초파리 뇌로 로봇을 움직였다: 무엇을 복사했고, 어디까지 가능한가
“초파리 두뇌를 해독했다. 클라우드에 업로드했다. 플라스틱 육신을 허했다.”
이 세 문장을 읽으면 초파리의 정신을 파일로 옮겨 로봇 안에서 되살린 장면이 떠오릅니다. 그러나 실제로 확인되는 설명은 다릅니다.
초파리 신경계의 연결 지도를 참고해 컴퓨터 모형을 만들고, 그 모형에 카메라와 센서의 신호를 넣은 뒤, 나오는 신호를 로봇의 모터에 연결한 것입니다. 관련 스트랜드비스트 로봇의 제작자는 뇌 모형이 자신의 PC에서 실행되며 로봇과 와이파이로 통신한다고 설명합니다. 살아 있는 뇌 조직을 넣은 것이 아니고, 원래 지도의 일부를 사용한다고 명시했습니다. 제작자 설명
그렇다고 별것 아닌 장난이라고 넘길 일도 아닙니다. 생물의 신경회로를 관찰하는 데서 나아가, 컴퓨터에서 실행하고 고쳐 보면서 행동의 원인을 시험할 수 있게 되기 때문입니다. 무엇을 복사했고, 어디를 사람이 설계했으며, 무엇이 실제로 입증됐는지를 나누면 의미가 선명해집니다.
먼저 세 문장을 고쳐 읽어야 합니다
| 퍼진 표현 | 확인된 내용을 반영한 표현 |
|---|---|
| 초파리 두뇌를 해독했다 | 신경세포들이 어떻게 연결되는지 지도를 만들었다. 생각과 기억을 전부 읽어낸 것은 아니다. |
| 클라우드에 업로드했다 | 연결 지도를 바탕으로 한 계산 모형을 컴퓨터에서 실행한다. 이 로봇 사례는 제작자의 개인 PC를 쓴다. |
| 플라스틱 육신을 허했다 | 계산 결과를 실제 모터 명령에 연결했다. 초파리의 몸과 정신을 통째로 이식한 것은 아니다. |
첫 문장의 과학적 배경과 뒤 두 문장의 개인 제작 프로젝트를 하나의 연구 성과처럼 합치지 않는 것이 중요합니다. 연결 지도 제작은 대규모 공동연구이고, 특정 로봇에 붙이는 작업은 별도의 구현입니다. Google Research · 로봇 제작자
1. 뇌를 해독했다는 것은 무엇을 알아냈다는 뜻인가
뇌에는 신호를 주고받는 신경세포가 있습니다. 세포 사이에는 신호가 전달되는 접점이 있습니다. 이 접점을 시냅스라고 합니다. 연구자들은 어느 세포가 어느 세포에 연결되는지 추적해 거대한 연결 지도를 만듭니다. 이 지도가 커넥톰입니다.
2026년 9월 3일 Google과 HHMI Janelia의 공동연구 발표에는 수컷 초파리의 뇌와 배쪽 신경줄을 포함한 중추신경계 지도가 소개됐습니다. 신경세포는 16만 6,000개 이상, 시냅스는 약 1억 2,500만 개입니다. 배쪽 신경줄은 몸의 운동 제어와 연결되는 부위로, 사람의 척수에 빗대어 이해할 수 있습니다. 이 숫자는 공개 지도 전체의 규모이지, 개인 제작 로봇이 모두 실행했다는 뜻은 아닙니다. Google Research
방법은 머리에 센서를 붙여 생각을 읽는 것과 다릅니다. 조직의 전자현미경 영상을 모아 세포와 연결을 재구성하고, AI와 사람의 검수로 지도를 완성합니다. 연구 데이터 안내
도로 지도를 떠올리면 쉽습니다. 어느 동네가 어느 도로로 이어지는지는 알게 됐습니다. 그러나 모든 자동차의 현재 위치와 운전 습관까지 지도에 적혀 있지는 않습니다.
뇌도 마찬가지입니다. 연결 구조를 안다는 것과 그 구조가 언제나 어떻게 작동하는지 안다는 것은 다릅니다. 신호가 얼마나 강하게 전달되는지, 세포가 어떤 상태인지, 어떤 화학물질이 작용하는지까지 알아야 더 충실한 모형을 만들 수 있습니다. 실제 계산 뇌 연구도 이런 생물학적 요소를 상당 부분 단순화합니다. Shiu 등, Nature 2024
그럼에도 배선도는 중요합니다. 어떤 길이 어디로 이어지는지가 교통 흐름을 제한하듯, 신경회로의 구조도 가능한 반응을 제한하기 때문입니다. 이제 연구자는 모든 회로를 상상해서 설계하지 않아도 됩니다. 실제 생물이 가진 구조에서 출발할 수 있습니다.
2. 배선도는 정지된 자료인데, 어떻게 움직이는 프로그램이 되는가
지도 파일만 열어서는 아무 일도 일어나지 않습니다. 연결된 세포들이 신호를 주고받도록 계산 규칙을 붙여야 합니다.
대표적인 단순 모형을 물통에 빗대어 보겠습니다. 신경세포 하나가 조금씩 물이 새는 작은 통입니다. 다른 세포에서 신호가 오면 물이 들어오거나 빠집니다. 수위가 일정 수준을 넘으면 다음 세포들에 신호를 보냅니다. 이후 수위가 다시 낮아집니다. 이런 계산을 연결 지도에 따라 반복합니다. 실제 연구에서는 물 대신 세포의 전기적 상태를 나타내는 숫자를 계산합니다. Shiu 등, 계산 모형과 방법
따라서 컴퓨터에 필요한 것은 대략 두 종류입니다. ‘누가 누구와 연결되는가’라는 자료와, ‘신호를 받으면 상태가 어떻게 바뀌는가’라는 규칙입니다. 구조는 측정 자료에서 가져오고, 작동 규칙에는 실험값과 가정이 들어갑니다.
이 지점에서 과장을 피해야 합니다. 연결 개수가 많다고 실제 신호 강도를 완벽히 안다는 뜻은 아닙니다. 같은 지도를 사용하더라도 세포의 작동 규칙과 초기 상태를 다르게 설정하면 결과가 달라질 수 있습니다. 복사한 것은 생물에서 얻은 구조이고, 실행되는 것은 그 구조를 해석한 모형입니다.
또한 이런 계산에 클라우드가 반드시 필요한 것은 아닙니다. 개인 PC에서 돌릴 수도 있고 원격 서버에서 돌릴 수도 있습니다. 어디에 컴퓨터를 두느냐의 차이이지, 생명이 디지털 세계로 이동했느냐를 결정하는 조건은 아닙니다. 이번 제작자는 개인 PC라고 밝혔습니다. 제작자 답변
3. 컴퓨터 속 신경 신호가 어떻게 플라스틱 다리를 움직이는가
중간에 번역기가 두 개 필요합니다.
첫 번째는 센서 신호를 신경망 입력으로 바꾸는 번역기입니다. 카메라는 영상을 내놓고, 기울기 센서는 각도나 움직임에 관한 값을 내놓습니다. 이 값을 그대로 생물의 신경세포가 이해하는 것은 아닙니다. 개발자가 특정 신경세포 집단에 어느 정도의 자극을 줄지 정합니다.
두 번째는 신경망 출력을 모터 명령으로 바꾸는 번역기입니다. 어떤 세포 집단의 활동이 강해졌다고 모터가 저절로 도는 것은 아닙니다. 개발자가 그 활동을 이동 속도나 회전 명령 등으로 바꿉니다. 뇌 모형과 몸을 연결하는 연구에서도 이 변환이 중요한 설계 문제입니다. Eon의 구현 설명
일반적인 구조는 이렇게 읽으면 됩니다.
센서가 변화를 감지한다 → 입력 번역기가 신경망에 자극을 준다 → 신경망이 다음 상태를 계산한다 → 출력 번역기가 모터 명령을 만든다 → 로봇이 움직인다 → 센서가 바뀐 상태를 다시 보낸다.
가령 장애물이 가까워지는 상황을 생각해 볼 수 있습니다. 개발자가 접근 정도를 특정 감각 경로의 입력으로 바꾸고, 신경망의 반응을 좌우 모터 속도 차이로 변환하면 회피 방향의 움직임을 만들도록 설계할 수 있습니다. 이것은 원리를 설명하기 위한 예시입니다. 해당 로봇이 안정적인 장애물 회피 성능을 입증했다는 뜻은 아닙니다.
실물 로봇 제작자가 공개한 입력은 PC 웹캠의 움직임·접근 자극과 로봇의 관성 센서입니다. 일부 감각 경로를 건너뛰어 신경 집단을 자극한다고 설명했습니다. 몸체는 스트랜드비스트 조립 모형을 개조했고 모터 두 개를 사용합니다. 제작자의 하드웨어·입력 설명
여기서 많은 다리가 움직인다는 사실에 속으면 안 됩니다. 스트랜드비스트 같은 기구에서는 회전 운동을 여러 다리의 보행으로 바꾸는 기계 구조가 큰 몫을 합니다. 이 사례에서 모든 다리 관절을 초파리의 신경세포가 하나씩 정교하게 지휘한다고 해석할 근거는 없습니다. ‘몇 개 모터의 움직임을 조절한다’와 ‘생물의 모든 근육 제어를 재현한다’는 다른 성과입니다.
제작자의 상세 기술 페이지는 이번 확인 환경에서 열리지 않았습니다. 따라서 실행 코드, 선택한 신경망의 정확한 규모, 입출력 변환식과 지연시간은 직접 검증하지 못했습니다. 실물 연결에 대한 제작자 설명과 독립적인 성능 검증을 구분해서 읽어야 합니다.
4. 그렇다면 어떤 제어가 가능해지는가
‘제어’에는 서로 다른 뜻이 섞여 있습니다.
로봇을 움직이는 제어부터 보겠습니다. 적절한 변환기를 붙이면 신경망의 출력을 전진·정지·회전·속도 조절 같은 명령에 사용할 수 있습니다. 몸이 달라져도 출력 신호를 다른 장치에 연결하는 것은 가능합니다. 그러나 보행 신호를 드론에 꽂는다고 비행이 완성되지는 않습니다. 추력 조절, 자세 안정화, 센서 해석 등 새 몸에 맞는 제어가 필요합니다. 이것은 입출력 연결 구조에서 따라오는 공학적 제약입니다.
모형 내부를 바꾸는 제어는 연구에서 더 중요할 수 있습니다. 특정 세포를 자극하거나 꺼 보고, 연결을 약하게 하거나 끊어 본 뒤, 출력이 어떻게 바뀌는지 비교할 수 있습니다. ‘이 세포가 중요한 것 같다’는 관찰을 ‘이 세포를 끄면 이 반응이 사라질 것’이라는 시험 가능한 예측으로 바꿉니다. 실제 2024년 Nature 연구는 먹이 섭취와 더듬이 청소 관련 회로를 모형으로 분석하고 일부 예측을 생물 실험과 대조했습니다. Shiu 등
마지막은 목표를 이해하고 일하는 제어입니다. “부엌에 가서 컵을 가져와”라는 지시에는 언어 이해, 물체 인식, 경로 계획, 손의 조작이 필요합니다. 위의 연결 시연은 이런 능력을 입증하지 않습니다. 신경망 신호가 장치를 움직이게 했다는 사실만으로 그 장치의 용도와 작업 목표까지 이해한다고 말할 수는 없습니다.
게임에 연결하는 경우도 같은 기준이 적용됩니다. 신경 신호를 키보드 입력으로 바꾸는 것과 게임 규칙을 이해해 계획적으로 공략하는 것은 다릅니다. 게임이나 로봇에 관한 판단이 앞뒤 번역기에 얼마나 들어가 있는지 확인해야 합니다.
5. 사람이 만든 번역기가 대부분의 일을 한 것은 아닌가
이 질문이 이 기술을 평가하는 출발점입니다.
어떤 숫자를 출력하는 프로그램이든 모터에 연결할 수는 있습니다. 난수 발생기의 숫자로도 로봇은 움직입니다. 따라서 ‘움직였다’는 것은 연결 성공의 증거이지, 초파리 회로가 우수하다는 증거는 아닙니다.
확인하려면 같은 로봇과 센서, 같은 입출력 변환기를 유지한 채 가운데 신경망만 바꿔 봐야 합니다. 실제 연결 구조를 썼을 때, 연결을 무작위로 섞었을 때, 간단한 기존 제어기를 썼을 때의 성능을 비교하는 방식입니다. 성공률뿐 아니라 충돌, 회복, 학습량, 계산 비용까지 봐야 합니다.
모형을 끄면 로봇도 멈춘다는 시험만으로는 부족합니다. 그 결과는 모형이 제어 경로에 들어가 있다는 점을 보여줄 뿐입니다. 아무 신호나 넣어도 비슷하게 잘 움직인다면 생물학적 회로를 사용할 이유는 약해집니다. 반대로 실제 배선에서만 특정 반응이나 견고함이 나타난다면 훨씬 의미 있는 결과입니다.
관련해 2026년 3월 화제가 된 Eon의 가상 초파리와 이번 실물 로봇도 구분해야 합니다. Eon은 컴퓨터 속 몸을 사용했고, 기존 보행 제어기와 사람이 정한 변환 규칙에 상당 부분 의존한다고 밝혔습니다. 공개한 시점의 모델에는 학습·내부 상태 등이 크게 빠져 있으며, 시각 입력도 행동에 충분히 반영되지 않았습니다. 이 한계를 다른 프로젝트에 그대로 덮어씌워서도 안 되지만, 어느 프로젝트든 확인해야 할 항목이라는 점은 같습니다. Eon, 2026년 3월 기술 설명
6. 그래도 앞으로의 잠재력이 큰 이유
행동의 원인을 실험하는 비용을 낮출 수 있습니다
생물의 뇌에서 모든 세포의 상태를 동시에 기록하고 원하는 연결만 골라 바꾸기는 어렵습니다. 계산 모형에서는 여러 가설을 나란히 실행하고, 특정 변수를 바꾼 결과를 비교할 수 있습니다. 그중 가능성이 높은 가설을 실제 생물에서 시험하는 방식입니다.
이 접근이 가치를 만들려면 모형의 예측이 실제 실험을 더 잘 골라줘야 합니다. 컴퓨터 안에서만 아름답게 설명되는 회로는 충분하지 않습니다. 2024년 계산 뇌 연구의 의미도 모든 정신 활동을 재현했다는 데 있지 않고, 실제로 시험할 수 있는 회로 예측을 만들었다는 데 있습니다. Nature 연구
이것이 발전하면 질환 관련 회로나 자극 방식의 연구에도 도움이 될 가능성이 있습니다. 다만 초파리 모형에서 얻은 결과를 사람의 치료 효과로 곧바로 바꿀 수는 없습니다. 종의 차이, 생물학적 충실도, 실제 실험과 임상 검증이라는 별도 단계를 통과해야 합니다. 현재로서는 치료 성과가 아니라 연구 생산성에 관한 가능성으로 보아야 합니다.
AI 설계에 생물의 회로를 출발점으로 쓸 수 있습니다
일반적인 인공신경망을 만들 때는 사람이 연결 구조를 정하고 데이터를 이용해 학습시킵니다. 커넥톰을 활용하는 다른 접근은 실제 신경계의 구조를 먼저 가져온 다음, 필요한 작동 규칙이나 입출력을 학습시키는 것입니다.
비유하면 설계도를 백지에서 그리는 대신, 자연에서 작동해 온 설계도를 참고하는 것입니다. 물론 초파리에게 유리한 설계가 인간의 모든 과제에도 유리한 것은 아닙니다. 비행기 모양을 새와 똑같이 만들 필요가 없듯, 유용한 원리를 추출하는 편이 통째 복제보다 나을 수도 있습니다.
이 가능성을 시험하는 연구는 이미 있습니다. FlyGM은 초파리 연결 지도를 신경망의 구조로 사용하고 강화학습을 적용해 가상 몸의 이동을 제어했습니다. 저자들은 비교 모델보다 적은 학습 경험으로 성능을 얻었다고 보고합니다. 추가 학습을 사용하는 시뮬레이션 연구이지, 뇌를 복사하기만 하면 모든 운동이 저절로 나온다는 증거는 아닙니다. FlyGM, arXiv v3
FLYNN 연구도 초파리 연결 구조를 활용한 신경망을 훈련해 가상 환경에서 탐색을 수행했습니다. 저자들은 일부 환경 변화와 시각 입력 손실에 대한 견고함을 보고합니다. 그러나 환경 변화 시험은 주로 외관 변화에 제한됐고, 논문은 실물 로봇 검증이 남았다고 명시합니다. 두 연구 모두 여기서는 공개 사전논문이 보고한 결과로 취급합니다. FLYNN, arXiv v2
제가 주목하는 잠재력은 이 방향입니다. 생물의 회로를 참고했더니 같은 일을 더 적게 배우고, 센서가 일부 망가져도 덜 무너지며, 더 적은 계산으로 수행하는가입니다. 이것이 실제 장비에서 확인되면 사업적 의미가 생깁니다.
‘작은 뇌’가 ‘싼 컴퓨터’를 자동으로 뜻하지는 않습니다
신경세포 수가 적어 보인다는 이유만으로 기존 AI보다 전력 소모가 작다고 단정할 수는 없습니다. 얼마나 세밀하게, 얼마나 짧은 시간 간격으로 세포와 연결을 계산하는지에 따라 비용이 달라집니다. 생물의 에너지 효율과 그 생물을 컴퓨터로 흉내 내는 비용은 별개의 문제입니다.
이를 개선하려는 별도 연구로는 초파리 규모의 신경망을 신경 신호 처리에 특화된 Loihi 2 하드웨어에서 실행한 연구가 있습니다. 이런 결과는 계산 방식의 최적화 가능성을 보여주지만, 로봇 전체의 배터리 효율 우위를 대신 증명하지는 않습니다. 신경모방 하드웨어 연구, arXiv
투자 판단에서는 카메라 처리, 무선 통신, 신경망 계산, 모터 구동을 모두 포함해 같은 작업당 비용을 비교해야 합니다.
7. VC라면 어디에서 사업을 찾을 것인가
제 판단은 ‘인간 정신 업로드 기업’보다 실험과 제어의 성능을 측정 가능하게 개선하는 기업을 먼저 보자는 것입니다. 아래는 현재 시장 규모를 추정한 표가 아니라, 사업 검토의 우선순위입니다.
| 검토 영역 | 고객이 돈을 낼 이유 | 먼저 확인할 조건 |
|---|---|---|
| 신경 영상 분석·연결 지도 제작 | 사람이 하던 재구성·오류 수정 시간을 줄인다 | 정확도를 유지하면서 검수 시간과 건당 비용이 실제로 줄어드는가 |
| 신경회로 실험·시뮬레이션 도구 | 다음에 할 실험을 더 잘 골라준다 | 외부 연구실 데이터에서 예측이 맞고 실험 실패 비용이 줄어드는가 |
| 생물 회로를 활용한 로봇 제어 | 학습·현장 적응 비용을 낮추고 센서 장애에 더 잘 버틴다 | 같은 하드웨어와 조건에서 기존 제어기보다 낫고 다른 현장에서도 재현되는가 |
| 전용 계산 하드웨어·실행 소프트웨어 | 충분한 규모의 반복 계산을 더 싸게 한다 | 전체 작업 기준 전력·지연·비용 우위가 있고 구매 고객이 있는가 |
연결 지도가 공개됐다는 사실만으로 기업의 독점 자산이 생기지는 않습니다. 여러 회사가 같은 자료를 사용할 수 있다면 차별화는 더 정확한 동적 측정 데이터, 검증된 회로 모형, 현장별 적응 기술, 고객 업무와의 결합에서 만들어야 합니다.
반론도 분명합니다. 생물학적으로 충실한 모형은 복잡하고 비쌀 수 있습니다. 더 단순한 제어기나 일반적인 학습 모델이 같은 일을 더 싸게 해낸다면, 생물의 회로를 쓴다는 이야기는 상품의 장점이 되지 못합니다. 연구 도구는 기술적으로 중요해도 고객 예산과 시장 규모가 제한될 수 있습니다.
한국의 로봇·산업 AI 스타트업에도 ‘초파리 뇌를 탑재했다’는 설명보다 현재 제품의 병목 하나를 푸는 접근을 권하고 싶습니다. 예를 들어 센서 가림 때문에 생기는 실패를 줄이거나, 새 작업장에 적응시키는 학습 시간을 줄이는 것입니다. 생물 모방은 수단이고, 고객이 구매하는 것은 측정 가능한 개선입니다.
8. 인간의 영생으로 이어지는가
이 시연으로 그렇게 결론 내릴 수는 없습니다.
연결 지도를 얻고, 특정 반응을 재현하고, 한 개인의 기억과 성격을 보존하고, 그 개인의 주관적 경험이 계속된다고 말하는 것은 각각 다른 주장입니다. 앞의 한 단계를 이루었다고 뒤의 단계가 자동으로 증명되지는 않습니다.
특히 공개된 로봇 설명에는 원래 초파리의 기억을 보존했다거나 의식의 연속성을 확인했다는 근거가 없습니다. 작동하는 프로그램을 복사할 수 있다는 것과 생명체가 죽지 않았다는 주장은 구분해야 합니다. 그렇다고 미래의 더 충실한 모형이 어떤 경험도 가질 수 없다고 단정할 근거로 삼을 수도 없습니다. 기술적 충실도와 윤리적 판단은 계속 검토할 문제입니다.
투자자로서 지금 물을 질문은 더 구체적입니다.
“그 신경회로를 썼기 때문에, 기존 방식으로는 비싸거나 어려웠던 어떤 일을 더 잘하게 됐습니까?”
로봇이 움직이는 영상 다음에 이 질문에 답하는 비교 실험과 고객 데이터가 나온다면, 그때부터는 흥미로운 시연을 넘어 투자 검토 대상이 됩니다.
자료와 확인 범위
기준일은 2026년 9월 14일입니다. 뇌 지도와 계산 원리는 연구기관 발표·논문을, 실물 장치 구성은 제작자의 공개 답변을 근거로 삼았습니다. 실물 로봇은 직접 재현하지 않았으며 상세 기술 페이지 접근 실패로 실행 코드와 성능 수치를 검증하지 못했습니다. Eon의 가상 초파리, 이번 개인 제작 실물 로봇, FlyGM·FLYNN의 학습 연구는 서로 다른 프로젝트입니다. 미래 사업성에 관한 서술은 필자의 판단이며 검증된 상업 성과가 아닙니다.
Google·HHMI Janelia 수컷 초파리 중추신경계 발표 · Janelia 데이터 안내 · 로봇 제작자의 원 게시물 · 제작자의 추가 답변 · Shiu 등, Nature 2024 · Eon 기술 설명 · FlyGM · FLYNN · Loihi 2 실행 연구