강의목표

  • 파편화된 심리학 이론들을 하나의 거대한 시스템으로 통합하려는 ’인지 아키텍처’의 철학을 이해하고, 가장 대표적인 모델인 ACT-R의 기본 구조와 심리학적 메커니즘을 학습함.
  • 주요 심리학적 개념과 원리를 먼저 명확히 정의한 후, 일상적인 비유를 통해 직관적 이해를 심화함.

1부: 인지과학의 위기와 통합적 접근

1. 인지과학의 위기: 행동주의의 극복과 파편화(fragmentation)의 시작

  • 1950년대의 인지혁명(cognitive revolution)은 “인간의 마음은 관찰할 수 없으니 행동만 연구하자”던 행동주의를 타파하고, 뇌 안에서 벌어지는 정보 처리 과정을 과학적으로 연구하기 시작한 위대한 도약이었음. 그러나 역설적이게도, 연구가 깊어질수록 인지심리학은 전체적인 인간의 마음을 설명하지 못하는 파편화의 위기를 맞이하게 됨.
  • 심리학 내의 칸막이 현상(compartmentalization):
    • 인간의 인지는 고도로 복잡하기 때문에, 인지심리학자들은 실험실에서 변인을 통제하기 위해 지각, 주의, 작업기억, 장기기억, 언어 등 철저하게 분절된 하위 분야를 만들어 각자의 영역만 깊게 파고들기 시작함.
    • 분야별 미시적 연구의 실제 예시
      • 시각/지각 연구자: 눈동자의 미세한 움직임인 ‘단속적 안구운동(saccade)’이나, 빨간색 동그라미들 사이에서 파란색 세모를 찾는 ’특징 탐색(feature search)’ 메커니즘만을 현미경 들여다보듯 연구함(시각 외의 다른 인지과정은 배제함).
      • 기억 연구자: ‘의사’라는 단어를 본 후 ’간호사’라는 단어를 더 빨리 인식하는 ’의미 점화(semantic priming)’ 현상이나, 긴 단어 목록 중 처음과 끝만 잘 기억하는 ’계열 위치 효과(serial position effect)’의 원인에만 몰두함.
      • 주의 연구자: 눈앞에 고릴라가 지나가도 농구공에 집중하느라 알아채지 못하는 ’무주의 맹시(inattentional blindness)’나, 빨간색 잉크로 적힌 ’파랑’이라는 글자를 읽을 때 버벅거리는 ’Stroop 효과(Stroop effect)’만을 떼어내어 연구함.

[그림 1] 무주의 맹시

[그림 2] Stroop 효과

  • 현상의 한계: “조립 설명서가 없는 부품들”
    • 각 하위기능에 대한 미시적 모델(micro-theory)은 수백 개가 넘고 매우 정교해졌음. 하지만 이 부품들을 모두 책상 위에 올려놓는다고 해서 자동차가 굴러가지는 않음.
    • 군맹무상(장님과 코끼리)
      • 코끼리(인간의 마음)를 연구할 때, 시각 연구자는 상아만 만지고, 기억 연구자는 꼬리만 만지며, 주의 연구자는 귀만 만지고 있는 형국임.
      • 각 부위에 대한 논문과 모델은 훌륭하지만, 코끼리가 도대체 어떻게 상아와 꼬리와 귀를 동시에 움직이며 걸어가는지 통합된 메커니즘을 설명하는 학자는 없었음.
  • 실제 인간 인지 과정과의 심각한 괴리
    • 통제된 실험실을 벗어난 일상적 과제에서 인간의 인지는 결코 분절적으로 일어나지 않음.
    • 일상적인 ‘운전’ 시나리오
      1. 운전 중 앞차의 브레이크 등을 본다. \(\Rightarrow\) 시각 탐색 및 지각.
      2. 목적지까지의 경로를 머릿속에 떠올린다. \(\Rightarrow\) 장기기억 인출.
      3. 앞차가 멈추는 것을 보고 브레이크를 밟아야겠다고 판단한다. \(\Rightarrow\) 의사결정 및 작업기억.
      4. 조수석의 친구가 묻는 말에 대답을 한다. \(\Rightarrow\) 언어 이해 및 생성.
      5. 발을 움직여 브레이크 페달을 밟는다. \(\Rightarrow\) 운동 제어.
    • 이 모든 과정은 독립적으로 일어나는 것이 아니라 동시에 & 하나의 뇌라는 한정된 자원을 공유하며, 완벽하게 협응(coordination)함. 시각 모델과 기억 모델을 단순히 종이 위에서 더한다고 이 협응현상이 설명되지 않음.

[질문 1] “우리가 지금 ‘수업을 듣고 필기하는’ 이 순간에도 어떤 인지기능들이 동시에 사용되고 있을까?”

2. Allen Newell의 비판: “자연과 스무고개 게임을 해서는 이길 수 없다”

  • 통합의 필요성을 가장 먼저, 그리고 가장 통렬하게 주창한 사람은 카네기멜론 대학교의 인공지능 및 인지과학 선구자인 Allen Newell임.
  • ’이분법적 가설 검증’에 대한 통렬한 비판:
    • Newell은 1973년 논문에서 당시 심리학계에 유행하던 이분법적 가설 검증 실험을 자연(인간의 뇌)을 상대로 승산 없는 O/X 퀴즈(스무고개)를 던지는 행위에 비유(“You can’t play 20 questions with nature and win”)하며 강하게 비판함.
    • 심리학자들의 흑백 논리 질문 예시
      • “기억을 탐색할 때는 직렬처리(하나씩 순서대로)를 하는가, 병렬처리(한꺼번에 동시에)를 하는가?”
      • “단어 인식은 상향식(글자에서 의미로)인가, 하향식(맥락에서 글자로)인가?”
  • [비유 1] 축구 경기의 전술 파악하기
    • 축구 경기를 보면서 “저 팀은 패스만 합니까, 아니면 돌파만 합니까?”라고 단정 지어 O/X로 묻는 것과 같음. 훌륭한 팀은 상대 수비의 형태나 경기 상황에 따라 패스와 돌파를 유연하게 섞어 쓰는 것이 당연함.
    • 비판의 핵심
      • 인간의 인지 체계 역시 A 아니면 B로 고정된 기계 스위치가 아니라, 상황과 과제의 요구 사항에 따라 가장 효율적인 전략을 유연하게 바꾸는 고도로 적응적인 시스템임.
      • 따라서 극도로 통제된 실험실에서 A냐 B냐를 묻는 단편적인 실험은 할 때마다 결과가 엎치락뒤치락 다르게 나올 수밖에 없으며, 이런 식으로는 전체 시스템의 본질을 결코 파악할 수 없음.
  • [비유 2] 홀에서 주문만 하며 ’굳게 닫힌 식당 주방’의 시스템 파악하기
    • 가정
      • 새로 개업한 식당(인간의 뇌)이 어떻게 돌아가는지 파악하라는 임무를 받음.
      • 주방 안으로는 들어가지 못하고, 홀에 앉아 “김치찌개를 시키면 몇 분 만에 나오는가?”, “돈까스를 시키면 단무지가 같이 나오는가?” 하는 겉으로 드러난 주문(자극)과 서빙(반응) 기록만 수만 장을 모음. \(\Rightarrow\) 이것이 자극에 대한 반응 시간과 정답률만 측정하는 고전 인지심리학의 한계임.
    • 한계
      • 이런 파편화된 행동 데이터만으로는 굳게 닫힌 주방 안에 요리사가 몇 명인지, 도마가 몇 개인지, 가스레인지를 쓰는지 오븐을 쓰는지와 같은 근본적인 주방의 설계도(내부 아키텍처)를 결코 알아낼 수 없음.
      • Newell은 겉핥기식 관찰을 멈추고 뇌의 설계도를 직접 구조화해야 한다고 주장한 것.

3. 통합적 접근의 대두: 인지 아키텍처(cognitive architecture)의 탄생

  • 파편화의 위기와 O/X 퀴즈 식 실험의 한계를 극복하기 위해, 학자들은 개별 현상을 관찰하는 것을 넘어 인간의 마음 전체를 통제하는 ‘거대한 운영체제’ 자체를 설계하기 시작함.
  • 통합적 인지 이론(unified theories of cognition[UTC], 1990)
    • Newell이 제안한 새로운 패러다임: 인간의 지각, 인지, 운동 등 모든 행동을 단일한 제어구조(control structure) 내에서 작동하는 컴퓨터 프로그램으로 설명하려는 거대한 시도임.
    • 목표
      • 특정한 기억실험 데이터 하나를 잘 맞추는 ’장난감 모델’을 만드는 것이 목표가 아님.
      • 동일한 하나의 시스템(프로그램)이 체스도 둘 줄 알고, 수학 문제도 풀고, 언어도 이해할 수 있도록 만드는 것이 궁극적 목표임.
  • 인지 아키텍처의 개념적 정의
    • 인간의 인지과정을 시뮬레이션하기 위해 컴퓨터 코드로 설계된, 고정된 인지적 인프라(구조)를 뜻함.
    • 이 안에는 인간 뇌의 생물학적 한계([EX] 한 번에 한 곳에만 시선을 둘 수 있음, 기억은 시간이 지나면 희미해짐 등)가 수학적으로 정교하게 반영되어 있음.
    • 아키텍처 자체는 텅 빈 그릇임. 특정한 과제를 수행하는 지식 내용이 들어있지 않으며, 오직 ’정보를 어떻게 받아들이고, 어떻게 저장하며, 어떻게 꺼내 쓸 것인지’에 대한 보편적인 규칙만을 제공함.
  • 모델(model) vs. 아키텍처(architecture)의 명확한 구분
    • 인지 모델: 특정 실험([EX] Stroop 과제)의 결과만을 예측하기 위해 만들어진 일회성, 국소적 설명. 가령, 이 모델 코드를 가져다가 암산 과제를 시키면 전혀 작동하지 않음.
    • 인지 아키텍처: 실험의 종류와 상관없이 작동하는 보편적인 뼈대. 가령, 이 텅 빈 아키텍처 그릇 안에 ’Stroop 과제를 푸는 지식’을 채워 넣으면 비로소 ’Stroop 모델’이 되고, ’덧셈을 하는 지식’을 채워 넣으면 ’덧셈 모델’이 됨.
  • [비유] 건축 구조와 컴퓨터 운영체제(OS)
    • 건축 비유: 아무리 좋은 벽돌과 철근(개별 인지이론)이 수만 개 있어도, 전체 건물의 하중과 배관, 동선을 계산한 뼈대 설계도(아키텍처)가 없으면 비바람을 견디는 온전한 집을 지을 수 없음.
    • 컴퓨터 OS 비유
      • 하드웨어: 인간의 뇌 구조와 생물학적 세포의 한계는 하드웨어(스마트폰 기기)임.
      • 운영체제(OS): 이 하드웨어 위에서 시각, 기억, 운동 모듈 간의 통신을 통제하고 제어하는 윈도우(Windows)나 iOS 같은 운영체제가 바로 인지 아키텍처임.
      • 응용 프로그램: 그리고 특정한 과제를 수행하는 지식들(수학공식, 자전거 타는 법)은 이 OS 위에서 돌아가는 카카오톡, 유튜브 같은 응용 프로그램(app = 인지 모델)임.

[질문 2] “인지 아키텍처라는 관점에서 스마트폰과 뇌가 지닌 공통점은 무엇인가?”

2부: ACT-R 아키텍처의 철학과 세부구조

1. ACT-R이란 무엇인가?

  • 소개: 카네기멜론 대학교의 John R. Anderson이 주도하여 수십 년에 걸쳐 개발한, 현존하는 가장 성공적이고 광범위하게 적용되는 인지 아키텍처임.
  • ACT-R(adaptive control of thought-rational) 명칭의 의미: 이 긴 명칭 속에는 인간 인지에 대한 세 가지 거대한 철학적 전제가 담겨 있음.
    1. Adaptive(적응적인)
      • 인간의 인지 시스템은 태어날 때의 상태로 굳어져 있지 않음.
      • 경험을 통해 끊임없이 변화하며 환경에 자신을 맞추어 나감.
      • 우리가 무언가를 학습하고, 또 잊어버리는 모든 과정이 ’환경에 대한 적응’임.
    2. Control of Thought(사고의 제어)
      • 우리의 생각은 무작위로 아무렇게나 튀어 오르는 것이 아님.
      • 특정한 목표를 달성하기 위해 지식을 검색하고 행동을 선택하는 매우 체계적이고 통제된 제어 메커니즘을 따름.
    3. Rational(합리성)
      • 인간의 인지체계는 착각도 잘하고 건망증도 심해서 결함 투성이 같아 보임.
      • 하지만 진화심리학적 관점에서 보면, 인간의 뇌는 우리가 처한 환경의 통계적 구조에 비용 대비 효용을 극대화하는 방향으로 완벽에 가깝게 최적화(rational)되어 있음.
  • [비유] 망각(forgetting)의 재해석(도서관 사서의 책상 정리)
    • 망각의 재해석: 과거 심리학자들은 ’망각’을 기억 시스템이 낡아서 생기는 ’흠집’으로 보았음. 그러나 ACT-R은 망각을 뇌의 능동적이고 합리적인 최적화 과정으로 해석함.
    • 망각과 생존
      • 인류의 조상은 수렵 채집 시절, 당장 생존에 필요한 정보(오늘 호랑이가 나타난 위치)를 0.1초 만에 머릿속에서 꺼내야 했음.
      • 만약 10년 전 우연히 한 번 본 돌멩이의 위치까지 뇌가 생생하게 활성화해두고 있다면, 정작 지금 당장 도망쳐야 할 길을 찾는 데 검색시간이 너무 오래 걸려 잡아먹히고 말 것임.
    • 망각의 의의
      • 유능한 도서관 사서(우리의 뇌)가 매일 대출되는 베스트셀러(자주 쓰는 기억)는 데스크 바로 위에 올려두고, 10년간 아무도 찾지 않은 먼지 쌓인 책(오래된 기억)은 지하 창고 깊숙이 숨겨두는 것과 같음.
      • 쓸모없는 정보를 뒤로 치워야(망각), 유용한 정보를 빠르게 찾을 수 있음.

[질문 3] “망각이 인간의 생존을 위한 합리적 선택이라면, 인간이 자주 겪는 ’착시현상(optical illusion)’은 어떨까? 왜 우리의 똑똑한 뇌는 뻔한 착시 그림에 속아 넘어가는 걸까?”

[그림 3] Penrose 삼각형

2. 기호주의(symbolic)와 연결주의(connectionism)의 융합

  • 두 개념은 다음 주에 본격적으로 배울 두 가지 인공지능 패러다임이지만, ACT-R의 뼈대를 깊이 이해하기 위해 선행되어야 함.
  • 두 패러다임의 명확한 차이
    1. 기호주의(고전적 AI)
      • 특징: 지식을 논리적인 ’기호(문자, 숫자)’와 ’명시적인 규칙(IF-THEN)’으로 표상함.
      • 예시: 의사가 감기를 진단할 때, IF (환자의 체온이 38도 이상이다) AND (기침을 한다) \(\Rightarrow\) THEN (감기약 처방).
      • 장점: 논리가 투명하고, 결론도출 과정(설명 가능성)을 인간이 쉽게 이해할 수 있음.
      • 단점: 규칙에 없는 예외상황이 발생하면 시스템이 멈춰버리는 융통성 부족 문제가 있음.
    2. 연결주의(인공신경망)
      • 특징: 지식을 특정 단어나 기호로 저장하는 것이 아니라, 수많은 뇌세포(뉴런)들 사이의 ’연결 가중치(Weight)’와 숫자 패턴으로 표상함. \(\Rightarrow\) 오늘날 딥러닝의 핵심.
      • 예시
        • 자율주행 자동차가 ’정지 표지판’을 인식할 때 “빨간색 8각형에 흰 글씨가 있으면 정지 표지판이다”라는 규칙을 입력하는 것이 아님.
        • 수만 장의 이미지를 보여주며 픽셀의 명암 데이터를 노드(node) 간의 가중치로 통과시켜 “정지 표지판일 확률이 98%”라고 패턴을 뭉뚱그려 인식함.
      • 장점: 노이즈에 강하고, 표지판이 일부 찌그러지거나 가려져도 유연하게 인식함. 직관과 직감을 묘사하기 좋음.
      • 단점: 왜 98%라는 결론이 나왔는지 그 과정을 인간이 역추적하여 설명하기 어려움(블랙박스 문제).
  • ACT-R의 하이브리드 구조: 빙산 모델(iceberg model)
    • 인간은 수학 공식을 풀 때는 순차적이고 논리적인 ’기호주의’를 쓰지만, 군중 속에서 0.1초 만에 친구의 얼굴을 알아볼 때는 패턴 인식인 ’연결주의’를 씀. \(\Rightarrow\) 인간의 뇌는 두 방식을 모두 융합하여 진화했음.
    • 수면 위(symbolic)
      • ACT-R은 겉보기에는 명시적인 지식 청크(“사과는 과일이다”)와 명확한 IF-THEN 논리 체계를 갖추고 있음.
      • 이는 우리가 논리적으로 의식하고 말로 설명할 수 있는 영역임.
    • 수면 아래(sub-symbolic): 그러나 그 논리적인 기호들 아래(수면 아래 거대한 빙산)에서는 철저히 인공신경망의 연결주의 메커니즘이 돌아감.
    • 예시
      • 기호주의: “사과가 과일이라는 사실을 아는가?”는 기호적 수준의 거시적 질문.
      • 연결주의: “그 사실을 머릿속에서 0.3초 만에 떠올릴 것인가, 1.5초가 걸릴 것인가?”는 수면 아래에 있는 뉴런 간 연결 강도와 확률 방정식(activation equation)이라는 미시적 수학 연산에 의해 결정됨.

[그림 4] ACT-R 하이브리드 아키텍처

3. 인간 지식의 두 축: 선언적 지식 vs. 절차적 지식

  • 지식에 대한 ACT-R의 가정: ACT-R은 인간의 모든 지식이 근본적으로 성격이 완전히 다른 두 가지 저장소에 나뉘어 보관된다고 가정함.
  • 선언적 지식(declarative knowledge): “knowing THAT(무엇인지 아는 것)”
    • 말이나 글로 명시적으로 ’선언(declare)’하여 남에게 전달할 수 있는 사실, 에피소드, 의미에 대한 지식.
    • 예시: “대한민국의 수도는 서울이다.”, “나는 어제 점심으로 돈까스를 먹었다.”
    • 특징: 한 번만 듣거나 보아도 즉각적인 단기학습이 가능함. 그러나 꺼낼 때 의식적인 주의와 노력이 필요하며 인출속도는 상대적으로 느릴 수 있음.
  • 절차적 지식(procedural knowledge): “knowing HOW(어떻게 하는지 아는 것)”
    • 무언가를 수행하는 방법(skill)에 대한 체화된 지식으로, 말이나 글로 남에게 논리적으로 설명하기가 매우 어려움.
    • 예시: “자전거에서 넘어지지 않고 중심을 잡는 법”, “키보드 자판을 안 보고 빠르게 타이핑하는 법”.
    • 특징
      • 말로 듣는다고 배울 수 없으며, 수십 수백 번의 반복연습(trial and error)을 통해서만 점진적으로 학습됨.
      • 일단 학습이 완료되면, 의식적인 노력이나 두뇌의 피로 없이 무의식적이고 자동적으로 매우 빠르게 실행됨.
  • 뇌과학적 결정적 증거(환자 H.M. 사례):
    • 심리학 역사상 가장 유명한 환자인 H.M.은 뇌전증 치료를 위해 양쪽 해마(hippocampus)를 절제함. 수술 후 그는 방금 일어난 일을 1분 뒤면 잊어버리는 심각한 ’선언적 기억상실증’에 걸림.
    • 그러나 의사가 그에게 ’거울을 보고 별 그리기(미세한 운동기술이 필요한 과제)’를 매일 시킴. 그는 매일 의사를 볼 때마다 “저는 이 과제를 살면서 처음 해봅니다”라고 말함(선언적 기억상실).
    • 놀랍게도 그가 펜을 쥐고 별을 그리는 속도와 정확도는 날이 갈수록 일취월장함(절차적 기억 학습은 완벽히 정상).
    • 이 극적인 사례는 인간의 뇌에서 사실을 기억하는 모듈(해마)과 기술을 습득하는 모듈(기저핵[basal ganglia])이 물리적으로 완벽히 분리된 별개의 하드웨어임을 증명하며, ACT-R은 이 생물학적 사실을 모델 아키텍처에 그대로 분리하여 반영함.

4. ACT-R 시스템의 구조: 모듈과 버퍼(modules & buffers)

  • 주방의 비유: ACT-R의 뇌과학적 맵핑 구조는 복잡해 보이지만, 철저히 분업화된 대형 식당의 주방에 비유하면 매우 직관적으로 이해할 수 있음.
  • 모듈: 뇌의 특정 기능을 담당하는 ‘굳게 닫힌 독립된 전문작업 구역’
    • 시각 모듈(visual): 외부의 시각적 자극을 식별하고 공간적 위치를 파악함. 뇌의 후두엽/두정엽에 해당. \(\Rightarrow\) 식당 홀에서 들어온 새로운 주문서의 내용을 눈으로 읽고 파악하는 전방 작업방.
    • 운동 모듈(manual): 손이나 신체 근육을 물리적으로 움직이는 명령을 처리함. 뇌의 운동 피질에 해당. \(\Rightarrow\) 도마 위에서 직접 칼질을 하고 조리된 접시를 홀로 서빙을 나가는 출력 작업방.
    • 선언적 모듈(declarative): 과거의 지식과 기억을 저장하고, 필요할 때 검색하여 꺼내옴. 해마/측두엽에 해당. \(\Rightarrow\) 주방 한쪽에 수만 개의 요리 레시피가 꽂혀 있는 거대한 지하창고.
    • 절차적 모듈(procedural): 모든 모듈의 상태를 모니터링하고 다음 행동을 결정하여 명령을 내림. 기저핵에 해당. \(\Rightarrow\) 주방 중앙에 서서 이 모든 상황을 통제하고 지시하는 총괄 셰프.
  • 버퍼: 정보교환의 병목, ‘단 한 장의 메모만 붙는 주문서 게시판(ticket rail), ’작업기억(working memory)’
    • 매우 중요한 제약조건
      • 뇌의 각 모듈(시각, 운동, 기억 등)은 굳게 닫힌 방과 같아서 서로 직접 소통하지 못함.
      • 반드시 ’버퍼’라는 좁은 주문사 게시판에 정보(메모)를 붙여두어야만 총괄 셰프(절차적 모듈)가 그것을 읽고 다음 지시를 내릴 수 있음.
    • 핵심 병목: 이 게시판은 공간이 아주 좁아서, 한 번에 단 하나의 정보(single chunk = 단 한 장의 주문서)만 붙여둘 수 있음. 시각 버퍼에 글자 하나가 올라가 있으면 다른 글자를 동시에 처리하지 못함.
    • 인지적 병목 현상: 이 극단적인 용량제한이 바로 컴퓨터처럼 완벽한 멀티태스킹을 하지 못하고 한 번에 하나의 인지적 목표에만 집중해야 하는 인지적 병목(cognitive bottleneck) 현상의 근본원인이 됨. \(\Rightarrow\) 심리학에서 말하는 ’작업기억의 한계’가 바로 이 버퍼의 한계임.

[그림 5] ACT-R 인지 아키텍처 정보처리 구조

5. 선언적 모듈의 메커니즘(activation equation)

  • 정의: 우리가 지식을 어떻게 떠올리는지에 대한 수학적 기전.
  • 청크(chunk)
    • 선언적 모듈에 저장되는 지식의 기본 묶음 단위.
    • 인간은 낱알의 정보가 아니라 의미 단위로 묶어서 기억함.
    • 비유: 게시판에 붙는 단 한장의 주문서.
    • 예시: [범주:과일, 종류:사과, 색상:빨강].
  • 활성화 방정식(activation equation): 기억 청크들의 치열한 생존경쟁
    • 머릿속 거대한 창고에 있는 수만 개의 청크들은 특정 순간에 주문서 게시판(버퍼/의식)으로 올라가기 위해 서로 자신의 에너지를 겨룸. \(\Rightarrow\) 이 고유의 에너지값을 활성화 값(activation)이라 하며, 에너지가 가장 높은 단 하나의 청크만이 승리하여 가장 빨리 의식 위로 떠오름. 이 에너지는 다음 두 가지 요인의 합산으로 계산됨.
    1. 기저 활성화(base-level activation): 나 자신의 역사적 강인함
      • 빈도(frequency): 내 평생 이 지식을 얼마나 자주 꺼내 썼는가?
      • 최신성(recency): 가장 마지막으로 이 지식을 언제 썼는가?
      • ACT-R은 이 수학 공식 하나로, 19세기 에빙하우스가 발견한 ‘망각곡선’ 현상을 컴퓨터 시뮬레이션으로 완벽하게 똑같이 재현해냄.
    2. 확산 활성화(spreading activation): 주변 문맥의 지원사격
      • 현재 눈과 귀로 들어온 정보(단서)가 의미 네트워크를 타고 연결된 기억들에게 ’연상 에너지’를 쏘아보내는 과정.
      • [비유] 어두운 방에 조명 켜기
        • ‘의사’라는 단어를 듣는 순간, 그 단어 노드에서부터 연결된 ’간호사’, ‘주사기’, ’병원’이라는 청크들에게 일제히 약한 전기가 흐름.
        • 결과적으로 다음에 ’간호사’라는 단어를 보게 되면 남들보다 훨씬 빨리(강하게) 인식하게 됨.
        • 심리학의 ’점화 효과(priming effect)’를 수학적으로 구현한 메커니즘임.

[그림 6] 기저 활성화 곡선

[질문 4] “우리가 내일 있을 시험을 위해 오늘 밤을 새워 벼락치기를 할 경우 이 지식은 금방 휘발됨. 반면에 초등학교 때 외운 구구단은 평생 감. ACT-R의 ‘기저 활성화 방정식(빈도+최신성)’ 관점에서 벼락치기는 어떤 파라미터만 극단적으로 끌어올린 걸까? 왜 벼락치기 지식의 활성화 값은 금방 바닥으로 떨어질까?”

6. 절차적 모듈과 50ms의 인지 사이클(procedural memory)

  • 정의: 인간이 어떻게 상황을 판단하고, 의사결정을 내리며, 연속적인 행동을 만들어내는가에 대한 동적인 기전.
  • 생산 규칙(production rule)
    • 절차적 모듈(총괄 셰프)의 머릿속에 저장된 지식 단위로, 조건(IF)과 행동(THEN)의 논리적 쌍임. 인간의 모든 복잡한 스킬(암산, 운전)은 이 무수한 IF-THEN 규칙들이 꼬리에 꼬리를 무는 연쇄작용임.
    • 예시: IF 현재 목표 버퍼가 ‘수학 풀기’ 상태이고 AND 시각 버퍼에 ’더하기 기호’가 들어왔다면 \(\Rightarrow\) THEN 선언적 모듈에게 덧셈 기억을 검색하라고 명령하라.
  • 50ms의 인지 사이클(cognitive cycle)
    • 총괄 셰프(기저핵)는 다음과 같은 3단계를 끊임없이 쳇바퀴 돌듯 반복함. 이 한 바퀴를 도는 데 걸리는 평균 시간이 약 0.05초(50ms)이며, 심리학자들은 이를 인간 사고과정의 ’가장 작은 시간적 기본단위(원자)’라고 봄.
    1. 매칭(match)
      • 행동하기 전 게시판의 주문서부터 스캔하기: 모든 버퍼(주문서 게시판)의 상태를 1초에 수십 번씩 스캔함. 총괄 셰프는 무작정 요리(THEN)부터 시작하지 않음. 대신 머릿속 수만 개의 IF-THEN 규칙 중 오직 앞부분인 IF 조건(센서)들만 떼어내어 현재 게시판에 붙어 있는 주문서(청크) 내용과 고속으로 대조함.
      • “지금이 이 요리가 나갈 타이밍이 맞는가?”를 점검하여, 조건이 완벽하게 들어맞는 규칙 후보군(conflict set)만을 솎아내는 과정임.
      • 절차 예시: 운전중인 상황
        • [Step 1] 현재 버퍼(주문서 게시판)의 상태 파악: 총괄 셰프는 가장 먼저 주문서 게시판에 무슨 정보가 올라와 있는지 확인.
          • 시각 버퍼: “신호등이 노란불이다.”
          • 목표 버퍼: “안전하게 운전하기.”
        • [Step 2] 머릿속 규칙들의 ’IF 조건’만 고속 스캔
          • 셰프의 머릿속에는 평생 운전하며 쌓아온 수천 개의 행동 규칙(IF-THEN)이 있음.
          • 셰프는 0.05초라는 짧은 시간 동안 규칙들의 뒷부분(THEN)은 쳐다보지도 않고, 오직 앞부분인 [IF 조건]들만 현재 주문서 게시판과 고속으로 맞춰 봄.
            • 규칙 1: [IF 앞차가 브레이크를 밟으면] THEN 나도 밟는다. \(\Rightarrow\) 불일치! 탈락!
            • 규칙 2: [IF 파란불이 켜지면] THEN 엑셀을 밟는다. \(\Rightarrow\) 불일치! 탈락!
            • 규칙 3: [IF 노란불이 켜지고 + 안전이 목표라면] THEN 브레이크를 밟는다. \(\Rightarrow\) 완벽 일치! 후보 등록!
            • 규칙 4: [IF 노란불이 켜지고 + 지각할 것 같다면] THEN 엑셀을 밟는다. \(\Rightarrow\) 완벽 일치! 후보 등록!
        • [Step 3] 일치하는 규칙 후보군 선출
          • 스캔 결과, 현재 버퍼의 상태(노란불, 안전)와 괄호 안의 IF 조건이 완벽하게 일치하는 규칙 3과 4를 골라냄.
          • 이렇게 걸러진 후보들을 심리학 용어로 ’갈등 집합(conflict set)’이라고 부름.
          • 여기까지가 ‘매칭’ 단계의 끝임.
    2. 선택(select / conflict resolution)
      • 후보규칙이 여러 개일 때 인지적 갈등이 발생함.
      • 예시: 교차로에서 노란불이 켜졌을 때 ’엑셀을 밟는다’는 규칙과 ’브레이크를 밟는다’는 규칙이 동시에 조건을 만족함.
      • 유용성(utility) 방정식: 이때 유용성 방정식이 돌아가며, 과거에 이 규칙을 썼을 때 성공확률(보상)이 높았고 걸린 시간(비용)이 적었던 단 하나의 규칙만이 최종 승자로 선택됨. \(\Rightarrow\) 이 선택 메커니즘이 바로 학기 후반부에 배울 기계학습의 ’강화학습(reinforcement learning)’의 근간임.
    3. 실행(execute)
      • 선택된 단 하나의 승자 규칙의 뒷부분인 THEN(행동/모터 파트)을 비로소 꺼내어 실행함.
      • 예시: 운동 모듈에 손을 움직이라고 물리적 명령을 내리거나, 선언적 모듈에 새로운 기억을 꺼내라고 지시하여 버퍼 게시판의 상태를 새롭게 업데이트함.

[그림 7] 50ms 인지 사이클

7. [종합 예시] ACT-R은 어떻게 덧셈을 하는가?

  • 시나리오
    • 지금까지 배운 모듈, 버퍼, 인지 사이클이 어떻게 유기적으로 통합되어 인간의 반응 시간(RT)을 모사해내는지 구체적인 스텝으로 추적해봄.
    • 화면에 “3 + 4 = ?” 라는 단순한 덧셈 문제가 띄워졌을 때 뇌 속에서 어떤 연쇄작용이 돌아가는가?
  • Cycle 1(시각 인식 및 인코딩)
    • IF 눈앞에 새로운 시각자극이 들어오면 THEN 시각 모듈에게 그것의 글자 모양을 읽어서 시각 버퍼(게시판)에 붙이라고 명령해! \(\Rightarrow\) 50ms 소요.
    • 상태 업데이트: 시각 버퍼에 “3+4=?” 라는 정보(청크)가 셋업됨.
  • Cycle 2 (기억 인출 명령)
    • IF 목표 버퍼가 ’수학 풀기’이고 시각 버퍼에 “3+4=?”가 들어왔다면 THEN 선언적 기억 모듈에게 이와 연관된 정답 지식을 검색하라고 명령해! \(\Rightarrow\) 50ms 소요.
    • 내부 연산 대기
      • 선언적 창고 안에서 활성화 방정식(빈도+문맥)이 돌아가며 치열한 경쟁 끝에 “7”이라는 정답 청크가 인출 버퍼로 끌어올려짐.
      • 이 과정은 개인의 덧셈 숙련도에 따라 0.1~1초 이상의 인출지연 시간이 추가로 발생할 수 있음.
  • Cycle 3(운동 출력 명령): IF 인출 버퍼에 정답 “7”이 확인되었으면 THEN 운동 모듈에게 손가락 근육을 움직여 키보드의 7 버튼을 누르라고 명령해! \(\Rightarrow\) 50ms 소요.
  • 결론 및 결과 예측
    • 순수한 뇌 속 인지 사이클 연산 시간(50ms x 3회 = 150ms) + 안구가 문제로 이동하여 초점을 맞추는 시간 + 손가락 근육이 실제 키보드까지 이동하는 물리적 신경 전도 시간 = 총 약 600~800ms의 전체 반응시간(reaction time)이 도출됨.
    • 이 ACT-R 컴퓨터 모델이 수식으로 예측한 반응시간은 실제 사람(초등학생)들을 대상으로 동일한 실험을 했을 때 측정한 행동 데이터 패턴과 완벽하게 일치함. \(\Rightarrow\) 이것이 바로 인지 아키텍처의 강력한 예측력임.

8. ACT-R의 현실세계 응용

  • 인지 아키텍처는 순수 심리학의 사변적이고 탁상공론적인 논의를 넘어, 현대공학과 산업현장에서 강력한 실용성을 발휘하고 있음.
  • 지능형 튜터링 시스템(cognitive tutors)
    • 미국 전역의 수학 교실에 도입되어 상용화된 ACT-R 기반의 인공지능 교사 소프트웨어.
    • 학생이 문제를 푸는 과정을 모니터링하며, 학생 머릿속에 있는 불완전한 ACT-R 규칙(오개념)을 실시간으로 역추적함.
    • 학생이 연이은 오답을 내면 단순하게 “오답입니다”라고 하는 것이 아니라, 모델링 결과에 기반해 “너 지금 10의 자리에서 받아올림을 해야 한다는 IF-THEN 규칙을 적용하지 않고 빠뜨렸구나?”라고 정확한 인지적 오류의 원인을 진단하여 맞춤형 힌트를 제공함.
  • 휴먼-컴퓨터 인터랙션(HCI) 및 차량 시뮬레이션
    • 기업이 새로운 스마트폰 UI나 차량용 내비게이션 인터페이스를 디자인할 때, 매번 수백 명의 사람을 피험자로 데려와 위험한 운전실험을 하기에는 비용과 위험이 너무 큼.
    • 대신 사람과 완벽하게 똑같은 시각탐색 시간과 작업기억의 한계(버퍼 병목)를 가진 ’ACT-R 가상 유저(virtual user) 프로그램’에게 내비게이션을 조작해보게 함.
    • “고속주행 중 운전자가 이 작은 버튼을 찾기 위해 시선이 몇 초 방황할 것인가?”, “그 1.5초 동안 앞차와의 추돌 확률은 수학적으로 얼마나 증가하는가?”를 인지 사이클 연산 시뮬레이션을 통해 시판 전에 완벽히 수치화하여 예측해냄.

📝 2주차 요약 및 다음 주 예고

  • 요약
    • 인간의 마음을 설명하다: 통합적 인지 아키텍처(ACT-R)는 인간의 마음을 하드웨어적 제약(모듈과 버퍼)과 소프트웨어적 지식(선언적 지식과 절차적 지식)의 쉼 없는 상호작용으로 완벽히 통합하여 설명하는 거대한 프레임워크임.
    • 하이브리드 시스템
      • 수면 위: 기호주의적(IF-THEN) 틀을 갖추고 있어 인간의 논리적이고 목표 지향적인 행동을 훌륭하게 설명.
      • 수면 아래: 연결주의적(활성화 방정식, 유용성 계산) 연산이 돌아가 인간의 무의식적인 학습과 점진적 망각, 그리고 빠른 직관을 설명.
  • 다음 주 예고
    • 하향식 인지 아키텍처 ACT-R
      • 오늘 우리는 인간의 지식을 누군가가 직접 설계하고 짜맞춰 넣는 하향식(top-down) 방식의 거대한 아키텍처를 보았음.
      • 이 모델은 인간의 거시적인 인지행동을 잘 모사하지만, 생물학자들은 근본적인 의문을 제기함. \(\Rightarrow\) “과연 우리의 뇌세포(뉴런) 하나하나가 저런 ‘IF-THEN’ 같은 논리기호 규칙을 명시적으로 머릿속 어딘가에 저장하고 있을까?”
    • 상향식 신경망(neural network) 모델
      • 다음 3주차에는 인지과학 역사상 가장 치열했고, 현재까지도 이어지고 있는 거대한 패러다임 논쟁 기호주의 vs. 연결주의의 세계로 본격적으로 들어감.
      • 명시적인 기호규칙을 거부하고, 아주 단순한 뉴런들의 연결 가중치 연산만으로 밑바닥부터 학습을 일으키는 상향식(bottom-up) 방식의 신경망 모델들이 어떻게 고전적 아키텍처의 한계를 뚫고 등장했는지, 오늘날 챗GPT와 같은 딥러닝을 탄생시킨 심리학적·철학적 뿌리를 파헤쳐볼 예정.