Sakana AI·UC Berkeley 연구진, 다중 에이전트 집단지성을 자기지도 신호로 활용해 AI 워크플로를 반복 개선하는 MASS 공개

본 기사는 Sakana AI와 UC Berkeley 연구진이 제안한 MASS를 소개합니다. MASS는 다중 에이전트 워크플로를 반복적으로 최적화하고, 그 과정에서 나온 집단지성을 자기지도 신호로 증류해 base model 대비 연구 벤치마크의 output token당 점수를 높였다고 설명합니다.

MASS는 인간 전문가의 평가 역량이 AI의 생성 속도를 따라가지 못하는 상황에서 자기지도 기반 RSI를 모색하는 흐름을 보여줍니다. 다만 최적화 대상이 평가자이자 최적화자가 되는 구조는 reward hacking, 편향 증폭, 검증 불가능성 문제를 동반할 수 있어 외부 검증 체계와 함께 발전할 필요가 있습니다.