거짓 안심을 주는 LLM 자신감 점수
LLM(대형 언어 모델)에게 스스로의 답변에 대한 자신감 점수(0~100)를 요구하는 것은 실질적으로 아무런 의미가 없습니다. 현재 모델은 자신의 내부 상태를 정확히 평가할 수 있는 능력이 부족하며, 이는 단지 결과를 신뢰할 수 있다는 착각을 유발할 뿐입니다. AI 시스템을 구축하는 실무자들은 이러한 자가 평가 점수에 의존하는 대신, 보다 객관적인 검증 방식을 도입해야 합니다.
안녕하세요, 독자 여러분. 누군가 이 글을 공유해 주었다면, 아마도 LLM(대형 언어 모델)에게 자신감 점수를 억지로 뽑아내게 해본 적이 있을 것입니다. 저는 여러 회사의 여러 사람들과 이 주제에 대해 논의해 왔으며, 이런 대화를 수없이 나누다 보니 이 과정에서 더 광범위한 오해가 작동하고 있는 것 같다는 생각이 들었습니다. 그래서 6개월마다 스레드에서 같은 논쟁을 반복하는 대신, 사람들에게 그냥 이 글을 보내주면 좋겠다는 생각이 들었습니다.
요약하자면: 제가 파악한 모든 정보에 따르면, LLM에게 자신의 답변에 대해 얼마나 확신하는지 점수를 매기라고 요청하는 것은 완전히 쓸모가 없습니다. 저는 이 부분에서 제가 틀렸으면 좋겠다는 점을 분명히 밝히고 싶습니다. 이 분야에는 저보다 훨씬 더 똑똑한 사람들이 일하고 있습니다(그리고 저도 그들 중 많은 사람들과 함께 일하고 있습니다!). 아래 제 주장 중 어떤 부분이라도 반박할 수 있거나, 제가 읽지 않은 연구를 알려주신다면 기꺼이 즐거운 대화를 나누고 싶습니다. 하지만 그런 일이 없다면, 이것이 제가 이해하는 현재의 생각입니다.
제가 계속해서 목격하는 상황 이 패턴은 어디에서나 나타납니다. 챗봇 기반 출력, 구조화된 출력, 에이전트 작업 결과 등에서 말이죠. 누군가는 모델이 응답 키와 자신감(confidence) 키가 포함된 JSON 객체를 반환하길 원합니다. 대부분의 경우, 그 자신감 키는 0부터 100 사이의 연속적인 점수입니다. (이 연속적인 척도가 정말 저를 짜증나게 하는 부분이며, 그 이유는 나중에 다시 설명하겠습니다.) 하지만 더 큰 문제는 이러한 방식에 어떠한 과학적 타당성도 없다는 것입니다. 당신이 구축한 것은 단순한 심리적 안전 트릭일 뿐입니다. 이는 실제 결과를 더 신뢰할 수 있게 만드는 것이 아니라, 그렇게 보이게 만들 뿐이며, 이러한 경험을 출시하는 사람들은 자신들이 만든 것의 본질에 대해 스스로에게 거짓말을 하고 있다고 감히 말씀드리고 싶습니다.
LLM은 스스로의 확신을 신뢰할 수 있게 수치화할 수 없습니다 저는 Anthropic과 다른 기관들이 모델이 텍스트를 생성하는 동안 일종의 잠재적 내부 상태를 유지한다고 주장하는 연구를 발표했다는 사실을 잘 알고 있습니다. 언어 모델의 사고 과정을 추적한 Anthropic의 해석 가능성(interpretability) 연구에 따르면, Claude는 운율이 맞는 두 줄시를 쓸 때 몇 단어 앞을 내다보고 계획하는 것으로 나타났는데, 이는 단순한 '다음 토큰 예측'이라는 가설로는 예측할 수 없는 동작입니다. 그리고 모델의 활성화 함수(activations)에 주입된 개념을 모델이 인식하고 이를 정확하게 보고할 수 있다는 최근의 '창발적 내성적 자각(emergent introspective awareness)' 연구도 있습니다. 이는 실제로 사실이며, 매우 흥미롭습니다.
하지만 연구자들이 직접 밝힌 주의사항을 읽어보십시오. 이 능력은 매우 신뢰할 수 없고 문맥에 크게 좌우됩니다. 우리는 현재 그 내부 상태를 충분히 깊이 이해하지 못하며, 따라서 모델이 자신의 정답 여부를 평가할 수 있는 '사용 가능한' 능력을 갖추고 있다고 단언할 수 없습니다. 통제된 실험실 환경에서 자신의 활성화 값에 무언가 주입되었다는 사실을 알아차리는 것과, 고객 환불 정책에 대해 작성한 문단이 얼마나 정확할지 확률을 수치화하는 것은 완전히 다른 차원의 문제입니다.
내부적으로 일어나는 일을 생각해보면, 언어의 측면들 간의 기호화된 관계라는 의미에서 일종의 유사 인지(quasi-cognition) 과정이 진행되고 있습니다. 추론 모델(reasoning models)의 경우, 이러한 과정을 관찰하는 단계도 어느 정도 일어납니다. 하지만 여기서 저에게는 모든 논리가 무너집니다. 왜냐하면 이 문제가 즉각적으로 '감시자는 누가 감시하는가'라는 문제로 퇴보하기 때문입니다. 추론 과정(thinking trace)을 활용해 응답의 자가 정확성을 평가하고 싶다고 가정해 봅시다. 좋습니다. 그 접근 방식은 실제로 성능 향상을 가져왔으며, 저 역시 그 사실을 부정하지 않습니다. 하지만 '실제로 확신을 수치화하는 것'에 대해 이야기하고 있다면, 사고 단계가 우리를 구해주지 못합니다. 그 이유는 명확하기 때문입니다. '그렇다면 사고 단계에서 생성된 자신감 점수에 대한 자신감은 얼마나 되는가?'라는 질문이 바로 이어지기 때문입니다. 그다음에는 그 점수에 대한 자신감은 또 얼마나 되나요? 이런 식으로 무한히 반복되는 자신감에 대한 딜레마가 계속될 뿐입니다.
저는 성찰적 추론 패턴이 모델이 자체적인 오류 중 일부를 잡아내는 데 도움이 된다고 생각합니까? 그렇습니다. 하지만 모델이 현재 자체적인 상태를 수치화할 만큼 충분한 이해도를 가지고 있다고 생각합니까? 아닙니다. 또한, 본질적인 자가 교정(intrinsic self-correction)과 관련된 연구 결과 역시 이 부분에서 그다지 고무적이지 않다는 점을 짚고 넘어가야 합니다. DeepMind의 논문 '대형 언어 모델은 아직 추론을 자가 교정할 수 없다(Large Language Models Cannot Self-Correct Reasoning Yet)'에 따르면, 모델이 자체적으로 초기 응답을 교정하려고 시도할 때... (이하 원문 누락)