본문으로 건너뛰기

"신의 한 수" 심층 분석

2016년 3월 10일, AlphaGo와 이세돌의 2국. 37수, AlphaGo가 우상단 5선에 어깨짚기를 두었습니다.

이 한 수는 나중에 "신의 한 수"(Divine Move)라고 불리게 되었습니다. 이 수는 AlphaGo의 승리뿐만 아니라 인류의 바둑 이해를 근본적으로 바꾸었습니다.

본 문서에서는 이 수를 여러 관점에서 심층 분석합니다: 대국 배경, 전통 바둑 이론, 전문가 반응, AI 관점, 그리고 바둑 이론에 대한 장기적 영향.

대국 국면 회고​

2국의 포석​

1국 패배 후, 이세돌은 2국에서 전략을 조정했습니다. 그는 백을 잡고 후수를 선택하여 AlphaGo의 포석 성향을 관찰한 후 전략을 수립하고자 했습니다.

포석 단계:

  • 흑 1: 우상 화점
  • 백 2: 좌하 화점
  • 흑 3-백 4: 양측 각자 귀 차지

36수까지 국면은 정상적으로 전개되었습니다. AlphaGo가 흑을 잡고 우상귀에서 국부 전투를 진행했습니다. 백(이세돌)은 우변에 세력을 구축했고, 흑은 상변에 일정한 실리 잠재력을 가지고 있었습니다.

36수 후의 국면​

36수 후의 바둑판 상태를 살펴보겠습니다:

ABCDEFGHJKLMNOPQRST
19
18
17○●
16+++
15●
14○백 세력 범위
13
12
11
10+++
9
8
7
6
5
4+++
3○●
2
1

단순화된 도해, 실제 국면은 더 복잡함

핵심 관찰:

  • 백은 우변에 외세가 있음
  • 흑은 상변에 실리 잠재력이 있음
  • 우상귀 전투는 일단락됨

이때, 흑(AlphaGo)의 차례였습니다.

전통 수법 분석​

프로 기사들의 예상​

37수 전, 해설실의 프로 기사들은 열띤 토론을 하고 있었습니다. 그들은 대체로 흑이 다음과 같은 수법을 선택할 것으로 예상했습니다:

선택 A: 우하귀 걸침

이것이 가장 "정상적인" 선택입니다. 흑은:

  • 마지막 대장(우하귀) 선점
  • 국면 균형 유지
  • "귀는 금, 변은 은, 중앙은 풀"이라는 전통적 가치관 준수

선택 B: 상변 집짓기

흑은 상변에 2칸 또는 3칸 벌려두어 자신의 세력권을 공고히 할 수도 있습니다. 이렇게 하면:

  • 상변의 잠재력을 실리로 전환
  • 백의 발전 공간 제한

선택 C: 중앙 분투

일부 기사들은 흑이 중앙에 한 수 두어 백의 우변 외세를 제약할 수 있다고 생각했습니다. 가장 일반적인 선택은 아니지만 전략적으로도 타당합니다.

🎬 C3: 전통 바둑 이론의 가치 판단

아무도 예상하지 못한 선택​

그러나 AlphaGo는 거의 아무도 생각하지 못한 위치를 선택했습니다:

E5 (5선 어깨짚기)

이 수는 바둑판 우반부, 중앙에 가까운 위치에 놓여 백의 우변 외세에 대한 "어깨짚기"였습니다.

37수: 5선 어깨짚기​

이 수는 어디에?​

ABCDEFGHJKLMNOPQRST
19
18
17○●
16+++
1537●37수
14○
13
12

37수는 K15 (또는 J5, 좌표 체계에 따라 다름) 위치에 두어졌습니다.

"어깨짚기"란?​

"어깨짚기"는 바둑의 수읽기 중 하나로, 상대 돌에 비스듬하게 접근하는 수법입니다. 그 특징은:

  • 직접 접촉하지 않음: 상대 돌과 한 칸 거리 유지
  • 구조 파괴: 상대의 예상 전개를 방해
  • 대응 곤란: 상대가 어떻게 대응하든 어떤 대가가 발생

전통적으로 어깨짚기는 보통 3선이나 4선에 둡니다. 5선 어깨짚기는 매우 드문데, 그 이유는:

  1. 위치가 너무 높음: 5선은 중앙에 가까워 전통적으로 효율이 낮다고 여겨짐
  2. 공격받기 쉬움: 고립된 돌은 상대의 공격 대상이 되기 쉬움
  3. 가치 불명확: 귀나 변처럼 명확한 실리 가치가 없음

🎬 C5: 어깨짚기의 기하학적 특성

전문가 즉각 반응​

해설실의 충격​

37수가 놓인 순간, 해설실은 짧은 침묵에 빠졌습니다.

한국 해설(김성룡 9단):

"이...이게 뭐지? 이 수가 5선에? 이해가 안 됩니다. 이건 분명 실수일 거예요?"

중국 해설(구리 9단):

"이 수를 이해할 수 없습니다. 내 제자가 이렇게 두면 호되게 꾸짖을 겁니다."

미국 해설(마이클 레드먼드 9단):

"Very unusual move. I don't think any human would play this."

(매우 이례적인 수입니다. 어떤 인간도 이렇게 두지 않을 것입니다.)

프로 기사들의 실시간 코멘트​

각종 라이브 플랫폼에서 프로 기사들이 코멘트를 달았습니다:

커제 (당시 세계 랭킹 1위):

"이 수의 의도를 이해할 수 없습니다. AlphaGo가 이기면 진지하게 연구하겠습니다."

박정환 (한국 최고 기사):

"이 수는 너무 이상합니다. 프로그램에 문제가 생긴 건 아닐까요?"

미위팅 (중국 세계 챔피언):

"5선 어깨짚기? 이런 수법은 본 적이 없습니다."

🎬 C7: 전문가 직관과 AI 평가의 격차

"만분의 일 확률"​

대국 후, DeepMind 팀은 놀라운 데이터를 공개했습니다:

"우리 분석에 따르면, 프로 기사가 같은 국면에서 37수 위치를 선택할 확률은 약 만분의 일입니다."

다시 말해, 인류의 바둑 지식 체계에서 이 수는 거의 "존재하지 않는" 선택지였습니다.

AI 관점에서의 해석​

Policy Network의 확률 분포​

AlphaGo의 Policy Network가 이 국면을 어떻게 평가했는지 살펴보겠습니다:

載入中...

위 그림은 AlphaGo의 각 위치별 착점 확률 평가를 보여줍니다.

핵심 관찰:

  • 37수 위치: 확률 약 8%, 가장 높지 않음
  • 전통적 선점 (우하귀 등): 확률 약 12%
  • 기타 후보 위치: 여러 영역에 분산

흥미롭게도 37수는 Policy Network 평가에서 확률이 가장 높은 선택이 아니었습니다. 그렇다면 AlphaGo는 왜 이것을 선택했을까요?

🎬 C9: Policy Network의 출력 분포

MCTS의 심층 평가​

답은 **몬테카를로 트리 탐색(MCTS)**에 있습니다.

Policy Network는 "직관"만 제공하고, 실제 결정은 MCTS의 심층 시뮬레이션에서 나옵니다. AlphaGo는 결정을 내리기 전에 수천 가지 가능한 미래 전개를 시뮬레이션합니다.

37수에 대한 MCTS 평가 과정:

위치 K15 (37수):
├── 시뮬레이션 1: 흑 승 (+0.3)
├── 시뮬레이션 2: 흑 승 (+0.5)
├── 시뮬레이션 3: 흑 승 (+0.2)
├── ...
└── 평균 승률: 58%

위치 R3 (우하귀 걸침):
├── 시뮬레이션 1: 흑 승 (+0.1)
├── 시뮬레이션 2: 백 승 (-0.2)
├── 시뮬레이션 3: 흑 승 (+0.2)
├── ...
└── 평균 승률: 52%

우하귀의 "직관적 확률"은 더 높았지만, 심층 시뮬레이션 후 37수의 예상 승률이 더 높았습니다.

🎬 C11: MCTS가 Policy Network 판단을 수정하는 방법

Value Network의 전체 평가​

Value Network는 전체 관점에서 37수의 가치를 평가했습니다:

37수 전 승률: 약 52% (흑 약간 우세)

37수 후 승률: 약 58% (흑 명확한 우세)

이는 37수가 AlphaGo의 예상 승률을 6%포인트 올렸다는 것을 의미합니다.

이 상승폭은 바둑에서 상당히 큰 것입니다. 보통 좋은 수가 2-3%의 승률 상승을 가져오면 이미 좋은 것입니다.

🎬 C13: Value Network의 증분 평가

바둑 이론 분석: 왜 5선 어깨짚기인가?​

국부적 관점​

표면적으로 37수는 효율이 매우 낮아 보입니다:

  • 위치가 너무 높음: 5선은 4선이나 3선보다 중앙에 더 가까움
  • 실리 없음: 귀나 변처럼 직접 실리를 만들 수 없음
  • 공격받기 쉬움: 고립된 돌은 백의 공격을 받을 수 있음

하지만 자세히 분석하면, 이 수에는 몇 가지 미묘한 이점이 있습니다:

  1. 백의 외세 파괴: 백은 원래 우변에서 발전하려 했는데, 37수가 이 계획을 방해함
  2. 자신의 영향력 구축: 이 수는 실리를 만들지 않지만 중앙에 존재감을 확립함
  3. 변화 증가: 복잡한 국면을 만들어 계산 능력이 더 강한 쪽에 유리함

전체적 관점​

이 수의 진정한 가치는 전체 관점에서 이해해야 합니다:

두터움과 실리의 균형

전통 바둑 이론은 "귀는 금, 변은 은, 중앙은 풀"이라고 합니다—귀가 가장 가치 있고 중앙이 가장 가치 없다고. 하지만 37수는 이 관념에 도전했습니다.

AlphaGo의 평가에 따르면: 이 특정 국면에서 중앙의 영향력이 귀나 변의 실리보다 더 가치 있습니다.

그 이유는:

  • 흑은 이미 충분한 실리 기반이 있음
  • 백의 우변 외세가 발전하면 매우 강력해질 것임
  • 자신을 확장하는 것보다 백을 제약하는 것이 더 중요함

🎬 C15: 전체 가치 함수 계산

"선수"의 가치

37수에는 과소평가된 또 다른 이점이 있습니다: "선수"를 유지한다는 것입니다.

바둑에서 "선수"는 주도권을 장악한다는 의미입니다. 37수를 둔 후 백은 대응해야 하고, 이로 인해 흑이 계속 국면의 흐름을 주도할 수 있습니다.

흑이 "정상적인" 우하귀 걸침을 선택했다면, 양측은 귀에서 정석을 진행하고 국면은 균형을 향했을 것입니다. 하지만 37수는 이 균형을 깨고 국면을 불확실성으로 가득 채웠습니다—그리고 이것이 바로 AlphaGo의 강점입니다.

이세돌의 대응 딜레마​

37수 후, 이세돌은 오랫동안 생각했습니다. 그가 직면한 딜레마는:

직접 대응하면 (예: 날일자나 비상):

  • 37수의 가치를 인정하는 것
  • 흑이 백의 외세 파괴 목적을 달성하게 함

무시하면:

  • 흑이 중앙을 더 발전시킬 수 있음
  • 백의 우변 외세가 실리로 전환되기 어려움

결국 이세돌은 대응을 선택했습니다. 하지만 무엇을 선택하든 37수는 이미 목적을 달성했습니다.

🎬 C17: 게임 이론에서의 강제 선택

후속 전개: 37수에서 승리까지​

중반의 진행​

37수 후 대국은 복잡한 중반 전투로 들어갔습니다.

핵심 진행:

  • 40-50수: 양측이 우변에서 격렬한 접촉전 진행
  • 50-70수: AlphaGo가 37수로 구축한 영향력을 활용해 중앙에서 우세 확보
  • 70-100수: 흑이 점차 우세를 실리로 전환

100수 무렵, AlphaGo의 리드는 이미 상당히 명확했습니다. 이세돌이 노력해서 반격했지만 국면을 뒤집을 수 없었습니다.

최종 결과​

AlphaGo 중반 불계승

이 대국의 승리에 37수가 크게 기여했습니다. 대국 후 분석에 따르면, 37수가 없었다면 국면은 더 접근했을 것이고 백이 오히려 우세를 잡았을 수도 있습니다.

🎬 C19: 한 수가 전체 대국의 흐름을 바꾸는 방법

바둑 이론에 대한 영향​

새로운 정석의 탄생​

37수는 바둑계에서 "어깨짚기"라는 수법에 대한 재고를 촉발했습니다.

전통적 관점:

  • 어깨짚기는 3선이나 4선에 두어야 함
  • 5선 어깨짚기는 효율이 너무 낮음
  • 고립된 돌은 공격받기 쉬움

AlphaGo 이후:

  • 5선 어깨짚기가 특정 국면에서는 최선의 선택
  • 위치의 "고저"보다 "효과"가 중요
  • 매 수의 가치를 전체 관점에서 평가해야 함

인간 기사들의 학습​

37수 이후 많은 프로 기사들이 비슷한 수법을 시도하기 시작했습니다:

커제는 2017년 여러 대국에서 5선 어깨짚기를 사용하여 성공했습니다:

"AlphaGo가 가르쳐준 것은, 우리가 '나쁘다'고 생각하던 많은 수가 사실 우리가 이해하지 못한 것뿐이라는 것입니다."

박정환도 자신의 대국에서 이런 사고방식을 참고했습니다:

"중요한 것은 37수라는 구체적인 위치를 기억하는 게 아니라, 새로운 시각으로 바둑판을 보는 것을 배우는 것입니다."

🎬 C21: AI가 인류의 인지 경계를 확장하는 방법

바둑 AI 훈련에 대한 시사점​

37수는 바둑 AI 연구에도 심원한 영향을 미쳤습니다:

Policy Network에 대한 반성:

왜 Policy Network는 37수에 낮은 확률을 주었을까요? 인간 기보에서 학습했기 때문이고, 인간은 거의 이런 수를 두지 않기 때문입니다.

이것은 다음을 말해줍니다: 지도학습(인간에게 배우는 것)만으로는 충분하지 않습니다. AI는 자기 탐색을 통해 인간이 모르는 좋은 수를 발견해야 합니다.

이것이 나중에 AlphaGo Zero가 순수 자기대국 훈련을 채택한 이유 중 하나입니다.

MCTS에 대한 확인:

37수는 MCTS 심층 탐색의 가치를 증명했습니다. 직관(Policy Network)이 어떤 수를 좋게 보지 않더라도, 심층 분석이 그 잠재적 가치를 발견할 수 있습니다.

이 통찰은 나중에 많은 다른 분야에 적용되었습니다.

기술적 세부사항: 37수의 의사결정 과정 재현​

Policy Network의 입력 특징​

36수 후, Policy Network의 입력은 다음을 포함합니다:

특징 평면설명
1-8흑돌 위치 (과거 8수)
9-16백돌 위치 (과거 8수)
17현재 누구 차례
18-48기타 특징 (활로수, 단수 등)

총 48개의 19x19 특징 평면이 입력 텐서를 구성합니다.

🎬 C23: AI 바둑에서 특징 공학의 중요성

Policy Network의 출력​

Policy Network는 19x19 = 361 차원의 확률 분포를 출력합니다.

37수 국면에 대해:

# 상위 5개 후보 위치 (단순화된 예시)
{
    "R3": 0.12,   # 우하귀 걸침
    "Q17": 0.10,  # 우상귀
    "C10": 0.09,  # 좌변 대장
    "K15": 0.08,  # 37수 위치
    "D16": 0.07,  # 좌상귀
    # ... 기타 356개 위치
}

MCTS의 탐색 과정​

AlphaGo는 PUCT 공식을 사용하여 탐색과 활용의 균형을 맞춥니다:

U(s,a) = Q(s,a) + c_puct × P(s,a) × sqrt(sum_b N(s,b)) / (1 + N(s,a))

여기서:

  • Q(s,a): 위치 a의 평균 가치
  • P(s,a): Policy Network가 제공한 확률
  • N(s,a): 해당 위치가 탐색된 횟수
  • c_puct: 탐색 상수

37수의 경우, 초기 확률 P가 낮았지만 여러 번의 시뮬레이션 후 Q 값이 계속 상승하여 결국 다른 후보 위치를 초과했습니다.

🎬 C25: PUCT 공식이 비직관적인 좋은 수를 발견하는 방법

시뮬레이션 횟수의 영향​

DeepMind 팀은 나중에 37수의 "발견"에는 충분한 시뮬레이션 횟수가 필요하다고 분석했습니다:

시뮬레이션 횟수최선의 선택
100R3 (우하귀)
1,000Q17 (우상귀)
10,000K15 (37수)
100,000K15 (더 확실)

이것은 심층 탐색이 얕은 탐색에서는 찾을 수 없는 좋은 수를 발견할 수 있다는 것을 보여줍니다.

철학적 사색: 인간과 AI의 인지 차이​

왜 인간은 37수를 생각하지 못했나?​

이것은 깊은 질문입니다. 가능한 이유들:

1. 경험의 한계

인간 기사의 지식은 선배들의 기보를 학습한 것에서 옵니다. 선배가 어떤 수를 둔 적이 없다면 우리는 그것을 고려하지 않습니다.

2. 직관의 편향

인간의 직관은 유용하지만 한계도 있습니다. 우리의 직관은 어떤 선택지를 "보이지 않게" 만듭니다.

3. 계산 능력의 차이

37수의 가치는 심층 계산을 거쳐야 발견됩니다. 인간의 계산 능력은 제한적이어서 AI처럼 수천 가지 가능성을 시뮬레이션할 수 없습니다.

🎬 C27: 인지 편향과 AI의 초월

기계의 "직관"이란 무엇인가?​

AlphaGo에게 "직관"이 있을까요?

어떤 의미에서 Policy Network는 AlphaGo의 "직관"입니다—밀리초 안에 각 위치의 잠재력을 평가할 수 있습니다.

하지만 이 "직관"은 인간의 직관과 다릅니다:

  • 인간의 직관: 경험과 패턴 인식에서 옴
  • AI의 직관: 대량의 데이터 통계 학습에서 옴

흥미롭게도 37수는 AI의 "직관"이 MCTS에 의해 수정될 수 있다는 것을 증명했습니다. 이는 AI가 자신의 직관을 "반성"하여 더 나은 선택을 찾을 수 있다는 것을 의미합니다.

인간은 AI에서 무엇을 배울 수 있나?​

37수가 인간 기사에게 주는 가장 큰 깨달음은 아마도:

경험이 족쇄가 되지 않도록 하라

많은 "나쁜" 수는 단지 우리가 이해하지 못하는 것일 뿐입니다. 마음을 열고 비전통적인 수법을 시도하려는 의지가 새로운 가능성을 발견하게 할 수 있습니다.

이 깨달음은 바둑뿐만 아니라 인생의 많은 영역에도 적용됩니다.

애니메이션 대응​

본 문서에서 다루는 핵심 개념과 애니메이션 번호:

번호개념물리/수학 대응
🎬 C3전통 바둑 이론의 가치 판단휴리스틱 함수
🎬 C5어깨짚기의 기하학적 특성공간 관계
🎬 C7전문가 직관과 AI 평가의 격차예측 오차
🎬 C9Policy Network의 출력 분포Softmax 확률
🎬 C11MCTS가 Policy Network를 수정하는 방법베이즈 업데이트
🎬 C13Value Network의 증분 평가가치 함수
🎬 C15전체 가치 함수 계산적분 근사
🎬 C17게임 이론에서의 강제 선택우세 전략
🎬 C19한 수가 전체 대국 흐름을 바꾸는 방법분기점
🎬 C21AI가 인류의 인지 경계를 확장하는 방법탐색 공간 확장
🎬 C23AI 바둑에서 특징 공학의 중요성표현 학습
🎬 C25PUCT 공식이 비직관적 좋은 수를 발견하는 방법탐색-활용 균형
🎬 C27인지 편향과 AI의 초월불편향 추정

더 읽을거리​

인터랙티브 탐색​

Policy Network 확률 분포​

아래의 인터랙티브 시각화를 사용하여 다양한 국면에서 Policy Network의 출력을 탐색하세요:

載入中...

다양한 프리셋 국면으로 전환하며 AI가 각 위치의 착점 확률을 어떻게 평가하는지 관찰해 보세요.

참고 자료​

  1. Silver, D., et al. (2016). "Mastering the game of Go with deep neural networks and tree search." Nature, 529, 484-489.
  2. DeepMind Blog: "AlphaGo: The story so far"
  3. 《AlphaGo》 다큐멘터리 (2017), 감독 Greg Kohs.
  4. 이세돌 vs AlphaGo 2국 공식 기보
  5. Go4Go.net 프로 기보 분석
  6. 한국기원 대국 후 기술 보고서