스파이킹 신경망 (SNN, Spiking Neural Network)

핵심 인사이트 (3줄 요약)

  1. 본질: 모든 층의 뇌세포가 실수값(Float)을 무겁게 곱하며 무조건 통신하는 2세대 딥러닝(DNN)과 달리, 인간의 진짜 뇌신경이 작동하듯 전압이 임계치를 넘을 때만 "찌릿!" 하는 전기 펄스(Spike)를 쏠 때만 신호(1)를 전달하고 아닐 때는 완전 침묵(0)하는 시간적(Temporal) 이벤트 기반의 3세대 인공신경망 알고리즘이다.
  2. 가치: 데이터가 비어있는 시간(침묵) 동안 칩 내부 하드웨어의 연산기가 100% 완벽하게 휴식(Power Gating)할 수 있는 극단적 **희소성(Sparsity)**을 창출하여, 뉴로모픽(Neuromorphic) 칩과 융합될 때 배터리 하나로 수년을 버티는 초저전력 온디바이스(On-device) AI를 현실화한다.
  3. 융합: 불연속적인 스파이크(0과 1) 특성 탓에 부드러운 미분값이 존재하지 않아 기존 AI의 최고 무기인 '역전파(Backpropagation)' 학습이 불가능하다는 치명적 약점이 있다. 이를 돌파하기 위해 생물학적 뇌의 융통성인 시냅스 가소성(STDP)이나 소프트웨어적 근사 미분 기법으로 우회/타협하려는 융합 연구가 생태계 성패의 관건이다.

Ⅰ. 개요 및 필요성 (Context & Necessity)

스파이킹 신경망 (SNN)은 "지금의 챗GPT와 딥러닝(DNN)은 똑똑하긴 한데, 전기를 낭비하는 짓거리를 보면 인간의 뇌를 모방했다는 말이 부끄러운 수준의 가짜다"라는 근본적 회의감에서 탄생한 진짜 '생체 모방' 소프트웨어다.

기존의 딥러닝(CNN, Transformer)은 사진 한 장을 주면 1억 개의 뇌세포(파라미터)가 전부 다 깨어난다. "음, 이 픽셀은 0.3847만큼 중요하군. 다음 세포로 넘겨! 저 픽셀은 0.0001이네? 그래도 0은 아니니 일단 0.0001 넘겨!" 모든 세포가 32비트 소수점을 무겁게 계산하고, 이를 위해 GPU는 수백 와트(W)의 전기를 태우며 발악한다.

반면 실제 인간의 뇌를 관찰해 본 생물학자들의 결과는 충격적이었다. "인간의 뇌세포는 99%의 시간 동안 그냥 쿨쿨 자고 있다. 외부에서 자극(전압)이 들어오면 그걸 몸속에 꾹꾹 모아두다가(적분), 댐의 물이 넘치듯 임계치를 팍! 넘는 1%의 그 찰나의 순간에만 '찌릿(Spike)!' 하고 1바이트짜리 전기 신호를 옆 세포로 던지고 다시 잔다!"

이 완벽한 생물학적 게으름(효율성)을 소프트웨어 알고리즘으로 모델링한 것이 SNN이다. "소수점 다 버려! 계산 계속하지 마! 자극이 찰 때까지 무조건 기다리다가, 터질 때 딱 한 번 1(Spike)을 던지고, 못 넘기면 그냥 0(침묵)을 유지해!"

[2세대 딥러닝(DNN) vs 3세대 스파이킹 신경망(SNN)의 통신 철학 비교]

(A) 전통적 DNN (무거운 택배 배송)
- 연산: "A세포가 B세포에게 `0.8423` 이라는 무거운 소수점 편지를 쓴다."
- 특징: 모든 세포가 공간적(Spatial)으로 연결되어 무조건 편지를 주고받아야 계산이 끝남.
- 단점: 쓸데없는 연산이 너무 많아 전기(GPU)를 미친 듯이 소모함.

(B) 미래형 SNN (스파이크/모스부호 통신)
- 연산: "A세포가 자극을 모으다가, 폭발하면 B세포에게 `1 (찌릿!)` 을 쏜다. 아니면 `0 (침묵)`."
- 특징: 숫자의 크기가 아니라, 찌릿! 하는 '시간의 간격(Timing)'에 정보를 숨겨서 전달함. (시공간 융합)
- 장점: 찌릿! 할 때만 덧셈 연산이 발생하고(곱셈 아예 필요 없음), 평소엔 곱하기/더하기 자체가 발생하지 않아(Sparsity) 전력 소모가 0에 수렴!

📢 섹션 요약 비유: 기존 딥러닝(DNN)은 100명의 직원이 모여 "내 실적은 84점이야", "난 12점이야"라며 수첩에 무거운 숫자를 일일이 적어서 옆 사람에게 패스하는 서류 결재 회사입니다(전력 낭비 극심). SNN은 100명의 직원이 엎드려 자다가, 뒤통수를 세게 한 대 맞으면(임계치 돌파) 앞사람의 뒤통수를 딱 1대 때리고 다시 자는 회사입니다. 서류(소수점)가 필요 없고 "맞았다(1), 안 맞았다(0)"의 신호만으로 일이 빛의 속도로 전달되는 궁극의 효율입니다.

Ⅱ. 아키텍처 및 핵심 원리 (Deep Dive)

SNN 알고리즘이 돌아가려면, 소프트웨어 개발자들은 기존 딥러닝에서 쓰던 활성화 함수(ReLU, Sigmoid)를 버리고, 고등학교 물리/생물 시간에 배우는 **"LIF (Leaky Integrate-and-Fire)"**라는 미분 방정식 뉴런 모델을 코드로 짜 넣어야 한다.

SNN 핵심 메커니즘 (LIF 뉴런)생물학적 동작 원리 및 S/W 구현기존 딥러닝(DNN)과의 아키텍처적 차이비유
Integrate (누적/적분)이전 뉴런들로부터 스파이크(1)가 날아올 때마다 내 세포의 전위(막전위, Voltage)를 덧셈으로 착착 쌓아 올림DNN은 덧셈과 무거운 '곱셈(MAC)'을 같이 하지만, SNN은 들어오는 게 1뿐이라 '덧셈(Add)' 회로만 있으면 됨 (하드웨어 원가 극단적 하락)빗방울이 항아리에 계속 똑똑 떨어져서 차오름
Leaky (누수/망각)스파이크가 오랫동안 안 들어오면, 내 세포에 차오르던 전압이 시간(t)이 지날수록 스르륵 줄어듦 (방전됨)DNN은 시간(t)의 개념이 약하지만, SNN은 '시간' 자체가 망각을 유도하는 엄청나게 중요한 변수(Temporal Dynamics) 로 융합됨독에 금이 가서 물이 쫄쫄 새어나감 (시간 지연 시 초기화)
Fire (발사/스파이크)전압이 꾹꾹 차올라 정해진 한계선(Threshold)을 넘는 찰나의 순간, 옆 뉴런으로 스파이크(1)를 쏘고 내 전압은 0으로 리셋됨비선형성(Non-linearity)의 극한. 부드러운 곡선이 아니라 0 아니면 1로 딱 부러지게 나뉨항아리가 넘치는 순간 물을 확 부어버리고 텅 빈 상태로 돌아감

SNN의 가장 천재적인 부분은 정보를 인코딩하는 방식이다. 숫자가 없는데 도대체 어떻게 강아지와 고양이를 구별하는 사진 데이터를 보낼까? 바로 **'시간의 타이밍(Temporal Coding)'**과 **'스파이크 치는 횟수(Rate Coding)'**에 비밀을 숨겨둔다.

[SNN의 정보 암호화 융합 (어떻게 1과 0만으로 사진을 표현하는가?)]

* 상황: 밝기가 '200(아주 밝음)'인 픽셀과 '10(어두움)'인 픽셀 데이터를 SNN 뉴런에 넣고 싶다.

(1) Rate Coding (빈도수 기반)
- 밝기 200 픽셀: 1초 동안 스파이크를 미친 듯이 "다다다다다다!(111111)" 100번 쏨.
- 밝기 10 픽셀: 1초 동안 스파이크를 가끔 "툭... 툭..."(10000100001) 2번만 쏨.
=> 다음 뉴런이 "아! 스파이크가 엄청 빨리 들어오는 걸 보니 밝은색이구나!" 하고 뇌에서 해독함.

(2) Temporal Coding (도착 시간차 기반)
- 밝기 200 픽셀: 시작하자마자 0.001초 만에 "찌릿!" 한 방 쏨.
- 밝기 10 픽셀: 0.9초 뒤에 늦게 "찌릿!" 쏨.
=> "일찍 도착한 스파이크일수록 더 중요하고 강한 데이터다"라는 뇌의 직관을 100% 융합.

📢 섹션 요약 비유: SNN은 모스부호(전보)입니다. 챗GPT(DNN)가 아주 긴 장문의 편지(소수점 데이터)를 트럭으로 싣고 와서 읽게 만든다면, SNN은 삐-삐-삐- 소리의 간격과 횟수만으로 수백 km 밖에서 1초 만에 "적군이 쳐들어왔다"는 거대한 정보를 전력 낭비 없이 뇌에 꽂아버리는 궁극의 통신 암호화 예술입니다.

Ⅲ. 융합 비교 및 다각도 분석 (Comparison & Synergy)

SNN은 극강의 효율을 가졌지만, 현대 딥러닝 세상을 평정한 DNN(GPU) 진영에게 처참하게 짓밟혀 여전히 변방의 연구 주제에 머물고 있다. 그 잔인한 트레이드오프와 하드웨어 융합의 딜레마를 파헤쳐야 한다.

AI 지배권 전쟁: DNN (현대의 왕) vs SNN (미래의 도전자)

척도2세대 딥러닝 (DNN + GPU 구조)3세대 스파이킹 신경망 (SNN + 뉴로모픽 구조)생태계 발전의 아킬레스건
학습(Training) 방법부드러운 곡선(미분)을 타고 쭈욱 내려와 정답을 찾는 **역전파(Backprop)**의 완벽한 수혜자1과 0으로 끊어져 있어(계단 함수) 미분이 원천 불가. 역전파 수학 공식이 붕괴되어 학습 지옥에 빠짐똑똑한 지능을 만들어내는(학습) 방법론의 부재
연산 하드웨어 융합GPU 텐서 코어의 4x4 융단 폭격 행렬 곱셈과 완벽한 찰떡궁합 (승리의 원인)GPU에 올리면 "시간(Time Step)"을 다 쪼개서 시뮬레이션해야 하므로 오히려 100배 더 느려짐SNN 전용 뉴로모픽 칩(Loihi 등)이 없으면 오히려 짐 덩어리
에너지 효율(희소성)계산할 때마다 수백 와트(W) 쳐묵쳐묵스파이크(1)가 안 튈 때는 전력 소모 제로(0). 0.001W 급 초저전력 구동배터리로 1년 버티는 엣지 AI 센서의 독점적 지배

타 과목 관점의 융합 시너지

  • 수학 및 최적화 이론 (대리 기울기, Surrogate Gradient): SNN의 최대 비극인 '미분 불가(학습 못함)' 문제를 깨부수기 위해 소프트웨어 AI 학자들은 수학적 꼼수를 융합해 냈다. 0과 1로 딱딱 꺾이는 계단 함수(Step Function)로는 미분이 안 되니까, 역전파(Backprop) 계산을 할 때만 뇌를 속여서 "부드러운 시그모이드(Sigmoid) 곡선인 것처럼" 가짜 미분값(Surrogate Gradient)을 쏴주는 기법이다. 이 융합 최적화 덕분에, SNN도 파이토치(PyTorch) 환경에서 GPU를 억지로 빌려 학습을 할 수 있는 길이 간신히 열리게 되었다.
  • 뇌과학 자율 학습 (STDP 융합): 딥러닝처럼 중앙에서 정답과 오차를 계산해 뇌세포를 매질하는 방식(역전파) 대신, 뇌과학자들은 인간의 시냅스가 자연에서 배우는 STDP (Spike-Timing-Dependent Plasticity, 스파이크 시간 종속 가소성) 규칙을 SNN 코드에 융합시켰다. "앞 뉴런이 찌릿! 한 직후 뒷 뉴런이 찌릿! 하면 둘의 연결선(가중치)을 굵게 강화하고, 순서가 꼬이면 연결을 끊어버려라!" 수학적 계산 없이 자극의 '타이밍'만으로 네트워크가 환경에 적응하며 스스로 진화해 나가는 궁극의 언슈퍼바이즈드(Unsupervised) 비지도 학습 생태계다.
[SNN의 소프트웨어 훈련-배포 딜레마와 융합적 하이브리드 솔루션]

* 딜레마: SNN은 뉴로모픽 칩에 올리면 전기세가 0원인데, 학습(훈련)시키기가 우주에서 제일 빡셈.

* 하이브리드(ANN-to-SNN Conversion) 타협안의 도래:
1단계: 빵빵한 엔비디아 GPU 서버에서 기존에 잘 쓰던 파이토치(DNN, ReLU)로 편안하게 개/고양이 인식 모델을 훈련함. (정확도 99% 달성)
2단계: 파이썬 컨버터(S/W)를 돌려서, 훈련된 뇌세포 가중치를 스파이크(SNN) 모듈로 무지성 변환 번역함. 
      (ReLU 함수는 1초에 스파이크 10번 쏘는 뉴런으로 변신시킴)
3단계: 변환된 SNN 모델을 손톱만 한 뉴로모픽 칩(하드웨어)에 다운로드해서 드론에 달아버림!
=> 결과: 편안한 개발(DNN)과 극강의 엣지 배터리 효율(SNN)을 동시에 획득하는 가장 현실적인 융합 아키텍처 완성.

📢 섹션 요약 비유: SNN(야생 표범)은 GPU(서커스 무대) 위에서는 너무나 끔찍하고 다루기 힘든 바보입니다. 서커스 조련사(역전파 알고리즘)의 채찍질(미분)이 통하지 않아서 말을 안 듣거든요. 하지만 이 표범을 뉴로모픽 칩이라는 정글(야생)에 풀어놓고 STDP라는 본능(타이밍 학습)을 깨워주면, 아무도 밥을 안 줘도 몇 달 동안 숲을 미친 듯이 뛰어다니며 사냥(온디바이스 초저전력 연산)을 해내는 짐승으로 변모합니다.

Ⅳ. 실무 적용 및 기술사적 판단 (Strategy & Decision)

실무 AI 연구자나 앱 개발자가 "우리 서비스 챗봇 모델을 전력 절감을 위해 SNN으로 바꿔보자!"라고 기획서를 올리면 당장 짐을 싸야 한다. SNN은 자연어(NLP) 같은 거대 정형 텐서 모델에는 쥐약이며, 오직 찰나를 다루는 이벤트 기반 시계열 센서 환경에서만 생존할 수 있다.

실무 차세대 AI 엣지 디바이스 SNN 오프로딩 시나리오

  1. DVS (이벤트 카메라 / Neuromorphic Vision Sensor)와의 1:1 직결 결합

    • 상황: 자율주행 드론이 터널을 시속 100km로 날아가며 장애물을 피해야 함. 기존 60 FPS 카메라와 GPU(CNN) 조합으로는 프레임 사이 0.01초의 공백기에 나무에 들이박고 드론이 박살 남.
    • 의사결정: 카메라 센서를 빛의 '변화'가 일어난 픽셀만 점(Spike) 단위로 쏴주는 DVS (Dynamic Vision Sensor) 로 뜯어고친다. 그리고 GPU를 버리고, 이 DVS의 스파이크 신호를 중간 메모리 버퍼링 없이 인텔 Loihi (뉴로모픽 칩)의 SNN 뉴런망으로 직결(Direct Routing)하는 아키텍처로 설계한다.
    • 이유: DVS 센서가 뿜어내는 언어(스파이크)와 SNN 칩이 알아듣는 언어(스파이크)가 100% 동일하다. 영상을 프레임 단위의 뚱뚱한 행렬(Tensor)로 조립할 필요가 없기 때문에 GPU PCIe 버스 병목 자체가 소멸한다. 물체가 다가오는 1밀리초(ms) 찰나의 스파이크 신호가 들어오면 칩 내부의 SNN 회로가 "찌릿!" 하고 곧바로 회피 모터 제어 신호를 뱉어내는 완벽한 곤충 반사신경망 융합이 완성된다.

  2. 초소형 보청기 및 웨어러블 음성 인식(KWS) 모듈의 전력 방어

    • 상황: 콩알만 한 보청기에서 주인의 목소리가 들릴 때만 메인 노이즈 캔슬링 AI를 켜고 싶음. 기존 NPU를 대기 모드로 켜놔도 보청기 배터리가 3시간 만에 광탈함.
    • 의사결정: 소리의 주파수를 파장으로 분리해 스파이크 신호로 바꿔주는 SNN 음성 인식 모델(Keyword Spotting)을 1mW(밀리와트)급 SNN 전용 실리콘 칩렛에 구워서 보청기 마이크 뒤에 1차 보초병으로 세워둔다.
    • 이유: SNN의 가장 무서운 점은 '아무 소리도 안 날 때는 하드웨어 스파이크(전류)가 0이라서 전기세가 진짜 0원에 수렴(Sparsity 99%)'한다는 점이다. 주인이 "야!"라고 말하는 순간 음파가 LIF 뉴런의 전압을 채우고, 임계치가 넘는 찰나의 1초 동안만 전기를 0.01W 써서 메인 시스템을 웨이크업(Wake-up)시킨다. 엣지 디바이스의 수명을 일 단위에서 달(Month) 단위로 퀀텀 점프 시키는 실무 킬러 유스케이스다.
[실무 차세대 AI 아키텍처 (DNN vs SNN) 선정 판독 트리]

[질문 1] 데이터의 형태가 고정된 사진(Image)이거나 텍스트 문서 덩어리(Static)인가?
 ├─ Yes ──> 얌전히 파이토치(PyTorch) 써서 기존 DNN(CNN/LLM) + GPU 텐서 코어로 학살하라. 
 │          고정된 덩어리를 SNN에 억지로 욱여넣으면 시간 축으로 쪼개느라 100배 더 느려진다.
 │
 └─ No ───> [질문 2] 시간에 따라 끝없이 흘러들어오는 연속적인 센서 데이터(소리 뇌파, 초고속 시각 변화)인가?
             └──> [질문 3] 기기를 벽 콘센트에 꽂을 수 없고, 동전 배터리 하나로 1년을 버텨야 하는가?
                   ├─ No ──> 그냥 라즈베리 파이(CPU)에 가벼운 RNN/LSTM 딥러닝 올려서 타협해라.
                   └─ Yes ──> "스파이킹 신경망(SNN) + 뉴로모픽 칩의 완벽한 성지!" 
                              개발 난이도 지옥을 감수하고 칩에 굽기만 하면 세계 최고의 전성비 센서가 탄생한다!

운영 및 아키텍처 도입 체크리스트

  • 파이토치 기반의 SNN 시뮬레이터(SnnTorch, SpikingJelly 등)를 써서 S/W 코드를 짤 때, 결국 밑바닥 하드웨어는 GPU이기 때문에 '시간축(Time step)에 따른 1과 0 연산'이 오히려 일반 DNN 행렬 곱셈보다 엄청나게 무거워져서 학습 속도가 지옥에 빠지는 병목을 버틸 컴퓨팅 클러스터 예산을 확보했는가?

안티패턴: "우리가 만든 앱에 SNN 모델을 올렸어요!"라며 일반 스마트폰(ARM CPU) 환경에서 SNN 코드를 실행시키는 스타트업의 촌극. 폰 노이만 구조의 CPU는 SNN의 0과 1 스파이크를 하나씩 계산하느라 캐시 미스와 분기 발산 지옥에 빠져 배터리를 10배 더 먹는다. SNN은 오직 물리적인 '뉴로모픽 칩'과 융합 결합되었을 때만 전력 절감 마법이 발동하는 뼛속 깊은 하드웨어 종속 알고리즘이다.

📢 섹션 요약 비유: SNN 코드를 일반 컴퓨터(CPU/GPU)에서 돌리는 것은, 바닷물에 사는 상어(SNN)를 민물 수족관(CPU)에 갖다 놓은 겁니다. 상어는 숨도 못 쉬고 죽어버리죠. 상어의 진짜 힘(전성비)을 보려면 무조건 태평양 바다(뉴로모픽 하드웨어 칩)에 풀어놓아야만 상상도 못 할 스피드로 사냥감을 낚아채는 야성의 본능이 발동합니다.

Ⅴ. 기대효과 및 결론 (Future & Standard)

스파이킹 신경망(SNN)은 "수학적으로 100% 미분 가능한 정답을 찾겠다"는 인간의 오만방자한 최적화(DNN)를 내려놓고, 빈틈과 여백(침묵)이 존재하는 생물학적 뇌의 게으름을 훔쳐와 전성비의 극한을 달성한 소프트웨어 혁명이다.

패러다임 극복 과제기존 딥러닝 (DNN / FP32 행렬 융단폭격)스파이킹 신경망 (SNN / 1-bit 시간차 스파이크)미래 로보틱스 산업 파급력
정보의 인코딩(표현) 방식메모리 32비트 공간(Space)을 낭비해 숫자 저장시간의 간격(Time) 찰나에 공간 낭비 없이 1bit로 저장시공간이 융합된 궁극의 데이터 압축 기술 완성
연결망의 전력 소모(TDP)1초라도 전기를 끊으면 모든 뇌세포가 증발해 사망스파이크가 칠 때만 1% 회로 구동. 99% 다크 실리콘 휴식데이터센터 전력 없이 자율 생존하는 터미네이터 로봇 두뇌 구현

미래 전망: 챗GPT로 대표되는 주류 딥러닝(DNN) 시장에 SNN이 당장 명함을 내밀 순 없다(학습의 한계 때문). 그러나 자율주행차, 달 탐사 로버, 몸속에 이식하는 의료용 마이크로 칩 등 "전기를 많이 쓸 수 없으면서도 0.001초 만에 즉각 반응해야 하는" 엣지(Edge) 인프라의 최전선에서는 SNN 알고리즘과 뉴로모픽 하드웨어의 융합이 유일한 해답이 될 것이다. 미래에는 서버에서 생각하는 거대한 뇌(LLM/DNN)와, 내 피부 끝 센서에서 반사 신경으로 반응하는 척수(SNN)가 5G/6G로 융합 연결된 진정한 클라우드-엣지 유기체 인공지능 시대가 완성될 것이다.

📢 섹션 요약 비유: 현재의 딥러닝(DNN)은 거대한 백과사전을 달달 외우는 대학 교수입니다. SNN은 글자는 잘 모르지만 숲 속의 바스락거림만 듣고 0.1초 만에 독사를 피해 도망치는 야생 동물의 본능입니다. 논문을 쓸 때는 교수가 필요하지만, 정글(자율주행, 실시간 센서)에서 살아남으려면 교수보다 야생 동물의 본능(SNN)이 수백 배 더 강인하고 위대한 생존 무기입니다.

📌 관련 개념 맵 (Knowledge Graph)

  • 뉴로모픽 컴퓨팅 (Neuromorphic Computing) | SNN이라는 소프트웨어 알고리즘 영혼이 육체를 얻어 물리적 실체로 강림하기 위해 반드시 필요한, 뇌 시냅스 구조를 100% 모방한 아날로그/디지털 융합 하드웨어 칩
  • 이벤트 구동 (Event-driven) | 1초에 60번씩 무조건 기계를 돌리는 시계(Clock) 동기화를 박살 내고, 밖에서 자극(변화)이 들어오는 그 찰나의 순간에만 칩이 비동기적으로 번쩍 일어나는 SNN과 뉴로모픽의 절대 철학
  • STDP (Spike-Timing-Dependent Plasticity) | 딥러닝의 역전파(Backprop)라는 중앙 통제식 수학 학습법을 버리고, 스파이크가 튀는 시간차(Timing)만으로 뉴런들이 스스로 야생에서 길을 찾고 학습하는 SNN의 생물학적 자율 진화 알고리즘
  • DVS (Dynamic Vision Sensor / 이벤트 카메라) | 동영상을 찍는 게 아니라 픽셀의 빛 밝기가 바뀔 때만 스파이크(1)를 쏘는 곤충 눈알 모방 센서. SNN과 1:1로 결합해 세상에서 제일 전기를 덜 먹는 시각 엔진을 만듦
  • 희소성 (Sparsity) | 뇌세포 중에 일하는 놈은 1%고 99%는 쉬고 있다는 개념. SNN이 전기를 안 먹을 수 있는 것은 0(침묵)일 때 하드웨어를 완벽하게 꺼버리는(Zero-skipping) 이 희소성의 융합 덕분임

👶 어린이를 위한 3줄 비유 설명

  1. 개념: 스파이킹 신경망(SNN)은 컴퓨터 두뇌 세포들이 무거운 수학 공식을 주고받으며 땀 뻘뻘 흘리는 대신, 그냥 서로 손을 잡고 있다가 "찌릿!" 하고 전기를 튀기는 타이밍만으로 대화하는 마법의 언어예요.
  2. 원리: 평소엔 두뇌 세포들이 아무 생각 없이 쿨쿨 자고 있어요(전기 안 씀). 그러다 앞세포가 "찌릿!" 전기를 주면 그걸 꾹꾹 모아뒀다가, 너무 꽉 차서 터질 것 같은 순간에만 뒷세포에게 "찌릿!" 하고 넘기고 다시 잠들죠.
  3. 효과: 쉴 새 없이 떠들고 계산하는 멍청한 인공지능과 달리, 진짜 필요할 때만 번개처럼 "찌릿!" 하고 대화하기 때문에, 조그만 동전 건전지 하나만 있어도 로봇 곤충이 1년 동안 안 지치고 쌩쌩 날아다닐 수 있게 해 준답니다.