Naturalistic Computational Cognitive Science: Towards generalizable models and theories that capture the full range of natural behavior

기술적 요약: 자연주의적 계산 인지과학

문제 제기
인지과학은 자연 상황과 행동의 전체 범위에 걸쳐 적용 가능한 일반화 이론을 구축하는 데 지속적인 도전에 직면해 있습니다. 전통적인 접근법들은 일반화 가능한 모델 (예: 연결주의, 베이지안 추론, 인지 아키텍처) 을 추구해 왔지만, 현재 이론들이 충분히 제약받았는지 혹은 단순화된 실험 패러다임을 넘어 일반화할 수 있는지에 대해 상당한 논쟁이 존재합니다. 저자들은 단순화된 자극과 과제에 대한 의존성이 자연 지능이 참여하는 계산 메커니즘을 포착하지 못하는 이론으로 이어질 수 있다고 주장합니다. 더 나아가, 이 분야는 광범위한 자연주의적 조건에 걸쳐 모델을 체계적으로 테스트할 인프라가 부족하여 통합을 거부하는 단편적인 발견들이 초래되고 있습니다.

방법론 및 연구 전략
본 논문은'자연주의적 계산 인지과학'이라는 연구 전략을 제안합니다. 이 접근법은 단순화된 실험을 포기하자는 것이 아니라, 실험 통제를 유지하면서 생태학적 타당성을 높여 이를 확장하자는 것입니다. 방법론은 세 가지 핵심 기둥을 중심으로 구조화되어 있습니다:

1. 실험 패러다임 확장: 저자들은 자연 분포의 범위를 더 잘 포괄하기 위해 실험 매개변수를 확장할 것을 제안합니다. 이는 다음을 포함합니다:

   • 기존 매개변수 확장: 예를 들어, 일상생활 사물을 포함하도록 객체 분류의 카테고리 세트를 확장합니다.
   • 생태학적으로 동기가 부여된 매개변수 추가: 예를 들어, 구두와 서면 양쪽 모달리티에 걸쳐 언어적 판단을 테스트하거나, 사회적 에이전트와 부분적으로 관측 가능한 환경을 도입합니다.
   • 자연주의적 데이터의 매개변수 조작: 생성형 AI 와 가상 환경 (예: 2D 마인크래프트, VR) 을 사용하여 자연 변이를 유지하면서도 특정 특징 (예: 자연 이미지에서 모양과 질감의 분리) 을 통제된 방식으로 매개변수 조작할 수 있는 자극을 생성하여 가설을 검증합니다.

2. 일반화 가능한 작업 수행 모델 개발: 머신러닝 (ML) 엔지니어링 관행을 차용하여 저자들은 다음을 옹호합니다:

   • 동적 메타 벤치마크: 정적 데이터셋을 넘어 연구자들이 지속적으로 확장하는'살아있는 벤치마크 컬렉션'으로 이동합니다. 이러한 벤치마크는 인지 능력의 특정 측면 (예: 모양 대 질감 의존성) 을 테스트해야 하며, 새로운 가설과 자연주의적 변이를 포함하도록 진화해야 합니다.
   • 반복적 개발: 과적합을 피하기 위해 모델 설계를 과제 설계와 분리합니다. 모델은 단순화된 과제로 개발되지만 점진적으로 자연주의적인 설정에서 엄격하게 검증되어야 합니다.
   • 마찰 없는 재현성: 표준화된 평가 프로토콜, 단일 줄 코드 데이터 접근 (예: Hugging Face 를 통한), 그리고 연구 산물의 신속한 집단적 반복 및 재사용을 가능하게 하는'단일 파일'코드 철학을 채택합니다.

3. 축소를 통한 이론 구성: 저자들은 이중 구성 요소 이론 구조를 제안합니다:

   • 구성 요소 1: 광범위한 자연주의적 자극과 패러다임에 걸쳐 인간 행동을 재현하는 작업 수행 (예측) 모델.
   • 구성 요소 2: 이러한 복잡한 모델을 더 단순한 메커니즘, 데이터 속성, 또는 형식적 이론 (예: 합리적 분석, 베이지안 모델) 과 연결하는 축소적 설명. 이는 메커니즘 분석 (예: 분산 정렬 검색) 과 데이터 속성 분석을 사용하여 모델이 왜 그렇게 행동하는지에 대한 규범적 설명을 도출하는 것을 포함합니다.

검토된 주요 발견 및 증거
본 논문은 자연주의적 접근의 필요성을 입증하기 위해 신경과학, 인지과학, 그리고 AI 의 증거를 종합합니다:

• 계산 메커니즘의 변화: 자연주의적 설정은 다른 계산적 도전을 노출시킵니다. 예를 들어, 캠퍼스 탐색과 같은 대규모 지연 결과 환경에서의 신용 할당은 작은 격자 세계 과제에서는 명확하지 않은'멀티태스크 프리플레이'와 같은 메커니즘을 요구합니다. 마찬가지로, 기이성 (oddity) 과제에서 내측 측두엽 (MTL) 의 역할은 시각 피질이 자극을 해결할 수 있는지 여부에 달려 있으며, 이는 복잡하고 자연주의적인 자극을 테스트할 때만 명확히 구분됩니다.
• 질적 행동 차이: 자연주의적 설정에서 행동은 질적으로 변화합니다. 예시는 다음과 같습니다:
  • 기억: 명시적 암기보다 우발적 시각 탐색이 더 나은 회상과 공간 정확도를 이끌어냅니다.
  • 학습 효율성: 쥐는 2AFC 과제에 비해 자연주의적 미로 탐색에서 1000 배 더 빠르게 학습합니다.
  • 도덕적 추론: 가상 현실 (VR) 의 도덕적 행동은 텍스트 단편 (예: 다리 딜레마) 의 도덕적 판단과 크게 다릅니다.
• 신경 코딩 차이: 신경 시스템은 자연주의적 조건 하에서 다르게 작동합니다. 예를 들어, 상구 (superior colliculus) 는 고정이동 (head-fixed) 설정에서 주로 안구 운동 (saccadic) 제어만을 연구하는 반면, 자유 고개 (head-free) 설정에서는 신체 제어를 위한 다감각 단서를 통합합니다. 능동적 시청은 수동적 시청에 비해 시각 반응 (P100/M100) 의 타이밍을 변경시킵니다.
• AI 에서 자연주의적 데이터의 이점: 자연주의적 데이터로 훈련하면 질적으로 다른 일반화 패턴이 나타납니다.
  • 일반화: 3D 환경과 상호작용하는 에이전트는 스크린샷으로 훈련된 이미지 분류기보다 더 나은 구성적 일반화를 보입니다.
  • 발현 능력: 방대한 자연주의적 데이터로 훈련된 모델 (예: 대규모 언어 모델, 강화 학습 에이전트) 은 명시적 훈련 신호 없이도 다양한 작업 (예: 산술, 비디오 게임 플레이) 을 수행하는 메커니즘을 개발합니다.
  • 지식의 기원: 자연주의적 데이터는 인지 지식의 기원을 탐구할 수 있게 합니다. 예를 들어, 자연주의적 분포로 훈련된 도메인 일반 모델에서 얼굴 전문화가 발현될 수 있음을 보여줌으로써 엄격한 선천성 가설에 도전합니다.

주요 기여

1. 개념적 프레임워크: 본 논문은 단순화된 패러다임의 한계를 넘어 점점 더 자연주의적인 설정에서 행동을 예측하는 이론을 구축하는 전략으로서'자연주의적 계산 인지과학'을 정의합니다.
2. 엔지니어링 로드맵: 동적 메타 벤치마크, 마찰 없는 재현성, 표준화된 인터페이스와 같은 ML 엔지니어링 관행을 인지과학을 위한 실행 가능한 권고사항으로 변환하여 집단적이고 체계적인 진보를 장려합니다.
3. 방법론적 통합: 자연주의적 데이터의 매개변수 생성을 통한 통제된 실험 조작과 복잡하고 작업 수행적인 모델을 결합하여 이론적 갈등 (예: MTL 기이성 논쟁) 을 해결하는 방법을 개요로 제시합니다.
4. 이론적 종합: 예측적 작업 수행 모델과 축소적, 메커니즘적 설명을 결합하는 구체적인 이론 구축 아키텍처를 제안하여 이론이 경험적으로 근거를 갖으면서도 이론적으로 해석 가능하도록 보장합니다.

중요성과 주장
저자들은 인지의 완전하고 일반화 가능한 이론을 개발하기 위해 실험 설정과 모델의 자연주의성을 높이는 것이 단순히 유익한 것이 아니라 필수적이라고 주장합니다. 그들은 다음과 같이 논증합니다:

• 단순화된 설정은 자연 지능에 필요한 계산적 도전과 메커니즘 (예: 신용 할당, 장기 계획) 의 전체 범위를 포착하지 못하는 경우가 많습니다.
• 현재 이론들은 좁은 분포에서 테스트되기 때문에 종종 제약이 부족합니다. 자연주의적 패러다임과 메타 벤치마크를 통해 테스트 범위를 확장하는 것은 강력하고 일반화 가능한 원리를 식별하는 데 필수적입니다.
• AI 의 진보 (모델 엔지니어링 및 데이터 규모 측면) 와 인지과학 (이론 및 실험 설계 측면) 의 통합은 인지 및 신경 현상의'뿌리'를 이해하는 길을 제공합니다.
• 이러한 관행들을 채택함으로써, 이 분야는 자연 행동의 전체 범위를 설명하면서도 축소적, 메커니즘적 이해를 제공할 수 있는 능력을 유지하는 이론으로 나아갈 수 있습니다.

본 논문은 자연주의적 실험과 일반화 가능한 모델에 관한 성장하는 문헌을 종합하여, 인지 이론의 일반화 가능성과 과학적 모델의 과결정 (underdetermination) 에 관한 오랜 논쟁을 해결하는 길을 제시한다고 결론지습니다.