초파리 뇌가 게임하고 가상 몸을 움직인다? 뇌 업로드·폐루프 제어·의식의 경계를 따져보기

초파리 뇌 심층 해설 ③ — 뇌·몸·환경이 만드는 행동
자료 확인: 2026년 9월 16일

초파리 신경망으로 게임을 조작하는 화면과 가상 초파리가 걷고 몸을 청소하는 영상은 강렬합니다. 하지만 ‘캐릭터가 움직였다’, ‘신경 회로를 재현했다’, ‘학습했다’, ‘의식이 옮겨졌다’는 서로 다른 주장입니다. 어느 단계가 확인됐는지 구분해야 시연의 실제 성취도 제대로 평가할 수 있습니다.

이번 글은 두 흐름을 구분해 다룹니다. 하나는 Eon이 2026년 3월 설명한 가상 몸을 가진 초파리 시스템이고, 다른 하나는 MaleCNS 자료를 이용한 최근 게임 제어 실험입니다. 시기와 데이터셋, 목적이 다른 프로젝트이므로 하나의 연속된 ‘완전한 뇌 업로드 성공’으로 합치지 않습니다. 이 글의 평가표와 사고 실험은 자체 해설이며, 해당 프로젝트를 직접 실행해 성능을 측정한 보고서는 아닙니다.

1. 최근 게임 시연에서 실제로 연결한 것은 무엇인가요?

직접 확인한 DOOMFLY 프로젝트 페이지는 게임 픽셀을 추정 감각 입력으로 바꾸고, MaleCNS 기반 신경망의 활동을 고정된 게임 조작으로 읽어내는 구조를 설명합니다. 페이지는 이 조작 연결을 생물학적으로 검증된 자연 행동 명령이 아닌, 사람이 설계한 게임 제어라고 명시합니다. 연결 그래프와 근사적인 뉴런 동역학을 쓴 실험이라는 뜻입니다. [1]

또한 확인 시점의 페이지에는 기본 실행의 시냅스가 고정돼 있으며, 자극을 전달했다는 사실만으로 학습을 입증하지는 못한다는 설명이 있습니다. 실험적 학습 후보에 대한 설명과 현재 기본 실행을 섞어 ‘지금 스스로 학습 중’이라고 단정하면 안 됩니다. 실시간 화면은 계속 바뀔 수 있으므로 이 글은 확인한 방법 설명을 기준으로 다룹니다. [1]

2. 폐루프: 행동이 다음 입력을 바꾸는 구조

폐루프(closed loop)는 출력이 다시 입력 조건을 바꾸는 고리입니다. 미리 녹화한 영상을 신경망에 보여주고 반응을 기록하면, 신경망이 무엇을 출력해도 영상은 그대로 흘러갈 수 있습니다. 반면 게임에서 왼쪽 회전을 출력하면 다음 화면이 달라집니다. 새로운 화면이 다시 신경망에 들어오므로 시스템의 과거 행동이 미래 관측에 영향을 줍니다.

그림 1. 감각–신경망–출력 해독–몸–환경의 폐루프. 자체 제작한 일반 구조도이며 특정 프로젝트의 구현 전체를 복제한 그림은 아닙니다.

이를 최소한의 상태 방정식으로 쓰면 다음과 같습니다.

x(t+1) = F[x(t), E(o(t)); theta]
a(t)   = D[x(t); phi]
s(t+1) = P[s(t), a(t)]
o(t+1) = H[s(t+1)]

x는 신경망의 내부 상태, o는 관측, E는 감각 입력 부호화기, D는 신경 활동을 행동으로 바꾸는 해독기, s는 몸과 환경의 상태입니다. P는 행동에 따른 물리·게임 상태 변화, H는 새 상태에서 센서가 무엇을 관측하는지 나타냅니다. θ와 φ는 각각 신경 모델과 출력 변환의 매개변수입니다. 이 식은 이해용 표현입니다.

이렇게 쓰면 행동이 신경망 F 하나의 결과가 아니라 E·D·P·H가 결합한 결과라는 점이 보입니다. 같은 신경망을 두고 출력 해독기의 부호를 반대로 바꾸면 좌회전과 우회전이 바뀔 수 있습니다. 관측의 밝기 범위를 다르게 정하면 같은 장면도 다른 신경 입력이 됩니다. 따라서 움직이는 장면만으로 연결 지도의 기여를 분리할 수는 없습니다.

3. 가상 초파리의 몸은 누가 움직이나요?

Eon의 2026년 3월 10일 기술 설명은 기존 연결 기반 뇌 모델과 NeuroMechFly 계열의 몸 모델을 통합한 작업이라고 소개합니다. 선택한 하행성 신경 신호를 적은 수의 운동 명령으로 바꾸고, 하위 제어기가 실제 움직임을 만듭니다. 몸의 일부 행동 제어기는 모방학습으로 훈련됐으며, 뇌와 몸 사이의 여러 변환은 사람이 정했다고 설명합니다. 내부 상태·가소성·학습과 생물학적 운동 계층의 재현에도 한계가 남아 있습니다. [2]

이 구조는 공학적으로 자연스럽습니다. 로봇에도 ‘앞으로 가라’는 상위 명령과 다리 관절을 안정적으로 움직이는 하위 제어를 나누는 경우가 있습니다. 다만 영상에서 걷기가 매끄럽게 보이는 이유가 상위 신경망 때문인지, 잘 설계된 하위 제어기 때문인지, 둘의 상호작용 때문인지는 별도 평가가 필요합니다. 해당 시연이 성취한 통합의 가치를 인정하면서도, 관절 운동 전체가 커넥톰에서 자동으로 나왔다고 확대하지 않는 것이 정확합니다.

NeuroMechFly v2는 초파리의 몸과 환경을 함께 모사하는 감각–운동 연구 틀로 발표된 동료심사 연구입니다. 물리적인 몸을 포함하면 감각과 운동이 서로 영향을 주는 조건을 다룰 수 있습니다. 다만 몸의 시뮬레이터가 존재한다는 사실은 그 위에 연결한 모든 뇌 모델의 생물학적 정확성을 자동으로 인증하지 않습니다. [3]

4. 몸과 환경도 계산에 참여합니다

간단한 보행 사고 실험을 해보겠습니다. 동일한 다리 구동 신호를 주더라도 바닥 마찰, 몸의 무게 중심, 관절의 탄성에 따라 움직임이 달라집니다. 낮은 마찰에서는 발이 미끄러지고, 무게 중심이 달라지면 같은 토크로도 자세가 무너질 수 있습니다. 따라서 신경 출력에서 행동으로 가는 관계는 몸과 환경을 명시하지 않으면 완성되지 않습니다.

이는 체화된 계산을 이해하는 한 방식입니다. 모든 조정을 중앙의 신경망이 매 순간 상세 명령으로 내려야 하는 것은 아닙니다. 몸의 역학과 감각 되먹임이 일부 조절을 맡을 수 있습니다. 하지만 그런 분산된 구조에서 특정한 신경 회로의 역할을 주장하려면, 몸의 매개변수를 바꿨을 때도 예측이 유지되는지 살펴봐야 합니다. 원래 환경 하나에서만 맞는 행동을 보편적인 기능으로 이름 붙이면 해석이 과해집니다.

5. 출력이 달라졌다는 것과 학습했다는 것은 다릅니다

고정된 회로에서도 활동 상태는 계속 변합니다. 직전 입력의 흔적이 남거나, 리셋과 불응기가 영향을 주거나, 초기 상태가 달라지면 반응이 바뀝니다. 이러한 상태 변화는 경험 때문에 연결 규칙이 바뀌는 학습과 구분해야 합니다. 다만 학습을 반드시 시냅스 한 종류의 변화로만 정의할 수는 없으므로, 어떤 변수의 지속적 변화를 학습으로 평가할지 먼저 정하는 편이 좋습니다.

설명용으로 매개변수 θ가 θ(t+1)=θ(t)+ηΔθ(t)처럼 경험에 의해 바뀐다고 생각할 수 있습니다. η는 변화 크기를 조절합니다. 반대로 θ가 고정된 채 x(t)만 바뀐다면 이 설정에서는 동적인 반응을 보인 것입니다. 게임에서 점수가 우연히 좋아졌다는 사실 하나로 어떤 변화 규칙이 유효했는지 알 수는 없습니다.

학습 주장에는 적어도 학습 전후의 동일한 평가, 학습에 쓰지 않은 환경, 여러 반복 실행, 보상이나 업데이트를 제거한 대조군이 도움이 됩니다. 관측한 개선이 환경 운, 초기 상태, 미리 설정한 게임 규칙 때문인지 분리해야 하기 때문입니다. 이는 DOOMFLY에 대한 새 성능 판정이 아니라, 이런 종류의 시연을 평가할 때 적용할 수 있는 일반적인 실험 설계입니다.

6. ‘뇌 업로드’의 의미를 먼저 정해야 합니다

연결 자료를 컴퓨터로 옮기는 것, 회로의 활동을 계산하는 것, 특정 행동을 재현하는 것, 한 개체의 기억과 경험을 보존하는 것은 요구 조건이 다릅니다. ‘업로드’라는 단어를 하나로 쓰면 서로 다른 기대가 섞입니다. 특히 화면 속 몸이 움직였다는 관측에서 원래 개체의 기억이나 주관적 경험이 보존됐다는 결론은 나오지 않습니다.

그림 2. 증거를 나눠 보는 자체 평가 틀. 단계마다 별도 검증이 필요하며 의식·동일성 문제는 단순한 성능 점수의 다음 칸으로 해결되지 않습니다.

주장	필요한 증거의 예	그것만으로 알 수 없는 것
구조를 보존했다	연결·유형·재구성 오류 검토	모든 활동과 행동의 일치
활동을 예측한다	새 자극에 대한 신경 기록 비교	다양한 실제 환경의 행동
원인 회로를 설명한다	억제·활성화 개입의 결과 예측	개체의 모든 기능 재현
행동을 일반화한다	새 환경·몸 상태·과제의 검증	주관적 경험과 개인적 동일성

7. 같은 행동을 만들면 같은 뇌라고 할 수 있나요?

서로 다른 내부 구조가 비슷한 출력을 만들 수 있습니다. 온도에 따라 선풍기를 켜는 단순 규칙과 복잡한 예측 제어기가 특정한 하루에는 같은 작동 기록을 보일 수 있는 것과 같습니다. 따라서 행동의 일치는 중요한 증거지만 내부 기제의 동일성을 단독으로 입증하지는 않습니다. 더 넓은 입력 범위와 내부 활동, 개입에 대한 반응을 함께 보아야 합니다.

이 문제는 모델 식별과도 연결됩니다. 외부에서 보는 데이터가 제한되면 여러 내부 설명이 동시에 가능할 수 있습니다. 커넥톰은 그 가능한 설명의 범위를 줄이는 강력한 구조 제약입니다. 여기에 전기생리, 영상 기반 활동 측정, 행동 개입 결과를 더하면 모형의 자유도를 더 줄일 수 있습니다. 구조·활동·행동 자료가 함께 중요해지는 이유입니다.

의식은 여기서 또 다른 질문입니다. 이 글에서 검토한 연결 지도, 게임 조작, 가상 몸 시연은 주관적 경험의 존재나 부재를 판정하는 실험으로 제시된 것이 아닙니다. ‘의식이 있다’고 단정하는 것도, 복잡한 행동을 단지 코드라는 이유만으로 철학적으로 완전히 설명했다고 주장하는 것도 증거의 범위를 넘어섭니다. 현재 자료로 말할 수 있는 대상과 아직 열려 있는 질문을 구분하는 편이 생산적입니다.

8. 더 설득력 있는 시연이라면 어떤 비교가 있을까요?

첫째, 같은 입력·몸·출력 해독기를 유지한 채 실제 연결망과 구조를 섞은 연결망을 비교할 수 있습니다. 결과 차이가 안정적으로 나타나면 연결 구조의 기여를 논의할 근거가 됩니다. 둘째, 신경망 출력을 일정한 값이나 잡음으로 바꿔도 비슷하게 움직이는지 살펴볼 수 있습니다. 하위 제어기만으로 설명되는 행동의 양을 가늠하기 위해서입니다.

셋째, 특정 감각 입력을 제거하거나 지연을 늘려 모델이 예측한 실패가 나타나는지 시험할 수 있습니다. 넷째, 학습에 사용하지 않은 물체 배치·마찰·자극 조합에서 성능을 확인할 수 있습니다. 다섯째, 성공 장면뿐 아니라 반복 횟수, 실패율, 매개변수와 코드 버전을 공개하면 다른 사람이 결과를 재현하기 쉬워집니다. 이 비교들은 직접 수행한 결과가 아니라 향후 평가에 유용한 질문 목록입니다.

초파리 연구가 흥미로운 이유는 생물학적 연결 자료가 실제로 계산과 행동 실험의 출발점이 되고 있기 때문입니다. ‘마음이 옮겨졌다’는 빠른 결론보다, 어떤 구조가 어떤 동역학을 만들고 어떤 조건에서 행동으로 이어지는지를 차례로 검증하는 과정이 더 많은 것을 알려줍니다.

원문과 더 읽을 자료

[1] DOOMFLY — 개발자의 Method + Source 설명 (2026-09-16 확인, 실시간 실행·설명은 변경될 수 있음)
[2] Eon — How the Eon Team Produced a Virtual Embodied Fly (2026-03-10)
[3] Nature Methods — NeuroMechFly v2: simulating embodied sensorimotor control in adult Drosophila (2024)
[4] Shiu 등, Nature — 초파리 계산 뇌 모델과 감각–운동 처리 (2024)

학술 논문, 기업의 기술 설명, 개발자의 공개 시연은 증거의 성격이 다릅니다. 본문은 이를 구분해 인용했으며 게임 능력·생물학적 정확도·의식에 대한 새로운 검증 결과를 주장하지 않습니다.