단일 모델 규모 확대만으로 AGI에 도달할 수 있다는 통념에 도전하며, 에이전틱 AI가 현실 세계의 복잡하고 이질적인 태스크 분포를 처리하기 위한 필수 패러다임임을 주장합니다. 이론적 분석을 통해 단일 학습기의 최적화 제약과 에이전틱 시스템의 효율성을 비교하고, 단순 라우팅 메커니즘부터 DAG 토폴로지까지 다양한 구조를 검토합니다. 에이전틱 AI는 일반화 능력과 샘플 효율성에서 지수적으로 우월하며, Mixture-of-Experts와의 연결성 및 멀티 에이전트 불안정성 재해석을 논의합니다.
- •단일 모델 스케일링만으로는 AGI 달성이 불충분하며 에이전틱 AI가 필수임을 주장
- •이론적 분석으로 에이전틱 시스템의 지수적 일반화·샘플 효율성 우위를 증명
- •DAG 토폴로지 기반 에이전틱 구조가 현실 태스크 분포에 더 적합함을 제시
- •현재 멀티 에이전트 불안정성 원인 재해석과 추가 연구 방향 제안
Position: Agentic AI System Is a Foreseeable Pathway to AGI
- 1.단일 모델 스케일링만으로는 AGI 달성이 불충분하다는 주장을 이론적으로 논증
- 2.에이전틱 AI가 실세계 다양한 과제 분포를 마스터하는 필수 패러다임임을 제시
- 3.DAG 토폴로지 기반 에이전틱 시스템이 지수적으로 우월한 일반화 및 샘플 효율 달성
왜 중요한가?
AGI 달성 경로에 대한 지배적 관점에 도전하며, 에이전틱 AI가 단순 보조 도구가 아닌 AGI의 핵심 경로라는 이론적 근거를 제공한다.
본문 미리보기
arXiv:2605.12966v1 Announce Type: new Abstract: Is monolithic scaling the only path to AGI? This paper challenges the dogma that purely scaling a single model is sufficient to achieve Artificial General Intelligence. Instead, we identify Agentic AI as a necessary paradigm for mastering the complex, heterogeneous distribution of real-world tasks. Through rigorous theoretical derivations, we contrast the optimization constraints of monolithic learners against the efficiency of Agentic systems, pr
전체 내용이 궁금하다면?
원문을 직접 읽어보세요