33 lines
2.1 KiB
Markdown
33 lines
2.1 KiB
Markdown
---
|
|
id: P-REINFORCE-AUTO-ANRE-001
|
|
category: "10_Wiki/💡 Topics/AI"
|
|
confidence_score: 0.96
|
|
tags: [auto-reinforced, analogical-reasoning, cognition, ai-logic, abstraction, logic]
|
|
last_reinforced: 2026-04-20
|
|
---
|
|
|
|
# [[Analogical-Reasoning]]
|
|
|
|
## 📌 한 줄 통찰 (The Karpathy Summary)
|
|
> "익숙함에서 새로움을 찾는 지적 도약: 전혀 다른 두 사태에서 공통된 패턴이나 구조를 발견하여, 알고 있는 지식을 모르는 영역에 창조적으로 적용하는 인간 지능 최고의 무기."
|
|
|
|
## 📖 구조화된 지식 (Synthesized Content)
|
|
유추적 추론(Analogical-Reasoning)은 어떤 특정 대상이나 상황에서 얻은 지식을 다른 다른 대상이나 상황으로 전이(Transfer)시켜 결론을 도출하는 사고 과정입니다.
|
|
|
|
1. **3단계 프로세스**:
|
|
* **Retrieval**: 현재 문제와 유사한 구조를 가진 과거의 경험(Source)을 기억에서 소환.
|
|
* **Mapping**: 과거 경험의 핵심 요소들과 현재 문제 사이의 관계적 대응점을 찾음.
|
|
* **Transfer**: 발견된 관계적 논리를 현재 문제에 적용하여 해답 도출.
|
|
2. **왜 중요한가?**:
|
|
* 한 번도 겪어보지 못한 'Zero-shot' 상황에서도 길을 찾게 해줌. (Transfer Learning과 연결)
|
|
* 복잡한 과학적 발견이나 예술적 혁신의 토대가 됨.
|
|
|
|
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
|
- **과거 데이터와의 충돌**: 과거 AI는 데이터의 통계적 패턴 매칭에만 집중했으나, 현대의 거대 언어 모델 정책은 텍스트 간의 깊은 구조적 유추 기능을 수행함으로써 '추상화 능력'을 증명하는 정책으로 진화함(RL Update).
|
|
- **정책 변화(RL Update)**: 교육 및 평가 정책에서 단순 암기 대신 '유추 추론 역량'을 측정하는 문항 비중을 늘려, AI와 차별화된 인간의 고차원적 사고력을 육성하는 정책이 강화됨.
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- [[Analogy]], [[Transfer Learning]], [[Zero Shot and Few Shot Learning]], [[Thought-Architecture]], Abstraction
|
|
- **Modern Tech/Tools**: Cognitive AI models, SAT-style analogy solvers.
|
|
---
|