발표에서 확인된 핵심 사실

AI에게 창의적인 아이디어를 물어볼 때마다 마치 약속이라도 한 듯 비슷하고 뻔한 답변만 돌아오는 경험은 흔하다. 호주 스타트업 Springboards는 이러한 LLM(거대언어모델)의 고질적인 집단사고 문제를 해결하기 위해 새로운 모델인 Flint를 구축했다. 이들은 기존 모델들이 가진 예측 가능한 응답 패턴을 깨뜨리고, 보다 다양한 관점을 제시하는 데 집중했다.

Flint는 개방형 질문에 대해 모델이 내놓는 답변의 다양성을 높이도록 훈련되었다. 기존 LLM이 평균적인 확률 분포에 기반해 가장 안전한 답변을 선택하는 것과 달리, 이 모델은 브레인스토밍이나 전략적인 계획 수립 등 창의적 사고가 필요한 작업에서 더 폭넓은 선택지를 제공한다. 사용자는 AI 모델을 선택할 때 이제 응답의 예측 가능성 대신, 얼마나 다양한 논리를 생성할 수 있는지를 새로운 판단 기준으로 삼아야 한다.

한편, 생명과학 분야에서는 이와는 다른 차원의 근본적인 구축 사례가 보고되었다. 과학자들은 실험실에서 제작한 DNA를 사용하여 세포를 처음부터 완전히 새롭게 만들어냈다. 이렇게 만들어진 세포는 스스로 영양분을 섭취하고 성장하며 증식하는 생명체의 기본 기능을 수행한다.

이러한 합성 세포의 등장은 합성 생물학의 위험성에 대한 논의를 촉발했다. 특히 거울 유기체와 같은 인공 생명체가 기존 지구 생태계에 위협이 될 수 있다는 우려가 제기되고 있다. 기술이 생명의 근간을 재설계하는 단계에 진입함에 따라, 그 파급력에 대한 신중한 검토가 요구되는 시점이다.

기술이 실제로 작동하는 방식

AI에게 아이디어를 물어보면 매번 비슷하고 뻔한 답변이 돌아오는 경험이 있다. 대부분의 LLM(Large Language Models, 대규모 언어 모델)은 예측 가능성이 높고 창의성이 부족한 집단사고 문제를 겪고 있다. 이러한 특성은 명확한 답이 필요한 코딩이나 연구 작업에는 적합하지만, 브레인스토밍이나 다음 휴가 계획을 세우는 작업에서는 문제가 된다. 정해진 정답보다 다양한 관점이 필요한 영역에서 모델의 경직성이 창의적 사고를 제한하는 결과로 이어진다.

Springboards는 메인스트림 LLM의 집단사고를 해결하기 위해 더 다양한 응답을 내놓는 Flint를 구축했다. Flint는 개방형 질문에 대해 예측 가능성을 낮추고 응답의 다양성을 높이는 훈련 방식을 적용했다. 주류 모델들이 통계적으로 가장 확률이 높은 답변만을 선택해 유사한 결과물을 반복하는 것과 달리, Flint는 더 넓은 범위의 응답을 생성하도록 설계되었다. 이는 AI가 기존의 전형적인 답변 경로에서 벗어나 더 넓은 선택지를 제시하게 만드는 구조다.

유럽 어디로 가야 할까와 같은 개방형 질문을 던졌을 때 Flint는 기존 주류 LLM보다 더 넓은 범위의 응답을 생성하며 구체적인 차이를 보여준다. 브레인스토밍이나 계획 수립처럼 창의성이 필요한 태스크에서는 이제 정답의 정확도만큼이나 응답의 다양성이 중요한 모델 선택의 기준이 된다. 사용자는 수행하려는 작업이 정밀한 연구인지 혹은 확산적 사고가 필요한 기획인지에 따라 AI 모델이 제공하는 응답 다양성의 수준을 확인하고 선택할 수 있다.

AI에게 아이디어를 물어볼 때마다 비슷하고 뻔한 답변이 돌아오는 것은 메인스트림 LLM의 집단사고 문제 때문이다. Springboards는 개방형 질문의 예측 가능성을 낮춰 응답 다양성을 높인 훈련 방식으로 이를 해결한 모델 Flint를 구축했다.

이제 브레인스토밍이나 계획 수립 같은 창의적 태스크에서 AI 모델을 선택하는 기준은 단순한 성능이 아닌 응답 다양성으로 옮겨간다. 수행하려는 작업이 정밀한 연구인지 혹은 확산적 사고가 필요한 기획인지에 따라 모델 선택의 기준이 결정된다.