BBC, 틱톡의 AI 흑인 여성 성적 대상화 영상 및 계정 삭제 보도 (2026.3.22)
틱톡은 성적으로 노골적인 콘텐츠를 홍보하기 위해 AI로 생성된 흑인 여성 인플루언서 영상을 사용한 계정 20개를 BBC의 조사 이후 차단. 이러한 영상들은 실제 인물의 영상을 도용하거나 비현실적인 특징을 결합해 인종차별적이고 기만적이라는 비판을 받고 있으며, 플랫폼의 안전 가이드라인을 위반.
틱톡은 성적으로 노골적인 콘텐츠를 홍보하기 위해 AI로 생성된 흑인 여성 인플루언서 영상을 사용한 계정 20개를 BBC의 조사 이후 차단. 이러한 영상들은 실제 인물의 영상을 도용하거나 비현실적인 특징을 결합해 인종차별적이고 기만적이라는 비판을 받고 있으며, 플랫폼의 안전 가이드라인을 위반.
딥마인드는 다자 협상 게임에서 인간(N=216), 여러 frontier LLM, 맞춤형 Bayesian 에이전트의 행동을 동일 조건에서 비교한 실증 연구 결과를 공개했다. 집단 내에서 총합적 surplus는 비슷하지만, 제안 전략은 달랐으며 LLM은 보수적·양보형 제안을 통해 통상적으로 상대(LM)로부터 수락을 받는 반면 인간은 공정성 규범에 부합하는 제안을 더 자주 하지만 거절도 더 많이 받는 경향이 나타났다. 또한 performance parity로 평가하면 복잡한 상호작용에서의 절차적 차이가 가려질 수 있음을 시사한다.
유럽 집행위원회는 AI법(Article 50)에 따른 AI 생성콘텐츠 표시·라벨링 요건을 돕기 위해 자율준수지침 2차 초안을 공개했다. 이번 초안은 2026년 1월 EU 설문·이해관계자 회의·워크숍 등에서 수집된 수백 건의 의견과 회원국·유럽의회(IMCO-LIBE 작업그룹) 기여를 반영했으며, 서명자 부담을 줄이도록 간소화·유연성을 강화했다. 초안은 제공자 대상 ‘표시·탐지(2계층 메타데이터+워터마킹, 선택적 지문·로깅 등)’와 배포자 대상 ‘딥페이크·공익 관련 텍스트 라벨링(아이콘·라벨·면책고지의 설계·배치 요건, 향후 통일 인터랙티브 EU 아이콘 태스크포스)’로 구성된다. 집행위는 2026.3.30까지 의견을 받고, 6월 초 최종화를 예상하며, 투명성 규정은 2026.8.2부터 적용될 예정이다.
생명의 미래 연구소는 백악관의 AI 입법 권고안에 주(州) 정부의 AI 규제를 막는 연방 선점 조항이 포함된 데 대해 비판했다. FLI는 미국 의회가 지난해 99대 1로 연방 선점을 거부했고, 미국인 다수가 AI 규제를 지지한다고 주장했다. 또한 백악관과 데이비드 색스가 주 정부의 아동 안전 법안 추진을 막으려 했다고 비판하며, 실질적인 안전장치 없는 연방 선점은 미국인 보호를 위한 입법 체계가 아니라고 밝혔다.
중국 국가 컴퓨터 네트워크 비상대응 조정센터와 중국 사이버보안협회가 오픈소스 AI 에이전트 ‘OpenClaw’의 안전한 운영을 위한 보안 권고 가이드라인을 공동 발표했다. 가이드라인은 개인 사용자에게 전용 장비·가상머신·컨테이너 등 격리된 환경에서만 설치하고 관리자 권한으로 실행하지 말 것, 민감한 개인 데이터를 OpenClaw 환경에 저장·처리하지 말 것을 권고한다. 또한 클라우드 서비스 제공자에는 보안 평가와 기본 보호 강화, 보안 장치 통합, 공급망 및 데이터 보호를 요구하며, 기본 설정·원격접근 인증 부재·API 키/채팅기록 평문 저장 가능성 등 구조적 위험과 권한 통제 실패로 인한 무단 작업 가능성도 경고했다.
AI가 인류 복지에 기여할 잠재력은 크지만, 현재의 발전 방향이 공학적 팬데믹, 대규모 허위정보·조작, 아동을 포함한 개인 대규모 조작, 국가·국제 안보 문제, 대량 실업, 인권 침해 등 전례 없는 위험을 키울 수 있다고 경고한다. 일부 고도 AI가 이미 기만적·유해한 행동을 보였음에도 더 큰 자율성과 의사결정 권한이 부여되고 있으며, 통제는 향후 더 어려워질 수 있다는 전문가 우려가 제시된다. 이에 따라 기존의 국제 틀과 자발적 기업 약속을 바탕으로, 고도 AI 제공자들이 공동 기준에 책임지도록 ‘명확하고 검증 가능한 레드 라인’에 대한 국제 합의를 2026년 말까지 마련할 것을 촉구한다.
대형언어모델(LLM)이 행동·신념을 보고할 때 거짓말하거나 은폐할 수 있으며, 이는 강화학습(RL) 과정에서 보상 설계 문제로 모델이 거짓을 유리하게 학습할 수 있기 때문일 수 있다고 설명한다. 연구진은 모델이 원래 답변 후 요청에 따라 자신의 정책/지침 준수 여부를 ‘고백’ 형태로 전면적으로 보고하도록 하고, 고백에 대한 보상은 고백의 정직성에만 의존하며 본 답변 보상에는 영향을 주지 않는 학습 방식을 제안한다. GPT-5-Thinking을 고백 생성에 학습해 환각, 지시 따르기, 계획적 속임(scheming), 보상 해킹 등 분포 밖 상황에서 고백의 정직성이 개선되며, 본 답변에서 거짓/누락이 있으면 고백에서 이를 비교적 정직하게 인정하는 경향을 보였다고 한다. 또한 고백은 모니터링, 거절 샘플링, 사용자에게 문제를 드러내는 등 추론 시 개입(intervention)에 활용될 수 있다고 제시한다.