목표 지향 제어의 메커니즘: 유아 운동 학습에서 단계적 전이와 게이트 역학

**1. 서론 및 배경** 인간 유아는 출생 직후부터 복잡한 감각‑운동 루프를 통해 행동을 조정한다. 기존 연구는 이러한 발달 과정을 ‘반응적’ 단계와 ‘전향적’ 단계로 구분했지만, 두 단계가 어떻게 경쟁·협력하며 전이되는지는 명확히 규명되지 않았다. 최근 변압기 모델의 메커니즘 해석이 모델 내부 알고리즘을 분해하고, 학습 과정에서의 상전이를 정량화하는 데 성공하면서, 이를 몸‑인지 시스템에 적용하고자 하는 시도가 등장한다. **2. 모델 설계: MAIA** 저자는 ‘Minimal Agentic Inference Architecture(MAIA)’를 제안한다. MAIA는 감각(S), 제어(C), 운동(M) 모듈을 기본 블록으로 하며, 세 가지 통합 경로를 정의한다. - **반응적 경로(검은색)**: 즉각적인 감각 피드백에 기반해 행동을 선택한다. - **전향적 경로(파란색)**: 내부 전이 함수 T를 이용해 미래 감각 결과를 시뮬레이션하고, 예측 오류를 최소화한다. - **연합적 경로(녹색)**: 목표‑행동‑결과의 고차원 연관성을 학습하지만, 현재 논문에서는 구현을 보류한다. 각 경로는 동일한 모듈을 공유하지만, 시간적·계층적 깊이가 다르다. 경로 전환은 ‘불확실성 게이트’를 통해 이루어지며, 이 게이트는 k‑step 컨텍스트 윈도우 안에서 예측 오차를 누적해 신뢰 신호를 만든다. 신뢰가 일정 임계값을 초과하면 전향적 경로가 활성화되고, 그렇지 않으면 반응적 경로가 유지된다. **3. 실험 환경** 간단한 2‑점(목표와 커서) 환경을 구축하고, 숨겨진 2‑관절 팔을 통해 커서를 제어한다. 목표 위치는 매 트라이얼마다 무작위로 바뀌어 공간적 예측 편향을 차단한다. 과제 요구는 ‘허용 반경(precision)’과 ‘목표 거리’를 동시에 변동시켜, 정밀도와 효율성 사이의 트레이드오프를 만든다. **4. 게이트 학습 동역학** 컨텍스트 윈도우 크기 k를 1부터 128까지 변화시키며, 온도 파라미터 τ를 10에서 0.001로 점진적으로 낮추었다. 결과는 다음과 같다. - **초기 탐색 단계(τ=10)**: 모든 k에서 신뢰가 0.5(무작위) 수준에 머문다. - **온도 수축 단계**: 신뢰가 지수 이동 평균 형태로 수렴한다. 수식 c(t)=c∞−(c∞−0.5)·e^{−t/k}가 가장 잘 맞는 k는 32이며, 이때 EMA 적합도가 가장 높고 두 단계 구조가 명확히 드러난다. - **k 의 임계값**: k≤4에서는 신뢰가 안정화되지 않아 전향적 제어가 전혀 발현되지 않는다. k=8에서는 약한 전이 구조가 보이며, k≥32에서는 완전한 전향·반응 전환이 이루어진다. **5. 과제 요구와 전향적 제어의 유리성** 2차원 파라미터 공간(허용 반경 × 목표 거리)에서 전향적 제어는 예측 오차가 허용 범위 내에 있을 때만 우세한다. 이는 ‘전향적 제어는 예측 오류가 작업 허용 오차 안에 있을 때만 비용 효율적이다’는 이론적 예측과 일치한다. **6. 이론적 의의 및 기존 연구와의 연결** - 변압기 내부 ‘인디케이션 헤드’가 특정 임계점에서 급격히 활성화되는 현상과 유사한 ‘상전이’를 제어 회로에서도 관찰했다. - 컨텍스트 윈도우 k 가 회로 형성의 핵심 파라미터라는 점은, 트랜스포머에서 ‘시퀀스 길이’가 어텐션 패턴을 결정하는 것과 구조적으로 대응한다. - 불확실성 게이트가 학습 과정에서 자동으로 ‘불확실성 임계값’을 추정한다는 점은, 베이지안 의사결정 이론과도 일맥상통한다. **7. 한계 및 향후 연구** 연합적 경로는 현재 구현되지 않았으며, 고차원 목표 표현과 장기 기억 메커니즘이 부족하다. 또한, 실제 유아의 행동 데이터(동작 캡처, 뇌영상)와의 직접 비교가 이루어지지 않아 생물학적 타당성을 검증하기 위한 추가 실험이 필요하다. 향후 연구에서는 연합적 경로를 활성화하고, 다양한 감각 모달리티와 복합 과제(예: 물체 조작)로 확장함으로써 모델의 일반화 능력을 평가할 계획이다. **8. 결론** 본 논문은 메커니즘 해석을 몸‑인지 제어에 성공적으로 적용했으며, 기본적인 귀납적 편향이 인과적 회로와 불확실성 게이트를 형성한다는 것을 실험적으로 입증했다. 컨텍스트 윈도우 k 가 임계값을 넘어설 때 전향적 제어가 급격히 등장하고, 과제 요구에 따라 두 제어 전략이 경쟁·협력한다는 메커니즘을 제시함으로써, 인공 에이전트 설계와 인간 발달 이론 모두에 새로운 통찰을 제공한다.