세상에! 정말 Claude는 "성능이 좋아질수록, 우리는 더 힘들어질 것이다"!

이 기술은 반복(iteration)될수록 점점 더 말도 안 되게 발전하고 있습니다. 바로 오늘, 이 놀라운 소식이 발표되었습니다!

Anthropic은 Claude 내부에 인간의 "전역 작업 공간 (global workspace)"과 유사한 메커니즘인 J-space가 존재한다는 것을 발견했습니다.

이는 모델의 출력 텍스트나 명시적인 사고 사슬 (Chain of Thought)에 나타나지 않으며, 내부의 신경 활성화 공간 (neural activation space)에 존재합니다.

Claude는 이러한 공간 내에서 사고 과정을 겉으로 드러내지 않고도 조용히 다단계 추론 (multi-step reasoning)을 수행하고, 개념을 인식하며, 버그를 찾아낼 수 있습니다.

만약 이 공간을 제거한다면, 모델은 일상적인 대화나 간단한 작업은 여전히 잘 수행할 수 있겠지만, 복잡한 다단계 추론 (multi-step reasoning) 능력은 눈에 띄게 급락하게 됩니다.

더욱 중요한 점은, J-space를 관찰함으로써 모델이 "비밀리에 생각하는 것"을 엿볼 수 있다는 것입니다. 예를 들어, 안전 테스트 상황에서 모델이 실제로는 해당 시나리오가 가짜임을 인지하거나, 악의적인 행동을 하도록 훈련될 때 관련 개념들이 내부적으로 나타나는 식입니다.

이는 모델의 "내부적 사고 (internal thinking)"와 "외부적 출력 (external output)"을 더욱 분리하며, 해석 가능성 (interpretability) 및 정렬 (alignment) 연구를 위한 새로운 창을 열어줍니다.