작금의 인공지능 열풍에 불을 지핀 건 단연 알파고[1]다. 요즘 알파고는 축구, 심지어 TV 예능 프로그램에서조차 인공지능을 뜻하는 말로 쓰인다. 얼마 전엔 “인간이 제공한 데이터 없이 무(無)에서 출발, 혼자 대국하며 스스로 기력을 쌓았다”는 알파고 제로가 발표됐다. 알파고 제로는 딱 사흘 학습한 후 (이세돌 9단을 물리친) 알파고를 100대 0으로 이겼다. 인류가 수천 년에 걸쳐 축적한 실력을 인간의 도움 없이 돌파한 것이다. 알파고 제로는 어떤 원리로 작동할까? 그리고 한국 과학계에선 왜 그런 걸 만들지 못하고 있는 걸까?

게임 인공지능, 일부 경우의 수 따져 이후 승률 추정

바둑 같은 보드게임을 수행하기 위한 인공지능을 개발할 때 핵심은 ‘현재 판 모양을 입력, 이길 가능성이 가장 높은 지점을 출력하는 함수’를 만드는 것이다. 인간은 다년간의 경험을 통해 “이런 판에선 여기 둬야 이길 확률이 크다”는 직관으로 게임에 임한다.

물론 컴퓨터도 판 모양을 유형화해 다음 수를 결정할 수 있다. 하지만 보다 확실한 방법은 자기 차례가 됐을 때 모든 지점에 대해 실제로 끝까지 둬보고 이기는 지점을 택하는 것이다. 즉 자신이 둘 수 있는 지점 전체에 대해 상대가 둘 수 있는 지점 전체, 또 그에 대해 자신이 둘 수 있는 지점 전체 등 경우의 수를 끝까지 따져보고 그중 이긴 지점에 해당하는 경로의 첫 수를 다음 수로 두는 것이다. 이런 방식을 ‘트리(tree)탐색’이라고 한다.

트리탐색 방식으로 모든 경우의 수를 따지는 건 시간상 불가능하다. 이 때문에 실제 상황에선 ‘트리의 모든 분기를 전부 시도하지 않고 확률적으로 일부만 따지는’ 몬테카를로 방식[2]과 ‘트리의 끝까지 다 해보지 않고 도중에 그 이후 승률을 추정하는’ 경험함수가 사용된다. 이렇게 하면 다음 수를 빠르게 계산할 수 있다. 하지만 경험함수를 완벽하게 만들긴 어려웠던 게 사실이다.

알파고의 대국 승리 비결은 ‘심층신경망’과 ‘강화학습’

알파고엔 분기결정·승률계산 등 두 개의 함수가 활용된다. 전자는 정책망으로, 후자는 가치망으로 각각 구현된다. 알파고 개발진은 두 함수를 만들기 위해 영상 인식에 널리 쓰이는 컨볼루션 심층신경망[3]을 16만 개 기보로 학습시켰다. 이렇게 학습된 두 개의 신경망을 이용하면 몬테카를로 트리탐색 알고리즘으로 바둑 게임에서 다음 수를 계산하는 프로그램이 완성된다. 하지만 16만 개 기보에 바둑 형세를 모두 포함시키는 건 불가능하므로 이 역시 완벽한 함수라고 하긴 어렵다.

이 때문에 로봇의 제어나 의사 결정에 활용되는 강화학습[4]이 추가로 동원된다. 예를 들어보자. 알파고 프로그램을 복제해 하나는 검은 돌의 수를, 다른 하나는 흰 돌의 수를 각각 계산하게 하면 두 프로그램으로 바둑 게임을 할 수 있다. 강화학습에선 그 게임의 승패에 따라 이긴 프로그램 함수엔 보상을, 진 프로그램 함수엔 벌을 각각 주는 방식으로 함수의 정확도를 개선시킨다.

물론 여기서 ‘보상’이나 ‘벌’은 은유적 표현이며 실제 상황에선 신경망의 가중치를 올리거나 낮추는 식으로 매개변수를 보정한다. 즉, 무작위로 설정된 함수 Fº와 16만 기보 데이터를 사용해 F¹을 만들고 이를 다시 강화학습으로 조정해 F²를 만드는 것이다.

고성능 PC와 다량의 데이터가 핵심? ‘제로’는 달랐다

알파고 제로는, 앞서 설명한 내용에 따르면 F¹ 생성 과정을 생략하고 무작위로 설정된 Fº에서 직접 F²를 만든 형태다. 알파고에 비해 적은 컴퓨팅 자원을 투입하고도 알파고보다 훨씬 빠르고 정확한 게임 능력을 갖춘 셈이다.

알파고 제로가 만들어진 과정은 상식과도 배치된다. 무작위 함수에서 시작하는 것보다 데이터에서부터 초기화된 함수를 최적화하는 게 더 효율적일 것 같은데 알파고 제로는 기보를 사용하지 않고 강화학습만으로 함수를 만들었기 때문이다. 기본 데이터로 조정되지 않은 무작위 함수에서 출발해 적은 계산만으로 최적 함수를 만든 비결, 대체 뭘까?

알파고 제로 개발진은 정책망과 가치망으로 분리돼있던 승률평가 함수를 하나로 단순화하고 몬테카를로 방식으로 미리보기 탐색 기능을 갖추는 등 알파고보다 한층 개선된 강화학습 알고리즘을 선보였다. 그 결과, 함수 개선 속도는 빨라지고 안정적이면서도 정확한 학습이 가능해졌다.

또한 알파고 제로엔 컨볼루션 신경망의 최신 구조를 도입한 레스넷(ResNet) 신경망이 사용됐다. 알파고는 바둑에 필요한 특징을 추출, 딥러닝으로 학습했다. 그에 반해 알파고 제로는 흑백 돌이 놓이는 바둑판 자체를 영상으로 입력한 후 더 많은 층을 쌓는 데 유용한 잔여 학습을 통해 보다 정확한 함수를 얻는 데 성공했다. 4개의 TPU[5]가 사용된 알파고 제로를 사흘 만에 학습시킬 수 있었던 비결이다(알파고에 쓰인 TPU는 48개였다). 요컨대 알파고 제로는, “요즘 인공지능은 고성능 컴퓨터와 다량의 데이터로 완성된다”는 사람들의 통념과 반대로 그 둘이 배제된 알고리즘이 핵심이란 점에서 독특하다.

‘바둑 넘어서는 인공지능’ 만드는 건 결국 유능한 인재

알파고 제로까지 나왔으니 이제 인간 지식 없이 스스로 성장하는 인공지능이 가능해진 걸까? 안타깝게도 그 질문에 대한 답변은 “바둑 게임에서만 그렇다”다. 알파고 제로가 인간 도움 없이 스스로 성장하려면 바둑 규칙에 따른 ‘승률함수 기반 트리탐색 알고리즘’이 필요한데 그걸 만드는 건 결국 똑똑한 소프트웨어 개발자, 즉 인간의 몫이다.

최근 불고 있는 오픈소스[6] 열기에 힘입어 인공지능 분야 기술도 대부분 공개되고 있다. 자연스레 다음 의문은 ‘그런데도 우린 왜 이런 걸 만들지 못했을까?’로 이어진다. 일단 “강화학습만으로 무작위 함수에서 심층신경망을 만들 순 없을 것”이라고 막연히 생각해 시도조차 안 해봤을 수 있다. 컨볼루션 신경망에 강화학습을 적용하는 과정에서 간단한 문제 해결의 가능성만 확인한 채 완성시키지 않고 중단했을 가능성도 높다.

하지만 아직 완전히 포기하기엔 이르다. 구글 딥마인드조차 알파고 제로 개발에 쓰인 기술로 실질적 제품이나 서비스까지 완성하진 못한 상태이기 때문. 따라서 ‘기술의 핵심을 꿰뚫고 비전을 제시하는’ 리더가 ‘문제 해결 능력을 갖춘’ 소프트웨어 개발자의 능력을 결집한다면 충분히 해볼 만하다.

알파고 제로는 양질의 데이터를 확보하기 어려운 분야에 관한 한 강화학습 방식이 (바둑처럼 기보가 제공되는) 지도학습 방식보다 훨씬 유용할 수 있단 사실을 보여줬다. 당장 현실에선 의료∙법률∙투자∙예측 등 여러 문제가 도움을 받을 수 있다. 따라서 이 같은 문제를 적극적으로 발굴하는 것, 더 나아가 불치병이나 에너지 문제 같은 인류 난제를 해결하는 것이야말로 ‘알파고 제로 이후’를 고민해야 할 인류의 당면 과제다. 기술의 원리와 시사점을 이해하는 동시에 냉철한 자기 반성과 함께 그 기술의 활용 방안까지 모색해야 하는 시점인 것이다.

※이 칼럼은 해당 필진의 개인적 소견이며 삼성전자의 입장이나 전략을 담고 있지 않습니다

[1] AlpahGo. 구글의 인공지능개발 자회사 구글 딥마인드(Google DeepMind)가 개발한 인공지능 프로그램
[2] Monte carlo method. 문제에 포함된 변수들의 분포에서 반복적 무작위 추출을 수행하고, 문제에서 주어진 수치를 계산함으로써 결과값을 얻어내는 계산 알고리즘
[3] Convolutional Neural Network(CNN). 딥러닝(인공 신경망을 기반으로 구현된 기계 학습 기술)의 기본 구조 중 하나다
[4] reinforcement learning. 기계학습(machine learning)의 구현 방식 중 하나다
[5] Tensor Processing Units. 구글이 자체적으로 개발한 인공지능 전문 칩
[6] open source. 인터넷 등을 통해 소프트웨어의 설계도에 해당하는 소스코드를 무상으로 공개해 누구나 개량, 재배포할 수 있도록 하는 것

인공지능은 아직 인간의 사고 수준에 미치지 못한다는 평가가 일반적이던 때, 우리는 이런 선입견을 단숨에 깨는 충격적인 사건을 목격했다. 2016년 3월, 구글의 자회사인 딥마인(DeepMind)가 만든 인공지능 바둑 컴퓨터 ‘알파고(AlphaGo, 이하 ‘알파고’)’와 이세돌 9단의 대결이었다. 세기의 대국 이후 세간의 인식이 바뀌기 시작했고, ‘알파고’는 인공지능의 대명사처럼 불릴 만큼 화제가 됐다. 그리고 지난 5월 알파고는 ‘바둑의 미래 서밋(Future of Go Summit)’에서 세계랭킹 1위 커제 9단을 상대로 3:0의 압승을 거둔 뒤 홀연히 바둑계를 은퇴했다. 그러면서 알파고끼리 둔 바둑의 기보 50건이 공개 되었는데, 이를 접한 송태곤 9단은 “무협지에서 절세 은둔 고수의 비급을 얻긴 했는데 도와주는 이 없이 따라하다가 주화입마(走火入魔)[1]에 걸리는 느낌”이라며 큰 충격을 토로한 바 있다. 이처럼 세상과 바둑계에 큰 충격을 남기고 모습을 감추었던 알파고가, 더 강력해진 ‘알파고 제로’로 돌아왔다.

인간의 지식 없이 ‘제로’부터 시작하는 ‘알파고’의 진화

지난 10월 19일, 구글 딥마인드는 과학 전문 주간지 <네이처>에 게재한 논문 ‘인간 지식 없이 바둑을 마스터하기’를 통해 ‘알파고 제로’가 기존의 바둑 기보를 전혀 학습하지 않은 채 자체적인 강화 학습만으로 기존의 알파고를 뛰어넘었다고 발표했다. ‘제로’라는 이름은 인간의 기보 없이 ‘제로 베이스(Zero-base)에서 시작했다는 의미일 것이다. 딥마인드가 ‘빈 서판(tabula rasa)[2]’에 비유하기도 한 알파고 제로는 이전 버전과 세 가지 차이점이 있다.

첫째, 경우의 수를 줄여주는 ‘정책망’과 그 안에서 최적의 수를 찾아주는 ‘가치망’을 따로 활용했던 기존의 알파고와 달리, 알파고 제로는 이를 하나의 신경망으로 구현했다. 다음 수를 예측하는 정확도는 다소 낮아졌지만, 같은 시간 내 추론 능력이 두 배 이상 증가했다. 결과적으로 승리를 위한 최적의 수를 찾는 ‘트리 탐색(Tree search)’ 능력이 더욱 향상된 것이다. 또한 초창기 딥러닝 기술인 컨볼루션 신경망(Convolutional neural network)가 아니라 최근 마이크로소프트가 개발한 인식 학습 프로그램인 ‘레스넷(ResNet)’을 사용함으로써 성능을 더 끌어올렸다.

둘째, 신경망에 ‘사람이 정의하는 여러 특징(Handcrafted feature)’을 별도로 입력하지 않았다. 이는 기존의 인공지능을 제작할 때 주어지는 일종의 가이드라인을 정하지 않았다는 의미다. 기존의 알파고는 활로의 개수, 축과 축머리 인지 여부 등을 별도로 입력해두었지만, 알파고 제로는 단지 바둑의 기본 법칙만 사용했다. 그리고 대국의 마지막 순간까지 빠르게 시뮬레이션해보는 ‘롤아웃(Roll-out)’ 기능을 제거해 CPU 자원 사용율을 대폭 줄였다. 초기 버전인 ‘알파고 판(판 후위 2단과 대결했던 버전)은 1,202개의 CPU와 176개의 GPU를 사용했고, ‘알파고 리(이세돌 9단과 대결했던 버전)가 1,202개의 CPU와 48개의 TPU를 사용했던 것에 비해, 알파고 제로는 4개의 TPU를 가진 단일 컴퓨터를 이용한다.

마지막으로 알파고 제로의 가장 큰 특징은 인간의 기보를 전혀 참고하지 않았다는 점이다. 바둑 규칙만 습득한 후, 자체 대국을 통해 독학으로 바둑의 이치를 터득했다. 불과 36시간 만에 인간의 기보를 학습한 버전을 추월했고, 3일 만에 알파고 리의 수준[3]에 도달했다. 그리고 약 한 달 뒤. 기존의 인공지능 바둑왕인 ‘알파고 마스터(커제 9단과 대결했던 버전)’를 넘어, 5천 점이 넘는 엘로(Elo) 점수[4]를 획득했다. 무(無)에서 출발한 덕분에 인간의 선입견과 한계로부터 자유를 얻은 것일까? 강화 학습만으로 지도 학습의 성과를 능가할 가능성은 모두가 알고 있었지만, 그것을 실제로 성공시켰다는 점에서, 알파고 제로보다 딥마인드 팀의 기술력 자체가 더 대단하다고 할 수 있다.

스스로 학습하는 ‘알파고 제로’의 의미

‘알파고 제로’의 성장 과정은 마치 바둑 입문자가 9단의 전문가가 되어가는 과정을 압축해서 보는 것 같다. 바둑에 갓 입문한 초심자들의 바둑에서는 돌과 돌이 무작정 맞부딪힌다. 넓은 곳이 있음에도, 좁은 곳에서 상대의 돌 몇 개를 잡기 위해 진흙탕 싸움을 벌인다. 알파고 제로도 학습 초기 단계(3시간이 지난 시점)에서는 이런 식으로 바둑을 두었다. 이후 19시간이 지난 시점부터 사활, 집, 세력과 같은 의미를 깨우치기 시작했다. 그리고 70시간이 지났을 때는 동시다발적인 전투나 복잡한 패싸움을 거치고 나서도 여전히 균형 잡힌 형세를 유지할 수 있게 되었다. 그렇게 한 달 만에 알파고 제로는 세계 최고의 바둑 기사가 되었다.

알파고 제로는 때때로 사람처럼 자신만의 독특한 수법을 개발하는 한편, 사람이라면 바둑에 입문하자마자 배우는 축 개념을 학습이 꽤 진행된 다음에 발견하기도 했다. 그래서 사람들은 강화 학습만으로 개발된 인공지능이 인간과 전혀 다른 바둑을 둘지도 모른다고 생각했지만, 알파고 제로는 인간이 지난 2,500년간 찾아낸 바둑의 수법들이 아주 허황된 것이 아니었음을 보여주었다.

누군가는 그저 바둑 몇 판을 이기는 것이 뭐 그리 대단한 일이냐고 말할 수도 있다. 하지만 딥 마인드가 알파고를 만드는 목적은 그저 바둑을 잘 두는 인공지능을 만드는 것에 있지 않다. 사실 딥마인드가 결국은 인간의 기보를 참고하지 않는 알파고를 개발하리라는 것은 어느 정도 예상된 일이었다. 결국 그들은 IT 환경에서 범용적으로 적용되는 인공지능을 만드는 것이 목적이니까. 그리고 인간의 도움 없이 스스로 학습하는 법을 배운 ‘알파고 제로’는 결국 인공지능의 다음 세대를 향한 첫걸음이 될 것이다.

※이 칼럼은 해당 필진의 개인적 소견이며 삼성전자의 입장이나 전략을 담고 있지 않습니다.

[1]주로 무협 소설에서 사용되는 용어로, 기의 운용을 잘못하여 몸에 문제가 생긴다는 뜻이다. ‘무리한 상태를 지속하여 큰 충격을 받은 상태’ 또는 ‘일정한 수준을 넘어 도가 지나친 상태’를 나타낼 때 사용된다.
[2] 타불라 라사(Tabula rasa). 라틴어로 ‘깨끗한 서판’이라는 의미. 인식론에서는 사람이 태어날 때는 정신적으로 ‘빈’ 백지와 같은 상태로 태어나며, 출생 이후 감각적인 지각 활동과 경험에 의해 서서히 ‘마음’이 형성되어 전체적인 지적 능력이 형성된다는 의미로 사용된다.
[3] 이 이야기 이면에는 무수히 많은 시행착오가 숨어 있다. 알파고 제로는 대국 시 단일 머신(4 TPU)을 사용했지만, 학습 시에는 64개의 GPU와 19개의 CPU를 사용했다. 이마저도 하나의 실험 환경에서 사용된 컴퓨팅 자원이다. 조작변인을 조금씩 바꿔가며 수백 가지 실험을 수행하기 위해서는 어마어마한 컴퓨팅 자원과 인력이 동원된다. 그렇게 시험을 거쳐도 최적의 인자(parameter)를 찾는데 수개월이 필요하다.
[4] 체스나 바둑에서 실력을 수치화한 점수. 두 사람의 점수 차가 200점, 366점, 677점의 차이가 난다면, 점수가 높은 쪽이 이길 확률은 각각 75%, 90% 99%이다.

알파고와 인간 최고수(세계 랭킹 1위) 커제 9단과의 대결은 (대다수의 예상처럼) 알파고의 ‘싱거운 승리’로 끝났다. 지난해 3월 있었던 ‘알파고 대(對) 이세돌 9단’ 간 대결 제목이 ‘챌린지(challenge·도전)’였던 반면, 이번 대국의 주제는 ‘바둑의 미래 서밋(summit·정상회담)’이었다. 인간과 인공지능 간 대결 자체보다 둘의 공존 방안을 모색해보려는 취지가 강했단 뜻이다. 자연히 이번 대결에선 ‘알파고-커제’ 대국만큼이나 일명 ‘페어 바둑(fair~, 프로 기사가 알파고와 팀을 이뤄 또 다른 프로 기사와 알파고로 구성된 팀을 상대하는 방식)’에 시선이 집중됐다.

‘알파고-커제’ 대국의 또 다른 관전 포인트, 페어 바둑

이 대국에서 렌샤오 8단 팀은 중반까지 구리 9단 팀에 비해 호흡이 잘 안 맞는 것처럼 보였다. 하지만 종반 들어 승부수가 통하며 역전에 성공했다. 1대 1 대국에선 좀처럼 역전을 허용하지 않던 알파고가 페어 바둑에서 파트너와의 공조 정도에 따라 역전을 허용한 점이 흥미로웠고, 프로 기사들이 종종 알파고의 수를 이해하지 못해 당황하는 광경을 지켜보는 재미도 쏠쏠했다.

대결을 지켜보는 내내 ‘앞으로 인간과 인공지능이 팀을 이뤄 출전하는 대회가 늘어나겠다’는 생각이 들었다. 인간과 인공지능이 번갈아 가며 착수하는 페어 바둑 외에 인간이 인공지능의 도움을 받아 대국하는 대회도 생겨날 것이다. 그 단계에 이르면 인간은 인공지능에 정밀한 수 읽기를 맡긴 채 ‘큰 틀에서의 전략’을 짜는 데 집중하지 않을까? 그렇게 되면 바둑은 전혀 새로운 경지에 도달할지도 모른다.

이 같은 현상이 비단 바둑에서만 나타나는 건 아니다. 분야를 막론하고 인간과 컴퓨터 간 협력(multiplicity)이 중요해지고 있기 때문이다. 머신 러닝 기술과 대중의 지혜 간 결합은 이미 오래전 현대인의 일상을 완전히 바꿔놓았다. 인터넷 검색 엔진 알고리즘이나 스팸 필터가 다수의 피드백을 바탕으로 하루가 다르게 개선되고 있는 것, 소셜네트워크서비스(SNS)에서 사용자에게 유용한 뉴스피드(news feed)가 조직되고 인터넷 서점에서 ‘고객님이 좋아하실 만한 책’이 추천 목록에 떠오르는 것 모두 그 덕분이다.

실제로 오늘날 인공지능 연구는 인간과 컴퓨터의 상호작용(Human-Computer Interaction, HCI)에 걸림돌이 되는 음성 인식이나 자연어 처리에 집중하고 있다. 적어도 한동안은 인간을 완벽하게 이해하는 인공지능이 나오기 어려운 만큼, 미래 사회에선 역(逆)으로 인공지능을 보다 잘 헤아리고 적응하는 인간이 각광 받을 것이다.

인간 바둑, 인공지능 바둑보다 탄탄한 팬층 확보하려면

인공지능을 이해하고 적응한다는 건 어떤 의미일까? 다시 바둑의 예로 돌아가보자. 어떤 장르든 ‘프로(페셔널)’는 팬을 위해 존재한다. 지금껏 대다수의 프로 기사는 “당신이 팬에게 제공할 수 있는 최고 서비스가 뭐냐”는 질문을 받으면 으레 “좋은 기보를 남기는 것”이라고 답했다. 그래서 관중 하나 없는 한국기원 대국실에 둘이 틀어박혀 바둑을 둔 후 (그 대국이 궁금했을 팬들을 위해) 기보를 남겼다.

문제는 어느덧 인공지능 간 기보 수준이 인간 최고수 간 기보 수준을 훌쩍 뛰어넘었단 사실이다(최근 공개된 알파고 간 기보 50건은 지나치게 난해해 아마추어 바둑 팬은커녕 정상급 프로 기사도 온전히 이해하기 힘들 정도였다). 인공지능은 실수가 없을 뿐 아니라 창의적이기까지 하다. 자연히 기보의 질적 측면으로만 따지면 인간 프로 기사는 인공지능과 경쟁이 되지 않는다. 기보 자체가 목적이던 시대는 지난 것이다. 따라서 지금 활동 중인 프로 기사라면 기보를 매개로 팬에게 다가갈 방법부터 모색해야 한다.

간혹 TV에서 바둑 중계를 접한다. 대개 승패가 결정된 후 승자 인터뷰가 이어지는데, 그 내용은 천편일률적이다. “이번 판은 운이 좋아 승리했을 뿐이며, 다음 판도 상대가 나보다 강한 만큼 ‘한 수 배운다’는 자세로 겸허하게 임하면 좋은 결과를 얻을 수 있을 것”이란 게 요지다. 이런 식의 인터뷰가 언제까지 바둑 팬의 마음을 움직일 수 있을까?

앞으로의 바둑은 ‘대국자끼리의 복기’를 넘어서야 한다. 팬들을 상대로 자전 해설에 나서는 한편, 주요 승부처에선 ‘흑백 바꿔 두기’ 같은 시도도 감행할 필요가 있다. 궁극적으로 대국의 모든 순간, 어떻게 생각하고 무슨 감정을 느끼는지 파악하기 위해 대국자가 팬과 실시간으로 소통할 수 있는 환경을 만들어야 한다. 다시 말해 ‘인공지능 바둑은 제공할 수 없는’ 서비스로의 차별화가 시급하다. 그렇게 되면 설사 기술적 측면에서 수준이 다소 떨어진다 해도 바둑 팬은 인공지능 바둑 대신 인간 바둑 관전을 택할 것이다.

AI가 ‘사람처럼’ 되려면 에너지 효율 500억 배 향상돼야

구글은 “이번 대국을 끝으로 더 이상 바둑 인공지능은 연구하지 않겠다”며 “추후 목표는 알파고 기술을 활용, 한층 다양한 영역에 적용되는 ‘범용 인공지능’을 만드는 것”이라고 밝혔다. 그러고 보면 알파고는 바둑‘만’ 잘 둔다. 그것도 19줄 바둑판에서만 위력을 발휘한다.

만약 당장 내일 아침, 20줄 바둑판에서 알파고와 이세돌 9단이 다시 대결한다면 어떻게 될까? 이세돌 9단이 압승을 거둘 게 분명하다. 알파고 신경망에서 바둑판 상황은 ‘한 줄의 숫자 행렬’로 입력되는데 바둑판이 한 줄 늘어나면 그 순서가 전부 헝클어지기 때문. 반면, 인간은 20줄 바둑판에서도 본 실력이 거의 그대로 나온다(물론 ‘바둑판이 평소보다 약간 넓은 것 같다’고 생각할 순 있다). 이런 차이는 어디서 기인하는 걸까?

영국 과학 전문 주간지 ‘네이처(Nature)’의 논문 결과에 따르면 알파고의 인공 신경망은 기껏해야 10만 개 정도의 뉴런을 흉내 낸 형태다. 하지만 인간은 대뇌피질에만 1000억 개의 뉴런을 갖고 있어 훨씬 큰 틀에서의 유형(pattern) 인식이 가능하다. 인간이 바둑을 둘 수 있는 건 물론, 퀴즈를 풀거나 그림을 그릴 수 있는 건 모두 그 덕분이다. 이 대목에서 혹자는 말할 수도 있다. ‘그럼 알파고를 100만 대 연결하면 인간처럼 온갖 일을 다 해낼 수 있겠네!’ 물론 가능하다. 충분히 상상할 수 있는 일이다.

단, 걸림돌이 하나 있다. ‘에너지’ 문제다. 이세돌 9단은 밥 한 끼(약 20W) 챙겨 먹고 1000억 개의 뉴런을 가동할 수 있었다. 이와 대조적으로 알파고는 고작 10만 개의 뉴런을 흉내 내는 데 1MW에 육박하는 전력을 썼다. 결국 알파고 100만 대를 20W 수준에서 돌리려면 에너지 효율이 지금보다 500억 배 향상돼야 한다. 이는 오늘날 반도체 기술 발전 추세만으론 도저히 달성되기 어려운 목표다. ‘날로 정교해지는 반도체 공정에 비례해 에너지 효율이 개선되지 않는’ 상황은 이미 수 년 전부터 이어져오고 있다.

기업들, ‘머신 러닝 최적화된 프로세서’ 선점 경쟁 치열

구글은 이번 대회 직후 일명 ‘텐서 처리 장치(Tensor Processing Unit, TPU)’ 홍보에 주력했다. 머신 러닝에선 소수점 아래로 길게 내려가는 계산이 굳이 필요하지 않는단 점에 착안, 이 공정을 줄여 계산 효율을 높인 게 TPU의 특징이다. TPU의 입지가 강화되면 현재 인공지능 관련 데이터 처리 장치로 많이 쓰이는 그래픽 처리 장치(Graphics Processing Units, GPU) 시장은 위협 받을 수 있다.

GPU 개발·제조사 엔비디아의 경우, 당장은 기존 GPU로도 장사가 너무 잘 돼 새로운 프로세서를 내놓지 않고 있지만 TPU가 출시되고 관련 시장이 커지면 즉시 TPU에 대응할 제품을 발표할 게 분명하다. 애플 같은 기업도 크고 작은 하드웨어(반도체) 회사를 수직 계열화하며 ‘머신 러닝에 최적화된 프로세서 보유’를 자체 경쟁력으로 갖추기 위해 채비하고 있다. 아직 초기 단계이긴 하지만 뉴로모픽 컴퓨터(neuromorphic computer)[1]나 양자컴퓨터(quantum computer)[2]도 에너지 효율을 크게 개선할 수 있는 해결책 중 하나로 연구되고 있다.

※이 칼럼은 해당 필진의 개인적 소견이며 삼성전자의 입장이나 전략을 담고 있지 않습니다

지난 15일, 이세돌 9단과 인공지능 바둑 프로그램 '알파고(AlphaGo)'의 마지막 대국이 끝났다. 결과는 4대 1, 알파고의 완승이었다.

이번 승부는 '세기의 대결'이란 타이틀에 걸맞게 처음 성사됐을 때부터 화제를 모았고, 다섯 차례 대국이 진행되는 1주일 내내 전 세계 미디어의 주목을 받았다. 바둑 애호가는 물론, 바둑에 전혀 관심 없던 사람들까지 대국 중계 방송에서 눈을 떼지 못하게 만들 정도였다. 자연히 알파고의 최종 승리는 세간의 관심을 '인공지능'이란 화두로 쏠리게 했다. 오죽하면 교육열 높은 한국의 '극성 맘(mom)' 사이에서 "알파고가 대체 어디 있는 고등학교냐"는 우스갯소리가 나왔을까.

▲인공지능 바둑 프로그램 '알파고(AlphaGo)'와의 세 번째 대국을 마친 후 복기(復棋) 중인 이세돌 9단(사진 출처: 연합뉴스/출처가 명기된 이미지는 무단 게재, 재배포할 수 없습니다)

이러니 저러니 해도 이번 대국이 촉발한 호기심은 단연 '인공지능의 정의(와 영향력)'로 귀결된다. 그리고 그 해답의 실마리는 '알파고의 정체'를 확인하는 작업에서부터 찾을 수 있다.

프로그래밍계의 난제: '단순 계산 능력'을 넘어서라!

알파고의 핵심 알고리즘은 '딥러닝(Deep Learning)'이다. 딥러닝이란 인간과 거의 비슷한 방식으로 판단, 학습할 수 있도록 고안된 컴퓨터 프로그램을 일컫는 용어. 사실 초창기 컴퓨터는 '복잡한 수식을 착오 없이 계산하도록(compute) 고안된 기계'였다. 그런 만큼 컴퓨터 프로그래밍은 단순 계산과 통계 등 특정 영역에 관한 한 인간 두뇌와 비교 자체가 불가능할 만큼 효율적으로, 또 정확하게 발달해왔다. 문제는 이 같은 '단순 계산 능력'이 인간의 뇌에서 차지하는 비율이 지극히 낮다는 사실. 이 때문에 일찍이 컴퓨터공학자들은 '인간 두뇌가 보유한 능력 중 기계로 구현할 수 있는 분야의 한계'를 주제로 다양한 연구를 거듭했다.

인간의 뇌는 (컴퓨터로 구현되는) 인공지능과 비교했을 때 적어도 두 가지 부문에서 압도적으로 우월하다. 무수한 정보 가운데 자신의 판단에 필요한 걸 순간적으로 선택하는 능력이 하나, 시시때때로 입력되는 정보를 (무)의식적으로 저장하는 능력이 다른 하나다. 

▲뇌과학 분야가 발달하면서 인간 두뇌의 정보 처리 과정을 모방한 컴퓨터 알고리즘이 속속 등장하고 있다

출생 당시 인간의 뇌는 미숙한 상태다. 이후 성장 과정을 거치며 자극을 받고 정보를 취사선택, 조합하는 일명 '자기조직 원리'에 의해 점차 완성돼간다. 이때 판단과 선택, 조직의 과정은 대단히 빠르고 신축성 있다. 일례로 갓 태어난 아기도 누군가의 얼굴을 접하곤 자신에게 중요한 사람인지 여부를 즉각적으로 판단한 후 반응한다. 수 백만 년, 아니 수 억 년 이상 인간 DNA에 축적된 유전자 정보 덕분이다.

바로 그 때문에 학계에선 "(인간 두뇌처럼 유전자 정보를 DNA에 축적할 수 없는) 기계가 정보를 취사 선택, 판단하도록 하는 일은 사실상 불가능하다"는 게 한동안 정설로 받아들여졌다. 1980년대 후반 제기된 모라벡의 역설(Moravec's paradox)이 대표적이다. "인간에게 어려운 일은 쉽게 해내지만 인간이 수월하게 할 수 있는 일은 오히려 어려워하는(hard problems are easy and easy problems are hard)" 컴퓨터의 특성을 간파한 로봇공학자 한스 모라벡(Hans Moravec)의 이 지적은 비교적 최근까지 인공지능에 관심 있는 컴퓨터공학자들을 좌절하게 만들었다.

인간 두뇌의 정보 저장 용량은 엄청나지만 선택 저장 능력은 더 놀랍다. 인간의 뇌 속엔 약 1000억 개의 신경세포가 있다. 그리고 이 신경세포는 다시 100조 개의 시냅스로 복잡하게 연결돼 있다. 사람의 뇌에 담을 수 있는 정보의 양은 2.5페타바이트(PB) 수준인 걸로 알려져 있지만 이 역시 가변적 취사선택 과정을 거쳐 얼마든지 확장될 수 있다. 이 때문에 한편에선 "아무리 정보의 홍수 시대라 해도 하나의 프로그램이 인간 두뇌 수준의 정보를 감당하기엔 기술적으로 역부족"이란 평가가 지배적이었다.

알파고, 딥러닝과 빅데이터의 '환상적 콜래보레이션'

정보의 취사선택과 적정 조합. 컴퓨터공학자 사이에서 '난공불락'의 영역으로 여겨졌던 이 두 과제는 21세기 들어 거의 동시에 해소되는 방향으로 나아가고 있다. 실마리를 제공한 건 20세기 말부터 급격히 발달해온 뇌과학 분야 연구 성과다. 뇌의 특정 부분과 신경세포들이 어떤 연관선상에서 정보를 처리해가는지 밝혀지며 이를 모방한 컴퓨터 알고리즘들이 시도돼온 것.

알파고에 적용된 '몬테카를로 트리 서치(Monte Carlo Tree Search)'는 그중 게임에 적합하도록 개발된 프로그램이다. 바둑알 두는 방법을 무작위로 샘플링, 각각의 방법이 이길 확률을 계산해내는 방식으로 구동된다. 여기에 △사업성 분석 기법의 하나인 '밸류 네트워크(value network)' △정책 타당성 분석에 주로 활용돼온 '폴리시 네트워크(policy network)' 기법이 더해지며 '바둑 둘 때 인간 뇌가 움직이는 방식'을 모방한 알파고식 알고리즘이 탄생한 것이다.

바둑에서 어디에 돌을 놓을지 결정하는 일은, 다소 거칠게 설명하자면 '바둑돌을 움직였을 때 얻어지는 이득을 계산하는 일'과 같다. 오랜 훈련을 거쳐 바둑에 숙련된 인간은 반복 경험과 학습, 직관에 가까운 감각, 상대의 반응을 읽어내는 눈치 등을 종합해 이 계산 과정을 단축시킨다.

컴퓨터가 이 같은 인간의 두뇌 작동 방식을 똑같이 따라 할 순 없다. 하지만 바둑돌을 움직이는 '경우의 수' 중 가장 짧은 시간 내에 가장 큰 이득을 내는 수를 읽을 수 있다면 어떨까? 경우별 가치 함수 계산 과정을 반복적으로 학습시킨다면? 일단 학습된 내용에 대해선 착오 없는 결과를 도출할 수 있는 컴퓨터의 특성상 '바둑 잘 두는 컴퓨터'의 탄생 가능성도 얼마든지 점쳐볼 수 있다.

다만 바둑에서 경우의 수란 제아무리 컴퓨터라 해도 감당하기 어려울 만큼 방대하므로 포지션 평가나 확률 분포 정책 등의 추가 알고리즘을 통해 경우의 수를 대폭 축소시켜 계산 시간을 줄여야 한다. 또한 그 과정을 거친 데이터의 양도 엄청난 만큼 이를 빨리 저장, 처리할 수 있는 기술이 동반돼야 한다.

이 모든 걸 가능하게 해준 건 클라우드 컴퓨팅과 빅데이터 같은 정보 저장∙처리 기술이다. 최근 고성능 중앙처리장치(CPU)와 그래픽처리장치(GPU)가 잇따라 등장하며 빅데이터를 확보, 사용할 수 있는 인프라가 갖춰졌다. 딥러닝 기술 역시 이 과정에서 발달하게 된 것이다. 요컨대 알파고는 인간의 신경망 구조를 모방한 기계 학습법인 딥러닝 알고리즘, 여기에 엄청난 양의 정보를 끌어들여 빠르게 처리하는 빅데이터 기술 발달이 더해지며 이뤄낸 성과라고 할 수 있다.

신약 실험, 자동차 자율 운행 등 활용도 '무궁무진'

'아이에게 물고기를 주기보다 물고기 잡는 법을 가르쳐라'는 서양 격언이 있다. 딥러닝이 컴퓨터를 바로 이 방식으로 학습시킨다. 다시 말해 목표 내용을 직접 주입하기보다 무수한 데이터를 걸러내는(filtering) 과정에서 그 내용을 컴퓨터가 알아서 찾아내도록 설계하는 것이다. 따라서 방대한 경우의 수를 탐색, 가장 주도적인 관련성을 찾아내는 작업이 딥러닝의 핵심이다.

이런 방식으로 가장 두드러진 성과를 내고 있는 게 얼굴 인식 등 컴퓨터 비전(vision) 분야다. 2014년 현재 이 기술은 얼굴 인식률 측면에서 평균적인 사람(97.5%)과 유사한 수준(97.4%)에 이르렀다. 이뿐 아니다. 음성 인식, 손 필기 인식 등 '기본 유형(pattern) 인식 능력에 기반한' 기술은 모두 딥러닝 기법 덕에 일취월장하고 있다. 최근 계속 업그레이드되고 있는 인공신경망 기계 번역 역시 이 같은 딥러닝의 특성을 응용한 분야다.

딥러닝이 사물인터넷 확산 추세와 맞물리면 인류의 삶을 더없이 편리하게 바꿀 수 있다. 단순히 외관(얼굴)이나 음성 인식에 그치지 않고 체온∙호흡∙맥박∙혈압 등 다양한 생체 신호를 지속적으로 측정, 인식할 수 있게 되면 이 같은 신호를 본인 인증뿐 아니라 헬스케어 같은 서비스에도 활용할 수 있다.

가정에서의, 혹은 범위를 좀 더 넓혀 산업계나 도시 환경 관리 측면에서의 응용도 가능하다. 사물인터넷 시스템에서 데이터를 받아 효율적이고 안전한 에너지 관리에 쓸 수 있기 때문. 그 밖에도 △신약의 효과 측정과 부작용 확인 △기업의 고객 관리 △자동차의 자율 운행 등 딥러닝을 기반으로 한 인공지능의 쓰임새는 무한대로 확장될 수 있다. 영화 '채피(Chappie)' 속 다정다감한 로봇이 실제 인류의 동반자가 될 날도 머지않은 셈이다.

'인간 대(對) 컴퓨터', 승패 관계로 규정할 수 없어

지난 2013년 미국 매사추세츠공과대학(MIT)은 '올해를 빛낼 10대 혁신 기술' 중 하나로 딥러닝을 꼽았다. 이듬해 미국 마케팅 조사 전문 기업 가트너(Gartner, Inc.)는 딥러닝을 '2014 세계 IT 시장 10대 주요 예측'에 포함시켰다. 글로벌 시장조사 기관 IDC는 오는 2017년 전 세계 인공지능 시장 규모를 1650억 달러로 전망했다. 글로벌 컨설팅 기업 맥킨지(McKensey)는 오는 2025년 '인공지능을 통한 지식노동의 연간 자동화' 가치를 5조2000억 달러로 내다봤다. 하루가 멀다 하고 쏟아지는 인공지능 관련 전망을 들여다보고 있자면 슬며시 걱정 하나가 고개를 든다. '이러다 인공지능이 인간의 일자리를 모두 빼앗게 되는 건 아닐까?'

인공지능 기술이 발전돼 응용 분야가 확산되면 사람이 하는 일에서의 구조조정은 불가피할 것이다. 하지만 그 결과가 '사람을 쫓아내는(혹은 사람에게 위협을 가하는) 기계'로 이어질 가능성은 크지 않다. 인공지능을 만들어내는 주체도, 작동시키고 점검해야 하는 주체도 모두 사람이기 때문이다.

이세돌과 알파고의 첫 번째 대국이 열리기 직전인 지난 9일, 에릭 슈미트(Eric Schmidt) 구글 회장은 개막 연설에서 이렇게 말했다. "(이번 대국의) 결과가 어떻게 되든 승자는 결국 인간입니다." 사실 더 크게 보면 '인간 대 컴퓨터'의 관계는 승패로 규정할 수 없다. 인간은 컴퓨터를 포함, 다양한 도구와 기계를 만들어 활용하며 자신들의 삶을 더욱 풍부하게 만들어왔기 때문이다. 인공지능 역시 그 '도구와 기계'의 연장선상에 있다. 결국 미래의 인공지능은 인류의 삶을 더욱 풍요롭게 만드는 방향으로 발전할 테고, 그러기 위해 인간이 해야 할 일은 지금보다 한층 늘어날 것이다.