현재의 AI가 안고 있는 과제에 대해, 인간 뇌의 구조로부터 새로운 접근법을 제안하는 「1000개의 뇌 이론 (Theory of 1000 Brains)」이라는 가설이 있습니다. 본 기사에서는 논문을 통해 그 흥미로운 메커니즘을 고찰합니다.

대규모 언어 모델 (LLM)의 급격한 발전으로 인해, AI는 인간과 다를 바 없는 자연스러운 언어를 생성하고, 복잡한 추론이나 프로그래밍까지도 해낼 수 있게 되었습니다. 이러한 성과를 목격하면, 지능의 메커니즘은 이미 해명되었으며, 진정한 인공지능의 실현은 눈앞에 와 있는 것처럼 느껴질지도 모릅니다.

하지만, 지능의 「본질」이라는 관점에서 평가하면, 현재의 AI와 인간의 뇌는 완전히 다른 원리로 가동되고 있음을 알 수 있습니다.

본 기사는 「이것이 차세대 AI의 결정판이다」라고 단언하는 것이 아닙니다. 한 명의 리서치 엔지니어인 필자가, 기세 좋은 뇌과학 가설인 「1000개의 뇌 이론」을 만나, 공식 논문의 독해와 실험 데이터의 검증을 통해, **「지능이란 무엇인가, 그리고 진정으로 세계를 이해하는 AI를 구축하기 위해서는 무엇이 필요한가」**를 고찰한 기록입니다.

뇌과학과 AI의 경계 영역에서 논의되고 있는 최첨단 가설에 대해, 순서대로 풀어가겠습니다.

먼저 현재의 AI가 안고 있는 구조적인 한계에 대해 정리하겠습니다. 현재의 딥러닝 (Deep Learning)이나 LLM은 방대한 데이터의 패턴을 추출·모방한다는 점에서는 매우 우수하지만, 세계의 물리적인 「구조」를 진정한 의미에서 이해하고 있는 것은 아닙니다.

현재의 AI 접근 방식은 인터넷상의 천문학적인 양의 텍스트 데이터를 읽어 들여, 단어의 확률적인 연결을 통계 모델 (Statistical Model)로서 구축하는 것에 의존하고 있습니다. 그 때문에 「커피컵이란 무엇인가」라고 물으면, 「음료를 담기 위한 손잡이가 달린 용기입니다」라고 논리적이고 완벽한 문장을 답할 수 있습니다. 하지만 AI 스스로는 컵의 무게를 느껴본 적도, 떨어뜨려 깨뜨린 경험도 없습니다. 실세계에서의 「신체(몸)를 통한 운동과 감각 (Sensorimotor)」 경험이 결여되어 있기 때문에, 커피컵이라는 물체가 가진 3차원적인 구조나 물리 법칙을 이해 (Grounding)하고 있는 것이 아닙니다 1.

나아가 실용상의 큰 과제가 되는 것이, 학습에 소요되는 압도적인 에너지와 데이터에 대한 의존입니다. 현재의 거대한 AI 모델을 구축·운용하기 위해서는, 인간의 아이가 평생을 다해도 다 읽을 수 없을 정도의 데이터셋과, 방대한 전력을 소비하는 계산 리소스가 필수불가결합니다 1.

한편으로, 우리 뇌의 효율성에 주목해 봅시다.

인간의 뇌는 약 20W라는 극히 적은 에너지로 가동되고 있습니다. 그리고 수백만 번의 시행착오를 필요로 하지 않고, 단 몇 번의 감각적·운동적 경험을 거치는 것만으로 미지의 물체의 구조를 이해하고, 새로운 상황에도 유연하게 적응할 수 있습니다.

이 압도적인 「에너지 절약성」과 「학습 효율 (Few-Shot Learning)의 높음」의 차이는 대체 어디에서 오는 것일까요.

「인간의 뇌는 현재의 딥러닝의 연장선상에는 없는, 보다 고효율적이고 본질적인 계산 알고리즘을 가지고 있는 것이 아닐까」

이 질문에 대한 하나의 유력한 접근법으로서, 다음 장에서는 「1000개의 뇌 이론」이라는 가설의 메커니즘에 다가갑니다.

인간의 뇌가 가진 경이로운 효율성의 수수께끼를 풀어내기 위한 마일스톤은 지금으로부터 반세기 가까이 전에 세워졌습니다. 1978년, 신경과학자 버논 마운트캐슬 (Vernon Mountcastle)이 제창한 「피질 기둥의 균일성」이라는 가설입니다 2.

인간의 뇌 표면을 덮고 있는 대뇌 신피질은 두께 약 2.5밀리미터의 얇은 시트 형태의 조직이며, 뇌 전체 부피의 약 7할을 차지하고 있습니다. 이 신피질을 미시적으로 관찰하면, 표면에서 수직 방향으로 관통하는 **「피질 기둥 (Cortical Column)」**이라 불리는 원기둥 모양의 구조가 마치 스파게티 다발처럼 약 15만 개나 깔려 있는 것을 알 수 있습니다. 하나의 피질 기둥의 직경은 1밀리미터 정도이지만, 그 안에는 수만~십만 개의 뉴런 (Neuron, 신경세포)이 포함되어 극히 복잡한 회로를 형성하고 있습니다 2.

마운트캐슬은 이 피질 기둥의 내부 구조가 시각이나 청각, 혹은 언어나 고도의 사고를 관장하는 영역 중 어디를 보더라도 놀라울 정도로 균일하다는 사실을 깨달았습니다. 그리고 **「신피질은 어느 영역이든 모두 『완전히 동일한 계산 알고리즘』으로 움직인다」**라는, 당시로서는 매우 대담한 가설을 제창한 것입니다 2.

그렇다면 이 균일한 피질 기둥 (Cortical Column)을 사용하여 뇌는 어떻게 지능을 만들어내는 것일까요? 제프 호킨스 (Jeff Hawkins) 등이 제창하는 「1000개의 뇌 이론 (Thousand Brains Theory)」은 현대 신경과학의 지견을 바탕으로 그 알고리즘의 정체에 다가가려는 시도입니다 3.

결론부터 말하자면, 이 이론은 **「인간의 뇌는 하나의 거대한 중앙 처리 장치가 아니라, 수천에서 십수만 개의 독립된 『작은 뇌 (피질 기둥)』가 네트워크상에서 합의 형성을 수행하는 분산 시스템이다」**라고 주장하는 것입니다 3.

기존의 관점에서는 눈이나 귀를 통해 들어온 정보가 계층적으로 순차 처리되어, 뇌의 어느 한 지점 (고차 영역)에서 최종적으로 "이것은 커피컵이다"라고 통합·인식된다고 생각되어 왔습니다 4. 하지만 「1000개의 뇌 이론」은 이를 부정합니다.

그 대신, 약 15만 개의 피질 기둥 하나하나가 자립적인 감각 운동 시스템으로서 대상의 「완전한 모델」을 개별적으로 학습·보유하고 있다고 가정합니다 3. 즉, 당신의 머릿속에는 커피컵을 이해하는 「작은 뇌」가 수천 개씩 동시에 병렬로 존재하고 있으며, 이것들이 서로 통신함으로써 우리가 느끼는 「하나로 통합된 지각」이나 「지능」이 만들어진다는 것이 이 이론의 전체상입니다.

이 메커니즘을 이해하기 위해, 하나의 피질 기둥을 「한 명의 소인 (小人)」에 비유해 봅시다. 현재의 AI (딥러닝 (Deep Learning))가 세계를 하나의 거대한 네트워크로서 전체 최적화로 처리하려는 것과 달리, 15만 명의 소인들은 각각 독립적으로 **「좌표계 (Reference Frames)」**를 가지고 있다고 가정됩니다 3.

「좌표계」란 도대체 무엇일까요?

조금 어렵게 들릴 수도 있지만, 심플하게 **「눈금이 그려진 투명한 모눈종이」**나 「스마트폰의 지도 앱」 같은 것을 상상해 보세요.

예를 들어, 당신이 눈이 가려진 채 낯선 마을에 내려졌다고 가정해 봅시다. 눈가리개를 벗고 「분수」가 보였을 때, 손에 든 지도 (좌표계)를 펼쳐 "나는 지금 『마을 A』의 『D-2』라는 좌표에 있다"라고 현재 위치를 매핑합니다. 일단 현재 위치를 알게 되면, 지도의 눈금을 사용하여 "여기서 동쪽으로 2칸 가면 도서관이 있을 것이다"라고 예측을 세워 움직일 수 있습니다.

호킨스는 뇌 안의 소인들 (피질 기둥)이 이와 완전히 똑같은 일을 수행한다고 주장합니다. 소인들은 눈이나 피부 등의 감각 기관을 통해 정보를 얻으면, 대상물의 구조를 「3차원 투명 모눈종이 (그리드 (Grid))」 안에 배치해 나갑니다.

대상물이 커피컵이라면, "이 좌표의 X·Y·Z 위치에는 손잡이가 있다", "이 위치에는 테두리가 있다"라고 매핑하며 컵의 입체적인 구조 모델을 학습합니다.

나아가 놀랍게도, 대상물이 「수학」이나 「민주주의」와 같은 형태가 없는 추상적 개념이라 하더라도, 소인들은 그 논리적인 구조를 눈에 보이지 않는 고차원의 「좌표계」 안에 모델화해 나간다고 여겨집니다 3.

하지만 한 명의 소인 (하나의 피질 기둥)이 한 번에 관측할 수 있는 범위는 극히 미미합니다. 커피컵의 「손잡이 곡선」만을 만지고 있는 소인이 있는가 하면, 「바닥의 평평한 부분」만을 보고 있는 소인도 있습니다. 각자가 가진 정보가 단편적임에도 불구하고, 우리가 「이것은 커피컵이다」라고 순식간에, 그리고 흔들림 없이 인식할 수 있는 이유는 무엇일까요?

여기서 기능한다고 여겨지는 것이 바로 소인들에 의한 「투표 (Voting)」 메커니즘입니다.

소인들은 장거리 네트워크를 통해 자신의 좌표계에 기반한 추론을 서로 주고받습니다. "나는 이 좌표에서 둥근 곡선을 관측했으므로, 이것은 커피컵 혹은 도넛일 가능성이 있다"라는 식입니다. 여러 소인이 동시에 의견을 조율함으로써, 모순되는 가설은 즉시 기각되고, 전체로서 가장 앞뒤가 맞는 하나의 결론으로 순식간에 「합의 (Consensus)」가 형성됩니다 5.

우리가 세계를 어떻게 지각하는가. 그것은 어딘가에 있는 중앙집권적인 단일 시스템이 모든 것을 판단하는 것이 아니라, **15만 명의 소인들이 수행하는 분산적인 「투표」의 컨센서스 (Consensus)**로서 나타나는 현상이라고 이 이론은 설명합니다 5.

전문적 해설: 피질 기둥의 물리층과 층간 다이내믹스 (Layer Dynamics) 가설

위의 메타포는 실제 생물학적인 대뇌 신피질의 6층 구조(L1~L6)에서 나타나는 신경 역학적 다이내믹스(Neurodynamic dynamics)를 어떻게 모델링할 것인가라는 Numenta 연구팀(Hawkins et al., 2017)의 가설에 기반하고 있습니다 5. 그들은 이 구조가 감각 운동 통합과 투표를 어떻게 실현하고 있는지에 대해 다음과 같은 네트워크 모델을 제시하고 있습니다.

L4 (감각 입력의 수용과 좌표의 통합): 시상(Thalamus) 등을 경유한 바텀업 방식의 감각 입력(Sensory input)을 받아들이며, 대상물에 대한 상대적인 '위치(Location)' 표현과 결합하는 역할을 담당하는 층으로 간주됩니다. -
L6에서 L1으로의 예측 톱다운 피드백 (Top-down feedback): 상위 계층이나 운동 명령의 복사본을 받아들이며, L6의 세포로부터 L1 영역으로 '예측 시그널(Prediction signal)'이 송출된다고 추측됩니다. -
덴드라이트 스파이크(Dendrite spike)에 의한 프라이밍 (Priming): L1에 도달한 예측 시그널은 L2/3나 L5의 피라미드 뉴런(Pyramidal neuron)의 원위부 수지상 돌기(Distal dendrites)에 NMDA 스파이크와 같은 비선형적 활동을 일으킨다고 생각됩니다. 이를 통해 세포는 발화 임계치에 가까운 '탈분극(Depolarization, 프라이밍) 상태'가 되어, 예측한 대로의 입력이 들어왔을 때 매우 신속하고 희소(Sparse)하게 발화하는 것이 가능해집니다. -
L2/3 (투표와 불변 표현의 생성): 이 층의 세포군은 피질 기둥(Cortical column)을 가로지르는 장거리 수평 연결(Long-range lateral connections)을 가지고 있으며, 이것이야말로 '투표(Voting)'의 물리적 실체라고 가정됩니다. 각 기둥이 가진 국소적이고 모호한 가설이 L2/3의 연결을 통해 상호 평가 및 공유됨으로써, 네트워크 전체가 급속도로 안정된 단일한 '대상물의 불변 표현(Object representation)'으로 수렴한다고 합니다 5.

이러한 계산론적 접근을 통해, 뇌는 물리적인 하드웨어 레벨에서도 '분산된 예측'과 '고속한 합의 형성'을 매우 효율적으로 수행하도록 설계되어 있는 것이 아닌가 하는 유력한 가설이 세워져 있습니다.

그렇다면, 이 '좌표계'와 '투표'라는 뇌의 알고리즘 가설은 현재 AI가 안고 있는 과제에 대해 구체적으로 어느 정도의 돌파구(Breakthrough)를 가져올 가능성을 품고 있을까요? 다음 장에서는 공식 논문과 시뮬레이션 데이터를 사용하여, 현대의 최첨단 AI(ViT)와 비교한 '뇌형 추론'의 파워를 검증합니다.

제1장에서 던졌던 「뇌의 압도적인 에너지 절약성과 학습 효율의 수수께끼」. 그 열쇠가 되는 것이 제2장에서 해설한 '좌표계'와 '투표'라는 알고리즘 가설입니다.

본 장에서는 이 이론에 기반한 뇌형 AI 시스템 'Monty'와 최첨단 이미지 인식 AI 'Vision Transformer (ViT)'의 비교 실험 데이터(Leadholm et al., 2025)를 바탕으로 그 파워를 검증합니다 1.

양자의 결정적인 차이는 **「지식의 표현 방법」**에 있습니다. 이미지를 픽셀의 나열로서 거대한 단일 네트워크로 처리하는 기존 AI와 달리, Monty는 대상을 3차원 '좌표계'에 기반한 구조 모델로서 이해하며, 독립된 피질 기둥에 분산하여 유지합니다.

이 '구조적 이해'와 '분산 유지'라는 접근 방식이 기존 AI와 어떠한 압도적인 파워 차이를 만들어내는지, 다음의 4가지 관점에서 살펴보겠습니다.

대상(Object)의 모든 보이는 모습을 통째로 암기하려는 기존 AI는, 하나의 물체를 인식할 수 있게 되기 위해 천문학적인 양의 이미지 데이터(경험)를 필요로 합니다.

이에 반해, Monty는 '적은 경험을 통한 학습(Few-Shot Learning)'에서 경이적인 성능을 보여주었습니다. 논문의 실험에서, 전혀 모르는 물체를 '단 하나의 각도'에서 딱 한 번 관찰시킨 직후 테스트를 수행한 결과, ViT의 정답률이 약 30%에 그친 반면, Monty는 약 50%라는 매우 높은 정답률을 기록했습니다 (※ 우연히 맞출 확률은 1.3%) 1.

구조를 3차원 좌표계로 이해하고 있기 때문에, 한 번만 봐도 '뒷면은 이렇게 생겼을 것이다'라고 추론할 수 있기 때문입니다.

제1장의 '에너지 절약성' 의문에 대한 답이 여기에 있습니다.

동일한 물체 인식 태스크에서 최첨단 ViT 모델이 약 8,600만 개의 파라미터(뇌의 시냅스에 해당)를 필요로 한 것에 비해, Monty는 약 400만 개라는, 약 20분의 1 이하의 스케일로 동등하거나 그 이상의 복잡한 추론을 실현했습니다 1.

물체의 모든 보이는 모습을 거대 네트워크에서 전수 조사하듯 계산하는 것이 아니라, 독립된 여러 개의 피질 기둥(Cortical Column)이 각각 국소적으로 계산을 수행하고, 그 결과를 '투표(Voting)'를 통해 조정하기 때문에 부동 소수점 연산 수(FLOPs) 등의 계산 리소스를 극적으로 억제하는 것이 가능해진 것입니다.

기존의 거대한 AI 모델에는 **「파멸적 망각 (Catastrophic Forgetting)」**이라는 치명적인 약점이 있습니다. 이는 AI에게 새로운 물체를 지속적으로 학습시키려 하면, 네트워크 전체의 연결이 덮어씌워져 과거에 배웠던 기억을 완전히 상실해 버리는 현상입니다.

논문의 테스트에서 77개의 물체를 순차적으로 학습시킨 결과, ViT는 새로운 물체를 배울 때마다 심각한 파멸적 망각을 일으켜 과거 기억의 정밀도가 급락했습니다 1.

반면, Monty는 이 문제를 회피하며 매우 높은 정밀도를 계속해서 유지했습니다. 각 피질 기둥이 독립된 좌표계 안에 지식을 분산하여 보유하고 있기 때문에, 새로운 지식을 추가하더라도 다른 기둥이 가진 기존 지식의 구조가 파괴되지 않도록 설계되어 있기 때문입니다 1.

시스템이 실세계에서 직면하는 '노이즈(불확실성)'에 대한 강인함(Toughness) 또한 증명되었습니다.

학습 시와는 다른 미지의 각도로의 '회전'이나, 새로운 '색상'의 추가와 같은 예상치 못한 노이즈 환경에서 추론을 수행하게 했을 때도, Monty는 높은 정밀도를 유지했습니다 1.

설령 일부 기둥이 노이즈로 인해 잘못된 추론을 하더라도, 다른 기둥들이 올바른 좌표계에 기반하여 추론을 수행하고 있다면, 기둥 간의 '투표(합의 형성)' 과정에서 모순되는 에러가 자동으로 배제되기 때문입니다.

전문적 해설: Cortical Messaging Protocol (CMP) 및 공식 코드

Monty 시스템에서 여러 감각 모듈(피질 기둥)이 어떻게 정보 표현을 교환하고 투표를 수행하는지에 대해서는, 논문 내에서 「Cortical Messaging Protocol (CMP)」로 정의되어 있습니다 1.

CMP는 단순한 생데이터(Raw data)의 주고받음이 아니라, 각 모듈이 자신의 「좌표계 (Reference Frame)」 내에서 대상을 어떻게 모델링하고 있는지에 대한 「구조화된 불변 표현 (Structured Invariant Representation)」을 통신하기 위한 프로토콜입니다. ViT처럼 이미지 패치를 평면적인 토큰 열로 다루는 접근 방식과 달리, CMP를 통한 통신은 정보가 결손되었을 때나 미지의 회전이 가해졌을 때에도 모델의 추론을 빠르게 단일 객체 가설로 수렴시키는 (투표를 통한 안정화) 역할을 수행합니다.

본 장에서 소개한 Monty 시스템의 본체 코드 및 Leadholm et al. (2025)의 실험을 재현하기 위한 소스 코드는, Numenta에 의해 오픈 소스(MIT 라이선스 등)로 공개되어 있으며, 다음의 공식 리포지토리(Repository)에서 검증이 가능합니다.

• Monty 본체 소스 코드:
  https://github.com/thousandbrainsproject/tbp.monty

• 논문 실험 재현 코드:
  https://github.com/thousandbrainsproject/tbp.tbs_sensorimotor_intelligence

공식 실험 데이터는 좌표계와 투표라는 뇌 유래 알고리즘이 기존 AI의 구조적 한계를 돌파할 수 있는 강력한 접근 방식임을 시사합니다.

다음 장에서는 본 기사의 요약과 함께, 이 이론이 개척하는 「진정한 차세대 인공지능 (AGI)」과 우리의 미래에 대해 고찰하겠습니다.

본 기사에서는 현재 AI가 안고 있는 구조적인 과제에서 출발하여, 뇌과학의 유망한 가설인 「1000개의 뇌 이론」의 메커니즘, 그리고 공식 시뮬레이션 데이터가 보여주는 그 압도적인 위력에 대해 고찰해 왔습니다.

지금까지의 논의를 현재의 딥러닝 (Deep Learning) 기법과의 비교표로 총괄합니다.

대규모 언어 모델 (LLM)을 비롯한 현재의 AI 기술은 특정 태스크나 정보 처리 측면에서 이미 인류에게 필수적인 인프라가 되었습니다. 하지만 이 비교표가 보여주듯, '스스로 환경에 작용하며 적은 경험으로부터 물리 세계의 구조를 이해하는' 진정한 범용 인공지능 (AGI)의 실현을 위해서는, 방대한 데이터와 계산 자원에 의존하는 현재의 접근 방식으로는 언젠가 구조적인 한계에 직면할 가능성이 지적되고 있습니다 1.

'1000개의 뇌 이론'이 제시한 '좌표계와 분산형 합의 형성 (투표)'이라는 알고리즘은, AI를 단순한 통계적 패턴 인식기에서 진정으로 세계를 구조로서 이해하는 인지 시스템으로 진화시키기 위한 강력한 나침반이 될 것입니다.

뇌과학과 공학이 지견을 교차시킴으로써, 우리가 '지능이란 무엇인가'라는 궁극적인 질문의 답에 도달할 날은 그리 멀지 않았습니다.

본 기사에서 소개한 '1000개의 뇌 이론'은 그 제창자인 제프 호킨스 (Jeff Hawkins) 씨의 저서에서 더욱 자세하고 매력적인 에피소드와 함께 다루어지고 있습니다. 뇌의 구조나 인공지능의 미래에 대해 더 깊은 통찰을 얻고 싶은 분은 꼭 원서를 직접 읽어보시길 권합니다. 이 혁신적인 이론은 여러분의 '뇌에 대한 인식'과 'AI의 미래를 바라보는 관점'을 크게 바꾸어 놓을 것입니다.

『뇌는 세계를 어떻게 보고 있는가: 지능의 수수께끼를 푸는 「1000개의 뇌」 이론』 - 저자: 제프 호킨스 (저), 오오타 나오코 (역)

• 출판사: 하야카와 서점

• 도서 Amazon 페이지는 이쪽

포인트 1: 지금의 AI (LLM)와 뇌는 별개다. AI는 방대한 데이터로 통암기하지만, 뇌는 초절전 방식으로 효율적으로 학습한다. -
포인트 2: 그 비밀은 '1000개의 뇌 이론'. 피질 기둥이 좌표계를 사용하여 물체를 모델링하고, 기둥들 사이의 '투표'를 통해 지각을 통합한다. -
포인트 3: 최신 논문 데이터를 통해, 이 뇌형 알고리즘이 기존 AI의 약점 (파멸적 망각이나 방대한 계산 비용)을 극복할 수 있는 강력한 접근법임이 보여지고 있다.

※ 면책 사항: 본 기사는 제프 호킨스 씨 등이 제안한 '1000개의 뇌 이론' 및 최첨단 AI 연구를 초심자도 직관적으로 이해할 수 있도록 독자적인 메타포 (비유)를 사용하여 해설한 것입니다. 학술적·수학적 엄밀성보다 이해하기 쉬운 표현을 우선시한 부분이 있습니다.

Leadholm, N., Clay, V., Knudstrup, S., & Lee, H. (2025). "Thousand-Brains Systems: Sensorimotor Intelligence for Rapid, Robust Learning and Inference", arXiv preprint arXiv:2507.04494. ↩ ↩

2↩3↩4↩5↩6↩7↩8↩9↩10 -
Mountcastle, V. B. (1978). "An organizing principle for cerebral function: The unit module and the distributed system". In

The Mindful Brain, MIT Press, pp. 7-50. ↩ ↩2↩3 -
Hawkins, J., Lewis, M., Klukas, M., Purdy, S., & Ahmad, S. (2019). "신피질 (neocortex) 내 격자 세포 (grid cells)를 기반으로 한 지능과 피질 기능 (cortical function)의 프레임워크", Frontiers in Neural Circuits, 12, 121. ↩ ↩

2↩3↩4↩5 -
Felleman, D. J., & Van Essen, D. C. (1991). "영장류 대뇌 피질 (Primate Cerebral Cortex)에서의 분산 계층 처리 (Distributed Hierarchical Processing)", Cerebral Cortex, 1(1), 1-47. ↩

Hawkins, J., Ahmad, S., & Cui, Y. (2017). "신피질 (neocortex)의 칼럼 (columns)이 어떻게 세상의 구조를 학습할 수 있게 하는지에 대한 이론", Frontiers in Neural Circuits, 11, 81. ↩ ↩

2↩3↩4