ONNX & GTP 기반 KataGo 오프라인 온디바이스 엔진 연동 특징

대다수 AI 바둑 앱이 클라우드 서버 API 연동 방식에 의존하여 네트워크가 끊기면 구동되지 않는 반면, Tori Baduk은 KataGo lightweight 신경망을 ONNX 런타임 및 Native GTP 엔진으로 기기 내부에 직접 내장시켰습니다.

Tori Baduk의 집 계산 및 승패 판정은 온디바이스 KataGo 엔진 규칙에 기반하며, 비공식 연습용 대국을 위한 참고 자료로 제공됩니다. 대국 승률 및 추천 착수는 AI 추정치이므로 실제 입단이나 프로 경기 기준과 다를 수 있습니다.

1. 온디바이스 실행의 이점

서버 통신 대기 시간(Latency)이 전혀 발생하지 않으며, 데이터 요금 걱정 없이 완전한 비행기 모드 환경에서도 빠르게 AI 착수가 실행됩니다.

• 웹 환경: WebAssembly 및 ONNX Web 런타임으로 로컬 컴퓨팅 자원 활용
• 네이티브 모바일 환경: C++ 기반 KataGo GTP 엔진 백그라운드 스레드 연동
• 개인정보 보호: 나의 대국 착수 데이터가 외부 AI 서버로 송출되지 않음

2. 경량화 신경망과 발열·배터리 최적화

모바일 기기의 발열과 배터리 소모를 최소화하기 위해 탐색 노드 수 및 신경망 블록 크기를 기기 성능에 맞춰 가변적으로 제어합니다.

3. KataGo가 다음 수를 고르는 방식

KataGo는 몬테카를로 트리 탐색(MCTS)과 신경망 평가를 결합해 각 후보 수의 승률과 예상 집 차이를 동시에 추정합니다. 난이도를 낮추면 탐색 횟수를 의도적으로 줄여 사람처럼 완벽하지 않은 수를 두게 하고, 난이도를 높이면 훨씬 깊은 탐색으로 최선의 수에 가까워집니다.

• 탐색 횟수(Playout)가 많을수록 후보 수의 승률 추정이 정교해집니다.
• 신경망은 판 전체의 형세를 한 번에 평가해 국지전과 대세를 함께 고려합니다.
• 같은 국면이라도 난이도 설정에 따라 완전히 다른 응수가 나올 수 있습니다.

4. 오프라인 엔진의 신뢰 범위

온디바이스 KataGo는 매우 강력하지만, 서버에서 대형 모델을 구동하는 최상위 프로 수준의 KataGo와는 탐색 자원 차이가 있습니다. 형세 판단과 승률 표시는 참고용 추정치로 받아들이고, 실전 감각을 기르는 학습 도구로 활용하는 것을 권장합니다.

5. 클라우드 AI와 온디바이스 AI의 차이

클라우드 기반 AI 바둑 서비스는 서버의 대형 모델을 그대로 활용할 수 있어 탐색 깊이 면에서 유리하지만, 매 수마다 서버 응답을 기다려야 하고 인터넷이 끊기면 아예 사용할 수 없습니다. 반면 Tori Baduk의 온디바이스 방식은 응답 속도와 오프라인 접근성을 최우선으로 설계된 구조입니다.

• 클라우드 방식: 최상위 탐색 성능, 그러나 네트워크 의존적
• 온디바이스 방식: 즉각적인 응답과 완전한 오프라인 지원, 기기 성능에 따라 탐색량 조절
• 일상적인 학습과 연습용 대국에는 온디바이스 방식의 즉시성이 더 큰 장점으로 작용합니다.

기기 성능이 낮은 구형 스마트폰에서는 최고 난이도 구동 시 다소 지연이 발생할 수 있습니다. 이 경우 판 크기를 9×9나 13×13으로 낮추면 훨씬 쾌적하게 대국을 즐길 수 있습니다.