A behavior-environment information loop drives sensory navigation

새로운 도시에서 최고의 피자를 찾는 가장 좋은 방법을 상상해 보세요. 여기 두 가지 방법이 있습니다. 첫 번째는 수동적인 방법입니다. 가만히 서서 냄새가 흘러오기를 기다리다가, 냄새가 좋으면 그쪽을 향해 걸어갑니다. 냄새가 멈추면 당신도 멈춥니다. 이것은 현재 감지되는 것에만 반응하는 로봇과 같습니다. 두 번째는 능동적인 방법입니다. 가만히 서 있는 것이 도움이 되지 않는다는 것을 깨달은 당신은 지그재그 패턴으로 걷기 시작합니다. 움직임으로써 당신은 다음에 맡게 될 냄새를 스스로 변화시킵니다. 당신은 더 나은 정보를 얻기 위해 자신의 경험을 능동적으로 형성하고 있는 것입니다. 이것이 미생물부터 인간에 이르기까지 대부분의 생명체가 실제로 항해하는 방식입니다. 그들은 그저 세상이 어디로 가라고 말해주기를 기다리는 것이 아니라, 알아내기 위해 움직입니다.

과학자들은 동물이 감각을 사용하여 어떻게 결정을 내리는지 오랫동안 연구해 왔지만, 주로 '냄로가 어떻게 회전으로 이어지는가'라는 일방통행 방식에 주목했습니다. 그들은 반대의 질문, 즉 '회전하는 행위가 다음에 마주할 냄새를 어떻게 바꾸는가'에 대해서는 거의 묻지 않았습니다. 이 논문은 그 간극을 메우고자 합니다. 이 논문은 정보 이론이라는 과학 분야를 사용하는데, 이는 기본적으로 메시지에 얼마나 많은 '놀라움'이나 '새로움'이 있는지를 다루는 수학입니다. 저자들은 동물의 행동과 주변 환경 사이의 양방향 대화를 측정하고자 합니다. 그들은 질문합니다. 동물은 단순히 세상에 반응하는 것인가, 아니면 반응을 끌어내기 위해 세상을 능동적으로 쿡쿡 찌르는 것인가? 이 루프를 이해하는 것은 생명체가 혼란스럽고 변화하는 세상 속에서 어떻게 먹이, 짝, 또는 안전을 찾는지 설명하며, 우리가 길을 잃지 않고 항해할 수 있는 더 나은 로봇을 만드는 데 도움을 줄 수도 있습니다.

---

위대한 정보의 루프: 움직임이 당신이 아는 것을 어떻게 바꾸는가

세상을 항해하는 것을 보물찾기 게임을 하는 것으로 생각해 보세요. 친구가 보물을 숨기고 있습니다. 기존의 사고방식에서 과학자들은 플레이어가 단서를 듣는 탐정일 뿐이라고 믿었습니다. 만약 친구가 "더 따뜻해"라고 말하면 플레이어는 가까이 다가갑니다. "더 차가워"라고 하면 멀어집니다. 이것은 반응적(reactive) 전략입니다. 환경이 신호를 보내고, 플레이어가 반응하는 것입니다.

하지만 이 논문은 플레이어가 친구를 '말하게 만들 수 있다'는 것을 깨달을 때 진짜 마법이 일어난다고 주장합니다. 만약 플레이어가 원을 그리며 달리기 시작한다면, 실수로 보물에 부딪히거나 새로운 단서를 유발할 수도 있습니다. 이것은 능동적(active) 전략입니다. 플레이어의 행동이 환경을 변화시키고, 그 결과 환경은 더 나은 새로운 정보를 다시 보내줍니다. 예일 대학교 연구팀인 저자들은 이를 "행동-환경 정보 루프(behavior-environment information loop)"라고 부릅니다. 그들은 항해의 정확히 어느 정도가 반응에서 오고, 어느 정도가 경험을 능동적으로 형성하는 데서 오는지를 측정하고자 했습니다.

이를 위해 그들은 **전이 엔트로피(transfer entropy)**라고 불리는 새로운 수학 도구를 발명했습니다. 당신이 비디오 게임 캐릭터의 다음 움직임을 추측하려고 한다고 가정해 봅시다. 게임 화면(감각 입력)만 본다면 꽤 괜찮은 추측을 할 수 있을 것입니다. 하지만 캐릭터가 방금 무엇을 했는지(행동 출력)까지 안다면, 당신의 추측은 훨씬 더 정교해질 것입니다. 전이 엔트로피는 그 '더 나은 추측'의 요인을 측정합니다. 이는 전체 정보 흐름을 두 방향으로 나눕니다:

1. 반응적 흐름 ($\dot{T}_{s \to a}$): 현재의 냄새나 시각 정보가 동물의 다음 행동을 얼마나 결정하는가.
2. 능동적 흐름 ($\dot{T}_{a \to s}$): 동물의 현재 움직임이 다음에 맡게 될 냄새나 보게 될 광경을 얼마나 변화시키는가.

성공을 위한 비밀 공식

연구팀은 먼저 매우 단순한 박테리아 컴퓨터 모델을 구축했습니다. 그들에게는 '직진하기' 또는 '방향을 바꾸기 위해 텀블링(회전)하기'라는 단 두 가지 선택지만 주어졌습니다. 또한 두 가지 감각 상태도 부여했습니다: 먹이의 농도가 높아지는 방향(gradient up)으로 냄 la거나, 낮아지는 방향(gradient down)으로 가는 것입니다.

수치를 계산했을 때, 그들은 놀라운 패턴을 발견했습니다. 박테리아가 먹이를 찾는 성공 여부는 단순히 이 두 흐름 중 하나에 달려 있지 않았습니다. 그것은 두 흐름의 **기하 평균(geometric mean)**에 달려 있었습니다. 자전거를 생각해보세요. 엔진(반응적 흐름)은 훌륭하지만 핸들(능동적 흐름)이 없다면, 당신은 제자리에서 뱅뱅 돌 뿐입니다. 핸들은 훌륭하지만 엔진이 없다면, 당신은 어디로도 갈 수 없습니다. 두 가지가 모두 조화롭게 작동해야 합니다.

그들은 이 완벽한 균형을 나타내는 하나의 숫자, 즉 **$\Phi$ (파이)**를 만들었습니다. 이 숫자를 실제 데이터와 테스트했을 때, 결과는 매우 효과적이었습니다. 그들은 다음의 사례들을 살펴보았습니다:

• 먹이를 향해 헤엄치는 박테리아
• 화학적 경관을 기어가는 벌레
• 바람 속에서 보이지 않는 냄새 구름을 추적하는 파리
• 가상 세계를 항해하도록 학습하는 AI 에이전트(컴퓨터 프로그램)

모든 경우에서, $\Phi$ 값이 높을수록 항해 성능도 높았습니다. 수학적 예측은 놀라운 정확도(과학계에서 거의 완벽에 가까운 0.95의 상관관계)로 성공률을 예측했습니다. 이는 당신이 아주 작은 미생물이든 똑똑한 로봇이든, 길을 찾는 비결은 감각하는 것과 움직이는 것 사이의 긴밀한 피드백 루프를 유지하는 데 있다는 것을 시사합니다.

하나의 크기가 모든 것에 적합하지는 않다

여기서 정말 흥ей로운 점이 나옵니다. 좋은 항해사가 되는 데는 단 한 가지의 방법만 있는 것이 아닙니다. 성공은 두 흐름의 균형에 달려 있기 때문에, 서로 다른 생명체들이 완전히 다른 전략을 사용하여 동일한 목표를 달명할 수 있습니다.

두 마리의 박테리아가 같은 속도로 먹이를 찾는다고 상상해 봅시다.

• 박테리아 A는 "반응의 달인"입니다. 먹이 냄새를 맡으면 흥분하여 곧장 달려갑니다. 만약 냄새가 약해지면 즉시 방향을 틀어 경로를 수정합니다. 이 박테리아는 신호에 반응하는 데 크게 의존합니다.
• 박테리아 B는 "능동적 탐험가"입니다. 단순히 반응하는 것에 그치지 않고, 설령 신호가 약하더라도 계속해서 먹이 냄새를 맡을 수 있도록 보장하는 방식으로 계속 움직입니다. 이 박테ка는 정보가 계속 흐를 수 있도록 자신의 경로를 스스로 형성합니다.

둘 다 같은 결과를 얻지만, 그들의 내부적 "성격"은 완전히 다릅니다. 저자들은 박테리아, 벌레, 그리고 연구에 사용된 AI 에이전트에서도 이러한 "중복성(degeneracy, 서로 다른 경로가 동일한 목적지에 도달하는 현상)"을 발견했습니다. 이는 동물이 얼마나 빨리 움직이는지만 관찰하는 것으로는 그들이 어떻게 생각하는지 이해하기에 부족하다는 것을 의미합니다. 당신은 그들이 반응적인 추종자인지, 아니면 능동적인 형성자인지 알기 위해 정보 루프를 들여다봐야 합니다.

움직임의 "골디락스(Goldilocks)" 존

논문은 상황이 너무 예측 가능해질 때 발생하는 반전도 발견했습니다. 매우 안정적이고 차분한 환경에서는, 극도로 결정론적(먹이 냄새가 날 때 항상 똑같은 행동을 하는 것)인 것이 가장 좋을 것이라고 생각할 수도 있습니다. 하지만 수학은 다르게 말합니다.

만약 동물이 움직임에 있어 너무 예측 가능해지면, 새로운 정보를 생성하는 것을 멈추게 됩니다. 이는 마치 직선으로만 계속 걷는 로봇과 같습니다. 결국, 세상에 대해 새로운 것을 배울 수 없게 됩니다. 저자들은 최적의 성능이 종종 중간 수준의 능동적 흐름에서 발생한다는 것을 발견했습니다. 생명체는 세상을 흥미롭고 유익하게 유지할 만큼 충분히 움직여야 하지만, 길을 잃을 정도로 과하게 움직여서는 안 됩니다.

그들은 이를 "두 팔 가진 밴딧(two-armed bandit, 두 개의 레버가 있는 슬롯머신)"이라는 컴퓨터 게임으로 테스트했습니다. AI가 게임을 학습함에 따라, AI는 단순히 보상을 극대화하는 데 그치지 않고 정보 흐름을 조절했습니다. 게임이 쉬울 때 AI는 매우 반응적이 되었습니다. 게임이 어려워지면, 탐색을 위해 더 능동적이어야 했습니다. 하지만 너무 자신감이 넘쳐 탐색을 멈추면, 성능은 오히려 떨어졌습니다. 최선의 전략은 "골디락스" 식의 균형이었습니다. 즉, 경로를 유지할 수 있을 만큼의 충분한 반응적 통제력과, 호기심을 유지할 수 있을 만큼의 적절한 능동적 움직임 사이의 균형입니다.

이것이 왜 중요한가

이 연구는 우리가 항해를 바라보는 관점을 바꿉니다. 움직임은 단순히 A 지점에서 B 지점으로 이동하는 방법이 아니라, 환경에 질문을 던지는 방법이라는 것을 알려줍니다.

저자들은 단순히 시뮬레이션만 한 것이 아니라, 실제 박테리아, 벌레, 파리에서 이를 측정했으며 그 패턴은 유효했습니다. 그들은 단 하나의 "최고의" 항해 방식을 찾아낸 것이 아닙니다. 대신, 성공적인 항해를 위해서는 세상에 반응하는 것과 세상을 쿡쿡 찔러 반응을 보는 것 사이의 춤이 필요하다는 보편적인 규칙을 발견했습니다.

그러니 다음에 파리가 공중을 지그재그로 날아다니거나 개가 땅의 냄새를 맡는 것을 본다면, 기억하세요. 그들은 단순히 코를 따라가는 것이 아닙니다. 그들은 자신의 움직임을 사용하여 대화를 지속하며 공기, 바람, 그리고 지면과 능동적으로 대화를 나누고 있는 것입니다. 그리고 이 논문에 따르면, 그 대화가 바로 그들이 집으로 가는 길을 찾는 열쇠입니다.