AsyncThink : LLM의 다음 진화, 스스로 생각을 조직하는 인공지능 - Microsoft Research가 제시한 ‘사고의 병렬화’와 에이전틱 LLM의 새로운 방향

 

인공지능, 이제 ‘스스로 생각을 조직하기’ 시작하다

AI는 이미 인간의 언어를 이해하고, 문제를 해결하며, 창의적인 결과를 만들어내는 수준까지 진화했다. 하지만 여전히 대부분의 대형 언어 모델(LLM)은 하나의 흐름 안에서 순차적으로 생각한다. 사용자가 질문을 던지면, 모델은 처음부터 끝까지 직선적인 사고(Sequential Thinking)로 답을 만들어낸다.

이 구조는 단순하고 안정적이지만, 복잡한 문제를 풀기에는 비효율적이다. 동시에 여러 접근법을 탐색하거나, 문제를 분해해 병렬로 사고할 수 없기 때문이다.

Microsoft Research가 발표한 AsyncThink는 이러한 기존의 한계를 근본적으로 바꾸는 시도다.
이 연구는 LLM이 단일 개체로 사고하는 기존 구조에서 벗어나, 내부적으로 여러 에이전트(agents)가 협력적으로 사고하도록 설계된 새로운 패러다임 ‘Agentic Organization’ 을 제안했다.
즉, 이제 AI는 단순히 “답을 예측하는 존재”가 아니라, “스스로 사고를 조직하는 존재”로 나아가고 있다.

반응형

---

AsyncThink란 무엇인가

1. Agentic Organization의 개념

AsyncThink는 Microsoft Research의 논문 〈The Era of Agentic Organization: Learning to Organize with Language Models〉(2024.10.30) 에서 제시된 모델이다.
핵심 개념은 하나의 LLM 내부에 Organizer(조직자) 와 Worker(작업자) 를 가상적으로 설정하여, 이들이 협력적으로 사고를 수행하도록 만드는 것이다.

• Organizer는 주어진 문제를 분석하고, 이를 여러 하위 과제로 분해한다.
• Worker들은 각자의 하위 문제(sub-query)를 병렬로 해결한다.
• 이후 Organizer는 모든 Worker의 결과를 종합해 최종 답을 생성한다.

이 구조는 프로그래밍에서의 Fork–Join 패턴과 유사하다.
하나의 프로세스가 여러 작업을 병렬로 나누어(Fork) 실행하고, 그 결과를 다시 합쳐(Join) 하나의 완전한 해를 도출하는 방식이다.

결과적으로, AsyncThink는 하나의 뇌 속에서 여러 신경망이 동시에 활성화되어 협력하는 것처럼, LLM의 내부 사고를 병렬화한 셈이다.

---

AsyncThink의 기술적 특징

1. 비동기적 사고 구조 (Asynchronous Thinking)

AsyncThink의 이름에서 알 수 있듯, 이 모델은 비동기적 사고(Asynchronous Thinking) 를 핵심으로 한다.
기존 LLM은 “질문 → 분석 → 답변”의 순차적 흐름을 가진 반면, AsyncThink는 Organizer가 문제를 쪼개고, Worker들이 동시에 사고를 진행한다.

예를 들어, “이 수학 문제를 푸는 가장 효율적인 방법은 무엇인가?”라는 질문이 들어오면, Organizer는 이를 여러 접근법(예: 대수적, 기하적, 수치적 접근)으로 분리한다. Worker들은 각각의 접근법을 시도해 결과를 도출하고, Organizer는 그 중 가장 타당한 해법을 선택한다.

2. 강화학습 기반의 사고 조직 최적화

AsyncThink는 단순한 구조적 변경에 그치지 않는다.
이 모델은 강화학습(Reinforcement Learning) 을 통해, 어떤 방식으로 문제를 나누고 다시 합치는 것이 가장 효율적인지 학습한다.
즉, 모델은 스스로의 사고 과정을 평가하고 개선하며, 점차 더 정교한 사고 조직 방식을 만들어낸다.

3. 성능 향상 – 속도와 정확도의 균형

실험 결과에 따르면, AsyncThink는 기존의 Sequential Thinking보다 약 28% 빠른 추론 속도를 달성했다.
흥미로운 점은 속도만 개선된 것이 아니라, 정확도 또한 유지되거나 오히려 향상되었다는 점이다.
특히 수학적 추론, Sudoku, 멀티 솔루션 퍼즐 등 복합적 사고를 요구하는 작업에서 탁월한 결과를 보였다.

이것은 단순한 계산 능력 향상이 아니라, 사고 과정 자체를 효율적으로 설계한 결과라고 볼 수 있다.

---

AsyncThink vs. Tongyi DeepResearch

최근 Alibaba가 발표한 Tongyi DeepResearch 역시 ‘Agentic LLM’으로 주목받고 있다.
두 모델 모두 ‘스스로 사고하고 탐구하는 인공지능’이라는 공통점을 갖지만, 접근 방식은 뚜렷이 다르다.

구분	AsyncThink	Tongyi DeepResearch
핵심 초점	내부 사고의 조직화	외부 정보의 탐색과 검증
작동 방식	Organizer–Worker 구조를 통한 내부 병렬 사고	웹·문서·데이터베이스를 스스로 탐색하며 가설 검증
주요 학습 방식	강화학습 기반 사고 구조 최적화	Mid-training으로 탐색 루프 구조 내재화
대표 효과	사고 속도 향상 및 정확도 유지	자율 탐사형 응답 생성 (리서치 보고서형 답변)

간단히 말해,
AsyncThink가 “생각을 조직하는 모델” 이라면,
Tongyi는 “탐색하고 조사하는 모델” 이다.

AsyncThink는 외부 데이터를 검색하지 않고도 내부 사고 구조를 효율적으로 정리하는 데 초점을 맞추고 있으며,
Tongyi는 외부 세계와의 상호작용을 통해 지식의 확장을 시도한다.

두 모델은 방향성은 다르지만, 모두 LLM을 단순한 “명령 수행자”에서 “자율 사고체계”로 전환시키는 공통된 흐름 위에 있다.

---

Agentic LLM 시대의 의미

LLM은 오랫동안 ‘Instruction Follower’, 즉 사용자의 지시를 해석하고 따르는 존재였다.
하지만 AsyncThink와 Tongyi 같은 모델은 이 구조를 근본적으로 바꾸고 있다.

이제 LLM은

• 질문을 해석하고 구조화하며,
• 스스로 사고 절차를 설계하고,
• 필요하다면 내부적으로 병렬 사고를 수행하거나 외부 정보를 탐색한다.

이는 단순한 성능 향상이 아니라, AI의 인지 구조 자체를 재설계한 변화라 할 수 있다.

또한 주목할 점은 두 모델 모두 매개변수(parameter) 를 늘리지 않고도 정확도를 향상시켰다는 것이다.
즉, 더 큰 모델이 아닌, 더 효율적인 사고 절차가 정확도를 높였다.
이는 LLM의 “지능”을 단순히 규모가 아닌 구조로 정의할 수 있음을 보여준다.

---

728x90

AI는 이제 ‘자율적 사고 체계’로 진화한다

GraphRAG가 외부 지식을 구조화하고,
AsyncThink가 내부 사고를 조직하며,
Tongyi가 그 위에서 탐색을 수행한다면,

이 세 가지 흐름은 하나의 방향으로 수렴한다.
바로 “AI가 스스로 배우고 사고하는 자율 연구형 인공지능”으로의 진화다.

AsyncThink는 그 시작점에서, LLM이 어떻게 ‘사고를 조직’할 수 있는지를 보여줬다.
이제 AI는 단순히 데이터를 바탕으로 답을 계산하는 존재가 아니라, 문제를 분해하고, 협력하며, 판단하는 존재로 나아가고 있다.

이 변화는 인공지능의 기능적 발전을 넘어,
‘생각하는 방식 자체를 설계한 첫 번째 시도’ 로 평가할 수 있다.
AI가 인간의 사고 과정을 모방하는 시대를 지나,
이제는 스스로의 사고 체계를 설계하는 새로운 시대가 시작되고 있다.

https://arxiv.org/pdf/2510.26658