Carnegie Mellon의 뇌 모델, 현실성 시험대에 서다

Carnegie Mellon University가 Google News에 오른 계기는 구체적인 NeuroAI 주장 때문이었다. 머신러닝 모델이 인간 시각 피질의 일부 영역이 이미지에 어떻게 반응하는지 예측할 수 있다는 것이다. 이 연구는 뇌 연구의 초점을 활동 기록에서 활동 예측으로 옮긴다. 그러나 신경 신호를 예측하는 모델이 곧바로 생물학적 시각이 작동하는 방식을 설명하는 것은 아니다.

이 구분이 핵심적인 긴장 관계다. Maggie Henderson의 팀은 신경 활동과 연관된 혈류 변화를 측정하는 기능적 자기공명영상, 즉 fMRI 데이터를 수집한다. 이후 연구진은 이 측정값을 심층신경망 내부에서 생성되는 표현과 비교한다.

이 접근법은 신경과학과 인공지능 사이의 오랜 상호작용을 기반으로 한다. 초기 신경망은 생물학에서 아이디어를 차용했다. 이제 신경과학자들은 컴퓨터 비전 시스템을 지각의 검증 가능한 모델로 활용하고 있다.

이러한 전환은 새로운 기회를 만들지만, 동시에 어려운 과학적 질문도 제기한다. 모델은 뇌 자체의 과정과 다른 계산에 의존하면서도 기록된 뇌 활동과 일치할 수 있다. 따라서 예측은 출발점이지 최종 설명이 아니다.

Google News 헤드라인이 실제로 보여주는 것

Carnegie Mellon은 AI를 생각을 읽거나 사람이 보는 모든 것을 재현하는 기계가 아니라, 신경과학을 위한 예측 도구로 다루고 있다.

이 이야기는 Carnegie Mellon이 2026년 8월 24일 더 폭넓은 NeuroAI 프로그램을 소개한 뒤 Google News를 통해 알려졌다. 공개된 설명은 완성된 하나의 제품을 발표한 것이 아니라, 서로 연관된 여러 프로젝트를 묶어 제시한다.

심리학 조교수인 Henderson은 뇌가 시각 입력을 사물과 장면의 표현으로 바꾸는 방식을 연구한다. 그의 팀은 사람들이 이미지를 보는 동안 fMRI 데이터를 기록한다. 이어 서로 다른 시각 영역의 반응을 예측하는 계산 모델을 구축한다.

이 모델들은 심층신경망이 학습한 내부 특징을 사용한다. 특징은 네트워크가 형태, 질감, 색상, 또는 사물 정체성과 같은 정보를 구분하도록 돕는 패턴이다. 연구진은 이러한 특징이 인간 뇌 데이터의 패턴을 예측하는지 검증할 수 있다.

이는 기존의 뇌 영상 연구가 완전한 계산적 설명 없이 상관관계만 제시하는 경우가 많기 때문에 중요하다. 어떤 영역이 특정 과제 중 더 활성화될 수는 있지만, 그 관찰만으로 수행되는 계산을 식별할 수는 없다.

자극 계산 가능 모델은 한 단계 더 나아간다. 이미지나 소리 같은 물리적 입력을 받아 예측된 신경 반응을 생성한다. 과학자들은 이 예측을 사람이나 동물에게서 측정한 반응과 비교할 수 있다.

또 다른 Carnegie Mellon 연구자인 Jenelle Feather는 이러한 모델을 자극에서 직접 신경 예측으로 이어지는 시스템으로 설명했다. 그의 연구에는 인공 네트워크가 생물학적 감각 체계와 유사한 방식으로 정보를 유지하고 버리는지 검증하는 작업도 포함된다.

최근 보도는 Carnegie Mellon이 한 사람의 사적인 시각 경험을 재구성했다는 증거로 해석해서는 안 된다. 인용된 연구는 통제된 입력에 대한 반응 예측에 초점을 맞춘다. 이는 뇌 활동만으로 알려지지 않은 이미지를 해독하는 것과는 다르다.

이 구분은 이 연구를 임상적 뇌 읽기 헤드라인과도 분리한다. Henderson의 프로젝트는 지각에 관여하는 표현을 연구한다. fMRI 스캔에서 신념, 기억, 또는 의도를 추출하는 일반적 방법을 확립한 것은 아니다.

그럼에도 Carnegie Mellon의 프로그램은 구체적인 방법론적 변화를 보여준다. 연구자들은 활동이 어디에서 나타나는지 묻는 데서 나아가, 계산 모델이 그 활동을 예견하는지 시험할 수 있다.

이 기관의 NeuroAI program은 이 시각 연구를 청각, 뇌-기계 인터페이스, 적응형 AI, 신경 회로 매핑과 연결한다. 이 프로젝트들은 기술적 측정을 반증 가능한 예측을 생성하는 모델로 전환한다는 목표를 공유한다.

Google News의 프레이밍은 이 의제를 뇌의 “이미지 감각”에 관한 단순한 헤드라인으로 압축한다. 그 이면의 이야기는 더 신중하다. AI는 후보 설명을 제공하고, 실험은 그 설명이 살아남는지 판단한다.

지금 시각 피질 예측이 중요한 이유

연구 참여자가 보는 것과 같은 복잡한 자극을 처리할 수 있는 컴퓨터 모델과 더 나은 신경 측정을 결합할 수 있다는 점에서 기회가 나온다.

과거 시각 신경과학 실험은 막대, 점, 통제된 패턴 등 단순한 자극을 자주 사용했다. 이 실험들은 특정 가장자리 방향에 반응하는 뉴런과 같은 핵심 원리를 밝혀냈다.

자연 장면은 훨씬 더 많은 변수를 도입한다. 거리 사진에는 얼굴, 차량, 그림자, 텍스트, 깊이 단서, 겹쳐진 사물이 포함될 수 있다. 각 특징의 기여도를 분리하는 일은 어려워진다.

컴퓨터 비전 네트워크는 실용적인 중간 표현을 제공한다. 이 네트워크의 계층은 픽셀을 점진적으로 더 추상적인 특징으로 변환한다. 연구진은 이러한 변환이 시각 피질 전반에서 측정된 변화와 닮았는지 물을 수 있다.

이 비교를 위해 연구자들이 인공 네트워크가 뇌의 문자 그대로의 복제본이라고 주장할 필요는 없다. 대신 네트워크는 여러 후보 모델 중 하나가 된다. 그 예측은 기록된 데이터와 비교해 검증할 수 있다.

이 접근법은 머신러닝 모델이 편집되지 않은 이미지를 대규모로 처리할 수 있게 되면서 더욱 유용해졌다. 또한 모델 적합화 과정에 포함되지 않았던 이미지에 대해서도 예측 반응을 생성할 수 있다.

보지 못한 자극에 대한 일반화는 핵심이다. 학습 관측값만 재현하는 모델은 통계적 패턴을 암기했을 수 있다. 새로운 반응을 예측하는 모델은 재사용 가능한 무언가를 포착했다는 더 강한 증거를 제공한다.

연구자들에게는 전체 정확도 이상이 여전히 필요하다. 두 시스템은 서로 다른 내부 메커니즘을 사용하면서도 유사한 예측 점수를 얻을 수 있다. 모델은 질감을 활용하는 반면, 사람은 형태나 맥락에 더 크게 의존할 수 있다.

이 문제는 이 분야에서 가장 익숙한 벤치마크 문화에 압박을 가한다. AI 연구는 고정된 데이터셋에서의 성능을 보상하는 경우가 많다. 신경과학에는 평범한 이미지에서 비슷한 점수를 얻더라도 경쟁하는 메커니즘을 구별하는 실험이 필요하다.

Carnegie Mellon의 연구는 더 풍부한 측정값을 갖춘 데이터셋을 구축하려는 광범위한 노력 속에 있다. MICrONS 프로젝트는 생쥐 시각 피질의 물리적 연결에 대한 상세한 재구성과 신경 활동 기록을 결합했다.

이 프로젝트는 약 20만 개의 세포와 5억 개 이상의 연결을 포함하는 1세제곱밀리미터의 조직을 매핑했다. 연구진은 동일한 조직을 극도로 높은 해상도로 재구성하기 전에 시각 자극에 대한 반응을 기록했다.

이 결합이 중요한 이유는 활동과 해부학적 구조가 보통 별도의 실험을 통해 얻어지기 때문이다. MICrONS는 연구자들이 동일한 조직 조각 안에서 배선, 신경 반응, 계산적 행동이 어떻게 연관되는지 조사할 수 있게 한다.

Carnegie Mellon 교수 Xaq Pitkow는 이러한 계층을 연결하는 모델 개발을 도왔다. 연구진은 모델에 시각 장면을 제공하고, 신경 반응을 예측한 뒤, 그 예측을 기록된 활동과 비교할 수 있다.

MICrONS brain map은 최초 연구진이 예상하지 못했던 질문도 뒷받침한다. 공개 데이터셋은 다른 팀들이 전체 측정 과정을 반복하지 않고도 대안 모델을 검증할 수 있게 한다.

이 인프라는 NeuroAI가 지금 주목받는 이유를 설명한다. 이 분야에는 더 유능한 모델, 더 큰 데이터셋, 더 정밀한 측정, 그리고 표적 실험을 설계할 도구가 있다. 이러한 요소들은 지능에 관한 철학적 논쟁을 실증적 비교로 전환할 수 있다.

예측과 설명이 진정한 경쟁자다

주된 대결은 신경과학과 AI 사이의 것이 아니다. 예측 정확도와 생물학적 계산에 대한 충실한 설명 사이의 대결이다.

모델은 잘못된 이유로 신경 반응을 예측할 수 있다. 이러한 가능성은 분류기가 의도된 사물 대신 배경 패턴을 활용할 수 있는 머신러닝에서 익숙하다.

같은 위험은 뇌 모델에도 적용된다. 네트워크의 특징이 유용한 이미지 통계를 추적하기 때문에 활동과 상관관계를 보일 수 있다. 그 상관관계가 뇌가 동일한 방식으로 그 특징을 계산한다는 사실을 확립하지는 않는다.

따라서 연구자들은 겉으로는 똑같이 성공적으로 보이는 모델들을 구분하는 개입이 필요하다. 평범한 사진은 많은 유능한 모델이 유사하게 분류하기 때문에 이런 역할을 하지 못하는 경우가 많다.

Nikolaus Kriegeskorte와 공동 연구자들은 합성 “논쟁적 자극”의 사용을 제안했다. 이는 경쟁 모델이 서로 다른 예측을 내놓도록 설계된 이미지다. 연구진은 이후 같은 이미지를 사람이나 동물에게 보여준다.

모호한 이미지는 한 모델에는 3처럼, 다른 모델에는 7처럼 보일 수 있다. 인간의 판단은 어떤 모델이 생물학적 지각에 더 잘 부합하는지 보여줄 수 있다. 두 모델 모두 실패할 수도 있으며, 이는 다른 이론이 필요함을 드러낸다.

이 전략은 불일치를 실험 자산으로 바꾼다. 과학자들은 높은 평균 상관관계를 기념하는 대신, 경쟁 설명이 갈라지는 사례를 찾는다.

Columbia의 Zuckerman Institute가 2026년에 진행한 논의는 동일한 과제를 수행하는 모델도 서로 다른 계산을 사용할 수 있음을 강조한다. 이 기관의 model disagreement 접근법은 뇌와 유사한 AI에 관한 광범위한 주장에 중요한 균형추를 제공한다.

해석 가능성은 두 번째 과제를 만든다. 대형 신경망은 수백만 또는 수십억 개의 조정 가능한 매개변수를 포함할 수 있다. 신경 활동을 정확히 예측하더라도 그 복잡성 때문에 분석하기 어려울 수 있다.

2026년 2월 Carnegie Mellon의 보고서는 또 다른 팀이 시각 피질 모델을 훨씬 더 작은 형태로 압축하려 한 노력을 설명했다. 그 결과 모델들은 높은 예측 정확도를 유지하면서도 수천 배 더 단순했다.

이러한 압축 모델은 연구진이 개별 신경 반응과 연관된 특징을 살펴보는 데 도움을 주었다. 예로는 얼굴 속 눈에 대한 민감성, 시각 패턴 속 점에 대한 민감성이 포함됐다.

핵심은 단순히 계산 효율성이 아니었다. 더 작은 모델은 연구자들이 실험실 가설로 전환할 수 있는 관계를 드러낼 수 있다.

그 연구에 참여한 Carnegie Mellon 교수 Matt Smith는 과학자들이 개별 뉴런을 이해하기 위해 거대한 네트워크가 필요하지는 않다고 주장했다. compact vision models는 예측 성능을 보존하면서 과학적 접근성을 높이도록 설계됐다.

압축이 모든 설명 문제를 해결하지는 않는다. 단순화된 모델은 여전히 생물학적으로 부정확할 수 있다. 또한 원래 네트워크에서 중요했던 메커니즘을 숨길 수도 있다.

그러나 압축은 실험을 위한 더 명확한 표적을 만든다. 연구진은 제안된 특징이 서로 다른 이미지, 맥락, 피험자 전반에서 일관되게 뉴런을 구동하는지 검증할 수 있다.

따라서 가장 강력한 NeuroAI 워크플로는 여러 단계를 포함한다. 대형 모델이 먼저 예측 구조를 식별한다. 연구진은 그 구조를 단순화하거나 해석한다. 마지막으로 표적 실험이 이를 반증하려 시도한다.

그 순서는 과학적 모델링과 패턴 매칭을 구분한다. 또한 현재의 Google News 기사가 예측 점수로 끝나서는 안 되는 이유도 설명한다. 의미 있는 결과는 실패하도록 설계된 실험에서 예측이 살아남을 때 나온다.

뇌 지도는 측정의 격차를 없애지 않는다

NeuroAI 모델은 연구자가 측정할 수 있는 범위, 연구 대상 종, 그리고 통제된 실험과 자연스러운 지각의 차이에 여전히 제약을 받는다.

Henderson의 인간 대상 연구는 개별 전기적 신호를 직접 기록하지 않으면서도 넓은 공간적 범위를 제공하는 fMRI에 의존한다. 이 신호는 신경 활동과 연관된 혈중 산소 농도 변화에 반영된다.

이 간접 신호는 지각의 기반이 되는 신경 사건보다 더 느리게 도착한다. 모델은 그 패턴을 만들어 낸 빠른 계산 과정까지 포착하지 못한 채 fMRI 패턴을 예측할 수 있다.

인간 fMRI는 많은 뉴런에 걸친 활동을 평균화하기도 한다. 서로 다른 두 세포 메커니즘이 유사한 대규모 측정값을 만들 수 있다. 연구자들은 특정 영역의 일치를 완전한 신경학적 설명으로 간주하지 않아야 한다.

MICrONS는 훨씬 더 정밀한 해부학적·세포 수준의 세부 정보를 제공하지만, 주요 시각 데이터셋은 생쥐 피질에서 나온다. 생쥐의 시각은 가치 있는 연구를 지원하지만, 해부학·행동·생태학적 요구 측면에서 인간의 시각과 다르다.

이 프로젝트들은 하나의 통합된 인간 뇌 모델을 이루기보다 서로를 보완한다. 인간 뇌 영상은 인간 지각과의 관련성을 제공한다. 동물 기록과 조직 재구성은 살아 있는 사람에게는 일반적으로 얻기 어려운 해상도를 제공한다.

자연스러운 행동은 또 다른 격차를 더한다. 스캐너 안에서 고정된 이미지를 보는 참가자는 일상적인 조건에서 세계를 지각하지 않는다. 일상의 시각에는 안구 운동, 움직임, 행동, 기억, 그리고 변화하는 목표가 포함된다.

생태신경과학을 위한 Simons Collaboration인 SCENE은 이 한계의 일부를 다룬다. 이 10년짜리 이니셔티브는 8,000만 달러의 지원을 받으며, 뇌가 현실적인 환경에서 지각을 어떻게 행동으로 전환하는지 연구한다.

연구진은 환경이 제공하는 행동의 기회, 즉 어포던스를 살펴본다. 의자는 앉을 수 있게 하고, 열린 길은 이동할 수 있게 한다.

이러한 강조점은 목표를 물체 인식에서 행동에 무엇이 중요한지 판단하는 것으로 옮긴다. 동시에 더 까다로운 모델링 요건도 만든다. 유용한 시스템은 감각 입력을 맥락, 불확실성, 행동과 연결해야 한다.

SCENE의 규모는 이 연구 방향에 대한 장기적 신뢰를 보여준다. 그렇다고 현재의 신경망이 이미 관련 메커니즘을 갖추고 있다는 보장은 아니다.

Carnegie Mellon의 SCENE 이니셔티브는 머신러닝을 신경 기록 및 행동 실험과 결합한다. 긴 운영 기간은 팀이 이론을 개발하고, 데이터를 수집하며, 실패 이후 모델을 수정할 시간을 제공한다.

또 다른 불확실성은 사람 간 차이에 관한 것이다. 뇌 해부학, 경험, 주의, 스캔 조건은 측정된 반응을 바꿀 수 있다. 한 집단에 맞춰진 모델이 다른 집단으로 깔끔하게 일반화되지 않을 수 있다.

연구자들은 순환적 평가도 경계해야 한다. 모델 선택과 테스트가 밀접하게 관련된 이미지나 측정값에 의존한다면, 성능은 실제 일반화가 정당화하는 수준보다 더 강해 보일 수 있다.

독립적인 데이터셋은 더 나은 시험을 제공한다. 특히 장비, 참가자, 분석 선택이 다를 때 연구실 간 재현이 이루어지면 신뢰도는 더욱 높아진다.

향후 임상 적용에 관한 주장은 특히 신중해야 한다. 건강한 감각 활동의 예측 모델이 자동으로 치료 모델이 되는 것은 아니다. 의학적 전환에는 안전성 근거, 환자별 검증, 측정 가능한 이점이 필요하다.

Feather는 보청기와 인공와우를 포함하는 가능한 경로를 설명한 바 있다. 연구자들은 건강한 청각 시스템을 모델링하고, 장애를 시뮬레이션한 뒤, 더 건강한 신경 부호를 회복하도록 설계된 처리를 개발할 수 있다.

이는 확립된 임상 결과가 아니라 연구 방향이다. 모델의 가정은 기기, 환자, 환경, 변화하는 신경 시스템 전반에서 성립해야 한다.

같은 주의는 뇌-기계 인터페이스와 시각 회복에도 적용된다. 더 나은 모델은 목표와 실험을 제안할 수 있다. 그러나 임상시험이나 환자 결과의 직접 측정을 대체할 수는 없다.

이러한 한계는 NeuroAI를 무효화하지 않는다. 흥미로운 상관관계에서 지각에 대한 신뢰할 수 있는 설명으로 나아가기 위해 필요한 작업을 정의한다.

뇌 모델이 인공지능을 재편할 수 있는 방식

NeuroAI의 양방향 가치는 AI 시스템을 단지 더 인간적으로 들리게 만드는 것이 아니라, 기계를 개선하는 생물학적 원리를 찾는 데 달려 있다.

컴퓨터 비전은 이미 신경과학의 언어와 구조를 차용해 왔다. 인공 뉴런, 계층적 처리, 수용장은 생물학적 영감을 반영하지만, 현대 시스템은 실제 뇌와 상당히 다르다.

새롭게 강화된 교류는 현재 AI에 여전히 무엇이 부족한지를 묻는다. 동물은 지속적으로 학습하고, 변화하는 조건에서 행동하며, 모든 과제마다 수백만 개의 레이블이 붙은 예시를 받지 않고도 적응한다.

Aran Nayebi의 Carnegie Mellon 연구는 동물 학습을 공학적 목표의 원천으로 연구한다. 그의 연구 그룹은 생물학적 에이전트가 매 단계마다 신중하게 명시된 목표에 의존하지 않고 어떻게 탐색하고 행동을 조정하는지 살펴본다.

이 경로가 중요한 이유는 높은 벤치마크 성능이 취약성을 가릴 수 있기 때문이다. 컴퓨터 비전 시스템은 익숙한 이미지를 정확하게 분류할 수 있지만, 질감·조명·시점이 조금만 바뀌어도 실패할 수 있다.

생물학적 시각은 속도와 유연성을 결합한다. 맥락, 이전 경험, 움직임, 불확실성을 활용한다. NeuroAI 연구자들은 이러한 특성 중 어떤 것이 막연한 비교가 아니라 특정 계산에서 비롯되는지 밝히고자 한다.

Pitkow의 MICrONS 연구는 한 사례를 제공한다. 그의 분석은 일관된 시각 패턴에 민감해 보이면서도 주변 장면에 반응하는 뉴런을 확인했다.

이러한 뉴런은 맥락을 무시하지 않으면서 물체 경계를 표현하는 데 도움을 줄 수 있다. 이 균형은 복잡하거나 낯선 환경에서 작동하는 인공 시스템과 관련이 있다.

연구자들은 단순한 인공 이미지와 자연주의적 장면에 대한 반응도 다르다는 점을 관찰했다. 이미지의 자연스러움은 신경 선택성과 맥락 의존성 모두를 바꾸었다.

이 결과는 통제된 자극이 현실 세계의 시각에 관한 모든 것을 드러낸다고 가정해서는 안 된다는 경고다. 또한 AI 평가에는 단일하게 선별된 벤치마크가 아니라 다양한 환경이 포함되어야 함을 시사한다.

압축된 뇌 모델은 또 다른 가능한 공학적 경로를 제시한다. 작고 해석 가능한 모델이 더 큰 네트워크의 유용한 행동을 유지한다면, 개발자는 어떤 계산이 필수적인지 연구할 수 있다.

이 과정은 작은 시스템이 큰 시스템으로부터 유용한 행동을 학습하는 머신러닝의 지식 증류와 닮아 있다. 신경과학은 다른 목표를 더한다. 증류된 표현은 생물학적 처리에 관한 가설을 생성해야 한다.

그러한 가설은 결국 로보틱스, 적응형 인터페이스, 감각 보철, 효율적인 지각 시스템에 영향을 줄 수 있다. 그러나 생물학적 유사성이 자동적인 제품 주장이 되어서는 안 된다.

시스템은 뇌를 닮지 않아도 효과적일 수 있다. 반대로 모델은 하나의 신경 측정값을 재현하면서도 더 안전하고, 더 신뢰할 수 있으며, 더 지능적이 되지 않을 수 있다.

따라서 개발자들은 생물학적 제약이 무엇을 기여하는지 물어야 한다. 표본 효율성, 적응, 에너지 사용, 불확실성 처리, 분포 변화에 대한 저항성을 개선하는가?

Google News를 통해 이 연구를 추적하는 팀에도 같은 규율이 적용된다. 유용한 연구 워크플로는 원 논문, 기관적 맥락, 경쟁하는 해석, 해결되지 않은 질문을 보존해야 한다.

개인 지식 베이스는 연구자들이 시간이 지남에 따라 이러한 자료를 연결하는 데 도움을 줄 수 있다. 목표는 더 많은 헤드라인을 수집하는 것이 아니다. 주장을 이후의 결과와 비교하는 데 필요한 근거를 유지하는 것이다.

NeuroAI는 그 원리가 실험실 밖의 시험에서도 살아남을 때 제품 개발자에게 중요해질 것이다. 그때까지는 범용 지능을 위한 완성된 청사진이 아니라 생산적인 가설의 원천으로 남는다.

Google News 주기 이후 주목할 세 가지 신호

다음 단계는 판별력 있는 실험, 피험자 간 검증, 그리고 더 자연스러운 행동에서 나온 결과를 통해 평가되어야 한다.

첫 번째 신호는 연구자들이 주요 모델들이 구체적으로 서로 다른 예측을 하도록 설계된 테스트를 발표하는지 여부다. 평균 예측 점수는 유용하지만, 두 시스템이 같은 메커니즘을 사용하는지 드러내는 경우는 드물다.

논쟁의 여지가 있는 자극은 더 날카로운 시험을 제공한다. Carnegie Mellon의 모델이 모호하거나 적대적으로 설계된 이미지에 대한 인간 반응을 예측한다면, 생물학적 해석은 더 강해진다.

실패 역시 유익한 정보를 제공한다. 모든 후보 모델이 같은 반응을 잘못 예측한다면, 연구자들은 중요한 계산 하나가 빠져 있다는 근거를 얻게 된다.

두 번째 신호는 사람, 데이터셋, 연구실 전반에 걸친 일반화다. 모델은 개발에 사용된 참가자와 스캔 조건을 넘어선 측정값을 예측해야 한다.

독립적 재현은 결과가 특정 전처리 파이프라인이나 이미지 컬렉션에 의존할 가능성을 낮춘다. 또한 새로운 참가자마다 얼마나 많은 보정이 필요한지도 드러낸다.

임상 연구에서는 이 신호가 필수적이 된다. 개인화된 기기는 개인별 적응이 필요하지만, 사용자 전반에 걸쳐 이전되는 신뢰할 수 있는 기반도 필요하다.

세 번째 신호는 고립된 이미지에서 시퀀스와 능동적 행동으로의 진전이다. Carnegie Mellon 연구자들은 이미 비디오와 시간 의존적 지각을 중요한 다음 단계로 지목했다.

비디오는 모델이 움직임, 변화하는 맥락, 시간적 연속성을 추적하도록 강제한다. 능동적 과제는 결정, 안구 운동, 결과를 더한다.

SCENE의 생태학적 초점은 이 테스트의 장기적 버전을 제공한다. 모델은 결국 정지한 뇌가 선택된 그림에 어떻게 반응하는지만이 아니라, 불확실성 아래에서 지각이 어떻게 행동을 이끄는지 설명해야 한다.

이러한 신호는 독자가 다음 Google News 헤드라인을 해석하는 방식에 영향을 주어야 한다. 더 높은 예측 점수는 공학적 근거를 강화한다. 그러나 테스트가 경쟁하는 메커니즘을 구분하지 않는 한 과학적 질문을 해결하지는 못한다.

현재의 연구가 중요한 이유는 신경과학 모델이 정밀한 방식으로 실패할 수 있게 해주기 때문이다. 이는 AI가 시각을 해독했다는 광범위한 주장보다 더 가치 있다.

Carnegie Mellon은 신뢰할 만한 NeuroAI 프로그램을 중심으로 연구자, 데이터셋, 협업을 구축했다. Henderson의 인간 뇌 영상 연구는 이미지를 예측된 피질 반응과 연결한다. MICrONS는 활동을 미시적 배선과 연결하며, SCENE은 자연 환경에서의 행동을 향해 나아간다.

이 프로그램의 가장 강력한 약속은 방법론적이다. AI는 신경과학자들이 테스트하고, 기각하고, 압축하고, 정교화할 수 있을 만큼 빠르게 계산적 설명을 제안할 수 있다.

가장 큰 위험은 해석의 과장이다. 예측은 설명으로, 생물학적 유사성은 지능으로 잘못 받아들여질 수 있다.

독자들은 그러한 격차를 드러내는 실험을 따라가야 한다. 모델들이 서로 다른 예측을 하게 만드는 이미지, 사람들 사이에서 이전되는 결과, 현실 세계의 움직임에서도 살아남는 예측을 지켜보라.

이러한 테스트는 Carnegie Mellon이 더 나은 시각 모델을 찾은 것인지, 아니면 현재 측정값에 더 잘 맞는 모델을 찾은 것인지 결정할 것이다. 다음 NeuroAI 주장을 설득력 있게 만들 결과는 무엇이라고 생각하는가?