도파민은 우리가 무엇인가를 강렬하게 원할 때 증가하지만, 반드시 즐거움을 직접 생성하는 것은 아닙니다. 오히려 즐거운 감정이 도파민을 생성하게 만듭니다. 예를 들어, 술을 좋아하는 사람은 알코올을 원하지만 실제로 그것을 '알콜'이라는 성분이 생물학적으로 잘 받는지는 알 수 없습니다. 보통의 생명체에겐 일정량 이상의 알코올을 부정적 영향을 미칩니다. 이는 욕구와 즐거움이 분리될 수 있음을 보여줍니다. 하지만, 대부분은 술과 술자리 등이 주는 즐거운 감정, 기분 때문에 알콜을 좋아한다고 착각하게 됩니다.

좀 더 쉽게 말하면 도파민은 '원함'의 발생만 촉진합니다. 이는 일반적으로 '좋아함' 이후에 사람에 따라 강화 되는 것 입니다. 도파민은 이러한 즐거움을 생성하는 상황에 대한 욕구를 뇌에 인코딩합니다. 이걸 최근에 많은 유튜브 및 뇌과학자들이 말하는 도파민을 영리하게 사용하기 혹은 도파민 해킹이라고 하는 영역 입니다.

(중략)

기획에 이러한 지식을 적용할 때, 사용자가 다음 순간에 무엇을 기대하는지 예측하고, 그 기대를 초과하는 보상 경험으로 이끄는 것이 중요합니다. 예를 들어, 소셜 미디어는 예상치 못한 보상을 끊임없이 제공하므로, 사용자는 계속해서 소셜 미디어 피드를 확인하게 됩니다. 이는 사용자가 다음에 어떤 재밌는게 나올지 모르기 때문에 계속 시도하게 되고 재밌는 걸 보게 되면 도파민이 방출되어 이것이 습관화 되는 것이죠.

이러한 원리는 사실 게임 디자인에서는 이미 많이 사용되어 왔습니다. 사용자의 기대를 계속해서 뒤엎는 것이 주된 목표입니다. 예를 들어, 어떤 게임의 필승법을 알게 되면 그 게임은 더 이상 재미있지 않게 됩니다. 우리가 한 번 즐겁게 여겼던 것들에 지루해지는 것도 도파민의 작용 때문입니다. 예상했던 보상을 정확히 받게 되면, 뇌는 도파민 생산을 증가시키지 않습니다. 이는 더 이상의 학습, 탐험, 자동성이 필요하지 않기 때문입니다.

많이들 착각하는게 이 부분입니다. 보상이 핵심이 아닙니다. 예상하지 못한 보상이 핵심입니다.

상품에 대한 욕구는 학습이 불완전할 때 생성됩니다. 만약 실험실 쥐가 레버를 누를 때마다 달콤한 주스를 받게 된다면, 그것은 레버를 눌러 달콤한 주스를 얻을 수 있다는 것을 빠르게 배웁니다. 그러나 그것은 항상 달콤한 주스를 필요로 하는 것은 아닙니다. 그러나 달콤한 주스를 확률적으로 받게 되면, 학습은 영원히 완료되지 않습니다. 쥐는 레버를 눌러 달콤한 주스를 예측하는 요소를 알아내기 위해 계속 시도합니다.

인공지능도?

개인적으로 인공지능이 chatGPT 및 LLM 등이 엄청난 관심을 받게 된 것도 이러한 원리 때문이라고 봅니다. 알파고나 기존의 딥러닝에서 제안하는 방식들은 사용자 입장에선 "필승법" 혹은 "치트키"같은 정도로 보였을 것 입니다. 하지만 최근에 나온 생성형 모델은 기본적으로 결과값을 예측하기 어렵습니다. 이것은 예상치 못한 보상이고 사용자의 약간의 노력(Prompting)을 통해 확실한 변화를 가져다 주기에 효용감과 쾌감이 다른 기술들에 비해 월등한 점에서 왔다고 생각합니다. 그리고 결과가 매번 다르다 보니 사용자 입장에선 학습이 영원히 완료되지 않죠. (딥러닝이라는 것 자체가 허들이 높고 결과값을 예측하기 쉽지 않음)

이어지는 내용은 아래 링크에 계속