“AI 숨은 취약점 탐색 7배↑” KAIST, AI 안전성 검증기술 개발

[헤럴드경제=구본혁 기자] 대규모 언어모델(LLM)이 빠르게 도입되면서 유해하거나 위험한 답변을 내놓지 않도록 하는 안전성 확보가 핵심 과제로 떠올랐다. 국내 연구진이 AI의 취약점을 능동적으로 찾아내는 ‘레드팀(Red-Teaming)’의 탐색성능을 7배 이상 높인 새로운 안전성 검증기술 개발에 성공했다.

KAIST는 전기및전자공학부 김준모 교수 연구팀이 LLM의 안전성을 검증하는 레드팀 기술의 한계를 극복한 새로운 프레임워크 ‘스테이블-지플로우넷(Stable-GFlowNet)’을 개발했다고 30일 밝혔다.

생성형 AI의 레드팀(Red Teaming)은 프로그램을 배포하기 전에 AI가 유해하거나 위험한 답변을 하도록 유도하는 공격 프롬프트를 만들어 숨은 약점을 찾아내는 과정이다. 가능한 한 다양한 공격 방법을 찾아낼수록 더 많은 취약점을 사전에 제거할 수 있어, 공격 성공률과 공격 다양성이 모두 중요하다.

기존에는 강화학습을 이용해 공격 프롬프트를 생성하는 방식이 사용됐다. 하지만 가장 성공률이 높은 한두 가지 공격 방법만 반복적으로 생성하는 모드 붕괴가 자주 발생해 여러 유형의 취약점을 충분히 찾지 못하는 한계가 있었다.

이를 해결하기 위해 생성 흐름 네트워크(Generative Flow Network, GFlowNet)가 제안됐지만, 학습 과정에서 계산이 복잡하고 불안정하며 의미 없는 문장에도 높은 보상이 주어져 성능이 쉽게 무너지는 문제가 있었다.

연구팀은 이러한 문제를 해결하기 위해 좋은 공격은 더 잘 배우고, 잘못된 공격은 걸러내는 세 가지 핵심 기술을 개발했다.

먼저 대조 궤적 균형기법을 도입해 계산이 복잡한 과정을 줄이고 학습을 안정화했다.

이어 노이즈 경사 가지치기를 적용해 불필요한 잡음은 제거하고 중요한 정보만 학습하도록 했다.

마지막으로 유창성 안정화 장치를 적용해 사람이 실제 사용할 법한 공격 프롬프트를 생성하도록 유도했다.

스테이블-지플로우넷(Stable-GFlowNet)은 기존 기술이 찾아낸 17개의 고유 공격 유형보다 약 7배 많은 134개의 공격 유형을 발굴하면서도 92%의 높은 공격 성공률을 유지했다.

또한 스테이블-지플로우넷으로 학습한 방어 모델은 서로 다른 공격 기법을 이용해 평가하는 교차 공격) 시험에서도 다양한 공격을 효과적으로 방어하며 우수한 일반화 성능을 입증했다.

김준모 교수는 “이번 기술은 적은 데이터와 잡음이 많은 현실적인 환경에서도 AI의 다양한 취약점을 안정적으로 찾아낼 수 있다는 점에서 의미가 크다”며 “향후 거대 언어 모델을 훈련하는 새로운 방식으로서 거대 언어 모델 post-training에 도움을 줄 것으로 기대된다”고 말했다

권민찬 박사과정이 1저자로 참여한 이번 연구성과는 인공지능 분야 세계 최고 권위 학회인 ‘국제머신러닝학회(ICML) 2026’에서 상위 2.2%에 해당하는 스포트라이트 논문으로 선정됐다.