---
id: [[Gen-AI|Gen-AI]]-001
category: Unified
confidence_score: 1.0
tags: [ai, machine-learning, generalization, [[Overfitting|Overfitting]], [[Regularization|Regularization]]]
last_reinforced: 2026-04-26
---

# Generalization in AI (AI의 일반화 능력)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "학습 데이터를 외우지 말고, 데이터 속에 숨겨진 보편적인 법칙을 통찰하라" — 모델이 학습 데이터셋에만 특화되지 않고, 실제 운영 환경에서 마주하는 낯선 데이터에 대해서도 높은 성능을 유지할 수 있는 능력.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 훈련 오차(Training Error)와 검증 오차(Validation Error) 사이의 간극을 최소화하고, 단순한 모델 구조와 풍부한 데이터를 통해 데이터의 '노이즈'가 아닌 '신호'를 학습하는 패턴.
- **주요 저해 요인:**
    - **Overfitting (과적합):** 모델이 너무 복잡하여 학습 데이터의 무작위 노이즈까지 학습해버린 상태.
    - **Data Bias:** 학습 데이터가 현실의 다양성을 충분히 반영하지 못한 경우.
- **일반화 향상 전략:**
    - **Regularization (L1, L2):** 모델의 가중치가 너무 커지지 않도록 제약.
    - **Data Augmentation:** 데이터의 양과 다양성을 인위적으로 늘림.
    - **Early Stopping:** 검증 오차가 오르기 시작하는 시점에 학습 중단.
    - **Cross-Validation:** 데이터를 여러 번 교차하여 검증함으로써 평가의 신뢰도 확보.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** "모델이 복잡할수록 나쁘다(Occam's Razor)"는 고전적 믿음이, 거대 모델에서는 오히려 매개변수가 많을수록 일반화 성능이 좋아지는 'Double Descent' 현상이 발견되며 패러다임 변화 발생.
- **정책 변화:** Antigravity 프로젝트는 에이전트의 일반화 능력을 테스트하기 위해, 학습에 사용되지 않은 외부 지식 소스(Uber, Europeana 등)를 활용한 'Out-of-distribution' 벤치마크를 정기적으로 수행함.

## 🔗 지식 연결 (Graph)
- [[Overfitting-and-Underfitting|Overfitting-and-Underfitting]], [[Regularization-Techniques|Regularization-Techniques]], Cross-Validation, [[Few-Shot-Learning|Few-Shot-Learning]]
- **Raw Source:** 10_Wiki/Topics/AI/Generalization-in-AI.md