세명대학교 AI컴퓨터학부 데이터지능연구실(DILab)의 김재성 학생(학부 4학년, 제1저자)과 이수안 교수(교신저자) 연구팀이 인공지능(AI) 및 데이터 과학 분야 세계 최고 권위의 국제학술대회인 ‘ECML PKDD 2026’에 논문을 게재하는 쾌거를 이뤘다.

이번에 채택된 연구 논문의 제목은 ‘The Latent Hivemind: Do LLMs Converge in How They Think?’(잠재적 하이브마인드: 거대 언어 모델들은 사고 방식에서 수렴하는가?)로, 전 세계적으로 널리 쓰이는 다양한 거대 언어 모델(LLM)들이 텍스트를 생성할 때 겉으로 드러나는 답변뿐만 아니라 모델 내부의 고차원 잠재 공간(Latent Space)에서도 유사한 기하학적 구조로 사고를 전개한다는 사실을 대규모 실증 연구를 통해 세계 최초로 증명해냈다.

"서로 다른 AI, 생각하는 방식 닮아간다"… '잠재적 하이브마인드' 입증

연구팀은 서로 다른 기업과 기관에서 독립적으로 학습시킨 22개의 대표적인 거대 언어 모델(Llama 3.1, Qwen 2.5, Gemma 2 등 총 231개 모델 쌍)을 대상으로 16개의 광범위한 벤치마크 테스트를 진행했다. 개발 환경, 매개변수(Parameter) 크기, 아키텍처가 완전히 다름에도 불구하고 모델들이 텍스트를 생성하는 실시간 과정(Live Forward Pass)에서 내부 숨겨진 상태(Hidden States)의 기하학적 유사도를 측정했다. 그 결과, 모델 간 내부 표현의 유사도 지수(R)가 평균 0.764에 달해, 서로 다른 AI 모델이 하나의 프롬프트를 받았을 때 내부적으로 구축하는 연산 공간이 단일 모델의 확률적 변동 수준과 유사할 만큼 고도로 결합해 있다는 ‘잠재적 하이브마인드(Latent Hivemind)’ 현상을 정량적으로 확인했다.

수학적 추론보다 '자유 대화'에서 생각의 일치도 더 높아… 통념 깨트려

특히 이번 연구는 "AI 모델들이 같은 정답을 도출해야 하는 수학이나 논리적 추론(Convergent Reasoning) 과제에서 내부 사고 과정이 가장 비슷할 것"이라는 학계의 기존 통념을 정면으로 뒤집었다. 실제 분석 결과, 정답이 정해진 추론 과제보다 자유로운 문장 생성이나 요약 등을 수행하는 '개방형 과제(Divergent Generation)'에서 AI 모델 간의 내부 잠재 공간 유사도가 통계적으로 유의미하게 훨씬 높게 나타났다. 이는 AI가 공유하는 핵심이 '문제를 푸는 특정 알고리즘'이 아니라, 자연어 자체의 통계적 구조와 지식의 상호 관계를 반영하는 '공통의 의미론적 기하학(Shared Semantic Geometry)'이라는 점을 시사한다.

설명 가능한 AI(XAI) 및 AI 안전성 분야에 새 지평 열어

이번 연구 성과는 향후 인공지능 생태계에 중요한 실용적 시사점을 제공한다. 서로 다른 AI 모델들이 내부적으로 유사한 의미 공간을 공유한다는 점을 활용하면, 특정 AI 모델을 해석하기 위해 개발된 기술을 다른 모델에 그대로 적용하는 ‘교차 모델 해석 프로토콜’이 가능해진다. 또한, 공통된 취약점을 공유할 수 있다는 점을 시사해 AI 안전성(Safety) 및 보안 필터링 기술 연구에도 크게 기여할 것으로 기대된다.

교신저자인 세명대학교 AI컴퓨터학부 이수안 교수는 “이번 연구는 AI 모델들이 인간의 자연어를 학습하는 과정에서 아키텍처나 규모와 관계없이 인류가 쌓아온 지식과 의미의 구조를 고차원 공간에 동일한 형태로 수렴하여 모사하고 있음을 대규모 데이터로 밝혀낸 데 의의가 있다”라며, “앞으로도 데이터지능연구실(DILab) 소속 학생들과 함께 AI 에이전트 및 초거대 모델의 신뢰성을 높이는 세계적 수준의 핵심 연구를 이어갈 것”이라고 포부를 밝혔다.

한편, 본 연구가 발표되는 ECML PKDD는 데이터마이닝과 인공지능 이론 및 응용을 다루는 유럽 최고의 우수 컴퓨터 과학 학술대회로, 채택된 우수 논문들은 전 세계 연구 학계의 핵심 인용 자료로 활용된다.