소식

심장 이식을 받는 사람은 심장을 준 사람보다 대체로 스무 살가량 나이가 많다. 보스턴 브리검 여성병원의 제시 포가닉(Jesse Poganik)이 병원 기록을 살펴보다 확인한 경향이다.

상식대로라면 젊은 심장은 새 몸에서도 젊게 뛰어야 한다. 노화 시계로 재 보니 결과는 딴판이었다. 옮겨 심은 심장은 얼마 지나지 않아 받는 사람 몸의 생물학적 나이에 맞춰졌다. 젊은 심장이 늙은 몸을 끌어올린 게 아니라, 늙은 몸이 젊은 심장을 끌어내린 셈. 거꾸로 젊은 몸에 들어간 늙은 심장은 젊어졌다.

이 결과가 흔드는 건 두 가지다. 하나는 ‘젊은 장기로 바꾸면 젊어진다’는 기대. 다른 하나는 검진표나 앱에서 흔히 보는 ‘생체 나이’라는 숫자다. 생각보다 훨씬 까다로운 값이다.

달력 나이와 생물학적 나이는 다른 숫자다

보통 나이라고 하면 태어난 날부터 센 햇수, 곧 달력 나이(연대기적 나이)를 말한다. 생물학적 나이는 몸이나 특정 조직이 실제로 얼마나 닳았는지를 추정한 값이다. 같은 쉰 살이어도 어떤 사람의 혈관은 마흔 살 수준이고, 또 다른 사람의 간은 예순 살 수준이라고 말하는 식이다.

구분	달력 나이	생물학적 나이
기준	태어난 날부터 센 햇수	몸·조직이 실제로 닳은 정도
구하는 방법	날짜만 알면 계산됨	여러 분자 지표를 조합해 추정
한 사람 안에서	하나로 고정	장기·조직마다 제각각
지표를 바꾸면	그대로	같은 사람도 다른 숫자가 나옴

헷갈리기 쉬운 지점이 여기다. 생물학적 나이는 체중처럼 저울에 올리면 바로 찍히는 값이 아니다. 여러 분자 지표를 조합해 ‘이 조직은 몇 살쯤으로 보인다’고 내린 추정이다. 어떤 지표를 쓰는지, 어느 조직을 재는지에 따라 같은 사람에게서도 숫자가 달라진다.

한 사람 안에서도 장기마다 나이가 제각각이라는 전제. 포가닉 연구팀은 여기서 한 걸음 더 나갔다. 그 장기 하나를 다른 몸으로 옮기면 나이가 어떻게 되는지를 물은 것이다.

노화 시계, 나이를 맞히도록 만든 추정 모델

노화 시계(aging clock)는 조직이나 개체 전체의 생물학적 나이를 추정하는 분자 도구다. 개발자 눈에는 회귀 모델과 꽤 닮아 보인다. 만드는 과정은 대략 이렇다.

• 나이가 제각각인 여러 샘플에서 분자 데이터를 모은다. 널리 알려진 입력값은 나이가 들며 바뀌는 DNA 메틸화 패턴이다.
• 그 데이터로 실제 나이를 최대한 잘 맞히도록 모델을 만든다.
• 완성된 모델에 새 샘플을 넣고, 나온 예측값을 생물학적 나이로 읽는다.
• 예측값이 달력 나이보다 높으면 그 조직은 또래보다 노화가 빠르다고, 낮으면 느리다고 해석한다.

포가닉 연구팀은 이런 시계 세 가지를 함께 썼다. 새 심장을 받지 않은 쥐에서는 이 시계들이 실제 나이를 잘 맞혔다. 도구가 제대로 작동하는지부터 확인하고 본 실험에 들어간 것. 이식 결과가 예상을 벗어났는데도 ‘측정 오류’로 쉽게 넘기기 어려운 이유가 여기 있다.

한계도 뚜렷하다. 노화 시계는 학습에 쓴 지표가 담는 범위까지만 본다. 벤치마크 하나가 잘 나왔다고 시스템 전체 성능이 보장되지 않듯, 시계 하나의 숫자가 그 장기의 노화 상태 전부를 대표하지는 못한다. 이 한계는 뒤에서 한 번 더 문제가 된다.

젊은 피 실험에서 푸틴의 ‘장기 교체’ 발언까지

노화 연구에서 자주 인용되는 실험이 있다. 젊은 쥐와 늙은 쥐의 몸을 수술로 이어 붙여 피를 나눠 쓰게 하면 늙은 쥐에게 회춘 효과가 나타난다는 결과다. 비슷한 결과가 여러 실험에서 나왔다.

여기서 ‘젊은 몸의 무언가가 늙은 몸을 되살린다’는 교체 가설이 힘을 얻었다. 그 무언가를 젊은 피에서 찾으려는 연구도 줄줄이 이어졌다.

이 발상이 대중에게 널리 알려진 장면도 있다. 블라디미르 푸틴 러시아 대통령이 시진핑 중국 국가주석에게 “생명공학이 발전하면 장기를 계속 바꿔 가며 점점 더 젊게 살고, 불멸까지 가능해진다”는 취지로 말한 것이 켜진 마이크에 잡혔다고 전해진 일이다. 이번엔 혈액이 아니라 장기 자체가 교체 대상이다. 젊은 장기를 넣으면 몸이 젊어진다는 생각이 그대로 깔려 있다.

포가닉의 질문도 같은 자리에서 출발한다. 회춘의 열쇠가 젊은 피가 아니라 젊은 장기에 있다면, 젊은 심장을 받은 늙은 몸에서 뭔가 달라져야 맞다.

쥐 목에 단 두 번째 심장, 4~6개월 뒤 나이가 바뀌었다

연구팀은 쥐의 원래 심장을 그대로 둔 채 목 부위에 두 번째 심장을 이식했다. 사람 심장 이식처럼 기존 심장을 떼어 내는 방식보다 수술이 조금 단순하다. 새 심장과 원래 심장을 한 몸 안에서 나란히 비교하기도 좋다. 실험군은 둘로 나뉘었다.

• 한 그룹: 젊은 성체 쥐에게 중년 쥐의 심장을 추가 이식
• 다른 그룹: 중년 쥐에게 젊은 쥐의 심장을 추가 이식

포가닉이 처음 예상한 건 양방향 효과였다고 한다. 젊은 심장은 늙은 쥐를 돕고, 늙은 심장은 젊은 쥐를 늙게 만드는 그림이다. 근거도 있었다. 같은 연구팀의 앞선 작업에서 늙은 심장을 받은 젊은 쥐의 다른 장기에 노화세포가 쌓이는 현상이 관찰됐다. 노화세포는 노화 과정에 관여한다고 여겨지는 세포라, 늙은 장기를 받으면 몸이 일찍 늙을 가능성을 시사하는 결과였다.

수술 후 4~6개월 시점에 이식 심장을 분석하자 예상은 빗나갔다. 젊은 심장은 늙었고, 늙은 심장은 젊어졌다. 두 경우 모두 이식 심장의 생물학적 나이가 수혜 쥐의 나이 쪽으로 옮겨 갔다. 포가닉의 설명은 이렇다. “이식된 장기가 놓인 환경이 그 장기가 생물학적으로 어떻게 행동할지를 좌우한다.”

반대 방향의 영향은 보이지 않았다. 수혜 쥐의 혈액과 원래 심장, 다른 장기 어디에서도 새 심장의 나이에 따른 뚜렷한 변화가 없었다.

앞선 노화세포 결과와 나란히 놓으면 묘한 대목이다. 노화세포로 봤을 때는 늙은 심장이 젊은 쥐의 다른 장기에 흔적을 남겼는데, 노화 시계로는 흔적이 잡히지 않았다. 어느 한쪽이 틀렸다기보다 잣대가 다르면 답도 달라진다고 읽는 편이 자연스럽다. 앞에서 말한 노화 시계의 한계가 정확히 이 지점이다.

사람 데이터도 같은 방향을 가리켰다. 다만 쥐처럼 새로 설계한 실험은 아니다. 심장 이식 환자는 수술 뒤 여러 차례 심장 조직 생검을 받는데, 브리검 여성병원에는 이 조직이 수십 년 치 보관돼 있다. 이 샘플을 노화 시계로 재 보니 공여자 나이와 상관없이 새 심장은 빠르게 수혜자의 생물학적 나이에 맞춰졌다.

사람에서 확인된 건 ‘이식 심장이 수혜자를 따라간다’는 부분까지다. 쥐 실험처럼 수혜자의 혈액이나 다른 장기까지 비교한 결과는 소개된 내용에 나오지 않는다.

분석 대상	조건	노화 시계로 본 결과
중년 쥐 + 젊은 심장	중년 쥐 목에 젊은 쥐의 심장을 추가 이식	이식 심장이 늙은 쪽으로 이동
젊은 성체 쥐 + 중년 심장	젊은 쥐 목에 중년 쥐의 심장을 추가 이식	이식 심장이 젊은 쪽으로 이동
수혜 쥐의 원래 심장·혈액·다른 장기	새 심장의 나이와 무관하게 비교	뚜렷한 변화 없음
사람 이식 심장 생검 조직	수십 년간 보관된 이식 후 생검 샘플	공여자 나이와 관계없이 수혜자 나이에 빠르게 맞춰짐

원문은 생명과학 분야 프리프린트 서버인 bioRxiv에 공개된 논문이고, MIT 테크놀로지 리뷰가 바이오테크 뉴스레터에서 다루면서 알려졌다. 쥐 실험 결과는 전부 수술 후 4~6개월 시점 기준이다. 그보다 긴 기간에 무슨 일이 이어지는지는 이 데이터로는 알 수 없다.

검진표 ‘생체 나이’와 회춘 광고, 다시 따져 볼 근거

국내 병원의 이식 절차나 검사 서비스가 이 연구로 당장 바뀌지는 않는다. 그래도 한국 사용자가 일상에서 마주치는 몇몇 장면에서 판단 기준을 고쳐 잡을 근거는 된다. 아래 내용은 연구 결과를 바탕으로 한 해석이고, 국내 제도가 달라졌다는 뜻은 아니다.

• ‘생체 나이’ 점수: 건강검진 결과지나 일부 검사 서비스, 운동 앱에서 ‘생체 나이’, ‘건강 나이’ 같은 이름으로 숫자를 보여 주는 경우가 있다. 특정 지표 몇 개로 추정한 결과다. 지표에 따라 같은 장기가 늙었다고도, 아니라고도 나올 여지가 이번 연구에서 드러났다. 숫자 하나로 몸 전체를 단정하기 전에 어떤 지표로 계산했는지부터 확인하는 편이 낫다.
• 회춘을 내세운 광고: ‘젊은 피’, ‘젊은 세포’를 앞세운 안티에이징 광고가 쥐 실험을 근거로 드는 경우가 있다. 젊은 심장이 통째로 들어가도 몸 나머지의 노화 시계는 움직이지 않았다. 성분 하나로 몸이 젊어진다는 주장이라면 근거를 훨씬 깐깐하게 따져 봐야 한다고 본다.
• 장기 기증을 바라보는 시선(추측): 나이 든 공여자의 심장도 받는 사람 몸에 맞춰 젊은 쪽으로 이동했다. 고령이라 기증 의미가 적다고 여기던 사람에게는 생각해 볼 거리다. 실제 기증과 이식 적합성은 의료진 판단과 국내 기준을 따르므로, 이 연구 하나로 현장 기준이 바뀐다고 보기는 어렵다.

확인된 것과 아직 불확실한 것

확인된 것

• 쥐 실험에서 이식 심장의 생물학적 나이는 수술 후 4~6개월 시점에 수혜 쥐의 나이 쪽으로 이동했다. 젊은 심장은 늙고, 늙은 심장은 젊어졌다.
• 수혜 쥐의 혈액·원래 심장·다른 장기는 노화 시계 기준으로 새 심장의 영향을 받지 않았다.
• 수십 년간 보관된 사람 심장 이식 생검 조직에서도 같은 패턴이 나왔다.
• 연구에 쓴 노화 시계 세 가지는 이식을 받지 않은 쥐의 실제 나이를 잘 예측했다.

아직 불확실한 것

• 이식 심장이 왜 수혜자 나이를 따라가는지는 밝혀지지 않았다. 연구에 참여하지 않은 영국 버밍엄대의 주앙 페드루 드 마갈량이스(João Pedro de Magalhães)는 혈액을 도는 면역세포가 새 장기의 노화 표지에 영향을 줬을 가능성을 제시했다. 포가닉은 늙은 몸의 다른 요소들이 젊은 심장의 효과를 희석했거나, 장기 하나로는 효과를 보기에 부족했을 가능성을 언급했다. 모두 가설 단계다.
• bioRxiv 공개본은 동료 심사를 거치기 전 논문이라 결론이 수정될 여지가 있다.
• 심장 외 다른 장기에서도 같은 현상이 나타나는지는 이 연구로 알 수 없다.
• 노화세포 축적처럼 다른 지표로 보면 결론이 같을지는 열려 있다.
• 고령 공여자 심장을 더 쓰는 것이 실제 이식 성적 개선으로 이어질지, 국내외 공여자 선정 기준에 반영될지는 확인되지 않았다.

고령 공여자 심장엔 기회, 장기 교체 불멸론엔 찬물

포가닉은 이 결과를 계기로 외과의들이 고령 공여자의 심장을 다시 보길 기대한다. 나이 든 공여자의 심장은 기능이 떨어질 것이라는 가정 아래 버려지는 경우가 많다.

그 흐름은 이미 바뀌는 중이다. 이식 전에 장기를 보존하는 기계 장치가 변화를 이끌고 있고, 포가닉이 참여한 다른 연구에서는 이런 장치가 공여 간을 어느 정도 젊게 되돌리는 것으로 나타났다. 다만 이식 심장의 생물학적 나이가 젊은 쪽으로 옮겨 갔다는 것과 이식 성적이 좋아진다는 건 별개 문제다. 후자는 아직 확인되지 않았다.

장기를 계속 갈아 끼워 영원히 산다는 구상에는 찬물이 끼얹어졌다. 포가닉은 노화를 완전히 되돌리려면 노화의 모든 측면이 시간을 거슬러 올라가야 한다고 말한다. DNA 손상과 구조적 손상을 비롯한 온갖 퇴행을 온몸의 세포와 조직에서 한꺼번에 되돌려야 한다는 뜻이다. 엄청난 과제다. 그의 표현을 빌리면 “생물학적 나이에는 아마 되돌릴 수 있는 측면과 아마 되돌릴 수 없는 측면이 있다.”

생물학적 나이는 몸 전체를 한 줄로 요약하는 단일 숫자가 아니다. 지표마다 따로 움직이는 여러 값의 묶음에 가깝다. 젊은 장기 하나를 넣어도 그 장기는 결국 주변 환경을 따라간다. 회춘을 약속하는 기술이나 제품 앞에서 던질 질문은 세 개면 된다. 어떤 지표가, 얼마 동안, 어떻게 바뀌었나. 가장 현실적인 방어선은 이 질문들이다.

출처: MIT Tech Review AI

혈압, 맥박, 호흡, 땀. 1920년대에 폴리그래프가 발명된 뒤로 거짓말탐지기가 기록하는 신호는 이 네 가지에서 거의 달라지지 않았어요. 검사관이 그래프를 읽고 판단하는 방식도 그대로고요. 미 국방부가 이 장비를 인공지능과 비접촉 센서로 현대화하겠다며 5년에 걸쳐 3,030만 달러를 요청했다는 예산 문서 내용이 MIT 테크놀로지 리뷰를 통해 알려졌어요. 결론부터 말하면, 센서를 몸에서 떼고 AI가 점수를 매겨도 가장 큰 구멍은 그대로예요. 어떤 검사가 실제로 맞았는지 알려줄 정답 데이터가 없다는 것. 그래서 이 글은 사업 소식보다 그 밑에 깔린 개념을 따라가요. 폴리그래프가 정확히 무엇을 재는지, AI가 거기에 무엇을 보태는지, 많은 연구자가 이 조합에 왜 고개를 젓는지를 차례로요.

폴리그래프가 재는 건 거짓말이 아니라 몸의 긴장

폴리그래프 원리는 한 단어로 줄일 수 있어요. 비교. 검사관은 “하늘은 파란색인가요?”처럼 답이 뻔한 기준 질문과 “범죄를 저지른 적이 있나요?” 같은 목표 질문을 섞어서 던져요. 두 종류 질문에 대한 생리 반응을 나란히 놓고, 목표 질문 쪽 반응이 유독 도드라지면 기만 가능성이 있다고 판단하는 식이에요.

오해가 자주 생기는 대목이 여기예요. 센서가 남기는 건 혈압이 올랐다, 호흡이 빨라졌다, 손에 땀이 났다는 ‘현상’뿐이에요. 그게 거짓말 때문인지, 억울해서 긴장한 건지, 질문 자체가 불쾌해서인지 센서는 가려내지 못해요. 해석은 결국 사람 몫. 검사관에 따라 결과가 크게 갈린다는 비판이 이 장비에 늘 따라붙는 것도 그래서예요.

미국 연방정부는 직원 심사 과정에서 해마다 수만 건의 폴리그래프 검사를 해요. 그런데 그 결과가 법정 증거로 받아들여지는 경우는 드물어요. 널리 쓰인다는 것과 과학적으로 검증됐다는 것이 전혀 다른 얘기라는 걸 이만큼 선명하게 보여주는 사례도 흔치 않죠.

Polygraph+가 보태는 것, 붙이지 않는 센서와 AI 점수

사업 이름은 Polygraph+, 혹은 Polygraph Next. 초점은 두 갈래예요. 하나는 인공지능·머신러닝 기반의 점수화 알고리즘이고, 다른 하나는 ‘스탠드오프 센싱(standoff sensing)’이라 불리는 비접촉 측정이에요. 스탠드오프 센싱은 몸에 벨트나 전극을 붙이지 않고 떨어진 곳에서 생리 신호를 읽어내는 기술을 말해요.

실제로 어떤 기술이 들어갈지는 아직 공개되지 않았어요. 단서는 있어요. 국방부 산하 DIU(Defense Innovation Unit)가 2023년 기만 탐지에 쓸 제품을 공개 모집해 두 회사를 시제품 개발사로 골랐거든요. Presage Technologies는 일반 카메라로 심박수와 호흡수를 잰다고 주장하는 회사예요. Altec Research는 의료용 센서 회사인데, 비접촉 센싱 쪽으로 영역을 넓히는 중이고요. DIU가 공개한 Altec 시제품 화면을 보면 머리 움직임, 얼굴 피부 온도, 모공 활동을 추적해요. 다만 이 시제품들이 Polygraph+로 곧장 이어진다는 확인은 없어요. 방향을 가늠하는 힌트 정도로 읽는 게 맞아 보여요.

AI가 맡는 역할은 ‘다중 모달(multi-modal)’ 점수화예요. 여러 측정값을 한데 묶어 기만 점수 하나로 뽑아내는 방식이죠. 로테르담 에라스뮈스 대학교에서 기만을 연구하는 소피 반 데르 제이 교수는 거짓말탐지가 노리는 수면 아래 현상을 셋으로 나눠요. 생리적 스트레스, 인지 부하, 그리고 거짓말을 숨기려는 의식적 노력. 기존 폴리그래프가 다루는 건 이 중 첫 번째뿐이니, 세 방향을 함께 볼수록 성공 가능성이 높아진다는 게 반 데르 제이 교수의 설명이에요.

개념 자체는 새롭지 않아요. 영상에서 기만 점수를 뽑는 시스템도, 국경 심사용 다중 센서 도구도 이미 나온 적이 있어요. 결말은 아래 표에 적힌 대로예요. 이 프로젝트들은 모두 조용히 사라졌어요.

방식	측정·분석 대상	원문에 나온 사례	드러난 한계
전통 폴리그래프	혈압, 맥박, 호흡, 땀	미 연방정부 직원 심사(연간 수만 건)	검사관별 결과 편차, 법정 증거로 거의 인정 안 됨, 대응 기법 존재
카메라 기반 생체 측정	일반 카메라 영상에서 심박수·호흡수	Presage Technologies(DIU 시제품)	시제품 단계, 회사는 논평 요청에 응답하지 않음
비접촉 복합 센서	머리 움직임, 얼굴 피부 온도, 모공 활동	Altec Research(DIU 시제품)	시제품 단계, 회사는 논평 요청에 응답하지 않음
영상 기반 기만 점수	영상 속 반응으로 기만 점수 산출	Silent Talker(맨체스터 메트로폴리탄 대학교) → EU 지원 iBorderCtrl 시범사업	조용히 사라짐
국경 심사용 다중 센서	시선 추적, 음성 분석, 신체 움직임	미국 AVATAR	조용히 사라짐
기타 단일 신호 방식	열화상, 동공 추적, 뇌 스캔	수십 년간 여러 연구	실험실 밖에서 신뢰할 만한 결과 없음

정확도 80~94%, 280만 명에 돌리면 계산이 달라진다

미국폴리그래프협회가 내세우는 폴리그래프 정확도는 80~94%예요. 아무 도구 없이 사람이 거짓말을 알아맞히는 확률이 절반을 조금 넘는다는 연구와 나란히 놓으면 꽤 괜찮아 보이죠. 업계 단체가 내놓은 수치라는 점은 감안하고 읽어야 하고요. 더 큰 문제는 따로 있어요. 이 숫자는 ‘한 사람을 검사할 때’의 관점이에요. 많은 사람을 한꺼번에 걸러내는 스크리닝으로 넘어가면 얘기가 달라져요.

IT 쪽에서 쓰는 말로 바꾸면 기저율(base rate) 문제예요. 스팸 필터를 떠올리면 쉬워요. 정확도가 높은 필터라도 처리하는 메일이 많으면 잘못 걸러지는 정상 메일의 절대 개수가 불어나요. 찾으려는 대상이 전체에서 아주 드물면 ‘의심’ 판정 목록의 상당 부분이 오탐으로 채워지고요. 직원 전체에서 실제 내부 위협자는 극소수일 테니 구조가 똑같아요. 2003년 미국 국립연구위원회(NRC) 보고서가 짚은 것도 이 지점이에요. 이 정도 정확도의 검사라도 스크리닝에 쓰면 실수가 많이 나온다는 것. 국방부 인력은 280만 명이에요. 불완전한 시스템을 이 규모로 돌리면 수만 명이 억울하게 의심받는 결과로 이어진다는 우려가 나오는 배경이죠.

검증의 역사도 우호적이지 않아요. 1983년 미 의회 기술평가국(OTA)은 직원 심사용 폴리그래프를 뒷받침하는 근거가 매우 제한적이라고 결론 내렸어요. 20년 뒤인 2003년, NRC가 내린 평가는 효과에 대한 근거가 “기껏해야 약하다”였고요. 검사관마다 결과가 크게 다르다는 점, 소수 집단 출신이 기만 판정을 더 많이 받는 경향도 문제로 꼽혀요.

뚫는 방법도 알려져 있어요. 훈련을 받으면 기준 질문에서 일부러 반응을 키우는 요령을 익히게 돼요. 신발 속에 숨긴 핀을 밟아 통증으로 생리 반응을 끌어올리는 식이에요. 기준 질문 반응이 커지면 목표 질문과의 차이가 줄고, 판정은 흐려져요. 반 데르 제이 교수의 말을 빌리면 “작동 원리를 알면 이기는 방법도 안다”.

AI가 못 푸는 건 알고리즘이 아니라 정답 데이터

AI를 붙이자는 쪽의 논리는 두 가지예요. 사람 검사관이 놓치는 패턴을 데이터에서 찾아낼 가능성이 있다는 것, 그리고 여러 신호를 섞은 점수는 한두 가지 신호만 조작해서는 속이기 어렵다는 것. 앞에서 본 핀 밟기 같은 대응 기법을 떠올리면 두 번째 주장엔 나름 설득력이 있어요. 이론만 놓고 보면 틀린 말은 아니에요.

막히는 곳은 학습에 필요한 정답(ground truth)이에요. 지도학습 모델을 만들려면 ‘이 데이터는 거짓말, 저 데이터는 진실’이라는 라벨이 있어야 해요. 그런데 폴리그래프 기록에 붙은 라벨은 대부분 검사관의 판정이고, 그 판정이 맞았는지 확인할 방법이 마땅치 않아요. 법학자 마리온 오스왈드 교수는 세상의 모든 폴리그래프 기록을 모아도 그 검사들이 맞았는지 틀렸는지는 알 수 없다고 지적해요.

라벨이 흔들리면 모델이 배우는 건 ‘거짓말의 패턴’이 아니라 ‘검사관이 거짓말이라고 판단한 패턴’일 가능성이 커 보여요. 검사관의 편향도, 앞에서 본 소수 집단 판정 쏠림도 고스란히 학습될 위험이 있다는 뜻이에요. 영국 노섬브리아 대학교에서 사법 절차의 폴리그래프 사용을 연구하는 법학자 키리 코초글루는 AI와 폴리그래프의 결합을 ‘양쪽의 나쁜 점만 모은 조합’이라고 불러요. 타당성이 부족한 측정 위에 불확실성을 한 겹 더 얹는 셈이라는 거예요. 이번 사업을 두고도 코초글루는 복잡한 것을 손에 잡히는 무언가로 환원하려는 잘못된 시도라고 평가했어요.

가장 밑바닥의 벽은 따로 있어요. 거짓말에만 나타나는 단일 신호가 없다는 점. 모든 사람에게, 언제나 똑같이 나타나는 거짓말의 흔적은 발견된 적이 없어요. 반 데르 제이 교수의 표현으로는 “피노키오의 코는 아직 없다”. 알고리즘을 아무리 다듬어도, 찾아야 할 대상부터 정의되지 않은 상태라는 얘기예요.

한국엔 당장 영향 없지만, 웹캠 영상의 무게는 달라진다

직접 달라지는 건 거의 없어요. Polygraph+는 미 연방정부의 신원조사를 맡는 국방방첩보안국(DCSA)이 운영할 사업이고, 용도도 채용 예정자 심사와 ‘내부자 위협 탐지’로 적혀 있어요. 예산 문서는 아직 의회 승인도 받지 않았고요. 한국 사용자가 쓰는 앱이나 기기에 이 사업이 곧바로 닿을 경로는 보이지 않아요.

간접적인 쪽은 따져볼 만해요. 여기부터는 추측이라는 점을 먼저 밝혀둘게요. 일반 카메라로 심박수와 호흡수를 잰다는 기술이 국방 예산과 함께 주목받으면, 같은 계열 기술이 채용 면접이나 출입 보안 같은 민간 서비스에 ‘진정성 분석’, ‘스트레스 분석’ 같은 이름을 달고 등장할 가능성도 있어 보여요. 노트북 웹캠과 스마트폰 전면 카메라는 대부분의 사람이 이미 갖고 있으니 하드웨어 장벽이 낮거든요.

개인정보 관점에서 보면 의미가 한층 달라져요. 얼굴 영상에서 심박과 호흡이 추출된다면, 화상 면접 녹화본은 단순한 영상이 아니라 생체 신호가 담긴 데이터가 되는 셈이에요. 이런 서비스를 만났을 때 던질 질문은 다섯 가지로 좁혀져요.

• 무엇을 측정하는가: 영상에서 어떤 신호(심박, 피부 온도, 시선, 음성)를 뽑는지 공개하는지
• 무엇을 정답으로 학습했는가: ‘거짓말’이나 ‘부정직’이라는 라벨을 어떻게 만들었는지
• 오탐은 얼마나 되는가: 정확도 한 숫자 대신, 정직한 사람을 의심으로 분류하는 비율을 따로 밝히는지
• 집단별 편향을 검증했는가: 피부색, 연령, 장애 여부 등에 따라 결과가 쏠리지 않는지
• 파생 데이터는 어떻게 관리되는가: 원본 영상뿐 아니라 추출한 생체 신호의 보관·삭제 정책이 있는지

이 질문들에 답하지 못하는 도구라면 그 점수를 판단 근거로 삼기 어렵다고 보는 게 맞아요. 폴리그래프가 1920년대부터 풀지 못한 정답 데이터 문제를 ‘AI 분석’이라는 이름표 하나로 해결했을 리는 없으니까요.

확인된 것과 아직 불확실한 것

확인된 것

• 미 국방부 예산 요청에 5년간 3,030만 달러 규모의 Polygraph+(Polygraph Next) 사업이 들어 있다
• 사업 초점은 AI·머신러닝 기반 점수화 알고리즘과 비접촉(스탠드오프) 센싱이다
• 운영 주체는 DCSA, 용도는 채용 예정자 심사와 내부자 위협 탐지다
• DIU는 2023년 기만 탐지 시제품 개발사로 Presage Technologies와 Altec Research를 선정했다
• 1983년 OTA와 2003년 NRC는 직원 심사용 폴리그래프의 근거가 약하다고 평가했다

아직 불확실한 것

• 의회가 이 예산을 승인할지 여부
• Polygraph+에 실제로 어떤 기술이 쓰일지(DCSA는 추가 정보 요청에 응답하지 않았다)
• DIU 시제품의 기만 탐지 성능(두 회사와 DIU 모두 논평하지 않았다)
• AI 점수화가 기존 폴리그래프보다 정확하다는 독립적인 검증 결과

거짓말탐지기가 실제로 하는 일은 판정보다 억제

반 데르 제이 교수가 꼽는 폴리그래프의 가장 큰 효과는 억제력이에요. 검사가 시작되기도 전에 자백하는 경우가 많다는 거죠. 조건이 하나 붙어요. 사람들이 폴리그래프가 통한다고 믿어야 한다는 것. 억제 효과가 믿음에 기대는 구조라서, 새 장비가 실제 정확도를 끌어올리지 못해도 ‘더 정교해졌다’는 인상만으로 억제 효과는 유지될 것으로 보여요. 뒤집으면 함정이기도 해요. 검사 전 자백처럼 겉으로 드러나는 효과만 보고 정확도가 좋아졌다고 착각하기 쉬운 구조거든요.

기술을 평가할 때 붙들 기준은 단순해요. 측정 장비가 정교해지는 것과 측정 대상이 명확해지는 것은 별개의 문제예요. 센서가 몸에서 떨어지고 알고리즘이 점수를 내놓아도, 그 점수가 무엇에 대한 점수인지 정의되지 않으면 정확도는 제자리예요. AI 거짓말탐지기 소식이 또 들리면 ‘이 시스템은 무엇을 정답으로 배웠나’부터 물어보세요. 과장된 주장은 대부분 그 질문 하나에서 걸러질 거예요.

출처: MIT Tech Review AI

3,030만 달러. 미국 국방부가 거짓말탐지기를 손보겠다며 예산 요청서에 적어 넣은 5년 치 금액이다. 사업 이름은 ‘Polygraph+’, 혹은 ‘Polygraph Next’.

내용은 두 갈래로 나뉜다.

• AI 채점 알고리즘: AI와 머신러닝으로 검사 결과를 채점한다.
• 원격 감지(standoff sensing): 몸에 장치를 붙이지 않고 떨어진 곳에서 생리 반응을 읽는다.

내건 목표는 폴리그래프 판정의 정확도와 신뢰성을 끌어올리는 것이다.

바깥의 시선은 차갑다. MIT Technology Review는 이 계획을 전하며 기술로 거짓말을 잡으려다 실패한 긴 역사에 사례 하나를 더할 뿐일지 모른다고 짚었다. 전문가들이 AI 거짓말 탐지에 붙인 이름은 “양쪽의 최악(the worst of both worlds)”이다.

필자의 판단도 크게 다르지 않다. AI를 얹는다고 거짓말탐지기의 근본 약점이 사라지지는 않는다. 오히려 새 문제가 하나 더 붙는다. 그 이유는 폴리그래프가 실제로 무엇을 재는 기계인지부터 보면 드러난다.

폴리그래프는 거짓말 대신 몸의 긴장을 잰다

폴리그래프(polygraph)는 이름 그대로 여러 신호를 한꺼번에 그래프로 기록하는 장치다. 흔히 이렇게 붙인다.

• 가슴과 배: 호흡을 재는 띠
• 팔: 혈압·맥박을 재는 커프
• 손가락: 땀 분비에 따른 피부 전기 반응 센서

검사관이 질문을 던지면 답하는 순간 신호들이 어떻게 출렁이는지 기록된다. 판정은 검사관이 그 파형을 읽어서 내린다.

걸리는 대목은 이 신호들이 거짓말에만 나타나는 반응이 아니라는 데 있다. 심장이 빨라지고 손에 땀이 차는 현상은 두려움, 억울함, 당혹감, 분노에서도 똑같이 일어난다. 오판은 양방향으로 난다.

• 거짓 양성: 결백하지만 의심받는 상황 자체가 무서운 사람은 거짓말쟁이처럼 보인다. 무고한 사람이 거짓말쟁이로 몰리는 경우다.
• 거짓 음성: 거짓말에 익숙해 태연한 사람은 결백해 보인다. 진짜 거짓말을 놓치는 경우다.

정확히 부르면 ‘거짓말 탐지기’보다 ‘긴장 반응 기록기’에 가깝다. 거짓말을 하면 긴장하고, 긴장하면 몸이 반응한다. 폴리그래프는 이 두 단계 가정 위에 서 있는데, 두 단계 모두 사람마다 편차가 크다. 전제가 흔들리는 한 판정 도구를 아무리 다듬어도 출발점의 오차는 남는다. 뒤에 나올 Polygraph+ 논의가 결국 이 지점으로 되돌아오는 이유다.

Polygraph+가 고치는 건 채점과 측정 단계뿐

검사 과정을 측정 → 해석 → 판정 순서로 쪼개 보면 Polygraph+가 어디를 건드리는지 보인다.

AI 채점 알고리즘의 표적은 해석·판정 단계다. 사람 검사관이 파형을 읽으면 경험이나 선입견에 따라 결론이 달라질 여지가 생긴다. 이를 알고리즘 점수로 대체하거나 보조해 판정을 일관되게 만들겠다는 발상이다.

원격 감지는 측정 단계를 바꾼다. 센서를 몸에 붙이는 대신 떨어진 위치에서 생리 반응을 읽는 방식. 어떤 센서를 쓸지는 공개된 설명에 나오지 않는다. 원격 생체 측정 분야에서는 카메라 영상 속 얼굴 피부색의 미세한 변화로 맥박을 추정하는 기술 등이 연구돼 왔지만, 국방부 사업이 이 방식을 택했는지는 확인되지 않았다. 센서 종류조차 모르는 상태라 정확도를 가늠할 근거도 아직 없는 셈이다.

구분	기존 폴리그래프	AI 채점 알고리즘	원격 감지
바꾸는 단계	기준점	해석·판정	측정
측정 방식	몸에 센서를 부착	측정보다 판정 방식을 바꿈	장치 부착 없이 떨어진 곳에서 측정
판정 주체	검사관의 파형 해석	AI·머신러닝이 산출한 점수	공개된 설명에 명시 없음
기대하는 점	–	판정 일관성 향상	장치 부착 절차 생략
남는 우려	긴장을 거짓말로 오판	판정 근거 설명의 어려움, 학습 데이터 문제	당사자가 측정 사실을 모를 가능성, 환경 오차

고치는 단계는 서로 다르다. 공통점은 하나다. 어느 쪽도 ‘생리 반응이 곧 거짓말의 신호’라는 첫 번째 가정에는 손대지 않는다. 비판이 모이는 곳도 바로 여기다.

‘양쪽의 최악’이 가리키는 세 가지 문제

전문가들이 무슨 근거로 이 표현을 골랐는지는 원문 요약에도 설명이 없다. 아래 내용은 확인된 논리가 아니라 해석이다. AI 판정 시스템에 흔히 따라붙는 비판을 폴리그래프의 약점과 겹쳐 봤다.

① 옛 약점이 그대로 넘어온다. AI가 하는 일은 입력 신호에서 패턴을 찾는 것뿐이다. 입력인 생리 반응과 거짓말의 연결이 느슨하면, 모델이 아무리 정교해도 그 느슨함은 메워지지 않는다. 흐릿한 사진을 아무리 확대해도 찍히지 않은 정보가 되살아나지 않는 것과 같은 이치.

② 정답 데이터를 구하기 어렵다. 머신러닝이 ‘거짓말할 때의 반응’을 배우려면 실제로 거짓말을 했는지 확실히 아는 사례가 대량으로 필요하다. 실험실에서 지시받아 하는 거짓말은 잃을 게 없어 긴장의 질부터 다르다. 현실 사건은 진실 여부를 끝내 확정하지 못하는 경우가 많다. 정답이 흐릿한 데이터로 학습한 모델이 내세우는 ‘정확도’는 그 숫자부터 해석이 까다롭다.

③ 새 약점이 붙는다. 검사관의 판단에는 “왜 그렇게 봤느냐”고 따져 물을 상대라도 있다. 알고리즘 점수는 왜 그 값이 나왔는지 설명하기 어렵다. 숫자로 찍힌 결과는 사람의 해석보다 객관적으로 보이기 쉽고, 오판이 나와도 반박할 여지가 줄어든다.

불확실한 입력 위에 불투명한 판정. 양쪽의 단점만 모인다는 평가는 이렇게 읽힌다.

장치를 떼면 ‘동의’의 의미가 바뀐다

기존 폴리그래프는 불편하다. 대신 투명하다. 센서가 몸에 닿는 순간 검사받는 사람은 자신이 측정되고 있다는 사실을 안다.

원격 감지는 이 절차를 없앤다. 편해지는 건 맞다. 문제는 기술 구조상 당사자가 측정 사실을 모른 채 반응이 기록되는 상황도 가능해진다는 점이다. 국방부가 이 기술을 어떤 조건에서 쓸지는 밝혀지지 않았다. 지금 단계에서 이건 확인된 계획이 아니라 구조적 우려로 봐야 한다.

정확도 부담도 커진다. 몸에 밀착한 센서보다 떨어진 곳에서 읽는 신호가 잡음에 약하다는 건 원격 측정 전반에 해당하는 이야기다. 카메라 기반이라면 조명, 움직임, 촬영 각도 같은 환경 요인이 결과를 흔든다. 긴장을 곧 거짓말로 보는 불안한 가정 위에 측정 오차가 한 겹 더 얹히는 셈이다.

감시 기술이 내세운 성능과 현장 결과가 어긋난 사례는 이미 있다. 같은 매체가 추적한 미국 남부 국경의 감시탑 ‘가상 장벽’이다. 수십억 달러가 들어간 이 시설을 두고, 감시탑이 내세운 탐지 범위 안에서 1,000명이 넘는 사람이 적발되지 않은 채 숨졌다는 조사 결과가 나왔다. 거짓말 탐지와는 다른 기술이긴 하다. 약속된 성능을 믿기 전에 검증 자료부터 요구해야 하는 이유로는 이 정도면 충분하다.

국내에선 수사는 증거력, AI 면접은 동의서가 관건

선부터 긋자. Polygraph+는 미국 국방부의 예산 요청 단계 사업이다. 한국 사용자의 일상에서 당장 달라지는 부분은 거의 없다. 다만 이 기술이 던지는 질문은 국내에서도 그대로 유효하다.

국내 수사기관도 거짓말탐지기 검사를 수사 보조 수단으로 쓴다. 현재 기준은 이렇다.

• 검사는 원칙적으로 본인 동의를 받아 진행한다.
• 법원은 결과를 유죄의 직접 증거로 삼는 데 매우 신중하다.
• 증거로 받아들여지더라도 진술의 신빙성을 판단하는 참고 자료 정도로 제한되는 것이 일반적이다.

채점을 AI가 맡는다고 이 기준이 곧바로 바뀔 가능성은 낮아 보인다. 법원이 문제 삼아 온 것은 채점 방식이 아니라 생리 반응과 거짓말 사이의 연결 자체이기 때문이다(필자의 추측).

생활에서 더 가까운 접점은 채용 과정 등에서 쓰이는 영상 분석 도구다. 일부 기업의 AI 면접처럼 표정이나 목소리를 분석하는 도구를 만나면 동의서에서 네 가지를 확인해 두자.

• 어떤 항목을 수집하는가: 영상, 음성, 생체 신호
• 목적은 무엇인가
• 얼마나 보관하는가
• 최종 판단을 사람이 하는가

국내 개인정보 법제에는 사람의 개입 없이 완전히 자동화된 결정에 대해 설명을 요구하거나 거부할 권리가 마련돼 있다. 어떤 절차가 여기에 해당하는지는 사안마다 판단이 갈린다. 네 번째 항목, 최종 판단을 사람이 하는지를 따로 챙겨 둘 가치가 있는 이유다.

웹 기반 면접이나 검사를 마친 뒤에는 카메라·마이크 권한을 회수해 두면 깔끔하다.

• PC용 크롬: 설정 → 개인정보 보호 및 보안 → 사이트 설정 → 카메라(또는 마이크)에서 사이트별 허용 목록 삭제
• 아이폰: 설정 → 개인정보 보호 및 보안 → 카메라에서 앱별로 끄기
• 안드로이드: 대체로 설정 → 애플리케이션 → 해당 앱 → 권한

기기와 버전에 따라 메뉴 이름과 위치는 다르다.

확인된 것과 아직 불확실한 것

확인된 것

• 미국 국방부 예산 요청서에 5년간 3,030만 달러 규모의 거짓말탐지기 개선 사업이 담겼다.
• 사업명은 ‘Polygraph+’ 또는 ‘Polygraph Next’다.
• AI·머신러닝 기반 채점 알고리즘과, 장치 부착 없이 생리 반응을 읽는 원격 감지가 두 축이다.
• 목표는 폴리그래프 판정의 정확도와 신뢰성 개선이다.
• 전문가들은 AI 기반 거짓말 탐지를 “양쪽의 최악”이라고 평가했다.

아직 불확실한 것

• 예산 요청이 그대로 승인될지 여부
• 원격 감지에 쓰일 구체적인 센서와 측정 방식
• AI 채점 알고리즘의 학습·검증 데이터와 성능 기준
• 개발된 기술이 어떤 대상과 상황에 적용될지
• 국내 수사기관이나 기업의 유사 기술 도입 여부

정확도 숫자보다 먼저 물어야 할 세 가지

AI 거짓말 탐지를 내건 기술은 이름을 바꿔 가며 계속 나올 것으로 보인다. 성능 수치에 휘둘리지 않으려면 세 가지를 순서대로 물으면 된다.

1. 무엇을 재는가. 거짓말 자체를 직접 재는 센서는 없다. 심박, 땀, 표정, 목소리 가운데 어떤 신호를 거짓말의 대리 지표로 삼는지, 그 신호를 긴장이나 두려움과 어떻게 가려내는지 설명이 붙어 있어야 한다. 이 설명이 빠져 있다면 뒤에 나오는 정확도 수치도 믿을 근거가 약하다.
2. 정답은 어디서 왔는가. 정확도를 내세운다면 실제 거짓말 여부가 확인된 사례로 검증했는지, 실험실에서 연출한 거짓말로 검증했는지부터 확인할 것. 둘은 긴장의 강도부터 다르다.
3. 결과가 어떤 결정에 쓰이는가. 수사 방향을 잡는 참고 자료인지, 채용 탈락이나 보안 심사 불합격으로 곧장 이어지는지. 여기에 따라 오판의 비용이 달라진다. 결과가 무거울수록 사람의 최종 검토와 이의 제기 절차가 반드시 붙어 있어야 한다.

Polygraph+가 성과로 남을지, 실패 목록에 한 줄을 더할지도 이 세 질문에 내놓는 답에 달렸다. 지켜볼 대목은 하나다. 3,030만 달러가 첫 번째 가정을 검증하는 데 쓰이는지, 그 위에 알고리즘을 쌓는 데만 쓰이는지.

출처: MIT Tech Review AI