구글이 RSI(재귀적 자기개선)을 달성했다!?
🔎 핵심만 콕콕
- 2026년 9월 14일 공개된 「Dream-RSI: Recursive Self-Improvement through Evolving Worlds」 논문이 구글의 RSI 시연 논쟁을 촉발했다.
- 실험에는 Gemini 3.1 Pro와 Gemini 3.7 Flash가 사용됐지만 두 모델의 가중치와 평가·코드 실행 방식은 변경되지 않았다.
- 연구는 통계·수학·GPU 코드 등 3개 분야 8개 과제에서 진행됐으며, 수학 과제에서는 기존 방식의 계산량 50분의 1이 안 되는 수준으로 기존 최고 기록을 넘어섰다.
Dream-RSI는 모델 가중치가 아닌 탐색 전략을 스스로 개선해 동일한 AI로 더 효율적인 발견을 수행한 사례다.
| 항목 | 값 | 비고 |
|---|---|---|
| 연구 참여자 | 17명 | 구글 딥마인드·메릴랜드대·버지니아대 등 |
| 탐색 구조 | 작업 공간 10개 × 최대 11회 | 한 라운드 최대 110회 시도 |
| Lasso 회귀 호출 횟수 | 550회 → 317회 | 더 좋은 코드를 찾으면서 감소 |
| Lasso 계산 시간 | 11초 → 3초 | 한 데이터셋 기준, sklearn보다 빠름 |
| GPU 커널 탐색 횟수 | 110회 → 87회 → 80회 → 50회 | 성과 개선 시 자원 절약, 정체 시 90개 안팎으로 확대 |
- 2026년 9월 14일 공개된 「Dream-RSI: Recursive Self-Improvement through Evolving Worlds」 논문이 구글의 RSI 시연 논쟁을 촉발했다.
- 실험에는 Gemini 3.1 Pro와 Gemini 3.7 Flash가 사용됐지만 두 모델의 가중치와 평가·코드 실행 방식은 변경되지 않았다.
- 연구는 통계·수학·GPU 코드 등 3개 분야 8개 과제에서 진행됐으며, 수학 과제에서는 기존 방식의 계산량 50분의 1이 안 되는 수준으로 기존 최고 기록을 넘어섰다.
- 모든 과제에서 우월한 결과가 나온 것은 아니며, 수학 문제 중 하나에서는 기존 방식이 더 나았다.
- Dream-RSI는 기록된 탐색 결과를 재생 시뮬레이터로 활용해 더 적은 시도로 같은 답을 얻거나 같은 예산으로 더 나은 답을 찾도록 탐색 정책을 갱신한다.
시사점: Dream-RSI는 완전한 의미의 모델 자기개선은 아니지만, 가중치 외 시스템 계층의 자동 개선만으로도 AI 성능과 효율을 높일 수 있음을 보여준다.