Each language version is independently generated for its own context, not a direct translation.

이 논문은 **"거울 속의 나"를 어떻게 알아차리고, 거울에 붙은 스티커를 스스로 떼어낼 수 있을까?**라는 아주 흥미로운 질문에 대한 답을 컴퓨터 시뮬레이션으로 찾아낸 연구입니다.

기존의 로봇이나 AI 는 "거울에 이상한 점이 보이면 손으로 가자"라고 사람이 직접 명령을 내려야 했지만, 이 연구는 아기처럼 스스로 배우는 AI를 만들어냈습니다. 외부에서 "스티커를 떼어내라"는 점수나 보상을 주지 않아도, AI 가 스스로 "어? 내 얼굴이 이상해!"라고 느끼고 행동하게 만든 것이 핵심입니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

1. 핵심 아이디어: "내 몸의 기억" (Self-Prior)

이 연구의 주인공은 **'자아 사전 (Self-Prior)'**이라는 특별한 기억 장치입니다.

비유: 상상해 보세요. 당신이 매일 아침 거울을 보며 세수를 합니다. 이때 당신의 얼굴 모양, 눈과 코의 위치, 머리를 움직일 때 팔이 어떻게 움직이는지 등 **'평범한 나의 모습'**이 뇌에 깊이 각인되어 있습니다. 이것이 바로 '자아 사전'입니다.
학습 과정: 이 AI 는 거울을 보며 스티커가 없는 평범한 날들만 수만 번 경험하며 학습합니다. "아, 내 얼굴은 이렇게 생겼고, 팔을 움직일 때 거울 속의 팔도 이렇게 움직이는구나"라고 내 몸의 패턴을 완벽하게 외워놓는 거죠.

2. 문제 발생: "어? 뭔가 달라!" (불일치)

그런데 어느 날, AI 의 얼굴에 빨간 스티커가 붙습니다.

AI 의 반응: AI 는 거울을 봅니다. 그런데 거울 속의 얼굴은 평소 외운 '내 몸의 패턴'과 다릅니다. 스티커가 붙어있으니까요.
자연스러운 반응: AI 는 "내 몸이 이렇게 생겼는데, 지금 거울 속은 왜 이래?"라고 느끼며 **불편함 (오류)**을 느낍니다.
핵심 메커니즘: AI 는 이 불편함을 해소하기 위해 무언가 해야 합니다. 외부에서 "스티커를 떼어내!"라고 시키지 않아도, 자신의 기억 (평범한 모습) 과 현재 상황 (스티커 낀 모습) 의 차이가 너무 커서, 그 차이를 없애려는 본능이 생기는 것입니다.

3. 행동: "스스로 떼어내다"

AI 는 이 불편함을 줄이기 위해 거울 속의 스티커가 있는 곳으로 손을 뻗습니다.

비유: 마치 우리가 거울을 보고 머리카락이 헝클어졌을 때, 누가 시키지 않아도 스스로 머리를 정리하는 것과 같습니다. AI 도 "내 기억 속의 평범한 모습으로 돌아가야 해!"라고 생각하며 스티커를 떼어냅니다.
결과: 실험 결과, 이 AI 는 약 70% 의 확률로 스티커를 성공적으로 떼어냈습니다. 중요한 건, AI 가 스티커가 '내 얼굴에 붙어 있다'는 것을 논리적으로 추리해서가 아니라, **"거울 속의 내 모습이 내 기억과 안 맞으니까, 그걸 고쳐야겠다"**는 본능적인 충동으로 행동했다는 점입니다.

4. 왜 이 연구가 중요한가요?

보상 없이도 배운다: 기존 AI 는 "스티커를 떼면 점수 100 점!"처럼 보상을 줘야 배웠습니다. 하지만 이 AI 는 보상 없이도 "내 몸의 기억을 지키려는 욕구"만으로 행동했습니다.
자아 의식의 시작: 이 연구는 "자아 (나)"라는 것이 복잡한 철학적 사고가 아니라, **"내 몸이 어떻게 생겼는지에 대한 기억"**과 **"현재 상황의 차이"**를 느끼는 것에서 시작될 수 있음을 보여줍니다.
신체 도식 (Body Schema): AI 는 눈으로 보는 것 (시각) 과 팔을 움직이는 느낌 (고유수용감각) 을 연결했습니다. 마치 우리가 눈을 감고도 코를 만질 수 있는 것처럼, AI 도 거울 속의 이미지를 자신의 몸과 연결 지어 이해하게 된 것입니다.

요약하자면

이 논문은 **"AI 가 거울을 보고 스티커를 떼는 행동"**을 설명합니다.
그 방법은 **"내 몸의 평범한 모습을 기억해 두었다가, 거울 속 모습이 그 기억과 다를 때 (스티커가 붙었을 때), 그 차이를 없애기 위해 스스로 행동한다"**는 것입니다.

이는 마치 아기가 거울을 보고 자신의 얼굴을 알아차리는 과정을 컴퓨터가 어떻게 모방할 수 있는지를 보여주는, 매우 창의적이고 단순한 해법입니다. 외부의 지시 없이, 오직 '나'에 대한 기억만으로 행동이 시작된다는 점이 가장 놀라운 부분입니다.

Each language version is independently generated for its own context, not a direct translation.

논문 요약: 거울-표식 과제 (Mirror-Mark Task) 에서의 자기-선험 (Self-Prior) 을 활용한 능동적 추론 (Active Inference)

이 논문은 외부 보상 없이 오직 **자기-선험 (Self-Prior)**이라는 단일 메커니즘을 통해 거울 속의 자아 인식과 관련된 행동 (자신의 몸에 붙은 표식을 제거하는 행동) 이 어떻게 자발적으로 발현될 수 있는지를 계산 모델로 증명합니다. 저자들은 자유 에너지 원리 (Free Energy Principle) 에 기반한 능동적 추론 (Active Inference) 프레임워크를 사용하여, 학습된 '익숙한 자아'의 분포와 현재 감각 입력 간의 불일치가 내재적 동기가 되어 표식 제거 행동을 유도함을 보여줍니다.

1. 연구 배경 및 문제 정의 (Problem)

거울 자기 인식 테스트 (Mirror Self-Recognition Test): 동물이나 인간이 거울 속의 반사상을 자신으로 인식하는지 여부를 판단하는 고전적인 테스트입니다. 특히, 거울을 통해만 보이는 자신의 몸에 붙은 표식 (예: rouge test) 을 만지거나 제거하는 행동이 자아 의식의 핵심 지표로 간주됩니다.
기존 모델의 한계: 기존의 계산 모델들은 대부분 시각적 이상 (표식) 을 감지하고 이를 직접적인 운동 명령으로 변환하거나, '자신 vs 타인'을 구분하기 위한 명시적인 중간 표현을 학습하도록 설계되었습니다.
핵심 질문: 외부 보상이나 명시적인 목표 (예: "표식을 제거하라") 가 주어지지 않았을 때, 에이전트가 어떻게 자신의 몸에서 발생한 이상 (표식) 을 감지하고 이를 제거하기 위한 행동을 자발적으로 수행할 수 있는가?

2. 방법론 (Methodology)

A. 시뮬레이션 환경

에이전트: MuJoCo 물리 엔진 기반의 'EMFANT'라는 영아 시뮬레이션 플랫폼을 사용했습니다.
센서: 시각 (오른쪽 눈의 RGB 이미지) 과 고유수용감각 (Proprioception, 12 개 관절의 각도) 만을 입력으로 받습니다. 촉각 입력은 배제하여, 거울 없이도 촉감만으로 표식을 제거하는 행동을 방지했습니다.
작업: 거울 앞에 앉아 자신의 얼굴에 무작위로 부착된 스티커를 발견하고 제거하는 과제입니다.

B. 모델 아키텍처 (Transformer 기반)

이 연구는 STORM 프레임워크를 확장하여 다음 세 가지 모듈로 구성됩니다.

세계 모델 (World Model):
- 변분 자유 에너지 (Variational Free Energy) 최소화를 기반으로 합니다.
- 시각 및 고유수용감각 입력을 압축하여 이산적 잠재 상태 (Latent State, $s_t$ ) 로 인코딩합니다.
- Transformer 를 사용하여 시간적 예측을 수행하며, 다음 상태와 관측치를 예측합니다.
자기-선험 (Self-Prior):
- 핵심 아이디어: 에이전트가 일상적인 상황 (스티커가 없는 상태) 에서 학습한 감각 경험의 밀도 분포를 모델링합니다.
- 구현: GPT 형태의 Transformer 를 사용하여 잠재 공간에서의 자기 상태의 결합 확률 분포 ( $\tilde{p}(s)$ ) 를 autoregressive 방식으로 학습합니다.
- 역할: 현재 관측치가 '익숙한 자아' 분포에서 얼마나 벗어났는지를 평가합니다. 스티커가 붙은 상태는 이 분포에서 낮은 확률을 가지게 되어 '불일치 (Mismatch)'로 인식됩니다.
정책 네트워크 (Policy Network) 및 기대 자유 에너지 (Expected Free Energy, EFE):
- 에이전트는 기대 자유 에너지를 최소화하는 행동을 선택합니다.
- 기존 연구와 달리 외부 보상이 아닌, 자기-선험과의 불일치가 목표 함수의 일부가 됩니다.
- 수식적으로 기대 자유 에너지 ( $G$ ) 는 자기-선험과의 KL 발산 (불일치) 과 행동 엔트로피 항으로 근사됩니다. 즉, 에이전트는 익숙한 상태 (스티커 없는 상태) 로 돌아가려는 행동을 선택하게 됩니다.

C. 학습 프로세스

세계 모델 학습: 스티커 유무와 관계없이 다양한 상황을 학습하여 정확한 관측 및 상태 예측 능력을 기릅니다.
자기-선험 학습: 스티커가 없는 상태의 데이터 (약 95%) 를 주로 사용하여 '스티커 없는 자아'의 분포를 학습합니다. 스티커가 있는 상태는 드물게만 샘플링되어 분포 밖으로 취급됩니다.
정책 학습: 세계 모델 내에서 상상 (Imagination) 을 통해 미래 경로를 예측하고, 자기-선험과의 불일치를 줄이는 방향으로 정책을 최적화합니다.

3. 주요 결과 (Results)

자발적 표식 제거: 외부 지시나 보상이 없었음에도 불구하고, 학습된 에이전트는 거울 속의 스티커를 발견하고 손을 뻗어 제거하는 행동을 약 **70%**의 성공률로 수행했습니다.
기대 자유 에너지 (EFE) 감소: 스티커가 붙어 있는 동안 EFE 는 높게 유지되다가, 스티커가 제거된 후에는 유의미하게 감소했습니다 (평균 12.00 단위 감소). 이는 자기-선험이 내재적 기준으로 작동하여 불일치를 해소하려 함을 증명합니다.
학습 역학: 학습 초기에는 스티커 제거 성공률이 낮았으나, 평균 손 - 스티커 거리는 지속적으로 감소했습니다. 이는 에이전트가 표식의 위치를 인식하고 접근하려는 시도를 먼저 학습했음을 의미합니다.
교차 모달 학습 (Cross-modal Sampling): 고유수용감각 (관절 각도) 만을 입력으로 주어 시각적 자아를 재구성했을 때 스티커가 없는 모습이 복원되었습니다. 이는 자기-선험이 시각과 고유수용감각 간의 연관성을 확률적 몸 지도 (Body Schema) 로 학습했음을 보여줍니다.

4. 주요 기여 및 의의 (Contributions & Significance)

외부 보상 없는 자아 인식 행동의 설명: 외부 보상이나 명시적인 목표 설정 없이, 오직 '익숙한 자아'에 대한 확률적 모델 (자기-선험) 과 자유 에너지 최소화를 통해 자아 인식 관련 행동이 어떻게 발현될 수 있는지를 계산적으로 증명했습니다.
자기-선험 (Self-Prior) 의 개념 정립: 이는 단순한 탐색 효율 향상을 위한 내재적 동기가 아니라, 에이전트 자신의 감각 경험 밀도를 모델링하여 현재 상태를 '자신'과 '비자신'으로 구분하는 내재적 기준을 제공합니다.
신체 도식 (Body Schema) 의 계산적 구현: 자기-선험은 시각과 고유수용감각의 연관성을 학습하여, 명시적인 좌표 변환 없이도 다감각 불일치를 줄이는 행동을 계획하는 기능적 신체 도식으로 작용함을 보였습니다.
발달 심리학과의 연결: Rochat 의 자아 인식 5 단계 모델 중 'Level 3: 식별 (Identification)' 단계에 해당하며, 영아가 자극에 의해 유발된 의도 (stimulus-elicited intention) 에서 시작하여 자발적 행동을 형성한다는 발달 관점과 부합합니다.

5. 결론 및 한계

이 연구는 거울 자기 인식 테스트의 핵심 행동이 복잡한 인지 모듈 없이도, 자유 에너지 원리와 자기-선험이라는 간결한 메커니즘으로 설명될 수 있음을 시사합니다. 이는 자아 의식의 발달적 기원을 탐구하는 통일된 가설로 자유 에너지 원리의 가능성을 제시합니다.

한계: 현재는 시뮬레이션 환경에 국한되어 있으며, 실제 로봇이나 영아 데이터와의 비교 검증이 필요합니다. 또한, 촉각 입력이 배제되었고, 물리적 제거가 아닌 시각적 은폐만으로도 EFE 가 감소하는 등의 한계가 존재합니다.
향후 과제: 촉각 모달리티 통합, 다양한 거울 조건에서의 일반화 검증, 실제 로봇 및 발달 데이터와의 비교를 통한 모델 고도화가 필요합니다.

요약: 이 논문은 AI 에이전트가 "내가 아는 나 (Self-Prior)"와 "현재의 나" 사이의 차이를 최소화하려는 본능적인 동기를 통해, 외부의 지시 없이도 거울 속의 이상 (표식) 을 스스로 찾아 제거하는 행동을 학습함을 보여주었습니다. 이는 자아 의식의 계산적 기원에 대한 중요한 통찰을 제공합니다.

Active Inference with a Self-Prior in the Mirror-Mark Task