접수과제정보
접수번호2026022802
연구요약문
연구목표
(한글 2000자 이내)
본 연구는 언어학을 매개로 인공지능과 뇌과학을 융합하여, 대규모 언어모델이 인간의 논리적-사회적 추론 등 통합적 사고 과정을 온전히 모사하지 못하는 문제를 해결하고자 한다. 나아가 두 시스템(인간지능과 인공지능)의 구조적 차이를 설명할 수 있는 통합 분석 프레임워크를 구축하는 것을 목적으로 한다.
현재 대규모 언어모델은 생성 결과 수준에서는 인간과 유사한 성능을 보이나, 실제 인간의 사고 과정은 온전히 묘사하지 못한다(Mahowald et al., 2024). 대규모 데이터와 확률에 의존하는 학습 방식이 인간의 언어 습득 기제와 동일한 원리로 작동하는지, 혹은 인지적으로 타당한 내부 구조를 갖추고 있는지는 여전히 충분한 검증이 이루어지지 않았다. 근본적인 이유는 뇌과학과 인공지능을 언어학적 단위에서 정렬하여 비교할 수 있는 체계적인 분석 프레임이 부재하기 때문이다. 예컨대 인간의 뇌는 언어 처리에 특화된 신경망을 논리-사회적 추론과 같은 다른 인지 기능과 분리하여 작동시키는 반면, 대규모 언어모델은 이러한 구분 없이 단어 예측 기반의 학습에 의존한다. 맥락 변화나 비언어적 추론 상황에서 성능 저하가 발생하며, 문제 발생 지점을 특정하기 어려워 재현성과 신뢰성이 제한된다.
이를 해결하기 위해 본 연구는 다음 두 가지를 핵심 목표로 설정한다. (1) 인간의 언어 처리 과정과 인공지능의 언어 사용 메커니즘을 비교하여 공통점과 차이점을 체계적으로 규명한다. (2) 인간의 언어 습득 과정을 모사한 학습환경을 설계하고, 해당 환경에서 학습된 인공지능 모델을 정량적으로 평가하여 인지적 타당성을 검증한다. 기존 AI 연구가 성능과 데이터 규모 확대에 집중한 한계를 넘어, 인간의 의미 형성과 규칙 학습 과정을 언어학적 분석 프레임워크로 체계화함으로써 인간 인지 과정과 AI 내부 구조를 동일한 기준에서 비교-평가할 수 있는 통합 인지 평가 프레임워크를 구축한다. 이러한 목표는 인문학이 기술 발전의 방향성을 재구성한다는 글로벌인문사회융합연구지원사업의 취지와 직접적으로 부합한다.
(1) 인간(뇌)-인공지능의 언어 처리 비교
인공지능 모델이 인간 뇌의 작동 방식을 따를수록 계산 부하가 줄어들고 결과물의 질이 향상된다는 점은 선행 연구를 통해 밝혀졌다. 그러나 기존 인공지능 연구는 빅데이터에 의존한 확률적 학습 방식에 집중해 왔으며, 이로 인해 데이터 효율성과 일반화 측면에서 한계를 보인다. 또한 인공지능의 작동 기제가 인간의 언어학적 지식이나 뇌의 인지 체계와 얼마나 일치하는지에 대한 실증적 검증도 충분히 이루어지지 않았다.
이러한 문제는 인공지능과 뇌과학을 체계적으로 연결할 분석 틀이 부재한 데서 비롯된다. 이에, 본 연구는 언어학을 매개로, 어휘, 문장, 의미, 화용 등 언어 단위에 기반한 체계를 구축하고, 이를 통해 두 시스템의 언어 사용을 비교·해석한다.
(2) 인공지능 언어모델의 인지적 타당성 검증
인간과 인공지능은 외부 입력을 바탕으로 내부 모델을 형성하고 이를 지속적으로 갱신한다는 점에서 구조적으로 유사하다. 최근 연구에서는 대규모언어모델의 구조가 인간의 언어 처리 단계별 뇌파 반응과 일정 부분 대응될 수 있음이 보고되었으며, 이는 인공지능을 인간 인지 과정의 모델로 활용할 수 있음을 시사한다. 그러나 현재 인공지능은 제한된 입력 환경에서도 언어를 습득하고 규칙을 형성하는 인간의 발달 양상을 충분히 반영하지 못한다.
따라서 기존 모델이 인간의 언어 처리 메커니즘과 계산 원리를 공유하는지, 또는 통계적 빈도에 기반한 ‘확률적 앵무새’에 가까운지를 검증할 필요가 있다(Bender et al., 2021). 이를 위해 본 연구는 뇌과학적 분석과의 연계를 통해 모델의 내부 메커니즘을 검토하고, 인지적 타당성을 갖춘 인공지능 설계의 이론적 기반을 구축한다.
기대효과
(한글 2000자 이내)
- 기술적 측면:
본 연구는 인간의 인지 구조를 반영한 인공지능 설계 및 평가 기준을 제시한다. 기존 연구가 대규모 데이터에 의존한 학습 방식에 집중해 온 것과 달리, 본 연구는 자극이 제한된 환경을 구축하여 인공지능을 인간과 유사한 방식으로 학습시킨다. 이를 통해 인공지능의 학습 기제가 인간의 언어 습득 과정과 얼마나 유사한지 정밀하게 검증한다.
나아가 제한된 입력 환경에서도 의미 형성과 규칙 학습이 가능하도록 설계 원리를 도출하고, 데이터 효율성과 일반화 성능을 동시에 확보할 수 있는 모델 개발의 방향성을 제시한다. 이러한 접근은 대규모 데이터 의존도를 낮추고, 모델의 내부 처리 과정을 인지적 관점에서 해석할 수 있는 기반을 제공한다. 궁극적으로 이는 설명 가능한 인공지능(XAI) 및 인간 중심 인공지능으로의 확장을 가능하게 한다. - 학문적 주도권과 확장성 측면:
본 연구는 언어학, 뇌과학, 인공지능을 융합함으써 관련 분야의 연구 지평을 확장한다. 인간의 언어 습득과 사용 과정은 뇌과학적 분석 대상으로, 언어모델의 생성 과정은 인공지능 연구의 분석 대상으로 설정하여 양자를 대응시킨다. 이를 통해 단순한 학제 간 결합을 넘어, 인간의 인지 과정과 인공지능의 내부 처리 구조를 동일한 분석 틀에서 비교·평가할 수 있는 이론적 기반을 마련한다.
특히 의미 형성과 인지 구조를 중심으로 한 분석은 성능 중심 평가를 넘어, 인공지능이 인간의 사고 방식을 얼마나 모사하는지를 평가하는 새로운 기준을 제시한다. 나아가 모델 규모와 성능 중심의 기존 연구 경향을 보완하고, 인간의 언어 처리 메커니즘을 반영한 모델링 연구를 촉진한다. - 교육적 측면:
본 연구는 공학적 분석과 인문학적 해석을 결합한 다학제적 연구 인력 양성에 기여한다. 즉, 데이터 분석과 인지적 해석 역량을 동시에 갖춘 인재를 양성할 수 있는 교육 모델 구축으로 이어진다.
특히 언어학을 매개로 인공지능과 뇌과학을 연결하는 통합 분석 프레임워크를 제시함으로써, 언어학 기반 연구 인력이 다양한 학문 영역에서 핵심적인 역할을 수행할 수 있는 기반을 마련한다. - 기관 및 연구 환경 측면:
본 연구는 고려대학교 언어정보연구소를 중심으로 인공지능과 뇌과학 융합 연구 기반을 강화하고, 국제 공동 연구 네트워크를 확장한다. 특히 일본 도호쿠대학교 응용인지신경과학센터(CogNAC)의 고해상도 fMRI 및 EEG 데이터를 활용하여 정밀하고 신뢰도 높은 연구를 수행한다. 이러한 협력은 지속 가능한 공동 연구 체계 구축과 연구 성과의 국제적 확산을 촉진한다.
양국 연구진은 상호 인력 파견과 공동 실험 설계를 통해 연구 수행 환경을 강화하는 동시에 의미 있는 연구 성과 도출을 기대한다. 또한 연구 종료 이후에도 다국어 제한 입력 데이터셋과 인지적 타당성 평가 지표를 핵심 연구 자원으로 활용하여, 지속 가능한 국제 공동 연구 체계를 유지할 수 있다.
종합적으로 본 연구는 인간의 인지 구조에 대한 이해를 바탕으로 인공지능 연구의 방향을 확장하고, 인간 중심 인공지능으로의 전환을 촉진한다. 이를 통해 학문적 발전과 기술적 활용을 동시에 견인하는 융합 연구 모델을 제시하고, 차세대 인공지능 연구의 새로운 기준을 마련한다. 사업 종료 후 한일영 다국어 인지-모델 정렬 오픈 벤치마크, 인간–모델 정렬 프로토콜, 인지적 타당성 평가 지표, 국제 공동연구 네트워크 등 국가적 잔존 자산을 확보하여 후속 국책과제 수주와 산학 파트너십의 기반을 마련하고, 연구소의 자생적 운영 체계를 구축한다.
연구요약
(한글 2000자 이내)
본 연구는 언어학, 뇌과학, 인공지능을 융합하여 인간의 언어 처리 과정을 인지 모델로 구조화하고, 이를 기반으로 인공지능의 언어 처리 방식이 갖는 인지적 타당성을 실증적으로 규명한다.
본 연구는 5대 작업패키지(Work Package, WP)로 구성된 통합 파이프라인을 가동한다. WP1(언어학적 자극 설계)과 WP2(AI 모델링)에서는 CHILDES 및 BabyLM 수준의 제한 입력 환경에서 AI가 의미를 형성하고 규칙을 학습하는 과정을 Surprisal, Perplexity, Probe 분석으로 정량화한다. WP3(뇌영상 실험)에서는 인간의 언어 처리 단계별 뇌 반응 데이터를 수집하며, WP4(정렬 분석)에서는 도호쿠대학교와의 협력을 통해 AI 내부 표상과 인간 뇌 반응 간의 정렬(Alignment)을 실증한다. 마지막으로 WP5(통합 평가체계)에서는 양방향(Fail-safe) 설계를 통해 AI-뇌 반응이 정렬되면 인지 정합성의 증거로, 불일치하더라도 현재 AI의 인지 모사 한계를 뇌과학적으로 입증하는 핵심 성과로 종합 확산한다. 세부 방법론은 다음과 같다.
- 연구의 내용과 방법:
(1) CHILDES와 BabyLM 수준의 데이터셋 활용 환경을 구축한다. CHILDES와 BabyLM은 인간의 실제 언어 습득 환경과 유사하게 입력 데이터가 제한되어 있다. 이를 활용하여 대규모언어모델의 일반적인 입력량에 비해 현저히 축소된 입력 조건을 설정한다. 이처럼 인간이 겪는 제한된 자극 속에서도 인공지능 모델이 의미 형성과 규칙 학습이 가능한지 평가하고, 기존 모델의 데이터 의존적 학습 구조의 한계를 검증한다.
(2) 위의 환경에서 인공지능이 의미를 형성하고 규칙을 학습하는 과정을 단계적으로 분석한다. 인공지능이 제한된 정보 조건에서 의미를 형성하고 통사적 규칙을 도출하는지, 환경 변화에 따라 내부 모델을 안정적으로 유지하거나 전환하는지를 분석한다. 이는 인공지능 모델의 학습 기제가 인간의 인지적 특성과 어떻게 관련되는지를 검토하는 핵심 과정이 된다.
(3) 대규모 언어모델의 계층적 처리 구조와 인간의 언어 처리 과정에서 나타나는 뇌 반응 간의 대응 관계를 규명한다. 이를 위해 도호쿠대학교 응용인지신경과학센터와 협력하여 정밀한 실험 설계를 수행하며, 최소대립쌍 기반 문장 구성과 특정 통사·의미 단서에 대한 모델 반응 분석을 통해 발달 단계별 처리 양상을 비교한다.
(4) Surprisal과 Perplexity와 같은 확률기반지표를 신경언어학적 반응과 연계하여 인공지능의 인지적 타당성을 평가할 기준을 정립한다. 단순히 정답 여부를 평가하는 것을 넘어, 인공지능 모델의 처리 부담과 의미 수용성을 정량화하고, 확률기반지표를 활용하여 인간의 언어 습득 과정과의 정합성을 평가한다. 이 과정에서 의미 형성, 임계치 분석, 규칙 유지 및 전환 등 단계적 인지 처리 분석 구조를 적용한다. 더 나아가 프로브 기반 분석을 통해 모델의 내부 표현을 다차원적으로 분석한다.
(5) 최종적으로 인공지능과 인간 뇌의 언어 처리 방식을 통합적으로 비교·대조하여, 양자의 공통점과 구조적 차이를 도출한다. - 연구 수행 체계 및 국제 협력:
본 연구는 고려대학교 언어정보연구소를 주관연구소로, 일본 도호쿠대학교 응용인지신경과학센터를 해외 협력 기관으로 하며, 양 기관이 Virtual Joint Lab 체계를 구축하여 수행한다. 무엇보다 본 연구는 한국어·일본어·영어 간 다언어 비교와 고해상도 뇌영상 분석을 동시에 요구하므로, 일본어 화자에 대한 접근성과 연구전용 뇌영상 인프라를 갖춘 응용인지신경과학센터와의 연계가 필수적이다. 아울러 성과 확산과 국제 협력 네트워크 강화를 위해 국제학술대회 개최를 연 1회 이상 정례적으로 개최하고, 연구진 교차 방문, 신진연구인력 파견, 협업 인프라, 공동지도 체계를 운영한다. 이를 통해 단순한 인력 교류를 넘어, 지속 가능한 다층적 글로벌 협력 시스템을 구축한다.
다국어(한국어, 일본어, 영어) 비교를 위한 실험 현실성은 Two-track 피험자 수집 체계로 보장한다. 일본어 fMRI/EEG는 도호쿠대에서, 한국어-영어 EEG 및 파일럿 실험은 국내 인프라에서 각각 언어별 성인 원어민 코호트(각 30명 내외, 효과크기 0.5 / 유의수준 0.05 / 검정력 0.8 기준)를 모집한다. 또한 국경 간 생체 데이터 처리 문제는 IRB 거버넌스를 준수한다. 원시 뇌영상 데이터 현지(도호쿠대) 보관하고, 비식별화된 분석값만 연합 분석 방식으로 공유한다.
키워드(Keyword)
(한글 250자 이내)
전산언어학, 인공지능, 뇌과학, 제한 입력 환경, 의미 형성, 규칙 학습, 인지적 타당성, 대규모 언어모델
키워드
(영어 500자 이내)
computational linguistics, artificial intelligence, brain science, limited input setting, semantic processing, rule learning, cognitive plausibility, large language model
닫기