알파고의 경우 엄청난 연산 속도로 이세돌을 이긴 측면이 있습니다만, 최근의 딥러닝 연구에서 밝혀지는 딥러닝의 핵심은 연산속도가 아닙니다. 

딥러닝은 뉴럴네트워크 방식을 사용하는데, 이 방법은 아아아주 옛날 컴퓨터 초창기부터 가능성이 제기되던 방법론입니다. 근데 늘 실패했죠.

,왜냐하면 정답원인에 정답데이터만 넣어줘서 그 중간 과정(프로세스) 또한 인간이 예상하는(원하는) 것만 나왔거든요.(아마) 

그러다 뉴럴네트워크 방식이 획기적으로 발전하는 계기가 생기는데, 그게 딥러닝이 사용하는 '오류 데이터 집어넣기와 축소 데이터 집어넣기'입니다.

인간은 그 관찰의 한계로 인해 숱하게 잘못된 정보를 뇌가 받아들입니다. 가령 착시가 그 대표적인 예죠. 착시는 데이터의 위상적 오류 때문에 생기는데, 가장 대표적인게 2d정보를 3d정보로 착각하는 겁니다. 쉽게 생각하면 2d 정보는 깊이 데이터가 없는 불완전한 정보인데, 뇌는 그걸 착각해서 깊이 정보가 있는 걸로 여기는 거죠. 

근데 착시를 보고 난 이후 해당 대상에 대해 올바른 정보를 입력하고나면, 뇌는 이런 오류를 보다 깊이(딥) 파악할 수 있게 됩니다. 참고할 수 있는 경우의 수가 늘어나는 거죠. 이후에는 더 정확하게 사건을 인식할 수 있게 됩니다. 

또한 틀린 입력값(축소 입력값도 비슷한 역할, 가령 10개의 다른 계층의 원인 데이터를 넣어주다가 5개만 넣어주고, 같은 결과값을 도출하도록 학습시키면 그 상대적인 차이에 의해 어떤 계층의 데이터가 어떻게 작용하는지 더 다양한 시뮬레이션을 통해 이해할 수 있게 됨.)을 학습시키면 딥러닝은 데이터 클래스의 재배열을 통해서 어떤 프로세스를 사용했을 때 가장 정확한 결과값을 도출할 수 있는지도 알 수 있게 되죠.(물론 실제로 이렇게까지 하는지는 모르겠으나)

더더 쉽게 말하면 딥러닝은 최적의 경로 찾기 입니다. 물론 기존의 네이게이션 시스템과는 좀 다른데, 네이게이션은 그냥 최소거리 경로만 파악하면 되지만 딥러닝이 판단해야할 데이터는 각각의 중요성을 판단해야 한다는 차이점이 있죠. 

이렇게 인간이 어떤 것을 처음 받아들일 때는 어떻게든 정보를 파악하기 위해 대상을 요리보고 조리보고 합니다. 근데, 익숙해진 대상을 만나거나 다른 사람과 함께 있을 때는 눈치본다고 이 과정을 생략해버립니다. 오류의 시작이죠.

하지만 컴퓨터는 일단 그런게 없습니다. 늘 혼자니깐요. (물론 더 발전된 인공지능의 형태에서는 협력 판단이라는 개념이 생기겠지만 일단은) 늘 처음처럼 대상을 보고 판단합니다. 근데 지난 방법들에서의 문제가 이런 오류시정의 과정을 넣어주지 않는 것이었습니다. 소위 뻔한 입출력값만 넣어줬었죠. 그러니 뻔한 답만 나올밖에.

그러므로 합리적으로 사고하는 방법은 간단합니다. 대상을 늘 처음처럼, 기존 사고관을 버리고, 있는 그대로 보는 훈련을 하면 됩니다. 물론 그 출발은 자신이 속해온 사회와 결별해보는 것인데, 물론 이게 쉽지는 않죠. 

아무튼 답은 거기에 있습니다.