갤러리 이슈박스, 최근방문 갤러리
연관 갤러리
연극, 뮤지컬 갤러리 타 갤러리(0)
이 갤러리가 연관 갤러리로 추가한 갤러리
0/0
타 갤러리 연극, 뮤지컬 갤러리(0)
이 갤러리를 연관 갤러리로 추가한 갤러리
0/0
개념글 리스트
1/3
- 핑계고) 유재석 문자가 보이스피싱인줄 알고 연락 안한 이광수.jpg ㅇㅇ
- 일본가서 버튜버 아바 대회 직관하고 옴 안오죠
- 낯선 개랑 노는 만화 sgtHwang
- 커넥티드클루 개발일지 25. Alpheratz*
- 어느 실업고교 선생님의 눈물 ㅇㅇ
- 오싹오싹 소련 전쟁기계로 만든 소방차ㄷㄷ.jpg ㅇㅇ
- 싱글벙글 핵포기 국가의 최후.jpg ㅇㅇ
- 소데가라미(袖搦)에 대해 알아보자 갓본도빌런
- 엔팍 낙하물 사고.gisa + 누가 바닥에 똥 싸놓고 튐 바람돌이
- 싱글벙글 영국촌 정조대보추애널
- 미국여행기-16,17 관광의 도시 라스베가스, 그리고 LA(完) 컴의치한약수
- 위생 문제가 끊이지 않던 자갈치시장 노점상 사라진다.jpg ㅇㅇ
- 독학러의 과외 3개월 연습 모음 - 3달차 미블
- [북유럽 신화] 여신이 목걸이 얻으려고 드워프랑 하는 만화 - 3 동굴트롤
- 3월 갤질 이용권 발급받을 수 있을까요,,, iPhone_
블붕이의 쇼우따라잡기 1편
평소 요리하는걸 좋아하는데 이리에 나오는 요리를 실제로 만들어보면 재밌을 것 같았습니다 그래서 며칠에 걸쳐 이리 요리들을 만들어 보았습니다 재밌게 감상해주세요 첫번째 요리는 연어스테이크입니다 쇼우를 할 때 꿀고구마 다음으로 많이 만드는 요리죠 준비한 연어에 소금과 후추로 앞뒤로 시즈닝 해주고 가지, 레몬, 토마토와 함께 올리브유를 적당히 붓고 오븐에서 구워줍니다 소스와 함께 플레이팅 하면 완성입니다 연어살이 부드러워 정말 맛있었습니다 두번째 요리는 논란의 중심에 선 만년스프입니다 이게 어떤 스프일까 생각을 해봤는데 토마토스튜에 바게뜨를 찍어먹는걸로 보여 그렇게 만들기로 했습니다 우선 준비한 채소를 다 썰어줍니다 그리고 토마토스튜에 필수인 홀토마토 통조림을 준비해서 믹서기에 갈아줍니다 소고기와 야채를 함께 볶아주고 토마토 간것과 물을 넣고 푹 끓여 졸여주면 완성입니다 기다리는동안 바게뜨도 오븐에 구워 바삭하게 해주었습니다 그냥 먹으면 건강식을 먹는것처럼 뭔가 부족하지만 바게뜨와 함께 먹으면 정말 맛있었습니다 세번째 음식은 탄두리입니다 인도 전통 치킨이라고 생각하면 편합니다 요거트에 카레가루 고춧가루 다진마늘을 넣고 섞어줍니다 닭다리에 칼집을 내서 잘 버무리고 냉장고에 버무립니다 하루 뒤 오븐에 구우면 완성입니다 카레치킨의 특이한 맛이 정말 좋았습니다 네번째 요리는 트러플 파스타 입니다 이번에 새로 추가된 요리죠 표고와 느타리를 잘게 자르고 잘 볶다가 생크림을 넣고 끓여줍니다 미리 삶은 면을 넣고 조금 더 끓여주고 위에 트러플을 올리면 완성 맛있긴 한데 하필 감기에 걸려서 트러플향이 잘 느껴지지 않았습니다 저거 10g에 만칠천원 주고 샀는데 돈아까움.. 2편에 계속 - 블붕이의 쇼우따라잡기 2편1편 https://m.dcinside.com/board/bser/8735382 블붕이의 쇼우따라잡기 1편 - 이터널 리턴 마이너 갤러리평소 요리하는걸 좋아하는데 이리에 나오는 요리를 실제로 만들어보면 재밌을 것 같았습니다 그래서 며칠에 걸쳐 이리 요리들을 만들어 보았습니다 재밌게 감상해주세요 첫번째 요리는 연어스테이크입니다 쇼우를 할 때 꿀고구마 다m.dcinside.com다섯번째 요리는 일레븐세트입니다 근데 그냥 만들면 뭔가 재미없을거같아서 고민하던중 빵을 직접 만들기로 했습니다 반죽을 해서 1차발효를 한 뒤 둥글리기까지 하고 중간발효를 하는 모습입니다 이후 성형을 하고 2차발효까지 하면 이런 모습이 됩니다 빵빵한게 귀엽습니다.. 오븐에 구우면 햄버거빵을 직접 만들 수 있습니다 패티도 직접 구워주고 감자튀김도 튀겨주면 일레븐세트 완성입니다 직접 빵을 만드니 빵이 진짜 맛있었습니다 감튀도 맛있음 여섯번째 요리는 생선까스입니다 겜에서는 대구로 만드는데 저는 전감 동태포를 이용해보았습니다 동태포에 밑간을 해주고 밀가루 계란 빵가루를 입힙니다 그리고 잘 튀겨줍니다 생선까스도 수제로 갓 튀기면 바삭바삭하고 맛있습니다 일곱번째 요리는 하와이안 피자입니다 갠적으로 좋아하는데 파인애플 들어갔다고 억까당하는게 슬퍼요 우선 피자 도우가 빵빵하게 부풀때까지 발효시킵니다 토마토소스와 치즈를 토핑하고 베이컨 파인애플 양파를 올리고 오븐에 구워줬습니다 치즈를 너무 많이 넣어서 좀 흘러내렸네요 정말 맛있는데다가 만들기도 제일 편했습니다 집에 오븐이 있으면 냉동피자도우 사서 만들어보세요 마지막 요리는 눈물젖은빵입니다 국민 회복템이죠 이게 무슨빵일까 좀 생각해봤는데 이마에 뭔 하얀 점같은걸 보고 소금빵이구나 생각했습니다 1차발효한 반죽의 모습입니다 성형을 한 모습입니다 2차발효 후 소금을 토핑해주었습니다 오븐에서 막 나온 소금빵입니다 밑에 검은건 반죽 안에 넣은 버터가 새어나와서 탄거니까 오해 ㄴㄴ 새어나온 버터가 바닥면을 튀기듯이 구워주어 바닥이 바삭바삭한게 특징입니다 초코펜으로 얼굴을 그려주면 완성 너무귀여워요 긴 글 읽어주셔서 감사합니다
작성자 : 브이젤고정닉
(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.