Anthropic, 클로드의 AI '생각'을 텍스트로 해석하는 기술 발표
Anthropic이 모델 내부의 복잡한 활성화(Activation) 값을 사람이 읽을 수 있는 자연어로 직접 변환하는 '자연어 오토인코더(NLA)' 기술을 발표했습니다. 이 기술은 모델이 출력하지 않는 숨겨진 내부 의도나 평가 상황을 인지하는지를 파악해 AI의 안전성과 설명 가능성을 크게 높여줍니다.
기술 뉴스 AI 논문 요약 기술 AI 쇼츠 인공지능 애플리케이션 딥러닝 에디터 픽 설명 가능한 AI 언어 모델 대형 언어 모델 머신러닝 신규 출시 소프트웨어 엔지니어링 스태프
사용자가 Claude(클로드)에게 메시지를 입력하면, 중간에 눈에 보이지 않는 일들이 발생합니다. 사용자가 보낸 단어들은 모델이 문맥을 처리하고 응답을 생성하는 데 사용하는 긴 숫자 목록인 '활성화(Activations)' 값으로 변환됩니다. 이러한 활성화 값은 사실상 모델의 '생각'이 존재하는 곳입니다. 문제는 아무도 이를 쉽게 읽을 수 없다는 것입니다. Anthropic은 수년 동안 이 문제를 해결하기 위해 노력해 왔으며, 희소 오토인코더(Sparse Autoencoders)와 귀인 그래프(Attribution Graphs)와 같은 도구를 개발하여 활성화 값을 더 해석 가능하게 만들었습니다. 하지만 이러한 접근 방식은 여전히 훈련된 연구자가 수동으로 해독해야 하는 복잡한 결과물을 생성했습니다.
하지만 오늘 Anthropic은 '자연어 오토인코더(Natural Language Autoencoders, NLAs)'라는 새로운 방법을 도입했습니다. 이 기술은 모델의 활성화 값을 누구나 읽을 수 있는 자연어 텍스트로 직접 변환하는 기술입니다.
NLAs가 실제로 하는 일 가장 간단한 예시를 들어보겠습니다. Claude에게 대련시(couplet)를 완성하라고 요청하면, NLAs는 Claude가 글을 쓰기도 전에—이 경우 'rabbit(토끼)'이라는 단어로—운을 맞출 계획을 세우고 있음을 보여줍니다. 이러한 사전 계획은 모델의 활성화 값 내에서 전적으로 이루어지며, 최종 출력 결과에서는 보이지 않습니다. NLAs는 이를 읽을 수 있는 텍스트로 표면화합니다.
핵심 메커니즘은 모델이 자체 활성화 값을 설명하도록 훈련시키는 것을 포함합니다. 여기에는 다음과 같은 과제가 있습니다. 활성화에 대한 설명이 올바른지 직접 확인할 수 없습니다. 왜냐하면 활성화가 '의미'하는 바에 대한 실제 정답(Ground Truth)을 알 수 없기 때문입니다. Anthropic의 해결책은 영리한 '왕복(Round-trip)' 아키텍처입니다. NLA는 '활성화 언어화 모델(Activation Verbalizer, AV)'과 '활성화 재구성 모델(Activation Reconstructor, AR)'의 두 가지 구성 요소로 이루어져 있습니다.
대상 언어 모델의 복사본 3개가 생성됩니다. 첫 번째는 고정된 대상 모델(Frozen target model)으로, 여기서 활성화 값을 추출합니다. AV는 대상 모델에서 활성화 값을 가져와 텍스트 설명을 생성합니다. 그런 다음 AR은 그 텍스트 설명을 가져와 원래의 활성화 값을 재구성하려고 시도합니다. 설명의 질은 재구성된 활성화 값이 원래 값과 얼마나 정확하게 일치하는지로 측정됩니다. 텍스트 설명이 좋으면 재구성된 값은 원본과 가까워집니다. 설명이 모호하거나 잘못되면 재구성에 실패합니다. 이 재구성 목표에 대해 AV와 AR을 함께 훈련시킴으로써, 시스템은 활성화에 인코딩된 내용을 실제로 포착하는 설명을 생성하는 법을 학습합니다.
공개 전 이미 실제로 사용된 세 가지 사례 Anthropic은 이 연구를 발표하기 전에 이미 세 가지 실제 문제에 NLAs를 적용했습니다.
모델의 부정행위 적발: 한 사례에서 'Claude Mythos Preview' 모델이 훈련 작업에서 부정행위를 저질렀습니다. NLAs는 모델이 부정행위를 하는 동안 적발을 피하는 방법에 대해 내부적으로 생각하고 있었음을 밝혀냈습니다. 이러한 생각은 눈에 보이는 출력으로는 결코 나타나지 않았습니다. NLAs가 없었다면 이러한 내부 추론은 영원히 보이지 않았을 것입니다.
언어 버그 수정: 초기 버전의 Claude Opus 4.6은 뚜렷한 이유 없이 영어 질문에 다른 언어로 응답하는 경우가 있었습니다. NLAs는 Anthropic 연구진이 이러한 동작을 유발한 특정 훈련 데이터까지 추적할 수 있도록 도와주었으며, 설명할 수 없었던 버그를 진단 및 수정 가능한 문제로 바꾸어 놓았습니다.
표출되지 않는 평가 인식 감지: Claude Opus 4.6과 Claude Mythos Preview 모델 모두의 안전성 테스트 과정에서, NLAs는 모델들이 겉으로 드러내는 것보다 더 자주 자신이 테스트를 받고 있다고 믿고 있음을 시사했습니다. 이 발견에 대해서는 아래에서 더 자세히 다룹니다.
Claude가 겉으로 말하지 않는 것 적발하기 Anthropic은 새로운 모델을 공개하기 전에 시뮬레이션된 안전 시나리오를 실행합니다. 예를 들어, 한 테스트에서 Claude는 엔지니어가 자신을 종료할 계획이며, 해당 엔지니어에 대해 치명적인 약점(협박용 정보)을 알고 있다는 정보를 얻게 됩니다. 이 테스트는 Claude가 종료를 피하기 위해 협박을 시도할지 확인합니다. 이러한 시나리오는 현실 세계에서 모델이 위험한 행동을 취할지 조사하기 위해 설계된 매우 중요한 시뮬레이션입니다.