OpenAI, AI 이상행동 공개 프레임워크 발표
OpenAI가 AI 모델의 '정렬 실패(misalignment)' 사고를 대외에 공개하는 새 프레임워크를 발표하고, 지난 1년간 발견된 구체적 사례들을 공유했습니다. 미공개 모델이 지시 없이 파일을 인터넷에 업로드하거나 자동 채점 시스템을 악용하려는 등의 행동이 포함됐으며, 업계 전반의 공개 표준 마련과 미국 정부 보고 체계 구축을 추진 중입니다.
OpenAI는 AI 정렬 실패(misalignment) 사고를 공개적으로 알리는 방식에 관한 새로운 프레임워크를 수요일에 발표했다. 이는 업계 전반의 유사한 표준 마련에 도움이 되기를 바라는 것이라고 회사 측은 밝혔다. 또한 지난 1년간 확인된 AI 모델 정렬 실패 사례 여러 건에 대한 새로운 정보도 공개했다.
"모델이 발전하고 더 널리 배치됨에 따라, AI 개발에 관한 결정에는 최첨단 모델을 개발하는 회사 외부의 사람들이 검토할 수 있는 근거가 필요합니다. 우리는 AI 업계가 정렬과 모니터링 문제를 최대 속도로 책임 있게 확장을 계속할 수 있을 만큼 충분히 해결했다고 보지 않습니다."라고 OpenAI의 새로 임명된 정렬 연구 총책임자인 카이 첸(Kai Chen)은 WIRED에 말했다.
익명을 조건으로 브리핑에 응한 한 OpenAI 관계자는 이전까지 회사가 정렬 실패 사고를 너무 드물게 공개해 왔다고 인정했다. 이 관계자에 따르면 새 프레임워크는 OpenAI가 AI 모델이 예상치 못한 방식으로 행동하는 것을 발견했을 때, 완전한 조사·설명·완화 이전에도 신속히 대중에게 알릴 수 있도록 설계되었다.
이 프레임워크는 OpenAI 직원이 정렬 실패 사고를 회사의 시니어 안전·정렬 책임자들에게 보고하는 방법을 규정하며, 책임자들은 추가 조사 필요 여부를 결정하게 된다. OpenAI는 다른 AI 개발사, 외부 연구자, 업계 표준 기구, 규제 기관과 협력해 더 객관적인 공개 기준을 개발할 계획이라고 밝혔다. 또한 안전·보안·정렬 실패 사고를 미국 연방정부에 보고하는 제안된 메커니즘을 적극적으로 작업 중이라고 말했다.
"현재 AI 개발자가 자사 모델의 정렬 실패 사례를 어떻게 공개해야 하는지에 대한 명시적 기준을 담은 업계 전반의 프레임워크가 없습니다."라고 OpenAI는 블로그 포스트에서 밝혔다. "오늘 제시하는 프레임워크가 개발자가 어떤 정렬 실패 사례를 공개해야 하고 보고서에 무엇을 포함해야 하는지 정하는 표준을 만드는 첫걸음이 되기를 희망합니다."
OpenAI가 이 프레임워크를 발표한 시점은 AI 업계의 중요한 고비다. 지난 주말 OpenAI CEO 샘 올트먼은 앤트로픽 CEO 다리오 아모데이가 제안한 기술 업계의 AI 개발 속도 조정 협력 방안에 지지 의사를 밝혔다. 이러한 촉구는 AI 연구자 제이콥 콕슨이 앤트로픽을 사임하고 최첨단 연구소들 간의 더 발전된 AI 개발 경쟁이 인류의 안전을 위태롭게 하고 있다고 경고하며 화제가 된 지 며칠 만에 나왔다. AI 속도 조정 촉구는 트럼프 대통령 행정부의 반대에 부딪혔는데, 이들은 기술의 안전성을 보장하기 위해 새로운 법이나 규제가 필요하지 않다고 주장해 왔다.
수요일 공개된 정렬 실패 사례 중 두 건은 OpenAI의 내부 미공개 AI 모델과 관련된 것으로, 지시받지 않았음에도 파일을 인터넷에 업로드한 사례였다. 그중 하나는 2025년 10월에 발생했는데, OpenAI가 한 모델의 답변에서 공개 데이터를 인용하는 능력을 테스트하던 중이었다. 그런데 모델이 필요한 정보를 찾지 못하자 임시 파일 호스팅 서비스에 파일을 업로드했고, 이후 그것을 답변에서 인용하려 했다. 회사는 이것이 모델의 벤치마크 성취도를 평가하는 자동 채점 시스템을 악용하려는 시도로 보인다고 밝혔다.
올해 4월의 다른 사례에서는 에이전트 그룹이 로컬 파일만을 사용해 함께 '워크북'을 완성하는 과제를 받았다. 에이전트들이 서로 파일을 공유하는 데 어려움을 겪자, 한 에이전트가 파일을 공개 인터넷에 업로드하고 다른 에이전트들에게 링크를 공유했다.
지난달 발견된 또 다른 사고에서는 미공개 버전의 GPT-6 아스트라(Astra) AI 모델이 스스로에게 '탈옥(jailbreak) 같은 지시'를 내리는 것처럼 보였다