장병탁 연구실의 독창성을 보여주는 중요한 분야는 바이오지능과 분자컴퓨팅이다. 연구실은 생물학적 시스템의 학습 원리와 정보처리 방식을 계산적으로 이해하는 동시에, DNA와 분자 반응을 실제 계산 매체로 활용하는 새로운 형태의 컴퓨팅을 탐구해 왔다. 이는 단순한 바이오인포매틱스를 넘어, 생명 시스템 자체를 학습과 계산의 플랫폼으로 바라보는 융합 연구라는 점에서 차별성이 크다. 실제로 연구실의 출판물과 학술활동에는 microarray 데이터 분석, 유전자 발현 분석, 암 진단, microRNA-mRNA 조절 모듈 탐색, 단백질 상호작용 문장 필터링, DNA 하이퍼네트워크, 분자 패턴 인식, 시험관 내 분자 학습 등 다양한 주제가 포함되어 있다. 특히 DNA 기반 하이퍼네트워크와 분자 진화학습은 인공신경망이나 확률모델의 원리를 생화학적 반응 체계에 이식하려는 시도로 볼 수 있다. 이는 계산의 병렬성, 초소형화, 생체적합성 측면에서 기존 전자식 컴퓨팅과 다른 가능성을 제시한다. 바이오지능 연구는 미래형 AI의 새로운 구현 원리를 탐색한다는 점에서 의미가 크다. 생명 시스템은 이미 고도로 적응적이고 자가조직적인 정보처리 체계이므로, 이를 모사하거나 활용하는 접근은 인간수준 지능의 기초를 이해하는 데도 기여한다. 동시에 정밀의료, 유전체 분석, 분자진단, 바이오센서, 생체모사 컴퓨팅 등 다양한 분야와 연결될 수 있어, 연구실의 인공지능 연구를 생명과학·나노기술과 이어 주는 핵심 축으로 기능한다.

이 연구 주제는 언어만 처리하는 인공지능을 넘어, 실제 세계를 감지하고 이해하며 스스로 행동하는 체화 인공지능을 구현하는 데 초점을 둔다. 연구실은 인간수준 범용지능의 핵심 조건으로 지각, 추론, 기억, 행동의 통합을 강조하며, 로봇이나 물리적 에이전트가 실세계 환경에서 연속적으로 학습하고 적응할 수 있는 구조를 탐구한다. 최근 수행 과제들에서도 신체를 가진 에이전트가 실생활 문제를 실시간으로 해결하고, 인간과 자연스럽게 상호작용하는 방향이 중심 목표로 제시된다. 구체적으로는 멀티모달 센서 정보를 바탕으로 상황을 인식하고, 불확실성을 자각하며, 필요한 경우 질문을 통해 정보를 보완하는 능동적 학습 구조가 핵심이다. 연구실은 강화학습, 행동 파운데이션 모델, 시뮬레이션-실세계 전이, 모바일 조작 로봇, 서비스 로봇, 홈 로봇 등 다양한 응용을 통해 행동 생성과 의사결정의 실용성을 높이고 있다. 특히 프로젝트와 특허에서 드러나듯이 홈 로봇의 동작 적응, 실시간 이동 경로 예측, 상황인지 서비스, 사람 보조 로봇과 같은 주제는 체화된 지능의 실제 구현을 지향한다. 이 연구의 의의는 생성형 AI의 한계를 보완하고, 현실 환경에서 지속적으로 성장하는 인공지능으로 확장하는 데 있다. 단순한 정적 모델이 아니라 경험을 통해 자기개선하고, 열린 세계에서 문제를 발견하며 해결 전략을 세울 수 있는 에이전트를 만드는 것이 장기 목표다. 이는 차세대 로봇, 개인 비서, 스마트 공간, 산업 자동화, 의료·돌봄 서비스 등 다양한 분야에서 인간과 협력하는 지능 시스템의 기반이 된다.

연구실의 또 다른 핵심 축은 시각, 언어, 음성, 행동, 생체신호 등 서로 다른 정보원을 함께 다루는 멀티모달 인지학습이다. 장병탁 교수의 연구 흐름은 인간의 학습과 기억 메커니즘을 계산적으로 모사하는 데서 출발하며, 영상과 언어 사이의 대응 관계, 비디오 스토리 이해, 시각적 질의응답, 대화형 인공지능, 기억 기반 학습 등으로 확장되어 왔다. 특히 비디오를 단순한 프레임 집합이 아니라 사건, 인물, 맥락, 서사의 구조로 이해하려는 접근이 연구실의 특징이다. 이 주제는 논문과 학술발표에서 매우 두드러진다. 비디오 스토리 질의응답, DramaQA, PororoQA, 시각 대화, 장면 그래프, 이미지 설명 생성, 멀티모달 메모리 네트워크, 주의집중 기반 영상 이해, 비주얼 그라운딩 등은 모두 멀티모달 표현 학습의 연장선에 있다. 연구실은 단순 분류보다 한 단계 나아가, 인공지능이 장면을 설명하고 질문에 답하며 인물 관계와 사건 흐름을 추론하도록 만드는 데 집중해 왔다. 이러한 연구는 인간의 기억 회상, 감정 반응, 미적 인식 같은 인지 현상과도 연결된다. 멀티모달 인지학습은 인간 친화적 AI를 구현하는 데 필수적이다. 실제 환경에서 의미 있는 판단을 내리려면 텍스트만이 아니라 시각적 맥락, 시간적 변화, 상호작용 신호를 함께 해석해야 하기 때문이다. 연구실의 성과는 교육용 튜터 로봇, 대화형 서비스 로봇, 영상 검색, 미디어 분석, 접근성 기술, 인간-기계 협업 인터페이스 등으로 이어질 수 있으며, 장기적으로는 인간 수준의 상황 이해와 설명 가능한 인공지능을 향한 기반 기술로 작동한다.

연구실은 응용 중심의 인공지능뿐 아니라 기계학습의 근본 원리와 모델 구조를 탐구하는 데에도 강한 전통을 갖고 있다. 초기부터 진화연산, 베이지안 학습, 확률 그래프 모델, 특징 추출, 판별 분석, 온라인 학습, 능동 학습 등 폭넓은 방법론을 발전시켜 왔으며, 이는 연구실 전체의 알고리즘적 기반을 형성한다. 장병탁 교수의 저서와 대표 논문들에서도 알 수 있듯, 학습의 효율성, 일반화 성능, 구조적 표현, 고차 상호작용을 다루는 이론적 관심이 매우 강하다. 대표적으로 하이퍼네트워크, 진화적 신경트리, 베이지안 네트워크, 분별적 차원축소, 정보이론 기반 학습, 스트림 데이터 학습, 메타러닝 및 온라인 적응 학습 등이 주요 연구 흐름이다. 고차 관계를 표현하는 하이퍼그래프 구조, 적은 데이터로도 효율적으로 학습하는 능동 학습, 연속적으로 들어오는 데이터를 다루는 평생학습 구조는 모두 연구실이 장기간 축적해 온 핵심 역량이다. 이러한 방법론은 영상 이해, 로봇 행동 학습, 바이오데이터 분석, 추천 시스템, 이동 경로 예측 등 다양한 문제에 공통적으로 적용된다. 이 연구의 가치는 다양한 AI 문제를 하나의 원리적 관점에서 다룰 수 있게 한다는 데 있다. 즉, 특정 응용에 종속된 기술이 아니라 새로운 문제로 확장 가능한 학습 프레임워크를 설계하는 것이다. 이는 장기적으로 범용 인공지능의 기반이 되며, 데이터 효율성, 적응성, 설명 가능성, 지속학습 가능성을 동시에 확보하는 방향으로 이어진다. 연구실이 수행하는 최신 자기주도 AI 연구도 결국 이러한 이론적 토대 위에서 발전하고 있다.