Knowledge-driven Reasoning for Mobile Agentic AI: Concepts, Approaches, and Directions

이 논문은 제한된 자원과 간헐적 연결 환경에서 모바일 에이전트 AI 의 성능을 향상시키기 위해 과거 실행 데이터에서 재사용 가능한 의사결정 구조를 추출하고 동기화하여 온디바이스 추론에 주입하는 지식 기반 추론 프레임워크를 제안하며, 지식 노출이 비단조적으로 작용한다는 점을 강조합니다.

핵심

이 논문은 **"휴대용 AI 가 어떻게 더 똑똑하고, 빠르고, 에너지를 아껴가며 일할 수 있을까?"**에 대한 해답을 제시합니다.

기존의 AI 는 거대한 클라우드 서버 (하늘의 거인) 에 연결되어 모든 것을 계산하고 기억했습니다. 하지만 드론이나 로봇 같은 **'휴대용 AI(모바일 에이전트)'**는 배터리가 작고, 인터넷 연결이 자주 끊기며, 머릿속 (메모리) 이 좁습니다. 이런 환경에서 AI 가 실수 없이 일을 잘하려면 어떻게 해야 할까요?

이 논문은 **"과거의 경험을 지혜로 바꿔서, 매번 처음부터 다시 고민하지 않게 하는 것"**이 핵심이라고 말합니다. 이를 **'지식 기반 추론 (Knowledge-driven Reasoning)'**이라고 부릅니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 핵심 비유: "현미경으로 보는 나침반" vs "두꺼운 지도책"

상상해 보세요. 당신이 낯선 도시에서 길을 찾아야 합니다.

• 기존 방식 (클라우드 의존): 매번 길을 잃을 때마다 스마트폰으로 "여기서 어디로 가야 해?"라고 검색하고, 서버가 답을 보내오기를 기다립니다. 인터넷이 끊기면 당황하고, 답을 받기까지 시간이 걸립니다.
• 이 논문이 제안하는 방식 (지식 기반): 과거에 이 도시를 여러 번 다녔던 경험에서 "이 길은 막히니까 우회해야 해", "이 건물 옆은 안전해" 같은 **핵심 팁 (지식)**을 작은 메모장에 적어둡니다. 인터넷이 끊겨도 이 메모장만 보면 바로 길을 찾을 수 있습니다.

이 논문은 이 '메모장'을 어떻게 만들고, 언제 꺼내 써야 가장 효율적인지 연구했습니다.

2. 지식의 4 가지 형태 (AI 의 뇌 속 도구상자)

논문은 지식을 단순히 '정보'가 아니라, 어떤 형태로 저장하느냐에 따라 4 가지로 나눕니다.

1. 검색 지식 (Retrieval Knowledge): "유튜브 검색"

   • 비유: "어제 비가 와서 길이 미끄러웠던 적이 있었지?"라고 과거의 비슷한 상황을 찾아보는 것.
   • 장점: 비슷한 상황을 바로 찾아서 해결책을 복사해 쓸 수 있어 빠릅니다.
   • 단점: 상황이 조금만 달라져도 엉뚱한 과거 사례를 가져와 실수할 수 있습니다.

2. 구조 지식 (Structured Knowledge): "건축 설계도"

   • 비유: "건물을 지을 때는 기초를 먼저 다져야 해"라는 규칙과 법칙.
   • 장점: 실수할 확률이 적고, 어떤 순서로 해야 하는지 명확합니다.
   • 단점: 구체적인 해결책은 아니니까, 설계도만 보고 바로 건물을 지을 수는 없습니다.

3. 절차 지식 (Procedural Knowledge): "요리 레시피"

   • 비유: "먼저 달걀을 깨고, 그다음에 소금을 넣고..."라는 단계별 행동 요령.
   • 장점: 생각할 필요 없이 순서대로 따라만 하면 됩니다. 가장 빠르고 에너지를 아끼죠.
   • 단점: 레시피가 틀렸거나 상황에 맞지 않으면 (예: 비가 와서 달걀이 젖었을 때), 그대로 따라 하다가 망칩니다.

4. 매개변수 지식 (Parametric Knowledge): "요령 (직관)"

   • 비유: 요리사처럼 직관으로 "이 정도면 다 익었겠지?"라고 바로 판단하는 것.
   • 장점: 가장 빠르고 외부 도움 없이 바로 결정합니다.
   • 단점: 낯선 상황 (예: 완전히 새로운 재료) 이 나오면 엉뚱한 직관을 쓸 수 있습니다.

3. 가장 중요한 발견: "지식은 많을수록 좋은 게 아니다" (역설)

이 논문의 가장 놀라운 결론은 **"지식을 너무 많이 주면 오히려 AI 가 멍청해진다"**는 것입니다.

• 지식이 너무 적을 때: AI 는 매번 "어떻게 하지?"라고 고민하며 헤매야 합니다. (시간과 배터리 낭비)
• 지식이 너무 많을 때: AI 는 "어느 레시피를 써야 하지? 저건 옛날 거고, 이건 새 건데..."라며 정보 과부하가 옵니다. 서로 충돌하는 지식이 많아져서 오히려 고민이 길어지고 실수를 합니다.
• 적당한 때 (최적점): 상황에 딱 맞는 핵심 지식만 주면, AI 는 가장 빠르고 정확하게 일을 처리합니다.

이를 **"지식 노출의 비단조성 (Non-monotonic tradeoff)"**이라고 합니다. 즉, 지식을 많이 넣는다고 해서 성능이 계속 좋아지는 게 아니라, 적당히 넣었을 때 가장 좋습니다.

4. 실제 실험: 드론이 우주를 날다 (UAV 사례)

논문은 이 이론을 드론 (UAV) 에 적용해 검증했습니다.

• 상황: 드론이 지상 기지국과 통신이 끊기는 (인터넷이 안 되는) 상황에서 장애물을 피하고 사용자에게 전파를 보내야 합니다.
• 결과:
  • 클라우드에 의존한 드론: 통신이 끊기면 당황해서 일을 못 하거나, 다시 연결될 때까지 기다려야 해서 실패했습니다.
  • 지식 없는 드론: 매번 처음부터 계산하느라 배터리가 빨리 닳고, 실수도 많았습니다.
  • 지식을 가진 드론 (이 논문의 방법): 기지국이 드론에게 **"이런 상황일 때는 이렇게 해"**라는 작은 지식 뭉치를 미리 주었습니다. 통신이 끊겨도 이 지식을 꺼내서 100% 성공했고, 배터리도 훨씬 아꼈습니다.

5. 요약: 우리가 배울 점

이 논문은 미래의 AI 가 스마트폰이나 드론처럼 작은 기기에서도 잘 작동하려면 다음과 같이 해야 한다고 말합니다.

1. 과거의 경험을 '지혜'로 바꾸자: 매번 새로 계산하지 말고, 유용한 패턴을 찾아내어 저장하자.
2. 지식을 잘 분류하자: 규칙, 레시피, 직관 등 상황에 맞는 형태로 저장하자.
3. 적당히 주자: 지식을 무작정 많이 주지 말고, 필요할 때 딱 맞는 것만 주어야 AI 가 가장 똑똑해진다.

결론적으로, **"작은 기기에서도 큰 일을 하려면, 무거운 서버에 의존하기보다 스스로의 '경험과 지혜'를 잘 활용하는 것이 핵심"**입니다.

기술 요약

1. 문제 정의 (Problem Definition)

• 배경: 에이전트 AI 가 클라우드 중심에서 스마트폰, 엣지 로봇, 무인 항공기 (UAV) 와 같은 모바일 플랫폼으로 확장되고 있습니다.
• 제약 사항: 모바일 에이전트는 엄격한 SWAP-C(크기, 무게, 전력, 비용) 제약과 간헐적인 무선 연결성을 겪습니다. 이는 온디바이스 컴퓨팅 능력과 클라우드 접근성을 제한합니다.
• 핵심 문제: 기존 연구는 주로 통신 효율성 (단일 라운드) 을 최적화하는 데 집중했습니다. 그러나 모바일 에이전트는 시간이 지남에 따라 목표, 환경, 사용자 선호도가 변화하는 연속적인 작업 스트림을 수행해야 하므로, 단순한 통신 효율성보다는 **지속적인 유능성 (Sustained Competence)**이 필요합니다.
• 도전 과제: 매번 새로운 작업을 위해 맥락을 재구성하기 위해 대역폭과 에너지를 반복적으로 소모하는 대신, 재사용 가능한 구조를 식별하고 이를 효율적으로 동기화하여 추론 지연, 에너지 소비, 오류 누적을 줄이는 것이 핵심입니다.

2. 방법론 (Methodology)

저자들은 지식 기반 추론 (Knowledge-driven Reasoning) 프레임워크를 제안하며, 데이터 - 정보 - 지식 - 지혜 (DIKW) 계층 구조를 에이전트 시스템에 맞게 재해석합니다.

A. DIKW 기반 분류 체계

• 데이터 (Data): 원시 관측치 (Raw observations).
• 정보 (Information): 실행 중 생성된 에피소드 범위의 흔적 (인터랙션 궤적, 도구 사용 기록, 결과 등).
• 지식 (Knowledge): 누적된 실행 정보에서 추출되어 작업 간 (Cross-task) 전이가 가능하도록 만든 재사용 가능한 영구 자산.
  • 지식의 수명 주기는 추출 (Extraction), 동기화 (Synchronization), 활성화 (Activation) 로 분리됩니다.

B. 지식 표현의 4 가지 유형 및 역할

추론 경로를 어떻게 변형하는지에 따라 지식을 4 가지로 분류하고 그 트레이드오프를 분석합니다.

1. 검색 지식 (Retrieval Knowledge): 텍스트 조각, 인덱싱된 문서 등 인스턴스 단위 기록. 유사한 과거 사례를 직접 재사용하여 추론 단계를 축소합니다. (단점: 유사도가 낮으면 잘못된 해답으로 고정될 수 있음)
2. 구조적 지식 (Structured Knowledge): 연산자 트리, 제약 조건 네트워크 등 명시적 심볼 형태. 작업 클래스의 구조를 인코딩하여 유효하지 않은 옵션을 조기에 제거하고 탐색을 안정화합니다.
3. 절차적 지식 (Procedural Knowledge): 실행 가능한 절차, 제어 흐름 템플릿. 개방형 탐색을 결정론적인 작업 흐름으로 변환하여 분기 (Branching) 와 백트래킹을 줄입니다.
4. 매개변수 지식 (Parametric Knowledge): 모델 가중치에 내재된 분산 표현. 외부 메모리 없이 저지연 추론이 가능하지만, 분포 변화 (Distribution Shift) 에 취약하고 검증이 어렵습니다.

C. 비단조적 트레이드오프 (Non-monotonic Tradeoff)

• 핵심 발견: 지식 노출량은 추론 비용에 비단조적 (Non-monotonic) 영향을 미칩니다.
  • 지식 부족: 비용이 많이 드는 시행착오 (Trial-and-error) 재계획을 유발.
  • 지식 과다: 상충되는 단서 (Conflicting cues) 와 할루시네이션을 유발하여 추론 비용과 오류 위험을 증가시킴.
  • 최적 구간: 관련성 인식 (Relevance-aware) 활성화가 이루어진 적정량의 지식이 추론 비용과 신뢰성을 동시에 최적화합니다.

3. 주요 기여 (Key Contributions)

1. DIKW 기반 운영 분류 체계 정립: SWAP-C 및 무선 제약 하에서 데이터, 정보, 맥락, 지식의 역할과 수명 주기를 명확히 구분했습니다.
2. 지식 기반 추론 메커니즘 공식화: 추론을 비용이 발생하는 궤적 (Trajectory) 으로 모델링하고, 4 가지 지식 표현 (검색, 구조, 절차, 매개변수) 이 궤적 길이, 분기, 실패 모드에 미치는 영향을 분석했습니다.
3. 비단조적 활성화 트레이드오프 발견 및 검증: 지식 노출량과 추론 비용 간의 비단조적 관계를 이론적으로 규명하고, UAV 사례 연구를 통해 실험적으로 입증했습니다.

4. 실험 결과 (Results)

시나리오: 간헐적인 백홀 (Backhaul) 연결과 런타임 중단 (Runtime Disruption) 이 발생하는 저고도 UAV 공중 기지국 미션.

• 환경: 8x8 그리드, 정적 장애물, 시간 변동 비행 금지 구역 (NFZ), 8Mbps 서비스 속도 요구사항.
• 비교 대상:
  • Qwen no k: 지식 없이 온디바이스 추론 (3B 파라미터 모델).
  • Qwen with k: 홈 스테이션에서 동기화된 지식 팩 (구조, 검색, 절차 지식 포함) 을 적용한 온디바이스 추론.
  • Gemini no k: 지식 팩 없이 온디바이스 실행 (더 강력한 매개변수 지식).
  • Home replan: 클라우드 기반 재계획 (간헐적 연결 시 실패).
  • DRL PPO: 비-LLM 기반 심층 강화학습 (마이크로 액션 단위).

주요 결과:

1. 신뢰성: 지식 팩을 적용한 Qwen with k는 **100% 미션 성공률 (오류 0)**을 달성했습니다. 반면, 지식 없는 Qwen no k는 신뢰성이 낮고 위반률이 높았습니다.
2. 추론 비용: Qwen with k는 Qwen no k보다 추론 단계 (Reasoning Steps) 와 토큰 소비량이 현저히 감소했습니다. 지식 팩이 유효하지 않은 옵션을 조기에 제거하고 검색을 줄였기 때문입니다.
3. 클라우드 vs 온디바이스: 클라우드 재계획 (Home replan) 은 백홀 중단 시 연결이 끊겨 실패할 수 있으나, 캐시된 지식을 가진 온디바이스 에이전트는 간헐적 연결에서도 안정적으로 작동했습니다.
4. 비단조성 검증 (Fig. 5): 지식 노출 수준 (K) 을 변화시킨 실험에서, **적당한 수준 (K=3)**에서 추론 단계와 토큰 소비가 최소화되었습니다. K 가 너무 작으면 검색 비용이, 너무 크면 불필요한 조정 (Reconciliation) 비용이 증가하여 성능이 저하되었습니다.

5. 의의 및 결론 (Significance)

• 패러다임 전환: 모바일 에이전트 AI 는 단순한 데이터 전송이 아닌, **지식 기반의 능력 진화 (Knowledge-driven Capability Evolution)**로 전환해야 함을 강조합니다.
• 설계 원칙: 무선 네이티브 에이전트 시스템 설계 시, 지식 저장량을 극대화하는 것이 아니라 **관련성 인식 활성화 제어 (Relevance-aware Activation Control)**와 통신 인식 지식 패키징을 최우선 설계 원칙으로 삼아야 합니다.
• 실용성: 제한된 자원 (SWAP-C) 과 불안정한 통신 환경에서도, 온디바이스 모델이 외부에서 동기화된 컴팩트한 지식 팩을 활용함으로써 클라우드 의존도 없이 높은 신뢰성과 효율성을 달성할 수 있음을 입증했습니다.
• 미래 방향: 적응형 활성화 게이팅 (Activation Gating) 을 통해 지식 선택과 무선 자원 할당을 공동 최적화하고, 점진적인 미션 경험을 통한 온라인 지식 촉진 (Promotion) 연구가 필요함을 제시합니다.

이 논문은 모바일 에이전트가 제한된 환경에서도 장기적으로 유능하게 작동할 수 있도록, 추론 과정을 재구성하는 지식의 역할과 관리 전략에 대한 체계적인 이론과 실증적 근거를 제공합니다.