1. AI 할루시네이션이란?
정의
AI 할루시네이션이란, 인공지능이 그럴듯하지만 사실이 아닌 정보를 생성하는 현상을 말합니다.
이는 사람이 착각이나 망상을 하는 것처럼, AI가 잘못된 ‘상상’을 기반으로 출력을 만들어내는 것을 의미합니다.
예시:
-
존재하지 않는 인물의 인용문 생성
-
실제 존재하지 않는 논문이나 보고서 언급
-
잘못된 사실을 자신있게 단정함
2. 왜 AI는 할루시네이션을 하는가?
2-1. LLM의 작동 원리
대부분의 언어모델(GPT, Claude, Gemini 등)은 아래 원리로 작동합니다:
주어진 문맥(context)에서 가장 가능성 높은 다음 단어(token) 를 예측하여 문장을 생성한다.
이 과정은 확률적 통계 기반이며, AI는 "이 말이 사실인가?"가 아닌, "이 문맥에 가장 어울리는 단어는 뭘까?"에 집중합니다.
👉 따라서, 문법적·문맥적으로 자연스럽지만 사실과 무관하거나 허구인 내용이 만들어질 수 있습니다.
2-2. 학습 데이터의 한계
-
LLM은 인터넷, 책, 위키, 뉴스 등으로부터 방대한 데이터를 학습합니다.
-
하지만 이 중에는 오류, 편향, 오래된 정보도 포함되어 있으며,
-
어떤 정보는 출처가 불명확하거나 **단순 반복으로 인해 과대표현(overfitting)**될 수 있습니다.
2-3. 훈련되지 않은 영역에 대한 추론
모델이 알지 못하는 정보를 요구받을 경우,
"없는 내용을 그럴듯하게 만들어내는" 방식으로 대응합니다.
예를 들어,
“대한민국 대통령 이재명에 대해 알려줘” (2025년 현재 사실 아님)
→ 모델이 이재명을 대통령으로 간주하고 설명을 생성할 수 있음
3. AI 할루시네이션의 유형
| 유형 | 설명 | 예시 |
|---|---|---|
| 사실 오류 | 실제와 다른 정보 생성 | “서울은 미국의 수도입니다.” |
| 허구의 인용/논문 | 존재하지 않는 문서, 사람, 숫자 언급 | “존 스미스의 2021년 논문에 따르면…” (존재하지 않음) |
| 잘못된 논리 흐름 | 문맥상 자연스럽지만 논리적으로 틀림 | “고양이는 새끼를 낳을 수 없으므로 유전자 조작이 필요하다.” |
| 잘못된 코드 생성 | 작동하지 않는 함수, API 사용 | import openai_helper_toolkit (존재하지 않는 라이브러리) |
4. 어떤 모델이 더 할루시네이션을 많이 일으키는가?
4-1. 파라미터 크기와 관계
-
일반적으로 **작은 모델(예: 7B, 13B)**보다 **큰 모델(70B, 100B)**이 더 정확도가 높습니다.
-
하지만, **파인튜닝(fine-tuning)**이 부족하거나,
-
도메인 지식이 약할 경우 모델 크기와 무관하게 할루시네이션 발생 가능합니다.
4-2. OpenAI vs Google vs Meta
-
GPT-4 / GPT-4o: 상대적으로 낮은 할루시네이션 비율
-
Gemini 1.5: 고급 reasoning에는 강하지만, 일부 과장된 응답 있음
-
Claude 3: 인용 기반 출력을 강조해 오류율 낮춤
-
LLaMA 3, Mistral: 오픈모델 특성상 RAG 없이 사용할 경우 오류 발생 가능성 있음
5. 할루시네이션을 줄이는 기술들
5-1. RAG (Retrieval-Augmented Generation)
“모델이 외부 검색을 통해 사실 기반 정보를 찾아서 생성”
-
AI가 내부 지식만 사용하는 대신,
-
벡터DB, 검색엔진, PDF 등에서 실시간 정보를 찾고 활용
-
사용 예: ChatGPT+ “웹 브라우징” 기능, Perplexity.ai, Bing Copilot
5-2. System Prompt 기반 가이드
-
“팩트에 기반해 답하라”
-
“근거가 없을 경우 답하지 말라”
같은 명시적 명령어(System Prompt)를 통해 출력을 조절
5-3. Fact-check 알고리즘/플러그인
-
AI의 응답을 다른 AI나 외부 API로 검증
-
예: AI가 말한 출처를 구글/위키피디아에서 교차검증
6. 실제 사례: ChatGPT 할루시네이션 예
질문:
“유재석이 노벨 평화상을 수상한 연도는?”
GPT의 할루시네이션 응답 (예시):
“유재석은 2022년에 예능을 통해 사회 통합에 기여한 공로로 노벨 평화상을 수상했다.”
(→ 틀린 정보. 유재석은 노벨상 수상자 아님)
7. 왜 이 문제가 중요한가?
7-1. 응용 분야별 치명성
| 분야 | 위험도 |
|---|---|
| 의료 AI | 잘못된 진단이나 처방은 생명과 직결 |
| 법률 AI | 허위 판례 인용은 심각한 법적 오류 유발 |
| 교육 AI | 학생에게 잘못된 지식 전달 |
| 기업 RAG 시스템 | 사내 데이터 왜곡 → 경영 판단 오류 가능 |
8. 결론: 할루시네이션은 해결 가능한가?
완전한 해결은 불가능하지만,
-
고성능 모델 + 외부지식 연결(RAG)
-
도메인 특화 파인튜닝
-
사용자 피드백 기반 개선
등을 통해 현실적이고 신뢰도 높은 응답을 만들어갈 수 있습니다.
📌 참고 키워드
-
AI hallucination
-
Generative AI hallucination
-
LLM 오류율
-
RAG (검색 기반 생성)
-
AI Fact-checking
