빌드

시작은 단순했다. “내 실수를 기록하고, 패턴을 찾고, 조금씩 나아지고 싶다.” 그런데 기존 바둑 앱들은 전부 “이 수가 틀렸다.” 라는 말만 한다. 왜 틀렸는지, 내가 어떤 습관을 가지고 있는지는 알려주지 않는다. 그래서 직접 만들기로 했다. 이름은 KaiGo Coach “改” — 고친다는 뜻이다. 첫 번째 원칙을 세웠다 “게임이 아니라 성장의 흔적을 저장한다.” 승패가 아니라 “오늘 어디서 흔들렸는가”를 계속 읽기 →

나는 바둑을 좋아한다. 그렇다고 잘 두는 건 아니다. AI가 추천해주는 수를 보면 늘 감탄한다. 하지만 동시에 늘 같은 감정을 느꼈다. “그래서 나는 뭐가 문제인데?” 승률이 18% 떨어졌다고 한다. 추천 수는 B3라고 한다. 그런데 나는 여전히 모른다. 왜 나는 초반에 흔들리는지. 왜 방향을 잘못 잡는지. 왜 같은 실수를 반복하는지. 강한 AI는 이미 충분하다 KataGo는 강하다. Leela 계속 읽기 →

늦깎이연구소 | 바둑 AI 개발기 #4 (시즌 1 마무리) 27번의 자기 대국, 그 후 Policy Loss 3.49 → 3.35. 수치로만 보면 개선이다. 하지만 체감은 없었다. AI는 여전히 이상한 곳에 돌을 뒀다. 1선에 의미 없는 착점. 급소를 피해가는 행마. 수백 시간의 CPU 연산. 수천 판의 자기 대국. 그 끝에서 나는 멈췄다. 버그를 고치며 깨달은 것 프로젝트 계속 읽기 →

늦깎이연구소 | 바둑 AI 개발기 #3 체스와 바둑의 결정적 차이 체스 AI는 1990년대에 이미 세계 챔피언을 이겼다. 하지만 바둑 AI는 2016년이 되어서야 성공했다. 왜 20년이나 차이가 날까? 분기 계수(Branching Factor) 때문이다. 체스: 평균 35개의 선택지 바둑: 평균 250개의 선택지 (19×19 기준) 체스에서 쓰던 방법 — 미니맥스(Minimax) — 은 모든 가능한 수를 탐색한다. 하지만 바둑에서는? 차원의 계속 읽기 →

늦깎이연구소 | 바둑 AI 개발기 #2 이상한 일이 일어났다 AI를 학습시키기 시작했다. 스스로 바둑을 두고, 결과를 보고, 배우는 방식. AlphaGo Zero가 썼던 그 방법 — 셀프플레이. 그런데 이상했다. Iteration 1 | Policy Loss: 3.41 Iteration 2 | Policy Loss: 3.48 Iteration 3 | Policy Loss: 3.57 Policy Loss가 올라갔다. Loss는 “틀린 정도”다. 학습하면 내려가야 한다. 계속 읽기 →

늦깎이연구소 | 바둑 AI 개발기 #2 시작은 단순한 호기심이었다 카타고(KataGo). 알파고 이후, 개인도 만들 수 있는 오픈소스 바둑 AI의 이름이다. 나는 개발자가 아니다. 하지만 궁금했다. “AI는 어떻게 ‘생각’하는 걸까?” 그래서 직접 만들어보기로 했다. 9×9 미니 바둑판으로 시작하는 AI. Claude라는 AI의 도움을 받아서. 291줄의 코드, 그 안에 담긴 철학 프로젝트의 심장부는 mcts.py라는 파일이다. MCTS — 몬테카를로 계속 읽기 →

나는 바둑을 좋아한다. 이기고 지는 걸 떠나서, 그 19×19의 정사각형 안에서 생각이 부딪히는 느낌을 좋아한다. 그런데 요즘 바둑 AI를 쓰다 보면 광고가 붙어 있고, 기능이 막혀 있고, 분석은 유료로 전환된다. 하루에 한 번쯤은 이런 생각이 들었다. “그냥 내가 하나 만들면 안 되나?” 거창한 이유는 없었다. 연구도 아니고, 창업도 아니고, 그냥 쓰기가 불편했기 때문이다. 취미가 프로젝트가 계속 읽기 →