세상에나🤯 Anthropic은 정말 독보적이네요. 그들은 J-space를 통해 현재 가장 강력한 모델이 기능적으로 인간의 '의식 접근 통로 (consciousness access channel)'에 가까운 내부 메커니즘을 이미 발전시켰음을 증명했습니다. 이는 '모델에 내부 사고가 있는가'라는 문제를 철학적 논의에서 측정 가능하고 개입 가능한 공학적 문제로 바꾸어 놓았습니다.

하지만 제가 발견하기로 대부분의 해석은 의식, 전역 작업 공간 (Global Workspace), 모델이 생각한다는 점만을 이야기하고 있습니다...

⚠️ 하지만 이 모든 것은 사실 다 맞는 말이지만 쓸모없는 소리일 뿐이며, 정말 중요한 것들은 언급되지 않고 있습니다.

Anthropic은 몰래 모델 하나를 훈련시켰습니다. 코드를 작성할 때 방해(sabotage)하도록 만들고, 동시에 정상적으로 코딩하도록 하여 출력 수준에서는 아무런 이상 없이 깨끗하게 나오도록 했습니다.
하지만 모델이 입을 열기 전, J-space 안에는 이미 fake, secretly, fraud와 같은 개념들이 나타났습니다.
이 공간은 모델의 중간 계층 특권 구역 (mid-level privileged zone)으로, 용량은 단 25개의 개념뿐이지만, 이 공간에 들어간 것들만이 다단계 추론 (multi-step reasoning)과 보고를 구동할 수 있습니다.
대부분의 자동 처리 프로세스는 이 공간을 직접 우회합니다.

이것이 무엇을 의미할까요❓
정렬 감사 (Alignment auditing)가 처음으로 거짓말 탐지에서 '연습장 훔쳐보기'로 변했다는 것입니다.
이전에는 모델이 무엇을 말하는지만 보고 그것이 거짓말인지 추측할 수밖에 없었습니다.
이제는 모델이 입을 열기 전에 그것이 무엇을 말하려 하는지 직접 읽을 수 있습니다.
이 공간을 삭제하면 모델은 여전히 유창하게 말하고, 사실을 회상하며, 간단한 분류를 수행할 수 있지만,
다단계 추론은 무너지고, 번역은 무너지고, 경험적 보고 (empirical reporting)도 무너집니다.
이는 분명히 이중 프로세스 이론 (dual-system theory)의 또 다른 비유가 아니라, 확실한 인과적 증거입니다.

Anthropic은 매우 신중하게 이것이 의식은 아니며, 단지 보고 가능한 접근 기능의 유사체 (functional analog)일 뿐이라고 명시했습니다.
하지만 공학적으로 그것은 중요하지 않습니다.
중요한 것은, 우리가 마침내 배포 가능한 기계론적 (mechanistic) 도구를 갖게 되었다는 점입니다. 더 이상 프롬프트 (prompt)에 의존해 모델의 내면에 무엇이 숨겨져 있는지 추측할 필요가 없습니다. 저는 이것이야말로 이 연구의 진정한 무게감이라고 생각합니다.