알파고는 인공지능(AI) 판도만 바꾸지 않았다.

AI는 누구나 개발할 수 있었다.

실제로 대규모 데이터를 학습 시키거나 서비스로 만들기 위해서는 컴퓨팅 자원 없이는 불가능했다.

그러나 알파고의 등장은 어떻게 대량의 AI 연산을 컴퓨터가 버틸 수 있는가라는 질문에 이정표를 제시했다.

답은 클라우드 컴퓨팅.

이전에는 AI 학습을 위한 알고리즘에 입력, 계산되는 변수가 워낙 다양하고 많기 때문에 대량의 컴퓨팅 자원이 필요했다.

바둑 기보처럼 하나의 수에도 수십만의 경우의 수가 뻗어졌다. 

그렇기에 연산 전용 하드웨어는 물론, 정확도 향상을 위한 반복 학습에도 상당한 시간이 소모됐다.

게다가 결과를 보장할 수 없는 상황에서 투자 역시 리스크가 수반됐다.

이러한 장벽을 클라우드 컴퓨팅이 확 낮춘 셈이다.

만약 클라우드가 아니었다면, 알파고와 이세돌의 대국 장소였던 포시즌스 호텔 아래에는 1202개의 CPU와 176개의 GPU가 들어간 대형 슈퍼컴퓨터가 있어야 했을 것이다.

클라우드, 컴퓨팅의 선택과 집중 가능케 해

더불어 분산 처리 측면에서도 AI는 클라우드의 덕을 본다.

AI 활용을 위한 머신러닝에서 가장 오래 소요되는 과정은 학습과 검증이다. 대부분의 컴퓨팅 자원은 여기에 사용된다고 해도 과언이 아니다.

게다가 학습 정도에 따라 추출된 결과의 질을 좌우하기 때문에 간과할 수 없는 부분이다.

결국 조금이라도 효과적인 작업을 위해서는 컴퓨팅 자원의 배분이 중요한 셈.

클라우드 컴퓨팅을 통해 머신러닝 중 추론 과정에는 적은 컴퓨팅 자원을 투입할 수 있었고, 학습과 검증에 보다 집중해 탄력적 운용이 가능했다. 비용 역시 최적화했다.

또 GPU로 연산의 고속병렬 처리가 가능해지자, AI는 클라우드로 더 많은 컴퓨팅 자원을 활용하게 됐다.

반대의 경우도 가능하다. AI 기술 자체를 클라우드로 서비스는 하는 것. 

AI 서비스를 클라우드 형태로 제공할 경우, 수요 기업은 분산된 컴퓨팅을 가져다 쓰듯 원천 기술을 확보하지 않고도 AI 서비스를 활용할 수 있다.

게다가 AI 서비스 제공 기업은 데이터를 확보하면서, 수익을 내면서 자신들의 AI를 학습 시켜 고도화까지 가능해진다. 

그렇기 때문에 구글, AWS, MS 등 글로벌 클라우드 기업들은 텐서플로우 같은 자신들의 머신러닝 툴을 오픈소스로 공개하고 있다.

이는 AI 활용을 원하는 작은 기업에게 새로운 서비스를 가능케했다.

의상 이미지를 활용해 디자인하는 의류 스타트업 대표는 디자이너인 자신이 제작하거나 추구하는 패션의 데이터로 AI로 학습시켜 패턴화했다.

직접 디자인하지 않고도 자신의 디자인을 만들어내는 것.

이전까지만 해도 디지털 이미지 작업 저장 하드웨어 걱정부터 했지만, 이제는 클라우드로 해결하고 동시에 AI 툴까지 활용하고 있다.

해당 기업 대표는 "클라우드로 소규모 AI 프로젝트를 검증해볼 수 없었다면 시도하지 못했을 것"이라고 전했다.