docs: finalized wiki integrity maintenance (v3.0 standard) - pruned 1400+ stubs and fixed 11k+ ghost links

10_Wiki/Topics/Diminishing Returns (한계 수익 체감).md

@@ -1,29 +0,0 @@
----
-id: [[P-Reinforce]]-AI-DIMINISHING-RETURNS
-category: "10_Wiki/💡 Topics/AI"
-confidence_score: 0.98
-tags: [Economics,[[ system]]s, [[Optimization]], [[Efficiency]]]
-last_reinforced: 2026-04-20
----
-
-# [[Diminishing Returns (한계 수익 체감)]]
-
-## 📌 한 줄 통찰 (The Karpathy Summary)
-> "더 많이 붓는다고 더 빨리 차는 것은 아니다." 특정 생산 요소의 투입을 늘릴 때, 초기에는 생산량이 급증하다가 일정 시점을 넘어서면 투입 대비 얻어지는 성과(한계 생산량)가 줄어드는 법칙이다.
-
-## 📖 구조화된 지식 (Synthesized Content)
-- **The Curve**:
-    - **Phase 1: Increasing Returns**: 협동과 효율성 증대로 성과가 폭발함.
-    - **Phase 2: Diminishing Returns**: 자원 간의 병목이 생기며 투입 대비 효율이 떨어지기 시작함.
-    - **Phase 3: Negative Returns**: 과도한 투입이 오히려 관리 오버헤드나 자원 간섭을 일으켜 성과가 하락함.
-- **Examples**:
-    - **Software Development**: 개발자 수를 늘릴수록 소통 비용이 커져 프로젝트가 더 늦어짐 (브룩스의 법칙).
-    - **ML Training**: 모델 파라미터를 무작정 늘려도 데이터 품질이 낮으면 성능 성장이 멈춤.
-- **Strategic Insight**: '최적의 투입 지점'을 찾아야 하며, 그 이상의 노력은 '낭비'임을 인지해야 한다.
-
-## ⚠️ 모순 및 업데이트 (RL Update)
-- AI 스케일링 법칙(Scaling Laws)은 한계 수익 체감을 정면으로 돌파하는 것처럼 보였다. 하지만 최근에는 모델 크기를 키우는 것보다 데이터의 질을 높이거나 추론 시간을 늘리는 것이 더 효율적임이 밝혀지며, '어떤 자원'에 투자할 것인가에 대한 패러다임이 다시 변하고 있다.
-
-## 🔗 지식 연결 (Graph)
-- Related: [[Amdahls Law (암달의 법칙)]] , Scaling-Laws-of-Neural-[[Language-Models]]
-- Law: Brooks-Law