feat: Wiki 지식 자산 업데이트 - UX Scenarios, Frontend, Game Design, Topics 추가 [2026-05-08]

10_Wiki/Topics/AI_and_ML/Scaling-Laws-for-LLMs.md

@@ -1,9 +1,18 @@
 ---
-id: AI-LLM-SCALE-001
-category: Unified
+id: wiki-2026-0508-scaling-laws-for-llms
+title: Scaling Laws for LLMs
+category: 10_Wiki/Topics
+status: needs_review
+canonical_id: self
+aliases: [AI-LLM-SCALE-001]
+duplicate_of: none
+source_trust_level: A
 confidence_score: 1.0
-tags: [ai, llm, scaling-laws, chinchilla, compute-optimal, [[Deep-Learning|Deep-Learning]], [[Efficiency|Efficiency]]]
+tags: [ai, llm, scaling-laws, chinchilla, compute-optimal, Deep-Learning, Efficiency]
+raw_sources: []
 last_reinforced: 2026-04-26
+github_commit: pending
+inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
 ---
 
 # Scaling Laws for LLMs (LLM을 위한 스케일링 법칙)
@@ -18,10 +27,36 @@ last_reinforced: 2026-04-26
     - **Chinchilla Scaling Law (DeepMind, 2022):** 기존 모델들이 파라미터 수에 비해 데이터가 부족했음을 지적. 모델 크기와 데이터 양을 1:1 비율로 늘려야 '연산 최적(Compute Optimal)'임을 입증.
 - **의의:** 수천억 원이 드는 거대 모델 학습 전에, 작은 실험만으로 최종 모델의 성능을 정밀하게 예측하여 막대한 자원 낭비를 방지하게 함.
 
-## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
 - **과거 데이터와의 충돌:** "모델이 클수록 무조건 좋다"는 초기 믿음을 깨고, 이제는 작은 모델에 엄청난 양의 양질 데이터를 학습시켜 큰 모델을 압도하는 '작고 강한 지능' 전략(예: Llama 시리즈)이 주류가 됨.
 - **정책 변화:** Antigravity 프로젝트는 자체 에이전트 모델 미세 조정 시, 최신 스케일링 법칙을 적용하여 보유한 연산 자원 대비 가장 효율적인 모델 크기와 데이터셋 규모를 산정함.
 
 ## 🔗 지식 연결 (Graph)
 - LLM-Training-Foundations, High-Performance-Computing-HPC, Data-Centric-AI, [[Optimization-in-AI|Optimization-in-AI]]
 - **Raw Source:** 10_Wiki/Topics/AI/Scaling-Laws-for-LLMs.md
+
+## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
+
+**언제 이 지식을 쓰는가:**
+- *(TODO)*
+
+**언제 쓰면 안 되는가:**
+- *(TODO)*
+
+## 🧪 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 |