MIT 자기조립 신경망, 사전 배선된 학습 회로 없이 학습

MIT의 자기조립 신경망은 정교하게 설계된 학습 회로에서 출발하지 않고도 패턴 인식과 이미지 분류를 학습했다. 대신 무작위로 연결된 유닛들이 공유된 국소 가소성 규칙 아래에서 유용한 학습 구조를 형성했다.

이 결과는 생물학적으로 그럴듯한 학습에 관해 연구자들이 던질 수 있는 질문을 바꾼다. 모델은 이미 구축된 회로가 연결을 어떻게 조정하는지만 설명할 필요가 없다. 그러한 조정을 담당하는 회로가 어떻게 출현하는지도 탐구할 수 있다.

핵심 대립은 단순히 MIT 자기조립 신경망과 기존 인공지능의 대결이 아니다. 이는 자기조직화된 학습 구조와 역전파의 대립이다. 역전파는 필요한 조정 과정을 생물학에 직접 대응시키기 어려운 알고리즘이다.

연구진은 자신들이 시험한 역전파 학습 네트워크와 유사한 성능을 보고했다. 다만 이 시스템이 대규모 AI 모델에서 역전파를 대체한다고 주장하지는 않는다. 또한 생물학적 뇌가 제안된 메커니즘을 사용한다고 주장하지도 않는다.

더 중요한 결과는 범위가 더 좁다. 구성 요소들의 집합은 무작위 내부 연결에서 시작해 국소 규칙을 따르고, 경사 기반 학습에 근접하는 모티프를 조립할 수 있다. 이는 네트워크 설계자가 맡던 일부 설계 작업을 네트워크 유닛 간 상호작용으로 옮긴다.

MIT 자기조립 신경망이 실제로 바꾼 것

MIT 연구는 생물학적 학습 모델을 한 단계 더 깊게 옮긴다. 회로를 적응시키는 수준에서, 적응을 가능하게 하는 구조를 조립하는 수준으로 나아간 것이다.

이 연구는 2026년 10월 9일 Proceedings of the National Academy of Sciences에 온라인으로 게재됐다. MIT는 10월 13일 관련 설명을 공개했다.

저자는 Qianli Liao, Liu Ziyin, Yulu Gan, Brian Cheung, Mark T. Harnett, Tomaso Poggio다. 이들의 연구는 McGovern Institute for Brain Research, MIT의 ICoN Center, CSAIL 및 관련 MIT 연구 그룹에 걸쳐 있다.

이들의 동료 심사 논문은 Self-Assembling Learning이라는 프레임워크를 소개한다. 이 프레임워크는 학습 시스템이 더 낮은 수준의 분산된 상호작용에서 어떻게 발생할 수 있는지 묻는다.

첫 번째 사례는 Self-Assembling Motif, 즉 SAM이다. 모티프는 기능적 구성 요소 역할을 할 수 있는 작고 반복적인 회로 구조다.

SAM은 완성된 학습 모듈로 시작하지 않는다. 이 구조는 이종시냅스 가소성 규칙을 통해 초기의 무작위 연결성에서 출현한다.

이종시냅스 가소성이란 한 연결에서의 활동이 다른 연결의 변화에 영향을 줄 수 있다는 뜻이다. 이는 각 시냅스를 고립된 상태로 갱신하는 규칙보다 뉴런에 더 많은 조정 능력을 부여한다.

연구팀은 이어 이러한 모티프를 여러 계층에 걸쳐 계층적으로 구성한다. 논문에 따르면, 그 결과로 나타나는 네트워크 동역학은 확률적 경사 하강법의 일반화된 형태에 근접한다.

경사 하강법은 오류를 줄이기 위해 매개변수를 반복적으로 조정하는 최적화 방법이다. 확률적 경사 하강법은 학습 예제의 부분집합을 이용해 이러한 조정을 추정한다.

현대 신경망은 일반적으로 역전파를 통해 유용한 조정값을 계산한다. 역전파는 오류 정보를 네트워크를 거슬러 뒤로 전달해 각 매개변수가 조정된 업데이트를 받도록 한다.

이 과정은 소프트웨어에서 매우 잘 작동한다. 그러나 신경과학자들은 생물학적 조직이 그 정밀한 정보 흐름, 타이밍, 가중치 관계를 재현할 수 있는지 오랫동안 의문을 제기해 왔다.

새 결과가 학습 규칙이나 감독을 없앤 것은 아니다. 연구진은 여전히 국소 가소성 규칙을 지정하고 데이터와 과제 피드백을 제공한다.

달라지는 것은 설계자가 개입하는 수준이다. 설계자는 모티프가 나타내는 최종 학습 회로를 직접 배선하지 않는다.

MIT 연구 설명은 무작위로 상호 연결된 뉴런 유사 유닛의 여러 계층을 설명한다. 한 계층 내 구성 요소들은 연결을 바꾸기 위한 동일한 규칙을 따른다.

이 유닛들은 조직화된 행동이 나타날 때까지 상호작용한다. 이어 출현한 모티프는 네트워크 전반의 학습을 뒷받침하는 구조가 된다.

연구진은 패턴 인식과 이미지 분류를 시험했다. 논문의 참고문헌은 MNIST, Fashion-MNIST, MedMNIST 및 자연 이미지 데이터세트를 포함한 벤치마크를 제시한다.

이는 학습 동역학을 검증하는 데 의미 있는 시험이지만, 최첨단 언어 모델을 학습시키는 일과 동등하지는 않다. 이 연구는 프로덕션 규모 생성형 AI가 아니라 학습 회로의 조직화를 다룬다.

이 구분은 중요하다. “자체 학습 구조 구축”이라는 표현은 실험이 뒷받침하는 수준보다 더 자율적으로 들릴 수 있기 때문이다. 네트워크가 과제, 데이터 또는 이를 지배하는 물리를 스스로 발명하는 것은 아니다.

대신 MIT 자기조립 신경망은 더 낮은 수준의 명세를 받는다. 이후 유용한 고수준 회로 조직은 그 명세 안에서의 상호작용으로부터 출현한다.

이 결과는 이 기사의 핵심 긴장을 만든다. 연구자는 학습 회로를 직접 규정할 수도 있고, 학습 회로가 스스로 조직되는 국소 조건을 규정할 수도 있다.

첫 번째 접근법은 통제력과 성능을 최적화한다. 두 번째 접근법은 생물학적 발달과 가소성에 더 가까운 과정을 통해 유용한 계산이 출현할 수 있는지 묻는다.

국소 규칙이 역전파에 가하는 압력

이 연구는 가장 중요한 학습 회로가 이미 마련돼 있다고 가정하면서 자신을 생물학적으로 그럴듯하다고 부르는 모델에 압력을 가한다.

역전파는 현대 인공신경망 학습을 위한 실용적 표준으로 남아 있다. 이 이야기에서 논쟁의 대상은 그 효과가 아니다.

생물학적 쟁점은 구현 방식에 관한 것이다. 소프트웨어 프레임워크는 활성값을 저장하고 정확한 손실을 계산하며, 여러 계층에 걸쳐 미분값을 분배할 수 있다.

뇌에는 이 순서를 수행하는 명백한 중앙 프로그램이 없다. 뉴런은 전기화학 신호, 국소 활동, 세포 과정, 물리적 조직을 통해 도달하는 피드백에 따라 변화한다.

주요 역전파 리뷰는 여러 오랜 불일치를 설명한다. 여기에는 가중치 전달, 비국소적 신용 할당, 순방향 및 역방향 계산의 분리가 포함된다.

신용 할당은 어떤 내부 연결이 오류에 기여했는지 결정하는 문제다. 심층 네트워크에서는 결과가 다수의 상호작용 계층에 의존하기 때문에 이 문제가 더 까다롭다.

설계된 시스템은 기울기를 계산해 신용 할당을 해결한다. 이 계산은 각 매개변수에 네트워크 오류를 줄일 방향을 알려준다.

생물학에서 영감을 받은 여러 제안은 피드백 정렬, 예측 부호화, 국소 손실 또는 대체 회로 동역학으로 이 계산을 근사하려 한다. 그러나 이들은 흔히 선택한 방법을 지원하도록 이미 구성된 아키텍처에서 출발한다.

MIT 팀은 이 출발 가정을 겨냥한다. 생물학적으로 그럴듯한 설명은 시냅스가 어떻게 업데이트되는지뿐 아니라, 업데이트를 지원하는 회로가 어떻게 조직되는지도 설명해야 한다.

Liao는 MIT 보도에서 이 문제를 직접 요약했다. “뇌에는 외부 설계자나 건축가가 없다.” 그의 요점은 제약이 없다는 뜻이 아니라 조직화의 원천에 관한 것이다.

뇌는 유전 프로그램, 물리적 한계, 감각 경험, 생화학 규칙 아래에서 발달한다. 이러한 영향이 성숙한 회로의 모든 연결을 개별적으로 지정하는 것은 아니다.

따라서 유용한 계산 모델은 두 질문을 분리해야 한다. 어떤 규칙이 국소 변화를 지배하는가, 그리고 그 규칙들이 상호작용할 때 어떤 대규모 학습 구조가 출현하는가?

SAM은 하나의 답을 제시한다. 무작위 미시적 연결성은 점차 최적화에 유용한 동역학을 지닌 조직화된 모티프를 뒷받침한다.

논문은 두 규모에서의 자기조립을 설명한다. 먼저 국소 가소성 아래 무작위 연결성에서 모티프가 출현한다.

둘째, 이러한 모티프의 네트워크가 계층적 동역학으로 조직된다. 저자들은 이 동역학을 확률적 경사 하강법의 일반화된 형태와 수학적으로 연결한다.

이 두 규모의 주장은 단순히 피드백 행렬을 무작위화하는 것과 이 연구를 구분한다. 네트워크는 회로 구성 요소와 시스템 수준 학습 과정을 모두 발달시키도록 설계됐다.

이 설명이 추가 검증에서도 유지된다면, 생물학적 학습 모델의 기준을 높일 것이다. 연구자들은 학습 회로가 무엇을 계산하는지 보여주는 데 그치지 않고, 그 회로가 왜 존재하는지도 정당화해야 한다.

이 압력은 신경과학을 넘어선다. 엔지니어들도 국소 정보와 물리적 제약 아래에서 학습하는 시스템에 관심이 있다.

뉴로모픽 하드웨어는 계산을 메모리 가까이에 배치하며, 흔히 전역 데이터 이동을 제한한다. 국소 상호작용에 기반한 학습 방법은 정확한 디지털 역전파보다 이러한 제약에 더 잘 맞을 수 있다.

이 가능성은 제품 성과가 아니라 연구 방향에 머문다. 이 연구는 SAM이 현재 배포된 하드웨어에서 학습 비용이나 에너지 소비를 줄인다는 증거를 제시하지 않는다.

또한 기존 역전파를 쓸모없게 만들지도 않는다. 역전파에는 수십 년간 축적된 도구, 실증적 지식, 대규모 가속기 클러스터와의 호환성이 있다.

더 날카로운 결론은 역전파가 유용한 기울기와 정교하게 설계된 전역 구조 간의 개념적 연결을 더 이상 독점하지 않는다는 것이다. 이 논문은 기울기와 유사한 최적화가 국소 가소성에서 출현하는 경로를 제시한다.

그래서 벤치마크 성능이 단지 비슷한 수준일 때도 이 비교는 중요하다. 성능 동등성은 자기조직화가 학습 능력을 훼손하지 않았음을 보여주는 통제 역할을 할 수 있다.

따라서 이 연구가 압박하는 것은 오늘날의 AI 학습 시장이 아니라 연구 가정이다. 그 표적은 효과적인 기울기 구조가 반드시 시스템에 사전에 배선돼야 한다는 믿음이다.

학습 구조는 무작위 연결에서 스스로 조립된다

핵심 메커니즘은 국소 가소성이 모티프를 형성하고, 출현한 모티프가 다시 조정된 학습을 지원하는 피드백 과정이다.

MIT 신경망이 어떻게 학습하는지 이해하려면, 동종시냅스 변화와 이종시냅스 변화의 차이에서 시작해야 한다. 동종시냅스 변화는 주로 수정되는 시냅스에서의 활동에 의존한다.

이종시냅스 변화는 다른 곳의 활동이 해당 시냅스에 영향을 미치도록 한다. 이러한 더 넓은 상호작용은 같은 뉴런에 연결된 여러 연결을 조정할 수 있다.

친숙한 국소 원리는 함께 활성화되는 뉴런들이 연결을 강화한다는 것이다. 이 원리는 흔히 “함께 발화하는 뉴런은 함께 연결된다”라고 요약된다.

하지만 그것만으로는 심층 신용 할당을 재현할 수 없다. 학습 네트워크에는 출력 오류를 더 이른 내부 활동과 연결하는 방법이 필요하다.

SAM은 이러한 관계를 처리할 수 있는 모티프로 국소 상호작용을 결합한다. 모티프의 연결은 완성된 계산 다이어그램으로 삽입되지 않는다.

이들은 무작위 값 또는 무작위 미시 구조에서 시작한다. 반복적인 가소성 변화가 이를 더 유용한 구성으로 조직한다.

논문은 그 결과로 나타나는 동역학이 일반화된 확률적 경사 하강법에 증명 가능하게 근접한다고 설명한다. “증명 가능하게”라는 표현은 생물학적 뇌가 아니라 형식 모델과 그 가정에 적용된다.

이 경계는 필수적이다. 수학적 증명은 정의된 시스템이 어떻게 행동하는지 확립할 수 있다. 그것이 대뇌 피질 조직이 동일한 시스템을 구현한다는 사실까지 확립할 수는 없다.

계층 구조 또한 중요하다. 하나의 모티프는 압축된 학습 구조를 제공하고, 반복된 모티프는 계층 전반의 학습을 연결한다.

그러한 층위적 구성은 순전히 국소 규칙이 지닌 핵심 약점을 보완한다. 단일한 국소 조정은 그럴듯할 수 있지만, 깊은 네트워크 전반에서 유용한 학습을 조율하는 데는 실패할 수 있다.

저자들의 모델에서는 모티프 간 상호작용을 통해 조율이 나타난다. 따라서 네트워크는 표준 역전파 회로를 직접 탑재하지 않고도 그래디언트 기반 최적화에서 기대되는 동작에 가까워질 수 있다.

이 과정에는 여전히 학습을 유도하는 신호가 포함된다. 회로 조직이 스스로 형성된다는 이유만으로 학습이 비지도 학습이 되는 것은 아니다.

대신 이 시스템은 교육적 정보가 네트워크에 도달하고 이를 재구성하는 방식을 바꾼다. 국소 단위들은 개별적으로 계산된 설계 지시를 받는 대신, 공유된 규칙 아래에서 반응한다.

이것이 연구에서 가장 중요한 관점 전환이다. 무작위성은 엔지니어가 극복해야 할 잡음으로만 취급되지 않는다.

무작위 초기 연결성은 원재료를 제공한다. 이후 가소성은 유용한 학습 패턴을 뒷받침하는 관계를 선택하고, 강화하고, 약화하고, 조율한다.

생물학적 시스템도 흔히 이와 유사한 폭넓은 원리를 통해 구조를 발달시킨다. 세포는 국소적인 화학·전기 규칙을 따르면서 조직은 더 큰 수준의 구조를 획득한다.

이 비유는 연구의 동기를 제공하지만, 어디까지나 비유에 머문다. 연구진은 살아 있는 신경 회로에서 SAM 형성을 관찰한 것이 아니라 뉴런과 유사한 단위를 모델링했다.

최근 실험 연구는 수상돌기가 구조화된 교수 신호를 전달한다는 근거를 강화했다. 2026년 연구진은 피질 뉴런에서 학습을 유도하는 수상돌기 신호를 보고했다.

이러한 증거는 국소적이고 구획화된 학습 메커니즘의 개연성을 뒷받침할 수 있다. 그러나 여기에서 제안한 특정 자기조립 모티프를 독립적으로 검증하는 것은 아니다.

MIT 논문은 이 간극을 검증 가능한 질문으로 전환한다. 연구자들은 모델이 예측한 모티프형 연결성, 구조화된 피드백, 가소성 패턴을 찾을 수 있다.

또한 학습 조건이 바뀐 뒤에도 형성된 모티프가 안정적으로 유지되는지 물을 수 있다. 한 번 형성되지만 초기화가 달라지면 붕괴하는 회로는 설명력에 한계가 있다.

따라서 시스템의 공개 코드 릴리스는 중요하다. 여기에는 벤치마크 구현과 이론 및 정렬 진단에 사용된 후속 구현이 포함된다.

독립 연구자들은 무작위 시드, 연결성, 학습률, 과제 분포를 바꿀 수 있다. 동일한 질적 모티프가 신뢰성 있게 나타나는지도 시험할 수 있다.

또한 학습된 업데이트를 정확한 그래디언트와 비교할 수 있다. 최종 정확도가 비슷하더라도 최적화 동역학은 크게 다를 수 있으므로 정렬이 중요하다.

개발자에게 이는 아키텍처 탐색과 자기조직화 학습의 유용한 구분이다. 아키텍처 탐색은 외부 최적화 과정을 이용해 대안적 설계를 평가한다.

반면 SAM은 조직화를 모델링된 네트워크의 동역학 내부에 둔다. 국소 규칙이 상호작용 과정에서 학습 회로를 형성하게 한다.

설계자가 사라진 것은 아니다. 설계는 최종 회로를 지정하는 단계에서, 그것을 생성하는 조건을 지정하는 단계로 내려갔다.

이러한 재구성은 더 폭넓은 엔지니어링 패턴과 연구를 연결한다. 설계자가 모든 최종 관계 대신 조합 가능한 규칙을 지정하면 복잡한 시스템은 적응하기 쉬워질 수 있다.

비슷한 원리는 지식 업무에서도 나타난다. 기술 지식 베이스는 하나의 고정된 폴더 구조에 의존하기보다 축적된 자료 전반에서 관계가 형성될 때 더 유용해진다.

이 비유를 문자 그대로 받아들여서는 안 된다. 문서는 시냅스처럼 변화하지 않는다. 두 사례는 반복적인 상호작용에서 발달하는 조직화와 고정된 조직화의 차이를 보여줄 뿐이다.

유사한 성능이 역전파를 대체한다는 뜻은 아니다

보고된 비교는 연구의 신뢰성을 뒷받침하지만, 대규모 모델 준비도, 생물학적 타당성 또는 더 뛰어난 효율성을 입증하지는 않는다.

저자들은 자기조직화 네트워크가 시험한 역전파 학습 네트워크와 유사한 성능에 도달했다고 말한다. 국소 학습 방식은 과제가 까다로워질수록 정확도를 잃는 경우가 많기 때문에 이는 중요한 결과다.

그러나 “역전파 수준의 성능”은 신중하게 해석해야 한다. 이는 논문에서 평가한 실험과 네트워크 구성에 관한 표현이다.

이 방법이 언어, 멀티모달 추론 또는 장기 강화학습 전반에서 transformer 학습과 맞먹는다는 뜻은 아니다. 인용된 논문이나 MIT 보고서에는 그러한 결과가 나오지 않는다.

또한 MIT의 자기조립 신경망이 인간의 선택 없이 학습했다는 의미도 아니다. 연구자들은 모델, 가소성 규칙, 과제, 목표 조건, 평가 방법을 선택했다.

자기조립이라는 주장은 내부 학습 장치에 관한 것이다. 개방형 자율성을 뜻하지는 않는다.

두 번째 불확실성은 초기 연결성에 대한 민감도다. 모델은 무작위성에서 시작하므로 시드 전반의 재현성이 핵심이 된다.

설득력 있는 자기조직화 메커니즘이라면 여러 그럴듯한 출발점에서 비교 가능한 기능적 모티프를 만들어야 한다. 간헐적인 조립 성공은 훨씬 약한 증거가 된다.

따라서 연구자들은 평균 정확도만이 아니라 분포를 살펴봐야 한다. 실패율, 분산, 수렴 시간, 모티프 일관성이 중요해질 것이다.

세 번째 불확실성은 규모다. 국소 규칙은 기존 하드웨어에서 시뮬레이션할 때 계산 비용이 커질 수 있다.

생물학적 국소성이 자동으로 디지털 효율성을 보장하지는 않는다. 정확한 역전파를 피하는 과정이 더 많은 단계, 추가 상태 또는 더 조밀한 상호작용을 요구할 수 있다.

이 연구는 더 낮은 학습 비용을 입증하지 않는다. 뉴로모픽 하드웨어에서 에너지 사용이 줄어든다는 점도 보여주지 않는다.

네 번째 쟁점은 과제의 폭이다. 이미지 분류는 최적화와 표현 학습을 측정하기 위한 통제된 환경을 제공한다.

현대 AI 시스템은 시퀀스 모델링, 검색, 계획, 생성, 지연된 피드백도 처리한다. 이러한 과제는 서로 다른 신용 할당 문제를 만든다.

한 방법이 소형 분류기에서 역전파와 맞먹더라도 순환형 또는 attention 기반 시스템에서는 어려움을 겪을 수 있다. 입증된 과제를 넘어선 확장은 여전히 열린 문제다.

다섯 번째 불확실성은 생물학적 증거다. 논문의 메커니즘은 시냅스 가소성과 피질 조직화에서 영감을 받았지만, 여전히 계산적 모델이다.

Liao는 자기조직화 네트워크가 반드시 뇌와 같은 방식으로 학습하는 것은 아니라고 명시적으로 경고한다. 자기조직화는 개연성을 위한 출발 기준이지 생물학적 확인이 아니다.

이러한 신중함은 결과를 강화한다. 이는 검증 가능한 모델과 주요 신경과학 문제가 해결되었다는 선언을 구분한다.

향후 실험에서는 모티프 구성 요소에 대응하는 생물학적 대상을 식별해야 한다. 또한 학습 중에 예측된 조직화를 관찰해야 한다.

그 შემდეგ 연구자들은 특정 피드백 경로나 가소성 과정을 교란할 수 있다. 학습이 예측된 방식으로 실패한다면 모델은 경험적 뒷받침을 얻을 것이다.

그러한 증거가 없다면 SAM은 원하는 동작을 만들어낼 수 있는 하나의 메커니즘으로 남는다. 다른 국소 메커니즘도 유사한 그래디언트형 동역학에 도달할 수 있다.

역전파와의 비교에는 중요한 비대칭성도 있다. 역전파는 주로 엔지니어링 방법으로 평가되는 반면, SAM은 부분적으로 설명 모델로 평가된다.

효율성이 다소 낮더라도 생물학적 조직화가 어떻게 나타날 수 있는지 설명한다면 과학적 가치는 남을 수 있다. 반대로 정확도만 맞춘다고 생물학적 해석이 검증되는 것은 아니다.

이 차이는 지금 누가 관심을 가져야 하는지를 규정한다. 신경과학자는 국소 가소성과 조직화된 신용 할당을 연결하는 형식적 가설을 얻는다.

머신러닝 연구자는 국소 학습과 창발적 최적화에 대한 또 다른 접근법을 얻는다. 하드웨어 연구자는 물리적으로 분산된 학습 시스템을 위한 잠재적 설계 원리를 얻는다.

엔터프라이즈 AI 구매자는 상용 모델의 즉각적인 변화를 기대해서는 안 된다. 이 연구는 새로운 foundation model, 학습 서비스 또는 배포 프레임워크를 발표하지 않는다.

개발자 역시 이 결과를 자기개선 AI에 관한 주장으로 해석해서는 안 된다. 모델은 외부에서 선택된 과제와 규칙 안에서 학습한다.

따라서 역전파에 가해지는 압력은 상업적이기 전에 지적이다. 이 연구는 유용한 그래디언트 장치가 최종 형태로 명시적으로 설치될 필요는 없음을 보여준다.

이 원리가 기술적으로 경쟁력을 갖추게 될지는 현재 논문이 아직 제공하지 못한 증거에 달려 있다. 규모, 안정성, 효율성, 과제 다양성은 여전히 결정적인 시험 기준이다.

결과의 확장 가능성을 보여줄 세 가지 신호

다음 단계에서는 먼저 재현 가능한 조립을, 다음으로 더 까다로운 과제를, 마지막으로 생물학적 예측을 시험해야 한다.

첫 번째 신호는 무작위 초기 조건 전반에서의 복제다. 독립 팀은 더 넓은 시드 범위와 연결성 패턴으로 공개된 구현을 실행해야 한다.

안정적인 모티프가 반복해서 나타난다면 논문의 자기조직화 주장은 더 강해진다. 성공이 좁은 초기 조건에 의존한다면 그 주장은 일반성이 떨어진다.

복제 연구는 최종 분류 정확도 이상의 지표를 추적해야 한다. 연구자들은 수렴, 업데이트 정렬, 모티프 구조, 실패 실행을 보고해야 한다.

또한 모티프가 하이퍼파라미터의 합리적인 변화에도 유지되는지 시험해야 한다. 자기조립 메커니즘은 사실상 회로 설계를 재현하는 수준의 정밀한 수동 조정을 요구해서는 안 된다.

두 번째 신호는 입증된 분류 환경을 넘어선 성능이다. 더 큰 시각 과제, 순차적 문제, 지연된 신용 할당은 더 엄격한 시험을 제공할 것이다.

이러한 과제에서 성공한다면 MIT 신경망 대 역전파가 소형 벤치마크 조건에 국한되지 않음을 보여줄 수 있다. 지속적인 격차는 이 방법을 더 좁은 설명적 역할로 제한할 것이다.

계산 측정치도 이러한 비교에 수반되어야 한다. 학습 시간, 메모리 사용량, 에너지 데이터가 없는 정확도만으로는 엔지니어링 경쟁력을 입증할 수 없다.

연구자들은 이 방법을 다른 생물학적 동기 기반 접근법과도 비교해야 한다. 표준 역전파는 필수적인 기준선이지만 유일하게 관련 있는 기준선은 아니다.

피드백 정렬, 예측 부호화, 평형 방법, 국소 오류 시스템은 서로 겹치는 질문을 다룬다. SAM의 뚜렷한 장점은 단지 다른 업데이트 공식을 사용하는 데서가 아니라 학습 장치를 스스로 조립한다는 점에서 나와야 한다.

세 번째 신호는 실험 신경과학의 증거다. 연구자들은 실제 회로에서 예측된 모티프와 학습 의존적 변화를 찾아야 한다.

가장 강력한 증거는 국소 이종시냅스 규칙을 식별 가능한 신용 할당 기능을 수행하는 창발적 구조와 연결하는 것이다. 이를 위해서는 학습 전, 학습 중, 학습 후의 측정이 필요하다.

교란 실험은 근거를 더 강하게 만들 것이다. 제안된 국소 상호작용을 방해했을 때 모티프 조직화가 차단되거나 학습이 예측된 방향으로 변화해야 한다.

피질 회로가 구조화된 교수 신호를 전달한다는 증거는 더 넓은 연구 프로그램을 뒷받침할 것이다. 하지만 SAM의 정확한 메커니즘을 자동으로 확인해 주지는 않는다.

모티프를 찾지 못하는 결과 역시 유의미하다. 수학적 결과는 유효하게 남을 수 있지만 생물학적 해석은 약화될 것이다.

이러한 신호는 분명한 순서를 만든다. 재현 가능한 계산은 메커니즘이 안정적인지 시험한다. 더 까다로운 벤치마크는 일반화 가능성을 시험한다.

생물학적 실험은 이 메커니즘이 단지 대안 알고리즘을 제공하는 것이 아니라 자연을 설명하는지 시험한다. 각 단계는 논문의 중요성을 강화하거나 좁힐 수 있다.

독자들은 저자들이 2024년과 2025년의 벤치마크 구현을 2026년의 이론 구현과 어떻게 구분하는지도 살펴봐야 한다. 버전 간 차이는 어떤 구성 요소가 성능을 이끄는지 보여줄 수 있다.

투명한 절제 실험이 도움이 될 것이다. 절제 실험은 하나의 구성 요소를 제거하거나 변경해, 주장된 메커니즘이 실제로 그 요소에 의존하는지를 보여준다.

예를 들어 연구자들은 이질시냅스 상호작용을 약화하거나 구조적 조직화를 막을 수 있다. 성능이 그대로라면, 해당 모티프가 결과를 설명하지 못할 수 있다.

연구자들은 조립된 모티프를 고정한 뒤 새로운 과제를 시험할 수도 있다. 이 실험은 그 장치가 재사용 가능해지는지, 아니면 각 상황마다 재조직화해야 하는지를 보여줄 것이다.

또 다른 유용한 시험은 조립 이후 데이터 분포를 바꾸는 것이다. 안정적인 적응이 나타난다면 이 메커니즘은 연속 학습과 더 관련성이 높아질 것이다.

새로운 학습이 기존 지식을 손상시키는 파국적 망각은 신경 시스템의 주요 과제다. 현재 보고만으로는 SAM이 이를 개선한다는 점이 확립되지 않았다.

따라서 이 논문의 중요성은 과장된 외삽이 아니라 엄격한 후속 연구에 달려 있다. 가장 강한 주장만으로도 이미 과장 없이 주목할 만하다.

MIT의 자기조립 신경망은 국소 규칙이 기울기 최적화에 가까운 동역학을 지닌 학습 구조를 생성할 수 있음을 보여준다. 이는 회로 형성과 학습 사이를 잇는 구체적인 다리를 제시한다.

아직 뇌가 이 다리를 사용한다는 사실을 보여주지는 못한다. 또한 오늘날의 AI 연구소가 역전파를 대체해야 한다는 점도 보여주지 않는다.

연구자들이 즉시 취할 행동은 명확하다. 조립 과정을 재현하고, 안정성을 강도 높게 검증하며, 생물학적 예측을 시험해야 한다. 다른 모든 이들에게도 핵심 질문은 분명하다.

학습 시스템은 초기 연결, 과제, 물리적 제약이 바뀌어도 유용한 장치를 계속 조직화할 수 있을까? 아니면 그 결과는 처음 이를 드러낸 실험실 조건에 의존할까?