최근 생성 AI 및 체화 AI의 발전은 멀티모달 데이터에 대한 대규모 예측 학습에 의해 이끌려 왔다. 그러나 그로 인해 만들어진 시스템들은 여전히 대체로 수동적 학습 체계에 기반하며, 여기서는 언어적 규칙성이 다른 모달리티의 정보가 부착되는 골격을 형성한다. 반면, 신경과학과 인지과학은 생물학적 지능이 반대 방식으로 조직되어 있다고 제시한다. 즉, 환경과의 상호작용을 통해 획득한 그라운딩된 세계 모델이 언어가 부착되는 의미론적 골격을 제공한다. 여기서 우리는 그라운딩된 세계 모델링을 지지하는 신경 회로의 다섯 가지 사례를 설명한다. 이는 물리적·개념적 공간에서의 내비게이션, affordance 기반 지각 및 객체와의 상호작용, 능동적 지각과 탐색적 학습, allostatic 통제와 정서, 자기와 세계에서 생성된 결과 간의 구분을 뒷받침한다. 이러한 사례들은 현재 체화 AI에서 대체로 부족한 여러 특성을 부각한다. 여기에는 학습의 토대로서의 내재적 동역학의 역할, 외부 세계와 이러한 동역학을 정렬하는 데 있어 행동의 중심성, 외부에서 제공되는 데이터의 수동적 흡수보다 자율적 경험과 개방형 학습의 두드러짐, 그리고 초기 예측·통제 메커니즘이 추론, 개념적 내비게이션, 계획, 상상, 타인의 마음 이해, 의사소통과 같은 고차 인지 능력의 골격을 형성한다는 점이 포함된다. 마지막으로, 생물학적 시스템에서 도출된 원칙이 미래 체화 AI에 어떻게 기여할 수 있는지, 특히 세계 모델이 그라운딩될 뿐 아니라 사회적으로 공유되고 인간의 규범과 가치에 정렬되도록 사회적 상호작용에 기반한 학습 체계를 포함하여 논의한다.
대규모 다중 피험자 와이드필드 칼슘 이미징(widefield calcium imaging)은 뇌 전체 피질 역학에 전례 없는 접근을 제공합니다. 그러나 와이드필드 기록의 높은 차원성, 복잡한 시공간 구조, 그리고 상당한 과제 무관 활동으로 인해 모델링 노력은 대부분 단일 세션 분석에 국한되어 확장성과 일반화가 제한되어 왔습니다. 일부 신경 모달리티에서 다중 피험자 사전학습 모델이 탐구된 바 있으나, 와이드필드 칼슘 이미징을 위한 다중 피험자 모델은 아직 입증된 바 없으며, 더 나아가 신경 모달리티 전반에 걸쳐 다중 피험자 모델에서 피험자 불변 제로샷 행동 디코딩은 여전히 달성하기 어려운 과제로 남아 있습니다. 와이드필드 데이터의 파운데이션 모델링을 향한 첫 단계로, 우리는 WiCAT를 소개합니다. WiCAT는 자기지도(self-supervised) 사전학습을 활용하여 단일 세션 모델을 능가하는 동시에 미확인 피험자에 대한 제로샷 행동 디코딩을 가능하게 하는 다중 피험자 모델입니다. WiCAT는 세션별 구성 요소 없이 아틀라스 기반 토큰화 방식을 도입하고 전역적으로 공유되는 시공간 표현을 학습합니다. 여러 와이드필드 데이터셋에 걸쳐, 사전학습된 모델은 경량 다운스트림 디코딩을 지원하고, 피험자·과제·데이터셋 간 전이가 가능하며, 기준선 모델을 능가합니다. 특히, 이 모델은 미확인 피험자에 대한 강인한 제로샷 연속 행동 디코딩과 제외된 뇌 영역 재구성도 달성합니다.
신경계가 출생부터 성체까지 스스로 배선되는 방식을 이해하는 것은 발달 신경과학의 근본적인 과제이다. 우리는 시간적 그래프 신경망(TGN)을 C. elegans 신경 발달의 두 가지 상호 보완적 표현에 적용하는 시간적 그래프 프레임워크 DevoTG를 제시한다: 세포 계보 데이터에서 도출된 세포 분열 이벤트의 연속 시간 동적 그래프(CTDG)와, 8개의 재구성된 전자현미경 데이터셋에 걸쳐 발달 중인 시냅스 커넥톰의 이산 시간 동적 그래프(DTDG)이다. 계보 예측 과제에서 우리의 TGN은 평균 테스트 AUC 0.839 ± 0.007(5개 시드; 검증 AUC 0.937 ± 0.001)을 달성하며, 동일한 아키텍처의 정적 GNN을 26 AUC 포인트(0.577 ± 0.080) 차이로 능가함으로써 시간적 메모리가 결정적 요인임을 입증한다. 커넥톰 DTDG에 적용된 DevoTG는 발달 과정(L1 출생~성체)에 걸쳐 225개 뉴런과 858~2,496개 연결에서 세 가지 연결 안정성 분류(안정적, 발달적, 가변적)를 식별하며, Witvliet et al.의 개체 변이성 분류에 대한 시간적 그래프 이론적 보완을 제공한다. 허브 명령 개재뉴런 AVA, AVB, AVE에 대한 분석은 이들의 지속적인 중심성과 유충 단계 전반에 걸쳐 통합 역할이 점진적으로 강화되는 방식을 밝혀낸다. 대화형 시각화(3D 애니메이션 네트워크, 중심성 히트맵, 시공간 계보 그래프)를 통해 발달 동역학을 생물학적 가설 생성에 활용하기 쉽게 제공한다. DevoTG는 오픈 소스이며 다른 발달 중인 신경계로의 확장을 위해 설계되었다. 코드는 https://github.com/DevoLearn/DevoGraph/tree/main/DevoTG에서 공개적으로 이용 가능하다.
대규모 언어 모델(LLM)과 인간의 고차 인지를 뒷받침하는 신경 메커니즘 사이의 대응 관계는 아직 충분히 규명되지 않았다. 인간 뇌에서 언어와 추론이 분리 가능해 보인다는 점을 고려할 때, LLM이 추론 관련 영역의 신경 신호와 정렬되는지, 그리고 이러한 신호가 모델을 개선할 수 있는지는 여전히 열린 질문이다. 본 연구에서는 연역적 추론에 초점을 맞춰, LLM의 내부 표현이 과제 유발 fMRI 활동과 부분적으로 정렬될 뿐만 아니라 이러한 신호로 직접 향상될 수 있음을 보인다. 신경 예측 가능성(neural-predictivity) 지표를 사용하여, LLM이 집계 수준에서 추론 관련 영역의 설명 가능한 분산의 상당 부분을 설명함을 발견했으며, 특정 추론 유형 내에서는 예측 가능성이 더 낮아 정렬과 분기 모두를 시사한다. 이를 바탕으로 뇌 유도 프레임워크를 제안한다: 모델과 뇌 표현의 결합 구조가 유도하는 방향을 따라 모델 표현을 조종하고, 추론 시 개입을 적용하며 학습 중 미세조정을 수행한다. 과제 유발 뇌 신호가 LLM 추론을 직접 향상시킬 수 있음을 보여주며, 10개 LLM(1.5B-72B)에 걸쳐 언어 전용 감독과 직교적인 이득을 산출하고, 추론 유형 간 전이와 최대 13% 절대 정확도 향상을 달성한다. 우리 결과는 LLM-뇌 대응 관계를 상관에서 안내로 발전시키며, 더 견고하고 인지적으로 정렬된 AI를 향한 뇌 신호 기반 경로를 확립한다.