Delusions Emerge from Generative Model Reorganisation rather than Faulty Inference: Insights from Hybrid Predictive Coding

이 논문은 기존에 주장되던 추론 오류가 아닌, 비정상적인 조건 하에서 학습된 생성 모델의 재구성을 통해 망상의 핵심 특징이 설명될 수 있음을 하이브리드 예측 부호화 모델을 통해 규명하고 새로운 치료 전략의 가능성을 제시합니다.

핵심

이 논문은 **"망상 (Delusions)"**이라는 정신 질환의 핵심 증상인 "비현실적인 믿음이 왜 그렇게 끈질기고, 왜 증거가 있어도 고쳐지지 않는가?"에 대한 새로운 컴퓨터 시뮬레이션 연구를 설명합니다.

기존의 이론들은 "뇌가 정보를 잘못 계산해서 (추론 오류)" 망상이 생긴다고 보았지만, 이 연구는 **"뇌의 학습 방식이 재구성되면서 생긴 결과"**라고 주장합니다.

이 복잡한 내용을 일상적인 비유로 쉽게 풀어보겠습니다.

---

🧠 핵심 비유: "잘못된 나침반과 지도의 재작성"

이 연구를 이해하기 위해 등산을 상상해 보세요.

1. 뇌는 어떻게 세상을 이해할까? (예측 코딩)

우리의 뇌는 매 순간 들어오는 눈과 귀의 정보 (산의 풍경, 바람 소리) 를 받아들이고, **"지금 내가 어디에 있겠지?"**라고 미리 추측합니다.

• 예측: "나는 지금 산 정상에 있을 거야."
• 실제 정보: "아니, 여기는 숲이야."
• 오차 (예측 오차): "어? 내 추측이 틀렸네."
• 보정: 뇌는 이 오차를 보고 "아, 내가 정상에 있는 게 아니라 숲에 있구나"라고 믿음을 고칩니다.

2. 망상이 시작되는 순간: "잘못된 나침반" (Amortisation Failure)

이 연구에 따르면, 망상은 처음부터 계산이 틀린 게 아닙니다. 대신, 뇌가 정보를 받아들이는 '초기 설정' (나침반) 이 잘못 작동합니다.

• 상황: 당신은 산을 오르고 있는데, 뇌의 나침반이 갑자기 고장 나서 **"당신은 이미 바다에 있다"**라고 잘못 알려줍니다.
• 초기 반응: 뇌는 당황합니다. "아니, 눈앞에 나무가 있는데 바다라고?"라고 생각하며 정보를 다시 확인하려 합니다 (추론 과정).
• 문제: 하지만 뇌가 이 잘못된 나침반을 너무 강력하게 믿어버립니다 (정신 질환의 특징인 '과도한 확신'). "아니, 내가 바다에 있는 게 분명해!"라고 고집을 부립니다.

3. 지도를 다시 그리는 뇌 (Generative Model Reorganisation)

여기가 가장 중요한 부분입니다. 뇌는 "내가 잘못 봤을 거야"라고 생각하기보다, **"내 나침반이 맞고, 눈앞의 풍경이 이상한 거야"**라고 결론 내립니다.

• 재구성: 뇌는 "바다에 나무가 있는 건 이상하니까, 이 나무는 '바다의 특수한 식물'이거나 '거대한 물고기'일 거야"라고 **새로운 규칙 (지도)**을 만들어냅니다.
• 결과: 이제 뇌는 "나무를 보고도 바다라고" 생각할 때 더 이상 당황하지 않습니다. 오히려 **"나무 = 바다의 증거"**라고 완벽하게 설명해냅니다.
• 망상의 완성: 이제 이 사람은 나무를 봐도 "바다야!"라고 확신하며, "나무가 있는데 왜 바다야?"라는 남의 말을 "너는 내 바다를 못 보는 거야"라고 받아들입니다.

4. 왜 고치기 힘든가? (Attractor Points)

기존 이론은 "뇌가 계산 실수를 해서" 망상이 생긴다고 봤지만, 이 연구는 **"뇌가 새로운 현실을 완벽하게 적응시켰기 때문"**이라고 말합니다.

• 뇌는 이미 그 잘못된 믿음을 바탕으로 **새로운 지도 (Generative Model)**를 완전히 그려냈습니다.
• 이 새로운 지도 안에서는 "나무 = 바다"가 가장 논리적이고 예측 오차가 없는 상태입니다.
• 따라서 외부에서 "나무는 나무야"라고 말해도, 뇌는 "아니, 내 지도에 따르면 이건 바다야"라고 반응하며 **새로운 현실에 단단히 고정 (Attractor)**되어 버립니다.

---

💡 이 연구가 주는 중요한 교훈

1. 망상은 '바보'가 아니라 '적응'입니다:
   환자가 멍청해서 망상을 하는 게 아닙니다. 뇌가 혼란스러운 상황 (예측 오차) 을 해결하기 위해, 가장 논리적인 방식으로 현실을 재해석한 결과입니다. 다만 그 해석이 우리와 다릅니다.

2. 시간이 지날수록 고치기 어렵습니다:
   연구 결과, 잘못된 나침반을 믿으며 오래 산일수록 (망상이 오래 지속될수록) 뇌는 그 잘못된 지도를 더 완벽하게 그려냅니다.

   • 초기: 나침반을 고치면 다시 정상으로 돌아옵니다.
   • 후기: 이미 그려진 지도가 너무 완벽해서, 나침반만 고쳐도 지도가 다시 원래대로 돌아오지 않습니다.

3. 치료의 새로운 방향:
   기존 치료는 "네가 잘못 생각했어, 다시 계산해봐" (추론 교정) 에 집중했습니다. 하지만 이 연구는 **"뇌가 그리는 지도 (Generative Model) 자체를 다시 그려줘야 한다"**고 제안합니다.

   • 초기에는 뇌가 유연하게 생각할 수 있게 돕고,
   • 나중에는 아예 새로운 지도를 다시 배우게 (재학습) 해야 한다는 것입니다.

📝 한 줄 요약

"망상은 뇌가 잘못된 정보를 받아들이기 위해, 그 정보를 완벽하게 설명해줄 수 있는 '새로운 현실 (지도)'을 스스로 만들어버린 결과입니다. 그래서 단순히 사실을 말해주고 고쳐지지 않는 것이죠."

이 연구는 망상을 가진 사람을 '비이성적인 사람'으로 보는 시각을 바꾸고, 그들의 뇌가 어떻게 작동하는지 이해하여 더 효과적인 치료법을 개발할 수 있는 길을 열어줍니다.

기술 요약

논문 요약: 하이브리드 예측 부호화 (Hybrid Predictive Coding) 를 통한 망상의 기제 규명

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 망상 (Delusions) 은 정신분열증 등 다양한 신경정신과 질환에서 나타나는 비합리적이고 고착된 신념입니다. 기존 예측 부호화 (Predictive Coding) 이론은 망상을 '신경적 추론 과정의 오류 (Faulty Inference)'로 설명하려 했으나, 망상의 두 가지 핵심 특징인 주제적 반복성 (Thematic recurrence) 과 모순적 증거에 대한 불변성 (Imperviousness to contradictory evidence) 을 설명하는 데 한계가 있었습니다.
• 문제점: 기존 모델은 추론이 매번 무작위 초기 상태에서 시작하는 '메모리리스 (memoryless)' 특성을 가지므로, 고차원 신념의 정밀도 (precision) 가 높아진다고 해서 망상처럼 일관된 주제를 유지하거나 증거를 무시하는 현상을 설명하기 어렵습니다. 오히려 이는 예측 오차를 증가시켜 불확실성을 높이는 결과를 초래할 수 있습니다.
• 가설: 저자들은 망상이 추론 과정의 실패가 아니라, 생성 모델 (Generative Model) 의 재구성 (Reorganisation) 결과라고 주장합니다. 즉, 부적절한 초기화 (Contextually inadequate initialisation) 와 과도한 정밀도가 결합되어 모델이 입력 데이터를 설명하기 위해 내부 구조를 재편성하면서 망상적 신념이 유지된다는 것입니다.

2. 방법론 (Methodology)

• 모델 아키텍처: 하이브리드 예측 부호화 (Hybrid Predictive Coding) 모델을 사용했습니다. 이는 표준 예측 부호화 (반복적 추론) 에 상각 (Amortisation) 메커니즘을 결합한 것으로, 입력에 대한 빠른 순방향 스윕 (feedforward sweep) 으로 초기 신념을 추정하고, 이후 피드백을 통해 이를 정제합니다.
• 실험 설계:
  1. 조상 모델 (Progenitor Model) 학습: EMNIST 데이터셋 (숫자 0-5, 문자 A, B, C, D, E, S) 을 사용하여 4 계층 구조의 모델을 학습시켰습니다. 이 모델은 두 개의 상각 네트워크 (숫자용, 문자용) 를 가지며, 각 컨텍스트에 맞는 네트워크가 추론 네트워크의 초기 상태를 제공합니다.
  2. 쌍둥이 모델 (Twin Models) 생성: 학습된 조상 모델의 가중치를 복사하여 '대조군 (Control)'과 '망상군 (Delusional)' 모델을 만들었습니다.
  3. 망상 유발 조건:
     • 잘못된 상각 선택: 망상군 모델에서는 컨텍스트가 잘못 매핑되도록 설정했습니다 (예: 숫자 이미지를 문자 상각 네트워크로 처리).
     • 고정된 고차원 신념 (Increased Precision): 학습 중 최상위 레이어의 활성화 값을 상각 네트워크의 출력에 고정 (Clamping) 하여, 고차원 신념의 정밀도를 극도로 높인 상태를 시뮬레이션했습니다.
  4. 학습 단계:
     • 자기 지도 학습 기간 (Self-supervised period): 망상군 모델이 잘못된 초기 신념 하에서 입력 데이터를 설명하도록 장기간 학습시켰습니다.
     • 자기 유지 기간 (Self-sustaining period): 최상위 레이어의 클램핑을 해제하고, 모델이 망상 상태에서 회복될 수 있는지 (비망상 상태로 돌아갈 수 있는지) 관찰했습니다.

3. 주요 결과 (Key Results)

• 생성 모델의 재구성과 예측 오차의 부재:
  • 망상군 모델은 초기에 잘못된 신념 (예: 숫자 '4'를 'A'로 인식) 으로 시작했으나, 학습을 거치면서 생성 모델 자체가 재구성되었습니다.
  • 결과적으로 망상적 신념 ('A') 하에서도 입력 데이터 ('4') 에 대한 전체 예측 오차 (Prediction Error) 는 대조군 모델과 유사하게 낮아졌습니다. 즉, 망상은 모델 내부에서 일관된 설명이 가능해졌기 때문에 유지되는 것입니다.
• 신념 공간의 새로운 어트랙터 (Attractor) 형성:
  • 학습 초기에는 추론 과정을 통해 잘못된 상각을 보정할 수 있었으나, 학습이 진행될수록 망상적 신념 ('A') 이 새로운 어트랙터 포인트가 되었습니다.
  • 시간이 지날수록 무작위 초기 상태에서 시작하더라도 모델은 다시 망상적 신념으로 수렴하게 되었으며, 이는 생성 모델의 구조적 변화가 일어났음을 의미합니다.
• 회복의 어려움 (Dose-response relationship):
  • 망상 상태가 지속된 기간이 길수록, 비망상적 신념을 지지하는 기울기 (gradients) 는 약화되고 망상적 신념을 지지하는 기울기는 강화되어 회복이 점점 더 어려워졌습니다.
  • 그러나 완전히 소멸하지는 않아, 일부 회복은 가능했으나 완전한 정상화는 어려웠습니다.
• 계층적 재구성:
  • 분석 결과, 망상적 변화는 주로 고차원 레이어 (Layer 3, 2) 에서 발생했으며, 저차원 레이어 (입력 재구성) 는 입력을 정확하게 표현하면서도 고차원의 망상적 신념과 공존할 수 있었습니다.

4. 주요 기여 (Key Contributions)

1. 망상의 새로운 계산적 기제 제시: 망상이 '추론 오류'가 아니라, 생성 모델의 적응적 재구성 (Adaptive Reorganisation) 결과임을 수학적으로 증명했습니다. 이는 망상이 내부적으로 일관된 '현실'을 구축하는 과정임을 보여줍니다.
2. 상각 (Amortisation) 실패의 역할 규명: 맥락에 맞지 않는 초기 신념 (상각 실패) 이 고차원 신념의 과도한 정밀도와 결합될 때, 모델이 입력을 설명하기 위해 생성 모델을 왜곡시키는 과정을 시뮬레이션했습니다.
3. 치료적 함의 도출: 망상의 지속 기간이 길수록 생성 모델의 구조적 변화가 깊어지므로, 초기 개입의 중요성을 강조합니다. 또한, 치료는 단순히 추론을 교정하는 것이 아니라, 생성 모델 자체를 재학습 (Re-training) 시켜야 함을 시사합니다.

5. 의의 및 결론 (Significance)

• 이론적 의의: 망상을 단순히 비합리적인 신념이 아니라, 특정 환경 (부적절한 초기화 및 높은 정밀도) 하에서 생성된 최적의 추론 결과로 재해석합니다. 이는 망상을 가진 개인에게 있어 망상이 '현실'임을 의미하며, 타인의 관점 (다른 생성 모델을 가진 사람) 과의 충돌로만 설명될 수 있음을 보여줍니다.
• 임상적 의의:
  • 조기 개입: 망상 상태가 지속될수록 생성 모델의 구조적 변화가 고착화되므로, 초기 단계에서 유연한 추론을 유도하여 모델의 재구성을 막는 것이 중요합니다.
  • 치료 전략: 만성기 환자에게는 망상적 생성 모델을 '지우기'보다, 건강한 생성 모델을 '재학습'시키는 전략이 필요할 수 있습니다.
  • 문화적 맥락: 생성 모델은 사회적/문화적 감독 (부모, 교육 등) 에 의해 형성되므로, 망상의 내용도 해당 사회문화적 맥락에 의해 결정된다는 점을 지지합니다.

결론적으로, 이 연구는 망상이 뇌의 계산적 오류가 아니라, 특정 조건 하에서 학습된 생성 모델의 구조적 적응 결과임을 보여주며, 이를 통해 망상의 고착성과 치료의 난제를 새로운 관점에서 이해할 수 있는 틀을 제공합니다.