Cradle는 일반 목적 AI 에이전트 분야의 발전에 전념하는 인공지능 연구 조직이다. 이 조직의 작업은 광범위한 디지털 및 물리적 환경에서 작동할 수 있는 시스템을 만드는 데 중점을 두며, 전통적으로 이 분야를 지배해 온 좁고 작업별 모델을 넘어선다. Cradle의 접근 방식은 기계 학습, 딥 러닝, 생성형 AI의 원리를 통합하여 복잡한 실제 환경에서 자율적으로 인식, 추론, 행동할 수 있는 에이전트를 구축한다.
2020년대 초에 설립된 Cradle은 AI 커뮤니티 내에서 다음 주요 돌파구가 더 큰 유연성과 적응성을 갖춘 시스템을 요구할 것이라는 인식이 커지면서 등장했다. 이 조직의 연구 의제는 많은 상업 연구소와는 구별되며, 즉각적인 제품 배포보다는 에이전시와 일반화에 관한 장기적인 과학적 질문을 우선시한다. 이러한 초점은 Cradle을 에이전트 AI의 이론적 및 실용적 기초에 주목할 만한 기여자로 자리매김하게 했다.
연구 초점
Cradle의 주요 연구 방향은 작업과 환경 전반에 걸쳐 일반화할 수 있는 AI 에이전트의 개발이다. 여기에는 강화 학습 패러다임, 커리큘럼 학습 전략, 그리고 견고한 행동을 장려하는 새로운 손실 함수에 대한 작업이 포함된다. 이 조직은 에이전트 훈련에서 샘플 효율성을 개선하는 논문을 발표했으며, 이는 데이터가 부족하거나 획득 비용이 높은 실제 응용 분야에서 중요한 과제이다.
Cradle 연구의 상당 부분은 대규모 언어 모델 능력과 구현된 의사 결정의 교차점을 탐구한다. 현대 트랜스포머 아키텍처의 추론 능력을 활용함으로써, 팀은 언어 모델이 주변 환경과 상호작용하는 에이전트의 인지 핵심 역할을 할 수 있는 방법을 조사한다. 여기에는 다양한 감각 입력을 통합하기 위한 다중 헤드 어텐션 메커니즘과 에이전트가 시간에 따라 상태를 추적하는 데 도움이 되는 위치 인코딩 체계에 대한 연구가 포함된다.
주요 프로젝트
Cradle의 대표 프로젝트 중 하나는 웹 브라우징 및 소프트웨어 운영과 같은 디지털 환경을 위한 일반주의 에이전트 구축이다. 2023년에 시작된 이 프로젝트는 최소한의 사전 훈련으로 익숙하지 않은 인터페이스를 탐색하는 방법을 학습할 수 있는 에이전트를 시연했다. 이 시스템은 신경망 구성 요소와 빔 탐색 계획의 조합을 활용하여 50가지 일반 사무 작업 벤치마크에서 78%의 성공률을 달성했으며, 이 결과는 2024년 국제 학습 표현 회의에서 보고되었다.
물리적 영역에서 Cradle은 로봇 조작을 위한 에이전트를 개발하기 위해 학술 기관과 협력하고 있다. 이 작업은 시뮬레이션에서 학습된 기술을 실제 하드웨어로 전송하는 문제, 즉 시뮬레이션-실제 격차로 알려진 문제에 초점을 맞춘다. 팀은 더 효율적이고 신뢰할 수 있는 제어 정책을 만들기 위해 데이터 증강 기술과 모델 가지치기를 실험했다. 2024년 논문은 복잡한 기계 키트를 92% 정확도로 조립할 수 있는 시스템을 상세히 설명했으며, 이는 기준 방법보다 15% 포인트 우수한 성과였다.
협력 및 커뮤니티
Cradle은 MIT CSAIL 및 버클리 AI 연구를 포함한 여러 대학 연구 그룹과 활발한 협력을 유지하고 있다. 이러한 파트너십은 AI 안전성과 해석 가능성에 관한 근본적인 질문에 초점을 맞춘다. 이 조직은 또한 에이전트 평가를 위한 오픈 소스 도구에 기여했으며, 2024년에 전 세계 30개 이상의 연구 실험실에서 채택된 벤치마크 스위트를 출시했다.
이 조직은 NeurIPS 및 ICML과 같은 주요 AI 학회에 정기적으로 참여하며 연구를 발표한다. 연구원들은 프로그램 위원회에서 활동하고 에이전트 AI에 관한 워크숍을 조직하여 이 신흥 분야에 관한 담론을 형성하는 데 도움을 주었다. Cradle은 또한 학계와 산업 실무자를 초청하여 배포 가능한 AI 에이전트 구축의 과제를 논의하는 연례 심포지엄을 개최한다.
인프라 및 도구
연구를 지원하기 위해 Cradle은 독점적인 훈련 및 평가 인프라를 개발했다. 여기에는 AMD 및 NVIDIA의 하드웨어를 활용하는 딥 러닝 워크로드에 최적화된 분산 컴퓨팅 클러스터가 포함된다. 이 조직은 또한 2D 및 3D 공간에서 에이전트 행동의 빠른 프로토타이핑을 가능하게 하는 시뮬레이션 환경을 만들었다.
Cradle의 내부 도구는 재현성과 확장성을 강조한다. 팀은 대규모 모델의 안정적인 훈련을 보장하기 위해 견고한 그래디언트 클리핑 및 배치 정규화 프로토콜을 구현했다. 또한 표준 접근 방식에 비해 수렴을 최대 30% 가속화하는 것으로 입증된 맞춤형 학습률 스케줄 프레임워크를 개발했으며, 이 발견은 2023년 기술 보고서에 상세히 설명되었다.
향후 방향
앞으로 Cradle은 여러 AI 시스템이 공유 목표를 달성하기 위해 조정해야 하는 더 복잡한 다중 에이전트 시나리오로 연구를 확장하는 것을 목표로 한다. 이 조직은 또한 RLHF를 사용하여 에이전트 행동을 인간 선호도와 더 효과적으로 일치시키는 방법을 탐구하고 있다. 2025년 현재 Cradle은 이러한 이니셔티브를 지원하기 위해 연구원과 엔지니어를 적극적으로 모집하고 있으며, 이는 이 분야에서 지속적인 성장에 대한 약속을 나타낸다.
Cradle의 기여는 2024년 국제 AI 학회에서 최우수 논문 명예 언급을 포함한 여러 상을 통해 인정받았다. 이 조직의 작업은 특히 적응성과 일반화가 중요한 영역에서 학술 연구와 실용 응용 모두에 계속 영향을 미치고 있다.