딥러닝의 한계: 더 나은 AI가 더 나은 생물학 모델을 의미하지 않는 이유

인공지능의 발전이 생물학적 시각 모델 개선으로 이어진다는 기존 가설에 대한 반박 연구 결과 발표. DNN의 성능 향상에도 불구하고 영장류 시각 인지와의 상관관계가 정체 또는 악화되는 현상이 관찰됨. 이는 AI와 신경과학 연구의 분리된 발전 방향을 제시하며, 생물학적 시각 시스템에 기반한 새로운 알고리즘 개발의 필요성을 강조.

최근 몇 년간, 딥 뉴럴 네트워크(DNN)의 발전은 눈부셨습니다. 특히 시각 인지 분야에서 DNN은 영장류의 시각 인지 및 신경 반응과 점점 더 일치하는 모습을 보여주며, AI의 발전이 생물학적 시각 모델을 개선하는 데 기여할 것이라는 기대감을 높였습니다. 그러나 Drew Linsley, Pinyuan Feng, Thomas Serre 세 연구자는 최근 발표한 논문에서 이러한 기대에 제동을 걸었습니다.

세 가지 벤치마크를 통해 그들은 DNN이 인간 또는 초인적 정확도에 도달함에 따라 영장류 시각 인지와의 상관관계가 정체되거나, 심지어 악화되는 현상을 발견했습니다. 이는 DNN이 영장류와는 다른 시각 전략을 채택하고 있음을 시사합니다. 논문은 DNN의 성능 향상이 곧 생물학적 시각 모델의 정확성 향상으로 이어진다는 기존의 가정에 의문을 제기합니다.

연구진은 이러한 결과를 바탕으로 인공지능과 신경과학 연구가 별개의 방향으로 나아가야 한다고 주장합니다. 인터넷 규모의 데이터셋에 최적화된 벤치마크 기반의 접근 방식 대신, 생물학적 시각 시스템에 기반한 알고리즘을 개발해야 한다는 것입니다. 이는 AI 연구가 생물학적 시스템의 이해에 기여할 수 있지만, 단순히 AI 성능 향상만으로 생물학적 메커니즘을 완벽히 모델링할 수는 없다는 점을 시사합니다.

본 연구는 단순히 AI의 한계를 지적하는 것을 넘어, 인공지능과 신경과학 연구의 협력적이면서도 독립적인 발전 방향을 제시하는 중요한 의미를 지닙니다. 앞으로 생물학적 시스템에 대한 깊이 있는 이해를 바탕으로 한 새로운 AI 알고리즘의 개발이 필요하며, 이는 AI와 신경과학 분야의 융합 연구에 새로운 활력을 불어넣을 것으로 기대됩니다. 더 나은 AI가 항상 더 나은 생물학 모델을 의미하는 것은 아니라는 사실을 명심해야 할 때입니다.