현재 인공지능(AI) 분야는 거대한 데이터셋과 막대한 컴퓨팅 자원을 기반으로 눈부신 발전을 거듭하고 있습니다. 특히 대규모 언어 모델(LLM)의 등장은 이러한 ‘데이터 중심’ 패러다임의 정점을 보여주는 듯했습니다. 하지만 최근 존스 홉킨스 대학교 연구진이 발표한 혁신적인 연구 결과는 이 지배적인 흐름에 신선한 질문을 던지고 있습니다. 그들의 연구는 AI 시스템이 방대한 데이터를 학습하기 전에도 생체에서 영감을 받은 아키텍처만으로 인간 뇌와 유사한 활동을 보일 수 있음을 밝혀내며, AI 개발의 새로운 패러다임을 제시하고 있습니다.
데이터의 왕국을 흔들다: 새로운 AI 패러다임의 등장
지금껏 AI 시스템을 발전시키는 주된 전략은 ‘더 많은 데이터’, ‘더 큰 모델’, ‘더 강력한 컴퓨팅 자원’을 투입하는 것이었습니다. 존스 홉킨스 인지과학 부교수이자 이번 연구의 주 저자인 믹 보너(Mick Bonner) 박사는 이러한 접근 방식이 “수천억 달러를 소모하며 소도시 규모의 컴퓨팅 자원을 필요로 한다”고 지적했습니다. 그는 “인간은 극히 적은 데이터로도 세상을 인지하고 학습한다”며, 진화가 효율적인 뇌 설계를 선택한 이유에 주목해야 한다고 강조했습니다. 그의 팀은 이러한 진화론적 관점에서, 대규모 학습 없이도 아키텍처 자체만으로 AI 시스템이 인간과 유사한 출발점을 가질 수 있는지 실험했습니다.
뇌를 닮은 설계, 그 잠재력의 발견
연구팀은 현대 AI 시스템에 주로 사용되는 세 가지 신경망 디자인, 즉 트랜스포머(Transformers), 완전 연결 네트워크(Fully Connected Networks), 그리고 컨볼루션 신경망(Convolutional Neural Networks, CNN)에 주목했습니다. 이들은 다양한 인공 신경망을 설계하고, 어떤 모델도 사전 훈련 없이 객체, 사람, 동물 이미지를 시스템에 노출시켰습니다. 그리고 이 ‘훈련되지 않은’ 시스템 내부의 활동을 동일한 이미지를 본 인간 및 비인간 영장류의 뇌 반응과 비교 분석했습니다.
놀라운 결과는 컨볼루션 신경망에서 나타났습니다. 트랜스포머나 완전 연결 네트워크에서 인공 뉴런 수를 늘리는 것은 큰 의미 있는 변화를 가져오지 못했지만, CNN에 유사한 조정을 가하자 인간 뇌에서 관찰되는 것과 훨씬 더 유사한 활동 패턴을 보인 것입니다. 연구진에 따르면, 이 훈련되지 않은 CNN 모델은 수백만, 심지어 수십억 개의 이미지를 학습해야 하는 기존 AI 시스템과 동등한 수준의 ‘뇌 유사성’을 보여주었습니다. 이는 AI의 뇌와 같은 행동을 형성하는 데 있어 아키텍처가 이전에 생각했던 것보다 훨씬 더 큰 역할을 한다는 것을 시사합니다.
에디터의 시선: AI 개발의 효율성과 지속 가능성을 향한 혁신
이번 존스 홉킨스 연구 결과는 현재 AI 업계를 지배하는 ‘데이터 지상주의’ 전략에 강력한 반론을 제기합니다. 마치 거대한 건축물을 짓기 위해 무작정 많은 재료를 쏟아붓는 것이 아니라, 애초에 견고하고 효율적인 설계도를 갖추는 것이 중요하다고 말하는 것과 같습니다. 이는 단순한 기술적 진보를 넘어, AI 개발의 철학과 방향성에 근본적인 질문을 던지는 중요한 인사이트를 제공합니다.
첫째, AI 개발의 비효율성을 극복할 대안을 제시합니다. 현재 대규모 AI 모델을 훈련하는 데 드는 막대한 비용과 시간, 그리고 에너지 소모는 업계의 지속 가능한 성장을 저해하는 요인이었습니다. 이 연구는 뇌 모방 아키텍처를 통해 학습 속도를 획기적으로 가속화하고, 필요한 데이터의 양과 컴퓨팅 자원을 대폭 줄일 수 있는 가능성을 열었습니다. 이는 AI 기술의 접근성을 높이고, 소규모 연구팀이나 스타트업도 혁신적인 AI를 개발할 수 있는 기반을 마련해 줄 것입니다.
둘째, ‘적은 데이터’로 ‘스마트한 AI’를 만들 길을 엽니다. 특히 의료, 과학, 국방 등 특정 분야에서는 양질의 데이터 확보가 극히 어렵습니다. 이러한 데이터 희소성 문제를 생체 모방 아키텍처로 상당 부분 해결할 수 있다면, 우리는 더욱 다양한 전문 분야에서 AI의 활용을 극대화할 수 있을 것입니다. 이는 ‘데이터가 없으면 AI도 없다’는 명제를 뒤집는 혁명적인 접근이 될 수 있습니다.
셋째, 생체 모방(Biomimicry)의 중요성을 다시 한번 상기시킵니다. 자연은 수십억 년의 진화를 통해 최적화된 시스템을 만들어왔습니다. 인간 뇌의 작동 원리에서 영감을 얻은 설계는 단순히 인간 뇌를 모방하는 것을 넘어, 인공지능이 보다 범용적이고 효율적으로 지능을 습득할 수 있는 ‘근본적인 방법론’을 제시합니다. 이는 뉴로모픽 컴퓨팅(Neuromorphic Computing)과 같은 차세대 AI 하드웨어 연구에도 강력한 동력을 제공할 것입니다.
결론적으로, 이번 연구는 AI가 나아가야 할 방향에 대한 중요한 이정표를 제시합니다. 미래의 AI는 무작정 규모를 키우기보다, 생체 지능의 ‘설계 원리’를 깊이 이해하고 적용함으로써 더욱 빠르고 효율적이며, 궁극적으로는 인간을 닮은 진정한 지능에 더 가까워질 수 있음을 보여줍니다. AI 개발자들이 단순히 데이터를 쌓아 올리는 것을 넘어, 어떻게 더 ‘똑똑하게’ 시스템을 설계할지에 대한 고민을 시작해야 할 때입니다.