모방의 성과에서
마음의 설명으로

AI는 마음을 닮아 가는가, 마음을 설명하는가?

언어모델이 마음이론 문제를 잘 풀고, 신경망이 시각적 대상을 정확히 구분하며, 에이전트가 환경에서 보상을 높인다고 하자. 이것은 인간의 인지를 이해했다는 뜻일까? 이 서베이가 겨냥하는 간극은 바로 여기다. 관찰 가능한 수행의 성공과 그 수행을 만들어 내는 인지적 과정의 설명은 연결될 수 있지만, 같은 성취는 아니다.

Rui Mao, Qian Liu, Xiao Li, Erik Cambria, Amir Hussain의 논문은 AI와 인지과학 사이의 교류를 두 방향으로 구분한다. CIAI는 인지 원리에서 영감을 얻어 AI를 설계하는 방향이며, AICA는 AI로 인지 현상을 분석하고 인지과학 연구를 돕는 방향이다. 저자들은 전자의 기술적 영향에 비해 후자의 이론적 통합이 고르지 않다고 평가한다.

인지 기능을 본뜬 계산 장치와 인지를 설명하는 과학적 모형을 구분하는 것이 이 글 전체의 읽기 기준이다. 논문은 The MIT Encyclopedia of the Cognitive Sciences의 분류와 인지과학의 학제적 전통을 바탕으로 철학·심리학·신경과학·언어학·문화를 검토한다. AI는 이 관점들을 연결하는 계산적 분야로 다뤄진다. 원문 각주는 검토 범위에서 AI와 computational intelligence를 동의어로 취급한다. 이는 두 용어의 모든 학술적 용법이 같다는 주장이 아니라 이 서베이의 범위 설정이다.^[4],[5]

인지과학의 넓은 연결망도 중요하다. 행동경제학은 의사결정의 인지적 제약을, 교육과학은 학습을, 법 연구는 판단을, 예술·디자인은 미적 경험을, 지리학은 공간인지를 탐구한다. AI와 인지과학의 통합은 특정 신경망을 뇌와 비슷하게 만드는 문제보다 넓다. 무엇을 지능의 설명 대상으로 삼을지 결정하는 작업까지 포함한다.

철학: 실재·지식·추론·가치의 기준

철학은 AI가 무엇을 할 수 있는지에 앞서, 무엇을 하고 있다고 말할 수 있는지를 묻는다. 저자들이 제시하는 네 영역은 시스템의 출력에 붙이는 이름과 그 이름을 정당화하는 기준을 분리하게 한다.

형이상학: 생성된 결과와 경험의 존재론

VR·AR는 실제와 모의 경험의 경계를 질문하게 하고, 생성형 AI의 이미지·문학은 창작물의 존재론과 제작 주체를 다시 묻게 한다. 원문 그림 2는 저자 Rui Mao가 촬영한 몰디브 사진과 ChatGPT 생성 이미지, Robert Frost의 「Fire and Ice」와 AI가 만든 변주 시를 나란히 배치한다. 이는 결과물의 외관과 제작 경로를 비교하는 예시다. 그 그림 자체가 AI의 의식·경험·창작 의도를 입증하지는 않는다. 이 글에서는 시 본문을 전재하지 않고 비교의 논점을 설명한다.

인식론: 표현이 정교해져도 정당화가 사라지지는 않는다

지식기반 시스템은 명시적 지식과 추론 규칙을 사용한다. WordNet 같은 의미 구조와 word2vec·BERT 같은 분산 표현은 지식을 조직하는 서로 다른 수단이다. 분산 표현은 복잡한 의미 연관과 일반화를 가능하게 하지만, 사실을 어떻게 알게 되었는지와 왜 믿어야 하는지는 별도의 문제다. 저자들은 상관관계 기반의 정보 처리가 지식 습득·이해와 혼동될 위험을 지적한다.^{[24],[25],[26],[27]}

편집상 구분. 원문은 Wikipedia를 지식기반 시스템의 예로 함께 언급하지만, 백과사전·지식베이스와 추론 엔진을 갖춘 시스템은 구별할 필요가 있다. 또한 현재 AI가 ‘진정한 이해’를 전혀 갖지 못한다는 표현은 저자의 철학적 진단으로 읽어야 하며, 이 서베이가 보편적 불가능성 정리를 증명한 것은 아니다.

논리와 윤리: 정답의 형식과 바람직한 사용

논리는 형식적 증명뿐 아니라 불확실성, 일상 언어, 사례와 상식의 활용을 포함한다. 다만 원문의 넓은 묶음에서 CoT가 확률적·인지적 추론과 함께 소개된다는 사실이, CoT를 엄밀한 확률논리 체계나 유효한 증명으로 만들어 주지는 않는다. 추론을 설명하는 문장이 그 추론의 타당성을 자동으로 보장하지는 않는다.

윤리 영역에서는 공정성·책임성·투명성, 알고리즘·언어의 편향, 인간 피드백을 통한 정렬, 의료·금융 등에서의 설명가능성이 소개된다. 저자들은 기술적 적합성 점검을 넘어 AI가 인간의 노동을 대체하는 목적과 인간의 활동을 확장하는 목적 사이에서 무엇을 선택할지 묻는다. 이것은 성능 최적화의 부가 항목이 아니라 연구 목적을 정하는 질문이다.^{[40],[41],[42],[43],[44]}

심리학: 행동의 유사성과 마음의 설명 사이

마음과 마음이론

마음이론(Theory of Mind, ToM)은 자신과 타인에게 믿음·욕구·의도·감정 같은 정신상태를 귀속하는 능력에 관한 틀이다. 논문은 총 1,907명의 인간 참여자와 언어모델을 비교한 선행연구를 소개한다. 그 연구에서 GPT-4는 거짓믿음·간접요청·오도 등 여러 과제에서 높은 성능을 보였지만, 실언(faux pas) 탐지에서는 어려움을 드러냈다. 다른 인용 연구의 아동 수행과의 비교도 소개된다.^{[49],[50],[51],[52]}

외부 원연구 보완: 후속 조작에서는 GPT의 실언 문항 저성능이 결론을 내리는 데 매우 보수적인 경향과 연결된 것으로 해석되었다. 낮은 점수만으로 추론 기제의 부재를 단정해서는 안 된다. 여기서 1,907명은 인용된 연구의 전체 인간 표본이며, 이 서베이 저자들이 새로 모집한 실험집단이 아니다. 특정 언어 과제의 점수를 어린이의 전반적 인지 발달 수준과 동일시할 수도 없다. 마음이론 검사 통과와 주관적 경험·의도성의 존재는 서로 다른 주장이다. 선행연구의 결과는 능력을 탐색하는 출발점이지만, 일반적 인간 마음과의 동등성을 선언하는 근거로는 부족하다.

감정: 분류에서 생성·조절의 과정으로

감정심리학은 감정의 생성·경험·조절·표현을 다룬다. 정서 컴퓨팅은 얼굴 움직임, 음성, 텍스트의 감성 등 관측 가능한 신호를 분류하고 모사하는 데 강점을 보인다. 저자들이 지적하는 공백은 정밀한 라벨 예측이 감정의 발생 원인과 조절 과정을 설명하는 모형으로 이어지는가 하는 점이다. 감정 표현의 검출, 개인의 실제 감정상태, 그 감정의 인지적 기제를 구분해야 한다.^{[53],[54],[55],[56],[60],[61]}

성격과 개인차

Big Five의 OCEAN은 개방성·성실성·외향성·우호성·신경성의 다섯 특성을 다룬다. 원문은 MBTI도 함께 소개하면서 심리측정의 제약을 언급한다. AI의 성격특성 인식, 대화에서의 페르소나 추출, 개인화된 감성 분석·대화·추천은 이런 차이를 활용한다. 하지만 텍스트에서 추정한 페르소나가 안정적인 성격을 정확히 측정했다는 보장은 없다. 과업·언어·문화가 바뀔 때의 생태적 타당도와 측정 타당도를 확인해야 한다.^{[65],[66],[70],[71],[72],[73],[75],[77],[78]}

행동: 경험 학습과 비합리성을 함께 모델링

습관, 과거 경험, 기대, 외부 인센티브는 행동을 형성한다. 논문은 강화학습·로보틱스, 소셜 네트워크 분석, 감성 기반 금융 예측, 금연·운동 행동을 지원하는 시스템을 사례로 든다. 그러나 인간은 항상 주어진 보상을 합리적으로 최적화하지 않는다. 감정·습관·사회적 관계와 불일치하는 선택도 인간 행동의 설명 대상이다.^{[79],[81],[82],[84],[85],[86],[87],[88],[89],[90]}

정신건강: 탐지를 넘어선 지원의 맥락

정신건강 연구에는 예방, 진단, 심리치료, 외상·회복탄력성, 생애주기 전반의 경험이 포함된다. AI 기반 탐지와 XAI는 관측 패턴을 찾고 모델의 판단 경로를 해석하는 수단으로 소개된다. 저자들은 치료적 관계, 자기이해와 심리적 성장까지 고려해야 한다고 제안한다. 이는 AI의 임상적 효능이나 자율적 진료를 이 논문에서 검증했다는 뜻이 아니다. 생성형 AI가 오도하는 출력을 낼 수 있다는 심리적 안전성 문제 역시 함께 다뤄진다.^{[91],[92],[93],[94],[95],[96],[97],[98]}

신경과학: 지각·기억·주의·뇌 기능의 통합

지각: 계층은 닮았지만 학습 방식은 다르다

뇌는 시각·청각·촉각·미각·후각의 신호를 해석하고 환경과의 관계를 갱신한다. 원문은 상향식 감각 정보와 하향식 예측의 불일치를 조정하는 지각 계층을 설명하고, CNN의 저수준 특징에서 고수준 패턴으로 이어지는 계층과 비교한다. 그림 4는 뇌의 감각 처리 계층과 CNN Explainer의 시각화를 병치한다.^{[99],[100],[101],[102],[103],[104],[105],[106],[107],[108]}

계층 구조라는 공통점은 전체 계산 원리의 동일성을 뜻하지 않는다. 저자들은 인간의 적은 사례 학습과 데이터 요구가 큰 신경망을 대비한다. 다만 이 문장을 모든 과업·모든 모델의 표본효율에 대한 정량 법칙으로 일반화하지 않고, 비교를 위해 어떤 과제와 경험을 동일하게 맞출지 묻는 연구 질문으로 읽는 편이 적절하다.

기억: 저장량이 아니라 운영 원리

인간 기억에는 부호화·공고화·인출·망각이 포함된다. 감각 양식별 짧은 버퍼에서 주의를 받은 정보가 작업기억에 들어가며, 장기 기억은 신경 연결의 변화, 세포 수준과 시스템 수준의 공고화와 관련된다. 재활성화와 흔적의 약화도 기억의 일부다. 원문의 과정 설명은 기억을 단순한 파일 저장소로 보지 않게 한다.^{[109],[110],[111],[112],[113],[114],[115],[116],[117]}

LSTM·GRU의 게이트는 정보를 유지·갱신하는 계산적 수단이고, 가중치의 지식과 외부 검색을 결합하는 RAG는 변하는 콘텐츠에 접근하는 방법이다. 그러나 이를 곧 인간의 자발적 시연, 선택적 망각, 맥락을 넘는 적응적 일반화와 같은 것으로 볼 수는 없다. 얼마나 저장했는가보다 언제 기억하고 왜 잊는가가 인지적 평가의 질문이다.^{[8],[118],[119]}

주의: 이름의 공유와 기능의 대응

신경과학에서 주의는 감각 입력과 내부 사고에 자원을 배분하는 과정이며, 자발적 주의와 외부 자극에 의한 재지향에는 분산된 신경계가 관여한다. 기계번역의 attention과 Transformer의 multi-head self-attention은 입력·맥락 간 관계를 계산하는 설계다. 통계적 연관을 잘 포착하는 기제가 인지적 자원 배분을 어느 수준에서 설명하는지는 별도로 평가해야 한다. 낯선 맥락과 대상의 결합에서 그럴듯한 오류가 발생할 수 있다는 점이 원문의 한계 논의다.^{[7],[120],[121]}

뇌의 기능 분화와 에이전트

감정, 의사결정, 운동제어는 서로 연결되면서도 다른 신경계가 관여한다. 원문은 편도체·섬엽·전전두엽, 안와전두피질·기저핵·도파민계, 운동피질·소뇌·척수 회로 등을 예로 든다. 이를 지각·계획·판단을 나누는 agentic AI와 연결하고, 뇌 신호의 잡음 제거·해석에도 AI가 쓰인다고 설명한다.^{[122],[123],[124],[125],[126],[127],[128]}

이는 각 AI 모듈에 특정 뇌 부위를 일대일로 할당하라는 설계도가 아니다. 내부 추론 기제에 대한 이해가 제한적인 상태에서 지나친 자율성과 자원 동원 권한을 주는 문제는, 기능 분해가 깔끔하다는 이유만으로 해결되지 않는다는 것이 저자의 경고다.

언어학: 형식·의미·경험의 연결

구조: 언어를 구성하는 단위

언어학은 음성의 물리적 특성을 다루는 음성학, 소리 체계를 다루는 음운론, 단어 구성을 다루는 형태론, 문장 구조를 다루는 통사론을 구분한다. 계산언어학은 강제 정렬, 조음 역추정, 음성합성, 규칙 학습, 언어 유형별 형태 구조 학습, 문장 분절·청킹·품사 태깅과 파싱 등으로 이 영역에 대응한다.^{[129],[130],[131],[132],[133],[134],[135],[136],[137],[138],[139],[140],[141],[142]}

대규모 데이터로 통합 학습하는 모델은 이런 모듈을 명시적으로 분리하지 않아도 높은 과제 성능을 낼 수 있다. 저자들의 질문은 그 성능이 언어의 기본 구성요소와 결합 원리를 어떻게 드러내는가다. 모듈 경계가 다르다는 이유만으로 능력이 없다고 단정할 수도 없고, 높은 성능만으로 언어학적 설명이 완성되었다고 볼 수도 없다.

의미론과 화용론

의미론은 표현의 문자적·합성적 의미를, 화용론은 맥락에 따라 달라지는 의미를 다룬다. 함축, 전제, 직시, 발화행위는 같은 표현을 다른 상황에서 다르게 이해하게 한다. WordNet·ConceptNet·FrameNet·PrimeNet 같은 구조화 지식과 word2vec·BERT 같은 분산 표현은 의미를 담는 방식이 다르며, 어의 중의성 해소와 비꼼 탐지 등이 관련 과제로 소개된다.^{[25],[26],[27],[143],[144],[145],[146],[147],[148],[149],[150],[151],[152]}

벡터 공간의 거리는 의미적 관련성을 다루는 유용한 도구지만, 관계의 종류·합성 구조·발화의 의도를 그 자체만으로 보장하지는 않는다. 원문이 분산 접근의 한계를 강하게 서술하는 부분은, ‘벡터는 의미를 절대로 표현할 수 없다’는 증명이 아니라 명시적 이론과의 연결을 요구하는 비판으로 읽어야 한다.

언어 습득과 은유

원문은 선천적 문법과 입력의 제약을 강조하는 형식주의적 관점, 일반 인지·사회인지 역량을 강조하는 관점을 대비한다. 규칙 기반 생성과 대규모 말뭉치 기반 생성은 이런 논의와 연결되지만, 두 연구 전통과 두 기술을 완전히 일대일 대응시키는 것은 단순화다. 경험과 개념을 연결하는 은유는 언어를 통해 인지 패턴을 탐색하는 별도의 창구가 된다.^{[153],[154],[155],[156],[157],[158],[159],[160],[161]}

그림 5는 인간과 ChatGPT의 은유적 개념 매핑을 비교한 인용 연구를 제시한다. 목표 개념과 원천 개념의 연결에서 특정 개념군의 활성화 선호가 다르다는 것이 그림의 논점이다. 이것은 조사된 텍스트·모델·은유 추출 방법에 의존하는 비교다. 저자들은 AI가 의미의 경험적 기반을 더 잘 포착하려면 언어를 지각·행동·상호작용과 접지할 필요가 있다고 주장한다.

문화: 배경 설명에서 모델의 정식 차원으로

문화는 학습된 행동·믿음·가치·태도·규범·전통·의례·제도가 집단과 세대에 걸쳐 전달되는 양상이다. 원문은 문화의 정의를 패턴·기능·과정·산물·교양 또는 정련·권력과 이데올로기·집단 소속의 일곱 갈래로 소개한 뒤, 인지과학과 특히 관련된 패턴, 과정, 기능을 중심으로 정리한다.^{[162],[163],[164]}

패턴: 규범과 사회적 역할

문화적 패턴은 규범·역할·제도와 사회 네트워크의 지속적 구조다. 변증법적 추론과 규칙 중심 논리의 집단 간 차이, 사회마다 달리 나타나는 도덕적 표현과 공통 가치가 사례로 소개된다. 이를 ‘동아시아인이나 서구인은 모두 이렇다’는 개인별 본질로 바꾸면 논점을 잃는다. 집단 수준의 관찰과 개인차, 과업·언어·표집의 영향을 구분해야 한다.^{[166],[167],[168],[169],[170],[171]}

LLM의 역할극은 다양한 배경의 에이전트를 대규모로 생성해 정치·사회·경제적 상황을 탐색하는 수단이다. 하지만 특정 말투를 재현하는 것만으로 그 집단의 사고 틀과 행동을 충실하게 재현했다고 할 수 없다. 이 점이 사회 시뮬레이션의 심리적 충실도 문제다.^{[172],[173],[174],[175],[176],[177]}

그림 6은 107개 국가·지역의 가치조사와 다섯 LLM의 응답을 전통–세속 가치, 생존–자기표현 가치의 두 축에서 비교한 연구를 인용한다. 해당 원연구는 영어 질문에 대한 GPT 계열 모델 응답을 조사했으며, 기본 응답이 영어권·개신교 유럽의 자기표현 가치에 가까운 양상을 보고했다. 이는 조사 언어·모델·질문 조건을 가진 문화적 편향 결과이지, 모든 언어모델과 모든 시점에 대한 고정 속성은 아니다.^[165]

과정: 문화가 만들어지고 변하는 방식

문화는 고정된 표지만이 아니라 의사소통·관찰·모방·지도와 사회적 실천으로 재생산되고 변한다. 인간–인간 상호작용을 중심으로 하던 연구는 인간–기계 상호작용의 영향도 다뤄야 한다. 원문은 유전 알고리즘·신경진화가 생물학에서 영감을 얻었다는 사실과 문화 변화의 계산모형으로 충분히 발전했다는 주장을 구분한다. 은유 처리 MetaPro, 토픽 모델, LIWC, 사전학습 언어모델로 언어 표현의 변화를 분석하는 사례가 소개되지만, 문화의 과정적 관점이 AI 방법론에 깊이 반영되었다고 평가하지는 않는다.^{[178],[179],[180],[181],[182],[183],[184],[185],[186],[187],[188],[189],[190],[191]}

기능: 사회 질서와 협력의 조건

문화는 질서를 유지하고 지식을 전달하며 불확실성을 줄이고 집단 행동·결속·정체성을 조정한다. 엄격한 규범과 낮은 일탈 허용도를 가진 ‘타이트’ 문화와, 상대적으로 유연한 ‘루스’ 문화가 대비된다. 스마트시티, 창고 로봇, 자율주행차는 AI가 규제·환경예측·업무흐름·직업환경을 바꾸는 예다. 이 사례들은 기술이 문화와 제도를 함께 변화시킨다는 기능적 관점을 보여 준다. 저자들은 배치 범위와 책임을 명료화하는 법적 틀의 필요성을 제안한다.^{[192],[193],[194],[195],[196],[197],[198],[199],[200]}

일곱 연구 과제: 성능에서 깊은 모델링으로

저자들은 현재 AI가 인간 같은 출력을 재현하는 수준에서 이론에 근거한, 상황·개인·문화에 민감한 시스템으로 발전해야 한다고 제안한다. 아래 표의 앞 세 열은 논문의 제7절을 요약하고, 마지막 열은 이를 검증 가능한 질문으로 바꾼 편집상 제안이다. 이미 달성한 결과나 공식 로드맵이 아니다.

이 과제들은 개별 기능을 덧붙이는 체크리스트가 아니다. 접지는 언어와 행동의 관계를, 체화는 신체·환경의 제약을, 개인화는 사람 사이의 차이를, 문화는 집단적 규범과 전승을 명시한다. 메타인지는 시스템이 자신의 판단을 어떻게 조정할지 묻고, 윤리는 이러한 AI가 인간을 장기적으로 어떻게 변화시키는지 되묻는다.

자기설명의 유창함을 메타인지의 검증으로 대체해서는 안 된다. “확신이 낮다”는 말보다 확률 보정, 실패 감지, 전략 변경 이후의 실제 개선이 중요하다. 이 측정 방식은 논문의 방향성에 기초한 편집상 구체화다.

용어 주의: 초록에는 cognitive co-evaluation, 제7절의 일곱 번째 과제에는 cognitive co-evolution이라는 표현이 쓰인다. 이 글은 전자를 ‘공동 평가’, 후자를 인간과 AI가 서로를 변화시키는 ‘인지적 공진화’로 구별하고, 하나의 확정된 기술 용어로 조용히 합치지 않았다.

무엇을 보여 주었고, 무엇은 아직 검증하지 않았는가?

이 논문의 장점은 한 기술의 성능을 나열하는 대신, 각 인지과학 분야의 중심 질문으로 AI를 다시 읽게 한다는 데 있다. 동시에 범위가 넓은 만큼 분야별 증거의 깊이, 대표 연구 선정, 성숙도 부여를 같은 수준으로 엄밀하게 비교하기는 어렵다.

표현을 그대로 받아들이기보다 연구 질문으로 바꾸기

원문은 GenAI의 주관적 자각·의도성 부족, 분산 의미 표현의 피상성, AI 기억의 한계 등을 비교적 강하게 표현한다. 이 진단은 저자의 입장과 선택한 문헌의 범위 안에서 읽어야 한다. 여기서부터 특정 AI의 의식에 관한 결론이나 미래 시스템의 원리적 불가능성을 끌어내지는 않는다.

‘인간은 적은 예로 학습한다’는 비교도 경험의 양을 어떻게 셀지, 사전 경험을 어떻게 맞출지, 수행의 질을 무엇으로 측정할지에 따라 달라진다. 인간–AI 비교에서 과제 문구만 같다고 실험 조건이 같아지는 것은 아니다. 이처럼 대응하는 기능, 비교 가능한 경험, 반증 가능한 예측을 명시할 때 학제적 비유가 검증 가능한 과학으로 발전한다.

AI Co-Scientist와 피지컬 AI로 이어지는 함의

편집상 해석: AI Co-Scientist는 단순한 문헌 요약기를 넘어, 경쟁하는 인지 이론의 가정과 예측을 정리하고 실험 후보를 제안하며 관찰과 맞지 않는 조건을 드러내는 도구로 설계할 수 있다. AI가 가설을 제안했다는 사실과 그 가설이 옳다는 사실을 분리하고, 인간 연구자가 검토할 근거·데이터 계보·불확실성을 남기는 구조가 핵심이다.

편집상 해석: 피지컬 AI에서는 언어로 설명한 개념이 실제 지각·접촉·행동 결과와 어떻게 연결되는지 평가할 수 있다. 새로운 물체나 센서 불일치, 달라진 작업 맥락에서 무엇을 기억하고 무엇을 수정하는지 관찰하면 접지·기억·메타인지 논의를 구체화할 수 있다. 이 연결은 본 서베이에서 검증한 로봇 성과나 국가정책을 뜻하지 않는다.

원문 전체를 읽기 위한 그림·절 대응표

페이지는 PDF 뷰어의 장수와 일치하는 원문 인쇄 페이지다. 도입의 새 SVG는 논문의 주장 관계를 설명하기 위한 편집 재구성이며, 원문 그림이나 새로운 실험 결과로 표시하지 않았다. 원문의 타 문헌 재인용 그림은 원출처와 사용 조건이 서로 다를 수 있어 이 글에서 그대로 재배포하지 않고 의미와 한계를 해설했다.

연구지원 맥락

감사의 글에서 저자들은 익명 심사자들의 의견에 감사를 표한다. Rui Mao와 Erik Cambria의 지원으로 A*STAR가 관리하는 RIE2025 IAF-ICP(I2301E0026), Alibaba Group·NTU의 ANGEL 연구협력을 명시한다. Amir Hussain은 영국 EPSRC의 COG-MHEAR(EP/T021063/1)와 NATGEN(EP/T024917/1) 지원을 명시한다. 이 정보는 연구지원의 원문 기재 사항이며, 본 글이 별도의 이해충돌 조사를 수행했다는 뜻은 아니다.

맺음말: AI의 과학적 역할을 넓히기

이 논문이 요청하는 변화는 AI를 덜 유능하게 만들자는 것이 아니다. 유능함을 평가하는 기준을 넓히자는 것이다. 인간의 출력을 잘 모사하는 시스템은 유용하지만, 어떤 인지 이론이 맞는지 구별하게 하고 개인·문화·신체·환경의 영향을 설명하게 하는 시스템은 또 다른 가치를 갖는다.

좋은 AI가 인지과학에서 가져온 영감을 다시 인지과학의 설명력으로 돌려주는 것이 이 서베이의 중심 제안이다. 그 연결을 실제로 성립시키는 다음 단계는 더 큰 선언이 아니라, 명시적인 가정과 비교 조건, 재현 가능한 평가와 반증 가능한 질문의 설계다.

출처와 전체 참고문헌

기준 문헌: Mao, R., Liu, Q., Li, X., Cambria, E., & Hussain, A. Bridging Minds and Machines: Toward an Integration of AI and Cognitive Science. arXiv:2508.20674v1, 2025-08-28. 초록·버전 · 전체 PDF · DOI.

이 글은 첨부 원문의 전체 논점을 한국어로 재서술한 기술 해설이다. 원문 전체의 직역이나 실험의 독립 재현이 아니다. 본문의 [번호]는 첨부 논문의 참고문헌 번호를 그대로 따른다. 아래 200개 항목은 원문 서지정보의 전사이며, 줄바꿈·행말 하이픈만 정리했다. 모든 인용 연구의 전문·서지 오류를 독립 검증한 목록으로 간주하지 않는다.

추가 확인: 마음이론 연구의 원출처, 은유 연구의 출판 정보·초록, 문화 편향 연구의 원출처를 확인했다. 은유 연구는 2024-12-24 온라인 출판, 2025년 권·논문번호라는 차이가 있다. 원서베이는 2025년으로 표기한다. 원논문은 arXiv에 CC BY 4.0로 표시되지만, 재인용 그림의 원권리는 별도일 수 있다.