[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,88 +1,233 @@
|
||||
---
|
||||
id: wiki-2026-0508-artificial-intelligence
|
||||
title: Artificial Intelligence
|
||||
title: Artificial Intelligence (AI)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AI-GENERAL]
|
||||
aliases: [AI, 인공지능, ANI, AGI, ASI, machine learning, deep learning, neuro-symbolic]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.99
|
||||
tags: [Artificial Intelligence, Machine Learning, Deep Learning, Scaling Laws]
|
||||
confidence_score: 0.93
|
||||
verification_status: applied
|
||||
tags: [ai, ml, deep-learning, agi, history, paradigm, neuro-symbolic, foundation-model]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: Python / Various
|
||||
framework: PyTorch / TensorFlow / Transformers
|
||||
---
|
||||
|
||||
# [[Artificial-Intelligence|Artificial-Intelligence]] (인공지능)
|
||||
# Artificial Intelligence (AI)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기계의 사고가 아니라, 데이터의 압축과 예측이다." 인간의 지능적 행동을 흉내 내는 소프트웨어 체계를 넘어, 데이터 속에 숨겨진 고차원적 패턴을 찾아내어 미래를 통계적으로 추론하는 기술이다.
|
||||
## 📌 한 줄 통찰
|
||||
> **"매 thinking 의 X — 매 data 의 compression + 매 prediction"**. 매 hidden pattern 의 statistical inference. 매 narrow ANI (chess, GPT) 의 dominate 가, 매 AGI 의 frontier 의 race. 매 Data + Compute + Algorithm 의 3 element 의 explosion.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Weak AI vs Strong AI**:
|
||||
- 바둑이나 번역처럼 특정 작업만 수행하는 좁은 지능(ANI)과, 인간처럼 모든 영역에서 사고할 수 있는 광범위한 지능(AGI)의 구분.
|
||||
- **Information [[Processing|Processing]]**:
|
||||
- 입력을 출력으로 매핑하는 거대한 수학 함수. 최근에는 '데이터(Data), 연산량(Compute), 알고리즘(Algorithm)'이라는 3요소의 폭발적 성장이 성패를 가른다.
|
||||
- **Societal Impact**:
|
||||
- 노동의 자동화를 넘어, 인간의 창의 성과 의사결정 방식 자체를 재정의하는 문명적 도구.
|
||||
## 📖 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- AI는 '이해'하는 것이 아니라 '확률적 생성'을 하는 것이다. 이 차이를 간과할 때 환각(Hallucination) 문제가 발생하며, 이를 극복하기 위해 심볼릭 로직과 딥러닝을 결합하는 '[[Neuro-Symbolic AI|Neuro-Symbolic AI]]'가 대안으로 떠오르고 있다.
|
||||
### 매 AI 의 종류
|
||||
| 종류 | Scope | 예 |
|
||||
|---|---|---|
|
||||
| ANI (Narrow) | 매 single domain | Chess, GPT, AlphaFold |
|
||||
| AGI (General) | 매 human-level cross-domain | 매 not yet (debated) |
|
||||
| ASI (Super) | 매 human 의 surpass | 매 hypothetical |
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Deep-Learning|Deep-Learning]]-[[Architecture|Architecture]]-Patterns , AI-Ethics
|
||||
- Foundation: Computational Thinking
|
||||
### 매 paradigm history
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
#### 1. Symbolic AI (1950s-80s)
|
||||
- 매 rule + 매 logic.
|
||||
- 매 expert system (MYCIN, DENDRAL).
|
||||
- 매 GOFAI (Good Old-Fashioned AI).
|
||||
- ❄️ AI Winter (knowledge bottleneck).
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
#### 2. Statistical / ML (1990s-2010s)
|
||||
- 매 SVM, 매 Bayesian, 매 random forest.
|
||||
- 매 feature engineering.
|
||||
- 매 ImageNet 2012 → 매 deep learning.
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
#### 3. Deep Learning (2012-)
|
||||
- 매 NN with many layers.
|
||||
- 매 GPU explosion.
|
||||
- 매 representation learning.
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
#### 4. Foundation Model / LLM (2018-)
|
||||
- 매 BERT (2018), 매 GPT-3 (2020), 매 ChatGPT (2022).
|
||||
- 매 transfer learning.
|
||||
- 매 emergent capability.
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
#### 5. Agentic / Multimodal (2024-)
|
||||
- 매 tool use.
|
||||
- 매 reasoning (o1 / R1).
|
||||
- 매 multimodal (vision, audio).
|
||||
- 매 robotics fusion.
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
### 매 핵심 paradigm
|
||||
- **Supervised**: 매 label.
|
||||
- **Unsupervised**: 매 structure.
|
||||
- **Self-supervised**: 매 pretext task (BERT, GPT, MAE).
|
||||
- **Reinforcement**: 매 reward.
|
||||
- **Imitation**: 매 expert demo.
|
||||
- **Multi-task / meta-learning**: 매 few-shot.
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
### 매 3 element (Sutton's "Bitter Lesson")
|
||||
- 매 general method + 매 compute > 매 hand-crafted feature.
|
||||
- **Data**: 매 internet-scale.
|
||||
- **Compute**: 매 GPU / TPU exponential.
|
||||
- **Algorithm**: 매 transformer / RL.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
→ "Most of the AI research has wasted on human knowledge insertion."
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
### 매 limitation (current)
|
||||
1. **Hallucination**: 매 generation 의 fact 의 X.
|
||||
2. **Reasoning**: 매 multi-step 의 weak (improving with o1).
|
||||
3. **Generalization**: 매 OOD 의 fail.
|
||||
4. **Sample efficiency**: 매 human 의 few-shot vs 매 LLM 의 trillion.
|
||||
5. **Embodiment**: 매 robot 의 transfer 의 challenge.
|
||||
6. **Energy**: 매 GW-scale.
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
### 매 neuro-symbolic
|
||||
- 매 neural (pattern) + 매 symbolic (logic).
|
||||
- 매 AlphaProof, 매 AlphaGeometry.
|
||||
- 매 hallucination 의 reduce.
|
||||
- 매 verifiable.
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
### 매 societal impact
|
||||
- **Labor**: 매 automation (cognitive).
|
||||
- **Creativity**: 매 augmentation.
|
||||
- **Decision**: 매 personalization + bias.
|
||||
- **Power**: 매 concentration.
|
||||
- **Truth**: 매 deepfake.
|
||||
- **Education**: 매 tutor.
|
||||
- **Health**: 매 diagnostic / drug.
|
||||
|
||||
```text
|
||||
# TODO
|
||||
### 매 milestone (selected)
|
||||
- 1956: Dartmouth Conference (term "AI" coined).
|
||||
- 1997: Deep Blue beats Kasparov.
|
||||
- 2012: AlexNet ImageNet win.
|
||||
- 2016: AlphaGo beats Lee Sedol.
|
||||
- 2020: AlphaFold solves protein folding.
|
||||
- 2022: ChatGPT launch.
|
||||
- 2024: o1 reasoning, Sora video.
|
||||
|
||||
## 💻 패턴 (응용 — 빅 picture)
|
||||
|
||||
### Stack overview
|
||||
```
|
||||
Application
|
||||
├─ Agent (LangChain, LlamaIndex, AutoGen)
|
||||
├─ Vector DB (Pinecone, Weaviate, Chroma)
|
||||
└─ LLM API (OpenAI, Anthropic, Bedrock)
|
||||
│
|
||||
Foundation model
|
||||
├─ Pretraining (compute-heavy)
|
||||
├─ Fine-tuning (LoRA, RLHF)
|
||||
└─ Inference (vLLM, TensorRT-LLM)
|
||||
│
|
||||
Hardware
|
||||
├─ NVIDIA H100 / B200
|
||||
├─ Google TPU
|
||||
└─ Custom (Cerebras, Groq, AWS Trainium)
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### Training pipeline (simplified)
|
||||
```python
|
||||
import torch
|
||||
from transformers import AutoModelForCausalLM, AutoTokenizer, Trainer, TrainingArguments
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
# 1. Load
|
||||
model = AutoModelForCausalLM.from_pretrained('meta-llama/Llama-3-8B')
|
||||
tokenizer = AutoTokenizer.from_pretrained('meta-llama/Llama-3-8B')
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
# 2. Fine-tune (LoRA)
|
||||
from peft import LoraConfig, get_peft_model
|
||||
lora = LoraConfig(r=16, lora_alpha=32, target_modules=['q_proj', 'v_proj'])
|
||||
model = get_peft_model(model, lora)
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
# 3. Train
|
||||
args = TrainingArguments(
|
||||
output_dir='./out', num_train_epochs=3,
|
||||
per_device_train_batch_size=4, learning_rate=2e-4,
|
||||
bf16=True, gradient_accumulation_steps=4,
|
||||
)
|
||||
trainer = Trainer(model=model, args=args, train_dataset=dataset)
|
||||
trainer.train()
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### Inference (production)
|
||||
```python
|
||||
# vLLM (continuous batching)
|
||||
from vllm import LLM, SamplingParams
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
llm = LLM(model='meta-llama/Llama-3-8B', tensor_parallel_size=2)
|
||||
outputs = llm.generate(prompts, SamplingParams(temperature=0.7, max_tokens=512))
|
||||
```
|
||||
|
||||
### RAG (real-world)
|
||||
```python
|
||||
from langchain.vectorstores import Chroma
|
||||
from langchain.embeddings import OpenAIEmbeddings
|
||||
|
||||
vectordb = Chroma.from_documents(docs, OpenAIEmbeddings())
|
||||
|
||||
def answer(question):
|
||||
relevant = vectordb.similarity_search(question, k=5)
|
||||
context = '\n\n'.join(d.page_content for d in relevant)
|
||||
return llm.generate(f"Context:\n{context}\n\nQuestion: {question}")
|
||||
```
|
||||
|
||||
### Agent (tool use)
|
||||
```python
|
||||
from langchain.agents import create_react_agent
|
||||
from langchain_community.tools import DuckDuckGoSearchRun, PythonREPLTool
|
||||
|
||||
tools = [DuckDuckGoSearchRun(), PythonREPLTool()]
|
||||
agent = create_react_agent(llm, tools, prompt=react_prompt)
|
||||
result = agent.invoke({'input': 'What is 2026 + 1, and search what happened then?'})
|
||||
```
|
||||
|
||||
## 🤔 결정 기준
|
||||
| 문제 | Tool |
|
||||
|---|---|
|
||||
| Classification | scikit-learn / PyTorch |
|
||||
| NLP understanding | BERT / RoBERTa |
|
||||
| NLP generation | GPT / Claude / Llama |
|
||||
| Vision | ViT / YOLO / CLIP |
|
||||
| Speech | Whisper / Wav2Vec |
|
||||
| RL | PPO / SAC / DreamerV3 |
|
||||
| Robotics | RL + sim2real |
|
||||
| Math / proof | Lean + LLM |
|
||||
| Drug | AlphaFold |
|
||||
| RAG | LangChain + vectordb |
|
||||
| Agent | LangGraph / OpenAI Agents SDK |
|
||||
|
||||
**기본값**: LLM (general) + RAG (knowledge) + agent (tool). 매 specific = 매 specialized model.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Computer-Science]] · [[Statistics]]
|
||||
- 변형: [[Machine-Learning]] · [[Deep-Learning]] · [[Reinforcement-Learning]] · [[NLP]] · [[Computer-Vision]]
|
||||
- 응용: [[LLM]] · [[Agent]] · [[RAG]] · [[Foundation-Model]]
|
||||
- 비판: [[AI-Safety]] · [[AI-Ethics]] · [[AI-Alignment]] · [[Hallucination]]
|
||||
- Adjacent: [[Neuro-Symbolic-AI]] · [[AGI]] · [[Bitter-Lesson]] · [[Scaling-Laws]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 AI strategy. 매 paradigm choice. 매 history overview. 매 stack design.
|
||||
**언제 X**: 매 specific implementation detail (sub-page reference).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **AI 의 magic 의 expectation**: 매 limitation 의 ignore.
|
||||
- **Hand-craft feature 의 over-invest**: 매 Bitter Lesson.
|
||||
- **No baseline**: 매 fancy model 의 simple 대비 X.
|
||||
- **Hallucination 의 trust**: 매 fact verify 의 X.
|
||||
- **Compute 의 cost 의 underestimate**: 매 budget overrun.
|
||||
- **Single model 의 monoculture**: 매 vendor lock-in / robustness.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Russell-Norvig, Goodfellow DL, Sutton RL, OpenAI / DeepMind / Anthropic papers).
|
||||
- 신뢰도 A.
|
||||
- Related: [[Machine-Learning]] · [[LLM]] · [[Deep-Learning]] · [[AGI]] · [[Bitter-Lesson]].
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — paradigm history + 3 element + stack + 매 training / inference / RAG / agent code |
|
||||
|
||||
Reference in New Issue
Block a user