인간 vs AI, 다시 붙다 | 신진서 카타고전으로 본 바둑 AI 10년의 변화
📺 원본 영상: 인간 vs AI, 다시 붙다 | 신진서 카타고전으로 본 바둑 AI 10년의 변화
🎙️ 채널: 안될공학 - IT 테크 신기술
📅 정리 일자: 2026-07-22
⚠️ Note: 본 리포트는 영상의 음성을 텍스트로 변환(STT)하여 정리한 것입니다. 화면에 표시된 자료, 차트, 코드, 슬라이드 등은 포함되지 않을 수 있습니다.
개요
이 영상은 2026년 7월 신진서 9단이 바둑 인공지능 KataGo를 상대로 공식 대국에서 승리한 사건을 출발점으로, 인간과 바둑 AI의 관계가 지난 10년 동안 어떻게 변했는지를 분석한다. 핵심은 “인간이 다시 AI를 넘어섰는가”라는 단순한 승패 해석이 아니라, 2점 접바둑, 제한 시간, 하드웨어 조건, AI 탐색 구조를 함께 놓고 승리의 의미를 재구성하는 데 있다.
강연자는 이 승리를 2016년 이세돌 9단의 AlphaGo 상대 승리와 직접 비교하면서, 두 사건이 겉으로는 모두 “인간의 AI 상대 승리”처럼 보이지만 실제 조건과 기술적 맥락은 크게 다르다고 설명한다. 2016년의 질문이 “AI가 인간 최고수를 이길 수 있는가”였다면, 2026년의 질문은 “이미 인간보다 강해진 AI와 어떤 조건에서 다시 경쟁을 만들 수 있는가”로 바뀌었다는 것이 영상의 중심 메시지다.
2016년의 충격과 2026년의 재대결
2016년 이세돌 9단과 AlphaGo의 대국은 바둑뿐 아니라 인공지능 역사에서도 상징적인 사건이었다. 당시 많은 사람들은 바둑이 체스보다 훨씬 복잡하고 경우의 수가 방대하기 때문에, AI가 인간 최고수를 넘어서기까지는 더 긴 시간이 필요할 것이라고 생각했다. 그러나 AlphaGo는 이세돌 9단을 상대로 5번기에서 승리했고, 제4국에서 이세돌 9단이 거둔 1승은 오히려 인간이 AI를 상대로 만들어낸 예외적이고도 역사적인 장면으로 기억되었다.
그로부터 10년이 지난 2026년 7월, 신진서 9단이 KataGo를 상대로 공식 대국에서 승리했다는 소식은 자연스럽게 “인간이 다시 AI를 따라잡은 것인가”라는 질문을 불러왔다. 영상에 따르면 신진서 9단은 7월 17일 1국에서는 같은 조건에서 패했지만, 7월 19일 2국에서는 290수 끝에 4집 반 차이로 승리하며 전적을 1승 1패로 만들었다. 다만 이 대국은 호선이 아니라 신진서 9단이 흑돌 두 개를 먼저 놓고 시작하는 2점 접바둑이었다는 점에서, 단순한 인간 대 AI의 동등 조건 대결로 해석하기는 어렵다.
강연자는 이 조건이 승리의 의미를 판단하는 핵심이라고 본다. 바둑에서 두 점을 먼저 놓는다는 것은 단순히 두 수를 더 둔다는 의미가 아니라, 화점 두 곳이라는 중요한 거점을 선점한 상태에서 출발한다는 뜻이다. 한국기원은 이 조건을 약 18집의 출발 우위로 설명했다고 소개되며, 이는 인간에게 상당한 보정이 주어진 경기였음을 보여준다. 그러나 같은 조건의 1국에서 신진서 9단이 패했다는 사실은, 2점 접바둑이 승리를 자동으로 보장하는 장치도 아니었다는 점을 동시에 말해준다.
01:49 - 2점 접바둑의 의미와 약 18집 출발 우위가 설명되는 구간
2점 접바둑은 패배의 변명이 아니라 경쟁의 조건이다
이번 대국을 이해할 때 가장 피해야 할 해석은 “두 점을 받았으니 당연히 이겼다”거나 “이겼으니 인간이 AI보다 강하다”는 식의 양극단이다. 강연자는 이번 경기가 인간과 AI를 같은 출발선에 세워 절대 기력을 비교한 승부가 아니라, 현재 인간 최고수에게 어느 정도의 출발 우위를 주어야 KataGo와 실제 경쟁이 성립하는지를 확인한 경기였다고 설명한다. 이 관점에서 2점 접바둑은 인간이 AI보다 강하다는 증거가 아니라, 이미 벌어진 격차 위에서 승부를 다시 구성하기 위한 실험적 조건에 가깝다.
시간 조건 역시 이 해석을 뒷받침한다. 신진서 9단에게는 기본 5시간과 30초 초읽기 한 차례가 주어진 반면, KataGo는 기본 시간 없이 매수 20초 안에 착수해야 했다. 인간은 깊은 장고를 통해 전체 판세를 관리할 수 있었고, AI는 매 수 제한된 시간 안에서 탐색을 수행해야 했다. 따라서 결과를 평가할 때는 승패 자체뿐 아니라, 흑의 선점 우위, 덤 0.5집, 인간과 AI의 시간 배분 차이까지 함께 고려해야 한다.
그럼에도 이 승리가 의미 없는 이벤트가 되는 것은 아니다. 신진서 9단은 같은 조건에서 1국을 패했고, 2국에서도 KataGo의 추격을 거의 5시간 동안 견뎌야 했다. 특히 중앙 전투가 복잡해지면서 승률이 한때 89%까지 내려갔다는 설명은, 초반 우위가 중반 이후 자동으로 유지되는 것이 아니라 고도의 판세 판단과 손익 계산을 요구했다는 점을 보여준다. 결국 이번 승리는 인간이 AI의 절대 기력을 넘어섰다는 사건이라기보다, 불리하지 않은 조건을 받은 인간 최고수가 AI의 압박 속에서 우위를 끝까지 승리로 전환한 사건으로 보는 편이 정확하다.
AlphaGo가 바꾼 것: 모든 수를 읽는 대신 어디를 읽을지 배웠다
강연자는 2026년의 KataGo를 이해하기 위해 2016년 AlphaGo의 구조로 돌아간다. 바둑은 가능한 수가 너무 많기 때문에 모든 경우를 끝까지 계산하는 방식으로는 현실적으로 풀기 어렵다. AlphaGo가 해결한 핵심 문제는 무한히 많은 수를 전부 읽는 것이 아니라, “어디부터 읽어야 하는가”를 학습한 데 있었다. 이 변화는 바둑 AI가 단순한 완전탐색 프로그램이 아니라, 신경망과 탐색 알고리즘을 결합한 판단 시스템으로 발전했음을 의미한다.
이세돌 9단과 대국한 AlphaGo Lee에는 크게 정책망(Policy Network)과 가치망(Value Network)이 있었다. 정책망은 현재 바둑판에서 유망한 후보 수를 좁혀주고, 가치망은 그 수순을 따라갔을 때 어느 쪽이 유리한지를 평가한다. 여기에 몬테카를로 트리 탐색(Monte Carlo Tree Search, MCTS)이 결합되면서, AlphaGo는 가능한 후보 수를 나무의 가지처럼 펼쳐보고 좋은 결과가 기대되는 가지에 더 많은 계산을 배정했다. 즉 신경망이 “어디를 볼지”를 안내하고, 탐색 엔진이 “그 뒤에 무엇이 일어날지”를 읽는 구조였다.
03:17 - AlphaGo Lee의 정책망, 가치망, MCTS 구조가 설명되는 구간
이 구조는 강력했지만 약점도 있었다. 정책망이 가능성이 낮다고 판단한 수에는 탐색 자원이 적게 배정될 수 있었고, 이 때문에 인간의 직관적 승부수가 AI의 판단을 흔드는 장면이 나올 수 있었다. 2016년 제4국에서 이세돌 9단이 둔 78수는 AlphaGo가 처음에는 매우 낮은 가능성을 부여했던 수였고, 이후 AlphaGo의 판단이 흔들리면서 이세돌 9단은 5번기 중 유일한 승리를 만들었다. 반대로 제2국의 AlphaGo 37수는 당시 인간 기사들이 거의 생각하지 않던 수였는데, 이는 인간 기보를 배운 AI가 자가 대국과 탐색을 거치며 인간의 상식 바깥으로 확장된 사례로 제시된다.
AlphaGo Zero에서 KataGo로: 인간 기보를 넘어선 자기 학습의 시대
AlphaGo 이후 등장한 AlphaGo Zero는 바둑 AI의 방향을 한 번 더 바꾸었다. AlphaGo Zero는 인간 기보를 사용하지 않고 바둑의 규칙만 입력받은 뒤, 자기 자신과 반복적으로 대국하면서 실력을 키웠다. 또한 AlphaGo Lee에서 분리되어 있던 정책과 가치 평가를 하나의 신경망 안에서 함께 계산하도록 구조를 바꾸었고, 기존 AlphaGo Lee가 사용하던 빠른 롤아웃(Rollout)도 제거했다. 영상에 따르면 AlphaGo Zero는 자가학습을 시작한 지 3일 만에 이세돌 9단과 대결했던 공개 버전의 AlphaGo를 내부 대국에서 100대 0으로 이겼다고 소개된다.
04:35 - AlphaGo Zero의 자가학습과 기존 AlphaGo 대비 성능 향상이 설명되는 구간
이 결과는 외부 공식 대국과 같은 의미로 받아들일 수는 없지만, 인간 기보 없이도 이전 세대 시스템을 압도했다는 점에서 중요한 전환점이었다. AI가 인간의 바둑을 모방하는 단계를 지나, 인간이 축적한 정석과 감각을 출발점으로 삼지 않고도 스스로 더 강한 전략을 발견할 수 있음을 보여주었기 때문이다. 이때부터 바둑 AI는 인간 지식의 보조 도구라기보다, 인간이 다시 배워야 하는 새로운 지식 생산자로 자리 잡기 시작했다.
KataGo는 AlphaGo Zero 이후의 기술 흐름을 이어받은 다음 세대 바둑 AI로 설명된다. 기본 구조는 신경망이 탐색을 안내하고, 자가 대국 결과를 다시 학습에 사용하는 방식이라는 점에서 AlphaGo Zero와 닮아 있다. 그러나 KataGo는 여기에 학습 효율과 실제 분석 기능을 크게 강화했다. AlphaGo가 주로 “이 판을 이길 가능성이 얼마나 되는가”를 평가했다면, KataGo는 예상 집 차이, 각 지점의 소유권, 후보 수, 예상 진행까지 함께 제공함으로써 프로 기사와 연구자들이 훨씬 세밀하게 판을 해석할 수 있게 만들었다.
05:37 - KataGo가 승률뿐 아니라 예상 집 차이와 영역 정보를 제공한다는 설명 구간
승률만으로는 보이지 않는 것: KataGo의 분석 능력
KataGo의 중요한 차별점은 승률 하나로 판세를 설명하지 않는다는 데 있다. 강연자는 접바둑 상황을 예로 들며, 흑이 두 점을 먼저 놓아 승률이 99%에 가까운 상태라고 해보자고 설명한다. 이때 흑이 실수를 해서 우위가 18집에서 12집으로 줄어들더라도 승률은 여전히 99% 근처에 머물 수 있다. 승률만 보면 큰 변화가 없어 보이지만, 예상 집 차이를 함께 보면 AI가 실제로 6집을 따라왔다는 중요한 정보가 드러난다.
이 차이는 연구와 복기에서 결정적이다. 프로 기사에게 필요한 것은 단순히 “이 수가 최선이다”라는 답만이 아니라, 왜 그 수가 좋은지, 어떤 영역이 커지고 줄어드는지, 후보 수에 따라 판세가 몇 집씩 움직이는지에 대한 구조적 설명이다. KataGo는 집 차이와 영역 예측을 함께 제공하기 때문에, 승률이 거의 변하지 않는 고우위 국면에서도 실제 손익 변화를 더 정밀하게 추적할 수 있다. 그래서 강연자는 KataGo가 프로 기사들의 연구와 복기에 널리 쓰이는 이유가 단순한 추천 수 제공을 넘어, 바둑판 전체의 의미를 해석하는 분석 도구가 되었기 때문이라고 본다.
KataGo는 학습 과정에서도 효율성을 높였다. 모든 자가 대국의 모든 장면에 동일한 탐색량을 쓰지 않고, 많은 장면은 적은 탐색으로 빠르게 생성하는 한편 중요한 장면에는 더 많은 계산을 집중했다. 또한 승패뿐 아니라 집 차이와 영역까지 함께 학습했기 때문에, 한 판의 대국에서 더 풍부한 정보를 얻을 수 있었다. 영상에서는 초기 KataGo 논문이 기존 AlphaGo Zero 계열 방식과 비교해 비슷한 수준에 도달하는 데 필요한 학습 연산량을 약 50분의 1로 줄였다고 보고했다고 소개한다. 이는 KataGo가 50배 강하다는 뜻이 아니라, 유사한 실력에 도달하기 위한 계산 효율이 크게 개선되었다는 의미로 해석해야 한다.
06:26 - KataGo의 학습 연산량 효율화, 약 50분의 1 개선 언급 구간
폐쇄형 시스템 AlphaGo와 오픈소스 도구 KataGo의 차이
AlphaGo와 KataGo의 또 다른 차이는 접근성이다. AlphaGo는 Google DeepMind가 보유한 비공개 시스템이었고, 일반 사용자가 직접 엔진과 신경망을 내려받아 활용할 수 있는 도구가 아니었다. 반면 KataGo는 오픈소스 프로젝트로, 누구나 엔진과 신경망을 내려받아 개인용 컴퓨터나 서버에서 실행할 수 있다. 이 차이는 단순한 배포 방식의 차이를 넘어, 바둑 AI가 연구실의 실험 시스템에서 일상적 분석 인프라로 이동했음을 보여준다.
AlphaGo가 “AI도 인간 최고수를 이길 수 있다”는 사실을 대중에게 증명했다면, KataGo는 그 기술을 프로 기사와 일반 이용자가 매일 사용하는 분석 도구로 확장했다. 이제 프로 기사들은 AI가 인간에게서 배운 기보를 분석하는 단계를 넘어, AI가 찾아낸 정석과 수법을 다시 공부한다. 인간과 AI의 관계는 경쟁자에서 스승과 도구, 다시 경쟁자로 순환하는 복합적인 형태가 되었다. 강연자가 말하듯, 지금은 AI가 인간에게서 배우는 것이 아니라 AI에게서 배운 인간이 다시 AI와 싸우는 시대에 가깝다.
이 맥락에서 “KataGo가 AlphaGo보다 몇 배 강한가”라는 질문은 답하기 어렵다. AlphaGo Lee는 특정 시점에 고정된 비공개 시스템이었지만, KataGo는 어떤 신경망을 쓰는지, 어떤 하드웨어에서 실행되는지, 한 수에 얼마나 오래 탐색하는지에 따라 성능이 크게 달라진다. 작은 신경망을 개인용 컴퓨터에서 돌리는 KataGo와 큰 신경망을 여러 장의 GPU에서 돌리는 KataGo는 같은 이름을 쓰더라도 실제 기력은 상당히 다를 수 있다. 따라서 KataGo를 AlphaGo보다 몇 배 강한 시스템으로 단정하기보다는, AlphaGo Zero 이후의 방식을 이어받아 효율성, 분석 기능, 접근성을 발전시킨 차세대 바둑 AI로 보는 편이 더 정확하다.
하드웨어의 변화: 데이터센터 TPU에서 소비자용 GPU로
영상은 하드웨어 비교를 통해 10년간 AI 기술이 어떻게 현실화되었는지도 설명한다. 이세돌 9단과 대결했던 AlphaGo Lee는 Google 데이터센터에 분산된 1세대 TPU 48기를 사용했다. 당시 1세대 TPU 보드에는 칩당 8GB의 외부 DDR3 메모리가 연결되어 있었고, 이를 단순 합산하면 48개 기준 약 384GB가 된다. 다만 강연자는 이 384GB가 하나의 거대한 통합 메모리 용량이 아니라, 각 TPU에 연결된 메모리를 합산한 값이라는 점을 분명히 구분한다.
반면 이번 대국의 KataGo는 RTX 3090 4장으로 구성되었다고 설명된다. RTX 3090 한 장당 GPU 메모리가 24GB이므로, 단순 합산한 GPU 메모리는 96GB다. 가속기 개수로 보면 48개 대 4개이고, 가속기 메모리 단순 합산으로 보면 약 384GB 대 96GB라는 비교가 가능하다. 그러나 TPU와 GPU의 구조, CPU 서버 구성, 탐색 설정, 한 수에 주어진 계산 시간이 모두 다르기 때문에, 이를 근거로 KataGo가 AlphaGo의 몇 퍼센트 연산만 사용했다고 단정할 수는 없다.
08:25 - AlphaGo Lee의 TPU 48기와 KataGo의 RTX 3090 4장 하드웨어 비교 구간
| 비교 항목 | AlphaGo Lee | 이번 대국의 KataGo |
|---|---|---|
| 사용 가속기 | 1세대 TPU 48기 | RTX 3090 4장 |
| 가속기 메모리 | 칩당 8GB DDR3, 단순 합산 약 384GB | 장당 24GB, 단순 합산 96GB |
| 접근성 | Google DeepMind의 비공개 시스템 | 오픈소스 엔진 및 신경망 사용 가능 |
| 해석상 주의 | 통합 메모리 384GB가 아니라 각 TPU 메모리 합산 | 하드웨어와 탐색 설정에 따라 성능 변동 |
이 비교에서 중요한 것은 숫자의 단순 우열이 아니라 흐름이다. 10년 전에는 Google의 전용 데이터센터 시스템이 필요했던 수준의 바둑 AI를, 지금은 2020년에 출시된 소비자용 GPU 몇 장으로 구현해 인간 최고수와 대국할 수 있게 되었다. 이는 하드웨어 성능 향상만의 결과가 아니라, 같은 계산으로 더 많은 정보를 얻는 알고리즘과 학습 효율의 발전이 함께 만든 변화다. AI의 진보는 더 큰 장비를 쓰는 방향으로만 이뤄진 것이 아니라, 제한된 계산을 더 영리하게 배분하는 방식으로도 이루어진 셈이다.
최신 AI 서버를 쓰면 KataGo는 얼마나 더 강해질까
강연자는 최신 AI 서버를 KataGo에 사용하면 더 강해질 가능성이 높다고 본다. RTX 3090 4장보다 훨씬 많은 가속기와 메모리를 투입할 수 있다면, 더 큰 신경망을 사용하고 한 수마다 더 많은 후보를 읽으며 복잡한 변화를 더 오래 탐색할 수 있기 때문이다. 이미 호선에서는 인간이 상대하기 어려운 수준인데, 최신 연산 자원을 대규모로 투입하면 그 차이는 더 벌어질 수 있다.
그러나 연산장치를 100배 늘린다고 바둑 실력이 정확히 100배 높아지는 것은 아니다. 탐색량이 부족한 구간에서는 계산을 늘릴수록 실수가 빠르게 줄어들지만, 이미 많은 후보를 충분히 읽고 있는 상태에서는 추가 계산이 주는 이익이 점점 작아진다. 여러 GPU가 서로 다른 가지를 나누어 읽고 결과를 합치는 과정에서도 통신 비용과 동기화 비용이 발생한다. 따라서 최신 슈퍼컴퓨터를 제대로 활용하려면 GPU 숫자만 늘리는 것이 아니라, 신경망의 크기와 분산 탐색 방식까지 함께 설계해야 한다.
더 근본적인 이유도 있다. 강연자는 이제 바둑에 그 정도 자원을 투입할 필요가 크지 않다고 말한다. 인간을 이기는 데 필요한 계산량은 이미 오래전에 확보되었고, 같은 컴퓨팅 자원을 언어모델, 로봇, 신약 개발, 과학 계산에 투입할 때 얻을 수 있는 가치가 훨씬 크기 때문이다. 이 관점에서 바둑은 더 이상 AI 기술의 최전선이라기보다, AI가 이미 통과한 시험에 가깝다. 과거에는 바둑이 AI의 지능을 검증하는 대표 무대였지만, 이제 AI의 핵심 전장은 훨씬 더 넓고 실용적인 문제들로 이동했다.
신진서 9단의 승리는 무엇을 보여주었나
신진서 9단의 승리는 “인간의 창의성이 AI 계산을 넘어섰다”는 식으로 포장하면 극적이지만, 강연자는 그런 해석에는 신중해야 한다고 본다. 공개된 정보만으로 신진서 9단이 KataGo의 구조적 약점을 공략했다고 말하기는 어렵기 때문이다. 오히려 중요한 지점은 상당한 초반 우위를 가진 인간도 AI의 지속적인 추격을 장시간 견뎌야 했다는 데 있다. 이는 AI가 약해졌거나 인간이 다시 절대 우위에 섰다는 이야기가 아니라, 조정된 조건 안에서도 승리를 완성하려면 극도로 정밀한 인간 판단이 필요했다는 뜻이다.
영상에 따르면 신진서 9단은 2국에서 두 점으로 얻은 우위를 대부분의 국면에서 안정적으로 유지했다. 승률은 주로 98% 이상이었지만, 중앙 전투가 복잡해지면서 한때 89%까지 내려가기도 했다. 이때 신진서 9단은 중앙의 돌 3점을 살리는 데 집착하지 않고 일부 돌을 포기하더라도 전체 판의 우세를 지키는 선택을 했고, 끝내 4집 반 차이를 남겼다. 이는 부분 전투의 승패보다 전체 손익을 우선한 판단이었으며, 접바둑에서 초반 우위를 실전 승리로 바꾸는 데 필요한 운영 능력을 보여준다.
10:53 - 신진서 9단이 중앙 전투의 위기를 넘기고 우위를 유지한 대국 내용 설명 구간
이세돌 9단의 승리와 신진서 9단의 승리는 그래서 서로 다른 성격을 갖는다. 이세돌 9단은 핸디캡 없이 AlphaGo와 같은 출발선에서 한 판을 이겼고, 특히 AlphaGo가 낮게 평가했던 78수를 통해 흐름을 흔들었다. 반면 신진서 9단은 훨씬 발전한 바둑 AI와 승부가 가능하도록 두 점을 먼저 받은 뒤, 그 우위를 AI의 압박 속에서 끝까지 지켜냈다. 두 승리는 모두 인간이 AI를 상대로 만든 중요한 장면이지만, 조건도 다르고 상대도 다르며 승리의 방식도 다르다.
모델 이름보다 중요한 것은 조건이다
이번 대국은 AI 성능을 평가할 때 모델 이름이나 승률만 보아서는 안 된다는 점을 잘 보여준다. “신진서가 KataGo를 이겼다”는 문장은 사실이지만, 그 의미를 정확히 이해하려면 두 점 핸디캡, 인간의 5시간 제한, AI의 매수 20초 제한, RTX 3090 4장이라는 하드웨어 조건을 함께 보아야 한다. AI 시스템의 결과는 모델 자체의 능력뿐 아니라, 사용할 수 있는 계산 자원과 탐색 시간, 규칙, 평가 기준이 함께 만들어낸다.
이는 바둑 AI에만 해당하는 이야기가 아니다. 오늘날 대규모 언어모델이나 과학 계산용 AI, 로봇 제어 AI를 평가할 때도 이름만으로 성능을 판단하기는 어렵다. 같은 모델이라도 어떤 하드웨어에서 실행되는지, 얼마나 많은 추론 시간을 쓰는지, 어떤 프롬프트와 도구를 사용하는지, 어떤 제약 조건 아래 놓이는지에 따라 결과는 달라진다. 바둑은 이 사실을 매우 선명하게 보여주는 실험장이다. 승률이라는 간단한 숫자 뒤에도 집 차이, 탐색량, 후보 수, 시간 제한이라는 복잡한 조건들이 숨어 있기 때문이다.
따라서 이번 승리의 의미는 인간과 AI의 순위가 다시 뒤집혔다는 데 있지 않다. 더 정확히는 AI가 인간보다 강해진 뒤에도 조건을 조정하면 다시 경쟁을 만들 수 있고, 그 안에서 인간 최고수가 자신의 우위를 실제 승리로 완성할 수 있음을 보여준 경기다. 이는 인간이 AI를 이겼다는 단순한 낭만보다 더 흥미로운 결론이다. 인간은 더 이상 AI 이전의 인간이 아니며, AI에게 배운 인간이 다시 AI와 겨루는 새로운 형태의 경쟁이 시작되었기 때문이다.
마무리 / 핵심 정리
2016년의 질문은 “AI가 인간을 이길 수 있는가”였다. AlphaGo는 그 질문에 이미 답했고, 이후 AlphaGo Zero와 KataGo는 인간 기보를 넘어선 자가학습, 더 효율적인 탐색, 더 풍부한 분석 기능을 통해 바둑 AI를 일상적 연구 도구의 수준까지 끌어올렸다. 그 결과 2026년의 질문은 “인간보다 강해진 AI와 어떤 조건에서 다시 겨룰 수 있는가”로 바뀌었다.
신진서 9단은 두 점을 먼저 받았지만, 그 우위를 승리로 바꾼 것은 290수 동안 이어진 인간의 판단이었다. 이 승리는 인간이 AI의 절대 기력을 다시 넘어섰다는 증거가 아니라, AI가 압도적으로 강해진 시대에도 조건과 전략, 시간 관리, 전체 판세 판단을 통해 인간이 여전히 의미 있는 승부를 만들 수 있음을 보여준다. 바둑은 이제 AI 기술의 최전선이라기보다 AI가 이미 통과한 시험에 가깝지만, 바로 그렇기 때문에 인간과 AI의 관계가 경쟁, 학습, 재도전의 형태로 어떻게 바뀌는지를 가장 선명하게 보여주는 무대이기도 하다.
📚 출처 및 참고
| 구분 | 내용 |
|---|---|
| 원본 영상 | [인간 vs AI, 다시 붙다 |
| 채널 | 안될공학 - IT 테크 신기술 |
| 리포트 작성 | 2026-07-22 |
| 작성 방식 | YouTube 영상 STT 변환 후 에디팅 |
💬 본 리포트는 영상 내용을 바탕으로 재구성되었습니다. 정확한 내용은 원본 영상을 참조해 주세요.