2016년 AlphaGo가 두었던 37수는 인간 바둑 기사 누구도 예상하지 못한 창의적 수였지만, 이는 검증 가능한 보상(승리)을 최대화하는 과정에서 자연스럽게 등장했다. 2026년 지금, Andrej Karpathy가 선보인 Autoresearch도 동일한 원리다. 명확한 평가 지표(예: 벤치마크 정확도, 코드 실행 성공 여부)를 설정하면 모델이 스스로 가설을 세우고 실험하고 개선하는 루프가 작동한다. 두 사례 모두 “검증 가능한 신호(Verifiable Signal)“라는 공통 분모를 가진다.
이 패턴은 인간의 통제를 넘어서는 창발을 만들어낸다. AlphaGo는 인간이 생각하지 못한 수를 두었고, Autoresearch는 인간 연구자보다 더 빠르게 최적의 하이퍼파라미터를 찾는다. 하지만 이 모든 것은 처음에 “무엇을 검증할 것인가”를 설계하는 인간의 역할이 있었기에 가능했다.
근거
“오늘날 최전선 추론 모델들을 가능하게 한 핵심 방식은 놀랍게도 AlphaGo와 비슷하다.” — Noam Brown
Karpathy의 Autoresearch 데모: 3개의 파일(prepare.py, train.py, program.md)만으로 자신을 반복 개선하며 벤치마크 점수를 낮추는 에이전트.
연결된 생각
- 20260607-verifiable-signal-loop — 개념적 기반
- 20260607-bitter-lesson-scaling — 스케일링이 검증 가능 신호와 만나 창발을 강화