LLM은 더 이상 미지의 블랙박스가 아닙니다
LLM의 내부 작동 원리를 역설계하여 모델이 실제로 '생각'하는 과정을 추적하는 '기계적 해석 가능성(Mechanistic interpretability)' 연구가 큰 진전을 보이고 있습니다. 최근 Anthropic의 연구에 따르면 LLM은 인간이 이해할 수 있는 고수준의 개념들을 통해 실제로 다단계 추론을 수행하며, 고유의 '잠재의식' 과정을 거치는 것으로 밝혀졌습니다. 이는 AI의 오작동을 방지하고 성능을 향상시키는 핵심 기반이 될 수 있어 매우 중요한 의미를 갖습니다.
LLM(대형 언어 모델)은 우리가 흔히 알고 있던 '블랙박스(Black box)'가 아닙니다. 신경망 내부를 들여다보고 그 작동 원리를 역설계하는 '기계적 해석 가능성(Mechanistic interpretability)' 연구가 비약적인 발전을 이루었습니다. 특히 Anthropic의 2025년 논문 "On the Biology of a Large Language Model(대형 언어 모델의 생물학적 이해)"은 이 분야의 중요한 이정표입니다. 그 진전 상황과 관련된 생각들을 요약해 드립니다.
LLM은 실제로 무엇을 '생각'하고 있을까요? LLM이 무엇을 '생각'하는지 어떻게 이해할 수 있을까요? 이를 파악하는 것은 매우 가치 있는 일입니다. 모델의 행동을 제어하고 위험한 의도를 탐지하는 등의 일을 가능하게 할 수 있기 때문입니다. 하지만 이는 단순히 개별 뉴런의 활성화를 관찰하는 것보다 훨씬 어렵습니다. '중첩(Superposition)' 현상 때문인데, 하나의 뉴런이 서로 관련 없는 수많은 개념에 관여하고, 하나의 개념 역시 여러 뉴런에 분산되어 나타나기 때문입니다. 하나의 유닛만 보고서는 의미를 읽어낼 수 없습니다. 좀 더 창의적인 접근이 필요합니다.
회로 추적(Circuit tracing) 한 가지 접근 방식은 개별 개념들을 식별하기 위해 두 번째 모델을 학습시킨 다음, 순방향 패스(Forward pass) 과정 동안 이 개념들이 어떻게 상호작용하는지 모니터링하는 것입니다. Anthropic의 회로 추적 기술은 기본 모델의 MLP(다층 퍼셉트론) 계층의 출력을 희소(Sparse)하게 재현하는 '대체(Replacement)' 모델을 학습시킵니다. 이는 기본 모델의 활성화를 일련의 희소 특징(Sparse features)들로 분해하는 효과를 냅니다. 흥미롭게도 이러한 특징들은 '텍사스'나 '올림픽'과 같이 인간이 쉽게 식별할 수 있는 고수준 개념과 정확히 일치합니다. 이렇게 인간이 해석 가능한 특징을 얻게 되면, 순방향 패스 동안 이들이 어떻게 상호작용하는지 추적하여 인과 관계로 묶인 클러스터를 구성하고 계산의 '배선도(Wiring diagram)'를 그려낼 수 있습니다.
모델은 실제로 여러 단계로 추론합니다 이를 실제로 적용해보면, 모델이 중간 개념을 매개로 진정한 다단계 추론(Multi-step reasoning)을 수행하는 것을 직접 관찰할 수 있습니다. 모델은 시를 작성할 계획을 세울 때, 앞으로 사용할 '운(Rhyme)' 후보를 미리 '생각'하기도 합니다. "달라스가 포함된 주의 수도는 어디인가?"라고 질문하면 다음과 같은 순서로 관찰할 수 있습니다. 먼저 '달라스' 특징이 활성화되고, 그것이 '텍사스' 특징을 활성화시키며, 마지막으로 '오스틴'이 활성화됩니다. 이는 고수준 개념 간의 의미론적 관계를 추적하는 것으로 보이며, 이 과정에서 일부 철학자들이 '고차원적 추론'이라고 설명하는 것과 유사한 일종의 의사 기호적 추론(Pseudo-symbolic inference)을 수행하고 있음이 꽤 명확하게 드러납니다.
이는 LLM만의 현상이 아닙니다 이러한 현상은 언어 모델에만 국한되지 않습니다. AlphaZero와 같은 MCTS(몬테카를로 트리 탐색) 기반 시스템 역시 인간이 인식할 수 있는 개념으로 수렴합니다. DeepMind의 2022년 연구에 따르면, AlphaZero는 체스와 관련된 인간의 지식을 전혀 제공받지 않았음에도 불구하고 '체크(In check)'나 '막힘(Pinning a piece)'과 같은 인간의 체스 개념과 일치하는 중간 표현(Intermediary representations)을 독자적으로 학습했습니다.
더 나은 이해 → 더 나은 알고리즘 모델의 암묵적인 추론 과정을 분해하면 더 나은 학습 알고리즘을 설계하는 데 도움이 될 수 있습니다. 예를 들어, Claude 3.5 Haiku는 소수의 덧셈을 위해 인간의 암산 방식과는 다른 알고리즘을 학습했습니다. 이 모델은 문제를 여러 병렬 경로로 나누어 대략적인 크기(Magnitude)와 정확한 일의 자리 숫자를 동시에 계산한 다음, 암기한 '룩업 테이블(Lookup table)' 특징을 활용해 이를 다시 결합합니다. 자연스럽게 이어지는 질문은, 이를 식별한 다음 모델을 더 나은 알고리즘으로 '안내'할 수 있을까? 입니다.
모델에게도 '잠재의식'이 있습니다 주목할 점은, 모델 자체가 회로 추적을 통해 밝혀진 근본적인 사고 과정에 대해 반드시 '메타인지(Metacognition)'를 갖고 있지는 않다는 것입니다. 모델에게 두 숫자를 더한 과정을 설명해달라고 하면 모델은 실제로 실행한 알고리즘과는 다른, 말끔하고 인간다운 절차를 구술할 것입니다. 좋든 나쁘든 모델에게는 어느 정도의 잠재의식(Subconscious)이 존재합니다. 그리고 바로 그 점 덕분에 우리가 내부를 들여다볼 수 있는 것입니다.
왜 이것이 중요한가 기계적 해석 가능성은 매우 흥미롭고 빠르게 발전하는 연구 분야로, 이미 눈에 띄는 성과들을 거두고 있습니다. 10년 전 일부 머신러닝 교수님이 말씀하셨던 것과는 달리, 이 분야는 우리가 모델로부터 지금까지 추출해 낸 통찰 중 가장 깊은 것 중 하나입니다. 이는 모델의 오작동을 식별하고, 행동을 제어하며, 향후 AI 알고리즘의 근본적인 설계를 개선하는 데 막대한 파급력을 미칠 것입니다.