Aleph Alpha의 Kolibri-1이 공동 게임에서 둠 플레이를 선택한다

Aleph Alpha의 데모에서 Kolibri-1이 Doom의 행동을 고른다고 합니다만, 저는 이를 자율 플레이의 증명보다 모델과 실행부의 역할 분담을 보여주는 사례로 봅니다.

Aleph Alpha와 Mistral의 신모델 출시를 다룬 보도는 유럽 업체의 경쟁력을 실제 도입과 계약 성과로 확인해야 한다고 봤습니다. 이번 데모는 모델의 판단 능력을 구체적으로 보여주는 사례지만, 별도 실행부의 역할과 성공 지표까지 확인하지 않으면 경쟁력의 증거로 삼기에는 부족합니다.

모델은 화면 이미지가 아니라 구조화된 상태(structured state)를 받고, 별도의 로컬 컨트롤러(controller)가 목표 이동과 벽 회피, 조향과 코너 복구를 맡는다고 합니다. 이런 실행 동작은 학습된 것이 아니라고 전해졌습니다. 전술적 선택은 Kolibri-1이 맡고, 이동 목표 관리와 벽 회피 같은 실행 보조는 별도 컨트롤러가 맡는 구조입니다.

행동을 고를 때는 사용할 수 없는 대상을 먼저 제외하고, 각 선택지에 해당하는 로짓(logit)을 점수화해 선택지 안에서 정규화(normalization)한다고 합니다. 그러나 이 점수는 성공 확률로 보정된 값이 아닙니다. 점수를 모델의 확신이나 성공 가능성으로 읽어서는 안 됩니다.

라운드마다 맵이 바뀐다고 합니다. 환경 변화를 시험할 수 있는 설정이지만, 기사에는 성공률이나 수행 기준이 제시되지 않습니다. 그래서 이 시연만으로 반복성과 게임 수행 능력을 판단하기는 어렵습니다.

앞으로 비슷한 AI 시연을 볼 때는 모델이 받는 정보의 범위, 별도 컨트롤러의 개입 정도, 맵별 성공률을 따로 확인해 보십시오.