The Clean Paper (ko)

양자 메모리가 커지면서 마침내 더 좋아졌다 — 진짜 이정표, 그리고 이것이 아닌 기계

2026-07-14T00:00:00Z

곡선이 올바른 방향으로 꺾인 순간

지난 30년 동안 양자 오류 정정은 한 번도 깔끔하게 지켜진 적이 없는 약속에 기대어 왔다. 이론에 따르면, 양자 정보 한 단위 — 즉 하나의 논리 큐비트 — 를 잡음이 많은 여러 물리 큐비트에 나누어 담고, 그 물리 큐비트들이 충분히 좋다면, 물리 큐비트를 더 늘릴수록 논리 큐비트는 더 좋아져야 하며, 부호가 커질수록 오류는 지수적으로 줄어들어야 한다. 함정은 그 '~라면’에 있다. 잡음이 임계값 아래에 있으면 큐비트를 늘리는 것이 도움이 되지만, 그 위에서는 큐비트를 늘려 봐야 잡음만 더해질 뿐이다. 이전의 모든 실험은 그 경계선의 잘못된 쪽에 머물러 있었거나, 그 경향을 깔끔하게 보여 주지 못했다. 부호를 키우면 상황은 나아지기는커녕 더 나빠졌다.

2024년 12월, Google Quantum AI는 반대편 영역을 처음으로 명확하게 시연했다고 보고했다. 그들의 최신 세대 초전도 프로세서인 Willow에서, 연구진은 부호 거리 3, 5, 7에 해당하는 표면 부호(surface code) 메모리를 만들었고, 부호가 커질 때마다 논리 오류율이 떨어지는 것을 관찰했다 — 거리가 두 단계 올라갈 때마다 $\Lambda$ = 2.14 ± 0.02배씩이다. 가장 큰 것은 101큐비트 규모의 거리 7 메모리로, 정정 주기당 0.143% ± 0.003%의 오류를 갖는 논리 큐비트를 유지했다. 그리고 — 헤드라인 속의 진짜 헤드라인은 — 이 메모리가 자신을 구성하는 가장 좋은 물리 큐비트보다 더 오래 살아남았다는 점이다, 그것도 2.4 ± 0.3배만큼. 이것을 '손익분기점을 넘어섰다(beyond breakeven)'고 부르며, 오류 정정이라는 장치 전체가 이 하드웨어에서 제 값을 해낸 것은 이번이 처음이다.

이것은 진정한 이정표이며, 어떤 종류의 이정표인지 정확히 짚어 볼 가치가 있다. 이것은 이제 규모 확장(scaling)이 올바른 방향으로 간다는 증명이다. 이것은 작동하는 양자 컴퓨터가 아니며, 논문도 그렇다고 주장하지 않는다.

‘표면 부호’, ‘거리’, '임계값 아래’란 무엇인가

논리 큐비트는 여러 물리 큐비트에 걸쳐 부호화된, 보호받는 양자 정보 한 단위다. 표면 부호는 그 부호화를 2차원 격자 위에서 수행하는 특정한 방식으로, 여기서는 여분의 ‘측정’ 큐비트가 저장된 정보를 교란하지 않으면서 끊임없이 오류를 검사한다. 부호 거리 d는 물리적 거리가 아니다. 그것은 부호가 알아채지 못한 채 논리 큐비트를 망가뜨릴 수 있는, 잘 배치된 오류의 최소 개수다. d가 클수록 더 크고 더 튼튼한 패치가 된다 — 더 많은 물리 큐비트(대략 2d² − 1개)를 쓰고, 동시에 발생하는 오류를 더 많이, 최대 (d − 1)/2개까지 정정한다. 따라서 여기서 시험한 세 가지 크기, 즉 거리 3, 5, 7은 각각 동시에 발생하는 오류를 1, 2, 3개 정정하며 대략 17, 49, 97개의 물리 큐비트를 쓴다 — Google이 만든 거리 7 메모리는 101개를 사용했는데, 이 교과서적 최솟값을 조금 웃도는 수치다.

'임계값 아래’가 핵심 표현이다. 오류 정정은 물리 오류율이 임계값 아래에 있을 때만 도움이 된다. 그런 조건에서는 거리를 한 단계 높일 때마다 논리 오류율이 지수적으로 억제된다. 억제 인자 ** $\Lambda$ **가 이것을 측정한다 — $\Lambda$ > 1은 부호를 키우는 것이 도움이 된다는 뜻이고, $\Lambda$ 가 클수록 좋다. Google은 $\Lambda$ ≈ 2.14를 보고했는데, 이는 거리가 두 단계 올라갈 때마다 논리 오류율이 대략 절반으로 줄었다는 뜻이다. 이 $\Lambda$ 가 1을 넉넉히 웃돈다는 것이 결과의 전부다.

거리 3, 5, 7 메모리(위에서 아래로)에서 정정 주기가 거듭되는 동안 논리 오류가 어떻게 쌓이는지를 보여 준다. 주목할 선은 초록색 점선 — 칩에서 가장 좋은 단일 물리 큐비트 — 이다. 거리 7 메모리(파란색, 가장 아래)는 그 선보다 오류를 더 느리게 쌓아 가며, 그래서 부호화된 큐비트가 자신을 이루는 가장 좋은 물리 큐비트보다 더 오래 살아남는다 — ‘손익분기점을 넘어선’, 2.4배만큼의 결과다. 이것은 수명에 관한 결과다. 임계값 아래 억제 자체(부호가 거리 3에서 5, 7로 커짐에 따른

\Lambda

= 2.14)는 본문의 수치 속에 담겨 있다.Google Quantum AI and Collaborators / Nature · CC BY-NC-ND 4.0

연구진이 한 일

두 개의 Willow 칩 위에 표면 부호 메모리를 만들었다. 하나는 규모 확장 시험의 바탕이 된 거리 3, 5, 7 부호를 돌린 105큐비트 프로세서(그중 가장 큰 것이 101큐비트, 데이터 큐비트 49개의 거리 7 메모리)이고, 다른 하나는 실시간 디코더로 거리 5 메모리와 고거리 반복 부호를 돌린 72큐비트 프로세서다.
부호 거리를 3에서 5, 7로 늘림에 따라 주기당 논리 오류가 어떻게 변하는지 측정하여 억제 인자 Λ를 뽑아냈다.
'손익분기점’을 확인하기 위해, 논리 큐비트의 수명을 같은 칩의 가장 좋은 개별 물리 큐비트와 비교했다.
오류 정정이 기계의 속도를 따라갈 수 있음을 보이기 위해, 실시간 디코더 — 오류 검사 결과를 생성되는 속도만큼 빠르게 해석하는 고전 하드웨어 — 로 거리 5 부호를 최대 100만 주기까지 돌렸다.
성능의 바닥을 결정짓는 드물고 깊은 오류원을 찾아내기 위해, 더 단순한 **반복 부호(repetition code)**를 거리 29까지 밀어붙였다.

연구진이 발견한 것

부호가 임계값 아래에 있다. 주기당 논리 오류는 거리가 2씩 늘어날 때마다 $\Lambda$ = 2.14 ± 0.02배로 줄었다 — 깔끔한 지수적 억제로, 이론이 약속했지만 어떤 프로세서도 확실하게 보여 준 적 없던 거동이다.
거리 7 메모리는 주기당 0.143% ± 0.003%의 오류에 도달했고, 자신의 가장 좋은 물리 큐비트보다 2.4 ± 0.3배 더 오래 살아남았다 — 손익분기점을 넘어선 것이다.
실시간 디코딩이 속도를 따라갔다. 디코더는 거리 5에서 1.1마이크로초의 주기 시간에 대해 평균 63마이크로초의 지연 시간을 보였고, 이를 100만 주기 넘게 유지했다 — 오류 정정이 사후 분석에서만이 아니라 실시간으로 작동한 것이다.
드물고 깊은 오류원이 남아 있다. 반복 부호 시험에서 성능은 결국 대략 한 시간에 한 번꼴로(대략 3 × 10⁹ 주기당 한 번) 일어나는 상관된 오류 폭발에 의해 제한되었고, 이는 10⁻¹⁰ 근처의 오류 바닥을 형성했는데, 그 기원은 저자들의 말로는 아직 밝혀지지 않았다.

이것이 증명하지 못하는 것

이것은 연산을 수행하는 양자 컴퓨터가 아니다. 이것은 양자 메모리다. 하나의 논리 큐비트를 저장하고 보호한다. 논리 큐비트 사이의 논리 연산(게이트)을 수행하지 않으며, 어떤 알고리즘도 돌리지 않는다.
이것은 쓸모 있는 기계에 큐비트 하나 차이로 다가선 것이 아니다. 거리 7 논리 큐비트는 약 101개의 물리 큐비트를 쓴다. 주기당 0.1%의 오류율은 실제 알고리즘이 필요로 하는 대략 10⁻⁶에서 10⁻¹⁰ 수준보다 여전히 한참 높다. 그 격차를 좁히려면 훨씬 더 큰 거리로 — 논리 큐비트 하나당 훨씬 더 많은 물리 큐비트로 — 밀고 나아가야 하며, 쓸모 있는 알고리즘은 한 번에 논리 큐비트 수천 개를 필요로 한다. 그에 필요한 물리 큐비트 예산은 수백만 개에 이른다.
'규모를 키운다면’이라는 단서가 실질적인 무게를 지닌다. 논문 자체의 결론은, 이 소자의 성능이 규모를 키운다면 큰 알고리즘의 요구 조건을 충족할 수 있으리라는 것이다. 논리 큐비트 하나에서 경향이 옳다는 것을 보이는 일은 규모를 키운 기계를 실제로 만든 것과 같지 않으며, 여기서 그 무엇도 이 경향이 훨씬 더 큰 규모에서도 유지된다고 보장하지 않는다.
설명되지 않은 오류 바닥은 현재 진행 중인 문제다. 반복 부호의 성능을 제한하는 이 상관된 폭발은, 저자들의 표현으로는 예상보다 여러 자릿수만큼 크며, 이해되기 전까지는 더 큰 결함 허용 응용을 가로막을 것이다 — 해결된 세부 사항이 아니라, 분명하게 밝혀 둔 미해결의 결함이다.
이것은 암호 해독이나 쓸모 있는 작업에서의 '양자 우월성’에 대해서는 아무것도 말해 주지 않는다. 그런 것들에는 완전한 결함 허용 기계가 필요한데, 이 결과는 그 기계의 초석일 뿐 그것을 시연한 것은 아니다.

증거는 얼마나 강한가

핵심 주장은 탄탄하고 중요하다. 세 가지 부호 거리에 걸친 깔끔한 지수적 억제를 동반한 임계값 아래 작동, 여기에 손익분기점을 넘어선 수명과 실제로 작동하는 실시간 디코더까지 — 이는 이 분야가 도달하려 애써 온 바로 그 조합이며, 추론된 것이 아니라 직접 시연되었다. 이것은 과장이 만들어 낸 산물이 아니라, 선도적인 연구 그룹이 내놓은 진짜 공학적 결과다.
저자들은 그 범위에 대해 신중하다. 그들은 이 결과를 임계값 아래의 메모리로 규정하고, 설명되지 않은 상관 오류 바닥을 스스로 짚어 두며, 미래에 대한 전망은 그 눈에 띄는 '규모를 키운다면’이라는 단서에 걸어 둔다. 과장이 나타나는 곳은, '오류 정정된 메모리 큐비트가 커지면서 나아졌다’를 '양자 컴퓨팅의 시대가 왔다’로 반올림해 버리는 주변 보도들이다.
정직하게 말하면 이것의 위상은, 깔끔하게 내디딘 기초적 한 걸음이다. 여분을 더하는 것이 마침내 도움이 될 만큼 충분히 잘 보호된 논리 큐비트 하나 — 그리고 규모 확장, 논리 게이트, 설명되지 않은 오류라는 길고 험하며 아직 보장되지 않은 길이 여전히 앞에 놓여 있다.

왜 중요한가

결함 허용 양자 컴퓨팅에는 늘 닭이 먼저냐 달걀이 먼저냐 하는 느낌이 있었다. 쓸모 있을 만한 기계는 어떤 물리 큐비트도 도달할 수 없는 오류율을 필요로 하는데, 그 해법인 오류 정정은 하드웨어가 이미 임계값 아래에 있을 만큼 충분히 좋을 때만 작동한다. 그 경계선을, 단 한 번이라도, 그것도 논리 큐비트 단 하나에서 넘어서면, 질문은 '이것이 애초에 가능하기는 한가?'에서 '얼마나 멀리, 얼마나 빠르게 규모를 키울 수 있는가?'로 바뀐다. 이것은 실질적이고 의미 있는 전환이며, 그렇기에 이 결과는 주목받을 만하다.

하지만 이 결과를 믿을 만하게 만드는 바로 그 신중함이, 그 주변에 붙는 이야기의 온도를 낮춰 주어야 한다. 이것은 잘 놓인, 기초의 첫 벽돌이다. 이것은 건물 자체가 아니며, 그 벽돌을 놓은 사람들이 누구보다 먼저 그렇게 말한다. 앞으로 몇 년 동안 양자 컴퓨팅을 지켜보는 올바른 방법은 바로 이 화려하지 않은 곡선이다. 부호가 커져도 억제 인자가 유지되는지, 논리 게이트를 논리 메모리만큼 깔끔하게 해낼 수 있는지, 그리고 그 수수께끼 같은 한 시간에 한 번의 오류가 언젠가 설명되는지 말이다.

깔끔한 요약

Google Quantum AI는 표면 부호 양자 메모리가 임계값 아래에서 작동할 수 있음을 처음으로 깔끔하게 보여 주었다. 부호를 거리 3에서 5, 7로 키우자 논리 오류율은 지수적으로 떨어졌고(두 단계마다 약 2.14배씩), 가장 큰 101큐비트 거리 7 메모리는 오류 정정이 실시간으로 돌아가는 가운데 자신의 가장 좋은 물리 큐비트보다 더 오래 버텼다 — 손익분기점을 넘어선 것이다. 이것은 양자 컴퓨터 공학에서 오랫동안 추구해 온 진정한 이정표다. 동시에 이것은 메모리로 작동하는 논리 큐비트 하나이며, 오류율은 실제 알고리즘이 요구하는 수준과는 여전히 거리가 멀고, 논리 연산은 전혀 수행되지 않았으며, 저자들 스스로 짚어 둔 설명되지 않은 오류 바닥이 있고, 여러 자릿수에 걸친 규모 확장의 길이 앞에 놓여 있다. 진짜 임계값을 하나 넘은 것이지 — 양자 컴퓨터를 손에 쥔 것은 아니다.

금화조는 울음소리를 의미 있는 범주로 다룬다 — 그러나 그것은 언어와 같지 않다

2026-07-03T00:00:00Z

동료 평가 완료 · 사이트의 최신 버전

여기서 '의미’라는 단어는 매우 조심스럽게 쓰이고 있다

금화조(zebra finch)는 사회생활을 하는 데 우리의 허락이 필요하지 않다. 이들은 배가 고플 때, 서로 떨어졌을 때, 구애할 때, 경계할 때, 짝과 접촉할 때, 또는 다툴 때 울음소리를 낸다. 동물행동학자들은 이런 소리들을 **울음 유형(call-type)**으로 나눌 수 있다. 경계 울음소리, 접촉 울음소리, 구걸 울음소리 같은 실용적 범주로, 소리의 형태와 새가 그 소리를 낼 때 하고 있는 행동으로 정의된다. 더 어려운 질문은, 새들 자신도 울음소리를 그런 식으로 나누는가 하는 것이다.

《Science》에 실린 한 논문은 좁지만 중요한 주장을 편다. 다 자란 금화조는 자기 발성 레퍼토리 안의 울음 유형을 범주화할 수 있으며, 이들이 저지르는 실수는 행동적으로 관련된 울음소리들이 음향만으로 예측되는 것보다 새의 지각 공간 안에서 서로 더 가까이 있음을 시사한다는 것이다.

바로 이 지점에서 **의미론적(semantic)**이라는 단어가 논문에 등장한다. 이는 새들이 인간적 의미의 단어를 가지고 있다는 뜻이 아니다. 통사 구조나 대화, 혹은 새의 뇌 속에 숨겨진 사전을 뜻하는 것도 아니다. 여기서 '의미’는 조작적(operational)이다. 두 울음소리가 비슷한 사회적 맥락에서 쓰이고, 새들이 소리만으로 설명되는 것보다 그 둘을 더 자주 혼동한다면, 행동적 범주가 지각을 형성하고 있는 것으로 보인다.

깔끔하게 정리하면 '새가 언어를 가지고 있다’가 아니다. 그것은 이렇다. 금화조는 자기 울음소리를 기능적 범주로 다루는 것으로 보이며, 그 범주 가운데 일부는 이 실험의 제한적이고 검증 가능한 의미에서 마치 의미를 담고 있는 것처럼 행동한다.

금화조(Taeniopygia guttata)는 다양한 울음소리 레퍼토리를 지닌 매우 사회적인 명금류로, 이 덕분에 동물이 발성 신호를 어떻게 범주화하는지 연구하는 유용한 모델이 된다.Christoph Moning / iNaturalist · CC BY 4.0

검토용 증거 사슬(evidence-chain) 초안 슬라이드. 11가지 울음 유형의 여러 발성 사례가 Go/No-Go 변별 과제에 투입된다. 핵심 결과는, 새들이 범주를 새로운 발성자에게로 일반화하며, 음향적 유사성만이 아니라 울음소리의 기능에 따라 무리 지어 나타나는 실수를 저지른다는 것이다.The Clean Paper · CC BY 4.0

저자들이 검증한 것

저자들은 금화조 레퍼토리에 대한 기존의 동물행동학적 지도에서 출발했다. 이 종은 대략 11가지의 행동목록(ethogram) 기반 울음 유형을 가진다. 접촉, 짝 결속과 둥지 행동, 경계, 공격 또는 비친화적 행동, 구걸, 그리고 수컷의 노래와 연관된 울음소리들이다.

이 분류는 인간이 만든 것이다. 이는 음향적 특징, 소리가 만들어지는 맥락, 그리고 그 소리가 사회적 상황에서 일반적으로 수행하는 기능을 함께 고려한다. 그러나 인간이 만든 행동목록이 곧바로 동물의 정신적 지도가 되는 것은 아니다. 이 연구는 서로 연결된 세 가지 질문을 던진다.

첫째, 금화조는 그 모든 울음 유형을 변별할 수 있는가?

둘째, 이들은 개별 사례를 단순히 외우는 것이 아니라, 이전에 들어 본 적 없는 발성자에게로 울음 유형 범주를 일반화하는가?

셋째, 이들이 실수를 저지를 때 그 실수는 음향적 유사성만을 따르는가, 아니면 울음소리의 행동적 의미도 따르는가?

핵심은, 이 실험이 새에게 울음소리가 무엇을 뜻하는지 설명하라고 요구하지 않는다는 점이다. 이 실험은 통제된 과제에서 새의 행동이 범주와 의미의 통계적 흔적을 지니는지를 묻는다.

실험은 어떻게 작동하는가

이 논문에서는 세 가지 용어가 큰 무게를 지닌다.

울음 유형은 금화조 소리의 한 범주다. 이 논문은 행동목록 기반 울음 유형을 사용하는데, 이는 행동 목록에서 물려받은 범주, 즉 소리가 어떤 음향적 형태를 띠는지, 새들이 언제 그 소리를 내는지, 그리고 그 소리가 어떤 사회적 상황에 속하는지를 뜻한다. **발성자(vocalizer)**는 단순히 녹음된 울음소리를 낸 개별 새를 말한다. 음향적 형태는 측정 가능한 소리 패턴이고, 행동적 기능은 그 울음소리가 보통 어디에 쓰이는지를 말한다.

논문에서 검증한 11가지 울음 유형은 추상적인 이름표가 아니다. 이는 저자들이 새들에게 변별하도록 요구한 레퍼토리다.

접촉 울음소리: 원거리 울음소리(distance call, DC), Tet(Te), 긴 순음 울음소리(long-tonal call, LT).
짝 결속과 둥지 행동: 낑낑 울음소리(whine call, Wh), 둥지 울음소리(nest call, Ne).
경계 울음소리: Tuck(Tu), Thuk(Th).
비친화적 울음소리: 고통 울음소리(distress call, Di), 공격 울음소리(aggressive call, Ag).
구걸: 구걸 울음소리(begging call, Be).
구애: 수컷의 노래(male song, So).

논문에서 검증한 11가지 울음 유형을 넓은 사회적 기능에 따라 묶은 것. 이 이름표들은 원 논문에서 가져온 행동목록 기반 범주다. 이것들은 '단어’가 아니지만, 독자에게 새들이 변별해야 했던 구체적인 레퍼토리를 보여 준다.The Clean Paper · CC BY 4.0

주된 과제는 Go/No-Go 청각 변별이었다. 새는 불이 켜진 키를 쪼아 6초짜리 재생을 시작했다. 보상되는 울음소리에서는 기다리는 것이 옳은 행동이었다. 소리가 끝난 뒤 먹이통이 올라오고 새는 씨앗을 얻었다. 보상되지 않는 울음소리에서는 기다려 봐야 아무 일도 일어나지 않았다. 효율적인 행동은 재생 중에 다시 쪼아 소리를 중단시키고 다른 시행을 시작하는 것이었다. 따라서 새가 소리를 중단시키는 행동은, 그 새가 어떤 소리를 '보상되는 범주가 아닌 것’으로 다루는지를 드러낸다.

각 검사에서 한 가지 울음 유형이 보상되고 나머지 열 가지는 보상되지 않았다. 그런 다음 저자들은 보상되는 울음 유형을 바꿔 가며 레퍼토리 전체를 훑었다. 또한 여러 발성자가 낸 여러 발성 사례를 사용했고, 똑같이 반복되는 경우는 거의 없었다. 이것이 중요하다. 새는 녹음 하나를 단순히 외울 수 없었다. 잘 해내려면, 서로 다른 새들의 목소리와 서로 다른 사례에 걸쳐 무엇이 그 울음 유형에 해당하는지를 배워야 했다.

뒤에 나오는 '지각 공간’은 뇌 스캔이나 동물 안에 실제로 있는 지도가 아니다. 그것은 실수로부터 추론한 지도다. 두 울음 유형이 자주 혼동되면, 그 둘은 이 행동적 지도 안에서 더 가까이 놓인다. 저자들은 이를 소리 특징만으로 만든 음향 지도와 비교한다. 이 주장은 새들의 오류 지도가 단지 비슷한 소리 쪽으로가 아니라 울음소리의 기능 쪽으로 끌려갈 때에만 흥미로워진다.

저자들이 발견한 것

새들은 레퍼토리 전체를 변별할 수 있었다. 다 자란 금화조 12마리, 즉 수컷 6마리와 암컷 6마리가 11가지 울음 유형에 걸쳐 검사받았다. 거의 모든 검사가 성공했다. 울음 유형 변별 검사 131건 중 127건이 유의미했다. 실패한 소수의 경우는 특정 새와 특정 울음 유형과 관련되어 있었고, 전체적인 양상은 모든 울음 유형이 우연 수준을 넘어 변별되었다는 것이다.

이것이 중요한 이유는, 이 레퍼토리가 서로 동떨어진 삑삑 소리들의 깔끔한 집합이 아니기 때문이다. 어떤 울음 유형들은 음향적으로 서로 뭉쳐 있고, 다른 것들은 서로 이어지며 넘나든다. 그런데도 새들은 그 범주들을 배웠다.

이들은 범주를 새로운 발성자에게로 일반화했다. 두 번째 실험에서 새들은 소수의 발성자로부터 두 가지 울음 유형을 변별하도록 배웠다. 다음 날, 같은 보상 규칙으로 새로운 발성자들이 추가되었다. 새들은 보상 피드백을 통해 모든 새로운 사례를 배웠을 리 없는 검사 초반에 그 새로운 울음소리들을 올바르게 분류했다. 이는 개별 소리를 단순히 외운 것이 아니라 울음 유형에 대한 범주적 지각을 뒷받침한다.

범주는 새로운 보상 규칙을 압도할 수 있었다. 가장 강력한 행동상의 반전은 저자들이 과제를 불일치(incongruent) 조건으로 만들었을 때 나타났다. 새로운 발성자의 울음소리에는, 새들이 그 울음 유형에 대해 배웠던 것과 반대되는 보상 규칙이 부여되었다. 만약 새들이 새로운 음향 사례를 그대로 따랐다면 곧바로 적응했어야 한다. 그런데 초기 반응은 앞서 배운 울음 유형 범주를 따랐고, 그 결과 체계적으로 잘못된 보상 판단을 내놓았다. 하루가 지나면서 새들은 이 임의의 새로운 규칙을 천천히 배워 나갔다. 이는 자연적인 울음 유형 범주가 새 규칙의 학습을 방해할 만큼 충분히 확고하게 형성되어 있었다면 정확히 예상할 수 있는 결과다.

실수는 단지 음향적인 것만이 아니었다. 저자들은 울음소리들 사이의 분류기 혼동으로 만든 음향 공간과, 새들의 행동적 오류로 만든 지각 공간을 비교했다. 두 공간은 서로 관련이 있었다. 소리는 여전히 중요했다. 그러나 같은 행동적 또는 의미적 상위 범주에 속하는 울음 유형들은 음향 공간에서보다 새들의 지각 공간에서 서로 더 가까이 있었다. 논문은 이를 **의미 자석 효과(semantic magnet effect)**라고 부른다.

수치로 보면, 의미 상위 범주에 따른 묶임은 음향 지도에서보다 지각 지도에서 약 2.43배 더 강했다. 쉽게 말하면, 새들의 실수는 단지 비슷한 소리 쪽으로만이 아니라 기능적 의미 쪽으로 끌려갔다.

여기서 '의미론적’이란 무엇인가

이 부분이 가장 조심스러운 대목이다. 일상 언어에서 '의미론적’이라는 말은 금세 '단어’로 바뀐다. 이 논문이 증명하는 것은 그것이 아니다.

이 연구는 '의미론적’이라는 말을 행동적·비교인지적 의미로 사용한다. 어떤 울음 유형이 추정되는 의미를 갖는 것은, 그것이 경계, 접촉, 구걸, 공격, 짝 결속, 구애 같은 사회적 기능과 연관되어 있기 때문이다. 만약 새들이 같은 넓은 사회적 범주에 속하는 두 울음 유형을 음향이 예측하는 것보다 더 자주 혼동한다면, 이들의 지각 공간은 그 기능적 범주에 의해 형성되고 있는 것이다.

이것은 진지하게 받아들일 만한 결과다. 이는 새가 단지 스펙트로그램을 듣고 있는 것이 아님을 시사한다. 새는 종 고유의 울음소리를 행동적으로 조직된 범주로 다루고 있다.

그러나 이것은 여전히 간접적이다. 저자들은 동물의 마음을 읽을 수 없으며, 그들 스스로도 그렇게 말한다. 이들은 행동, 즉 변별과 일반화, 그리고 체계적인 오류로부터 내적 표상을 추론한다.

유용한 비유는 '새의 단어’가 아니다. 오히려 이에 가깝다. 새의 청각 체계가 울음소리들 사이의 거리를, 그 울음소리들이 무엇을 위한 것인지에 따라 일그러뜨리는 것처럼 보인다는 것이다.

이 연구가 증명하지 않는 것

이것은 인간과 같은 언어를 보여 주지 않는다. 이 결과에는 통사 구조도, 문법도, 합성적 의미도, 개방형 어휘도 없다.
이것은 금화조가 '단어’를 가지고 있음을 보여 주지 않는다. 울음 유형은 행동적 맥락에 묶인 종 고유의 발성 범주이지, 자유롭게 재조합될 수 있는 상징적 이름표가 아니다.
이것은 인간과의 대화나, 새와 이야기하기 위한 해독된 통로를 보여 주지 않는다.
이것은 정신 상태에 직접 접근하지 않는다. 의미는 새의 마음 속에서 관찰된 것이 아니라, 과제 행동과 오류 구조로부터 추론된 것이다.
이것은 새들이 새로운 의미를 이해했음을 보여 주지 않는다. 새로운 발성자에게로의 일반화는 서로 다른 개체들의 소리에 걸친 울음 유형 범주의 일반화다.
이것은 이 범주들이 어떻게 발달하는지를 규명하지 않는다. 이 연구는 다 자란 새를 검사했으며, 노출과 발달이 의미 자석 효과를 어떻게 형성하는지는 앞으로의 과제로 남아 있다.

증거는 얼마나 강한가?

울음 유형의 범주적 지각에 관해서는 증거가 강하다. 이 설계는 새들에게 레퍼토리 전체를 변별하도록 요구하고, 여러 발성자가 낸 여러 발성 사례를 사용하며, 새로 들은 발성자를 울음 유형에 따라 분류하는 일반화 검사를 포함한다. 불일치 보상 조건은 특히 유용한데, 범주가 새로운 임의의 규칙을 방해할 수 있음을 보여 주기 때문이다.

조작적 의미의 의미 지각에 관해서는 증거가 좋지만 더 추론에 의존한다. 의미 자석 효과는 단순한 비유가 아니다. 저자들은 음향적 거리 지도와 행동적 거리 지도를 비교하여, 행동적으로 관련된 울음 유형들이 음향에서보다 지각에서 더 강하게 뭉친다는 것을 발견한다. 이는 울음소리의 기능이 지각을 형성한다는 생각을 뒷받침한다.

인간과 같은 의미에 관해서는 증거가 없으며, 그럴 필요도 없다. 이 논문은 구체적인 수준에 머물러 있을 때 오히려 더 흥미롭다. 동물의 의사소통은 인간의 말을 닮았을 때에만 가치를 갖는 것이 아니다.

왜 중요한가

대중이 빠지기 쉬운 유혹은 뻔하다. 새가 울음소리를 의미 있는 것으로 듣는다면, 다음 헤드라인은 우리가 동물의 언어를 해독하고 있다고 말하려 든다. 그런 비약은 과학의 어려운 부분을 건너뛴다.

조심스러운 결과가 더 낫다. 이 결과는 연구자들이 동물의 마음을 번역하는 척하지 않으면서도 '의미’를 검증할 수 있는 방법을 보여 준다. 이들은 동물이 인간 동물행동학자의 범주에 동의하는지 물을 수 있다. 새로운 사례가 범주에 따라 분류되는지 물을 수 있다. 오류가 음향적 유사성을 따르는지 아니면 사회적 기능을 따르는지 물을 수 있다. 이것은 오래된 질문 — 동물의 울음소리는 동물 자신에게 무언가를 의미하는가? — 을 실험적으로 더 날카롭게 만드는 방법이다.

이것은 또한 인간은 언어를 가지고 나머지 모든 것은 소음만 낸다는 잘못된 사다리에서 논의를 멀어지게 한다. 금화조는 작고 종 고유한 발성 레퍼토리를 가진다. 이 연구는 그 레퍼토리 안에서 새들이 사회적 쓰임에 묶인 구조화된 범주를 지각한다는 것을 시사한다. 그것은 우리의 언어가 아니다. 그것은 그들 자신의 방식으로 검증된, 그들의 의사소통 체계다.

깔끔한 요약

《Science》에 실린 한 연구는 다 자란 금화조를 대상으로, 이들의 발성 레퍼토리에 있는 11가지 울음 유형을 검사했다. 청각 Go/No-Go 과제에서 새들은 모든 울음 유형을 변별했고, 학습한 범주를 새로운 발성자의 울음소리로 일반화했으며, 불일치 조건에서는 그것이 잘못된 보상 판단으로 이어질 때조차 처음에는 울음 유형 범주를 따랐다. 이어서 저자들은 음향적 유사성과 행동적 오류를 비교하여, 비슷한 사회적 맥락에서 쓰이는 울음 유형들이 음향 공간에서보다 새들의 지각 공간에서 더 강하게 뭉친다는 것을 발견했다. 이는 범주적 지각과 조작적 형태의 의미 지각을 뒷받침한다. 새들은 자기 울음소리를 소리만이 아니라 기능적 범주에 따라 조직하는 것으로 보인다. 이것은 인간과 같은 언어나 통사 구조, 단어, 정신 상태에 대한 직접적 접근, 또는 새와의 대화를 보여 주지 않는다.

군더더기 없는 점검

논문이 보여 주는 것: 다 자란 금화조는 자기 레퍼토리의 11가지 행동목록 기반 울음 유형을 변별할 수 있다. 이들은 울음 유형 범주를 새로운 발성자에게로 일반화한다. 그리고 이들의 체계적인 오류는 음향적 유사성만을 넘어 행동적 또는 의미적 범주에 의해 형성된다.

그럴듯하지만 증명되지 않은 것: 금화조가 울음소리 의미에 대한 내적 표상을 가진다는 것, 행동상의 ‘의미 자석’ 효과의 바탕에 그와 유사한 신경 지도가 있다는 것, 발달과 노출이 다른 학습된 지각 범주와 유사한 방식으로 이 범주들을 형성한다는 것.

보여 주지 않는 것: 인간과 같은 언어, 문법, 개방형 어휘, 인간적 의미의 상징적 지시, 주관적 정신 상태에 대한 직접적 증거, 인간이 금화조와 이야기할 방법.

주요 한계: 이 연구는 자연 상태의 야외 상호작용이 아니라 다 자란 새 12마리를 대상으로 한 실험실의 조작적 조건형성 과제를 사용한다. '의미론적’이라는 것은 행동과 오류 구조로부터 추론된 것이다. 발달의 문제는 여전히 열려 있다. 이 결과는 유연한 합성적 언어가 아니라, 고정된 종 고유의 레퍼토리에 관한 것이다.

일반 독자는 어느 정도 확신을 가져야 하는가? 금화조가 이 과제에서 자기 울음 유형을 범주화하고 변별할 수 있다는 점은 높은 확신을 가져도 좋다. 이들의 오류가 음향적 유사성만이 아니라 기능적 범주를 반영한다는 점은 상당한 확신을 가질 만하다. 이것이 인간적 의미의 새 언어에 대한 증거라는 점은 낮은 확신에 머물러야 한다. 적절한 태도는 이렇다. 이것은 의미 있는 발성 범주에 관한 강력한 동물인지 연구 결과이지, 동물과 대화하게 된 '두리틀 박사’의 순간이 아니다.