PART 9로의 다리 — 게임에서 과학으로
이제 시즌 2의 큰 그림으로 돌아가자. MuZero에서 다음 파트로 어떻게 연결되는가.
🎬 시즌 2의 큰 줄거리 — 다시 한 번
- PART 8 (MuZero): "한 알고리즘이 게임 도메인 안에서 일반화될 수 있다" — 보드 + 픽셀
- PART 9 (게임 → 과학): "그렇다면 게임을 넘어 과학에도 같은 사고방식이 통할까?"
- PART 10~13 (AlphaFold 1, 2, 3): 단백질 구조 예측 — 답은 "통한다"
- PART 14 (회고): 알파고와 알파폴드가 공유하는 철학
📖 다리 — 무엇이 이어지는가
PART 8에서 학습한 사고방식 중 PART 9 이후에도 살아남는 것들:
- 잠재 공간 위의 계산: AlphaFold도 잠재 표현 위에서 학습 (Evoformer)
- 다중 신경망의 조합: AlphaFold도 여러 모듈로 분리 (MSA, Pair, Structure)
- "같은 사고방식, 다른 도메인": 게임 → 단백질 — 같은 DeepMind 팀이 같은 철학으로 다른 문제
- 도메인 지식 줄이기: "단백질 물리학"을 코드에 박지 않고 학습으로
🎯 차이도 있다 (미리)
물론 알파고-알파폴드는 다른 점도 많다:
- 알파고: 강화학습 (보상 신호) / 알파폴드: 지도 학습 (정답 구조)
- 알파고: MCTS 트리 탐색 / 알파폴드: 어텐션 기반 직접 예측
- 알파고: 행동 선택 / 알파폴드: 3D 좌표 예측
알고리즘 자체는 다르다. 하지만 사고방식은 닮았다. 이걸 다음 파트들에서 본다.
💡 PART 9의 역할
PART 9는 알고리즘을 다루지 않는다. 대신 "왜 단백질 구조 예측이라는 문제가 있는가"를 다룬다.
- 단백질이 왜 중요한지 (생명 활동의 거의 모든 곳)
- "구조 예측"이라는 문제가 왜 어렵고, 50년간 풀리지 않았는지
- 왜 이 문제가 게임처럼 "잘 정의된 문제"인지
이 도입을 거친 뒤 PART 10에서 단백질 기초를 다루고, PART 11~13에서 알파폴드 1, 2, 3을 차례로 본다.