AI가 과학을 돕는 방식은 흔히 “더 잘 예측하는 모델”로 설명됩니다. DataDIVER가 흥미로운 이유는 목표가 조금 다르기 때문입니다. 거대한 블랙박스를 만드는 대신, 데이터에서 사람이 읽고 검토할 수 있는 간결한 계산 모델을 찾는 데 초점을 둡니다.1
과학에서 모델은 이론과 경험적 데이터를 이어주는 인터페이스입니다. 특히 인간과 동물의 학습 연구에서는 “어떤 규칙에 따라 선택이나 행동이 바뀌는가” 같은 알고리즘 가설을 모델로 표현하고, 이를 심리학·신경과학 데이터와 연결합니다.1 DataDIVER는 바로 이 지점, 즉 데이터를 설명할 수 있는 모델을 발견하는 과정에 AI를 활용합니다.
DataDIVER가 찾는 것은 ‘잘 맞고 단순한’ 설명
DataDIVER는 데이터에서 계산 모델을 자동으로 발견하도록 설계된 접근법입니다. 여기서 계산 모델은 행동이나 학습이 만들어지는 과정을 규칙, 수식, 프로그램처럼 표현한 설명 후보에 가깝습니다.
핵심은 단순한 예측 성능이 아닙니다. DataDIVER는 데이터에 잘 맞으면서도 간결한 모델을 찾도록 설계됐습니다.1 결과물이 짧은 컴퓨터 프로그램 형태라는 점도 중요합니다. 연구자가 읽고 비교하고 비판할 수 있어야 하기 때문입니다.
이 관점에서 DataDIVER의 가치는 “정확하지만 이해하기 어려운 모델”을 하나 더 만드는 데 있지 않습니다. 복잡한 데이터 속에서 검토 가능한 설명 후보를 찾아내는 데 있습니다.
기존 인지 모델링과 무엇이 다른가
기존 인지 모델은 주로 전문 연구자가 직접 설계했습니다. 연구자가 이론이나 새로운 통찰을 바탕으로 가설을 세우고, 이를 수식이나 알고리즘 형태로 정리하는 방식입니다.1
이 접근은 해석 가능하다는 장점이 있습니다. 어떤 가정에서 출발했는지, 모델이 무엇을 설명하려는지 비교적 분명합니다. 하지만 연구자가 미리 떠올린 구조 안에서만 모델이 만들어진다는 한계도 있습니다.
반대로 데이터 기반의 유연한 모델은 패턴을 잘 포착할 수 있지만, 왜 그런 결과가 나왔는지 설명하기 어려울 때가 많습니다. DataDIVER는 이 두 방식 사이의 간극을 겨냥합니다. 데이터에서 출발하되, 결과는 사람이 검토할 수 있는 간결한 프로그램으로 남깁니다.
‘과학자 대체’보다 ‘가설 생성 도구’로 봐야 한다
DataDIVER를 “과학자를 대체하는 AI”로 이해하면 핵심을 놓치기 쉽습니다. 더 실용적인 판단 기준은 따로 있습니다. 연구자가 검증할 만한 설명 후보를 얼마나 빠르게, 얼마나 유용한 형태로 제안할 수 있는가입니다.
논문은 DataDIVER가 인간·동물 학습 데이터에서 새로운 기계론적 통찰과 예측을 만들 수 있음을 보였다고 설명합니다.1 다만 프리프린트 단계인 만큼, 다양한 분야와 데이터에서도 같은 가치가 유지되는지는 추가 검증이 필요합니다.
따라서 DataDIVER의 의미는 복잡한 데이터를 더 복잡한 모델로 덮는 데 있지 않습니다. 데이터에 맞으면서도 사람이 이해할 수 있는 설명을 찾아, 더 나은 질문과 검증 가능한 가설을 만드는 데 있습니다. 과학에서 중요한 것은 가장 큰 모델이 아니라, 검토하고 반박하고 발전시킬 수 있는 좋은 모델일 수 있습니다.
참고
1AI-Discovered Cognitive Models Reveal Novel Insights into Human and Animal Learning
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.