AgentSociety: LLM 기반 생성형 에이전트의 대규모 사회 시뮬레이션으로 인간 행동과 사회에 대한 이해 증진

본 논문은 LLM 기반 생성형 에이전트를 활용한 대규모 사회 시뮬레이터 AgentSociety를 제안하고, 이를 통해 극단화, 선동적 메시지 확산, 기본소득 정책 효과, 외부 충격 등 사회 문제 분석의 새로운 가능성을 제시합니다. AgentSociety는 기존 연구 방법과의 연계를 통해 사회 문제의 패턴, 원인, 메커니즘 규명에 기여할 것으로 기대됩니다.

인간 행동과 사회에 대한 이해는 사회과학의 핵심 과제입니다. 최근 생성형 사회과학의 부상은 이 분야에 중요한 패러다임 전환을 가져왔습니다. 기존의 비용이 많이 들고 실험적으로 제약이 많은 접근 방식 대신, 확장 가능하고 반복 가능하며 체계적인 계산 접근 방식을 통해 복잡한 사회 역학을 연구할 수 있게 되었습니다.

거대 언어 모델(LLM)의 발전은 이러한 연구 패러다임을 더욱 변화시켰습니다. 인간과 유사한 생성형 사회 에이전트와 현실적인 사회 모사를 가능하게 했죠. 이 논문에서는 AgentSociety, 즉 LLM 기반 에이전트, 현실적인 사회 환경, 강력한 대규모 시뮬레이션 엔진을 통합한 대규모 사회 시뮬레이터를 제안합니다.

AgentSociety는 1만 명이 넘는 에이전트의 사회생활을 생성하고, 에이전트 간 상호작용과 에이전트와 환경 간 상호작용을 500만 건 이상 시뮬레이션합니다. 여기서 흥미로운 점은, 단순한 시뮬레이션을 넘어 사회 문제 분석에 AgentSociety를 활용한다는 점입니다. 극단화, 선동적 메시지 확산, 기본소득 정책의 효과, 허리케인과 같은 외부 충격의 영향 등 네 가지 주요 사회 문제에 초점을 맞춰 연구를 진행했습니다.

이러한 사회 문제들은 설문 조사, 면접, 개입과 같은 전통적인 연구 방법을 AgentSociety에서 어떻게 활용할 수 있는지 평가하고, 사회 문제의 패턴, 원인 및 기저 메커니즘을 조사하는 데 유용한 사례가 됩니다. AgentSociety의 결과와 실제 실험 결과의 일치는 인간 행동과 그 기저 메커니즘을 포착하는 능력뿐만 아니라 사회 과학자와 정책 입안자를 위한 중요한 플랫폼으로서의 잠재력을 보여줍니다. AgentSociety는 단순한 기술적 진보를 넘어, 사회과학 연구의 패러다임을 바꿀 혁신적인 도구로서 그 가능성을 보여주고 있습니다. 앞으로 AgentSociety를 통해 사회 문제에 대한 이해를 깊이하고, 보다 효과적인 정책 수립에 기여할 수 있기를 기대합니다.

주요 연구자: Jinghua Piao, Yuwei Yan, Jun Zhang, Nian Li, Junbo Yan, Xiaochong Lan, Zhihong Lu, Zhiheng Zheng, Jing Yi Wang, Di Zhou, Chen Gao, Fengli Xu, Fang Zhang, Ke Rong, Jun Su, Yong Li