AI, 방대한 학습 데이터 없이도 뇌처럼 작동할 수 있다

섹션별 상세

존스 홉킨스 대학 연구팀은 AI 시스템의 구조적 설계가 데이터 처리량만큼 중요하다는 연구 결과를 발표했다. 기존의 '데이터 집약적' 접근 방식 대신 뇌의 생물학적 구조를 모방한 아키텍처가 AI의 성능과 효율성을 결정짓는 핵심 요소임을 강조한다.

연구진은 Transformer, 완전 연결 신경망, 합성곱 신경망(CNN) 등 주요 AI 아키텍처를 대상으로 학습 전 상태에서의 뇌 유사성을 테스트했다. 아무런 데이터 학습을 거치지 않은 수십 개의 모델에 사물, 사람, 동물의 이미지를 보여주고 그 내부 활동을 실제 인간 및 영장류의 뇌 반응과 비교 분석했다.

실험 결과 Transformer나 완전 연결 신경망은 뉴런 수를 늘려도 뇌와의 유사성이 크게 변하지 않았으나, CNN 기반 모델은 구조적 조정을 통해 학습 없이도 인간의 뇌 활동 패턴과 매우 유사한 결과를 도출했다. 이는 특정 아키텍처가 이미 뇌와 유사한 유리한 시작점을 가지고 있음을 의미한다.

이 연구는 수백만 장의 이미지를 학습해야 하는 기존 방식과 달리, 올바른 설계도(Blueprint)만으로도 뇌와 유사한 지능적 행동을 유도할 수 있음을 시사한다. 이를 통해 AI 학습 속도를 획기적으로 높이고, 데이터 센터 구축에 드는 천문학적인 비용과 에너지 소모를 줄일 수 있는 새로운 딥러닝 프레임워크의 토대를 마련했다.

용어 해설

합성곱 신경망(Convolutional Neural Network): — 이미지 처리에 특화된 신경망 구조로, 뇌의 시각 피질이 정보를 처리하는 방식을 모방하여 데이터의 공간적 특징을 효과적으로 추출한다. 이 아키텍처는 이미지 내의 패턴과 형태를 인식하는 데 탁월한 성능을 보인다.
트랜스포머(Transformer): — 데이터 요소 간의 관계를 '어텐션(Attention)' 메커니즘을 통해 파악하는 신경망 아키텍처다. 주로 자연어 처리에 사용되지만 최근 시각 지능 분야에서도 널리 쓰이며, 대규모 데이터 학습에 최적화되어 있다.
완전 연결 신경망(Fully Connected Network): — 한 계층의 모든 뉴런이 다음 계층의 모든 뉴런과 연결된 가장 기본적인 형태의 인공 신경망 구조다. 데이터의 모든 특성을 고려하지만, 이미지처럼 공간적 구조가 중요한 데이터에서는 효율성이 떨어지는 특성이 있다.
피질 정렬(Cortex-aligned): — 인공지능 모델의 내부 활동 패턴이 생물학적 뇌의 대뇌 피질 활동과 얼마나 유사한지를 나타내는 척도다. 모델이 인간의 뇌와 유사한 방식으로 정보를 처리하고 반응하는지를 평가하는 기준이 된다.

기술

CNN
Transformer
Deep Learning Frameworks

활용 사례

데이터 효율적 시각 지능 모델 개발
저전력/저비용 AI 시스템 설계
생물학적 기반의 새로운 학습 알고리즘 연구

언급된 리소스

논문Convolutional architectures are cortex-aligned de novo