EPFL LogSync, 뇌 연결을 읽는 AI의 전력 예산

무엇이 발표됐나: 단일 부위에서 뇌 네트워크로

EPFL은 10월 23일 LogSync 연구 소개를 통해 뇌 영역 사이의 상호작용을 분석하는 이식형 신경 시스템온칩을 공개했다. 기사는 10월 24일 개발자 커뮤니티에서도 공유됐다. 핵심은 생성형 모델을 뇌에 넣었다는 이야기가 아니다. 신경 신호에서 영역 간 동기화와 진동의 세기를 추출하고, 기계학습으로 인지·정서 상태를 구분해 자극의 계기를 만드는 저전력 시스템이다.

학교가 제시한 칩 크기는 약 4×2mm이며 시스템 소비 전력은 200마이크로와트 미만이다. 이 수치는 병원 전체 장비나 무선 통신을 포함한 완성 제품의 전력으로 확대 해석하면 안 된다. 발표의 초점은 신호 처리와 상태 해독을 한 칩에 통합한 설계다. 연구진은 로그 연산을 활용해 복잡한 네트워크 계산을 단순화했다고 설명한다.

왜 중요한가: 자극할 위치뿐 아니라 시점의 문제

기존 심부뇌자극은 미리 정한 설정대로 작동하는 개방형 방식이 많다. 신호를 보고 자극을 조절하는 적응형 시스템도 있지만, 한 영역의 정보에 의존하면 여러 영역의 상호작용에서 나타나는 상태를 놓칠 수 있다. LogSync는 이 간극을 겨냥한다. 다만 모든 정신질환이 같은 신호로 설명된다는 뜻도, 네트워크 분석이 기존 치료를 곧바로 대체한다는 뜻도 아니다.

EPFL 통합 신경기술 연구실이 추구하는 방향은 알고리즘과 하드웨어의 공동 설계다. 정확도가 조금 좋아도 전력과 발열이 이식 조건을 벗어나면 사용할 수 없다. 반대로 초저전력 장치라도 상태 변화에 늦게 반응하면 치료 목적에 맞지 않는다. 이 분야의 제품 성능은 정확도, 지연, 에너지, 안전 장치의 결합으로 읽어야 한다.

이 점은 로컬 추론 성능을 조건별로 읽어야 한다는 분석과 연결된다. 다만 의료 장치에서는 배터리와 처리 속도뿐 아니라 생체 적합성과 장기 신뢰성까지 검증해야 한다는 차이가 있다.

확인된 실험과 아직 남은 검증

연구진은 기존 정신의학 실험에서 수집한 사람의 뇌 기록으로 인지적 참여와 정서적 각성 상태를 구분했다. 별도의 미네소타대 쥐 실험에서는 진행 중인 뇌 진동을 추적하고 정해진 위상에서 자극 신호를 만들었다. 사람 기록의 분류 실험과 동물의 자극 실험은 서로 다른 근거다. 이를 합쳐 사람에게 이식해 우울증 치료 효과를 입증했다고 쓰면 과장이다.

학교는 이 연구가 미국 NIMH 지원 사업과 연결된다고 밝혔다. 최신 소개는 지원액을 660만 스위스프랑으로, 과거 지원 공지는 660만 달러로 표기하므로 통화를 일치된 확정 수치로 인용하기는 어렵다. 지원 사업 소개는 연구 목표를 이해하는 자료이지 상용 제품의 매출이나 투자 회수 실적이 아니다. 과학 연구의 재원과 기업의 사업 성과를 구분해야 한다.

경쟁 구도: 큰 모델보다 목적에 맞춘 계산

클라우드 AI는 범용 능력과 처리량을 강조하지만, 이식형 AI는 특정 신호를 제한된 자원으로 안정적으로 해석하는 것이 우선이다. 여기서는 모델을 작게 만드는 것만큼 입력 신호의 표현을 잘 고르는 일이 중요하다. LogSync의 네트워크 바이오마커와 로그 연산은 이런 설계 방향을 보여준다.

동시에 연구실은 미리 정한 바이오마커에만 의존하지 않는 자기지도 학습도 연구하고 있다. ICML 2026 RECTOR 논문은 영역·채널·시간을 함께 다루는 표현 학습의 별도 연구다. 이 결과가 이미 LogSync 칩에 통합돼 같은 성능을 냈다고 해석해서는 안 된다. 정해진 특징을 쓰는 효율성과 학습된 표현의 유연성 사이에 실제 제품의 선택지가 놓여 있다.

Biohub의 생물학 AI 데이터 과제에서도 보듯 의료·생명과학 AI는 모델 이름보다 데이터 획득 조건과 검증 체계가 큰 진입 장벽이다. 따라서 단기 경쟁은 범용 모델 순위보다 연구기관 협력, 신호 품질, 재현 가능한 평가에서 벌어질 가능성이 크다.

한국 개발자와 기업의 실행 과제

국내 의료 AI 팀은 우선 무엇을 예측하고 어떤 행동으로 이어지는지를 나눠 설계할 필요가 있다. 상태 분류기의 오류와 자극 제어기의 오류는 영향이 다르다. 기록 재생 실험, 제한된 하드웨어 실험, 실제 사용자 검증을 단계별로 구분해야 원인 추적이 가능하다.

반도체 기업은 연산 효율만 강조하기보다 아날로그 입력, 잡음, 메모리 이동, 안전 제어까지 포함한 예산표를 제시하는 편이 유리하다. 임상의와 공동으로 정한 오탐·미탐 기준도 필요하다. 이 글은 특정 치료법의 도입을 권하는 것이 아니라, 발표된 공학 성과를 사업과 임상 증거로 옮길 때 필요한 조건을 분석한다.

양자 회로 최적화 성과의 검증 범위를 따로 읽어야 했던 것처럼, 이번에도 “잘 구분했다”와 “치료 효과가 있다”를 다른 문장으로 유지하는 것이 중요하다.

자주 묻는 질문

LogSync는 사람의 생각을 문장으로 읽는 칩인가?

아니다. 이번 발표는 뇌 영역 간 신호에서 인지·정서 상태를 구분하고 자극 계기를 만드는 연구다. 자유로운 생각을 문장으로 복원했다는 결과가 아니다.

우울증 치료 효과가 입증됐나?

소개된 근거는 사람의 기존 기록 분석과 쥐 실험이다. 사람에게 장기간 이식해 치료 효과를 입증했다는 주장과 구별해야 한다.

200마이크로와트는 모든 구성품의 전력인가?

발표는 연구 시스템의 저전력 설계를 설명한다. 별도 통신·전원·패키징을 포함한 상용 장치 전체 소비 전력으로 일반화할 수 없다.

RECTOR와 LogSync는 같은 결과인가?

아니다. 같은 연구실의 관련 방향이지만, 자기지도 표현 학습 논문과 신경 칩 연구는 구분되는 성과다.

한국 기업이 바로 확인할 지표는 무엇인가?

환자 간 일반화, 신호 잡음, 처리 지연, 전력, 자극 오류 대응을 함께 확인해야 한다. 최고 정확도 한 개로 제품 준비도를 판단하기 어렵다.