How Occam's razor guides human decision-making

일상의 무질서한 현실 속에서, 우리는 우리가 보는 것을 설명하기 위해 서로 경쟁하는 이야기들 사이에서 끊임없이 선택을 강요받습니다. 자동차 시동이 걸리지 않을 때, 우리는 배터리 방전, 알터네이터 결함, 혹은 엔진 속의 유령 때문이라고 탓할 수 있습니다. 우리의 뇌는 매우 적은 정보만을 가지고 이러한 가능성들을 걸러내어 어떤 설명이 가장 진실일 가능성이 높은지 결정해야 합니다. 수 세기 동안 철학자와 과학자들은 이 과정에 대한 지침이 되는 규칙을 제안해 왔는데, 이를 오컴의 면도날(Occam's razor)이라고 부릅니다. 이 원칙은 두 가지 설명이 사실에 똑같이 잘 들어맞을 때, 더 단순한 것이 대개 더 나은 선택이라는 점을 시사합니다. 이는 더 적은 움직이는 부품, 더 적은 가정, 그리고 더 적은 오류의 여지를 가진 이야기를 선호하는 정신적 지름길입니다. 하지만 이 아이디어가 오랫동안 사상가들의 사랑을 받아왔음에도 불구하고, 인간의 뇌가 실제로 이론이 예측하는 정밀하고 수학적인 방식으로 이를 사용하는지, 아니면 단순히 덜 복잡하다고 느껴지는 것에 대해 막연한 선호를 갖는 것인지는 여전히 불분명한 상태로 남아 있었습니다.

한 연구팀은 이제 실험실에서 정교하게 설계된 일련의 실험들을 사용하여, 이 질문을 철학의 영역에서 실험의 영역으로 옮겨 놓았습니다. 그들은 사람들이 단순함과 정확성을 어떻게 구체적으로 저울질하는지 측정했습니다. 연구 결과, 인간의 의사결정은 실제로 특정한, 정량화 가능한 형태의 오컴의 면도날을 따른다는 것이 밝혀졌습니다. 노이즈가 섞인 불확실한 데이터에 직면했을 때, 사람들은 단순히 그것이 옳다고 느껴서가 아니라, 무작별한 우연에 속지 않기 위해 모든 가능한 이야기의 버전들을 평균 내는 복잡한 통계적 계산을 뇌가 수행하는 것처럼 보이기 때문에 자연스럽게 더 단순한 설명을 선호합니다. 이러한 단순함에 대한 선호는 너무나 깊게 각인되어 있어서, 사람들이 단순함을 무시하고 오직 가장 잘 들어맞는 단 하나의 모델에만 집중하라고 명시적으로 지시받을 때조차 지속됩니다. 이와 극명하게 대조적으로, 동일한 문제를 해결하도록 훈련된 컴퓨터 프로그램들은 이 단순함 편향을 명시적으로 프로그래밍했을 때만 이를 채택했는데, 이는 인간이 단순한 설명을 선호하는 경향이 학습된 전략이 아니라 인지의 근본적인 특징임을 시사합니다.

연구진은 참가자들이 탐정이 되어 수행하는 시각적 게임을 만들어 이를 테스트하고자 했습니다. 컴퓨터 화면에 10개의 빨간 점 구름이 중심점을 기준으로 다소 무작위하게 흩어져 나타납니다. 이 점들은 데이터의 '근원' 역할을 하는 직선 또는 곡선 호(arc) 중 하나의 숨겨진 도형에 의해 생성되었습니다. 참가자들의 임무는 어떤 도형이 점들을 만들어냈는지 추측하는 것이었습니다. 도형은 검은색으로, 점은 빨간색으로 그려져 명확한 시각적 퍼즐을 만들었습니다. 과학적 엄밀성을 기하기 위해 연구진은 네 가지 다른 버전의 게임을 설계했습니다. 각 버전에서 그들은 특정 수학적 특징의 복잡성을 고립시키는 방식으로 두 도형을 대결시켰습니다. 한 버전은 단일 점과 긴 선을 비교하여 사람들이 변수의 개수를 어떻게 다루는지 테스트했습니다. 또 다른 버전은 길이가 다른 두 선을 비교하여 도형이 덮을 수 있는 가능한 영역의 크기를 테스트했습니다. 세 번째 버전은 데이터와 관련하여 도형이 배치된 위치를 살펴보았고, 네 번째 버전은 도형이 데이터로부터 얼마나 휘어져 나가는지를 조사했습니다.

이 실험에서 연구진은 모든 시행(trial)에 대해 수학적으로 완벽한 답을 계산할 수 있었습니다. 베이즈 통계(Bayesian statistics)의 엄격한 규칙을 따르는 완벽한 관찰자라면, 단순히 점들과 가장 가까운 도형을 찾는 데 그치지 않을 것입니다. 대신, 이 이상적인 관찰자는 도형이 취할 수 있는 모든 가능한 위치를 고려하고 그들을 평균 낼 것입니다. 이 과정은 자연스럽게 너무 유연하거나 너무 큰 도형에 불이익을 줍니다. 왜냐하면 그러한 도형들은 그들의 '설명력'을 화면 전체에 너무 얇게 분산시켜, 특정 점 집합의 진정한 근원이 될 가능성을 낮추기 때문입니다. 연구진은 만약 인간이 이러한 종류의 통계적 추론을 사용한다면, 복잡한 도형이 기술적으로 점들과 더 가깝더라도 인간의 선택이 복잡한 도형에서 벗어나 단순한 도형 쪽으로 이동할 것이라고 예측했습니다.

결과는 인간이 정확히 그렇게 한다는 것을 확인해주었습니다. 데이터가 모호할 때, 즉 점들이 두 도형으로부터 거의 같은 거리에 있을 때, 참가자들은 일관되게 더 단순한 옵션을 선택했습니다. 그러나 연구는 단순히 일반적인 선호도를 보여주는 데 그치지 않고, 높은 정밀도로 그 선호의 강도를 측정했습니다. 수천 개의 선택을 분석함으로써, 연구팀은 사람들이 도형의 네 가지 뚜렷한 기하학적 특징, 즉 차원성(매개변수의 개수), 경계(끝부분), 부피(덮는 공간의 크기), 그리고 견고성(휘어짐 정도)에 민감하다는 것을 발견했습니다. 참가자들의 선택은 정량적으로 수학적 모델의 예측과 일치했습니다. 그들은 단순히 '단순한' 것을 막연히 선호하는 것이 아니라, 모든 가능한 원인을 통합하는 이론적 이상에 가깝게 이러한 특정 기하학적 요인들에 무게를 두고 있었습니다.

이것이 학습된 행동인지 아니면 더 근본적인 것인지를 이해하기 위해, 연구진은 인간 참가자들을 뇌를 모방하도록 설계된 컴퓨터 프로그램의 일종인 인공 신경망과 비교했습니다. 그들은 이 신경망들이 동일한 점과 도형 퍼즐을 풀도록 훈련시켰습니다. 신경망들이 단순함 편향을 사용하는 데 필요한 수학적으로 완벽한 '생성적(generative)' 솔루션을 찾도록 훈련받았을 때, 그들은 이를 학습하여 인간보다 더 나은 성과를 냈습니다. 그러나 연구진이 지침을 바꾸어 네트워크에게 '최대 가능도(maximum likelihood)' 솔루션, 즉 복잡성을 무시하고 단순히 점들과 가장 가까운 도형을 고르라는 지시를 내렸을 때, 네트워크는 즉각적으로 적응했습니다. 그들은 단순함에 대한 선호도를 전혀 보이지 않았고 새로운 과업을 완벽하게 수행했습니다.

반면, 인간 참가자들은 그렇게 쉽게 변하지 않았습니다. 심지어 복잡성을 무시하고 가장 가까운 도형을 고르라는 동일한 지침을 받았을 때도, 그들은 계속해서 더 단순한 옵션을 선호했습니다. 그들의 뇌는 모든 가능성을 통합하는 메커니즘을 끌 수 없는 것처럼 보였습니다. 이는 인간의 단순함 선호가 우리가 똑똑해지라고 말할 때 채택하는 유연한 전략이 아니라, 정보를 처리하는 방식의 핵심적인 부분임을 시사합니다. 우리는 자연스럽게 이야기가 진실일 수 있는 수많은 방식들을 평균 내며, 이를 통해 노이즈에 과적합(overfitting)되는 함정을 피하지만, 기계는 우리가 명시적으로 그 능력을 구축해 주어야만 그렇게 합니다.

이 연구는 또한 인간이 놀랍도록 뛰어나지만, 완벽하지는 않다는 점도 밝혀냈습니다. 단순함 규칙을 얼마나 강력하게 적용하는지에 대해 개인 간의 차이가 컸습니다. 일부 참가자들은 수학적 이상에 매우 근접했던 반면, 다른 이들은 도형의 크기나 곡률과 같은 특정 특징에 덜 민계적이었습니다. 흥eli로운 점은, 이상에서 멀어진 사람들은 더 많은 실수를 저지르는 경향이 있었는데, 이는 내부의 '단순함 필터'를 조정하는 것이 노이즈가 많은 세상에서 정확한 결정을 내리는 데 매우 중요하다는 것을 시사합니다. 연구진은 사람들이 서로 다른 특징들에 대해 무게를 다르게 두는 것으로 보이며, 이는 어떤 특징은 다른 것보다 계산하기 더 쉽기 때문일 수 있다고 언급했습니다. 예를 들어, 도형의 변수 개수를 세는 것은 도형이 덮는 전체 공간의 부피를 계산하는 것보다 뇌에게 더 쉬운 작업일 수 있으며, 이는 우리가 규칙을 적용할 때 발생하는 자연스러운 불균형을 초래할 수 있습니다.

궁극적으로 이 연구는 인간 사고의 숨겨진 메커니즘에 대한 드문 정량적 통찰을 제공합니다. 이는 우리의 뇌가 단순히 가장 가까운 적합성을 찾는 패턴 매칭 기계가 아님을 보여줍니다. 대신, 우리의 뇌는 "이 일이 일어날 수 있는 다른 방법이 얼마나 많을까?"라고 끊임없이 질문하며 그 답을 사용하여 선택을 안내하는 정교한 통계학자처럼 행동합니다. 모든 가능한 설명들을 통합함으로써, 우리는 단지 우연히 현재의 데이터에 들어맞는다는 이유만으로 복잡하고 유연한 이야기를 믿게 되는 함정을 피합니다. 이 연구는 오컴의 면도날이 우리가 어떻게 생각해야 하는지에 대한 철학적 제안일 뿐만 아니라, 우리가 실제로 어떻게 생각하는지에 대한 기술이며, 불확실성과 노이즈로 가득 찬 세상을 항해하는 데 도움을 주는 인간 인지의 내장된 특징임을 확인해 줍니다.