Predictive perception via simultaneous learning and inference

인간은 결코 명확하지 않은 세상을 항해한다. 우리는 붐비는 방 안의 대화를 듣고, 흔들리는 그림자 속에서 얼굴을 인식하며, 신호가 희미할 때도 음악을 이해해 낸다. 이렇게 하기 위해 우리의 뇌는 단순히 감각에 닿는 것을 기록하는 것이 아니라, 우리가 이미 무엇을 기대하고 있는지를 우리가 받는 노이즈 섞인 데이터와 결합하여 그곳에 무엇이 있는지 능동적으로 추측한다. 흔히 '베이즈 뇌 가설(Bayesian brain hypothesis)'이라 불리는 이 아이디어는 지각이 끊임없는 추측과 확인의 과정임을 시사한다. 그러나 하나의 커다란 난제가 남아 있었다. 바로 뇌가 어떻게 실시간으로 이러한 복잡한 계산을 수행하느냐 하는 것이다. 자연계는 광대하고 연속적이며, 그러한 공간 속의 모든 가능한 상태에 대한 정확한 확률을 계산하는 것은 기계는 물론 생물학적 존재에게도 수학적으로 불가능하다. 수십 년 동안 과학자들은 뇌가 자신의 추측을 깔끔하고 단순한 형태로 강제하거나, 답을 근사하기 위해 수천 개의 무작위 샘플을 취하는 방식으로 문제를 단순화한다고 가정함으로써 이 문제를 해결하려 노력해 왔다.

새로운 연구는 이러한 복잡한 지름길의 필요성을 피하는 다른 경로를 제안한다. 연구진은 뇌가 자신의 추측을 단순화하는 대신, 뇌가 추측하고 있는 '세상'을 단순화할 수도 있다고 제안한다. 그들은 지각이 종종 연속적인 입력을 뚜렷하고 구별되는 상태로 범주화하는 방식으로 작동한다고 주장하는데, 이는 마치 우리가 음의 높낮이가 미끄러지는 주파수 스케일이 아니라 일련의 특정 음표로서 멜로디를 듣는 것과 같다. 환경을 매끄럽고 끝없는 흐름이 아닌 일련의 이산적인 단계들로 취급함으로써, 뇌는 근사치를 구할 필요 없이 정확하고 완벽한 계산을 수행할 수 있다. 연구진은 이 아이디어를 테스트하기 위해 컴퓨터 모델을 구축했으며, 이 시스템이 상태가 변하는 규칙을 학습하는 동시에 자신이 어떤 상태에 있는지 파써냄으로써 노이즈가 심한 상황에서도 인간의 행동을 재현할 수 있음을 보여주었다. 이 접근 방식은 뇌가 정교한 지각의 달인이 되기 위해 복잡한 통계의 대가가 될 필요는 없으며, 단지 게임의 규칙을 알고 게임을 하며 그 규칙을 업데이트할 줄 알면 된다는 것을 시사한다.

마스트리흐트 대학교의 마디 에난(Mahdi Enan)과 동료들이 이끄는 연구진은 SLIM이라고 불리는 모델을 개발했다. SLIM은 '동시 학습 및 추론 모델(Simultaneous Learning and Inference Model)'의 약자이다. 이들의 핵심 아이디어는 복잡성이 위치하는 지점을 바꾸는 것이다. 이전 이론들에서 뇌는 세상의 엄청난 가능성의 수 때문에 어려움을 겪으며, 수학적 계산을 가능하게 하기 위해 자신의 믿음을 제한해야 한다고 여겨졌다. SLIM은 이 구도를 뒤집는다. 이 모델은 세상이 유한한 수의 상태로 구성되어 있다고 가정하며, 이는 현재의 상태를 파악하는 수학적 문제를 완벽하게 풀 수 있게 만든다. 과제는 세상이 한 상태에서 다음 상태로 어떻게 이동하는지를 학습하는 것이 된다. 모델은 추측을 할 때마다 이러한 전이에 대한 내부 지도를 업데이트하기 위해 단순하고 국소적인 규칙을 사용한다. 모델은 단순히 가공되지 않은 감각 데이터로부터 학습하는 것이 아니라, 자신의 추론으로부터 학습하며, 이를 통해 환경의 규칙이 변할 때 적응할 수 있다.

이 이론이 타당한지 확인하기 위해 연구팀은 일련의 컴퓨터 시뮬레이션을 실행했다. 그들은 움직임의 규칙이 고정되고 예측 가능하거나, 혹은 무작위적이고 변화무쌍한 가상 환경을 만들었다. 그런 다음 연구진은 인간의 감각이 받는 불완전한 데이터를 모방하여 모델에 노이즈가 섞인 신호를 입력했다. 결과는 놀라웠다. 모델은 감각 입력이 심하게 왜곡된 상황에서도 환경의 기저에 깔린 패턴을 성공적으로 학습했다. 환경이 예측 가능한 패턴에서 혼돈스러운 패턴으로 갑자기 변했을 때, 모델은 빠르게 적응하며 내부의 불확서성을 새로운 현실에 맞춰 높였다. 결정적으로, 모델은 감각 입력이 완전히 쓸모없게 되었을 때조차 학습된 기대치에 전적으로 의존하여 기능하며 정확한 예측을 계속할 수 있었다. 이는 외부 세계가 침묵할 때 내부 모델을 신뢰함으로써 시스템이 안정적인 세계관을 유지할 수 있음을 입증했다.

연구진은 또한 이 단순한 프레임워크가 다양한 시간 척도를 다루는 뇌의 능력을 포착할 수 있는지 테스트했다. 현실 세계에서 우리는 드럼 비트와 같은 즉각적인 패턴뿐만 아니라, 노래의 리듬과 같은 더 긴 구조도 인지한다. 연구팀은 하나의 층은 단기적 전이를 학습하고 다른 층은 장기적 패턴을 학습하는 계층적 버전의 모델을 구축했다. 모델에 국소적 규칙은 따르지만 전역적 규칙은 위반하는 시퀀스를 제시했을 때, 모델은 인간의 뇌가 국소적 혹은 전역적 놀람에 반응하는 방식과 유사하게 각 층위에서 뚜렷한 오류 신호를 생성했다. 이는 동일한 기본 메커니즘의 학습과 추론이 서로 다른 시간 척도를 위한 별도의 전문화된 시스템 없이도 복잡하고 다층적인 지각을 설명할 수 있음을 시사했다.

시뮬레이션을 넘어, 연구팀은 두 가지 청각 실험에서 얻은 실제 인간 데이터를 모델에 적용했다. 첫 번째 연구에서 참가자들은 배경 소음 속에 숨겨진 특정 톤을 듣는 데 참여했다. 때때로 앞선 소리가 다음에 올 톤에 대한 힌트를 주기도 했고, 때로는 그렇지 않기도 했다. 인간은 예상되는 톤을 예상치 못한 톤보다 더 빠르고 정확하게 감지하는 것으로 알려져 있다. 참가자 개개인에게 맞춘 SLIM 모델은 이러한 행동을 완벽하게 재현했다. 모델은 예상된 톤에 대해 더 높은 '적중률'을 보였고, 예상치 못한 톤에 대해서는 더 긴 반응 시간을 보였는데, 이는 실제 연구 대상자들과 일치했다. 또한 모델은 '놀람(surprise)'의 척도를 생성했는데, 이는 참가자들의 반응 시간과 상관관관계를 보였으며, 이는 놀람이라는 느낌이 뇌의 내부 모델을 업데이트하려는 시도의 직접적인 부산물임을 시사한다.

두 번째 실험은 다음에 올 것에 대한 힌트를 전혀 주지 않는 모호한 단서를 도입하여 복잡성을 더했다. 이를 통해 연구진은 기대의 이득과 놀람의 비용을 분리할 수 있었다. 결과는 마찬가지로 모델이 인간의 데이터와 일치했다. 참가자들은 명확한 기대가 있을 때 가장 잘 수행했고, 기대가 없을 때 가장 저조했으며, 단서가 모호할 때는 그 중간 정도의 성과를 보였다. 모델의 내부 기대치와 놀람에 대한 계산은 이러한 행동적 변화를 매우 정밀하게 추적했다. 데이터를 분석한 결과, 연구진은 학습된 기대치를 바탕으로 소리가 얼마나 놀라운지에 대한 모델의 척도가 개인별 톤 감지 능력의 차이를 설명할 수 있다는 것을 발견했다. 이는 환경의 통계적 구조를 학습하는 뇌의 능력이 이러한 지각적 이점의 핵심 동력이라는 강력한 증거를 제공했다.

이 연구는 뇌가 세상의 불확실성을 다루기 위해 반드시 복잡하고 근사적인 방법에 의존해야 한다는 기존의 관점에 도전한다. 대신, 지각을 세상을 이산적인 상태로 범주화하는 과정으로 취급함으로써 뇌가 단순하고 국소적인 학습 규칙을 사용하여 정확한 계산을 수행할 수 있다고 제안한다. 이 접근 방식은 뇌가 자신의 믿음에 특정한 형태를 가정하거나 답을 찾기 위해 수천 개의 무작위 샘플을 실행할 필요를 요구하지 않는다. 뇌는 단지 상태 간의 전이를 학습하고 이를 실시간으로 업데이트할 뿐이다. 이 모델은 관리 가능한 수의 상태를 가진 환경에서 가장 잘 작동하지만, 연구진은 이 프레임워크가 우리가 노이즈가 많은 세상을 항해하는 방식에 대해 강력하고 생물학적으로 타당한 설명을 제공한다고 주장한다. 이는 미래를 예측하는 뇌의 능력이 복잡한 수학에서 오는 것이 아니라, 현재의 규칙을 배우는 단순하고 지속적인 과정에서 온다는 것을 보여준다.