Archives September 2025

뭔가 유쾌하게 생긴 아저씨군. 포즈가 남다른 게, 개그맨인가?

1940년대 인공신경망(ANNs Artificial Neural Networks)은 뇌를 모방하려는 야심에서 출발했다. 맥컬럭과 피츠가 제안한 단순 모델은 뉴런이 입력을 받고 임계치를 넘으면 출력을 내는 논리 게이트처럼 작동했다. 당시 학자들은 “머신이 곧 뇌처럼 사고할 수 있다”는 구상을 가졌다. 그러나 이 초기 모델은 단순한 흉내에 불과했고, 시간이 지나면서 뇌과학과 인공지능은 서로 다른 길로 흩어졌다. 뇌과학은 인간의 뉴런이 얼마나 복잡한 화학적·전기적 과정을 거치는지, 시냅스 가소성, 장기 강화, 억제 신호, 심지어 글리아세포까지 학습과 인지에 관여한다는 사실을 하나씩 밝혀냈다. 초기 AI 연구자들의 짐작과 달리 뇌는 단순한 전선망이 아니라 동적이고 다층적인 생물학적 시스템이라는 점이 드러난 것이다. 반대로 AI 연구는 뇌를 정밀 재현하려는 집착을 내려놓고, 단순화된 수학적 모델, 자료와 처리능력 대량화에서 돌파구를 찾았다. 역전파(backpropagation) 같은 알고리즘은 실제 뇌에는 존재하지 않지만, 기계 학습에는 탁월하게 효과적이었다. 여기서 아이러니가 생긴다. 뇌를 정확히 흉내내지 못한, 뇌에 대한 오해에 바탕한 신경망이 오히려 언어, 이미지, 전략 게임 등에서 눈부신 성과를 냈다. 결과적으로 인공신경망은 생물학적 사실과는 거리가 멀지만, 강력한 패턴 인식과 함수 근사 도구로 자리 잡았다. 물론 뇌과학의 발견을 반영하려는 노력도 꾸준히 이어졌다. 예를 들어, 시각 피질 연구에서 비롯된 ‘수용장(receptive field)’ 개념은 합성곱 신경망(CNN)의 구조적 기초가 되었고, 보상 회로의 도파민 신호는 강화학습 알고리즘 설계에 아이디어를 주었다. 최근에는 스파이킹 신경망(spiking neural networks)처럼 신경의 발화 시점을 모사하려는 시도도 있다. 그러나 이런 연구들은 주류가 되지 못했다. 이유는 간단하다. 실제 성과는 공학적 단순화에서 더 많이 나왔기 때문이다. 오늘날 딥러닝과 트랜스포머 아키텍처 같은 모델들은 뇌의 생리학과 거의 닮은 점이 없다. 대신 대규모 데이터, 막대한 연산 자원, 정교한 최적화 기법을 바탕으로 급격한 진보를 이루었다. 다시 말해 뇌를 더 닮게 만들려는 노력이 없는 것은 아니지만, 그것이 AI 발전의 핵심 동력이 된 적은 거의 없다. 인간 뇌의 복잡성을 충실히 반영하기보다, 수학적으로 단순하면서도 성능이 검증된 방법에 연구와 산업이 집중된 것이다. 결국 뇌과학과 AI는 같은 뿌리에서 출발했지만 현재는 병렬적으로, 그러나 서로 다른 속도로 달리고 있다. 뇌과학은 인간 정신의 비밀을 탐구하는 학문으로, AI는 실용적 성능을 극대화하는 기술로 발전했다. 그럼에도 불구하고 “신경망”이라는 이름은 여전히 남아 있다. 뇌와는 다르지만, 뇌처럼 학습하고 문제를 푸는 것처럼 보이는 시스템을 가리키는 상징이 된 것이다. 이 점이야말로 AI 발전의 가장 흥미로운 아이러니라 할 수 있다. 사실 인간 뇌에 대한 표면적 이해에서 출발한 모델로도 이 정도 성과를 낸 건 앞으로도 장기적으로는 뇌를 모방하려는 노력이 더 필요할 수도 있다는 뜻이지만, 당장은 GPU 등 하드웨어적 아키텍쳐에서 구현하기에 효율적인 방식이 선호된다. 아직 딥러닝이 도달하지 못한 뇌의 에너지 효율, 일반화 능력, 환각 회피(집중력?) 등은 미래에 뇌의 원리를 더 깊이 반영한 모델이 해결하게 될지도 모른다.

객관적인 사실과 자신이 원하는 바를 확실히 구분하는 건 누구에게나 힘든 일이다. 사람은 동기화된 추론(Motivated reasoning)이라는 방식에 따라 움직인다. 원하는 결론을 먼저 세우고, 그 뒤에 근거를 끼워 맞춘다. 이 과정에서 나오는 논리와 명분은 실제로는 ‘이유’라기보다 ‘변명’에 가깝다. 심지어 자기 객관화를 잘 하는 사람들조차 이 과정을 거친 뒤 찾은 명분이 적당하지 않으면 결론을 폐기하는 방식으로 자기 점검을 한다. 정의당에서 여성주의 지상주의자로 살다가 갑자기 이준석과 신당을 한 사람들처럼, 많은 사람들은 다시 생각해보니, 혹은 상황이 바뀌며 다른 선택이 더 이득으로 보이면 또 다양한 모순되는 명분을 들며 정당화한다. 그러다 보니 하는 말을 그대로 믿자면 정신분열처럼 보이는 사람들도 많다. 대니얼 카너먼은 [생각에 관한 생각]에서 이런 현상을 설명하는 몇 가지 틀을 제시했다. 먼저 직관적이고 빠른 시스템 1이 결론을 내리고, 그 뒤에 느리고 논리적인 시스템 2가 ‘합리화 담당자’처럼 이유를 꾸며낸다는 구조다. 또한 그는 WYSIATI(What You See Is All There Is)라는 개념으로, 눈앞에 보이는 단편적 정보만으로 전체를 판단하고 모자라는 부분은 무의식적으로 메워버린다고 했다. 결국 욕망과 두려움이 먼저 작동하고, 논리는 나중에 뒤따른다는 것이다. 경제 영역도 예외가 아니다. 테슬라 주식을 보유한 투자자들은 오랫동안 ‘혁신’과 ‘머스크의 천재성’을 근거로 믿음을 강화했지만, 사실 그 믿음은 이미 “테슬라는 계속 오른다”라는 욕망에서 출발했다. 결론이 먼저였고, 명분은 뒤늦게 끼워 맞춘 것이다. 특히 근거과 관계없이 대중이 결집하기만 하면 현실이 되면 주식에서 이런 일은 흔하다. 과학·기술 분야에서도 동기화된 추론은 드러난다. 인공지능 규제 논쟁을 보면, 기술 낙관론자는 먼저 “AI는 인류를 구원한다”는 결론을 세우고, 의료 혁신이나 생산성 향상 사례만 강조한다. 반대로 비관론자는 “AI는 위험하다”는 결론에서 출발해, 편향된 사례나 일자리 감소 전망만 반복한다. 서로 내세우는 논거는 다르지만, 사실 출발점은 욕망과 두려움이지 객관적 분석이 아니다. 정치에서 이런 모습은 늘 반복된다. 미국의 트럼프 지지층이 대표적이다. 2020년 대선 이후 “선거가 도둑맞았다”는 주장은 법적·사실적 근거가 부실했다. 그러나 지지층은 이미 “트럼프가 이겼어야 한다”라는 결론을 내려놓았기 때문에, 이후의 모든 뉴스와 루머는 그 결론을 강화하는 재료가 되었다. 결론이 먼저였고, 논리는 사후 합리화였다. 조국 혐오자들도 계속 허구로 밝혀지는 혐의들에도 불구하고 ‘조국은 유죄’라는 신념은 버리지 않았다. 친낙파의 이재명 혐오도, 정청래 혐오자들도, 타진요도 계속되는 해명에도 계속 다음 의혹을 제기하며 신념을 유지했다. 이렇듯 동기화된 추론은 정치, 경제, 과학, 가정까지 모든 영역을 관통한다. 카너먼이 지적했듯, 사람은 스스로 논리적이라고 믿지만 실은 시스템 1의 직관적 판단을 정당화하기 위해 시스템 2를 동원하는 존재다. 그래서 사회적 논쟁은 늘 ‘명분 싸움’이 되고, 그 명분은 얄팍하기 일쑤다. 따라서 중요한 건 자기 점검이고 자신에게 유리하지 않은 결론이라도 사실이면 받아들일 수 있는 용기다. 내가 내세우는 이유가 정말 사실에서 출발한 것인지, 아니면 이미 내린 결론을 지키려는 방패인지. 이 질문을 피해간다면, 우리는 어디서든 ‘형편없는 명분’을 붙잡고 스스로를 속이며 타인을 설득하려 하게 된다.