What Play Conceals: Identification Limits of Learning Dynamics in Two-Population Games

전략 게임이 펼쳐지는 모습을 지켜본다고 상상해 보십시오. 누가 이기는지를 보기 위해서가 아니라, 플레이어들이 왜 그렇게 움직였는지를 만든 숨겨진 규칙을 파악하기 위해서 말입니다. 이것이 게임을 역설계(reverse-engineering)하는 과제입니다. 관찰자는 플레이의 흐름을 지켜보며 선택이 시간에 따라 어떻게 변화하는지 추적하고, 그 결정을 이끌어낸 정확한 보상과 처벌을 찾아내기 위해 거꾸로 추론합니다. 게임 이론의 세계에서 이것은 근본적인 질문입니다. 만약 우리가 사람들이 어떻게 배우고 적응하는지 볼 수 있다면, 우리는 항상 그들의 행동을 형성한 인센티브를 재구성할 수 있을까요? 수십 년 동안 연구자들은 충분한 데이터가 있다면 답은 '예'라고 가정해 왔습니다. 플레이어가 걷는 경로를 충분히 오래 지켜본다면, 그 경로는 그들이 플레이하고 있는 게임의 지도를 드러낼 것이라고 믿었습니다.

새로운 연구는 이러한 가설에 도전하며, 학습 행위 자체가 진실을 숨길 수 있음을 보여줍니다. 이 연구는 플레이어들이 시간이 지남에 따라 자신의 전략을 조정하는 방식, 즉 개인이 과거에 더 나은 성과를 냈던 옵션 쪽으로 자신의 선택을 점진적으로 옮겨가는 특정하고 잘 알려진 모델에 초점을 맞춥니다. 연구진은 단순하지만 심오한 질문을 던졌습니다. 만약 외부인이 이 학습 과정을 처음부터 끝까지 지켜본다면, 그들은 게임의 기저 구조에 대해 실제로 무엇을 알 수 있을까요? 그들은 답이 게임이 어떻게 끝나는지에 전적으로 달려 있다는 것을 발견했습니다. 만약 플레이어들이 결국 아무도 전략을 바꿀 필요가 없는 안정적인 패턴에 안착한다면, 관찰자는 영구적인 벽에 부딪히게 됩니다. 아무리 오래 지켜본다 해도, 그들은 게임의 실제 보상을 완전히 복구할 수 없습니다. 그러나 플레이어들이 정착하지 못하고 지속적인 루프(loop) 속에서 계속 움직인다면, 관찰자는 놀라운 속도로 정보를 습득하여 표준적인 통계 법칙이 예측하는 것보다 훨씬 빠르게 세부 사항을 밝혀낼 수 있습니다.

연구는 관찰자에게 무엇이 보이지 않는지를 정의하는 것부터 시작합니다. 특정 변화는 플레이어의 행동을 전혀 바꾸지 않은 채 게임의 규칙을 남겨둡니다. 만약 상대방이 무엇을 하든 상관없이 특정 플레이어에게 모든 가능한 결과에 대해 일정한 보너스를 추가한다면, 플레이어들은 전략을 변경하지 않을 것입니다. 마찬가지로, 전체 게임의 속도를 균일한 비율로 높이거나 낮춘다면, 플레이어가 걷는 경로는 동일하게 유지되며 오직 타이밍만 변할 뿐입니다. 연구진은 이 두 가지 유형의 변화, 즉 비전략적 보너스 추가와 시간 재조정(rescaling time)만이 숨겨질 수 있는 요소임을 증명했습니다. 그 외의 모든 게임 규칙의 차이는 결국 플레이어의 움직임에 나타나게 됩니다. 이는 관찰자가 보상의 절대적인 값은 결코 알 수 없으며 오직 상대적인 차이만을 알 수 있고, 게임의 정확한 속도가 아닌 경로의 형태만을 알 수 있음을 의미합니다.

가장 놀라운 발견은 게임이 결론에 도달할 때 일어나는 현상에 관한 것입니다. 많은 전략적 상황에서 학습은 플레이어들이 생각을 바꾸기를 멈추는 안정적인 상태로 이어집니다. 연구진은 플레이어들이 이 평온한 상태에 도달하면 관찰자의 학습 능력도 멈춘다는 것을 보여주었습니다. 관찰자가 계속 지켜본다 해도 그들이 얻는 정보는 늘어나지 않고 한계점에 도달합니다. 이것은 영구적인 제약입니다. 즉, 게임이 안정적인 합의로 끝나는 경우, 게임의 전략적 인센티브를 완벽하게 재구성하는 것은 수학적으로 불가능하다는 뜻입니다. 학습 과정 자체가 게임을 이해하는 데 필요한 정보를 파괴하는데, 왜냐하면 플레이어들이 움직임을 멈추면 디코딩할 새로운 신호가 존재하지 않기 때문입니다.

반면, 연구는 결코 정착하지 않는 게임에 대해서는 다른 현실이 존재함을 발견했습니다. 특히 한 플레이어의 이득이 다른 플레이어의 손실이 되는 특정한 균형 관계가 있는 일부 게임들은, 플레이어들을 안정적인 지점을 찾지 못한 채 끊임없이 순환하게 만듭니다. 이러한 지속적인 루프 속에서 관찰자의 학습 능력은 급격히 가속화됩니다. 연구진은 관찰자가 규칙을 파악하는 정보량이 일반적인 경우보다 훨씬 빠르게 성장한다는 것을 발견했습니다. 일반적인 학습은 선형적으로 꾸준히 개선되지만, 이러한 루핑 게임에서는 관찰자가 훨씬 더 빠른 속도로 규칙을 밝혀낼 수 있습니다. 시간이 흐름에 따라 정보가 시간의 세제곱에 비례하여 증가한다는 것입니다. 즉, 관찰 시간을 두 배로 늘리면 지식이 단순히 두 배가 되는 것이 아니라 훨씬 더 큰 배수로 증폭됩니다. 이 메커니즘의 이면에는 플레이어들의 지속적인 움직임이 돋보기 역할을 하여, 시간이 지날수록 게임 규칙의 미세한 차이를 점점 더 명확하게 드러내는 원리가 있습니다.

이론적 발견을 확인하기 위해 연구진은 무작위 게임을 이용한 수천 번의 컴퓨터 시뮬레이션을 실행했습니다. 그들은 서로 다른 조건에서 관찰자가 게임의 규칙을 얼마나 잘 추측할 수 있는지 관찰했습니다. 결과는 이론과 완벽하게 일치했습니다. 게임이 안정화되는 경우, 관찰자의 추측 오차는 특정 지점 이후로 개선되지 않았으며, 이는 영구적인 사각지대가 존재함을 확인시켜 주었습니다. 반면 계속 움직이는 게임의 경우, 오차는 예측된 초고속 곡선을 따라 급격히 감소했습니다. 시뮬레이션 또한 학습 능력이 게임의 성격에 크게 의존한다는 것을 보여주었습니다. 끊임없는 루핑을 일으키는 '균형 잡힌' 유형에 가까운 게임들이 가장 빠른 학습 속도를 보였고, 자연스럽게 안정적인 합의로 이끄는 게임들이 학습의 벽에 부딪히는 게임들이었습니다.

또한 연구는 게임 공간의 기하학적 구조를 탐구하여, 학습 능력이 균일하지 않음을 보여주었습니다. 게임의 규칙 중에는 어떤 일이 일어나더라도 학습이 불가능한 특정 방향들이 존재합니다. 이것들은 선택의 상대적 가치를 바꾸지 않는 비전략적인 부분들, 즉 보너스들입니다. 연구진은 이러한 부분들이 관찰자에게 완전히 보이지 않는다는 것을 증 증명했습니다. 나아가, 플레이어들이 모든 옵션에 대해 무차별적인 상태인 '게임의 중심'은 최대 혼란의 장소라는 점을 보여주었습니다. 플레이어들이 이 중심에 있을 때, 관찰자는 이것이 균형 잡힌 루프인지 아니면 안정적인 지점인지 구분할 수 없으며, 정보는 완전히 소멸됩니다.

이 연구는 행동을 관찰함으로써 무엇을 배울 수 있는지에 대한 우리의 이해를 재편합니다. 이는 학습의 성공이 단순히 얼마나 많은 데이터를 가졌느냐가 아니라, 시스템이 어떻게 행동하느냐에 달려 있음을 시사합니다. 시스템이 정착하면 진실은 영구적으로 가려집니다. 시스템이 계속 움직이면 진실은 가속되는 속도로 명확해집니다. 연구진은 단순히 게임 규칙을 추정하는 새로운 방법을 찾은 것이 아니라, 알 수 있는 것의 근본적인 한계를 규명했습니다. 그들은 게임의 역동성 자체가 신호를 보존하거나 혹은 씻어내 버리는 필터 역할을 한다는 것을 보여주었습니다. 이는 인간이나 인공지능의 행동을 이해하려는 모든 이들에게 깊은 함의를 주며, 이해로 향하는 길이 항상 직선은 아니며, 때로는 결론에 도달하는 행위 자체가 우리가 찾고 있는 답을 숨겨버릴 수 있음을 상기시킵니다.

연구는 이러한 발견을 게임을 연구하는 더 넓은 맥락 속에 배치하며 마무리됩니다. 이 연구는 더 많은 데이터가 항상 더 나은 이해로 이어진다는 흔한 가정에 도전합니다. 대신, 데이터의 '유형'이 중요하다는 것을 보여줍니다. 정착된 게임의 길고 정적인 기록은 역동적이고 루핑하는 게임의 짧은 기록보다 정보량이 적습니다. 연구진은 서로 다른 학습 규칙이 이러한 한계를 어떻게 변화시킬 수 있는지에 대한 후속 연구를 제안했지만, 그들이 연구한 특정 모델에 대해서는 그 경계가 이제 명확해졌습니다. 게임은 스스로 멈춰 서기를 거부할 때에만 그 비밀을 드러냅니다.