---
title: "마음, 뇌, 인공 세계 · 시뮬레이션 · 시뮬레이션 가설"
url: https://simulation-hypothesis.com/ko/simulations/minds-computation
description: "뉴런, 뇌, 인공 생명, 그리고 기계가 배우는 시뮬레이션된 세계. 사람들이 실제로 돌리는 시뮬레이션 분류의 일부예요."
license: https://creativecommons.org/licenses/by/4.0/
credit: "Ross Allan Dahl, 시뮬레이션 가설(simulation-hypothesis.com)"
---

[시뮬레이션](https://simulation-hypothesis.com/ko/simulations)영역 18개 중 11번째

# 마음, 뇌, 인공 세계

뉴런, 뇌, 인공 생명, 그리고 기계가 배우는 시뮬레이션된 세계.

뇌의 시뮬레이션과, 인공 에이전트가 살고 배우도록 만든 세계예요. 한정된 한 가지 면에서, 시뮬레이션 가설은 이미 여기서 현실이에요. 우리가 안에 학습하는 에이전트가 있는 시뮬레이션된 세계를 만들었으니까요.

## 뇌

### 상세 뉴런 모델

호지킨과 헉슬리를 따라, 뉴런 하나를 이온 통로가 있는 가지 뻗은 전선으로 봐요.

답하는 질문: 이 뉴런의 모양은 그 뉴런이 계산하는 내용을 어떻게 바꿀까요?

빠진 것: 뉴런 하나의 세밀한 화학은 아직도 몇 개의 전류로 단순화되어 있어요.

돌아가는 곳: 약 10^12 FLOPS 대략 노트북, 뉴런 하나에 실시간 처음 등장: 1952 헉슬리는 호지킨-헉슬리 방정식을 기계식 계산기로 직접 적분했어요. 활동 전위 하나에 약 3주가 걸렸고, 컴퓨터는 나중에야 그 일을 넘겨받았어요 [출처](https://www.physoc.org/about-us/history-archives/historicalhighlights/hodgkin-and-huxleys-modelling-of-the-action-potential/) 시뮬레이션 트리에서: [손으로 푼 호지킨-헉슬리](https://simulation-hypothesis.com/ko/trees/simulations?n=min-hh)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 세포

### 대규모 뇌 회로

피질 한 조각을 닮은 회로로 연결된 수백만 개의 스파이킹 뉴런

답하는 질문: 배선만으로 뇌의 리듬과 반응을 재현할 수 있을까요?

빠진 것: 배선은 동물에서 실제로 측정한 연결이 아니라 통계적으로 만든 경우가 많아요.

돌아가는 곳: 약 10^15 FLOPS 대략 대학 클러스터, 피질 조각에 몇 시간 처음 등장: 2006 2006년까지, 피질 기둥의 초기 대규모 시뮬레이션 시뮬레이션 트리에서: [신피질 미세회로](https://simulation-hypothesis.com/ko/trees/simulations?n=min-markram)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)해상도: 세포

### 전뇌 네트워크 모델

뇌 영역을 측정된 배선으로 이어진 노드로 보고 스캔에 맞춰요.

답하는 질문: 한 영역의 손상은 뇌 전체의 활동을 어떻게 바꿀까요?

빠진 것: 지역을 하나의 점으로 다뤄서, 그 안의 모든 세부를 놓쳐요.

돌아가는 곳: 약 10^14 FLOPS 대략 대학 클러스터, 시뮬레이션 시나리오당 몇 분 처음 등장: 2008 2008년까지, 확산 MRI 배선에 맞춘 초기 전뇌 네트워크 모델

모델: [인간](https://simulation-hypothesis.com/ko/entities/human)

[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 개체군

### 시뮬레이션된 작은 생물

예컨대 예쁜꼬마선충의 뉴런 302개처럼, 아주 작은 동물의 신경계 전체를 가상 접시 속 시뮬레이션된 몸에 연결해요.

답하는 질문: 배선도만으로 그 행동을 만들어 내기에 충분할까요?

빠진 것: 배선도만으로는 아직 동물의 행동을 완전히 설명하지 못해요.

돌아가는 곳: 약 10^12 FLOPS 대략 노트북, 신경계 전체에 실시간 처음 등장: 1997 1997년까지, 예쁜꼬마선충의 1986년 연결체 지도를 바탕으로 한 초기 시뮬레이션 시뮬레이션 트리에서: [오픈웜](https://simulation-hypothesis.com/ko/trees/simulations?n=min-openworm)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[실시간](https://simulation-hypothesis.com/ko/simulations/methods#m-real-time)해상도: 세포

### 뉴로모픽 하드웨어 시뮬레이션

방정식을 소프트웨어로 단계별 계산하는 대신, 뉴런과 시냅스처럼 움직이는 회로를 하드웨어에서 직접 구현한 칩.

답하는 질문: 뉴로모픽 하드웨어가 훨씬 적은 전력으로 뇌와 같은 계산을 해낼 수 있을까요?

빠진 것: 실제 뉴런은 그 스파이크를 흉내 내려고 만든 회로보다 훨씬 풍부한 화학을 가지고 있어요.

돌아가는 곳: 약 10^13 FLOPS 대략 뉴로모픽 연구용 칩, 실시간 처음 등장: 1989 Carver Mead의 초기 실리콘 뉴런과 망막 회로

[실시간](https://simulation-hypothesis.com/ko/simulations/methods#m-real-time)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 세포

### 뇌 질환과 발작 확산

뇌전증이나 치매처럼 비정상적인 전기 활동이나 잘못 접힌 단백질이 시뮬레이션된 뇌 네트워크로 퍼져요.

답하는 질문: 발작은 어디서 시작되고, 얼마나 멀리 퍼질까?

빠진 것: 실제 뇌마다 병의 경로가 달라요. 모델은 한 환자의 예측이 아니라 하나의 패턴을 보여 줘요.

돌아가는 곳: 약 10^13 FLOPS 대략 병원 또는 대학의 클러스터, 환자 모델당 몇 분 처음 등장: 1997 1997년까지, 뇌를 통한 발작 확산의 초기 네트워크 모델

[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 개체군

### 연결체 제약 전뇌 모델

곤충 뇌의 측정된 배선 전체와 단순한 뉴런 모델을 쓰는 신경 시뮬레이션으로, 자극이 어떻게 행동을 낳는지 예측해요.

답하는 질문: 배선만으로 뇌가 감각을 행동으로 바꾸는 방식을 예측할 수 있을까요?

빠진 것: 시냅스 세기와 뉴런 동역학은 단순한 규칙으로 가정해요.

돌아가는 곳: 약 10^12 FLOPS 대략 뉴런 약 13만 개의 스파이킹 네트워크 처음 등장: 2024 A Drosophila computational brain model reveals sensorimotor processing (2024) [출처](https://doi.org/10.1038/s41586-024-07763-9)

[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 세포

### 신경 질량 및 장 모델

뉴런 집단을 평균 활동 변수 하나나 둘로 줄여, 영역 전체의 리듬과 파동을 얻어요.

답하는 질문: 집단 사이의 흥분과 억제는 어떤 집단적 리듬을 만들어 낼 수 있을까?

빠진 것: 개별 뉴런은 평균 속으로 사라져요.

돌아가는 곳: 약 10^9 FLOPS 대략 노트북, 몇 초 처음 등장: 1972 1972년까지, Wilson과 Cowan, Excitatory and inhibitory interactions in localized populations of model neurons [출처](https://doi.org/10.1016/s0006-3495%2872%2986068-5)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)해상도: 세포

### 기능적 스파이킹 뇌 모델

회상, 세기, 손으로 쓴 숫자 따라 그리기 같은 인지 과제를 수행하도록 만든 스파이킹 모델 뉴런 네트워크.

답하는 질문: 뉴런으로 만든 모델이 뇌가 다루는 과제를 수행할 수 있을까요?

빠진 것: 과제 집합이 작고, 배선은 측정한 것이 아니라 설계한 것이에요.

돌아가는 곳: 약 10^15 FLOPS 대략 대학 클러스터, 몇 시간 처음 등장: 2012 2012년까지, Eliasmith 외, A large-scale model of the functioning brain (Spaun) [출처](https://doi.org/10.1126/science.1225266)

[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 세포

### 끌개 기억 네트워크

연결이 패턴을 안정된 상태로 저장하는 단순한 유닛들의 네트워크로, 일부 단서만으로도 전체 기억으로 가라앉아요.

답하는 질문: 네트워크는 조각 하나만으로 기억 전체를 어떻게 떠올릴 수 있을까요?

빠진 것: 용량이 작고 실제 뉴런은 훨씬 복잡해요.

돌아가는 곳: 약 10^8 FLOPS 대략 노트북, 몇 초 처음 등장: 1982 1982년까지, Hopfield, Neural networks and physical systems with emergent collective computational abilities [출처](https://en.wikipedia.org/wiki/Hopfield%5Fnetwork)

[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 세포

### 연결체 기반 곤충 뇌 모델

초파리의 뇌 전체를 측정한 배선도로 시뮬레이션하며, 뉴런과 시냅스 하나하나를 재구성 결과에서 가져와요.

답하는 질문: 모든 연결을 알고 나면, 배선만으로 어떤 행동이 따라 나올까?

빠진 것: 시냅스 세기와 뉴런 화학은 측정한 값이 아니라 추정한 값이에요.

돌아가는 곳: 약 10^14 FLOPS 대략 워크스테이션, 시뮬레이션 1초당 몇 분 처음 등장: 2024 2024년까지, Dorkenwald 외, 성체 파리 뇌 배선도, 그리고 Shiu 외, 그것을 바탕으로 한 계산 모델 [출처](https://doi.org/10.1038/s41586-024-07763-9)

[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 세포

## 인공 생명과 복잡성

### 세포 자동자

존 콘웨이의 생명 게임처럼 단순한 규칙을 따르는 세포 격자예요. 여기서 글라이더와 복제자, 심지어 작동하는 컴퓨터까지 자라나요.

답하는 질문: 얼마나 단순한 규칙에서 얼마나 복잡한 것이 자랄 수 있을까요?

빠진 것: 단순한 규칙은 실제 물리나 생물학 시스템과 깔끔하게 대응하는 경우가 드물어요.

돌아가는 곳: 약 10^12 FLOPS 대략 노트북, 거대한 격자도 몇 초 처음 등장: 1970 존 콘웨이의 생명 게임 시뮬레이션 트리에서: [손으로 둔 라이프](https://simulation-hypothesis.com/ko/trees/simulations?n=life-life)

[상호작용 모델 실행하기](https://simulation-hypothesis.com/ko/simulations/run#toy-life)

[세포 자동자](https://simulation-hypothesis.com/ko/simulations/methods#m-cellular-automata)해상도: 규칙

### 디지털 진화

스스로 복제하는 컴퓨터 프로그램이 시뮬레이션된 기계 안에서 돌연변이를 일으키며 프로세서 시간을 두고 경쟁해요.

답하는 질문: 진화가 우리가 단계별로 지켜볼 수 있는 복잡한 특징을 발명할 수 있을까요?

빠진 것: 프로그램은 실제 생화학이 아니라 인공 컴퓨터 세계에서 진화해요.

돌아가는 곳: 약 10^12 FLOPS 대략 데스크톱, 밤사이 수백만 세대 처음 등장: 1953 바리첼리의 프린스턴 고등연구소 컴퓨터 수치 진화 실험 [출처](https://www.ias.edu/ideas/2012/george-dyson-ecp)

[진화적](https://simulation-hypothesis.com/ko/simulations/methods#m-evolutionary)해상도: 규칙

### 진화한 가상 생물

몸과 뇌가 물리 시뮬레이션 속에서 함께 진화하며 수영하고, 걷고, 뛰는 법을 익혀요.

답하는 질문: 우리가 방향을 잡지 않을 때 진화는 어떤 몸과 행동을 만들어 낼까?

빠진 것: 진화한 걸음걸이는 생물의 것과 많이 달라 보이는 경우가 많은데, 시뮬레이션된 물리가 실제 세계와 미묘하게 다르기 때문이에요.

돌아가는 곳: 약 10^13 FLOPS 대략 개체군을 진화시키는 데 몇 시간 걸리는 데스크톱 또는 소형 클러스터 처음 등장: 1994 칼 심스는 물리 시뮬레이션에서 헤엄치고 걷는 생물을 진화시켰어요

[진화적](https://simulation-hypothesis.com/ko/simulations/methods#m-evolutionary)[실시간](https://simulation-hypothesis.com/ko/simulations/methods#m-real-time)해상도: 몸

### 자기 조직 임계성

모래더미에 낟알을 하나씩 얹다 보면 온갖 크기의 눈사태가 나타나요.

답하는 질문: 지진, 화재, 멸종은 왜 같은 통계를 따를까?

빠진 것: 실제 지진과 화재에는 모래더미가 희화화할 뿐인 구체적인 물리가 있어요.

돌아가는 곳: 약 10^11 FLOPS 대략 노트북, 큰 모래더미도 몇 초 처음 등장: 1987 백, 탕, 비젠펠트의 모래더미 모델

[상호작용 모델 실행하기](https://simulation-hypothesis.com/ko/simulations/run#toy-sandpile)

[세포 자동자](https://simulation-hypothesis.com/ko/simulations/methods#m-cellular-automata)해상도: 몸

### 군집 지능 알고리즘

흔적을 남기거나 이웃을 따라 하는 단순한 가상 에이전트로, 개미와 새에서 빌려 와서 경로 짜기나 일정 짜기 같은 추상적인 문제를 풀어요.

답하는 질문: 단순한 복사와 길 따라가기로 어려운 최적화 문제를 풀 수 있을까요?

빠진 것: 시험해 본 잘 정의된 문제에서는 잘 통해요. 실제의 불규칙한 문제에는 조정이 더 필요해요.

돌아가는 곳: 약 10^11 FLOPS 대략 노트북, 실행당 몇 초에서 몇 분 처음 등장: 1992 마르코 도리고의 개미 군집 최적화 알고리즘

[상호작용 모델 실행하기](https://simulation-hypothesis.com/ko/simulations/run#toy-flock)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[진화적](https://simulation-hypothesis.com/ko/simulations/methods#m-evolutionary)해상도: 규칙

### 무작위 불리언 네트워크

무작위로 연결된 스위치들이 각각 몇 개의 다른 스위치에 따라 켜지거나 꺼져요. 전체 네트워크가 언제 안정되고 언제 끝없이 요동치는지 연구해요.

답하는 질문: 스위치 네트워크가 혼돈 상태가 되려면 배선이 얼마나 필요할까요?

빠진 것: 무작위 배선은 실제 세포나 뇌의 공들여 진화한 배선을 거칠게 대신할 뿐이에요.

돌아가는 곳: 약 10^11 FLOPS 대략 노트북, 네트워크당 몇 초 처음 등장: 1969 스튜어트 카우프만의 유전자 스위치 무작위 네트워크

[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)[세포 자동자](https://simulation-hypothesis.com/ko/simulations/methods#m-cellular-automata)해상도: 규칙

### 연속 세포 자동자

세포 상태, 공간, 시간이 모두 연속적인 세포 자동자로, 매끄럽게 스스로 조직되는 생명체를 만들어요.

답하는 질문: 연속 세포 자동자에서는 어떤 생명 같은 무늬가 나타날까?

빠진 것: 규칙은 인공적이고 실제 화학을 모델링하지 않아요.

돌아가는 곳: 약 10^11 FLOPS 대략 GPU 격자 갱신 처음 등장: 2018 Lenia: biology of artificial life (2018) [출처](https://arxiv.org/abs/1812.05433)

[세포 자동자](https://simulation-hypothesis.com/ko/simulations/methods#m-cellular-automata)해상도: 규칙

### 신경 세포 오토마타

각 셀이 국소 규칙을 배우는 작은 신경망을 품어, 격자가 목표 패턴을 키우고 복구해요.

답하는 질문: 국소적인 학습 규칙이 전체 패턴을 키우고 스스로 복구하게 할 수 있을까요?

빠진 것: 목표 패턴은 작고, 규칙은 발견한 것이 아니라 학습시킨 거예요.

돌아가는 곳: 약 10^11 FLOPS 대략 작은 미분 가능 학습 처음 등장: 2020 Growing Neural Cellular Automata (2020) [출처](https://distill.pub/2020/growing-ca/)

[세포 자동자](https://simulation-hypothesis.com/ko/simulations/methods#m-cellular-automata)[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 규칙

### 자기 복제 프로그램 수프

무작위 프로그램의 풀이 우연히 상호작용하다가 스스로를 복사하는 프로그램이 나타날 때까지 섞여요.

답하는 질문: 복제자가 설계되지 않고도 나타날 수 있을까요?

빠진 것: 언어 선택이 결과를 정하는데, 화학과는 거리가 멀어요.

돌아가는 곳: 약 10^10 FLOPS 대략 수백만 번의 작은 프로그램 상호작용 처음 등장: 2024 Computational Life: how well-formed, self-replicating programs emerge from simple interaction (2024) [출처](https://arxiv.org/abs/2406.19108)

[진화적](https://simulation-hypothesis.com/ko/simulations/methods#m-evolutionary)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 규칙

### 인공 화학

규칙에 따라 반응하는 추상 분자의 웅덩이로, 실제 화학 없이도 스스로를 유지하는 구조가 나타날 수 있어요.

답하는 질문: 단순한 반응 속도 규칙에서 스스로 유지되는 화학적 조직이 생길 수 있을까요?

빠진 것: 분자는 기호일 뿐이고, 실제 결합 에너지와 기하 구조는 없어요.

돌아가는 곳: 약 10^9 FLOPS 대략 노트북, 몇 시간 처음 등장: 1991 1991년까지, 제2회 인공 생명 학회에서 발표된 Fontana의 AlChemy [출처](https://en.wikipedia.org/wiki/Artificial%5Fchemistry)

[규칙과 상태](https://simulation-hypothesis.com/ko/simulations/methods#m-rules)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 분자

### 진화 로봇공학

시뮬레이션된 로봇의 제어기나 몸을 과제 수행 능력으로 선택하며 여러 세대에 걸쳐 진화시켜요.

답하는 질문: 로봇의 뇌와 몸을 설계하는 대신 교배로 얻을 수 있을까요?

빠진 것: 시뮬레이션에서 진화시킨 제어기는 실제 하드웨어에서 흔히 실패해요.

돌아가는 곳: 약 10^14 FLOPS 대략 대학 클러스터, 며칠 처음 등장: 1993 1993년까지, Cliff, Husbands, Harvey, Evolving visually guided robots [출처](https://doi.org/10.7551/mitpress/3116.003.0051)

[진화적](https://simulation-hypothesis.com/ko/simulations/methods#m-evolutionary)[실시간](https://simulation-hypothesis.com/ko/simulations/methods#m-real-time)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 몸

### 연속 인공 생명

상태, 공간, 시간이 모두 연속적인 세포 자동자로, 움직이며 스스로 조직되는 생명체 같은 무늬를 만들어요.

답하는 질문: 규칙이 이산적이지 않고 매끄러우면 어떤 생명 같은 형태가 나타날까?

빠진 것: 무늬는 생물처럼 보이지만 실제 생물학을 따르지는 않아요.

돌아가는 곳: 약 10^11 FLOPS 대략 게이밍 PC, 실시간 처음 등장: 2018 2018년까지, Chan, Lenia: Biology of Artificial Life (arXiv 1812.05433) [출처](https://arxiv.org/abs/1812.05433)

[세포 자동자](https://simulation-hypothesis.com/ko/simulations/methods#m-cellular-automata)[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)해상도: 규칙

### 인공 면역 모델

상호작용하는 항체 같은 에이전트의 개체군이 선택과 네트워크 효과로 패턴을 알아보도록 학습해요.

답하는 질문: 인식 시스템은 오직 국소적인 상호작용만으로 어떻게 적응할까요?

빠진 것: 면역학의 발상을 컴퓨팅에 빌려 온 것이지, 실제 면역 반응을 보정한 모델이 아니에요.

돌아가는 곳: 약 10^8 FLOPS 대략 노트북, 몇 시간 처음 등장: 1986 1986년까지, Farmer, Packard, Perelson, The immune system, adaptation, and machine learning [출처](https://doi.org/10.1016/0167-2789%2886%2990240-x)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)[진화적](https://simulation-hypothesis.com/ko/simulations/methods#m-evolutionary)해상도: 세포

### Core War 대전

아주 작은 어셈블리 언어로 쓴 프로그램들이 공유된 시뮬레이션 메모리의 제어권을 두고 서로를 덮어쓰며 싸워요.

답하는 질문: 메모리 전체가 전장일 때 어떤 자기 복제 프로그램이 살아남을까?

빠진 것: 기계는 지어낸 명령어 집합이라서, 배운 것이 실제 악성코드로 이어지지 않아요.

돌아가는 곳: 약 10^7 FLOPS 대략 노트북, 전투당 몇 초 처음 등장: 1984 1984년까지, Jones와 Dewdney의 Core War, Scientific American에 실림 [출처](https://en.wikipedia.org/wiki/Core%5FWar)

[규칙과 상태](https://simulation-hypothesis.com/ko/simulations/methods#m-rules)[이산 사건](https://simulation-hypothesis.com/ko/simulations/methods#m-discrete-event)[진화적](https://simulation-hypothesis.com/ko/simulations/methods#m-evolutionary)해상도: 규칙

## 인공 마음을 위한 세계

### 강화 학습 환경

인공 에이전트가 행동하고, 보상을 받고, 수백만 번의 시도 끝에 나아지는 시뮬레이션된 세계

답하는 질문: 에이전트가 시행착오만으로 이 기술을 익힐 수 있을까요?

빠진 것: 단순화된 세계에서 배운 기술이 현실의 복잡함에 늘 옮겨 가지는 않아요.

돌아가는 곳: 약 10^15 FLOPS 대략 GPU 클러스터, 시뮬레이션 경험 며칠 분량 처음 등장: 1992 1992년까지, 자기 대국으로 백개먼 전략을 익힌 TD-Gammon

[실시간](https://simulation-hypothesis.com/ko/simulations/methods#m-real-time)[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 몸

### 다중 에이전트 AI 사회

저마다 목표와 기억과 대화를 가진 많은 AI 에이전트가 하나의 세계를 함께 써요.

답하는 질문: 인공 에이전트 여럿이 함께 살면 어떤 사회적 행동이 나타날까?

빠진 것: 사회적으로 보이는 행동도 훈련 설정에 맞춘 좁은 요령일 수 있어요.

돌아가는 곳: 약 10^15 FLOPS 대략 GPU 클러스터, 에이전트 여러 개를 병렬로 실행 처음 등장: 2017 2017년까지, 하나의 세계를 공유하는 다수의 학습 에이전트를 둔 초기 실험

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 몸

### 합성 학습 데이터

시각 시스템을 훈련하려고 끝없이 변주해서 렌더링한 사진처럼 실제 같은 장면

답하는 질문: 렌더링된 이미지로만 훈련한 시스템이 현실 세계를 볼 수 있을까요?

빠진 것: 렌더링된 장면은 현실보다 깨끗해서, 훈련된 시스템이 현실의 잡음에 속을 수 있어요.

돌아가는 곳: 약 10^14 FLOPS 대략 렌더 팜 또는 GPU 클러스터, 데이터세트당 몇 시간 처음 등장: 2016 2016년까지, 이미지 인식 시스템을 훈련하는 초기 렌더링 데이터세트

[실시간](https://simulation-hypothesis.com/ko/simulations/methods#m-real-time)해상도: 몸

### 학습된 세계 모델

세계에서 다음에 무슨 일이 일어날지 예측하는 신경망으로, 그 세계의 플레이 가능한 장면을 만들어 낼 만큼 잘해요.

답하는 질문: 신경망이 세계를 지켜보기만 해도 그 세계를 시뮬레이션하는 법을 배울 수 있을까요?

빠진 것: 장기 예측은 물리적으로 일관된 어떤 것에서도 점점 멀어져요.

돌아가는 곳: 약 10^15 FLOPS 대략 대형 GPU 클러스터, 훈련에 며칠 처음 등장: 2018 하와 슈미트후버는 게임 같은 장면을 예측하고 꿈꾸도록 네트워크를 훈련했어요

[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 장

### 자기 대전 전략 훈련

인공 에이전트가 추상 전략 게임에서 자기 복사본과 반복 대국을 하며 한 판마다 나아져요.

답하는 질문: 자기 과거 외에는 스승이 없을 때 전략은 얼마나 강해질 수 있을까요?

빠진 것: 같은 에이전트의 복제본을 상대로 다듬은 전략에는 다른 상대가 파고들 수 있는 사각지대가 있을 수 있어요.

돌아가는 곳: 약 10^16 FLOPS 대략 대형 GPU 클러스터, 자기 대국 며칠 분량 처음 등장: 1959 아서 새뮤얼의 스스로 대국하며 배운 체커 프로그램

[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)[게임 이론](https://simulation-hypothesis.com/ko/simulations/methods#m-game-theory)해상도: 규칙

### AI 안전 레드팀 환경

인공 에이전트를 원치 않는 행동으로 유혹하도록 만든 시뮬레이션 환경으로, 배포 전에 실패를 찾아내요.

답하는 질문: 어떤 조건에서 이 시스템이 해서는 안 될 행동을 할까?

빠진 것: 레드팀이 찾아볼 생각을 한 고장만 시험해요.

돌아가는 곳: 약 10^14 FLOPS 대략 연구팀의 GPU 서버, 테스트 모음당 몇 시간 처음 등장: 2016 2016년까지, 강화 학습 에이전트를 위한 초기 적대적 시험 환경

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 규칙

### 체화된 가정 시뮬레이터

에이전트가 보고 움직이고 물건을 다루는 3D 가상 집으로, 체화된 AI를 훈련하고 시험하는 데 써요.

답하는 질문: 에이전트가 가상 집에서 배운 과제가 실제 집으로 옮겨질까요?

빠진 것: 물체 물리와 장면의 다양성은 제한적이에요.

돌아가는 곳: 약 10^12 FLOPS 대략 실시간 렌더링, 많은 병렬 인스턴스 처음 등장: 2017 AI2-THOR: an interactive 3D environment for visual AI (2017) [출처](https://arxiv.org/abs/1712.05474)

[실시간](https://simulation-hypothesis.com/ko/simulations/methods#m-real-time)[규칙과 상태](https://simulation-hypothesis.com/ko/simulations/methods#m-rules)해상도: 몸

### 개방형 환경 생성

에이전트가 배우는 동안 학습용 세계가 자동으로 만들어지고 변형되어, 과제의 난이도와 다양성이 계속 커져요.

답하는 질문: 환경 생성기가 쓸모 있는 새로운 도전을 계속 만들어 낼 수 있을까요?

빠진 것: 탐색은 환경 계열이 표현할 수 있는 것에 제한돼요.

돌아가는 곳: 약 10^15 FLOPS 대략 환경과 에이전트의 개체군 처음 등장: 2019 Paired Open-Ended Trailblazer (POET) (2019) [출처](https://arxiv.org/abs/1901.01753)

[진화적](https://simulation-hypothesis.com/ko/simulations/methods#m-evolutionary)[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 규칙

### 에이전트를 위한 시뮬레이션 웹 환경

언어 모델 에이전트가 과제를 수행하는 실제 웹사이트의 자체 호스팅 사본으로, 최종 상태를 확인해 채점해요.

답하는 질문: 에이전트가 현실적인 웹사이트에서 여러 단계의 과제를 해낼 수 있을까요?

빠진 것: 사이트는 정적인 사본이고, 과제의 종류도 제한적이에요.

돌아가는 곳: 약 10^13 FLOPS 대략 환경 재설정과 많은 모델 호출 처음 등장: 2023 WebArena (2023) [출처](https://arxiv.org/abs/2307.13854)

[규칙과 상태](https://simulation-hypothesis.com/ko/simulations/methods#m-rules)[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 규칙

### 추천 시스템 시뮬레이터

추천 알고리즘을 훈련하고 시험하는 데 쓰는, 설정 가능한 가상 사용자 집단과 항목 목록.

답하는 질문: 추천 알고리즘은 사용자와의 많은 상호작용을 거치면서 어떻게 행동할까요?

빠진 것: 사용자 행동은 측정한 것이 아니라 가정한 것이에요.

돌아가는 곳: 약 10^10 FLOPS 대략 값싼 병렬 실행 처음 등장: 2019 RecSim: a configurable simulation platform for recommender systems (2019) [출처](https://arxiv.org/abs/1909.04847)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 규칙

### 신경 게임 엔진

확산 모델이 게임 플레이 녹화로 훈련해 플레이어의 행동에서 다음 프레임을 생성하고, 게임 자체의 엔진을 대신해요.

답하는 질문: 신경망이 상호작용하는 게임을 플레이 가능한 속도로 돌릴 수 있을까요?

빠진 것: 기억이 짧아서, 오래 플레이하면 세부 내용이 어긋나요.

돌아가는 곳: 약 10^15 FLOPS 대략 무거운 훈련, 가속기 한 대로 하는 실시간 추론 처음 등장: 2024 Diffusion models are real-time game engines (2024) [출처](https://arxiv.org/abs/2408.14837)

[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)[실시간](https://simulation-hypothesis.com/ko/simulations/methods#m-real-time)해상도: 규칙

### 인터랙티브 생성형 세계

모델이 라벨 없는 영상에서 학습해, 사용자가 프레임 단위로 행동할 수 있고 조작 가능한 세계를 만들어요.

답하는 질문: 이미지만으로 플레이 가능한 세계를 생성할 수 있을까요?

빠진 것: 일관성과 프레임 속도가 제한적이고, 물리는 보장되지 않아요.

돌아가는 곳: 약 10^17 FLOPS 대략 대규모 비디오 훈련 처음 등장: 2024 Genie: generative interactive environments (2024) [출처](https://arxiv.org/abs/2402.15391)

[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 규칙

### 학습된 현실 세계 상호작용 시뮬레이터

행동 조건이 붙은 영상 모델이 명령마다 로봇이나 에이전트가 보게 될 장면을 예측해, 손으로 만든 시뮬레이터를 대신해요.

답하는 질문: 학습된 모델이 행동의 현실 세계 결과를 시뮬레이션할 수 있을까요?

빠진 것: 긴 롤아웃은 환각을 일으키고, 물리적 정확성은 검증되지 않았어요.

돌아가는 곳: 약 10^17 FLOPS 대략 대규모 영상·행동 데이터셋으로 학습 처음 등장: 2023 Learning interactive real-world simulators (2023) [출처](https://arxiv.org/abs/2310.06114)

[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 규칙

### 생성형 주행 세계 모델

속도와 조향 조건이 붙은 영상 모델이 자동차 시점에서 그럴듯한 미래 장면을 생성해, 자율 주행을 훈련하고 시험해요.

답하는 질문: 주어진 운전 행동 뒤에는 어떤 교통 장면이 이어질 수 있을까?

빠진 것: 생성된 장면이 물리나 드문 사례의 행동을 어길 수 있어요.

돌아가는 곳: 약 10^17 FLOPS 대략 대규모 비디오 모델 훈련 처음 등장: 2023 GAIA-1: a generative world model for autonomous driving (2023) [출처](https://arxiv.org/abs/2309.17080)

[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 규칙

### 시뮬레이션 로봇 축구

소프트웨어 선수 두 팀이 잡음 섞인 감각으로 경기장의 일부만 보며 시뮬레이션 경기장에서 축구를 해서, 협력과 전략을 시험해요.

답하는 질문: 독립적인 소프트웨어 플레이어들이 라이벌 팀을 이길 만큼 잘 조율할 수 있을까요?

빠진 것: 경기장, 공, 로봇 몸체는 이상화돼 있어서, 성공은 실제 하드웨어를 다루는 솜씨가 아니라 전술을 보여 줘요.

돌아가는 곳: 약 10^9 FLOPS 대략 워크스테이션에서 한 경기를 실시간으로. 처음 등장: 1998 Noda와 동료들의 Soccer Server, 다중 에이전트 시스템 연구용 도구 [출처](https://doi.org/10.1080/088395198117848)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[실시간](https://simulation-hypothesis.com/ko/simulations/methods#m-real-time)[게임 이론](https://simulation-hypothesis.com/ko/simulations/methods#m-game-theory)해상도: 개체군

### 소프트웨어 엔지니어링 에이전트 샌드박스

에이전트가 실제 코드 프로젝트와 문제 보고서를 받아, 샌드박스에서 파일을 고치고 테스트를 돌리며, 수정이 통과하는지로 점수가 매겨져요.

답하는 질문: AI 에이전트가 도움 없이 실제 소프트웨어 프로젝트의 실제 버그를 고칠 수 있을까요?

빠진 것: 테스트를 통과했다고 제대로 고친 것은 아니고, 이 프로젝트들은 전체 소프트웨어의 아주 작은 일부예요.

돌아가는 곳: 약 10^15 FLOPS 대략 수천 번의 모델 실행, 각각 많은 호출과 테스트 실행을 포함해요. 처음 등장: 2023 Jimenez와 동료들이 실제 GitHub 이슈로 만든 언어 모델용 벤치마크 SWE-bench [출처](https://arxiv.org/abs/2310.06770)

[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)[실시간](https://simulation-hypothesis.com/ko/simulations/methods#m-real-time)[규칙과 상태](https://simulation-hypothesis.com/ko/simulations/methods#m-rules)해상도: 규칙

### 데스크톱 컴퓨터 에이전트 환경

실제 프로그램이 든 완전한 가상 컴퓨터를 에이전트에게 주면, 에이전트가 화면을 보고 클릭하고 입력하며, 과제를 해냈는지로 점수가 매겨져요.

답하는 질문: AI 에이전트가 사람처럼 컴퓨터에서 과제를 수행할 수 있을까요?

빠진 것: 과제는 정해진 대본이지만, 실제 일은 끝이 열려 있고, 끊기고, 다른 사람과 나눠서 해요.

돌아가는 곳: 약 10^15 FLOPS 대략 수천 번의 실행, 각각 가상 머신 하나와 많은 모델 호출을 돌려요. 처음 등장: 2024 Xie와 동료들의 OSWorld, 실제 컴퓨터 환경에서 에이전트를 평가하는 벤치마크예요. [출처](https://doi.org/10.52202/079017-1650)

[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)[실시간](https://simulation-hypothesis.com/ko/simulations/methods#m-real-time)[규칙과 상태](https://simulation-hypothesis.com/ko/simulations/methods#m-rules)해상도: 규칙

[◂ 도시, 기반 시설, 운영](https://simulation-hypothesis.com/ko/simulations/cities-operations)[수학과 계산 ▸](https://simulation-hypothesis.com/ko/simulations/mathematics-computation)