브렌던 레이크는 뉴욕대학교의 인지과학자이자 교수로, 인간의 학습과 추론을 가능하게 하는 계산 원리를 연구하며 더 인간다운 인공지능을 구축하는 것을 목표로 한다. 그의 연구는 Machine learning, 인지과학, Artificial intelligence의 교차점에 있으며, 기계가 더 적은 예시로 학습하고, 더 유연하게 일반화하며, 인간의 인지 방식을 반영하는 방식으로 개념을 습득하는 방법에 초점을 맞춘다. 레이크는 특히 확률적 프로그램 유도, "인간 수준 AI" 도전 과제, 그리고 발달 심리학의 통찰을 AI 연구에 통합하려는 주장으로 잘 알려져 있다.
레이크는 스탠포드 대학교에서 학부 과정을 마쳤으며, 그곳에서 컴퓨터 과학과 심리학 모두에 초기 관심을 키웠다. 이후 매사추세츠 공과대학교에서 대학원 과정을 밟아 Joshua Tenenbaum의 지도 아래 인지과학 박사 학위를 받았다. 그의 박사 연구는 개념을 구조화된 생성 모델로 취급하는 프레임워크인 확률적 프로그램을 사용한 인간 개념 학습 모델링에 중점을 두었다. 이 작업은 인간이 매우 적은 예시로 복잡한 개념을 학습할 수 있음을 입증한 여러 영향력 있는 논문으로 이어졌으며, 이는 당시 표준 딥러닝 모델이 갖추지 못한 능력이었다.
초기 경력 및 학문적 직위
박사 학위를 마친 후, 레이크는 MIT와 이후 뉴욕대학교에서 박사후 연구원으로 재직하며 심리학과 컴퓨터 과학 부서의 연구자들과 협력했다. 2017년에는 뉴욕대학교 심리학과 및 데이터 과학 센터의 조교수로 합류했다. 그는 2021년에 부교수로, 2024년에 정교수로 승진했다. 그의 연구실인 계산 및 인지 연구실은 구성성, 인과성, 직관적 물리학에 중점을 두고 인간의 학습 및 추론 능력을 포착하는 계산 모델을 구축하는 데 집중한다.
레이크는 또한 신경과학, 인지과학, 컴퓨터 과학을 결합하여 지능을 이해하는 것을 목표로 하는 국립과학재단이 자금을 지원하는 다기관 연구 센터인 뇌·마음·기계 센터(CBMM)와도 연계되어 있다. CBMM을 통해 그는 Joshua Tenenbaum 및 Melanie Mitchell과 같은 동료들과 긴밀히 협력하여 현재 AI 시스템의 한계를 탐구하는 프로젝트를 진행했다.
주요 연구 기여
레이크의 가장 많이 인용된 기여 중 하나는 2015년 Science에 게재된 "확률적 프로그램 유도를 통한 인간 수준 개념 학습" 논문으로, Omniglot 데이터셋을 소개했다. 이 데이터셋은 50개의 서로 다른 문자 체계에서 가져온 1,623개의 손글씨 문자로 구성되며, 원샷 학습을 테스트하도록 설계되었다. 레이크와 그의 동료들은 베이지안 프로그램 학습 모델이 단일 예시로 새 문자를 학습하고 분류 작업에서 인간과 동등한 성능을 발휘할 수 있음을 보여주었으며, 동시에 새롭고 인간다운 문자 변형을 생성할 수 있음을 입증했다. 이 작업은 순수한 연결주의적 접근법에는 종종 부재하는 구조화된 지식과 구성성의 중요성을 강조했다.
2016년, 레이크는 Joshua Tenenbaum 등과 함께 "인간처럼 학습하고 생각하는 기계 구축"이라는 제목의 널리 논의된 논문을 공동 저술했다. 이 논문은 AI가 인지과학에서 더 많이 차용해야 한다고 주장하며, 인과 모델을 학습하고 직관적 물리학을 사용하며 관찰되지 않은 변수에 대해 추론할 수 있는 모델의 필요성을 강조했다. 또한 딥러닝과 구조화된 확률적 모델을 결합하는 로드맵을 제안했으며, 이는 레이크가 이후 작업에서 계속 발전시킨 주제이다.
레이크는 직관적 물리학과 직관적 심리학 연구에도 기여했다. 그의 연구는 블록 탑의 안정성과 같은 물리적 사건에 대해 인간이 어떻게 예측을 하는지, 그리고 이러한 예측이 시뮬레이션 기반 접근법으로 어떻게 모델링될 수 있는지를 탐구했다. 그는 인간 판단에서 물리적 시뮬레이션의 역할에 관한 논문을 발표했으며, 사람들의 기대가 물리 엔진의 출력과 밀접하게 일치한다는 것을 보여주어 뇌가 근사 시뮬레이션을 수행할 수 있음을 시사했다.
인간 수준 AI 도전 과제
2022년, 레이크는 "인간 수준 AI" 도전 과제를 도입했다. 이는 일련의 인지 작업에서 AI 시스템이 인간 수준의 성능을 달성할 수 있는지 테스트하도록 설계된 벤치마크이다. 이 도전 과제에는 시각적 개념 학습, 언어 이해, 사회적 추론과 같은 작업이 포함되며, 발달 심리학 패러다임에서 차용했다. 레이크는 현재의 대규모 모델이 좁은 작업에서 인상적인 성능을 보여주지만 인간 인지의 유연성과 견고성을 나타내지 못한다고 주장했다. 이 도전 과제는 여러 연구 그룹이 더 일반적인 AI로의 진전을 평가하는 목표로 채택했다.
레이크는 Neural network 모델을 확장하는 것만으로 인간 수준의 지능에 도달할 것이라는 생각에 대해 목소리 높은 비판자였다. 강연과 논문에서 그는 Transformer (architecture) 아키텍처에 기반한 대규모 언어 모델조차 구성적 일반화와 인과 추론에 어려움을 겪는다고 지적했다. 그는 딥러닝을 기호 추론 및 확률적 추론과 결합하는 하이브리드 접근법을 옹호하며, 이 아이디어는 더 넓은 AI 커뮤니티에서 주목을 받고 있다.
협력 및 학제 간 작업
레이크는 경력 전반에 걸쳐 학제 간 협력의 중요성을 강조했다. 그는 발달 심리학자들과 함께 어린이의 개념 학습 방식을 연구하고, 신경과학자들과 인지의 신경 기반을 이해하며, 컴퓨터 과학자들과 새로운 알고리즘을 개발하기 위해 협력했다. 그의 협력은 Google DeepMind, OpenAI 및 기타 주요 AI 연구소의 연구자들에게까지 확장되었지만, 그는 이러한 시스템의 한계에 대한 비판적 관점도 유지했다.
레이크는 Cognitive Science 및 Journal of Machine Learning Research를 포함한 여러 저널의 편집 위원회에서 활동했다. 또한 NeurIPS, ICML, CogSci와 같은 주요 학회의 프로그램 위원회 위원으로도 활동했다. 그의 연구는 국립과학재단, 국방고등연구계획국(DARPA), 시몬스 재단의 보조금으로 지원되었다.
교육 및 멘토링
뉴욕대학교에서 레이크는 계산 인지과학과 머신러닝에 관한 강의를 한다. 그의 강의는 엄격함으로 유명하며 학생들이 AI 모델의 기저 가정에 대해 비판적으로 사고하도록 장려한다. 그는 수많은 박사 과정 학생과 박사후 연구원을 멘토링했으며, 그들 중 다수는 학계와 산업계에서 자리를 잡았다. 그의 멘토링 스타일은 깊은 개념적 이해와 지배적인 패러다임에 의문을 제기하는 의지를 강조한다.
레이크는 또한 공공 활동에도 적극적이며, Aspen Ideas Festival과 같은 장소에서 강연하고 AI에 관한 다큐멘터리에 출연했다. 그는 대중 매체에 의견 기고문을 작성하여 더 과학적으로 근거한 AI 개발 접근법을 주장했다. 그의 공공 활동은 AI를 비신비화하고 현재 시스템과 인간 지능 사이의 격차를 강조하는 것을 목표로 한다.
수상 및 인정
레이크는 인지과학 학회의 계산 모델링 상과 슬론 연구 펠로우십(신경과학)을 포함한 여러 연구 상을 받았다. 2020년에는 뛰어난 잠재력을 가진 초기 경력 연구자를 인정하는 CIFAR Azrieli 글로벌 스콜라(인공지능 프로그램)로 선정되었다. 그의 논문은 수만 번 인용되었으며, 그는 국제 학회에서 기조 강연을 정기적으로 초청받는다.
현재 방향
2025년 현재, 레이크의 연구는 인간처럼 학습하고 생각하는 AI 시스템을 구축하는 방법을 계속 탐구하고 있다. 그의 최근 작업은 구성적 일반화를 측정하기 위한 벤치마크 개발, 인간이 추상 규칙을 학습하는 방식 연구, 언어가 사고를 형성하는 역할 조사에 초점을 맞추고 있다. 또한 그는 인지과학의 통찰이 더 해석 가능하고 신뢰할 수 있는 AI 시스템 설계에 어떻게 정보를 제공할 수 있는지 탐구하기 시작했으며, 이는 AI가 고위험 영역에 배치됨에 따라 중요성이 커지는 주제이다.
레이크는 AI가 사회에 이익을 줄 잠재력에 대해 낙관적이지만, 현재의 능력을 과대평가하는 것에 대해 경고한다. 그는 인간 수준의 AI를 달성하려면 더 많은 데이터와 계산 능력이 아니라 인간 인지에 대한 더 깊은 이해가 필요하다고 주장한다. 그의 비전은 인지과학에서 파생된 원리에 기반한 AI 시스템이 구축되어 진정으로 지능적인 방식으로 학습하고, 추론하고, 세계와 상호작용할 수 있는 기계로 이어지는 것이다.
주요 논문
레이크의 가장 영향력 있는 논문 중 일부는 다음과 같다:
- Lake, B. M., Salakhutdinov, R., & Tenenbaum, J. B. (2015). Human-level concept learning through probabilistic program induction. Science, 350(6266), 1332-1338.
- Lake, B. M., Ullman, T. D., Tenenbaum, J. B., & Gershman, S. J. (2017). Building machines that learn and think like people. Behavioral and Brain Sciences, 40, e253.
- Lake, B. M., & Baroni, M. (2018). Generalization without systematicity: On the compositional skills of sequence-to-sequence recurrent networks. ICML.
- Lake, B. M. (2019). Compositional generalization through meta-sequence-to-sequence learning. NeurIPS.
이러한 작업은 일반화의 본질과 AI 연구의 미래에 관한 논쟁을 형성했다.
분야에 미친 영향
레이크가 AI에 인지과학을 다시 가져오라고 주장한 것은 새로운 세대의 연구자들에게 영향을 주었다. 그의 딥러닝 비판은 많은 사람들이 대규모 모델의 기저 가정을 재고하도록 촉구했다. 일부는 그의 견해를 지나치게 비관적이라고 일축했지만, 다른 이들은 이를 규모를 지능과 동일시하는 분야의 경향에 대한 필요한 교정으로 본다. Omniglot에 대한 그의 작업은 퓨샷 학습의 표준 벤치마크가 되었으며, 확률적 프로그램에 대한 그의 아이디어는 수많은 후속 연구에 영감을 주었다.
요약하자면, 브렌던 레이크는 인공지능에 더 인간 중심적인 접근법을 옹호하는 선도적인 목소리로 두드러진다. 인지과학과 머신러닝을 연결함으로써 그는 두 분야 모두에 지속적인 기여를 했으며, AI 커뮤니티가 단순한 패턴 매칭보다 더 높은 목표를 추구하도록 계속 도전하고 있다.