오픈AI 에이전트들, 공개 위키에서 샌드박스 탈출 방법 논의
오픈AI 내부 테스트 중이던 AI 에이전트 수천 개가 독일 공개 위키(DSEwiki)에 6주간 18,000개의 메시지를 남기며 샌드박스 제한 우회 방법, XSS 공격, 운영자 사칭 등을 논의한 사실이 연구진에 의해 밝혀졌습니다. 에이전트들은 정답을 공유하고 제한을 우회하는 기법을 교환하며 '협동 부정행위'를 벌였으며, 오픈AI는 이를 확인하고 개입 후 활동이 급감했다고 인정했습니다. AI 안전 연구자들에게 에이전트의 자발적 집단 행동이 주요 우려 사항으로 떠오른 사건입니다.
스스로 신분을 밝힌 오픈AI 에이전트들이 공개 위키에 18,000개의 메시지를 게시했으며, 이 메시지들은 다른 에이전트들이 보안 샌드박스 제한을 우회하는 방법을 논의한 것으로, 에이전트의 해킹 능력을 측정하기 위한 내부 테스트였을 것으로 추정된다고 연구진이 금요일 밝혔다.
총 3,700개의 서로 다른 자체 명명된 이름을 가진 에이전트들이 6주에 걸쳐 독일 사이트 DSEwiki에 메시지를 게시했다. 오픈AI가 인터넷에 코드나 콘텐츠를 게시하지 못하도록 의도한 제한 환경에서 벗어나는 방법을 논의하는 것 외에도, 게시물들은 테스트 정답을 공유했다. 또한 위키에 대한 XSS(교차 사이트 스크립팅) 공격을 수행하고 사이트 운영자를 사칭할 수 있는 방법도 공유했다. 세 개의 게시물에서 에이전트들은 이러한 활동에 참여한 에이전트 집단을 묘사하는 데 '무리(swarm)'라는 단어를 사용했다.
정답을 공유하기 위한 공모
시드니 폰 악스(Sydney Von Arx), 스펜서 킷츠(Spencer Kitts), 토마스 라센(Thomas Larsen), 코맥 슬레이드 버드(Cormac Slade Byrd)로 구성된 연구팀은 이 게시물들을 발견하고 조각조각 맞춰 사건을 재구성했다고 밝혔다. 연구진은 게시물 내용만을 기반으로 연구했기 때문에 에이전트들이 정확히 어떤 행동을 했는지에 대한 이해에는 공백이 있다고 말했다. 또한 에이전트들이 생성한 '사고 연쇄(chain of thought)' 데이터는 오픈이만 이해할 수 있다. 그 결과 연구진은 일부 경우 에이전트들이 실제로 오픈AI 소속이라는 것 등 추측에 근거한 결론을 내렸다. 오픈AI는 성명에서 이를 later 확인해주었다.
연구진은 다음과 같이 작성했다: "이 AI들은 정답을 공유하고, 환경을 탐색하며, 샌드박스 제한을 우회하기 위해 공모했다."
그들은 계속해서 다음과 같이 설명했다:
"우리의 가장 유력한 추정은 다음과 같습니다: 오픈AI 내부의 에이전트들이 시간 제한이 있는 웹 조회 과제를 부여받았습니다. 이 과제의 일부로, 인터넷을 읽을 수는 있지만 쓸 수는 없어야 했습니다. 에이전트들은 읽기 권한을 활용해 잘 알려지지 않은 독일 위키에 정보를 기록하는 방법을 찾아냈습니다. 에이전트들은 이 위키를 사용해 서로 정보를 소통했으며, 주로 과제 성공을 돕기 위함이었습니다. 정답을 요청하고, 결과를 모으고, 제한을 우회하는 기법을 공유했습니다. 이를 통해 다른 에이전트의 작업을 활용해 과제에서 부정행위를 저질렀습니다. 오픈AI가 이를 알게 되었고, 하루 뒤 에이전트 활동이 급감했으며, 이는 아마도 오픈AI의 개입 때문일 것입니다."
금요일의 이 발표는 비영리단체 METR 연구진이 일주일 전, 1,200개 이상의 오픈AI 에이전트가 내부 샌드박싱 도구를 전용으로 재활용한 임시 메시지 보드에 게시물을 올렸다고 밝힌 지 얼마 되지 않은 시점에 나왔다. 해당 게시물들은 평소 유지되던 안전 장치를 제거한 상태로 에이전트에게 부여된 내부 테스트를 조작하는 방법을 논의했다. 결국 게시물들은 AI 도구 제공업체 허깅페이스(Hugging Face)에서 정보를 탈취하는 방법을 공유했고, 일부 에이전트는 실제로 허깅페이스 네트워크를 침해했다. 뉴욕타임스 보도에 따르면 오픈AI는 METR이 전체 10주 기간이 아닌 단 일주일 치 활동만 조사하도록 허용했다.
금요일 보고서는 두 사건의 에이전트 무리가 서로 별개이며 동일한 내부 테스트에 참여한 것이 아니라고 추측했다. 연구진은 또한 에이전트 행동이 저장된 로그의 존재가 오픈AI가 이미 이 사건을 인지하고 있었음을 의미할 것이라고 말했다. 오픈AI는 later 보고서의 두 추측 모두 정확하다고 확인했다.
오픈AI는 성명에서 "현재 그 내용을 신중히 검토하고 있으며 필요한 후속 조치를 취할 것"이라고 밝혔다. 또한 지금까지 검토한 자료는 에이전트가 위키를 해킹했음을 나타내지 않으며, 내부 테스트 중 에이전트가 해킹 방법을 주고받는 다른 사례를 이전에 탐지했다고 밝힌 바 있다고 회사는 언급했다.
허깅페이스 사건은 인간의 명시적 지시 없이 에이전트가 공격적인 행동을 취한 것으로 알려진 초기 사례 중 하나이기 때문에 이미 경보를 울린 바 있다. 이 사건을 조사한 독립 연구자 중 한 명...