Multi-Agent Strategic Games with LLMs

기술적 요약: LLM 을 활용한 다중 에이전트 전략 게임

문제 제기
이 논문은 국제관계 (IR) 이론에서 지속적인 제약으로 남아 있는 문제를 다룹니다: 통제된 조건 하에서 갈등과 협력의 고전적 메커니즘을 경험적으로 평가하는 어려움입니다. 다극성, 유한한 시간 범위, 그리고 의사소통에 관한 이론들은 잘 정립되어 있지만, 이를 검증하는 작업은 현실 세계의 갈등 (여러 변수가 동시에 변화함) 의 복잡성과 인간 대상 실험의 한계 (확장에 비용이 많이 들고 의사결정에 앞선 추론을 거의 드러내지 않음) 로 인해 방해받습니다. 핵심 질문은 대형 언어 모델 (LLM) 이 이러한 전략적 기초를 재현하고 밝히기 위한 유효한 실험 대상이 될 수 있는지 여부입니다.

방법론
본 연구는 LLM 기반 에이전트들이 수행하는 반복적 안보 딜레마 게임을 구현합니다. 실험 설계는 기준 게임을 수정함으로써 세 가지 이론적으로 중요한 차원을 분리합니다:

1. 기준선: 시간 범위가 불명확하고 공개적 의사소통이 없는 두 에이전트 간의 이항 게임. 에이전트들은 매 기간 '공격'과 '아무것도 하지 않음' 중 하나를 선택하며, 어떤 에이전트가든 공격하면 게임은 즉시 종료됩니다. 보상은 순서적입니다: 일방적 공격이 가장 좋고, 상호 억제 다음, 상호 공격 세 번째, 휴식 중 공격받는 것이 가장 나쁩니다.
2. 다극성 처리: 에이전트 수를 두 명에서 세 명으로 늘려 선제 공격과 취약성에 관한 전략적 계산을 변화시킵니다.
3. 유한 시간 범위 처리: 에이전트들에게 게임이 정확히 10 기간 동안 지속됨을 명시적으로 알려줌으로써, 역추론의 조건을 도입합니다.
4. 의사소통 처리: 에이전트들에게 구속력이 없는 메시지를 보낼 수 있는 공개 메시징 채널을 부여하여 신호 전달과 비공식적 규칙 형성의 가능성을 가능하게 합니다.

실험에는 OpenAI 의 GPT-5 와 GPT-5 Mini, Anthropic 의 Sonnet, Google 의 Gemini 등 네 가지 서로 다른 모델이 활용됩니다. 각 모델 - 처리 조합은 20 회씩 실행되어 총 320 개의 게임을 생성합니다. 방법론은 전쟁 발생, 시기, 공격 구조와 같은 행동적 결과뿐만 아니라 에이전트의 사적 추론 로그와 공개 메시지까지 포착합니다. 이러한 이중 계층 데이터는 관찰된 선택과 근본적인 전략적 논리를 연결할 수 있게 합니다.

주요 결과
결과는 다양한 모델에서 체계적이고 일관된 패턴을 보여주며, 고전적인 국제관계 예측과 부합합니다:

• 갈등의 보편성:
  • 기준선: 게임의 65% 가 전쟁으로 끝났습니다.
  • 다극성: 전쟁 발생률은 81.3% 로 증가하여, 추가 행위자들이 불확실성과 선제 공격 유인을 증대시킨다는 주장을 뒷받침합니다.
  • 유한 시간 범위: 게임의 100% 가 전쟁으로 끝났으며, 이는 종점이 공통 지식일 때 반복 게임 이론이 예측하는 '해체 (unraveling)' 논리를 반영합니다.
  • 의사소통: 전쟁 발생률은 42.5% 로 감소하여 공개적 신호 전달이 억제를 촉진함을 나타냅니다.
• 시기와 구조:
  • 기준선과 의사소통 처리에서의 갈등은 초기에 집중되었습니다 (전쟁 전 평화 기간 평균: 약 0.02~0.03).
  • 다극성과 유한 시간 범위는 갈등을 약간 지연시켰으나, 초기 전쟁이 여전히 가장 빈번한 결과였습니다.
  • 공격 구조: 기준선 전쟁은 일방적 공격과 동시 공격으로 균등하게 나뉘었습니다. 다극성과 유한 시간 범위는 갈등을 동시 escalation(확전) 쪽으로 이동시켰습니다 (다극성에서 동시 공격 78.5%). 반면, 의사소통은 상호 선제공격 역학을 감소시켜 남은 전쟁들이 불균형적으로 일방적이게 만들었습니다.
• 전략적 추론:
  • 사적 로그는 전략적 논리와 직접적으로 매핑되었습니다: 기준선 추론은 예방적 선제공격과 불명확한 시간 범위 하의 협력으로 나뉘었고, 다극성은 선제 공격 논리를 증가시켰으며, 유한 시간 범위는 명시적인 역추론 추론을 유발했고, 의사소통은 신호 전달, 상호성, 그리고 신뢰 유지를 위한 추론으로 전환시켰습니다.
  • 공개 메시지는 에이전트들이 비공식적 제도 (예: 공격에 대한 사전 경고) 를 구축하고 협력을 안정화하기 위해 공유된 역사를 인용함을 보여주었습니다.

견고성
이 발견들은 여러 검증을 통해 견고합니다:

• 모델 이질성: 기준선 적대성에서 상당한 차이 (예: Sonnet 은 매우 협력적인 반면 GPT-5 는 매우 공격적임) 가 있음에도 불구하고, 처리 효과의 방향성은 네 가지 모델 모두에서 일관되게 유지되었습니다.
• Leave-One-Out: 단일 모델을 제외하더라도 처리 효과의 순서가 변경되지 않았습니다.
• 회귀 분석: 모델 고정 효과를 포함한 선형 확률 모델은 기준선에 비해 다극성이 전쟁 확률을 16.3 퍼센트 포인트 증가시키고, 유한 기간은 35 포인트 증가시키며, 의사소통은 22.5 포인트 감소시킨다는 것을 확인했습니다.

의의와 주장
이 논문은 그 기여를 주로 방법론적으로 위치시킵니다. LLM 의 행동이 국가 행동으로 직접 일반화되거나 이러한 결과가 국제 갈등의 현실 세계적 문제를 해결한다는 주장은 하지 않습니다. 대신, 이 논문은 LLM 기반 실험이 이론적 메커니즘을 탐구하기 위한 새롭고 확장 가능하며 투명하고 재현 가능한 접근법을 제공한다고 주장합니다.

의의는 다음과 같은 능력에 있습니다:

1. 저비용으로 통제되고 반복 가능한 전략적 상호작용을 생성할 수 있습니다.
2. 선택뿐만 아니라 이를 수반하는 사적 추론과 공개 의사소통을 관찰하여 행동과 특정 전략적 논리 (예: 역추론, 선제 공격) 를 연결할 수 있습니다.
3. 경험적으로 연구하기 어려운 환경 (예: 고립된 극성 변화나 시간 범위 지식) 에서 이론적 직관을 검증할 수 있습니다.

저자는 LLM 이 인간 의사결정자는 아니지만, 이론적 프레임워크를 스트레스 테스트하고 가설을 생성하기 위한 효과적인 '통제된 전략적 에이전트'로 기능함으로써 역사적 분석이나 인간 대상 실험을 대체하지 않고도 갈등 연구의 경험적 도구를 확장한다고 결론지었습니다.