https://arxiv.org/abs/2510.23881

생성형 인공지능(Generative AI)은 다양한 분야에서 빠르게 발전하고 있지만, 진정으로 창의적이고, 미적이며, 직관에 반하는(counter-intuitive) 결과물을 만들어내는 것은 여전히 어려운 과제입니다.
이 논문은 이러한 한계를 체스 퍼즐(chess puzzles) 분야에서 해결하기 위한 접근법을 제시합니다.

우리는 먼저 여러 생성형 AI 아키텍처를 벤치마크한 뒤, 그 한계를 극복하기 위해 체스 엔진의 탐색 통계(search statistics) 에 기반한 새로운 보상 함수를 도입한 강화학습(RL) 프레임워크를 제안합니다.
이 보상 함수는 퍼즐의 독창성, 직관에 반하는 성질, 다양성, 현실성을 향상시키도록 설계되었습니다.

그 결과, 우리의 강화학습 접근법은 직관에 반하는 퍼즐 생성 비율을 10배 향상시켜,

• 기존 지도학습 모델(0.22%) 에서
• 2.5% 로 끌어올렸으며,
  이는 기존 데이터셋의 비율(2.1%)과 Lichess 기반 최고 모델(0.4%)을 모두 능가합니다.

생성된 퍼즐들은 새로움(novelty) 과 다양성(diversity) 기준을 충족하면서,
미적 주제(aesthetic themes) 를 유지하고,
인간 전문가 평가에서도 기존의 책에 실린 수작 퍼즐보다
더 창의적이고, 즐겁고, 직관에 반한다는 평가를 받았습니다.

최종적으로 우리는 이러한 AI가 생성한 퍼즐들을 모아 큐레이션 북(let) 을 제작했으며,
이는 세계적으로 저명한 체스 전문가 3인에게 창의성을 인정받았습니다.