무슨 일인가요
프랑스 Aix-Marseille 대학의 Akanksha Gupta와 스페인 바스크 인지·뇌·언어센터(BCBL)·독일 막스플랑크 인간인지뇌과학연구소 소속 Alejandro Tabas는 2026년 9월 2일 arXiv에 올린 논문에서 한 가지 질문을 던졌습니다. 뇌는 왜 지각을 위해 굳이 미래를 예측하는가. 논문 이들은 예측을 강제하는 목적 함수나 에너지 제약 없이, 잡음 섞인 입력을 정확히 복원하는 과제만으로 예측이 생기는지를 시험했습니다.
재료는 바흐였습니다. 700곡(MIDI 파일 1,432개)을 피아노롤로 바꾼 뒤 울리는 음의 집합이 바뀔 때만 토큰을 내는 방식으로 토큰화하고, 12차원 반음계 공간으로 압축했습니다. 곡은 학습 490·검증 70·시험 140곡으로 나눴습니다. 논문 여기에 14단계의 가우시안 잡음(σ 0.001부터 2까지)을 섞어 단일층 GRU(은닉 8~256유닛)에 원곡 토큰을 복원하도록 훈련했습니다. 훈련이 끝나면 가중치를 얼리고, 은닉 상태에서 다음 토큰을 예측하는 선형 판독기만 따로 학습했습니다. 논문
왜 중요한가요
64유닛·σ=0.25 사례 네트워크는 잡음 제거에서 기억 없는 로지스틱 회귀(BCE 0.040)보다 좋은 0.023을 기록해(Cohen's d 5.01) 기억 흔적을 실제로 활용했습니다. 논문 같은 네트워크의 예측 판독기는 정답 토큰을 입력으로 받는 보수적 마르코프 벤치마크를 이겼습니다(d 0.45). 예측을 직접 학습한 네트워크(성능 상한)에는 미치지 못했지만, 복원만 배운 네트워크가 이전 토큰만으로는 알 수 없는 미래 정보를 담고 있었다는 뜻입니다. 논문
| 잡음 표준편차 σ | 관측 하나로 정답 복원 확률 | 예측 정보 |
|---|---|---|
| 0.1 이하 | 0.99 초과 | 마르코프 벤치마크와 차이 없음 |
| 0.15~0.4 | 급격히 감소 | 두 마르코프 벤치마크 모두 능가 |
| 0.6 이상 | 0.27 미만 | 예측 학습 네트워크와 성능 수렴, 감소 |
예측 정보는 σ 0.15~0.4 구간에서만 나타났습니다. 탐지 이론으로 계산하면 σ가 0.15 미만일 때 관측 하나로 정답을 맞힐 확률이 0.99를 넘어 예측이 필요 없고, 0.4를 넘으면 0.27 아래로 떨어져 관측이 구조를 배울 만큼 정보를 주지 못합니다. 논문 은닉 상태의 갱신 크기는 예측 오차와 상관했고(σ=0.4에서 부분 상관 0.29로 최대), 은닉 상태에서 예측 오차 자체를 선형으로 읽어낼 수 있었습니다(가장 엄격한 벤치마크 대비 d 3.46). 이 신호는 32유닛 미만 네트워크에서는 보이지 않았습니다. 논문
σ 0.15~0.4
예측이 출현한 잡음 구간
신호 진폭 1 기준. 그 아래에서는 예측이 불필요하고, 그 위에서는 학습이 불가능했습니다
무엇을 보면 되나요
- "왜 예측하는가"의 답 하나: 예측 오차 전송이 대사적으로 싸다는 기존 논증은 예측 자체를 계속 전달해야 해 이득이 상쇄된다는 반론이 있습니다. 이 논문은 대사와 무관하게 정확한 지각을 향한 압력만으로 예측이 생긴다고 주장합니다. 논문
- 신경과학 실험의 예측: 감각계의 예측 오차 신호가 잡음이 중간 수준인 조건에서 가장 뚜렷하리라는 검증 가능한 가설이 따라 나옵니다. 추정
- 재현 가능: 코드와 학습된 가중치는 GitHub 저장소 qtabs/BayesPlusBach에 GPL-3.0으로 공개돼 있습니다. 논문
