이종 과학 파운데이션 모델 협업 체계

기존 AI 에이전트는 모든 정보를 텍스트로 변환해야 했기에 시계열이나 표 데이터 같은 복잡한 과학 데이터를 처리할 때 정보 손실과 비효율이 발생했다. Eywa는 전문 과학 모델을 언어 모델의 추론 루프에 직접 연결하여 텍스트 변환 없이도 정밀한 과학적 의사결정을 가능하게 한다.

기존의 LLM 에이전트는 모든 비언어적 데이터를 텍스트로 직렬화(Serialization)하여 입력받는다. 하지만 이 과정에서 데이터의 구조적 특징이나 정밀한 수치 정보가 누락되는 '정보 병목 현상'이 발생하며, 이는 과학적 추론의 정확도를 떨어뜨리는 원인이 된다.

Eywa는 이 문제를 해결하기 위해 LLM을 '두뇌'로, 전문 과학 모델을 '전문가'로 활용하는 구조를 취한다. LLM이 텍스트로 된 지시사항을 이해하고 계획을 세우면, 실제 수치 계산이나 패턴 분석은 해당 분야에 최적화된 전문 모델(예: 시계열 예측 모델 Chronos)에게 맡긴다. 이때 두 모델은 Tsaheylu라는 전용 인터페이스를 통해 데이터를 주고받는다.

결과적으로 LLM은 복잡한 수치를 일일이 텍스트로 읽고 해석할 필요가 없어져 토큰 소모량이 줄어들고, 전문 모델은 자신의 강점인 정밀한 예측을 수행함으로써 전체 시스템의 과학적 문제 해결 능력이 극대화된다. 이는 마치 숙련된 지휘자가 각 악기 전문가들의 연주를 조율하여 교향곡을 완성하는 것과 같다.

Eywa 프레임워크는 세 가지 계층으로 구성된다. 첫째, EywaAgent는 단일 LLM과 전문 모델(FM)을 Tsaheylu 인터페이스로 연결한 기본 단위이다. 둘째, EywaMAS는 여러 EywaAgent와 일반 LLM 에이전트가 협업하는 다중 에이전트 시스템이다. 셋째, EywaOrchestra는 중앙 플래너가 작업에 가장 적합한 에이전트 구성과 통신 구조를 동적으로 결정한다.

Tsaheylu 인터페이스는 쿼리 컴파일러(Query Compiler)와 응답 어댑터(Response Adapter)로 작동한다. 쿼리 컴파일러는 LLM의 상태 S를 입력받아 전문 모델이 이해할 수 있는 구조화된 호출 값 Uk를 생성한다. 전문 모델 Fk가 연산을 수행하여 출력 Ok를 내놓으면, 응답 어댑터는 이를 다시 LLM이 추론에 활용할 수 있는 텍스트 호환 형태 Zk로 변환한다. [상태 S → 쿼리 컴파일러 → 호출 Uk → 전문 모델 연산 → 출력 Ok → 응답 어댑터 → 텍스트 컨텍스트 Zk] 순으로 데이터가 흐르며 전문 지식이 언어 루프에 통합된다.

EywaBench 실험 결과, EywaAgent는 단일 LLM 에이전트 대비 유틸리티 점수가 약 7% 향상되었으며 토큰 사용량은 약 30% 절감되었다. 특히 물리 과학 도메인에서 시계열 데이터 처리 시 성능 향상이 두드러졌다.

EywaOrchestra는 고정된 다중 에이전트 구조보다 효율적인 자원 배분을 보여주었다. 복잡한 작업에는 다중 에이전트를 배치하고 단순한 작업에는 단일 에이전트를 할당함으로써, 성능은 유지하면서도 전체적인 추론 비용과 지연 시간을 최적화했다. 모든 실험군에서 Eywa 기반 모델들은 파레토 프런티어(Pareto Frontier)의 바깥쪽으로 이동하며 비용 대비 성능의 우월성을 입증했다.

Eywa의 핵심은 언어 인터페이스 병목 현상을 수학적으로 정의하고 이를 해소한 데 있다. 논문은 데이터 처리 부등식(Data Processing Inequality)을 통해 텍스트 직렬화 과정에서 발생하는 정보 손실이 불가피함을 증명하고, 전문 모델에 직접 접근하는 방식이 이론적으로 더 낮은 위험(Risk)을 가짐을 보였다.

구현 측면에서는 Anthropic의 Model Context Protocol(MCP)을 채택하여 확장성을 확보했다. 각 전문 모델은 독립적인 MCP 서버로 배포되며, EywaAgent는 이를 원격 서비스로 호출한다. 이러한 모듈식 구조 덕분에 새로운 과학 모델이 출시될 때마다 시스템 전체를 재학습시킬 필요 없이 플러그 앤 플레이 방식으로 기능을 추가할 수 있다.

Eywa의 성능은 기반이 되는 LLM의 계획 수립 능력과 통합된 전문 모델의 예측 품질에 크게 의존한다. 또한, 현재 벤치마크인 EywaBench가 모든 과학 분야를 포괄하지는 못하며, 이종 모델 간의 통신 오버헤드로 인한 계산 비용 증가가 발생할 수 있다.