초파리 뇌의 신경망 지도 완성 소식, AI 발전과 생체 신경망 연구의 상호 가속에 대하여

초파리의 뇌가 우리와 무슨 상관인가

2026년 9월 11일 금요일 밤, 여러분과 이야기하려는 것은 구글에서 발표한 초파리 뇌의 신경망 지도 소식이다. 초파리의 뇌를 연구하고 신경망 전체의 구조를 밝히려는 작업은 오래전부터 진행되어 왔다. 이번에는 그 구조를 디지털 지도로 구현하여 다른 연구자들도 활용할 수 있게 되었다는 소식이 나왔다. 나는 이 소식을 듣고 상당히 큰 충격을 받았다. 작은 곤충의 뇌를 알아냈다는 것보다, 그 일을 가능하게 한 기술과 앞으로 이 연구가 되돌려 줄 영향이 중요하다고 보기 때문이다.

“아니, 초파리 뇌의 신경망이 우리하고 무슨 상관인데?” 이렇게 생각할 수 있다. 과거라면 그저 어느 연구실의 흥미로운 성과로 넘겼을지도 모른다. 그러나 지금은 인공지능이 복잡한 작업을 맡아 패턴을 처리하고 분석하면서 연구 자체의 속도를 바꾸고 있다. 다오 스님이 “매일 엄청난 새 소식이 나오는군요”라고 말씀하셨다. 그렇다. 매일 이런 소식이 나오는 이유에도 인공지능이 있다. 원래라면 사람이 감당하기 어려웠을 작업을 처리할 수 있게 된 것이다.

여기서 재미있는 점은 방향이 하나가 아니라는 것이다. 초파리 신경망 연구를 가속한 것은 AI인데, AI가 나오게 된 데에는 인간과 생명체의 신경망 연구가 도움을 주었다. 생체의 지능을 이해하려는 연구가 인공지능을 낳았고, 그렇게 만들어진 인공지능이 다시 생체의 지능을 연구하는 데 쓰인다. 그렇다면 이번에 밝혀진 생체 신경망의 구조와 작동 방식은 다시 인공지능을 발전시키는 데 도움을 주지 않겠는가? 나는 오늘 이 서로 영향을 주고받는 관계를 이야기하려 한다.

알파고 이전에 있었던 이미지 인식의 충격

인공지능이 처음 강한 충격으로 다가온 때를 물으면 많은 사람이 2016년 이세돌 9단과 알파고의 대결을 떠올릴 것이다. 그러나 그보다 몇 년 전으로 가 보면 컴퓨터 업계에서 중요하게 여겼던 이미지 인식 대회가 있었다. 그림을 보여 주고 그것이 무엇인지 알아맞히는 대회다. 고양이인가, 개인가? 사람이 보기에는 대수롭지 않은 일이지만 컴퓨터에는 어려운 일이었다.

여러분이 웹사이트에 들어갈 때 “나는 로봇이 아닙니다”라며 퀴즈를 푸는 것도 같은 문제와 관련이 있다. 흐릿하거나 뒤틀린 숫자를 알아맞히고, 여러 그림 중에서 고양이를 고른다. 알파벳 A와 B가 있고 그 옆에 다른 흔적까지 섞여 있어도 우리는 대충 무엇인지 알아본다. 그런데 컴퓨터는 그런 일을 잘하지 못했다. 이틀 전 방송에서 인공지능이 캡차의 48단계까지 해결했다는 소식을 이야기한 것도 그래서다. 기존의 방식으로는 사람과 컴퓨터를 구분하기 어려워졌다는 의미를 생각해 봐야 한다.

제프리 힌턴과 그 제자들이 이미지 인식 대회에서 거둔 성과가 중요한 이유도 여기에 있다. 인공지능의 대부라고 불리는 사람이 한둘은 아니지만, 힌턴은 그중 대표적인 인물이다. 교수로 일했고 구글에서도 활동했으며, 그 제자들은 OpenAI를 비롯한 여러 AI 기업의 핵심 연구와 개발에 참여하고 있다. 이들이 그래픽 카드를 활용하고 인공신경망을 통해 이전 대회와는 큰 차이가 나는 성적을 냈다. 저 그림이 고양이인지 개인지 알아보는 능력이 실제로 크게 향상된 것이다.

그것을 보고 업계는 “아, 인공지능이 가능하구나”라는 확신을 얻기 시작했다. 단지 말이나 아이디어가 아니라 대회에서 결과가 나왔기 때문이다. 컴퓨터 산업이 본격적으로 뛰어들기 시작했고, 그 뒤 번역도 달라졌다. 예전에는 사람이 알고리즘을 짜고 그 규칙에 맞춰 번역했는데 결과가 엉망인 경우가 많았다. 내가 이야기하는 전환점은 2016년 구글 번역이 인공지능 번역으로 바뀐 일이다. 같은 해 구글 딥마인드의 알파고가 이세돌과 대결했고, 우리는 또 한 번 충격을 받았다.

지능을 만들려면 이미 있는 지능을 연구해야 한다

이 과정에서 핵심은 “이게 뭐지?” 하고 구분하는 능력이다. 숫자를 알아보고, 그림을 알아보고, 흐릿한 흔적 속에서도 패턴을 찾아낸다. 그 능력을 기계로 구현하려면 인간이 어떻게 인식하는지, 생명체가 감각을 어떻게 받아들이고 구분하는지 살펴보게 된다. 그래서 인공지능 연구는 인간의 인지를 연구하는 일과 깊이 연관되어 있다.

인공지능 개발의 전면에 나오는 연구자들을 보면 수학이나 컴퓨터 과학만 있는 것이 아니다. 생물학, 인지 연구, 심리학과 연결된 사람들이 있다. 겉으로 보면 심리학과 컴퓨터 기술이 멀리 떨어진 분야처럼 보인다. 그러나 인공지능을 만든다는 것은 현존하는 지능이 무엇인지 이해하고, 그것을 어떻게 구현할지 생각하는 일이다. 무엇을 보고, 무엇을 구분하고, 어떻게 판단하는가를 연구하던 사람들이 영향을 주는 것은 당연하다. 힌턴도 그런 분야와 연관된 사람 중 하나다.

수학 하나만으로 인공지능이 나온 것이 아니다. 생물학과 인지 연구, 컴퓨터의 발전이 서로 영향을 주며 올라온 것이다. 인간이나 생명체가 해 온 구분, 인식, 판단의 일부를 인공지능이 하기 시작했고, 이제는 언어까지 다룬다. LLM이라는 말도 많이 들어보셨을 것이다. 인간은 언어를 어떻게 배우는가, 언어가 무엇인가, 뇌를 어떻게 사용하는가 하는 질문이 이런 개발에 아무 영향도 주지 않았겠는가? 수많은 학문이 그 안에 들어가 있다.

그렇다면 그렇게 발달한 인공지능이 다시 돌아가 생체의 뇌를 연구할 때는 어떤 일이 벌어질까? 바로 이번 초파리의 신경망 지도 같은 일을 보게 되는 것이다.

수컷과 암컷의 지도가 있다는 것, 모든 것을 안다는 것

구글 리서치의 발표를 번역해 보면 커넥토믹스, 곧 연결 구조를 연구하는 분야의 획기적인 발전이라는 설명이 나온다. 여기서 잠깐, 우리가 지금 보고 있는 번역도 인공지능이 하고 있다. 구글 번역이 제미나이나 챗GPT만큼의 번역 능력을 보여 주지는 않더라도 여전히 내용을 읽을 수 있게 해 준다. AI 연구를 설명하는 글을 읽는 과정에도 이미 AI가 들어와 있는 것이다.

이번 발표에는 ‘수컷 초파리’라는 말이 붙는다. 암컷의 지도는 앞서 나왔기 때문이다. 화면에서 위아래로 비교되는 수컷과 암컷의 신경망 지도를 보면 구조적 차이를 찾아낼 수 있다는 의미를 이해할 수 있다. 생명체의 몸은 평면에 놓여 있지 않다. 뇌와 몸으로 이어지는 신경망은 3차원 공간에 존재하므로 이 지도 역시 입체적인 연결 구조를 다루는 것이다.

그런데 ‘전체 구조 지도 작성 완료’라는 말을 듣고 모든 것이 밝혀졌다고 생각하면 안 된다. 어떤 한 수컷 초파리의 신경망 구조를 지도화한 것이다. 인간 DNA 지도를 생각해 보자. 인간 DNA 구조를 밝혔다고 해서 모든 인간의 모든 DNA를 각각 다 밝혔다는 뜻은 아니지 않은가? 사람마다 완전히 동일한 것도 아니다. 이번 일도 특정 개체의 구조를 지도화한 것으로 이해해야 한다.

이 구분은 성과를 깎아내리려는 이야기가 아니다. 특정 개체의 구조를 완성했다는 것만으로도 엄청난 일이다. 다만 구조를 복사한 지도와 살아 있는 뇌가 학습하고 변화하는 과정을 모두 이해한 것은 다르다. 이 차이를 놓치면 뒤에서 볼 게임 실험이나 앞으로의 연구 방향도 잘못 이해하게 된다.

16만 6천 개의 뉴런과 1억 2,500만 개의 연결

발표에서 내가 먼저 눈여겨본 것은 숫자다. 16만 6,000개 이상의 뉴런과 1억 2,500만 개의 시냅스 연결이라는 설명이 나온다. 뉴런 수를 기준으로 지금까지 가장 큰 규모라고 한다. 과학자들이 초파리를 모델 생물로 삼아 뇌의 작동 방식을 연구하는 데 필요한 자료라는 것이다. 그런데 뉴런 수와 연결 수의 차이가 아주 크다. 왜 그럴까?

뉴런과 뉴런 사이의 연결을 시냅스라고 생각해 보자. 만약 뉴런 하나가 다른 뉴런 하나와 딱 한 번만 짝을 이루고 끝난다면, 16만 6,000개를 둘씩 묶었을 때 연결은 8만 3,000개 정도면 될 것이다. 그런데 실제로 이야기하는 연결은 1억 2,500만 개다. 한 뉴런이 하나와만 연결되는 것이 아니라 다양한 다른 뉴런들과 수많은 연결을 갖는다는 뜻이다.

물론 모든 뉴런이 같은 수의 연결을 가지지는 않을 것이다. 어떤 뉴런은 훨씬 많은 연결을 갖고, 어떤 뉴런은 상대적으로 적게 연결될 수 있다. 네트워크를 연구할 때도 이런 차이를 본다. 도시를 비유로 들어보자. 한국에는 여러 도시가 있지만 서울은 천만 인구, 부산은 350만 인구를 가진 도시라고 놓고 생각할 수 있다. 여기서는 정확한 인구 통계를 논하려는 것이 아니라 그 인구를 연결의 수로 바꿔 보자는 것이다. 서울이라는 뉴런은 천만 개의 연결을, 부산이라는 뉴런은 350만 개의 연결을 가진다고 치는 것이다.

그렇게 보면 같은 도시 하나라도 네트워크 안에서 차지하는 역할은 다르다. 많은 연결이 집중되어 중심적인 역할을 하는 곳이 있다. 내가 방송 중에 단어를 잠깐 잊었는데, 바로 허브다. 뉴런을 노드로, 시냅스를 노드 사이의 연결로 보면 이 구조를 이해하기 쉽다. 작은 점들이 있는 것이 아니라 그 점들 사이에 엄청난 수의 관계가 있는 것이다.

여섯 다리를 건너는 관계와 인공신경망의 그림

“여섯 다리만 건너면 세계의 누구와도 연결된다”는 이야기를 들어보셨을 것이다. 내가 이재명 대통령에게 소식을 전하고 싶다고 하자. 내가 아는 사람, 그 사람이 아는 사람을 따라가며 몇 단계를 건너면 연결될 수 있다는 이야기다. 처음 들으면 어떻게 가능하냐고 생각하겠지만, 네트워크 안에 엄청나게 많은 연결을 가진 허브가 있다면 가능성이 높아진다. 모든 사람이 똑같은 수의 관계만 가지고 있는 것이 아니기 때문이다.

내가 이 이야기를 하는 이유는 신경망도 이런 연결의 관점에서 볼 수 있기 때문이다. 뉴런은 노드이고 시냅스는 커넥션이다. 뉴런은 16만 개 정도인데 연결은 1억 개가 넘는다. 인공지능을 설명하는 그림에도 점들이 줄지어 있고 그 사이에 선이 촘촘하게 이어진 모습을 자주 보셨을 것이다. 한 노드가 여러 다른 노드와 연결되어 있다. 딥러닝을 설명할 때 많이 보는 그림이다.

인공신경망이라는 이름은 뉴런과 시냅스의 관계를 어느 정도 따라 한다는 데서 이해할 수 있다. 물론 생체 신경망을 통째로 그대로 만든 것은 아니고 극히 일부를 모방한 것이다. 간단한 그림에서는 한 층의 노드가 바로 다음 층의 노드와 연결되어 있고, 앞의 노드가 멀리 떨어진 층으로 직접 이어지지 않는 형태를 볼 수 있다. 그 뒤에는 층을 건너뛰고 다른 층의 노드와 연결하는 방식도 나온다.

나는 여기서 3차원적 연결이라는 가능성도 생각한다. 화면에 그린 인공신경망은 평면적이지만 생명체의 뉴런과 시냅스는 실제 3차원 공간에서 연결된다. 이런 입체적 관계를 구상하려면 경우의 수가 굉장히 복잡해진다. 사람이 머릿속으로 설계하고 이해하기 어려운 것이다. 앞으로 인공신경망 연구가 이런 입체적 연결을 더 적극적으로 다루는 방향으로 갈 수도 있지 않을까? 이것은 내 생각이다. 다른 곳에서도 비슷한 생각을 하겠지만, 나는 생체 신경망 연구가 그런 가능성에도 도움을 줄 수 있다고 본다.

학습한다는 것은 연결이 변한다는 것이다

그렇다면 초파리 이야기를 하면서 왜 뉴런과 시냅스를 길게 설명했을까? 학습이 시냅스의 변화와 연관되어 있기 때문이다. 뉴런이 새로 생기거나 사라지는 일도 있겠지만, 뉴런 사이의 연결이 강해지거나 약해지는 변화가 있다. 인공지능 분야에서는 이런 관계를 가중치라는 숫자로 표현한다. 가상의 신경망을 구성하고 학습시키면서 그 값을 바꾸는 것이다.

우리가 무언가를 기억하거나, 어떤 기억을 강화하거나, 잊어버리거나, 새로운 것을 배우거나, 감정의 변화를 겪을 때 뇌에도 변화가 생긴다. 시냅스 연결이 강해지거나 약해지고 새로운 연결이 생기는 것과 연관된다. 인공신경망에서는 이것을 연결의 가중치 변화로 표현한다고 생각하면 된다. 말이 복잡하게 들려도, 기억하고 배운다는 것이 아무 변화 없이 이루어지는 것은 아니라는 이야기다.

여러분은 신경 가소성이라는 말을 들어보셨을 것이다. 우리의 뇌는 정해진 채로 영원히 그대로 있는 것이 아니다. 무엇을 사용하고 어떤 경험을 하느냐에 따라 구조와 역할이 바뀐다. 물론 뇌 전체가 매번 완전히 다른 것으로 갈아 끼워진다는 뜻은 아니다. 어떤 부분의 기능이나 연결이 바뀌면서 다른 일을 맡을 수 있다는 것이다.

시각과 청각의 예에서 변치 않는 영혼의 문제까지

가령 사고로 시각 정보를 처리하는 뇌의 어떤 부분이 손상되었다고 하자. 눈 자체는 멀쩡해서 신호를 보내지만 처리하는 부분이 제대로 작동하지 않아 보지 못한다. 그 사람은 반드시 계속 보지 못한 채 살아야 하는가? 손상된 부분은 그대로더라도 다른 부분이 시각 정보 처리를 맡아 기능을 회복할 가능성은 없을까? 이런 문제를 생각할 때 신경 가소성이라는 말을 이해할 수 있다.

반대로 시력을 잃어 시각 신호가 들어오지 않는 경우를 생각해 보자. 시각 정보를 처리하던 뇌의 부분은 있는데 들어오는 정보가 없다. 그러면 그 부분이 그대로 놀고만 있을까? 시력을 잃은 사람이 청각이나 다른 감각을 더 발달시키는 경우를 이야기할 때, 원래 시각 정보를 다루던 부분이 다른 감각의 처리를 맡는 식의 변화를 생각할 수 있다. 담당이 바뀌는 것이다. 뇌의 역할이 처음부터 끝까지 하나로 고정되어 있다고 볼 수 없는 이유다.

신경 가소성이라는 특별한 단어를 떠나서도, 뇌의 변화가 없다면 우리는 어떤 것도 새롭게 기억하거나 경험할 수 없을 것이다. 기억이라는 것은 변화와 연관되어 있다. 바로 이 점에서 “변치 않는 영혼이 있고 그것이 나이며 전생을 기억한다”는 이야기를 다시 물어야 한다. 영혼이라는 것이 있다고 치자. 그런데 그것이 정말 변하지 않는 무엇이라면 어떻게 기억하는가? 기억하려면 변화가 있어야 하는 것 아닌가?

나는 변치 않는 영혼이 기억을 보관하고 윤회한다는 식의 이야기를 개 같은 소리라고 비판한다. 단순히 그 말이 싫어서가 아니다. 기억이 무엇인지, 변화와 어떻게 관련되는지 묻지 않고 말을 붙이고 있기 때문이다. 변치 않는 것은 기억할 수 없다는 문제를 먼저 생각해야 한다. 뇌 가소성을 이야기하다 영혼 불멸과 전생까지 왔지만, 이것은 뇌 연구와 무관한 곁가지가 아니다. 무엇을 기억이라고 부르고 무엇을 나라고 부르는지에 연결된 질문이다.

초파리 뇌 모델로 둠과 마리오를 해 본다면

이제 실제로 공개된 신경망 구조를 가져다 다른 일에 사용해 보려는 시도를 보자. 화면에는 파리처럼 보이는 캐릭터가 총을 들고 둠을 하는 장면이 나온다. 오래된 게임 화면을 조금 손보아 파리가 주인공처럼 보이게 한 것이다. 내가 소개한 내용은 소프트웨어 엔지니어 알렉스 워스가 공개된 초파리 뇌 모델을 활용해 둠과 슈퍼 마리오 64를 대상으로 실험한다는 것이었다. 이름을 어떻게 읽는지 잠시 헷갈렸지만, 여기서 중요한 것은 그 시도의 내용이다.

생체 그 자체를 게임기에 연결한 것이 아니다. 공개된 뇌의 연결 구조를 디지털 모델로 가져와, 이것으로 다른 일을 할 수 없을까 하고 시험하는 것이다. 약 16만 6,700개의 뉴런으로 구성된 모델에 게임 화면을 프레임 단위로 입력하고, 신경세포의 활동을 게임 조작 신호로 바꾸는 방식이라고 설명한다.

프레임이 무엇인지 생각해 보자. 영상은 연속된 화면으로 이루어진다. 과거에는 16프레임이나 24프레임을 쓰기도 했고, 24프레임 정도면 이어지는 느낌을 얻는다. 30프레임도 쓰고 최근 게임에서는 60프레임이 중요하게 이야기되며 모니터도 60Hz 이상을 쓴다. 이처럼 한 장 한 장의 화면을 모델에 넣는 것이다. 게임 화면의 시각적 자극이 감각 뉴런을 자극하게 하고, 그 결과 나온 신경 활동을 캐릭터의 이동이나 공격에 연결한다.

게임에서 피해를 입었을 때는 특정 도파민 뉴런에 별도 자극을 주어 보상 체계를 모방하는 방식도 적용했다고 한다. 피해를 입었으면 나쁜 쪽의 자극을, 상대를 쓰러뜨렸으면 좋은 쪽의 자극을 주어야 행동을 배우게 할 수 있지 않겠는가? 그런 식으로 게임 환경에서 학습하고 살아남을 수 있는지 시험하는 것이다. 화면의 마리오는 엉뚱한 곳에서 뛰기도 한다. 가운데에는 뇌 신경망의 어느 부분이 자극받는지 보여 주는 듯한 모습도 있다. 지금 그 뇌를 어떻게 써야 하는지 정확히 다 알고 있다는 이야기는 아니다. 여러 시도가 시작되고 있다는 의미다.

구조를 복사했다고 학습의 원리까지 복사한 것은 아니다

가상의 초파리 뇌가 있으니 여기에 자극을 주고 무엇을 배울 수 있는지 실험할 수 있다. 그러나 제대로 하려면 뇌의 가소성까지 더 밝혀야 한다. 어린 초파리가 무언가를 경험하고 배우는 동안 신경망은 어떻게 변하는가? 어떤 시냅스가 연결되고 어떤 뉴런이 어떻게 작용하는가? 지금 가진 것은 특정 초파리 뇌의 신경망 구조를 복사한 것이지, 그 초파리의 학습 과정 전체를 그대로 복사한 것은 아니다.

구조를 가져와 학습시키려면 연결의 강화 정도가 달라져야 한다. 가중치가 강해지거나 약해지는 식의 변화가 필요하다. 그런데 가상의 3D 신경망에서 값을 바꾸는 일과, 실제 생체 초파리가 어떤 자극을 받았을 때 어느 시냅스가 새로 생기고 어느 연결이 바뀌는지 하나하나 확인하는 일은 다르다. 그 과정을 전부 확인한 상태는 아니지 않은가?

그래서 나는 지금을 극초기라고 말한다. 성체 암컷과 수컷의 신경망 구조가 어떻게 다르고 어떤 부분이 어떻게 작용하는지 열심히 연구하고 분석할 차례다. 그럼에도 한쪽에서는 이미 공개된 구조를 가지고 전혀 다른 것을 학습할 수 없는지 시도한다. 완전히 다 알아야만 다음 연구를 할 수 있는 것은 아니다. 지금 확보된 자료만으로도 또 다른 질문과 실험이 시작되는 것이다.

내가 커넥톰 연구를 다 아는 전문가는 아니다. 어느 정도까지 연구되었는지 전부 알고 말하는 것도 아니다. 다만 이 소식을 보면서 우리가 이해해야 할 몇 가지가 있다. ‘구조를 밝혔다’는 말의 범위, 앞으로 남은 문제, 그리고 그것을 연구하는 도구의 변화다.

초파리에서 인간으로 가는 규모의 차이

인간 뇌의 뉴런 수로 이 발표에서는 860억 개라는 숫자를 이야기한다. 예전부터 들었던 숫자도 조금씩 달랐고, 사람마다 같을 것인지도 생각해야 한다. 어쨌든 초파리의 16만여 개와는 규모가 다르다. 뉴런이 860억 개라면 그 사이의 시냅스는 도대체 얼마나 많겠는가? 조 단위니 경 단위니 하는 엄청난 수를 떠올리게 된다. 인간 뇌 전체를 모두 매핑하는 것은 아직 어렵다는 이야기가 나오는 이유다.

초파리조차 모든 순간의 시냅스 변화까지 추적한 것이 아니다. 특정 순간, 특정 수컷과 암컷의 구조를 분석해 지도화한 것이다. 그것만으로도 대단하다. 초파리는 비교적 단순하고 수명이 짧으며 구애 행동 같은 특징도 있어 모델 생물로 많이 연구한다. 세대를 건너가며 관찰하기에도 유리한 점이 있을 것이다. 그러나 인간보다 단순하다는 말이 곧 쉬운 작업이라는 뜻은 아니다.

여기서 다시 질문해 보자. 생명체의 신경망 구조를 분석한 결과를 왜 구글에서 발표하는가? 발표에는 인공지능을 활용해 뇌 전체의 세포 수준 지도를 구축하는 분야를 발전시킨 10년에 걸친 공동연구라는 설명이 나온다. 인간 뇌는 아직 너무 복잡하지만, 16만여 개 뉴런을 가진 초파리라면 해 볼 수 있지 않을까 하는 것이다. 그 작업조차 인공지능의 도움을 받아야 감당할 수 있는 엄청나게 어려운 일이다.

얇은 조각의 사진을 입체적인 신경망으로 잇는 작업

뇌 지도를 만든다는 것은 어떤 작업인가? 발표의 설명을 따라가 보면 뇌를 수많은 얇은 조각으로 나누고, 각 조각의 이미지를 촬영한 다음, 컴퓨터와 인공지능을 사용해 그것을 하나로 합치는 과정이 나온다. 초파리의 작은 뇌를 수백만 개 수준의 조각으로 본다고 하니 얼마나 얇은 단면인지 생각해 보라. 눈으로 대충 선을 그어 붙이는 일이 아니다.

병원에서 우리 몸의 내부를 살펴보고 입체적인 모형으로 보는 장면을 떠올릴 수도 있다. 기구 안으로 들어갔다가 나오는 검사를 생각하며 내가 방송 중에 이름이 기억나지 않아 MRI 이야기를 꺼내기도 했다. 여기서 보려는 것은 단면들을 바탕으로 입체 구조를 구성한다는 점이다. 초파리 연구는 전자 현미경 이미지를 다룬다. 신경 구조를 확인하려면 마이크로 내지는 나노 수준의 정밀한 정보를 봐야 하기 때문이다.

평면적인 전자 현미경 이미지를 3D 재구성으로 변환하고 정확한 신경세포의 형태를 만들어 내는 시스템에 인공지능이 사용된다. 기술도 계속 발전한다. 그렇다면 지금의 정밀도가 끝일까? 그렇지 않을 것이다. 뉴런과 시냅스가 연결되어 있다는 데서 더 나아가, 연결이 얼마나 강한지 약한지까지 확인하는 방향도 생각할 수 있다. 연결의 존재와 연결의 정도는 다른 문제이기 때문이다.

나는 지금이 아주 초창기라고 보는 것이다. 지도 하나를 만들었다고 연구가 닫히는 것이 아니라, 그 지도를 가지고 더 정밀하게 무엇을 볼 수 있는지 묻게 된다. 그리고 더 많은 정보와 더 미세한 차이를 다룰수록 사람이 혼자 감당하기는 더욱 어려워진다.

물고기의 뇌, 감각과 행동, 질환에 대한 질문

앞으로의 대상으로 물고기의 뇌 전체 지도를 만드는 이야기도 나온다. 초파리를 했으니 이제 곤충을 넘어 척추동물로 가 보자는 것이다. 제브라피시 유생은 어린 물고기다. 현재 기술로 전체 뇌를 매핑할 수 있을 만큼 작은 척추동물 중 하나라고 소개한다. 유생 단계에서 투명하기 때문에 실험 중 신경 활동을 측정할 수 있다는 장점도 있다. 구조만 보는 데서 실제 활동을 살펴보는 쪽으로 질문이 이어진다.

이것은 인간 뇌가 어떻게 작동하는지 이해하려는 일과 연결된다. 알츠하이머병은 왜 발생하며 어떤 방식으로 진행되는가? 우울증이나 정신분열증 같은 정신질환의 기저에는 어떤 작용이 있는가? 몸과 신경의 작용은 정신에 어떻게 영향을 미치는가? 내가 여기서 관심을 두는 것은 그런 작동 방식을 연구한다는 점이다. 언젠가 인지 장애의 치료법을 개발하고 뇌 건강을 높이며 손상된 기능의 회복을 돕는 방향으로 이어질 것이라는 기대가 나온다.

이번 소개에는 시각 시스템, 미각, 사회적 행동에 관한 세 가지 논문 이야기도 있다. 무엇을 보고 어떻게 처리하는지, 어떤 것을 먹을 수 있다고 구분하고 맛을 느끼는지, 구애를 하거나 다른 개체와 어울리는 행동에 어떤 신경 활동이 관계되는지 연구하는 것이다. 다만 나는 그 논문들을 직접 열어 상세히 확인하지는 않았다. 제목과 소개를 보며 그런 방향의 연구가 이어지고 있구나 하고 보는 것이다.

16만여 개 뉴런의 구조가 데이터로 다뤄질 수 있게 되면, 어느 부분이 자극되고 얼마나 활발하게 활동하는지, 시냅스가 어떻게 변하고 영향을 주고받는지도 더 연구하고 실험할 수 있을 것이다. 이것은 단지 아름다운 뇌 그림 한 장을 얻는 일이 아니다.

사람이 알아보기 어려운 신호를 AI가 배우는 방법

다시 출발점으로 돌아오자. 지능을 만들려는 사람은 생명체를 연구할 수밖에 없었다. 초파리든 지렁이든 곤충이든 개든 원숭이든 인간이든, 무엇을 느끼고 구분하며 어떻게 판단하고 배우는지 살펴본다. 그런 연구가 인공지능 개발을 도왔고, 그 결과가 자금과 산업을 만나 지금의 거대한 AI 산업으로 커졌다. 이제 그렇게 개발된 도구가 거꾸로 생명체의 신경망을 분석하는 데 쓰인다.

그 이유는 너무 복잡하고 너무 미세해서 인간이 일일이 구분하기 어려운 패턴이 있기 때문이다. 뇌 사진에서 치매 초기의 어떤 징후를 구분하는 일을 예로 생각해 볼 수 있다. 사람이 보기에는 아주 미묘해 판단하기 어려운 차이라도, 그 차이를 구분하도록 전용으로 훈련한 인공지능은 패턴을 학습할 수 있다. 미세해질수록 인간의 눈과 경험만으로 구별하기 어려워지는 것이다.

로봇 팔도 좋은 예다. 팔을 잃은 사람에게 로봇 팔을 달았다고 하자. 뇌에서 내려오는 신호는 전기적이고 화학적인 작용을 통해 신경을 따라 전달된다. 그런데 그 복잡한 신호만 보고 “이것은 손가락 하나를 접으라는 뜻이다”, “이것은 팔을 뒤로 빼라는 뜻이다” 하고 사람이 바로 구분할 수 있겠는가? 너무 미세하고 복잡하다.

인공지능이 그 사람의 신경 신호와 동작 사이의 패턴을 학습하면 사정이 달라진다. 팔을 굽히고, 손가락을 올리고, 주먹을 쥐려는 신호를 해석하여 로봇 팔을 움직이게 하는 것이다. 마치 자기 손처럼 사용할 수 있게 하려면 이런 해석이 필요하다. 내가 강조하는 AI의 패턴 파악 능력이 이미 여러 곳에 쓰인다는 말이 이런 의미다.

자율주행에서 돌고래와 고양이까지

자율주행차가 하는 일도 생각해 보자. 저것이 사람인가, 개인가, 장애물인가? 빨간불인가 녹색불인가? 건널목인가 차선인가? 안개가 끼었는가? 멈춰야 하는가, 나아가야 하는가, 왼쪽인가 오른쪽인가? 전부 인지와 구분과 판단이다. 수천 번, 수만 번을 넘어 수억, 수십억 번의 패턴을 학습시키며 운전하게 하는 것이다.

인간이 알아듣기 어려운 동물의 신호에도 비슷한 질문을 할 수 있다. 돌고래의 어떤 행동과 소리가 어떤 상황에서 나타나는가? 새 소리는 무엇을 전달하는가? 고양이의 목소리와 행동은 어떤 느낌이나 상태를 드러내는가? 사람이 아무리 열심히 들여다봐도 잘 구분하지 못할 미세한 차이를 AI가 학습하도록 할 수 있다. 나는 앞으로 새나 고양이의 감정과 행동의 의미를 인공지능을 통해 이해하고 의사소통하는 날이 다가올 것이라고 생각한다.

이런 패턴 파악 능력이 다시 뇌의 복잡한 구조와 작용을 이해하는 데 돌아온다. 언어를 배우고, 어떤 감정을 느끼고, 상처를 받고, 우울해지고, 감정이 변하는 일에는 뇌의 작용이 있다. 어떤 뉴런이 어떤 뉴런과 시냅스를 맺는지 구조를 밝히는 데도 AI가 사용되고, 그 연결망에서 나타나는 활동을 이해하는 데도 사용될 수 있다. 구조를 알아보는 것과 작동의 패턴을 알아보는 일이 함께 발전하는 것이다.

더 나은 생체 연구가 더 나은 AI를 만드는 순환

AI가 발전할수록 더 복잡한 신경망 구조와 더 미세한 작동 방식을 연구하기 쉬워질 것이다. 그렇다면 그 연구는 어디로 가는가? 다시 인공지능의 구조와 학습을 더 잘 설계하는 데 도움을 줄 것이다. 앞서 말한 3차원적 네트워크도 그 가능성 중 하나로 생각할 수 있다. 내가 보기에 현재 인공신경망은 대체로 평면적인 구조로 이해되고 설계된다. 일부 입체적인 시도가 있을지는 모르지만, 생체의 실제 입체적 연결을 다루면 복잡성은 훨씬 커진다. 바로 그 복잡한 것을 이해하는 데 AI가 도움이 되는 것이다.

거미는 어떻게 먹이를 구분하고 거미줄을 치는가? 개나 돌고래나 고양이는 어떻게 판단하는가? 초파리든 물고기든 사람이든 그 신경망 구성을 연구하면 AI와 로봇의 개발에도 직접적이거나 간접적인 영향을 줄 수 있다. 생체 신경망 연구와 인공신경망 연구가 서로를 돕고 서로를 가속하는 것이다.

솔직히 말해 이 정도로 복잡한 생체 신경망을 일일이 분석하려면 인공지능 없이 어떻게 하겠는가? 인간이 그 모든 패턴을 직접 파악하고 분류하기는 거의 불가능한 수준이다. AI를 특정 용도에 맞춰 훈련하면 전에 감당하기 어려웠던 일이 가능해진다. 구조 지도가 나온 뒤 시각과 미각과 사회적 행동의 작동 방식을 더 자세히 밝히는 데도 이런 분석 능력이 쓰일 것이다.

며칠 동안 내가 AGI를 이야기했다고 해서 지금의 인공지능이 완성 단계라는 뜻은 아니다. 앞으로 발전할 수준과 비교하면 지금도 극초기다. 같은 에너지로 더 높은 지능을 구현하고, 더 효율적인 신경망 구조로 더 뛰어난 능력을 내는 방향이 남아 있다. 생체 신경망 연구는 바로 그 효율을 이해하는 데 도움을 줄 것이다. 무엇이 효율적이고 무엇이 비효율적인지 알아 가는 일은 다시 생명체에 대한 이해를 넓힌다. 인간은 왜 늙어서 죽는가 같은 문제를 포함해 의학과 생명 연구의 수많은 부분에도 영향을 줄 것이다.

뇌 연구만이 아니라 과학과 산업 전체의 가속

이 관계가 인공지능과 생체 신경망 사이에만 있는 것은 아니다. 인공지능은 재료와 단백질의 구조를 분석하고 새로운 물질을 선택하는 일에도 쓰일 수 있다. 코로나19 같은 바이러스에 어떤 약물이 도움이 될까, 어떤 단백질 구조가 작용할까를 고르는 일에도 구분과 판단이 있다. 이런 능력이 발전하면 신약이나 백신을 만드는 과정도 더 빠르고 효율적으로 진행될 것이다.

수학 문제와 과학 문제, 산업 기술, 재료와 신물질의 개발도 마찬가지다. AI가 그런 연구를 돕고, 그 연구로 나온 새로운 수학과 물리적 이해, 산업 기술과 물질은 다시 반도체와 에너지 효율을 비롯한 AI 개발의 조건을 개선한다. 도구가 연구를 돕고, 연구가 도구를 바꾸며, 바뀐 도구가 다음 연구를 더 빨리 진행하게 한다.

그래서 나는 우리가 가속의 초창기에 들어섰다고 보는 것이다. 어느 한 분야의 성과가 혼자 끝나는 것이 아니라 여러 분야로 돌아가며 다음 성과를 재촉한다. 초파리 뇌의 지도를 완성했다는 소식에서 내가 본 의미도 이것이다. 이제는 급격한 가속을 실제로 체감하는 시간이 다가온 것 같다.

2030년 경제 전망을 낙관적으로만 볼 수 없는 이유

사실 오늘은 초파리 이야기와 함께 클로드를 만드는 쪽에서 발표한 2030년 노동과 경제 전망도 다루려고 했다. AI가 기대보다 덜 발전하는 경우, 보통 정도로 발전하는 경우, 더 잘 발전하는 경우, 예상보다 훨씬 높은 지능이 급격히 나오는 경우를 나누어 경제와 노동, GDP에 어떤 영향을 줄지 살펴보는 보고서다. 자세한 검토는 다음 주 월요일로 미루려 한다.

흥미로운 점은 먼 미래도 아니라 2030년까지를 다룬다는 것이다. 지금이 2026년 9월이니 남은 시간은 대략 4년이다. 겨우 그 정도 앞을 보는데도 여러 경우로 나누어 복잡하게 전망해야 한다. 그만큼 변화의 폭이 크다는 뜻이다. 개발하는 사람들조차 자기가 만들고 있는 다음 모델이 어떤 능력을 가질지 정확히 예측하지 못하는 상황이라고 나는 본다.

앞선 방송에서 이야기했던 OpenAI의 아스트라와 그다음 내부 모델, 나비에–스토크스 방정식 문제를 다뤘다는 이야기도 그런 맥락에서 꺼낸다. 다음 모델을 개발하고 쓰면서도 그 능력이 어디까지 갈지 미리 다 아는 것은 아니라는 것이다. 그러니 2030년에 어느 정도의 AI가 있을지를 하나의 확실한 숫자로 말하기 어려운 것이다.

그렇다고 나는 그 경제 보고서를 그대로 받아들이지는 않는다. 내가 보기에는 너무 나이브하고, 자기변명에 가까울 만큼 솔직하지 못한 입장을 취하는 부분이 있다. AI가 급격하게 발전하는 경우에만 노동시장의 붕괴, GDP의 급상승과 동시에 20·30세대의 노동시장이 무너지는 시나리오를 놓는 듯했기 때문이다. 그런 문제가 정말 가장 급격한 경우에만 생기는가? 나는 그 전제와 설명을 비판적으로 함께 읽어 볼 필요가 있다고 생각한다. 다만 오늘은 그 보고서를 상세히 검토한 방송이 아니므로, 여기서는 다음에 따져 볼 문제로 남겨 둔다.

기억을 모르면서 전생의 기억을 말하는 사람들

초파리 신경망을 이야기하다 보면 영혼이나 자아, 참나를 말하는 방식도 다시 보게 된다. 우리가 관찰할 수 있는 세상과 현대 과학에서 멀어져 있으면서 자기 바람을 사실처럼 말해서는 안 된다. 내가 무엇을 바라는가와 별개로 있는 그대로 보려는 노력이 필요하다.

“전생이 있고 영혼이 있으며 그 안에 기억이 있다”, “어렸을 때부터 전생을 기억했다”, “어떤 것이 뱃속에 들어온다”는 식의 말을 늘어놓는다. 그런데 기억이 도대체 무엇인가? 기억이 무엇인지도 모르는 사람들이 영혼 안에 저장된다는 둥 업이라는 둥 말부터 붙인다. 나는 그런 말을 개소리라고 한다. 정작 그것이 왜 개소리인지도 모른 채 똑같은 말을 반복하는 사람이 많다.

우리 뇌가 어떻게 발달하고 어떻게 인식하며 구분하고 판단하는지, 지금까지 무엇이 관찰되었는지 모르기 때문이다. 내가 불교의 미신과 잘못된 착각, 경전에 들어 있는 신화와 거짓말과 소설과 동화, 과거 사람들의 바람을 비판해 왔지만, 그 이전에 현대 과학이 무엇을 의미하는지 제대로 배울 필요가 있다. 경전에 적혀 있다는 사실만으로 기억과 생명의 작동을 설명한 것이 되지는 않는다.

진화를 제대로 배웠다면 창조니 윤회니 하는 말을 그렇게 쉽게 할 수 있겠는가? 지구과학과 물리학, 생물학을 배웠다고 하면서도 그 의미를 생각하지 않으니 같은 말을 한다. 인공지능이 무엇을 보여 주는지도 마찬가지다. 단어만 줄줄 외워 시험을 치르고, 그것이 무엇을 뜻하는지 깊이 생각한 적이 없는 것이다. 나는 과학자나 교수라는 이름을 달고 나와서도 사후세계니 뭐니 하는 말을 함부로 하는 태도를 비판한다. 직함이 비판적 사고를 대신해 주지 않는다.

불교를 한다면서 세상의 변화와 무관할 수 있는가

방송을 하면서 요즘 채팅이 조용하다는 생각도 들었다. 불교에 관심이 있어 찾아왔는데 인공지능 이야기를 하니 뜬금없다고 느끼는 분도 있을 것이다. 그러나 여러분, 세상사와 무관하게 불교를 할 수는 없다. 지금 나뿐 아니라 대한민국과 세계 전체가 겪는 변화가 무엇을 낳고, 앞으로 어떻게 살아가야 하며, 무엇을 어떻게 가르쳐야 하는지 살펴보는 일은 필요하다.

물론 자기 앞에 놓인 당면한 문제를 이야기하는 것도 중요하다. 나는 그것을 하찮게 여기지 않는다. 개인적인 고민이든 불교에 관한 질문이든, 다른 책을 읽다가 생긴 의문이든 언제든 댓글이나 실시간 채팅으로 물어볼 수 있다. 다만 이 대격변기에 관심을 갖고 예측하고 해석하며 이해하려는 일 역시 누군가는 해야 한다. 끊임없이 고민하고 파악하려는 노력이 있어야 한다.

모두에게 그것을 요구할 수는 없다. 먹고살기 바쁜데 언제 그런 것을 다 살피겠는가? 여유가 되는 사람이 해야 한다. 그렇다고 내가 부유해서 하는 것은 아니다. 나는 강남좌파도 아니고 가난하다. 다른 일을 할 생각을 내려놓고 이런 일을 하겠다고 마음먹었으니 해야 하는 것이다. 정치인, 지성인이라고 불리는 사람, 교수와 영향력 있는 사람들도 자신들이 할 일을 해야 하지 않겠는가?

나는 짧게 설명할 수 있는 것을 너무 길게 반복하고 있는 것은 아닌지 스스로 돌아보기도 한다. 초파리 하나를 가지고 길게 말했지만, 우리가 이해하려는 것은 그 작은 곤충 하나에 갇혀 있지 않다. 무엇을 안다고 말할 수 있는지, 지능을 어떻게 이해할지, 변화하는 세상에 어떻게 참여할지의 문제다. 다오 스님이 재미있다고 해 주셔서 다행이다. 여러분도 궁금한 점이 있으면 남겨 주시고, 주말을 잘 보내시기 바란다. 다음에 다시 함께 이야기하자.