심리학에서 영감 받은 PISA: AI 기억을 ‘적응형 지식 구조’로 진화시키는 혁신적 메모리 시스템

안녕하세요! 이번 글에서는 “PISA: A Pragmatic Psych-Inspired Unified Memory System for Enhanced AI Agency” 논문을 살펴보고, 기존 연구들과 차별화된 점들을 이야기해 보겠습니다. AI 에이전트의 ‘기억’ 시스템에 대해 알고 계신 분들이라면 크게 흥미로울 주제입니다!

---

🤖 PISA가 탐구하는 ‘AI 기억’의 핵심, 그리고 기술적 의미

현대 AI 에이전트들, 특히 대형 언어 모델(LLM) 기반 시스템들은 복잡한 작업을 수행하는 데 ‘역사(메모리)’가 중요하다는 것을 잘 알고 있습니다. 하지만 기존의 기억 시스템들은 단순히 정보를 저장하고 꺼내는 데 치중해 ‘지식’을 능동적으로 ‘만들고, 진화시키는’ 측면은 부족하죠.

 

이 논문은 심리학자 피아제(Jean Piaget)의 인지 발달 이론을 기반으로, AI 기억 시스템을 ‘정적 저장소’가 아니라 적응하고 학습하는 ‘생동감 있는 지식 구조’로 바라봅니다. 여기서 가장 독특한 점은 크게 3가지입니다.

• Schema Engine(스키마 엔진): 기억을 단순한 데이터 덩어리가 아니라 ‘스키마’라는 인지 단위로 구조화해 기계가 개념적 지식을 더 유연하고 체계적으로 다룰 수 있게 했습니다.
• 적응 모듈(Adaptation Module): 새로운 경험을 기존 지식체계에 ‘적응’시키는 3가지 방법(내면화, 수정, 생성)을 통해 AI가 계속해서 지식을 업데이트하고 ‘학습’할 수 있도록 했습니다.
• 복합형 조회 모듈(Retrieval Module): 단순 텍스트 검색이 아니라, 신경망과 심볼릭 추론(구조화된 쿼리 등)을 동시에 쓰는 하이브리드 아키텍처로 정확도와 효율성을 높였습니다.

---

🔍 기존 연구들과 차별점

1) 기억 구조와 관리 방식

• 기존: 많은 최신 작업들이 메모리 저장소를 효율적으로 만들거나, 장기 대화에서 고른 정보 검색 등 ‘기술적 최적화’에 집중했습니다.
• PISA: ‘스키마’라는 인지 단위를 도입, 기억을 개념적 단위로 구조화하는 점에서 다릅니다. 즉, 기계가 기억을 ‘이해’하고 ‘조작’하기 쉬운 형태로 만드는 겁니다.

예를 들어, ‘커피’라는 경험이 들어오면 기존 ‘커피’ 스키마 안에 새로운 속성(예: ‘우유 첨가’)을 유연히 추가하거나, 완전히 새로운 ‘음악’ 스키마를 생성해 기억하는 식이죠. 기존 연구들은 주로 기억 저장/인출 효율에 집중하면서 이같은 적응적 구조화는 소홀히 했답니다.

2) 기억 업데이트 방식

• 타 연구는 주로 ‘기존 데이터를 유지하며 최신 정보만 추가하거나 교체하는’ 단순 갱신 방식에 그친 반면,
• PISA는 피아제 이론 기반으로 ‘Assimilation(내면화)’, ‘Accommodation(수정 혹은 생성)’ 같은 심리학적 프로세스를 메커니즘화하여 기억이 진화하도록 설계했습니다.

이런 적응적 업데이트 방식은 AI가 새로운 경험에 ‘적응성 있게’ 반응하며, 지식의 일관성도 유지할 수 있는 강력한 기술적 강점입니다.

3) 복합 데이터 및 태스크에 최적화된 평가 기준

• 대부분 기존 벤치마크들은 단일 도메인, 단순 문장 기반 질의응답에 그치면서 AI 메모리의 진짜 ‘다중 데이터·복합 작업’ 대응력은 평가되지 않았습니다.
• 이에 PISA 연구진은 재무, 의료처럼 실제에서 많이 쓰이는 대화 속 숫자 표(표 내 데이터)를 분산된 질의와 함께 복원하고 집계하는 ‘AggQA’ 벤치마크를 새로 만들었는데요.
• 실제 운영 환경과 유사한 복합 업무 처리를 평가하는 이 새로운 지표는 ‘기술이 실전에서도 쓸 만한가?’에 중요한 근거를 제공합니다.

---

📊 실험 결과 핵심: 왜 PISA인가?

• 기존 메모리 시스템 대비, PISA는 LOCOMO 벤치마크에서 다중 유형 질문(단일·복합·시계열·오픈 도메인) 모두에서 **최고 성능(63.58% vs 최고 55.51%)**을 기록했습니다.
• 무려 ‘데이터 분석’ 중심인 AggQA 벤치마크에선 차이가 더 컸는데, 특히 어려운 문제에서 PISA가 50% 이상, 경쟁 모델들은 대체로 20~30%대 성능을 보였습니다.
• 하이퍼파라미터 조정 결과, 기억 업데이트의 유연성을 조절하는 임계치를 조정해 성공적인 ‘평형 상태’를 찾아냈으며, 초기화와 인출 기능을 각각 없애보는 실험에서 큰 성능 저하가 나와 구조화된 기억 초기화와 복합적인 도구 활용의 중요성도 확인됐습니다.

---

🙌 기술적 의의와 기대효과

1. ‘메모리’가 AI 수행능력의 핵심 자산이라는 점을 재확인하면서, 심리학 이론까지 도입해 기억 설계에 새로운 패러다임을 제시합니다.
2. 기존의 ‘메모리=데이터 저장/검색’이라는 한계를 뛰어넘어, 적응형, 발전 가능한 ‘인지형’ 기억을 구현함으로써 AI가 지속학습하는 시스템 설계 가능성을 크게 열었습니다.
3. 명확한 스키마 기반 구조와 하이브리드 인출 아키텍처 덕분에 복잡한 태스크에서도 높은 정확도와 실행 효율을 확보해, 실제 산업 적용 시 비용과 리소스 절감 효과도 기대할 수 있습니다.
4. ‘AggQA’ 벤치마크의 출범은 재무, 의료 같이 실제 데이터 분석 업무를 겨냥한 AI 메모리 시스템 개발에 새 기준을 제시하며, 타 연구가 따라올 수밖에 없는 ‘실용성+복합성 평가’ 장을 마련했습니다.

---

마무리하며...

PISA 논문은 AI 에이전트 메모리 설계의 ‘기술적 가치’를 한층 높인, 동시에 심리학 이론에서 영감을 받은 독창적이고 실용적인 연구입니다. 특히 적응형 ‘스키마 엔진’과 복합 질의 대응력을 갖춘 ‘하이브리드 조회 모듈’의 결합으로 AI가 더 똑똑하고 유연하게 기억하며 학습할 수 있음을 입증했죠.

기존 메모리 연구들이 ‘메모리 저장’에 머물렀다면, PISA는 ‘학습 가능한 기억’으로 한 걸음 더 나아갔다는 점에서 AI 연구자 및 실무자 모두 주목할 만한 가치가 충분합니다.

앞으로 다양한 실제 태스크와 도메인에 이 시스템이 어떻게 적용·확장되는지 함께 지켜보면 좋겠습니다!

---

읽어주셔서 감사합니다. 다음에도 AI와 기술 혁신 소식으로 찾아뵐게요!