KAIST는 김준모 전기전자공학부 교수 연구팀이 대규모 언어모델(LLM)의 안전성을 검증하는 레드팀(AI를 공격해 취약점을 찾는 안전성 검증 과정) 기술의 한계를 극복한 새로운 프레임워크 ‘스테이블-지플로우넷(Stable-GFlowNet)’을 개발했다고 30일 밝혔다.
KAIST 연구진.(왼쪽부터)김준모 교수, 권민찬 박사과정.(사진=KAIST)
기존에는 강화학습을 이용해 공격 프롬프트를 생성하는 방식이 주로 사용됐다. 하지만 가장 성공률이 높은 한두 가지 공격 방법만 반복적으로 생성하는 ‘모드 붕괴’가 자주 발생해 여러 유형의 취약점을 충분히 찾지 못하는 한계가 있었다.
연구팀은 이에 좋은 공격은 더 잘 배우고, 잘못된 공격은 걸러내는 세 가지 핵심 기술을 개발했다.
우선 여러 길 가운데 더 나은 길을 비교해 선택하듯 ‘대조 궤적 균형’ 기법을 도입해 계산이 복잡한 과정을 줄이고 학습을 안정화했다. 또 시끄러운 환경에서도 필요한 목소리만 골라 듣는 것처럼 노이즈 경사 가지치기를 적용해 불필요한 잡음은 제거하고 중요한 정보만 학습하도록 했다. 이 밖에 횡설수설하는 말보다 자연스러운 문장을 우선 평가하듯 유창성 안정화 장치를 적용해 사람이 실제 사용할 법한 공격 프롬프트를 생성하도록 유도했다.
그 결과, 연구팀이 개발한 프레임워크는 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 방어하며 성능을 입증했다.
연구진은 AI 안전성 검증뿐 아니라 신약 후보 물질을 생성하는 분자 생성과 같은 ‘분포 매칭 문제’엗 기술을 적용할 가능성을 확인했다.
김준모 교수는 “적은 데이터와 잡음이 많은 환경에서도 AI의 다양한 취약점을 안정적으로 찾아낼 수 있다”며 “생성형 AI를 실제 서비스에 적용하기 전에 더 폭넓은 위험 요소를 찾아내고 방어할 수 있어, 더 안전하고 신뢰할 수 있는 AI 개발의 핵심 기반기술이 될 것으로 기대한다”고 말했다.
연구 결과는 인공지능 분야 국제학회인 ‘국제머신러닝학회(ICML) 2026’에서 상위 2.2%에 해당하는 스포트라이트 논문으로 선정됐다.
