지능의 모듈식 구조: 뇌가 기술을 레고 블록처럼 재사용·조립하는 원리와 AI 연구 함의

핵심 메시지

• 뇌는 새로운 과제를 만날 때마다 회로를 처음부터 만들지 않고, 이미 학습한 '모듈'을 레고처럼 조립해 빠르게 대응한다(구성성, compositionality).
• 프린스턴 팀 부시먼(Tim Buschman) 연구실은 원숭이의 전전두엽 뉴런 수백 개를 기록해, 색을 판별하는 '색 부분공간'과 눈 움직임을 만드는 '운동 부분공간'이 서로 다른 과제에서 물리적으로 재사용됨을 확인했다.
• 한 과제에서 학습한 색 판별기(디코더)가 다른 과제의 뇌 활동에서도 거의 그대로 작동해, 모듈이 실제로 공유된다는 증거가 됐다.
• 뇌는 '철도 전환기'처럼 같은 정보를 맥락에 따라 다른 출력 경로로 보내며, '과제 믿음' 신호가 관련 정보를 증폭하고 불필요한 정보를 억눌러 입력을 선택한다.
• 이 구성성 원리는 인간이 새 환경에 빠르게 적응하는 이유를 설명하며, 재사용·조합으로 일반화하는 기계학습 연구와도 맞닿아 있다.

쉽게 이해하기

신경과학의 오랜 질문 하나는 '생물의 뇌는 어떻게 새로운 것을 이렇게 빨리 배우고 낯선 상황에 일반화할까'이다. 영상은 그 답의 실마리로 '구성성(compositionality)' 이론을 소개한다. 자전거로 균형 잡는 법(균형 모듈)과 자동차로 익힌 교통 규칙(규칙 모듈)을 이미 갖고 있다면, 오토바이라는 새 과제도 두 모듈을 딸깍 붙이는 것만으로 금세 해낼 수 있다는 것이다. 뇌가 기술을 레고 블록처럼 다룬다는 발상이다.

이 발상을 뉴런 수준에서 검증하기 위해, 프린스턴 팀 부시먼 연구실은 최근 네이처에 실린 논문에서 원숭이 실험을 진행했다. 원숭이는 토끼~T자 사이의 모양과 빨강~초록 사이의 색이 섞인 이미지를 보고, 과제에 따라 모양 또는 색을 기준으로 정해진 방향으로 시선을 옮겨야 했다. 세 과제(S1·C2·C1) 중 C1은 'C2의 색 규칙'과 'S1의 운동 축'을 합친 조합 과제로 설계됐다.

연구진은 전전두엽에 전극을 심어 수백 개 뉴런의 활동을 동시에 기록했다. 뉴런 하나하나가 아니라 집단 전체를 고차원 공간의 한 점으로 보는 '집단 부호화' 방식을 써서, 빨강과 초록을 가장 잘 가르는 방향('색 부분공간')을 찾고 그 경계로 분류기를 만들었다. 그 결과 색 과제에서는 색 정보가 뚜렷이 디코딩됐지만, 모양 과제에서는 색 정보가 능동적으로 버려져 디코딩되지 않았다.

핵심 검증은 '한 과제에서 학습한 분류기를 다른 과제에 그대로 적용'하는 것이었다. C2에서 학습한 색 분류기가 C1의 뇌 활동도 거의 완벽하게 갈랐고, 운동 방향 분류기도 S1과 C1 사이에서 잘 일반화됐다. 즉 색 모듈과 운동 모듈이 물리적으로 재사용되고 있었다.

다만 부품만으로는 부족하다. 뇌는 맥락에 따라 모듈을 동적으로 연결한다. 같은 '빨강' 신호가 C1에서는 축1, C2에서는 축2 운동 방향으로 흘러가는 모습이 '철도 전환기'처럼 관찰됐다. 나아가 원숭이가 어떤 규칙인지 모를 때 추정하는 '과제 믿음' 신호는 입력의 '게인 손잡이'처럼 작동해, 관련 부분공간은 늘리고 무관한 부분공간은 납작하게 눌렀다.

주요 인사이트

• 지능의 유연성은 두 축으로 요약된다: (1) 색·모양·운동 같은 특징마다 재사용 가능한 직교 모듈을 만들고, (2) '과제 믿음' 신호로 입력의 게인을 조절해 출력 스위치를 설정한다.
• '재사용'은 은유가 아니라 측정된 사실이다 — 서로 다른 과제에서 학습한 디코더를 맞바꿔도 작동한다는 교차 디코딩 결과가 그 근거다.
• 무관한 정보는 전전두엽에 도달할 즈음 이미 억제·폐기되어, 필요한 신호만 라우팅 스위치로 들어간다.
• 인간이 새 환경에 빠르게 적응하는 이유는 매번 새 신경 하드웨어를 만들기 때문이 아니라, 기존 블록을 새 배열로 연결하기 때문이다.
• 이런 모듈화·구성성 관점은 처음부터 다시 배우지 않고 재사용·조합으로 일반화하는 기계학습 설계와도 통한다.

자주 묻는 질문

관련 AI 소식