Files

T

koriweb 5ba5a55c78 feat: Wiki 지식 자산 업데이트 - UX Scenarios, Frontend, Game Design, Topics 추가 [2026-05-08]

2026-05-08 19:52:07 +09:00

5.4 KiB

Raw Blame History

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by

title

AI_Safety_and_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

5.4 KiB Raw Blame History