딥러닝으로 체스를 정복하다: 암묵적 탐색의 혁신

홍콩대학교 연구팀이 개발한 DiffuSearch는 이산 확산 모델링을 통해 암묵적 탐색을 수행하는 AI 모델로, 체스 게임에서 기존의 명시적 탐색 기법을 능가하는 성능을 보였습니다. 이는 AI의 장기적 계획 능력 향상에 새로운 가능성을 제시하는 획기적인 연구 결과입니다.

알파고 이후, 인공지능 분야에서 몬테카를로 트리 탐색(MCTS) 과 같은 탐색 기법에 대한 관심이 다시 고조되고 있습니다. 특히 대규모 언어 모델(LLM)에 적용되는 탐색 기법 연구가 활발한데, 기존의 단순 예측 모델이 장기적인 계획 능력이 부족하다는 점이 그 이유입니다. 하지만 홍콩대학교 연구팀(예지아청, 우전위, 고자후이, 우지용, 강신, 리정궈, 공령팽)은 명시적인 탐색 없이 모델 내부에서 암묵적인 탐색 능력을 부여하는 새로운 방법을 제시했습니다.

그들이 개발한 DiffuSearch는 이산 확산 모델링을 통해 미래의 게임 상황을 예측하여 암묵적으로 탐색하는 모델입니다. 연구팀은 이 모델을 체스 게임에 적용하여 성능을 평가했습니다. 체스는 명시적인 탐색이 필수적인 게임으로 알려져 있기에, DiffuSearch의 성능 검증에 더욱 의미를 더합니다.

실험 결과는 놀라웠습니다. DiffuSearch는 단순 예측 정책보다 행동 정확도가 19.2% 향상되었고, MCTS 기반 정책보다도 14%나 높은 정확도를 보였습니다. 뿐만 아니라 퍼즐 해결 능력은 30% 향상, 체스 게임 실력을 나타내는 Elo 점수는 무려 540점이나 상승했습니다. 이러한 결과는 이산 확산을 통한 암묵적 탐색이 단순 예측 정책에 비해 강력한 대안이 될 수 있음을 시사합니다.

이 연구는 단순 예측 모델의 한계를 넘어, 암묵적인 탐색을 통해 인공지능의 장기적 계획 능력을 향상시키는 획기적인 접근법을 제시합니다. 특히 체스라는 복잡한 게임에서의 성공적인 적용은 다른 분야, 예를 들어 로보틱스나 자율주행 등에서의 응용 가능성을 높게 평가할 수 있습니다. 연구팀은 모든 코드를 공개적으로 제공하여 (https://github.com/HKUNLP/DiffuSearch) 다른 연구자들의 후속 연구를 지원하고 있습니다. 암묵적 탐색의 시대가 도래한 것일까요? 앞으로의 발전이 기대됩니다.