인간 최고 바둑 고수를 이긴 딥마인드의 창립자는 신경과학 박사 학위를 가지고 있고 일런 머스크가 후원하는 비영리 AI 연구기관 오픈AI는 전례 없는 수준의 인지 능력을 가진 기계를 꾸준히 개발하고 있다.

딥마인드 AI에 적용된 모든 핵심 개념과 아이디어는 우리 자신의 뇌를 연구한 결과다. 현재 AI의 양대 축인 딥러닝과 강화학습은 생물학적 뉴런 통신을 수학적으로 느슨하게 번역한 것이다. 그 결과는 알파고라는 사례로 주목받았지만 딥마인드를 개발한 데미스 하사비스는 충분하지 않다고 주장한다.

오늘날 AI는 강력한 능력을 가지고 있지만 적용 범위에서 한계를 가지고 있다. 목표는 생각하고 추론하며 유연성을 가지고 빠르게 반응하는 일반적인 AI를 개발해 현실 세계를 직감하고 더 나은 것을 상상하는 것이다.

이 목표를 위해 우리는 인간의 정신 내면을 더 상세하게 조사할 필요가 있는데, 그런 지적인 시스템이 가능하다는 유일한 증거가 바로 우리의 뇌이기 때문이다. AI와 신경과학이 공통점을 확인하고 통찰력과 경험적 진보를 공유하면 연구의 가속화를 가져올 선순환이 이루어질 수 있다.

현재 AI가 가진 문제를 해결하기 위해 많은 연구가 진행되고 있다. 머신 러닝 알고리즘은 특정 수학 구조에 의존하며 원하는 결과를 얻을 때까지 각 뉴런의 강도를 미세하게 조정하는 과정을 거친다. 따라서 새로운 것을 학습하기 위해서는 극단적인 망각이 요구되기도 하며 새로운 작업을 배우기 위해 기존 작업을 완전히 새로 써야 한다.

이와 같은 계속적인 학습은 딜레마를 가져온다. 이 외에 아직 정의가 더 필요하지만 유연하고 창조적인 정신을 만드는 것은 더욱 중요하다.

인지력을 갖추는 것은 매우 중요하다. 이것은 감각과 운동 경험을 통해 얻은 상호작용으로부터 지식을 축적하는 것으로 추상적인 생각을 구축하는 행위다. 이로써 얻는 직관을 설명하기는 어렵지만 일상생활의 문제를 해결하는데 매우 유용하다.

이보다 더 어려운 것은 상상력을 프로그래밍하는 것이다. 바로 이 분야는 AI가 성공하지 못한 것이기도 하다. 상상과 혁신은 기존 세계에 대해 이미 구축된 모델에 의존여 새로운 시나리오를 탐색하는 것이다. 매우 강력한 계획 도구가 있지만 아직 AI의 능력은 제한적이다.

머신러닝 알고리즘에 생물학적 뇌의 작동 원리를 적용하여 더 나은 결과를 만들어 내고 있다. 예를 들어, 해마는 휴식이나 수면 동안 경험을 재생하여 기억력을 강화하는 역할을 하고 있다. 머신러닝 알고리즘에 이처럼 휴식하고 기존 경험에 대해 보상을 주는 코드를 추가한 결과 더욱 향상된 성능을 보였다.

뇌 영상과 유전공학은 생물학적 신경망이 어떻게 구성되고 결합되어 문제를 해결하는지에 대한 전례 없는 통찰력을 제공한다. 신경과학자들은 뇌기능을 지원하는 기본 계산인 “신경 코드"를 분석하고 AI 연구에 바로 적용할 수 있게 한다.

AI가 신경과학의 혜택을 볼 수 있는 영역은 공간, 수, 객체 등 실제 세계와 관련된 핵심 개념을 지식화하는 것이다. 마치 정신적 레고와 같은 이 개념은 추론과 예측을 위한 정신 모델을 만드는 기본 블록이 될 수 있다.

또한 학습을 전달하는 방법도 있다. 이것은 점진적 네트워크라고 불리며 기본 원리를 전달한 후 시뮬레이션을 통해 실제 로봇을 훈련하는데 성공적으로 사용된 바 있다.

문제는 아직 신경과학자들이 사람이나 동물에서 볼 수 있는 고수준의 지식 전달이 어떻게 이루어지는지 파악하지 못한 것이다. 뇌는 추상적인 지식 구조를 추출하여 전달할 수 있는 것으로 보이지만 코드를 통해 직접적으로 구현할 수 있다는 증거는 발견되지 않고 있다.