The PokéAgent Challenge: Competitive and Long-Context Learning at Scale

본 논문은 NeurIPS 2025에서 개최되는 'The PokéAgent Challenge' 대회를 소개하며, Pokémon 게임 환경을 활용하여 AI의 의사결정 능력을 평가하고 발전시키기 위한 벤치마크를 제안합니다. 이 대회는 복잡한 상태 공간과 긴 시간 지평(long-horizon)에서의 추론이 필요한 환경에서 강화학습(Reinforcement Learning, RL)과 대규모 언어 모델(Large Language Models, LLM)의 통합 연구를 촉진하는 것을 목표로 합니다.

핵심 연구 영역 및 방법론

본 대회는 두 가지 트랙으로 구성되어 있으며, 각 트랙은 현대 AI 연구의 핵심 과제를 다룹니다.

1. 트랙 1: 경쟁적 배틀 (Competitive Battling)

• 핵심 도전 과제: 부분 관측 가능성(Partial Observability) 하에서의 상대 모델링(Opponent Modeling)에 초점을 맞춥니다.
• 기술적 상세: 에이전트는 상대의 정보가 제한된 상황에서 최적의 전략을 수립해야 합니다. 게임 이론(Game Theory)적 관점에서 상대의 행동을 예측하고 대응하는 전략적 적응력(Strategic Adaptation)이 요구됩니다. 이는 불확실성이 높은 환경에서의 의사결정 모델링을 테스트하기 위한 표준화된 벤치마크를 제공합니다.

2. 트랙 2: RPG 스피드런 (RPG Speedrun)

• 핵심 도전 과제: 수천 번의 타임스텝에 걸친 장기 계획(Long-Horizon Planning) 능력을 평가합니다.
• 기술적 상세: 에이전트는 게임 내에서 일관된 목표를 유지하며 방대한 지식 베이스(Reference Materials)를 통합하여 복잡한 태스크를 해결해야 합니다. 이는 단순히 단기적인 보상(Reward) 극대화를 넘어, 계층적 계획(Hierarchical Planning) 및 장기 문맥 유지 능력을 강화하는 데 중점을 둡니다.

연구적 가치 및 기대 효과

• 지식 통합 및 추론: 단순히 통계적인 학습에 의존하는 것이 아니라, 외부 참조 자료를 활용한 지식 통합(Knowledge Integration) 기법을 장려합니다.
• 평가 및 보상: 최고 성능의 에이전트를 가리는 순위 기반 상금 외에도, LLM 기반 방법론이나 혁신적인 RL 알고리즘을 제안한 팀에게 'Research Impact Awards'를 수여하여 방법론적 다양성을 확보하고자 합니다.
• NeurIPS 2025 기여: 우승 팀에게는 NeurIPS 2025 워크숍 발표 기회와 공식 대회 보고서 공동 저자 참여 권한이 주어지며, 이를 통해 학계와 산업계가 공동으로 AI의 의사결정 능력을 검증할 수 있는 공통의 플랫폼을 구축합니다.

요약 및 결론

PokéAgent Challenge는 Pokémon이라는 통제된 환경 내에서, 현실 세계의 복잡한 의사결정 문제인 '불완전 정보 하의 게임 전략'과 '장기적 목표 수행'이라는 두 가지 난제를 해결하는 데 목적이 있습니다. 이 벤치마크는 RL과 LLM 연구자들이 각자의 강점을 결합하여 AI의 범용적 의사결정 능력을 한 단계 높일 수 있는 실험적 테스트베드를 제공합니다.