인간이 제한된 경험 데이터로부터 추상적인 지식을 습득하고 유지하는 방식은 인지 과학의 오랜 난제였습니다. 최근 발표된 연구는 이러한 인간의 학습 과정을 모방하는 새로운 계산 모델을 제시하며 주목받고 있습니다. 이 모델은 데이터 및 연산 효율성을 높이고, 불확실성을 포착하여 지능적인 탐색을 지원하며, 다양한 개념을 유연하게 표현할 수 있도록 설계되었습니다.
이 모델의 핵심은 상징적 지식(symbolic knowledge)을 자연어와 소스 코드를 결합한 '정신 프로그램(mental programs)'으로 인코딩하는 것입니다. 그리고 대규모 언어모델(LLM)이 안내하는 베이즈 학습(Bayesian learning) 알고리즘을 사용하여 이러한 정신 프로그램을 순차적으로 추론합니다. 여러 행동 연구를 통해 이 모델은 앵커링(anchoring), 가든패스 효과(garden-pathing) 등 인간의 귀납적 학습과 능동적 탐구에서 나타나는 정량적 특징들을 성공적으로 재현했습니다. 이는 순수 LLM이나 고전적인 베이즈 모델이 해당 작업을 수행하지 못하거나, 인간 행동을 재현하지 못하거나, 엄청난 계산 비용을 들여야만 성공할 수 있었던 것과는 대조적입니다.
이 연구 결과는 인간이 언어와 프로그램 같은 다양한 표현 방식을 아우르는 수많은 가설을 정신적으로 표상하고, 이를 베이즈 업데이트(Bayesian updates)에 가깝게 수정함으로써 지속적으로 지식을 확장한다는 것을 시사합니다. 또한, 하향식 신경 메커니즘인 LLM이 이러한 추론 과정을 실현 가능하고 학습 가능하게 만든다는 점을 보여줍니다. 이는 미래 인공지능(AI)이 인간처럼 유연하고 효율적으로 학습하고 추론하는 데 중요한 통찰을 제공하며, 인지 과학과 AI 연구의 교차점에서 새로운 방향을 제시할 수 있습니다.