베이지안 뇌 가설 (Bayesian Brain Hypothesis)
쉽게 풀면
우리가 보고 듣는 감각 정보는 항상 잡음과 모호함을 포함하고 있다. 베이지안 뇌 가설은 뇌가 이런 불확실성을 다룰 때, 과거 경험에서 얻은 사전 지식과 지금 들어오는 새로운 감각 증거를 통계학의 베이즈 정리처럼 결합해서 가장 그럴듯한 해석을 만들어낸다고 설명한다. 예를 들어 어두운 곳에서 물체가 잘 안 보일 때, 뇌는 부족한 시각 정보를 과거 경험(사전 지식)으로 보완해서 무엇인지 추측한다. 이 관점은 착시 현상이나 감각 통합, 운동 제어에서 나타나는 다양한 현상을 통계적 추론의 결과로 설명하는 데 널리 쓰인다.
왜 중요한가
베이지안 뇌 가설은 지각, 운동 제어, 의사결정 등 뇌과학의 여러 하위 분야를 하나의 통계적 틀로 묶어 설명한다는 점에서 중요하게 다뤄진다. 착시나 감각 통합처럼 서로 달라 보이는 현상들이 결국 사전 지식과 감각 증거를 결합하는 동일한 원리로 설명될 수 있다는 시사점을 주기 때문에, 예측부호화 이론이나 자유에너지원리 같은 상위 이론적 틀과도 밀접하게 연결된다. 또한 이 관점은 정신질환에서 나타나는 지각 왜곡을 사전 지식과 감각 증거 사이의 균형이 깨진 결과로 재해석하는 임상 연구에도 이론적 토대를 제공한다.
논문에서는 이렇게 쓰입니다
지각 실험에서 사전 기대(prior)가 감각 판단에 미치는 영향을 통계 모델로 검증할 때 이론적 근거로 쓰인다.
운동 제어 연구에서 감각 신호의 신뢰도에 따라 사전 지식과 새로운 정보를 어떻게 가중하여 결합하는지를 설명할 때 인용된다.
정신병리 연구에서 임상 증상을 사전 지식과 감각 증거 간 균형의 이상으로 설명하는 근거로 쓰인다.
조금 더 깊게 보면
베이지안 뇌 가설을 다루는 논문을 읽을 때는 사전 확률(prior), 우도(likelihood), 사후 확률(posterior)이라는 베이즈 정리의 구성 요소가 실제로 어떤 실험 변수에 대응하는지 파악하는 것이 중요하다. 예를 들어 사전 지식은 과거 경험이나 맥락 정보로, 우도는 현재 들어오는 감각 신호의 신뢰도로 조작화되는 경우가 많다. 이와 관련해 감각 신호의 불확실성이 클수록 사전 지식에 더 의존하게 된다는 예측을 검증하기 위해 심리물리학 실험과 계산 모델링을 결합하는 방법이 흔히 쓰이며, 예측부호화 이론에서 말하는 '예측 오차'개념도 이 틀 안에서 사후 확률을 갱신하는 과정과 연결지어 설명되는 경우가 많다.
주의할 점
뇌가 문자 그대로 확률 계산을 수행한다는 의미가 아니라, 뉴런 집단의 활동 패턴이 마치 베이즈 추론을 수행하는 것처럼 기능한다는 근사적 설명이라는 점에 유의해야 한다.