feat: Knowledge Gardening Milestone 450 (Batch #23)

2026-04-26 20:11:21 +09:00
parent 25d5862dcb
commit a9eab9356b
13 changed files with 360 additions and 0 deletions
@@ -0,0 +1,29 @@
+---
+id: SYS-SCALE-AI-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, infrastructure, scalability, distributed-systems, load-balancing, microservices, mlops]
+last_reinforced: 2026-04-26
+---
+
+# [[Scalability in AI Systems (AI 시스템의 확장성)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "폭증하는 트래픽과 데이터 앞에 시스템이 무너지지 않도록, 선형적 확장(Scaling)이 가능한 모듈형 아키텍처를 구축하고 병목을 선제적으로 해체하라" — 사용자 수나 데이터 규모가 커져도 성능 저하 없이 자원을 추가하여 대응할 수 있는 AI 인프라의 능력.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Horizontal Elasticity and Resource Decoupling" — 서버 한 대의 성능을 높이는 대신(Vertical), 여러 대의 저렴한 서버를 병렬로 연결하고(Horizontal), 연산(GPU)과 저장(DB)을 분리하여 부하에 따라 유연하게 늘리고 줄이는 패턴.
+- **핵심 확장 전략:**
+    - **Load Balancing:** 트래픽을 여러 추론 서버로 균등하게 분산.
+    - **Model Parallelism:** 거대 모델을 여러 GPU에 나누어 적재.
+    - **Asynchronous Processing:** 무거운 작업은 큐(Queue)를 통해 비동기로 처리.
+    - **Microservices:** 기능을 쪼개어 독립적으로 확장 가능하게 설계.
+- **의의:** 실험실 수준의 AI 모델이 수억 명이 사용하는 대규모 상용 서비스(예: ChatGPT)로 거듭나기 위한 필수적인 공학적 토대.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 무조건 자원을 많이 투입하는 것이 답이라던 시대를 지나, 이제는 서버리스(Serverless) 추론이나 지능형 자동 확장(Auto-scaling)을 통해 비용 효율과 확장성을 동시에 잡는 '그린 AI' 인프라가 주목받고 있음.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 동시 접속자 수 증가에 대비하여, 도커(Docker)와 쿠버네티스(Kubernetes) 기반의 컨테이너 환경에서 유연하게 확장 가능한 마이크로서비스 구조를 기본 채택함.
+
+## 🔗 지식 연결 (Graph)
+- [[System-Design-for-AI-Scale]], [[High-Availability-Systems]], [[Parallel-Computing-in-AI]], [[Cloud-Computing-Foundations]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Scalability-in-AI-Systems.md]]
@@ -0,0 +1,27 @@
+---
+id: AI-LLM-SCALE-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, llm, scaling-laws, chinchilla, compute-optimal, deep-learning, efficiency]
+last_reinforced: 2026-04-26
+---
+
+# [[Scaling Laws for LLMs (LLM을 위한 스케일링 법칙)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "지능의 성장은 무작위가 아니라 파라미터, 데이터, 연산량이라는 세 축의 '멱법칙(Power Law)'을 따르며, 최적의 배합을 찾는 자가 최소한의 비용으로 최강의 지능을 얻는다" — 거대 언어 모델의 성능이 자원 투입량에 따라 예측 가능한 방식으로 향상된다는 통계적 법칙.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Power-law Performance Scaling and Resource Balancing" — 모델 크기($N$), 데이터 크기($D$), 연산량($C$) 중 어느 하나만 극단적으로 키우는 것보다, 세 요소를 조화롭게 확장할 때 손실(Loss)이 가장 효율적으로 감소한다는 패턴.
+- **주요 법칙 및 연구:**
+    - **OpenAI Scaling Law (2020):** 모델 크기를 키우는 것이 데이터 양을 늘리는 것보다 성능 향상에 더 유리하다고 주장.
+    - **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)
+- **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]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Scaling-Laws-for-LLMs.md]]
@@ -0,0 +1,29 @@
+---
+id: DL-SCHED-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, deep-learning, optimization, scheduler, learning-rate, hyperparameter-tuning, training-efficiency]
+last_reinforced: 2026-04-26
+---
+
+# [[Scheduler Design in ML (ML에서의 스케줄러 설계)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "학습 초기에는 대담한 탐색(High LR)을 장려하고, 종단에는 정밀한 수렴(Low LR)을 유도하여 모델의 잠재력을 마지막 한 방울까지 쥐어짜라" — 학습 과정 중에 학습률(Learning Rate)이나 자원 배분을 동적으로 변경하여 학습의 안정성과 최종 성능을 최적화하는 전략적 설계.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Decaying Learning Rate and Convergence Optimization" — 학습이 진행됨에 따라 오차가 줄어드는 속도를 감시하고, 사전에 정의된 정책(Schedule)에 따라 학습률을 점진적으로 낮춤으로써 지역 최적해(Local Minima)를 탈출하거나 전역 최적해에 부드럽게 안착시키는 패턴.
+- **주요 스케줄러 기법:**
+    - **Step Decay:** 정해진 에포크(Epoch)마다 학습률을 일정 비율로 축소.
+    - **Cosine Annealing:** 코사인 함수 곡선을 따라 학습률을 부드럽게 낮춤. 최근 가장 널리 쓰임.
+    - **ReduceLROnPlateau:** 성능 향상이 멈췄을 때만 지능적으로 학습률 인하.
+    - **Warm-up:** 초기 불안정성을 막기 위해 아주 작은 학습률에서 시작해 점차 높이는 과정.
+- **의의:** 고정된 학습률(Fixed LR)을 쓸 때보다 훨씬 빠르게 수렴하며, 모델이 가질 수 있는 최상의 정확도에 도달하게 하는 결정적 '디테일'의 영역.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 단순히 학습률을 낮추기만 하는 것이 정답이라던 과거와 달리, 이제는 학습률을 다시 높였다가 낮추는 'Cyclical Learning Rates' 방식이 안장점(Saddle Point) 탈출에 더 효과적임이 밝혀져 적극 도입되고 있음.
+- **정책 변화:** Antigravity 프로젝트는 대규모 모델 미세 조정 시, 학습 초기 발산을 방지하기 위한 Linear Warm-up과 최종 수렴 극대화를 위한 Cosine Decay 스케줄러를 표준 조합으로 사용함.
+
+## 🔗 지식 연결 (Graph)
+- [[Optimization-Algorithms]], [[Adam-Optimizer-Foundations]], [[Hyperparameter-Tuning-Best-Practices]], [[Deep-Learning-Foundations]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Scheduler-Design-in-ML.md]]
@@ -0,0 +1,28 @@
+---
+id: SYS-NOSQL-SCHEMA-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [database, nosql, schema-design, mongodb, cassandra, dynamodb, denormalization, scalability]
+last_reinforced: 2026-04-26
+---
+
+# [[Schema Design for NoSQL (NoSQL 스키마 설계)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "데이터의 관계(Relationship)를 위해 속도를 희생하지 말고, 사용자의 읽기 패턴(Access Pattern)에 맞춰 데이터를 미리 조립하고 중복시켜 검색 성능을 극대화하라" — 유연한 데이터 구조를 가진 NoSQL 데이터베이스에서 높은 확장성과 빠른 응답 속도를 달성하기 위한 쿼리 중심적 설계 전략.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Denormalization and Query-first Modeling" — 여러 테이블을 조인(Join)하는 비용을 피하기 위해 연관된 데이터를 하나의 문서(Document)에 담거나 의도적으로 데이터를 중복 저장하며, 데이터 저장 방식이 아닌 '어떻게 조회할 것인가'를 기준으로 스키마를 짜는 패턴.
+- **핵심 설계 원칙:**
+    - **Denormalization:** 조인 대신 데이터를 포함(Embedding)시켜 단일 읽기로 해결.
+    - **Partition Key Design:** 데이터를 여러 서버에 균등하게 분산시키기 위한 키 선정.
+    - **CAP Theorem 이해:** 일관성(Consistency)과 가용성(Availability) 중 서비스 성격에 맞는 트레이드오프 선택.
+- **의의:** 고정된 스키마의 제약에서 벗어나 초당 수만 건의 요청을 처리해야 하는 대규모 웹 서비스와 비정형 데이터 처리에 최적화된 유연성을 제공함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** NoSQL은 "스키마가 없다(Schema-less)"는 말에 현혹되어 설계를 무시하던 초기 단계를 지나, 이제는 정교한 '애플리케이션 수준의 스키마 관리'가 데이터 일관성 유지의 핵심임을 인지하고 설계의 중요성이 재조명됨.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 대규모 비정형 로그 및 지식 그래프 메타데이터 저장 시, 읽기 성능 최적화를 위해 문서 지향(Document-oriented) NoSQL 설계 원칙을 적용함.
+
+## 🔗 지식 연결 (Graph)
+- [[Relational-Databases]], [[System-Design-for-AI-Scale]], [[Sharding-and-Partitioning]], [[High-Availability-Systems]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Schema-Design-for-NoSQL.md]]
@@ -0,0 +1,28 @@
+---
+id: DEV-SCI-COMP-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [python, scientific-computing, numpy, scipy, matplotlib, vectorization, mathematics]
+last_reinforced: 2026-04-26
+---
+
+# [[Scientific Computing with Python (파이썬을 활용한 과학 연산)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "수학의 추상적인 언어를 고성능 벡터 연산(Vectorization)으로 치환하고, 거대한 라이브러리 생태계를 활용해 데이터 속의 물리적 법칙과 통계적 진실을 탐사하라" — 고성능 수치 연산과 데이터 분석, 시각화를 위해 파이썬 생태계가 제공하는 과학적 도구들과 방법론의 총합.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Vectorized Computing and High-level Abstraction" — 반복문(Loop)을 사용하는 대신 행렬 단위의 일괄 연산을 수행하여 하드웨어 가속을 극대화하고, 복잡한 선형 대수나 미적분 문제를 표준화된 함수 호출로 해결하는 패턴.
+- **핵심 라이브러리 트리오:**
+    - **NumPy:** 다차원 배열 연산의 근간. 모든 AI 데이터 처리의 시작점.
+    - **SciPy:** 최적화, 통계, 신호 처리 등 고급 수학 연산 기능 제공.
+    - **Matplotlib:** 연산 결과를 시각화하여 데이터의 패턴을 직관적으로 해석.
+- **의의:** 전문 수학자나 물리학자의 도구였던 과학 연산을 일반 개발자도 손쉽게 다룰 수 있게 함으로써, AI 연구의 장벽을 낮추고 실무 적용 속도를 비약적으로 높임.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 파이썬은 연산 속도가 느리다는 편견을 넘파이 내부의 C/C++ 최적화와 JAX/Numba 같은 실시간 컴파일 기술을 통해 정면으로 돌파하며, 이제는 슈퍼컴퓨팅 분야에서도 파이썬 기반 과학 연산이 주류가 됨.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 지식 그래프 밀도 분석 및 시뮬레이션 연산 시, 유지보수성과 라이브러리 지원이 풍부한 파이썬 과학 연산 스택을 표준으로 사용함.
+
+## 🔗 지식 연결 (Graph)
+- [[Python-for-Data-Science]], [[Algorithm-Complexity-Analysis]], [[Deep-Learning-Foundations]], [[Signal-Processing-Foundations]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Scientific-Computing-with-Python.md]]
@@ -0,0 +1,28 @@
+---
+id: MKT-SEO-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [marketing, seo, search-engine, search-engine-optimization, content-strategy, website-ranking]
+last_reinforced: 2026-04-26
+---
+
+# [[Search Engine Optimization (SEO, 검색 엔진 최적화)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "검색 엔진의 알고리즘을 지식의 지도로 삼아, 사용자가 원하는 가치를 가장 선명하고 신뢰성 있는 구조로 설계하여 '발견될 기회'를 극대화하라" — 웹사이트가 검색 결과 상단에 노출되도록 콘텐츠와 기술적 구조를 최적화하는 전략적 방법론.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Intent Alignment and Structural Trust" — 사용자의 검색 의도에 부합하는 키워드를 발굴하고, 검색 엔진 로봇이 이해하기 쉬운 시맨틱 마크업(Semantic HTML)과 빠른 로딩 속도, 신뢰할 수 있는 백링크를 구축하여 권위도(Authority)를 높이는 패턴.
+- **핵심 3대 기조:**
+    - **On-Page SEO:** 제목 태그, 메타 설명, 콘텐츠 품질, 내부 링크 최적화.
+    - **Technical SEO:** 사이트 속도, 모바일 친화성, XML 사이트맵, 스키마 마크업.
+    - **Off-Page SEO:** 외부 사이트로부터의 양질의 백링크 확보 및 브랜드 언급.
+- **의의:** 광고비 지출 없이도 지속적인 트래픽을 유입시키는 가장 강력한 마케팅 자산이며, 정보가 넘쳐나는 시대에 '선택받는 정보'가 되기 위한 필수 요건.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 키워드를 무작위로 반복 삽입하던 '키워드 스터핑' 방식에서 벗어나, 이제는 구글의 E-E-A-T(경험, 전문성, 권위성, 신뢰성) 원칙에 따른 '진짜 가치 있는 콘텐츠'와 '사용자 경험(UX)'이 SEO의 절대적 기준이 됨.
+- **정책 변화:** Antigravity 프로젝트의 모든 공개 지식 문서는 검색 엔진이 그 가치를 즉각 파악할 수 있도록 표준화된 메타데이터 구조와 시맨틱 HTML 가이드라인을 준수하여 작성됨.
+
+## 🔗 지식 연결 (Graph)
+- [[Ranking-Algorithms]], [[Modern-Website-Architecture]], [[Content-Strategy-Foundations]], [[Search-Engine-Fundamentals]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Search-Engine-Optimization.md]]
@@ -0,0 +1,28 @@
+---
+id: SEC-SMPC-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, security, privacy, smpc, secure-multi-party-computation, cryptography, data-privacy]
+last_reinforced: 2026-04-26
+---
+
+# [[Secure Multi-party Computation (SMPC, 안전 다자간 연산)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "개별 데이터를 비공개로 유지하면서도 결합된 결과의 진실만을 추출하여, 신뢰 없는 참여자들 사이에서 '완벽하게 안전한 협력'을 구현하라" — 데이터를 암호학적 파편(Shares)으로 쪼개어 여러 참여자에게 분산시키고, 누구도 원본을 복원할 수 없는 상태에서 공동 연산을 수행하는 기술.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Secret Sharing and Distributed Logic" — 원본 데이터를 무작위 값들의 합으로 나누어 분산 저장하고, 각 참여자가 자신의 파편만으로 연산을 수행한 뒤 결과값의 파편만을 합쳐서 최종 정답을 도출하는 패턴.
+- **핵심 메커니즘:**
+    - **Secret Sharing:** 데이터를 여러 개로 쪼개어 일부만으로는 정보를 알 수 없게 함.
+    - **Garbled Circuits:** 연산 논리 자체를 암호화하여 처리.
+    - **Oblivious Transfer:** 수신자가 무엇을 받았는지 송신자가 알 수 없게 데이터를 전송.
+- **의의:** 기업 간의 민감 데이터 공유 없이도 공동 시장 분석이나 의료 연구를 수행할 수 있게 하며, 데이터의 가치만 흐르고 정보는 가두는 '신뢰의 프로토콜'을 형성함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 연산 및 통신 비용이 너무 커서 이론적 유희에 불과하다는 비판을 받아왔으나, 최근에는 암호학적 최적화와 하드웨어 가속을 통해 수천만 건의 데이터를 실시간으로 처리할 수 있는 상용 수준의 프레임워크들이 등장함.
+- **정책 변화:** Antigravity 프로젝트는 에이전트 네트워크 간의 지식 전이 학습 시, 개별 사용자의 로컬 데이터를 절대 노출하지 않기 위해 SMPC 기반의 안전한 가중치 취합 방식을 기술적 로드맵에 포함함.
+
+## 🔗 지식 연결 (Graph)
+- [[Privacy-Preserving-AI]], [[Federated-Learning-Foundations]], [[Personal-Information-Security]], [[Trustworthy-AI]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Secure-Multi-party-Computation.md]]
@@ -0,0 +1,30 @@
+---
+id: SEC-BEST-PRAC-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [security, infrastructure, best-practices, encryption, authentication, authorization, cyber-security]
+last_reinforced: 2026-04-26
+---
+
+# [[Security Best Practices (보안 모범 사례)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "보안은 단일 장벽이 아니라 겹겹이 쌓인 '방어의 층(Layers)'이며, 가장 약한 고리가 전체의 안전을 결정함을 잊지 마라" — 정보 자산의 기밀성, 무결성, 가용성을 유지하기 위해 업계에서 검증된 기술적, 관리적 보안 지침들의 집합.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Defense in Depth and Least Privilege" — 외부의 침입 시도를 다중의 인증/인가 장치로 막고, 내부 사용자에게는 업무에 필요한 최소한의 권한만 부여하며, 모든 활동을 기록(Logging)하여 사후 추적이 가능하게 만드는 패턴.
+- **5대 실전 수칙:**
+    - **Encryption:** 저장된 데이터(At-rest)와 전송 중인 데이터(In-transit)의 상시 암호화.
+    - **Authentication & MFA:** 강력한 비밀번호 정책과 다요소 인증 필수화.
+    - **Dependency Management:** 사용하는 오픈소스 라이브러리의 보안 취약점 상시 모니터링 및 업데이트.
+    - **Network Security:** 불필요한 포트 폐쇄, 방화벽 및 VPN 활용.
+    - **Security by Design:** 기획 단계부터 보안 요소를 고려하여 아키텍처 설계.
+- **의의:** 서비스의 신뢰성을 담보하고 법적 규제(GDPR, ISMS 등)를 준수하며, 예상치 못한 해킹이나 데이터 유출 사고로부터 비즈니스의 영속성을 보호함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 한 번의 인증으로 모든 곳을 통과하는 방식에서, 이제는 아무도 믿지 않고 매 단계마다 검증하는 '제로 트러스트(Zero Trust)' 모델이 현대 기업 보안의 글로벌 표준으로 자리 잡음.
+- **정책 변화:** Antigravity 프로젝트는 모든 내부 API 통신에 상호 TLS(mTLS)를 적용하고, 에이전트의 작업 권한을 세분화하여 관리하는 보안 최우선 거버넌스를 실행함.
+
+## 🔗 지식 연결 (Graph)
+- [[Personal-Information-Security]], [[Privacy-Preserving-AI]], [[Trustworthy-AI]], [[Cloud-Computing-Foundations]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Security-Best-Practices.md]]
@@ -0,0 +1,28 @@
+---
+id: DL-SELF-ATT-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, deep-learning, transformer, self-attention, attention-mechanism, nlp, neural-networks]
+last_reinforced: 2026-04-26
+---
+
+# [[Self-Attention Mechanisms (셀프 어텐션 메커니즘)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "데이터 내의 모든 요소가 서로의 맥락을 병렬로 탐색하게 하고, 현재의 의미를 완성하는 데 가장 기여도가 높은 '상대'에게 지능의 초점을 집중시켜라" — 입력 시퀀스의 각 요소가 전체 시퀀스의 다른 모든 요소와 상호작용하며 자신의 의미를 업데이트하는 트랜스포머 아키텍처의 핵심 메커니즘.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Dynamic Contextual Weighing and Parallel Interaction" — 각 단어를 질문(Query), 대상(Key), 정보(Value) 벡터로 투영하고, 질문과 대상 사이의 유사도(Dot-product)를 점수화하여 필요한 정보를 가중 평균하여 가져오는 패턴.
+- **핵심 수식 개념:**
+    - **Attention(Q, K, V) = softmax(QK^T / sqrt(d_k))V**
+    - **Scaled Dot-product:** 기울기 폭주를 막기 위해 차원 수의 제곱근으로 나누어줌.
+    - **Multi-head Attention:** 여러 개의 어텐션을 병렬로 돌려 다양한 시각(문법적, 의미적 등)에서 맥락 파악.
+- **의의:** RNN과 달리 시퀀스를 순차적으로 처리할 필요가 없어 병렬 연산이 가능하며, 거리가 먼 단어들 사이의 관계(Long-range dependency)도 한 번에 파악할 수 있는 지능의 혁신을 이룸.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 데이터가 길어질수록 연산량이 제곱($O(n^2)$)으로 늘어난다는 치명적 한계를 극복하기 위해, 최근에는 Flash Attention이나 Sparse Attention 등 연산 효율을 극대화한 다양한 변형 기술들이 도입되고 있음.
+- **정책 변화:** Antigravity 프로젝트는 대규모 지식 관계망 구축 시, 문서 간의 의미적 거리를 산출하기 위해 내부적으로 멀티 헤드 셀프 어텐션 기반의 임베딩 분석 엔진을 활용함.
+
+## 🔗 지식 연결 (Graph)
+- [[Natural-Language-Processing-NLP]], [[Deep-Learning-Foundations]], [[Scalability-in-AI-Systems]], [[Modern-Website-Architecture]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Self-Attention-Mechanisms.md]]
@@ -0,0 +1,29 @@
+---
+id: ROBOT-AUTO-DRIVE-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, autonomous-driving, robotics, computer-vision, sensor-fusion, slam, path-planning]
+last_reinforced: 2026-04-26
+---
+
+# [[Self-Driving Car Foundations (자율주행 자동차 기초)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "감각의 통합(Sensor Fusion)을 통해 세계를 재구성하고, 예측과 계획의 루프를 초단위로 회전시켜 물리적 공간에서의 '안전한 자율성'을 성취하라" — 인공지능, 센서 기술, 제어 공학을 결합하여 인간의 개입 없이 스스로 목적지까지 주행하는 차량 시스템의 핵심 원리.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Perceive-Predict-Plan-Act and Safety-critical Redundancy" — 주변 환경을 3D로 인지하고, 보행자와 차량의 의도를 예측하며, 충돌 없는 최적 경로를 실시간으로 생성하여 물리적 구동계로 전달하는 계층적 제어 패턴.
+- **핵심 기술 스택:**
+    - **Perception:** 객체 탐지(Object Detection), 차선 인식, 신호등 감지.
+    - **Sensor Fusion:** 카메라(시각), 라이다(정밀 거리), 레이더(속도) 데이터의 결합.
+    - **Localization:** HD 지도를 기반으로 센서 데이터를 매칭하여 수 cm 단위의 위치 파악.
+    - **Planning & Control:** 동적 장애물을 회피하는 경로 생성 및 가속/제동/조향 제어.
+- **의의:** 사고 감소, 교통 효율 증대, 이동의 자유 확대 등 사회적 가치를 창출하는 AI 기술의 정점이자 종합 전시장.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 모든 상황을 규칙으로 코딩하던 '모듈형 방식'에서 벗어나, 이제는 인지부터 제어까지 신경망 하나로 처리하는 '엔드 투 엔드(End-to-End) 학습'과 대규모 가상 시뮬레이션 환경에서의 강화학습이 주류 기술로 부상함.
+- **정책 변화:** Antigravity 프로젝트는 자율주행의 핵심인 '예측과 계획' 알고리즘 지식을 바탕으로, 에이전트의 작업 스케줄링 및 리소스 배분 전략을 고도화함.
+
+## 🔗 지식 연결 (Graph)
+- [[Robotics-Foundations]], [[Computer-Vision-Fundamentals]], [[Point-Cloud-Processing]], [[Reinforcement-Learning]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Self-Driving-Car-Foundations.md]]