요약

Self-motivated LLMs: intrinsic-objective discovery through RL, Evo search, and diverse reasoning trajectories.

Multi-agent self-improvement: misaligned-objective diagnosis, comparative performance gaps, and goal revision.

Adaptive learning for LLMs: inducing principles from sampled data, composing learned structures before extrapolation, and refining outputs through critique and verification.

지속적 학습의 동기 주입을 통해 스스로 발전하는 인공지능

‘학습 (Learning)’: 목표를 정하고, 계획을 작성하여 해당 목표 달성까지 계획을 실행하고 수정하는 과정

목표를 달성하지 못 한 것은, 계획을 달성하지 못 한 능력보다 잘못 세운 목표를 수정하는 것이 중요하다.

즉, 짧은 목표를 세워 장기간의 동기를 지속적으로 만드는 것이 중요하다.

데이터의 난이도 측면에서, 너무 쉬운 문제만 학습하게 된다면 기고만장 할 수 있으며, 너무 어려운 문제는 속수무책 하게 된다.

따라서 지속적으로 문제를 해결하는 과정에서 현재 문제가 다음에도 학습 동기를 갖출 수 있는지 확인(측정, 선별…)하는 것이 중요하다.

RQ 1. 그렇다면 동일한 문제에 대해 다른 접근(추론) 방식이 학습(짧은 목표를 세워 장기간의 동기를 지속적으로 만드는 것)에 어떻게 도움이 되는가?

동기를 만들기 위해서라면 ‘공부 성향’(자신만의 접근 및 추론 방식)을 파악해야 한다.

인간의 공부 성향 파악 방법

• 좋아하는 일 모두 적기
• 그것들로 부터 공통점 찾기
• 공통점으로부터 ‘욕구’를 추출

→ 결국 00욕구가 ^^목표를 달성하기 위한 동기가 됨. (욕구는 스스로에게 의미를 제공함)

다르게말해, Agent 가 ^^목표를 달성하기 위해서 학습을 하려면 00욕구를 가져야 함.