의식에 대한 확률적 동적 모델

본 문서는 현대 뇌과학의 성과를 바탕으로, 의식을 뇌 신경망의 통계적 속성과 베이지안 추론 과정의 결합으로 설명하는 확률적 모델을 제시합니다. 이 모델은 의식이 고정된 실체가 아니라, 뇌의 물리적 상태 공간(State Space) 위에서 펼쳐지는 동적이고 확률적인 현상임을 강조합니다.

1. 뇌 신경망의 통계 역학: 거시 상태로서의 의식

뇌의 활동과 의식의 관계를 통계 역학의 미시 상태와 거시 상태로 모델링할 수 있습니다.

1.1. 미시 상태 (Microstate, $\omega$)

• 정의: 뇌 신경망의 순간적인 물리적 상태입니다.
• 구성 요소: 약 860억 개의 뉴런 각각의 활성화 상태(발화 여부, 발화율), 그리고 그 사이를  연결하는 약 $10^{15}$개 시냅스 각각의 연결 강도(weight) 및 신호 전달 물질의 농도 등을 포함하는 초고차원의 벡터($\omega$)로 표현할 수 있습니다.
• 특징: 이 미시 상태 $\omega(t)$는 뇌의 내재적 역학(intrinsic dynamics)과 외부 감각 입력에 의해 매 순간(밀리초 단위) 끊임없이 변화합니다.

1.2. 거시 상태 (Macrostate, $M$)

• 정의: 우리가 주관적으로 '의식'이라고 부르는 경험적, 기능적 상태입니다.
• 예시: '붉은 사과를 떠올림'($M_{\text{apple}}$), '시험 합격의 기쁨을 느낌'($M_{\text{joy}}$), '특정 멜로디를 흥얼거림'($M_{\text{melody}}$) 등.
• 핵심 관계: 하나의 거시 상태(경험)는 그것을 구현할 수 있는 수많은(혹은 거대한 수의) 다른 미시 상태들의 집합으로 정의됩니다.
  • 예: $M_{\text{apple}}$ = {$\omega_1, \omega_2, ..., \omega_N$}
  • 내가 어제 사과를 떠올릴 때의 뇌 신경망 상태($\omega_i$)와 오늘 떠올릴 때의 상태($\omega_j$)는 미시적으로는 다르지만, 기능적으로는 동일하게 '사과'라는 거시 상태를 구현합니다.

1.3. 엔트로피와 거시 상태의 확률

• 엔트로피 (Entropy, $S$): 특정 거시 상태 $M$에 해당하는 미시 상태의 수($W(M)$)의 로그값입니다.
  • $S(M) \propto \log W(M)$
• 확률 모델: 뇌 시스템이 특정 순간에 거시 상태 $M$을 경험할 확률 $P(M)$은 해당 거시 상태의 엔트로피(즉, 미시 상태의 수 $W(M)$)에 비례합니다.
  • $P(M) \propto W(M)$
• 해석: 더 많은 신경망의 미시적 조합(패턴)이 동일한 하나의 의식적 경험(거시 상태)을 만들어낼 수 있다면, 그 의식적 경험은 더 안정적이고 발생하기 쉽습니다. 이는 뇌가 '안정적인 상태'(high-entropy macrostates)를 선호함을 의미합니다.

1.4. 의식의 흐름 (Stream of Consciousness) 설명

• '의식이 순간순간 여러 주제로 왔다 갔다 하는 현상'(예: 주의 방황, Default Mode Network의 활동)은 이 모델에서 뇌의 미시 상태 $\omega(t)$가 고차원의 '상태 공간'을 배회(wandering)하는 것으로 설명됩니다.
• 이 배회 과정에서, 시스템(뇌)은 $M_A$라는 거시 상태(예: '업무 생각')에 머무르다가, 내적/외적 요인에 의해 $M_B$라는 거시 상태(예: '저녁 메뉴 생각')의 '유인 분지'(basin of attraction)로 '전이'(transition)합니다.
• 의식의 흐름은 곧 가장 확률 높은 거시 상태들 사이를 연속적으로 전이하는 확률적 과정(stochastic process)으로 볼 수 있습니다.

2. 신경가소성과 베이지안 추론: 의식 모델의 학습

뇌의 상태 공간과 확률 분포($P(M)$)는 고정되어 있지 않습니다. 이 확률 지형(probability landscape) 자체가 경험을 통해 끊임없이 업데이트됩니다. 이 학습 과정이 바로 신경가소성이며, 이는 베이지안 추론의 물리적 구현체로 모델링될 수 있습니다.

2.1. 베이지안 뇌 (The Bayesian Brain)

• 핵심 가설: 뇌는 세상을 이해하기 위해 내적 '생성 모델'(generative model)을 구축하며, 이 모델을 감각 증거(sensory evidence)에 기초하여 끊임없이 업데이트하는 베이지안 추론 기계입니다.
• 수식: $P(\theta | D) \propto P(D | \theta) \times P(\theta)$
  • $P(\theta)$: 사전 믿음 (Prior). 세상이 어떠할지에 대한 뇌의 현재 모델.
  • $P(D | \theta)$: 가능도 (Likelihood). 현재 모델($\theta$) 하에서 이 감각 데이터($D$)가 관찰될 확률.
  • $P(\theta | D)$: 사후 믿음 (Posterior). 감각 데이터를 경험한 후 업데이트된 뇌의 새로운 모델.

2.2. 신경가소성: 베이지안 업데이트의 물리적 메커니즘

신경가소성은 이 추상적인 베이지안 업데이트를 뇌의 물리적 수준에서 구현하는 핵심 기제입니다.

1. 사전 믿음 ($P(\theta)$) = 현재의 신경망 구성:뇌의 현재 시냅스 연결 강도(synaptic weights) 자체가 바로 뇌가 가진 '사전 믿음'입니다. 강한 시냅스 연결은 "A 뉴런이 발화하면 B 뉴런도 발화할 것"이라는 강한 사전 믿음을 물리적으로 인코딩한 것입니다.
2. 증거 ($D$)와 예측 오류 (Prediction Error):새로운 감각 신호(증거, $D$)가 뇌로 들어옵니다. 뇌는 현재 모델(사전 믿음, $P(\theta)$)을 바탕으로 이 신호를 '예측'합니다.이때 "예측된 신호"와 "실제 신호($D$)" 간의 차이를 '예측 오류'라고 합니다.
3. 업데이트 ($P(\theta|D)$) = 신경가소성 (LTP/LTD):뇌는 이 '예측 오류'를 최소화하는 방향으로 시냅스 연결 강도를 재조정합니다.
   • 신경망 강화 (LTP): 예측이 맞았거나(Hebbian learning) 특정 패턴이 유의미할 때, 해당 경로의 시냅스 연결을 강화합니다. (예: "불은 뜨겁다"는 믿음 강화)
   • 신경망 약화 (LTD): 예측이 틀렸을 때, 해당 경로의 시냅스 연결을 약화시킵니다.
   • 즉, 신경가소성은 예측 오류를 줄여 '사후 믿음'(더 정확한 모델)을 형성하는 베이지안 업데이트 과정 그 자체입니다.

3. 통합 모델: 동적 확률 지형으로서의 의식

위의 두 모델을 통합하면, 의식에 대한 '동적 확률 모델'이 완성됩니다.

• 의식은 확률적 상태 전이이다 (모델 1): 우리의 의식 경험은 매 순간 뇌의 거시 상태($M$) 공간 위에서 가장 확률($P(M)$)이 높은 상태로 전이해가는 과정입니다. 이 확률($P(M)$)은 거시 상태의 엔트로피($W(M)$)에 의해 결정됩니다.
• 의식의 확률 지형은 학습된다 (모델 2): 이 $P(M)$을 결정하는 '상태 공간의 지형' 자체(즉, 각 $M$의 엔트로피 $W(M)$)가 고정된 것이 아닙니다. 신경가소성(베이지안 업데이트)을 통해 시냅스 가중치(미시 상태의 구조)가 변하면, 특정 거시 상태($M_i$)에 해당하는 미시 상태의 수($W(M_i)$)가 변하게 됩니다.

통합 예시:

• 학습 전: '사과'($M_{\text{apple}}$)와 '기쁨'($M_{\text{joy}}$)은 서로 다른 거시 상태이며, $P(M_{\text{joy}} | M_{\text{apple}})$ (사과를 생각할 때 기쁨을 느낄 확률)이 낮습니다.
• 학습 (베이지안 업데이트): '사과를 먹을 때마다 기쁨을 느끼는' 경험(새로운 증거 $D$)이 반복됩니다.
• 신경가소성: 예측 오류가 최소화되는 방향으로 '사과'를 표상하는 신경망과 '기쁨'을 표상하는 신경망 사이의 시냅스 연결이 강화됩니다 (사전 믿음 $P(\theta)$가 $P(\theta|D)$로 업데이트됨).
• 학습 후 (변화된 확률 지형): 이 물리적 연결(미시 상태 구조의 변화)로 인해, $M_{\text{apple}}$과 $M_{\text{joy}}$ 두 거시 상태의 경계가 가까워지거나 중첩 영역이 커집니다. (즉, $M_{\text{apple}}$에 속하는 미시 상태가 $M_{\text{joy}}$에도 속하기 쉬워짐).
• 결과: $P(M_{\text{joy}} | M_{\text{apple}})$ 확률이 높아집니다. 이제 '사과'를 떠올리는 것(거시 상태 $M_{\text{apple}}$의 발생)만으로도 '기쁨'이라는 거시 상태 $M_{\text{joy}}$로 전이될 확률이 높아집니다.

결론

본 모델에서 의식은, 베이지안 추론(신경가소성)을 통해 끊임없이 학습하고 재구성되는 뇌의 고차원적 상태 공간 위에서, 엔트로피가 높은 거시 상태들을 따라 확률적으로 전이하는 동적 과정(dynamic stochastic process)으로 정의됩니다.