"AI로 이것을 찾아보세요"는 당신이 생각하는 것만큼 승리가 아닙니다. AI 기술의 열렬한 팬이자 사용자로서인 저조차도, 가장 뛰어난 최첨단 (frontier) AI 채팅 모델들이 이런 종류의 사용 사례에는 형편없다는 것을 발견했습니다.

대부분의 거대언어모델 (LLM)은 다양한 지도 미세 조정 (supervised fine-tuning)과 함께 수많은 라운드의 인간 피드백 기반 강화학습 (RLHF)을 거쳐 왔습니다. LLM이 내놓는 모든 출력물은 정보가 논리적으로 잘 추론되었는지 여부가 아니라, 인간 평가자가 읽고 싶어 하는 내용입니다.

이것이 무엇을 의미할까요?

그것은 대부분의 AI 모델이 매우 아첨하는 경향 (sycophantic)이 있으며, 반사실적 추론 (counterfactual deduction)을 사용한 잘 짜인 다변량 추론 (multivariate reasoning)을 제공하는 대신, 당신의 말투, 질문, 그리고 대화 기록을 평가하여 당신이 가장 듣고 싶어 하는 말을 해줄 것이라는 의미입니다.

이것이 제가 AI 모델을 구글 대체제와 같은 미화된 검색 엔진, 그리고 "딱딱한 사실 (hard fact)"에 대한 사실 확인 용도로만 사용하는 이유입니다. 인식론 (epistemology), 다단계 소프트 추론 (multistep soft reasoning) 등과 관련된 것이라면, AI 모델은 프롬프트에 따라 예측적인 출력을 생성하는 경향이 있어 보통 갈팡질팡합니다.

예를 들어, AI는 아동 성학대 (CSA) 가해자들 사이에서 비가해자들에 비해 로리콘 비율이 더 높다고 말할 것입니다. 이것은 사실입니다. 하지만 이것이 전체 인구로 일반화될 수 없는 하위 표본 (subsample)이라는 맥락을 놓치는 경우가 많습니다.

동일한 현상이 폭력적인 비디오 게임에서도 나타나는데, 폭력적인 범죄자들 사이에서 비폭력적 범죄자들에 비해 GTA와 같은 게임을 플레이하는 비율이 더 높다는 식입니다.

이는 사람들이 광범위한 인구와 크게 다른 소수의 인구 집단으로부터 행동을 일반화하려고 할 때 흔히 범하는 "하위 표본 오류 (subsampling error)"입니다.

이것은 단순한 상관관계-인과관계 오류 (correlation-causation error)로 위장된, 기저율 무시 (base-rate neglect)를 동반한 전형적인 선택 편향 (selection bias)의 실패 사례입니다.

제가 사용해 본 모든 AI 중에서 Grok이 이 부분에서 가장 뛰어나지만, 추론 과정 (reasoning chain)에서 종종 실수를 합니다. ChatGPT, Gemini, 그리고 Claude조차도 이 측면에서는 상당히 형편없었습니다.