바둑은 “직관의 게임”이라 불렸습니다. 규칙은 단순한데, 19×19 판 위에서 벌어지는 선택지는 기하급수적으로 늘어납니다. 그래서 한때는 이런 말까지 나왔죠. **“바둑을 인간처럼 두는 AI를 만들려면, 인간 같은 AI가 필요하다.”** (I. J. Good, 1965년 인용)

그런데 2016년, 알파고가 이세돌 9단을 이기면서 이야기가 끝난 것처럼 보였습니다. 하지만 사실 그 순간부터 더 흥미로운 질문이 시작됐습니다. **“바둑을 정복한 방식이, 다음 10년의 AI를 어떻게 바꿀까?”**

![Generated image](https://images.tilnote.io/pages/647c52ad-9617-4c1a-a2ee-b8e39fc23812.webp)

\
이 글은 바둑을 ‘사건’이 아니라 **‘렌즈’**로 삼아, AI가 앞으로 어떤 방향으로 진화할지 가장 현실적으로 예측해봅니다.

---

## 바둑이 AI에게 ‘최종 보스’였던 이유

### 1) 체스처럼 “다 읽는” 방식이 바둑에선 망가졌다

체스/체커에서 강했던 고전 AI는 보통 이런 전략을 씁니다.

* 가능한 수를 최대한 많이 펼친다(탐색)

* 좋은 수/나쁜 수를 평가해서 가지치기한다(미니맥스, 알파-베타 등)

하지만 바둑은 판이 크고(19×19), 의미 있는 수가 너무 많아 **분기 수(가능한 선택지)가 폭발**합니다. 위키피디아의 *Computer Go* 정리처럼, 2015년 이전까지는 “강한 프로그램”이라 해도 **초보~중급자 수준**을 벗어나기 어려웠고, 프로는 핸디캡(접바둑)으로도 충분히 이겼습니다. 즉 바둑은 “연산으로 밀어붙이는 AI”의 한계를 드러낸 대표 과목이었습니다.

### 2) 바둑은 ‘장기 플랜’과 ‘모호한 평가’를 강요한다

바둑은 당장 돌 하나를 따내는 것보다, **10수 뒤 전체 집의 균형**이 더 중요합니다. 문제는 그 균형이 숫자로 딱 떨어지지 않는다는 점입니다. 이 때문에 사람들은 바둑을 “직관”으로 설명해왔고, AI는 이 영역에서 계속 막혔습니다.

---

## 알파고가 바둑으로 증명한 것: AI의 승리 공식 3가지

### 1) “규칙을 외우지 말고, 경험을 쌓아라” — 몬테카를로 트리 탐색(MCTS)

2007~2014년 사이, 바둑 AI는 **몬테카를로 트리 탐색(MCTS)**로 급성장합니다. 핵심 아이디어는 단순합니다.

* 모든 수를 완벽하게 계산하려 하지 않는다

* 대신 **샘플링(여러 번의 가상 대국)**으로 “이 수가 유리할 확률”을 추정한다

이 방식은 바둑처럼 가지가 많은 게임에서 특히 강했습니다. 위키피디아도 이 시기를 “성능이 눈에 띄게 좋아진 전환점”으로 정리합니다.

### 2) “직관을 신경망으로 만들 수 있다” — 딥러닝의 등장(2015~)

결정적 전환은 2015년 이후의 딥러닝 era였습니다. 알파고는 딥러닝으로 **좋은 수의 감각(정책)**과 **형세 판단(가치)**을 학습했고, MCTS는 그 직관을 바탕으로 탐색을 더 똑똑하게 했습니다.\
쉽게 말하면:

> 딥러닝이 ‘촉’을 만들고, 탐색이 ‘검증’을 한다.

그래서 사람 입장에서는 “이해할 수 없는 신의 한 수” 같은 장면이 나오기 시작합니다. 유튜브에 공개된 알파고(마스터)의 자가대국 영상이 지금 봐도 충격적인 이유가 여기 있습니다. (사람의 정석 교과서 바깥에서, 판 전체를 재구성하는 수들이 등장)

### 3) “인간 데이터 없이도 강해질 수 있다” — 자가학습(Self-play)

바둑에서 가장 미래적인 부분은 **자가대국**입니다. 즉 인간이 정답을 알려주지 않아도:

* 스스로 두고

* 스스로 지고 이기며

* 스스로 강해집니다

이 흐름은 지금도 계속 진화 중입니다. 2026년 arXiv 논문 **「Mastering the Game of Go with Self-play Experience Replay」**는, 알파고 계열이 주로 사용한 “탐색(MCTS) 기반” 접근과 달리 **모델-프리 강화학습**으로도 (학습 시 탐색을 생략하거나 최소화하며) **자가학습만으로 알파고급 성능**에 근접할 수 있음을 주장합니다. 게다가 “상대적으로 적은 컴퓨팅(7 GPUs, 5개월)”이라는 표현까지 붙습니다.\
이건 한 문장으로 요약하면 이런 신호입니다.

> “초거대 탐색 + 초거대 연산”만이 답은 아니다. **학습 효율 자체가 개선되고 있다.**

---

## 바둑으로 예측하는 AI의 미래: 다음 승부처는 ‘게임 밖’이다

### 1) AI는 더 이상 “정답 맞히기”가 아니라 “전략을 설계”한다

바둑형 AI가 강한 이유는 문제를 이렇게 보기 때문입니다.

* 단기 최적화가 아니라 **장기 보상**

* 한 번의 정답이 아니라 **정책(Policy)**

이 관점은 이미 현실로 넘어왔습니다. 마케팅, 물류, 가격 책정, 인력 배치처럼 “한 번의 의사결정이 연쇄적으로 결과를 낳는” 문제는 전부 바둑형 문제입니다. AI의 다음 10년은 **문장 생성**을 넘어, “의사결정 시스템”으로 이동합니다.

### 2) ‘탐색’은 사라지지 않고, 제품 속으로 숨는다

많은 사람은 알파고를 보고 “탐색이 답이네”라고 생각했지만, 실제 산업에서는 탐색이 그대로 노출되기 어렵습니다. 느리고 비용이 크니까요.\
대신 미래는 이런 형태가 됩니다.

* 평소엔 빠른 정책 모델(딥러닝)이 즉시 결정을 내리고

* 중요한 순간(리스크가 큰 결정)에만 제한적으로 탐색/시뮬레이션을 붙이는 형태

바둑에서 “촉으로 후보 수를 좁히고, 그 다음 계산”하듯이요.

### 3) 가장 큰 이슈는 성능이 아니라 “설명 가능성(이해 가능성)”이다

바둑에서 알파고의 수가 “좋다”는 건 결과로 증명됩니다. 하지만 기업/사회 문제는 다릅니다.

* 왜 그 결정을 했는지 설명해야 하고

* 책임 소재가 필요하고

* 데이터 편향/윤리 이슈가 따라옵니다

즉 바둑이 “이기는 것”을 증명했다면, 이제 AI는 “납득시키는 것”을 증명해야 합니다.

---

## (바로 써먹는) 바둑식 사고로 AI 시대에 강해지는 방법 5가지

바둑은 “직관의 게임”이라 불렸습니다. 규칙은 단순한데, 19×19 판 위에서 벌어지는 선택지는 기하급수적으로 늘어납니다. 그래서 한때는 이런 말까지 나왔죠. “바둑을 인간처럼 두는 AI를 만들려면, 인간 같은 AI가 필요하다.” (I. J. Good, 1965년 인용) 그런데 2016년, 알파고가 이세돌 9단을 이기면서 이야기가 끝난 것처럼 보였습니다. 하지만 사실 그 순간부터 더 흥미로운 질문이 시작됐습니다. “바둑을 정복한 방식이, 다음 10년의 AI를 어떻게 바꿀까?” 이 글은 바둑을 ‘사건’이 아니라 ‘렌즈’로 삼아, AI가 앞으로 어떤 방향으로 진화할지 가장 현실적으로 예측해봅니다. 바둑이 AI에게 ‘최종 보스’였던 이유 1) 체스처럼 “다 읽는” 방식이 바둑에선 망가졌다 체스/체커에서 강했던 고전 AI는 보통 이런 전략을 씁니다. 가능한 수를 최대한 많이 펼친다(탐색) 좋은 수/나쁜 수를 평가해서 가지치기한다(미니맥스, 알파-베타 등) 하지만 바둑은 판이 크고(19×19), 의미 있는 수가 너무 많아 분기 수(가능한 선택지)가 폭발합니다. 위키피디아의 Computer Go 정리처럼, 2015년 이전까지는 “강한 프로그램”이라 해도 초보~중급자 수준을 벗어나기 어려웠고, 프로는 핸디캡(접바둑)으로도 충분히 이겼습니다. 즉 바둑은 “연산으로 밀어붙이는 AI”의 한계를 드러낸 대표 과목이었습니다. 2) 바둑은 ‘장기 플랜’과 ‘모호한 평가’를 강요한다 바둑은 당장 돌 하나를 따내는 것보다, 10수 뒤 전체 집의 균형이 더 중요합니다. 문제는 그 균형이 숫자로 딱 떨어지지 않는다는 점입니다. 이 때문에 사람들은 바둑을 “직관”으로 설명해왔고, AI는 이 영역에서 계속 막혔습니다. 알파고가 바둑으로 증명한 것: AI의 승리 공식 3가지 1) “규칙을 외우지 말고, 경험을 쌓아라” — 몬테카를로 트리 탐색(MCTS) 2007~2014년 사이, 바둑 AI는 몬테카를로 트리 탐색(MCTS)로 급성장합니다. 핵심 아이디어는 단순합니다. 모든 수를 완벽하게 계산하려 하지 않는다 대신 샘플링(여러 번의 가상 대국)으로 “이 수가 유리할 확률”을 추정한다 이 방식은 바둑처럼 가지가 많은 게임에서 특히 강했습니다. 위키피디아도 이 시기를 “성능이 눈에 띄게 좋아진 전환점”으로 정리합니다. 2) “직관을 신경망으로 만들 수 있다” — 딥러닝의 등장(2015~) 결정적 전환은 2015년 이후의 딥러닝 era였습니다. 알파고는 딥러닝으로 좋은 수의 감각(정책)과 형세 판단(가치)을 학습했고, MCTS는 그 직관을 바탕으로 탐색을 더 똑똑하게 했습니다. 쉽게 말하면: 딥러닝이 ‘촉’을 만들고, 탐색이 ‘검증’을 한다. 그래서 사람 입장에서는 “이해할 수 없는 신의 한 수” 같은 장면이 나오기 시작합니다. 유튜브에 공개된 알파고(마스터)의 자가대국 영상이 지금 봐도 충격적인 이유가 여기 있습니다. (사람의 정석 교과서 바깥에서, 판 전체를 재구성하는 수들이 등장) 3) “인간 데이터 없이도 강해질 수 있다” — 자가학습(Self-play) 바둑에서 가장 미래적인 부분은 자가대국입니다. 즉 인간이 정답을 알려주지 않아도: 스스로 두고 스스로 지고 이기며 스스로 강해집니다 이 흐름은 지금도 계속 진화 중입니다. 2026년 arXiv 논문 「Mastering the Game of Go with Self-play Experience Replay」는, 알파고 계열이 주로 사용한 “탐색(MCTS) 기반” 접근과 달리 모델-프리 강화학습으로도 (학습 시 탐색을 생략하거나 최소화하며) 자가학습만으로 알파고급 성능에 근접할 수 있음을 주장합니다. 게다가 “상대적으로 적은 컴퓨팅(7 GPUs, 5개월)”이라는 표현까지 붙습니다. 이건 한 문장으로 요약하면 이런 신호입니다. “초거대 탐색 + 초거대 연산”만이 답은 아니다. 학습 효율 자체가 개선되고 있다. 바둑으로 예측하는 AI의 미래: 다음 승부처는 ‘게임 밖’이다 1) AI는 더 이상 “정답 맞히기”가 아니라 “전략을 설계”한다 바둑형 AI가 강한 이유는 문제를 이렇게 보기 때문입니다. 단기 최적화가 아니라 장기 보상 한 번의 정답이 아니라 정책(Policy) 이 관점은 이미 현실로 넘어왔습니다. 마케팅, 물류, 가격 책정, 인력 배치처럼 “한 번의 의사결정이 연쇄적으로 결과를 낳는” 문제는 전부 바둑형 문제입니다. AI의 다음 10년은 문장 생성을 넘어, “의사결정 시스템”으로 이동합니다. 2) ‘탐색’은 사라지지 않고, 제품 속으로 숨는다 많은 사람은 알파고를 보고 “탐색이 답이네”라고 생각했지만, 실제 산업에서는 탐색이 그대로 노출되기 어렵습니다. 느리고 비용이 크니까요. 대신 미래는 이런 형태가 됩니다. 평소엔 빠른 정책 모델(딥러닝)이 즉시 결정을 내리고 중요한 순간(리스크가 큰 결정)에만 제한적으로 탐색/시뮬레이션을 붙이는 형태 바둑에서 “촉으로 후보 수를 좁히고, 그 다음 계산”하듯이요. 3) 가장 큰 이슈는 성능이 아니라 “설명 가능성(이해 가능성)”이다 바둑에서 알파고의 수가 “좋다”는 건 결과로 증명됩니다. 하지만 기업/사회 문제는 다릅니다. 왜 그 결정을 했는지 설명해야 하고 책임 소재가 필요하고 데이터 편향/윤리 이슈가 따라옵니다 즉 바둑이 “이기는 것”을 증명했다면, 이제 AI는 “납득시키는 것”을 증명해야 합니다. (바로 써먹는) 바둑식 사고로 AI 시대에 강해지는 방법 5가지

<p>바둑은 “직관의 게임”이라 불렸습니다. 규칙은 단순한데, 19×19 판 위에서 벌어지는 선택지는 기하급수적으로 늘어납니다. 그래서 한때는 이런 말까지 나왔죠. <strong>“바둑을 인간처럼 두는 AI를 만들려면, 인간 같은 AI가 필요하다.”</strong> (I. J. Good, 1965년 인용)</p><p>그런데 2016년, 알파고가 이세돌 9단을 이기면서 이야기가 끝난 것처럼 보였습니다. 하지만 사실 그 순간부터 더 흥미로운 질문이 시작됐습니다. <strong>“바둑을 정복한 방식이, 다음 10년의 AI를 어떻게 바꿀까?”</strong></p><p><img src="https://images.tilnote.io/pages/647c52ad-9617-4c1a-a2ee-b8e39fc23812.webp" alt="Generated image" loading="eager" decoding="async" fetchpriority="high"></p><p><br>이 글은 바둑을 ‘사건’이 아니라 <strong>‘렌즈’</strong>로 삼아, AI가 앞으로 어떤 방향으로 진화할지 가장 현실적으로 예측해봅니다.</p><hr><h2 id="바둑이-AI에게-최종-보스였던-이유">바둑이 AI에게 ‘최종 보스’였던 이유</h2><h3 id="1-체스처럼-다-읽는-방식이-바둑에선-망가졌다">1) 체스처럼 “다 읽는” 방식이 바둑에선 망가졌다</h3><p>체스/체커에서 강했던 고전 AI는 보통 이런 전략을 씁니다.</p><ul><li><p>가능한 수를 최대한 많이 펼친다(탐색)</p></li><li><p>좋은 수/나쁜 수를 평가해서 가지치기한다(미니맥스, 알파-베타 등)</p></li></ul><p>하지만 바둑은 판이 크고(19×19), 의미 있는 수가 너무 많아 <strong>분기 수(가능한 선택지)가 폭발</strong>합니다. 위키피디아의 <em>Computer Go</em> 정리처럼, 2015년 이전까지는 “강한 프로그램”이라 해도 <strong>초보~중급자 수준</strong>을 벗어나기 어려웠고, 프로는 핸디캡(접바둑)으로도 충분히 이겼습니다. 즉 바둑은 “연산으로 밀어붙이는 AI”의 한계를 드러낸 대표 과목이었습니다.</p><h3 id="2-바둑은-장기-플랜과-모호한-평가를-강요한다">2) 바둑은 ‘장기 플랜’과 ‘모호한 평가’를 강요한다</h3><p>바둑은 당장 돌 하나를 따내는 것보다, <strong>10수 뒤 전체 집의 균형</strong>이 더 중요합니다. 문제는 그 균형이 숫자로 딱 떨어지지 않는다는 점입니다. 이 때문에 사람들은 바둑을 “직관”으로 설명해왔고, AI는 이 영역에서 계속 막혔습니다.</p><hr><h2 id="알파고가-바둑으로-증명한-것-AI의-승리-공식-3가지">알파고가 바둑으로 증명한 것: AI의 승리 공식 3가지</h2><h3 id="1-규칙을-외우지-말고-경험을-쌓아라-몬테카를로-트리-탐색MCTS">1) “규칙을 외우지 말고, 경험을 쌓아라” — 몬테카를로 트리 탐색(MCTS)</h3><p>2007~2014년 사이, 바둑 AI는 <strong>몬테카를로 트리 탐색(MCTS)</strong>로 급성장합니다. 핵심 아이디어는 단순합니다.</p><ul><li><p>모든 수를 완벽하게 계산하려 하지 않는다</p></li><li><p>대신 <strong>샘플링(여러 번의 가상 대국)</strong>으로 “이 수가 유리할 확률”을 추정한다</p></li></ul><p>이 방식은 바둑처럼 가지가 많은 게임에서 특히 강했습니다. 위키피디아도 이 시기를 “성능이 눈에 띄게 좋아진 전환점”으로 정리합니다.</p><h3 id="2-직관을-신경망으로-만들-수-있다-딥러닝의-등장2015">2) “직관을 신경망으로 만들 수 있다” — 딥러닝의 등장(2015~)</h3><p>결정적 전환은 2015년 이후의 딥러닝 era였습니다. 알파고는 딥러닝으로 <strong>좋은 수의 감각(정책)</strong>과 <strong>형세 판단(가치)</strong>을 학습했고, MCTS는 그 직관을 바탕으로 탐색을 더 똑똑하게 했습니다.<br>쉽게 말하면:</p><blockquote><p>딥러닝이 ‘촉’을 만들고, 탐색이 ‘검증’을 한다.</p></blockquote><p>그래서 사람 입장에서는 “이해할 수 없는 신의 한 수” 같은 장면이 나오기 시작합니다. 유튜브에 공개된 알파고(마스터)의 자가대국 영상이 지금 봐도 충격적인 이유가 여기 있습니다. (사람의 정석 교과서 바깥에서, 판 전체를 재구성하는 수들이 등장)</p><h3 id="3-인간-데이터-없이도-강해질-수-있다-자가학습Self-play">3) “인간 데이터 없이도 강해질 수 있다” — 자가학습(Self-play)</h3><p>바둑에서 가장 미래적인 부분은 <strong>자가대국</strong>입니다. 즉 인간이 정답을 알려주지 않아도:</p><ul><li><p>스스로 두고</p></li><li><p>스스로 지고 이기며</p></li><li><p>스스로 강해집니다</p></li></ul><p>이 흐름은 지금도 계속 진화 중입니다. 2026년 arXiv 논문 <strong>「Mastering the Game of Go with Self-play Experience Replay」</strong>는, 알파고 계열이 주로 사용한 “탐색(MCTS) 기반” 접근과 달리 <strong>모델-프리 강화학습</strong>으로도 (학습 시 탐색을 생략하거나 최소화하며) <strong>자가학습만으로 알파고급 성능</strong>에 근접할 수 있음을 주장합니다. 게다가 “상대적으로 적은 컴퓨팅(7 GPUs, 5개월)”이라는 표현까지 붙습니다.<br>이건 한 문장으로 요약하면 이런 신호입니다.</p><blockquote><p>“초거대 탐색 + 초거대 연산”만이 답은 아니다. <strong>학습 효율 자체가 개선되고 있다.</strong></p></blockquote><hr><h2 id="바둑으로-예측하는-AI의-미래-다음-승부처는-게임-밖이다">바둑으로 예측하는 AI의 미래: 다음 승부처는 ‘게임 밖’이다</h2><h3 id="1-AI는-더-이상-정답-맞히기가-아니라-전략을-설계한다">1) AI는 더 이상 “정답 맞히기”가 아니라 “전략을 설계”한다</h3><p>바둑형 AI가 강한 이유는 문제를 이렇게 보기 때문입니다.</p><ul><li><p>단기 최적화가 아니라 <strong>장기 보상</strong></p></li><li><p>한 번의 정답이 아니라 <strong>정책(Policy)</strong></p></li></ul><p>이 관점은 이미 현실로 넘어왔습니다. 마케팅, 물류, 가격 책정, 인력 배치처럼 “한 번의 의사결정이 연쇄적으로 결과를 낳는” 문제는 전부 바둑형 문제입니다. AI의 다음 10년은 <strong>문장 생성</strong>을 넘어, “의사결정 시스템”으로 이동합니다.</p><h3 id="2-탐색은-사라지지-않고-제품-속으로-숨는다">2) ‘탐색’은 사라지지 않고, 제품 속으로 숨는다</h3><p>많은 사람은 알파고를 보고 “탐색이 답이네”라고 생각했지만, 실제 산업에서는 탐색이 그대로 노출되기 어렵습니다. 느리고 비용이 크니까요.<br>대신 미래는 이런 형태가 됩니다.</p><ul><li><p>평소엔 빠른 정책 모델(딥러닝)이 즉시 결정을 내리고</p></li><li><p>중요한 순간(리스크가 큰 결정)에만 제한적으로 탐색/시뮬레이션을 붙이는 형태</p></li></ul><p>바둑에서 “촉으로 후보 수를 좁히고, 그 다음 계산”하듯이요.</p><h3 id="3-가장-큰-이슈는-성능이-아니라-설명-가능성이해-가능성이다">3) 가장 큰 이슈는 성능이 아니라 “설명 가능성(이해 가능성)”이다</h3><p>바둑에서 알파고의 수가 “좋다”는 건 결과로 증명됩니다. 하지만 기업/사회 문제는 다릅니다.</p><ul><li><p>왜 그 결정을 했는지 설명해야 하고</p></li><li><p>책임 소재가 필요하고</p></li><li><p>데이터 편향/윤리 이슈가 따라옵니다</p></li></ul><p>즉 바둑이 “이기는 것”을 증명했다면, 이제 AI는 “납득시키는 것”을 증명해야 합니다.</p><hr><h2 id="바로-써먹는-바둑식-사고로-AI-시대에-강해지는-방법-5가지">(바로 써먹는) 바둑식 사고로 AI 시대에 강해지는 방법 5가지</h2>

AI의 진화 방향을 바둑을 통해 현실적으로 예측하며, 반복 가능한 정책 중심 사고와 전략적 의사결정의 중요성을 강조합니다.
- 바둑은 단순 탐색·계산으로 풀 수 없는 전략과 직관의 게임으로, 기존 AI의 한계를 드러냅니다.
- 알파고는 딥러닝·MCTS·자가학습으로 인간 직관을 학습하는 방법을 보였고, '정책' 설계와 자가학습을 가능하게 했습니다.
- 앞으로 AI는 게임판 밖에서 장기 정책, 제한적 탐색, 설명 가능성을 바탕으로 복잡한 문제를 해결하는 쪽으로 확장됩니다.

바둑이 보여준 AI의 미래: 알파고 이후 10년, 우리는 어디까지 왔나? - 워크샵 템플릿 포함