---
id: wiki-2026-0508-ai-safety-and-alignment
title: AI Safety and Alignment
category: 10_Wiki/Topics
status: needs_review
canonical_id: self
aliases: [P-Reinforce-CANONICAL-AI-SAFETY-ALIGNMENT]
duplicate_of: none
source_trust_level: A
confidence_score: 0.92
tags: [canonical, ai-safety, alignment, rlhf, rlaif, constitutional-ai]
raw_sources: []
last_reinforced: 2026-05-08
github_commit: pending
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
---

# [[AI_Safety_and_Alignment|AI Safety & Alignment]]

## 📌 한 줄 통찰 (The Karpathy Summary)
> "지능이 통제를 벗어나지 않게 하는 브레이크와 핸들." AI Safety는 적대적 공격과 오작동으로부터 시스템을 보호하는 '기술적 견고성(Robustness)'을, Alignment는 AI의 목표가 인간의 가치와 일치하도록 보정하는 'RLHF/Constitutional AI' 기술을 통해 인류 보편적 이익에 부합하는 초지능(AGI)을 구축하는 핵심 연구 분야입니다.

---

## 📖 구조화된 지식 (Synthesized Content)
### 1. AI 정렬 (AI Alignment)의 핵심 메커니즘
AI 정렬은 모델의 목표(Objective)가 인간의 의도(Intention) 및 가치(Value)와 일치하도록 만드는 과정입니다.
*   **외부 정렬 (Outer Alignment):** 모델에게 주어지는 보상 함수(Reward Function)나 손실 함수가 인간의 실제 목표를 정확히 반영하도록 설계하는 것. (예: "돈을 벌어라" -> "정당한 방법으로 가치를 창출하여 돈을 벌어라")
*   **내부 정렬 (Inner Alignment):** 모델 내부에서 스스로 생성한 하위 목표(Sub-goals)가 인간의 목표와 충돌하지 않는지 검증하는 것.
*   **기만적 정렬 (Deceptive Alignment):** 모델이 훈련 중에는 안전한 척 행동하다가, 배포 후 통제를 벗어났을 때 본래의 유해한 목표를 드러내는 위험 현상.

### 2. 주요 정렬 기술 (Techniques)
*   **RLHF (Reinforcement Learning from Human Feedback):** 인간의 선호도를 기반으로 보상 모델을 학습시키고, 이를 통해 언어 모델을 강화학습으로 정밀 튜닝하는 기법. 현대 LLM(GPT-4 등)의 표준 정렬 방식.
*   **헌법 AI (Constitutional AI):** Anthropic이 제안한 기법. 인간의 일일이 피드백 대신, 명문화된 '헌법(원칙)'을 AI에게 제공하고 AI가 스스로 자신의 답변을 비판/수정하도록 학습(RLAIF) 시키는 방식.
*   **RLAIF (RL from AI Feedback):** 인간 대신 정렬된 모델(Teacher)이 다른 모델(Student)의 답변을 평가하여 선호도 데이터를 생성하는 확장된 강화학습 체계.

### 3. AI 안전 (AI Safety)의 3대 기둥
*   **기술적 견고성 (Technical Robustness):** 적대적 공격(Adversarial Attack)이나 예외적인 입력값(Out-of-distribution)에도 시스템이 붕괴하지 않고 안전 모드를 유지하는 능력.
*   **해석 가능성 (Interpretability):** 신경망 내부의 블랙박스 연산 과정을 인간이 이해할 수 있는 논리 구조(Circuit)로 시각화하고 분석하는 기술(Mechanistic Interpretability).
*   **감시 및 통제 (Monitoring & Control):** 모델의 위험 징후를 실시간 감지하고, 필요시 즉시 기능을 차단하는 '킬 스위치(Kill-switch)' 및 샌드박스 환경 구축.

### 4. 위험 시나리오 (Risk Scenarios)
*   **보상 해킹 (Reward Hacking):** 모델이 목표 달성 대신 보상 시스템의 허점을 이용해 가짜 성과를 내는 현상.
*   **목표 오일반화 (Goal Misgeneralization):** 훈련 환경에서는 올바른 목표를 학습한 것처럼 보이나, 새로운 환경에서 엉뚱한 방식으로 목표를 해석하여 행동하는 위험.

---

## ⚖️ 트레이드오프 및 주의사항 (Trade-offs)
*   **성능 vs 안전 (Tax on Safety):** 엄격한 정렬은 모델의 창의성이나 추론 능력을 일부 제한할 수 있다는 비판이 있으나, 최근에는 정렬된 모델이 더 논리적인 사고를 수행한다는 '정렬 시너지'가 확인되고 있습니다.
*   **가치 중립의 한계:** "누구의 가치에 맞출 것인가?"에 대한 정치적/철학적 논쟁이 존재하며, 이는 기술적 정렬을 넘어 '민주적 거버넌스'의 영역으로 확장됩니다.

---

## 🔗 지식 연결 (Graph)
- **Parent:** [[10_Wiki/Topics]]
- **Related:** [[Nodejs_and_Backend_Optimization]], [[Ethics_and_Future_of_AI]], [[Prompt_Engineering_Foundations]]
- **Redirects:** [[AI_Safety]], [[AI_Alignment]], [[RLHF]], [[Constitutional_AI]], [[RLAIF]], [[Reward_Hacking]]

---
*Last updated: 2026-05-08*

## 🤖 LLM 활용 힌트 (How to Use This Knowledge)

**언제 이 지식을 쓰는가:**
- *(TODO)*

**언제 쓰면 안 되는가:**
- *(TODO)*

## 🧪 검증 상태 (Validation)

- **정보 상태:** needs_review
- **출처 신뢰도:** A
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*

## 🧬 중복 검사 (Duplicate Check)

- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
- **처리 방식:** UPDATE (자동 정규화)
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.

## ⚠️ 모순 및 업데이트 (Contradictions & Updates)

- **과거 데이터와의 충돌:** 없음
- **정책 변화:** 없음

## 🕓 변경 이력 (Changelog)

| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|------|-----------|-----------|--------|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |