Redefining Fitness: Inference, Information and Phase Transitions in Evolutionary Dynamics

추측의 위대한 게임

당신이 버튼을 누를 때마다 규칙이 바뀌는 고난도의 비디오 게임을 하고 있다고 상상해 보십시오. 때로는 바닥이 용암이 되고, 때로는 얼음이 되며, 때로는 젤리가 됩니다. 승리하기 위해서는 단순히 강해지는 것뿐만 아니라, '추측의 달인'이 되어야 합니다. 당신은 "빨간 구름이 보이면 바닥이 용암으로 변할 것인가?"를 알아내야 합니다. 예측에 성공하면 살아남고 캐릭터는 더 강해집니다. 예측에 실패하면 생명을 잃습니다. 이것이 진화의 본질입니다. 다만 우리는 비디오 게임 캐릭터 대신 박테리아, 딱정벌레, 또는 새와 같은 생명체에 대해 이야기하고 있는 것입니다.

백 년이 넘는 시간 동안, 과학자들은 이 게임을 얼마나 잘 수행하는지를 측정하기 위해 **적응도(fitness)**라는 개념을 사용해 왔습니다. 과거의 관점에서 적응도는 마치 최종 점수만을 바라보는 점수판과 같았습니다: "얼마나 많은 새끼를 낳았는가?" 만약 당신이 많은 새끼를 낳았다면, 당신은 "적응도가 높은" 것이었습니다. 만약 하나도 낳지 못했다면, 당신은 적응도가 낮은 것이었습니다. 하지만 이 점수판에는 기묘한 문제가 있었습니다. 그것은 순환 논리였습니다. 예를 들어 "당신은 경주에서 이기기 때문에 훌륭한 러너이고, 경주에서 이기는 이유는 당신이 훌는 러너이기 때문이다"라고 말하는 것과 같습니다. 또한 결함도 있었습니다. 완벽하게 위장했지만 운이 나빠서 알을 낳기도 전에 새에게 잡아먹힌 나비가 있다고 가정해 봅시다. 기존의 점수판은 이 나비가 실제로는 훌륭한 생존자였음에도 불구하고 적응도가 0이라고 말할 것입니다. 기존의 방식은 '실제로 잘하는 것'과 '단순히 운이 좋은 것'을 구분하지 못했습니다.

여기서 새로운 아이디어가 등장합니다. 이는 진화를 단순한 점수판이 아니라, 미스터리를 풀어나가는 탐정처럼 다루는 방식입니다. 과학자들은 이제 이렇게 질문합니다: "만약 '적응도가 높다'는 것이 단지 새끼를 많이 낳는 것이 아니라, 세상에 대한 정말 좋은 정신적 모델을 갖는 것이라면 어떨까? 진화가 사실 거대한 학습이자 추측의 과정이라면 어떨까?" 한 연구팀은 스파이 소설에나 나올 법한 수학을 사용하여, 생명체가 변화하는 우주에 어떻게 적응하는지를 설명하며 이 질문에 답하고자 했습니다.

진화의 탐정 가이드

이 새로운 이야기에서 저자들은 급진적인 변화를 제안합니다: 적응도는 점수가 아니라, 예측입니다.

모든 동물이나 식물이 DNA 속에 작고 투명한 '생존 매뉴얼'을 지니고 있다고 상상해 보십시오. 이 매뉴얼은 "날개를 키워라"나 "독을 만들어라"와 같은 명령 목록이 아닙니다. 대신, 그것은 확률의 집합입니다. "환경이 건조해지면 내가 생존할 확률은 80%이다"라거나 "환경이 습해지면 내가 생존할 확률은 10%뿐이다"와 같은 내용입니다. 저자들은 이를 **베이즈 가능도(Bayesian likelihood)**라고 부릅니다. 쉬운 말로 풀이하자면, "나의 특정 신체 유형이 다음 세상이 어떻게 변할지 얼마나 잘 예측하는가?"를 의미합니다.

이 논문은 자연이 본질적으로 거대하고 느릿느릿하게 진행되는 베이즈 추론(Bayesian inference) 게임이라고 주장합니다. 베이즈 추론은 탐정이나 AI가 새로운 증거를 바탕으로 자신의 믿음을 업데이트할 때 사용하는 수학적 방식입니다.

• 과거의 방식: "나는 살아남았으니, 나는 적응도가 높다." (이는 순환 논리이며 운을 무시합니다.)
• 새로운 방식: "나는 환경을 잘 예측하는 모델을 가지고 있다. 내 모델이 정확하기 때문에, 나는 생존하고 번식할 가능성이 더 높다."

저자들은 진화를 이러한 관점으로 바라볼 때 세 가지 큰 문제가 해결됨을 보여줍니다.

1. 순환성 문제: 누가 가장 많은 새끼를 낳았는지 알 필요 없이 적응도를 알 수 있습니다. 그들의 '매뉴얼'이 환경을 얼마나 잘 예측하는지만 보면 됩니다.
2. 불일치 문제: 운이 나빠 잡아먹힌 나비는 모델이 나빴던 것이 아니라, 단지 운이 없었을 뿐입니다. 모델(적응도)은 단일한 결과가 아니라 생존의 확률에 관한 것입니다.
3. 예측 문제: 적응도가 이제 하나의 '모델'이 되었기 때문에, 우리는 실제로 미래에 일어날 일을 예측할 수 있습니다. 환경이 변하면 어떤 '매뉴얼'이 구식이 될 것이고 어떤 것이 승자가 될지 알 수 있습니다.

정보의 고속도로

여기에 가장 놀라운 발견이 있습니다. 저자들은 인구가 오랜 시간 동안 진화할 때, 단순히 더 많은 새끼를 낳으려고 노력하는 것이 아니라 정보를 극대화하려고 한다는 것을 발견했습니다.

환경을 비밀 코드를 방송하는 노이즈 섞인 라디오 스테이션이라고 생각해 보십시오. 인구 내의 서로 다른 동물들은 그 스테이션에 주파수를 맞추려는 서로 다른 라디오들과 같습니다.

• 만약 라디오에 잡음이 가득하다면(나쁜 모델), 코드를 들을 수 없습니다.
• 만약 라디오가 깨끗하다면(좋은 모델), 코드를 완벽하게 들을 수 있습니다.

논문은 자연 선택이 깨끗한 라디오는 남기고 잡음 섞인 라디오는 버리는 필터 역할을 한다고 증명합니다. 시간이 흐름에 따라, 인구 구조는 환경의 통계적 특성과 완벽하게 정렬될 때까지 진화합니다. 저자들은 인구의 성장률이 인구가 자신의 세계에 대해 얼마나 알고 있는지를 나타내는 척도인 **상호 정보량(Mutual Information)**과 직접적으로 연결되어 있음을 보여줍니다.

마치 진화가 시험 공부를 하는 학생과 같습니다. 교과서(환경)를 완벽하게 암기한 학생은 A 학점(높은 적응도)을 받을 것입니다. 무작위로 추측하는 학생은 낙제할 것입니다. 이 논문은 자연 선택의 궁극적인 목표가 인구를 자신이 처한 환경에 대해 가장 정확한 정보를 보유한 '학생'으로 만드는 것이라고 제안합니다.

삶의 게임: 협력과 임계점

이것이 작동함을 증 증명하기 위해, 저자들은 이 새로운 '예측' 수학을 생물학의 세 가지 고전적인 문제에 적용했으며, 그 결과는 놀라울 정도로 명확했습니다.

1. 작업 전환 게임 (Task Switching Game)
두 가지 직업(직무 A 또는 직무 B)을 수행할 수 있는 노동자 집단을 상상해 보십시오. 상사(환경)는 직무 A나 직무 B를 요구하는 패턴을 무작위로 바꿉니다.

• 결과: 논문은 노동자들이 상사가 각 직무를 요구하는 빈도에 정확히 비례하여 시간을 나누도록 자연스럽게 진화할 것임을 보여줍니다. 만약 상사가 직무 A를 70%의 확률로 요구한다면, 인구는 70%의 노동자가 직무 A를 할 수 있도록 진화합니다. 그들은 환경의 확률을 완벽하게 반영하는 거울이 됩니다.

2. 죄수의 딜레마 (협력의 퍼즐)
두 사람이 서로 협력하거나 배신할 수 있는 유명한 게임입니다. 보통 단기적으로는 배신이 유리하지만, 장기적으로는 협력이 집단에 더 유리합니다.

• 결 결과: 저자들은 플레이어들이 서로를 "읽을 수" 있을 때만 협력이 나타난다는 것을 발견했습니다. 만약 두 플레이어가 완전히 무작위적이고 독립적이라면(상대방이 무엇을 할지 모른다면), 배신이 승리합니다. 하지만 그들 사이에 연결 고리(친족 관계, 반복된 게임, 혹은 신호 전달 등)가 있다면, 협력이 승리하는 전략이 됩니다.
• 논문은 생물학적 '위상도(phase diagram)'(생물학의 기상 지도와 같은 것)를 사용하여 언제 협력이 주류가 되는지를 정확히 보여줍니다. 연결성이 충분히 강해지면, 집단 전체가 "모두가 배신하는 상태"에서 "모land 모두가 협력하는 상태"로 갑자기 전환됩니다. 이는 플레이어들이 서로에 대한 공유 모델을 구축함으로써 그들 사이의 '정보'를 증가시키기 때문입니다.

3. 집단 역학 (Group Dynamics)
사람들이 그룹을 이루고, 자신들의 그룹 및 다른 그룹들과 상호작용할 때 어떤 일이 벌어질까요?

• 결과: 수학적 모델은 구성원들이 밀접하게 연결되어 있을 때(가족이나 친구처럼) 집단 내부에서 협력이 번창한다는 것을 보여줍니다. 그러나 집단이 무작위적이거나 신뢰할 수 없는 외부인들과 너무 많이 상호작용하면, 시스템 전체가 다시 배신으로 붕식될 수 있습니다. 논문은 인간 사회와 같은 대규모 협력이 작동하기 위해서는 집단이 강력한 내부 신호를 개발하고, 규칙을 어기는 자를 '처벌'하는 등의 과정을 통해 정보와 신뢰의 긴밀한 루프를 만들어야 함을 시사합니다.

이것이 왜 중요한가

저자들은 단순히 숫자를 가지고 노는 것이 아니라, 새로운 도구 상자를 제공하고 있습니다. 적응도를 예측 확률로 취급함으로써, 그들은 이전에는 너무 복잡해서 풀 수 없었던 문제들을 해결할 수 있습니다. 그들은 물이 얼음으로 변하는 것처럼, 인구의 행동이 언제 한 상태에서 다른 상태로 전환되는지를 보여주는 지도(위상도)를 그릴 수 있습니다.

또한 그들은 기존의 '적응도' 개념이 너무 좁았음을 보여줍니다. 기존 방식은 결과(새끼 수)에 집중했지만, 이 새로운 관점은 원인(예측 능력)에 집중합니다. 이는 진화가 일종의 '학습'임을 시사합니다. 종이 적응할 때마다, 그들은 단순히 강해지는 것이 아니라 세상에 대해 더 똑똑해지는 것입니다.

이 논문은 이러한 접근법이 다양한 분야를 통합한다고 결론짓습니다. 박테리아가 먹이를 찾는 방식을 설명하는 동일한 수학이 주식 시장이 뉴스에 반응하는 방식, 뇌가 언어를 배우는 방식, 그리고 사회가 협력을 결정하는 방식을 설명합니다. 자연, 데이터 과학, 그리고 인간의 행동은 모두 동일한 운영 체제, 즉 불확실성을 줄이고 정보를 극대화하려는 동기 위에서 작동하고 있는지도 모릅니다.

그러므로 다음에 새가 둥지를 틀거나 사람이 비밀을 공유하는 모습을 본다면, 그것이 단순한 본능에 의한 행동이 아님을 기억하십시오. 그들은 미래를 예측하기 위해 복잡하고 보이지 않는 계산을 수행하고 있으며, 그 과정을 통해 궁극적인 삶의 게임을 치르고 있는 것입니다.