스카이림 AI 3종이 모두 '은신 궁수'가 된 이유: 강화학습으로 증명한 게임 이론

• •PPO(Proximal Policy Optimization) 알고리즘을 사용하여 에이전트 학습
• •OpenAI Gym과 커스텀 스카이림 환경을 결합하여 학습 인프라 구축
• •각 빌드별로 상충하는 보상 및 감점 요소를 명시적으로 정의

보상 함수(Reward Function)는 강화학습 에이전트가 특정 행동을 하도록 유도하는 수학적 지표이다.

• •초기 단계는 탐색(Exploration)이 주를 이루며 무작위 행동을 통해 데이터를 수집
• •기본적인 인터페이스 조작 및 전투 메커니즘 학습에 상당한 시간 소요
• •실패 사례(감점)를 통해 금지해야 할 행동 패턴을 점진적으로 학습

• •보상 함수에 따라 에이전트의 행동 패턴이 명확하게 분화됨
• •각 빌드 내에서 국소 최적해(Local Optima)를 찾아가는 과정 확인
• •에이전트들이 게임 내 자원(체력, 마나, 은신 상태)을 효율적으로 관리하기 시작

• •원거리 공격의 데미지 효율이 근접/마법 보상 페널티를 상쇄함을 확인
• •에이전트들이 리스크를 최소화하면서 보상을 극대화하는 지배적 전략을 발견
• •151시간(전사), 160시간(마법사), 168시간(도적) 순으로 은신 궁수로 전향

내쉬 균형(Nash Equilibrium)은 경쟁 상태에서 상대방의 전략이 변하지 않는 한 자신의 전략을 바꿀 유인이 없는 상태를 의미한다.

• •은신 궁수 빌드는 무한한 화살 자원, 높은 데미지 배율, 낮은 발각 리스크를 보유
• •서로 다른 최적화 압력 하에서도 동일한 결과로 수렴하는 발현적 행동 관찰
• •스카이림의 게임 밸런스가 특정 전략에 과도하게 유리하게 설계되었음을 데이터로 입증