생명 영감을 받은 기계 지능 부트스트래핑

초록

이 논문은 인공지능 발전에 생물학적 원리를 적용해 ‘인지 빛 원뿔’ 개념으로 지능의 연속성을 설명하고, 다중 규모 자율성, 자기조립 성장, 지속적 재구성, 물리·구체적 제약 활용, 전신 신호망이라는 다섯 가지 설계 원칙을 제시한다. 이러한 원칙을 현재 AI 패러다임과 비교하고, 미래의 자율·구현·복원력 있는 인공 시스템 설계 로드맵을 제시한다.

상세 분석

본 논문은 인공지능을 단순히 신경망 규모 확대가 아니라, 생명체가 수억 년에 걸쳐 진화시킨 ‘유연한 문제 해결’ 메커니즘을 모방하는 방향으로 전환할 것을 주장한다. 저자들은 윌리엄 제임스의 정의—“고정된 목표와 가변적인 수단”—를 출발점으로 삼아, 지능을 목표‑수단 관계의 가변성으로 정의하고, 이를 ‘인지 빛 원뿔(cognitive light cone)’이라는 모델로 형식화한다. 인지 빛 원뿔은 시스템이 표현·추구할 수 있는 목표의 공간·시간 규모를 시각화한 것으로, 미생물의 국소 대사 목표에서 인간의 문화·사회적 목표까지 연속적인 스펙트럼을 제시한다.

논문은 다섯 가지 설계 원칙을 제시한다. 첫째, 다중 규모 자율성은 세포 수준부터 개체, 집단, 사회까지 서로 다른 층위가 독립적이면서도 상호 연결된 의사결정 주체가 되는 구조를 의미한다. 둘째, 자기조립 성장은 화학적·물리적 상호작용을 통해 활성 구성요소가 스스로 조직화하고 새로운 기능을 창출하는 과정을 강조한다. 셋째, 지속적 재구성은 환경 변화나 내부 변이에도 기존 회로를 재배열해 목표를 유지하는 플라스틱성, 예컨대 눈이 꼬리로 이동한 개구리 올챙이의 시각 학습을 들 수 있다. 넷째, 물리·구체적 제약 활용은 몸체·환경의 물리법칙을 연산 자원으로 전환해 효율성을 높이는 전략이며, 이는 로봇의 형태 적응이나 조직 재생에서 관찰된다. 마지막으로 전신 신호망은 화학, 전기, 기계적 신호가 목표‑제어 피드백을 전역적으로 전달해 상향·하향 제어를 가능케 한다.

이러한 원칙을 현재 딥러닝·대규모 언어 모델(LLM)과 비교하면, 기존 AI는 주로 고정된 아키텍처와 데이터‑주도 학습에 의존해 목표를 사전에 정의한다. 반면 생명체는 목표 자체를 동적으로 재구성하고, 물리·생리적 제약을 연산 자원으로 활용한다. 저자들은 이러한 차이를 메타‑학습, 자기조립 로봇, 에너지‑제약 최적화, 다중 에이전트 협업 등으로 구현할 수 있는 구체적 연구 로드맵을 제시한다.

전체적으로 논문은 ‘지능은 스케일과 목표 범위의 확장’이라는 관점을 통해, 생명체가 보여주는 적응·창조·복원력의 메커니즘을 인공지능 설계에 통합함으로써 보다 일반적이고 지속 가능한 AI를 구현할 수 있음을 설득력 있게 논증한다.