감정을 컴퓨터가 이해하도록 만든 논리적·수학적 모델

** 본 논문은 인간의 감정·감각(affect)을 계산적으로 정의하고, 이를 인공지능 에이전트에 적용할 수 있는 구체적인 모델을 제시한다. 저자는 먼저 감정 현상이 복합적이고 학제간 연구가 필요함을 언급하며, 기존의 OCC 모델이 감정 분류에서는 널리 쓰이지만 정의가 불명확하고 구현이 어려운 점을 지적한다. 이를 보완하기 위해 ‘affect’를 ‘신체 상태의 변화(physiological change)’로 정의하고, 이 변화가 ‘유틸리티를 변화시키는 사건(event)’에 의해 트리거된다고 설정한다. 감정은 의식 수준에 따라 세 단계로 구분된다. ‘affect’는 무의식적이며, ‘emotion’은 전의식(preconscious) 단계, ‘feeling’은 의식(conscious) 단계에 해당한다. 이러한 구분은 감정이 반드시 의식적으로 인식될 필요가 없으며, 무의식적인 affect만으로도 행동 전략을 결정할 수 있음을 의미한다. 에이전트는 ‘통제 시스템(뇌)’과 ‘통제 대상(신체)’으로 구성된다. 통제 시스템은 객체‑유틸리티 네트워크를 유지·갱신하며, 신체는 실제 행동을 수행한다. 에이전트는 사전에 정의된 기본 목표(생존·번식)를 가지고 있으며, 이 목표를 ‘필요(need)’라 부른다. 사건이 목표 달성에 미치는 영향을 ‘유틸리티(utility)’라는 수치로 평가한다. 양의 유틸리티는 목표 달성, 음의 유틸리티는 목표 저해를 의미한다. 유틸리티는 과거 경험을 기반으로 추정되며, 에이전트는 현재 상황에서 기대 유틸리티가 가장 높은 행동을 선택한다. 기대 유틸리티는 과거 유틸리티와 미래 유틸리티(예상)를 합산해 계산한다. 따라서 에이전트는 ‘예상 미래 유틸리티’를 최대화하려는 방향으로 행동한다. 감정(affect) 발생 메커니즘은 사건의 ‘예상/실제 유틸리티 차이’와 ‘트리거 객체(대상)’에 따라 정의된다. 논문은 15가지 기본 affect를 제시한다. - **예상되지 않은 사건**: 긍정 → delight, 중립 → surprise, 부정 → fright. - **예상된 미래 사건**: 긍정 → hope, 부정 → fear. - **예상된 과거 사건**: 긍정이 실현 → satisfaction, 긍정이 미실현 → disappointment, 부정이 실현 → fear‑confirmed, 부정이 미실현 → relief. - **자기‑관련 감정**: 긍정적 자기 사건 → pride, 부정적 자기 사건 → shame, 부정적 자기 행동 → remorse. - **타인‑관련 감정**: 좋아하는 타인에게 부정적 사건 → pity, 좋아하는 타인에게 긍정적 사건 → happy‑for, 싫어하는 타인에게 긍정적 사건 → resentment, 싫어하는 타인에게 부정적 사건 → gloating. 대상(agent)의 ‘좋음/싫음’은 누적 유틸리티가 0보다 큰지 작은지에 따라 결정되며, ‘원함/싫어함’은 기대 유틸리티에 기반한다. 감정과 행동은 ‘affect‑specific’ 전략과 연결된다. 예를 들어, ‘frustration’ 상태에서는 공격 행동이 선천적으로 연결될 수 있다. 학습을 통해 새로운 객체‑유틸리티 쌍을 추가하고, 이를 기반으로 새로운 affect‑specific 행동을 습득한다. 논문은 또한 ‘성격(temperament)’과 ‘기질(temperament)’을 구분한다. 성격은 통제 시스템에 학습된 내용이며, 기질은 생리적 차이에 의해 나타난 행동 양식이다. ‘규범(norm)’은 행동의 기대 유틸리티이며, 사회적 상호작용을 통해 개인의 규범이 타인의 유틸리티에 영향을 미칠 수 있음을 설명한다. **처리 루프**는 다음과 같다: (1) 새로운 사건을 인식, (2) 유틸리티 평가, (3) 객체 모델 업데이트, (4) 현재 상황에서 가장 높은 기대 유틸리티를 가진 행동 선택 및 실행. 객체 모델은 ‘주의 대상’으로서 절대 유틸리티가 가장 큰 객체를 선택한다. ‘컨텍스트 확장’ 메커니즘을 도입해, 현재 주의 대상에서 시작해 높은 유틸리티를 가진 인접 객체를 탐색한다. 이 과정에서 새로운 행동·감정을 발견하거나, 위협을 회피하는 행동을 찾는다. 컨텍스트가 과도하게 확장되면 ‘스트레스’가 증가하고, 시간 부족 시 컨텍스트가 얕아져 ‘번아웃’ 현상이 발생한다. 마지막으로, 감정 모델을 기반으로 한 시뮬레이션 예시가 제시된다. 에이전트가 위협을 감지하고 ‘fear’ 상태에 들어가면, 네트워크 탐색을 통해 위협을 제거할 행동을 찾고, 성공 시 ‘relief’를 경험한다. 이러한 순환이 반복되면서 에이전트는 ‘내면화(internalization)’와 ‘진보(progression)’ 과정을 겪으며, 성격이 점진적으로 형성된다. 전체적으로 논문은 감정을 유틸리티 기반의 계산 모델로 정형화함으로써, 인공지능 에이전트가 인간과 유사한 affective 행동을 보이게 하는 실용적인 프레임워크를 제공한다. 다만, 감정의 다차원적·문화적 측면을 충분히 반영하지 못하고, 실험적 검증이 부족하다는 한계가 있다. **