뇌파로 풀어낸 AI의 비밀: 딥러닝 언어 모델과 인간 뇌의 놀라운 연결고리

이란 연구진의 연구는 설명 가능한 AI 기법을 통해 딥러닝 언어 모델(LLM)의 내부 작동 방식과 인간 뇌의 언어 처리 과정 간의 밀접한 연관성을 밝혔습니다. 특히, LLM의 기여도 분석을 통해 뇌 활동을 예측하는 데 성공하여 AI와 신경과학 간의 상호 작용적 연구의 새로운 장을 열었습니다.

최근 인공지능(AI) 분야의 괄목할 만한 발전으로 인간 수준의 언어 능력을 갖춘 거대 언어 모델(LLM)이 등장했습니다. 이러한 LLM은 단순히 인간과 유사한 성능을 보이는 것을 넘어, 놀랍게도 인간 뇌의 언어 처리 메커니즘과 닮은 계산 원리를 공유한다는 사실이 밝혀지고 있습니다.

이란 과학기술대학교, 테헤란대학교, 그리고 기초과학연구소의 연구진은 이러한 LLM의 작동 원리를 뇌의 언어 처리와 연결짓는 획기적인 연구 결과를 발표했습니다. 기존 연구들이 주로 LLM의 내부 표현과 뇌 활동의 단순 비교에 그쳤다면, 이번 연구는 설명 가능한 AI(XAI) 기법을 도입하여 두 영역 간의 깊은 연관성을 규명하는 데 성공했습니다.

연구진은 기여도 분석이라는 XAI 방법을 사용했습니다. 이는 LLM이 다음 단어를 예측하는 데 이전 단어들이 얼마나 기여하는지를 정량적으로 분석하는 기법입니다. 이렇게 얻어진 기여도 정보를 사용하여, 연구진은 참가자들이 동일한 이야기를 듣는 동안의 fMRI 뇌 영상 기록을 예측하는 데 성공했습니다. 결과는 놀라웠습니다. 기여도 분석을 통해 예측한 뇌 활동은 기존의 내부 표현을 사용한 예측보다 훨씬 정확하게 실제 뇌 활동을 반영했습니다. 특히 초기 언어 처리 영역에서 그 차이가 두드러졌습니다.

더욱 흥미로운 것은, 이러한 연결이 계층적이라는 점입니다. LLM의 초기 레이어는 뇌의 초기 언어 처리 단계와, 후기 레이어는 뇌의 고차원 언어 처리 단계와 각각 대응하는 것을 발견했습니다. 또한, LLM의 다음 단어 예측에 더 큰 영향을 미치는 레이어(기여도 점수가 높은 레이어)일수록 뇌 활동과의 상관관계가 더 높게 나타났습니다.

이 연구는 AI와 신경과학 간의 상호 작용적인 다리를 구축했습니다. 첫째, 기여도 분석이 언어 이해의 신경 메커니즘을 연구하는 강력한 도구임을 보여주었습니다. 이를 통해 의미가 어떻게 이전 문맥에서 생성되는지 밝히는 데 한 걸음 더 다가갔습니다. 둘째, 뇌 활동과의 정합성을 기여도 분석 방법의 타당성을 평가하는 지표로 제시하여, 이러한 방법들의 생물학적 타당성을 평가하는 틀을 제공했습니다.

이 연구는 단순한 기술적 발전을 넘어, AI와 인간 뇌의 작동 원리를 이해하는 데 새로운 지평을 열었습니다. 앞으로 이러한 연구가 더욱 발전한다면, 인간 언어 능력의 신비를 풀고, 더욱 발전된 AI 기술을 개발하는 데 크게 기여할 것으로 기대됩니다. 💯