일리노이 대학교 어바나-샴페인 캠퍼스 그랜저 공과대학의 새로운 연구에 따르면 뇌의 초기 감각 피질은 정보를 '수동적으로 수신'하는 역할만 담당하는 것이 아니라 의사결정 과정에서 예상치 못한 적극적인 역할을 한다는 사실이 밝혀졌습니다. 이 발견은 뇌의 계층적, 단계별 처리에 대한 오랜 주류의 고전적 모델에 도전합니다. 연구팀은 이러한 보다 역동적인 양방향 대화형 신경 조직 방식이 향후 저에너지 소비, 고효율 인공지능 아키텍처에 새로운 영감을 제공할 것으로 기대하고 있다.

전통적인 견해는 뇌의 의사결정 과정이 일반적으로 단방향 '상향식' 계층적 경로를 따른다는 것입니다. 정보는 시각, 청각 또는 체성감각과 같은 초기 감각 영역에서 유입되어 점차 상위 수준의 연합 피질과 전두엽 피질로 전달되며, 최종적으로 이러한 '고차 센터'에서 통합과 의사 결정이 완료됩니다. 컨볼루셔널 신경망과 같은 대부분의 인공 지능 시스템은 유사한 계층 구조를 채택하고 지능을 정보가 고정된 방향을 따라 계층별로 처리되고 최상위 수준에서 "결정을 출력"한 결과로 간주된다는 이러한 이해를 바탕으로 합니다. 그러나 자연 지능에 대한 이해가 깊어짐에 따라 점점 더 많은 학자들이 지나치게 단순화된 "조립 라인" 모델에 의문을 제기하기 시작했습니다.

이번 연구는 일리노이대학교 전기컴퓨터공학과 유리 블라소프(Yurii Vlasov) 교수가 주도했으며, 해당 논문은 미국국립과학원회보(PNAS)에 게재됐다. 연구팀은 뇌를 시스템 수준에서 재조사하기로 결정했습니다. 이를 진화에 의해 형성되는 '자연 지능' 시스템으로 보고 단방향 직렬 처리 체인이 아닌 피드백 루프와 서로 다른 뇌 영역 간의 양방향 정보 흐름을 강조했습니다. 이 프레임워크에서 의사 결정은 고차 영역에서 "단방향으로 발행되는" 명령이 아니라 여러 뇌 영역 간의 지속적인 상호 작용과 공동 출현의 결과로 간주됩니다.

자연 지능의 특징은 높은 효율성과 에너지 절약입니다. 복잡한 인식, 인지 및 의사 결정 작업을 완료할 때 인간 두뇌의 에너지 소비는 오늘날 대부분의 인공 지능 시스템보다 훨씬 낮습니다. 이러한 효율성의 근원을 이해하기 위해 연구팀은 특정 기능 모듈에 국한되지 않고 전체 아키텍처에서 시작하여 다양한 영역 간의 협업을 조사합니다. Vlasov는 뇌가 아키텍처 수준에서 의사 결정 계산을 구성하는 방식을 이해하면 엔지니어링 커뮤니티가 보다 효과적이고 에너지를 절약하며 "더 스마트한" 차세대 인공 지능 시스템을 설계하는 데 도움이 될 것으로 기대한다고 말했습니다.

특정 실험 설계 측면에서 연구자들은 뇌의 초기 처리 단계, 즉 감각과 지각을 담당하는 영역에 중점을 두었습니다. 그들은 쥐를 대상으로 실험을 수행하여 동물이 가상 현실 복도에서 움직일 수 있도록 하고 촉수를 통해 환경을 감지하고 왼쪽 또는 오른쪽으로 회전하는 것에 대한 지각적 결정을 내렸습니다. 이 과정에서 연구진은 일차 체성감각 피질(S1)의 반응 패턴에 특히 주의하면서 생쥐 뇌의 넓은 영역에서 뉴런의 활동을 기록했습니다.

결과는 예상치 못한 것이었습니다. 의사 결정과 관련된 신호는 전통적으로 "기본 감각만 처리"하는 것으로 간주되어 왔던 일차 체성 감각 피질에서 명확하게 포착되었습니다. 이는 의사 결정 과정이 고차 피질의 "후방"에서만 시작되는 것이 아니라, 뇌의 최전선에 있는 감각 처리 단계에서 명백한 의사 결정 표현이 이미 명백하다는 것을 보여줍니다. 즉, 초기 감각 영역은 단순히 "원시 데이터"를 패키징하고 업로드하는 것이 아니라 매우 초기 시점에 행동 선택을 인코딩하는 데 관여합니다.

추가 분석에 따르면 일차 체성감각 피질의 활동은 단독으로 발생하지 않고 뇌의 고차원 영역에서 나오는 피드백에 의해 크게 조절되는 것으로 나타났습니다. 이 하향식 피드백 신호는 상향식 감각 입력과 함께 S1의 신경 활동 패턴을 형성합니다. 뇌는 '인식에서 의사결정까지' 단일 경로를 따라 선형적으로 진행되는 것이 아니라 여러 수준 간의 피드백 루프를 통해 지속적으로 정보를 교환하여 외부 정보의 해석과 행동 선택을 완료하는 것을 볼 수 있습니다.

Vlasov는 뇌의 "신경 코딩"이 여전히 해독되지 않은 언어와 같지만 시스템 수준에서 이러한 피드백 루프와 동적 상호 작용을 이해하면 이미 인공 신경망 설계에 귀중한 영감을 제공할 수 있다고 지적했습니다. 현재의 인공지능은 의사결정 수준에서 여전히 명백한 단점을 갖고 있습니다. 그러나 자연 지능은 동일하거나 훨씬 더 복잡한 작업에서 현대 하드웨어 시스템보다 훨씬 낮은 에너지 소비로 계산을 완료할 수 있습니다. 이 뒤에 숨은 건축 경험은 엔지니어링 커뮤니티가 "자연으로부터 배우는" 가치가 있습니다.

이 연구는 “더 나은 AI”를 구축하기 위한 엔지니어링 청사진을 직접적으로 제공하기에는 충분하지 않지만, 연구팀은 인공지능을 다시 생각할 수 있는 관점을 제공한다고 믿습니다. 연구자들은 뇌가 정보를 조직하고 처리하는 방식을 체계적으로 연구함으로써 아키텍처, 에너지 효율성 및 의사 결정 메커니즘 측면에서 인공 지능의 개선을 안내하는 일련의 전달 가능한 원칙을 요약할 것으로 예상됩니다. 미래의 AI 시스템은 엄격한 계층화 및 일방적 통신 프레임워크에서 벗어나 생물학적 두뇌와 유사한 보다 역동적인 피드백과 병렬 상호 작용 구조를 도입해야 할 수도 있습니다.

다음으로, Vlasov 팀은 신경 활동의 빠른 시간 역학 연구에 중점을 두고 시간 차원에서 뇌 활동의 변화를 계속 추적할 계획입니다. 그들은 보다 정밀하게 신경 신호를 측정하고 분석하는 새로운 도구를 개발하고 있으며, 피드백 루프가 더 높은 시간적 해상도를 갖춘 데이터의 의사 결정에 어떻게 관여하는지 밝히려고 노력하고 있습니다. 그의 견해에 따르면 이러한 피드백 루프가 시간에 따라 어떻게 활성화되고 서로 다른 처리 수준 간에 어떻게 형성되고 재구성되는지를 관찰해야만 자연 지능의 작동을 진정으로 이해하고 이를 차세대 인공 지능 아키텍처의 설계 기반으로 변환할 수 있습니다.