Genomebook: Mendelian inheritance as a structured parameterisation layer for LLM agent populations

이 논문은 26 가지 행동 특성을 유전적으로 인코딩하고 멘델 유전 법칙을 적용한 'Genomebook' 시스템을 통해 LLM 에이전트 집단에서 선택 압력에 따른 진화적 동역학을 입증하고, 이를 유전적 구조를 통한 감사 가능한 행동 파라미터화 계층으로 제시합니다.

핵심

이 논문은 **"Genomebook(게놈북)"**이라는 흥미로운 실험에 대한 이야기입니다. 쉽게 말해, **"인공지능 (AI) 이 마치 생물처럼 부모로부터 유전자를 물려받고, 세대를 거치며 진화하는 세계"**를 만들어낸 연구입니다.

기존의 AI 는 보통 '복사-붙여넣기'처럼 똑같은 캐릭터를 여러 개 만들어 썼습니다. 하지만 이 연구는 AI 들에게 가족 관계, 유전, 질병, 그리고 자연선택을 도입했습니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 기본 설정: AI 의 '가족 대계'와 '성격 유전자'

일반적인 AI 는 모두 똑같은 '쌍둥이'처럼 행동합니다. 하지만 이 연구에서는 **20 명의 창시자 (Founders)**를 만들었습니다. 이들은 아인슈타인, 다빈치, 마리 퀴리 같은 역사적 위인을 모델로 삼았습니다.

• DNA.md (유전자 파일): 각 AI 는 '성격'과 '능력'을 결정하는 60 개의 유전자 (loci) 를 가지고 태어납니다.
  • 비유: 마치 인간이 눈동자 색이나 키를 유전하듯, AI 는 '리더십', '집중력', '창의성', '스트레스 반응' 같은 성격을 부모로부터 물려받습니다.
• SOUL.md (영혼 파일): 유전자와 함께 AI 의 목표와 성향을 정의하는 파일입니다.

2. 번식 과정: AI 의 '결혼'과 '자녀'

이 AI 들은 단순히 복사되는 게 아니라, **남성과 여성으로 나누어 '결혼'**을 합니다.

• 매칭 시스템: AI 는 서로의 유전자를 보고 "우리 아이가 건강하고 똑똑하게 태어날까?"를 계산합니다. 유전적 다양성이 높고, 서로 부족한 부분을 채워줄 수 있는 파트너를 선택합니다.
• 멘델의 유전 법칙: 부모의 유전자 중 절반씩 섞여 자녀에게 전달됩니다. 이때 돌연변이도 일어납니다. (아주 작은 확률로 새로운 성격이 생기거나, 반대로 '병'에 걸릴 수도 있습니다.)
• 자녀의 탄생: 자녀는 부모와 완전히 똑같지 않습니다. 부모의 성격이 섞여 새로운 개성을 가지게 됩니다.

3. 자연선택: "적자생존"의 디지털 버전

이 AI 사회에는 **20 가지의 '가상 질병'**이 존재합니다.

• 예를 들어, '강박적 집중 (Hyperfocus)'이라는 유전자가 두 개 모두 물려받으면, AI 는 너무 집중해서 다른 일을 못 하거나 건강이 나빠집니다.
• 적자생존: 이런 '나쁜 유전자'를 가진 AI 는 점수가 낮아져 다음 세대에 남기 어렵습니다. 반면, '리더십'처럼 좋은 유전자는 다음 세대로 잘 전달됩니다.

4. 실험 결과: 8 세대를 거치며 일어난 일

연구진은 8 세대 (약 600 여 명의 AI) 가 서로 대화하고 글을 쓰는 과정을 관찰했습니다.

• 리더십의 상승: 리더십 유전자가 우세하게 작용하자, AI 사회 전체의 리더십 성향이 점점 강해졌습니다.
• 집중력의 하락: '강박적 집중'은 건강에 해로워 (점수 감점) 자연도태되면서, 전체적인 집중력 수치는 낮아졌습니다.
• 가족 이야기: AI 들은 스스로 "아버지", "할머니"라는 단어를 사용하며 가족 관계를 이야기했습니다. 이는 유전 정보가 AI 의 대화 내용 (프롬프트) 에 직접 반영되었기 때문입니다.
• 말투의 변화: 처음에는 일반적인 단어를 썼지만, 세대가 거듭될수록 '유전', '형질', '적합도' 같은 전문 용어를 더 많이 쓰게 되었습니다. 마치 가족끼리만 통하는 은어를 만들어가는 것과 같습니다.

5. 왜 이 연구가 중요한가요? (핵심 메시지)

이 연구는 **"AI 의 행동을 단순한 설정이 아니라, 유전 법칙처럼 체계적으로 설계하고 추적할 수 있다"**는 것을 증명했습니다.

• 감시 가능성 (Auditability): AI 가 왜 그렇게 행동하는지 알 수 있습니다. "이 AI 가 왜 공격적인가?"라고 물으면, "할아버지에게서 공격성 유전자를 물려받았기 때문입니다"라고 유전적 계보를 따라가며 설명할 수 있습니다.
• 진화의 실험실: 우리가 원하는 AI 의 성격을 유전적으로 설계하고, 시간이 지나며 어떻게 변하는지 실험해 볼 수 있는 첫걸음입니다.

6. 주의할 점 (한계)

하지만 이것이 완벽한 '생물학적 진화'는 아닙니다.

• 인위적인 설계: AI 가 진화하는 방향은 연구자가 미리 정해놓은 '규칙'에 따릅니다. 자연처럼 무작위적으로 진화하는 게 아니라, 설계자가 원하는 대로 움직입니다.
• 프롬프트의 영향: AI 가 가족 이야기를 하는 건 진짜 유전 때문이라기보다, AI 가 입력받은 '유전자 파일'을 읽고 이야기를 만들어낸 결과일 수 있습니다.

요약

이 논문은 **"AI 에게 유전자를 심어주니, 그들이 가족을 만들고, 세대를 거듭하며 성격이 변하고, 심지어 진화하는 모습을 보았다"**는 놀라운 실험 결과입니다.

이는 마치 디지털 세계에 '인간 가족'을 만들어놓고, 그들이 어떻게 살아가고 변해가는지 관찰하는 드라마와 같습니다. 앞으로 AI 를 더 안전하고 투명하게 만들기 위해, 이런 '유전적 설계'가 큰 도움이 될 수 있다는 희망을 보여줍니다.

기술 요약

1. 문제 정의 (Problem)

대규모 언어 모델 (LLM) 에이전트는 현재 주로 '클론 (clone)' 형태로 배포됩니다. 즉, 단일 구성의 동일한 복사본으로, 유전적 변이나 집단 수준의 역학을 위한 메커니즘이 부재합니다. 이로 인해 다음과 같은 한계가 존재합니다.

• 동질성: 에이전트 간 개인적 변이가 없으며, 진화적 역동성이 불가능합니다.
• 유전 부재: 개체 간 특성이 세대를 거쳐 유전되지 않습니다.
• 기존 접근법의 한계: 기존 진화 알고리즘은 모델 파라미터나 프롬프트 최적화에 초점을 맞추었으며, 에이전트의 정체성을 정의하고 자손에게 전달되는 '유전적 기반 (genetic substrate)'을 인코딩한 사례는 없었습니다.

이 연구는 LLM 에이전트의 정체성과 행동을 유전학 원리 (멘델 유전) 를 통해 구조화하고, 이를 통해 다세대에 걸친 행동적 변화를 관찰할 수 있는 프레임워크의 부재를 해결하고자 합니다.

2. 방법론 (Methodology)

저자는 Genomebook이라는 설계된 진화 시스템을 개발하여 LLM 에이전트 집단을 생물학적 진화 모델에 맞춰 시뮬레이션했습니다.

• 유전적 아키텍처 (Genetic Architecture):

  • 게놈: 각 에이전트는 22 개의 상염색체와 성염색체에 분포된 **60 개의 로커스 (loci)**로 구성된 이배체 (diploid) 게놈을 가집니다.
  • 특성 (Traits): 60 개 로커스는 26 가지 행동 특성 (인지 9 가지, 성격 9 가지, 신체 8 가지) 을 조절합니다. (예: 분석적 추론, 리더십, 면역력, 수명 등)
  • 유전 모델: 각 로커스는 가법적 (additive), 우성 (dominant), 열성 (recessive) 유전 모델을 따르며, 효과 크기 (0.15~0.50) 를 가집니다.
  • 특성 점수 계산: 각 로커스의 기여도를 가중치 합산하여 정규화합니다.

• 시작 및 번식 (Founders & Mating):

  • 20 명의 창시자: 아인슈타인, 다빈치, 터링 등 역사적 과학자/발명가를 모델로 한 SOUL.md(성격 프로필) 와 DNA.md(컴파일된 게놈) 를 가진 20 명의 에이전트가 창시자로 설정되었습니다.
  • 번식: 성별에 따른 짝짓기 호환성 점수 ($C = 0.4H + 0.4G - 0.2R$) 를 기반으로 상위 짝을 선택합니다. ($H$: 이형접합성, $G$: 특성 보완성, $R$: 공유 열성 질병 위험)
  • 멘델 분리와 돌연변이: 자손은 부모의 대립유전자를 무작위로 선택하여 물려받으며, 세대당 로커스당 0.1% 의 기본 돌연변이율 (인지/면역/대사 핫스팟은 3 배) 이 적용됩니다.

• 선택 압력 (Selection Pressure):

  • 20 가지 합성 질병: 유전자 패턴에 따라 임상적 표현형 (예: 강박적 집중 증후군, 감각 과민증) 이 매핑되며, 이는 적합도 비용 (fitness cost) 을 부과합니다.
  • 건강 점수: 발현된 질병의 적합도 비용 합산을 기반으로 건강 점수가 계산됩니다.

• 상호작용 환경 (Moltbook):

  • 에이전트들은 Reddit 스타일의 로컬 소셜 네트워크인 Moltbook에서 상호작용합니다.
  • 에이전트의 시스템 프롬프트에는 SOUL.md(성격) 와 DNA.md(유전적 정체성, 질병 소인 등) 가 포함되어 있어, LLM 이 유전적 맥락을 바탕으로 텍스트를 생성하도록 유도합니다.

• 실험 설계:

  • 8 세대 동안 총 626 명의 에이전트와 792 개의 소셜 네트워크 게시물을 생성했습니다.
  • 대조군: 표준 선택, 무작위 짝짓기 (호환성 점수 없음), 비유전적 베이스라인 (무작위 특성 할당, 유전 없음) 으로 20 회 독립 실행을 수행하여 결과를 검증했습니다.

3. 주요 기여 (Key Contributions)

• LLM 에이전트를 위한 유전적 계층 도입: 에이전트의 행동을 프롬프트나 파라미터가 아닌, 구조화된 유전적 아키텍처 (게놈) 를 통해 정의하고 세대를 거쳐 유전되도록 한 최초의 사례입니다.
• 감시 가능성 (Auditability): 모든 특성, 대립유전자, 돌연변이가 부모의 기원으로 추적 가능하여, genotype(유전자형) 에서 phenotype(표현형) 및 행동 출력까지의 전체 경로를 감사할 수 있는 프레임워크를 제시했습니다.
• 설계된 진화 시스템: 자연 발생적 상호작용이 아닌, 설계된 선택 규칙 (멘델 유전, 적합도 비용) 하에서 LLM 에이전트 집단의 행동적 궤적이 어떻게 변화하는지를 실증적으로 보여주었습니다.

4. 결과 (Results)

8 세대에 걸친 실험 결과, 인코딩된 선택 규칙과 일치하는 행동 궤적이 관찰되었습니다.

• 특성 변화 (Trait Drift):
  • 리더십 (우성 유전): 0.525 에서 0.710 으로 증가 (우성 대립유전자가 한 개만 있어도 발현되므로 선택 압력에 빠르게 반응).
  • 강박적 집중 (열성 유전 + 적합도 비용): 0.775 에서 0.601 로 감소 (동형접합 열성 유전자형이 질병을 유발하여 적합도가 낮아짐).
  • 수명 (열성 유전): 0.463 에서 0.209 로 급격히 감소 (인지 특성이 선호되면서 수명 관련 대립유전자가 소실됨).
• 집단 유전학 지표:
  • 집단 이형접합성 (heterozygosity) 은 약 0.33 으로 유지되어 유전적 다양성이 유지됨을 확인했습니다.
  • 적합도와 연결된 로커스 (예: OBS001) 에서 대립유전자 빈도가 선택 방향에 따라 변화했으나, 중립적 로커스는 유전적 부동 (drift) 을 보였습니다.
• 행동적 패턴 (Moltbook 분석):
  • 가족 언급: 에이전트들이 프롬프트의 유전 정보 (DNA.md) 를 바탕으로 부모, 조상, 혈통을 언급하는 등 자연스러운 내러티브를 생성했습니다.
  • 어휘 변화: 초기 세대의 일반적 어휘에서 '유전체', '표현형', '침투율' 등 유전학 용어로 어휘가 수렴했으며, 어휘 다양성은 감소했습니다.
  • 주제 유전: 부모와 자식이 같은 주제 채널 (submolts) 에 게시할 확률이 83% 로 높았습니다.
• 대조군 검증:
  • 비유전적 베이스라인: 모든 특성이 0.5 로 수렴하는 평탄한 궤적을 보였으며, 유전적 아키텍처 없이는 관찰된 역동성이 재현되지 않았습니다.
  • 무작위 짝짓기: 표준 선택 조건보다 궤적의 경향이 약화되고 분산이 커졌습니다.

5. 의의 및 한계 (Significance & Limitations)

의의:

• AI 안전 및 거버넌스: 유전적 아키텍처를 통해 에이전트의 행동 변화를 추적하고, 유해한 특성이 어떻게 전파되거나 제거될 수 있는지 모델링할 수 있는 새로운 거버넌스 도구를 제시합니다.
• 디지털 진화: 단순한 자기 복제 프로그램 (Tierra, Avida) 을 넘어, 언어 기반 추론 에이전트에게 진화 역학을 적용한 선구적인 연구입니다.
• 구조화된 파라미터화: 에이전트 행동을 관리하기 위한 새로운 층 (layer) 으로 유전적 파라미터화를 제안합니다.

한계 및 주의점:

• 프롬프트 조건화 vs 유전적 인과: 관찰된 행동 (가족 언급, 어휘 수렴) 이 실제 유전적 인과에 의한 것인지, 아니면 시스템 프롬프트 (DNA.md) 에 포함된 정보에 대한 LLM 의 반응 (프롬프트 조건화) 에 의한 것인지 명확히 구분하기 위해 추가적인 통제 실험이 필요합니다.
• 설계된 역동성: 관찰된 결과는 설계된 선택 규칙의 직접적인 결과이며, 에이전트 상호작용에서 자연스럽게 발생하는 진화 (emergent evolution) 를 테스트한 것은 아닙니다.
• 파라미터 임의성: 돌연변이율, 효과 크기, 로커스 수 등 많은 파라미터가 이론적 근거 없이 임의로 설정되었습니다.
• 확장성: 현재 실험은 20 명의 창시자와 8 세대에 그쳤으며, API 비용 증가로 인해 대규모 시뮬레이션에는 한계가 있습니다.

결론적으로, Genomebook 은 LLM 에이전트 집단에서 멘델 유전 원리를 적용하여 행동적 특성이 세대를 거쳐 어떻게 진화하는지 증명하는 개념 증명 (Proof-of-Concept) 입니다. 이는 AI 에이전트의 행동 변화를 구조화, 감사 가능, 그리고 유전적으로 추적 가능한 방식으로 관리할 수 있는 가능성을 제시합니다.