엔지니어링 철학: 데미스 허사비스, 지능을 풀어 모든 것을 풀다

핵심 요점

• 계획은 두 단계였습니다. 지능을 풀고, 그다음 그것으로 나머지 모든 것을 푼다. 그 문장은 – 허사비스가 DeepMind를 세울 때 실제로 내건 구상이며 – 전략의 전부입니다. 좁은 학습 시스템이 아니라 일반적인 학습 시스템을 만든 다음, 그것을 과학의 가장 어려운 문제들에 겨눈다는 것이죠. 오만하게 들리지만, 그가 순서대로 이 계획을 실행하는 모습을 지켜보면 생각이 달라집니다.¹⁷
• 게임은 검증의 장이었지, 목표가 아니었습니다. AlphaGo는 2016년 3월 이세돌을 4-1로 꺾었습니다 – 전문가들의 예측보다 10년이나 앞선 결과였죠 – 그리고 2국의 “37수”, 사람이 둘 확률이 대략 1만분의 1 정도였던 그 한 수는 시스템이 모방이 아니라 창안을 하고 있음을 보여주었습니다.⁵ 허사비스가 게임을 택한 이유는 게임이 그 자체로 완결되어 있고 목표가 명확하며, 강화 학습에 이상적인 실험 무대이기 때문입니다.⁷
• 그런 다음 그는 그 지능을 생물학으로 돌려 노벨상을 받았습니다. AlphaFold2는 2020년 CASP14에서 50년 묵은 단백질 구조 예측 문제를 풀었고, 지금 AlphaFold 데이터베이스에는 200만 명이 넘는 연구자가 사용하는 약 2억 개 단백질의 구조가 담겨 있습니다.⁸⁹ 2024년 허사비스는 존 점퍼(그리고 데이비드 베이커)와 함께 노벨 화학상을 받았습니다 – 두 번째 단계가 현실이 된 것입니다.¹⁰¹¹
• 체스 신동에서 게임 디자이너로, 신경과학자로, 그리고 창업자로. 1976년 런던에서 태어나 열세 살에 체스 마스터 수준에 올랐고, 열일곱 살에 테마 파크를 공동 디자인했으며, 케임브리지에서 최우등으로 졸업한 뒤 UCL에서 기억과 상상을 연구하는 인지신경과학 박사 학위를 받았습니다 – 모든 장이 다음 장으로 이어졌습니다.¹²³⁴

그 원칙

“1단계, 지능을 푼다. 2단계, 그것을 써서 나머지 모든 것을 푼다.” – 데미스 허사비스, DeepMind 창업 구상에 관하여⁷

야심 찬 기술은 대개 반대 방향으로 만들어집니다. 검색, 추천, 사기 탐지 같은 하나의 문제를 고른 다음, 그것을 푸는 가장 좁고 가장 믿을 만한 시스템을 만들죠. 일반성은 나중에야, 어쩌면 영영, 얻을 수 있는 사치로 취급됩니다. 허사비스는 그 순서를 뒤집었습니다. 그의 베팅은, 올바른 첫수가 특정 문제 하나를 푸는 것이 아니라 문제를 푸는 일반적인 능력 자체를 푸는 것 – 특별히 설계된 적 없는 영역까지 통달할 수 있는 학습 시스템을 만드는 것 – 그리고 오직 그다음에야 가장 중요한 표적을 겨누는 것이었습니다.⁷

그래서 그 문장의 순서가 하중을 지탱합니다. “지능을 푼다”가 먼저 오는 이유는 응용이 중요하지 않아서가 아니라, 그가 보기에 충분히 일반적인 지능이야말로 만들 수 있는 가장 지렛대가 큰 도구이기 때문입니다. 한 번만 풀면 하나의 용도에 맞춰진 도구가 아니라 여러 자물쇠를 여는 열쇠를 손에 쥐게 됩니다. 이 표현은 거창하게 읽힐 수 있고, 실제로도 그랬을 것입니다 – 그가 이후 15년 동안 그 두 단계를 순서대로, 공개적으로 밟아 나가 두 번째 단계에서 노벨상에 도달하지 않았다면 말이죠.¹⁰

이 구호 밑에 깔린 방법론에는 흔치 않은 재료가 둘 있습니다. 첫째는 영감으로서의 신경과학입니다. 허사비스는 알고리즘적 아이디어를 캐내려고 일부러 뇌를 연구했습니다. 우리가 아는 단 하나의 일반 지능은, 또 하나를 만들려 시도하기 전에 먼저 이해해 둘 가치가 있다는 발상이었죠.⁷ 둘째는 검증의 장으로서의 게임입니다. 목표 함수가 명확한, 그 자체로 완결된 세계에서 학습 시스템을 훈련하고 측정하며 초인적인 수준까지 끌어올린 다음에야 비로소 진짜 무언가를 맡길 수 있습니다.⁷ 게임에서 일반 학습으로, 다시 과학적 발견으로 – 그것이 전체 궤적이며, 한 줄로 압축한 원칙입니다. 지능을 풀고, 그것으로 나머지 모든 것을 푼다.

배경

데미스 허사비스는 1976년 7월 27일 런던에서 그리스계 키프로스인 아버지와 중국계 싱가포르인 어머니 사이에서 태어났습니다.¹ 네 살 때부터 체스 신동이었고, 열세 살에는 Elo 2300 안팎의 마스터 수준에 도달했으며 잉글랜드 청소년 대표팀의 주장을 맡았습니다.¹ 여기서 체스는 각주가 아닙니다 – 그것은 세계관 전체의 기원입니다. 수년간 수읽기를 계산하고 국면을 평가하며 최선의 진행을 고르는 데 매달린 아이는, 사춘기에 이르기도 전에 훗날 AlphaGo의 밑바탕이 될 바로 그 순환을 체득합니다. 앞을 내다보고, 평가하고, 고른다.

다음 장은 게임이었습니다 – 게임을 만드는 일이었죠. 불프로그 프로덕션의 일자리를 건 공모전에서 우승한 뒤, 허사비스는 열일곱 살에 피터 몰리뉴와 함께 시뮬레이션의 고전 테마 파크를 공동 디자인하고 메인 프로그래밍을 맡았습니다. 이 게임은 수백만 장이 팔렸고 경영 시뮬레이션 장르를 탄생시키는 데 일조했습니다.² 그는 이어 라이언헤드에서 블랙 & 화이트의 메인 AI 프로그래머가 되었고, 그 뒤 자신의 스튜디오 엘릭서 스튜디오를 세워 리퍼블릭: 더 레볼루션과 이블 지니어스를 내놓았습니다.¹ 그의 인생 10년이 군중, 생명체, 적수 같은 지능적 행동을 시뮬레이션하는 소프트웨어를 만드는 데 들어갔습니다 – 진짜를 만들려는 사람을 위해 설계한다면 바로 이런 모습일, 정확히 그런 수련이었습니다.

그런 다음 그는 제1원리로 돌아갔습니다. 1997년 케임브리지에서 컴퓨터 과학으로 최우등 학위를 받았던 그는, UCL에서 인지신경과학 박사 학위(2009)를 받으러 학계로 돌아가 일화 기억과 상상을 연구했습니다 – 해마가 손상된 환자가 과거를 기억하지 못할 뿐 아니라 새로운 미래 장면을 상상하는 데에도 어려움을 겪는다는 것을 보여주었죠.¹³⁴ 이는 AI를 만드는 사람에게 심오한 발견입니다. 기억의 기계 장치와 상상의 기계 장치가 같은 기계 장치라는 뜻이니까요. 그는 개츠비 전산신경과학 연구소에서 박사후 연구를 했고, 2010년에는 셰인 레그, 무스타파 술레이만과 함께 DeepMind를 공동 창업했습니다. 구글은 2014년 이 회사를 인수했습니다.¹ 체스는 그에게 탐색을 가르쳤고, 게임은 시뮬레이션을, 신경과학은 일반 지능이 안에서 어떻게 보이는지를 가르쳤습니다. DeepMind는 그 셋이 한데 모이는 곳입니다.

그 작업

검증의 장으로서의 게임: AlphaGo와 37수

엔진 자체에서, 축소판으로 시작해 봅시다. 신경망이 등장하기 훨씬 전부터, 게임을 두는 기계의 핵심 발상은 수읽기였습니다. 한 수를 두기 전에 상대의 응수, 그에 대한 나의 응수, 그렇게 가능성의 나무를 따라 내려가며 각 진행이 어디서 끝나는지 점수를 매기고, 양쪽이 잘 둔다고 가정했을 때 최선의 결과로 이어지는 수를 고르는 것이죠. 아래 위젯은 그 발상을 가장 작은 형태로 벗겨낸 것입니다 – 매 수를 두기 전에 모든 진행을 탐색하기에 결코 질 수 없는 상대를 두고 두는 틱택토입니다. 한 판 두어 보세요. 그러면 당신은 AlphaGo의 증조부와 두고 있는 셈입니다.

틱택토는 끝까지 탐색할 만큼 작습니다. 바둑은 그렇지 않습니다. 바둑판의 합법적인 국면 수는 관측 가능한 우주의 원자 수보다 많고, 그래서 체스를 깨뜨린 기법인 완전 탐색식 수읽기가 수십 년 동안 바둑에서는 실패했습니다.⁵ DeepMind의 수는 탐색을 유지하되 그것을 지능적으로 만드는 것이었습니다. AlphaGo는 몬테카를로 트리 탐색에 두 개의 심층 신경망을 결합했습니다 – 유망한 수를 제안해(나쁜 수에 탐색을 낭비하지 않도록) 주는 정책 신경망과, 한 국면이 얼마나 좋은지를 판단해(모든 진행을 끝까지 읽지 않아도 되도록) 주는 가치 신경망입니다. 두 신경망은 먼저 사람 전문가의 기보로 학습한 뒤, 자기 자신의 여러 버전과 수백만 판을 두는 강화 학습으로 다듬어졌습니다.⁵

2016년 3월 서울에서, AlphaGo는 현존하는 최고의 기사 중 한 명인 이세돌을 2억 명이 넘는 관중 앞에서 4-1로 꺾었습니다 – 전문가들의 예측보다 대략 10년 앞선 일이었죠.⁵ 그것을 규정하는 순간이 2국의 37수입니다. 시스템 스스로 사람이라면 약 1만분의 1의 확률로나 둘 것이라고 추정한 수였고, 처음에는 해설자들이 실수로 읽었다가 나중에야 절묘한 수로 이해되었습니다. 인류가 수천 년 동안 갈고닦은 영역에서, 사람의 천재성을 모방한 것이 아니라 진정으로 새로운 무언가를 기계가 내놓는 것을 세계가 지켜본 첫 순간이었습니다.⁵ 그것이 게임 단계의 전부입니다. 이기는 것이 아니라, 학습 시스템이 발견할 수 있음을 증명하는 것이죠.

AlphaZero: 규칙만으로 배우기

AlphaGo는 여전히 목발 하나에 기대고 있었습니다. 사람의 기보 데이터베이스에서 출발했죠. 다음 단계는 그것마저 없앴습니다. AlphaZero(2017년 공개, 2018년 Science에 전체 결과 발표)는 게임의 규칙만을 받은 채 무작위 수에서 출발해 전적으로 자기 대국을 통해 스스로 배웠습니다 – 사람의 기보도, 정석 책도, 손으로 짠 휴리스틱도 없었습니다.⁶ 백지 상태였죠. 그 빈 출발점에서 바둑, 체스, 쇼기를 초인적인 수준으로 통달해 가장 강력한 전용 엔진들을 압도했고 – 그것도 매우 다른 세 게임에 적용된 하나의 일반 알고리즘으로 해냈습니다. 일반 지능의 “일반”을 뒷받침하는 가장 분명한 증거였습니다.⁶

제가 가장 시사적이라고 보는 대목은 어떻게 이겼는가입니다. AlphaZero는 체스에서 초당 약 6만 개의 국면만 탐색했습니다. 전통적 엔진 스톡피시의 6천만 개에 견주면 천분의 일이었죠 – 그런데도 앞섰습니다. 학습된 직관이 애초에 어떤 진행을 읽을 가치가 있는지 알려주었기 때문입니다.⁶ 또한 그랜드마스터들을 놀라게 한, 낯설고 희생적이며 깊이 위치적인 기풍으로 두었습니다. 이것은 37수와 같은 교훈을 일반화한 것입니다. 시스템에게 사람의 지식을 모방하도록 강요하기를 멈추고 문제의 구조를 처음부터 배우게 두면, 그것은 우리와 비기는 데 그치지 않고 – 우리가 놓친 것을 찾아냅니다. 이것이 “지능을 풀다”에서 두 번째 단계로 건너가는 다리입니다. 과학의 어려운 문제 대부분은 애초에 베껴 쓸 사람의 기보가 없기 때문입니다.

AlphaFold: 지능을 과학으로 돌리다 (2024년 노벨상)

그런 다음 허사비스는 그 열쇠를 썼습니다. 50년 동안 생물학의 큰 도전 과제는 단백질 접힘 문제였습니다. 단백질은 정밀한 3차원 형태로 접히는 아미노산 사슬이고, 그 형태가 단백질이 무엇을 하는지를 결정하는데, 서열로부터 형태를 예측하는 일은 모든 접근법을 좌절시켰습니다. 구조 하나를 알아내는 실험적 방법은 수년이 걸리고 막대한 비용이 들 수 있었습니다.⁸⁹

2020년 CASP14 – 이 분야의 격년 블라인드 평가 – 에서 DeepMind의 AlphaFold2는 실험적 정답과 대략 원자 하나 너비 이내로 구조를 예측했습니다. 차순위 시스템보다 약 세 배 정확했고, 대부분의 단백질에 대해 실험실에 견줄 만했습니다.⁸ CASP 주최 측은 50년 묵은 문제가 사실상 풀렸다고 선언했습니다.⁸ 그런 다음 DeepMind는 하나의 결과를 인프라로 바꾸는 일을 해냈습니다. AlphaFold 단백질 구조 데이터베이스를 공개해 인간 프로테옴에서 약 2억 개의 구조 – 과학에 알려진 거의 모든 분류된 단백질 – 를 무료로 이용할 수 있게 했고, 지금은 190개국 200만 명이 넘는 연구자가 사용합니다.⁹¹¹

2024년 10월, 노벨 위원회는 허사비스와 동료 존 점퍼에게 “단백질 구조 예측”의 공로로 노벨 화학상의 절반을 수여했고, “전산 단백질 설계”로 인정받은 데이비드 베이커가 나머지 상을 나눠 가졌습니다.¹⁰¹¹ 허사비스는 같은 해 인공지능에 대한 공로로 기사 작위를 받았습니다.¹ 곱씹어야 할 것은 그 순서입니다. 이것은 게임에서 생물학으로의 별개의 진로 전환이 아닙니다. 애초의 그 문장의 두 번째 단계입니다. 일반 학습 시스템을 만들고, 목표가 깨끗한 곳(게임)에서 검증한 다음, 목표의 형태가 같은 – 방대한 탐색 공간, 명확한 채점 함수 – 문제에 겨눕니다. 다만 그 보상은 생물학 전체를 위한 도구입니다.

사명과 Isomorphic: 다음은 무엇인가

AlphaFold가 그 명제를 증명했다면, Isomorphic Labs – 허사비스가 창업해 이끌며, 2021년 DeepMind에서 분사한 회사 – 는 그것을 산업화하려는 시도입니다. AI로 신약 개발 과정을 재발명하며, 표적에서 분자에 이르는 파이프라인 전체를 AlphaFold류 시스템이 공략할 수 있는 하나의 문제로 다루는 것이죠.¹ 더 큰 표적을 향한, 다시 두 번째 단계입니다. 단백질의 형태를 예측하는 일에서, 그것에 결합하는 분자를 설계하는 일로요. 한편 DeepMind가 내건 사명은 인류에 이로운 AI를 책임 있게 만든다는 쪽으로 넓어졌고, 허사비스는 AGI에 관해 더 신중한 고위급 목소리 중 하나가 되었습니다 – 정확히 “나머지 모든 것을 푼다”는 절반을 곧이곧대로 받아들이기에 신중을 당부하는 것이죠.⁷ 패턴은 양방향으로 성립합니다. 야심은 거대하고, 어떻게 거기에 도달할 것인가에 대한 규율도 그만큼 진지합니다.

그 방법

허사비스의 방법은 그가 직접 풀어 설명했기에 유난히 또렷합니다. 언론 포장을 걷어내면, 그것은 반복 가능한 레시피입니다.

구체적 과제가 아니라 일반적 능력을 겨눠라. 결정적 선택은 응용이 아니라 “지능을 풀기”를 먼저 한 것 – 출시 가능한 가장 좁은 것이 아니라 일반화하는 학습 시스템을 만든 것이었습니다. 대부분의 팀은 이것을 감당할 수 없습니다. 규율이란 언제 일반성이 실제 지렛대이고 언제 그것이 미루기인지를 아는 것입니다.⁷

작동하는 단 하나의 예에서 캐내라. 존재하는 일반 지능은 정확히 하나 – 뇌 – 뿐이며, 그래서 허사비스는 그 아이디어를 훔치려고 신경과학을 연구했습니다. 자연에 알려진 해법이 하나뿐인 문제에서는, 그것을 깊이 이해하는 편이 백지에서 발명하는 것보다 낫습니다. 같은 본능이 이 시리즈 전체를 관통합니다. 이미 작동하는 구조를 새로 발명하지 말고 인코딩하라는 것 – LeCun이 합성곱에 평행 이동 불변성을 구워 넣은 것처럼 말이죠.⁷

제품보다 검증의 장을 먼저 지어라. 게임은 그에게, 무언가 중요한 것에 손대기 전에 시스템을 정직하게 훈련하고 측정할 수 있는, 목표 함수가 명확하고 그 자체로 완결된 세계를 주었습니다. 일반적 교훈은 이렇습니다. 그것이 작동하는지에 대한 깨끗하고 빠른 신호를 얻을 수 있는 환경에 투자하라. 믿지 못하는 의견보다 믿는 벤치마크가 더 값집니다 – 연구 프로그램 전체에 적용된 증거 관문인 셈이죠.⁷

가능할 때 사람이라는 목발을 치워라. AlphaGo는 사람의 기보에서 배웠고, AlphaZero는 그런 것 없이 배워 더 잘했습니다. 시스템이 문제의 구조를 직접 배울 만큼 성숙하면, 사람이 대준 발판은 천장이 될 수 있습니다. 언제 그것을 걷어차야 할지 아는 것은 그 자체로 하나의 기술입니다.⁵⁶

그런 다음 그 능력을 중요한 무언가에 써라. 이 모든 것을 단순한 묘기 이상으로 만드는 규율은 두 번째 단계가 실제로 일어난다는 데 있습니다. 게임을 두는 일은 결코 목적이 아니었고, AlphaFold가 목적이었습니다. 가치 있는 표적이 없는 능력은 미완성입니다 – 그 작업이 존재할 자격이 있는지를 묻는 Steve 테스트를, 지능 자체에 적용한 것이죠.⁸¹⁰

영향의 사슬

그를 빚은 사람들

체스. 컴퓨터 과학 이전에, 신경과학 이전에, 체스판이 있었습니다. 마스터가 체화하는 수읽기, 평가, 선택의 순환은 AlphaGo와 AlphaZero 밑에 깔린 바로 그 순환입니다. 허사비스는 그 알고리즘을 어릴 때 직접 살아내며 배웠습니다. (형성적 영향)

의도적으로 연구된 뇌. 허사비스는 우리가 아는 유일한 일반 지능에서 배우려고 명시적으로 인지신경과학 박사 과정을 밟았고, 기억과 상상의 공유된 기계 장치를 연구했습니다. AI가 뇌에서 영감을 받아야 한다는 베팅은 그에게 은유가 아니라 연구 계획이었습니다. (직접적 영향)

딥러닝 혁명. AlphaGo와 AlphaFold는 그 핵심이 심층 신경망이며, 그 계보는 신경망을 학습 가능하게 만든 Geoffrey Hinton과, 합성곱 구조로 신경망에 구조를 보는 법을 가르친 Yann LeCun을 곧장 관통합니다. 허사비스는 탐색과 시스템을 만들었고, 그들은 그것이 배우는 토대를 만들었습니다. (직접적 영향)

그가 빚은 것들

과학을 위한 AI. AlphaFold는 문제 하나를 푼 데 그치지 않고 하나의 본보기를 세웠습니다 – 목표가 깨끗한 어려운 과학 문제에 겨눈 일반 학습 시스템이 수십 년의 전문적 노력을 앞지를 수 있다는 것이죠. 모든 “X를 위한 AlphaFold” 프로젝트는 그 시연의 후예입니다.

대규모 강화 학습. AlphaGo와 AlphaZero는 자기 대국을 동반한 심층 강화 학습이 방대한 탐색 공간에서 사람의 전문성에 도달하고 그것을 넘어설 수 있다는 교과서적 증명이며, 한 하위 분야 전체가 가능하다고 믿던 것의 경계를 다시 그었습니다.

대중의 AI 상상. 37수와 이세돌 대국은 수억 명에게, 기계가 모방을 멈추고 창조를 시작한 순간이었습니다. 그 문화적 이정표 또한 그의 영향의 일부입니다.

관통하는 선

허사비스는 이 시리즈의 딥러닝 갈래가 지각에서 행동과 발견으로 돌아서는 지점입니다. Fei-Fei Li는 신경망에 보는 법을 가르친 데이터를 공급했고, Geoffrey Hinton은 학습 기계를 실제로 작동하게 만들었으며, Yann LeCun은 구조를 찾는 아키텍처를 주었습니다. 허사비스는 바로 그 신경망들을 가져다 탐색과 자기 대국으로 감쌌습니다 – 세계를 분류하는 데 그치지 않고 그 안에서 행동하고, 계획하고, 발견하는 시스템이죠. 앞으로 이어지는 선은 자연스럽게 Andrej Karpathy의 “소프트웨어 2.0”, 즉 손으로 짜는 대신 데이터에서 컴파일되는 프로그램이라는 발상으로 흘러갑니다. 그것이 바로 AlphaZero입니다. 전략 규칙은 하나도 프로그래밍되지 않았고, 게임의 규칙과 보상만 있을 뿐 나머지는 전부 학습됩니다. LeCun은 보는 법을 배우라 하고, Hinton은 그 학습이 작동한다 하고, Li는 여기 배울 세계가 있다 하고, 허사비스는 말합니다. 이제 그것으로 무언가를 해라 – 그리고 그것을 생물학의 50년 묵은 문제에 겨눕니다. (시리즈 가교)

제가 여기서 얻는 것

허사비스에게서 제가 간직하는 교훈은 야심의 순서 정하기에 관한 것입니다. “지능을 풀고, 그다음 나머지 모든 것을 푼다”는 문장은 창업자의 허세라며 비웃기 쉽고, 실제로도 그랬을 것입니다 – 그가 그것을 글자 그대로의 2단계 계획으로 다루어, 15년 동안 공개적으로 그 단계들을 순서대로 실행하고 두 번째 단계 끝에 노벨상을 두지 않았다면 말이죠. 규율은 야심의 크기가 아닙니다. 검증의 장을 건너뛰기를 거부하는 것입니다. 그는 첫날부터 질병을 치료하겠다고 주장하지 않았습니다. 시스템을 만들고, 점수가 명확한 곳에서 초인적으로 검증한 뒤, 오직 그다음에야 중요한 표적을 겨눴습니다. 이것이 큰 목표에 대한 제 사고방식을 다시 정렬합니다. 대담한 끝을 선언하되, 먼저 깨끗한 벤치마크에서 그럴 자격을 벌어라. 그것은 로드맵에 적용된 품질이 유일한 변수다입니다 – “응용이 인상적인가?” 이전에 “능력이 진짜인가?”를 묻는 것이죠.

두 번째 교훈은 더 조용하며 전체 궤적을 관통합니다. 최고의 아이디어는 흔히 이미 작동하는 단 하나의 예를 연구하는 데서 나온다는 것입니다. 허사비스는 지능을 추상적으로 이론화하지 않았습니다. 직접 가서 뇌를 연구했죠. 그것이 존재 증명이기 때문입니다. 막혔을 때, 해야 할 수는 진공 속에서 제1원리로부터 발명하는 경우가 드뭅니다 – 이것의 어떤 형태를 이미 푼 시스템을 찾아, 그것이 왜 잘 작동하는지를 아이디어를 훔쳐 올 만큼 이해하는 것이죠. 체스는 그에게 탐색을, 뇌는 아키텍처를, 게임은 실험 무대를, 생물학은 가치 있는 표적을 주었습니다. 무엇 하나 버려지지 않았습니다. 각 장이 다음 장을 위해 작동하는 예를 캐내는 그였기 때문입니다. 지능을 풀고, 그것을 써라 – 다만 먼저, 이미 그것을 가진 존재로부터 배우러 가라.

FAQ

데미스 허사비스의 엔지니어링 철학은 무엇입니까?

먼저 지능을 풀고, 그다음 그것으로 나머지 모든 것을 푸는 것입니다. 특정 과제를 푸는 가장 좁은 시스템을 만드는 대신, 허사비스는 일반적인 학습 시스템 – 뇌가 작동하는 방식에서 영감을 얻고, 목표가 깨끗한 게임에서 검증한 – 을 만든 다음, 그 일반적 능력을 과학의 가장 어려운 문제에 겨누는 데 베팅했습니다.⁷ 이 전략이 또렷한 이유는 그가 순서대로 실행했기 때문입니다. AlphaGo와 AlphaZero는 그 지능이 진짜이고 일반적임을 증명했고, AlphaFold는 그것을 생물학의 단백질 접힘 문제에 써서 노벨상을 받았습니다.⁵⁶⁸¹⁰

AlphaGo는 어떻게 작동하며, 37수는 무엇이었습니까?

AlphaGo는 몬테카를로 트리 탐색에 두 개의 심층 신경망을 결합했습니다. 유망한 수를 제안하는 정책 신경망과 한 국면이 얼마나 좋은지 판단하는 가치 신경망이며, 먼저 사람의 기보로 학습한 뒤 자기 대국을 통한 강화 학습으로 다듬어졌습니다.⁵ 바둑은 합법적인 국면이 우주의 원자보다 많아 완전 탐색이 불가능하므로 – 신경망 덕분에 시스템이 대신 지능적으로 탐색합니다. 2016년 3월 AlphaGo는 서울에서 이세돌을 4-1로 꺾었고, 2국의 “37수” – 사람이 둘 확률이 대략 1만분의 1인 수 – 는 인류가 수천 년 동안 갈고닦은 게임에서 기계가 진정으로 새로운 아이디어를 내놓은 순간이었습니다.⁵

AlphaGo와 AlphaZero의 차이는 무엇입니까?

AlphaGo는 자기 대국으로 향상되기 전에 일부를 사람 전문가의 기보 데이터베이스에서 배웠습니다. AlphaZero(2017)는 사람의 데이터를 완전히 없앴습니다. 게임의 규칙만 주어진 채, 무작위 대국에서 출발해 순수한 자기 대국 강화 학습으로 스스로 배웠죠 – 백지 상태였습니다.⁶ 그 빈 출발점에서 하나의 일반 알고리즘이 바둑, 체스, 쇼기를 초인적인 수준으로 통달했고, 훨씬 적은 국면을 탐색하면서도 가장 강력한 전용 엔진들을 꺾었습니다. 학습된 직관이 어떤 진행을 읽을 가치가 있는지 알려주었기 때문입니다.⁶ AlphaZero가 “일반” 지능에 대한 더 강력한 증거인 이유는, 같은 방법이 도메인별 조정 없이 서로 다른 세 게임에 걸쳐 작동했기 때문입니다.

AlphaFold는 무엇이며, 왜 노벨상을 받았습니까?

AlphaFold는 아미노산 서열로부터 단백질의 3차원 구조를 예측하는 DeepMind의 AI 시스템입니다 – 약 50년 동안 해결을 거부해 온 “단백질 접힘 문제”였죠.⁸⁹ 2020년 CASP14 평가에서 AlphaFold2는 구조를 대략 원자 수준의 정확도로, 실험적 방법에 견줄 만하게 예측했고, 주최 측은 문제가 사실상 풀렸다고 선언했습니다.⁸ DeepMind는 약 2억 개의 예측 구조 – 알려진 거의 모든 단백질 – 를 연구자에게 무료로 공개했습니다.⁹ 2024년 허사비스와 존 점퍼는 “단백질 구조 예측”의 공로로 노벨 화학상의 절반을 받았고, “전산 단백질 설계”로 인정받은 데이비드 베이커와 그것을 나눴습니다.¹⁰¹¹

출처