Semantic Information Beyond Shannon: Meaning,Coherence, and Agency in Experiential Systems

라디오 정적(static)으로 가득 찬 방 안에 서 있다고 상상해 보십시오. 신호만을 세는 기계에게 이 정적은 정보의 보물창고입니다. 그것은 혼란스럽고 예측 불가능하며 "비트(bits)"로 가득 차 있습니다. 하지만 당신의 귀에는 그저 소음일 뿐입니다. 이제, 그 정적 속에서 누군가 당신의 이름을 속삭인다고 상상해 보십시오. 갑자기 그 작고 조용한 소리는 우주에서 가장 중요한 것이 됩니다. 그것은 당신의 주의를 끌고, 기분을 바꾸며, 다음에 무엇을 해야 할지 정확히 알려줍니다. 이것이 수십 년 동안 과학자들을 괴롭혀온 퍼즐입니다. 어떻게 신호가 단순한 데이터에서 '의미'로 변하는가 하는 문제입니다.

오랫동안 정보를 이해하는 황금 표준은 섀넌 정보(Shannon Information) 이론이었습니다. 이것을 매우 효율적인 우편 서비스라고 생각해 보십시오. 이 서비스는 편지에 무엇이 적혀 있는지, 얼마나 빨리 전달되는지, 우편물에서 분실될 확률이 얼마나 되는지에만 관심을 가집니다. 편지에 "사랑해"라고 적혀 있든 "하늘은 초록색이다"라고 적혀 있든 상관하지 않습니다. 우편 서비스에게 두 문장은 그저 일련의 기호일 뿐입니다. 이는 텍스트 메시지를 보내거나 영상을 스트리밍할 때는 완벽하게 작동하지만, 생명체를 이해하려고 할 때는 한계에 부딪힙니다. 뇌는 우편 서비스가 아닙니다. 뇌는 모든 신호가 교통 신호등이자, 경고 사이렌이며, 지도 역할을 하는 분주한 도시입니다. 우리가 비트만을 센다면, 뇌가 왜 이렇게 분주하게 움직이는지에 대한 핵심을 놓치게 됩니다. 이 논문은 단순하지만 심오한 질문을 던집니다. 어떤 요소가 수신하는 시스템에게 의미 있는 신호로 만드는가?

이 논문의 저자들인 인도 공과대학교 만디(IIT Mandi)와 IKS 연구 센터의 팀은 이를 바라보는 새로운 방법을 제안합니다. 그들은 의미라는 것이 케이크 위에 설탕을 뿌리듯 나중에 정보에 '추가'하는 것이 아니라고 주장합니다. 대신, 의미는 시스템 내부에서 발생하는 특별한 종류의 '맞물림(fit)' 또는 '결합(coupling)'입니다. 그들은 이를 **의미-경험 결합(Meaning–Experience Coupling, MEC)**이라고 부릅니다.

이들의 아이디어를 이해하기 위해, 무용수와 음악을 상상해 보십시오. 음악(정보)에는 리듬과 구조가 있습니다. 무용수(에이전트)에게는 스타일, 목표, 그리고 움직이는 방식이 있습니다. 음악이 연주되는 동안 무용수가 가만히 서 있기만 한다면, 그것은 춤이 아니라 단지 소리일 뿐입니다. 무용수가 무작위로 움직인다면 움직임은 있겠지만 춤은 아닙니다. 하지만 무용수의 동작이 음악의 리듬과 무용수가 이야기를 표현하고자 하는 의도와 완벽하게 일치할 때, 바로 그 지점에서 마법이 일어납니다. 이 논문은 의미론적 정보(semantic information)가 바로 시스템이 경험하는 것과 시스템이 하려는 일 사이의 이러한 '춤'이라고 주장합니다.

논문은 이 '춤'을 측정하기 위한 공식인 **SI = g(R, A)**를 소개합니다.

• R은 **표상 조직(Representational Organization)**을 나타냅니다. 이는 시스템이 세상을 분류하는 방식입니다. 방의 지도나 소리의 목록처럼 시스템이 인지하는 것들의 목록입니다.
• A는 **행위적 정렬(Agentive Alignment)**을 나타냅니다. 이는 시스템의 '태도' 또는 '목표'입니다. "출구를 찾기", "위험 피하기", "음식 찾기"와 같이 시스템이 달성하고자 하는 바입니다.
• g는 지도(R)가 목표(A)에 얼마나 잘 부합하는지를 측정하는 함수입니다.

저자들은 만약 당신의 지도가 완벽하지만 목표가 없다면, 의미가 존재하지 않는다고 말합니다. 반대로 강력한 목표는 있지만 이를 안내할 지도가 없다면, 이 역시 의미가 없습니다. 의미는 오직 이 두 가지가 서로 맞물려 있을 때만 존재합니다.

이것이 단순히 철학적인 공상이 아님을 증명하기 위해, 저자들은 "토이 모델(toy model)"이라 불리는 간단한 컴퓨터 시뮬레이션을 구축했습니다. 그들은 세 가지 감각(공간적 단서, 에지 패턴, 주변 톤)과 세 가지 가능한 목표(탐색, 랜드마크 찾기, 배경 모니터링)를 가진 작은 디지털 에이전트를 만들었습니다.

시뮬레이션에서 저자들은 에이전트의 감각은 동일하게 유지한 채 목표만을 변경했습니다.

• 에이전트의 목표가 **탐색(Navigation)**이었을 때, "공간적 단서"는 매우 의미 있게 변했습니다. 의미 정보 점수는 약 0.433으로 급증했습니다.
• 에이전트의 목표가 **배경 모니터링(Background Monitoring)**으로 바뀌었을 때, 동일한 공간적 단서는 거의 쓸모없게 되었습니다. 점수는 약 0.317로 떨어졌습니다.
• 신호 자체는 전혀 변하지 않았음에도 불구하고, 에이전트의 초점이 바뀌었다는 이유만으로 "의미"가 약 27% 변화했습니다.

이 시뮬레이션은 의미가 신호의 고정된 속성이 아님을 보여줍니다. 의미는 관계입니다. 신호가 데이터로 가득 차 있더라도 시스템이 하고 있는 일과 연결되지 않는다면 의미는 비어 있을 수 있습니다. 반대로, 아주 작고 희미한 신호라도 지금 시스템이 정확히 필요로 하는 것이라면 의미로 가득 찰 수 있습니다.

또한 논문은 이 '춤'이 깨지는 경우를 탐구합니다. 그들은 의미가 실패하는 세 가지 방식을 설명합니다.

1. 파편화(Fragmentation): 시스템은 너무 많은 것을 보지만 이를 어떤 목표와도 연결하지 못합니다. 이는 마치 북적이는 방 안에서 모두가 소리를 지르고 있지만, 정작 어떤 대화 내용도 들리지 않는 상태와 같습니다.
2. 경직성(Rigidity): 세상이 변했음에도 시스템은 계속 같은 행동을 반복합니다. 이는 마치 GPS가 지도를 업데이트하지 못해 계속 벽 쪽으로 왼쪽으로 가라고 지시하는 상황과 같습니다.
3. 불일치(Misalignment): 신호는 명확하지만 목표가 잘못되었습니다. 이는 잠을 자려는 중에 화재 경보음을 듣는 것과 같습니다. 소리는 명확하지만, 현재의 목표(수면) 때문에 그 소리는 혼란스럽거나 무시되다가 위험을 인지하기 전까지는 무의미합니다.

저자들은 자신들이 '의식의 어려운 문제'(왜 무언가를 느끼는가)를 해결하려는 것이 아님을 분명히 합니다. 그들은 이 공식이 로봇이 진정으로 '살아있는지' 또는 '느끼는지'를 알려줄 것이라고 말하는 것이 아닙니다. 대신, 시스템이 자신의 세계를 어떻게 조직하는지를 설명하는 새로운 도구를 제공하고자 합니다. 기존의 이론들이 의미를 신호 자체에서 찾으려 했거나(그것이 참인지 확인하듯), 외부 세계에서 찾으려 했다면(그것이 생존에 도움이 되는지 확인하듯), 이 논문은 시스템 내부를 들여다보고 내부의 지도와 내부의 목표가 어떻게 함께 춤을 추고 있는지 살펴봐야 한다고 주장합니다.

연구팀은 이것이 첫 단계일 뿐이라고 인정합니다. 그들의 공식은 "가중 합(weighted sum)"인데, 이는 단순히 것들을 더하는 간단한 방식이지만, "멱평균 가족(power-mean family)"이라 불리는 더 복잡한 방식을 사용한 버전도 작동할 수 있음을 보여줍니다. 그들은 향후 과학자들이 이 아이디어를 인공지능을 테스트하는 데 사용할 수 있다고 제안합니다. 만약 로봇이 훌륭한 내부 지도를 가지고 있더라도 그 목표가 인간에 의해 프로그래밍된 무작위 숫자에 불과하다면, 그 로봇는 높은 "데이터"를 가질 수는 있어도 "의미"는 제로일 것입니다. 하지만 로봇의 목표와 지도가 진정으로 결합되어 있다면, 즉 로봇이 자신의 이해를 바탕으로 문제를 해결하려고 진심으로 노력하고 있다면, 그 로봇은 우리가 '의미론적 이해'라고 부를 수 있는 단계에 진입한 것일 수 있습니다.

요컨대, 이 논문은 의미란 발견하는 것이 아니라, 수행하는 것임을 시사합니다. 의미는 당신이 알고 있는 것과 당신이 달성하고자 하는 것 사이의 능동적이고 역동적인 관계입니다. 그 두 선이 교차할 때, 정보는 단순한 소음을 넘어 하나의 이야기가 됩니다.