검은 그림자 하나가 다가온다. 사람의 뇌, 머신러닝, 딥러닝, 그리고 초파리의 뇌는 이 장면을 저마다 다른 길로 처리한다. 네 길을 나란히 흘려 보고, 사람이 특징을 정해 주는 머신러닝과 특징까지 스스로 배우는 딥러닝을 같은 장면으로 직접 겨뤄 본다. 끝으로 실제 뇌에서 신경망과 닮은 계산이 확인된 사례와 아직 추정에 머문 부분을 나눠 정리한다.
하나의 자극이 네 시스템에 동시에 들어간다. 단계의 수, 단계마다 하는 일, 그리고 그 일을 누가 정했는지가 서로 다르다.
네 길 모두 큰 줄기는 같다. 받아들이고 → 정리하고 → 판단하고 → 행동한다. 다른 점은 "단서(특징)를 무엇으로 삼을지 누가 정했나"다. 머신러닝에서는 사람이 정하고(노란 테), 딥러닝에서는 데이터로 학습한다(초록 테). 초파리의 다가옴 검출 회로는 학습이 아니라 발생 과정에서 만들어진 회로다(분홍 테). 진화가 오랜 시간에 걸쳐 "정해 둔" 셈이다.
사람 뇌 줄은 교과서에 나오는 큰 줄기만 옮겼다. 실제 뇌에는 거꾸로 가는 되먹임 연결이 많고, 빠른 우회로(눈에서 중뇌의 상구로 가는 길 등)도 있다. 마지막 "판단" 단계는 여러 영역이 함께 일한다는 것까지만 알려져 있어 점선으로 그렸다. 그림의 진행 속도는 실제 처리 시간과 관계가 없다.
감각마다 들어오는 기관도, 거쳐 가는 길도 다르다. 감각을 골라 신호가 지나는 길을 따라가고, 단계마다 얼마나 확실히 알려져 있는지 확인한다.
뉴런 하나하나의 신호를 재려면 뇌에 전극을 넣어야 한다. 사람에게는 수술이 필요한 환자 등 아주 제한된 경우에만 할 수 있다. 그래서 세포 수준의 지식은 고양이·원숭이 같은 동물 실험에서 나온 것이 많고, 사람에게서는 뇌 영상처럼 넓은 영역의 활동을 재는 방법에 주로 기댄다. 초파리는 유전자 도구로 원하는 뉴런만 켜고 끌 수 있어서 "이 뉴런이 이 행동에 필요하다"를 직접 확인할 수 있다. 이 시리즈가 초파리를 길잡이로 삼는 이유다.
사람: 특징 정하기 → 기계: 가중치 배우기Samuel, 1959
12×12 칸짜리 흑백 장면 두 장(처음·나중)을 보고 "다가오는 물체인가"를 판단해야 한다. 사람이 먼저 판단의 단서, 곧 특징을 정한다. 예를 들어 "어두운 면적이 얼마나 늘었나", "그림자 중심이 얼마나 움직였나". 픽셀 288개가 숫자 2개로 줄어든다.
숫자 2개에 각각 곱할 가중치와 편향, 모두 3개를 학습 데이터 240개로 배운다(로지스틱 회귀). 오른쪽 평면의 직선이 그 결과다. 학습이 끝나면 처음 보는 시험 장면 160개로 실력을 잰다.
"머신러닝"이라는 말을 널리 알린 Samuel의 1959년 체커(서양 장기) 프로그램도 이 방식이었다. 사람이 "게임과 관련 있을 것 같은" 판단 기준 목록을 주고, 프로그램은 대국을 거듭하며 기준마다 얼마나 무게를 둘지만 배웠다 [R11]. 무엇을 볼지는 사람이, 얼마나 믿을지는 기계가 정한다.
그래서 성능은 특징을 잘 고르는 데 크게 달려 있다. 특징 A로는 "방 전체가 어두워지는" 장면을 다가옴으로 착각한다. 학습 데이터에 그런 장면이 들어 있어도 고쳐지지 않는다. 숫자 2개로 줄이는 순간 다가옴과 구별할 정보가 이미 사라졌기 때문이다. 특징 B처럼 사람이 그 상황을 떠올려 새 단서를 설계해야 풀린다. 이렇게 특징을 고안하는 일을 특징 공학이라 부른다.
픽셀 288개 → 은닉 뉴런 6개 → 다가옴 확률가중치 1,741개
특징을 정하지 않는다. 대신 신경망의 모양(은닉 뉴런 몇 개, 몇 층)을 정하고, 어떤 장면들을 보여 줄지, 곧 학습 데이터를 고른다.
픽셀 288개를 그대로 받는다. 은닉 뉴런 6개가 각자 "어느 칸이 어떻게 바뀌면 켜질지"를 가중치로 배운다. 가운데 그림의 작은 칸 그림이 그 결과, 곧 신경망이 스스로 만든 특징이다.
딥러닝은 특징을 사람 대신 데이터에서 찾는다. 그래서 사람이 미처 떠올리지 못한 단서도 잡아낼 수 있고, 사진·소리·글처럼 특징을 말로 정하기 어려운 데이터에서 특히 강하다. 이 페이지의 신경망은 은닉층이 하나뿐인 아주 작은 모델이지만, 원리는 층이 수십 개인 모델과 같다. 층이 깊어지면 앞쪽 층은 가장자리 같은 단순한 특징을, 뒤쪽 층은 그것을 조합한 복잡한 특징을 배운다 [R12].
공짜는 아니다. 머신러닝은 가중치 3개, 딥러닝은 1,741개를 배운다. 배울 것이 많으면 예시도 더 필요하다. 코드 2를 실제로 돌려 보면, 학습 장면이 8개뿐일 때 특징 B 방식은 시험 정확도 100%, 픽셀 방식은 93.9%였고, 장면이 240개가 되어서야 둘이 같아졌다. 그리고 "조명 변화 없음"에서 보듯, 데이터에 없던 상황에는 딥러닝도 틀린다. 특징을 정하던 사람의 몫이 데이터를 고르는 몫으로 옮겨 갈 뿐이다.
"신경망은 뇌를 닮았다"는 말이 어디까지 맞는지 실험으로 확인된 네 곳을 본다. 그림은 논문의 결과를 방향만 옮긴 설명용 재현이며 실제 측정값이 아니다.
| 사례 | 실험으로 확인된 것 | 신경망에서 닮은 것 | 비유 강도 |
|---|---|---|---|
| 초파리 LPLC2 | 사방으로 퍼지는 움직임에만 강하게 반응하고, 멀어짐·움직임 없는 어두워짐에는 반응하지 않는다. 도주 경로에 입력을 준다 [R6] | 특정 패턴에만 켜지는 특징 검출기. 섹션 3의 특징 B가 일부러 설계한 일을 회로가 한다 | 직접 계산 방식(바깥쪽 흥분 + 안쪽 억제)까지 밝혀짐 |
| 초파리 버섯체 | 케니언 세포는 여러 사구체의 입력을 무작위에 가까운 조합으로 받는다 [R7]. 냄새 하나에 소수만 켜지고 [R9], 학습은 출력 쪽 연결에서 일어난다 [R8] | 무작위로 고정한 넓은 은닉층 + 출력층만 학습. 3-2 섹션 6의 "초파리 방식" | 직접 구조가 대응함. 단, 딥러닝 은닉층은 보통 모두 학습한다 |
| 고양이 일차시각피질 | 특정 방향으로 기운 막대에 강하게 반응하는 뉴런 [R3] | 이미지 신경망의 첫 층이 배우는 방향별 가장자리 특징 [R12] | 부분 결과는 닮았지만 만들어지는 과정이 다르다 |
| 원숭이 하측두피질 | 얼굴에 선택적으로 반응하는 뉴런 무리 [R4]. 사물 인식을 잘하도록 학습한 신경망의 윗층이 이 영역의 반응을 잘 예측한다 [R5] | 층을 지날수록 복잡한 특징 (3-2 섹션 4 표현 학습) | 부분 예측이 잘 맞는다는 것이지 같은 계산이라는 증거는 아니다 |
데이터 → 처리 → 학습 → 예측 → 반복. 아이가 강아지와 고양이를 구별하게 되는 과정과, AI가 사진으로 같은 일을 배우는 과정을 나란히 놓는다.
| 단계 | 사람 (아이) | AI (사진 분류 모델) | 크게 다른 점 |
|---|
두 코드 모두 Colab에 기본으로 설치된 라이브러리만 쓴다. "노트북(.ipynb) 내려받기" 후 Colab에서 파일 → 노트북 업로드로 열거나, 복사해서 새 노트북 칸에 붙여 넣는다.
이 페이지의 섹션 3·4 실험을 그대로 옮겼다. 같은 장면으로 특징 A·B의 로지스틱 회귀와, 픽셀을 그대로 받는 신경망(조명 변화가 있는 학습 데이터 / 없는 학습 데이터)을 비교하고, 신경망이 스스로 만든 특징을 그림으로 보여 준다. 내 데이터로 바꾸려면 코드 안의 [내 데이터로 바꾸려면] 표시 부분을 본다.
실무에서 쓰는 라이브러리로 같은 비교를 한다. 학습 예시 수를 8개에서 240개까지 늘려 가며, 사람이 만든 특징(머신러닝)과 원본 픽셀(딥러닝)의 시험 정확도를 그래프로 그린다. 같은 크기로 다섯 번씩 뽑아 평균했다.
ChatGPT, Qwen, Claude 같은 AI 도우미에 붙여 넣는 프롬프트다. "복사"를 누르면 프롬프트 뒤에 고른 코드가 함께 붙는다. 〔 〕 안을 내 상황으로 바꿔 쓰면 된다.
AI의 답은 출발점일 뿐이다. 제안된 논문·수치·라이브러리 함수는 반드시 원문과 공식 문서로 확인한다. 공모전·논문에 AI 도움을 받았다면 주최 측과 학술지의 규정에 따라 사용 사실과 범위를 밝힌다.
본문의 노란 점선 밑줄과 같은 사전이다. 시리즈 전체에서 같은 표기를 쓴다. 섹션 이름을 누르면 처음 나온 곳으로 간다.
비유는 이해의 첫걸음이지만 오해의 씨앗도 된다. 초파리·뇌 비유에는 강도를 표시했다. 직접 실제로 같은 일을 한다는 근거가 있음 · 부분 일부 성질만 닮음 · 없음 대응하는 것이 알려지지 않음
| 개념 | 일상 비유 | 초파리·뇌 비유 | 비유가 틀리는 지점 |
|---|---|---|---|
| 특징 | 과일을 고를 때 보는 단서(색, 무게, 냄새) | 직접 LPLC2는 "사방으로 퍼지는 움직임"이라는 특징 하나만 검출한다 | 신경망이 배운 특징은 대부분 사람이 이름 붙일 수 있는 단서가 아니다 |
| 머신러닝 | 점검표 항목은 선배가 정하고, 항목별 배점만 경험으로 익히는 신입 | 부분 진화가 미리 정해 둔 감지 회로 위에서 일부 연결만 학습으로 바뀌는 곤충 뇌 | 진화는 목적을 갖고 특징을 "설계"하지 않는다. 오랜 세월의 선택 결과일 뿐이다 |
| 딥러닝 | 점검표 없이 많은 사례를 보며 스스로 기준을 세우는 견습생 | 부분 원숭이 시각 경로의 층층 구조와 반응이 비슷하다 | 반응이 비슷하다는 것이지 같은 방법으로 배운다는 뜻은 아니다. 뇌가 역전파를 하는지는 확인되지 않았다 |
| 층을 쌓은 구조 | 부품을 조립해 가는 공장 라인 | 부분 일차시각피질 → V2 → V4 → 하측두피질 | 뇌는 거꾸로 가는 되먹임 연결이 많아 한 방향으로만 흐르지 않는다 |
| 무작위 확장 + 출력 학습 | 사물함을 무작위로 배정한 뒤 이름표만 새로 붙이기 | 직접 버섯체: 무작위에 가까운 입력, 적은 수만 켜짐, 출력 쪽에서 학습 | 버섯체의 수천 개 세포와 학습 신호(도파민)의 세부는 딥러닝 모델보다 훨씬 복잡하다 |
| 전처리 | 요리 전 재료 손질 | 부분 망막과 라미나가 밝기 변화를 먼저 정리한다 | 생물의 전처리는 사람이 정한 규칙이 아니라 감각 기관의 구조 자체다 |
| 학습 | 연습해서 몸에 익히기 | 부분 시냅스 연결 세기의 변화 | 무엇을 기준으로 어느 시냅스를 얼마나 바꾸는지, 규칙이 다르다 |
| 데이터에 없던 상황 | 교과서에 없던 유형의 시험 문제 | 없음 | 사람은 처음 보는 상황에서 "모르겠다"고 멈출 수 있지만, 신경망은 확신에 찬 오답을 내기도 한다(섹션 4) |
| 확률 출력 | 일기예보의 강수 확률 | 없음 | 모델이 낸 확률이 높다고 맞는 것은 아니다. 학습 범위 밖에서는 확률도 믿을 수 없다 |
E-1 저자 소개 · E-2 학술 레퍼런스 · E-3 그림 참고 자료
강사, 실무 OJT 담당자, 튜터를 위한 운영 안내다. 시간은 예상치이므로 실제 수업에 맞춰 조정한다.
| 대상 | AI를 처음 배우는 대학생·직장인·고등학생. 시리즈의 첫 편이라 수식 없이 읽을 수 있다. 파이썬 기초가 있으면 Colab 실습까지 |
|---|---|
| 선수 지식 | 없음. "뉴런은 전기 신호를 주고받는다" 정도를 알면 좋다 |
| 학습 목표 | ① 사람 뇌·머신러닝·딥러닝·초파리 뇌가 자극을 처리하는 길을 비교해 설명한다 ② 머신러닝과 딥러닝의 차이를 "특징을 누가 정하나"로 설명하고, 각각의 한계를 예로 든다 ③ 뇌 연구에서 밝혀진 것과 추정을 구별한다 |
| 예상 시간 | 읽기 30~40분 · 애니메이션 시연 20분 · Colab 실습 25분 (코드 1 10분, 코드 2 15분) |
도입 5분(섹션 1 다가오는 그림자) → 섹션 2 감각 네 가지 10분 → 섹션 3·4 조명 함정 대결 20분 → 섹션 5 사례 하나 골라 10분 → 확인 문제 5분.
섹션 3·4 15분 → "우리 업무 데이터에서 사람이 정할 수 있는 특징은?" 토론 20분 → 코드 2 실습 25분 → 섹션 6 표로 "우리 팀 AI 도입의 다섯 단계" 정리 20분 → 프롬프트 카드 10분.
입문자는 섹션 1·3·4·6만. 중급자는 섹션 3의 특징 A가 왜 데이터를 더해도 고쳐지지 않는지 평면 그림으로 설명하게 한 뒤, 코드 1에서 특징을 직접 하나 더 설계하게 한다.
| 섹션 | 멈춰서 물어볼 질문 | 조작 팁 |
|---|---|---|
| 1 네 갈래 길 | "네 길에서 공통으로 하는 일은? 누가 그 일을 정했나?" | "자세히 볼 길"을 하나씩 눌러 테두리 색(노랑·초록·분홍)을 비교한다 |
| 2 사람 뇌 | "후각만 다른 점은 무엇일까?" | 시각을 본 뒤 후각으로 바꿔 시상을 건너뛰는 것을 짚는다 |
| 3 머신러닝 | "방 전체가 어두워지면 왜 다가옴으로 착각할까?" | 특징 A에서 "조명 어두워짐"을 고른 뒤 B로 바꿔 평면에서 노란 점이 옮겨 가는 것을 본다 |
| 4 딥러닝 | "특징을 정하지 않으면 사람은 무엇을 정해야 할까?" | "조명 변화 없음"으로 학습시켜 실패를 먼저 보여 준 뒤 "포함"으로 다시 학습한다 |
| 5 확인된 사례 | "뇌와 신경망이 '닮았다'와 '같다'는 어떻게 다를까?" | 표의 비유 강도(직접·부분)를 근거와 함께 읽는다 |
| 6 배우는 단계 | "AI는 배포된 뒤에도 계속 배울까?" | "다음 단계"로 ⑤ 반복까지 넘기며 표의 "크게 다른 점"을 소리 내어 읽는다 |
| 오해 | 바른 설명 | 보여 줄 장면 |
|---|---|---|
| 딥러닝은 사람 뇌를 그대로 본떴다 | 층·연결 세기라는 뼈대만 빌렸다. 배우는 방법(역전파)은 뇌에서 확인되지 않았다 | 섹션 2 "추정" 목록, 섹션 5 표 |
| 딥러닝이 머신러닝보다 언제나 낫다 | 좋은 특징을 알고 데이터가 적으면 머신러닝이 더 낫기도 하다 | 섹션 4 풀이 상자의 코드 2 결과 |
| 딥러닝은 사람 손이 전혀 필요 없다 | 특징 대신 데이터를 고르는 일이 사람 몫이 된다. 데이터에 없던 상황에는 틀린다 | 섹션 4 "조명 변화 없음" |
| 머신러닝과 딥러닝은 다른 분야다 | 딥러닝은 머신러닝의 한 갈래다. 특징까지 데이터에서 배우는 머신러닝이다 | 섹션 1의 두 줄 비교 |
| 뇌의 작동 원리는 다 밝혀졌다 | 감각 경로의 큰 줄기는 밝혀졌지만, 판단과 학습 규칙은 연구 중이다 | 섹션 2의 점선 단계 |
머신러닝(전통적 방식)은 사람이 특징을 정하고 기계는 특징별 가중치를 배운다. 딥러닝은 원본 데이터에서 특징까지 기계가 배운다. 섹션 3에서는 가중치 3개, 섹션 4에서는 1,741개를 배웠다.
특징 A(면적 변화, 중심 이동)로 바꾸는 순간, 조명 장면은 "면적이 크게 늘고 중심은 그대로"인 점이 되어 다가옴과 같은 쪽, 더 먼 곳에 놓인다. 직선 하나로는 다가옴과 떼어낼 수 없다. 데이터를 더해도 특징이 정보를 잃었기 때문에 고쳐지지 않는다.
후각. 후각상피 → 후각망울 → 조롱박피질로 간다. 시각·청각·촉각은 시상을 거친다.
둘 다 "물체가 사방으로 커지는 것"과 "그냥 어두워지는 것"을 구별한다. LPLC2는 움직임 없는 어두워짐에 반응하지 않는다. 특징 B는 사람이 설계했고, LPLC2는 발생 과정에서 만들어진 회로라는 점이 다르다.
학습 데이터에 없던 상황(섹션 4의 조명 변화)을 만나면 틀릴 수 있다. 처음 보는 시험 데이터로 재고, 현장에서 생길 수 있는 상황이 학습 데이터에 들어 있는지 따져야 한다.
코드 1의 장면 종류에 "비스듬히 다가옴"(그림자가 커지면서 중심도 크게 움직임)을 추가한다. 특징 A·B와 신경망의 시험 정확도가 어떻게 바뀌는지 표로 정리하고, 그 이유를 세 문장으로 쓴다.
내 업무 데이터 하나를 골라 "사람이 정할 수 있는 특징" 3개를 설계한다. 코드 2의 방식대로 특징 + 로지스틱 회귀와 원본 데이터 + 신경망을 학습 예시 수별로 비교하고, 어느 쪽을 쓸지 근거를 들어 결론을 쓴다.
| 입문자 | 섹션 2의 표와 섹션 5는 건너뛰어도 흐름이 끊기지 않는다. 섹션 3·4의 "조명 어두워짐" 하나만 확실히 보여 준다 |
|---|---|
| 심화 | 섹션 4의 은닉 뉴런 그림에서 "처음 장면"과 "나중 장면" 가중치가 왜 반대 색이 되는지 토론한다(나중 − 처음 = 변화를 보는 필터). 3-2의 역전파로 이어 간다 |
| 더 배우기 | 안상선, 「비즈니스를 위한 데이터 과학」 강의안 (데이터 과학 전반) · STEP [K-디지털] 인공지능 자연어 처리 (3-5·3-8과 연결) · STEP [K-디지털] 핀테크 데이터 분석 기초 (3-6과 연결) |
| 강사용 자료 | 확인 문제의 채점 기준과 과제 예시 답안은 교육자용 정답 페이지 (3-1)에서 볼 수 있다 |
「3-1 AI는 어떻게 작동하나」 편을 끝까지 읽었어요. 연구실 식구들이 한마디씩 정리해 드립니다.
