기억·행동·가중치 고치는 자기진화 AI 부상

AI가 수행한 업무를 기억하고 실패 원인을 분석해 행동 방식과 학습 능력을 스스로 개선하는 자기진화 단계로 들어서고 있다. 중국 샨다그룹이 인큐베이팅한 연구조직 에버마인드는 2026년 여름 HarnessBank, SkillCorpus, DASH 등 세 편의 논문을 내놓고 스킬과 실행체계, 모델 가중치를 연결하는 기술 경로를 제시했다. 장기기억 시스템 EverOS도 오픈소스로 공개된다.

HarnessBank는 작업을 수행하는 태스크 에이전트와 실행 기록을 진단하는 에볼버 에이전트를 분리하고, 수정안의 효과는 결정론적 코드와 단계별 검증 절차로 판별한다. Qwen3.6-27B와 Claude Opus 4.8을 활용한 7개 벤치마크에서는 가중치를 바꾸지 않고 성능이 5.1%에서 15.4%까지 향상됐다. 모든 모델에 공통으로 적용되는 최적 실행체계는 없었으며, 모델별 약점에 맞춘 조정이 필요하다는 결과도 확인됐다.

SkillCorpus는 약 82만 개의 원시 스킬을 걸러 9만6401개의 고품질 스킬을 구축하고 이를 16개 범주로 분류했다. 실용성·견고성·안전성을 기준으로 품질을 관리하고, 필요한 순간에 적합한 스킬을 찾는 검색 기능을 결합해 모든 벤치마크에서 개선 효과를 냈다. DASH는 긴 추론 과정에서 잘못된 판단이 시작된 시점의 중요도를 구분해 학습 신호를 배분하며, 수학 추론 평가에서 추가 연산 없이 비교 방식보다 높은 성능을 기록했다.

에버마인드는 경험을 저장하는 태스크 층, 일하는 방식을 바꾸는 하네스 층, 기본 능력을 조정하는 모델 층, 개선 방법 자체를 고치는 메타개선 층으로 자기진화를 구분한다. 이 구조에서는 GPU와 HBM 중심의 데이터센터도 HBM·DRAM·낸드플래시·광모듈을 계층적으로 연결한 기억 중심 체계로 바뀌게 된다. 지속적으로 축적된 경험이 에이전트의 가치가 되는 만큼 AI 경쟁의 기준도 모델의 절대 성능에서 학습과 진화의 속도로 이동하고 있다.