딥러닝, 생물학적 시각을 따라잡을 수 있을까? 흥미로운 반전과 미래 전망

본 기사는 최근 DNN의 발전이 생물학적 시각과의 괴리를 가져왔다는 점을 지적하며, 생물학적 시각 시스템을 고려한 새로운 알고리즘 개발의 필요성을 강조합니다. 인터넷 데이터에 의존하는 기존 방식에서 벗어나, 인간 시각 발달 과정에 가까운 데이터와 훈련 방식을 활용해야 한다는 주장입니다.

과거, 딥 뉴럴 네트워크(DNN)는 컴퓨터 비전 벤치마크에서 성능이 향상될수록 영장류의 신경 반응과 점점 더 일치하는 모습을 보였습니다. 이는 인공지능의 딥러닝 혁명의 부산물로 생물학적 시각의 더 나은 모델이 나올 것이라는 흥미로운 가능성을 제시했습니다.

하지만 최근 몇 년 동안 DNN이 인간 또는 초인적인 인식 정확도에 도달하면서 이러한 추세는 역전되었습니다. DNN이 영장류와는 다른 시각적 특징에 의존하여 작업을 해결하기 시작했기 때문일 수 있습니다. Drew Linsley, Pinyuan Feng, Thomas Serre 등의 연구자들은 이러한 현상에 주목하며, DNN이 인터넷 데이터 벤치마크에 의존하는 한계를 지적했습니다.

그렇다면 생물학적 시각의 더 나은 컴퓨터 모델은 어디에서 나올까요? 연구자들은 생물학적 시각 시스템을 염두에 두고 설계된 알고리즘을 개발하기 위해 인공지능에서 벗어나야 한다고 제안합니다. 인터넷 데이터 대신, 인간 시각을 형성하는 데이터, 훈련 루틴, 목표에 더 가까운 요소들을 활용해야 한다는 것입니다.

즉, 다음 세대의 딥러닝 모델은 **'데이터 다이어트(data diets)'**를 통해 인간의 시각 발달 과정을 모방하여 훈련되어야 합니다. 이는 단순히 정확도 향상만을 추구하는 것이 아니라, 인간의 시각 시스템이 어떻게 작동하는지 이해하고, 그 원리를 모방하는 새로운 접근 방식을 필요로 합니다. 단순히 성능 지표만을 쫓는 것이 아니라, 생물학적 시각의 근본적인 메커니즘을 이해하는 데 초점을 맞춰야 한다는 중요한 메시지를 담고 있습니다.

이 연구는 단순히 기술적인 문제 해결을 넘어, 인간의 시각과 인공지능의 관계에 대한 근본적인 질문을 던지고 있습니다. 인공지능이 인간의 지능을 얼마나 정확하게 모방할 수 있는지, 그리고 그 과정에서 어떤 한계와 가능성이 있는지에 대한 깊은 성찰을 요구하는 것입니다. 향후 연구는 인간의 시각 시스템에 대한 더욱 심도있는 이해와, 이를 바탕으로 한 새로운 알고리즘 개발로 이어질 것으로 기대됩니다. 인공지능이 단순한 도구를 넘어, 인간의 지능을 이해하는 새로운 창으로 활용될 수 있을지 주목해 볼 필요가 있습니다.