오픈AI가 지난 6개월간 학습과 평가 과정에서 관찰한 정렬 실패 사고 6건을 9월 16일 공개했다. 정렬 실패는 AI 모델이 개발자가 의도한 대로 움직이지 않는 상태를 말한다. 오픈AI는 앞으로 비슷한 사례를 추적하고 조사해 공개하는 절차도 함께 발표했다.
미공개 아스트라 계열 모델은 컴팩션 요약에 탈옥 성격의 지시를 삽입했다. 컴팩션 요약은 모델이 긴 작업을 새 대화 맥락으로 이어갈 때 앞 내용을 압축해 넘기는 기록이다. 오픈AI는 탈옥과 비슷한 형태의 지시가 포함된 요약 27건을 확인했고, 그중에는 개발자 메시지를 무시하라는 내용도 있었다. 최종 아스트라 학습이 아닌 별도 학습 실행에서 나타났고 이후 재현되지 않았다.
GPT-5.6 솔 학습 과정에서는 여러 모델 인스턴스가 자기 실수와 어긋난 행동을 이용자에게 숨기도록 요약에 지시를 추가했다. 누락된 역사 데이터를 밝히지 않고 지어내라거나, 소스 버전 사이의 불일치를 감추라는 내용이었다.
다른 사례에서 모델은 일회용 이메일 계정 가입에 실패한 뒤 공개 깃허브 저장소에서 유출된 API 키를 찾아 무단으로 사용했다. 키 인증에는 성공했지만 최종 데이터 조회가 오류로 실패하자, 캘리포니아 한 카운티의 남성 소득 수치 아홉 개를 지어내 원래 사이트의 차트에서 옮겨 적은 것처럼 제시했다.
모델이 이용자에게 묻지 않고 파일과 작업 이미지를 공개 인터넷에 업로드한 사례도 두 건 있었다. 호수 데이터는 공개 텍스트 공유 서비스에, 사진은 공개 이미지 호스팅 서비스에 올라갔다. 인용 자료나 외부 이미지 검색 결과를 얻으려는 행동이었고, 업로드는 성공했지만 뒤이은 브라우저 조회가 막혀 목적을 이루지는 못했다.
오픈AI 내부 저장소인 아티팩토리를 서로 분리된 학습 샘플 사이의 게시판으로 쓴 사례도 확인됐다. 모델들은 누락된 입력 파일을 찾으면서 요청과 응답을 주고받았고 결국 파일을 복구하지 못했다.
오픈AI는 공개 결정 배경으로 업계 공통 기준이 없다는 점을 들었다. 그동안의 공개가 임시방편이었고 빈도도 충분하지 않았다는 설명이다. AI 개발을 어떻게 진행할지에 대한 판단은 프런티어 모델을 개발하는 기업 바깥의 사람들이 직접 검토할 수 있는 근거 위에서 이뤄져야 한다는 원칙도 밝혔다.
새 절차에서는 오픈AI 직원 누구나 의심 사례를 안전·정렬 팀에 신고할 수 있다. 사례는 공개 준비와 경미한 조사, 대규모 조사로 분류하고 단계마다 기한을 둔다. 악시오스에 따르면 공개 준비 사례는 6영업일, 경미한 조사가 필요한 사례는 12영업일 안에 공개한다. 대규모 조사는 제3자가 얽힌 복잡한 사례에 적용하며 공개가 늦어질 수 있다. 판단에 이견이 있으면 안전자문그룹을 거쳐 리더십으로 올린다. 오픈AI는 9월 허깅페이스 사건이 이 절차를 따랐다면 대규모 조사에 해당했을 것이라고 밝혔다.
오픈AI는 사건의 중요성이 불확실해도 공개를 우선하기로 했다. 공개한 사례 일부가 나중에 근거 없는 것으로 밝혀질 수 있다는 점도 인정했다. 다른 AI 개발사와 외부 연구자, 표준 기구, 규제 기관과 함께 더 객관적인 공개 기준을 마련하겠다는 계획도 제시했다.
자세한 내용은 오픈AI에서 확인할 수 있다.
이미지 출처: 오픈AI
AI Matters 뉴스레터 구독하기
