챕터별 상세
00:00
2016년 서울, 세상을 바꾼 대결
2016년 3월 서울에서 열린 이세돌 9단과 AlphaGo의 대결은 기계가 마스터하기 불가능하다고 여겨졌던 바둑에서 AI가 승리한 역사적 순간이다. AlphaGo는 신경망 기반의 시스템으로 Reinforcement Learning 기술을 적용하여 개발되었다. 이 대결은 단순한 게임 승리를 넘어 현대 AI 혁명의 시작점이 되었다.
02:20
왜 바둑이었나? 체스와의 차이점
바둑은 규칙은 단순하지만 경우의 수가 우주 원자 수보다 많아 체스보다 훨씬 복잡한 게임이다. Deep Blue가 체스 챔피언을 이긴 후에도 바둑은 컴퓨터 과학자들에게 난공불락의 영역으로 남아 있었다. 바둑의 거대한 탐색 공간은 단순한 계산력만으로는 해결할 수 없는 문제였다.
체스는 약 10의 40승, 바둑은 약 10의 170승의 경우의 수를 가진다.
06:10
알파고의 작동 원리: 직관과 계산의 결합
AlphaGo는 인간의 '직관'에 해당하는 Policy Network와 '형세 판단'에 해당하는 Value Network를 결합했다. Policy Network는 유망한 수들로 탐색 범위를 좁히고, Value Network는 현재 국면의 승률을 평가한다. 여기에 Tree Search 알고리즘을 더해 인간처럼 생각하면서도 기계적인 정밀함을 갖춘 시스템을 구축했다.
17:00
신의 한 수: Move 37과 Move 78의 의미
2국에서 AlphaGo가 둔 37수는 인간 전문가들이 실수라고 생각했으나 결국 승부수가 된 '창의적인' 수였다. 반면 4국에서 이세돌 9단이 둔 78수는 AlphaGo를 혼란에 빠뜨려 승리를 이끌어낸 '신의 한 수'로 기록되었다. 이 사건들은 AI가 인간의 지식을 넘어설 수 있음을 보여주는 동시에 AI의 취약점도 함께 드러냈다.
27:30
AlphaZero: 인간의 데이터 없이 학습하기
AlphaGo 이후 개발된 AlphaZero는 인간의 기보 데이터 없이 바둑의 규칙만으로 스스로 대국하며 학습했다. AlphaZero는 인간이 수천 년간 쌓아온 정석을 단 몇 시간 만에 스스로 발견하고, 더 나아가 인간의 지식을 버리고 더 효율적인 전략을 찾아냈다. 이는 AI가 인간 지식의 한계에 갇히지 않고 독립적으로 진화할 수 있음을 증명했다.
35:50
게임을 넘어 과학으로: AlphaFold와 AlphaTensor
바둑에서 증명된 탐색 및 최적화 기술은 과학적 난제 해결로 이어졌다. AlphaFold는 단백질 구조 예측 문제를 해결하여 생물학 연구의 패러다임을 바꿨다. AlphaTensor는 50년 동안 정체되어 있던 Matrix Multiplication 알고리즘을 더 빠르게 개선하는 방법을 스스로 찾아냈다. 또한 AlphaProof는 복잡한 수학 정리를 증명하는 데 성공하며 AI의 추론 능력을 입증했다.
용어 해설
- 강화학습(Reinforcement Learning)
- — 에이전트가 환경과 상호작용하며 보상을 최대화하는 행동을 스스로 학습하는 머신러닝 기법이다. 알파고가 수많은 대국을 통해 승리 확률이 높은 수를 찾아내는 핵심 메커니즘으로 사용되었다. 인간의 지도를 넘어서는 최적의 전략을 발견할 수 있게 해준다.
- 정책 네트워크(Policy Network)
- — 현재 바둑판의 상태를 입력받아 다음에 둘 수 있는 수들의 확률 분포를 출력하는 신경망이다. 모든 경우의 수를 탐색하는 대신 전문가들이 둘 법한 유망한 수들로 탐색 범위를 좁히는 '직관'의 역할을 수행한다. 탐색 효율성을 획기적으로 높여준다.
- 가치 네트워크(Value Network)
- — 현재 바둑판의 형세를 분석하여 특정 플레이어의 승리 가능성을 수치로 평가하는 신경망이다. 대국이 끝날 때까지 시뮬레이션하지 않고도 현재 국면의 유리함을 판단할 수 있게 돕는다. 정책 네트워크와 결합하여 최적의 수를 결정하는 판단 근거가 된다.
- 행렬 곱셈(Matrix Multiplication)
- — 현대 AI 연산의 가장 기초가 되는 수학적 연산으로, 신경망의 가중치 계산에 필수적이다. AlphaTensor는 이 연산을 수행하는 더 빠른 알고리즘을 스스로 찾아내어 컴퓨팅 효율을 극대화했다. AI 모델의 추론 및 학습 속도에 직접적인 영향을 미친다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 03. 11.수집 2026. 03. 11.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
