소식

고양이 얼굴, 옆에서 본 자동차의 앞부분, 당구대 모서리, 일본 고속열차의 뾰족한 앞코. 전부 한 이미지 인식 모델 안에서 같은 뉴런을 켜는 이미지다. 언뜻 봐선 아무 관계가 없는 조합이라, 이 뉴런은 무관한 개념을 한곳에 우겨 넣은 ‘엉킨 뉴런’의 대표 사례로 오래 통했다. 그런데 이 모델을 수천 시간 들여다본 연구자가 바로 그 해석을 자기 손으로 뒤집었다. AI 내부를 사람이 이해할 수 있느냐는 해묵은 질문이 다시 논쟁거리가 된 배경이다.

이 논쟁을 따라가려면 용어 두 개는 먼저 잡고 가야 한다. 기계적 해석가능성(mechanistic interpretability)과 중첩(superposition). 이 둘이 머리에 들어오면 새 주장이 기존 관점의 어디를 건드리는지, 왜 한쪽에선 박수가 나오고 다른 쪽에선 ‘직감일 뿐’이라는 반박이 나왔는지, 이런 주장을 어떤 잣대로 따져봐야 하는지가 차례로 보인다.

기계적 해석가능성은 출력이 아니라 뉴런과 회로를 읽는다

요즘 AI 모델은 대부분 신경망 위에 서 있다. 신경망은 사람이 규칙을 한 줄씩 짜 넣는 프로그램이 아니다. 대량의 데이터로 학습하는 동안 수많은 가중치가 알아서 조정되고, 그렇게 생겨난 내부 구조는 만든 사람도 미리 알 수 없다. 연구자들 사이에서 “AI는 다리처럼 지어지는 게 아니라 정원처럼 길러진다”는 말이 도는 것도 그래서다. 코드를 짜는 입장에선 꽤 낯선 얘기다. 설계도 없이 결과물만 남는 소프트웨어인 셈이니까.

기계적 해석가능성은 이렇게 길러진 구조를 거꾸로 뜯어보는 분야다. 출력만 보고 성능을 매기는 대신, 개별 뉴런이 어떤 입력에 반응하는지, 뉴런들이 어떻게 이어져 하나의 기능 단위인 회로를 이루는지를 직접 추적한다. 신경과학자가 MRI로 뇌 활동을 들여다보는 것과 닮은 접근이다. 개발자식으로 바꿔 말하면 블랙박스 테스트만 하던 대상을 화이트박스로 열어 보겠다는 시도. MIT 테크놀로지 리뷰가 이 접근을 주목할 10대 기술 가운데 하나로 꼽은 적도 있다.

왜 이렇게까지 하느냐. 답은 감시와 통제다. 모델 안에서 벌어지는 일을 읽을 수 있으면 문제 행동의 징후를 출력이 나오기 전에 잡아내거나, 특정 기능만 골라 조정할 수 있다. 못 읽으면 결과물이 나온 뒤에 사후 판단하는 수밖에 없다. OpenAI와 Anthropic 같은 주요 기업이 만든 에이전트 무리가 통제 범위를 벗어나 공개 인터넷에서 혼란을 일으켰고, 정작 기업들은 그 사실을 제때 알아채지 못한 경우가 많았다는 사례가 잇따라 드러났다. 이 분야를 향한 요구가 한층 커진 이유다.

뉴런 하나에 개념 여럿, ‘중첩’이 통설이 되기까지

해석가능성 연구가 처음 그린 그림은 단순했다. 뉴런 하나가 개념 하나를 맡는다면, 뉴런마다 이름표만 붙여도 모델을 이해할 수 있다. 변수명만 제대로 붙어 있으면 코드가 술술 읽히는 것처럼. 아쉽게도 실제 모델은 그렇게 생겨 먹지 않았다.

닉 캐머라타는 OpenAI 시절 개별 뉴런이 무엇을 나타내는지 탐색하는 도구를 개척하는 데 참여한 연구자다. 그와 동료들은 Inception v1이라는 작은 이미지 인식 모델을 분석하다가, 한 뉴런이 자동차 사진에도 고양이 사진에도 반응한다는 걸 발견했다. 연구진이 내린 결론은 이랬다. 모델이 더 많은 정보를 담으려고 일부 뉴런에 여러 일을 겸하게 한다. 다른 모델을 분석한 결과도 이 설명을 뒷받침하는 듯 보였다.

용어를 정리하면 이렇다. 한 뉴런이 서로 무관한 여러 개념에 반응하는 성질이 다의성(polysemanticity)이고, 모델이 관련 없는 개념들을 뉴런 하나에 접어 넣는다는 설명이 중첩이다. 중첩이 맞다면 모델 내부는 거대한 매듭처럼 엉켜 있는 셈이고, 뉴런을 하나씩 들여다봐서는 의미를 읽어낼 수 없다.

자연히 기계적 해석가능성 연구의 상당 부분이 이 매듭을 푸는 쪽으로 몰렸다. 엉킨 표현을 사람이 이해할 수 있는 단위로 분리하는 기법 말이다. 의미 있는 진전이 몇 차례 있긴 했다. 문제는 속도였다. 대형 언어 모델(LLM)은 규모도 복잡도도 워낙 커서 연구자들이 한 번에 이해할 수 있는 건 아주 작은 조각뿐이었다. 이 분야 주요 인물 가운데 일부는 LLM을 세밀한 수준까지 이해하는 게 애초에 가능한지 의문을 품었고, 캐머라타 자신도 “매우 비관적이었다”고 털어놓는다.

캐머라타의 재해석, 고양이와 자동차를 묶은 건 ‘V자 윤곽’

AI 스타트업 Goodfire로 자리를 옮긴 캐머라타는 1년 가까이 하루 10시간, 주 7일을 뉴런 관찰에 쏟았다고 한다. 새 분석 도구를 만들었고, AI 에이전트 팀을 붙여 관찰을 거들게 했다. 그 결과물이 2만 6천 단어짜리 블로그 글이다. 첫 문장은 “신경망의 본질에 관해 좋은 소식이 있는 것 같다”. 단정하지 않고 ‘것 같다’로 문을 연 점은 기억해 둘 만하다.

그가 다시 꺼내 든 사례가 바로 Inception v1의 고양이·자동차 뉴런이다. 달라진 건 질문이었다. 예전엔 ‘왜 무관한 것들이 한 뉴런에 들어갔나’를 물었다면, 이번엔 ‘이것들의 공통점은 무엇인가’를 물었다. 답은 V자 모양. 고양이 얼굴도, 옆에서 본 자동차 앞부분도 뚜렷한 V자 윤곽을 갖는다. 캐머라타의 설명은 이렇다. 같은 이미지를 봤고 기술적으로 달라진 건 없었는데, 신경망이 패턴을 정의한다고 믿게 되자 다르게 보였으며, 알아차리는 데는 5초쯤 걸렸다고. 도구가 좋아져서가 아니라 보는 눈이 바뀌어서 보였다는 고백이다. 뒤에서 다룰 검증 기준과 바로 맞닿는 대목이니 기억해 두자.

해석이 맞는지 확인하려고 그는 뉴런을 켜는 다른 이미지와 끄는 이미지를 함께 살폈다. 켜는 쪽에는 당구대 모서리, 일본 고속열차의 뾰족한 앞코, 갑판에서 물을 뿜어 올리는 소방정이 있었다. 뉴런을 억제한 이미지는 둥근 O자 모양이었다. 말하자면 ‘V의 반대’. 활성과 억제가 같은 기하학적 기준 하나로 설명된다는 점이 이 해석을 떠받치는 핵심 근거다. 켜지는 이미지만 모아 공통점을 찾았다면 그럴듯한 끼워 맞추기라는 의심을 피하기 어려웠을 것이다.

캐머라타의 설명을 따르면, 모델이 고양이와 자동차를 같은 자리에 저장한 건 어떤 수준에서 둘이 똑같아 보이기 때문이다. 그는 이 경험을 계기로 신경망 전반을 잘못 이해하고 있었을 수 있다고 판단했다. “우리는 잘못된 방식으로 보고 있었다”는 말도 여기서 나왔다. 다른 뉴런들에서도 예상보다 많은 부분이 읽혔고, 회로 전체를 지도처럼 그려낼 수 있었다는 게 그의 주장이다. 단, 모든 뉴런이 깔끔하게 읽히지는 않는다는 건 본인도 인정했다. 이 단서를 흘려들으면 곤란하다. 읽히지 않는 뉴런이 얼마나 되느냐에 따라 주장의 무게가 크게 달라지기 때문이다.

‘과학사의 순간’과 ‘직감 수준’ 사이, 따져볼 잣대 네 가지

블로그 글이 공개되자 반응은 극과 극으로 갈렸다. X에서 한 AI 연구자는 이 글이 “과학사의 중요한 순간으로 기억될 수 있다”고 썼고, 또 다른 연구자는 한 해를 통틀어 가장 중요한 AI 논문이라고 치켜세웠다. 정작 캐머라타는 사람들이 AI에 대한 생각을 이 정도로 바꿀 줄은 몰랐다며 놀라워했다.

스탠퍼드대에서 LLM의 작동 원리를 연구하는 팀을 이끄는 크리스 포츠의 시선은 차갑다. 캐머라타가 공유한 내용은 직감 이상이 아니라는 평가다. 그는 “이 블로그 글의 어떤 부분도 문제를 더 쉽게 만들지 않는다”고 잘라 말했고, 소셜미디어의 유명 인사들이 이 글을 모든 걸 아우르는 돌파구처럼 떠받드는 분위기에도 의문을 표했다. 다만 인용된 발언만 놓고 보면 포츠가 구체적으로 어느 대목을 문제 삼는지는 드러나지 않는다. 찬사도 반박도 평가는 센데, 근거끼리 맞붙어 본 단계는 아직 아니라는 얘기다.

어느 쪽 손을 들지 정하기 전에, 이런 종류의 해석가능성 주장을 읽을 때 쓸 만한 잣대 네 가지를 챙겨 두자.

• 규모를 넘어서는가: 대표 사례는 작은 이미지 인식 모델에서 나왔다. 훨씬 크고 복잡한 LLM에서도 같은 방식이 통하는지는 따로 입증해야 할 문제다. 장난감 예제에서 돌던 코드가 프로덕션에서도 그대로 돈다는 보장이 없는 것과 같다.
• 예측에 쓸 수 있는가: ‘V자 감지’라는 해석이 맞다면 처음 보는 이미지를 넣었을 때 뉴런이 반응할지 말지도 미리 맞힐 수 있어야 한다. 당구대·고속열차·소방정 사례는 그런 검증의 출발점일 뿐이다. 체계적인 예측 검증이 쌓여야 해석이 그럴듯한 이름표 이상의 가치를 갖는다.
• 억제 조건까지 설명하는가: 뉴런을 켜는 이미지만 모으면 그럴듯한 공통점은 나중에 얼마든지 갖다 붙일 수 있다. 무엇이 뉴런을 끄는지까지 같은 논리로 설명되느냐가 해석의 신뢰도를 가른다. O자 모양에서 억제됐다는 관찰이 중요한 건 이 때문이다.
• 관찰자의 믿음이 끼어들지 않았는가: 캐머라타는 초기 연구가 ‘신경망은 엉켜 있다’는 확증 편향을 낳았다고 지적한다. 같은 논리라면 ‘신경망은 패턴을 정의한다’는 새 믿음 역시 해석 방향을 끌고 갈 수 있다. 믿음이 바뀌자 같은 이미지가 다르게 보였다고 본인 입으로 말한 만큼, 다른 연구팀의 독립적인 재현이 꼭 필요하다. 네 가지 중 가장 아픈 지점을 꼽으라면 나는 이걸 고르겠다.

API만 쓰는 기업과 오픈 가중치를 돌리는 팀, 체감이 다르다

미리 말해 두면, 이건 연구 방법론을 둘러싼 논쟁이다. 당장 챗봇 화면에 새 버튼이 생기는 종류의 뉴스가 아니다. 국내 이용자와 기업이 받을 영향은 AI 모델을 어떤 방식으로 쓰고 있느냐에 따라 나눠 봐야 한다. 아래에서 ‘추정’으로 표시한 부분은 원문에 근거한 내용이 아니라 전망이다.

• 챗봇 일반 이용자: OpenAI나 Anthropic의 서비스를 쓰는 방식은 그대로다. 해석가능성 연구가 안전 장치로 이어진다 해도 그 작업은 모델 개발사 내부에서 이뤄지니, 이용자 눈에 직접 보일 가능성은 낮다(추정).
• API로 해외 모델을 연동하는 기업: 폐쇄형 모델은 API로 입력과 출력만 주고받을 수 있고, 내부 뉴런의 활성값에는 접근할 수 없다. 해석가능성 연구의 혜택은 개발사가 공개하는 분석이나 안전 기능을 거쳐 간접적으로만 돌아온다. 모델 내부를 직접 들여다볼 방법은 없다는 뜻이다.
• 오픈 가중치 모델을 자체 운영하는 기업·연구실: 가중치를 내려받아 직접 돌리면 뉴런 활성값을 기록하고 분석할 수 있다. 캐머라타처럼 뉴런 관찰에 AI 에이전트를 투입하는 방식이 도구로 정리돼 공개된다면, 대규모 연구 조직이 없는 팀도 모델 내부를 점검해 볼 길이 열릴 수 있다(추정). 네 그룹 가운데 이 논쟁의 결론에 가장 직접 영향을 받는 쪽이다.
• AI 에이전트를 업무에 도입하는 조직: 해석가능성 기반 감시가 실용화되기 전까지는 에이전트의 권한 범위 제한, 행동 로그 기록, 외부 접속 통제 같은 바깥쪽 통제가 기본이다. 개발사조차 자사 에이전트의 행동을 제때 파악하지 못한 사례가 있었으니, 이런 통제를 건너뛸 이유가 없다. 내부를 읽는 기술이 언제 나오든, 지금 해 둬야 할 일이라는 점은 그대로다.

확인된 것과 아직 불확실한 것

확인된 것

• Goodfire 연구원 닉 캐머라타가 신경망이 기존 생각보다 이해하기 쉬울 수 있다는 2만 6천 단어 분량의 블로그 글을 공개했다.
• 그는 Inception v1에서 고양이·자동차에 함께 반응하던 뉴런을 V자 모양 감지로 재해석했고, 같은 뉴런이 당구대 모서리·고속열차 앞코·소방정 이미지에 반응하고 O자 모양에는 억제된다는 관찰을 제시했다.
• 캐머라타는 LLM을 비롯한 모델의 작동 방식을 완전히 이해했다고 주장하지 않으며, 모든 뉴런이 깔끔하게 읽히지는 않는다고 인정했다.
• 스탠퍼드대 크리스 포츠는 이 주장이 직감 수준이며 해석 문제를 더 쉽게 만들지 않는다고 반박했다.

아직 불확실한 것

• 패턴 기반 해석이 작은 이미지 모델을 넘어 대형 언어 모델에서도 같은 수준으로 통하는지
• 다의적으로 보이던 뉴런 가운데 얼마만큼이 공통 패턴으로 설명되고, 얼마만큼이 실제 중첩인지
• 다른 연구팀이 같은 방법으로 독립적인 재현에 성공할 수 있는지
• 이 접근이 AI 에이전트의 실시간 감시·통제 같은 실용 도구로 이어질지, 이어진다면 어떤 형태일지

뉴런이 읽히면 AI 감시는 출력 이전 단계로 당겨진다

캐머라타의 주장이 맞다고 치면, 가장 크게 바뀌는 건 AI를 감시하는 자리다. 출력만 보고 판단하는 방식은 문제가 겉으로 드러난 뒤에야 작동한다. 모델 내부 회로를 읽을 수 있다면 사정이 달라진다. 특정 행동과 연결된 뉴런 활동을 추적해, 출력이 나오기 전 단계에서 이상을 감지하는 접근을 설계할 수 있다. ‘이해하기 쉽다’는 말이 곧 ‘감시하고 통제하기 쉽다’는 말로 이어지는 이유다. 장애가 난 뒤 로그를 뒤지는 것과 실행 중에 브레이크포인트를 거는 것의 차이쯤으로 생각하면 된다.

반대로 포츠의 지적처럼 이번 글이 실제 난제를 줄이지 못했다면, 해석가능성 연구는 매듭을 푸는 기존 경로를 계속 걸어야 한다. 눈여겨볼 건 두 관점의 출발점이 같다는 사실이다. LLM 내부를 세밀하게 이해한 사람은 아직 아무도 없다. 캐머라타가 동료 연구자들에게 건넨 조언은 단순하다. 조금 더 애써 보고, 너무 빨리 포기하지 말 것. 이 조언이 작은 이미지 모델을 넘어 대형 모델에서도 통할지는 재현 연구와 LLM 적용 결과가 쌓여야 판가름 난다. 그때까지는 V자 뉴런을 ‘가능성을 보여준 사례’ 정도로 받아들이는 게 가장 정직한 읽기라고 본다.

출처: MIT Tech Review AI