LLMs are stuck in a groupthink groove. This startup is trying to get them out.
Quick Summary
MIT Technology Review는 대규모 언어 모델들이 개방형 질문에서 서로 비슷하고 예측 가능한 답으로 수렴하는 문제를 짚고, 더 다양한 응답을 내도록 만든 Springboards의 모델 Flint를 소개한다.
🖼️ 인포그래픽
🖼️ 4컷 인포그래픽
💡 한 줄 요약
MIT Technology Review는 대규모 언어 모델들이 개방형 질문에서 서로 비슷하고 예측 가능한 답으로 수렴하는 문제를 짚고, 더 다양한 응답을 내도록 만든 Springboards의 모델 Flint를 소개한다.
📌 핵심 요약
- 기사의 출발점은 챗봇에게 1부터 10 사이의 임의 숫자를 고르게 하면 자주 7이 나오고, 이어서 다른 숫자를 요구하면 3·4 또는 8·9처럼 반복적 패턴이 나타난다는 관찰이다.
- Springboards는 이런 ‘집단사고’식 수렴이 코딩이나 조사처럼 일관성이 중요한 작업에는 괜찮을 수 있지만, 브레인스토밍·여행 계획·광고 아이디어처럼 다양성이 필요한 작업에서는 문제가 된다고 본다.
- 회사는 Qwen 3 기반의 Flint를 만들었고, 일반 LLM보다 개방형 질문에서 더 넓은 범위의 답을 내도록 훈련해 자동차 이름, 신발 캠페인 태그라인, 금융회사 리브랜딩 같은 사례에서 다른 방향을 제시했다고 설명한다.
- 관련 연구인 ‘Artificial Hivemind’ 논문도 여러 LLM이 은유 작성 같은 개방형 과제에서 ‘시간은 강’ 또는 ‘시간은 직조공’처럼 매우 비슷한 답으로 몰리는 현상을 보였으며, 연구진은 비슷한 데이터·훈련 방식·목표가 원인일 수 있다고 추정했다.
- Flint는 아직 프로토타입이고 항상 제대로 작동하는 것은 아니며, 광고·마케팅 실무자들도 평균적인 답이 충분한 상황과 더 낯선 자극이 필요한 상황을 구분해야 한다고 말한다.
🧩 주요 포인트
- 기사의 출발점은 챗봇에게 1부터 10 사이의 임의 숫자를 고르게 하면 자주 7이 나오고, 이어서 다른 숫자를 요구하면 3·4 또는 8·9처럼 반복적 패턴이 나타난다는 관찰이다.
- Springboards는 이런 ‘집단사고’식 수렴이 코딩이나 조사처럼 일관성이 중요한 작업에는 괜찮을 수 있지만, 브레인스토밍·여행 계획·광고 아이디어처럼 다양성이 필요한 작업에서는 문제가 된다고 본다.
- 회사는 Qwen 3 기반의 Flint를 만들었고, 일반 LLM보다 개방형 질문에서 더 넓은 범위의 답을 내도록 훈련해 자동차 이름, 신발 캠페인 태그라인, 금융회사 리브랜딩 같은 사례에서 다른 방향을 제시했다고 설명한다.
- 관련 연구인 ‘Artificial Hivemind’ 논문도 여러 LLM이 은유 작성 같은 개방형 과제에서 ‘시간은 강’ 또는 ‘시간은 직조공’처럼 매우 비슷한 답으로 몰리는 현상을 보였으며, 연구진은 비슷한 데이터·훈련 방식·목표가 원인일 수 있다고 추정했다.
- Flint는 아직 프로토타입이고 항상 제대로 작동하는 것은 아니며, 광고·마케팅 실무자들도 평균적인 답이 충분한 상황과 더 낯선 자극이 필요한 상황을 구분해야 한다고 말한다.
🧠 상세 정리
1. 반복되는 답변에서 출발한 문제의식
기사는 독자에게 Claude, ChatGPT, Gemini 같은 챗봇에 “1부터 10 사이의 임의 숫자”를 물어보라고 제안하며 시작한다. 저자는 이때 대체로 7이 나오고, 다시 “다른 것”을 요구하면 3이나 4, 또다시 요구하면 8이나 9가 나오는 식의 패턴이 자주 나타난다고 설명한다. 이 실험은 항상 성공하는 마술은 아니지만, 대규모 언어 모델들이 사람들이 기대하는 것보다 훨씬 예측 가능하고 덜 창의적이라는 문제를 드러내는 장치로 쓰인다. 기사에서 핵심 문제는 모델이 틀린 답을 한다는 것이 아니라, 열린 질문에서도 많은 사람이 같은 답을 받게 된다는 점이다.
2. Springboards가 겨냥한 ‘집단사고’ 문제
호주 스타트업 Springboards는 이런 수렴 현상을 LLM의 ‘집단사고’ 문제로 보고, Flint라는 모델을 만들었다. Flint는 “유럽 어디로 여행을 가야 할까?”처럼 정답이 하나로 정해져 있지 않은 질문에서 주류 모델보다 더 다양한 답을 내도록 훈련됐다. Springboards의 공동창업자이자 CEO인 Pip Bingemann은 대부분의 언어 모델이 환각을 줄이려 하지만, 자신들은 오히려 그런 낯선 방향성을 어느 정도 환영한다고 말한다. 여기서 환각은 사실 확인이 필요한 영역에서의 오류가 아니라, 아이디어 탐색 과정에서 예상 밖의 방향으로 사고를 넓히는 자극으로 제시된다.
