AI는 에세이를 쓰고, 이미지를 만들고, 산더미 같은 정보를 몇 초 만에 훑습니다. 그래서 “이제 인간 머리로 뭘 더 하지?“라는 말까지 나옵니다. 그런데 정작 신경과학자들은 다른 이야기를 합니다. 사람의 지능에서 가장 강력한 부분이 AI가 여전히 흉내 내지 못하는 부분이라는 겁니다.

호주 CQUniversity의 교육신경과학 책임자인 켄 퍼넬(Ken Purnell) 교수가 최근 국제 웨비나에서 이 주제를 정면으로 다뤘습니다. 청중은 학자만이 아니라 실리콘밸리를 비롯한 전 세계의 기업 리더들이었습니다. 신경과학이 차세대 AI 설계에 어떻게 영향을 주고 있는지, 그리고 기계가 아직 따라잡지 못한 ‘인간만의 능력’이 무엇인지가 이야기의 중심이었습니다.

개요

이 글은 CQUniversity가 이번 주 공개한 웨비나 보도자료를 토대로, 켄 퍼넬 교수가 짚은 핵심 주장을 한국어로 정리한 것입니다. 핵심은 두 가지입니다. 인간 지능의 본질은 ‘얼마나 많이 저장하느냐’가 아니라 ‘얼마나 잘 적응하느냐’에 있습니다. 그리고 지금의 AI는 이 적응 능력의 일부만 흉내 내고 있습니다.

핵심 요약

  • 사람 뇌에는 약 860억 개의 뉴런이 있고, 각 뉴런은 수천 개의 다른 뉴런과 이어져 있습니다. 중요한 건 뉴런의 ‘수’가 아니라 그 사이의 ‘계속 변하는 연결망’입니다.
  • 이 ‘계속 변함’ = 신경가소성(neuroplasticity) 입니다. 평생에 걸쳐 학습하고 적응하게 만드는 핵심 메커니즘입니다.
  • 뇌와 AI 모두 ‘과거 정보로 다음을 예측’한다는 점에서는 비슷합니다. 하지만 뇌는 단순히 정보를 처리하는 게 아니라 세상을 경험합니다.
  • 사람의 기억은 녹화 영상이 아니라 매번 다시 만들어집니다(reconstructive memory). 이 유연함이 인간 지능의 토대입니다.
  • 인공신경망, 예측 처리, 어텐션 메커니즘처럼 현대 AI의 핵심 개념들은 이미 뇌에서 영감을 받았습니다. 다음 세대 AI는 신경과학에 더 깊이 기댈 흐름이 분명합니다.

교실에서 손을 든 학생들과 교사

본문

뇌의 진짜 힘은 ‘저장량’이 아니라 ‘재배선’

퍼넬 교수가 가장 먼저 깬 통념은 “지능 = 얼마나 많이 저장하고 처리하느냐"라는 생각입니다. 그는 “사람들은 보통 그렇게 생각하지만, 신경과학은 다른 이야기를 한다"고 말합니다.

“인간 뇌의 진짜 힘은 적응하고, 경험에서 배우고, 주변 세계에 반응하면서 스스로를 끊임없이 다시 그려 내는 능력에 있습니다.” — 켄 퍼넬 교수

비유는 이렇습니다. 정보가 정해진 칸에 들어가는 서류함이 아니라, 의미들이 서로 그물처럼 엮인 연결망이라는 겁니다. 그 그물은 경험에 따라 계속 모양이 바뀝니다. 이 ‘바뀜’이 학습이고, 적응입니다. 신경가소성이라는 단어가 가리키는 게 바로 이 과정입니다.

수치로도 짚어 둘 만합니다. 약 860억 개의 뉴런. 각각이 다시 수천 개의 다른 뉴런과 연결됩니다. 그 모든 연결이 매 순간 강해지거나 약해집니다. 그러니 뇌를 ‘큰 디스크’로 생각하면 그림이 완전히 틀려 버립니다. 차라리 ‘계속 재배선되는 회로’에 가깝습니다.

AI는 뇌에서 무엇을 빌려 왔나

흥미로운 건, 지금의 AI도 뇌에서 꽤 많은 걸 빌려 왔다는 점입니다. 퍼넬 교수가 언급한 세 가지가 대표적입니다.

  • 인공신경망(artificial neural networks) — 이름 그대로 뉴런 구조에서 출발한 모델입니다.
  • 예측 처리(predictive processing) — 다음에 올 신호를 미리 예상하고 차이만 갱신하는 뇌의 방식.
  • 어텐션 메커니즘(attention) — 들어오는 정보 중 어디에 집중할지 고르는, 트랜스포머의 핵심 부품이자 본래는 인지신경과학 개념.

요컨대 트랜스포머 한 줄을 잡아당기면 뒤에 신경과학 논문이 줄줄이 끌려 나옵니다. AI가 신경과학의 단순화된 모형이라는 점은 새삼 강조할 만합니다.

그런데 뭐가 다른가 — 패턴 vs. 경험

퍼넬 교수가 선을 그은 지점은 명확합니다. 뇌와 AI 모두 ‘예측’을 합니다. 다만 뇌는 거기서 멈추지 않습니다.

“인간의 뇌는 정보를 처리만 하는 게 아닙니다. 세상을 경험합니다. 우리의 생각은 감정, 맥락, 관계, 살아온 경험으로 빚어집니다. AI는 패턴을 찾아내지만, 인간의 의사결정과 학습을 흔드는 그 풍부한 개인적 경험을 가지고 있지는 않습니다.” — 켄 퍼넬 교수

이 차이는 추상적으로 들리지만 결과가 다릅니다. 같은 데이터를 보고도 사람은 그날의 기분, 누구와 같이 있는지, 과거에 비슷한 일을 어떻게 겪었는지에 따라 다른 결정을 내립니다. AI는 같은 입력에 대체로 같은 출력을 냅니다. 이게 약점이라는 뜻이 아닙니다. ‘같은 능력이 아니다’라는 뜻입니다.

기억은 녹화가 아니라 매번 다시 만드는 것

또 하나 짚어 둘 차이가 기억입니다. 사람의 기억은 비디오테이프가 아니라 재구성(reconstruction) 입니다. 같은 사건을 떠올려도 그때그때 의미, 맥락, 감정에 따라 조금씩 다르게 살아납니다. 어떨 때는 사실이 미세하게 비틀리기도 합니다.

기계 입장에서 보면 이건 결함처럼 보입니다. “왜 정확히 저장 안 하지?” 그런데 퍼넬 교수의 진단은 반대입니다. 이 ‘매번 다시 만듦’이 적응의 도구라는 겁니다. 새 경험에 비추어 옛 경험의 의미를 다시 짠다는 뜻이니까요. 이건 단순한 저장-인출 모델로는 잘 흉내 내기 어렵습니다.

그래서 다음 세대 AI는 어디로 가나

퍼넬 교수는 신경과학이 앞으로의 AI에 더 깊이 들어올 거라고 봤습니다. 뉴로모픽 컴퓨팅(neuromorphic computing) 처럼 뇌의 작동 방식을 하드웨어 차원에서 흉내 내려는 시도, 그리고 뇌에서 영감을 얻은 더 정교한 학습 시스템들이 대표적입니다.

연구 흐름을 좀 더 풀면 이렇습니다. 지금 LLM은 ‘한 번 학습하면 가중치가 굳어지는’ 모델에 가깝습니다. 뇌는 그 반대로 매 순간 가중치가 미세하게 바뀝니다. 그래서 연속 학습(continual learning), 망각 방지(catastrophic forgetting 회피), 에피소드 기반 메모리 같은 주제가 다시 뜨거워지고 있습니다. 뉴런 차원에서 ‘쓰는 만큼 연결이 강해지는’ 헤브 학습(Hebbian learning) 원리를 다시 꺼내 보자는 흐름도 같은 맥락입니다.

실무자가 볼 핵심 포인트

LLM·AI 에이전트를 만들거나 굴리는 입장에서 이 연구가 주는 함의는 의외로 실용적입니다.

  • “기억이 곧 지능"이라는 가정 다시 보기. RAG처럼 외부 메모리에 정답을 박아 두는 방식은 효율은 좋지만, 뇌가 하는 ‘재구성’과는 결이 다릅니다. 매번 같은 답이 나오는 게 강점인지 약점인지 제품 맥락에서 따져 볼 만합니다.
  • 에이전트의 ‘경험’ 설계. 사람의 학습은 감정·맥락·관계로 가중치가 붙습니다. 에이전트에 같은 효과를 주려면, 단순한 히스토리 로그가 아니라 ‘어떤 상호작용을 어떻게 중요하게 기억할지’의 정책이 필요합니다.
  • 연속 학습 흐름 주시. 한 번 파인튜닝하고 끝나는 모델이 아니라, 운영 중에도 가중치가 조금씩 갱신되는 시스템이 다시 연구 무대에 올라오고 있습니다. 뉴로모픽·온라인 러닝 쪽 키워드를 같이 보면 좋습니다.
  • ‘사람만 할 수 있는 일’을 명확히 갈라 두기. 단순 패턴 추출은 AI에 맡기고, 맥락·감정·관계 판단이 들어가는 결정은 사람이 책임지는 설계가 당분간 가장 현실적입니다. 영업·교육·돌봄처럼 사람의 경험이 의사결정의 핵심인 영역이 특히 그렇습니다.
  • K12·HRD 현장에서의 메시지. 학생·구성원의 학습 효과를 키우려면 ‘정보 더 넣기’보다 ‘경험과 의미로 연결해 주기’가 더 강력합니다. 신경가소성을 자극하는 설계, 즉 반복·맥락·감정의 결합이 핵심입니다.

원문 출처