[아이티데일리] 카이스트(총장 이광형, KAIST)는 뇌인지과학과 이상완 교수(신경과학-인공지능 융합연구센터장) 연구팀이 인간의 빠른 추론 능력을 유도해 인과관계의 학습 효율을 향상할 수 있는 ‘뇌 기반 인공지능(AI) 기술’을 개발했다고 31일 밝혔다.

우리는 일상생활에서 다양한 사건을 경험하며 세상의 다양한 요소에 대한 인과관계를 학습하고, 공부할 때는 지식 조각들을 조합하며 통합적인 지식을 습득한다. 이러한 과정은 점진적으로 추론하는 ‘베이시안 모델’ 또는 특정한 상황에서 한 번의 경험으로부터 빠르게 결론을 도출하는 ‘고속추론’ 또는 ‘원샷 추론’이 있다. 연구팀은 이전 연구에서 인간의 원샷 추론 과정을 모델링하고 전두엽과 해마가 이러한 과정에 관여하고 있음을 규명한 바 있다.

이번 연구에서 이 모델에 인간의 원샷 추론 과정을 특정한 상태로 유도하기 위해 알파고에 사용된 바 있는 심층 강화학습 기술을 접목했다. 이는 강화학습 알고리즘이 인간의 원샷 추론 과정을 수없이 시뮬레이션하면서 전두엽과 해마가 가장 효율적으로 학습할 수 있는 최적의 조건을 탐색하는 과정으로 볼 수 있다.

연구팀은 126명의 인간 피험자를 대상으로 한 인과관계 학습 및 추론 실험에서 제안 기술을 사용해 학습했을 때 단순 반복 학습 대비 최대 약 40%까지 학습 효율이 향상됨을 보였다. 더 나아가 오랜 시간에 걸쳐 신중하게 학습하거나 몇 가지 단서만을 조합해 빠르게 결론을 도출하는 것 같은 개인별 학습 성향을 고려한 맞춤형 설계가 가능함을 보였다.

카이스트 측은 인간의 사고체계에 대한 뇌과학적인 이해를 바탕으로 원샷 추론과 같은 인간의 잠재적 능력을 극대화하는 이 기술은 차세대 AI의 중요한 도전과제 중 하나로 손꼽힌다고 설명했다. 뇌 기반 AI 기술은 인간과 유사한 사고체계를 바탕으로 가치판단을 할 수 있으므로 장기적으로 인간과 AI가 협업하는 분야에서 AI의 신뢰성 및 윤리성을 높이는 데도 기여할 수 있을 것으로 기대된다.

개발 기술은 스마트 교육, 게임 콘텐츠 개발, 추론 능력 측정, 인지훈련 등 인간의 추론 학습과 관련된 모든 분야에 적용될 수 있다. 기존 기술은 단편적인 기억회상, 특정 인지기능, 정답률 증가와 같은 행동적 측면에 집중해 왔다면, 이번 기술은 AI를 이용해 과거의 경험을 일반화시키는 인간의 사고체계 자체를 높이는 가능성을 확인한 최초의 사례로 평가된다.

카이스트에서 연구를 주도한 제1 저자 이지항 교수(현 상명대 서울캠퍼스 조교수)는 이번 연구를 통해 “인간의 인지기능을 AI에 이식해 뇌 기반 AI를 실현하는 사례를 보였고, 이를 통해 인간의 고위 수준 인지를 적절한 방향으로 유도할 수 있는 새로운 인간-인공지능 상호작용 패러다임을 제시했다”면서 “추후 인간중심 AI 연구 개발뿐만 아니라 바이오메디컬 분야, 특히 정신 건강과 관련된 디지털 치료 분야에 적용했을 때 큰 파급력을 보일 것”이라고 말했다.

연구 책임자인 카이스트 이상완 교수는 “이번 기술의 잠재력은 AI의 방대한 지식을 인간이 빠르게 흡수할 수 있는 형태로 변환할 수 있다는 데 있다”며 “챗 GPT, GPT-4와 같은 언어 AI에서 추출되는 다양한 정보를 인간이 빠르게 추론 학습할 수 있게 변환하거나, 게임이나 가상현실의 콘텐츠를 인간의 추론 과정에 맞게 최적화해 몰입도를 높일 수 있고, 반대로 몰입도를 적절한 수준에서 제어할 경우 중독을 완화하는 효과를 기대할 수 있다”고 말했다.

현재 관련 기술은 국내 및 해외에 특허 출원된 상태이며, 카이스트 기술설명회(테크페어)에 소개된 바 있다. 이상완 교수 연구팀은 뇌 기반 AI 원천기술의 파급력을 높이기 위해 2019년 카이스트 신경과학-인공지능 융합연구센터를 설립했고, 구글 딥마인드, MS 연구소, IBM 연구소, 옥스퍼드 대학 등 다양한 해외 연구팀들과 함께 국제공동연구를 수행해 오고 있다.

이번 연구는 ‘시뮬레이션 기반 실험 디자인을 이용한 인간의 인과관계 추론과정 제어’라는 제목으로 국제 학술지 셀(Cell)의 오픈 액세스 저널인 ‘셀 리포트(Cell Reports)’에 1월 호 온라인판에 게재됐다. 논문명은 ‘Controlling human causal inference through in-silico task design’이다.