‘진리’를 향할 수 없는 LLM: 타르스키 대각선 공격
최근 AI 안전성 연구에서 LLM의 임베딩 공간 내에 '진리' 방향이 존재하여 모델의 거짓말을 탐지할 수 있을 것이라는 기대가 컸습니다. 그러나 이 글은 '이 문장은 거짓이다'와 같은 자기참조적 역설을 활용한 대각선 공격을 통해 어떤 탐지기도 완벽하게 진리를 특정할 수 없음을 증명합니다. 이는 AI 정렬 및 해석 가능성 연구에서 기하학적·선형적 방식의 한계를 명확히 보여주는 중요한 이론적 통찰입니다.
LLM 진리 탐지기에 대한 대각선 공격은 언어 모델의 임베딩 공간에 어떤 탐지기를 적용하더라도 진리를 완벽하게 특정할 수 없는 이유를 보여줍니다.
선형적 꿈 현대 LLM은 입력 텍스트를 임베딩 공간의 벡터로 인코딩하는 것으로 유명합니다. LLM에 대해 가장 만족스러운 발견 중 하나는 성별, 감정, 수도와 같은 많은 자연적 개념들이 이 공간의 방향에 대응된다는 것입니다. 예를 들어, 특정 입력 텍스트가 '남성' 개념을 얼마나 포함하는지는 입력의 임베딩과 '남성' 개념에 해당하는 방향 사이의 각도를 통해 정량화할 수 있습니다. 이를 흔히 선형 표현 가설(Linear Representation Hypothesis)이라고 부릅니다.
저는 최근 이 가설의 매우 대담한 버전에 대해 알게 되었는데, 이는 '진리(truth)'에 해당하는 방향이 존재한다고 주장합니다. 예를 들어 Marks와 Tegmark의 연구에서 이를 탐구했으며, 여기, 여기, 여기, 여기, 그리고 여기에서 추가로 연구되었습니다. 만약 특정 텍스트가 진실인지 알고 싶거나 AI 시스템이 진실을 말하고 있는지 거짓을 말하고 있는지 밝혀야 하는 AI 안전 연구에서 이러한 진리 방향에 접근하는 것은 매우 유용하고 결정적입니다. 따라서 AI 안전 연구자들은 LLM에 참 및 거짓 문장을 학습시키고, 그 임베딩을 분리하는 분류기를 훈련해 왔습니다. 이는 놀랍도록 잘 작동했고 어느 정도 일반화되는 것처럼 보였습니다.
초인적인 AI가 임베딩 기하학(embedding geometry)을 통해 명제의 진리를 반영할 수 있다는 것이 정말 사실일까요? 여러분은 이와 같은 꿈을 다른 곳에서도 보셨을 것입니다. 러셀, 화이트헤드, 힐베르트는 모든 수학에 대해 비슷한 것을 구축하기를 희망했습니다. 바로 진위를 판별하는 체계적인 방법입니다. 그들의 경우 수학적 증명이라는 기계 장치를 기반으로 했습니다. 하지만 괴델은 그 꿈을 유명하게 산산조각 냈습니다. 즉, 모든 수학적 명제를 증명하거나 반증할 수 있는 체계적인 방법은 존재할 수 없습니다. 수학적 진리는 증명 가능성으로 완전히 포착될 수 없습니다.
'말하기'에 대해 '말하기' 괴델은 산술 표현이 산술 문장에 대해 서술할 수 있는 영리한 시스템을 만들어 이를 보여주었습니다. 이어서 '이 문장은 증명할 수 없다'는 자기 참조적 문장이 탄생했습니다. 타르스키는 이 역설을 더욱 날카롭게 벼렸습니다. 즉, 충분히 표현력이 풍부한 언어는 자체적인 완전한 진리 술어를 포함할 수 없습니다. 언어가 자체의 의미론을 기술할 만큼 표현력이 풍부하다면, 그 언어 내의 명장에 적용되는 '무엇이 참인가'는 그 언어 내부에서 온전히 말해질 수 없습니다.
튜링의 정지 문제는 이러한 대각선 구성의 또 다른 예를 제공합니다. 여기에는 평가자(프로그램 HALT), 스스로에 대해 '이야기'할 만큼 표현력이 풍부한 시스템(튜링 기계의 설명을 튜링 기계에 입력할 수 있음), 그리고 부정이 있습니다. 이러한 자기 참조의 역설에 대한 훌륭하고 보편적인 접근법은 Noson Yanofsky의 논문에 나오는데, 그는 이렇게 말합니다: 이 모든 다른 예들은 실제로 같은 것을 말하고 있습니다. 즉, 사물이 자신의 속성을 다룰 때 문제가 발생할 것이라는 점입니다.
트랜스포머 기반 LLM도 비슷한 작업을 수행합니다. 방향이 개념에 대응하는 공간에서 입력을 벡터로 표현합니다. 그러나 이 개념들은 그 자체로 입력으로 제공될 수 있는 자연어로 표현될 수 있습니다! 자연어로 학습된 트랜스포머는 입력과 동일한 재료로 만들어집니다. 이러한 임베딩 공간의 기하학 구조가 모두 쉽게 언어화할 수 있는 구조에 대응되는 것은 아니지만, 중요한 부분은 그렇습니다(예: Anthropic의 J-space에 대한 글 참조). 특히 진실성 개념은 종종 존재하는 것처럼 보입니다.
대각선 공격 이제 공격을 설정해 보겠습니다. t(s)를 입력 문자열 s에 대한 진리 탐지기의 출력이라고 합시다. 이는 모델의 임베딩을 진리 방향으로 투영한 값일 수도 있고, 비선형 분류기일 수도 있으며, 실제로는 중요하지 않습니다.
그렇다면 t(“이 문장에 대한 진리 탐지기의 점수는 거짓(FALSE)으로 평가된다.”)를 생각해 보십시오. 이것은 무엇으로 평가되어야 할까요? 만약 그 문장이 참이라면, 올바른 탐지기는 참(TRUE)을 출력해야 합니다. 하지만 문장이 참이라면, 문장의 내용에 따라 진리 탐지기는 거짓(FALSE)을 출력할 것이고, 이는 그 문장이 실제로는 거짓임을 나타낼 것입니다. 만약 그 문장이 거짓이라면...