보드에서 오래 생각하는 모델이 더 인간답다는 뜻은 아니다. MIT, 케임브리지, 프린스턴 등 연구팀은 Nature 논문에서 121개의 낯선 2인 전략 게임으로 첫인상 추론을 살폈다. 결론은 가볍다. 사람은 새 게임을 처음 볼 때 적은 수의 얕고 목표 지향적인 심리 시뮬레이션을 쓰는 경우가 많다.
AI에는 직접적인 질문이 된다. 최근 추론 모델은 더 긴 체인과 더 큰 탐색 트리를 능력으로 내세우지만, 실제 사용자는 먼저 이 상황이 더 생각할 가치가 있는지, 얼마나 계산을 쓸지, 어떤 수를 먼저 시도할지 판단해야 한다.
첫눈을 측정한 121개 게임
팀은 연결형 보드게임을 바탕으로 121개 변형을 만들었다. 판 크기, 연결 길이, 승패 조건, 턴 행동은 바뀌지만 기본 동작은 격자에 말을 놓는 것이다. 1000명 이상의 참가자는 규칙을 이해할 수 있지만 오래 훈련한 정석에는 기대지 못한다.
과제는 규칙만 보고 공정성 판단하기, 재미 추정하기, 첫 수 두기, 다른 사람의 대국을 본 뒤 다음 수 예측하기, 무승부 제안을 받았을 때 계속할지 결정하기였다. Intuitive Gamer는 적은 자기대국과 목표 지향 휴리스틱을 쓴다.
“whether a task is worth thinking about at all”
빠르지만 무작위는 아니다
게임을 해보기 전 공정성 판단에서 Intuitive Gamer와 인간 추정의 적합도는 R²=0.81로, 인간 데이터 자체의 설명 한계 R²=0.82에 가까웠다. Random Player는 R²=0.47, Expert Gamer는 R²=0.65, MCTS 기준선은 R²=0.60이었다.
효율 차이는 더 컸다. 논문의 자기대국 시뮬레이션 기준에서 Intuitive Gamer의 wall-clock 시간은 Expert Gamer의 약 1/700, 보드 상태 평가는 약 500분의 1이었다. MCTS와 비교하면 시간은 약 1/40000, 노드 평가는 거의 10000분의 1이었다.
인간 플레이도 얕은 탐색에 가깝다
302명이 새 게임을 실제로 한 판씩 플레이했고, 1808개 대국과 9892개 착수가 수집됐다. 행동 예측에서 Intuitive Gamer는 Expert Gamer와 무작위 모델보다 플레이어 선택을 더 잘 설명했다. 41개 테스트 게임 중 32개에서 행동 확률분포의 절반 이상을 커버했고, 개인 기준으로도 302명 중 243명이 해당했다.
249개 정지 판면에서 인간의 다음 수를 예측하는 실험에서도 Intuitive Gamer는 Expert Gamer 대비 TVD 차이 -0.15, 무작위 모델 대비 -0.09로 더 가까웠다.
AI가 배워야 할 것은 사고 예산
이 연구가 곧바로 범용 AI 구조를 뜻하지는 않는다. 완전정보, 2인, 경쟁 게임이며 다수가 연결형 게임군이다. 바둑, 체스, 협력 게임, 멀티에이전트, 개방형 과학 탐색은 따로 검증해야 한다.
하지만 평가 지표로는 실용적이다. 모델이 더 깊게 풀 수 있는지만 보지 말고, 얕은 시도로 충분한지, 깊은 탐색을 언제 켤지, 추가 계산이 비용 대비 가치가 있는지를 봐야 한다.
출처: Nature 논문 “People use fast and flat simulation to reason about new games”, arXiv:2510.11503, 36Kr English, CocoLoop; Nature 본문으로 121개 게임, 1000명 이상 참가자, R²/TVD, MCTS 및 Expert Gamer 효율 기준을 확인.