AlphaGo의 탄생
2016년 3월, AlphaGo가 4:1로 이세돌을 꺾었을 때, 전 세계가 물었습니다: 인공지능 역사를 바꾼 이 프로그램은 대체 어떻게 탄생했을까?
그 답은 한 체스 신동의 꿈에서 시작됩니다.
DeepMind의 설립
Demis Hassabis: 신동에서 AI 선구자로
Demis Hassabis는 DeepMind의 공동 창립자이자 CEO입니다. 그의 인생 경험은 마치 AlphaGo를 만들기 위해 준비된 것처럼 보입니다.
체스 신동
1975년 런던에서 태어난 Hassabis는 4살에 체스를 배웠고, 13살에 체스 마스터 등급(Elo 2300+)에 도달했습니다. 이는 영국 역사상 두 번째로 어린 나이에 이 수준에 도달한 기록입니다.
이 경험은 그에게 깊은 통찰을 주었습니다:
- 보드 게임은 지능의 시금석이다: 체스는 계획, 직관, 패턴 인식이 필요합니다
- 인간 지능의 본질: 기사들은 어떻게 방대한 가능성 중에서 좋은 수를 찾을까?
- 컴퓨터의 한계: 1997년 딥 블루가 카스파로프를 이긴 것은 무차별 검색 덕분이지, 진정한 "이해"가 아니었습니다
게임 디자이너
17살에 Hassabis는 Bullfrog Productions(《파퓰러스》 창작자 Peter Molyneux가 설립한 게임 회사)에 합류하여 명작 게임 《테마 파크》 개발에 참여했습니다. 이 경험은 그에게 다음을 가르쳐 주었습니다:
- 복잡한 시스템 설계 방법: 게임은 현실 세계를 단순화한 모델입니다
- 플레이어 행동 예측: AI는 인간의 의사결정 과정을 이해해야 합니다
인지 신경과학자
케임브리지 대학에서 컴퓨터 과학 학위를 받은 후, Hassabis는 UCL(University College London)에서 인지 신경과학 박사 학위를 받았습니다. 그의 연구 주제는: 해마가 어떻게 인간이 상상하고 계획할 수 있게 하는가였습니다.
이 연구에서 발견한 것:
- 인간의 기억과 상상은 같은 뇌 영역을 사용합니다
- 우리는 "정신적 시간 여행"을 통해 미래를 계획합니다
- 이 능력이 지능의 핵심일 수 있습니다
이러한 통찰은 나중에 AlphaGo 설계에 직접적인 영향을 주었습니다—AI가 미래의 수를 "상상"하고 그로부터 학습할 수 있게 했습니다.
공동 창립자
2010년, Hassabis는 두 명의 파트너와 함께 DeepMind를 설립했습니다:
| 창립자 | 배경 | 기여 |
|---|---|---|
| Demis Hassabis | 신경과학, 게임 디자인 | 비전과 전략 |
| Shane Legg | 머신러닝 박사 | AGI 이론적 기반 |
| Mustafa Suleyman | 사회적 기업가 | 비즈니스와 응용 |
"지능을 해결하고, 그것으로 모든 것을 해결한다"
DeepMind의 미션 선언문은:
"Solve intelligence, and then use that to solve everything else."
"지능을 해결하고, 그것으로 다른 모든 문제를 해결한다."
이것은 평범한 AI 회사가 아닙니다. 그들의 목표는 제품을 만드는 것이 아니라, 범용 인공지능(AGI)—인간처럼 생각하고, 배우고, 모든 문제를 해결할 수 있는 AI를 만드는 것입니다.
왜 먼저 "지능을 해결"해야 할까요? AGI가 있으면 기후 변화, 질병, 에너지 등 인류 최대의 과제를 해결하는 데 도움이 될 수 있기 때문입니다.
초기 돌파구: Atari 게임
바둑에 도전하기 전에, DeepMind는 먼저 자신의 능력을 증명했습니다—AI로 Atari 게임을 플레이했습니다.
DQN: 게임을 배우는 AI
2013년, DeepMind는 DQN(Deep Q-Network) 알고리즘을 발표했습니다. 이 AI는:
- 화면 픽셀만 보고—게임 규칙을 알려주지 않습니다
- 스스로 게임을 배웁니다—시행착오를 통해
- 인간 수준에 도달—일부 게임에서는 인간을 초월합니다
DQN은 《브레이크아웃》에서 인간이 발견하는 데 몇 시간이 걸리는 전략을 배웠습니다: 터널을 파서 공이 블록 뒤로 가게 하여 한 번에 많은 블록을 없애는 것.
이것은 딥러닝 + 강화학습의 조합이 인간이 생각하지 못한 전략을 발견할 수 있다는 것을 증명했습니다.
왜 게임부터 시작했나?
Hassabis가 게임을 연구 플랫폼으로 선택한 이유는:
- 통제 가능한 환경: 게임은 명확한 규칙과 목표가 있습니다
- 진전 측정 가능: AI 능력을 평가할 객관적인 점수가 있습니다
- 인간 기준: 인간 플레이어와 비교할 수 있습니다
- 다양성: 다른 게임은 다른 능력을 테스트합니다
이 방법론은 나중에 바둑에도 사용되었습니다.
Google의 인수
5억 달러의 베팅
2014년 1월, Google은 약 5억 달러에 DeepMind를 인수했습니다. 이것은 당시 AI 분야에서 가장 큰 인수 중 하나였습니다.
왜 Google은 직원 75명에 제품도 없는 회사에 이렇게 많은 돈을 지불했을까요?
답은 게임 이론에 있습니다:
- Facebook도 입찰 중이었습니다: Facebook이 4억 달러를 제안했다는 소문이 있었습니다
- AI는 미래의 핵심 기술입니다: AI를 먼저 장악하는 자가 미래를 장악합니다
- DeepMind는 최고의 팀입니다: 그들은 심층 강화학습의 가능성을 증명했습니다
Google CEO Larry Page가 직접 나서서 Hassabis를 설득하여 Facebook 대신 Google을 선택하게 했습니다.
인수 조건
Hassabis는 협상에서 몇 가지 핵심 조건을 얻어냈습니다:
- 독립 운영: DeepMind는 런던 본사를 유지하며 독립적으로 연구개발
- 학술적 자유: 논문 발표 가능, 모든 것을 비밀로 할 필요 없음
- 윤리 위원회: AI 윤리 심사 메커니즘 설립
- 장기 연구: 단기 상업화 압박 없음
이러한 조건 덕분에 DeepMind는 장기적이고 고위험 연구를 추구할 수 있었습니다—예를 들어 AI로 바둑을 정복하는 것.
Google의 AI 전략
DeepMind 인수는 Google "AI 우선" 전략의 일부였습니다:
| 시간 | 사건 |
|---|---|
| 2011 | Google Brain 설립 |
| 2013 | DNNresearch(Hinton 팀) 인수 |
| 2014 | DeepMind 인수 |
| 2015 | TensorFlow 오픈소스화 |
| 2016 | TPU 발표 |
Google은 인식했습니다: 검색, 광고, 번역, 음성—모든 핵심 비즈니스가 AI에 의해 재편될 것입니다. 최고의 AI를 가진 자가 승자입니다.
바둑을 목표로 선택
왜 바둑인가?
Google에 인수된 후, DeepMind는 더 많은 리소스를 갖게 되었습니다. Hassabis는 불가능해 보이는 목표에 도전하기로 결정했습니다: AI로 인간 바둑 챔피언을 이기는 것.
왜 다른 문제가 아닌 바둑을 선택했을까요?
1. 바둑은 "AI의 성배"
2016년 이전, 전문가들은 AI가 바둑에서 인간을 이기려면 최소 10-20년이 걸릴 것이라고 생각했습니다. 바둑은 "AI의 마지막 보루"라고 불렸습니다.
이유:
- 탐색 공간이 거대: 10^170가지 가능한 국면(우주의 원자 수는 10^80에 불과)
- 평가가 어려움: 체스처럼 명확한 기물 가치가 없음
- 직관에 의존: 정상급 기사들은 종종 "이 수가 맞는 느낌"이라고 말하지만 이유를 설명하지 못함
2. 딥 블루의 교훈
1997년, IBM의 딥 블루(Deep Blue)가 체스 세계 챔피언 카스파로프를 이겼습니다. 하지만 이 승리에는 논쟁이 있었습니다:
- 딥 블루는 무차별 검색에 의존(초당 2억 개의 포지션 평가)
- 인간 전문가가 설계한 평가 함수 사용
- 이것은 진정한 "지능"이 아니라 "계산력"
Hassabis는 증명하고 싶었습니다: AI는 무차별 검색이 아닌 학습으로 문제를 해결할 수 있습니다.
3. 측정 가능한 목표
바둑은 국제 랭킹 시스템(Elo rating)과 프로 기사가 있어 객관적인 측정 기준을 제공합니다. AI가 세계 챔피언을 이기면 그것은 논쟁의 여지 없는 성공입니다.
4. 신경과학과의 연결
인간 기사의 직관—바둑판을 한 번 보면 어떤 위치가 중요한지 아는 것—은 정확히 Hassabis가 AI로 복제하고 싶은 능력이었습니다. 바둑은 "기계 직관"을 테스트하기에 완벽한 시나리오입니다.
AlphaGo 팀
핵심 인물
AlphaGo의 성공은 다학제 배경을 가진 팀에서 비롯되었습니다:
David Silver: 수석 연구원
David Silver는 AlphaGo 논문의 제1저자이자 강화학습 분야의 최고 전문가입니다.
- 배경: 케임브리지 대학 수학과 졸업, 앨버타 대학 RL 박사
- 지도교수: Richard Sutton(강화학습의 아버지)
- 전문 분야: 몬테카를로 트리 탐색, 시간차 학습
Silver는 박사 논문에서 이미 컴퓨터 바둑을 연구했지만, 당시 기술은 성숙하지 않았습니다. DeepMind에 합류한 후, 그는 마침내 이 꿈을 실현할 기회를 얻었습니다.
Aja Huang: 바둑 전문가
Aja Huang(황사걸)은 대만인으로, 아마추어 6단 기사이자 컴퓨터 바둑 분야의 선구자입니다.
- 배경: 국립대만사범대학 컴퓨터공학 박사
- 전문 분야: 컴퓨터 바둑 프로그래밍
- 대표작: Erica(초기 컴퓨터 바둑 프로그램)
Huang은 AlphaGo 팀에서 핵심적인 역할을 했습니다: 그는 바둑뿐만 아니라 AI도 이해했습니다. 이세돌과의 대국에서 그는 실제로 AlphaGo를 조작한 사람입니다.
다른 주요 멤버
| 멤버 | 역할 |
|---|---|
| Chris J. Maddison | 몬테카를로 트리 탐색 전문가 |
| Arthur Guez | 강화학습 연구원 |
| Laurent Sifre | 딥러닝 엔지니어 |
| George van den Driessche | 분산 시스템 엔지니어 |
다학제 협력
AlphaGo의 성공은 다학제 협력의 힘을 증명했습니다:
- 바둑 전문가가 도메인 지식 제공
- 머신러닝 연구원이 알고리즘 설계
- 엔지니어가 대규모 훈련 시스템 구현
- 신경과학자가 이론적 영감 제공
이러한 팀 구성은 나중에 DeepMind의 표준 모델이 되었습니다.
Nature 논문 발표
비밀의 서프라이즈
2016년 1월 27일, DeepMind는 최고 학술 저널 《Nature》에 논문을 발표했습니다:
"Mastering the game of Go with deep neural networks and tree search"
논문은 AlphaGo가 이미:
- 다른 모든 바둑 프로그램을 이겼다고 발표
- 5:0으로 유럽 챔피언 판후이(프로 2단)를 이겼다고 발표
이 뉴스는 세계를 충격에 빠뜨렸습니다. 논문이 발표되기 전까지 아무도 DeepMind가 바둑을 연구하고 있다는 것을 몰랐습니다.
논문의 핵심 기여
《Nature》 논문은 AlphaGo의 세 가지 주요 혁신을 설명했습니다:
1. Policy Network(정책 신경망)
딥 컨볼루션 신경망을 사용하여 인간 기사의 다음 수를 예측합니다. 훈련 데이터는 3천만 국의 인간 기보에서 가져왔습니다.
정확도: 57%(인간 전문가의 다음 수 예측)
이것은 이전 최고의 컴퓨터 바둑 프로그램보다 10퍼센트 포인트 이상 높았습니다.
2. Value Network(가치 신경망)
또 다른 신경망을 사용하여 현재 국면의 승률을 평가합니다. 이것은 전통적인 랜덤 시뮬레이션(Monte Carlo rollout)을 대체했습니다.
정밀도: 15000번의 랜덤 시뮬레이션과 동등하지만, 계산 속도는 15000배 빠름
3. 몬테카를로 트리 탐색 통합
두 신경망을 MCTS 프레임워크에 통합:
- Policy Network가 탐색 방향을 안내
- Value Network가 리프 노드를 평가
이것은 AlphaGo에게 "직관"(신경망)과 "추론"(트리 탐색) 모두를 갖게 했습니다.
학계의 반응
논문 발표 후, 학계는 열띤 반응을 보였습니다:
"이것은 인공지능의 달 착륙 순간입니다." — Stuart Russell, UC Berkeley 교수, AI 교과서 저자
"저는 원래 10년은 더 걸릴 것이라고 생각했는데, 이렇게 빠를 줄 몰랐습니다." — Martin Müller, 컴퓨터 바둑 전문가
하지만 회의적인 시각도 있었습니다:
"판후이는 프로 2단일 뿐, 진정한 정상급 기사가 아닙니다. AlphaGo가 이세돌과 한판 두면 다시 이야기합시다."
DeepMind는 이 도전을 받아들였습니다.
이세돌에게 도전
왜 이세돌인가?
이세돌(Lee Sedol)은 한국 기사로, 당시 지난 10년간 가장 강한 기사 중 한 명으로 여겨졌습니다:
| 지표 | 데이터 |
|---|---|
| 세계 챔피언 타이틀 | 18개 |
| 국제전 우승 | 32개 |
| 최고 세계 랭킹 | 1위 |
| 스타일 | "천재" "신산" |
이세돌을 선택함으로써, DeepMind는 가장 강한 인간 상대에게 도전하는 것이었습니다.
100만 달러 상금
Google은 이 대국에 100만 달러 상금을 제공했습니다:
- 이세돌이 이기면: 상금은 이세돌에게
- AlphaGo가 이기면: 상금은 UNICEF, STEM 교육 등 자선 단체에 기부
이것은 단순한 기술 시연이 아니라, 전 세계가 주목하는 스포츠 이벤트이기도 했습니다.
대국 전 예측
대국 전, 대부분의 프로 기사들은 이세돌이 쉽게 이길 것이라고 예측했습니다:
"AlphaGo가 한 판 이길 수도 있지만, 5번기에서 저는 5:0으로 이길 것입니다." — 이세돌, 대국 전 인터뷰
"컴퓨터는 바둑을 딱딱하게 두기 때문에, 정상급 기사가 약점을 찾기 쉽습니다." — 어느 프로 9단
하지만 DeepMind 팀은 다른 견해를 가지고 있었습니다. David Silver는 나중에 밝혔습니다:
"내부 테스트에서 우리는 이미 AlphaGo가 판후이 버전과 500판을 두게 했습니다. 새 버전이 499판을 이겼습니다."
2016년 3월: 세상을 바꾼 다섯 판의 바둑
제1국: 충격의 시작
2016년 3월 9일, 서울 포시즌스 호텔.
이세돌이 흑을 잡고 선공했고, AlphaGo가 백을 잡았습니다. 3시간 28분의 대국 끝에, AlphaGo가 중반 불계승으로 이겼습니다.
이것은 인간 정상급 기사가 처음으로 공식적으로 AI에게 진 것입니다.
제2국: 신의 한 수
제2국에서는 "신의 한 수"로 불리는 37수가 탄생했습니다—AlphaGo가 5선에 어깨짚기를 두었고, 모든 프로 기사들이 실수라고 생각했지만, 결과적으로 승리의 관건이 되었습니다.
(다음 글 참조: "신의 한 수" 심층 분석)
AlphaGo가 다시 승리했습니다.
제3국: 3:0
제3국에서 이세돌은 비전통적인 포석을 시도했지만, AlphaGo는 자연스럽게 대응했습니다. 3:0.
전 세계가 인식하기 시작했습니다: 이것은 우연이 아니라, AI가 정말로 인간을 초월했습니다.
제4국: 인간의 반격
제4국에서 이세돌은 "신의 한 수"로 불리는 78수를 두었습니다—절묘한 끊기로, AlphaGo를 혼란에 빠뜨렸습니다.
AlphaGo는 이후 몇 수에서 명백한 악수를 두었고, 결국 항복했습니다.
이 승리는 증명했습니다: AI에게도 약점이 있습니다. 이세돌이 그것을 찾았습니다.
제5국: 최종 결과
제5국에서 AlphaGo는 정상으로 돌아와 중반 불계승으로 대국을 끝냈습니다.
최종 결과: AlphaGo 4:1 이세돌
영향과 여파
전 세계의 관심
이 대국의 영향은 바둑계를 훨씬 넘어섰습니다:
- 전 세계 2억 명이 생중계를 시청
- 《뉴욕 타임스》, 《이코노미스트》 등 주요 언론이 대대적으로 보도
- Google 주가가 대국 기간 동안 상승
- "인공지능"이 그해 가장 핫한 기술 화제가 됨
바둑계에 대한 영향
대국 후, 프로 기사들의 태도는 "경시"에서 "경외"로 바뀌었습니다:
"우리는 예전에 인간이 바둑을 이해한다고 생각했는데, 지금 보니 우리는 겉핥기만 했습니다." — 커제, 중국 기사, 당시 세계 랭킹 1위
많은 프로 기사들이 AI를 사용하여 훈련하기 시작했고, 바둑의 두는 방식도 이로 인해 변했습니다.
AI 분야에 대한 영향
AlphaGo는 몇 가지를 증명했습니다:
- 딥러닝은 전문가 수준의 문제를 해결할 수 있습니다: 고양이와 개를 인식하는 것뿐 아니라, 바둑도 둘 수 있습니다
- 강화학습은 인간을 초월할 수 있습니다: 자가 대국을 통해 AI는 인간이 모르는 전략을 발견할 수 있습니다
- 신경망 + 탐색은 강력한 조합입니다: 직관 + 추론 = 더 강한 지능
이러한 통찰은 나중에 다음에 응용되었습니다:
- AlphaFold: 단백질 구조 예측(2020 노벨상급 업적)
- AlphaZero: 범용 게임 AI
- MuZero: 규칙 없이 학습
애니메이션 대응
본 글에서 다루는 핵심 개념과 애니메이션 번호:
| 번호 | 개념 | 물리/수학 대응 |
|---|---|---|
| E7 | 제로부터 시작 | 자기 조직화 |
| E5 | 자가 대국 | 고정점 수렴 |
| F8 | 창발 능력 | 상전이 |
| H4 | 정책 경사법 | 확률적 최적화 |
추가 읽기
- 다음 글: 주요 대국 회고 — 판후이, 이세돌, 커제의 완전한 대국 분석
- 기술 세부 사항: Policy Network 상세 해설 — AlphaGo가 어떻게 바둑을 배웠는지
- 직접 실습: 30분 만에 첫 바둑 AI 실행하기 — 직접 체험
참고 자료
- Silver, D., et al. (2016). "Mastering the game of Go with deep neural networks and tree search." Nature, 529, 484-489.
- Mnih, V., et al. (2015). "Human-level control through deep reinforcement learning." Nature, 518, 529-533.
- Hassabis, D. (2017). "Artificial Intelligence: Chess match of the century." Nature, 544, 413-414.
- 《AlphaGo》 다큐멘터리 (2017), 감독 Greg Kohs.