자금이 풍부한 여러 팀은 대규모 언어 모델을 생성한 접근 방식이 뇌에 효과가 있을 것이라는 데 수천만 달러를 걸고 있습니다. 방대한 양의 뇌 데이터에 대해 인공 신경망을 훈련하면 모델이 계속 개선될 것입니다. 올해만 해도 Meta, Stanford University, Neuralink 등이 인간이나 쥐의 뇌에 대한 이러한 기반 모델을 출시하거나 구축하기 시작했습니다.
이 베팅이 성과를 거둘지는 아직 결정되지 않았습니다. 이는 오늘 발행된 Dual Perspectives 기사의 핵심입니다. 신경과학 저널. 기사에서는 빙 웬 브런턴 그리고 패트릭 미노 뇌 활동을 성공적으로 예측하는 인공지능(AI) 모델이 뇌의 작동 방식을 설명하는 데 도움이 될지, 그리고 이해하려면 신체 모델링이 필요한지 여부에 대해 토론하세요. Brunton과 Mineault는 이번 주 일요일인 11월 15일 워싱턴 DC에서 열리는 신경과학 학회 연례 회의의 라이브 세션에서 이 주제를 다시 논의할 계획입니다.
뇌 반응을 정확하게 예측하는 모델은 언젠가 새로운 자극과 치료법 테스트에서 동물이나 사람을 대신할 수 있을 것이라고 말합니다. 다니엘 야민스스탠포드 대학의 심리학 및 컴퓨터 과학 부교수이며, 스탠포드 디지털 두뇌 프로젝트기능적 MRI(fMRI)와 MEG 기반 인간 뇌 기반 모델 구축을 위한 노력.
Mineault와 다른 사람들에 따르면 이러한 모델은 뇌가 어떻게 작동하는지 설명하는 데 도움이 되는 도구가 될 수도 있습니다. NeuroAI 및 AI 안전 연구의 자선 기금 제공자인 Amaranth Foundation의 NeuroAI 연구 책임자인 Mineault는 뇌 활동을 재현하는 모델은 살아있는 뇌가 할 수 없는 방식으로 연구될 수 있으며 나중에 실제 뇌에서 검증할 수 있는 예측을 할 수 있다고 말합니다.
Brunton과 Mineault는 몇 가지 점에서는 동의하지만 Brunton과 다른 연구자들은 더 회의적입니다. 많은 다른 모델이 동일한 신경 기록에 적합할 수 있지만 고도로 예측 가능한 모델이 뇌처럼 작동할 것이라는 보장은 없다고 워싱턴 대학의 생물학 교수인 Brunton은 말합니다.
그리고 모델이 뇌처럼 작동한다고 해도 우리가 모델을 이해하는 데 반드시 도움이 되는 것은 아니라고 말합니다. 존 크라카우어존스 홉킨스 대학의 신경학과 신경과학 교수. 그러한 모델은 “신경학적으로 이해해야 하는 두 번째 뇌”가 될 것입니다.
이자형
기존 기초 모델은 이미 중요한 진전을 이루었습니다. 예를 들어, 그들은 훈련받지 않은 자극에 대한 신경 반응을 정확하게 예측할 수 있습니다. 자연 비디오를 시청하는 생쥐의 칼슘 영상 기록에 대해 훈련된 생쥐 시각 피질의 기초 모델은 뉴런이 일관된 움직임과 소음에 어떻게 반응하는지 예측했습니다. 자연 작년. 이 모델은 또한 30분 미만의 뇌 데이터를 본 후 새로운 쥐의 신경 활동뿐만 아니라 뉴런의 해부학적 세포 유형도 예측했습니다.
정확한 예측은 첫 번째 단계일 뿐이라고 말합니다. 안드레아스 톨리아스스탠포드대학교 안과 교수로 활동한 바 있다. 자연 Amaranth Foundation이 자금을 지원하는 Enigma 프로젝트를 연구하고 공동으로 이끌고 있습니다. 모델의 유용성에 대한 실제 테스트는 그것이 뇌에 대해 새로운 것을 드러내는지 여부입니다. 예를 들어, 그의 연구실의 이전 모델은 쥐의 동공이 확장되면 시각 뉴런이 자외선에 더 민감연구팀은 생체 실험을 통해 이를 확인했다.
다른 기초 모델도 비슷한 성공을 거두었습니다. 메타의 부족 v2비디오를 보고, 오디오를 듣고, 텍스트를 읽는 사람들의 1,000시간 이상의 뇌 스캔을 바탕으로 한 번도 훈련받지 않은 사람들의 새로운 자극과 작업에 대한 fMRI 반응을 예측한다고 합니다. 사전 인쇄 5월에 arXiv에 게시되었습니다. 지난 4월, 회사는 15,000시간의 정밀 스캐닝 fMRI 데이터로부터 모델을 생성하기 위해 1,500만 달러의 노력을 시작했습니다. 장레미 킹École Normale Supérieure 부연구원이자 Meta의 Brain & AI 팀 리더가 합격했습니다. 송신기의 의견 요청은 다음과 같습니다. 아튜 엘레티Meta는 코멘트를 할 수 없을 것이라고 말한 Meta의 AI 커뮤니케이션 관리자.
이러한 모델이 더 많은 데이터를 통해 지속적으로 개선된다는 사실은 뇌 모델이 사용 가능한 데이터의 양에 의해 제한된다는 것을 시사한다고 말합니다. 그레이스 린제이뉴욕 대학교의 심리학 및 신경 과학, 데이터 과학 조교수이며 TRIBE 또는 마우스 시각 피질 모델에는 관여하지 않습니다. “우리가 보는 모든 성능은 모델이 얻을 수 있는 최고 성능이 아닙니다. 더 많은 데이터가 도움이 될 것입니다.”라고 그녀는 말합니다.
Brunton은 이에 동의하지만 실제 두뇌를 모델링하는 데 더 많은 데이터가 충분할지 여부는 불분명하다고 지적합니다. 모델에 입력되는 모든 유형의 신경 데이터의 양과 성능 사이의 관계는 알려져 있지 않으며, 더 많은 데이터로 인해 대규모 언어 모델이 얼마나 향상되는지와는 다를 수 있다고 그녀는 말합니다.
대답은 데이터에 따라 달라질 수 있다고 초기 연구에서는 시사합니다. 예측능력은 옴니마우스예를 들어, 73마리의 생쥐에서 230만 개 이상의 뉴런을 기록하여 훈련된 모델은 더 많은 데이터를 통해 개선되었습니다. 그러나 모델을 더 크게 만드는 것(더 많은 매개변수를 추가하고 모델이 학습하면서 조정하는 조정 가능한 값)은 특정 지점까지만 도움이 되었습니다. 2025년 보고서에 따르면 개인의 뇌 활동에서 보고 있는 내용을 해석하는 모델은 개인당 녹음 시간이 늘어나면서 개선되었지만 더 많은 사람을 추가하는 것은 거의 도움이 되지 않았습니다. 공부하다. 다음을 포함한 세 가지 기본 모델 브레인LM6,700시간의 fMRI 기록으로 훈련된 이 모델은 뇌 연결의 단순한 선형 모델보다 사람들의 인지 점수 예측 능력이 더 나빴으며 더 큰 버전이 더 작은 버전보다 더 나빴습니다. 사전 인쇄 5월에 arXiv에 게시되었습니다.
Brunton은 “기본 모델이 모든 유형의 데이터에 대해 성공할 수 있을지 회의적입니다.”라고 말합니다. “얼마나 많은 데이터가 충분한지 이해하려면 각 데이터 유형에 대한 모델의 확장 법칙을 이해해야 합니다.”
에이
또 다른 열린 질문은 데이터 기반 기반 모델이 뇌에 대한 기계적 이해로 이어질지 여부입니다. 그들은 신경 활동 기록을 직접 훈련하여 신경 활동을 예측하는 방법을 배웁니다. 대조적으로, 신경과학자들이 뇌 기능을 설명하는 또 다른 방법인 작업 훈련 모델은 이미지 속의 물체를 인식하는 등 사람이나 동물이 할 수 있는 일을 학습하고 나중에 뇌와 비교합니다.
Mineault는 데이터 기반 모델이 더 유망한 경로라고 말합니다. 최고의 작업 훈련 비전 모델은 하측두엽 피질의 신경 기록 변화 중 약 절반만을 설명한다고 합니다. 두뇌 점수 벤치마크라고 그는 말한다. 그리고 이미지 분류기 이전 연구에 따르면 실제로 이미지 분류 능력이 향상되면서 신경 활동 예측의 정확도가 떨어졌습니다.
두뇌와 데이터 기반 모델은 자동으로 수렴되지 않을 것이라고 Mineault는 말합니다. 뇌 기록에 대한 직접 모델 훈련은 나머지 분산을 설명하는 데 도움이 될 수 있으며, 특히 V1, V2 및 V4와 같은 시각 처리의 중간 단계에서 기록된 기록은 망막에 들어오는 것을 변환하여 물체를 인식하는 영역에 공급합니다. 이러한 녹음은 모델 내부에서 일어나는 일을 제한하여 그것이 더 두뇌와 유사하게 되도록 보장할 수 있다고 그는 말합니다.
뇌의 활동을 예측하는 것이 그것을 이해하는 길에 있을 수 있다고 그는 말합니다. 2012년에는 인공 신경망 예를 들어, “하지만 이 모델 내부에서 무슨 일이 일어나고 있는지 실제로 이해하는 데는 정말 오랜 시간이 걸렸습니다.”
그렇기 때문에 신뢰를 얻으려면 모델의 예측을 실제 두뇌에서 테스트해야 한다고 Tolias는 말합니다. “이러한 모델은 환각을 일으킬 수도 있지만” 그의 견해로는 “뇌에서 검증할 수 있는 새로운 발견을 할 수 있는” 모델이면 충분합니다.
더 많은 데이터 덕분에 모델이 뇌 활동을 더 잘 예측한다고 해도 그것이 모델을 뇌와 더 비슷하게 만드는 것과는 다르다고 Yamins는 말합니다. “그런 형식의 모델이 뇌처럼 보이는 내부 레이어를 가질 이유가 없습니다. 그냥 예측 기계처럼 보일 뿐입니다.”
예를 들어, 물체를 인식하도록 훈련된 모델이 향상됨에 따라, 신경 반응을 정확하게 예측 이전 연구에서는 물체를 인식하는 데 관여하는 영역인 원숭이 하측두엽 피질에서 밝혀졌습니다. “내부는 [task-trained] 모델은 뇌의 내부 표현과 일치할 가능성이 있습니다.”라고 Yamins는 말합니다.
작업 훈련 모델과 데이터 기반 모델을 결합하는 것은 뇌와 같은 문제 해결 방법으로 잠재적으로 수렴할 수 있는 이상적인 방법이지만 실제로 이를 수행하는 방법은 “아직 파악되지 않았습니다”라고 Yamins는 말합니다.
그러나 이러한 결합 방식도 동일한 잠재적 위험에 직면해 있다고 Brunton은 말합니다. 예를 들어 기초 모델이 정확한 예측을 하더라도 신경 활동을 생성하는 분자와 세포가 포함되어 있지 않아 치료에 대한 반응을 얼마나 잘 예측할 수 있는지가 제한됩니다. 약물이 “수용체, 이온 채널, 2차 전달자 또는 유전자 발현을 표적으로 삼을 때 이러한 설명 규모가 부족한 기초 모델은 가치 있는 예측을 할 수 없을 것 같습니다”라고 그녀는 말합니다.
Krakauer는 신경 데이터 예측에서 약물이나 병변에 대한 반응 예측으로 주장이 확대됨에 따라 “점점 회의적”이라고 말했습니다. 정확한 예측은 “모두 매우 멋지다”고 그는 말합니다. “그러나 그것은 신경 데이터가 사람들이 어떻게 생각하는지에 대한 증류된 심리학적 통찰력을 제공할 것이라고 말하는 것과는 매우 다릅니다.”
비
Runton의 논쟁 측면은 지능이 전체 유기체의 속성이라는 다른 전제에서 시작됩니다. 그녀는 사고 실험을 통해 사례를 제시합니다. Isaac Newton은 iPhone으로 수천 개의 떨어지는 사과를 촬영하고 영상에서 변압기 모델을 훈련시킵니다. 그녀는 Dual Perspectives 기사에서 이 모델이 다음 사과의 하락을 “F=ma보다 더 잘 예측할 것”이라고 썼지만 “이 변형 모델을 사용하여 로켓을 설계하고 달에 보낼 수는 없었습니다. 그런 종류의 이해에 도달하면서 그녀는 “데이터를 무시했습니다”라고 썼습니다.
심지어 현실적으로 행동하는 모델도 속일 수 있다고 그녀는 말합니다. 배선 웜 커넥톰 파리 몸체는 “완벽하게 유용한 걷기”를 생성했지만 임의의 네트워크도 마찬가지로 걸었습니다.
Mineault는 신체의 세부 사항이 때때로 제쳐두어질 수 있다고 말합니다. “우리가 인식이나 인지에 대해 이야기하고 있다면 그러한 요소는 그다지 중요하지 않을 수도 있다고 생각합니다.”
Dual Perspectives 기사에서 Brunton과 Mineault의 주장 사이의 차이점은 주로 연구할 두뇌 수준과 무엇을 먼저 구축해야 하는지에 달려 있습니다. 그들은 비슷한 다음 단계에 착수했습니다. 가능한 한 많이 측정한 다음, 그 측정값을 뇌가 작동하는 방식의 원리로 정제하는 것입니다. Mineault는 앞으로 나아갈 올바른 방법은 대규모 녹음과 상세한 커넥톰으로 시작하는 것이라고 말합니다. Brunton은 디지털 트윈이 구체화되고 피드백을 포함하는 한 환영한다고 말합니다.
연구자들은 스케일이 효과가 있는지 테스트하면서 쓴 약을 삼킬 준비가 되어 있어야 합니다. Brunton은 “우리는 대답이 ‘아, 그래, 이건 효과가 없을 거야’일 수 있다는 가능성을 인정해야 합니다.”라고 말합니다.
