The Thousand Brains Theory 2.0: An Extension for the Long-Range Connections of the Neocortical Heterarchy
이 논문은 시상 및 장거리 피질-피질 연결이 자기중심적 감각 데이터를 타자중심적 모델로 변환하고 구성적 객체의 학습을 가능하게 함으로써, 이전에 설명되지 않았던 지능의 해부학적 및 계산적 메커니즘을 다루며 신피질이 헤테로아키(heterarchy)로서 작동한다고 제안함으로써 천 개의 뇌 이론(Thousand Brains Theory)을 확장한다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
인간의 뇌는 수십억 개의 뉴런이 모인 거대한 풍경이지만, 지난 한 세기 동안 과학자들은 이 복잡성을 작동하게 만드는 근본적인 단위가 무엇인지 찾아 헤매왔습니다. 1950년대에 신경과학자 버논 마운트캐슬(Vernon Mountcastle)은 뇌가 반복되는 기둥들로 구성되어 있다고 제안했습니다. 마치 동일한 나무들이 늘어선 숲처럼, 각 기둥이 하나의 기본적인 처리 단위 역할을 한다는 것입니다. 수십 년 동안 지배적이었던 생각은 이 기둥들이 엄격한 계층 구조를 따라 작동한다는 것이었습니다. 마치 기업의 직급 체계처럼 정보가 단순한 세부 사항에서 복잡한 아이디어로 위로 흐르며, 가장 정교한 이해는 오직 최상단에서만 나타난다는 모델이었습니다. 그러나 점점 더 많은 증거는 뇌가 단순한 사다리보다 훨씬 더 상호 연결되어 있고 유연하며, 기둥들이 복잡하고 비선형적인 방식으로 서로 소통하고 있음을 시사합니다. 이러한 기둥들이 어떻게 소통하는지를 이해하는 것은 매우 중요한데, 이는 우리가 커피잔을 똑바로 세워져 있을 때나 뒤집혀 있을 때 모두 커피잔으로 인식하는 법, 바퀴가 자전거의 일부라는 것을 배우는 법, 그리고 궁극적으로 우리의 뇌가 혼란스러운 감각 데이터로부터 어떻게 안정적인 세계 모델을 구축하는지에 대한 열쇠를 쥐고 있기 때문입니다.
"천 개의 뇌 이론 2.0(The Thousand Brains Theory 2.0)"이라는 제목의 새로운 논문에서 연구자 제프 호킨스(Jeff Hawkins), 닐스 리드홀름(Niels Leadholm), 비비안 클레이(Viviane Clay)는 뇌가 어떻게 작동하는지에 대한 그들의 이전 이론을 대폭 업데이트한 내용을 제안합니다. 그들은 뇌가 단순히 정보를 수동적으로 받아들이는 것이 아니라, 뇌의 모든 단일 기둥이 움직임과 느낌을 통해 학습하는 센서모터(감각운동) 시스템이라고 주장합니다. 저자들은 세계를 이해하기 위해 뇌가 두 가지 서로 다른 관점 사이에서 끊임없이 정보를 변환해야 한다고 제안합니다. 하나는 눈이나 손의 움직임에 따라 변하는 '센서 자체의 관점'이고, 다른 하나는 '대상 자체의 고정되고 안정적인 관점'입니다. 이 논문은 이러한 변환이 일어나는 구체적인 메커니м을 소개하며, 뇌가 어떻게 사물을 단순히 분리된 부품의 더미가 아니라, 바퀴와 문으로 이루어진 자동차처럼 '다른 대상들의 집합'으로 인식하는지 설명합니다.
연구자들은 먼저 신경과학의 오래된 난제를 다룹니다. 뇌에는 기둥들 사이에 다양한 유형의 장거리 연결이 존재하는데, 기존 이론들은 이 연결들이 구체적으로 무엇을 하는지 설명하는 데 어려움을 겪어왔습니다. 어떤 연결은 계층을 따라 위아래로 이동하고, 어떤 연결은 옆으로 흐르거나 뇌 심부에 있는 시상(thalamus)을 통해 루프를 형성합니다. 저자들은 이러한 연결들이 단순히 무작위적인 배선이 아니라 두 가지 뚜렷하고 필수적인 역할을 수행한다고 제안합니다. 첫 번째 역할은 '번역가'가 되는 것입니다. 당신이 물체를 볼 때 눈은 움직이고 머리는 기울어지며, 망막에 맺히는 이미지는 끊임없이 변합니다. 그럼에도 불구하고 당신은 물체를 안정적인 상태로 지각합니다. 논문은 뇌 심부의 중계 스테이션인 시상이 이 감각 데이터를 신속하게 회전시킨다고 제안합니다. 즉, 센서로부터 오는 변화하고 움직이는 관점을 가져와서, 이를 즉각적으로 대상에 대한 고정되고 안정적인 관점으로 변환한다는 것입니다. 이 과정은 모든 기둥에서 일어나며, 덕분에 뇌는 머리의 위치나 눈의 방향에 관계없이 얼굴이나 도구를 인식할 수 있습니다.
이 논문의 두 번째 주요 기여는 뇌가 어떻게 복잡한 합성 객체를 학습하는지에 대한 새로운 설명을 제공하는 것입니다. 과거의 관점에서는 정보가 계층을 타고 올라감에 따라 단순한 선에서 복잡한 형상으로 구축된다고 생각되었습니다. 그러나 저자들은 뇌의 모든 기둥이, 심지어 처리 흐름의 맨 아래에 있는 기둥조차도 즉시 전체 객체를 인식하도록 학습한다고 주장합니다. 그 후 기둥들 사이의 계층적 연결은 이러한 전체 객체들이 어떻게 서로 결합하는지를 학습하는 데 사용됩니다. 예를 들어, 한 기둥은 '바퀴'가 어떻게 생겼는지 학습할 수 있고, 그 위의 기둥은 '자전거'가 어떻게 생겼는지 학습할 수 있습니다. 이들 사이의 연결은 뇌에게 바퀴가 자전거의 일부라는 것, 그리고 구체적으로 그 바퀴가 자전거의 어느 위치에 있는지를 가르쳐줍니다. 이러한 학습은 당신이 눈이나 손가락으로 물체의 표면을 훑을 때 지점별로 일어나며, 부품의 위치와 전체의 위치를 연결합니다. 이를 통해 뇌는 컵에 그려진 로고가 늘어나거나 휘어져 있더라도, 뇌가 로고와 컵 사이의 관계를 접촉하는 모든 특정 지점에서 학습했기 때문에 여전히 동일한 로고로 인식할 수 있습니다.
또한 이 논문은 흔히 감각 신호를 피질로 전달하는 수동적인 스위치보드로 간주되어 온 시상의 역할을 명확히 합니다. 저자들은 시상이 이러한 결정적인 방향 변환을 수행하는 능동적인 프로세서라고 제안합니다. 그들은 시상 세포가 현재 머리나 몸의 방향에 따라 어떤 들어오는 신호를 전달할지 선택하는 스위치처럼 작동하는 구체적인 메커니즘을 제안합니다. 이를 통해 뇌는 몸이 움직이는 중에도 세계에 대한 일관된 이해를 유지할 수 있습니다. 나아가, 이 논문은 뇌가 엄격한 피라미드 구조(정보가 모든 단계를 순차적으로 거쳐야 하는 구조)가 아니라, 영역들이 병렬로 작동하고 직접 소통할 수 있는 복잡한 웹인 '헤테로아키(heterarchy, 이종 계층 구조)'로 작동한다고 주장합니다. 이는 저레벨 영역이 전체 객체를 인식한 후, 단계적인 계층 상승을 기다리지 않고 고레벨 영역이나 운동 영역으로 정보를 직접 보낼 수 있음을 의미합니다.
이러한 아이디어는 단순한 이론적 추측이 아닙니다. 저자들은 기존의 실험 데이터, 예를 들어 물체의 방향과 상관없이 반응하는 시각 피질의 뉴런이나, 빠른 합의를 가능하게 하는 서로 다른 감각 영역 간의 연결 등을 인용하며 자신들의 견해를 뒷받침합니다. 또한 그들은 부품과 전체를 나타내는 기둥 간의 특정한 연결 패턴을 찾거나, 감각 입력의 방향이 인위적으로 변경되었을 때 뇌가 어떻게 적응하는지를 테스트하는 것과 같은 향후 실험을 위한 구체적인 예측을 제시합니다. 뇌를 움직임을 안정적인 모델로 변환하고 객체의 구성을 학습하는 센서모터 단위들의 집합으로 정의함으로써, 이 연구는 지능에 대한 새로운 관점을 제공합니다. 이는 세계를 이해하는 능력이 단 하나의 중앙 프로세서에서 나오는 것이 아니라, 우리가 움직이거나 주변 세계가 변하더라도 현실의 안정적인 그림을 유지하기 위해 협력하는 수천 개의 작고 전문화된 단위들로부터 나온다는 것을 시사합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.