“요즘 LLM은 다 비슷비슷해졌다”는 말이 나올 정도로 상위권 모델들의 성능 격차가 좁아진 지금, 진짜 승부처는 단순한 정답률이 아니라 모델이 내부에서 ‘생각을 어떻게 조율하고 공유하는가’로 이동하고 있습니다. Anthropic이 최근 공개한 글로벌 작업공간(Global Workspace) 관점의 LLM 내부 구조 분석·설계 연구는 바로 그 변화를 상징합니다. 즉, 더 크게 만드는 경쟁이 아니라 더 ‘이해 가능하고 믿을 만하게’ 만드는 경쟁의 문을 연 셈입니다.
LLM에서 ‘글로벌 작업공간’은 무엇을 의미하나?
Global Workspace(글로벌 작업공간)는 원래 인지과학에서 나온 개념입니다. 사람의 뇌를 비유하면,
- 시각, 언어, 기억 같은 여러 “전문 모듈”이 각자 계산을 수행하다가
- 중요한 정보가 하나의 ‘공용 게시판’ 같은 공간으로 올라오면
- 그 정보가 전역으로 공유되며 판단과 행동을 조정한다
는 아이디어죠.
Anthropic의 접근은 이 관점을 LLM에 대입해, 모델 내부에도 비슷한 현상이 있는지 묻습니다. 다시 말해, LLM이 단지 토큰을 순차적으로 생성하는 기계가 아니라, 추론에 필요한 핵심 정보를 특정 내부 표현/레이어에 모아 “전역적으로 브로드캐스트(공유)”하는 구조를 갖는지(또는 갖도록 설계할 수 있는지)를 탐구합니다.
왜 지금 이 연구가 중요한가: LLM 경쟁 축이 ‘성능’에서 ‘신뢰도’로 이동
최근의 플래그십 LLM들은 벤치마크 점수만 놓고 보면 상향 평준화 양상이 뚜렷합니다. 이 상황에서 제품과 산업이 실제로 요구하는 것은 다음입니다.
- 설명 가능성: “왜 이런 답을 했는가?”를 납득 가능한 방식으로 추적할 수 있어야 함
- 오류 억제: 환각(hallucination)이나 논리 점프가 어디서 생기고 어떻게 전파되는지 잡아야 함
- 운영 가능성: 엔터프라이즈/규제 환경에서 감사(audit)와 거버넌스가 가능해야 함
Global Workspace 관점은 이 문제를 “프롬프트나 출력”이 아니라 모델 내부의 공용 조정 지점(워크스페이스 후보)을 찾아 통제·검증하는 문제로 바꿉니다. 즉, 신뢰도를 올리는 가장 직접적인 길이 모델 내부에서 ‘합의가 형성되는 지점’을 구조적으로 다루는 것이 될 수 있습니다.
기술적으로 무엇을 하려는가: ‘출력’이 아니라 LLM ‘내부 표현’을 읽는다
기존에는 LLM을 평가할 때 최종 답변이나(혹은) chain-of-thought 같은 외부 신호에 많이 의존했습니다. 하지만 이 방식은 한계가 있습니다. 겉으로 그럴듯한 설명을 만들 수 있고, 실제 내부 추론과 출력 설명이 어긋날 수도 있기 때문입니다.
Anthropic의 Global Workspace 연구가 겨냥하는 핵심은 다음과 같습니다.
- 레이어/토큰 단위의 내부 활성(activation)과 표현 벡터를 분석해
- 정보가 어디에서 통합되고(aggregation)
- 어디에서 전역적으로 공유되며(broadcasting)
- 그 결과가 어떻게 최종 출력의 안정성/일관성으로 이어지는지
를 찾아내는 것입니다.
이 관점이 유효해지면, “정답을 더 맞히는가?”를 넘어 “모델이 어떤 단계에서 무엇을 확신했고, 무엇을 보류했는가?” 같은 캘리브레이션(calibration)·페이스풀니스(faithfulness) 문제를 내부에서 직접 다룰 수 있는 길이 열립니다.
한 단계 더 나아가면: 추론 스케일링과 에이전트 시대의 ‘중앙 조정 장치’
Global Workspace가 실재하거나 설계 가능하다면, LLM 시스템 설계에도 즉각적인 이점이 생깁니다.
- 추론 스케일링(토큰당 계산량 증가): 모든 구간에 동일한 계산을 뿌리는 대신, “작업공간”에 계산을 집중해 복잡한 추론을 더 안정적으로 수행하는 전략이 가능해집니다.
- 에이전트 오케스트레이션: 여러 에이전트/도구가 만든 계획과 근거를 한곳에 모아 비교·평가·수정하는 “메타 레이어”로 작업공간을 활용할 수 있습니다. 이는 멀티에이전트 시스템에서 특히 중요한 디버깅 포인트가 됩니다.
결국 이 연구가 던지는 질문은 하나로 수렴합니다.
“미래의 LLM은 더 똑똑해지는 것만으로 충분한가, 아니면 내부에서 생각을 ‘정리하고 합의하는 구조’가 있어야 하는가?”
Anthropic의 Global Workspace 연구는 그 질문을 가장 정면에서 다루며, 차세대 LLM이 나아갈 방향을 ‘성능’이 아닌 구조와 신뢰로 재정의하고 있습니다.
LLM 글로벌 작업공간(Global Workspace)이란 무엇인가: 내부의 공용 메모리 이해하기
거대한 LLM이 그럴듯한 문장을 “그냥 이어 쓰는” 수준을 넘어서, 복잡한 추론과 자기수정을 수행하려면 내부에서 정보가 모이고 충돌이 정리되는 중앙 조정 지점이 필요합니다. 인지과학의 글로벌 워크스페이스(Global Workspace) 이론은 바로 그 지점을 설명하는 강력한 프레임입니다. 핵심은 간단합니다.
- 뇌(혹은 모델) 안에는 여러 “전문 모듈”이 병렬로 계산한다
- 그중 중요한 내용이 공용 작업공간으로 올라오면
- 그 정보가 전역적으로 공유되며 다음 판단을 지배한다
이 관점을 LLM의 레이어와 내부 표현에 대입하면, “어떤 레이어/표현이 사실상 공용 메모리처럼 작동하며 추론의 중추가 되는가?”라는 질문으로 바뀝니다. 그리고 이 질문이 곧 신뢰도(거짓말·환각 억제)와 추론 품질을 좌우하는 설계 포인트가 됩니다.
LLM 내부 표현 관점에서 본 글로벌 작업공간: “허브 레이어” 가설
LLM은 입력 토큰을 받아 레이어를 통과시키며 매 단계 내부 벡터 표현(activation/representation)을 갱신합니다. 이때 글로벌 작업공간 관점은 모델을 다음처럼 보게 만듭니다.
로컬 계산(분산 처리)
- 초기~중간 레이어에서는 형태/문맥/지식 단서 등이 비교적 분산적으로 처리됩니다.
- 각 어텐션 헤드, MLP, 서브구조가 서로 다른 특징을 “부분적으로” 잡아냅니다.
전역 공유(통합 지점)
- 특정 레이어 대역에서 정보가 급격히 통합·요약되어 “이 문제의 핵심이 무엇인지”가 정리됩니다.
- 여기서의 표현은 여러 단서(지식, 제약, 목표, 금지 규칙, 중간 결론)를 한데 묶어 다음 토큰 생성과 도구 사용 판단에 큰 영향을 줍니다.
방송(broadcast)과 실행
- 통합된 표현이 이후 레이어로 전달되며, 답변 형식·논리 전개·검증(혹은 미검증) 같은 실행 전략을 결정합니다.
즉, 글로벌 작업공간은 “실제로 메모리 칩이 하나 있다”는 뜻이 아니라, 정보가 모이고 전역적으로 재사용되는 표현의 영역을 말합니다. LLM에서는 그것이 종종 특정 레이어 구간의 표현 패턴, 혹은 일부 토큰 위치(예: 요약 토큰, 지시문 토큰)에서 관찰되는 중앙 허브적 활성화로 나타날 수 있습니다.
왜 LLM 글로벌 작업공간이 신뢰도와 직결되는가: 환각은 ‘통합 실패’에서 커진다
LLM의 환각(hallucination)이나 논리 비약은 종종 “지식이 없어서”만이 아니라, 여러 단서가 경쟁하는 상황에서 무엇을 공용 작업공간에 올릴지를 잘못 결정할 때 커집니다.
근거보다 그럴듯함이 workspace를 점유하면
- 확률적으로 매끈한 문장 패턴이 중심 표현을 지배하고
- 검증 신호(“근거가 약함”, “모순 가능성”)가 뒤늦게 오거나 묻히며
- 결과적으로 자신감 높은 오류가 출력됩니다.
반대로 검증·불확실성 신호가 workspace에 안정적으로 올라오면
- “모른다/추가 확인 필요” 같은 보수적 전략이 선택되거나
- 추론을 더 진행(계산을 더 투입)하는 방향으로 유도되며
- 거짓 출력을 줄일 여지가 생깁니다.
