지금까지 규칙에 따라 스스로 학습을 진행하는 강화 학습에 대해 알아보았습니다. 이러한 강화 학습은 인공지능 기술에서 상당히 주목 받고 있으며, 기술 발전 또한 빠른 속도로 이루어지고 있습니다. 하지만 몇몇 전문가는 강화 학습이 마치 인공지능 기술의 해답인 것처럼 보는 것에 우려를 나타내기도 합니다.

강화 학습은 이기고 지는, 즉 승패가 있는 게임에서 유용합니다. 앞에서도 다루었지만 지금의 인공지능은 한 종목에서 학습한 내용을 다른 종목에 적용하기가 어렵습니다. 바둑으로 알파고를 이길 수 있는 상대가 이 지구상에는 더 이상 없지만, 그 알파고에게 체스를 시킨다면 결과는 달라질 것입니다. 하지만 사람은 다르죠. 체스를 잘 하는 사람은 기본적인 바둑에서도 그 실력이 잘 나타날 수 있습니다.

이러한 한계를 지적한 앤드류 응(Andrew Ng) 박사는 강화 학습이 인공지능의 모든 해결 방법이 아니며, 사람과 같이 어느 한 분야에서 얻은 지식을 다른 분야에도 적용할 수 있는 전이 학습(Transfer Learning) 기법 연구가 필요하다고 하였습니다.

이러한 우려에도 불구하고 강화 학습은 로봇, 자율 주행 자동차 등 다양한 방면에서 사용되고 있는 인공지능의 대표적인 기술이라는 것은 틀림 없습니다.