자연지능 수학 인지체와 의식의 새로운 모델

초록

본 논문은 K.V. 아노힌이 제시한 ‘인지체(cognitome)’ 개념을 수학적으로 정형화한다. 인지체는 기능계와 세포군으로 구성된 COG(인지 신경군)들의 초네트워크이며, 의식은 이 초네트워크 내에서 일어나는 대규모 통합 동역학으로 정의된다. 저자는 “뇌는 외부 세계의 모든 인과관계를 발견하고 그로부터 가능한 모든 결론을 도출한다”는 원리를 기반으로 자연 분류, 기능계 이론, 범주화, 인과 모델, 통합 정보 이론 등을 수학적 모델로 재구성한다.

상세 분석

이 논문은 기존 인공지능 연구가 인간 뇌의 구조적·동역학적 특성을 충분히 반영하지 못한다는 전제에서 출발한다. 아노힌이 제안한 ‘인지체(cognitome)’는 뇌의 고차원 구조를 ‘신경 초네트워크’라는 수학적 틀로 포착한다. 여기서 핵심 단위는 COG(인지군)이며, 두 종류—기능계(functional systems)와 세포군(cellular ensembles)—로 구분된다. 기능계는 특정 행동이나 인지 기능을 수행하는 신경 집단을, 세포군은 보다 미세한 전기·화학적 동기화 패턴을 나타낸다. 논문은 COG를 그래프 이론의 ‘하이퍼노드’로 모델링하고, COG 간 연결을 하이퍼엣지로 표현한다. 이때 하이퍼엣지는 다중 연결성을 허용해 전통적인 2차원 그래프가 포착하지 못하는 복합 상호작용을 기술한다.

의식은 이러한 하이퍼네트워크 내에서 발생하는 ‘대규모 통합(integration)’ 현상으로 정의된다. 저자는 통합 정보를 정량화하기 위해 Tononi의 Φ(통합 정보) 개념을 확장한다. 기존 Φ는 시스템 전체의 상호 의존성을 측정했지만, 여기서는 하이퍼노드 간 상호작용 구조와 시간적 동기화 패턴을 동시에 고려한 ‘동시적 Φ’를 도입한다. 이 새로운 지표는 COG의 내부 동역학(세포군 수준)과 외부 연결(기능계 수준)을 모두 반영한다.

핵심 원리인 “뇌는 외부 세계의 모든 가능한 인과관계를 발견하고, 그로부터 모든 가능한 결론을 도출한다”는 ‘인과 탐색 원리(causal discovery principle)’로 수학화된다. 이를 위해 저자는 베이지안 네트워크와 구조 방정식 모델(SEM)을 결합한 ‘인과 그래프 탐색 알고리즘’을 제시한다. 이 알고리즘은 관찰된 감각 입력과 행동 출력 사이의 잠재적 인과 경로를 모두 열거하고, 각 경로에 대한 확률적 가중치를 부여한다. 결과적으로 인지체는 가능한 인과관계의 ‘완전 그래프’를 형성하고, 학습 과정에서 불필요하거나 비효율적인 경로는 가중치 감소 혹은 프루닝(pruning) 과정을 통해 제거된다.

논문은 이러한 수학적 틀을 기존 인지 과학 이론에 적용한다. 자연 분류는 ‘인과 관계 기반 거리(metric)’를 정의함으로써, 객체 간 유사성을 인과적 연관성의 공유 정도로 측정한다. P.K. 아노힌의 기능계 이론은 COG 간 하이퍼엣지의 가중치를 ‘기능적 연계 강도’로 해석하고, 이는 행동 목표 달성에 필요한 최소 연결 서브그래프를 도출한다. E. Roche의 범주화 이론은 ‘프로토타입 중심 인과 모델’을 통해 범주 중심 COG가 주변 COG와 공유하는 인과 경로의 밀도를 기준으로 범주 경계를 설정한다. Bob Rehter의 인과 모델 이론은 위에서 제시한 인과 탐색 원리를 정식화한 것으로, 인과 그래프의 구조적 동등성(equivalence)과 변형 가능성(transformability)을 수학적으로 증명한다. 마지막으로 Tononi의 통합 정보 이론은 동시적 Φ를 통해 의식 수준을 정량화하고, 의식의 변동(예: 수면·각성 전이)을 하이퍼네트워크의 동기화 파라미터 변화로 설명한다.

전체적으로 이 논문은 뇌의 복잡한 구조와 동역학을 ‘하이퍼그래프 + 인과 탐색 + 통합 정보’라는 삼위일체 수학 모델로 통합한다. 이는 기존 인공 신경망이 단일 층·연결 가중치만을 다루는 한계를 넘어, 다중 스케일·다중 관계를 동시에 모델링할 수 있는 새로운 패러다임을 제시한다. 특히, 인과 관계의 전면적 탐색과 동시적 Φ 도입은 의식 연구와 고차원 인지 기능 모델링에 실질적인 수학적 도구를 제공한다는 점에서 학술적·응용적 의의가 크다.