딥마인드, 15년 게임 AI 연구 계보 공개…DQN서 SIMA 2까지

ai.euno.news 자동 뉴스 요약

딥마인드가 자사 블로그를 통해 2010년 설립 이후 15년간 이어온 게임 AI 연구 계보를 정리해 공개했다. 아타리 2600 게임을 학습한 딥큐네트워크(DQN)부터 최근 공개한 시마2(SIMA 2)까지, 게임을 매개로 한 AI 연구가 어떻게 발전해왔는지 설명하는 내용이다.¹

딥마인드에 따르면 연구의 출발점은 2015년 네이처(Nature)에 발표된 DQN이었다. 소규모 팀이 훈련시킨 이 심층신경망은 게임별 사전 설계 없이 픽셀 화면만 보고 퐁, 브레이크아웃, 스페이스 인베이더 등 아타리 게임 49종을 학습했고, 이 논문이 딥러닝 기반 강화학습 연구를 본격화한 계기가 됐다고 밝혔다.

이후 딥마인드는 더 복잡한 게임으로 연구 범위를 넓혔다. 2016년 알파고(AlphaGo)가 이세돌 9단을 꺾은 것을 시작으로, 인간 기보 없이 자가대국만으로 이전 버전을 모두 넘어선 알파고 제로(AlphaGo Zero), 하나의 알고리즘으로 체스·쇼기·바둑을 모두 마스터한 알파제로(AlphaZero), 게임 규칙조차 모르는 상태에서 학습하는 뮤제로(MuZero)가 차례로 나왔다. 2019년에는 알파스타(AlphaStar)가 실시간 진행과 불완전 정보라는 제약이 있는 스타크래프트 II에서 그랜드마스터 등급에 도달했다.

딥마인드는 이 과정에서 나온 성과가 게임 바깥으로도 이어졌다고 설명한다. 알파고가 이세돌과의 대국에서 둔 ‘수 37’은 해설자들이 처음에는 실수로 오인할 정도로 예상 밖의 수였고, 이는 바둑에서 수백 년간 이어진 통념을 뒤집으며 새로운 전략 연구를 촉발했다. 알파제로 역시 체스에서 비슷한 영향을 미쳤다. 딥마인드는 이런 탐색 방식이 이후 단백질 구조 예측이라는 50년 난제를 푼 알파폴드(AlphaFold)로 이어졌고, 이 성과가 2024년 노벨 화학상 수상으로 이어졌다고 밝혔다.

블로그는 이 시점에서 연구의 초점이 바뀌었다고 설명한다. 명확한 목표와 점수 체계가 있는 게임을 정복하는 것에서, 점수나 규칙 없이 사람처럼 게임 세계를 이해하고 상호작용하는 AI로 방향을 옮겼다는 것이다. 이 질문에서 나온 것이 확장 가능한 지시 수행형 멀티월드 에이전트, 시마(SIMA, Scalable Instructable Multiworld Agent)다. 시마는 높은 점수를 내도록 최적화된 것이 아니라, 플레이어가 화면에서 보는 것을 그대로 보고 자연어 지시를 이해하며 일반적인 키보드·마우스 조작으로 게임을 플레이하는 범용 에이전트로, API나 소스코드 접근이 필요 없다는 점이 특징이다.

딥마인드의 프런티어 모델 제미나이(Gemini) 기반으로 구동되는 후속 버전 시마2는 실시간 추론과 대화가 가능한 상호작용형 동반자 역할을 한다. 딥마인드는 시마2가 노 맨즈 스카이(No Man’s Sky), 발하임(Valheim), 하이드로니어(Hydroneer) 등 복잡한 3D 연구 환경과 게임에서 인간과 유사한 수준의 플레이를 보여준다고 밝혔다.

딥마인드는 이런 범용 게임 에이전트가 게임 코드 수정 없이도 기존 게임에 곧바로 적용될 수 있는 AI 역량을 열어줄 것이라고 전망했다. 이를 뒷받침하는 것이 게임 개발사와의 협업으로, 올해 초 공개한 펜리스 크리에이션스(Fenris Creations) 및 EVE 유니버스(EVE Universe)와의 연구 파트너십과 헬로 게임스(Hello Games), 커피 스테인 스튜디오(Coffee Stain Studios), 파울볼 행오버(Foulball Hangover) 등과 진행해온 작업이 사례로 거론됐다. 딥마인드 공동 창업자 데미스 하사비스(Demis Hassabis)를 비롯해 팀 내 다수가 게임 개발자 출신이라는 점도 이런 협업의 배경으로 소개됐다.

읽기 목록은 이 브라우저에 저장됩니다.