논문 링크:
Toward Edge General Intelligence With Agentic AI and Agentification: Concepts, Technologies, and Future Directions
The rapid expansion of sixth-generation (6G) wireless networks and the Internet of Things (IoT) has catalyzed the evolution from centralized cloud intelligence towards decentralized edge general intelligence. However, traditional edge intelligence methods,
ieeexplore.ieee.org
출처: R. Zhang et al., "Toward Edge General Intelligence With Agentic AI and Agentification: Concepts, Technologies, and Future Directions," in IEEE Communications Surveys & Tutorials, vol. 28, pp. 4285-4318, 2026.
요약
6G 무선 통신 네트워크와 사물 인터넷(IoT)의 출현으로 네트워크는 중앙화된 클라우드에서 지능화된 끝단으로 이동하고 있다. 그러나 기존의 edge intelligence 방법들은 고정되지 않고 변동하며 서로 다른 이질성을 갖고 자원이 제한된 시나리오에서 적합하지 않다. 이러한 상황에서 agentic AI 시스템들은 자율적으로 멀티모달 데이터를 받아들이고 문맥에 따라 추론하며 이러한 과정에 자동적으로 적응할 수 있게 해 준다. 이 논문에서는 agenti AI 시스템을 기존 edge intelligence 시스템과 구분하고 정식화한다. 또 agentic AI를 가능케 만들어주는 기반 기술들에 대해서 소개한다. 이러한 기반 기술들은 모델 압축, 에너지 효율을 고려한 컴퓨팅, 단절 없는 통신, 지식을 구조화하여 표현하고 추론하는 방식이다. 이에 더해 다양한 응용 사례들을 소개하며 이는 저고도 항공 네트워크, 의도 기반 자원 최적화, 차량 간 통신 네트워크, 사람 중심의 서비스 제공을 포함한다. 또 끝으로, 현재 당면한 문제와 발전 방향성도 제시한다.
Agentic AI의 주요 발전:
1. Rule-Based Agents: 미리 정의된 규칙에 따라 작동, 정적 환경에서는 유용하지만 변화가 많은 엣지 환경에서는 적응력이 부족하다.
2. Deep RL-Driven Agents: 환경과의 상호작용을 통해 trail and error 방식으로 학습한다. 적응력은 향상되었으나 특정 작업에 국한되며 일반화나 장기적 추론 능력이 부족하다.
3. LLM-Driven Agents: GPT와 같은 LLM 모델을 활용해 다단계 계획과 같은 복잡한 추론을 가능케 한다.
4. Agentic AI Systems: 목표 지향적 계획 수립, 장기적 의사결정을 수행한다. 엣지 노드가 스스로 지각-추론-행동 루프를 수행하며 복잡한 분산환경에서 자율적인 운영을 가능케 한다.
Agentic AI 주요 발전의 비교:
Agentic AI의 통합 구조:
1. Perception: 다양한 멀티모달 입력(텍스트, 음성, 영상, 센서 데이터)을 수집하고 처리
2. Memory: 정보를 저장하고 필요할 때 꺼내 활용한다. 이는 단기 작업, 장기 저장소, 사건 중심 기억, 의미 기반 지식으로 나뉜다.
3. Reasoning: 입력을 바탕으로 논리적 사고와 계획을 수립한다. 프롬프트 기반 논리, 과제 분해, 다중 단계 추론, 불확실성을 고려한 추론, nero-symbolic 추론등이 이에 포함된다.
4. Action: 실제 세계와 상호작용한다. 로봇/장치 제어, 다중 에이전트 협업, 시스템 자동화, MCP 활용등이 이에 포함된다.
- LLMs: GPT-4, Gemini 같은 모델이 cognitive core 역할을 수행
- External Tools & APIs: 에이전트가 내재된 능력을 넘어 외부 계산 자원이나 데이터베이스에 접근
- Memory & Retrieval: RAG(Retrieval-Augmented Generation) 기반 메모리로 과거 지식을 저장, 검색
- Planning & Reasoning: Chain-of-Thought(CoT)와 상징적 AI 기법을 활용해 장기 전략을 자율적으로 수립
- Multi-Agent Coordination: Deep DRL 기반 프레임워크등으로 분산 환경에서 협력적 의사결정과 집단 지능 발휘
기존 Edge AI의 한계: 사물 감지, 음성 인식, 이상현상 모니터링과 같이 특정 하나의 태스크에 대해서만 설계되었다는 한계를 갖는다. 이에 따라 변동하는 네트워크 상태, 사용자 행동과 같은 환경에 대한 적응력이 떨어진다.
기존 에이전트간 통신, 분산 태스크 조율, 생성형 통신 연구에 대한 정리:
- 그래프 기반 조율 방식은 여러 에이전트들이 협력적으로 작동하게 하여 adaptability와 환경 적응성을 갖는다. (+scalability)