Policy Gradient Methods (정책 경사 기법)

📌 한 줄 통찰 (The Karpathy Summary)

"행동의 가치를 묻지 말고, 승리로 이끄는 '선택의 확률' 자체를 직접적으로 강화하라" — 에이전트의 정책(Policy)을 매개변수화된 함수로 정의하고, 기대 보상을 최대화하는 방향으로 정책의 경사(Gradient)를 따라 가중치를 업데이트하는 강화학습 알고리즘 군.

추출된 패턴: "Direct Policy Optimization and Log-probability Scaling" — 좋은 보상을 가져온 행동의 발생 확률(\log \pi)은 높이고, 나쁜 결과의 확률은 낮추는 수치적 업데이트를 통해, 모델이 점진적으로 최적의 행동 시퀀스를 학습하게 하는 패턴.
주요 알고리즘:
- REINFORCE: 에피소드가 끝난 뒤 전체 보상을 바탕으로 업데이트하는 기초적 기법.
- PPO (Proximal Policy Optimization): 정책 변화량을 제한하여 학습의 안정성을 극대화한 현대 표준 기법.
- Actor-Critic: 정책을 결정하는 Actor와 그 가치를 평가하는 Critic을 결합하여 분산을 줄임.
의의: 행동 공간이 무한히 넓은 연속적 제어(Robotics) 문제에서 탁월한 성능을 발휘하며, 인간의 선호도를 반영하는 RLHF(Reinforcement Learning from Human Feedback)의 핵심 엔진으로 활용됨.

과거 데이터와의 충돌: 가치 기반(Q-Learning 등) 기법보다 데이터 효율성이 떨어진다는 비판이 있었으나, PPO와 같은 안정적인 업데이트 기법과 대규모 병렬 샘플링이 결합되면서 현대 초거대 AI 모델 튜닝의 필수 기술로 자리매김함.
정책 변화: Antigravity 프로젝트는 에이전트의 복합 작업 계획 수립 시, 각 단계별 도구 선택 확률을 최적화하기 위해 PPO 기반의 정책 경사 학습 모델을 사용함.