풍운의 유튜브 자막 추출기

카오스모스 트레이닝: Chaosmos Training

769

6

2025-08-27

시작하겠습니다. [음악]

어, 오늘 이제 3주차에서 다루게 될 내용은 여기 3주차에

현대 운동 제어 과학 분야의 대표적인 이론들이 되겠습니다. 어, 이제

다양한 이론들 배워 보실 건데요. 크게 다룰 내용들은 지금은 다들 정보

처리 이론이라고 이제 잘 안 부르거든요. 지금은 운동제화 학습의

계산신경 과학 관점이라고 이제 부르는데이 계산신경 과학 관점에 이제

멀티모델 인티그레이션 다중 감각 통합 이론이랑 이제 옵티멀 피드백 컨트롤

રી리 이제 최적 피드백 제어 이론이라고 또 있어요. 이것들로 이제

오늘 이야기 한번 시작을 해 볼 겁니다. 오늘 시작은 계산신경 과학

관점의 모터 컨트롤 모터 러닝이에요. 그리고 이제 그 뒤를이어서 이제

당연히 다이나믹 시스템 위론도 이제 다뤄야겠죠. 그 사실 이제 저랑 승경

선생님 강에 들으러 오신 선생님들 중에 상당수가 다이나믹 시스템론 너무

어려워서 오신 분들이잖아요. 그래서 당연히 우리가 다이나믹 시스템 이론에

대해서도 좀 이야기를 다뤄야 할 텐데 어 계산 신경과 먼저 다룬 다음에이

비제어 다양체라든지 지금 이제 승님께서 계신 오마 네브라스카

생차역학 연구동에 이제 대장님 계시거든요. 니콜라스 스털지오라고.

그 스털오가 만든 최적 움직임 가변성 이론이라고 있어요. 이제 그것도 이제

다룰 겁니다. 그리고 이제 연달아서 가능하면은 시간 되는 한 HKB

모델, 구라모토 모델 이런 것들도 이제 좀 살짝 가볍게라도 다뤄 보고

마무리하려고 하는데요. 원래이 외에도 정말 다양한 이제 유용한 최신

이론들이 있어요. 정말 그런 최신 이론들이 많은데 많지만 어 시간

관계상 여기서 오늘 하루 만에 다 다루기는 좀 어렵고요. 그또 9월에

이제 제가 오프라인 강의도 있는데 원래 기존에 진행하던 강의가

있거든요. 그래서 그 강의에서 다루는 내용은 또 이제 어느 정도 일부분은

또 언급하기가 힘들어요. 그래서 여기서 지금 한 번에 다 언급할 수

없다는 점에 대해서도 좀 양해를 좀 바라고요. 그래도 이제 앞으로의

강의에서 저랑 승님이 이제 같이 또 천천히 다양한 이론들 풀어 나갈

거니까 오늘 제가 모든 최신 이론들을 다 충분히 다루지 못하더라도 다들

너무 아쉬워하지 마시고 그록 재미있게 오늘 이야기 좀 들어 주셨으면

좋겠습니다. 네. 그러면 한번 시작해 보죠.

먼저 이제이 녀석부터 이야기를 좀 해 보면

좋을 것 같아요. 이제 노이즈 보통 우리가 뭐 소음 잡음이라고도

하는데요. 이런 단어들은 이제 뭔가이 소리와 관련된 그런 이미지를 좀

떠올리게 만드는 경향이 있으니까 지금부터는 그냥 영어로 그냥 보이는

대로 노이즈라고 부를게요. 자, 어, 여러분 보통이 노이즈라고 하면은 어떤

그림이 떠오르세요? 어떤 그림이

다들 이제 노이즈라고 하면 어떤 그림이 떠오르실까요?

뭔가 막 하는 이제이 그런 그림이 떠오르죠.

여기 뒤에 배경처럼. 그 여기 제가이

이창원 평면 그래프 위에서 그려진요 세 개의 시계열 데이터 그래프들을 좀

가져와 봤는데요. 이제 노이즈라고 하면이 중에이

어떤게이 노이즈의 이미지에 가장 가깝겠어요?

아마 보통 이제 노이즈라고 하면은요 녀석요 녀석이 이제 가장 노이즈에

가까운 느낌이 들죠. 실제로이

왼쪽에 각각의이 세 개의 차원 평면 그래프들의 시계열 데이터들을

요렇게요 오른쪽에 있는이 3차원 그래프로 이제

가져와서 다시 표현을 해 보면이 좀 더 이제 많은 것들 우리가 볼 수가

있게 되는데요. 예. 사실 예. 보시면은요 첫 번째 그래프는

삼각함수의 코사인파죠. 원래 코사인파입니다.

네. 수학에 능하신 분들은 다들 아시겠지만이 코사인파의 특징은요.

일절의 변화도 없이 무한히 동일한 반복을 한다는 것이이 코사인 파의이

특징입니다. 그래서 뭐 주기의 길이도 일정하고

진폭의 크기도 일정하고이 2차원 그래프를 3천 그래프로 이렇게

가지고 와도 이렇게 동일한 궤적을 반복하기 때문에 굉장히이 단조로운

타워 하나만을 볼 수가 있게 됩니다.이 모든 궤이 좀 완벽하게

겹쳐서 요렇게 하나의 타원만 보이는 거예요. 그러니까 뭐이 녀석은 뭐

2차원 그래프로 봐도 3차원 그래프로 봐도 일정한 질서가 있다는 것을

우리가 한 눈에 이제 알 수가 있는 구조죠.

그럼 이제 그다음 요거이 녀석을 보시면 사정이 조금 달라질 거예요.

이거 얘는 뭐라고 해야 될까?음

이차원 평면 그래프 보시면 얘는 확실히 중간에 좀 뭐가 껴 있죠?

뭔가가 이제 껴 있습니다. 분명하게 말할 수 있는 거는 적어도

위에 있는 코사인파처럼 동일한 것의 반복은 아니라는 거예요.

그 뭔가 이제 막 좀 치지하는게 이제 좀 보이는 거 같고 뭔가 여기서부터는

이제 노이즈라고 이제 불러도 될 것 같은 그런 느낌이 든단 말이죠.

그렇죠? 자, 그런데 얘를이

옆에 3천 그래프로 이제 변환한 모습을 보시면 이게 노이즈다라고

하기가 약간 좀 망스러지게 됩니다. 이제 그도 그럴게이요

2차원 그래프에서는 이제 몰랐었는데 3차원 그래프로 갖고 와서 보니까

이제 뭔가 얘가 일정한 모양을이 질서를 갖추고 있는게 보인단 말이죠.

보시면은 이제 단 한 가닥도 튕겨져 나감이 없이 모든 계적들이이 중간

지점으로 다시 되돌아오는 근상하게 수렴을 하는 모습을 보여주고

있는데요. 그러니까 완전히 동일한 것의 반복은

아니더라도 유사한 것의 반복이라고는 이제 불러도 될 것 같아요.

뭐 실제로요 그래프가 유명한 이제 카오스 어트랙터 로렌츠 어트랙터죠.

이제 질서와 혼돈이 공존하는 시스템을 논할 때 가장 많이 자주 등장하는

그래프입니다. 이렇게 3차원 그래프로 변환해서 안 봤으면은 모를 뻔했죠.

이런 질서가 있을 줄은 그냥 무질서에 보였을 수도 있을 뻔했어요. 그죠?이

어,이 2차원 그래프에서이 무질수함이 사실은 이렇게 이제 질서가 있는

구조였다는 것을 우리가 이렇게 그래프의 구조를 2,000원에서

3,000원으로 확장해 보지 않으면 모를 뻔했습니다. 이게 바로 우리가

늘 여러 각도에서 여러 관점으로 시스템을 바라봐야 하는 이유다라고

말씀을 드릴 수 있을 것 같은데요. 그럼 마지막으로 이제 세 번째 보죠.

얘이 녀석.이 이 세 번째 그래프는 딱 봐도 완전 이리저리 튀고 뭐

난리도 아니죠. 어지럽습니다.이 옆에 3천 그래프로 변환을 해서 봐도

뭐 4방 8방으로 아주 이리티고 저리티고 난리도 아니죠.

뭔가 질서가 없어 보입니다.이 그래프는 실제로 우리 인간이 표현할

수 있는 거의 최대 수준의 무질싸움을 표현한 거라고 보시면 되는데요. 그

가능한 최대 수준으로 랜덤하게 그래프가 일부러 막 튀기한 거예요.

그니까 랜덤 무작이 데이터를 표현한 거죠.

여기서부터는 뭔가 이제 거의 명백히 예, 명백히

노이즈라는 이름이 어울리기 시작할 겁니다. 실제로 우리가 아는 딱 그

노이즈의 이미지잖아요. 막지 하는 거. 자, 요렇게 한번이 세 개

그래프들을 모두 살펴봤는데요. 누가 노이즈냐라고 이제 한다면 얘는

확실히 노이즈라고 할 수 있어요. 그리고 얘는 확실히 노이즈는

아니다라고 말할 수 있을 것 같아요. 그렇죠?

뭔가 애매한애 하나 있죠. 얘입니다. 얘이

두 번째 중간에 있는이 그림이 약간 애매합니다. 얘 노이즈라고 불러야

될까? 말아야 될까? 이거 자 이렇게 우리가 그래프로만 보니까

아 어떻게 해야 되지? 이러는데 한번 그래프 말고 실제 현실의 움직임과 좀

대응을 해서 볼까요? 이거 다들 아시죠? 이제 그 유명한

번스타인의 대장장이이 사진인데요. 이제 구소련 시절에 번스타인 니콜라이

번스타인이라는 과학자가이 자기가 몸담았었던 연구소에서 대장장의

반복적인 망치질의 그 계적을 담은 사진입니다. 촬영을 해서 계적을 담은

사진이에요. 보시면 각각의 계적이 다르죠.

뭐 색깔도 다양하게 있는데요. 뭐 빨간색, 파란색, 조록색, 노란색

다양합니다. 이렇게 서로 다른 이제 다양한 계적들이 보입니다. 근데

그런데 신기하게도 최종적으로이 망치가 또 다 같은 곳에

비슷한 곳에 다 잘 맞아요. 계적이 이렇게 다양한데도 이렇게 다양하게

휘두르는데도 결국에 맞는 곳은 다 비슷하게 수렴을 한다라는 겁니다.

그럼 자, 그럼이 1년의이 망치질들을 한번 그래프로 표현하면 어떻게

될까요? 그래프로 표현하면 어떻게 될까요? 그래프로 표현하면 과연이

망치질의 계적들을 그래프로 표현하면이 중에 어디에 해당할까요?

완벽히 동일한 것의 반복이 아니었잖아요. 방금 그 망치질.

그렇다고 하나도 담지도 않은 괴적들의 반복이었나요?

아니죠. 그러니까이 중간에 해당한다는 것을 알

수 있습니다. 완전히 같은 것의 반복도 완전히 다른

것의 연속도 아닌 완전한 질서도 완전한 무실소도 아닌 그 사이의

어리증이잖아요. 자, 한 가지 확실한 건 이게 얼마나

무질산지는 모르겠어요. 얼마나 노이즈가 껴 있다고 말해야 될지는

모르겠어도 확실한 건 그렇다고 질서가 아예 없지는 않다라는 겁니다.

뭐 얼핏 보기는 혼란스러워 볼 수 있지만 질서가 아예 없지는 않아요.

분명하게도.이 각각의 계적들이 다 달라 보이긴

하지만 그럼에도이 모든 계적들은 다 망치가 맞아야 할 못 끝에 전부 다

정확하게 꽂히고 있단 말이죠. 그러니까 이것들을 서로 다른 계적들이

하나의 지점으로 수렴하는 어떤 일종의 질서의 존재를 보여주고 있는 거라 볼

수 있다는 겁니다. 자,

그런데 그러면은 이제 우리가 다시 한번 생각해 볼 구석이 생깁니다.

그렇다면 자, 여기에 질서가 있대요. 그렇다면

예,이 녀석이 녀석은 정말 완전한 무질서였을까요,

여러분? 완전히 질서가 없는 순수한 노이즈. 노이즈뿐인 그 무언가라고 할

수 있는 것이었을까요? 얘가 이제 보기에는 엄청 혼란스러워

보이고요. 얘가 이보다 더 무죄 수가 있을까? 그단 말인데.

하지만 여러분 사실은이 세 번째 친구 있죠?이 이 안에도

질서가 있습니다. 질서가 있습니다. 사실이 세상에 완전히 무작이한 완전한

무질서는 그런 건 없어요. 이거는 그냥 우리 눈에 질서가 없어 보일

뿐인 거지 이렇게 무질서 보이는 이런 그림에서도 질서는 반드시 존재하게게

나름입니다. 어떻게 보면 상대적인 거예요. 한번

이제 보실게요. 자, 여길 보시면 보시면 아마도 이제

대부분의 선생님들 이제 펜싱을 잘 모르실 텐데요. 펜싱을 잘 모르는

우리가 볼 때이 1년의 동작들은이 1년의 동작들은 굉장히 무질하게

보이게 됩니다. 굉장히 무질싸게 보일 거예요. 혼란스러워 보일 건데. 자,

하지만 어, 펜싱을 아주 조금이라도 알고 계시거나 운동학에 대한 이해가

좀 있으신 분들은 이게 바로 아실 거예요. 이거 그냥요

뒤에 잔상 하나씩만 따로 떼놓고 보면 사실은이 맨 뒤에 잔상으로부터 공수

교대가 일어나고 있어요. 그렇죠? 공수 교대가 이제 일어나고 있고

그렇게 왼쪽에 있는 사람이 찌르면서 내딛는 모션이고요. 오른쪽에 있는

사람이 이제 피하면서 뒤로 빼는 모션이란 말이에요.

이렇게 알고 보면 정말 별게 없는 장면 알아보기가 어려울게 없는

장면입니다. 자, 이처럼 아는 사람 눈에는 이렇게 별거 아니게 보일

거고요. 모르는 사람 눈에는 마냥 혼란스러워 보인다는 건데요. 여기서

우리는 이제 한 가지 사실을 또 이제 알아야 됩니다. 바로 우리가 어떤

사건이나 대상으로부터 어떤 질서를 보착하는 일은요. 상당 부분이 그것이

이제 관찰자의 역량에 달려 있다라는 것을 이제 알아야 한다는 거예요.

관찰자의 역량에 달려 있다는 겁니다. 어떤 질서를 포착한 일이라 하더라도.

그러니까 즉 동일한 사건이나 대상이더라도

무지한 관찰자의 눈에는 혼란스러움만 노이지만 보일 거고요. 이제 관련된

지식과 정보가 풍부한 이제 스마트한 관찰자의 눈에는 그 안에 숨어 있는

숨은 질서가 보인다는 겁니다. 조금 어렵게 말하면은 생태학적으로 생태

물리학적으로 코드가 맞아야 이제 보이는 겁니다. 예를 들어서 초보

트레이너 눈의 스커트는 초보 트레이너들 눈의 스쿼트는 마냥

이해하기 어렵고 분석하기 나의한 또 공부할게 산더미 같은 복잡한

동작이잖아요. 근데 이제 경력이 뭐 7년 8년

10년 차가 넘어가시는 선생님들한테 어이 스쿼트는 그렇게까지 분석이

어려운 동작은 아니거든요. 사실 그렇죠.

그러니까 어떤 물리적 질서의 포착도 그런 물리적 질서의 포착 역시도

그것을 위한 지적인 조건이 맞는 사람들에게만 지각이 되는이 생태학적인

현상이라는 것을 이제 지금 말하고 있는 거예요.

자, 그리고 무엇보다도이 사실을 알고 있는게

좋아요. 바로이 세상에 적어도 자연계에는

완전히 무질성한 사건이 거의 없다라는 겁니다.

질서는 자연계의 그 어떤 사건이라도 그 어떤 대상이라도 거의 반드시

존재하는 거예요. 질서는 물론 이제 완전히 같은 것의 반복

변화가 없는 완전한 질서도 존재하지 않습니다. 그런 건 실제로 존재하지

않아요. 그건 수학적으로만 존재하는 이상적인 값이고요. 이런 코사인파

같은 실제로 우리가 보는 사건들 모든

대상들은요 둘 사이이 둘 사이 어디쯤에서 일어나는

일들이라고 여기쯤에서 일어나는 일들이라고 보셔야

합니다. 단지 얘랑게 둘 중에 어디에 더 가까운 일이냐 하는 차이만 있을

뿐이에요. 그리고 자연계에는 완전히 무질선한

일이 없다고 했죠. 실제로 이렇게 열적 노이즈도 열적 노이즈도 사실

이렇게 무질서 보이지만 정규분포가 나옵니다.이 정규분포로서의

질서들을 보여요. 그 방사선 붕괴라든지

양자의 각적 현상들도 사실은 통계적이고 확률적인 패턴과 질서를

보입니다. 그 자연계에는 이렇게 완전한 무질서를 사실상 거의 찾아볼

수가 없다고 보시면 돼요. 자, 그래서 따라서 앞서 말했듯

우리가 보는 거의 모든 현상들, 모든 사건들, 모든 대상들은 사실상

아까의이 두 번째 그래프와 같은 방식으로

완전한 질서도 완전한 무질서도 아닌 그 사이 중간 어리쯤에서 발생하는

일이라는 점을 그렇게 모든 사건에는 필이 어떠한 질서가 내제되어 있다는

점을 그리고 그러한 질서는 우리 관찰자들의 영향에 따라서 관찰

관찰자가 이제 사용하는 그 관측 보구에 따라 관찰자가 사용하는 이론적

틀 관점에 따라 그 관찰자의 눈에 보여지기도 하고 보여지지 않기도

하다는 점을 이제 알 필요가 있다라고 말씀을 드리고 있는 겁니다. 어

여기서 우리는 이제 이야기가 결국에는요 주관성의 문제로

기결하겠구나를 예측해 볼 수가 있는데요.

그러다 보니까 이제 발생하는 문제가 이거죠. 주관성의 영역에서 일어난

일이다 보니까 이게 이렇게 서로 다른 주관들이 충돌하는 지점들이 생긴다는

겁니다. 이런 뒤에 치지직거리는이 그래프를이 하나의 직전값을 보고도이

같은 현상을 같은 사건을 같은 대상을 보고도 누군가는 아 이거 노이즈다

이거 오류다라고 말을 하고요. 또 다른 누군가는 아니다. 이거 그냥

자연스럽고 질서를 내제한 가변성이다라고

말하기도 한다는 겁니다. 실제로 이제 모터 컨트롤, 모터 러닝 분야에는

이렇게 두 개의 관점이 극명하게 갈린 파블들이 있잖아요. 누구누구했죠?

바로 정보 처리 이론과 계산신경 과학 진영

그리고 생태학적 이론과 다이나믹 시스템 이론 진영 이렇게 두 개 바로

갈라져요. 정보 처리 이론 및 계산 신경과학 생태학적 이론 및 다이나믹

시스템 이론 이렇게 두 개의 진형으로 극명하게 갈라집니다.

그 보면 여기 한쪽은 컴퓨터 공학의 입장에서 이제 노이즈를이

깨끗하지 못한 신호 올바른 계산 수행을 방해하는 불순물 그러니까 제거

대상으로만 보고 있다고 하면요. 여기 다른 한 쪽에서는 어 다이나믹 시스템

이런 쪽에서는요 노이즈를 자연스러운 가변성 생명의 근거 오히려 풍부한

정보를 품은 어떤 매개 때에 따라 이용 대상이 되기도 하는 무언가라고

이제 완전히 다르게 보고 있단 말이죠.

이게 실제로 지난번 이제 2주차 강에서도 말씀드렸지만이

두 집단들은요. 서로 합의가 안 됐어요. 오히려 2000년도쯤에 서로

합의하지 않기로 합의를 한 이래로요 두 집단은 서로 완전히 독자적으로

이러한 사유들을 각각의 사유들을 발전을 시켜 왔습니다.

그러니까이 노이지나 가변승을 제거 대상으로 보는 파불과 이용 대상으로

보는 파불로 그 입장이 아주 극명하게 갈린 채로 서로 따로따로 발전을 해

왔다는 거예요. 자, 오늘이 두 개의 진영의 이야기를 모두 다룰 겁니다,

여러분. 모두 다룰 거예요. 근데 이제 지적인 힘의 균형을 위해서 이제

제가 정보 이론 계산신경 과학 이야기를 좀 먼저 다뤄 볼까 합니다.

왜냐면 이제 우리나라의 다이나믹 시스템 이론이 많이 알려지기는 했는데

사실 계산신경 과학도 거의 안 알려져 있거든요. 정보 처리 이론 이런 거

알려져 있긴 한데 사실 그거 40년 전 50년 전 이론들입니다. 지금

우리 시장에 알려져 있는 것들 진짜 계산 신경 과학 이론은 지금 우리

시장에 거의 안 알려져 있어요. 그래서 오히려 다이나믹 시스템

이런보다 더 안 알려져 있고 덜 알려져 있다고 봅니다. 저는 그 왜

그런고 하면 사실 공부해 보면요. 계산신경과학 정보 처리 이론 현대

이론들이 다이나믹 시스템 이론 공부하는 것만큼 어려워요.

그래서 이것도 결국엔 누군가 도와주는 사람이 있어야 사람들이 좀 접하고

공부를 할 수 있겠구나라는 생각이 좀 들어서 오늘이 정보 처리 이론

계산신경 과학 이론 진형의 이야기를 먼저 좀 다뤄 볼까 합니다. 네.

자, 이거는 시작을 해 보죠. 계산신경 과학부터 이야기를 한번

시작해 보겠습니다. 여러분, 제가 이전 시간에도 이제

말씀드렸었죠. 우리의 이제 움직임은이

협은 제어은 기술은 이렇게 다양한 구성 요소들이 다양한 제역 조건

안에서 하나의 어트랙터로서 자기 조직적으로 창출되는 것이라고 단

하나의 절대적인 지위자 없이 다분히 민주적이고 자발적으로 창발하는

것이라고 계속 강조를 해 왔는데요. 그리고 이제 그렇게 창발된 움직임은

의도를 가진 하나의 동작으로서 하나의 동작으로서이

지각과 함께 순환하면서 진화해 나가는 것이라고이 지각과 동작이 함께 서로

공진화 공창발 공발달 해당 나가는 것이라고 이제 말씀드렸었죠.

자, 예, 바로이 액션 앤 perception션이

지각과 동작의 이런 이제 순환 관계 도시은요. 사실은 다이나믹 시스템

이론뿐만 아니라 계산신경 과학 분야에서도 엄청 중요하게 다루는

도식이에요. 그럼 보죠.

이제 사실은 이제 정확하게 말하면은 지각과 동작보다는 이제 지각보다는

감각에 좀 더 초점을 맞추고 있고요. 계산신경과학 분야는이 감각과 운동의

순환으로서 운동 제어를 바라봅니다. 이제 이거는 계산식과학 분야에서이

인간의 움직인 시스템이 감각과 운동을 통해 환경과 상호 작용하는 걸 이제

보여주는 도시이거든요. 그러니까 이거예요. 나는 환경을 보고

듣고 만지고 들으면서 내 몸이 아닌이 모든 것이 환경으로부터 감각 자극을

부여받습니다. 나는 환경으로부터 감각 자극을

부여받아요. 자, 그렇게 환경을 감각하게 됩니다.

뇌 입장에서는 몸도 환경이에요, 여러분.

자, 그리고 그런 감각 신호를 이제 인지라고 하는 복잡한 처리 과정을

통해서 나에게 필요한 형태로 가공을 하는 거예요. 나에게 필요한 움직임

표상 동작 프로그램으로 가공을 하는 겁니다. 자, 그렇게 나는 이제 해당

동작 프로그램을 실행을 하는 거예요. 실행. 자, 그러면은 그런 나의

실행된 동작은 물리적으로 외부 환경색에 영향을 줄 겁니다.

그럼 실제로 나의이 동작의 행사로 인해서이 환경의 물리적 구조가 이제

변하고요. 나의 위치로 바뀝니다. 즉 나와 환경이 맺는 상대적 관계가이

상대적 관계가 바뀌게 되는 거죠. 그러면은 그러면 그 결과로 결국에이

환경이 나에게 주는 감각 자극도 즉각적으로 연속적으로 달라지게

됩니다. 그럼 또 나는 이제 그 감각을 이용해서 새로운 동작

프로그램의 구성에 반영을 하는 거고요. 그럼 또 그 달라진 감각에

기반한 동작이 실행이 되고 그 동작이 또 이제 물리 세계의 환경을 바꿔

가지고 또 나에게 들어오는 감각을 바꾸게 만듭니다. 결국에는 이런

식으로 감각과 동작 사이의 순환 관계가이 환경과 수행자 사이에

안정적이고 연속적인 순환 관계가 성립하게 됩니다. 그 지각과 동작,

감각과 운동은 이렇게 1년의 행동 레퍼토리 안에서 반복이 반복되면서

점차 다른 모습으로 진화해 나가는 그 무엇이라는 거예요. 자, 그런데

여러분, 이제 여기서 관점이 갈립니다. 관점이 갈려요. 이제

여기서 자 여러분 정보 처리 이론 계산 신경과 이론 관점과 다이나믹

시스템 이론이 여기서 서로 완전히 다른 입장을 내놓는데 뭐냐면 다이나믹

시스템 이론 진영은 우리에게 환경이이 환경이 감각되는이 구간과이 오른쪽

구간과 우리의 동작을 통해서이 외부 환경 배열에 변화를 주는 그 과정을

그린이 왼쪽에 있는 구간이 모든 구간들이 물리학적 과정 생물리학적

과정을 통해서 일어난다라고 그렇게 이해하는 굉장히 일적인 물리주의적인

물리학적인 기조를 가지고를 하는 반면에 반면에 이제 정보 처리로

계산신경과 기공 관점에서는요. 우리의 동작을 통해서 환경 배열에 변화를

주는이 왼쪽 과정만을 물략적 과정으로 이해하고 있어요. 그리고 나머지 반이

환경으로부터 우리에게이 환경이 감각이 되는이 감각 구간 있죠?이 이 구간은

공학적 관점, 컴퓨터 공학적인 관점을 이해를 하고 있어요. 정보처리 이론

및 계산신경과학 이론은 물리적 세계와 공학적 세계를 이렇게 따로 분리를

해서 이해를 하고 있다는 겁니다. 우리의 감각 운동의 순환을.

물론 이제 최근에 들어서는 요쪽에서도 이런 컴퓨테이션할 과정들이이 사실

물리적인 현상 연력학적 추동에 연력학적 원리에 기반한다는 입장을

내놓고 있긴 한데요. 그래도 일단은 큰 틀에서는 이렇게 볼 수 있다라는

겁니다. 이렇게 구분할 수가 있다고요.

자, 여러분 실제로 이렇게이 환경으로부터

나에게 다양한 감각들이 우리의 뇌로 이렇게 다양한 감각들이 쏟아져

들어옵니다. 그 정보 처리 이론 및 계산과 관점에서는 우리의 뇌가이 모든

감각 정보들을 처리하고 가공하고 계산을 수행해서 운동 계획을 표상을

만들어서 운동 명령으로 쏴 주기까지 해야 된다고 이제 말을 하고 있는

거예요. 우리의 뇌가이 컴퓨터의 인풋 프로세싱, 아웃풋의 도식을 그대로

따른다고 이제 보는 거예요. 자, 우리 뇌를 컴퓨터라고 이제 가정을

하는 거고 컴퓨터의 도식을 그대로 뇌에다가 그냥 접목을 하고 있는게

계산 신경과 정보 처리 이동 관점 진형의 논리라는 겁니다.

자, 여러분, 그런데 이제 이렇게 되면 여기서 문제가 발생합니다.

뭐냐면 우리의 뇌를 이렇게 컴퓨터 공학으로

이해하게 되면요.이 컴퓨터가 가진 문제도 우리의 뇌에

그대로 적용되게 되는 거예요. 뭐냐면 바로이

센서리 시그널이 뇌로 전달되는이 과정. 그러니까 감각 신호가 뇌로

전달되는 중추신경계로 전달되는이 과정에서 발생하는이 필연적인 노이즈이

필연적인 노이즈를 어떻게 처리해야 되느냐이 노이즈를 우리의 뇌는 도대체

어떻게 처리하고 있는 거냐라는 의문점의 문제에 봉착하게 되는

겁니다. 그 반대도 마찬가지예요. 이제 모터 시그널이 운동 신호도 운동

명령 신호도 결국에는 전기 생략적 시그널 신호로서 신경계로서 근육으로

전달되는 거잖아요. 그럼이 시그널이 신호가이 신경 회로를 원심성 신경

회로를 거치는 그 과정에서 생긴 그 필연적인 노이즈들을 어떻게 처리해야

하는가라는 문제에 앞선 감각신경 문제랑 똑같이이 운동 명령의 신호도이

문제에 똑같이 봉착을 하게 되는 겁니다.

여기서이 시그널이 신호는요. 우리에게이 세계와 나의 상태에 대한

정보와 에너지를 전달하는이 매개의 수단이고요. 우리는 주로이 신경

생략적으로이 시그널이 신호를 수용하고 있죠.요 노이즈는요. 바로 그러한

신경생략적 신호 안에 내재된 비의도적이고 확률적인 상대적으로

무작이한 요동이라고 이제 보시면 됩니다. 그래프로 표현하면은 앞서서

우리가 봤던 바로 그 지식하는 그 그래프 그 치시직하는 그래프 있죠?

딱 그 느낌인 거예요. 확률적인 상대적으로 무작이한 요동이라고 이제

보시면 됩니다. 그 노이즈는이 시그널 신호 안에 있는 겁니다.

자, 참고로 이제 여기서 이제 하나 더 말씀드리면 여기 제가 데이터도

갖고 왔는데이 신호랑 데이터는 다른 거예요. 신호가 우리가이 세계에서

일어나는이 연속적인 변화들을 생략적으로 직접 수용하는 것, 직접

감각하는 것이라고 하면은이 데이터는 그러한 신호를이 자연계에서 들어오는

신호를 우리 인간이 분석 가능한 형태로 기록하고 수량화한 것, 어떤

수치로 양적으로 환원해서 표현한 것이 바로이 데이터예요. 그러니까 근전

수치라든지 내 활성도라든지 관절 가동 범위, 속도, 가속도, 파워 뭐

심지어는 바스, NRS, RP, R 이런 것들 이렇게 숫자로 수량화해서

그래프로 표현되는 모든 것들은 기본적으로 다이 데이터라고 보시면

돼요. 자, 다시 이야기를 해 보면 여기서

우리가 어떤 감각 측정값을 얻을 때 그것이 어 신경생략적 관측이든 실험

기구를 통한 관측이든간에 그 측정값 그 신호에는 반드시이 노이즈가

포함되어 있기 마련이라는 걸 이제 알아야 돼요. 그게 뭐 관측 도구의

문제이거나 관측 도구의 기술적 한계 때문일 수도 있고요. 아니면은 뭐

기계 결함이 아닌 우리의 이제 눈, 우리 안구의 문제일 수도 있고 뭐

귀, 고막의 문제일 수도 있죠. 아니면 또 몸으로 내가 최성 감각으로

얻은 구심성 감각으로 얻은 신호라면 그 구심성 감각 신경 회로에이 상행

신경 회로에 아주 아주 그 미세한 결함이라든지 미세한 방해들의 누적에

의해서 이런 노이즈가 생기는 것일 수도 있습니다. 그렇죠?

아무튼 이런 수많은이 미세한 방해들을 전부 다 제거하는 건 사실상

불가능해요. 그래서 노이즈를 완전히 제거하는 것은 불가능하다라고 이제

귀결을 할 수 있습니다. 그래서 우리가 수용하는 신호에는 늘이

노이즈가 껴 있을 수밖에 없다는 거예요.

어찌 보면 신호는 사실 정순한 정보를 담고 있는데 노이즈가 그걸 가리는

그니까 우리가 원하는 그 정순한 정보를 가리는 불순물이라고 볼 수도

있어요. 그까 예를 들면 이제 이런 거죠.

예를 들면은 우리가 천연에 크리스탈 원석을 채굴를 해서이 안에서 순물질인

크리스탈을 추출을 해서 모는 작업을 하고 있다고 가정을 해 볼게요.이

원석에는 이제 크리스탈뿐만 아니라 그 쓸모 없는 돌부스러기들도 이제

다닥다닥 붙어 있단 말이죠. 근데 우리는 우리한테 필요한 만큼의이

충분한 크리스탈을 얻기 위해서는이 필론적으로 더 많은 더 많은

돌부스러기들을 이제 만나야 한다라는 겁니다. 게다가이 돌 부스러기들이

이제 때때로는이 너무 많아 가지고이 크리스탈을 완전히 가려서 우리가이

크리스탈이 엄청나게 많이 매장된 곳을 못 보고 그냥 지나치게 만드는 이제

그런 방해물로 작용할 때도 있을 거란 말이에요. 여기서이 크리스탈 원석

자체를 신호 시그널이라고 볼 수가 있습니다. 여러분이 크리스탈 원석

자체를 신호 시그널이라 볼 수가 있고요.이

크리스탈 원석에 있는 크리스탈 있죠? 크리스탈.이 크리스탈을 그 신호 안에

내어져 있는 우리에게 필요한 정보, 우리에게 필요한 에너지라고 볼 수가

있습니다. 그리고 이제 그 외에 남은이와의

돌부스러기들이 있죠.이 이 돌부스러기들이 바로 노이즈라고 볼

수가 있는 겁니다. 물론 이제 다이나믹 시스템 이론

진영에서는 뭐이 돌부스러이이 노이즈에도 유용한 정보가 담겨 있다.

그래서 그러니까 노이즈를 단순히 제거 대상이나 오류로만 보지 말라.이 이

시스템에 대한 풍부한 정보를 담고 있는 자원으로이 노이즈를 다시 봐야

된다. 우리는이 노이즈 오히려 이용할 수 있는 가변성으로 다시 사용해야

된다라고 이제 말을 하곤 하는데 그건 일단 뒤에서 따로 다르고요. 적어도

계산신경 과학의 입장에서 노이즈는 딱이 돌부스러기 정도의 딱 위치를

가집니다. 제거해야 할 대상으로서의 이제 위상을 가집니다. 그래서

일단은이 맥락에서 계산신경 과학의 입장에서 이야기가 볼게요.

자, 여러분. 자, 이렇게 보면요.이 크리스탈 원석을 많이 캐면 즉 신호를

많이 수신하면 시그널이 많아지면은 그 안에 있는이 돌부스러기들도 많아진다는

것을 노이즈도 많아진다는 것을 알 수가 있는데요. 다시 말해서 이제

노이즈의 크기는 신호의 크기에 비례해서 커진다라고 이제 연결점이

생긴다는 겁니다. 이렇게 말할 수가 있다라는 겁니다.

실제로 이제 계산과학 분야 이제 가장 유명한 논문 갖고 오라고 하면 이거

있거든요. 여기 네이처에 올라온이 논문 보이시죠? 네이처예요. 네이처.

이제 계산신경에서 가장 유명한 논문 중 하나인요 논문을 봐도이

운동 명령 신호에 내제된 노이즈의 크기는요. 운동 명령 신호의 크기의

제곱값에 비례한다는 걸 알 수가 있습니다.

이건 이제 단순한 썰이 아니고 어느 정도 정론으로 굳이에요.

운동 명령 신호가 세지면 세질수록 즉 힘을 더 많이 발생시킬수록 더 많은

근육 단위를 모집할수록 운동 명령 신호에 내제된 노이즈의 크기도 함께

커질 수밖에 없다는 겁니다. 당연히 감각 신호 역시도

마찬가지고요. 이건 생략적 신호뿐만 아니라이 세상 모든 신호와 데이터들에

거의 동일하게 적용되는 이야기입니다. 신호의 크기가 커지면 그 안에 내제된

노이즈의 크기도 커지게 되는게 당연한 거예요.

그런데 여기서 이제 여러분 중요한 건 어 이렇게 운동 명령 신호에 내제된

노이즈든 또는 감각 신호에 내제된 노이즈든간에이

노이즈의 크기가 너무 커지게 되면요. 우리의 지각과 동작의 수행을 이제

저할 수가 방해할 수가 있다는 거예요.

왜 여러분 전학이나 무전기 같은 것만 해도 뭐 그 기계가 너무 낡았거나

아니면 채널을 잘못 잡았거나 방해 전파가 있다든지 해 가지고 수신이

분량해서 이렇게 취 하면서 노이즈가 많이 끼면 정보 송수신이

어려워지잖아요. 도대체 상대방이 나한테 뭐 말 하고 있는지 제대로 안

들리잖아요. 그렇죠? 이렇게 실질적으로 정보 수신이 어려워집니다.

실제로 뭐 전기나 무정기만 이런게 아니고요. 모든 전자 기기들이 다

그래요. 그 심지어는 생략적 시스템에서도 이게 마찬가지라 보시면

됩니다. 감각 신호 들어오는 감각 신호의 노이즈가 너무 많이 끼면

우리가 실제와는 다른 왜곡된 환경 정보를 받아들여 가지고이 세상을

그리고 내 몸의 상태와 움직임의 결과를 잘못 지각할 수가 있어요.

그리고 운동 명령 신호도 이렇게 나가는 운동 명령 신호도이 운동 명령

신호의 노이즈가 너무 많이 끼면 효과인이 근육에 최종적으로 전달되는

그 운동 명령 신호가 왜곡이 되어 가지고 내가 의도한 운동 명령관은

전혀 딴판에 다른 운동 결과가 발생할 수도 있습니다.

뭐 실제로도 뭐 여러분 원래에 근접한 강도의 운동을 할 때나 아니면 우리의

능력치에 거의 한기점에 다달아서 힘을 발휘하는 그런 운동 상황에서는 우리의

의도를 자주 벗어나는 그런 통제 불능에이 제어하기 어려운 상황을 많이

볼 수가 있잖아요. 그렇죠? 요것도 이제 이렇게 운동 명령이 운동

명령이 더 많은 근육 운동 단위들을 우리가 모집함으로써 더 큰 수준에 더

많은 수준에 운동형 신호가 내려가면서 노이지가 많아져서 생기는 문제다라고

이제 해석을 할 수가 있다라는 겁니다. 뭐 감각 지각 상황도

마찬가지예요. 한 번에 너무 많은 감각이 너무 대의

감각들이 쏟아져서 들어오면 왜곡된 지각을 할 때도 있는 거예요.

그러니까 내 이름을 부른게 아닌데 내 이름을 부른 걸로 착각을 한다든지 뭐

트레이너는 사실 데드리프트 하면서 일어나실 때 머리를 위로 올린다

생각하면서 일어나세요라고 했는데 수행자가 그 말을 잘못 받아들여

가지고 일어나지는 않고 앉은 채로 고개만 이렇게 뒤로 젖히는 동작으로

잘못 이해하고 잘못 받아들일 수가 있는 거예요.

뭐 여러분 이거 아실까요? 피치의 법칙 이제 속도 정확도 교환

법칙이라고 알려져 있는 친구인데 방금 전에 우리가이 운동 명령 신호의

크기가 커질수록 그 안에 내제된 노이즈의 크기도 커진다라는 그

공리에서요 피치의 법칙 속도 정확도 교환 법칙도 연역할 수가 있습니다.

볼게요. 피체 법칙은 여기 폴 워리스 피츠라고

하는 사람이 만든 제압 법칙인데이 사람 아주 유명한 사람이에요. 미국

심리학회 회장으로도 진봤을 정도로 유명하고 파워가 센 사람인데요.

어,이 사람이 만든 피치의 법칙이 바로 이겁니다.

보시면 이게 바로 이제 피치의 법칙

수식인데요. 그 여러분 수학식이라고 해서 겁먹을 필요는 없습니다. 그

한국말로 읽으면 간단해요. 이거예요. A점에서 B점까지 정확하게 왕복

도달해야 하는이 과제에서이 움직임 시간은 움직이는데 걸리는 시간

MT는 이동 거리 D가 길면 길수록 그리고 얘 우리가 도달해야 하는이

타겟이 B의 사이즈가 작으면 작을수록 그러니까 우리가 더 미세하게 이제

컨트롤 해야 하면 할수록 세밀한 정확도를 요구할수록 움직임은 늘어질

수밖에 없다라는 건데요. 이걸 또 달리 말하면은 속도와 정확도는 서로

교환 관계에 있다라고도 말을 할 수 있어요. 그 결국엔 얘는 속도를

반영하는잖아요. 얘가 그렇죠. 얘가 이제 속도고 정확도는 이제 가정이 된

상정이 된 상황인 거죠. 그 이거는 실험 상수니까 신경 안 쓰셔도 돼요.

그러니까 결국에는 이거예요.이 피체 법칙에 우리한테 말하고자 하는 건

속도를 빠르게 하고 싶어. 그럼 정확도를 포기해. 반대로 정확도를

높이고 싶어. 그럼 속도를 포기해. 이제라는 걸 이제 보여주는 수직인

겁니다.이 모터컨트분에서 엄청나게 유명한 기초적인 법칙 중에

하나거든요. 자, 그런데

이거를 우리가 앞서 살펴봤었던 운동 명령 신호의 크기가 커질수록 그 안에

내제된 노이즈의 크기도 커진다라는 공리에서 이제 연역 도출을 할 수가

있다라는 겁니다. 봐봐요. 자, 여러분, 움직이는 속도를 높이려면

어떻게 해야 돼요? 근육의 활성도를 더 높여야 돼요. 그렇죠? 그러면은이

근육의 활성도가 높아진다는 건 운동 명령 신호의 크기도 커진다는 거죠.

따라서이 노이즈의 크기도 함께 커지게 된다는 걸 말하는 겁니다.이 증가한

노이즈 때문에 여러분이 고속의 상황에서이 정확성이 높게끔 이제

재화하는게 힘들어지게 되는 거다라고 이제 볼 수가 있다라는 거예요. 물론

이제 뭐이 속도 정확도 트레이드 오프를 다이나믹 시스템 이런

분야에서는 제어 매개 변수의 증가에 의해서 시스템이 상전히 직전에 보이는

그 임계 요동이다라고 이제 해석을 하기도 하고요. 또 최근에는 이게

다이나믹 시스템 이런 분에서 엔트로피 연구하는 사람들이 있거든요. 칼 뉴엘

같은 이런 사람들이 아 사실 피치의 법칙은 속도와 정확도가 교환되는게

아니고 시간 엔트로피랑 공간 엔트로피가 교환되는 거였어라고 이런

말을 하는 최신의 발견들이 있긴 한데요. 어 이거는 이번 강의에서

굳이 다루지 말자고요. 자, 그리고 여러분, 또이

운동 명령 신호의 크기가 커지면 커질수록 그 안에 내제된 노이즈의

크기도 커진다라고 하는이 공리를 통해서 앞선 속도, 정확도, 교환

법칙뿐만이 아니라 여기이 친구 공률 속도 교환 법칙도 연역을 할 수가

있어요. 공률 속도 교환 법칙은 아마 인터넷에 치시면은 그 2 몇법칙이라고

치셔야 될 거예요. 2 몇 법칙 그 그렇게 쳐야지 아실 건데요 공유 속도

교환 법칙이 뭐냐면 움직임 궤적의 공률이 커지면 커질수록 움직임의

속도와 정확도, 움직임 매끄러움이 감소한다라는 이제 관찰이거든요. 그

물론 이제 혹자는 이제 안이 공률이 커지면 당연히 관성 때문에 속도가

늘어지는 거 아니에요?라고 라고 이제 생각하실 수가 있는데요. 이게 그

물약쪽으로 계산된 질량 관성이나 질량 관성 모멘트를 고려한 결과보다도 더

과장되고 매끄럽지가 않아 가지고 그래요. 그래서 이게 단순히 관성

외에도 다른 설명이 이제 추가로 더 필요한 문제거든요.

자, 근데 바로 여기서도이 운동 명령 신호의 크기가 커지면 커질수록 그

안에 내제된 노이즈의 크기도 커진다라고 하는이 공리가 이제 해답을

준다는 겁니다. 봐봐요. 방금 말한 대로 운동 움직임 궤적의이 공률이

곡이 커브의 크기가 커지면 커질수록 더 큰 근육 단위를 모집을 해

가지고이 관성을 극복해야 됩니다. 여러분. 자, 따라서 운동 명령

신호의 크기가 커지게 돼서 그렇게 그 안에 내제된 노이즈의 크기도 커져서

운동 명령 신호가 왜곡이 되어서 그래서 속도가 늘어지고 정확도가

낮아지고 움직임이 매끄럽지가 못하게 되는 거다라고 이제 볼 수가 있다라는

겁니다. 요렇게 뭐 하나의 공리

신호의 크기가 커지면 그 안에 내제된 노이즈의 크기도 커진다라고 하는이

간단한 하나의 공리에서 이런 여러 이론들을 이겨낼 수 있는 걸 보면요.

아, 피치의 법칙이나 이런 몇 법칙보다도이

노이즈 신호 크기 비례성, 신호의 크기에 비례해서 노이즈의 크기도

커진다라고 하는이 원리가 훨씬 더 근본적인 구구나를 이제 알 수가 있게

돼요. 이런 점에 입각해서 저는 이제

이렇게도 이제 말하고 싶은데요. 흔히 우리 시장에 깨끗한 감각을 넣어야

좋은 움직임이 나온다라는 말이 있잖아요. 뭐 콩 심은데 콩나고

팥은데 팥난다 정도의 이제 말인데요. 어 사실 모터 컨트롤 모터러닝

분야에서이 말은 별로 형용성이 없는 말이에요. 왜냐면 신경생략적 노이즈와

환경적 노이즈에 의한 외곡 때문에 뭐 콩문대에서 팥이 나기도 하고요.

파시면돼서 콩이 나기도 하는게 인간의 운동 제어와 학습 과정의

특징이거든요. 우리가 어떻게 지각하고 받아들고인지 처리하느냐 가공하느냐에

따라 다 완전히 다른 거예요. 그래서 콩 심는데 무조건 콩나지 않고 팟

쉬는데 무조건 판나지 않아요. 그것또 노이즈 때문에 그러겠어요, 여러분.

정보 처리 과정이 어떤지에 따라서도 또 운동 명령 신호의 아웃풋 방식에

따라서도 그 운동 명령 신호에 들어가 있는 노이즈에 따라서도 콩심은 데서

막 용이 솟아오르기도 하고요. 파시면은 돼서 봉황이 날아오르기도

합니다. 그래 가지고 이제 저는 어 글기를이

글기를 이렇게 바꿔야 한다고 생각해요.

이렇게 바로 노이즈를 줄여야 더 정확하고 의도된 동작과 지각의 수행이

가능해진다로 이제 말입니다. 노이즈가 적은 깨끗한 신호를 넣고

빼야 외곡이 없는 더 정확한 지각이 가능할 것이고 또 외곡이 없는 우리가

의도한 동작의 실행이 이제 가능할 거라는 말이죠.이

이 그렇게 된다라는게 아니라 가능해질 것이다입니다. 이거 완전히 다른 말인

거 아시잖아요. 문장을 좀 이렇게 조심스럽게 바꿀 필요가 있다고 저는

생각을 해요. 그럼 이제 이쯤에서이

감각 신호와 운동 명령 신호 안에 내제된 노이즈를 줄이는 방법들을 한번

살펴보자고요. 다들 이게 궁금하실 거예요.

실무자들이니까. 자, 먼저 감각 신호 안에 내재된 노이즈를 줄이는 방법에는

이렇게 크게 세 가지가 있습니다, 여러분.

하나는 입력 조건의 최적화이고요. 그다음은 반복 입력 시간 평균화이고

그리고 마지막 세 번째는 다 감각 통합 멀티모델 인테그레이션입니다.

자, 그리고 운동 명령 신호 안에 내제된 노이즈를 줄이는 방법이 또

이제 두 가지가 있는데요.이 운동 명령 신호 안에 있는 노이즈를 줄이는

방법은 감각 신호 안에 들어 있는 노이즈를 줄이는 방법이랑은 좀 차이가

있어요. 근본적인 차이가 있어요. 그 현실적으로 운동 신호에서의 노이즈

자체를 줄이는 건 사실 어렵고요. 그래서 현실적으로 노이즈 자체를

줄이기보다는 노이즈의 영향을 줄이는 방법으로서 이제 이렇게 두 가지

방법이 있어요. 방 뭐냐면 바로 임피던스 제어와 최적 피드백

제어입니다. 이렇게 두 개가 있어요. 크게 이제부터 좀 마음에 준비를

하셔야 돼요. 그 혹시라도 이거 녹화본 보시는 분들, 영상 시청을

돌리는 분들 있으시면 잠깐 1배속으로 이제 돌려 놓으셔야 될 것 같고요.

자, 이게 조금 어려운 내용이 될 수가 있거든요. 그래도 이제이 파트를

한번 좀 공을 좀 드려서 잘 이해를 하시면은이 인간의 지각과 운동

제뿐만이 아니라 로봇의 지각과 운동 제까지도 한 번에 이해할 수가 있는

시간이라고 말씀드릴 수 있겠습니다. 그래서 모조록 다들 고도의 직력을

발휘해서 지금부터요 시간을 좀 한번 경청해 주시면 좋을 것 같아요. 예.

그러면은 이제 들어가 보죠. 먼저 여러분 감각 신호 안에 내제된

노이즈를 줄이는 방법 첫 번째입니다. 첫 번째 감각 신호 안에 내제된

노이즈를 줄이는 방법 첫 번째는 바로 입력 조건을 최적화하는 것입니다.

그니까 입력 조건을 최적화한다. 쉽게 말해서 이건 뭐냐면요. 그 방해물을

다 제거하는 그 최적의 세팅을 하라는 거예요. 예를 들면 이런 거죠. 뭐

동작을 시작하는 폼을 좀 더 좋은 폼으로 받거든. 그래야 폼이

좋아요.이 우리가 원하는 감각이 들어올 가능성도 높아질 테니까.

아니면은 주변의 음악 소리나 이런 잡음들을 줄이든 아니면은 뭐 피로가

충분히 회복되도록 쉬는 시간에 충분히 주거나 아니면은 잠을 좀 잘 자고

오게 하거나 이런 것들도 있고요. 뭐 불편한 부위가 있어서 자꾸 거기에

신경을 쓰이고 노이즈가 끼면 그 불편한 부위를 좀 해결을 하고

간다든지 아니면 지금부터 트레이너가 내가 말을 할 건데 10억을 보일

건데 내 동작에 집중하세요라고 따로 주의 집중을 요한다든지 이런 것들

있죠. 이런 것들이 입력 조건의 최적화에 해당되는 것들이라고 이제

말할 수 있어요. 이거는 근데 사실 우리가 이미 다 하고 있는 것들이죠.

그래서 이거는 굳이 여기서 더 안 다뤄도 될 거 같아요. 너무 당연한

이야기입니다. 자, 그럼 그다음으로 그다음으로 이제 감각 신호에내는

노이즈를 줄이는 방법 두 번째는 바로이 녀석 반복 입력 시간

평균인데요.이 녀석은 여러분 통계적 현상입니다. 통계적 현상. 앞서서

노이즈는 그 뭐라고 정했었어요? 노이즈는 신호에 내제된 비의도적이고

확률적인 그 상대적으로 무작이한 요동이라고 했었죠. 무작기한 요동.

확률적으로 무작이한 요동이라고 했어요. 그 결국엔이 노이즈라는

녀석은 결국에는 일종의 확률적 분산이자 무장적인 짙은 확률적

파동이라고 볼 수가 있는데요. 그니까 이런 경우에는 그 산에 우리가 불이

났을 때 그 불을 끌기 위해서 맞불 놓기도 하잖아요. 그렇죠? 그 이렇게

맞불을 놓듯이이 기존의 노이즈를 제거하기 위해서 더

많은 노이즈를 누적시키고 평균화시키는게 가능합니다. 그러니까이

확률적 요동들 파동들이 서로가 서로를 상쇄해서 없어지게끔 할 수가 있다라는

거예요. 이걸 이제 통제하게 정리를 빌려와서 보면은 중심극한 정리로 볼

수가 있어요. 가장 그 흔한 공리 중에 하나잖아요. 통계 정리에서 중심

극한 정리. 그니까 통계학의 중심 극한 정리에 따르면은 여러분 표본

평균의 분산은이 표분의 크기 샘플 사이즈의 크기가 커질수록 원래 분산을

표본의 크기 n으로 표본의 크기만큼으로 나눈 값으로 줄어듭니다.

그니까 쉽게 말하면 더 많이 표본을 샘플을 채취할수록 신호 시그널도

반복해서 입력을 하면서 누적을 시키면 시킬수록 그 안에 내제된이

본산으로서의 노이즈도 엠빵으로 엠빵으로 이제 줄어든다라는 거예요.

물론 이제 이게 실제 생략적 시스템에서는 실제 엠빵은 안 돼요.

그렇게는 안 됩니다. 대신에 줄기는 줄어요. 실제로도 실제로 줄기

줍니다. 이런 생략적 시스템도. 자, 그리고 마지막으로

마지막으로이 감각 신호 안에 내제된 노이즈를

줄이는 방법 세 번째. 세 번째는 바로 다중 감각 통합. 멀티모델

인티그레이션입니다. 멀티모델 인티그레이션.이 이 다중 감각 통합은

일단 여러분 어이 공리를 받아들여야 이제 쉽게 이해하실 수가 있는데요.

뭐냐면 바로 이제 두 개 이상의 감각 정보를 통합하여 얻은 통합 노이즈는

늘 개별 감각 각각의 노이즈보다 작다라는

공리 가정입니다. 네. 사실이 공리는 사실 수학식을 보지 않아도 우리가

쉽게 납득을 할 수 있어요. 납득하는게 그렇게 어렵지는 않은

공리예요. 뭐냐면 이렇게 생각해 보시면 쉬워요. 아니, 당연히 하나의

감각에만 기반하는 것보다 두 개 이상의 감각들에 기반을 해서이 둘

이상의 감각들을 같이 대조하고 통합해서 보는게 하나의 감각이

놓치거나 왜곡된 부분들을 다른 감각으로 메꿀 수도 있고 또 두 감각

모두가 중복해서 가르치는 정보는 더 신뢰할 수 있는 정보로 제약되지

않겠냐라고 이제 이렇게 생각해 볼 수도 있어요.

네. 사실 이렇게만 생각해도이 공리는 상당한 수준의 정당성을 획득하게

됩니다. 그니까 하지만 하지만 기왕 여러분 계산 신경과 공부하시는 거이

분야 수식들도 몇 개 이해하고 가시면 좋잖아요. 자, 그래서 한번 이제

관련 수식들 보도록 할게요. 자, 여러분 이건이 현대 계산 과학

분야에서 이제 베이지한 통합으로 다중 감각 통합의 과정을 이제 정립한

수식들입니다. 먼저요 현대 계산과학 분야의 정리에

따르면은 우리의 뇌는 우리의 뇌는 각각의 감각들에 대한 신뢰도 W를 그

감각이 가지고 있는 노이즈의 역수 즉 노이즈분의 잡게 되는데요. 우리의

뇌는 각각의 감각들이 갖는 신뢰도 W를 그 감각 신호에 내제된 노이즈의

역수 즉 노이즈분의 1로 잡습니다. 그럼 이제 여기서이

시그마 스퀘어드 서브 1, 시그마 스퀘어드 서브 2 얘네들 각각을

지금부터 시각 노이즈와 고유 수용성 감각 노이즈라고 이제 이름을 붙여

보자고요. 자, 시그마 스퀘어드 서브 1이 시각 노이즈고요. 시그마

스퀘어드 서브 2가 고유성 감각 노이즈라고 가정을 해 보자고요.

자,이 시각 신호에 대한 신뢰도 W서브 1은

시그마 스퀘어드 서브 1분의 1이 되는 거고요.요 고의성 감각 신호에

대한 신뢰도 W서브 2는 시그마 스퀘어드 서브 2분의 1이 되는

겁니다. 이걸 잘 기억하셔야 돼요. 이제 여기서는이 노이즈인 시그마

스퀘어드 분모잖아요. 그러니까이 분모가 노이즈의 크기가 커지면

커질수록 해당 감각에 대한 신뢰도가 작아진다는 걸 알 수가 있어요,

여러분. 신뢰도가 작아진다는 거. 자, 이것도 기억을 해 주시고.

아, 참고로 이제 여기서 그 신뢰도가 낮아진다는게 이제 뭘 의미하냐면요.

우리의 내가 그 지각의 수행과 동작의 결정에 있어서 해당 감각 정보를

얼마나 참고할지, 해당 감각 정보에 얼마나 기반해서 정보 처리를 할지를이

신뢰도의 높고 낮음을 통해서 이제 판단을 결정을 한다라는 겁니다. 그런

의미에서 굉장히 중요한 차원인데요. 자, 아무튼 일단 이렇게이 각

감각들의 실뢰도를 구했다면 이제 여기서 이렇게 각 감각들의 실뢰도를

더합니다. 그냥 더해요. 그렇게이 통합해서 더한 값에다가 다시 역수를

취시하잖아요. 다시 역수를 취했죠. 그럼 걔가 통합 노이즈가 되는

겁니다. 시그마 스퀘어드 콤바인드가 되는 거죠. 자, 이제 이거를 우리가

가상의 값들을 바탕으로 해서 예시 풀이를 한번 해 볼게요. 자, 시각

노이즈. 얘가 시각 노이즈가 4하고요.

고유성 감각의 노이즈가 9라고 이제 해 볼게요. 자, 그렇다면 각각의

신뢰도 시각 노이즈에 대한 신뢰도는 1분의 되죠. 그렇죠? 그럼 고유승

감각 노이즈에 대한 신뢰도는 1/9이 됩니다, 여러분. 19이.

그럼이 둘을 더합니다. 여러분,이 둘을 더해요.이 둘을 더하면 어떻게

되겠어요? 둘이 분모가 다르죠. 4랑 9. 그렇죠?이 둘이 다르니까

얘네들의 최소 공배수인 36으로 분모를 잡고요. 그러면은 얘는 36이

되면은 여기 곱하기 9해야 될 거고 얘가 36이 되면 곱하기 4해야

되겠죠? 자, 그렇게 되면은 얘네들은 이제 각각의

9와 3 4가 됩니다. 그거 더하면은 36분의 13이 나오는 거예요. 자,

근데 그렇게 나온 값에 다시 역수를 취하라고 했죠? 역수. 그럼

역수라는게 뭐예요? 그냥 이거 뒤집는 거예요. 그러면 36이

네, 13 36이 됩니다. 그럼 13 36은 36 나 13이잖아요.

그렇죠? 그렇게 하면 이렇게 그 값이 2.77 2.77 언저리가 나오는데

그러면은 결국에는 아 이렇게 실제로 이렇게 계산을 해 보면요 통합

노이즈의 크기가 개별 노이즈보다 늘 작다는게 이런 뜻이구나 그를 이제 알

수가 있게 됩니다. 자, 머리 아픈 수학 시간 이제 여기까지 여기까지만

하고 이제 누군가는 또 이제 선생님 이거 이제 믿어도 되는

수학식이에요라고 이제 질문을 하실 수도 있잖아요. 그럴 수도 있는데

여러분 이거 나름 엄청나게 많은 연구들을 통해서 그래도 근사적으로이

상당한 설명력을 가진 것으로 알려져 있는 이제 계산 과정들이에요. 그

대부분이 다 이것들을 기반으로 한이 분야에서 사용되는 이제 여러 수식들이

대부분 다 이것들을 기반으로 한 응용이라고 보시면 됩니다. 뭐

인간에게서도 로봇에게서도요. 그래서 이제 완전히 끼어맞추기 식이라든지

얼토당토 않는 이야기 하는 건 아니라고 말씀드리고 싶고요. 어,

계산신경과학 분야는 여러분 그 네이처나 사이언스 같이 이런 천해천

전널들에도 막 툭툭 논문들을 막 던져서 개제할 정도로 엄청나게

유능하고 유명한 분야거든요. 계산식 영과학 분야는. 조금은 마음을

내려놓고 좀 마음을 놓고 이런 거 그냥 잘 받아들여서 공부를 하셔도

된다라고 말씀을 드리고 싶고요. 자, 여기까지. 감각 입력 및 감각 지각

상황에서 감각 신호에 내제된 노이즈를 줄이는 방법들에 대해서 이제 얘기를

해 봤습니다. 이게 다양한 방법들이 있었죠. 그렇죠? 최적화가 있었고

시간 평균화가 있었고 이렇게 다중 감각 통합이 있습니다. 이번에는 운동

명령 신호에 내제된 노이즈를 줄이는 방법도 한번 좀 봐야 되겠지

않을까요? 우리가이 감각만 하고 인생 끝낼 거 아니잖아요. 감각하고 운동도

할 거잖아요. 그렇죠? 깨끗한 감각만 들어간다고 깨끗하고 멀쩡한 운동령

신호가 자동으로 나올 거라고 생각하는 건 이제 오산이잖아요. 그래서이

감각에는 감각의 최적화가 있다고 하면 운동에는 운동 명령 신호의 최적화가

또 따로 있는 법입니다. 그래서요 한번 또 따로 봐야 될 거 같은데 자

보죠. 여러분, 운동 명령 신호에 내제된

노이즈를 우리가 줄이는 방법은요. 감각 신호에 내제된 노이즈를 줄이는

방법이 좀 다를 수밖에 없습니다. 왜냐면이 운동 명령 신호는 한번

밖으로 나가면 끝이죠. 어디 누적되지 않아요. 이거는 뇌 안에 누적되거나이

안에서 통합되거나 이런 과정이 없습니다. 그렇죠? 아, 물론 이제

유런이 더 민감해지는 식의 그런 건 있죠. 근데 이제 이거를 시간 평균나

하기에는 생략적인 케파가 조금 부족합니다. 그 당연히 멀티모델

인터그레이션 같은 건 할 수가 없는 구조고요.이 운동 명령 신호가 나가는

거는. 그래서 운동 명령 신호에 내된 노이즈를 줄이는 방법은 결국 남는

거는 최적화뿐이에요. 최적화. 그러면은 여기서 가능한 최적화 방법은

뭐가 있을까요?요 요 운동 명령 신호에 내제된 노이즈의

크기는 운동 명령 신호의 크기의 제곱값에 비례하니까 운동 명령 신호를

줄이면 될까요? 힘 덜 주고 무게 낮춰서 운동 강도 낮추면 될까요?

근데 만약에 여러분 주어진 과제가 그거 허용하지 않으면 어떡해요?

애당초 이렇게 무거운 무게를 드는게 이렇게 원하에 가까운 중량의

데드리프트를 깔끔하게 수행하라는게 주어진 과제일 수가 있잖아요. 그죠?

모든 사람들에게 아 노이즈 줄여야 되시니까 무게 줄이세요. 힘 너무

많이 쓰지 마세요. 이럴까요? 네. 어, 그게 현실적으로 힘들다는

겁니다. 여러분,이 세상에는 운동 종목도 운동 목표도 다양하다는 사실을

늘 기억해야 되고요. 이런 현실적인 면들을 이제 고려하면요. 어, 단순히

운동 단위를 운동 명령 신의 크기를 줄이는 것 말고도 이제 다른 방법들이

필요하다는 것을 이제 우리가 알 수가 있게 됩니다.

자, 여러분 이와 관련해서 운동제화 학습의 계산신경 과학 관점

연구 분야의 최고 권의자이 다니엘 월퍼트는 이제 이렇게 주장을 해요.

우리의 뇌는 노이즈를 완전히 없애기보단 노이즈의 효과를 예상하고

반영하여 운동 계획을 수정하는 것에 더 많은 노력을 기울인다라고 이제

이렇게 말을 하는데 자 여러분 여기서 현대 계산신과학

분야의 중요한 또 다른 공리가 또 하나가 등장을 해 줘야 합니다. 바로

우리의 뇌는 확률적 통계적 예측 기계다라는 과정입니다.

우리의 뇌는 확률 통계적 예측 기계다라는 가정이에요. 그러니까

우리의 뇌는 내가 이렇게 움직이면 아마도 이런 감각 결과가 들어올

거야. 라든지 또 내가 이런 결과를 내려면 내 몸이 이렇게 움직여야 할

거야 같은 이런 확률적인 예측들을 끊임없이 자동적으로 수행한다는

가정이에요. 이러한 공리대로라면 이러한

가정대로라로라면 우리의 뇌는 내가 하시는 운동 명령 신호에 내제된 그

노이 영향까지도 고려를 해서 아 지금이 노이즈 때문에 내가 의도한

대로 운동 결과가 잘 안 나오고 있는데 그럼에도 불구하고 내가 원하는

운동 결과를 발생시키다면 약간 이렇게 틀어서 이렇게 움직이면 되겠다 같은이

노이 영향마저 예측하고 반영을 한 운동 계획의 재수립을 수행할 수가

있다고 이제 볼 수가 있게 되는 거죠.

데 사실 이거 여러분 너무 당연한 이야기잖아요. 실제로 우리도

그렇잖아요. 여러분 여러분이 예를 들어서 화를 써서이 화를 관역에

맞추고 싶은데 어 충분히 그 맞출 수 있는 영량이 있으신데 그 바람이

왼쪽에서 오른쪽으로 슝 불어요. 그러면은 우리는 어떻게 화를 쏴요?

때 응. 예를 들어서 바람이 조금 약하게 불면 그 바람의 영향을 뚫고

갈 수 있을 정도로 활실을 더 세게 당겨서 더 강하게 활을 쏘는 방법이

일단 첫 번째가 가능합니다. 그럼이 활이 갖고 있는 그 압도적인 운동량

때문에 그이 바람의 영향을 뚫고서 관역을 맞출 수도 있을 거예요.

바람이 약하게 불고 있다면. 아니면 좀 세게 불어 가지고 바람이 그게 잘

안 될 거 같으면 어떻게 될까요? 그때는 더 세게 쏜다고 해결되는

문제가 아니라서이 활를 쏘는 방향을이 바람이 왼쪽에서

오른쪽으로 본다고 했죠.이 화를 쏘는 방향은 약간 왼쪽으로 틀어요.

왼쪽으로 틀어서이 활을 딱을 때 화살이 날아가면서 바람

때문에 약간 오른쪽으로 틀어지더라도 오히려 그것 덕분에 화살이 관약에

맞을 수 있게끔 우리가 예측샷을 날리잖아요. 그렇죠? 여러분, 바로

이런 식의 예측 조정이 모든 움직임에서 가능하다는 겁니다. 이런

바람의 영향과 같은 이런 방해물들, 노이즈들의 영향을 고려를 한 운동

계획 수립이 가능하다라는 거예요. 그 가능한 방법 중에 하나가 여러분 바로

동시 수축에 의한 강성 증가 임피던스 컨트롤이라고 하는 건데요. 그니까

이런 거예요. 제가 막 덤벨 벤치프레스, 바벨 벤치프레스를

하는데요. 어 내가 제 팔이 제 몸이 내제적으로 가진이 운동 명령 신호에

내제된 노이즈의 영향 때문에 제 팔의 이동 궤적이 막 무자기하게 흔들려요.

아주 막 요동을 칩니다. 이랬다가 저랬다가 요동을 막 쳐요. 여러분,

이런 경우에는 우리 뇌는이 임피던스 컨트롤이라는 걸 통해서 근육의 동시

수축을 통해 팔에 있는 근육들과 관절들의 강성을 높여서 팔의 이동

궤적을 일관적으로 만들 수가 동적 안정화를 수립할 수가 있어요. 이거를

움직임의 궤적의 가능성이 높아졌다라고도 이제 말할 수

있는데요. 그렇잖아요, 여러분. 동시 수축을 해요. 수축하는 근육은

기본적으로 잘 안 늘어나려는 성질을 갖게 되죠. 그러면은 그건 근육

강성이 증가한 겁니다. 여러분, 이렇게 수축하는 근육을 수축하고 있는

근육을 늘리려면요. 수축하지 않았을 때보다 더 많은 힘을로 이제 근육을

잡아당겨야 돼요. 더 큰 힘이 필요합니다. 근육의 길이가 변하지

않으려는 속성이 생겨서 그 수축하는 근육은 기본적으로 근육 강성이

높아져요. 자, 그런데 이번에 그러면은 관절 강성 볼까요? 관절

강성은 또 이런 근육들로 인해서 증가한단 말이에요. 실제로 여러분

관절 가동범위 끝지점을 제외하고 보면 그 중간 지점들은 다 그 중간

지점에서의 관절 강성들은 다 해당 관절을 지나는 모든 근육들의 강성의

합산으로 봐도 무방하거든요. 생체 역학 분야에서는. 이런 식으로 동축을

통해서 관절 강성이 증가할 수 있어요. 게다가 궤적 운동 움직임

궤적.이 이 계적 운동은 바로 이러한 관절들의 움직임의 합으로 합산으로

만들어지죠. 자, 따라서 여러분 해당 계적을 만드는 관절들의 근육 강성 및

관절 강성의 증가는 동수시축에 의한 이런 근육 강성 및 관절 강성의

증가는 해당 움직임 궤적의 강성 즉 궤적의 안정성이 궤적의 어떤 외력에

대해 저항하는 능력을 증가시킬 수 있다라고 이제 보는 겁니다. 그럼

실제로 관련 연구들을 봐도요. 동시 수축은이 8의 이동 궤적을

안정화시키고 일관적으로 만들어요. 운동학적 5차를 감소시키죠.

자, 그리고이 8일 이동 계적 동안에 갑작스럽게 가해지는 이런 외력에 대한

저항력을 증가시킵니다. 실제로 궤적 강성이 증가합니다. 자, 관련

연구들도 상당히 많이 있습니다. 우리가 아는 브레이싱 발살도 사실

같은 맥락의 연구 분야에서 쓰이고 있는 것들이고요. 이렇게 경험적으로도

실험적으로도이 동시 수축은 궤적의 안정성을 그 궤적

강성을 여러분 증가시킵니다. 괴적 강성. 그러니까이 궤적을이 잘

가고 있는 궤적을 틀어 버리려면 더 큰 힘으로를 가야 한다는 소리예요.

그런 의미에서이 dx분 df로서이

궤적을 바꾸려면 더 큰 힘이 필요하기 때문에 궤적 강성이 더 높아졌다라고

말할 수 있다라는 겁니다. 그 에지가한 노이즈나 섭동에 의한 방해는

다 뚫고 갈 수가 있게 된다라는 거예요. 자, 그런데 여러분 여기서

하나 확실히 하고 가야 할게 또 있는데요. 뭐냐면

어 이렇게 동시 수축으로 이렇게 여러분 동시 수축으로 이렇게 궤적

강성을 증가시키는 접근은요. 사실 노이즈의 영향을 줄인 거지 노이즈 그

자체를 줄이는 건 아니에요. 그렇지아요. 지금 임피던스 컨트롤을

통해서 동시 수출을 통해서 줄인 거는 그 노이즈로부터 말미암은 비일관적

오류 에러지 노이즈 그 자체가 아니라는 겁니다. 그래서 여기서

우리는 노이즈와 에러를 서로 다른 것으로 이제 잘 구분을 할 필요가

있어요. 물론 이제 관찰자의 그 관찰하는 시점에 따라서 좀 이게

노이즈냐 에러냐가 달라질 수도 있겠는데 어떤 촉도로 보느냐에 따라서

달라질 수 있겠는데 여러분 노이즈는 대체로 원인이고 에러 오류는 대체로

결과라는 점에 좀 주목을 하시면 됩니다. 자 그러면 여기서 또 이제

이런 의문이 나와야 되겠 지금 질문이 들어왔나? 잠시만요.

어, 네. 네. 지금 질문이 하나 들어왔는데 동시 수축이 주동근과

길근의 동시 수축에 의한 관절 안정성을 의미하는 것이죠. 그래서

자유도를 감소시킨 건가요? 근데 요렇게 많이들 이해하고 있습니다.

동시 수축. 주동근과 기환근의 동시 수축이 실제로 관절 안정성을

증가시켜요. 여기서 말하는 우리가 안정성 그 기계적 안정성에 차원해서

얘기를 하자면 사실 기계적 안정성은 강성이랑 연관이 되게 깊습니다. 강성

스티프니스. 그래서 근육 강성, 관절 강성, 계적

강성이 증가했다라는 것은 바로 이런 기계적 안정성의 증가랑 이제 이야기가

연결이 돼요. 물론 이제 다음 시간 때 그 김승현 선생님께서 안정성에

대한 이야기를 많이 해 주실 건데 안정성은이 기계적 안정성만 있는 건

아니에요. 오늘 다루게 될 비제 다양체 분석 이론에서도 기계적

안정성이 아니라 확실성으로서의 확률적 안정성을 또 다루거든요. 어, 요즘

나오는 논문에서는 로버스티니스라는 이제 단어를 또 쓰고요.요 말씀하신

물어보신 그대로입니다. 선생님 말씀이 맞아요.

자, 그러면 다시 이야기 진행을 해 볼게요.

자, 그럼 이제 여러분 이제 또 이런 의문이 이런 질문이 나와야 됩니다.

뭐냐면 아니 선생님 우리의 뇌가이 발생 지금 발생한이 오류가

노이즈로부터 말미암은 오류인지 아니면 그냥 잘못된 운동 명령에 의한

오류인지를 어떻게 알아요? 어떻게 알아요? 이제 이런 의문이 이런

질문이 나올 수 나올 수 있어야 됩니다. 네. 제가 스스로

자문자답하자면 어 여러분 우리 뇌는 그걸 알 수

있습니다. 구분할 수 있어요. 우리내는 이거를 이제 구분할 수

있습니다. 뭐 뭘로 이제 구분하냐면 바로 그 오류 있죠? 그 오류가

보이는 일관성과 비일관성으로부터 이제 구분할 수 있습니다.

만약에 우리가 어떤 수행을 반복하는데 일관적으로이

비슷한 오류를 발생하는 걸 보면요. 그거는 애당초 잘못된 운동 명령이

내려온 거라고 이해하실 수 있어요. 동작은 일관적으로 잘 나와요. 근데

계속 같은 실수만 반복해요. 그거는 운동 명령이 잘못된 거예요. 그렇죠?

근데 만약에 우리가 어떤 수행을 반복하는데

비일관적인 이리티고 저리 튀는 오류가 자꾸 발생하면은 이건 어떻게 볼까요?

예. 이때는 노이즈에 의한 오이라고 볼 수 있는 겁니다. 앞서서

말했잖아요. 여러분 노이즈는 신호에 내제된 확률적 상대적으로 무작기적인

요동이에요.이 무작기 신호에 가까운 방해 전파 같은

거라고 이제 보시면 됩니다. 따라서 당연히 그 영향력도이 노이즈의

영향력도 상대적으로 무작이할 수밖에 없는 거예요. 그래서 따라서

비일관적이고 무작이한 오류가 발생했을 경우 우리는 우리의 뇌는이를 아

노이즈의 노이즈에 의한 오류다라고 이제 볼 수가 있는 겁니다. 자,

그러니까 우리가 실무에서이 수행자의 스쿼트나 데드리프트 수행을

관찰하는데 그 노이즈에 의한 현상으로 보이는 비일관적이고 무작이한 이제

오류가 보이면은이 경우에는 운동 명령 자체를 다 뜯어칠게 아니라 일단 먼저

임피던스 제어를 통해서 동시 수축을 통해서 강성 제어를 시도해 볼 필요가

있다라는 겁니다. 그리고 대체로 이제 몇 번 반복해 보면은 뭐 트레이너에

도움이 없이도 보통 사람들은 자동적으로 이거를 아주 잘 식별

구분을 하고 잘 대처를 하는데요. 물론 그러지 못하는 뇌도 있을

거예요. 그거는 이제 우리 트렌더들이 이제 잘 식별을 해서 아 지금 스쿼트

데드리프트를 하는데이 회원님의 신체 분절들이 이렇게 비일관적이고 무작기한

오류를 보이는 걸 보니 아 이거는이 노이제 영향인 거 같아. 이거는 운동

명령 신호 자체가 잘못된게 아니니까 일단은 동시 수출을 통해서 임피던스

제어를 해서이 노이제 영향자라고 이렇게 판단을 해서 그 현님한테 현님

발가락고 바닥 누른 힘 세게 주세요.이 밥을 잡고 있는 손 꽉

잡으세요. 뭐 브레이싱하세요. 발살바하세요. 이런 식으로 일레디에

동시수쪽 효과들을 발생시켜서 시스템의 강성을 증가시켜서 노이즈의 영향을

줄이는 접근 방식을 출할 수가 있다라는 겁니다,

여러분. 그리고 이게 다가 아니에요. 당연히 여러분요 운동 명령 신호에

내제된이 노이즈의 영향을 줄이는 방법으로써이

임피던스 제어 강성 제어 다음으로 또 다른 접근이 가능합니다. 바로 현대

계산신경 과학 운동 제어의 전신 상태 추정과 최적 피드백 제어입니다.

사실 임피던스 제어보다도 더 근본적인 제어 기존으로 여겨지는게 바로이 최적

피드백 제어라서이 녀석을 아주 제대로 이해하고 넘어가셔야 돼요. 근데 이제

얘도 쉽지가 않아요. 얘가 정말 쉽지 않아요.이 녀석 이해하려면 여러분

먼저 인터널 모델 상태 추정 칼만 필터 비용 함수라는 것에 대해서 알고

가셔야 됩니다. 먼저 인터널 모델부터 이제 보도록 할게요.

여러분, 현대 계산 신경과 분야 이해에 따르면요. 우리의 뇌는 어떤

움직임에 앞서서 미리 두 개의 내쪽 표상을 두 개의 인터널 모델을 만들고

갑니다. 하나는 아, 내가 이런 결과를 얻으려면 이러 이렇게 움직여야

해라는 어떻게 움직일 것인가에 대한 운동

프로그램 인버스 모델이고요. 또 다른 하나는 아 내가 이렇게

움직이면 이런 결과가 이런 감각 결과가 이런

환경 결과가 발생할 것 같아를 예측하는 어떤 감각이 들어올 것인가에

대한 표상 푸워드 모델입니다. 포워드 모델

얘는 어떻게 움직일까에 대한 표상이고요. 얘는 어떤 감각 정보가

들어올까에 대한 예측 표상입니다. 자, 그근데 만약 여러분, 만약이

내가 수행자가이 인버스 모델에 따라 움직임을 취했는데

내가 포드 모델에서 예측한이 감각 결과랑 들어오는 관측값이 너무 차이가

커요. 만약에이 사이에 어떤 갭이 발생했어요. 그러면은 우리내는이 갭을

그 차이값을 오류로 인식한다는 겁니다. 오류로. 그리고 내가 원하는

감각 결과가 얻어질 수 있도록이 인버스 모드를 수정할 수가 있게

됩니다. 자, 여러분 앞서 말했듯이 그 차이가

그 오류가 일관적이라면 우리의 뇌는이 문제를 인버스 모델

자체의 이제 문제로 보고이 인버스 모델 운동 프로그램을 그 불변 특성

자체를 손보게 될 거예요. 근데 만약에 반대로 그렇게 관측된 그

오류가 비일관적이에요. 불확실성이 너무 커요. 그니까 우리의

허용 범위를 넘어서는 불확실성을 보이는 그런 오류예요. 만약에 엄청

비일관적이고 무작이한 오류가 발생한다면 우리의 뇌는요. 아 이거를

인버스 모델 자체의 문제라기보다는 노이즈에 의한 영향이라고 보고 기존의

인버스 모델에 이제 중요한 요소들은 놔두고 가변 요소들 강성, 감쇄,

관성, 근육 활성화 수준 같은 것들만 조금 손보는 식으로이 감지된 오류에

입각해서 인버스 모델을 수정하는 대처를 하게 됩니다. 자, 그 조금

더 이제 구체적으로 들어가죠. 우리의 내가 그럼 이제 우리의 정확히 어떤

기준에 입각해서이 인버스 모델을 운동 계획 프로그램을 운동 표상을

바꾸느냐라는 추가적인 질문을 던져 볼 수가 있는데요.이를 위해서는 이제

여기다 여기다에 더해서 상태 추정 비용 함수 최적 피드백 제원 이론을

이제 설명을 이어 나가야 됩니다. 먼저 상태 추정부터 볼게요.

자, 여러분, 상태 추정이란 상태 추정이란 시스템이 스스로의 현재 몸

위치나 움직임 상태를 정확하게 파악해 나가는 이제 과정인데요. 어, 근데

그게 가능하려면 감각 정보를 이제 수용을 해야 할 것이고 또 그 감각

정보에는 이제 노이즈가 껴 있을 거란 말이죠. 여러분 이때 보다 더 정확한

상태 추정을 위해서 사용되는 이제 공학 분야의 개념 중에 칼만

필터라는게 있습니다. 여러분 칼만 필터.

어 칼만 필터는 원래 이제 항공기 뭐 로봇 같은 이런 공학적 시스템에서이

시스템이 스스로 움직임 상태를 더 정확하게 추정할 수 있도록 이제

도와주는 그런 목적을 위해서 개발된 수학적 알고리즘이거든요.이 칼만

필터는. 그 사실상 지금 기계 공약 분야에서는 표준처럼 엄청 폭넓게 다

응용해서 쓰고 있는 그런 알고리즘이에요.

그 칼만 필터의 여러분 핵심 아이디어는이 이겁니다. 아주

간단해요. 칼만 필터는요. 앞서서 우리가 확인한이 포워드 모델에 의해

예측된 상태와 실제로 감각을 통해서 측정된 상태를

통해서 이것들을 비교를 해서 현재의 내 상태 현재의 내 상태와 내 상태에

대한 불확실성을 추정하게 해 주는 확률적 알고리즘이에요. 그러니까

이때이 추정 과정을 통해서 얻은이 불확실성에 기반을 해서 우리의 뇌가

예측한 값을 믿을지 아니면은 측정된 값을 믿을지를 결정함에 있어서 매우

중요하게 이제 작용을 하는 도구라고 보시면 됩니다. 자, 근데 여기서

이때 칼만 필터를 통해서 예측된 값을 믿을지 측정된 값을 믿을지를 결정함에

있어서 중요하게 작용하는이 가중치 신뢰도의 역할을 하는 것이

있는데요.이 이 실레도의 역할을 하는 것이 바로 칼만게

칼만 이득 K라는 것입니다. 칼만 이득 K 저기 왼쪽에 지금 K서브 T

있죠? K서브타임. 자,요 녀석이 이제 칼만 이득

K입니다.이 칼만 이득 K를 도출하는 수식을

보시면요. 여러분, 이게 그냥 수식도 아니고 이제 행렬식이라서 좀 그냥

보면 어려워 보일 수 있어요. 근데 한국말로 바꿔서 읽어 보면 이게

그렇게 어렵지 않습니다. 이거를 이제 한국말로 얘기 읽으면은 칼만 이드

K는 예측된 상태의 불확실성인 P가 커질수록 커진다. 그리고 측정된

상태의 불확실성 즉 측정된 상태의 노이즈가 커질수록 작아진다라고 이제

정리를 할 수 있습니다. 이건 그냥 보이는 대로 있는 거고. 자, 그럼

이제 여기서 칼만 이득 k가 커진다는 건 무슨 의미이고 작아진다는 건 또

무슨 의미일까요? 보세요 여러분. 칼만 이득 k가

커지면요. 그거는 우리의 뇌가 기존의 예측값을 신뢰하지 못한다는 뜻이

됩니다. 내가 예측한 거, 내가 예상했던 거를 신뢰하지 않게 되는

거예요. 그러니까 즉 아 내가 처음에 예측한 것이 크게 잘못됐네. 내가

포드 모델을 잘못 세웠네 하고 지금 새로 들어온이 감각 신호값에 지금

새로 들어온이 감각 신호이 감각 측정 값에 더 높은 가중치를 더 높은

신뢰도를 주게 되는 거예요. 그렇게이 새로운 측정값이 새로운 감각

신호로 들어온이 세 측정값을 더 믿고 거기에 기반해서이 운동 계획 인버스

모델을 수정하게 되는 겁니다. 자, 여러분 이렇게 예측된 값이 아닌

감각신으로 지금 새롭게 측정된 값에 기반해서이 제어 수정 정책을 이제

펼치게 되면 어떻게 되냐면요. 아무래도 우리의 그 제어 방식이

상대적으로 좀 더 민감해져요. 자주 개입하게 되는 그런 양상을 띄게

돼요. 내가 예측된게 불안정하니까 지금 들어오는 정보에 기반해서 계속

실시간으로 온라인 제어를 하는 겁니다. 자, 근데 이게 좀 심하면

어떻게 되냐면 심할 경우에는 계속이 지금 새롭게 들어오는 감각 신호에만

의존해서 실시간 제어 수정을 하려 하다 보니까 불필요하게 계속

덜컥거리고 에너지를 불필요하게 많이 쓰는 과장된 제어 수정 양상을 보이게

돼요.이 점을 이제 알고 있으면 좋을 것 같고요. 그럼 이제 반대로 칼만

이득 K가 여러분 작아지면 어떻게 될까요? 작아지면 반대로이 칼마이드

K가 작아지게 되면 새로 들어온이 감각 측정값을 신뢰하지 못한다는

거예요.이 지금 새로 들어오고 있는 감각 측정값에 노이즈가 너무 많이 껴

있잖아요. 얘가 불라실성이 이티고 저튀고 난리해요. 그러면은 지금

들어오고 있는 감각 값을이 감각을 못 믿어요. 그러면 반대로 기존에 내가

예측한 값을 더 신뢰하게 됩니다. 예측한 값을. 그러니까 이런 거죠.

아, 지금 들어온이 감각 신호는 노이즈가 너무 많이 껴서 믿을 수

있는 신호가 아니니까 기존에 나의 예측값, 내 포워드 모델을 믿고

거기에 기반해서 운동 계획의 인버스 모델을 손보자. 운동 프로그램을

손보자가 되는 겁니다. 그이 경우에는 감각 신호로 측정된 값이 아닌 내가

예측한 값에 기반해서이 제어를 이제 하다 보니까 아무래도 이제 전자랑은

좀 다르게 방문전이랑은 다르게 상대적으로이 제어 수정이 굉장히

보수적이게 됩니다. 제어 전략을 잘 안 바꾸게 돼요. 그러니까 지금

당장에 5차가 발생했는데도 개입이 좀 굶뜨고 개입을 좀 덜하는 그런 양상을

띄게 돼요.이 이 경우에서 심한 경우에는 어떻게 되냐면 완전히 내가

포드 모델, 내가 예측한 값에만이 완전히 의존하고 지금 측정되고 있는

감각을 전혀 신뢰하지 않게 되면 어떤 일이 발생하냐면 예측이 빛나가서

오류가 엄청 크게 발생했는데도 제때 교정을 못 해요. 그래서 동작이 엄청

크게 혼나가거나 합니다. 그 그리고이 동작을 교정하는 그 오류를 보정하는

타이밍도 막 늦어 가지고 뒤늦게서의 엄청 과장된 보정을 하는 그런 식의

현상들을 볼 수가 있게 돼요. 그래서 이렇게 정리를 해 볼 수 있을

거예요. 아, 너무 자신의 포드 모델을 과신하는 것, 너무 나의

예측값만 신뢰하는 것도 지금 들어오는 감각 정보에만 의존하는 것도 좋은

처사는 아니다. 둘 다 좋은 처사는 아니다라고 정리할 수가 있는 겁니다.

채팅이 또 들어왔어요. 액측된 값과 측정값을 얻는 사이에는

시간차가 존재하는 거죠. 아, 예. 시간차는 존재하죠. 당연히 보시면은

계산과학 분야에서 쓰는 수식들은요. 다 프레임 단위로 시간을 이제

중요시하게 여기거든요. 그래서 이런 시간차는 당연히 존재하는 겁니다.

근데 예측된 값은 상대적으로 고정되는 경향이 있고 선행되는 경향이 있어요.

반면에 측정된 값은 계속 실시간으로 들어오고 있는 거예요. 그래서 계속

실시간으로 들어오는 애에 반응하려고 하면은 엄청 줄대 없는 제어가

발생하게 되고요. 그리고 이티고 저리티고 막 되게 막 난잡한 제어가

발생하게 되고 내가 예측하는 값인 포워드 모델에만 기반하게 되면 얘는

상대적으로 고정된 값이라고 했잖아요. 내가 그냥 예상한 거니까. 그래서

여기에만 입각해서 제어를 하게 되면은 엄청 보수적이게 제어를 하게 됩니다.

지금 당장 오류가 발생했는데도 5차가 발생했는데도 수정을 안 하게 되는

그런 이제 굶뜬 그 굶뜬 제어가 이제 나타나게 되는 거예요. 그래서 지금

시간차 얘기를 하셨는데 먼저 발생하는 거는 예측된 값이죠. 예측된 값이

먼저 나오고 그다음에 측정 값들이 들어오는 거예요. 이런 시간차는

분명히 존재해요. 답변이 됐을까요? 음. 네. 네. 자, 여러분이 이렇게

너무 감각 신호에만 의존한 제어를 하는 것도 너무 포드 모델의

예측값에만 의존한 제어를 하는 것도 이제 둘 다 이제 좋지 않은

접근이라고 말할 수 있는데요. 그래도 뭐 만약에 주어진 과제와 들어오는

감각 조건, 환경 조건이 허락을 하는 상황이라면 가능한이 둘을 적당히 섞어

쓰는게 더 좋겠죠. 아무래도 주어진 과제 그 허용하지 않으면 어쩔 수

없는 거고요. 그러니까 이제 이런 거예요. 여러분 간단하게 요약하면요.

결국 칼만 필터와 칼만 이득은요. 간단하게 말하면 눈에 보이는 걸

믿을래 아니면 눈에 보이지 않는 거네 감을 믿을래를 결정하는 그 과정이라고

보시면 됩니다. 자, 그러면 이제

이해하기가 더 어려워질 건데 우리가 지금 이제 어떤 정보에 입각해서

예측된 값 또는 측정된 값,이 어떤 것에 입각해서 운동 계획을 수정할지는

칼만 필터에서 정해져요. 자, 그렇다면 여러분 그 운동 계획을

구체적으로 어떤 방식으로 어떤 기준으로 제어할지를 정해야 하는데요.

여기서 그 어떤 기준이 되는게 바로이 코스트 펑션 비용 함수입니다. 비용

함수. 이제 여기서이 계산 신경과 분야의 또 다른 공리가 등장을 하게

됩니다. 공리가 참 많죠. 가정이 엄청 많아요. 근데 이게 다 맞다고

가정을 하고 이야기가 전개가 되는 거예요. 또 다른 공리가 등장하는데

이게 뭐냐면 바로 우리의 뇌는요 비용 함수 코스트 펑션이 줄어드는 방식으로

최소화되는 방식으로 운동 제어와 운동 학습을 수행한다라는 겁니다. 그러니까

우리의 바로이 비용 함수라는 것이 줄어드는 방향으로 운동 계획에 인버스

모델을 수정한다는 가정이에요. 자, 그러면은요 비용 함수가 뭔지 당연히

알아야 되겠죠? 여기서 이제 비용 함수라는 것은요. 간단하게 말해서

주어진 과제 목표에 따라 그때그때 달라지는 생리학적 비용 지출의

척도입니다. 즉 우리의 뇌가 어떤 행동의 수행에

있어서 지불해야 할 대가 계산신경 과학적 돈 화폐인셈이에요.

이게 에너지가 될 수도 있고요. 그리고 뭐 에너지 왜 통증 처벌에

대한 회피 동기가 될 수도 있는 거고요. 그러니까 예를 들어서 이런

거예요. 주어진 과제 목표가 움직임 수행에 드는 에너지와 노력을

최소화하는 거라면 에너지 대사량이나 필요준이이 비용 함수의 척도가 될 수

있을 것이고요. 또 주어진 과제의 목표가 만약에 움직임의 정확도를

높이는 거라면 움직임의 5차 수준이이 비용 함수의 척도가 될 것이고요. 또

주어진 과제 목표가 만약에 움직임을 매끄럽게 수행하는게 주어진 과제

목표라면이 움직이는 수행 중에 발생하는 가속도의

시간 미분 가가속도이 저크 저크라 하는데 영어로이 저크의 적분의 시간

평균값을 비용 함수의 척도로 이제 잡을 수도 있어요. 그 비용 함수가

되게 다양하거든요. 연구가 되게 많이 되어 있고 다양한 비용 함수들이

지금까지 제한되 왔었는데 근데 이제 여기서 하나 여러분

우리가 오해하면 안 되는게 있어요.이 이 비용 함수는 에너지랑 동일한 말이

아니에요. 에너지랑 동일한 말이 아니에요. 그래서이 비용 함수는

주어진 과제에 따라 그때그때 다르게 배정이 되는 것이거든요. 그러니까

우리의 뇌가이 비용 함수가 줄어드는 방향으로 운동 제어와 학습을

수행한다는 앞선 그 말을 단순히 우리의 뇌가 에너지 수준을 최소화하는

방향으로 운동 제어와 학습을 수행하려는 그 경향이 있다라고 이렇게

잘못 이해하시면 안 된다라는 이제 말씀을 좀 드리고 싶습니다. 곧

이야기를 이제 들으시겠지만 필요에 따라서 주어진 과제 목표에 따라서

우리가 다양한 비용 함수들에 가중되는이 다양한 가중치들의 수준과이

비용 함수들 간의 상대적 관계를 이제 조정을 해 가지고 때로 얼마든지

비효율적인 움직임을 추구할 수도 있게 되거든요.

이따 뒤에서 설명을 할 겁니다. 그래서이 우리의 비용 함수를 줄이려고

한다라고 하는게 그냥 에너지 줄이려고 한다는 거랑 같은 말이 아니라는 걸

이제 알고 계셔야 돼요. 자, 여러분. 우리의 이제 뇌가

주어진 과제 목표에 기반해서 바로 이러한 다양한 비용 함수들의 총합값을

줄이는 방향으로 운동 계획을 수립하고 수정을 하는이 1년의 제어 정책을 한

줄에 수학씩 이렇게 한 줄의 수학씩 행렬식으로 보여 주는게 바로

옵티멀피드백 컨트롤 최적 피드백 제어 이론의 수식이라고 이제 할 수가

있습니다. 자 여기 이제 이게 최적 피드백

제어는 수식이죠. 이제이 녀석도 행렬식이라서 겉보기엔 엄청 어려워

보이는데요. 이것도 한국말로 읽으면 그렇게 어려울 건 없습니다. 여러분,

그이 수식은 이제 가장 흔히 쓰이는 수식이에요. 최적 피드백 제어를 논할

때 세 개의 비용 함수를 줄이는 모델이에요. 운동 중에 발생하는 차

수준, 운동 종료 후에 발생하는 5차 수준, 그리고 이제 운동 중에 발생한

근육 활성 수준 및 노력의 수준을 척도 하는 얘네들을 이제 줄이려고

하는 세 개의 비용 함수가 포함된 최적 피드백 제어 모델입니다.

이게 제일 흔하게 쓰이는 모델이에요. 그러니까 그냥 읽으면은 이거예요.

그냥 읽으면요 토탈 비용 토탈 비용 제인는이

시간의 흐름에 따라 발생한이 운동하는 동안의 5차 비용 운동하는

동안의 5차 비용 더하기 제어 과정에서든 근육들의 노력

비용을이 비용들을 시그마 전부 다 합산을 해

가지고 거기에다가 이제 마지막에 운동이 끝나고 나서

운동 종료 순간에 발생한 5차 비용을 더한 다음에이

모든 거를 노이즈에 대한 평균을 낸 값으로 도출을 한다라고 읽을 수가

있는 겁니다. 여기서이가 토탈 비용이거든요.이 토탈 비용 제를

줄이는 방향으로 제어가 운동 계획에 수정이 일어난다는 거예요. 뭐 여러분

여기 막 시그마 같은 거 있고 난리도 아닌데 별거 없어요. 그냥 과제 수행

중에 발생한 비용들을 그냥 합산하겠다는 뜻입니다. 그리고 막 그

앞에 무슨 생전 처음 보는 막 이상한 특수 기호 알파벳 대문자 2 같은 거

이런 거 있잖아요. 이거 연산 연산자인데 이제 이건 그냥 이렇게

구해진 비용들의 총합을 추정된 감각 신호 노이즈의 기대값에 대해서 평균을

낸다라는 뜻이라 보시면 돼요. 아무튼이 합산값이 줄어드는 방향으로

제어 정책이, 제어 계획의 변경 및 수정이 일어난다는 겁니다. 그럼 이제

그 수정은 구체적으로 어떻게 일어나느냐 질문이 나올 거예요.

당연히 여기에도 답을 해야 될 겁니다. 자, 여러분, 각각의

비용들의 매겨지는 가중치의 조절로서 이루어진다고 보시면 됩니다. 다시이

최저 피드백 제어가이 수식이 정확히 어떻게 작동하냐? 우리가이 수식을 다

컨트롤하냐? 아니에요.이 각각의 비용들에

매겨지는 가중치의 조절로 이루어진다고 보시면

됩니다. 자, 보시죠. 여기 얘는 운동하는 동안에 발생하는 5차

비용이고요. 얘는 제어를 하는 동안에든 근 활성화

수준. 노력의 비용이고요. 그리고 얘는 운동 종료 순간에 발생한 5차

비용이라고 했죠. 근데 여기 각각의 중앙을 보시면 각각의 중앙을 보시면

대문자 Q 대문자 R 그리고 대문자 Q 서브 T가 있잖아요. 그렇죠?

얘네들이 얘네들이이 각각의 비용에 붙는 해당 비용을 얼마나 크게 볼지를

결정하는 가중치입니다. 그러니까 우리가 1주차 때 배웠던 매개 변수

제어에 그 매개 변수 같은 걸 보시면 돼요. 우리의 뇌는이 가중치를

제어해요. 자, 여러분, 이때 어떤 비용 함수에

더 강하게 개입하느냐는 결국에이 가중치들 사이에서 형성되는 상대적

크기가 결정하게 되는데요. 그 여기서 이제 또 오해하시면 안 되는게요

가중치 하나만 바꾼다고 제어가 막 원하는 대로 성립되는 건 아니에요.

서로 다른이 비용들이 서로 경쟁하는 관계거든요. 비용과 비용이 경쟁해요.

그래서이 비용들끼리 갖는 그 상대적인 관계를 이제 고려를 해야 됩니다.

그래서 결국에 제어은 가중치들 사이에서 형성되는 상대적 크기,이

상대적 크기에 의해서 결정이 된다고 말할 수 있는데 예를 들어서요

노력 비용의 R에 비해서 운동 수행 중에 발생하는 5차

비용의요 가중치 Q가 더 크면은 R보다 Q가 더 크면 운동 수행 중에

정확도를 더 우선하게 됩니다. 운동 수행 중에 5차를 줄이려고 하는

노력이 더 커져서 얘가 커지면은 운동 수행 중에 정확도를 더 우선하게

됩니다. 그래서 5차를 더 세게 줄이려고 하고 전반적으로 움직임이 좀

뻣뻣해 보이게 돼요. 그러니까 아까 전에 우리가 본 강성 제어 있죠?

임피던스 제어도 여기서 설명돼요. 그래서 이게 더 큰 모델이라고

말씀드리고 싶고요. 자, 그러니까 이거예요.요

Q는 큰데 R은 가정치가 낮으니까 근육을 더 많이 쓰는 항이 있더라도

움직임 과정에서의 궤적의 정확도를 높이려고 해서 그렇게 되는 겁니다.

자, 그럼 반대로이 Q가 작고 R이 크면요.요

요 Q가 작고 R 가중치가 크면 노력이 덜든 움직임, 부드러운

움직임을 선호하게 됩니다. 유연한 움직임을 선호하게 돼요. 그니까

이때는 반응이 좀 둔해지고 느긋해지는 그런 경향성도 좀 생기고요. 그러니까

이거예요. 얘 얘가 높아지니까 에너지를 절감하게는 되지만 5차가 좀

생기게 되는 겁니다. 움직임이 5차가 좀 생기게 돼요. 움직임이 좀

느슨해지고요. 좀 가변성이 커지게 됩니다. 외력에 대한 저항력으로서

기계적 안정성도 좀 떨어지게 됩니다. 움직인 과정에서의 규정의 정확도를

잃는 한이 있더라도 근육을 덜 쓰려고 노력을 덜 드리려고 해서 그렇게 되는

겁니다. 그 흔히 운동 초보 운동 처음 하시는

회원님들이 종종 이제 이런 경향 보일 때가 있죠. 가끔 아니면 이제

트레이너로부터 허용된 5차 허용 범위가 좀 넉넉해 가지고 여유를

부리는 걸 수도 있어요. 자,요 뒤에 있는이 녀석 있죠?요

녀석. 여기요 녀석.요 요 q브 t가 크면 어떻게 될까요? Q 서브 T가

다른 애들에 비해서 상대적으로 크면 Q서 서브 T가 크면은 수행자는이

움직임의 마무리를 마무리만 정확하게 하려고 하게 되는 그런 경향이

생깁니다. 가등 길이 개판인데 마지막에만 딱 제대로 정리하려고 하는

그런 경향이 생기는 거예요. 번사인의 망치가 딱 여기에 해당합니다. 궤적

가변성이 다양한데 어떻게든 모세만 잘 맞으라 하는 거예요.이

운동 종료에서의 5차 비용을 이제 가중치를 크게 잡으면은 그런 경향의

생깁니다. 그러니까 중간 과정에서 좀 흔들리고 가변성이 커져도 끝에서만

어떻게든 맞추려고 하는 그런 경향성이 생기는 겁니다. 그러면 여러분 R이

작고 Q랑 서브 T가 둘 다 크면 어떻게 되겠어요? 예. 전반적으로

운동 과정에서도 마지막 정렬 순간에서도 근육을 총동원해 가지고

아주 뻣뻣하게 움직이려고 할 거예요. 얘 때문에 얘가 낮으니까 그 근육의

노력을 엄청 많이 들더라도 얘 가중치가 없으니까 얘네들을 성립하기

위해서 근육을 엄청 많이 끌어다 쓰는 겁니다. 에너지 그냥 갖다 다 쓰는

거예요. 얘는 낮고 얘네들은 높으니까 이렇게 고작이 세 개의 비용

함수들의이 조합으로 이렇게 다양한 움직인 경향성을 만들어 낼 수가 있게

됩니다. 여러분 뭐이 외에도 뭐 근육의 자극을 느끼게 하는게

목표라면은 오히려 에너지 대사 비용이 이제 더 들게 하는 쪽으로 비용

최소화가 이제 일어나게끔 또 새로운 비용 함수를 만들 수도 있을 거고요.

여기 있는 비용 함수가 전부가 아니에요, 여러분. 그냥 대표적인 세

가지만 예시로든 거예요. 뭐 동작을 매끄럽게 수행하는게 목표라면은 시간의

흐름에 따른 가속도나 토크에 시간 미분값의 적분값을 전체 운동 시간으로

이제 평균을 낸 값으로 비용 함수를 잡을 수도 있고요. 뭐 다 연구가

됐던 비용 함수들입니다. 아까 말했지만 비용 함수들은 되게 다 엄청

다양해요, 여러분. 당연히 여러분 그 이것도 연구 많이 돼 있어요. 통증을

최소화하는 비용 함수도 있어요. 이것도 연구가 잘 돼 있어요.이 비용

함수들을 갖고 예측한 시뮬레이션이라 실제 수행자들이 보이는 운동 그

경향성이라 거의 일치를 해요.이 모델 설명력이 굉장히 높아요.이이

비용 함수들은 다 그런 식으로 연구가 됩니다. 설명력이 굉장히 높아요.

물론 이제 다이나믹 시스템 이론 쪽에서는 야 이거는 설명력만 높은

거지. 이게 원리냐? 이거는 우리가 만든 설명일 뿐이야라고 이제 말을

하는데 일단 계산 신경 과학에서는 이제 어쩔 우리가 설명력 높은데 어쩔

거예요? 우리 네이처에 사이언스에 논문 올리는데 이런 입장이거든요.

이제 그런 차이가 좀 있고요. 아무튼 이렇게요 비용 함수들에 적용되는

가중치의 변화를 통해서이 가중치들을 매개 변수 삼아서 목표로 하는 비용

함수들의 총합값을 감소시키는 방향으로 우리의 뇌가 움직임 제어와 제어 계획

수정을 성취한다는 것이 바로이 최적 피드백 제어 이론의 이제 핵심이라고

말씀드릴 수 있는 겁니다. 이렇게 우리의 뇌는요. 그 노이즈와

노이즈의 영향을 최소화하는 제어 전략을 이제 찾아가게 된다는 거예요.

이걸 좀 더 구체적으로 말하면요. 계산신경 과학의 관점에서 더 깊이

들어가서 구체적으로 말하면 노이즈가 크고 그 노이즈의 영향이 큰 것으로

판단되는 주어진 과제의 목표에 부합하지 않는 오류를 유발하는 신경

회로들을 실패한 자유도들을 하나씩 제거해 나가면서이 최적화를 향해

나가는 거라고도 이제 말을 할 수가 있습니다. 이제 다이나믹 시스템 이론

믿는 분들은 지금이이 말에서 엄청 활짝 버튼이 눌릴 거예요. 잘들을

지운다고. 신경 효들을 하나씩 제거해 나간다고. 왜냐면 이제 보통 우리가

뭐 자유도 동결, 자유도 감소 이런 단어들을 쓰는데 다이나믹 시스템 이론

분야의 대장인 마크라타 씨가 되게 세게 강조하는 거 있거든요. 자유도는

제거되지 않는다. 재약되는 거고 확률 구조가 바뀌는 거지. 경향성이

바뀌어지는 거지. 자유도는 본질적으로 제거되지 않는다.라고 이제 말을

합니다. 그 제약된 거지. 제거된 건 아니라고 이제 말을 해요. 라타

씨가이 말을 들으면은이 실패한 자유들을 한씩 제거해 나가면서

최적화를 하는 거라고 하는이 말을 라타 씨가 들으면은 아 극대노 하실

겁니다. 자 여러분 이제 여기서 여러분 이제

여기서 자유도 문제와 비제어 다양체에 대해서 설명을 하고 가야 될 거

같아요. 그래야 이제 여기서부터 이제 뒷다를 최소 개입의 원칙이라든지

최적성 안정성 교환 법칙이라든지 최적성 민첩성 교환 법칙 같은 이런

최적화 최적화와 관련된 더 깊고 풍부한 이야기들을 이어갈 수가

있거든요. 네. 그래서 이번에는 비제어 다양에 대해서 한번 알아보도록

하겠습니다. 그

이거는 제가 강의에서 워낙 많이 다룬 내용인데 네러분

비제 다양체는 지금 여기 이제 오른쪽에 보이시는이 국제 모터 컨트롤

학회 전 회장이셨던 마크 아타 씨이 마크라타 씨 교수를 통해서 운동제어

연구분야에서 엄청 유명해진 분석 방법이거든요.이

이 비제어 다양체 분석법을 한마디로 정리하자면 이렇게 말할 수 있어요.이

비저양체 분석법은 시너지로서의 우리의 움직임 가변성의 안정성을 정량화하는

주어진 과제의 목표에 부합하는 과제 특이적 안정성을 정량화하는 분석

방법이다라고 한마디로 정리를 할 수가 있습니다.이

비전 대한체 분석법은요. 설명을 하라고 하면은 여러분 손가락 두 개만

있으면 설명을 할 수가 있어요. 자 여러분 여기에 이제 오른쪽 검지

손가락과 왼쪽 검지 손가락이 이렇게 두 개가 있죠.

그리고 이제 여기 보시면은 이제 두 개의 압력판이 있습니다. F1, F2

두 개의 압력판이 있는데 지금부터이 두 압력판들을 각각 눌러서이 두

압력판을 누르는 힘의 합을 10N에 맞춰 보라라는 어떤 과제를

부여받았다고 이제 가정을 해 보자고요. 여기 보시면이 두

압력판들은 각각이 압력판들을 눌렀을 때 몇 뉴턴의 힘으로이 압력판을

누르는지를 숫자로 시각화해서 보여주는 장치가 연결이 되어 있습니다.

그래서이 두 암전판을 각각 몇 뉴턴을 누르는지이 두 압전판을 누르는 힘의

합이 10N인지를 확인할 수가 있다고 보시면 돼요. 자, 그러면은이 두

압력을 누르는 힘의 합을 10N에 맞춰 보라라는이 과제 상황에서 여기서

우리가이 두 손가락 힘의 합이 10N이 되게끔 하는 가능한 힘의

조합으로서는 무엇을 이제 말을 해 볼 수가 있을까요?

쉽죠? 5N + 5N 될 거고 6N + 4N 될 거고 뭐 7 + 3, 8

+ 2, 9 + 1, 10 + 0 그리고 그 반대도 될 겁니다. 자,

이렇게 하면 여러분 총 11개의 조합 가지수가 11개의 경우의 수가 나오게

되는데요. 그 편의상 지금부터는 11개의 조합 가지수 경우의수라고

하는 용어를 그냥 11개의 자유도라고 하는 이름으로 이제 치원해서

쓸게요.이 이 분야에서는 뭐 경우의수, 조합 가주수, 자유도 이거

다 동역으로 쓰고 있기 때문에 이런 용어 치원이 큰 문제는 되지 않을

거예요. 지금부터 그냥 자유도라고 할게요. 자, 그런데 이제 여기서

재밌게도 여러분 이렇게 구한이 11개의 자유도들을

2차원 평면 그래프 위에 각각 하나의 점으로 이렇게 일일이 다 표시를 하게

되면요. 여기서 우리는 아주 아주 재밌는 수학적 현상을 하나 볼 수가

있게 됩니다. 자, 여러분, 2차원 평면 그래프

위에 표시를 하려면 일단은 x축과 y축을 이제 정의해야 되겠죠. 먼저

여기 아래 x축은 오른쪽 검지 손가락으로 압력을 누르는 힘을

0N에서 10N까지 표기를 하고요. 그리고 여기 Y축에는 왼쪽 검지

손가락으로 압력을 누르는 힘을 0N에서 10N까지 이제 표기를 해

보죠. 여러분 이렇게 하면 이제 2차원 평면 그래프의 상태 공간이

생겨 났으니 이제 아까 전에 구했었던 11개의이 자유도들 11개의

조합들을이 위에 하나씩 다 점으로 찍어 볼 수가 있겠죠. 한번 더 찍어

보자고요. 이렇게 11개의 자유도들을 방금 전에

구했었던이 유효한 11개의 자유도들을 1일 다이 위에 점으로 찍어 보면요.

여기서 우리는이 2차원 평면 그래프 위에서이 11개의 자유도들이 전부이

y축의 10N에서부터 x축의 10N까지 이어지는이 음의 기울기를

가진 실선 위에 단 하나도 빠짐없이 모두 완벽하게 1렬로 정렬하는 것을

볼 수가 있게 됩니다. 신기하죠, 여러분?요

음의 기울기를 가진 실선 있죠? 여기에 뭐가 있어요?요 공간.이 음의

기울기를 가진 실선.이 공간을 좀 우리가 눈여겨 볼 필요가 있습니다.

평범한 공간이 아니에요. 일단 뒤에서 다시 언급하도록 하죠. 자, 그럼

여러분, 그럼 방금 전에 우리가 구한이 11개의 자유도 있죠?이

11개의 자유도 어, 누군가에게는 너무 많은 것일

수도 있고도 누군가에게는 너무 적은 것일 수도 있잖아요. 그죠? 그래서

이건 관점에 따라 다를 건데 어 누군가는 아니 주어진 과제 목표에

부합하는 자유도가 하나만 있으면 되지. 최적화된 거 하나만 있으면

되지 뭐야 이렇게 많아야 돼?라고 생각하시는 분도 있을 거란 말이에요.

반대로 11개가 많은 거라고 생각하시는 분들도 있을 수 있고요.

자, 하지만 여러분 지금부터는 아마 모두가 너무 많다고 느끼게 될

거예요. 모두가. 왜냐하면 봐봐요. 우리가 방금이 11개의 자유도 어떻게

구했죠? 어떤 수들의 조합으로 구했어요?

5 + 5, 6 + 4, 7 + 3, 8 + 2, 9 + 1 이런 정수요

정수들의 조합으로 구했단 말이에요. 그다음에 이번에는이

조합에 10N 맞추기라고 하는이 조합에 쓰이는 숫자를요.

정수가 아닌 소수점짜리까지 확장을 해서이 가능한 조합 가지수 자유도의

수를 구해 보면 어떻게 될까요? 그럼 과연 여러분 몇 개의 자유도가

나오게 될까요? 예, 당연히이 조합에 쓰이는 수들을

소수점짜리까지 확정을 하게 되면 가능한 조합 가지수 자유도의 수는

무한이 됩니다. 무한. 자, 그리고 이거 재밌는 상황인데요.

고작 손가락이 두 개.이 이 두 개의 운동 변인만이 참여하는이 간단한

과제에서 우리는 무려 무한개나 되는 자유도의 발생을 목격할 수가 있게

되는 겁니다. 그리고 한 수를 더 떠서 더 흥미로운 건 뭐냐면요.

이렇게 새로 구해진이 무한계의 자유도들 역시 방금 우리가 봤었던

2차원 평면 그래프 위에 있는이 은의 기울기를 가진 실선 위에 단 하나도

빠짐없이이 무한계가 모두 완벽하게 일렬로 정렬을 하게 된다라는 거예요.

사실 수학 아는 사람은 입장에서선 당연하죠. 예. 당연히 선은 무한한

점의 연속이니까 하나의 상태를 하나의 점으로 환원시킨 그 시점에서부터

이미이 그래프 안에는 무한한 상태들이 찰 수 있는 그런 발판이 마련되어

있습니다. 자, 근데 이제 여러분이 음의

기울기를 가진 실선에 이제 우리는 이름을 붙여 주고이 공간이 가진

특성이 무엇인지를 규정할 필요가 이제 있어요. 여러분이

공간의 이름이 바로 비제어 다양체 공간 un controlled

maniface입니다. 그리고이 비제어 다체 공간의

정체는요. 바로 주어진 과제의 목표에 부합하는 가능한 모든 성공적인

자유도들의 집합 공간 즉 솔루션 공간이에요.

자, 그리고이 비어 대상체랑 같이 봐야 할 중요한 공간이 또 하나

있는데요. 이렇게 보이시죠? 자,이 비제어 대한체 공간이 주어진

과제 목표에 부합하는 모든 성공적인 자유도들의 집합 공간이라면이

비제어 대한체 공간에 해당되지 않는 그 외에이 모든 파란색 공간들 모든

파란색 공간들은 주어진 과제의 목표에 부합하지 못한 실패한 자유도들의 집합

공간이겠네요. 네.

그래서이 실패한 자유도들의 집합 공간이 공간의

이름을이 비제어 다체 공간에 직교한다고 해서 직교 공간 오소

스페이스라고 부릅니다. 자, 그럼 이제 여러분 이런 질문을

해 보죠. 여러분, 이렇게 주어진 과제 모프에 부합하는 성공적인

자유도들의 수가 많은 것은요 과연 나쁜 것일까요, 좋은 것일까요?

네. 자유도가 이렇게 많은 건 과연 자유도가 과하게 많은 것일까요?

아니면 자유도가 풍요로운 것일까요? 풍부한 것일까요?

네. 저는 어 누가 답변하셨어요? 헤헤.

봐야지. 풍요롭다. 경록쌤 풍요롭다라고 해

주셨어요. 네. 풍요로운 거죠. 네. 풍요로운 거. 이거는 좋은

것이라고 자유도가 과한게 아니라 풍요로운 것이라고 말씀드릴 수

있겠습니다. 왜죠? 왜 좋은 걸까요? 왜

풍요롭다고 하는 걸까요? 설명드릴게요.이

제가 많이 드는 예시인데요. 자동차 공학을 이제 예시로 쉽게 설명드릴 수

있을 것 같아요. 제가 자동차를 운전해서 집에 가고 있어요. 자, 그

집에 가고 있다고 운전을 해서 집에 가고 있다 가정해 보자고요. 저

면허는 없지만. 자, 근데 앞에 어떤 덤프 트럭이 갑자기 딱 정찰을 해

있어요. 그러면 어, 저 뒤늦게 발견해 가지고 브레이크를 딱 밟아서

차를 정차시키려고 합니다. 정지시키려고 합니다. 근데 이때 내가

밟는이 브레이크에이 브레이크를 구성하는 주요 부품 하나가 고장이 나

버렸네요. 그래서 브레이크가 고장 나서 말을 듣지 않아요. 그러면

어떻게 될까요, 여러분? 정지를 안 하면 그대로들이 받고 사고가 나겠죠?

자, 여기서 여러분 이런 질 이런 생각을 해 볼 수 있는 겁니다.

그러면은 내당초 이렇게 브레이크가 좀 고장이 나더라도 사고가 안 나게끔 할

수 있는 어떤 장치가 없을까? 어떤이 애당초 사고가 절대 날 수

없게끔 하는 이런 방지 차원의 기능이 없을까? 네. 그래서 한번 이제 이런

생각 해 볼 수 있습니다. 만약에이 브레이크의 주요 부품이 고장이 났을

때이 부품의 기능을 대신할 수 있는 여분의 부품들이 두 개 내지 세

개가이 브레이크 내에 중복적으로 추가로 장착되어 있다라면 내장되어

있다라면 어땠을까요? 그래서이 주유 부품의 하나가 모종의 이유로 고장이

나서 작동하지 않을 때도이 다른 여분의 부품들이 그 기능을 즉각적으로

대신해 준다라면 그럴 수만 있다면 내가이 브레이크를 밟았을 때 내가

원했던 대로 차가 제대 멈출 확률이 더 높지 않았을까요?

그렇죠? 예. 여러분 자동차 공학 분야에서는요. 어 실제로 이런 식의

설계를 합니다. 이렇게 브레이크 장치 내에 주요 부품들을 2중 3중으로

중복해서 넣은 거를 브레이크 리던시 다중화 기술 리던시 설계라고

부릅니다. 자 여러분 한번 생각해 보세요. 여러분이 차를 둘 중에 하나

살 건데 A사의 자동차는 브레이크에 이러한 다중화 기술이 2중 3중으로

적용되어 있고요. B 자동차에는 브레이크 내이 다중화 기술이 없어요.

그냥 부품 하나만 딱 있습니다. 그러면 과연 여러분이 두 자동차를 둘

중에 하나 샀을 때 어떤 자동차가 더 브레이크를 밟았을 때 차가 멈출

확률이 더 확실하게 보장이 될까요?이 둘 중에 어떤 차가 더 안전한

차일까요? 브레이크만 가지고 봤을 때 어떤 자동차가 브레이크가 고장이 나서

사고가 날 확률이 더 낮을까요? [음악]

당연히 브레이크 부품의이 중복화 브레이크 리던시가 2중 3중으로

적용된 A4의 자동차가 브레이크를 밟았을 때 우리가 원하는 대로 차가

정지할 가능성이 확률이 더 높을 겁니다. 그렇게 되면 이제 브레이크

고장으로 사고가 날 걱정이 없겠죠. 자, 여러분 이뿐만이 아니에요.

자동차 공학뿐만이 예시가 다 전부가 아닙니다. 이번에는 제가 이제 집에서

나와서 센터로 출근을 나가는 길이라고 가정을 해 볼게요. 평상시 집에서는

제가 9시에 나오고 뭐 센터에는 10시까지 도착해야 된다고이 한시간

정도의 시간이 필요한다고 이제 생각을 해 보죠. 그 딱 한시간 걸린다고

가정해 볼게요. 그리고 제가 이제 집에서 나와서 센터까지 출구를 해서

가는데이 딱 한시간이 걸리는 내가 늘 이용하는

버스 지하철 도보 이동에 조합이 있다고 가정해 봅시다. 제가 늘

이용하는이 조합이 있다고 가정해 볼게요. 자 그런데 어느 날 버스가

파업이 나 버렸어요. 버스가 안 옵니다. 그럼 저 어떻게 될까요?

버스 타고 지하철 탄 다음에 도보 이동해야 딱 한시간 나오는 최적이

경로했는데 버스가 팝돼서 안 와요. 그러면은 저 지각할 수도 있겠네요.

그렇죠? 근데 여러분 만약에 이때이 버스를 대신할 수 있는 다른 교통

수단, 다른 이동 수단을 제가 이용할 줄 안다면 어떻게 될까요?

바로 제가 어플로 택시를 부를 수 있다든지 바로 어플로 주변에 전기

자전거를 이제 탐색해 가지고 그걸 바로 타서 지하철까지 빨리 간다든지

아니면 제가 좀 달리기 능력이 좋으면은 그냥 여기까지 달려서

간다든지 이런 다른 대체 수단으로이 버스의 공백을 즉각적으로 제가 대체할

수 있다면 버스가 오지 않더라도 출근 시간을 지각하는 일을 면할 수가 있지

않을까요? 그렇죠? 이처럼이 세상은요. 항상 우리가

예측하기 어려운 수많은 변인들로 인해서 그리고 우리의 내부와 외부

모두의 늘 산재에 있는 그 수많은 노이즈들의 영향에 의해서 우리가

우리가 원하는 미래로 나아가는 것을 방해하곤 합니다.

때문에 이러한 노이즈와 외부의 이제 섭동 방해들을 고려를 한이

자유도로서의 보험이 이제 필요하다고 말할 수 있는데요. 주어진 과제

목표에 도달하는 경로들을 우리가 가능한 다양하고 다체롭게 풍요롭게

많이 알고 있다면 바로 이러한 불확실할지도 모른이 불확실한 미래를

확실한 미래로 바꿔 줄 수가 있게 된다라는 겁니다. 그러니까

확실성으로서의 안정성을 보장받을 수 있다라는 거예요. 하나의 주어진 과제

목표에 도달하는 성공적인 솔루션들을, 성공적인 경로들의 수를 내가 더 많이

알고 있으면 많이 있을수록 확실성으로서의 안정성이 보장된다는

겁니다. 기계적 안정성이나 완전 다른 의미에서의 안정성이죠.

여러분 당연히 이러한 논리는요. 대중교통이나 자동차 공화계만 통하는

논리가 아닙니다. 당연히 이런 논리는 우리의 움직임 제어 상황에도 동일하게

적용됩니다. 실제로

국제 모터 컨트롤 학회의 전회장이었던이 마크라타시 교수도 이런

발언을 한 적이 있죠. 비어 다체 공간 내에 있는요

리던던시로서의 잘도 중복 중복을 리던시로 합니다.이

비저 공간 내에이 많은 양의 자유도 분산 중복을 가지면 피할 수 없는

내부와 외부의 노이즈이 섭동들로부터이 수행의 안정성을 보장받을 수 있다라고

말하고 계시죠. 즉 하나의 운동 목표에 성공적으로

도달하는 길이 자유도가 하나일 때보다는 여러 개일 때 우리가 외부의

섭동과 내부의 노이즈를 이겨내고서 운동 목표에 성공적으로 도달함에

있어서 더욱더 확실성을 확실성을 쓰여 안정성을 높여 준다라는 정리가

가능하다라는 것입니다. 이게 바로 비제 다체 분석법이

우리에게 전해주는 교훈인 거예요. 네.

자, 그럼 이제이 비어 대한체 분석법이 실제로 어떤 식으로 정량화

되는지도 볼 필요가 있는데요. 간단합니다. 여러분 수행자에게

하나의 과제를 여러 번 수행하게 하세요. 그러면 여러 개의

자유도들을이 제어 공간 위에 하나의 톡톡톡톡 점으로 찍을 수 있겠죠.

그렇게 이렇게 여러 점들을 찍다 보면 이렇게 구름 같은 분포가 다양한 분산

분포들이 나오게 될 건데요. 이때이 분산의 크기를 보는 겁니다. 분산의

크기. 이 분산이 어느 방향으로 크게 퍼져

있는지를 보는 거예요. 그러니까이 분산이 갖는 비제어 다체 공간

방향으로의 크기와 직교 공간 방향으로의 크기가 있을 거잖아요.이

비제어 다양체의 공간 방향으로의 분산 크기를 직교 공간 방향으로의 분산

크기로 나눌 수도 있고요. 아니면 이제 더 보다 더 정규화된 값을 얻기

위해서 연구에서 많이 쓰는 건데 비제어 다양간 방향으로의 분산

크기에서 직교 공간 방향으로의 분산 크기를 빼고 거기에 전체 분산의

크기를 나누는 방법도 있습니다. 이렇게 해서 나오는 값을 아무튼

시너지 지수 델타 V라고 하는데요.이 이 시너지 지수 델타 V가 크면

클수록 해당 시스템은 주어진 과제 목표에 부합하는 성공적인 자유도및

솔루션들을 더 많이 확보하고 보유하고 있는 시스템이며 따라서 보다 더

유연하고 안정적으로 주어진 과정을 성취할 수 있는 그런 잠재성을 가진

시스템이라 봐을 수가 있게 되는 겁니다. 뭐 물론 이제 이렇게 그냥

돈 사는 시각적 구조만으로도 한 눈에 어떤 사람이 움직인 가변성이 더

시너지 지수가 높은지가 이제 보이기도 해요. 결국에는이 직교 공간

방향으로의 분산의 크기가 줄어들면 줄어들수록

그리고이 비제어 다양간 방향으로의 분산의 크기가 얘보다는 얘처럼 이렇게

커지면 커질수록 시너지 안정성이 확실성으로서의 안정성이 더 커진다라고

볼 수 있는 겁니다. 시스템이 더 유연하게 주어진 과제 목표를

안정적으로 성취할 수 있는 능력을 가지고 있다라고 볼 수가 있게 되는

겁니다. 이제 여러분요 비양체 분석을 이제

얘기를 한 이유가 이제 여기서 다시 계산 신경 과학을 이제들이 될 수

있어요. 사실 이거는 다이나믹 시스템 이론에서 많이 쓰는 방식인데 계산신경

과학 분야에서도 지금이 비제화 다연체 분석이랑 비슷한 분석 방법을 하나

쓰거든요. 사실 원래 비제 다연체 분석은 공학에서 나왔었어요.이

1990년도에 처음으로 인간 움직임에 적용이 됐었던 거고 원래는 공학

분야거라써 가지고 어 지금 TNC 코스트라고 하는 분석 방법으로 유사한

분석을 하나 하는데요. 이제 여기서이 비어 단어체 분석법 위에다가 계산신경

과학 분야의 개념인니멀 인터션 princi플 최소 개입의

원칙을 덧ัญ될 수 있습니다. 자, 여러분 앞서서 최적 피드백 제어

얘기할 때 마지막쯤에 우리의 뇌가 제가 불필요한 신경 경로와 자유도를

제거해 나가는 방식으로 제어의 최적화를 일어난다고 했잖아요. 바로이

비제어 다양체 공간 방향으로의이 자유도들은 그대로 남겨 두고요

직교 공간 직교 공간 방향으로의 자유도들을이 쓸모없는 자유도에

대응하는 신경 회로들은 쓸모가 없으니까 이것들을 제거해 나가는

방식으로 이렇게 쳐내 가지고이 제어의 최적화를 잃어낸다라는 것이

바로 최적 피드백 제어 이론과 거기에 이어지는 최소 개입의 원칙 칙이라고

하는 것입니다. 그까 주어진 과제 모프에 부합하는 성공적인 자유도는

남기고 저장하고 나머지는 지워 버린다. 쓸데 없으니까 가종치 다 빼

이렇게 되는 겁니다. 이게 바로 최적 피드백 제어 이론의 활용 점정인 최소

기배의 원칙이에요. 자 그리고 또 하나 있는데요. 제가 앞에서 이제

예시를 들 때 손가락으로 압력판을 누르는 희무의 합으로만 예시를

들었는데요. 뭐 x축, y축에 들어갈 요소 변인에다가 막 관절의 각도라든지

근육의 활성 수준 넣을 수 있어요. 실제로 그런 연구들 많이 있고요. 뭐

지금 이렇게 팔기 같은 경우에는 흉추, 어깨, 팔구벌 넣을 수도 있을

거고 이런 식으로 이제 요소 변인을 두 개가 아니라 세 개를 넣어 가지고

비제어 다양체 공간을 형성할 수도 있습니다. 그러니까 뭐 과제가

스쿼트면은 발목, 무릎, 고관절을 넣을 수도 있을 거고요. 아니면은

각각의 척추 분절들의 움직임들을 이제 넣을 수도 있을 거예요. 이런 것들의

조합으로서 움직임을 하나의 자유도를 설명할 수 있을 거고 이러면은 이제이

각각의 관절들,이 분절들의 조합으로서의 시너지를 설명할 수가

있고 이것들 사이에서 일어나는 모든 긍정적인 보상 작용과 부정적인 보상

작용까지 전부 설명할 수가 있겠죠. 그리고 해당 보상 작용, 해당

자유도들, 해당 운동 제어가 주어진 과제 목표에 부합하는 것인지 안 하는

것인지도 이제 논할 수가 있게 돼요. 자, 그것들을 이제 단순히 설명하는

걸 넘어서 정량하고 연구할 수도 있게 되는 겁니다. 이게 기재와 다양법의

힘이죠. 여러분 실제로 이런 식의 시너지 연구는요.이

관절간 시너지뿐만 아니라 근육간 시너지 심지어는 근육 내 시너지이

운동 단위 수준까지도 이제 시너지 용구가 다 되어 있거든요. 여러분이

생각한 거보다 훨씬 더이 분야 연구가 많이 되어 있어요. 또 어떤 병적인

조건에서 이들 사이에 시너지가 감소하는지

어떤 긍정적인 조건에서이 시너지가 더 증가하는지까지도

피로가 시너지에 미치는 영향, 통증의 시너지에 미치는 영향다. 다 연구 다

돼 있습니다. 이런 식으로 그 연구가 다 돼 있는데 또 실무에서 써 먹을

만한 더 자세한 이야기들은 제가 6주차 때 설명해 드릴게요. 여기서

다 뽑아 버리면 안 되니까. 그 제가 6주차 때 할 말 없잖아요. 예.

자, 근데 여러분, 이제 여기서 아, 또 한번 관점이 크게 갈립니다. 이제

나와요, 여러분. 바로 최적화대 중복화, 최적성대 안정성의 관점이

이제 분기가 되는 건데요. 그 최적화대 중복화, 최적성대

안정성의 이제 대결 구도입니다. 여러분,이 비저체 이론에 따르면

시스템의 유연성 및 안정성은요.이 비제어 다양간 내에 더 큰 자유도

분산을 가짐으로써 얻어질 수 있는 거죠. 그렇죠? 자, 여러분, 그런데

분명이 안에서도 토탈 비용을 최소화하는

최대 수준으로 최적화된 가장 효율적인 최적화된 지점이 분명히 있을 거예요.

여기 빨간색 동그라미 옵티멀 옵티멀 포인트가 분명히 있을 거란 말이에요.

그렇죠, 여러분? 보통은 여기이 비자 단체 공간의 중앙에이 옵티멀 포인트가

있습니다. 여기가 이제 바로 그 지점인데이

주어진 과제의 목표를 이루면서도 최대 수준으로 극한으로 최적화된 가장

에너지를 아낄 수 있는 가장 효율적인 가장 균형이 잘 잡힌 지점이 있다는

겁니다. 예. 그렇다면 오히려 비어 다체 공간 방향으로의 분산까지도 다

줄여 가지고 이렇게 최적 구간 근처에만 자유도 분산을 가지는

방식으로 우리의 운동 시스템이 움직임 시스템이 최적화를 극대화하는이

최적화를 극대화하는 제어 적응이 가능하다라는 거예요. 근데 여러분,

그렇게 되면요 해당 시스템은요 효율성을 얻는 대신에 최적성을 얻는

대신에 안정성과 유연성을 잃게 된다는 걸 알

수가 있게 됩니다. 여러분 아까이

시너지 지수 비제어 다양체 분석에서 말하는 확실성으로서의 안정성으로서의

시너지 지수 어떻게 구했어요? 비제어 다체 공간 방향으로의 분산의

크기와 직교 공간 방향으로의 분산의 크기의

상대적 차이로서 시너지를 얻는 거였잖아요. 근데 최적화 한 답시고

요것까지 줄여 버리면 시너지 지수 떨어집니다. 실제로 잘를 요쪽으로밖에

안 갖고 있으면은 해당 시스템은 시스템의 유연성이 없어요. 떨어지게

됩니다. 시스템이 추할 수 있는 행동 레퍼토리의 다양성도 떨어지게 됩니다.

자, 따라서 여러분 시스템이 최적성, 효율성을 얻으면요. 위연성, 안정성을

잃게 된다는 걸 알 수가 있어요. 반대도 마찬가지입니다. 시스템이

유연성과 안정성을 얻으려면 최적성을 효율성을 포기해야 됩니다. 실제로

이거는요. 공학 분야에서도 아주 오래 전부터 내려왔던 딜레마예요. 해결이

불가능한 딜레마예요. 그냥 완전 배타적인 문제거든요. 어떤

시스템이든간에이 효율성을 얻으면 확실성, 안정성,

유연성 버려야 돼요. 확실성과 안정성을 반대로 또 얻으려면 효율성

버려야 됩니다. 최적성을 버려야 됩니다. 여러분 이게 생물학적 제어

시스템에도 그대로 적용이 됩니다. 그래서 여러분, 이게 바로 최적성

안정성 교환 법칙입니다. 물론 이제 당연히이 둘 사이에 중간

지점인 절충하니 중도가 존재하긴 하는데요. 그래도이 중도가 꼭 늘

답인 것도 아니에요, 여러분. 어 그래서이 부분에 하는 저는 우리

실무자분들이 운동 수행자의 특성과 그 수행자의

운동 목적 히스토리를 이제 다 잘 고려를 해 가지고 적절한 의사 결정을

내려야 하는 구간이라고 생각을 하고요. 그러니까이 수행자가이 사람이

과연 효율성, 최적성을 극대화해야 하는 사람일지 아니면 중복성,

확실성, 유연성, 안정성을 극대화해야 하는 사람일지를

아니면 뭐 딱히 리스크는 없으니까 적당히 둘 사이 절충하 취해도 될

사람인지를 우리 실무자들이 잘 보고 판단을 내려야 한다는 겁니다. 아,

그리고 하나 더 있는데요. 그러면이 최적성, 효율성이요.

안정성이만 교환되는게 아닙니다.이 이 최적성은요. 어질리티 민첩성이랑도

이제 교환 관계도 있어요. 민첩성 이거 얻으려면 다 잃는다는 소린데

이게 또 필요하다라면은 필요한 과제라면 이제 얻어야 되겠죠. 뭐냐면

여러분이 적어도이 비제어 다체 분석의 관점에서 어딜리티 민첩성은요.

봐봐요. 비어 단체 공간은 주어진 과제의 목표에 부합하는 성공적인

자유도들의 집합 공간이죠. 즉 주어진 과제 모프가 바뀌면 유효한 비제와

단연체 공간도 바뀝니다. 이렇게 바뀌어요. 과제 1에서 2로, 2에서

3으로. 그러니까 이런 거죠. 날아오는 공을 내가 달려가서

받아야 돼요. 그렇죠? 그리고 이걸 다시 내 팀한테이 공을 송구해서

패스를 해 줘야 됩니다. 자, 달려가서 받는다. 그리고 내 팀한테

다시 던져 준다라고 하는 세 개의 과제가 개열적 운동 기술로 연결되어

있죠. 이러면은이 경우에는 이제 민첩성이 요구되는 상황이라고 말할 수

있어요. 공이 어디로 날아올 줄 알고 그렇죠. 이런 이제 이런 불확실한

상황 속에서 확실성으로서의 안정성을 챙기면서도이 다양한 과제 목표를 다

이제 청취를 할 수 있는 그런 이제 유연의 행동 레퍼토리에 매끄러운

연결이 필요한 건데 적어도 비제어 다연체의 공간에서는이

민첩성이라고 하는 것은 이렇게 주어진 과제 목표가 바뀌에 있어서 이렇게

빠르게 재빠르게 하나의 비제어 다체 공간에서 다른 비제어 단체 공간으로

안정적이게 워프를 하는 능력을 를 민첩성이라고 이제 볼 수가 있습니다.

그러니까 이제 만약에 최적성이 너무 강조화 돼

가지고 얘가 워프가 되는 능력이 떨어지게 되면은 민첩성도 떨어질 수

있다는 거예요. 왜냐면 실제로 연구가 되어 있는데요. 여러분요

하나의 과제 안정성에서 다른 과제로이

원프하는 능력은요 뭐랑 연관이 있는 줄 아세요?

신기하게도 비제어 당체 공간 방향으로의 분산 크기랑 연관이 있지

않고 직교 공간 방향으로의 분산 크기

연관이 있어요. 그러니까

시스템이 일부러 스스로를 불안정하게 만드는 능력이 있어야

능하는 능력이 더 좋아진다는 겁니다. 시스템이 스스로 시스템의 시너지 기술

지수를 시너지로서의 안정성을 감소시키는 능력이 있어야 얘가 더 잘

워플 한다는 거예요. 근데 이제 이런 직간 방향으로의이

분산 크기가 아예 없이 완전 최적성으로 딱 다 박혀 있으면은 얘가

민첩성까지 이룰 수 있다라는 거예요. 물론 이제 당연히 유연성,

안정성으로서의이 녀석도 그런 의미에서 봤을 때 너무

직간 방향으로의 분상 크기를 너무 제약하게 되면은 얘도 민첩성을 잃게

되는 요인이 됩니다. 그래서 이런 의미에서 최적성, 안정성, 민첩성이

서로서로 교환 관계에 놓여 있다는 거를 알 수가 있게 됩니다.

그러면 여러분 그 여러분들의 수행자가 최적성 효율성이 필요한 사람인지

유연성 안정성이 필요한 사람인지 아니면은 민첩성이 필요한 사람인지 잘

구분을 해서 거기에 맞는 트레이닝을 거기에 맞는 자유도들을 허용을 해

줘야 되겠죠. 그렇죠? 우리 실무자들은 그렇게 접근을 할 수 있을

거예요. 아,이 사람은 민첩성이 좀 필요한 사람이야. 그럼 그 사람은

행동 레퍼터리를 우리가 5차 범위 크게 허용해야 될 거예요. 그렇죠?이

이 사람은 당장에이 정확하게 어떤 움직임을 해야 하는 사람이에요. 이걸

꼭 해내야만 하는 사람이에요.이 동작을 이렇게 해내야만 하는

사람이에. 그 사람은 효율성, 최적성이 필요한 사람이에요. 다른

자유도 다 잘라 버려 가지고 돌려내야 하는 사람입니다.

자, 이런 것들을 우리 시무자들이 잘 고려를 해서 들어가면 이제 좋겠다라는

겁니다. 자, 이제 여러분이 맥락에서 한 층

더 깊이 들어가 보려고 합니다. 한 층 더 한 층 더 깊이 들어가요.

이제 아직 여러분 우리 가변성 노이즈에 대한 이야기 안 끝났습니다.

그다음으로 다룰 이론이 뭐냐면요. 바로

우리 김승겸 선생님 연구동 대장님이 니콜라스 스털지오.이 이

니콜라스터지오가 만든 옵티멀 무브먼트 베리빌리티오리

최적 움직인 가변성 이론입니다. 여러분이 이론이 처음 등장한지도 벌써

이제 한 20년 정도 지났고요.이 이론은 이제 말 그대로 어떤 최적의

움직인 가변성이 존재한다고 이제 말하는 이론인 거예요. 그러니까

건강한 사람들에게서만 나타나는 초보자보다는 그래도 숙련자에게서 더

많이 나타나는 그런 최적의 움직인 가변성이 존재한다고 말하는 존재한다고

믿는 이론입니다. 혹시 김승현 선생님이 듣다가 저

이상한 거 보이면 짚어 주세요. 전 당연히 김승현 선생님만큼이 이론을 잘

이해하는 사람은 아니니까. 근데 저는 조금 이제 쉽게

설명할게요. 혹시 내가 잘못 말해도 이해해 달라는 전공자 친구들.

내가 잘못 말하는 거 있으면 바로 짚어줘. 숨겨 봐.

자, 근데 이제 어, 여러분,이 이론이 이름이 최적 움직인

가변성이라고 해서 이게 단순히 막 적당한 가변성이 좋다. 너무 큰

가변성보다 그냥 작은 가변성이 좋다. 중도가 짱이야. 이런 걸 말하는 그런

단순한 양적인 측면에서의 가변성을 다룬 이론이 아니라는 걸 여러분 좀

알고 있어야 합니다. 이게 여러분 이름이 말이 최적 움직인 가면성

이론이지 사실이 녀석을 까보잖아요. 그러면 차라리 이름이 최적 움직임

감성 이론이 아니라 최적 복잡성 이론이라고 최적 움직임 복잡성

이론이라고 부르는게 더 낫겠다라는 생각이 들 정도예요. 왜냐면 이제

여기서는이 움직인 가변성의 지표를 앞서서는 단순히 5차 범위 이런 거

얘기했었고 시너지 지수 비전 단체 공간 내에서의 자유도의 분산 이런 걸

얘기했죠. 지금 이제부터 여기서는 움직인 가변성의 지표를 프렉탈이랑

엔트로피를 보기 시작합니다. 프렉탈 엔트로피 그니까 프렉탈 지수 스케일링

지수 알파 엔트로피 샘플 엔트로피 근사 엔트로피 멀티스케일 엔트로피

이런 걸 보는 겁니다. 그이 프랙탈이나 엔트로피 지표들로 가변성의

양적인 측면만이 아니라 가변성의 질적인 측면들, 가변성의 복잡성,

적응성, 예측, 가능성, 질서도 이런 것들을 한 번에 다루는 이론이 바로이

최적 움직임 가능성 이론인 거예요. 자, 이게이 프렉탈과 엔트로피를으로써

가능해진다고 보는 겁니다. 여러분, 여기서이 프렉탈이랑 엔트로피는요.

실제로 복잡기 연구분해 되게 많이 쓰는 지표이기도 하고요. 어 아,이

말 해도 되나? 어, 또 프렉탈 지수 같은 경우에는 그나마 가장 유력한

복잡도의 지표라고 할 만한 것이거든요.

맞나? 그나마 가장 유력한

한 마디 해 주겠어요? >> 네. 어, 다음 주에 이제 제가 더

자세하게 설명을 하긴 할 건데 팩탈이 가까운 편. 예, 가까운 편이긴

해요. 가까운 편이긴 한데 다음 주에 좀 더 설명을 하긴 할 텐데

마찬가지로 복잡성이라는 그 성질 자체가 워낙에 정의 내리기가 어려운

그래서 또 문제가 좀 따라오는 그런 좀 면이 있는데 캐릭터이

엔트로피보다는 그래도 더 어떤 복잡성이 갖는 성질들을 더 많이

포착을 한다라고 보시면 좋을 거 같아요. 네. 그 외에도 뭐 잠깐만

더 보면은 이제 프렉탈이 있고 또 거기서 한 발 더 나아가서 다중

프랙탈이라고 또 있어요. >> 이제 멀티프탈리티라고 있는데

멀티렉탈리티 같은 경우는 프랙탈함이

스펙트럼으로 존재한다는 거예요. 그 한 시스템에. 그러니까 알파 지수라고

방금 그 원형성께서 잠깐 언급을 하셨는데 그 알파 지수가 한 시스템에

하나만 존재를 하는게 아니라 그게 한 스펙트럼으로 존재를 한다. 그래서

뭐이 스펙트럼의 넓이에 따라서 뭐 얼마나이 시스템이 또 얼마나 적응

가능한가 뭐 이런 것도 얘기를 하면서 그래서 뭐 그냥 하나의 프렉타일보다는

더 또 많은 것들을 더 이렇게 매포하기 때문에 뭐 요즘은 또

멀티프렉탈이 좀 더 복잡성을 더 잘 대변하지 않냐 약간 이런 얘기도

나오고 있는 추제입니다. 비교적 최근 얘기를 하면은음

저도 망설렸던게 물론 김승현 선님한테 배워서 저도 알고 있어서 망사였던

건데이 복잡성을 대표할 만한 하나의 지표가 과연 존재할까? 프렉탈이 많이

논해지고 있긴 한데 정말 프렉탈 하나로 복잡성 복잡도를 대표해서

정령하는게 가능한가? 그 외당초 복잡성이란 무엇인가? 이제 이런

얘기가 있다고 저도 배웠어요. 김승현 선생님한테요.

그래 가지고 약간 망설렸던 건데. 네.이

지금 김수현 선생님이 얘기를 들었으니까 오늘도 다들 감히 오시죠.

자, 일단은이 이론은 기본적으로 이런이 한계는 있지만 일단 한번 논해

볼 가치는 있어요. 그래서 일단은 제가 다음 시간 때 김승현 선생님께서

뭐 프렉탈, 엔트로피 이런 것들에 대한 더 자세한 설명을 해 주실

거예요. 저는 오늘 프랙탈과 엔트로피에 대한 수식, 수학식까지는

이제 논하지는 않을 거고요. 그래서이 프랙탈과 엔트로피에 대한 그냥 간단한

특성들만 짚고 넘어가려고 합니다. 그 특성들만 짚으면서이 최적 움직인

가변성 이론을 좀 말을 하려고 해요, 다들. 그래서 이번 시간에는 최적

움직임 가변성 이론는 좀 가벼운 마음으로 한번 봐 주시면 좋을 것

같아요. 자, 어,이어서 말하면 앞서 말씀드린

것처럼 최적 움직임 가변성 이론은 움직임의 가변성을

프랙탈 지수와 엔트로피의 조합으로 보는 이론인데요. 바로이 프랙탈

지수와 엔트로피의 적절한 조합으로서의 최적 움직인 가변성의 존재를 상정하는

이론이라 했죠. 그렇다면 여러분 프렉탈 지수가 뭔지 엔트로피가 뭔지

알아야겠죠. 자, 쉽게 말하면 여러분 프랙탈일

지수는요 시스템의 행동 레퍼토리가 갖는 적은 가능성 그 행동 레퍼토리의

다양성 및 풍부성 이제 이런 것들을 의미한다라고 말할 수 있을 것

같아요. 어, 다행이에요. 김승현 선생님께서 거기를 끄덕이 주셨어요.

복삭이라고 말하다가 지금 멈췄거든요. 제가.

자, 다시 프렉탈 지수는 시스템의 행동 레퍼토리가 갖는 다양성 및

풍부성, 적응 가능성을 정량한 지표라 보셔도 되고요. 엔트로피는이

시스템의 행동 레퍼토리가 갖는 질서도 예측 가능성을 정량한 지표라고 보시면

됩니다. 그니까 바로이 두 지표이 시스템의

적은 가능성과 질서도를 이제 관계 지어 보면 이렇게 역유자형의 관계가

나타나거든요. 바로이 역유자의요 위에 정점 여기이 복잡성이 최대가 되고

중간 정도의 예측 가능성 및 질서도가 나타나는 바로이 지점이이 지점이 최적

움직인 가변성 구간인 핑크 노이즈 구간이라고 이제 보는 거예요. 핑크

노이즈. 그이 그림은 이제 y축이 그냥 대놓고 컴플렉스트예요. 자,

이건 근데 스털오 논문에서 제가 따온 거예요. 네.

자, 아무튼요 역자의 정점인요 핑크 노이즈 구간이 바로 최적 움직임

다변성 구간이다라고 보는 겁니다. 그러니까 이제 이런 거예요. 여기

x축에서 왼쪽으로 넘어가면 시스템이 너무

예측이 불가하고 무작기적이어서 혼란스러워지는 겁니다. 엔트로피는요.

엔트로피는 샘플 엔트로피 같은 경우에는 최소 0에서 최대 2까지의

이제 값을 갖거든요. 0은 가장 엔트로피가 낮은 상태, 예측 가능성이

엄청나게 높은 상태를 말하는 거고요. 2는 2.0은 엔트로피가 최대로 높은

상태 엔트로피가 최대한 높은 상태 최대로 무질성한 상태라고 보시면

됩니다. 그래서이 엔트로피를 지금부터는 그냥 예측

가능성이라고 볼게요. 예측 가능성이 낮으면은 낮으면은 예측이 안 된다는

소리죠. 무질싸다는 뜻입니다. 반대로 너무 예측이 가능해요. 너무 질서도가

높아요. 엠트로피가 너무 낮아 가지고 질서도가 너무 높으면 너무 뻔한 이제

그림이 보이겠죠. 이렇게 사인파처럼 어느 쪽으로 가도이 x축의 왼쪽으로

가도 너무 무질서 가변성이 너무 커서 그건 또 최적 가변성이 아니라는

거고요. x축에 오른쪽으로 가도 시스템이 너무 딱딱해서 너무 가변성이

없어서 그건 또 최적 가변성이 아니라고 하는 그림인 겁니다.

그래서이 중간 지점의 이제 그림에서이 최적 가변성을 논해 보자라는 건데요.

근데 이거 사실 우리가 아까 오늘 강의 초반에서 본 그림이에요. 뭐냐면

바로 이겁니다. 여러분 질서가 너무 과하면 이게

딱딱한 사인파가 되는 거고 무질서가 과하면 아까 처음에 봤던이 난장판은이

노이즈가 랜덤 노이즈가 되는 겁니다. 그래서 그 사이 중간쯤이 바로이

지점이 질서와 무질서가 공존을 하는이 카오스 구간에 건강하고 안정적이며

유연하고 적응성이 높은 시스템의 특징으로서요.

최적 움직임 가변성 구간이 존재할 것이다라는게

바로이 최적 움직임 가변성 이론의 핵심 예측이라는 겁니다. 자, 실제로

처음이 이론이 제한되고 나서 이제 20년 지났습니다. 정말 많은

연구들이 있어 왔고요. 최근까지 이제 진행된 연 1년의 연구들을 보면

걷기, 달리기, 자세 유지, 뭐 스쿼트 같은 정화 운동 등등 이런

우리들한테 친숙한 여러 움직임 과제들에서 이런 역자형 패턴이 이제

발견이 되고 또 건강한 사람들이 질병을 가진 사람들보다이 역유자의

정점에 더 가까운 가변성을 보여 준다라든지 아니면 또 초보자보다는

숙련자들이 저 역유자의 정점에 더 가까운 가변성을 보여 준다는 등에 의

이런 여러 연구 결과들이 밝혀져 왔습니다. 이에 따라서 이제 최적

움직임 가변성 이론이 타동성이 점점 더 강해지고 있다고 볼 수 있는데요.

자, 근데 여러분 실무자인 여러분들이 궁금한 건 그게 아니죠.

아마도 실무자인 여러분들은 다들 이게 궁금할 거예요. 이거 어떻게 쓰는

건데? 나 실무에서 이거 어떻게 쓰면?이 이론이

가변성보다이 가변성이 좋다는 얘기가 아니잖아요.

지금 양적인 측면에서의 가변성을 논하는게 아니라고 했잖아요. 가변성의

질적인 측면을 지금 보자는 이론인 건데 질적인 측면도 보자는 이론인

건데 그거 실무에서 어떻게 보는 건데? 나는 실무에서 뭘 지표로이

이론을 써 먹을 수 있는 거야? 이게 궁금하실 거예요. 그렇죠? 실무에서

내가 어떻게이 최적 가변성을 식별할 수 있냐가 궁금하실 건데 일단은 제가

저도 실무자로서이 이론을 어떻게 쓸 수 있을 것인가 실무에서 어떻게

식별할 수 있을 것인가에 대해서 고민을 정말 많이 해 봤거든요.

그래서 제 개인적인 노하우를 이제 조금 전해를 드릴게요. 혹시 김승현

선생님께서 듣다가 아 그건 너무 좀 비약한 거 같은데요라는 생각이 드면

얘기를 해 주세요. 자 여러분 저는 일단은

확실한 거부터 봐야 된다고 말하고 싶어요. 확실한 거. 왜? 여러분

그도 그럴게 여기서 프렉탈 지수는 높으면 높을수록 좋은 반면에

엔트루피는 적당한 구간이라는게 존재하잖아요. 근데 여러분이 적당한

구간이 중간 지대로쓰의 엔트로피를 우리가 한 번에 식별하기가 어려워요.

현실적으로. 그렇죠. 그 개인 차가 있을 거고 과제별로 또 다를 거란

말이에요. 그 적절한 수준의 엔트로피, 적절한 수준의 질서도,

적절한 수준의 예측 가능성이라는게 식별하기가 어려운 거예요. 자,

그러면 높으면 높을수록 좋은 놈 하나만 보는게 낫다라고 봅니다.

저는. 그래서 우리가 우선적으로 봐야 할 건 바로이 프랙탈 지수가 높냐

낮냐라는 거예요. 그 사실이 프랙탈 지수 중에 하나는 스케일링 지수

알파의 특성만 봐도 엔트로페의 특성이 그 안에 담겨 있어요. 사실 어느

정도 담겨 있어요. 무질서냐 무질서에서 뭐냐 아니냐 정도의 그

특성은 이미 프렉탈에 담겨 있기 때문에 프렉탈만 봐도 프렉탈 관련

실무 지표만 봐도 실무자가 충분히 실무에서 써 먹을 수 있지 않나?

관련된 지표들을 관련된 식별을 할 수가 있지 않나라고 생각을 합니다.

자, 그럼 여러분 이러한 프렉탈 지수에 높고 낮으면 실무에서 어떻게

식별 할 수 있는 걸까요? 대게 프랙탈 지수는 추세제거 변동

분석법이라고 있어요. 디트렌디드 플럭에이션스

이제 통칭 DFA라고 하는 이제 분석 방법으로 스케일링 지수 알파라고 하는

이제 지표로서 이제 얻어지는데 자이 스케일링 지수 알파를 보통 0에서 1

정도를 우리가 한번 논해 봅시다. 그 이상의 값들이 있지만 0에서 1까지만

논해 보자고요. 보통 이제 사람은 0에서 1 사이에서 이제 나온다고

알고 있거든요. 그래서이 스케링 지수 알파가 0에서 1 사이까지의 값을

가질 때이 각 구간별로 독특한 특성들을 가지고 있어요. 독특한

특성들을 그 특성들을 가지고 아이 사람이 보이는 스케일링 지수 알파

프렉탈 지수가 낮을지 높을지를 우리가 추측을 해 볼 수 있다라는 겁니다.

자 예를 들어서 스케일링 지수 알파가 0.5가 나와요. 0도 아니고

1.0도 아니고 0.5가 가 나오면 완전한 무작기성 화이트 노이즈의

영역에 있다고 이제 봅니다. 그리고 또 만약에 스케링 지수 알파가이

0.5 기준으로 0.5보다 작으면은 시스템이 반지속성을 보이고 있다고

이제 보거든요. 블루 노이즈요 맨 아래 있는 블루 노이즈 영역에 있다고

봅니다. 그또 이제 반대로 스케일링 지수 알파가 0.5보다 보다 크면

시스템의 가변성이 지속성을 띄고 있다고 봐요. 핑크 노이즈 영역에

있다고 이제 봅니다. 이렇게 각 수치별로 드러나는 화이트 노이즈,

블루 노이즈, 핑크 노이즈 영역들의 그 명확한 특성이 있습니다. 스쿼트를

가지고 예를 들어 볼게요. 만약에 스쿼트를 하는데 만약에 스케링 지수가

0.5예요. 5예요. 따라서 움직임의 가변성이 완전한 무작기성을 뛴다면요.

여러분은이 수행자의 스쿼트에서 그 어떤 리듬도 포착할 수가 없게 될

겁니다. 그러니까 리듬이 질서가 없으니까 어떤 예측도 성공할 수가

없어요. 스쿼트를 수행을 하는데 첫 시도에서 무릎이 좀 외반이 돼요.

안으로 좀 모입니다. 그 이후 시도에서 우리가이 사람 무릎이 또

몰릴지 아닐지를 전혀 알 수가 없는 겁니다.이 이 사람이 그다음에 도대체

어떤 방식으로 어떤 방식으로 또 다른 오류를 범할지 전혀 예측이 안 되는

거예요. 완전 무자기하게.이 이 사람의 가변성이 커질지 작아질지

또 무릎을 외반할지 안 할지를 알 수가 없는 겁니다. 예측력이 너무

떨어지는 거예요. 확률이 된다 안 된다 엠방울로 떨어졌을 때가 예측

가능성이 가장 떨어지는 겁니다. 자, 이런 경우에는 해당 움직인 가변성이

화이트 노이즈 영역에 있다고 보게 됩니다. 스케일링 지수 알파 0.5

그 부분에 있다고 볼 수가 있는 겁니다. 근데 여러분 만약에 스케일링

지수 알파가 0.5보다 5보다 작아요. 따라서 움직임의 가변성이

반지속성을 뛴다라고 한다면 여기서 반 지속성이란

올라가면은 그다음은 내려가려고 하는 경향이 있고 내려가면 그다음 올라가려

하는 경향이 있다라고 이제 해석을 해 보시면 되는데 이렇게이 스케일링

지수가 0.5보다 5보다 작아서 해당 시스템이 반 지속성을 띄게 되면

블루노이즈의 특성을 띄게 되면 우리는 그 수행자가 스쿼트를 할 때 첫

시도에서 무릎을 외반한 뒤에 그다음 시도에서는 무릎을 벌리게 된다는 것을

높은 확률로 예측할 수가 있게 됩니다. 그이 사람의 실수가 계속

와리가리 하는 거예요. 근데 그 와리가리가 예측이 돼요. 무릎이 모인

다음에이 사람 벌려요. 벌린 다음에는 다시 모아요. 허리가 구부러진다면

다시 펴요. 핀 다음에 다시 구부려요. 이런 경황이 막 보여요.

그러면이 사람은 아, 반지속성을 보이고 있네. 블루노이즈의 특성을

보이는 거 같다. 스케일링 지수 알파가 0.5보다 낮은 프랙타 지수가

낮은 상태라고 이제 볼 수가 있는 겁니다. 실제로 여러분 이거

초보자들한테 되게 많이 나타난는 패턴인 거 아세요? 흔히 저희는 주대

없는 탐색 패턴이라고요. 주대 없는 탐색 패턴. 그 아 무릎 벌 벌리나?

아 너무 많이 벌렸네. 뭐 모자? 아 뭐 모 아 너무 많이 모았네.이 더

벌 벌려야 되나? 이거 주데 없는 탄습 패턴 벌릴 거면 벌리는 거 점점

점점점 이제 더 많이도 벌려보고 더 조금도 벌려보고 계속 이렇게 해 봐야

되는데 아뭐 벌리는 거 아니구나. 아 뭐 뭐 하겠다 하면서 확 모아 버리고

이제 이런 거 이런 주대없는 탐색 패턴이 초보자한테 많이 나오는

패턴인데 이게 이제 이런 블루노이즈 특성 영역이랑 약간 비슷비슷해요.

그러면 이제 또 한번 탐색했던 데는 좀 이따가 들리든지 해야 되는데 다시

가고 와리가리 하는 거죠. 정말 초보자한테 많이 나오는 패턴이에요.

자, 그러면 이제 스케일링 지수 알파가 0.5보다 커서 핑크 노이즈에

있다면 이제 어떻게 될까요? 핑크 노이즈에 있다면이 프랙탄 안정성이

가장 높은 상태죠. 지금 말한 것 중에는. 그렇게 되면 우리는 이런 걸

볼 수 있어요.이 핑크 노이즈에 있는 지속성으로서의 특성을 가지고 있다라면

여기서 말하는 지속성이라는 거는이 가변성의 어떤 특성이 중간중간에 좀

약간의 끊김이나 변동이 있더라도 특정한 경향성을 경향성을 가지고이

지속성을 가지고 이제 쭉 이어지는 그런 경향이 있다고 해석을 하셔도

되거든요. 그러니까 이런 거예요. 여기서 우리는이 수행자가 특정한

가변적 패턴을 쭉 지속적으로 보이다가 갑자기 다른 패턴으로 막 변해

버려요. 근데 그 패턴을 다시 또 쭉 지속하다가 어느 시점에서 다시 또

다른 패턴으로 변해 버려요. 요런 식으로 주어진 과제의 목표를 이루기

위해서 다양한 행동 레퍼토리들을 적절히 조합하고 배합하고 활용을 해서

적극적인 탐색 패턴을 보이는 등의 이런 굉장히 이제 다양한 행동

레퍼토리들의 부드럽고 매끄러운 연결들과이를 통한 적응력이 높은

패턴들을 볼 수가 있게 됩니다.이 핑크 노이즈 패턴에서는요. 예. 근데

이런 거예요. 다시 스쿼트를 보면 스쿼트를 되게 여러 개를 해요.

필요해지겠죠. 근데 스커트의 어느 시점에서부터이 사람이 올라오는 상승

구간을 위해서 초반 3사회는 엉덩이를 들쳐 올리는 패턴을 보이다가 그 이후

3회는 무릎을 외반시키는 패턴을 보여요. 그리고 그 이제 끝 무렵에

또 2, 3회 정도는 고개를 들쳐 올리면서 스쿼트로 올라오는 거예요.

그러니까 지금 세 개의 패턴을 썼죠. 엉덩이부터 들쳐 올리기, 무릎

가운데로 모압다가 벌리면서 일어나기. 그리고 고개 들쳐 올리면서 일어나기.

실제로 우리가이 스쿼트를 거의 실패 지점에 가깝게 고반복을 수행했을 때

많이 볼 수 있는 패턴이에요. 특히 우리가 좀 숙련된 트레이너들이 많이

보이는 패턴입니다. 자, 근데 이것도요 보시면은 핑크노이즈의

특성이라 보시면 돼요. 수행자가이 고반복의 스커트에서이 근육들에

누적되는 근피 피로를 피해서 사용하는 시너지 근육군들을

전략적으로 교대를 하고 변경을 하는 건강하고 자연스러운 유연한 적응적

패턴을 보이는게 바로 이런 핑크노이즈 영역에서의 특성이다.이 핑크노이즈의

특성으로서이 스쿼트에서 지금 이게 나타난 것이다라고 볼 수 있다라는

겁니다. 실제로 숙련된 크로스피터들도 숙련된 조정 선수들도 비숙련자보다보다

핑크노이즈 방향으로 랙타이즈가 더 높게 나와요. 근데 그 사람들의

특징이 뭐예요?이 이 사람들 특징은 자연스럽게 특정한 기술 행동

레퍼토리를 쭉 이어가다가 미묘하게 딱 패턴을 바꿨다가 다시이

패턴을 쭉 바꿨다가 이것도 또 바꿔서 이걸 유지하다가 또 바꿔서 유지하다가

싹 바꿔서 유지했다가 이렇게 계속 돌려 막아요. 그러니까 시너지 전략

돌려막기를 되게 매끄럽게 잘하는 사람들, 자연스럽게 잘하는 사람들이

이런 핑크 노이즈로서의 프렉탈 지수가 높은 특성을 가지고 있는 그런

사람들이라고 볼 수가 있는 겁니다. 이게 이게 프렉탈 지수가 높은 움직임

가변성이라고 볼 수 있는 거예요. 그러니까 그냥 이거 했다, 저거

했다, 이거 했다, 저거했다, 막 이렇게 막 돌면은 이거는 오히려 팩트

지수가 낮은 건데 어떤 거를 쭉 했다가

싹 바꾸고 또 진드간이 쭉 했다가 싹 바꾸고 근데 그 연결도 또 매끄럽다

이러면은 이거는 프렉탈 지수가 프렉탈 안정성이 높은 움직인 가변성이라고 볼

수가 있는 겁니다. 자, 여기까지는 여러회의 반복 움직임

가변성에서 그러니까 시도간 가변성에서 우리가 포착할 수 있는 정보예요.

이제 승현 선생님이 걱정하실 것 같은데 시도 내 가변성은 어떨까요?

그럼 1회 1회 수행 안에서의 가변성 얘도 가변성을 갖고 있잖아요. 근데

이거는 사실 연구가 제가 알기로 안 되어 있어요. 제가 좀 부주의하게

한번 좀 끼워 넣어 보면 블루 노이즈와 핑크 노이즈의 특성만 가지고

보면 우리가 이렇게 예를 들어서 덤벨 오버이드 프레스나 벤치프레스를 쭉

해요.이 핑크 노즈에 더 가까운 덤벨 오버이드 프레스나 벤치프레스는 그냥

부드럽게 쭉 밀릴 겁니다. 근데 블루노이즈의 특성을 가진 프레스는요.

약간 좀 이렇게 덜덜덜 된다든지 약간 진동하는 모습을 좀 보여 줄 거예요.

매끄럽지 못하고 부드럽지 못하고 진동하는 모습, 진동하는 그런 이제

고주파 패턴을 보일 거라고 저는 생각을 합니다. 근데 저는 이것도

이것도 제가 알고 있는 다른 연구 결과들을 조금 끼워 넣어서 생각해

보면 얘도 적응성이 낮아서 이런 진동을 하는 거 아닌가라는 생각을 좀

해요. 왜냐면 실제로 이런 식의 진동은이

다른 시너지 전략을 못 쓰고 동시 수축 전략밖에 못 쓸 때 특히나

근육의 피로 수준이 많이 누적이 됐을 때 나타나는 현상이거든요. 좀 이것저

끼워 넣어서 봤을 때 아 적응성이 낮은 지표가 아닐까? 고주파로 이제

프레스가 일어나는게 그래서 부드럽고 매끄러운 동작이 실제로 우리 노래도

그게 자연스럽고 더 숙련된 것처럼 보이는 어 보이잖 보이잖아요. 어

그래서 아마 이런 시도 내 가변성으로는 이렇게 보아도 되지

않을까? 시도간 가변성으로서에는 아까 전처럼 이제 해석을 해야 되고 이제

실무자로서는 저는 이제 이렇게 해석을 하고 있습니다. 그 승현 스님이

고개를 끄덕게 주시는데이 괜찮은 거 같아요.

>> 어, 네. 되게 괜찮은 거 같아요. 그

처음에 전래했던 거는 그 가변성이라는 거에 대해서 이제 어떻게 정의하냐에

따라서 이제 이거를 애초에 1회성 움직임이라고 하는 거를 이제 어떻게

정의하느냐. 회성과 반복 약간 이거에 따라서 또 이제 또 이렇게 좀

재정의를 할 수 있는데 예를 들어서 원형 선생님께서 말하신 그런 어 뭐

벤치프레스나 이런 웨이트리프팅 같은 경우에는 이게 이게 정말 그 동작으로

봤을 때 1회선 동작인데 근데 사실 그 안에서는 반복적인 이제 그 제어가

계속 이루어지고 있는 거잖아요. 무게 위치가 계속 제어가 되고 있는 그

반복적인 제어인 거잖아요. 이것도 결국에는. 그러니까 이게 이제 동작은

일성이지만 사실 그걸 쪼개 보면 사실 그 안에 또 반복적인 어떤 행동이

존재를 한다. 반복적인 어떤 현상이 존재를 한다. 그래서 그것의

가변성이라고 생각을 하면 이제 이것 또한 어떤 반복적인 패턴의

가변성이다라고 볼 수 있는 건데 원형 선생님께서 말씀하신 것처럼 제가

예측을 했을 때도 예상을 했을 때도 아마 초보자분들은 블루노이즈에 가까운

어떤 패턴을 보일 거예요. 블루노이즈가 이제 원생님 생께서

말씀하신 것처럼 높이 가면은 낮게 가려는 경향, 낮게 가면은 높게

갈려는 경향 이걸 이제 또 커티브 하다고 얘기도 하거든요. 그러니까

교정적이다. 수정적이다. 그러니까 처음 하는 사람들은 연행스 말한

것처럼 이제 계속 이제 왔다리 갔다리 하는 거예요. 주대가 없이 왔다리

갔다리 하는 거예요. 그러니까 자기가 맞는지 틀는지 모르니까. 근데 또

자기 나름의 어떤 과제 목표는 있거든요. 그러니까 그 과제 목표를

사이에 두고 계속 왔다 갔다 하는 거예요. 그러다 보니까 이제

교정적이라고 얘기를 하는 거거든. 그러니까 높이 쐈으니까 낮게 쏠려고

하고 낮게 쐈으니까 높게 쏠려 하는 근데 이제 숙련자들은 원형생스

말씀하신 것처럼 좀 더 부드럽게 아 뭐 높게 갔다가도 그냥 나중에 가서

낮게 한번 가보고 약간 이런 식으로 좀 더 부드럽게 유연하게 대처하는

능력처럼 보이게 돼서 이제 원형께서 말씀하신게 오히려 되게 잘 설명을

하고 실제로 어 이거는 따로 페이퍼를 쓴 건 아닌데 저랑 같이 연구실에

있던 친구 중에 한 명 리프팅을 되게 좋아하는 친구 있어 가지고 둘이서

한번 이제 장비 몇 개 챙겨가 가지고 웨이트장에서 같이 스쿼트를 하면서

IMU라고 그 측정 장비가 있는데 그거를 우리 흉체에다가 놓고 스쿼트를

몇 번 한 적 있어요. 그래서 점점 무게를 올림에 따라서 어떻게 변하는가

이런 거 본 적이 있었거든요. 봤는데 무게를 점점 어울리면 올릴수록

처음에는 흉추의 전후의 선형적 가속도가 핑크에 가까웠다라면은 점점

이제 무게가 올라가면 올라갈수록 내 원활이 가까워지면 가까워질수록 점점

이제 그 핑크함이 좀 떨어진다. 물론 어느 정도 핑크함을 유지는 이제

그만큼 자세 제어 스쿼트 도중의 그 자세 제어가 덜 핑크해지더라. 점점

더 과제 제약이 더 강해지니까 그 환경 제약이 더 강해지니까 뭐 그런

것들을 봤을 때 저는 동의합니다. 예.

>> 음. >> 사전에 합의되지 않은 제 발언이어

가지고 걱정 많이 했습니다. 어, 잠깐만요. 주아 선생님 지금 질문이

들어왔는데 블루 노이즈는 수행자가 의도해서 탐색하는 것이고 핑크

노이즈는 내가 의도한게 아닌데 특정 패턴으로 나오는 좋은 패턴이라 봐도

될까요? 아, 아니요. 이거는 의도가 들어가고

안 들어가고 이렇게 모두 포함하는 겁니다.

들어가는 상황에서도 논할 수 있는 이야기고 들어가지 않은 상황에서도

논할 수 있는 이야기예요. 그 제가든 예시들은 다 의도가 들어가 있는

예시들이었어요. 오케이.

자, 여러분 그 지금까지 우리가 막 가변성

얘기하고 막 자유도 얘기도 하고 이랬죠. 근데 보시면 계산신경 과학

분야나 다이나믹 시스템 이런 분야가 비슷한데 좀 다른 구석들이 있어요.

관점들이. 근데 계산신경 과학 분야랑 다이나믹

시스템 이론이 아주 크게 관점이 갈리는 부분이 또 있습니다. 뭐냐면

계산신경 과학 관점에서는요. 우리의 움직임 제어에 지휘관이 명백하게

있다라고 말합니다. 계산신경 과학 분야는 우리의 움직임 제어에 있어서

그 지의간의 역할을 하는 것은 그 누가 뭐라도 뇌야라고

말을 하는 것이 계산신경 과학 분야의 이제 입장이고요.

반대로 이제 다이나믹 시스템 이론 쪽에서 뭐라고 말하냐면요. 뇌가

전부가 아니라니까 뇌는 지위관이 아니라 그냥이 민주적 시스템을

구성하는 하나의 요소야. 얘가 주도를 할 때도 있고 안 할

때도 있어라고 이제 말을 하는게 다이나믹 시스템 이론의 입장이라

보시면 됩니다. 자, 지금까지는 뇌를 가지고 계속 이야기를 초반에 엄청

많이 했었죠. 막 자유도 자르고 뭐 하고 이런 얘기 하다가 지금 이제

최적 움직임 가변성 이론으로 잠깐 빠진 건데 여러분 이제는 이제는음

뇌가 없어도 되는 움직임이라 말 안 할게요. 당연히 뇌가 있어야 하는

건데 그 여러분의 의도랑 상관없이 발생하는 움직임들을 설명하는 이론

모델들을 보여 드릴게요. 가장 대표적인게 바로 HKB 모델입니다.

HKB 모델.요 요 H A H AKB 모델은 이제 독일의 슈트그라트 대학교

연구실에서이 오른쪽에 있는 헤르맨 해켄 그리고

왼쪽에 있는 스콧 켈소 그리고 그 외 번츠라고 하는이 세 명의 과학자들이

만든 모델인데요. 1985년에 이제 모델링 됐을 거예요. 그

1981년부터 관련 연구들이 있었고 모델링은 1985년에 된 걸로 아마

제가 알고 있는데 그 후로 지금까지도 계속이 모델이 수정이 되고 더

발전되오고 있다고 보시면 됩니다.이 HKB 모델 HKB 모델하면은 가장

많이 언급되는게 손가락 실험이죠. 볼까요?

제 손가락이에요. 자, 지금부터 제 의도는 손가락을

동시에 좌우로 움직이는 겁니다. 제 의도는 손가락을 동시에 좌우로

움직이는 거예요. 자, 근데이 손가락을 움직이는 속도를요.

어떤 주어진 메트로놈 속도에 맞춰서 이게 딱 동기화를 시킬 때 그

메트로놈을 점점 딱딱 빨리 하면 내 손각도 더더 빨리

움직여야 되겠죠. 이렇게 내 손가락을 움직인 속도를

계속 증가시키다 보면요. 내가 원하는 움직임은 손가락을 동시에 좌우로

움직이는 동작인데이 움직임이 갑자기

안팎으로 움직이는 동시에 안팎으로 움직는 상태로 강제로 내 의도를 다

뚫고서 강제로 그런 상태로 수렴하게 된다는 겁니다. 영상으로 보죠.

폭도를 올리다 보니 점점 시스템이 한번 혼란스러워졌다가

안팎으로 움직이는 상태로 수렴해 버립니다.

자, 여기서 이제이 명칭을 좀 알아야 되는데 손가락이 동시에 좌우로

움직이는이 상태를 안티페이즈, 역상이라고 부르고요. 손가락이 동시에

안팎으로 움직이는이 상태를 이제 해부학적으로 동위상이라고 해서

인이즈라고 부릅니다. 그죠? 그리고 이때 속도를

증가시켰잖아요. 우리 첫날에 다 배웠죠. 제어의 변수.이 속도를

하나의 제어매계 변수로서 쭉 증가시키다 보니까 어떤 임계점을

넘어서 상전위가 발생한 겁니다. 어떤

상전이죠? 여기상에서 동의상으로서의 강제적 상전위가 발생한 거예요. 자,

근데 여기서 여기서 이제 주목해야 될게 있어요. 이러한 상전인는 내

의도랑 상관이 없이 발생한 겁니다. 내 의도랑 상관이 없이.

그러니까 내 의도는 좌우로 움직이는 겁니다. 그걸 다 뚫고가 버리는

겁니다. 그죠? 자, 여기서 이제 이걸 가지고 또 설명을 할 수가

있는데요. 보시면 이제요 v파는 - a코인파 - b코사인

2파이 이제 HKB 모델의이 고전적

버전이거든요. 클래식 HKB 모델인데요

A랑 B 있죠? 어차피이 식은요. 얘네 둘이 둘 다 삼각 함수고 요렇게

돼 있으면 합성될 거잖아요. 그러면 결국에 a나 b나 둘 중에 뭘 바꿔도

결국에는 뭔가 바뀌는 겁니다. 그래서 a랑 b를 그냥 하나로 묶어서 우리가

제어 매개 변수라고 부를 거예요. 자, 여기서이 제어매 변수 a b는

속도입니다.이 이 속도를 바꾸면

상태 공간이 바뀌는 거를 보여 주고 있는 수식이에요.

지금 보시면은 얘네 코사인이랑 코사인 얘를 둘을 이런 형태로 묶어

놓으면요. 가운데가 뽕 들어가 있고 옆에 양쪽 끝에는 하나씩 얕은

구덩이가 있는 가운데만 엄청 깊은 구덩이가 있는 이런 상태 공간이

만들어지거든요. 삼각 함수를 통해서. 자, 그러면 우리 첫날처럼 이렇게

하나의 공을 우리의 움직임 시스템의 현재 상태라고 가정해 봅시다. 움직임

시스템의 현재 상태를 딱 지금 뒀는데 여기가 지금 어디냐면요.

역상 움직임입니다. 그러니까 이쪽에서 출발한 역상 동작이에요.

그럼 여기는 뭐예요? 어딜까요? 얘는 이쪽에서 출발한 역상 동작이에요.

자, 그리고 얘는 안팎으로 움직이는 동인상에 해당되는 상태 공간입니다.

근데 지금 이쪽에서 출발한 역상 동작의 상태 공간에 시스템이 현재

상태 놓여 있어요. 자, 근데 속도라고 하는 제어의 변수를

증가시키면요.이 이 여기상 동작이 불안정한 상태 공간

리펠러가 되면서 시스템의 현재 상태를요 동상 구간으로 얘랑 가까운

동의상 구간으로 밀어내게 됩니다. 그래서 시스템의 상태가 자연스럽게이

리펠러를 떠나서 업트랙터인 동의상 인이 상태로 수렴하게 되는 걸 이제

볼 수가 있는 거예요. 이거를 이제 보여 주는 이렇게 삼각함수가 이렇게

합성이 된 상태에서이 제어매계 변수의 변화에 따라서이 상태

지형이 변하는 거를 보여 주는 이제 식이라고 보시면 됩니다.

이걸 사인으로 설명할 수도 있는데 굳이 코사인 쓰는 이유는 코사인

쓰면은 우리가 알아보기 편한 비정공자가 알아보기 편한 이런 그림이

나와서 그래요. 자, 그럼 반대로 반대로

원래는 여기상이 불안정한 곳인데 처음에 좀 빨라 가지고이 불안정했는데

느리게 하면은이 여기상 좀 잘 유지해고 적용할 수

있지 않겠어요? 그것도 설명할 수 있습니다.

속도를 낮추면이 여기상 구간도 안정적이게 돼요.

그래서 여기서도 시스템이 상태를 유지할 수 있게 됨을 설명할 수가

있게 됩니다. 자,

근데 여러분, 제가 다 말씀드렸었잖아요. 첫날에

이러한 제어 매계 변수가 될 수 있는 대상은 그러니까 이렇게 어떤 임계점을

넘어서 시스템한테 강제적인 상전위를 촉발할 수 있는 이런 제어매 변수가

될 수 있는 요소들은 속도뿐만이 아니라 정말 다양하게 많이 있습니다.

맛세 각도 움직임의 크기 내가 들어올리는 바벨의 무게 꼴대와 나의

거리 꼴대 높이 꼴대 크기 나와 샌드백 사이에 거리 볼링 공의 무게

내가 데드리프트 들어올릴 때 캐틀벨의 크기 캐틀벨의 무게 모든게 다

됩니다. 자 그리고 관련 연구도 이렇게 많이 있어요. 그 실제로 하

본인도 이렇게 말을 한 적 있어요. HKB 모델의 창시자인 헤르맨 하켄

본인도 2006년에 자기가 썼던 이제 논문에서 이렇게 말을 해요. 시스템은

제어매 변수의 영향을 받습니다. 여러분 이러한 매개 변수는요 뭐냐면

에너지나 물질을 시스템으로 유입시키는 것이에요. 그러니까이 시스템의

뭐 에너지와 물질을 유입하는 속도, 빛, 소리 또는 특정 형태의 정보

모든 것이 매개 변수, 제어매 변수가 될 수 있습니다. 그리고 그것이이

시스템을 새로운 질적 양상으로 상전히 창발시키게 하기도 하고 또는 원활하게

적응시키기도 합니다.라고 하켄이 이렇게 얘기를 합니다. 근데

새로운 질적 양상으로 상전이 창발시킨 것과이 원활하게 적응을 하는 것 둘

다 우리가 방금 봤죠. 봤단 말이에요. 여기서. 그렇죠.

자, 이게 고전적 HKB 모델입니다, 여러분.

자, 근데 얘가 왜 고전적 HKB 모델이냐면

[음악] 얘는 1대 1 위상을 설명하는데

특화돼 있어요. 그러니까 이런 거예요.

얘가 이쪽으로 이만큼 갈 때 얘도 이쪽으로 이만큼 가죠. 얘가 이쪽으로

이만큼 갈 때 얘가 이쪽으로 이만큼. 그니까 이거를 상대적으로 1대 1

위상 상황이라고 보시면 되거든요. 1대 1 위상. 근데 이제 이런

상황들이 있는 거죠. 예를 들어서 상대적 위상이 여기상이나 동상 그

중간 언저리에 걸쳐 있을 때들이 있어요. 그러니까 위상차가 좀 있는

상황인데 그까 이쪽이 이렇게 갈 때 얘는 여기

있는 거예요. 그리고 얘가 이제 올라갈 때 얘는 이렇게 가고 이제

이런 이제 이런 이제 이런 지연된 상황들

이런 지연된 상황에서 위상차가 발생하는 거잖아요.이 이 위상차가

지금은이 정도를 넘어서진 않았어요. 근데이

위상차가 예를 들어서 막 두 배 두 배 이상이 차이가 나면은 어떻게

되느냐? 두 배 이상 차이 나면 어떻게 되느냐? 이제 이거를 이제이

그 유명한 마이클 털비가 이제 지적을 한 했었습니다. 실험을

해 본 거예요. 실험해 보니까 무슨 일을 발생했냐면 여러분 제가 두 손을

이렇게 동시에 이렇게 움직여요. 그러면은 전력을 다해서 움직이면

동시에 안 밖으로 1대 1의 비율로 움직일 거예요. 한 번 움직일 때 한

번 움직이는 근데 만약에이 손에

이렇게 무거운 물건을 잡고 무거운 물건을 잡고

이렇게 움직여요. 그러면은 전속력으로 움직일 때 저는 지금 양쪽 손 전속력

움직이고 있거든요. 근데 얘가 한 번 움직일 때 얘 두 번 세 번 움직이고

있죠. 제가 의도하지 않았는데도 이렇게 2,

1대 3에 다주기 협주기 위상이 강제로 딱 형성이 되고 수렴을 하게

됩니다. 이걸 다주기 협이라 하거든요. 2대 1 위상, 3대 1

위상 이런 식으로이 다죽기 허으로도 강제적으로 수요하는 현상이 생기는데

근데 이런 다죽기 허 상황은이 그림 안에 안 들어가요.이

이 그림만 안에 안 들어갑니다. 그래서 이거를 이제 설명할 수 있게끔

HKB 모델을 손다라는 얘기가 나와서 손을 본게 이거예요.

보시면 이제 아래의 수식이 새로 하나 나왔죠. 아까는 v파는 - a코인파

- b코사인 2파이였는데 지금 그 앞에 - 델타오메가파이라고 하나 더

붙었죠? 자,이

- 델타 오메가가 뭘까요? 그 델타 오메가가 뭘까요?이 델타 오메가이

델타 오메가는 바로 두 진동자 오른손 진동자 왼손 진동자 사이에 위상차를

말하는 겁니다.이 위상차.이 이 위상차가 크면 클수록 HKB

모델의이 1대일 협간이 붕괴가 돼서 다른 이제 다죽기 허태

공간으로 빠져나간다를 보여주고 있는 그림인 겁니다.

보세요. 아래로 내려갈수록이 델타 오메가가이 라지 방향으로 더 커지면

커질수록이 두 진동자의 위상차가 얘가 한 번 움직일 때 얘가 세 번

움직이는 식의이 위상차가 커지면 커질수록이

1일대일 상태 공간이 붕괴가 돼서 다른 상태 공간으로이 공이 빠져나가는

상황이 되는 거를 지금 묘사를 해 주는 걸 볼 수가 있게 됩니다.

이게 바로이 기존의 고전적 HKB 모델이 설명하지 못했던 다주기

허봉으로의 위상 고정을 설명할 수 있는 익스텐디드 HKB 모델 확장된

HKB 모델입니다, 여러분. 자, 근데 이제 저 약간 이런 거

이런 벽맛 좋아해 가지고 이런 거

네. 그런 거 있잖아요. 아, 고전적 HKB 모델 녀석 당해 버렸나?

응. 그놈은 우리 중에 최악체였지. 그 정도 현상도 설명 못 해서

당하다니. 그 녀석은 4,항의 수치야. 약간 이런 식으로 이제 제가

좀 우기고 싶어서 갖고 와 봤는데 아 승경 선생님이 없는 거 같네요.

HKB 모델을 못 했던 거 확장된 HKB 모델이 했고요. 방금 전처럼이

다죽기 협할 수 있는 거. 근데 확장된 HKB 모델도 못 하는게 하나

있었어요, 여러분. 뭐게요? 바로

우리가 한번 몸을 움직일 때이 우리 몸에 진동자가 여러 개가 있죠. 관절

하나하나를 다 진동자라고 둘게요. 근육 하나하나도 진동자로 둘 수

있는데 관절이 좀 여러분들이 직관적 이해가 되실 거예요. 모든 관절들을

하나의 진동자로 표현할 수 있는데 우리가 상호 작용하는 진동자가 뭐 두

세 개인가요? 한두 개인가요? 아니죠. 엄청 많아요. 전신 과제

같은 경우에는 못 해도 20개 이상의 진동자를 가정해야 돼요. 자, 근데

여러분, AGKB 모델은요. 이렇게 많은 진동자를 한 번에 다 수식으로

표현하지 못합니다.이 많은 진동자들이 다 같이이

동기화 되고 서로 막 분산되고 이런 거 설명하기 어려워해요.

자, 근데 이런 진동자의 수 한 개 부리신 거잖아요. HKB 모델이이

진동자의 수의 한계를 깨뜨려 줄 수 있는 모델이 하나 있었습니다.

뭐냐면 바로 우리 그라모토 센세. 구라모토 요시키 그라모토가 만든

구라모토 모델입니다. 요라모토 모델은요. 통계 물리학 분야에서 통계

역학 분야에서 나온 모델이에요. 그러니까 이런 거예요. 서로 상호

작용한 진동자들이이 시간의 흐름에 따라서 서로 동의상으로

수렴하는 현상을 우리가 흔히 알고 있는 싱크로나이제이션 있죠?이 동기와

현상을 설명하려고 만들어진 모델이거든요.데 아주 재밌게도이

모델도 어디서 만들었게요? 이 모델도 아까 HKB 모델이랑 같은

연구소에서 태어났습니다. 독일의 수투트 대학교 연구소에서 나왔어요.

같은 연구소에서 나왔어요. 얘가 한 3년, 4년인가 늦게 나온 걸로 알고

있습니다. 근데 이제 연구도 비슷한 시우고 있었고요. 사실상 HKB

모델이랑 고라노통 모델은 형제입니다. 형제. 뭐 부부라고 묘사하는 분도

있고 논문에서 형제라고 묘사하는 분도 있고. 자,요 그라모토 모델의 장점이

뭔지 아세요? 얘 통계 물리학 분야에서 쓰는 수식이라고 했죠.이 이

얘의 장점은 뭐냐면요. 서로 상호 작용하는 진동자의 수가

무한개도 설명령을 갖게 되는이 그런 모델을

보시면 됩니다. 통계 물리학 통계 역학 자체가 어마어마하게 많은

대상들을 한 번에 다 다루는 통계적 현상으로서 다루는 물리와 분야잖아요.

그러다 보니까 엄청나게 많은 진동사들의이

상호 작용을 한 번에 설명하기 위해서 만들어진 모델이에요.요 요 구라모토

모델을요. 그냥 간단하게 이해하시면요. 이렇게 이해하시면

됩니다.이 구라모토 모델은 서로 상호 작용하고 있는 진동자들은

무한의 시간이 흘렀을 때 모두 동의상으로 수렴한다. 그러니까 모두

동기화 된다라는 걸 보여주고 있는 겁니다. 그러니까 서로 상호 작용하는

그 결합 강도이 여기서 말하는 결합 강도가 상호 작용하는 강도를 말하는

거거든요. 결합강도 K가 상호 작용의 정도를 말하는 건데이 상호 작용의

정도가 0보다만 크면 0보다 조금이라도 크면 무한의 시간이 흘렀을

때 얘네들의 미래를 알 수 있는 거예요. 얘네들의 미래는 전부 다

동의상으로 수렴한다. 동기화 된다라는 걸 예측할 수 있게 해 주는 모델인

겁니다. 근데 그럼 이게 달라면은 별로 재미 없겠죠. 그렇죠? 물론

이제 이거 하나만으로도 왜 밤하늘의 천체들은 다 한 방향으로 회전하고

있는지 그 수많은 분자와 별 부스러이들은 왜 다 한 방향으로

회전하고 있는지 왜 은하는 나선으로 한 방향으로 한 위상으로 돌아가고

있는지 왜 천체들은 대체로 구체나 회전하는 형태를 가지고 있는지 그리고

우리들의 움직임이 왜 특정한 방향으로 이렇게 수렴을 하는 경향이 있는지

이런 것들 다 설명할 수 있는데 우리의 움직임을 왜 여러 신체

분제들이 서로 다다 따라오는 이런 하나의 위상으로 쓰르면은 동의상 이런

과제들인지 왜상에서 더 힘이 세지는지 이런

것들을 설명할 수 있는데 자 이거를 그냥 보면은 이런

그림으로도 설명할 수 있어요. 소리가 너무 클 수도 있는데

자이 다섯 개의 메트로놈들이 서로 다섯 개의 진동자가 서로 상호

작용하고 있습니다.요 아래 있는 스트로폼이랑 알루미늄

캔으로 어 벌써 동기가 돼 버렸네요. 여러분 보실래요?

처음에는 다 서로 따로 늘고 있었죠. 다들 서로 처음에 따로 넣고

있었는데이 스트로폼을 통해서 서로가 서로의 에너지를 공유하고 있습니다.

정보를 공유하고 있습니다. 서로 상호 작용하고 있어요.이 스트로폼과

알루미늄 캔이라고 하는 매개를 통해서 서로 상호 작용하고 있어요. 시간이

흐르니 얘네들의 전체 에너지가 평균 수준으로 수렴하면서 위상이 같은

위상으로 동기화 되고 있습니다. 동의상으로 수렴을 한 겁니다.

자, 근데 이게 다가 아니에요.이 진동자의 수가 무한이어도 된다고

했잖아요. 보세요. 이거 엄청나게 많은 준동자들이 서로

다 따로 놀고 있어요. 근데이 아래에 있는이 판때기 하나로 서로 에너지와

정보를 전달하고 공유하고 있습니다. 서로 상호 작용하고 있어요. 0

이상의 0 이상의 양수의 상호 작용 강도를 갖고 있는데

시간이 흐르면 얘네들은 같은 방향에 이상으로 냉기화 하는 방향으로

수렴하게 됩니다. 소리를 들어 보세요. 소리가 점점

하나로 모이게 될 거예요. 꼬리도 슬슬 동기가 되고 있는게 보이죠?

점점 소리가 심상치 않아지죠. 이게 다 하나씩 동개가 되고 있는

겁니다. 누가 옆에서 맞춰주고 있는게 아니에요. 그냥이 아래 있는 판때기로

서로 상호작용하면서 에너지 수준을 그냥 공유하고 평균나

하는 거입니다. 평균나. 네. 이렇게

얘네들이 이런 식으로 동기화하는 메커니즘은요.

어떤 지의관에 있어서가 아니에요. 그냥 물리학적 추동력에 의해서

연력학적 원리에 의해서 연력학적 추동에 의해서 이렇게 되는 겁니다.

여러분이 이거 아셔야 됩니다. 그 다이나믹 시스템 이론 같은 이런

물리주의적 접근에서는 대체로 내가 지휘 안 하면 누가 지휘하는데라고

했을 때 물리학적 추동력을 이유로 갖고 와요. 이런 거예요. 열은 높은

곳에서 낮은 곳으로 이동한다 해요. 언제까지? 열이 평형 수준에 이루질

때까지. 고르게 열이 전체에 고르게 분포할 때까지 열은 높은 곳에서 낮은

곳으로 이동합니다. 근데 여러분 말이 열이지 열의 정체가 뭐예요? 분자의

운동 에너지입니다. 결국에는 열의 정체는 여러분 에너지인데요.

에너지는요. 기본적으로 높은 곳에서 낮은 곳으로 가려고 해요.

에너지뿐만일까요? 어떤 물질의 농도도요. 농도도 높은 곳에서 낮은

곳으로 가려고 합니다. 어떤 이제 화학적 농도든간에 그게 뭐든간에이

밀도도 높은 곳에서 낮은 곳으로 가려고 해요. 열이나 이런 것도

열만이 아니라 전반적으로 이렇게 평형의 방향으로 흘러가려고 하는

경향이 있어요. 결국에는 다 근본은 에너지가 평형 상태에 이루고자 하는

그런 우주의 연력학적 추동력 때문이다라고 말할 수가 있습니다.

얘네들도 그런 거예요. 서로 에너지를 공유하고 있잖아요. 근데 그 공유하고

있는 에너지가 전체 평균 수준에 고르게 분포되는 상황으로 자연스럽게

이동하는 겁니다. 얘네들이 이렇게 되는 거는 어떤 뇌 하나가 이렇게 다

같이 일사불락하게 동시에 움직여라고이 주위 명령을 내려서가 아니라 그냥

얘네들끼리 서로 에너지를 공유하다가 평형 상태에 이르게 된 것뿐이에요.

자, 근데 여러분, 우리의 그 회원님들이 스커트를 할 때 우리

삼중신전 동기화 시키고 싶잖아요. 발목이랑 무릎이랑 고관절. 삼중신전

동기화 잘 시키고 싶죠? 잘 삼중 굴곡 삼중 신전 잘 좁고 동시에 잘

피하금 동결 잘 시키고 싶죠. 근데 우리 회원님 스쿼트가 처음에 아주 내

마음에 안 들어요. 개판입니다. 자, 본격화가 너무 안 돼 있어요.

그러면은 여러분 무한의 시간을 기다릴 건가요?

우리에게는 무한의 시간이 없고요. 우리 회원님도 무한의 스쿼트를 할

여유가 없습니다. 그러면은이 무한의 시간을 유한한 시간으로

단축시킬 수 있는 변수를 우리가 알고 있어야 돼요. 그 변수가 그라모톤

모델에는 있습니다. 뭐냐면 바로 결합 강도 K예요.

결합 강도 K.이 결합 강도 K가 뭐냐면

아까 제가 말했죠. 결합 강도는 상호 작용의 강도다. 상호작용이란 둘

이상의 대상 또는 진동자가 서로 에너지와 정보, 물질 등을 교환하는

물약적 과정입니다. 상호정의 정도가 크다는게 결합 강도가 크다는 거예요.

그러니까 결합 강도가 큰 시스템일수록이 진동자들은 더 빨리

동기화 되는 경향이 있다는 거예요. 더 빨리 동의상으로 수렴하는 경향이

있다라는 거예요. 자, 이런 식으로 보시면 됩니다.이 그림이 영상을

보시면 되는데 결합 강도가 0. 로 낮은 시스템들과 1로 중간중 시스템,

3으로 엄청 높은 시스템입니다.요 결합 강독 K에 의해서 얘네들이

동기화되는 속도가 결정되는데 보세요. 보시면

얘네들은 뭐 시간이 천년 만 년이 걸려야 동기가 될 거

같죠? 근데 보시면 얘네는 어 이제 동기가

커텐데요. 보시면 좀 느리더라도 결합강도가 낮은 애보다

더 높은 애가 느리더라도 동기화가 되고 있습니다. 서로 같은 방향으로

같은 위상으로 동의상으로 수렴하고 있죠. 결합강도 1보다 더 높은 3은

어떨까요? 3은

보세요. 시작하자마자 동기화 됩니다. 결합 강도가이 진동자들 사이에 상호

작용하고 있는 정도가 서로 공유하는이 에너지 양이 정보량이 크면 클수록 더

빠르게 동영상으로 이렇게 수렴 상전이 하는 경향이 있다라는 겁니다. 이게

구라모토 모델이 보여주고 있는 이제 핵심인 거예요.이 이 결합강도 K를

가지고이 동기와 속도를 조절할 수 있다라는 겁니다. 물론 이제 그 초기

조건도 중요합니다. 서로 가까이 있는 애들은 상대적으로 이미 결합강도

높겠죠. 가까이 있는 애들일수록 서로 정보 에너지 더 많이 교환하니까요.

그 가까이 있는 애들은 대체로 더 빨리 동의상으로 수렴하는 경향이

있는데 멀리 있는 애들은 오래 걸리죠. 가까이 있는 애들은 좀 빨리

되는데 멀리는 애들이 오래 걸려요. 이런 초기 조건도 중요하긴 해요.

그러니까 처음부터 동의상에서 가까운 상태에서 시작하는 것도 중요하다는

거예요. 근데이 초기 조건이 우리가 바로 회원님들한테 알려주는 동작

세팅입니다. 회원님한테 걷다가 스쿼트 하세요라고

하지 않고 스쿼트 자세 세팅해 놓고 자 이제 내려갑시다. 이렇게

하잖아요. 요게이 초기 조건이에요. 근데 거기다가 더해서 결합강도 어떻게

올릴 수 있을까요, 여러분? 여러분, 우리 인체 내에서이 결합강도 어떻게

올릴 수 있을까요? 올릴 수 있습니다. 여러분 봐봐요.

관절 간의 결합당도는 뭘로 올릴 수 있을까요? 관절들은 서로 뭘로

연결되어 있죠? 근육으로 근막으로 연결되어 있습니다.

그러면 근육을 수축시키면 관절 간의 결합력이 증가하는 걸 알 수 있어요.

또는 특정한 금막 경선에 있는이 근육 라인들을 직렬 동시축시키면

그 금막 경선이 놓이는 그 금막 경선이 지나가는 관절들은 서로 상호

작용하는 정도가 더 증가할 수 있어요. 즉이 해당 금막 경선이

지나가는 관절 간의 상호작용 결합 당도가 증가해서 해당 관절들 해당

관절 진동자들이 더 쉽게 동의상으로 수렴 동기화 되는 경향성을 가질 수

있다라는 겁니다. 예를 들어 볼까요? 예를 들어서 제가 스쿼트를 합니다.

스쿼트를 하는데 해 보시는 분들은 아시죠?이 이 다리에 있는 근육들이

너무 느슨해 가지고이 다리에 있는 발목 관절, 무릎관절, 엉덩이 따로

놓는 회원님이 있어요.이 회원님한테 어떻게 해야 할까요?이 회원님한테이

발목 관절, 무릎관절, 고관절이이 동시에 삼중신전이 탁 잘되고 동시에

삼중굴곡이 잘되게끔 하는 방법 뭐가 있을까요?

발가락으로 바닥 후벼 누르라고 하면 됩니다. 이런 갈키발 만들려는게

아니라 꽉 누른 꽉 누른 힘 이렇게 꽉 누른 힘이요.

접지를 잘한 상태에서 꽉 누르시면요. 그 무지 외반이 없는 상황에서 하셔야

돼요. 무지 외반을 좀이 딱 교정을 해 놓고 하는게 더

좋아요. 발가락 벌리고 누르는게 더 좋다는 겁니다. 이렇게 하시면요.

여러분, 지금 당장에 기화 자세에서 그냥 기마 자세 했을 때 다리에 힘

들어가는 거랑 기마 자세 하시고 발가락 빡 주시고이 다리 힘 들어가는

거랑 비교해 보시면 말도 안 되게 차이가 나실 겁니다. 이미 기마다

자세한 상태에서 발가락으로 탁이 누르는 힘을 주시면요. 하지에 있는

근육들 이미 쓰고 있는 근육들이 전반적으로 더 동시축 경향이 세져요.

하지에 있는 전체 근육들의 동시 수축으로 인해서 하체에 있는 관절들

사이에 결합 강도가 상호 작용 정도가 증가하게 됩니다. 이렇게 발가락으로

바닥을 꽉 누르면서 스쿼트 하시잖아요. 초보자도 삼중 굴곡 3중

신전을 아주 아주 바람직한 타이밍으로 동상으로 수행하게 됩니다. 되게

신기하게 이걸 볼 수 있어요. 데드리프트도 마찬가지예요.

데드리프트도 스쿼트는 스쿼트의 초기 조건이 있을 거고 시작 자세가 있을

거고 데드리프트는 데드리프트로서의 시작 자세 초기 조건이 있을 건데요.

데드리프트 시작 자세 초기 조건에서도 발가락으로 바닥 후배 누르고 쭉

일어나라고 하시면 발목 무릎 고관절이 마지막에 딱 동시에 펴지는 아주

깔끔한 동상 패턴으로이 사람을 수렴시킬 수가 있어요. 발가락고

바닥을 후 누르는 이런 엘레디에이션 방산 효과를 통한 동시 수축이 동시

수축을 이용한 관절관 결합 강도의 증가에 의한 동기화 현상을 이끌어낼

수가 있는 겁니다. 그리고 이제 제가 방금 뭐 금막에

대한 이야기를 했는데 왜 왜 제가 금막 얘기를 하냐면 여러분 금막은

상대적으로 연부 조직이죠. 근데 예를 들어서 흉효막 같이 여러 근육들이

수렴하는 이런 금막은 어떻게 되는 줄 아세요? 흉효 금막 자체는 수축할 줄

모르죠. 근데 흉금막으로 수렴하는 대둔근이랑 광백근 복근들이

동시축하면요. 흉금막이 4방 8방으로 잡아당겨지는 힘이 생겨요. 흉금막이

상대적으로 더 땡땡해집니다. 이런 금막들은요 상대적으로 더

늘리면이 콜라겐이 가지고 있는 그 특성 때문에 더 강성이 증가해요.

느슨한 금막보다는요. 팽팽하게 늘어난 금막이 더 튼튼하고 더 높은 수준의

강성을 제공합니다. 그럼 이렇게 됐을 때 이렇게 더 상대적으로 늘어나 있는

금막들은 그 금막이 매개로 연결해 주는 관절

간의 결락항도를 증가시키는 추가적인 매개의 매개 변수가 될 수 있습니다.

그래서 우리가 금마 공부도 해 볼 필요는 있고 금막 공부 한 건 이용할

수도 있는 거예요. 해당 금막을 어떻게 좀 잘 활용을 해서 정확하게는

근육 금막군이라고 할게요. 해당 근육 금막군을 특정 근육 금막군을 잘

이용해 가지고이 근육 금막 군들을 잘 동시축 직렬 동시축이든 병렬

동시축이든간에 잘 활용해 가지고 내가 원하는 관절 사이에 결합강도를

증가시켜 가지고 내가 원하는 동기화로 더 잘 수렴하게끔 동작을이 과제를

디자인할 수가 있다라는 거예요. 뭐 근육 금마으로만 할까요? 동시

수축으로만 할까요? 키네시오 테이핑 붙여도 이거 돼요, 여러분. 왜

여러분 키네쇼 테이핑이 충분한 강성을 제공하지 않는데도 관절 동기화가

잘되고이 특정 동작이 잘 나오는 거 많이 보시죠? 다 플라시보 효과라고

하잖아요. 근데 플라시보 효과라고 하는 거는 실제로 그게 이제 플라시보

효과다가 아니라 아직 설명되지 않은 그런 숨은 원리 기전들이 있다고

보셔야 되는게 맞거든요. 근데 저는 이렇게도 생각해요. 키네쇼

테이핑을요.이 관절에서 저 관절까지 그냥 연결해서 붙이기만 해도 해당

관절들은 키네시오 테이핑을이네 개로 해서 정보 공유를 할 수 있게

됩니다. 즉각적인 더 추가적인 정보 공유할 수

있게 돼요. 여러분, 상호 작용은 대상과 대상 사이에 물질, 에너지,

정보의 교환이라고 했죠. 더 많은 정보를 교환하면은 상호 작용의 정도가

결합 강도가 증가하는 겁니다. 키네시오 테이프로도 이런 식의

결합강도 상호적인 정도를 증가시킬 수 있는 거예요. 키네셜 테이프를

매개로도 동기화를 이끄낼 수가 있는 거죠.

이런 것들을 좀 말씀드리고 싶어요. 그 요건 제가 왜 가지고 왔냐면 근육

금막을 금막 경성을 이용하실 거면 실제로 있는 금막 경선을 이용하는게

좋잖아요. 뭐 2015년에 있었던 이제 리뷰 논문인데 이런이 금막

경선들은 실체는 없더라. 그래서 실제로 존재하는 금막 경선에 입각해서

해당 근육 금막들의이 동시 수축을 잘 활용하는게 중요할

것이다라고 이제 제가 말씀을 드리고 싶어서 그래요. 금막 경선 있고 없고

중요하다라기보다는 있는 금막 경선으로만 얻을 수 있는

메커니즘이기 때문에 이런 결합강도 증가에 의한 동기와 현상이 그래서

이제 이런 식의 실제로 존재하는 금막 경선과 존재하지 않는 금막 경선을

구분하는 시도가 필요하다라는 겁니다. 뭐 대체로 상지선은 다 존재해요,

여러분. 적어도 이것들은 우리가 실제로

존재하는 금막 경선들이고 금막 연결들이라서 우리가 실무에서 전압

강도의 증가를 위해서 써먹을 수 있을 만한 것들이에요.

뭐 그 외에도 아 이거는 그 카데바 사진이라서 이거 지금 여기서

공유하면은 유튜브 영상에서 검열될 수 있을 것 같으니까 이거는 안 볼게요.

자, 여러분, 근데 꼭 근육 금막으로만 이렇게 얘네들이

상호 작용 되나요? 근육 금막은 물리적 결합 강도고요.

아까 전에 제가 그 키네시오 테이핑 같은 걸로 정보적 결합 강도

논했잖아요.데 사실 키네시오 테이프도 직접적인 연이라서 얘도 물리적 결합

강도를 포함하고 있는 애요. 물리적 정보적 결합 강도를 제공하는 대상이라

볼 수 있어요. 키네시오 테이핑도 근육 금막도 이제 마찬가지고요. 근데

상대적으로 더 덜 물리적이고 더 순수하게 정보적 결락 강도에 놓여

있는 상황들도 있습니다. 예를 들면 이런 거죠.

여러분 대태두근이랑 비복근 금막 연결 안 돼 있어요.

그리고 대둔근이랑 대태근 금막 연결되어 있는 사람도 있고 안

돼 있는 사람도 있어요. 근데 금막 연결 안 돼 있는데 왜 이렇게 같이

동기화로 잘 놓냐 이거예요. 얘네들이 동기화 되는 이유는 얘네들은

주어진 과제의 목표에 의한이 하나의 역학적 요구를 생차 역학적

요구를 공유하고 있잖아요. 그렇죠?이 이 생체 각각적 교구가 지금 질량

무게 질량 중심이이 기저면을 이렇게 딱 위에 놓여 있으면서이 관절이

이만큼의 모멘텀을 만들고이 관절이 이만큼의 모멘텀을 만들고이 관절이

이만큼의 모멘텀을 만드는 식으로 주어진 역학적 조건 자체가 얘네들을

신경 정보적으로 신경학적으로 정보적으로 결합시켜 놨습니다. 같이

놀 수밖에 없는 상황을 만들어 놓고 있어요. 이런 정보적 결합 강도

때문에라도 얘네들이 같이 이렇게 동기화 되려는 경향성을 만들 수

있다라고 이제 보는 겁니다. 그걸 더 멀리 나아가면은 얘네들이

같이 노는 것도 설명할 수 있고 키네틱 체인도 설명할 수 있고요.

그리고 막 완전 막 멀리 떨어져 있는 요방향이랑 반대쪽에 있는 내전근이

같이 노는 것도 설명할 수 있어요. 골반이라고 하는 하나의 매개로 서로

물리적 정보적 결합 강도를 하고 있잖아요. 그렇기 때문에 이런 식으로

아이 우리가 특정한 분절과 분절 진동자와

진동자 사이에 결합 강도를 증가시키는 방식은 꼭 테이핑을 통해서만이 아니라

근육 근막의 직접적인 연결만을 통해서만이 아니라 어떤 주어진 과제

조건 그 과제가 요구하는 역학적 요구 사항에 따라서도 주어진 과제에

따라서도 그 과제를 공유하고 있는 시너지 군들 사이에 결합공도를 높이고

낮추는 식으로 우리가 동기화를 이끌어낼 수도 죽일 수도 있겠구나라는

걸 알 수가 있습니다. 자, 지금 구라모토 얘기가 좀 길게

갔는데 제가 여기서 이제 하나 강조하 싶은게 뭐냐면요. 2020년이었나

2021년이었나 켈소가 엔트로피 전널에다가 HKB 모델이랑 브라톤

모델을 합친 일반화된 HKB 모델이라는 거를 한번 논문을 올린 적

있었어요. 그래서 지금은 아예 그냥 HKB 모델이 켈소가 이때 만든

구라토 모델과 HKB 모델을 합친 일반화된 HKB 모델로 다뤄지고

있습니다. 그래서 이렇게 되면은 HKB 모델의 약점이 극복이 되는

거예요. 고라모토 모델의 약 장점이 뭐라고 했어요? 무한한 개수의

진동자도 설명할 수 있다고 했죠. 데 HK 모델의 약점은

너무 적은 수의 진동자들의이 위상 전위만 설명할 수 있었던 거잖아요.

근데 구라모토 모델이랑 HK 모델이 합쳐진 수식은

엄청나게 많은 진동자들의이 위상 전위까지도 다 설명을 할 수 있게끔

더 개량이 된 형태였던 겁니다. 자, 이렇게 하면 이제 아, 우리가

엄청나게 많은 진동자들, 엄청나게 많은 관절들, 분절들의 이런 위상

동기와 다주기 협상이 깨지고 강제로 특정 위상으로 이제 상전이 하는 거

다 물리적 과정으로 설명을 할 수 있는이 되게 정합적인 이론이 나오게

되는 겁니다.뿐만 아닙니다. 여러분 혹시 모터 컨트롤 분야의 신경학적

관점을 좀 공부하신 분들은 CPG라는 걸 공부해 보신 적 있을

거예요. CPG. 스피지가 센트럴 패턴 제너레이터라고

하거든요. 이제 중추 패턴 발생기라고 합니다. 근데 이게 중추 패턴

발생기가 많이들 오해하고 있는 부분인데 중추 패턴 발생기는요.

특정한 동작을 유발하는 그이 신경 회로가 아니고요. 특정한 리듬을

유도하는 특정한 리듬을 유도 유발하는 신경생리학적 제약이에요.

그러니까 스피지가 어 특정 CPG가 발동했다고 해서 특정 운동 프로그램이

발동하는게 아닙니다. CPG는 우린 몸 모든 척수 레벨 수준에 있는

연수에도 있고 막 모든이 CNS 수준에 있는 다양한 리듬 생성기들일

뿐입니다. 리듬 생성기들. 근데이 리듬들도요.

각각이 진동자입니다, 여러분.이 이 수많은 리듬들도 다 진동자예요.

실제로 현재는이 CPG 개념은 어떻게 쓰고 있냐면 멀티플지 가설이라는게

지금 많이 논해지고 있거든요. 하나의 시피즈가 하나의 동작을 다이 통과를

하는 것이 아니라 수많은 시피들의 상호 작용 안에서 우리의 걷기,

달리기, 숨 쉬기 숨 쉬면서 달리기 달리기를 하더라도 숨 쉬면서

달리더라도 이제 두 걸음에 한 호흡,네 걸음의 한 호흡, 세 걸음의

한 호흡 이런 식으로 이런 수많은 리듬들의 조합이 다 주기 협이 이런

다 설명이 되는 이런 이론적 통합 합이 이제 이르게 해주는 그런 이제

단초라고 보시면 됩니다. 앞선 일반화된 HK 모델에다가이

CPG까지 멀티플 CPG 개념까지 저는 합치면은 아 손수 물리학적

과정만으로 이제이 수많은 움직임들을 설명할 수 있는 이제 이론적이 틀이

마련이 된다라고 저는 좀 생각을 하고 있어요. 아 이건 너무 과장된

표현인가? 근데 앞서서 계산신경 과학이 뇌가

모든 움직임을 총괄하는 지위간의 역할로서 움직인 제어들을 다 설명했던

것처럼 다이나믹 쪽에는 이렇게 뇌가 꼭 지의하지 않더라도 뇌를 포함한

수많은 진동자들이 수많은 리듬들이 서로 이렇게 서로 동기화되고 서로

다중이 협을 형성하는 식으로 특정한 리듬 형성에서 다른 리듬으로 상전해

하는 방식으로 그 과정이 모두 물리학적 추동에 의해서 연력학적

추동에 의해서 주도가 되는 진행이 되는 그 과정들을 설명할 수 있는

이론적 기틀이 있다라는 거예요. 네. 여기서 이제 좀 하나 더

설명하면 그냥 소산 구조라는 개념을 제가 전 시간 때 제대로 설명을 못

했어요. 그래서 설명을 하면요.이 연력학적 추동력이라고 말했잖아요.이

연력학적 소산이라는 개념이 있거든요. 그니까 이런 거예요. 열은 높은

곳에서 낮은 곳으로 이동한다고 했죠. 근데 여러분 우리가 근육을 쓸 때

어떻게 써요? ATP 쪽에서 에너지 발생시켜서 그 에너지로 우리가

움직이죠. 이거 다들 아시죠? 근데 이때 에너지 단위가 뭐게요?

칼로리입니다. ATP 쪼개 때 나오는 그 에너지

단위는 여러분 칼로리예요. 칼로리는 연력학적 단위입니다. 우리

몸을 움직이는 건 기본적으로 열 에너지예요.

자, 그리고 이렇게 우리 몸에서 ATP 쪽에서 만들어진이 열

에너지들은 반드시 어떤 형태로든 소산됩니다.

우리의 혈관 사사로 소산될 수도 있고요. 그 소산되는 방식이 여러분,

그 소산되는 방식이 이미 주어진 물리적 제약 조건, 생리적, 전기

화학적 제약 조건 안에서 소산됩니다. 그니까 이런 거예요. 제가

제가이 물을이 뚜껑을 열고 쭉 자면 나오겠죠? 그렇죠? 왜 이렇게

물대표로 표 나오죠? 구멍이 여기 하나니까요. 그렇죠?

구멍이 여기 하나니까 이렇게 물주기가 하나가 쭉 나가는 소산 구조로이

얘가화한 겁니다. 그렇죠? 자, 그런데 그러면은 구멍을 두 개를 뚫어

놓고 제가 쭉 자면 어떻게 됐어요? 양쪽으로 나가겠죠?

그럼 제가 양쪽으로 나가라고 한 거예요. 제가 양쪽으로 나가라고지

지시한 거예요? 아니요. 나가는 구멍이 그냥 두 개인 거예요.

한쪽으로 나가라고 제가 지시했나요? 나가는 구멍이 그냥 하나인 겁니다.

그렇죠? 자, 그리고 얼마나 세게 나가는지는

그냥 내가 얼마나 세게 눌렀는지 얼마나 많은 에너지가 지금이 플라스틱

통에 가해졌는지이 안으로 유입이 되는지 정도의 차일 뿐이에요. 그렇게

유입된 에너지는 반드시 방출돼야 됩니다. 어떤 형태로도. 그렇죠. 그

방출된 방식 하나의 소산 구조가 이미 갖춰진이 물리학적 물리 구조적 제약

안에서 그 제약에 맞는 형태로서 그 제약에 맞는 모양으로서

화하는 것입니다. 이런 식으로 이해를 하시면요. 소상

구조의 개념과 다주기 협기와 위상 전의 현상들을 통해서 수많은

움직임들을 설명할 수 있어요, 여러분. 수많은 움직임들.

물론 이제 뇌가 쓸모가 없다는 말을 하는게 아니에요. 뇌가 아무 일도 안

한다는 말이 아닙니다.이 모든 것을 우리가 우리가 의도한 소수의 제어

매개 변수를 지워 넣어서 이제 행하는 것들이잖아요. 이때 뇌는 필수죠.

우리의 의도 인지라고 하는 것은 필수입니다. 근데 다만 뇌가 전부는

아니다라는 입장이 그 다이나믹 시스템 이론의 이제 입장이라고 보시면 돼요.

이런 식의 설명도 가능한데 정말 뇌가 전부느냐 뇌한 거 이해하지만

인정하지만 뇌한 기관이고 내가 때때로 주도하는 지간의 역할을 한다는 것

인정하지만 늘 모든 움직임에서 뇌가 모든 걸 다 통과하는 것은 아님을

주시하자. 주지하자라는 것이 바로요 다이나믹 시스템 이런 쪽의 논리라고

보시면 될 거 같습니다. 여기 오늘 준비한 내용은 이제

여기까지고요. 이렇게이 현대 운동제어 분야의 최신

이론들을 한번 접해 봤는데요. 어 제가 좀 잘 편집해서 좀 말 더

듣는 부분이나 쓸데없이 많이 반복하는 부분들을 좀 잘라낼테니까

어 다시 보기 하시면은 좀 더 깔끔하게 볼 수 있지 않을까 싶어요.

꼭이 다시 보기해 주시면 좋을 것 같고요. 네. 이해가 안 되시는

부분이 있었으면은 어 지금 질문하셔도 좋고 영상을 다시 한번 봐 보는 것도

좋은 방법인 것 같습니다. 혹시 질문 있을까요?

네. 지금 질문 하나 들어왔어요. 아, 비제어 다양체의 뜻과 비제어와

다양치가 안 되는데이 용어를 왜 쓰는 거죠?

질문이 들어왔어요. 네. 이건 너무 좋은 지적이에요. 실제로 마크 아타

씨가 작년에 쓴 논문이 있어요. 2024년에 쓴 논문. 이제 비제어

다양에 대해서 다른 리뷰 논문인데요. 이제 거기서도 라타 씨도 이렇게

말해요. 아, 사실 엄밀하게 말하면 비제어라기보다는 덜 제어된 다양체라고

말하는게 맞는 것 같아요.라고 말합니다. 그래서 선생님 지금 잘

찍으셨어요. 비제어가 아니라 이제 사실은 엄밀하게 말하면 덜

제어된입니다. 덜 제어된 답변이 됐을까요?

네. 네. 그러면은 이제 그다음 전경록 선생님 질문이에요. 아까

계산주의 파트에서 임피던스 제어 말씀하실 때 불연속 과제에서 임피던스

제어를 통해서 불연속 과제의 학습 촉진이 된다 하셨는데 어떤 맥락에서의

학습이 촉진된다는 걸까요? 네. 이게 제 기억으로는 2021년인가 아

2018년인가 아무튼 2020년 금이 부근에 나온 논문인데 다니엘 월퍼트가

쓴 논문이에요. 이제 우리가 이렇게 움직임을이

사실 그 기계 기계팔 같은 걸 이렇게 팔 집어넣어 가지고 하는 연구거든요.

저 친구 연구실 가서 그 연구 해 봤어요. 저도 이제 참여해 봤는데

처음에 적응하는 시간이 좀 필요해요. 내가 팔을 뻗는데 내가 원하는

방식으로 내가 이렇게 팔을 뻗었을 때이

스크린 속에 있는 내 가상의 내 팔 위치가 내가 원하는 방향으로 잘 안

가요. 근데 이때이 기계팔에 강성을 조절할 수가 있어요.이 기계팔에

강성을 조절해서 동시축 상황을 가짜로 만들어 낼 수 있어요. 단순히 그냥이

각각의 힌지의 강성만 조금 증가시켰을 뿐인데 근데 그렇게만 하니까 움직임의

정확도가 막 높아져요. 움직임 정확도가 높아져요.

그리고 이제 나중에는 그 강성을 풀어도 이제이 정확도가 높아진 상태를

어느 정도 우리가 좀 알 수가 있게 되거든요. 이런 차원에서 학습이

촉진되었다라고 이제 말하는 겁니다. 답변이 됐을까요?

여기서 학습은 일관성과 같은 맥락일까요? A B 과제라는 맥락에서

어 제가 이건 참여한 과제마다 다를 거

연구 과제마다 다를 것 같은데 제가 참여한 과제는 그냥 맞추기였어요.

그냥 맞추기. 일단은 동작의 일관성도 증가합니다.

강성이 증가하면 관절 흰지 관절 흰지들의 강성이 증가하면요. 궤적의

일관성 증가해요. 오케이. 답변이 됐다 하셨고 이제

방금 질문 주신 선생님이 또 새로운 질문 주셨어요. 프렉탈은 부분 안에

전체 패턴이 전체 안에 부분의 패턴이 나타나는 것이라고 알고 있는데 이것이

설명해 주신 어느 순간 다른 움직임으로 바꾸는 것과 지속성 어떻게

연결시킬 수 있나요? 완전히 다른 프랙탈입니다. 선생님이 말씀하신

프랙탈은 기하학적 프랙탈이고요. 지금 어 이거는 승현 선생님이 더 잘

설명해 주실 거예요. 어, 이거는 오늘 대답하지 않는 걸로

>> 어, 그게 지금 그 이유가 그까 애초에 이거 얘기 시작하면 너무

길어지기도 하고 그리고 다음 주에 그걸 완벽하게 다루어서 설명을 드릴

거라서 어, 그 궁금증을 계속 조금 이렇게 좀 발효시켜 놨다가 다음 주에

제가 처음부터 끝까지 좀 더 이제 그 정말

수학적인 프랙탈에서 시작해서 어떻게 이게 움직임의 프렉탈로 연결이 되는지

그게 그리고 왜 지속성이랑 지속성이란 말이랑 같이 사용되는지에 대해서 좀

더 다음 주에 좀 더 예 시간을 들여서 예 설명을 제대로

드리겠습니다. 그때 네네

그 사실 뭐 가변성 이렇게 다락하는데이

가변성도 이렇게 쪼개서 볼 수 있어요 여러분 쪼개서 보면은 어 얘랑이

쪼개진 애랑 닮았네 얘랑 얘랑 좀 닮았네 막 이런 것도 말씀하신 전체

안에 더 닮아 있는 부분 그 부분에 또 부분 안에 닮아 있는 부분 이런

것도 연결은 가능하세요. 근데 이제 보통 기약적 프렉탈이랑 좀 다른

측면이 많이 있어요.이 운동 지역 분야에서 사용하는 프렉탈은 승현

선생님께서 아주 자세하게 설명해 주실 겁니다. 다음 주 저도 기대하고

있습니다. 네. 그러면은 또 질문 없으실까요?

경록 선생님 질문입니다. 자유도를 말할 때 예를 들어 벤치프레스에서의

숙련도가 높은 사람이 빠페스의 회일성이 더 클 텐데 이때 숙련자들은

현재 사용되고 있는 바페스 이외의 자유도를 사용하지 못하는 것이 아닌

느낌인데 이때 어이 댓글 쓰시다가 끊기셨네. 근데 뭐 말하신지 알아요.

근데 이거는요.요 자유도가 운동학적 자유도가 있고 그리고 운동

생략적 자유도가 있어요. 그러니까 빠페스 계적은 동일해도요. 그 동일한

계적을 만드는데 사용되는 근육 시너지들 그 조합 전략은요. 계속

바뀔 수 있어요. 아시잖아요. 이거를 이제 이것도 비디오 단체로

설명할 수 있거든요. 동일한 운동학적 계정을 만들기 위해서 다양한 머슬

시너지를 사용하는 방식.이 다양한 머슬 신 머슬들의이

조합으로서이 비저체 공간 내 분산의 자유들을 가지는 방식으로 설명할 수

있어요. 네. 추가 질문. 네. 네. 그때

사용되지 않는 자유도들도 제어 가능한 자유도로 보는 것이 맞죠? 어,

잠깐만요. 그때 사용되지 않는 자유도들, 역학적인 자유도들.

어, 일관성이 좋으신 분들이 벤치 자세를

바꿔줬을 때 금방 수행하시는 현상들을 많이 봐서 궁금해서 그렇습니다. 금방

수행하시는 이제 잘 적응하셨다는 말씀이시죠? 네. 일관성이 좋으신

분들이 >> 어

>> 그거는 사실 어 저부터 그냥 잠깐 말성이

좋은 것과 사실 제약이 바뀌을 때 그거에 대해서 바로 적응하는 거는 또

약간은 다른 이제 성질들에 대한 얘기라고 보시면 좀 좋을 것 같아요.

스킬이 좋은 사람들이 일관성이 좋은 모습을 보이고 근데 일관성이 좋은

모습이 다음 주에 얘기하려 얘기했는데 지속성하고도 관계되고 프랙탈하고도

관계가 돼요. 근데 또 그렇다 보니 이런 사람들이 프렉탈에 대한 얘기를

또 다 다음 주식 더 하겠지만 환경의 변화에 대한 적응이 훨씬 좋아요.

이거는 연구적으로도 저희가 보인게 하나 있는데 그것도 다음 주에 소개를

하겠지만 제 쪽에서는 예 그렇게 얘기할 것 같아요. 스킬적인 분과

일관성 부분, 일관성에 대한게 비례를 하다 보니 겉으로 봤을 때 스킬이

좋은 분들이 일관성이 좋다 보니 다른 현상들에 대한 그때 우리 기술 얘기할

때 제가 그 얘기를 했었죠. 이제 다양한 맥락에 따른 최적의 어떤 협

구조를 찾아내는 어떤 그런 능력이 기술이라고 그런 면에서 봤을 때 이제

마찬가지로 다른 맥락, 다른 자세라는 맥락에서 그 맞는 좋은 협분 구조를

찾아내는 능력을 포함하다 보니 그렇게 비춰지는 거라고 볼 수 있을 것

같아요. 자유도랑은 조금 다른 얘기로 >> 저도 따로 답변해 드리면 경록 쌤은

비어체 저랑 많이 공부해서 다 아시잖아요.

일관성이 좋으신 이분은요. 그 일관성이 좋으신 이분이 자세

바꿨는데도 금방 잘 수행하시는 건요. 그냥

두 개의 별개의 비제어 다양체에 자유도 분산이 잘 돼 있는 거예요.

그냥 예. 그냥이 사람은 이미 두 개의

비저 다양체에 다 적용이 돼 있는 겁니다.

이거를 이제 비어당 비제 다체라도 생각할 수 있고 또 다 또 다르게는

상태 공간상에이 사람은 완 어트랙터가 깊은 어트랙터가 여러 개가 이미

존재를 하는 사람이었던 거예요. >> 네. 훈련을 통해서. 그래서 약간의

제약의 조절이 생겼을 때 한 어트랙터에서 일관성이 좋았던게 제약

뭐야 뭐야 제어매기 변수를 살짝 조절을함으로써이 어트랙터가 약간

약지는데 이미 존재하는 다른 어트랙터 이걸 이제 어 메타스테이블한

어트랙터라고 얘기를 하는데 얘가 이제 안정적으로 드러나면서 빠르게 상전위가

돼 버린 거예요. 그래서 기존에 있던 안정된 상태에서 빠르게 다른 안정적인

상태로 상전위가 가능한 그런 능력을 가졌다라고 볼 수도 있겠죠. 어떤

의미에서는 숙련도가 좋으신 분들이 결국 얘기해

보면이 자세를 많이 해 보셨다는 피드백들이 많으셔서 어트랙터이 많은

것도 어트랙터들이 많은 것도 맞는 거 같습니다. 음.

>> 이제 그게 이제 탐색 전략이랑 이제 또 연관이 되는 거죠. 그러니까

기존에 탐색을 다양하게 해 본 사람들은 그 탐색에 의해서 어트랙터가

형성이 가능하거든요. 그러니까 효율적인 탐색에 의해서 그까 그분들은

그만큼 그 효율적인 탐색 뭐 그것도 그것

주에 더 얘기를 할 건데을 통해서 예 어트랙터들이 이미 많이 형성된 상태

그래서 뭐 막 어린 선수들 엘리트 운동 시키는 거 조금 더 약간 다양한

운동들도 시키면서 하나에 점점 집중해 나가야 된다 이런

얘기를 이제 많이들 하는데 엘리 그 소년 엘리트들 키울 때 근데 이제

약간 그런 것도 도 마찬가지로 한 한 운동만 계속 하다 보면은 그 운동에서

자주 사용하는 어트랙터 상태들 만 점점 깊어지기 시작을 해서 결국 그

친구들은 조금만 자세 제어랑 조금만 뭔가 제어매기의 변수가 조절이 돼서

그 상 그 상태에서 요동이 생겼을 때 다른 어트랙터로 상전를 좀 더 괜찮은

좀 더 효율적인 어트랙터로 상전히 할 수 있는 확률이 적어지는데 어릴

때부터 다양한 운동들을 겪었던 사람 친구들은 그 하나만 팠던 친구들

들보다 훨씬 더 다양한 어트렉터들이 존재를 하기 때문에 훨씬 더

효율적이고 건강한 어트랙터들이 존재를 하기 때문에 이제 더 다양한 섭동들에

대해서 더 유연하게 대처를 할 수 있는 약간 그런 얘기들도 많이를

하죠. 근데 뭐 물론 그거를 그 사람들이 다이나믹 시스템 바탕으로

얘기를 하지 않는데 이제 그렇게 해석을 생각을 해 볼 수 있는 거죠.

조금 세긴 했는데 예. 경로 쌤 이거이 일관성이라고 하는

실무상 지표에서 어떻게 연역할 수 있을까? 약간

이런게 공부했던 거. 이런 거 가능성 보고 싶었던 거죠.

이제 그런 경향성이나 패턴을 우리 시무자들은 많이 알고 있수록 좋으니까

일단은 귀난만 하는 걸로. 자, 그러면은 이제 추가 질문 없는

거 같으니까 여기서 마무리를 하죠.