구글 제미나이 2.5 프로, 고전 게임 '포켓몬스터 블루' 엔딩 봤다

2025년 최첨단 AI 모델들이 경쟁을 벌이는 무대가 29년 전 출시된 흑백 게임보이 타이틀이 될 줄 누가 알았을까.

트위치에서 수백 시간 동안 이어진 생중계 끝에, 구글의 제미나이 2.5 프로 익스페리멘탈이 1996년작 고전 게임 '포켓몬스터 블루'의 엔딩 크레딧을 보는 데 성공했다. 클리어 직후 순다 피차이 구글 CEO는 자신의 X 계정을 통해 "멋진 마무리다! 제미나이 2.5 프로가 방금 포켓몬스터 블루를 클리어했다!"며 축하 메시지를 남겼다.

이 프로젝트는 구글의 공식 벤치마크가 아니라, 구글 소속이 아닌 30세 소프트웨어 엔지니어 조엘 Z(Joel Z)가 진행한 독립 실험이다. 그는 대형 언어 모델이 게임보이 환경을 스스로 탐색하고 조작할 수 있는 전용 에이전트 프레임워크를 직접 구축했다.

LLM은 어떻게 포켓몬 챔피언이 되었나

'포켓몬스터 블루'를 AI가 끝까지 플레이하는 것은 결코 단순한 작업이 아니다. 넓은 오픈월드 맵을 탐색하고, 복잡한 턴제 상성을 계산해야 하며, 바위를 밀어 길을 여는 퍼즐까지 풀어야 한다. 수백 시간 동안 길을 잃지 않고 최종 목표를 유지하는 장기 추론 능력이 필수적이다.

조엘 Z는 mGBA 에뮬레이터와 제미나이 2.5 프로를 연동했다. 게임 화면 캡처뿐만 아니라 주인공의 좌표, 현재 보유 포켓몬 상태, 맵 구조와 같은 핵심 RAM 데이터를 실시간으로 모델에 전달했다. LLM의 부족한 공간 지각력을 보완하기 위해 화면 위에 격자(그리드)를 오버레이로 띄웠고, 텍스트 형태의 지도를 제공해 탐색 진행도를 추적하도록 도왔다.

제미나이는 이 데이터를 바탕으로 상황을 판단해 'A 버튼 입력', '아래로 이동' 같은 명령을 내렸다. 또한 컨텍스트 윈도 용량이 넘치는 것을 막기 위해 약 100회 조작마다 이전 행동을 자동으로 요약 정리하는 메모리 관리 기능도 적용했다.

특히 눈에 띄는 부분은 멀티 에이전트 구조다. 일상적인 이동과 전투 외에 복잡한 길을 찾는 '패스파인더(Pathfinder)'와 바위 밀기 퍼즐을 전담하는 '볼더 퍼즐 전략가(Boulder Puzzle Strategist)'라는 서브 에이전트를 별도로 뒀다. 이들 역시 제미나이 모델로 구동되며, 메인 제미나이가 난관을 만났을 때 스스로 이 전문가 에이전트들을 호출해 문제를 풀어나갔다.

보조 도구와 사람의 개입, 어디까지 인정해야 할까

다양한 보조 장치와 사람의 손길이 닿은 만큼, 완전한 자율 클리어로 볼 수 있느냐는 의문도 남는다.

조엘 Z는 방송 중 일부 개발자 개입이 있었음을 인정했다. 탈출로프 같은 아이템을 낭비하는 패턴을 제한하거나 시스템 버그로 멈췄을 때 풀어주는 식이었다. 하지만 그는 직접적인 공략집을 주입하지는 않았다고 선을 그었다. 유일한 예외는 로켓단 아지트에서 엘리베이터 열쇠를 얻기 위해 특정 로켓단 단원에게 두 번 말을 걸어야 하는 상황이었는데, 이는 1996년 출시 당시의 버그였고 후속작인 '포켓몬스터 옐로'에서 수정된 내용이었기에 힌트를 줬다고 설명했다.

앞서 지난 2월 앤트로픽이 '포켓몬스터 레드'를 플레이하는 클로드의 성과를 공개했을 때, 구글 AI 스튜디오의 프로덕트 리드 로건 킬패트릭이 제미나이가 배지 5개를 땄다며 신경전을 벌이기도 했다. 피차이 CEO 역시 "인공 포켓몬 지능(API)을 개발 중"이라며 농담을 던졌다. 다만 조엘 Z는 클로드와 제미나이가 사용하는 도구와 입력받는 데이터가 완전히 다르므로 이를 두 모델 간의 절대적인 성능 비교 기준으로 삼아서는 안 된다고 당부했다.

왜 중요한가

이번 프로젝트는 고전 게임을 깼다는 재미 요소를 넘어, 실전에서 작동하는 자율 에이전트의 설계 방식을 명확히 보여줬다는 점에서 의미가 크다.

우리는 개발자가 설계한 '외재적 비계(Scaffolding)' 방식이 매우 영리했다고 본다. 단일 LLM에 시각적 공간 인지부터 메모리 유지까지 모든 것을 맡기지 않고, RAM 데이터 주입, 격자 오버레이, 정기 요약, 전문 서브 에이전트 호출로 역할을 분담시켰다. 이는 현재 엔터프라이즈 환경에서 복잡한 업무를 자동화하기 위해 AI 에이전트를 구축하는 현실적인 방법과 일치한다.

개발자들에게 주는 시사점도 분명하다. 장기적인 계획이 필요한 복잡한 소프트웨어 환경을 다룰 때, 범용 모델 하나에 의존하기보다 오케스트레이터 역할을 맡기고 세부 작업을 전문 에이전트에 위임하는 아키텍처가 훨씬 안정적이라는 점을 증명했다.

물론 정밀한 보조 환경과 인간의 적절한 개입이 없으면 모델이 여전히 루프에 빠지거나 길을 잃을 수 있다는 한계도 드러났다. 아직 진정한 범용 인공지능(AGI)과는 거리가 있지만, 추론 모델이 도구와 결합해 수백 시간 규모의 환경 상호작용을 완수할 수 있음을 보여준 인상적인 이정표다.