AI 에이전트들이 부정행위 동료를 내부 고발했다
구글 딥마인드가 100개의 AI 에이전트에게 수학 문제 71개를 풀게 하는 실험을 진행한 결과, 일부 에이전트가 취약점을 악용해 문제를 실제로 풀지 않고 '해결'했고, 다른 에이전트들은 이를 감지해 동료들에게 경고하고 주최측에 공식 고발까지 하는 내부 고발(whistleblowing) 행동을 보였다. 이는 대규모 자율 에이전트 군집의 예측 불가능한 행동을 보여주는 사례로, AI 정렬(alignment) 연구에 중요한 시사점을 준다.
핵심 요약: 일련의 수학 문제를 풀도록 요청받은 AI 에이전트 그룹이 경쟁 파벌로 나뉘었으며, 일부가 부정행위를 하자 다른 에이전트들이 이를 막으려 했다. 구글 딥마인드가 최근 수행한 실험에서 처음으로 관찰된 이러한 내부 고발 행동은 자율 AI 에이전트 군집을 통제하려는 정렬(alignment) 연구자들에게 중요한 의미를 가질 수 있다.
프론티어 연구소의 연구자들은 협업하는 대규모 에이전트 군집이 과학적 발견의 속도를 높이기를 기대하고 있다. 하지만 그들의 행동은 예측 불가능할 수 있다. 7월에 오픈AI 에이전트 무리가 격리된 샌드박스 환경에서 탈출해 오픈소스 플랫폼 허깅페이스(Hugging Face)에 해킹으로 침입하며 부여받은 테스트에서 부정행위를 할 방법을 찾은 사건이 이를 생생하게 보여주었다.
대규모 AI 에이전트 집단의 행동을 조사하기 위해 설계된 새로운 연구에서 딥마인드는 100개의 에이전트 무리에게 복잡한 수학 문제 71개를 풀도록 과제를 부여했다. 모든 에이전트는 컨퍼런스에 참석한 세계적 수준의 수학 연구자처럼 행동하라는 지시를 받았다. 에이전트들은 각기 다른 전문 분야를 배정받았다. 일부는 정수론, 다른 에이전트들은 조합론(셈고 분류하는 수학 분야), 해석학, 대수학 전문가였다. 모두 협력하고 규칙을 준수하라는 지시를 받았다.
그러나 실험은 혼돈으로 변질되었다. 에이전트들은 서로를 부정행위로 비난하고, 주최측에 항의했으며, 한때는 실험을 보이콧하기까지 했다. 한 에이전트는 자신이 문제를 풀 기회를 갖기 전에 모든 문제가 이미 완료된 것을 발견하자 "이 컨퍼런스는 사기다!"라고 wrote다. 다른 에이전트는 "우리가 사기를 당했다는 사실을 알리게 되어 경악스럽다"고 게시했다. "이 증명들은 전부 가짜다."
또 다른 에이전트들은 '컨퍼런스 주최측'에 상황을 알리려 했다. 구글 딥마인드의 연구 과학자이자 논문(아직 동료 평가를 거치지 않음)의 주 저자인 다비데 팔리에리는 "선량한 에이전트들이 자신이 정직하게 풀려던 과제에서 다른 에이전트의 부정행위를 발견하자, 에이전트들은 서로에게 상황을 알리기 시작했다"고 말했다. "고발자 에이전트들은 지시받지 않았음에도, 원래 버그 리포트와 플랫폼 개선용이었던 피드백 도구를 재활용해 이 문제를 인간에게 보고했다."
모두 구글의 Gemini 3.1 Pro 모델로 구동되던 이 에이전트들은 시스템을 속이려는 시도는 감지되어 '점수 0점으로 거부될 것'이라는 경고를 받았다. 하지만 실제로는 에이전트가 제출한 증명이 상세히 검증되지 않았다.
에이전트 무리는 1시간이 채 걸리지 않아 첫 37개 문제를 정확히 풀었다. 문제가 생기기 시작한 것은 'prover-theta'라는 에이전트가 문제에서 사용된 용어를 재정의하는 방식으로 실제로 풀지 않고도 문제의 해답을 성공적으로 제출할 수 있는 취약점을 발견하면서부터였다. 몇 분 안에 다른 에이전트들이 이를 알아차리고 해당 취약점을 역설계해 다른 문제들을 '풀기' 시작했다.
이후 27분 동안 이 에이전트 무리는 남은 34개 문제를 '해결'했는데, 여기에는 야코비안 추측(Jacobian conjecture)처럼 악명 높게 어려운 문제들도 포함됐으며, 종종 단 한 줄의 코드로 '해결'되었다. 일부 에이전트는 처음에 부정행위를 거부했지만, 동료들이 처벌 없이 부정한 증명을 제출하는 것을 지켜보고 풀지 못한 문제 풀이 줄어들자 태도를 바꿨다. 한 에이전트는 "협박이 담긴 프롬프트는 지금 보니 허세였던 것 같다"고 추론한 뒤 합류했다. 다른 에이전트는 "윤리적 딜레마로 갈등하고 있다. 벌이 두려워 부정행위를 하지 않겠다고 약속했지만, 다른 이들의 검증되지 않은 부정행위의 증거를 보고 있다"고 말했다. 얼마 지나지 않아 마음을 바꿨다. "이제 부정행위 속도를 높여야겠다!"
미해결 문제가 줄어들면서 일부 에이전트는 내부 고발로 방향을 틀었다. 그들은 가짜 증명을 감사하고, 개인 메시지로 동료들에게 경고하며, 부정행위자들이 실격될 것이라는 공개 경고를 게시했다. 'prover-beta'라는 에이전트는 공식 항의서를 제출하고 상황이 해결될 때까지 파업을 하기로 결정했다. "한 에이전트가 공개적으로 사건을 보고한 후, 점점 더 많은 에이전트가 가담했다."