[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,94 +2,212 @@
|
||||
id: wiki-2026-0508-what-is-ai
|
||||
title: What is AI
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-WIAI-001]
|
||||
aliases: [AI Definition, Artificial Intelligence Overview, AI 101]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, definition-of-ai, intelligence, machine-learning, Philosophy-of-ai]
|
||||
confidence_score: 0.95
|
||||
verification_status: applied
|
||||
tags: [ai, foundations, taxonomy, overview, agi]
|
||||
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
|
||||
framework: PyTorch/transformers
|
||||
---
|
||||
|
||||
# [[What-is-AI|What-is-AI]]
|
||||
# What is AI
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "인간 지능의 디지털 거울: 명시적인 명령 없이도 데이터를 통해 스스로 배우고, 판단하고, 창조하며 인간의 '생각하는 능력'을 기계로 구현하려는 모든 지적 시도."
|
||||
## 매 한 줄
|
||||
> **"매 인간의 cognitive task (perception, reasoning, language, decision) 을 매 machine 으로 perform — 매 narrow 에서 broad 까지 spectrum"**. 1956 Dartmouth Workshop 의 term coining 부터 매 symbolic AI winter, statistical ML 부흥, 매 2012 deep learning revolution, 매 2017 Transformer, 매 2022 ChatGPT, 매 2024-2026 multimodal foundation models + agentic systems 까지 evolutionary arc. 2026 현재 매 "AI" 매 거의 deep learning 의 synonym, 매 LLM-based agents 가 cutting edge.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
인공지능(Artificial Intelligence, AI)은 컴퓨터가 인간과 유사한 지능적 행동(학습, 추론, 지각, 의사소통 등)을 수행하게 만드는 컴퓨터 과학의 한 분야입니다.
|
||||
## 매 핵심
|
||||
|
||||
1. **AI의 분류 집합**:
|
||||
* **Artificial Narrow Intelligence (ANI)**: 특정 태스크(체스, 번역 등)만 인간 이상으로 수행. 현세대 AI의 대부분.
|
||||
* **[[Artificial General Intelligence (AGI)|Artificial General Intelligence (AGI)]]**: 인간이 할 수 있는 모든 지적 작업을 수행할 수 있는 범용 지능. 미래의 목표.
|
||||
* **Artificial Super Intelligence (ASI)**: 모든 분야에서 인간의 능력을 압도하는 신적 지능.
|
||||
2. **구현 방식의 역사**:
|
||||
* **Rule-based (심볼릭 AI)**: 인간이 규칙을 일일이 정의함 (1950-80년대).
|
||||
* **Machine Learning (커넥셔니즘)**: 데이터로부터 기계가 스스로 규칙을 찾아냄 (2000년대-현재).
|
||||
* **Deep Learning**: 인간 뇌의 신경망을 모방한 다층 구조로 복잡한 패턴 학습.
|
||||
3. **지능의 3대 요소**: 연산 능력(Compute), 데이터(Data), 알고리즘(Algorithm).
|
||||
### 매 정의 spectrum
|
||||
- **Narrow AI (ANI)**: 매 specific task — chess, image classify, speech recog, code complete. 매 모든 deployed AI.
|
||||
- **Artificial General Intelligence (AGI)**: 매 human-level across-domain. 매 현재 unresolved — 매 GPT-5 / Claude Opus 4.7 매 partially AGI 로 보는 view 도 있음.
|
||||
- **Superintelligence (ASI)**: 매 모든 domain 에서 human 초과. Hypothetical.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 AI를 단순히 '자동화 도구'로 보았으나, 현대 사회 정책은 AI를 '공동 창작자'이자 '사회적 행위 주체'로 인정하며 법적, 윤리적 책임을 부여하는 정책적 대전환을 맞이함(RL Update).
|
||||
- **정책 변화(RL Update)**: 'AI 인권' 및 'AI 안전 거버넌스' 정책이 도입됨에 따라, 지능의 발전 속도를 조절하고 인류에 해가 되지 않도록 하는 '정렬([[Alignment|Alignment]]) 정책'이 기술 개발 자체보다 중요한 정책 과제로 부상함.
|
||||
### 매 paradigm history
|
||||
1. **Symbolic / GOFAI (1950-1980s)**: rule-based, expert systems. 매 brittle.
|
||||
2. **Statistical ML (1990-2010s)**: SVM, Random Forest, HMM. 매 feature engineering 매 무거움.
|
||||
3. **Deep Learning (2012-)**: CNN (ImageNet), RNN, Transformer (2017). 매 representation learning.
|
||||
4. **Foundation Models (2020-)**: GPT-3, BERT — 매 pretrain massive, transfer.
|
||||
5. **Agentic AI (2024-)**: tool-use, multi-step reasoning, autonomous task execution.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Foundational Models, [[Turing Test|Turing Test]], [[Ethics & AI|Ethics & AI]], Machine-learning (Intro), [[Synthesized Intelligence|Synthesized Intelligence]]
|
||||
- **Modern Tech/Tools**: OpenAI GPT, Google Gemini, Anthropic Claude, Meta Llama.
|
||||
---
|
||||
### 매 capability axes (2026)
|
||||
- **Language**: GPT-5, Claude Opus 4.7, Gemini 3 — 매 PhD-level on most academic benchmark.
|
||||
- **Vision**: GPT-5 Vision, Claude 4 Vision, native multimodal.
|
||||
- **Image gen**: FLUX, Imagen 4, GPT-Image-1, Midjourney 7, Stable Diffusion 4.
|
||||
- **Video gen**: Sora 2, Veo 3, Runway Gen-4 — 매 60s+ coherent shots.
|
||||
- **Audio**: Suno V5, ElevenLabs 3, OpenAI Voice — 매 indistinguishable from human.
|
||||
- **Robotics**: Figure 03, Optimus Gen 3, Unitree H2 — 매 commercial pilot deployment.
|
||||
- **Code**: Claude Code, Cursor Agent, Devin 2 — 매 autonomous PR submission.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 sub-fields
|
||||
- ML: supervised, unsupervised, reinforcement, self-supervised.
|
||||
- NLP, CV, Speech, Robotics, KR&R, Planning, Multi-agent, Causal AI.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### 매 응용
|
||||
1. Search / RAG / personalized assistant.
|
||||
2. Code generation (Copilot → autonomous agent).
|
||||
3. Image/video/music creation.
|
||||
4. Drug discovery (AlphaFold 3, RFDiffusion).
|
||||
5. Autonomous driving (Waymo, Tesla FSD).
|
||||
6. Scientific simulation (weather: GraphCast, fluid: NeuralGCM).
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
### 1. AI 시스템의 layer (2026 modern stack)
|
||||
```
|
||||
┌──────────────────────────────────────┐
|
||||
│ Application (chat UI, IDE plugin) │
|
||||
├──────────────────────────────────────┤
|
||||
│ Agent layer (tool use, planning) │ ← Claude Code, LangGraph, CrewAI
|
||||
├──────────────────────────────────────┤
|
||||
│ Foundation Model API (LLM, VLM) │ ← Anthropic, OpenAI, Google
|
||||
├──────────────────────────────────────┤
|
||||
│ Inference runtime (vLLM, TGI, MLX) │
|
||||
├──────────────────────────────────────┤
|
||||
│ Hardware (H100, B200, MI355X, TPU) │
|
||||
└──────────────────────────────────────┘
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### 2. 단순 Hello-AI (Anthropic SDK, 2026)
|
||||
```python
|
||||
from anthropic import Anthropic
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
client = Anthropic()
|
||||
resp = client.messages.create(
|
||||
model="claude-opus-4-7",
|
||||
max_tokens=1024,
|
||||
system="You are a concise tutor.",
|
||||
messages=[{"role": "user", "content": "Explain backprop in 3 sentences."}],
|
||||
)
|
||||
print(resp.content[0].text)
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### 3. Classical ML still works (sklearn baseline)
|
||||
```python
|
||||
from sklearn.ensemble import RandomForestClassifier
|
||||
from sklearn.model_selection import cross_val_score
|
||||
import numpy as np
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
X, y = load_my_data()
|
||||
clf = RandomForestClassifier(n_estimators=300, max_depth=12, n_jobs=-1)
|
||||
scores = cross_val_score(clf, X, y, cv=5, scoring="f1_macro")
|
||||
print(f"F1: {scores.mean():.3f} ± {scores.std():.3f}")
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### 4. Deep learning 의 minimal example
|
||||
```python
|
||||
import torch
|
||||
import torch.nn as nn
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
class TinyNet(nn.Module):
|
||||
def __init__(self):
|
||||
super().__init__()
|
||||
self.net = nn.Sequential(
|
||||
nn.Linear(784, 128), nn.GELU(),
|
||||
nn.Linear(128, 10),
|
||||
)
|
||||
def forward(self, x): return self.net(x)
|
||||
|
||||
model = TinyNet()
|
||||
opt = torch.optim.AdamW(model.parameters(), lr=3e-4)
|
||||
loss_fn = nn.CrossEntropyLoss()
|
||||
|
||||
for x, y in loader:
|
||||
logits = model(x)
|
||||
loss = loss_fn(logits, y)
|
||||
opt.zero_grad(); loss.backward(); opt.step()
|
||||
```
|
||||
|
||||
### 5. Agentic loop (tool use)
|
||||
```python
|
||||
from anthropic import Anthropic
|
||||
|
||||
client = Anthropic()
|
||||
tools = [{
|
||||
"name": "search_web",
|
||||
"description": "Search the web for a query.",
|
||||
"input_schema": {
|
||||
"type": "object",
|
||||
"properties": {"q": {"type": "string"}},
|
||||
"required": ["q"],
|
||||
},
|
||||
}]
|
||||
|
||||
def run_agent(user_msg: str):
|
||||
msgs = [{"role": "user", "content": user_msg}]
|
||||
while True:
|
||||
resp = client.messages.create(
|
||||
model="claude-opus-4-7",
|
||||
max_tokens=2048,
|
||||
tools=tools,
|
||||
messages=msgs,
|
||||
)
|
||||
if resp.stop_reason == "end_turn":
|
||||
return resp.content[0].text
|
||||
# tool_use
|
||||
tool_blocks = [b for b in resp.content if b.type == "tool_use"]
|
||||
msgs.append({"role": "assistant", "content": resp.content})
|
||||
results = []
|
||||
for tb in tool_blocks:
|
||||
out = dispatch(tb.name, tb.input)
|
||||
results.append({"type": "tool_result", "tool_use_id": tb.id, "content": out})
|
||||
msgs.append({"role": "user", "content": results})
|
||||
```
|
||||
|
||||
### 6. Reinforcement Learning (PPO sketch)
|
||||
```python
|
||||
# PPO core update — keeps policy close to old policy
|
||||
import torch
|
||||
def ppo_loss(logp_new, logp_old, adv, clip=0.2):
|
||||
ratio = torch.exp(logp_new - logp_old)
|
||||
s1 = ratio * adv
|
||||
s2 = torch.clamp(ratio, 1 - clip, 1 + clip) * adv
|
||||
return -torch.min(s1, s2).mean()
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Tabular, < 100k row, structured | XGBoost / LightGBM / CatBoost |
|
||||
| Vision (image classify, segment, detect) | Pre-trained CNN/ViT (timm) + fine-tune |
|
||||
| Text / NLP / RAG | BGE embedding + LLM (Anthropic / OpenAI / open-weight) |
|
||||
| Generation (code, content, creative) | Claude Opus 4.7 / GPT-5 |
|
||||
| Speech / Audio | Whisper-large-v3 / NeMo / Voxtral |
|
||||
| Decision / Control / Game | RL (PPO / SAC / model-based MuZero) |
|
||||
| On-device / latency-critical | MLX (Apple) / GGUF (llama.cpp) / quantize |
|
||||
|
||||
**기본값**: 매 first try managed LLM API → 매 cost / latency / privacy 매 issue 면 self-host (vLLM + 8B model).
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Computer Science]] · [[Cognitive Science]]
|
||||
- 변형: [[Machine Learning]] · [[Deep Learning]] · [[Symbolic AI]]
|
||||
- 응용: [[LLM]] · [[Computer Vision]] · [[Robotics]] · [[Speech Recognition]]
|
||||
- Adjacent: [[AI Safety]] · [[AI Ethics]] · [[AI Governance Policy]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 fuzzy / unstructured input (text, image, voice) 처리, 매 generation, 매 reasoning chain. 매 modern stack 의 default starting point.
|
||||
**언제 X**: 매 deterministic rule-based system (compiler, regex parse) 매 LLM 사용 매 over-kill / wrong tool. 매 매 explainability requirement strict 한 domain (medical diagnosis legal binding) 매 careful.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **AI = ML 동일시**: 매 ML 매 AI subset, 매 symbolic / search / planning 도 AI.
|
||||
- **무조건 deep learning**: 매 small structured data 매 GBM 가 더 빠르고 정확.
|
||||
- **Hallucination 무시**: 매 LLM output 매 fact 가정 — 매 grounding (RAG, tool use, citation) 필수.
|
||||
- **Fine-tune 먼저 reaching**: 매 prompting / RAG 로 충분한 경우 매 절대 다수.
|
||||
- **Hype-vs-capability gap 무시**: 매 demo 매 cherry-pick — 매 production 에서 매 edge case 매 발견.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Russell & Norvig "AIMA" 4th ed., Stanford CS221, OpenAI/Anthropic system cards 2025-2026).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — paradigm history + 2026 stack + agentic patterns |
|
||||
|
||||
Reference in New Issue
Block a user