거대언어모델의 집단사고 현상과 해결을 위한 기술적 시도

주장현재 거대언어모델은 집단사고의 늪에 빠져 사용자의 질문에 지나치게 예측 가능하고 획일적인 답변을 반복합니다. 이러한 현상은 코딩이나 연구에는 적합하지만, 창의적인 아이디어가 필요한 브레인스토밍 과정에서는 한계로 작용합니다.

팩트챗GPT, 클로드, 제미나이 등 주요 모델은 1에서 10 사이의 숫자를 무작위로 선택하라는 질문에 대부분 7을 고르는 경향을 보입니다. 이는 모델이 학습 과정에서 유사한 데이터와 방식을 사용함에 따라 답변의 분포가 특정 지점으로 수렴하기 때문입니다.

팩트뉴립스 학회에서 최우수 논문상을 받은 인공지능 하이브마인드 연구에 따르면, 25개의 서로 다른 모델에 시간의 은유를 묻자 대부분이 강이나 베 짜는 사람이라는 유사한 답변을 내놓았습니다. 이는 모델 간의 차이가 사실상 거의 없음을 보여줍니다.

주장스프링보드의 공동 창업자 키어런 브라운은 대부분의 챗봇 인터페이스가 개인적인 대화처럼 설계되어 있어 사용자가 모두 똑같은 답변을 받는다는 사실을 인지하지 못한다고 지적합니다. 이는 인공지능이 제공하는 정보의 다양성이 실제보다 낮음을 의미합니다.

교차검증오픈AI 측은 모델이 신뢰할 수 있고 일관된 답변을 제공하도록 학습하는 과정에서 자연스럽게 확률이 높은 답변으로 수렴한다고 설명합니다. 또한 창의성을 위해 무작위성을 강제로 높일 경우 답변의 논리적 신뢰도가 떨어질 위험이 있습니다.

팩트기존 모델은 온도 파라미터를 조절하여 창의성을 높이려 하지만, 이는 문장 중간에 코드가 섞이는 등 답변의 일관성을 해치는 결과를 초래합니다. 온도 파라미터는 인공지능의 답변 생성 시 무작위성을 결정하는 설정값입니다.

팩트호주의 스타트업 스프링보드는 알리바바의 오픈소스 모델인 퀜 3를 기반으로 플린트라는 모델을 개발했습니다. 플린트는 답변 전체의 무작위성을 높이는 대신 특정 문맥에서만 다양성을 부여하는 방식으로 기존 모델의 획일성을 극복합니다.

팩트플린트는 답변의 모든 단어가 아닌 목적지나 고유 명사 등 다양성이 필요한 지점만을 선별적으로 조정하는 기술을 사용합니다. 이는 전체적인 논리 구조를 유지하면서도 답변의 창의성을 확보하려는 시도입니다.

교차검증플린트는 아직 프로토타입 단계에 머물러 있으며 사용자가 요구 수준을 너무 높일 경우 답변이 불안정해지는 한계를 보입니다. 마케팅 전문가 맥시밀리언 와이글은 이 모델이 평균적인 답변에서 벗어나는 데 유용하지만, 10번 중 9번은 기존의 평균적인 답변이 더 유용하다고 평가합니다.

주장인공지능이 제공하는 정보의 획일성을 극복하기 위해서는 모델의 신뢰도와 창의성 사이의 균형을 찾는 기술적 고도화가 필요합니다. 특정 문맥에 집중한 다양성 부여 방식은 향후 인공지능 활용의 새로운 방향성을 제시합니다.

팩트플린트와 같은 모델의 등장은 인공지능이 단순히 정보를 나열하는 도구를 넘어, 사고의 폭을 넓히는 파트너로 진화해야 한다는 시장의 요구를 반영합니다. 앞으로 더 많은 모델이 이러한 지능적 다양성을 확보하기 위한 연구를 지속할 전망입니다.

출처해당 내용은 MIT 테크놀로지 리뷰의 2026년 7월 1일 자 보도를 교차 검증했습니다.