---
id: RL-REWARD-SHAPE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [ai, reinforcement-learning, reward-shaping, reward-design, sparse-rewards, behavior-steering]
last_reinforced: 2026-04-26
---

# Reward Shaping in RL (강화학습에서의 보상 설계)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "최종 목표라는 커다란 보상을 향해 가기 위해, 에이전트의 발걸음마다 '올바른 방향'을 가리키는 작은 이정표(Sub-rewards)를 설계하라" — 보상이 희소한(Sparse Reward) 환경에서 학습 속도를 높이기 위해 보상 함수에 추가적인 지침을 더하는 기법.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Intermediate Incentivization and Alignment Steering" — 최종 성공 시에만 보상을 주는 대신, 목표에 가까워지는 상태 전이마다 보상을 부여하여 에이전트가 '무엇이 좋은 행동인지'를 빠르게 파악하게 만드는 패턴.
- **주요 고려 사항:**
    - **Potential-based Reward Shaping:** 정책의 최적성을 해치지 않으면서 보상을 추가하는 수학적 기법.
    - **Reward Hacking Risk:** 에이전트가 개발자의 의도와 달리 꼼수를 써서 보상만 극대화하는 부작용 주의.
    - **Dense vs Sparse:** 너무 촘촘한 보상은 국소 최적해(Local Optimum)에 빠뜨릴 수 있고, 너무 희소한 보상은 학습 자체를 불가능하게 함.
- **의의:** 복잡한 로봇 제어나 전략 게임처럼 성공까지의 과정이 긴 문제에서 AI의 학습 효율을 결정짓는 가장 결정적인 '교육학적 설계' 과정.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 보상을 많이 줄수록 똑똑해진다는 단순한 믿음에서 벗어나, 이제는 보상을 최소화하되 에이전트의 '호기심(Curiosity)'이나 '자기 주도적 탐색'을 장려하는 내적 동기(Intrinsic Motivation) 연구로 트렌드가 변화함.
- **정책 변화:** Antigravity 프로젝트는 에이전트의 작업 완수도 평가 시, 최종 결과뿐만 아니라 효율적인 도구 사용 및 불필요한 연산 방지 등 각 단계별 '좋은 습관'에 가중치를 주는 보상 체계를 적용함.

## 🔗 지식 연결 (Graph)
- [[Reinforcement-Learning|Reinforcement-Learning]], [[Positive-Reinforcement|Positive-Reinforcement]], [[Markov-Decision-Process-MDP|Markov-Decision-Process-MDP]], [[Exploration-vs-Exploitation|Exploration-vs-Exploitation]]
- **Raw Source:** 10_Wiki/Topics/AI/Reward-Shaping-in-RL.md