야기를 쓰고 있다고 상상해 보십시오. 문장을 매번 처음부터 쓰는 대신, 이전에 썼던 훌륭한 문장 파편들을 모아둔 도서관을 가지고 있는 것입니다. 만약 "화요일 아일에 잠에서 깨어나는 것"에 대한 문장이 필요하다면, 라이브러리에서 유사한 것을 가져와 약간만 수정하여 계속 써 내려가는 식입니다. 연구진은 이 작업을 수행했지만, 한 가지 차이점이 있었습니다. 그들은 단순히 단어를 저장한 것이 아니라, 단어 뒤에 숨겨진 논리를 비밀 코드(이를 "잠재 공간(latent space)"이라고 부릅니다)로 저장했습니다. 이를 통해 그들은 값비싼 로봇 뇌의 힘을 다시 빌리지 않고도, 서로 다른 사고 패턴을 혼합하고 조합하여 수백만 개의 독특하고 현실적인 일상 루틴을 만들어낼 수 있었습니다.

문제점: 로봇은 너무 느리고 너무 비싸다

연구진은 인공지능을 이용한 인간의 움직임 시뮬레이션이 현재 너무 느리고 비용이 많이 들어 대도시에서 활용하기 어렵다는 간단한 관찰에서 시작했습니다. 만약 백만 명의 사람을 단 하루 동안 시뮬레이션하려면, 컴퓨터 사용료로만 쉽게 1,000달러를 초과할 수 있습니다.

어떤 팀들은 사람들을 그룹으로 묶음으로써 이 문제를 해결하려 했습니다. 그들은 "중급 소득을 가진 모든 소프트웨어 엔지니어는 정확히 똑같이 행동할 것이다"라고 말하는 식입니다. 하지만 이는 지루하고 비현실적입니다. 실제 사람들은 다양합니다. 어떤 엔지니어는 늦게까지 일하고, 어떤 이는 늦잠을 자며, 어떤 이는 체육관에 갑니다. 모든 사람을 하나의 그룹으로 강제하여 똑같이 행동하게 만들면, 실제 삶의 "풍미"를 잃게 되어 시뮬레이션은 현실의 조잡한 복제품이 되어버립니다.

다른 팀들은 로봇에게 한 번에 많은 질문에 답하도록 요청하여 속도를 높이려 했습니다. 하지만 그럼에도 불구하고, 각각의 사람마다 로봇이 그들의 하루 전체를 처음부터 끝까지 생각해야 합니다. 이는 마치 백만 끼의 식사를 요리하기 위해 셰프를 고용하는 것과 같습니다. 재료가 대부분 비슷하더라도, 당신은 여방 식사 한 끼당 셰프에게 비용을 지불해야 합니다.

해결책: "재구성 가능한" 사고의 라이브러리

MobCache 팀은 로봇이 매번 처음부터 생각할 필요가 없다는 점을 깨달았습니다. 인간의 움직임은 보통 논리적인 사슬을 따릅니다: "잠에서 깬다", 그 다음 "날씨를 확인한다", 그 다음 "공원에 가기로 결정한다". 연구진은 로봇이 도달한 최종 답변(여행)을 저장하는 대신, 그곳에 도달하기 위해 거친 단계들을 저장하기로 했습니다.

그들은 세 가지 주요 부분으로 구성된 시스템을 구축했습니다:

1. 비밀 코드 (잠재 공간 - Latent Space): 로봇의 생각을 평문 문장으로 저장하는 대신(평문은 실수 없이 혼합하기 어렵습니다), 연구진은 이를 수학적 "임베딩(embeddings)"으로 저장했습니다. 이것은 단어 자체가 아니라 생각의 분위기나 논리를 저장하는 것입니다. 이는 악보를 저장하는 대신 음악적 코드를 저장하는 것과 같습니다. 재즈 곡의 코드와 팝송의 코드를 가져와서, 같은 키(key) 안에 있다면 그것들을 섞어 새로운 것을 만들어낼 수 있습니다.
2. 논리 검사기 (잠재 공간 평가기 - Latent-Space Evaluator): 이 생각의 코드들을 혼합할 때, 연구진은 새로운 이야기가 말이 되는지 확인해야 합니다. 그들은 특수한 "논리 검사기"를 훈련시켜 혼합된 내용을 보고 "잠깐, 이 사람은 집에 있는데 다음 단계가 직장이라고? 게다가 오늘은 일요일이잖아!"라고 말하게 했습니다. 검사기는 잘못된 조합을 거부하여 시뮬레이션된 하루가 논리적으로 타당하도록 보장합니다.
3. 번역기 (경량 디코더 - Lightweight Decoder): 일단 유효한 사고의 코드 사슬이 만들어지면, 이를 읽을 수 있는 일정표로 변환해야 합니다. 거대하고 비싼 로봇 뇌를 사용하여 이 번역 작업을 수행하는 대신, 연구진은 이 일을 수행할 작고 빠른 "디코더"를 훈련시켰습니다. 이는 전문 번역가(거대 로봇)가 빠르고 효율적인 인턴(작은 디코더)에게 번역하는 법을 가르쳐서, 인턴이 아주 적은 비용으로 업무를 수행하게 하는 것과 같습니다.

실제 적용 방식

새로운 사람의 시뮬레이션된 하루가 필요할 때, 시스템은 그 사람의 프로필(연령, 직업, 집 위치)을 확인하고 라이브러리에서 유사한 사람을 찾습니다. 그런 다음 그 사람의 사고 사슬을 가져옵니다. 그다음, 한 사람의 사고 사슬에서 한 단계를 가져오고 다른 사람의 사고 사슬에서 또 다른 단계를 가져와서, 이것이 적절한지 "논리 검사기"를 통해 확인합니다. 만약 적절하다면 성공입니다! 그렇지 않다면 다시 시도하거나 거대 로봇에게 새로운 시작을 요청합니다. 마지막으로, "번역기"는 이 혼합된 생각들을 "오전 8:00: 기상. 오전 8:30: 출근을 위해 운전"과 같은 명확한 일정표로 변환합니다.

결과: 빠르고, 저렴하며, 현실적이다

연구진은 베이징과 뉴욕시의 실제 데이터를 사용하여 이 시스템을 테스트했습니다. 결과는 인상적이었습니다.

• 속도: MobCache는 기존의 가장 뛰어난 방법들보다 83.61% 더 빨랐습니다. 한 사람의 하루치 움직임을 생성하는 데 약 1.27초가 걸렸는데, 이는 다른 방법들이 18초 이상 걸리는 것과 대조적입니다.
• 비용: 비용을 71.82% 줄였습니다. 매 시뮬레이션마다 높은 비용을 지불하는 대신, 비용은 사람당 1센트 미만의 아주 작은 금액으로 떨어졌습니다.
• 품ness (질): 이토록 빠르고 저렴함에도 불구하고, 시뮬레이션은 느리고 비싼 방식만큼이나 현실적이었습니다. 연구진은 사람들이 특정 장소에 머무는 시간이나 이동 거리와 같은 요소들을 측정했습니다. MobCache는 실제 데이터와 거의 완벽하게 일치했으며, 이는 속도를 위해 품질을 희생할 필요가 없음을 입증했습니다.

또한 연구진은 이 시스템이 거대한 규모를 처리할 수 있는지 테스트했습니다. 100,000명까지 시뮬레이션했을 때도 시스템은 느려지거나 혼란을 겪지 않았습니다. 오히려 활용할 수 있는 데이터가 많아짐에 따라 실제 패턴과 더 잘 일치하게 되었습니다. 그들은 심지어 베이징에서 구축된 라이브러리를 사용하여 뉴욕의 사람들을 시뮬레이션하기도 했습니다. 완벽하지는 않았지만 놀라울 정도로 잘 작동했으며, 이는 사람들이 움직이는 논리가 서로 다른 도시 간에도 공유될 수 있음을 보여주었습니다.

이것이 중요한 이유

이 논문은 MobCache가 대규모 시뮬레이션의 게임 체인저임을 시사합니다. 도시가 어떻게 움직이는지 이해하기 위해 백만 명의 비싼 로봇을 고용할 필요가 없다는 것을 증명합니다. 움직임 그 자체보다는 움직임의 논리를 저장하고 재사용함으로써, 우리는 훨씬 적은 시간과 비용으로 수백만 명을 시뮬레이션할 수 있습니다.

이는 도시 계획가들이 새로운 지하철 노선이나 팬데믹 봉쇄 조치가 교통과 사람들의 삶에 어떤 영향을 미칠지 알아보기 위해 수천 개의 "만약에(what-if)" 시나리오를 실행할 수 있음을 의미합니다. 이는 과거에 너무 비싸고 느렸던 과업을 빠르고 쉽게 수행할 수 있는 작업으로 바꾸어 놓으며, 모두를 위한 더 스마트하고 안전하며 효율적인 도시를 향한 문을 열어줍니다. 연구진은 이것이 단순한 미세 조정이 아니라, 대규모로 인간의 행동을 이해하기 위해 AI를 사용하는 방식의 근본적인 변화라고 강조합니다.