BrainStem은 대부분의 현대 AI 프로젝트와는 다른 질문을 탐구하는 실험적인 뉴로-심볼릭 (Neuro-symbolic) 학습 시스템입니다:

만약 AI가 통계적 예측 (Statistical prediction) 대신 구조화된 인지 (Structured cognition)를 통해 언어를 학습한다면 어떨까요?

지식을 가중치 (Weights)로 압축하는 대신, BrainStem은 명시적이고 지속적인 메모리 (Memory)를 구축하고 유지합니다. 단일한 추론 루프 (Monolithic inference loop) 대신 모듈형 인지 단계 (Modular cognitive phases)를 사용합니다. 정적인 학습 (Static training) 대신 뉴로모듈레이터 (Neuromodulator) 기반의 학습 역학을 사용합니다.

지난 며칠 동안 BrainStem은 수백 명의 고유 방문자, 클론 (Clones), 그리고 심도 있는 아키텍처 탐구와 함께 개발자 및 연구 커뮤니티 전반에서 예상치 못하게 관심을 끌었습니다. 이 포스트는 BrainStem이 무엇인지, 어떻게 작동하는지, 그리고 왜 사람들이 주목하고 있는지를 요약합니다.

BrainStem이란 무엇인가

BrainStem은 자율적으로 학습하도록 설계된 미니 인지 운영체제 (Cognitive operating system)입니다. 다음 사항에 집중합니다:

• 토큰 예측 (Token prediction) 대신 구조화된 학습 (Structured learning)
• 불투명한 가중치 (Opaque weights) 대신 투명한 메모리 (Transparent memory)
• 단일 추론 (Monolithic inference) 대신 인지 단계 (Cognitive phases)
• 정적인 학습 루프 (Static training loops) 대신 적응형 뉴로모듈레이션 (Adaptive neuromodulation)

이것은 챗봇 (Chatbot)이 아닙니다.
이것은 LLM (Large Language Model)이 아닙니다.
이것은 AI가 압축 (Compression)이 아닌 성장 (Growth)을 통해 어떻게 학습할 수 있는지를 탐구하는 연구 결과물 (Research artifact)입니다.

아키텍처 개요

BrainStem은 인지 단계 (Cognitive phases)를 조율하고 시스템 상태를 관리하는 AutonomousLoop라고 불리는 마이크로커널 (Microkernel)을 중심으로 구축되었습니다.

핵심 구성 요소

• AutonomousLoop — 인지를 조정하는 마이크로커널 (Microkernel)
• Phase Registry — 인지 모듈을 위한 플러그인 매니저 (Plugin manager)
• Neuromodulator State — 학습 강도, 안정성 및 망각을 제어
• Thread-safe Memory Interface — 인지와 저장소 간의 안전한 통신
• Persistent Knowledge Store (SQLite) — BrainStem의 장기 메모리 (Long-term memory)

각 인지 단계는 독립된 모듈입니다.
이들은 함께 유연하고 검사 가능한 아키텍처를 형성합니다.

BrainStem의 학습 방식

BrainStem의 학습 프로세스는 구조화된 단계로 나뉩니다:

1. 관찰 단계 (Observation Phase)

유입되는 언어는 파싱(Parsing)되어 구조화된 내부 표현(Internal Representation)으로 변환됩니다.

2. 뉴로모듈레이터 단계 (Neuromodulator Phase)

학습 압력(Learning pressure)이 동적으로 조정됩니다:

• 높은 변조 (High modulation) → 빠른 성장
• 낮은 변조 (Low modulation) → 공고화 및 안정화

이는 생물학적 시스템에서 영감을 얻었으나, 깔끔하고 결정론적(Deterministic)으로 구현되었습니다.

3. 성장 단계 (Growth Phase)

새로운 지식이 영구 메모리(Persistent memory)에 추가됩니다.

4. 공고화 단계 (Consolidation Phase)

시스템은 학습한 내용을 재구성하고 안정화합니다.

5. 메모리 인터페이스 (Memory Interface)

모든 지식은 가중치(Weights)가 아닌 SQLite에 저장됩니다.
이로 인해 학습이 다음과 같은 특성을 갖게 됩니다:

• 결정론적 (Deterministic)
• 검사 가능 (Inspectable)
• 재현 가능 (Reproducible)
• 디버깅 가능 (Debuggable)

말 그대로 데이터베이스를 열어서 BrainStem이 무엇을 알고 있는지 확인할 수 있습니다.

개발자와 연구자들이 주목하는 이유

최근 분석 결과는 다음과 같습니다:

• 14일 동안 1,070개의 클론(Clones) 생성
• 403명의 고유 클로너(Unique cloners)
• 759회의 조회수
• 368명의 고유 방문자
• Reddit, GitHub, Slack, Ecosia, DuckDuckGo로부터의 높은 트래픽
• 아키텍처 파일(ki_system, main.py, neuromodulator 모듈)에 대한 심층적인 탐색

이러한 패턴은

BrainStem은 다음과 같은 것이 아닙니다:

• LLM (Large Language Models)의 대체제
• 챗봇 (Chatbot)
• 프로덕션 시스템 (Production system)

BrainStem은 AI가 예측 기반 모델 (Prediction-based models) 없이 어떻게 학습할 수 있는지 탐구하는 연구 플랫폼입니다.

BrainStem 시도하기

이 프로젝트는 완전한 오픈 소스 (Open-source)입니다:

👉 https://github.com/unikum-sol/brainstem

아키텍처를 탐색하거나, 시스템을 실행하거나, 새로운 인지 단계 (Cognitive phases)에 기여할 수 있습니다.

뉴로-심볼릭 (Neuro-symbolic) AI, 인지 아키텍처 (Cognitive architectures), 또는 투명한 학습 시스템 (Transparent learning systems)에 관심이 있다면, BrainStem은 매우 매혹적인 탐구 대상 (Rabbit hole)이 될 것입니다.