수십 년 동안 신경과학자들은 도시 계획가가 금융, 제조 또는 주거를 위한 별도의 구역을 식별하는 것과 유사하게, 특화된 이웃(neighborhoods)을 찾는 방식으로 인간의 뇌를 지도화해 왔습니다. 두 가지 구역은 오랫동안 별개의 것으로 간려되어 왔는데, 하나는 문장을 이해할 때 활성화되는 전용 언어 네트워크이고, 다른 하나는 복잡한 수학 문제를 풀거나 긴 목록을 기억하는 것과 같이 어려운 정신적 과제에 직면할 때마다 활성화되는 다중 요구(multiple-demand) 네트워크입니다. 지배적인 견해는 이 두 시스템이 그 작업에서 거의 겹치지 않는다는 것이었습니다. 언어 네트워크는 단어의 의미를 처리하고, 다중 요구 네트워크는 일반 목적의 조력자 역할을 하며, 과업이 너무 어려워질 때만 개입하여 추가적인 노력을 제공할 뿐 언어 자체를 실제로 처리하지는 않는다고 여겨졌습니다. 이러한 구분은 우리가 밀도 높은 강의를 이해하느라 고군분로할 때, 우리 뇌가 스트레스를 관리하기 위해 별도의 작업 팀을 모집하며, 실제 의미의 해독은 언어 전문가들에게 맡긴다는 것을 시사했습니다.

하지만 새로운 연구는 이러한 경직된 분리에 도전하며, 뇌의 '조력자' 네트워크가 단순히 스트레스를 관리하는 것 이상을 수행하며, 내용 이해에 능동적으로 참여한다는 점을 시사합니다. 사람들이 영상을 보고 이야기를 듣는 동안 그들의 뇌를 관찰함으로써, 연구진은 다중 요구 네트워크가 단순히 노력을 증폭시키는 것이 아님을 발견했습니다. 대신, 이 네트워크는 들리는 내용의 구체적인 의미에 대한 상세한 정보를 보유하며, 현재 다루고 있는 주제에 맞춰 자신의 내부 표상을 조정합니다. 이 발견은 언어를 이해하는 우리의 능력이 단일하고 고립된 영역에 국한된 것이 아니라, 일반 목적의 제어 센터들조차 특정 주제에 맞게 조정되는 협력적인 노력임을 암의합니다. 즉, 과학 강의든 개인적인 이야기든 상관없이 말입니다.

이를 조사하기 위해 연구진은 뇌 영상 기술과 인공지능을 결합한 독특한 접근 방식을 사용했습니다. 그들은 세 그룹의 참가자를 모집하여 서로 다른 유형의 콘텐츠를 시청하고 듣게 했습니다. 한 그룹은 추상적인 개념과 전문 용어로 가득 찬 고난도 과업인 컴퓨터 과학 강의 21개 세그먼트를 시청했습니다. 다른 그룹은 스토리텔링과 일상적인 언어로 특징지어지는 저난도 과업인 라디오 프로그램의 개인적 서사를 수백 분 동안 들었습니다. 세 번째 그룹은 차이가 사람들의 특성이 아니라 재료 자체 때문임을 확실히 하기 위해 통제된 환경에서 두 유형의 콘텐츠를 모두 시청했습니다. 참가자들이 이러한 자료에 몰입하는 동안, 연구진은 혈류를 추적하여 뇌의 어느 부분이 가장 열심히 작동하는지 확인하는 기술인 기능적 자기 공명 영상(fMRI)을 사용하여 그들의 뇌 활동을 기록했습니다.

연구진은 그다음 뇌가 무엇을 생각하고 있는지 해독하기 위해 영리한 방법을 사용했습니다. 그들은 인간의 언어를 이해하도록 훈련된 두 개의 컴퓨터 프로그램, 즉 언어 모델을 채택했습니다. 하나의 범용 모델은 방대한 양의 책과 웹사이트로부터 학습했습니다. 다른 하나는 수백만 편의 과학 논문만을 대상으로 학습된 특화된 버전이었습니다. 결정적으로, 두 프로그램은 정확히 동일한 내부 구조와 어휘를 갖추고 있었으며, 유일한 차이점은 그들이 학습한 자료였습니다. 연구진은 강의와 이야기의 전사본(transcripts)을 이 프로그램들에 입력하여 각 단어와 문장이 어떻게 이해되는지에 대한 디지털 지도를 생성했습니다. 그런 다음 이 디지털 지도들을 참가자들로부터 기록된 실제 뇌 활동과 비교했습니다.

만약 다중 요구 네트워크가 단순히 일반적인 노력 증폭기였다면, 내용이 과학에 관한 것이든 이야기에 관한 것이든, 혹은 컴퓨터 프로그램이 과학 텍스트로 훈련되었든 일반 텍스트로 훈련되었든 상관없이 동일하게 반응했을 것입니다. 그러나 결과는 훨씬 더 정교한 그림을 보여주었습니다. 다중 요구 네트워크는 어려운 강의와 쉬운 이야기 모두에서 언어적 정보를 안정적으로 인코딩했습니다. 더 중요한 것은, 이 네트워크가 언어를 표현하는 방식이 주제에 따라 변했다는 점입니다. 참가자들이 컴퓨터 과학 강의를 들을 때, 다중 요구 네트워크의 뇌 활동은 일반 모델보다 특화된 과학 모델과 훨씬 더 밀접하게 일치했습니다. 반대로, 개인적 서사를 들을 때는 뇌 활동이 일반 모델과 더 잘 일치했습니다.

이 패턴은 다중 요구 네트워크가 단순한 인지 부하의 수동적 증폭기가 아님을 드러냈습니다. 이 네트워크는 언어의 구체적인 의미론적 내용을 능동적으로 추적하며, 처리 중인 정보의 영역에 맞춰 자신의 내부 상태를 조정합니다. 연구는 고난도 과학 강의 동안 다중 요구 네트워크가 전용 언어 네트워크보다 언어 구조를 더 강력하게 추적한다는 것을 발견했습니다. 반면, 저난도 서사 동안에는 전용 언어 네트워크가 주도권을 잡았습니다. 이는 두 시스템이 맥락에 따라 역할을 전환하는 역동적인 분업을 시사합니다. 다중 요구 네트워크는 상황이 어려워질 때만 돕는 것이 아니라, 물리학의 추상적 개념이든 이야기의 감정적 뉘앙스든, 주제에 대한 고유한 민감성을 지닌 전문적인 파트너가 됩니다.

연구진은 또한 이러한 발견이 단순히 뇌가 더 열심히 일한 결과가 아님을 확인했습니다. 그들은 두 유형의 콘텐츠가 실제로 서로 다른 수준의 정신적 노력을 요구한다는 것을 검증했으며, 강의가 이야기보다 더 많은 인지 자원을 요구한다는 것을 확인했습니다. 그럼에도 불구하고, 노력의 차이를 고려한 후에도 다중 요구 네트워크의 내용 민감성은 명확하게 유지되었습니다. 언어의 구체적인 의미를 표현하는 네트워크의 능력은 고난도와 저난도 상황 모두에서 지속되었습니다. 이는 네트워크의 참여가 단순히 어려움에 대한 반응이 아니라, 언어로부터 의미를 구성하는 근본적인 부분임을 나타냅니다.

이러한 발견은 뇌가 언어를 처리하는 방식에 대한 우리의 이해를 재편합니다. 다중 요구 네트워크를 언어 네트워크가 압도당할 때만 투입되는 별개의 시스템으로 보는 대신, 이 연구는 그것이 분산된 시스템의 능동적이고 내용에 민감한 구성 요소임을 시사합니다. 뇌는 서로 다른 네트워크가 보완적인 정보를 기여하는 유연한 구조를 사용하는 것으로 보입니다. 전용 언어 네트워크는 문장의 핵심 구조에 집중할 수 있고, 다중 요구 네트워크는 그 정보를 더 넓은 맥락 및 도메인별 지식과 통합할 수 있습니다. 이러한 협업을 통해 뇌는 기술적인 정밀함을 가진 강의부터 일상적인 대화의 흐름에 이르기까지 다양한 유형의 의사소통에 원활하게 적응할 수 있습니다.

이 연구는 다중 요구 네트워크가 언어 네트워크를 대체한다거나 두 네트워크가 동일하다고 주장하는 것이 아닙니다. 대신, 그것들이 유동적이고 맥락 의존적인 방식으로 함께 작동함을 보여줍니다. 두 시스템 사이의 균형은 처리되는 내용과 그것이 얼마나 어려운지에 따라 변화합니다. 이러한 미묘한 관점은 전문화된 영역 대 일반 영역이라는 단순한 아이디어를 넘어, 인간 인지에 대한 더 통합된 그림을 제시합니다. 이는 세상을 이해하는 우리의 능력이, 우리 마음속에 흐르는 복잡한 정보의 흐름을 이해하기 위해 협력하며, 경험의 구체적인 세부 사항에 맞춰 조정된 시스템들의 네트워크에 의해 뒷받침된다는 것을 시사합니다.