[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,65 +2,243 @@
|
||||
id: wiki-2026-0508-biological-intelligence
|
||||
title: Biological Intelligence
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-BIIN-001]
|
||||
aliases: [생물학적 지능, biological intelligence, embodied cognition, evolution as learning, 4 billion years of training]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, bioLogical-intelligence, cognition, neuroscience, evolution, bio-inspired-ai]
|
||||
source_trust_level: B
|
||||
confidence_score: 0.85
|
||||
verification_status: conceptual
|
||||
tags: [biology, neuroscience, evolution, embodied-cognition, ai-comparison, energy-efficiency, few-shot, neuromorphic]
|
||||
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: biology / cognitive science
|
||||
applicable_to: [AI Architecture, Neuromorphic Computing, Robotics]
|
||||
---
|
||||
|
||||
# [[Biological-Intelligence|Biological-Intelligence]]
|
||||
# Biological Intelligence
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "40억 년의 딥러닝: 생존과 번식이라는 명확한 보상 함수(Reward Function)를 따라 진화라는 거대한 역전파를 거쳐 완성된, 에너지 효율성과 유연성 면에서 인공지능이 여전히 뛰어넘지 못한 자연의 정수."
|
||||
## 📌 한 줄 통찰
|
||||
> **"매 4 billion year 의 deep learning"**. 매 survival + reproduction = 매 reward. 매 evolution = 매 backpropagation. 매 modern AI 의 still 매 surpass X — 매 energy efficiency, 매 few-shot, 매 embodied. 매 inspiration 의 source.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
생물학적 지능(Biological-Intelligence)은 유기체가 환경에 적응하고 문제를 해결하며 학습하는 선천적 및 후천적 인지 능력을 의미합니다.
|
||||
## 📖 핵심
|
||||
|
||||
1. **AI와의 차별적 특징**:
|
||||
* **Energy [[Efficiency|Efficiency]]**: 인간의 뇌는 단 20W 내외의 전력으로 거대 모델 이상의 복합 추론 수행.
|
||||
* **Few-shot Learning**: 아이가 '사과' 한두 번만 보면 평생 기억하듯, 극소량의 데이터로 강력한 일반화 가능.
|
||||
* **Embodied Intelligence**: 신체라는 물리적 인터페이스를 통해 실제 세상과 피드백을 주고받으며 지능 형성 ([[Affordance|Affordance]]와 연결).
|
||||
2. **영향력**:
|
||||
* 현대 뉴럴 네트워크(Neural Networks)의 구조는 뇌의 뉴런 연결을 모방한 것이며, 강화 학습(RL)은 도파민 보상 체계에서 아이디어를 얻음.
|
||||
### 매 AI vs Biological 비교
|
||||
| 측면 | Biological | AI (current) |
|
||||
|---|---|---|
|
||||
| Energy | 매 20W (brain) | 매 100W-MW (LLM) |
|
||||
| Few-shot | 매 1-5 example | 매 trillion token |
|
||||
| Embodied | ✓ | 매 robotics 시작 |
|
||||
| Continual learn | ✓ | 매 catastrophic forget |
|
||||
| Sample efficiency | 매 high | 매 low |
|
||||
| Generality | ✓ (cross-domain) | 매 narrow → improving |
|
||||
| Speed (perception) | ms | ms (inference) |
|
||||
| Speed (math) | slow | 매 fast |
|
||||
| Memory | 매 hierarchical | 매 attention window |
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 인간 지능이 모든 면에서 우월하다는 인간 중심 정책이었으나, 특정 인지 작업(연산, 암기 등)에서 기계 지능이 인간을 압도하는 정책 환경을 마주하며 '인간과 기계의 상호 보완 정책'으로 지능 담론이 이동함(RL Update).
|
||||
- **정책 변화(RL Update)**: 바이오-인터페이스(BCI) 정책 연구가 심화됨에 따라, 생물학적 지능과 인공 지능을 직접 연결하여 지능의 물리적 한계를 확장하는 '사이보그 지능 정책'이 미래 기술의 핵심 쟁점이 됨.
|
||||
### 매 biological evolution 의 단계
|
||||
1. **Single cell** (3.5 Bya): 매 chemotaxis (gradient).
|
||||
2. **Multicellular** (1 Bya): 매 specialization.
|
||||
3. **Nervous system** (650 Mya): 매 cnidaria.
|
||||
4. **Brain** (550 Mya): 매 cambrian.
|
||||
5. **Mammal** (200 Mya): 매 cortex.
|
||||
6. **Primate** (65 Mya): 매 prefrontal.
|
||||
7. **Human** (300 Kya): 매 language.
|
||||
8. **Modern human** (50 Kya): 매 abstract reasoning.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Artificial Intelligence (AI)|Artificial Intelligence (AI)]], Cognitive-Science, Neuroscience, [[Affordance|Affordance]], [[Evolutionary-Computation|Evolutionary-Computation]]
|
||||
- **Modern Tech/Tools**: Neuromorphic chips, BCI (Neuralink), [[Cognitive Psychology|Cognitive Psychology]] models.
|
||||
---
|
||||
### 매 brain 의 efficiency
|
||||
- **Power**: 매 20W ≈ 매 light bulb.
|
||||
- **Synapse**: 매 100 trillion.
|
||||
- **Neuron**: 매 86 billion.
|
||||
- **Connection density**: 매 sparse + 매 modular.
|
||||
- **Spike**: 매 sparse activation.
|
||||
- **Plasticity**: 매 STDP, Hebbian.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 key biological mechanism
|
||||
1. **Neuron**: 매 leaky integrate-and-fire.
|
||||
2. **Synapse**: 매 chemical / electrical.
|
||||
3. **Plasticity**: LTP / LTD, STDP.
|
||||
4. **Neurotransmitter**: 매 dopamine, serotonin, glutamate.
|
||||
5. **Modulator**: 매 attention / arousal.
|
||||
6. **Glial cell**: 매 metabolic + memory consolidation.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### 매 AI 의 inspiration
|
||||
- **Neural network**: 매 neuron model.
|
||||
- **Convolutional NN**: 매 visual cortex (Hubel-Wiesel).
|
||||
- **Reinforcement learning**: 매 dopamine.
|
||||
- **Attention**: 매 selective attention.
|
||||
- **LSTM / GRU**: 매 gating.
|
||||
- **Dropout**: 매 noise / robustness.
|
||||
- **Spiking NN**: 매 direct biology.
|
||||
- **World model**: 매 predictive coding.
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### 매 embodied cognition (Lakoff, Varela)
|
||||
- 매 mind ≠ 매 disembodied symbol.
|
||||
- 매 body 의 cognition 의 기반.
|
||||
- 매 metaphor 의 physical (warm = friendly).
|
||||
- 매 robotics 의 important.
|
||||
- 매 LLM 의 limitation (no body).
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### 매 few-shot 의 mechanism
|
||||
- 매 prior knowledge (innate + learned).
|
||||
- 매 hierarchical / compositional representation.
|
||||
- 매 active inference.
|
||||
- 매 social learning.
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
### 매 modern AI 의 도전 영역
|
||||
1. **Energy**: 매 neuromorphic chip.
|
||||
2. **Few-shot**: 매 meta-learning, in-context.
|
||||
3. **Embodied**: 매 robotics, 매 sim2real.
|
||||
4. **Continual**: 매 EWC, replay.
|
||||
5. **Common sense**: 매 LLM 의 의외 의 X.
|
||||
6. **Causal reasoning**: 매 Pearl's ladder.
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
### 매 modern brain-AI fusion
|
||||
- 매 BCI (Neuralink, BrainGate).
|
||||
- 매 organoid intelligence (mini-brain in dish).
|
||||
- 매 cognitive enhancement (ethics).
|
||||
- 매 hybrid intelligence.
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
## 💻 패턴 (응용 — biologically-inspired ML)
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
### Spiking Neural Network (LIF)
|
||||
```python
|
||||
import torch
|
||||
import torch.nn as nn
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
class LIFLayer(nn.Module):
|
||||
def __init__(self, dim, threshold=1.0, decay=0.9):
|
||||
super().__init__()
|
||||
self.fc = nn.Linear(dim, dim)
|
||||
self.threshold = threshold
|
||||
self.decay = decay
|
||||
self.v = None
|
||||
|
||||
def forward(self, x_seq):
|
||||
outputs = []
|
||||
v = torch.zeros_like(x_seq[0])
|
||||
for x in x_seq:
|
||||
v = self.decay * v + self.fc(x)
|
||||
spike = (v >= self.threshold).float()
|
||||
v = v * (1 - spike)
|
||||
outputs.append(spike)
|
||||
return torch.stack(outputs)
|
||||
```
|
||||
|
||||
### Hebbian learning ("매 fire together, wire together")
|
||||
```python
|
||||
def hebbian_update(W, pre, post, lr=0.01):
|
||||
"""매 Δw_ij = lr * pre_i * post_j."""
|
||||
return W + lr * torch.outer(post, pre)
|
||||
```
|
||||
|
||||
### Predictive coding (Bayesian brain)
|
||||
```python
|
||||
class PredictiveCodingLayer(nn.Module):
|
||||
"""매 top-down prediction + bottom-up error."""
|
||||
def __init__(self, dim):
|
||||
super().__init__()
|
||||
self.predictor = nn.Linear(dim, dim)
|
||||
|
||||
def forward(self, top_down, bottom_up):
|
||||
prediction = self.predictor(top_down)
|
||||
error = bottom_up - prediction
|
||||
return error # 매 error 만 의 propagate
|
||||
```
|
||||
|
||||
### Episodic memory (hippocampus-inspired)
|
||||
```python
|
||||
class EpisodicBuffer:
|
||||
"""매 fast learning store."""
|
||||
def __init__(self, size=10000):
|
||||
self.size = size
|
||||
self.buffer = []
|
||||
|
||||
def store(self, state, action, reward):
|
||||
if len(self.buffer) >= self.size: self.buffer.pop(0)
|
||||
self.buffer.append((state, action, reward))
|
||||
|
||||
def retrieve(self, query, k=10):
|
||||
# 매 nearest neighbor
|
||||
scored = [(s, a, r, similarity(query, s)) for s, a, r in self.buffer]
|
||||
return sorted(scored, key=lambda x: -x[3])[:k]
|
||||
|
||||
# 매 fast learning + slow consolidation (system 1 + 2).
|
||||
```
|
||||
|
||||
### Few-shot meta-learning (MAML)
|
||||
```python
|
||||
def maml_step(model, tasks, inner_lr=0.01, outer_lr=0.001):
|
||||
meta_loss = 0
|
||||
for task in tasks:
|
||||
# 매 inner: task-specific
|
||||
adapted = clone_model(model)
|
||||
for x, y in task.support:
|
||||
loss = F.cross_entropy(adapted(x), y)
|
||||
grads = torch.autograd.grad(loss, adapted.parameters())
|
||||
for p, g in zip(adapted.parameters(), grads):
|
||||
p.data -= inner_lr * g
|
||||
|
||||
# 매 outer: meta
|
||||
for x, y in task.query:
|
||||
meta_loss += F.cross_entropy(adapted(x), y)
|
||||
|
||||
meta_loss.backward()
|
||||
optimizer.step()
|
||||
```
|
||||
|
||||
### Active inference (Friston)
|
||||
```python
|
||||
def active_inference(belief, action_space, world_model):
|
||||
"""매 expected free energy 의 minimize."""
|
||||
efe = []
|
||||
for a in action_space:
|
||||
next_belief = world_model.predict(belief, a)
|
||||
info_gain = expected_info_gain(next_belief)
|
||||
pragmatic = expected_log_preference(next_belief)
|
||||
efe.append(-info_gain - pragmatic)
|
||||
return action_space[np.argmin(efe)]
|
||||
```
|
||||
|
||||
## 🤔 결정 기준 (응용)
|
||||
| 상황 | Bio-inspiration |
|
||||
|---|---|
|
||||
| Edge inference | Spiking NN |
|
||||
| Few-shot | Meta-learning + episodic |
|
||||
| Robotics | Embodied + active inference |
|
||||
| Continual | Replay + EWC |
|
||||
| Energy budget | Neuromorphic chip |
|
||||
| World model | Predictive coding |
|
||||
| Sparse reward | Active inference |
|
||||
|
||||
**기본값**: 매 specific bio-mechanism 의 isolate + 매 ML 의 integrate. 매 wholesale brain 의 mimic 의 X.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Neuroscience]] · [[Cognitive-Science]] · [[Evolution]]
|
||||
- 변형: [[Embodied-Cognition]] · [[Bayesian-Brain-Hypothesis]] · [[Free-Energy-Principle]]
|
||||
- 응용: [[Neuromorphic-Computing]] · [[Spiking-Neural-Network]] · [[Brain-Computer_Interface_(BCI)]] · [[Bioenergetics]]
|
||||
- Adjacent: [[Reinforcement-Learning]] · [[Few-Shot-Learning]] · [[Active-Inference]] · [[Predictive-Coding]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 AI architecture 의 bio-inspire. 매 efficiency / few-shot 의 design. 매 embodied AI / robotics. 매 brain-AI fusion.
|
||||
**언제 X**: 매 specific medical claim. 매 brain 의 literal mimic 의 expectation.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Brain literal mimic**: 매 different paradigm.
|
||||
- **Anthropomorphism**: 매 LLM ≠ 매 conscious.
|
||||
- **Embodied 의 ignore** (robotics): 매 sim2real 의 fail.
|
||||
- **Bigger = better assumption**: 매 brain 의 sparse.
|
||||
- **Single bio-feature 의 magic 의 expect**: 매 system 의 emergent.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Kandel neuroscience, Friston FEP, Lakoff embodied).
|
||||
- 신뢰도 B.
|
||||
- Related: [[Neuromorphic-Computing]] · [[Bayesian-Brain-Hypothesis]] · [[Bioenergetics]] · [[Brain-Computer_Interface_(BCI)]] · [[Embodied-Cognition]].
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — comparison + bio mechanism + 매 SNN / Hebbian / MAML / active inference code |
|
||||
|
||||
Reference in New Issue
Block a user