연결주의 (Connectionism)

한 줄 정의: 인지 과정을 명시적인 규칙 조작이 아니라 단순한 단위들이 연결망을 이루어 병렬적으로 상호작용하는 방식으로 설명하는 이론적 접근.

쉽게 풀면

연결주의는 마음이 마치 뇌의 뉴런처럼 단순한 단위들이 서로 촘촘하게 연결된 네트워크를 이루고, 이 연결망 전체의 활성화 패턴을 통해 지능적인 행동이 나타난다고 보는 관점입니다. 이는 마음을 명시적인 규칙과 상징을 순서대로 처리하는 컴퓨터 프로그램처럼 보는 기호주의적 관점과 대비됩니다. 오늘날 널리 쓰이는 인공신경망 기술은 이러한 연결주의적 사고방식에 뿌리를 두고 있습니다.

왜 중요한가

연결주의는 마음이 어떻게 정보를 표상하고 처리하는지에 대한 근본적인 입장 차이를 담고 있어, 인지과학·언어학·철학에서 오랫동안 핵심 논쟁거리로 다뤄져 왔습니다. 또한 현대 딥러닝 기반 인공지능이 사실상 연결주의적 아이디어를 대규모로 구현한 것이라는 점에서, 인공신경망 연구가 왜 특정 방식으로 작동하고 어떤 한계를 갖는지를 이해하는 이론적 배경이 됩니다. 이 때문에 인지모델링 논문뿐 아니라 딥러닝 방법론 논문의 서론에서도 연결주의 대 기호주의 구도가 자주 인용됩니다.

논문에서는 이렇게 쓰입니다

"연결주의 모델은 규칙 기반 접근과 달리 명시적 문법 규칙 없이도 과거시제 형태를 학습해 내는 데 성공하였다."

인지과학과 계산언어학에서 신경망 기반 언어 학습 모델을 논할 때 대비 개념으로 사용된다.

"본 연구는 연결주의적 관점에서 시각 범주화가 명시적 규칙이 아닌 분산 표상 간의 유사도 계산을 통해 이루어짐을 보인다."

지각·범주화를 다루는 인지심리학 논문에서 분산 표상 개념을 뒷받침하는 이론적 근거로 제시된다.

"딥러닝 아키텍처의 성공은 연결주의 전통에서 강조해 온 병렬 분산 처리 원리가 대규모 데이터와 계산 자원 하에서도 유효함을 시사한다."

기계학습·인공지능 방법론 논문에서 신경망 기반 접근의 이론적 계보를 설명할 때 사용된다.

조금 더 깊게 보면

연결주의 모델의 핵심 개념 중 하나는 '분산 표상(distributed representation)'으로, 하나의 개념이 특정 단위 하나에 대응하는 것이 아니라 여러 단위의 활성화 패턴 전체에 걸쳐 표현된다는 것입니다. 학습은 대체로 단위 간 연결 가중치를 조정하는 과정으로 이루어지며, 오차역전파(backpropagation) 같은 학습 규칙이 대표적으로 논의됩니다. 논문을 읽을 때는 저자가 '연결주의'를 이론적 입장(마음에 대한 설명)으로 쓰는지, 아니면 단순히 신경망 기반 계산 방법론을 가리키는 말로 쓰는지 구분해서 읽는 것이 도움이 됩니다.

주의할 점

연결주의는 상징 조작 이론과 서로 배타적인 것으로 논쟁되어 왔지만, 오늘날 많은 연구자는 두 접근이 서로 보완적일 수 있다고 본다.