AI 에이전트가 하드웨어 설계를 개선했다는 보고는 늘고 있지만, 그것이 실제로 아키텍처를 이해해서인지 의미 없는 값들을 요령 있게 탐색한 결과인지는 구분되지 않는다는 문제의식에서 출발한 논문이다. 연구진은 동일한 에이전트에게 동일한 15차원 가속기 설계 공간을 시뮬레이터 카운터가 딸린 명명된 아키텍처 손잡이로, 또는 [0,1] 범위의 익명 변수로 각각 제시해 평가자·합법 공간·도달 가능한 최적해는 동일하게 유지한 채 '문제가 의미를 갖는지'만 달라지게 설계했다(AutoTuring). 9개 커널의 FP16 GEMM 실험에서 의미를 아는 에이전트는 모델링된 H200 대비 평균 5.4%, 익명 버전 대비 12.3% 더 나은 성능을 냈고 시뮬레이터 호출도 70.1% 줄었다. 다만 비평(critic) 루프를 추가하면 익명 에이전트가 그 격차 대부분을 만회하는 반면 의미를 아는 에이전트에게는 별다른 이득이 없어, 아키텍처 지식과 구조화된 비평이 상호보완재가 아니라 대체재처럼 작동함을 시사한다.

• •동일 에이전트에 동일 15차원 가속기 공간을 '의미 있는 명명 변수' 대 '익명 변수'로 두 번 제시하는 AutoTuring 설계로 이해 여부를 분리 측정
• •9개 커널 FP16 GEMM 실험에서 의미 아는 에이전트가 모델링 H200 대비 5.4%, 익명 대비 12.3% 성능 우위, 호출 70.1% 절감
• •비평(critic) 루프 추가 시 익명 에이전트는 격차 대부분 만회하나 의미 아는 에이전트는 추가 이득 없음
• •아키텍처 지식과 구조화된 비평이 상호보완이 아닌 대체재로 작동함을 시사(단일 모델링 가속기 기준 예비 결과)