2nd/00_Raw/1535_Knowledge/AI/Self-Play (자기 대결 기반 강화학습).md

id, category, confidence_score, tags, last_reinforced

id	category	confidence_score	tags	last_reinforced
P-REINFORCE-AI-SELF-PLAY	10_Wiki/💡 Topics/AI	0.98	ReinforcementLearning SelfPlay AlphaGo Scale	2026-04-20

Self-Play (자기 대결 기반 강화학습)

📌 한 줄 통찰 (The Karpathy Summary)

"어제의 나를 이기며 끊임없이 진화하는 알고리즘." 외부 데이터 없이도 모델이 자기 자신과 대결하며 새로운 전략을 발견하고 실력을 무한히 확장하는 강화학습 기법이다.

📖 구조화된 지식 (Synthesized Content)

• Core Mechanism:
  • 바둑, 체스 등 대칭적 게임 환경에서 인공지능이 자신의 복제본(Current vs Best-so-far)과 수천만 번의 대국을 반복함.
  • 이를 통해 인간의 기보(Data)에 갇히지 않고, 인간이 생각지 못한 창의적이고 강력한 전략을 스스로 찾아낸다.
• Breakthrough Examples:
  • AlphaZero: 아무런 사전 지식 없이 자기 대결만으로 바둑, 체스, 쇼기에서 세계 최강 달성.
  • OpenAI Five: 도타2(Dota 2) 자가 대결을 통해 협력 및 고차원 전략 습득.
• Requirement: 정확한 보상 환경(Winning/Losing)과 시뮬레이션 속도가 뒷받침되어야 한다.

⚠️ 모순 및 업데이트 (RL Update)

• 자가 대결은 게임처럼 규칙이 명확한 곳에선 환상적이지만, 정답이 없는 언어 모델(Chat) 영역에서는 자기 복제에 의한 데이터 단일화 문제가 생길 수 있다. 이를 극복하기 위해 다수의 에이전트가 서로 토론하는 방식(Multi-agent debate) 등으로 확장되고 있다.

🔗 지식 연결 (Graph)

• Related: AlphaGo-Zero , Reinforcement Learning (RL)
• Strategy: Multi-Agent Debate (에이전트 간 토론 전략)