뇌세포로 둠을 플레이하다 - 생체 신경 컴퓨팅의 현재와 미래 심층 분석
- GPU 연산 유닛 심화 가이드 - CUDA Core, Tensor Core, NPU
- LLM 동작 원리 - 게임 개발자를 위한 가이드
- VRAM 심화 가이드 - GPU 메모리 계층과 LLM 모델 적재
- 뇌세포로 둠을 플레이하다 - 생체 신경 컴퓨팅의 현재와 미래 심층 분석
- 비개발자를 위한 LLM 완전 가이드 - 기획자, QA, 마케터가 AI를 업무에 쓰는 법
- 코티컬 랩스의 CL-1은 20만 개의 인간 뉴런으로 둠을 플레이하는 세계 최초의 상용 생체 컴퓨터다
- 인간 뇌는 20W로 1 엑사플롭을 처리하지만 현재 슈퍼컴퓨터는 같은 성능에 21MW가 필요하다 — 에너지 효율 차이 100만 배
- 뉴럴링크가 '뇌에 칩을 넣는다'면, 코티컬 랩스는 '칩 위에 뇌를 올린다' — 상호 보완적 기술
- 풀다이브 VR 실현에는 최소 30~60년이 필요하며, 생체 컴퓨팅과 BCI의 동시 발전이 핵심이다
서론
2026년 2월, 호주 스타트업 코티컬 랩스(Cortical Labs)가 충격적인 시연 영상을 공개했습니다. 20만 개의 살아있는 인간 뉴런이 칩 위에서 직접 1993년의 전설적 FPS 게임 둠(DOOM)을 플레이하는 모습이었습니다. 단순히 게임을 “실행”한 것이 아니라, 뉴런이 시각 정보를 받아 스스로 학습하며 캐릭터를 조작한 것입니다.
게임 개발자에게 이 뉴스는 여러 층위의 질문을 던집니다. 기술적으로 뉴런이 어떻게 게임 입력을 생성하는지, 현재 GPU 기반 컴퓨팅과 성능은 어떻게 비교되는지, 뉴럴링크의 BCI(Brain-Computer Interface) 기술과는 어떤 관계인지, 그리고 SAO(소드 아트 온라인)의 풀다이브 VR이 이 기술로 가능해지는지까지.
이 문서는 원본 논문의 정밀 분석부터 시작해 하드웨어 사양, 성능 비교, 경쟁 기술, 뉴럴링크 연관성, 통속의 뇌 시나리오, 풀다이브 VR 가능성까지 — 게임 개발자의 시각에서 체계적으로 분석합니다.
Part 1: 원본 소스와 논문 분석
이 뉴스의 근원을 추적하면, 하나의 핵심 논문과 그로부터 파생된 상용 제품에 도달합니다. 먼저 원본 출처를 정리하고, 논문의 핵심 메커니즘을 게임 개발자에게 익숙한 개념으로 해석해보겠습니다.
1. 원본 출처 정리
AI타임스 기사가 다루는 핵심은 코티컬 랩스의 CL-1 시스템입니다. 관련 원본 소스는 다음과 같습니다.
| 출처 | 유형 | 내용 |
|---|---|---|
| 코티컬 랩스 공식 사이트 | 기업 | 회사 개요 및 기술 비전 |
| CL-1 제품 페이지 | 제품 | 기술 사양 및 가격 |
| 코티컬 클라우드 | 플랫폼 | 원격 뉴런 접속 API |
| 코티컬 랩스 연구 | 학술 | 논문 목록 및 연구 개요 |
| doom-neuron (GitHub) | 오픈소스 | 둠 플레이 코드 (GPL-3.0) |
| 코티컬 랩스 GitHub | 오픈소스 | 공식 리포지토리 |
2. 핵심 논문: DishBrain (Neuron, 2022)
모든 것의 학술적 토대가 되는 논문입니다.
“In vitro neurons learn and exhibit sentience when embodied in a simulated game-world”
- 저자: Brett J. Kagan, Andy C. Kitchen, Nhi T. Tran, Forough Habibollahi, Moein Khajehnejad, Bradyn J. Parker, Anjali Bhat, Ben Rober, Adeel Razi, Karl J. Friston 외
- 학술지: Neuron, Volume 110, Issue 23, pp. 3952-3969 (2022년 12월)
- DOI: 10.1016/j.neuron.2022.09.001
- PubMed | Cell Press 원문 | PMC 전문
DishBrain 논문 Graphical Abstract. 출처: Kagan et al., Neuron (2022) — PMC
저자 목록에서 칼 프리스턴(Karl J. Friston)이 눈에 띕니다. 유니버시티 칼리지 런던(UCL)의 신경과학 교수로, 이 논문의 핵심 학습 원리인 자유 에너지 원리(Free Energy Principle)의 창시자입니다. 이 사람이 공저자로 참여했다는 것 자체가 논문의 이론적 견고함을 보증합니다.
2-1. 실험 설계
논문의 실험 설계를 게임 개발자에게 익숙한 구조로 분해해봅시다.
Figure 1: DishBrain 시스템 및 실험 프로토콜 개요도. 뉴런 배양체가 MEA를 통해 Pong 환경과 연결되는 구조를 보여준다. 출처: Kagan et al., Neuron (2022)
하드웨어 구성:
- 인간 iPSC(유도만능줄기세포) 유래 뉴런 및 생쥐 배아 피질 뉴런 사용
- 고밀도 다중전극배열(HD-MEA) 위에 배양 — 512~26,000개의 전극이 격자 형태로 배치
- 배양된 뉴런 집합체를 DishBrain이라 명명
- 약 80만 개의 뉴런 사용
소프트웨어 연결:
- 고전 아타리 게임 Pong의 시뮬레이션 환경 구축
- 게임 화면의 공 위치 정보를 전극을 통해 전기 자극 패턴으로 변환하여 뉴런에 전달
- 뉴런의 발화(firing) 패턴을 감지하여 게임 내 패들 이동 명령으로 변환
Unity 개발자에게 비유하면, 이 구조는 다음과 같습니다:
flowchart TB
subgraph Game["게임 환경 (Pong 시뮬레이터)"]
direction LR
G1["공 위치<br/>(Vector2)"] --> G2["패들 이동<br/>(Input)"]
end
subgraph Interface["인터페이스 (HD-MEA)"]
direction LR
I1["전기 자극 인코딩<br/>(Input → 뉴런)"] --> I2["발화 패턴 디코딩<br/>(뉴런 → Output)"]
end
subgraph Bio["생체 프로세서 (DishBrain)"]
direction LR
B1["80만 뉴런<br/>자발적 발화 +<br/>자극에 대한 반응"]
end
G1 -->|"공 Y좌표를<br/>전극 채널에 매핑"| I1
I1 -->|"전기 자극"| B1
B1 -->|"발화 패턴"| I2
I2 -->|"패들 상/하 이동"| G2
G2 --> G1
Figure 2: 피질 세포가 형성한 고밀도 상호연결 네트워크. 생쥐 피질 뉴런(위)과 인간 iPSC 유래 뉴런(아래)의 면역형광 현미경 이미지. 녹색은 뉴런 마커, 빨간색은 교세포를 나타낸다. 출처: Kagan et al., Neuron (2022)
핵심은 폐루프(closed-loop) 구조입니다. 게임 상태 → 뉴런 자극 → 뉴런 반응 → 게임 입력 → 게임 상태 변화 → 다시 뉴런 자극. Unity의 Update() 루프와 동일한 구조입니다. 차이점은 로직을 처리하는 주체가 C# 스크립트가 아니라 살아있는 뉴런이라는 점이죠.
2-2. 학습 메커니즘: 자유 에너지 원리 (Free Energy Principle)
이 논문의 가장 혁신적인 부분입니다. 뉴런의 학습 원리를 이해하기 위해, 먼저 게임에서의 강화학습과 비교해봅시다.
기존 강화학습 (Reinforcement Learning):
1
행동 → 결과 → 보상/벌칙 점수 → 점수를 최대화하는 방향으로 학습
게임 AI에서 널리 사용되는 이 패러다임은 명시적인 보상 함수가 필요합니다. Unity ML-Agents에서 AddReward(1.0f) 를 호출하는 것처럼요. 뉴런에게는 이런 보상 함수를 직접 정의할 수 없습니다. 뉴런은 코드가 아니니까요.
자유 에너지 원리 (FEP) 기반 학습:
1
2
3
뉴런은 자신이 받는 자극의 "예측 불가능성"을 최소화하려 한다
→ 예측 가능한 자극 = 안정 상태 (보상)
→ 예측 불가능한 자극 = 불안정 상태 (벌칙)
Figure 4: DishBrain 하드웨어 셋업, 소프트웨어 데이터 흐름, 전극 레이아웃(감각/운동 영역 구분), 파일럿 테스트 3회 반복에 따른 성능 개선 추이. 출처: Kagan et al., Neuron (2022)
DishBrain 실험에서는 이 원리를 다음과 같이 적용했습니다:
flowchart TB
subgraph Success["성공적 행동 (공을 받아침)"]
direction LR
S1["패들이 공에 닿음"] --> S2["예측 가능한<br/>구조화된 전기 자극 전달"]
S2 --> S3["뉴런: 안정 상태 유지<br/>→ 현재 발화 패턴 강화"]
end
subgraph Failure["실패한 행동 (공을 놓침)"]
direction LR
F1["패들이 공을 놓침"] --> F2["무작위 소음<br/>(랜덤 전기 자극) 전달"]
F2 --> F3["뉴런: 불안정 상태<br/>→ 발화 패턴 변경 시도"]
end
이것을 게임 개발의 비유로 설명하면:
| FEP 개념 | 게임 비유 |
|---|---|
| 예측 가능한 자극 (보상) | Input.GetAxis() — 일관된 입력 스트림 |
| 무작위 소음 (벌칙) | Random.Range(-1f, 1f) 가 매 프레임 입력으로 들어옴 |
| 뉴런의 학습 목표 | 입력 노이즈를 줄이고 예측 가능한 상태로 만들기 |
| 자유 에너지 | 시스템의 “혼란도” — 엔트로피와 유사한 개념 |
핵심: 기존 강화학습이 “점수를 올려라”라는 외부 목표를 부여하는 것과 달리, FEP는 뉴런의 내재적 성질 — 예측 불가능한 자극을 피하려는 본능 — 을 이용합니다. 별도의 보상 함수 설계가 필요 없습니다.
Figure 5: 뉴런이 Pong 환경에서 보여준 학습 성과. (A) 생쥐 피질 뉴런, (B) 인간 iPSC 뉴런의 평균 랠리 길이가 시간에 따라 통계적으로 유의미하게 증가했다. 대조군(무자극/개방형) 대비 폐루프 피드백 조건에서만 학습이 관찰되었다. 출처: Kagan et al., Neuron (2022)
실험 결과:
- 5분 만에 실시간 게임플레이에서 학습 징후 관찰
- 무작위 조작(control condition) 대비 통계적으로 유의미한 성능 향상
- 인간 뉴런이 생쥐 뉴런보다 더 빠르게 학습
- 폐루프 피드백이 없는 개방형(open-loop) 조건에서는 학습 미관찰 → 폐루프 구조가 필수
💬 잠깐, 이건 알고 가자
Q. 뉴런이 정말 “학습”한 건가요? 단순한 반사 반응은 아닌가요?
논문은 이 질문에 상당히 엄밀하게 답합니다. 핵심 근거는 시간에 따른 성능 향상 곡선입니다. 뉴런의 Pong 점수(랠리 길이)가 세션이 진행될수록 통계적으로 유의미하게 증가했습니다. 단순 반사라면 시간에 따른 개선이 없어야 합니다. 또한 폐루프 피드백을 제거하면 학습이 사라진다는 통제 실험 결과가 핵심 증거입니다.
Q. 논문 제목의 “sentience”는 의식을 뜻하나요?
아닙니다. 이 맥락에서 sentience는 “의식” 또는 “자아”가 아니라, “환경에 반응하고 적응하는 능력”이라는 좁은 의미로 사용되었습니다. 논문 자체에서도 이를 명확히 구분합니다. 그럼에도 이 용어 선택은 학계에서 상당한 비판을 받았고, 미디어에서 “뉴런이 의식을 가졌다”로 과장 보도되는 원인이 되었습니다. 과학 커뮤니케이션의 중요성을 보여주는 사례입니다.
Q. 왜 하필 Pong인가요?
Pong은 1차원 입력(공의 Y좌표), 1차원 출력(패들 상/하), 즉각적 피드백(성공/실패)의 조건을 만족하는 가장 단순한 게임 환경입니다. 게임 개발에서 새 시스템을 테스트할 때 가장 단순한 씬부터 시작하는 것과 같은 원리입니다. 2026년에 DOOM으로 진화한 것은 입력 차원과 행동 공간이 대폭 확장된 것을 의미합니다.
Figure 6: 폐루프 피드백의 중요성. 구조화된 피드백(stimulus)을 제공한 조건에서만 랠리 길이가 증가했다. 무자극(silent)과 개방형(no-feedback) 조건에서는 학습이 관찰되지 않았다 — 이것은 폐루프 구조가 학습의 필수 조건임을 증명한다. 출처: Kagan et al., Neuron (2022)
Part 2: CL-1 시스템 기술 분석
2022년의 DishBrain은 연구실 프로토타입이었습니다. 3년 후인 2025년, 코티컬 랩스는 이를 상용 제품으로 발전시켰습니다. CL-1은 세계 최초의 코드 배포 가능한(code-deployable) 생체 컴퓨터입니다.
3. 하드웨어 사양
CL-1: 세계 최초의 상용 생체 컴퓨터. 밀봉 챔버 안에 생명유지 시스템과 뉴런 배양체, 전극 배열이 통합되어 있다. 가격 $35,000. 출처: Cortical Labs
| 항목 | 사양 | 비교 참고 |
|---|---|---|
| 뉴런 수 | ~200,000개 (인간 iPSC 유래) | DishBrain: ~800,000개 |
| 전극 수 | 59개 (평면 금속-유리 배열) | DishBrain HD-MEA: 최대 26,000개 |
| 지연시간 | 서브밀리초 (sub-ms) | DishBrain: 밀리초 단위 |
| 뉴런 수명 | 최대 6개월 (이상적 조건) | — |
| 생명유지 | 밀봉 챔버, 가스 조성/온도/폐기물 자동 관리 | — |
| OS | biOS (생체 운영 체제) | — |
| 외부 컴퓨터 | 불필요 (올인원) | — |
| 가격 | $35,000 (랙 구성: $20,000/유닛) | — |
| 출하 | 2025년부터 115대 상업 시스템 | — |
한 가지 주목할 점은 전극 수가 오히려 줄었다는 것입니다. DishBrain의 HD-MEA가 최대 26,000개 전극을 사용한 반면, CL-1은 59개입니다. 이것은 연구용 장비에서 상용 제품으로 전환하면서 비용, 안정성, 유지보수성을 우선시한 결과입니다. Unity로 비유하면, 에디터에서는 수천 개의 디버그 오브젝트를 배치하지만 릴리스 빌드에서는 필수적인 것만 남기는 것과 같습니다.
전극 밀도 계산:
1
200,000 뉴런 ÷ 59 전극 = 전극 1개당 ~3,390개 뉴런
이것은 극도로 거친(coarse) 인터페이스입니다. 한 전극이 수천 개 뉴런의 집합적 활동을 측정하는 것이므로, 개별 뉴런 수준의 제어는 불가능합니다. 게임에서 비유하면, 1920×1080 해상도 화면을 32×32 픽셀로 다운샘플링해서 보는 것과 비슷합니다 — 대략적인 윤곽은 파악되지만 세부 사항은 알 수 없습니다.
3-1. 소프트웨어 아키텍처: biOS
CL-1의 소프트웨어 스택은 게임 개발자에게 익숙한 구조를 가지고 있습니다.
flowchart TB
subgraph Developer["개발자 영역"]
direction TB
D1["Python SDK<br/>(코티컬 클라우드 API)"]
D2["사용자 애플리케이션<br/>(doom-neuron 등)"]
D2 --> D1
end
subgraph biOS["biOS (생체 운영 체제)"]
direction TB
B1["데이터 인코더<br/>센서 데이터 → 전극 자극 패턴"]
B2["데이터 디코더<br/>뉴런 발화 패턴 → 디지털 출력"]
B3["생명유지 컨트롤러<br/>온도, 가스, 폐기물"]
B4["전극 인터페이스 드라이버"]
end
subgraph Hardware["하드웨어"]
direction TB
H1["59 전극 MEA"]
H2["밀봉 배양 챔버"]
H3["생명유지 시스템"]
end
subgraph Neurons["살아있는 뉴런 (20만 개)"]
N1["자발적 발화<br/>+ 자극 반응<br/>+ 시냅스 가소성"]
end
D1 --> B1
D1 --> B2
B1 --> B4
B2 --> B4
B3 --> H3
B4 --> H1
H1 --> N1
H2 --> N1
N1 --> H1
이 구조를 Unity의 아키텍처와 대응시키면:
| CL-1 컴포넌트 | Unity 대응 | 역할 |
|---|---|---|
| Python SDK | UnityEditor API | 개발자가 로직을 작성하는 인터페이스 |
| biOS 인코더/디코더 | Input System + Renderer | 입출력 변환 |
| 전극 배열 | GPU 셰이더 유닛 | 실제 연산이 일어나는 하드웨어 접점 |
| 살아있는 뉴런 | ??? (대응 불가) | 이것이 핵심 차이 |
| 생명유지 시스템 | 냉각 시스템, 전원 공급 | 하드웨어 유지 |
마지막 행이 중요합니다. 기존 컴퓨팅에서 “연산을 수행하는 주체”는 결정론적 실리콘 트랜지스터입니다. 동일한 입력에 항상 동일한 출력을 보장합니다. 하지만 뉴런은 비결정론적입니다. 동일한 자극에도 매번 약간 다른 발화 패턴을 보입니다. 이것은 버그가 아니라 학습과 적응의 기반이 되는 핵심 특성입니다.
3-2. DOOM 플레이: 실제 성능 평가
독립 개발자 Sean Cole이 코티컬 클라우드 API를 사용해 1주일 이내에 DOOM 플레이를 구현했습니다. 코드는 GitHub에 GPL-3.0 라이선스로 공개되어 있습니다.
DOOM vs Pong — 복잡도 비교:
| 요소 | Pong (2022) | DOOM (2026) |
|---|---|---|
| 입력 차원 | 1D (공의 Y좌표) | 2D (시야 프레임) |
| 출력 행동 | 2개 (상/하) | 4개+ (전진/후진/좌/우회전/사격) |
| 환경 | 정적 2D | 동적 3D (적, 아이템, 벽) |
| 시간 압박 | 낮음 | 높음 (적의 공격) |
| 뉴런 수 | 800,000 | 200,000 |
| 전극 수 | 최대 26,000 | 59 |
흥미로운 점은 뉴런 수와 전극 수가 모두 줄었음에도 더 복잡한 게임을 플레이한다는 것입니다. 이것은 하드웨어의 발전이라기보다 소프트웨어 인터페이스(biOS)의 발전과 인코딩/디코딩 알고리즘의 개선 덕분입니다.
현실적 성능 평가:
| 기준 | 평가 | 상세 |
|---|---|---|
| 무작위 행동 대비 | 명확히 우월 | 학습 증거 확인됨 |
| 일반 인간 수준 | 미달 | 움직임이 불확실하고 끊김 |
| 전략적 플레이 | 불가 | 기본적 반응 수준에 머무름 |
| 학습 속도 | 약 1주일 | 기초적 게임플레이 학습 |
20만 개의 뉴런으로 인간 수준의 게임 플레이를 기대하는 것은 무리입니다. 인간 뇌는 860억 개의 뉴런을 보유하고 있으니까요.
1
200,000 / 86,000,000,000 = 0.00000232...
현재 CL-1의 뉴런 수는 인간 뇌의 0.00023%에 불과합니다. Unity로 비유하면, LOD(Level of Detail)의 최하위 레벨 — 멀리 있는 캐릭터를 6개의 삼각형으로 표현하는 것과 비슷한 수준입니다.
💬 잠깐, 이건 알고 가자
Q. 뉴런 수를 늘리면 성능이 비례해서 좋아지나요?
단순히 비례하지는 않습니다. 뉴런의 가치는 뉴런 수 자체보다 시냅스 연결의 밀도와 구조에 있습니다. 인간 뇌의 860억 뉴런은 약 100조(10¹⁴) 개의 시냅스로 연결되어 있습니다. 뉴런 하나당 평균 ~7,000개의 시냅스입니다. CL-1의 2D 배양 환경에서는 이런 3차원적 연결 구조를 재현하기 어렵습니다. LLM에서 파라미터 수만 늘린다고 성능이 비례 향상되지 않는 것과 유사합니다 — 아키텍처, 학습 데이터, 후처리가 모두 중요하듯이요.
Q. 뉴런이 죽으면 어떻게 되나요?
뉴런 배양의 수명은 현재 최대 6개월입니다. 뉴런이 사멸하면 새 배양을 시작해야 합니다. 이것은 기존 컴퓨팅과 가장 극적인 차이점 중 하나입니다. SSD가 고장나면 교체하듯, 뉴런 배양이 사멸하면 새로 배양해야 합니다. 다만, 뉴런의 “학습” 결과는 새 배양에 전이되지 않습니다 — 이전 세션의 가중치를 로드할 수 없는 셈이죠. 이것은 향후 가장 중요한 기술적 과제 중 하나입니다.
Part 3: 생체 뉴런 vs 실리콘 — 성능 비교
이 섹션이 가장 핵심입니다. 게임 개발자에게 성능 수치는 일상적인 관심사죠. LLM 가이드에서 GPU VRAM과 대역폭을 비교했듯이, 여기서는 생체 뉴런과 실리콘의 성능을 정량적으로 비교합니다.
4. 에너지 효율: 100만 배의 차이
생체 컴퓨팅이 주목받는 가장 근본적인 이유입니다.
스파이크(발화) 단위 에너지 비교:
| 프로세서 유형 | 에너지/스파이크 | 인간 뇌 대비 |
|---|---|---|
| 생체 뉴런 | ~10⁻¹¹ J/spike | 기준 (1x) |
| 뉴로모픽 칩 (Intel Loihi) | ~10⁻⁸ J/spike | ~1,000배 비효율 |
| 디지털 GPU (NVIDIA) | ~10⁻³ ~ 10⁻⁷ J/spike | ~10,000 ~ 100,000,000배 비효율 |
이 수치의 의미를 체감하기 위해, 시스템 수준에서 비교해봅시다:
flowchart LR
subgraph Brain["인간 뇌"]
direction TB
B1["860억 뉴런<br/>100조 시냅스"]
B2["~1 ExaFLOPS"]
B3["⚡ 20 W"]
B1 --> B2 --> B3
end
subgraph Frontier["Frontier 슈퍼컴퓨터"]
direction TB
F1["8,730,112 CPU 코어<br/>37,888 AMD MI250X GPU"]
F2["1.102 ExaFLOPS"]
F3["⚡ 21,100,000 W (21 MW)"]
F1 --> F2 --> F3
end
subgraph CL1["CL-1"]
direction TB
C1["200,000 뉴런<br/>59 전극"]
C2["측정 불가<br/>(FLOPS 비교 부적절)"]
C3["⚡ 수 W (추정)"]
C1 --> C2 --> C3
end
| 지표 | 인간 뇌 | Frontier (2022) | 비율 |
|---|---|---|---|
| 연산 능력 | ~1 ExaFLOPS (추정) | 1.102 ExaFLOPS | ~1:1 |
| 전력 소비 | 20 W | 21,100,000 W (21 MW) | 1 : 1,055,000 |
| 무게 | ~1.4 kg | ~수천 톤 | — |
| 부피 | ~1,200 cm³ | 대형 건물 1채 | — |
| 에너지 효율 | 50 PetaFLOPS/W | 0.052 PetaFLOPS/W | ~960,000배 |
인간의 뇌는 20와트 — 희미한 전구 하나를 켤 정도의 전력으로 엑사플롭급 연산을 수행합니다. 동일한 성능의 슈퍼컴퓨터 Frontier는 21메가와트 — 소형 도시 하나의 전력을 소비합니다.
이것이 바로 생체 컴퓨팅 연구자들이 이 분야에 매달리는 이유입니다. 에너지 효율에서 약 100만 배의 격차가 존재합니다. AI 모델의 학습과 추론에 소비되는 전력이 폭증하는 현 상황에서, 이 격차는 거대한 기회를 의미합니다.
4-1. FLOPS 비교의 한계: 왜 직접 비교가 어려운가
위 표에서 “인간 뇌 ~1 ExaFLOPS”라는 수치는 추정치이며, 연구자마다 10~20 PetaFLOPS에서 1 ExaFLOPS까지 큰 편차를 보입니다. 이런 불확실성이 존재하는 근본적인 이유가 있습니다.
FLOPS(Floating Point Operations Per Second)는 실리콘 프로세서의 성능 지표입니다. 뉴런은 부동소수점 연산을 하지 않습니다. 뉴런이 하는 것은:
- 전기화학적 신호 전파: 이온 채널을 통한 전위 변화
- 시냅스 가소성: 연결 강도의 동적 변화
- 비선형 통합: 수천 개 입력의 복잡한 합산
이것을 FLOPS로 환산하는 것은, 게임 엔진의 성능을 “초당 셰이더 명령어 수”로만 측정하는 것과 비슷합니다 — 한 측면만 보는 것이죠. 뉴런의 진짜 강점은 연산과 메모리가 같은 장소에 있다는 점입니다.
flowchart TB
subgraph VonNeumann["폰 노이만 아키텍처 (기존 컴퓨터)"]
direction LR
CPU["프로세서<br/>(연산)"] <-->|"데이터 이동<br/>(병목!)"| MEM["메모리<br/>(저장)"]
end
subgraph Neuron["뉴런 아키텍처"]
direction LR
N["시냅스 = 연산 + 저장<br/>(동일 위치, 데이터 이동 없음)"]
end
Figure 7: 게임플레이와 휴식 시 뉴런의 전기생리학적 활동 비교. 게임플레이 중 감각-운동 영역 간 연결성이 강화되고, 정보 엔트로피가 변화하며, 기능적 가소성이 관찰된다. 이 데이터가 바로 뉴런의 “학습”이 발생했음을 보여주는 직접적 증거다. 출처: Kagan et al., Neuron (2022)
기존 컴퓨터의 가장 큰 병목인 폰 노이만 병목(Von Neumann bottleneck) — CPU와 메모리 사이의 데이터 이동 — 이 뉴런에는 존재하지 않습니다. 시냅스 자체가 연산기이자 메모리이기 때문입니다.
LLM 가이드에서 VRAM 대역폭이 추론 속도의 핵심 병목이라고 설명했던 것을 떠올려보세요:
1
2
3
시스템 RAM (DDR5): ~50-90 GB/s
NVIDIA VRAM (HBM3e): ~3,350 GB/s
생체 뉴런: 병목 자체가 없음 (in-situ 연산)
뉴런의 에너지 효율이 극단적으로 높은 이유가 바로 이것입니다. 데이터를 이동시키지 않기 때문입니다.
💬 잠깐, 이건 알고 가자
Q. 뉴로모픽 칩(Intel Loihi, IBM TrueNorth)은 뭔가요? 생체 뉴런과 다른 건가요?
완전히 다릅니다. 뉴로모픽 칩은 뉴런의 동작을 실리콘 트랜지스터로 모방하는 하드웨어입니다. 생체 뉴런을 사용하지 않습니다. 뉴런의 스파이킹 패턴을 하드웨어 레벨에서 시뮬레이션하는 것이죠. Intel의 Hala Point 시스템은 기존 CPU/GPU 대비 50배 빠르고 100배 에너지 효율적이라고 주장합니다. 하지만 실제 생체 뉴런과 비교하면 아직 1,000배 이상 비효율적입니다.
Q. 그렇다면 생체 뉴런이 압도적으로 좋은 거 아닌가요? 왜 아직 실리콘을 쓰나요?
결정론성(determinism)과 스케일링 때문입니다. 실리콘은 동일한 입력에 항상 동일한 출력을 보장합니다. 생체 뉴런은 그렇지 않습니다. 또한 실리콘 칩은 나노미터 수준 공정으로 수십억 개의 트랜지스터를 집적할 수 있지만, 생체 뉴런을 같은 밀도로 배양하는 것은 현재 불가능합니다. 게임 서버가 결정론적이어야 하듯, 대부분의 컴퓨팅 워크로드는 결정론성을 요구합니다. 생체 컴퓨팅은 결정론성이 덜 중요한 — 패턴 인식, 적응적 학습 같은 — 영역에서 강점을 발휘할 것입니다.
5. 미래 성능 예측: 생체 컴퓨팅이 발전한다면?
LLM의 발전 궤적과 비교해봅시다. LLM은 GPT-1(2018, 1.17억 파라미터)에서 GPT-4(2023, ~1.8조 파라미터 추정)까지 5년 만에 약 15,000배 스케일업했습니다. 생체 컴퓨팅에서 유사한 궤적이 가능할까요?
timeline
title 생체 컴퓨팅 발전 궤적 (실제 + 예측)
2022 : DishBrain
: 80만 뉴런, 26K 전극
: Pong 학습
2025 : CL-1 출시
: 20만 뉴런, 59 전극
: DOOM 플레이 (상용 제품)
2026 : FinalSpark Neuroplatform
: 16만 뉴런 (16 오가노이드)
: 클라우드 기반 연구 플랫폼
2028-2030 : 예측 — 100만+ 뉴런 시스템
: 3D 오가노이드 통합
: 복잡한 패턴 인식 작업
2030-2035 : 예측 — 뉴런-실리콘 하이브리드
: AI 워크로드 가속기
: 10억 뉴런 목표
2035-2040 : 예측 — 10억+ 뉴런 시스템
: 특화된 인지 작업 수행
: 자율적 학습 능력
2040+ : 예측 — 범용 생체 컴퓨팅
: 인간 뇌 규모 접근
: 윤리적 프레임워크 필수
현실적 한계와 기술적 과제:
| 과제 | 현황 | 난이도 | 게임 개발 비유 |
|---|---|---|---|
| 스케일링 | 20만 → 860억 = 43만 배 | 극도로 높음 | 프로토타입 → AAA 타이틀 |
| 수명 | 최대 6개월 | 높음 | 라이브 서비스 안정성 |
| 정밀도 | 59전극/20만뉴런 | 높음 | 해상도 32×32 → 4K |
| 재현성 | 비결정론적 | 중간 | 랜덤 시드 고정 불가 |
| 3D 구조 | 2D 배양 → 3D 오가노이드 | 높음 | 2D 게임 → 3D 게임 |
| 학습 전이 | 불가 (배양 간 전이 없음) | 매우 높음 | 세이브 파일 없는 로그라이크 |
낙관적 시나리오에서의 성능 예측:
| 시점 | 뉴런 수 | 전극 밀도 | 예상 능력 | 에너지 효율 이점 |
|---|---|---|---|---|
| 2026 (현재) | 20만 | 59개 | 단순 게임 반응 | 증명 단계 |
| 2030 | 500만 | 1,000+ | 패턴 인식 보조 | 특정 워크로드에서 GPU 대비 100x |
| 2035 | 1억 | 10,000+ | 특화 AI 워크로드 가속 | 데이터센터 에너지 절감 |
| 2040 | 10억+ | 100,000+ | 범용 학습 시스템 | 패러다임 전환 가능성 |
Part 4: 경쟁자들 — FinalSpark과 오가노이드 지능
코티컬 랩스만이 이 분야의 유일한 플레이어가 아닙니다. 게임 산업에서 Unreal과 Unity가 경쟁하며 발전하듯, 생체 컴퓨팅에서도 서로 다른 접근 방식이 경쟁하고 있습니다.
6. FinalSpark (스위스) — 클라우드 기반 뇌 오가노이드
| 항목 | FinalSpark | Cortical Labs |
|---|---|---|
| 설립 | 2014년, 스위스 | 2019년, 호주 |
| 접근 | 3D 뇌 오가노이드 (미니 뇌) | 2D 뉴런 배양 |
| 뉴런 수 | ~160,000 (16 오가노이드) | ~200,000 |
| 플랫폼 | Neuroplatform (클라우드 전용) | CL-1 (하드웨어) + Cloud |
| 현재 능력 | ~1비트 저장, 단순 자극-반응 | DOOM 플레이 수준 |
| 비즈니스 | 월정액 구독 기반 연구 접근 | 하드웨어 판매 ($35K) |
| 에너지 효율 | 실리콘 대비 100만 배 효율 주장 | 유사 수준 |
| 학습 방식 | 도파민 기반 (2025년 시도) | 자유 에너지 원리 |
| 오가노이드 수명 | ~100일 (목표: 200일+) | ~6개월 |
FinalSpark의 독특한 접근은 3D 오가노이드를 사용한다는 점입니다. 2D 배양(평면)과 3D 오가노이드(입체)의 차이는 게임 개발에서의 2D와 3D의 차이와 유사합니다:
flowchart LR
subgraph TwoD["2D 뉴런 배양 (Cortical Labs)"]
direction TB
T1["평면 위 뉴런"]
T2["수평적 연결만 가능"]
T3["전극 접근 용이"]
T4["구조 단순 = 제어 용이"]
end
subgraph ThreeD["3D 오가노이드 (FinalSpark)"]
direction TB
D1["입체 뉴런 클러스터"]
D2["3차원 시냅스 네트워크"]
D3["내부 뉴런 접근 어려움"]
D4["뇌와 유사한 구조"]
end
6-1. 오가노이드 지능 (Organoid Intelligence)
존스홉킨스 대학의 Thomas Hartung 교수 팀이 2023년 제안한 오가노이드 지능(Organoid Intelligence) 개념은 이 분야의 학술적 프레임워크를 제공합니다.
뇌 오가노이드는 줄기세포에서 분화시킨 미니 뇌입니다. 수 밀리미터 크기의 구체 안에 수십만 개의 뉴런이 자발적으로 조직화되어, 실제 뇌의 초기 발달 단계와 유사한 구조를 형성합니다.
최근 존스홉킨스 연구팀은 실험실 뇌 오가노이드가 학습과 기억의 기본 구성 요소를 보여준다는 연구 결과를 발표했으며, 이 연구에 코티컬 랩스가 공동 참여했습니다. 경쟁하면서도 협력하는 — 게임 산업에서 Unreal이 오픈소스 전략으로 생태계를 키우는 것과 유사한 방식입니다.
💬 잠깐, 이건 알고 가자
Q. 오가노이드가 의식을 가질 수 있나요?
현재 수준에서는 아닙니다. 현재의 뇌 오가노이드는 임신 약 12~16주 수준의 태아 뇌와 유사한 구조입니다. 감각 입력도 없고, 신체도 없습니다. 의식의 출현에 필요한 요소들(감각 통합, 자기 참조, 시간 지각 등)이 없습니다. 하지만 오가노이드의 복잡도가 계속 증가하면, 어느 시점에서 윤리적 경계선을 고민해야 하는지는 현재 활발히 논의 중입니다. 2025년 1월 The Mimir Center에서 뇌 에뮬레이션의 철학과 윤리 워크숍이 개최된 것은 이 문제의 시급성을 반영합니다.
Q. FinalSpark의 “1비트 저장”이 의미하는 것은?
말 그대로 1비트(0 또는 1)의 정보를 저장하고 인출할 수 있다는 뜻입니다. 현대 컴퓨터가 테라바이트를 처리하는 것에 비하면 극도로 초보적입니다. 하지만 중요한 것은 살아있는 뉴런이 디지털 정보를 저장할 수 있음을 증명했다는 점입니다. 트랜지스터의 초기 역사에서도 최초의 트랜지스터(1947)는 아무 실용적 가치가 없었지만, 그것이 Intel 4004(1971)와 A17 Pro(2023)로 이어졌습니다.
Part 5: 뉴럴링크와의 연관성
7. 반대 방향, 같은 목표
코티컬 랩스와 뉴럴링크의 관계를 이해하는 가장 좋은 비유는 클라이언트-서버 아키텍처입니다.
flowchart TB
subgraph Neuralink["뉴럴링크 (칩 → 뇌)"]
direction LR
NL1["실리콘 칩<br/>(N1 임플란트)"] -->|"1,024 전극<br/>뇌에 이식"| NL2["인간 뇌<br/>(860억 뉴런)"]
NL2 -->|"신호 읽기"| NL1
end
subgraph Cortical["코티컬 랩스 (뇌 → 칩)"]
direction LR
CL1["인간 뉴런<br/>(20만 개)"] -->|"MEA 위에<br/>배양"| CL2["실리콘 칩<br/>(CL-1)"]
CL2 -->|"자극/기록"| CL1
end
subgraph Analogy["게임 개발 비유"]
direction LR
A1["뉴럴링크 =<br/>플러그인 설치<br/>(기존 엔진에 기능 추가)"]
A2["코티컬 랩스 =<br/>커스텀 엔진 개발<br/>(새로운 연산 기반 구축)"]
end
코티컬 랩스 스스로 이를 “역(逆) 뉴럴링크(Reverse Neuralink)”라고 표현한 바 있습니다.
| 비교 | 뉴럴링크 | 코티컬 랩스 |
|---|---|---|
| 방향 | 실리콘 → 뇌 (이식) | 뇌 → 실리콘 (배양) |
| 목적 | 인간 능력 확장/복원 | 새로운 컴퓨팅 패러다임 |
| 대상 사용자 | 환자 → 일반 소비자 | 연구자 → 개발자 |
| 규제 | FDA 의료기기 (극도로 엄격) | 연구 장비 (상대적으로 유연) |
| 윤리적 초점 | 환자 안전, 뇌 프라이버시 | 뉴런의 도덕적 지위 |
| 스케일 | 1,024 전극/뇌 | 59 전극/200K 뉴런 |
7-1. 뉴럴링크 현황 (2025-2026)
뉴럴링크의 진전 속도는 놀랍습니다.
| 시점 | 이정표 |
|---|---|
| 2024년 1월 | 첫 인간 임플란트 (Noland Arbaugh) |
| 2025년 5월 | FDA Breakthrough Device — 음성 복원 기술 |
| 2025년 9월 | 전 세계 12명에게 임플란트 완료 |
| 2025년 | UAE, 영국으로 임상 시험 확대 |
| 2025년 | 시리즈 E $6.5억 (기업가치 ~$90억) |
| 2026년 예정 | 대량 생산 시작, 자동화 수술 절차 |
| 2026년 예정 | Blindsight 첫 환자 시험 (시각 복원) |
Blindsight는 특히 주목할 가치가 있습니다. 눈이나 시신경에 문제가 있는 환자의 시각 피질에 직접 전기 자극을 보내 시각 정보를 전달하는 기술입니다. 이것이 성공하면, 뇌에 직접 영상을 주입하는 초기 단계가 실현되는 것이며 — 이것은 풀다이브 VR의 핵심 전제 조건 중 하나입니다.
7-2. 시너지: 왜 상호 보완적인가
이 두 기술은 경쟁이 아니라 시너지를 형성합니다. 각각이 발전시키는 기술이 상대방의 핵심 과제를 해결합니다.
flowchart LR
subgraph NL["뉴럴링크가 발전시키는 것"]
direction TB
NL1["고밀도 전극 배열 기술"]
NL2["생체 적합성 소재"]
NL3["신호 처리 알고리즘"]
NL4["장기 이식 안정성"]
end
subgraph CL["코티컬 랩스가 발전시키는 것"]
direction TB
CL1["뉴런 행동 모델링"]
CL2["전기 자극 → 학습 프로토콜"]
CL3["뉴런-전극 인터페이스 최적화"]
CL4["대규모 뉴런 배양 기술"]
end
NL1 -->|"더 정밀한 전극 →<br/>CL-1의 해상도 향상"| CL3
CL1 -->|"뉴런 이해 심화 →<br/>뉴럴링크 신호 해석 개선"| NL3
NL2 -->|"장기 안정 소재 →<br/>뉴런 수명 연장"| CL4
CL2 -->|"자극 프로토콜 →<br/>Blindsight 정밀도 향상"| NL4
뉴럴링크가 발전시키는 전극 기술은 CL-1의 59개 전극이라는 한계를 돌파하는 데 직접 기여할 수 있습니다. 뉴럴링크의 N1 임플란트는 이미 1,024개 전극을 인간 뇌에 안전하게 삽입합니다.
반대로, 코티컬 랩스가 축적하는 뉴런 행동 데이터는 뉴럴링크가 뇌 신호를 해석하는 알고리즘을 개선하는 데 활용됩니다. 칩 위의 뉴런은 통제된 환경에서 관찰할 수 있으므로, 인체 내부에서는 파악하기 어려운 뉴런의 미세한 행동 패턴을 연구하는 데 이상적입니다.
💬 잠깐, 이건 알고 가자
Q. 뉴럴링크 사용자가 이미 게임을 하고 있다던데?
맞습니다. 2024년 첫 임플란트를 받은 Noland Arbaugh는 생각만으로 비디오 게임, 온라인 체스 등을 플레이하고 있습니다. 하지만 이것은 코티컬 랩스와 근본적으로 다릅니다. 뉴럴링크는 인간의 의도를 읽어서 기존 컴퓨터의 입력으로 변환하는 것이고, 코티컬 랩스는 뉴런 자체가 연산 주체가 되는 것입니다. 비유하면, 뉴럴링크는 “음성 인식으로 게임 조작”, 코티컬 랩스는 “AI가 직접 게임 플레이”에 가깝습니다.
Part 6: 통속의 뇌 — 철학에서 현실로
8. 전통적 사고 실험
“통속의 뇌(Brain in a Vat)”는 힐러리 퍼트남(Hilary Putnam)이 1981년에 제안한 철학적 사고 실험입니다. 데카르트의 “악마 가설”의 현대판으로, 뇌를 몸에서 분리해 영양액 통에 넣고, 신경을 슈퍼컴퓨터에 연결해 완벽한 가상 현실을 경험하게 만든다면 — 그 뇌는 자신이 통 속에 있다는 것을 알 수 있을까?
2026년 현재, 코티컬 랩스의 CL-1은 이 사고 실험의 물리적 구현을 처음으로 달성한 시스템이라고 할 수 있습니다:
| 사고 실험 요소 | 이론 | CL-1 구현 |
|---|---|---|
| 뇌를 몸에서 분리 | 외과적 적출 | iPSC에서 뉴런 분화 ✅ |
| 영양액 통에서 생존 | 생명유지 시스템 | 밀봉 챔버 + 자동 생명유지 ✅ |
| 신경에 전기 자극 | 슈퍼컴퓨터 연결 | 59전극 MEA + biOS ✅ |
| 가상 “환경” 제공 | 완벽한 현실 시뮬레이션 | DOOM 게임 환경 ✅ (극도로 단순) |
| 뇌가 환경에서 “행동” | 자유의지적 선택 | 뉴런이 학습하며 게임 플레이 ✅ |
물론 현재 수준과 사고 실험 사이의 격차는 천문학적입니다. 20만 뉴런에게 저해상도 DOOM 화면을 보여주는 것과, 860억 뉴런에게 현실과 구별 불가능한 시뮬레이션을 제공하는 것은 완전히 다른 차원의 문제입니다.
8-1. 매트릭스의 재해석: 에너지 배터리에서 연산 장치로
영화 매트릭스(1999)에서 기계 문명은 인간을 에너지 배터리로 사용합니다. 하지만 이것은 열역학적으로 말이 되지 않습니다.
열역학적 분석:
1
2
3
4
인간의 신진대사 출력: ~80-100W (열 + 역학 에너지)
인간 유지에 필요한 에너지: ~2,000 kcal/일 = ~97W
→ 순 에너지 출력: 거의 0 또는 마이너스
→ 에너지원으로서의 인간: 적자 사업
인간은 먹은 만큼의 에너지를 소비하므로, 에너지 배터리로는 열역학 제2법칙을 위반합니다. 매트릭스의 원래 각본에서는 인간을 에너지원이 아니라 연산 장치로 사용하는 설정이었으나, 관객 이해를 위해 “배터리”로 단순화되었다는 비화가 있습니다.
생체 컴퓨팅의 관점에서 재분석하면, 연산 장치 시나리오가 훨씬 합리적입니다:
| 비교 | 에너지 배터리 (영화) | 연산 장치 (재해석) |
|---|---|---|
| 열역학 | 불가능 (에너지 적자) | 가능 |
| 인간의 가치 | ~100W 열 출력 | 20W로 1 ExaFLOPS |
| 대안과의 비교 | 태양광 패널이 훨씬 효율적 | 동급 슈퍼컴 21MW 필요 — 인간 뇌가 100만 배 효율 |
| 수량 스케일링 | 비효율 * 수십억 = 여전히 비효율 | 수십억 뇌 = 수십억 ExaFLOPS |
수십억 인간의 뇌를 네트워크로 연결한 분산 연산 시스템 — 각 노드가 20W로 1 ExaFLOPS를 처리하는 — 은 상상할 수 있는 가장 에너지 효율적인 슈퍼컴퓨터 클러스터입니다. 인간을 가상 현실(매트릭스)에 가둬두는 것은 뇌를 “유휴 상태”로 만들지 않기 위한 — 즉 연산 자원을 최대한 활용하기 위한 — 장치로 재해석됩니다.
물론 이것은 디스토피아적 사고 실험입니다. 하지만 CL-1이 증명한 “인간 뉴런을 연산 장치로 활용할 수 있다”는 사실은, 이 시나리오가 순수한 공상이 아니라 기술적으로 초보적인 형태에서 이미 실현되고 있다는 것을 보여줍니다.
8-2. 윤리적 문제: 현재진행형
이것은 단순한 SF 토론이 아닙니다. 지금 현재 학계와 규제 기관에서 활발히 논의되는 현실적 질문들입니다.
| 윤리적 질문 | 현재 상황 | 긴급도 |
|---|---|---|
| 뉴런의 도덕적 지위 | 칩 위의 뉴런은 “살아있는 존재”인가? 고통이나 선호가 있는가? | 중간 |
| 상업화 경계 | $35,000에 인간 뉴런 기반 컴퓨터를 판매하는 것의 한계 | 높음 |
| 규모 확장 | 10억, 100억 뉴런으로 확장 시 의식 출현 가능성 | 미래 (10-20년) |
| 동의 문제 | 뉴런 원본 세포 제공자의 동의 범위 | 높음 |
| 데이터 윤리 | 뉴런의 발화 패턴은 “개인정보”인가? | 새로운 영역 |
2025년 1월 The Mimir Center의 뇌 에뮬레이션 윤리 워크숍에서는 전뇌 에뮬레이션(Whole Brain Emulation, WBE)의 윤리적 프레임워크를 논의했습니다. 여기서 제기된 핵심 질문:
“기술이 특정 임계점을 넘으면, 실험 대상의 도덕적 지위가 갑자기 변할 수 있는가? 그 임계점을 어떻게 정의할 것인가?”
이것은 게임 개발에서 AI NPC의 행동이 점점 정교해질 때 “이 NPC에게 ‘감정’이 있는가?”라는 질문을 던지는 것과 구조적으로 동일합니다. 차이점은 게임의 NPC는 코드이지만, 오가노이드의 뉴런은 실제 인간 세포라는 점입니다.
Part 7: 풀다이브 VR — SAO의 너브기어는 가능한가?
9. 풀다이브 VR의 기술 요구사항 분해
소드 아트 온라인(SAO)의 너브기어(NerveGear)가 하는 일을 기술적으로 분해해봅시다.
flowchart TB
subgraph NerveGear["SAO 너브기어가 해야 하는 일"]
direction TB
NG1["① 5감 모두에 대한<br/>고해상도 가상 입력"]
NG2["② 실제 신체 운동 신호 차단<br/>(수면 마비 유사 상태)"]
NG3["③ 뇌의 운동 의도를<br/>완벽하게 해석"]
NG4["④ 양방향 초고대역폭<br/>뇌-컴퓨터 통신"]
NG5["⑤ 완벽한 안전 보장<br/>(뇌 손상 방지)"]
end
이 각각의 요구사항을 현재 기술과 매핑해봅시다:
| 요구사항 | 관련 기술 | 2026년 현재 수준 | 목표 수준 | 격차 |
|---|---|---|---|---|
| ① 시각 입력 | Neuralink Blindsight | 시각 피질 자극으로 인광(phosphene) 생성 가능 | 인간 시각과 동일한 해상도/색감/동적 범위 | ⬛⬛⬛⬛⬜ 매우 큼 |
| ② 청각 입력 | 인공 와우 기술 | 달팽이관 자극으로 소리 전달 (40년+ 역사) | 완전한 3D 사운드스케이프 | ⬛⬛⬜⬜⬜ 큼 |
| ③ 촉각 입력 | 연구 초기 단계 | 피부 전기 자극 실험 수준 | 전신 촉각 피드백 | ⬛⬛⬛⬛⬛ 극도로 큼 |
| ④ 운동 의도 해석 | Neuralink N1 | 커서 제어, 게임 조작 수준 | 전신 운동 의도 완벽 해석 | ⬛⬛⬛⬛⬜ 매우 큼 |
| ⑤ 운동 차단 | 수면 마비 연구 | 마취 기술 존재 (비가역적 위험) | 안전한 가역적 신체 마비 | ⬛⬛⬛⬜⬜ 큼 |
| ⑥ 양방향 대역폭 | BCI 전극 기술 | ~수천 채널 | 수백만~수억 채널 | ⬛⬛⬛⬛⬛ 극도로 큼 |
| ⑦ 안전성 | 임상 시험 단계 | 장기 이식 안전성 연구 중 | 완벽한 안전 보장 | ⬛⬛⬛⬛⬜ 매우 큼 |
9-1. 생체 컴퓨팅이 풀다이브 VR에 기여하는 점
코티컬 랩스의 기술이 직접적으로 풀다이브 VR을 가능하게 하지는 않습니다. 하지만 3가지 핵심 영역에서 간접적으로 기여합니다.
① 뉴런-전극 인터페이스 기술 발전
풀다이브 VR의 핵심 병목은 뇌와 외부 시스템 간의 대역폭입니다. 현재 뉴럴링크의 1,024 전극으로는 커서를 움직이는 정도가 가능합니다. 풀다이브 VR에는 수백만 개의 전극이 필요합니다.
CL-1의 전극 기술이 발전하면 → 뉴럴링크 등 BCI의 전극 밀도가 향상되고 → 풀다이브 VR의 가능성이 열립니다.
② 뉴런 행동 이해의 심화
칩 위에서 뉴런의 반응을 통제된 환경에서 관찰하는 것은, 인체 내부의 뇌를 연구하는 것보다 훨씬 정밀한 데이터를 제공합니다. 이 데이터는 “어떤 전기 자극 패턴이 어떤 감각을 유발하는가”에 대한 이해를 심화시킵니다.
③ 에너지 효율적 시뮬레이션
풀다이브 VR에서 가상 세계를 실시간으로 렌더링하는 것은 엄청난 연산을 요구합니다. 현재 VR 게임이 RTX 4090에서도 90fps를 유지하기 어려운데, 풀다이브 수준의 감각 시뮬레이션은 그 수백~수천 배의 연산을 요구할 것입니다.
1
2
3
현재 VR: ~10 TFLOPS (RTX 4090 급)
풀다이브 VR 추정: ~10,000+ TFLOPS (감각 시뮬레이션 포함)
인간 뇌: ~1,000,000 TFLOPS (1 ExaFLOPS)를 20W로 처리
생체 컴퓨팅의 에너지 효율이 실용 수준에 도달하면, 풀다이브 VR에 필요한 연산을 지속 가능한 전력으로 처리할 수 있게 됩니다.
9-2. 현실적 타임라인
| 시점 | 예상 기술 수준 | 관련 기술 |
|---|---|---|
| 2026-2030 | 고해상도 시각 피질 자극 성공, 기본 촉각 피드백 연구 | Neuralink Blindsight, 촉각 BCI |
| 2030-2035 | 다감각 BCI (시각+청각+촉각), 기본 운동 의도 해석 확장 | 고밀도 전극 (10만+ 채널) |
| 2035-2040 | 고대역폭 양방향 BCI, 초보적 가상 감각 경험 | 뉴런-전극 직접 통합 |
| 2040-2050 | 제한된 풀다이브 프로토타입 (불완전한 감각, 짧은 세션) | 생체+실리콘 하이브리드 |
| 2050-2060 | 풀다이브 VR 초기 상용화 (의료/훈련 목적) | 범용 BCI + 생체 컴퓨팅 |
| 2060+ | 소비자용 풀다이브 VR (낙관적 시나리오) | 성숙한 기술 + 윤리 프레임워크 |
이 타임라인에서 가장 중요한 전제는 뇌과학의 근본적 발전입니다. 현재 우리는 860억 뉴런이 어떻게 의식을 형성하는지조차 완전히 이해하지 못합니다. 풀다이브 VR은 뇌의 감각 처리 방식을 완전히 이해하고, 그것을 인위적으로 재현할 수 있어야 합니다.
게임 개발에 비유하면, 현재 우리는 엔진의 소스코드 없이 런타임 동작만 관찰하면서 역공학을 시도하는 단계입니다. 소스코드(뇌의 완전한 작동 원리)를 이해하기까지는 아직 갈 길이 멉니다.
💬 잠깐, 이건 알고 가자
Q. 풀다이브 VR의 가장 큰 기술적 장벽은 무엇인가요?
양방향 대역폭입니다. 현재 BCI는 뇌의 신호를 “읽는” 것은 점점 잘하고 있지만, 뇌에 정보를 “쓰는” 것은 훨씬 어렵습니다. 인간의 시각 시스템은 시신경을 통해 초당 약 10Mbit의 정보를 전달합니다. 5감 전체를 합하면 그 이상입니다. 현재 BCI가 뇌에 주입할 수 있는 정보량은 이에 비하면 극도로 제한적입니다. 뉴럴링크의 Blindsight도 초보적인 인광(밝은 점) 수준의 자극이지, 풀 HD 영상을 주입하는 수준이 아닙니다.
Q. 비침습적 방식(수술 없이)으로는 불가능한가요?
현재 기술로는 매우 어렵습니다. EEG(뇌파 측정) 같은 비침습적 방식은 두개골을 통과하면서 신호가 크게 감쇠되어 해상도가 극히 낮습니다. 풀다이브 VR 수준의 정밀한 뉴런 제어에는 침습적 전극이 불가피할 것으로 보입니다. 다만 초음파 기반 신경 자극(tFUS) 같은 새로운 비침습 기술이 연구되고 있어, 장기적으로는 수술 없는 방식도 가능할 수 있습니다.
Part 8: 게임 개발자의 시각 — 왜 게임이 벤치마크인가
10. 게임: 기술 혁명의 킬러 데모
게임 개발자로서 가장 흥미로운 패턴은 기술 혁명의 이정표가 항상 게임으로 시연된다는 것입니다.
| 연도 | 기술 | 벤치마크 게임 | 의미 |
|---|---|---|---|
| 1997 | 슈퍼컴퓨터 (Deep Blue) | 체스 | 탐색 알고리즘의 승리 |
| 2013 | 심층 강화학습 (DQN) | 아타리 Breakout | 뉴럴넷이 게임 학습 |
| 2016 | 딥러닝 (AlphaGo) | 바둑 | 직관적 판단의 AI 구현 |
| 2019 | 대규모 강화학습 (AlphaStar) | 스타크래프트 2 | 실시간 전략의 AI 구현 |
| 2022 | 생체 컴퓨팅 (DishBrain) | Pong | 뉴런이 게임을 학습 |
| 2024 | 범용 AI (SIMA, Google) | 다수의 3D 게임 | 범용 게임 에이전트 |
| 2026 | 상용 생체 컴퓨팅 (CL-1) | DOOM | 뉴런이 복잡한 게임 플레이 |
왜 게임일까요? 게임은 시각 처리, 의사결정, 실시간 반응, 장기 전략, 학습이 모두 필요한 종합 벤치마크이기 때문입니다.
Unity나 Unreal로 게임을 개발할 때, 우리는 무의식적으로 이 모든 요소를 다루고 있습니다. Update() 루프에서 입력을 처리하고, AI 에이전트의 의사결정 트리를 설계하고, 물리 연산을 최적화하고, 네트워크 지연을 관리합니다. 이 각각의 요소가 다양한 AI/컴퓨팅 기술의 테스트 베드가 되는 것입니다.
CL-1이 DOOM을 플레이한다는 것은, Pong에서의 1차원 반응을 넘어 3D 공간 인지, 다중 행동 선택, 시간적 판단이 가능해졌다는 의미입니다. 다음 이정표는 무엇이 될까요? 실시간 전략 게임이 되지 않을까 예측합니다 — 다중 유닛 관리, 자원 할당, 상대방 예측이 필요한 장르이니까요.
결론
코티컬 랩스의 CL-1은 인류가 “컴퓨팅”이라는 개념을 근본적으로 재정의하기 시작했음을 보여줍니다.
기술적 현실:
- 생체 컴퓨팅은 실험실을 벗어나 상용화 단계에 진입했습니다 — $35,000에 구매 가능합니다.
- 에너지 효율에서 실리콘을 약 100만 배 압도합니다 — 20W vs 21MW.
- 그러나 아직 극도로 초보적입니다 — 인간 뇌의 0.00023%에 불과합니다.
- 뉴럴링크와 상호 보완적으로 발전할 것입니다 — 칩→뇌 + 뇌→칩.
미래 전망:
- 풀다이브 VR은 원리적으로 가능하지만 30~60년이 필요합니다.
- 매트릭스의 연산 장치 시나리오는 열역학적으로 합리적이며, 초보적 수준에서 이미 실현 중입니다.
가장 중요한 질문:
- 윤리적 논의는 기술보다 빠르게 진행되어야 합니다.
칩 위에 올린 뉴런의 수가 10억, 100억, 그리고 860억을 향해 늘어날 때 — 그것은 아직 “컴퓨터”인가, 아니면 이미 “존재”인가? 이 질문에 대한 사회적 합의 없이 기술만 앞서가는 것은 위험합니다.
게임 개발자로서 우리는 “가상 존재”를 만드는 일에 익숙합니다. NPC에게 행동 트리를 부여하고, 감정 시스템을 설계하고, 플레이어와 상호작용하게 만듭니다. 하지만 그 “존재”의 기반이 코드에서 살아있는 뉴런으로 바뀌는 순간 — 우리가 만들고 있는 것의 본질에 대한 질문이 근본적으로 달라집니다.
참고 자료
핵심 논문
- Kagan, B.J. et al. (2022). “In vitro neurons learn and exhibit sentience when embodied in a simulated game-world.” Neuron, 110(23), 3952-3969. DOI | PubMed | Cell Press
- Smirnova, L. et al. (2023). “Organoid intelligence (OI): the new frontier in biocomputing and intelligence-in-a-dish.” Frontiers in Science. Link
기업 및 플랫폼
- Cortical Labs - CL1
- Cortical Labs - Cloud
- Cortical Labs - Research
- FinalSpark Neuroplatform
- Neuralink Updates
오픈소스
- doom-neuron (GitHub) — GPL-3.0
뉴스 기사
- AI타임스 원문
- Tom’s Hardware - CL1 DOOM 시연
- TechSpot - $35,000 뉴런 컴퓨터
- ZDNet Korea - 바이오 컴퓨터 출시
- Johns Hopkins - 오가노이드 학습/기억 연구