최근 한 연구에서 초파리(Drosophila melanogaster)의 전체 뇌 연결망(커넥톰)을 대규모 언어모델(LLM)에 통합하려는 흥미로운 시도가 있었습니다. '플라이 언어 모델(FLM)'로 명명된 이 프로젝트는 12억 개 매개변수(파라미터)를 가진 기존 LLM에 초파리 뇌의 뉴런 연결 구조를 '배선(wiring)'하는 방식으로 진행되었습니다. 이는 생물학적 뇌 구조가 인공지능(AI) 모델의 학습 및 추론 능력에 어떤 영향을 미칠 수 있는지 탐구하려는 목적이었습니다.
연구팀은 초파리 뇌의 약 10만 개 뉴런과 수백만 개의 시냅스(연결점)로 구성된 복잡한 커넥톰 데이터를 LLM의 가중치(weights) 또는 연결 패턴에 반영했습니다. 구체적으로, 초파리 뇌의 각 뉴런을 LLM의 특정 노드(node)에 매핑하고, 뉴런 간의 시냅스 강도를 LLM의 연결 강도에 상응하도록 조작했습니다. 이 과정에서 LLM의 다른 부분은 고정(frozen)된 상태를 유지하여, 오직 초파리 뇌 구조의 영향만을 고립시켜 분석하고자 했습니다. 하지만 연구 결과는 예상과 달랐습니다. 초파리 뇌 연결망을 통합한 FLM은 일반적인 LLM에 비해 성능 향상을 보이지 않았으며, 심지어 일부 작업에서는 오히려 성능이 저하되는 경향을 보이기도 했습니다.
이번 연구 결과는 생물학적 뇌 구조를 모방하는 것이 항상 인공지능(AI) 성능 향상으로 이어지는 것은 아니라는 중요한 시사점을 던집니다. 인간의 뇌를 비롯한 생물학적 뇌는 특정 환경에서 진화해 온 고유한 정보 처리 방식과 효율성을 가지고 있지만, 이것이 범용적인 인공지능 모델, 특히 언어 모델의 복잡한 추론 및 생성 능력에 직접적으로 최적화된 형태는 아닐 수 있습니다. 이는 인공지능 연구가 생물학적 영감에만 의존하기보다는, AI 자체의 고유한 아키텍처와 학습 메커니즘을 탐구하는 방향으로 나아가야 함을 강조합니다. 또한, 복잡한 생물학적 시스템을 인공지능 모델에 효과적으로 통합하는 방법에 대한 더 깊은 이해와 새로운 접근 방식이 필요함을 보여줍니다.