ARENA로 AI Alignment 공부 시작하기

Minji Bang — Sun, 21 Jun 2026 00:00:00 GMT

시작하며

정확한 분야를 정하지 못한채로 막연하게 MI, bias에 대해 한 학기 동안 연구를 했다. 내가 앞으로 나아갈 ’기술적’인 방향은 AI alignment가 맞겠다는 생각이 들어 본격적으로 공부하기로 했다. 무엇부터 어떻게 시작할지 한참 고민하다가 ARENA를 선택했고, 10주에 걸쳐 전체 커리큘럼을 따라가기로 계획을 세웠다. 6월말 ~ 8월말까지 방학기간에 집중적으로 공부를 해보려고 한다.

이 글은 ARENA AI alignment 커리큘럼을 따라가기 위해 set up한 환경과 계획에 대한 내용을 담을 예정이다. ARENA가 뭔지, 왜 선택했는지, 어떤 환경을 구축했는지, 10주 계획을 어떻게 세웠는지 정리해보려고 한다.

ARENA란

ARENA (Alignment Research Engineer Accelerator)는 AI safety 분야 입문자를 위한 실전 중심 커리큘럼이다. 원래는 런던에서 진행되는 4~5주짜리 풀타임 부트캠프지만, 모든 커리큘럼이 공개돼있어서 누구나 자율학습할 수 있다.

특징:

코드 중심: 트랜스포머, RL 알고리즘, SAE 등을 처음부터 직접 구현
최신 연구 반영: Anthropic, DeepMind, UK AISI 등의 최근 논문이 실습으로 들어있음
공개 자료: 모든 노트북이 GitHub에 있고 Colab에서 바로 실행 가능

5개 챕터로 구성돼있는데, 0번은 워밍업이고 1~4번이 본격적인 alignment 관련 내용이다.

5개 챕터 구조

Chapter 0 — Fundamentals

PyTorch 기초, CNN/ResNet, 옵티마이저, autograd 직접 구현, VAE/GAN.

Chapter 1 — Transformer Interpretability ⭐

ARENA에서 가장 큰 챕터. 트랜스포머를 처음부터 구현하고, Anthropic의 transformer circuits 연구를 따라간다. Mechanistic interpretability 입문에 좋다. SAE, IOI circuit, superposition 등 핵심 주제 다수. Anthropic의 trtansformer circuits을 지난 워크샵에서 다뤘는데, 이번에 실전 경험을 하면 더 깊이 이해가 될 것 같다. 또한 현재 진행하고 있는 연구가 SAE와 직결되기 때문에 연구에도 도움이 많이 될 것으로 예상된다.

세부 트랙이 세 개로 나뉘어있다: - Probing & Representations: Linear probes, SAEs, Function vectors - Circuits in LLMs: IOI, SAE Circuits
- Toy Models: Balanced brackets, Grokking, OthelloGPT, Superposition

Chapter 2 — Reinforcement Learning

RL 기초부터 PPO, 그리고 RLHF까지. Chapter 1에서 만든 트랜스포머에 RLHF를 적용한다.

Chapter 3 — LLM Evaluations

요즘 AI safety 현업에서 수요가 가장 큰 분야 중 하나. UK AISI의 Inspect 라이브러리로 모델 평가, LLM agent 평가까지 다룬다.

Chapter 4 — Alignment Science

가장 frontier에 가까운 챕터. Anthropic의 alignment science 연구와 직결된다. Emergent misalignment, LLM psychology, persona vectors, investigator agents 등.

10주 학습 계획

전체 31개 섹션 중 핵심을 중심으로 10주 안에 마치는 걸 목표로 한다. ARENA 풀타임 부트캠프가 4~5주인 걸 감안하면 자율학습으로 10주는 빡빡하지만 방학 안에 끝내는 걸 목표로 한다.

주차	챕터	핵심 내용
Week 1	Ch 0	Fundamentals — Backprop 위주 워밍업
Week 2~5	Ch 1	Transformer Interpretability — 트랜스포머 구현 → Mech Interp → SAE → IOI 회로
Week 6~7	Ch 2	RL — PPO + RLHF
Week 8	Ch 3	LLM Evaluations — Inspect 라이브러리 활용
Week 9~10	Ch 4	Alignment Science — Emergent misalignment, Persona vectors

각 섹션은 ARENA가 제공하는 difficulty/importance 표시를 참고해서 ⭐⭐⭐ 이상 위주로 풀고, 그 미만은 시간에 따라 스킵하기로 했다. 모든 걸 풀려고 하면 페이스가 무너진다는 걸 ARENA 자체도 명시하고 있다. 또한 이 계획은 상황에 따라 유동적으로 바뀔수도 있다.

주당 평균 15~20시간 정도를 목표로 하고 있다. 평일 저녁 + 주말로 분배할 계획이다. 이번 방학에는 개인 연구, 협업 연구, 워크샵 준비를 병행해야한다. 시간을 잘 관리해서 어느 하나도 놓치지 않도록 하고 싶다. 아자자~

학습 환경 셋업

작업 환경

IDE: VS Code (Remote-SSH로 연구실 서버 접속)
서버: 연구실 GPU 서버 (Driver 570.124.04, CUDA 12.8)
가상환경: Conda arena (Python 3.11)
PyTorch: 2.x + cu128

워크플로 선택

ARENA는 세 가지 접근 방식을 제공한다:

Colab 노트북에서 바로 풀기
VS Code에서 blank Python 파일로 풀기
VS Code에서 노트북 파일 복사해 풀기

나는 2번 (VS Code + blank .py 파일) 을 골랐다. 이유:

Git history에 학습 흔적이 깔끔하게 남는다
나중에 블로그 글로 옮기기 쉽다 (.py 파일은 마크다운 변환 부담이 없다)
ARENA 공식 안내도 “in-person 참가자에게 강력 추천”이라고 언급한다
실제 ML 연구 워크플로에 가깝다

# %% 셀 구분자로 VS Code에서 Jupyter처럼 인터랙티브하게 실행할 수 있어서 노트북의 장점도 살릴 수 있다.

Repository 구조

원본 ARENA repo를 내 GitHub으로 fork한 다음, 서버에 clone했다. 이렇게 하면:

본인 풀이를 본인 fork에 자유롭게 commit/push할 수 있다
원본이 업데이트되면 git fetch upstream으로 가져올 수 있다
학습 흔적이 GitHub history에 영구 보존된다

# Fork → clone
git clone git@github.com:BANG-mj/ARENA_3.0.git
cd ARENA_3.0
git remote add upstream https://github.com/callummcdougall/ARENA_3.0.git

진행 추적 — Notion 데이터베이스

ARENA 31개 섹션을 트래킹할 Notion 데이터베이스를 만들었다. 각 섹션마다 다음을 기록한다:

Status: 시작 전 / 진행 중 / 완료
Importance / Difficulty: ⭐ 평가
Date Started / Completed / Hours Spent: 시간 추적
My Code: GitHub 풀이 링크
Key Concepts: 태그
페이지 본문: 학습 노트, 코드 하이라이트, 막힌 부분, 회고

진행률이 한눈에 보여서 동기부여에 좋고, 나중에 회고할 때도 자료가 풍부할 것 같다. 또한 이 내용을 바탕으로 블로그에 다시 한번 정리할 예정이다.

블로그를 만든 이유

학습 흔적을 공개적으로 남기기 위해 이 블로그를 만들었다. Quarto + GitHub Pages를 사용했고, Jupyter 노트북을 그대로 글로 만들 수 있어서 ARENA 학습 정리에 적합하고 생각했다.

단순히 내용을 따라 쓰기 보다는 내 언어로 바꾸어 설명하는 과정에서 더 깊은 이해를 할 수 있을 것 같다. 또한 나중에 내가 정리한 내용을 다시 확인하기도 유용할 것 같다. 방학 동안 꾸준히 공부하고 글을 올려서 내 커리어에도 도움이 되면 좋겠다.

목표: 매주 1개 정도의 글. 완벽한 글보다 rough한 글이라도 꾸준히 올리기.

다음 글은 Chapter 0 첫 섹션 (0.0 Prerequisites) 풀이 후기가 될 예정이다.

BANG-mj's Blog