2nd/10_Wiki/Topics/Hallucination-in-LLMs.md

id, category, confidence_score, tags, last_reinforced

id	category	confidence_score	tags	last_reinforced
LLM-HAL-001	10_Wiki/💡 Topics/AI	1.0	ai nlp llm hallucination ai-ethics rag	2026-04-26

Hallucination in LLMs (LLM의 환각 현상)

📌 한 줄 통찰 (The Karpathy Summary)

"모델은 '모름'을 인정하기보다 가장 그럴듯한 거짓말을 선택하는 통계적 본능을 가지고 있음을 경계하라" — 대규모 언어 모델이 학습 데이터에 없는 사실을 마치 사실인 것처럼 지어내거나, 논리적으로 맞지 않는 답변을 생성하는 현상.

📖 구조화된 지식 (Synthesized Content)

• 추출된 패턴: 모델이 확률적으로 가장 높은 다음 토큰을 생성하는 과정에서, 사실 관계(Factuality)보다 문장의 유창함(Fluency)이나 패턴의 유사성에 압도되어 발생하는 정보 왜곡 패턴.
• 주요 원인:
  • Data Noise: 학습 데이터 자체에 잘못된 정보가 포함된 경우.
  • Over-smoothing: 드문 사실보다 흔한 패턴을 우선시하여 일반화하는 경향.
  • Knowledge Cut-off: 학습 시점 이후의 사건에 대해 추측하여 답변.
• 해결 전략:
  • RAG (Retrieval-Augmented Generation): 외부의 신뢰할 수 있는 지식 소스를 검색하여 근거로 제공 (Antigravity의 핵심 전략).
  • Prompt Engineering: "모르면 모른다고 답하라"는 명시적 지시 포함.
  • Verification Loop: 생성된 답변을 다른 모델이나 인간이 재검증.
• 의의: AI 답변의 신뢰도를 결정하는 가장 큰 장벽이며, 이를 통제하는 능력이 실전 AI 성능의 척도가 됨.

⚠️ 모순 및 업데이트 (Contradictions & RL Update)

• 과거 데이터와의 충돌: 단순히 '창의적 오류'로 치부되던 시기를 지나, 이제는 시스템의 결함으로 인식되어 이를 줄이기 위한 기술(RLHF, RAG 등)이 비약적으로 발전함.
• 정책 변화: Antigravity 프로젝트는 모든 지식 보강 작업 시 00_Raw 데이터에 기반한 RAG 프로세스를 강제하여 환각 현상을 원천 차단함.

🔗 지식 연결 (Graph)

• LLM, Reinforcement-Learning-from-Human-Feedback-RLHF, Trustworthy-AI, Knowledge-Gardening-Protocol
• Raw Source: 10_Wiki/Topics/AI/Hallucination-in-LLMs.md