갤러리 이슈박스, 최근방문 갤러리
연관 갤러리
윤하 갤러리 타 갤러리(0)
이 갤러리가 연관 갤러리로 추가한 갤러리
0/0
타 갤러리 윤하 갤러리(0)
이 갤러리를 연관 갤러리로 추가한 갤러리
0/0
개념글 리스트
1/3
- 의외로 볼붕이들도 쉽게 하는 건??? 늑댕뭉이
- 여친이랑 싸울때 하는 말 28가지 관심종자
- 벚꽃은 250D다.webp 흔별
- [북유럽 신화] 여신이 목걸이 얻으려고 드워프랑 하는 만화 - 3 동굴트롤
- 연예인 산불 기부 트위터 한녀들 반응.jpg ㅇㅇ
- [국민신문고 결과] 가스통 실내사용 추가제보 및 옥외 방치 관련 백갤러
- 3월 갤질 이용권 발급받을 수 있을까요,,, iPhone_
- 커넥티드클루 개발일지 25. Alpheratz*
- 1950년대 일본의 풍경들 미친왕
- Chat gpt) 군대이야기 1 입대 티타늄맨
- 블붕이의 쇼우따라잡기 1편 브이젤
- GPT로 웹툰 만들어봤으니까 님들이 판단해보셈 등짝푸른생선
- <톰 크루즈> 최고의 영화 TOP 10..gif 이시라
- 싱글벙글 추억의 아동 만화 ㅇㅇ
- 낯선 개랑 노는 만화 sgtHwang
日, 서일본은 비국민인가? 비축미 방출 차별에 분노... 더 큰 문제는?
끝이 보이지 않는 일본의 쌀가격 문제... 이 초유의 사태를 해결하기 위해 일본 정부는 이번달 18일부터 비축미를 방출하기 시작했고 이제 2차 입찰(7만톤)도 시작하며 방출 물량을 늘려가고 있음 도매업자들에 따르면 이렇게 방출된 일본 정부의 비축미는 5kg에 3500엔 정도... 미국 등 해외에 수출되어 팔리고 있는 쌀 가격과 비슷한 수준의 높은 가격이지만 5kg에 4천엔을 넘기며 치솟은 일본 국내 쌀 가격에 비하면야 훨씬 저렴한 수준임 이번에 방출된 쌀은 도쿄 등 수도권 일부 점포에 출하되어 진열되기 시작했고 일본 국민 전체가 비축미 방출로 인한 쌀 가격을 기대하는 중인데... 그런데 수도권에 풀리기 시작한지 일주일이 넘었는데 그렇다면 간사이 지방은 어떨까? 놀랍게도 수도권이 있는 동쪽과 달리 서쪽에는 비축미가 풀리지 않았음 올해 4180엔까지 오른 간사이의 쌀값은 현재도 그대로임 전문가는 비축미 방출이 마치 전국의 쌀값을 내릴 것처럼 홍보되고 있지만 실제로는 지역차가 존재할 것이라고 지적함 비축미는 일본 각지에 존재하는 약 300여 곳의 창고에 나뉘어 저장되고 있는데 이번에 낙찰되어 시장에 풀리고 있는 건 후쿠시마 등 동일본 지역의 쌀임 결국 그것이 풀리더라도 서일본은 물류비 등이 추가로 들기 때문에 수도권에 비해 비싼 값에 사먹게 될 거라는 지적임 수도권보다 비싼 값에 비축미를 사먹어야 하는 것도 서러운데 더 큰 문제는 아예 비축미가 서일본에는 풀리지 않고 있다는 거임 이곳은 오사카부 야오시에 있는 쌀 소매점 소매점 주인에게 최근 상황을 물으니 도매업자들 자체가 비축미를 구하지 못해 전혀 도움이 되지 않고 있다고 말함 [소매점 주인] 제가 '비축미 언제 들어옵니까?'라고 물어보면 도매업자들은 '아직 안 들어왔어요'라거나 최종적으로는 '안 들어와요'라고 답하더군요 이곳은 교토 마이즈루시에 있는 또다른 쌀 가게 '마츠모토 베이코쿠' 창업한지 90년이 넘은 노포지만 결국 쌀 공급이 이뤄지지 않아 일시적으로 폐점까지 결정함 '쌀집이지만 쌀이 없습니다'라는 안내 문구가 인상적임 실제로 구글에 확인해보면 현재도 휴업중임을 알 수 있고 공식 사이트를 확인해봐도 죄송하다며 문을 닫는다는 안내문이 나와있음 이 가게는 이번 일로 결국 함께 일하던 직원 5명도 해고했다고 함 정부가 비축미까지 풀고 있는데 정작 현장에서는 대체 왜 이렇게까지 막장으로 상황이 치닫고 있는 걸까? 원래 계획대로라면 일본 정부가 비축미를 방출하면 JA전농 등 낙찰업자들이 비축미를 낙찰 받은 다음 도매업자에게 넘겨 시중에 판매되었어야 했지만 어찌된 일인지 낙찰받은 사람들로부터 도매업자에게 쌀이 넘어가고 있지 않는 거임 이런 믿을 수 없는 상황이 진짜인 건지 확인하기 위해 취재진은 간사이 지역에서 쌀 도매업을 하는 29개 회사에 직접 취재를 해봤음 그리고 그 결과는 생각보다 더 심각했음 비축미를 확보한 곳은 29개 회사 중 대형업체 단 한 곳 뿐이었음 그마저도 실물로 확보한 게 아니고 낙찰업자로부터 비축미를 넘겨받기로 계약을 맺는데 성공한 것이었음 이런 상황이 이어지자 간사이의 쌀 도매업자에게서는 불만의 목소리가 점차 커지는 중임 쌀 자체가 안 오기도 하지만 그나마 확보되는 물량도 전부 대형업자에게 몰려 시장에 풀 수가 없다는 거임 전문가는 그동안 지역에 식량을 안정적으로 제공해온 지역 쌀가게들이나 중소형 슈퍼마켓 등에 비축미의 정보가 가지 않는 것은 큰 문제라고 지적함 즉, 현재 일본 정부의 비축미 방출 구조가 잘못된 것이고 수정이 필요하다는 것 정부가 쌀을 싼 가격에 풀어봤자 전농 등 낙찰 받은 놈들이 그 쌀마저 비축하고 시장에 풀지 않는 상황에 그리고 비수도권인 서일본은 비축미 방출에서 소외되는 상황까지... 과연 일본은 이런 총체적 난국을 극복하고 주식인 쌀가격을 안정화 할 수 있을 것인가?! 그와중에 간사이에서 유일하게 비축미를 확보한 업체를 신메이(神明)라고 확신하는 댓글 찾아보니 실제로 신메이는 작년을 포함해 정부 비축미 관리 수탁 계약 등을 따낸 적이 수차례 있던데 진짜일까? 선심쓰듯 후쿠시마 방사능 비축미를 풀어도 그것마저 사먹을 수 없는 일본인들아 니들이 뽑은 자민당인데 견뎌야지 ㅋㅋㅋ ｗｗｗ
작성자 : 난징대파티고정닉
(구글) LLM 표현을 통해 인간 뇌의 언어 처리 과정 이해하기
LLM 표현을 통해 인간 뇌의 언어 처리 과정 이해하기2025년 3월 21일 | 마리아노 샤인(Mariano Schain), 소프트웨어 엔지니어, 아리엘 골드스타인(Ariel Goldstein), 방문 연구원, 구글 리서치후속 발화 예측과 문맥 임베딩을 활용한 과제 적응에 최적화된 대규모 언어 모델(LLM)은 인간과 거의 비슷한 수준으로 자연어를 처리할 수 있습니다. 본 연구는 인간의 뇌 신경 활동이 일상 대화를 처리하는 과정에서 LLM 내부의 음성 및 언어 관련 문맥 임베딩과 선형적으로 정렬된다는 것을 보여줍니다.인간의 뇌는 일상 대화 중에 자연어를 어떻게 처리할까요? 이론적으로 LLM과 인간 언어에 대한 기호적 심리언어학 모델은 자연어를 부호화하는 방식에 있어 근본적으로 다른 계산 프레임워크를 제시합니다. LLM은 기호적인 품사나 통사 규칙에 의존하지 않습니다. 대신 다음 단어 예측이나 강화 학습으로 개선된 생성과 같은 간단한 자기 지도 학습 목표를 사용합니다. 이를 통해 LLM은 실제 텍스트 코퍼스에서 추출한 문맥에 맞는 언어적 결과물을 생성하며, 자연스러운 음성(소리)과 언어(단어)의 통계적 구조를 다차원 임베딩 공간에 효과적으로 부호화합니다.LLM의 성공에 영감을 받아, 저희 구글 리서치 팀은 프린스턴 대학교, 뉴욕 대학교(NYU), 히브리 대학교(HUJI)와 협력하여, 인간의 뇌와 딥러닝 언어 모델이 각자의 뛰어난 능력을 발휘하며 자연어를 처리하는 방식의 유사점과 차이점을 탐구하고자 했습니다. 지난 5년간 일련의 연구를 통해, 저희는 특정 딥러닝 모델의 내부 표현(임베딩)과 자연스러운 대화 중 인간 뇌 신경 활동 사이의 유사성을 탐구했으며, 이를 통해 딥러닝 언어 모델의 임베딩이 인간 뇌의 언어 처리 방식을 이해하기 위한 틀로서 강력한 잠재력을 지니고 있음을 입증했습니다. 저희는 딥러닝 언어 모델이 생성하는 단어 수준 내부 임베딩이 인간 뇌에서 음성 이해 및 발화와 관련된 기존에 알려진 뇌 영역들의 신경 활동 패턴과 정렬된다는 것을 입증합니다.유사한 임베딩 기반 언어 표현네이처 인간 행동(Nature Human Behaviour)에 발표된 저희의 가장 최근 연구는 트랜스포머 기반 음성-텍스트 변환 모델의 내부 표현과 실제 대화 중 인간 뇌의 신경 처리 순서 간의 정렬을 조사했습니다. 이 연구에서 저희는 자발적인 대화 중에 두개 내 전극을 사용하여 기록된 신경 활동을 분석했습니다. 저희는 신경 활동 패턴을 Whisper 음성-텍스트 변환 모델이 생성한 내부 표현(임베딩)과 비교했으며, 모델의 언어적 특징이 뇌의 자연스러운 음성 처리 과정과 어떻게 정렬되는지에 초점을 맞추었습니다.듣거나(음성 이해 중) 말하는(음성 발화 중) 모든 단어에 대해, 음성-텍스트 변환 모델에서 두 가지 유형의 임베딩이 추출되었습니다. 즉, 모델의 음성 인코더에서 추출한 음성 임베딩과 모델의 디코더에서 추출한 단어 기반 언어 임베딩입니다. 각 대화 속 단어마다 음성-텍스트 임베딩을 이용해 뇌의 신경 신호를 예측하는 선형 변환 값을 추정했습니다. 이 연구는 인간 뇌의 음성 영역 신경 활동과 모델의 음성 임베딩 간, 그리고 뇌의 언어 영역 신경 활동과 모델의 언어 임베딩 간의 놀라운 정렬을 밝혀냈습니다. 이러한 정렬 관계는 피험자의 언어 이해에 대한 뇌 신경 반응 순서를 모델링한 아래 애니메이션에서 확인할 수 있습니다.피험자가 "How are you doing?" 문장을 들을 때 언어 이해에 대한 뇌 신경 반응 순서.청자가 입력되는 음성 단어를 처리할 때, 우리는 일련의 신경 반응을 관찰합니다. 처음에 각 단어가 발화될 때, 음성 임베딩은 상측두회(STG)를 따라 있는 음성 영역의 피질 활동을 예측할 수 있게 해줍니다. 수백 밀리초 후, 청자가 단어의 의미를 해독하기 시작하면, 언어 임베딩은 브로카 영역(하전두회(IFG)에 위치)의 피질 활동을 예측합니다.피험자의 발화 과정을 살펴보면, 우리는 다른 (역순의!) 신경 반응 순서를 관찰합니다.피험자가 "feeling fantastic"이라고 답할 때 언어 발화에 대한 신경 반응 순서.이 정렬을 더 자세히 살펴보면, 단어를 발화하기 약 500밀리초 전에 (피험자가 다음 단어를 발화할 준비를 할 때), 언어 임베딩(파란색으로 표시)이 브로카 영역의 피질 활동을 예측합니다. 수백 밀리초 후 (여전히 단어 시작 전), 화자가 조음 발화 순서를 계획할 때 음성 임베딩(빨간색으로 표시)이 운동 피질(MC)의 신경 활동을 예측합니다. 마지막으로, 화자가 단어를 발화한 후, 화자가 자신의 목소리를 들으면서 음성 임베딩이 STG 청각 영역의 신경 활동을 예측합니다. 이러한 역동적인 과정은 언어 영역에서 무엇을 말할지 계획하는 것부터 시작하여, 운동 영역에서 어떻게 발화할지 계획하고, 마지막으로 음성 지각 영역에서 발화된 내용을 모니터링하는 신경 처리 순서를 반영합니다.전체 뇌 분석의 정량적 결과는 아래 그림과 같습니다. 각 단어에 대해 해당 단어의 음성 임베딩(빨간색)과 언어 임베딩(파란색)을 입력값으로 사용하여, 단어 시작 시점(그림의 x축 값 0)을 기준으로 -2초에서 +2초 사이의 다양한 시간 지연(time lag)에 따른 각 전극의 신경 반응을 예측했습니다. 이는 음성 발화(왼쪽 패널)와 음성 이해(오른쪽 패널) 중에 수행되었습니다. 관련 그래프는 다양한 뇌 영역의 전극에서 시간 지연에 따른 모든 단어에 대한 신경 활동 예측의 정확도(상관관계)를 보여줍니다.발화 및 이해 시 인간 뇌 신호와 음성/언어 임베딩의 부합도 분석.음성 발화 중에는, IFG의 언어 임베딩(파란색)이 감각운동피질의 음성 임베딩(빨간색)보다 먼저 최고조에 달하고, 그 뒤를 이어 STG에서 음성 부호화가 최고조에 달하는 것이 분명합니다. 반대로, 음성 이해 중에는 최고 부호화 시점이 단어 시작 이후로 이동했으며, STG의 음성 임베딩(빨간색)이 IFG의 언어 부호화(파란색)보다 훨씬 먼저 최고조에 달했습니다.종합적으로, 저희 연구 결과는 음성-텍스트 변환 모델 임베딩이 자연스러운 대화 중 언어 처리의 신경 기반을 이해하기 위한 일관된 프레임워크를 제공함을 시사합니다. 놀랍게도, Whisper는 뇌가 언어를 처리하는 방식을 고려하지 않고 오직 음성 인식을 위해서만 개발되었음에도 불구하고, 저희는 그 내부 표현이 자연스러운 대화 중 신경 활동과 정렬된다는 것을 발견했습니다. 이러한 정렬은 보장된 것이 아니었습니다. 만약 부정적인 결과가 나왔다면 임베딩과 신경 신호 간의 상관관계가 거의 없거나 전혀 없음을 보여주었을 것이며, 이는 모델의 표현이 뇌의 언어 처리 메커니즘을 포착하지 못했음을 의미했을 것입니다.LLM과 인간 뇌 간의 정렬을 통해 밝혀진 특히 흥미로운 개념 중 하나는 신경 처리에서의 '부드러운 계층 구조(soft hierarchy)'라는 개념입니다. IFG와 같이 언어에 관여하는 뇌 영역은 단어 수준의 의미론적 및 통사론적 정보를 우선시하는 경향이 있지만(언어 임베딩(파란색)과의 더 강한 정렬로 나타남), 더 낮은 수준의 청각적 특징도 포착합니다(음성 임베딩(빨간색)과의 낮지만 유의미한 정렬에서 분명히 드러남). 반대로, STG와 같은 하위 음성 영역은 음향 및 음소 처리를 우선시하는 경향이 있지만(음성 임베딩(빨간색)과의 더 강한 정렬로 나타남), 단어 수준 정보도 포착합니다(언어 임베딩(파란색)과의 낮지만 유의미한 정렬에서 분명히 드러남).LLM과 인간 뇌가 공유하는 목표 및 기하학적 구조LLM은 간단한 목표, 즉 순서대로 다음 단어를 예측하는 것을 사용하여 자연어를 처리하도록 훈련됩니다. 네이처 뉴로사이언스(Nature Neuroscience)에 발표된 논문에서, 저희는 LLM과 유사하게 청자의 뇌 언어 영역이 다음 단어가 발화되기 전에 예측하려고 시도한다는 것을 발견했습니다. 더욱이, LLM처럼, 단어 시작 전 청자의 예측에 대한 확신 수준은 단어가 발화된 후 그들의 놀람 수준(예측 오류)을 조절합니다. 이러한 발견은 자기회귀 LLM과 인간 뇌가 공유하는 시작 전 예측, 시작 후 놀람, 그리고 임베딩 기반 문맥 표현이라는 근본적인 계산 원리에 대한 강력한 새로운 증거를 제공합니다. 네이처 커뮤니케이션즈(Nature Communications)에 발표된 또 다른 논문에서, 저희 팀은 LLM의 임베딩 공간 기하학적 구조에 포착된 자연어 단어 간의 관계가 언어 영역에서 뇌에 의해 유도된 표현의 기하학적 구조(즉, 뇌 임베딩)와 정렬된다는 것도 발견했습니다.LLM과 인간 뇌의 자연어 처리 방식 차이점인간의 뇌와 트랜스포머 기반 LLM이 자연어 처리에서 근본적인 계산 원리를 공유하지만, 그 기저의 신경 회로 구조는 현저하게 다릅니다. 예를 들어, 후속 연구에서 저희는 트랜스포머 기반 LLM의 계층 간 정보 처리 방식과 인간 뇌의 처리 방식을 비교 조사했습니다. 저희 팀은 LLM과 인간 뇌의 언어 영역에서 계층 간 비선형 변환은 유사하지만, 그 구현 방식은 상당히 다르다는 것을 발견했습니다. 수백에서 수천 개의 단어를 동시에 처리하는 트랜스포머 아키텍처와 달리, 언어 영역은 언어를 순차적으로, 단어별로, 순환적으로, 그리고 시간적으로 분석하는 것으로 보입니다.요약 및 향후 방향저희 팀 연구에서 축적된 증거는 인간의 뇌와 딥러닝 모델이 자연어를 처리하는 방식 사이에 몇 가지 공유된 계산 원리를 밝혀냈습니다. 이러한 결과는 딥러닝 모델이 통계적 학습, 블라인드 최적화(blind optimization), 그리고 자연 현상과의 직접적인 부합 원칙에 기반하여 자연어를 처리하는 뇌의 신경 코드를 이해하기 위한 새로운 계산 프레임워크를 제공할 수 있음을 시사합니다. 동시에, 신경 구조, 언어 데이터의 유형 및 규모, 트랜스포머 기반 언어 모델의 훈련 프로토콜과, 인간의 뇌가 사회적 환경에서 자연스럽게 언어를 습득하는 생물학적 구조 및 발달 단계 사이에는 상당한 차이가 있습니다. 앞으로 저희의 목표는 정보 처리 및 실제 세계에서의 기능 수행 능력이 향상된, 생물학적으로 영감을 받은 혁신적인 인공 신경망을 만드는 것입니다. 저희는 인간의 경험과 더 잘 맞는 신경 구조, 학습 프로토콜, 훈련 데이터를 적용하여 이를 달성할 계획입니다.감사의 말씀본문에 기술된 작업은 구글 리서치가 프린스턴 대학교 신경과학 연구소 및 심리학과 해슨 랩(Hasson Lab), 히브리 대학교 경영대학원 및 인지과학과 딥코그니션랩(DeepCognitionLab), 그리고 뉴욕대 랑곤 종합 간질 센터(NYU Langone Comprehensive Epilepsy Center) 연구원들과 장기간 협력한 결과입니다.- 앤트로픽과 구글, LLM은 인간의 뇌와 거의 동일하게 작동한다앤스로픽과 딥마인드가 현재의 LLM이 추론 및 언어 능력 측면에서 인간의 뇌와 거의 동일하게 작동한다는 것을 보여주는 유사한 논문들을 발표했습니다.이는 "과연 실제로 추론하는 것인가"에 대한 기존의 논쟁 구도를 바꿔 놓을 것입니다.(앤트로픽) 거대 언어 모델의 사고 과정 추적하기 - 번역본 보기(구글) LLM 표현을 통해 인간 뇌의 언어 처리 과정 이해하기 - 번역본 보기
작성자 : 초존도초고정닉
차단하기
설정을 통해 게시물을 걸러서 볼 수 있습니다.
댓글 영역
획득법
① NFT 발행
작성한 게시물을 NFT로 발행하면 일주일 동안 사용할 수 있습니다. (최초 1회)
② NFT 구매
다른 이용자의 NFT를 구매하면 한 달 동안 사용할 수 있습니다. (구매 시마다 갱신)
사용법
디시콘에서지갑연결시 바로 사용 가능합니다.