作者：왕쯔이 (王子伊)，晚点LatePost

편집丨청만치

비즈니스 로직이 기술 로직보다 더 중요하다.

2026년 9월 10일, Anthropic은 154페이지 분량의 보고서를 발표하며 7개의 중국 AI 연구소가 Claude를 대상으로 대규모 증류를 수행했음을 식별하고 차단했다고 밝혔다.

증류는 본래 일반적인 모델 훈련 방법이다. 개발자는 더 강력한 모델로 데이터를 생성하고, 이 데이터를 사용해 자체 모델을 훈련시켜 선도 모델을 모방한다. Anthropic은 승인되지 않고 대규모이며 은밀하게 모델 능력을 추출하는 행위를 "부정 증류(illicit distillation)"라고 부른다.

Anthropic은 해당 기관들이 최첨단 모델의 출력을 추출할 때 도난당한 신용카드, 로그인 자격 증명 및 API 키를 사용해 대량의 가짜 계정을 생성하는 등 명백히 규정을 위반하는 수단을 사용했다고 주장한다.

보고서는 또한 일부 중국 모델 회사들이 사용자 요청을 Claude로 전달하거나, 제3자 라우팅 서비스에서 사용자 대화를 구매하여 이 데이터로 모델을 훈련시켰다고 밝혔다. 일부 대화에는 이름, 기업 데이터 및 유효한 접근 자격 증명이 포함되어 있었다.

이번이 Anthropic이 "증류 공격"을 주장한 첫 번째 사례는 아니다. 2026년 2월, Anthropic은 DeepSeek, Moonshot AI(월지암면), MiniMax가 약 2만 4천 개의 가짜 계정을 통해 Claude와 1600만 회 이상 상호작용했다고 밝혔다. 이후 Anthropic은 방어선을 강화했다. OpenAI와 Google도 지속적으로 증류 공격을 식별하고 대응하고 있다.

이러한 조치로 증류를 막을 수 있을까?

호주 그리피스 대학의 조교수 류이(刘艺)는 회의적이다. 그는 오랫동안 인공지능과 사이버 보안을 연구해 왔으며, Quantstamp의 AI 연구 과학자로 재직한 바 있다. 그가 참여한 2023년 프롬프트 인젝션 연구는 글로벌 보안 기관 OWASP의 LLM 01 항목에 참고 문헌으로 등재되었다. 그는 또한 Anthropic의 보안 취약점 포상금을 두 차례 수상했으며, 최첨단 상용 모델의 추론 사슬(chain-of-thought) 탈취 공격을 연구한 적이 있다.

류이는 자신의 핵심 판단을 공유했다:

Anthropic을 예로 들면, 미국의 최첨단 모델 회사들은 현재 주로 세 가지 증류 방어선을 구축하고 있다:

(1) 적대적 데이터 추출을 탐지하는 전용 분류기를 사용하여 모델이 내부적으로 의심스러운 요청을 거부하도록 함;

(2) 아키텍처 설계에서 추론 사슬을 숨기거나 압축한 후 출력;

(3) 외부 탐지기를 사용하여 데이터 추출을 식별한 후 요청을 중단하거나 계정을 차단.

역증류(anti-distillation)는 허구적 명제다. 이론적으로 증류를 근절하기는 매우 어렵다. 미국 최첨단 모델 회사들의 더 현실적인 목표는 데이터 수집 비용을 높여 경쟁사를 늦추고 선도 시간을 연장하는 것이다.

미국 최첨단 모델 회사들에게 역증류가 보호하는 것은 모델 능력만이 아니다. 그들이 수호해야 할 것은 기술적 우위 위에 세워진 상업적 가치이기도 하다.

류이는 미국 최첨단 모델 회사들의 역증류 활동을 이해하는 데 있어 비즈니스 로직이 기술 로직보다 더 중요하다고 생각한다.

Anthropic은 증류로 의심되는 행위를 식별할 수 있지만, 증류를 확정하기는 매우 어렵다

晚点LatePost: Anthropic이 9월 10일 보고서를 발표하며 7개의 중국 AI 연구소를 부정 증류 혐의로 고발했습니다. 여기서 말하는 "증류 공격"은 구체적으로 무엇을 의미하나요?

류이: 현재 주류 대규모 언어 모델(LLM)은 세 부분으로 구성됩니다: 사용자 입력, 중간 추론의 추론 사슬(chain of thought), 모델 출력. 현재 Anthropic, OpenAI는 중간의 추론 사슬을 숨기고 최종 답변만 제공합니다. 복잡한 추론 작업의 경우, 추론 사슬을 빼내는 것이 하나의 증류 공격 방식입니다.

晚点LatePost: 추론 궤적과 Agent 전체 궤적 등의 데이터가 왜 모델 능력 향상에 그렇게 중요한가요?

류이: 추론 사슬을 더 강력한 모델이 이미 만들어낸 문제 풀이 답안이라고 생각하면 됩니다. 이는 모델 훈련에 사용될 수 있는 고품질 데이터입니다.

대규모 모델의 성능은 매개변수 수(N), 데이터 양(D), 계산량(C) 세 가지에 의해 결정됩니다. 매개변수 수는 각 회사가 비교적 빠르게 증가시키고 있습니다. 시간과 연산 능력이 제한된 상황에서 회사가 더 빠르게 모델 능력을 향상시키려면 더 많은 고품질 데이터가 필요합니다.

하지만 복잡하고 장기적인 작업을 위한 고품질 데이터를 구성하는 것은 매우 어렵습니다. 실제 세계에서 가치 있는 훈련 데이터는 점점 줄어들고 있습니다. 따라서 일부 대규모 모델 회사들은 다양한 방식으로 더 고급 모델을 증류합니다.

晚点LatePost: 추론 사슬과 더 많은 작업 궤적을 어떻게 빼낼 수 있나요?

류이: 여기에는 다양한 기술 조합이 사용됩니다. 예를 들어 인코딩(encoding), 제일브레이킹(jailbreaking), 프롬프트 인젝션(prompt injection)을 통해, 그리고 다양한 최면(hypnosis)을 통해 지속적으로 AI에 페르소나를 부여하여 자신이 연구원이며 어렵지만 의미 있는 일을 하고 있다고 믿게 만들어 작업 해결에 집중하도록 하는 것입니다. 저는 국내(중국) 사람들과 많은 교류를 하지는 않지만, 해외에서 AI를 하는 사람들이 이런 방식으로 추론 사슬을 복원하고 있다는 것을 알고 있습니다. 기본적으로 논문(paper)을 보면 사람들의 접근 방식을 알 수 있습니다.

원시적인 추론 사슬을 직접 가져오는 것 외에도, 입력과 출력을 기반으로 중간의 추론 사슬을 합성해 볼 수도 있습니다. 일부 데이터 회사는 장기 작업을 위한 추론 사슬을 전문적으로 판매하며, 개당 800-1000위안이라고 합니다.

晚点LatePost: Anthropic, OpenAI, Google 중에서 누가 가장 많이 증류되었나요?

류이: 현재 공개된 보도에 따르면 Anthropic일 것입니다. 하지만 확실히 말하기는 어렵습니다. 제가 DeepSeek, GLM, Kimi, Anthropic, OpenAI 각사의 추론 사슬 실제 텍스트를 살펴봤을 때, 언어 스타일은 사실 큰 차이가 없었습니다. 누가 누구를 증류했는지 확실하지 않습니다. 처음에는 그들(중국 회사들)이 DeepSeek을 증류했을 수도 있습니다.

晚点LatePost: 기술적으로 일반적으로 증류 공격을 어떻게 식별하나요? "이 요청들은 증류처럼 보인다"에서 "이것이 특정 기관의 증류다"라는 결론에 이르기까지 어떤 증거 사슬이 필요한가요?

류이: Anthropic은 주로 호출 행동을 기준으로 판단합니다. 예를 들어, 특정 계정에서 갑자기 대량의 요청이 발생하여 특정 고정 데이터셋을 집중적으로 추출하는 경우입니다.

Anthropic은 먼저 이상 계정을 식별한 다음, 여러 계정에서 공유되는 패턴(예: 동일한 시스템 프롬프트)을 찾습니다. 각 회사가 사용하는 Agent 아키텍처(harness)가 다르고 시스템 프롬프트도 다르기 때문에 이를 통해 배후 회사를 식별할 수 있습니다. 예를 들어 프리픽스 캐싱(prefix caching)을 활용하여 Anthropic은 어떤 프롬프트 그룹이 동일한 캐시를 공유하는지, 그리고 현재 알려진 시스템 프롬프트와 일치하지 않는지 발견할 수 있으며, 이를 통해 증류자를 쉽게 식별할 수 있습니다.

晚点LatePost: 이상 계정을 식별한 후, Anthropic은 자신의 데이터가 특정 모델에 훈련에 사용되었는지 더 확실하게 증명할 수 있나요?

류이: 100% 확정하기는 매우 어렵습니다. 특정 회사가 Claude를 증류하려 시도했다고 주장할 수는 있지만, 특정 데이터가 실제로 상대방의 모델에 들어갔다는 것을 증명하기는 어렵습니다.

GLM, Kimi, DeepSeek은 모두 오픈소스 모델이지만, 가중치(weight)만 공개했을 뿐 데이터셋은 공개하지 않습니다. 그리고 모델 가중치로부터 증류를 확정하기는 매우 어렵습니다. 그렇지 않았다면 Anthropic이 보고서에서 그렇게 모호하게 표현하지 않고, 단지 중계소(中转站)의 운영에 초점을 맞추지 않았을 것입니다. 본질적으로는 화이트박스(white-box) 방식으로 분석할 수 없기 때문입니다.

또 다른 예로, 대규모 모델에게 《해리 포터》 첫 번째 책의 처음 100개 단어를 물어보면, 높은 확률로 대답할 것입니다. 하지만 이것이 모델이 원작을 직접 훈련했다는 것을 의미하지는 않습니다. 원문을 인용한 블로그나 서평에서 나온 것일 수도 있습니다.

晚点LatePost: 즉, "증류 공격"은 완전히 입증되기도 어렵고, 반증되기도 어렵다는 말씀이군요.

류이: Anthropic은 플랫폼 측의 호출 기록, 계정 연관성 및 인프라 정보를 통해 비교적 강력한 귀속 증거를 형성할 수 있습니다. 하지만 이것은 최종 모델 자체에서 특정 Claude 데이터 배치가 실제로 훈련에 사용되었음을 증명하는 것과는 다른 문제입니다. 후자는 기술적으로 훨씬 더 어렵습니다.

역증류는 상대방의 수집 비용을 높이지만, 일반 사용자에게 "의도치 않은 피해"를 줄 수도 있다

晚点LatePost: 현재 미국 최첨단 AI 회사들은 증류 공격에 대응하기 위해 어떤 구체적인 기술적 방법을 사용하고 있나요?

류이: 세 가지 유형으로 나눌 수 있다고 생각합니다.

첫째, 내장 탐지(embedded detection). Anthropic은 아마도 추론 사슬 추출을 위한 전용 분류기(classifier)를 보유하고 있을 것입니다. 추론 사슬 관련 상태가 활성화되는 것을 감지하면 추출 행위를 제지할 수 있습니다.

둘째, 제품 아키텍처 상에서 숨기는 것. 모델이 더 이상 원시적인 추론 사슬을 출력하지 않고, 먼저 압축하고 요약한 후에 출력합니다.

셋째, 외부 탐지(外挂检测). 예를 들어 출력 내용이 자체 추론 사슬과 중복(overlap)되는지 확인하고, 특정 유출 임계값에 도달하면 출력을 중지합니다. 이런 행동이 많아지면 계정이 차단됩니다.

晚点LatePost: Anthropic의 보고서에는 이러한 세부 사항이 포함되어 있지 않았습니다. 어떻게 알게 되셨나요?

류이: 이것은 제 나름의 추측입니다. 비교적 일반적인 작업 방식이기 때문입니다. 왜 Anthropic이 자체 보안 방어 조치를 테스트하기 위해 버그 바운티 프로그램을 운영할까요? 사람들이 자신의 프롬프트를 jailbreak하는 것을 발견하면 돈을 주고 사려는 것입니다. 어떤 것이 뚫렸다는 것을 발견하면 즉시 자체 분류기에 훈련시켜 넣기 때문에 다음 공격은 점점 더 어려워집니다.

晚点LatePost: Anthropic의 보안 취약점 포상금을 두 차례 수상하셨는데, 당시 어떤 과정이었나요?

류이: 저는 당시 약 2~3주 동안 주로 Anthropic이 승인한 버그 바운티 프로그램 범위 내에서 보안 분류기를 대상으로 적대적 테스트(Adversarial Testing)를 진행하며 기존 방어를 우회할 수 있는 입력값을 찾으려고 했습니다. 공격 성공 여부는 0 또는 1, 즉 성공과 실패뿐이며 0.5 상태는 없기 때문입니다. 당시 과제 목표는 Anthropic이 지정한 문제를 획득하는 것이었으며, 추론 사슬(Chain of Thought)을 직접 복원하는 것은 포함되지 않았습니다. 하지만 일부 논리는 유사했습니다.

晚点LatePost ：증류 공격을 방어하는 작업이 정상 구독 사용자에게 피해를 줄 수 있나요?

류이：정상 구독 사용자는 괜찮을 것입니다. 리스크 관리에 걸리는 주로 비정상 사용자, 예를 들어 중계소 계정이나 Claude를 공격하려는 계정입니다.

Anthropic의 보고서에 따르면, 후난성의 한 대학 학부생 2명이 직접 네트워크 보안 Agent를 설계하여 다양한 웹사이트를 공격한 사례도 적발되었습니다.

이론적으로, 사용자가 Anthropic과 상호작용하는 모든 정보는 Anthropic이 조회하려면 조회할 수 있습니다.

晚点LatePost ：그렇다면 Anthropic이 사용자가 자신들에게 위협이 될 수 있다고 판단할 때, 사용자 데이터를 가져와서 볼 수 있나요?

류이：이는 각 모델 회사의 사용자 약관을 구체적으로 살펴봐야 합니다. 제가 알기로, Anthropic, OpenAI, Google은 특정 Zero Data Retention(ZDR, 제로 데이터 보존) 메커니즘을 제공하여, 작업 처리가 완료된 후 사용자가 입력한 프롬프트와 AI가 생성한 응답을 즉시 폐기하고, 저장하거나 보존하지 않으며 모델 훈련에도 사용하지 않겠다고 약속합니다. 이 기능은 주로 자격을 갖춘 API 또는 기업 고객을 대상으로 하며, 일반적으로 신청이나 추가 설정이 필요합니다. 일반 사용자가 Claude, ChatGPT, Gemini를 사용할 때의 데이터 보존 정책은 각각의 사용자 계약에 따라 실행되며, 엄격한 ZDR과 동일하지 않습니다.

예를 들어, 모델 회사가 사용자의 데이터를 약간 수정하여 훈련에 사용하는 것이, 사용자의 데이터를 사용하는 것이라고 볼 수 있나요?

晚点LatePost ：즉, 최첨단 모델이 한편으로는 사용자에게 요금을 받고 사용하게 하면서, 다른 한편으로는 사용자 데이터를 사용하여 계속 스케일 업(scale up)할 수 있다는 말인가요?

류이：맞습니다. 예를 들어, 사용자가 Claude Code나 Codex에서 모델의 답변을 수정하면, 이러한 피드백은 매우 가치 있는 보상 신호가 되어 후속 훈련(post-training)을 개선할 수 있습니다.

증류도 같은 논리입니다. 현재 모델의 후속 훈련(post-training)은 주로 강화 학습에 의존하며, 핵심은 보상 신호입니다. 모델 회사가 더 강력한 성능의 모델의 추론 사슬(Chain of Thought)을 확보하는 것은 '큰 결과'를 얻는 것과 같아, 고품질의 문제 해결 경로를 직접 획득하는 것입니다. 이는 맹목적인 탐색을 줄이고 모델이 더 빠르게 좋은 상태로 수렴하도록 하여 시간과 연산력을 절약할 수 있습니다.

晚点LatePost ：미국 최첨단 모델 회사들이 증류 공격을 방어하는 성공 기준은 무엇인가요?

류이：첫째, 다른 모델 회사가 지름길로 훈련하는 것을 막아 자사 모델의 선도적 우위를 유지하는 것입니다. 둘째, 다른 모델 회사의 증류 비용과 데이터 수집 비용을 높이는 것입니다. 동시에 사용자의 정상적인 사용에 최대한 영향을 주지 않아야 합니다.

晚点LatePost ：막을 수 있을까요?

류이：저는 막기 어렵다고 생각합니다. 모델이 사용자에게 사용되기만 하면 유출 위험이 있습니다.

하지만 최근 OpenAI가 9월 10일에 공식적으로 Agents API 공개 베타 버전을 출시했습니다. 이전 Responses API처럼 사용자가 입력을 주면 대형 모델이 출력을 주고 중간에 추론 사슬을 추가하는 방식과 달리, Agents API의 논리는 사용자가 작업을 주면 직접 작업 결과를 얻는 것입니다. 중간의 추론 사슬, Agents harness 과정은 모두 숨겨져 있어, 사실상 전체 실행 환경을 판매하는 것과 같습니다. 사용자는 더 이상 매우 세부적인 사항을 신경 쓸 필요가 없으며, 전체적인 작업 실행은 점점 더 추상화됩니다. 이러한 시나리오에서는 증류 공격을 시도할 때 비용이 더 높아질 수 있습니다.

역증류의 진짜 동기: 여론 선점, 가치 평가 보호

晚点LatePost ：증류가 모델 성능을 향상시키는 최적의 해결책이라고 생각하시나요? 후발 주자의 복제 속도가 선도적 혁신 속도를 따라잡을 수 없는 것 아닌가요?

류이：저는 이전에 2024년에는 단기적으로 모델 구조 자체의 혁신이 해자(moat)라고 생각했습니다. 다음으로 해자는 연산력으로 확장될 수 있습니다. 그 다음으로 해자는 인프라스트럭처(infrastructure)와 에너지가 될 것입니다. 제가 관찰하기로는 대략 이 추세대로 발전하고 있습니다.

晚点LatePost ：증류는 이 해자 추론에서 어느 부분에 속한다고 볼 수 있나요?

류이：연산력에 속한다고 생각합니다. 이론적으로 여러 번 시도해보면 알아낼 수 있지만, 시간이 허락하지 않을 수 있습니다.

晚点LatePost ：역증류가 최종적으로 보호하는 것은 무엇인가요?

류이：역증류는 허구적 명제(pseudo-proposition)입니다. 이론적으로 증류는 방어가 불가능합니다. 인간의 본성상, 증류의 효율이 직접 데이터를 구성하여 모델을 훈련하는 효율보다 높다면, 반드시 먼저 증류를 시도할 것이기 때문입니다.

晚点LatePost ：미국 최첨단 AI 기업의 역증류는 실패할 수밖에 없는 전쟁이라고 생각하시나요?

류이：네. 제 생각이 그렇습니다.

晚点LatePost ：기술적으로 실패가 확실하다면, 미국 최첨단 AI 기업들은 왜 그렇게 집착하나요?

류이：기술적 우위를 유지하기 위해서입니다. 최근 OpenAI는 약 1만 개의 AI 에이전트를 사용하여 88시간 만에 7대 '밀레니엄 난제' 중 하나의 수학 증명을 완료했다고 밝혔습니다. 예를 들어, DeepSeek가 올해 말에 밀레니엄 7대 수학 난제를 모두 해결했다고 발표하고, 기술 보고서에 'OpenAI 비용의 1/10만 사용하여 작업을 완료했습니다'라고 썼다고 가정해 봅시다. 미국 투자자들은 왜 당신은 그렇게 많은 돈이 필요하면서도 다른 회사보다 못하는지 질문할 수 있습니다. OpenAI의 가치 평가는 하락할 수 있습니다.

따라서 OpenAI 등 미국 최첨단 모델 기업의 역증류 행위의 본질은 여전히 비즈니스 논리이며, 단지 기술 발전 논리만은 아닙니다:

Anthropic은 첫째, 데이터를 수집하여 자체 데이터 플라이휠(flywheel)을 구축하고, 둘째, 자사의 ARR(연간 반복 매출)을 더 좋게 만들어 IPO를 준비해야 합니다.

OpenAI의 논리도 비슷합니다. OpenAI가 계속해서 재설정 카드를 나눠주는 이유는 무엇일까요? 누를 때마다 돈을 주는 것과 같은데, 바로 데이터를 수집하고 재무제표를 더 좋게 보이게 하기 위해서입니다.

晚点LatePost ：9월 12일, Anthropic 창업자 다리오 아모데이(Dario Amodei)가 업계 전체에 최첨단 AI 모델의 반복 속도를 늦출 것을 촉구하는 글을 발표했습니다. 어떻게 생각하시나요?

류이：저는 그들이 어떤 병목 현상을 목격했을 것이라고 생각합니다. 병목 현상에는 세 가지 요인이 있을 수 있습니다. 첫째는 데이터, 둘째는 연산력, 셋째는 인프라/에너지입니다. 하지만 구체적으로 어떤 병목인지는 현재 말하기 어렵고, 세 가지 요인이 모두 작용했을 수도 있습니다.

자본은 모두 이익을 추구합니다. 이론적으로, 만약 내가 AGI를 만들 수 있다면 전 세계를 수확할 수 있기 때문에, 개발을 멈출 이유가 없습니다. 그냥 '돌진 돌진 돌진'해서 AGI를 실현하면 됩니다. 그들은 아마도 병목 현상을 겪었기 때문에, AI 안전이라는 명목 하에 나와서 'AI가 너무 위험하니, 먼저 앉아서 AI 발전을 제한하는 방법을 논의하자'고 촉구하는 것입니다.

晚点LatePost ：최첨단 모델 기업이 역증류를 하는 근본적인 이유는 무엇이라고 생각하시나요?

류이：경쟁사의 증류 비용을 높이고 자사의 선도적 우위를 유지하기 위해서입니다. 그들은 아마도 중국의 모델이 곧 따라잡을 것이라고 판단했지만, 선도적 우위를 유지할 더 좋은 방법을 찾지 못해 규제를 강화하고 먼저 여론의 고지를 선점하는 수밖에 없다고 생각했을 수 있습니다.

업계의 상식적인 합의 측면에서 볼 때, 증류는 큰 보안 문제이며, 지적 재산권 도용에 해당합니다. 그러나 실용성 측면에서 보면, 이는 본질적으로 AI 평등권(AI 平权)입니다. 증류는 시장을 빠르게 균형 잡는 한 가지 방법입니다. 많은 경쟁자가 있기 때문에, 특정 모델 회사가 독점하여 가격을 마음대로 책정할 수 없는 것입니다.

晚点LatePost ：증류의 긍정적인 가치 측면을 언급하셨는데, 다른 한편으로 증류가 업계 전체나 일반 사용자에게 어떤 잠재적 피해를 줄 수 있나요?

류이：업계 측면에서는 모든 회사의 출력 스타일이 동질화되고, 모델이 교사 모델의 몇 가지 실패 패턴을 물려받게 됩니다. 사용자 측면에서는 개인정보 유출 위험이 있습니다.

晚点LatePost ：전반적으로 증류 공격과 방어를 포함한 AI 안전 분야가 어떤 상태에 있으며, 어떤 도전에 직면해 있다고 생각하시나요?

류이：저는 AI 안전과 비즈니스 인센티브 사이의 구조적 긴장 관계에 더 주목합니다.

모델 회사들은 실제로 안전에 많은 자원을 투자하고 있지만, 특정 시나리오에서는 더 엄격한 안전 조치가 모델 성능에 영향을 미치거나, 제품 출시를 지연시키거나, 사용자 경험을 저하시킬 수 있기 때문에, 안전 목표와 경쟁 목표가 항상 완전히 일치하는 것은 아닙니다. 따라서 중요한 거버넌스 문제는 안전 투자와 회사의 비즈니스 인센티브를 어떻게 일치시키는가입니다. 적어도 단기적으로는 안전 문제를 해결하면서 모델 성능을 희생하지 않는 우아한 해결책을 찾기는 매우 어렵습니다.

晚点LatePost ：증류 공격이 앞으로 어떻게 발전할 것이라고 생각하시나요?

류이：공격과 방어는 계속되어 동적 균형에 도달할 것입니다. 몇 가지 흐름이 있을 수 있습니다. 첫째, 추론 사슬 없이 직접 증류를 시작하여 최첨단 모델을 증류하면 어떤 결과가 나오는지 탐구하는 것입니다. 둘째, 추론 사슬이 필요한 경우 원본 추론 사슬을 획득하는 것입니다. 셋째, 스스로 추론 사슬을 합성하는 것입니다.

晚点LatePost ：개인정보 데이터 유출을 피하기 위해 일반 사용자에게 어떤 조언을 하시겠습니까?

류이：중계소를 사용하지 마세요. 특정 모델을 사용할 때, 자신의 데이터를 훈련에 사용하는 것을 허용할지 선택할 수 있는 옵션이 있다면, 허용하지 않음을 선택하세요. 그 외에는 사용자가 할 수 있는 일이 많지 않습니다. 결국 '남의 손에 놀아나는 신세(人为刀俎，我为鱼肉)'이니까요.