사카나 AI, 인간 804명 제치고 앳코더 프로그래밍 대회 우승

지금까지 AI의 코딩 실력을 가늠할 때 주로 쓰인 잣대는 정답이 명확한 리트코드(LeetCode) 알고리즘 문제나 단순 코드 완성이었습니다. 하지만 실제 산업 현장에서 엔지니어들을 가장 괴롭히는 것은 물류 경로 최적화나 공장 배차 스케줄링처럼 명확한 정답이 없는 거대한 '휴리스틱 최적화' 문제입니다.

도쿄 소재의 사카나 AI는 자체 개발한 에이전트 'ALE-Agent'가 앳코더(AtCoder)의 휴리스틱 프로그래밍 대회 AHC058에서 인간 참가자 804명을 제치고 1위를 차지했다고 발표했습니다. AI 에이전트가 실시간 대규모 최적화 프로그래밍 대회에서 인간 전문가들을 꺾고 우승한 것은 이번이 처음입니다.

대회는 2025년 12월 14일, 4시간 제한으로 치러졌습니다. 문제는 사과 생산 기계와 그 기계를 만드는 상위 기계 등 계층 구조를 가진 생산 라인의 효율을 극대화하는 생산 계획 알고리즘을 짜는 것이었습니다. 겉보기에는 아기자기한 문제였지만, 실제로는 복잡한 제조 공정과 공급망 의존성을 수학적으로 모델링한 난제였습니다.

출제자의 의도를 뒤엎은 자율 알고리즘 탐색

주목할 점은 ALE-Agent가 출제자가 예상한 전형적인 풀이 경로를 따르지 않았다는 사실입니다.

AHC058의 출제자는 참가자들이 탐욕법(Greedy)이나 빔 서치(Beam Search)로 거시적인 계획을 잡은 뒤, 시뮬레이티드 어닐링(담금질 기법)으로 미세 조정을 진행할 것으로 내다봤습니다. 하지만 ALE-Agent는 AI 특유의 압도적인 반복 탐색 능력을 극대화한 독자적인 해법을 들고나왔습니다.

에이전트는 아직 가동되지 않은 기계에도 잠재적 가치를 미리 부여해 근시안적 선택을 방지하는 '가상 파워(Virtual Power)'라는 독특한 휴리스틱을 스스로 고안했습니다. 또한 담금질 과정에서 단순히 몇 단계를 바꾸는 수준을 넘어, 탐욕법을 이용해 계획의 큰 덩어리를 통째로 갈아엎는 세 가지 유형의 대규모 근방 탐색(Large Neighborhood)을 구현했습니다. 이를 통해 지역 최적해(Local Optima)에 갇히는 문제를 깔끔하게 회피했습니다.

여기에 사전 계산 테이블을 만들어 연산 낭비를 없애는 등 인간이 단시간에 손으로 구현하기 힘든 수준의 실행 최적화까지 더했습니다. 경기 시작 2시간 만에 첫 코드를 제출하며 단숨에 잠재 순위 1위에 올랐고, 인간 랭커인 yosupo와의 접전 끝에 경기 종료 1시간 30분 전 선두를 탈환해 끝까지 1위를 지켜냈습니다.

1,300달러로 돌린 병렬 추론과 전문가들의 평가

4시간 동안 인간 전문가들을 꺾기 위해 에이전트가 쓴 비용은 약 1,300달러였습니다. 여기에는 모델 API 비용 약 1,000달러와 AWS 등 인프라 비용이 포함되어 있습니다.

에이전트는 추론 강도를 높게 설정한 GPT-5.2를 2,654회, 생각 수준을 높인 제미나이 3 프로 프리뷰(Gemini 3 Pro Preview)를 2,119회 호출했습니다. 복수의 모델을 병렬로 돌려 코드를 만들고, 시뮬레이션 결과를 스스로 분석해 인사이트를 도출한 뒤 다음 코드 생성에 반영하는 루프를 돌렸습니다.

문제 출제자이자 세계 정상급 랭커인 노치데 히로오미는 대회 전에는 LLM이 이런 직관적인 휴리스틱 문제를 풀기 어려울 것이라 생각했지만, 자신이 예상치 못한 정교한 어닐링 기법을 발견해 낸 로그를 보고 경악했다고 전했습니다. 앳코더 총괄인 이와타 요이치 역시 대담한 대규모 근방 탐색 기법을 높게 평가했습니다.

다만 사카나 AI 측은 AI가 언제나 인간을 압도하는 단계는 아니라고 선을 그었습니다. ALE-Agent의 대회 우승은 이번이 처음이며, 현재 환산된 가상 레이팅은 2592로 앳코더 활성 사용자 중 66위 수준입니다.

왜 중요한가

우리는 이번 성과가 AI 코딩의 전장을 '기존 코드의 재현'에서 '새로운 엔지니어링 알고리즘의 자율 발견'으로 한 단계 끌어올렸다는 점에서 매우 중요하다고 봅니다.

일반 개발자가 개인 프로젝트에 4시간 동안 1,300달러를 태우기는 어렵습니다. 하지만 공장 배차, 항공편 스케줄링, 칩 레이아웃 최적화처럼 1%의 효율 개선이 수십억 원의 비용 절감으로 이어지는 엔터프라이즈 환경이라면 이야기가 다릅니다. 고액의 연봉을 받는 최적화 전문가 팀을 수개월간 투입하는 대신, 수백만 원 수준의 클라우드 비용으로 몇 시간 만에 인간의 상상을 뛰어넘는 해법을 뽑아낼 수 있다면 기업 입장에서는 시도하지 않을 이유가 없습니다.

단일 LLM에 의존하지 않고 여러 프론티어 모델을 병렬로 조합하며 시행착오에서 교훈을 추출해 스스로 개선하는 에이전트 아키텍처를 증명한 점도 영리한 접근입니다.

물론 여전히 막대한 컴퓨팅 자원을 쏟아붓는 브루트포스식 탐색에 기대고 있고, 여전히 종합 순위 66위 수준이라는 한계는 분명합니다. 하지만 적절한 도메인 지식과 추론 연산 확장이 결합할 때, AI가 복잡한 산업 현장의 최적화 난제를 스스로 풀어낼 수 있음을 확실히 보여준 전환점입니다.