# 뇌는 어떻게 적은 데이터로 배우나: 애덤 마블스톤이 짚은 AI의 빈칸

> 2025-12-30 · Dwarkesh Patel · 큐레이션 김태우
> https://challengekim.com/insights/뇌는-어떻게-적은-데이터로-배우나-애덤-마블스톤이-짚은-ai의-빈칸
> 원문: https://www.youtube.com/watch?v=_9V_Hbe-N1A

## 핵심 요약

- 애덤 마블스톤은 뇌의 학습 효율을 설명할 후보로 신경망 구조와 학습 알고리즘뿐 아니라 **무엇을 배우도록 하는가를 정하는 손실 함수**를 제시했다.
- 그가 소개한 가설에서는 학습 체계가 세계를 익히고, 선천적 반응을 담당하는 조향 체계가 보상과 행동의 출발점을 제공한다. 두 체계가 어떻게 연결되는지는 아직 규명되지 않았다.
- 대뇌피질이 입력의 일부로 다른 부분을 유연하게 예측하는 체계일 가능성을 논의했지만, 실제 학습 방식이 역전파인지 다른 방식인지는 알지 못한다고 밝혔다.
- 뇌 연결 지도를 만드는 기술은 이런 가설을 검증할 자료가 될 수 있다. 다만 연결 관계만으로 신경세포의 작동 방식까지 알 수는 없다.

## 다음 토큰 예측만으로 설명되지 않는 질문

인터뷰 진행자 드와케시 파텔은 대규모 언어모델에 많은 데이터를 투입해도 인간의 능력 전체에는 미치지 못하는 이유를 물었다. 마블스톤은 답을 안다고 주장하지 않았다. 대신 뇌를 기술적으로 더 자세히 관찰할 수 있어야 이 질문을 풀 수 있다고 말했다.

그는 AI 시스템을 설명할 때 구조, 학습 알고리즘, 초기 상태와 함께 **손실 함수**를 봐야 한다고 강조했다. 손실 함수는 학습 과정에서 어떤 결과를 잘못된 것으로 평가할지 정하는 기준이다. 마블스톤의 추측은 진화가 뇌의 여러 영역과 발달 단계에 서로 다른 학습 목표를 마련했을 수 있다는 것이다. 그는 다음 토큰 예측처럼 단순한 목표만으로 뇌의 학습을 설명하려는 시각에서 이 부분이 충분히 다뤄지지 않았다고 봤다.

## 대뇌피질은 무엇을 예측하는가

마블스톤은 대뇌피질의 한 영역이 입력의 정해진 다음 항목만 예측하는 대신, 어떤 정보가 주어졌는지에 따라 다른 정보도 추론할 가능성을 제시했다. 예를 들어 시각 정보를 바탕으로 소리를 예측하거나, 들은 말을 바탕으로 몸의 반응을 예상하는 식이다. 그는 이를 여러 방향으로 가능한 추론이라고 설명했다.

이는 언어모델이 기본적으로 앞선 문맥에서 다음 토큰을 예측하도록 학습되는 것과 다른 구상이다. 그러나 대뇌피질이 실제로 그런 추론을 하는지, 한다면 역전파와 비슷한 방식으로 배우는지 또는 다른 방식을 쓰는지는 확인되지 않았다. 감각 정보의 표현 방식이나 뇌 영역 사이의 연결도 차이를 만들 수 있다고 그는 덧붙였다. 한 가지 원인으로 결론 내릴 수 없다는 뜻이다.

## 선천적 반응과 학습한 개념의 연결

대담에서 소개된 AI 안전 연구자 스티브 번스의 가설은 뇌를 학습 체계와 조향 체계로 나눠 본다. 조향 체계는 위협에 움찔하거나 보상에 반응하는 선천적 기능을 맡고, 학습 체계는 경험을 바탕으로 세상의 개념을 익힌다는 설명이다.

문제는 진화가 미리 알 수 없었던 개념을 선천적 반응과 어떻게 연결하느냐다. 눈앞의 거미를 보고 움찔하는 반응이 있다면, 학습 체계는 나중에 누군가 ‘등에 거미가 있다’고 말하는 상황도 위협과 연결할 수 있다. 번스의 설명에 따르면 학습 체계의 일부가 조향 체계의 반응을 예측하도록 배우면서 이런 일반화가 가능해질 수 있다. 마블스톤은 사회적 지위나 친밀감에 관한 학습에도 비슷한 연결이 필요할 것으로 봤다. 이는 뇌에서 확립된 작동 원리라기보다 검증할 가설이다.

마블스톤은 조향 체계에 해당하는 피질 아래 영역에서 대뇌피질보다 더 다양하고 특수한 세포 유형이 관찰된다는 연구도 언급했다. 그는 이를 선천적으로 짜인 기능이 그 영역에 많이 담겼을 가능성과 연결했지만, 각 세포 유형의 회로와 역할은 아직 알지 못한다고 선을 그었다.

## 뇌 연결 지도가 답할 수 있는 것과 없는 것

마블스톤은 가설을 좁히려면 **커넥톰**, 즉 신경세포들이 어떻게 연결돼 있는지 보여주는 지도가 필요하다고 주장했다. 현재는 뇌 영역 사이의 기본적인 연결 방식조차 한 번에 파악하기 어렵다는 것이다. 그는 생쥐 뇌 전체와 인간의 조향 체계, 사회적 본능이 다른 포유류의 뇌를 비교하는 연구를 구상했다.

그가 소개한 E11 Bio는 뇌 연결 지도를 만드는 비용을 낮추는 기술을 개발하고 있다. 마블스톤에 따르면 한 보고서는 최초의 생쥐 뇌 연결 지도에 수십억 달러가 들 것으로 추산했고, E11과 관련 분야의 기술 개발은 이를 수천만 달러 수준으로 낮추는 것을 목표로 한다. 달성한 비용이 아니라 **목표치**다.

E11이 추진하는 광학 현미경 방식은 연결뿐 아니라 시냅스의 분자와 세포 유형을 함께 기록할 가능성이 있다. 그렇더라도 지도만으로 시냅스의 가중치나 연결의 기능적 결과를 알 수는 없다. 마블스톤은 연결 자료에 활동 측정을 결합하고, AI에서 얻은 개념으로 뇌를 역설계하는 접근과 작은 동물의 뇌를 물리적 체계로 연구하는 접근을 함께 제안했다.

## 뇌 연구에서 수학 증명 도구까지

대담은 과학에 필요한 공통 도구로도 이어졌다. 마블스톤은 연구자들이 개별 실험만으로 만들기 어려운 장비와 데이터를 구축하도록 돕는 집중 연구 조직을 설명했다. 그 사례 중 하나가 수학 증명을 형식 언어로 작성하고 전제가 결론을 뒷받침하는지 검증하는 Lean이다.

그는 검증 가능한 증명이 AI의 학습 신호가 될 수 있어 증명 탐색과 검산을 도울 것으로 전망했다. 동시에 흥미로운 정리를 처음 제안하거나 수학의 개념적 방향을 정하는 일까지 곧바로 해결되는 것은 아니라고 했다. 소프트웨어 검증에서도 코드가 충족해야 할 조건을 정확히 명세하는 문제가 남아 있다고 지적했다.

마블스톤의 주장은 뇌를 본뜬 AI의 정답을 제시하는 데 있지 않다. 학습 목표와 선천적 반응에 관한 가설을 세운 뒤, 연결과 활동을 측정할 수 있는 도구로 그 가설을 가려내야 한다는 것이다.

---

원문을 바탕으로 AI 가 한국어로 요약·재구성한 글입니다. 인용·수치는 원문 링크에서 확인해 주세요. [원문 링크](https://www.youtube.com/watch?v=_9V_Hbe-N1A)