배경 지식 개요

KataGo 실전에 들어가기 전에 바둑 AI의 발전 역사와 핵심 기술을 이해하는 것이 매우 중요합니다. 이 섹션에서는 AlphaGo부터 현대 바둑 AI까지의 기술 발전을 안내합니다.

왜 배경 지식이 필요한가?

바둑 AI의 발전은 인공지능 분야에서 가장 흥미로운 돌파구 중 하나입니다. 2016년 AlphaGo가 이세돌을 꺾은 대국은 바둑사의 이정표일 뿐 아니라 딥러닝과 강화학습 결합의 엄청난 성공을 표시합니다.

이러한 배경 지식을 이해하면:

• 더 나은 기술적 결정: 다양한 방법의 장단점 이해, 프로젝트에 적합한 방안 선택
• 더 효과적인 디버깅: 기본 원리 이해로 문제 진단 용이
• 최신 발전 따라가기: 기초 지식을 갖추면 새 논문과 기술 이해 용이
• 오픈소스 프로젝트 기여: KataGo 등 프로젝트 개발 참여에 설계 이념 심층 이해 필요

이 섹션 내용

AlphaGo 논문 해독

DeepMind의 고전 논문을 심층 해석합니다:

• AlphaGo의 역사적 의의와 영향
• Policy Network와 Value Network의 설계
• 몬테카를로 트리 탐색(MCTS)의 원리와 구현
• Self-play 훈련 방법의 혁신
• AlphaGo에서 AlphaGo Zero, AlphaZero로의 발전

KataGo 논문 해독

현재 가장 강한 오픈소스 바둑 AI의 기술 혁신을 이해합니다:

• KataGo의 AlphaGo 대비 개선사항
• 더 효율적인 훈련 방법과 자원 활용
• 다양한 바둑 규칙 지원의 기술 구현
• 승률과 집수 동시 예측 설계
• KataGo가 적은 자원으로 더 강한 기력 달성하는 이유

기타 바둑 AI 소개

바둑 AI 생태계 전반 이해:

• 상용 AI: 천정(Zen), 절예(텐센트), 성진
• 오픈소스 AI: Leela Zero, ELF OpenGo, SAI
• 각 AI의 기술 특징과 적용 시나리오 비교

기술 발전 타임라인

시간	사건	중요성
2015년 10월	AlphaGo가 판후이 격파	최초 AI가 프로 기사 격파
2016년 3월	AlphaGo가 이세돌 격파	세계를 놀라게 한 인간vs기계 대전
2017년 5월	AlphaGo가 커제 격파	AI가 인간 최정상 수준 초월 확립
2017년 10월	AlphaGo Zero 발표	순수 자가대국, 인간 기보 불필요
2017년 12월	AlphaZero 발표	범용 설계, 바둑/체스/장기 동시 정복
2018년	Leela Zero 초인간 수준 도달	오픈소스 커뮤니티의 승리
2019년	KataGo 발표	더 효율적인 훈련 방법
2020-현재	KataGo 지속 개선	가장 강한 오픈소스 바둑 AI

핵심 개념 미리보기

상세 섹션을 읽기 전에 몇 가지 핵심 개념을 간략히 소개합니다:

바둑에서 신경망의 역할

바둑판 상태 → 신경망 → { Policy(착점 확률), Value(승률 평가) }

신경망은 현재 바둑판 상태를 입력으로 받아 두 가지 정보를 출력합니다:

• Policy: 각 위치의 착점 확률, 탐색 방향 안내
• Value: 현재 국면의 승률 추정, 국면 평가용

몬테카를로 트리 탐색(MCTS)

MCTS는 신경망과 결합하여 최선수를 결정하는 탐색 알고리즘입니다:

1. Selection(선택): 루트 노드에서 가장 유망한 경로 선택
2. Expansion(확장): 리프 노드에서 새로운 가능한 수 확장
3. Evaluation(평가): 신경망으로 국면 가치 평가
4. Backpropagation(역전파): 평가 결과를 경로상 모든 노드에 역전파하여 업데이트

Self-play(자가대국)

AI가 자신과 대국하여 훈련 데이터 생성:

초기 모델 → 자가대국 → 기보 수집 → 새 모델 훈련 → 더 강한 모델 → 반복

이 순환으로 AI는 인간 기보 없이도 계속 자가 향상할 수 있습니다.

권장 읽기 순서

1. 먼저 AlphaGo 논문 해독 읽기: 기본 이론 프레임워크 구축
2. 다음 KataGo 논문 해독 읽기: 최신 개선과 최적화 이해
3. 마지막으로 기타 바둑 AI 소개 읽기: 시야 확장, 다양한 구현 방식 이해

준비되셨나요? AlphaGo 논문 해독부터 시작합시다!