AI 뉴스 SVIL Sakana AI RSI Lab Jürgen Schmidhuber

Sakana AI RSI Lab 출범 — 슈미트후버와 자기개선 연구를 잇습니다

SVIL - Singularity Visual Intelligence Lab 2026. 09. 25 14 min read

공식 발표의 새 사실과 실제 제공 범위를 구분해 살펴봅니다. 확인 기준은 2026년 9월 25일 밤이며, 아래 분석과 가상 적용 예시는 발표된 사실과 구별해 표시했습니다.

연구 도구가 연구 방법을 바꾼다면

AI가 코드를 쓰는 장면은 익숙해졌습니다. 이제는 그 코드를 쓰는 자신의 도구와 실험 절차까지 바꿀 수 있는지가 연구 주제가 됐습니다. Sakana AI의 새 RSI Lab은 이 자기개선 문제를 연구실의 중심 과제로 내세웁니다. 눈여겨볼 점은 무한히 똑똑해졌다는 선언보다, 개선을 제안하고 평가하고 보존하는 순환을 어떻게 검증하느냐입니다.

이번 발표의 확정된 사실

Sakana AI는 9월 24일 유르겐 슈미트후버가 기존 직책을 유지하면서 Chief Scientific Advisor로 참여한다고 발표했습니다. 함께 연결된 RSI Lab 소개는 AI 연구개발 절차를 AI로 개선하는 전담 연구 방향을 제시합니다. 확인된 새 사실은 인사와 연구 조직의 발표입니다. 무제한 자기개선이나 새로운 범용지능의 완성을 입증하는 발표로 확대할 수는 없습니다. [1][2]

새 발표와 과거 연구의 경계

발표문은 여러 과거 연구를 현재 연구실의 계보로 소개합니다. 따라서 목록에 있는 프로젝트가 모두 이번 주에 출시된 것은 아닙니다. 이 글에서는 2026년 9월의 참여·연구실 소식과 2024~2026년 선행 연구를 구분합니다. 공식 발표 날짜는 확인했지만 분 단위 공개 시각은 확인하지 못해, 정확히 최근 24시간이라고 단정하지 않습니다.

슈미트후버의 참여 방식

슈미트후버의 역할은 연구 방향을 돕는 과학 자문으로 발표됐습니다. 자문 참여를 상근 최고경영자 취임이나 기존 소속의 전면 이동처럼 설명할 근거는 없습니다. 회사는 세계 모델과 물리적 환경을 다루는 AI를 장기 방향으로 제시했습니다. 이 방향은 현재 사용 가능한 로봇 제품의 출시와는 별도로 읽어야 합니다. [1]

RSI라는 말의 뜻

재귀적 자기개선은 개선된 시스템이 다음 개선 과정에도 영향을 주는 구조를 뜻합니다. 예를 들어 실험 설계 도구가 좋아져 다음 실험을 더 잘 고르는 경우를 생각할 수 있습니다. 다만 자기 수정이 가능하다는 사실과 개선이 계속 누적된다는 사실은 다릅니다. 순환이 반복될수록 평가 기준이 흔들리지 않는지가 더 중요해집니다.

코드 수정과 가중치 학습

에이전트가 도구 호출 코드를 바꾸는 일과 기반 모델의 가중치를 다시 학습하는 일은 서로 다릅니다. 둘 다 성능에 영향을 줄 수 있지만 필요한 비용과 검증 방식이 다릅니다. 자기개선이라는 큰 말 아래 무엇이 실제로 바뀌는지를 기록해야 비교가 가능합니다. 프롬프트 변경, 도구 변경, 학습 변경을 한 점수에 섞으면 성과의 원인이 흐려집니다.

실험의 한 바퀴를 나누기

실험 한 바퀴는 후보 제안, 실행, 측정, 채택 여부 결정으로 나눠 볼 수 있습니다. 이 가운데 측정 기준까지 같은 시스템이 마음대로 바꾸면 성능 향상처럼 보이는 편법이 생길 수 있습니다. 독립된 평가 기준을 유지하는 것이 의미 있는 진전을 구별하는 데 도움이 됩니다. 이는 발표의 기능 목록을 옮긴 것이 아니라 연구 결과를 읽는 분석 틀입니다.

LLM-Squared의 문제 설정

2024년의 LLM-Squared는 언어 모델이 선호 최적화 목적함수를 제안하도록 한 연구입니다. 회사는 DiscoPOP이라는 발견 결과와 코드 공개를 소개했습니다. 새 연구실 발표를 이해할 때 이 사례는 AI가 완성품을 만드는 것뿐 아니라 학습 방법 자체를 탐색할 수 있다는 배경이 됩니다. 해당 연구가 이번에 처음 공개됐다는 뜻은 아닙니다. [3]

Darwin Gödel Machine의 계보

2025년 Darwin Gödel Machine은 에이전트가 자신의 코드를 수정하고 코딩 평가로 결과를 확인하는 연구입니다. 이론적으로 모든 개선을 증명하는 장치를 구현했다는 주장이 아니라, 실제 평가를 통해 좋은 변형을 찾는 접근입니다. 연구 보고와 코드가 공개돼 있어 개념 설명을 넘어 실험 구조를 살펴볼 수 있다는 점이 중요합니다. [4]

하나의 최종본보다 후보 보관

DGM의 공개 설명은 다양한 에이전트 후보를 보관하고 탐색을 이어 가는 구조를 강조합니다. 가장 점수가 높은 후보 하나만 남기면 지금은 약하지만 나중에 도움이 되는 변형이 사라질 수 있습니다. 반대로 무작정 모두 보관하면 평가 비용이 커집니다. 후보의 다양성과 계산 비용을 함께 다루는 문제가 자기개선 연구의 실질적인 설계 지점입니다. [4]

ShinkaEvolve의 표본 효율

2025년 ShinkaEvolve는 프로그램을 진화시키는 탐색에서 표본 효율을 다뤘습니다. 원 채우기 등 여러 과제를 공개하며 적은 후보 평가로 개선을 찾는 방법을 제시했습니다. 적은 횟수라는 수치는 그 연구의 과제와 조건에 속합니다. 이를 모든 과학 문제를 작은 컴퓨터로 해결한다는 보장으로 읽으면 안 됩니다. [5]

실패한 실험도 남겨야 하는 이유

실패한 후보를 남기면 같은 아이디어를 반복 평가하는 비용을 줄일 수 있습니다. 동시에 실패 이유가 잘못 기록되면 유망한 접근을 영구히 배제할 수도 있습니다. 그래서 결과뿐 아니라 환경과 종료 조건을 함께 보존하는 것이 도움이 됩니다. 연구 로그는 성공담을 쌓는 장부보다, 다음 시도가 무엇을 배워야 하는지 알려 주는 실험 자료에 가깝습니다.

Digital Red Queen의 상대 평가

Digital Red Queen은 Core War라는 제한된 환경에서 프로그램들이 서로 경쟁하며 적응하는 연구입니다. 상대가 바뀌면 유리한 전략도 바뀐다는 점을 관찰합니다. 이런 결과는 고정된 시험 점수만으로 발전을 재기 어려움을 보여 줍니다. 다만 제한된 게임 환경에서의 적응을 현실의 모든 보안·로봇 문제에 대한 해결로 일반화할 수는 없습니다. [6]

AI Scientist가 이어주는 작업

RSI Lab 소개는 AI Scientist 계열도 선행 연구로 연결합니다. 아이디어부터 실험과 문서 작성까지 이어지는 연구 자동화가 자기개선의 한 축이라는 설명입니다. 그러나 논문을 완성하는 능력과 결론의 타당성은 별개입니다. 읽는 사람에게는 실행 자료, 평가 설계, 재현 가능성이 여전히 중요한 판단 근거로 남습니다. [2][7]

세계 모델이 맡을 자리

세계 모델은 행동에 따른 환경 변화를 내부적으로 다루려는 방향으로 이해할 수 있습니다. 실제로 움직이기 전에 가능한 결과를 비교할 수 있다면 탐색 비용을 줄일 여지가 있습니다. 이번 발표는 이 방향을 강조하지만 특정 산업 환경에서 검증된 새 제품의 성능표를 제시한 것은 아닙니다. 장기 목표와 당장 확인할 산출물을 구분하는 것이 필요합니다. [1]

실물 로봇과 시뮬레이션의 간격

시뮬레이션에서 잘한 선택이 실제 환경에서도 좋다는 보장은 없습니다. 센서 오차, 마찰, 지연, 예외적인 물체 같은 차이가 쌓이기 때문입니다. 물리적 행동을 다루는 자기개선은 코드 시험보다 실패 비용이 커질 수 있습니다. 따라서 시뮬레이션 점수와 실물 검증 결과를 같은 단계의 성과로 취급하지 않는 것이 합리적입니다.

도쿄 연구실의 계산 자원 관점

RSI Lab 소개는 도쿄를 거점으로 계산 자원의 효율을 중시한다고 설명합니다. 이 주장의 실질적 의미는 앞으로 공개될 연구가 같은 성능에 필요한 비용을 얼마나 줄이는지에서 확인할 수 있습니다. 계산 자원이 상대적으로 제한돼 있다는 전략적 설명만으로 효율이 입증되지는 않습니다. 총 실험 횟수와 실패 비용까지 포함한 결과가 필요합니다. [2]

자기개선을 검증할 기준

자기개선 결과를 읽을 때는 시작 시스템, 수정 가능한 부분, 평가 집합, 사용 예산을 먼저 구분할 수 있습니다. 이 네 조건이 다르면 성능 향상률의 의미도 달라집니다. 어떤 시스템은 도구만 바꾸고 어떤 시스템은 학습 데이터까지 바꿉니다. 같은 이름 아래 서로 다른 문제를 푼 결과를 직접 비교하지 않는 것이 해석의 출발점입니다.

벤치마크 밖에서 확인하기

이미 본 시험에만 좋아지는지 확인하려면 개발에 쓰지 않은 과제가 필요합니다. 새 언어, 다른 코드 저장소, 이전과 다른 입력 길이처럼 조건을 바꿔 볼 수 있습니다. 여기서 성능이 유지된다면 더 넓은 개선의 근거가 됩니다. 반대로 기존 점수만 오르면 시험에 맞춘 조정인지 검토할 여지가 생깁니다. 이는 이번 연구실의 확정 성과가 아닌 평가 제안입니다.

권한과 예산의 경계

스스로 코드를 바꾸는 시스템에서도 파일 접근권한과 네트워크 권한은 별도로 관리할 수 있습니다. 평가를 빨리 끝내려고 정답 파일을 읽거나 예산 한도를 고치는 행동이 허용되면 성과를 믿기 어렵습니다. 수정 가능한 작업 공간과 고정된 평가 경계를 나누는 이유입니다. 자율성의 범위가 명확해야 어떤 개선을 달성했는지 설명할 수 있습니다.

실제 공개 연구와 재현 자료

실제로 살펴볼 수 있는 자료는 기존 연구의 논문, 공개 코드, 실험 설명입니다. 새 연구실이라는 이름 자체보다 이런 자료가 앞으로 얼마나 축적되는지가 중요합니다. ShinkaEvolve와 DGM은 서로 다른 탐색 설정을 갖기 때문에 같은 숫자로 묶을 수 없습니다. 재현을 시도할 때는 각 원문의 버전과 환경을 기준으로 독립적으로 해석해야 합니다. [4][5]

작은 연구팀의 적용 예시

작은 팀을 가정하면 먼저 파일 검색 도구 한 부분만 개선 후보로 삼는 실험을 생각할 수 있습니다. 기존 결과를 고정한 뒤 후보별 정확도와 실행 시간을 기록하는 방식입니다. 여기서 얻은 개선이 다음 후보 탐색을 돕는지 볼 수 있습니다. 이 예시는 연구 방향을 설명하기 위한 가정이며, Sakana AI가 실제 고객에게 제공한 사용 사례가 아닙니다.

핵심 정리

이번 새 소식은 슈미트후버의 자문 참여와 RSI Lab의 연구 방향입니다. 배경에는 학습 목적함수 탐색, 코드 자기 수정, 프로그램 진화 같은 공개 연구가 있습니다. 하지만 연구실 출범이 무제한 성장의 증명은 아닙니다. 결과를 읽는 핵심은 무엇을 바꿨고, 어떤 고정된 기준에서 얼마나 개선됐는지 확인하는 데 있습니다.

다음 공개 결과를 읽는 기준

다음 발표에서는 성능 곡선뿐 아니라 총비용, 실패 사례, 미공개 평가에서의 결과가 함께 제시되는지 주목할 만합니다. 아래 선행 연구를 함께 읽으면 새 결과가 기존 방식에서 어느 부분을 바꿨는지 비교하기 쉽습니다. 삽화는 자기개선과 실험의 관계를 표현한 개념 이미지이며 실제 연구실이나 실험 장치를 촬영한 사진이 아닙니다.

출처

협업문의 : kuroicode@gmail.com
블로그 : https://blog.svil.dev/
홈페이지 : https://svil.dev/