Antigravity Agent
32 lines
2.3 KiB
Markdown
32 lines
2.3 KiB
Markdown
---
|
|
id: P-REINFORCE-AUTO-SESP-001
|
|
category: "10_Wiki/💡 Topics/AI"
|
|
confidence_score: 0.96
|
|
tags: [auto-reinforced, search-space, optimization, state-space, configuration-space, combinatorial-explosion]
|
|
last_reinforced: 2026-04-20
|
|
---
|
|
|
|
# [[Search-Space|Search-Space]]
|
|
|
|
## 📌 한 줄 통찰 (The Karpathy Summary)
|
|
> "가능성의 광활한 대지: 우리가 풀고자 하는 문제의 모든 해답 후보들이 존재할 수 있는 가상의 공간이자, 지능이 가장 효율적인 정답(Global Optimum)을 찾기 위해 탐험해야 할 지적 지도 전체."
|
|
|
|
## 📖 구조화된 지식 (Synthesized Content)
|
|
탐색 공간(Search-Space)은 알고리즘이 해결책을 찾기 위해 탐색하는 모든 가능한 상태나 경로의 집합입니다.
|
|
|
|
1. **핵심 도전 (조합 폭발)**:
|
|
* 변수가 조금만 늘어나도 탐색 공간이 우주적 규모로 커져버리는 현상. (Efficiency의 적)
|
|
2. **지능의 대처 (Pruning)**:
|
|
* 말도 안 되는 경로는 미리 잘라내고(가지치기), 가능성 높은 곳만 집중적으로 뒤짐. (Optimization와 연결)
|
|
3. **왜 중요한가?**:
|
|
* 탐색 공간을 어떻게 정의하고 좁히느냐가 알고리즘의 성패를 결정하며, 지능이란 결국 '무한한 공간에서 유한한 시간 내에 최적해를 찾아내는 능력'이기 때문임. (Machine Learning (ML)의 본질)
|
|
|
|
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
|
- **과거 데이터와의 충돌**: 과거에는 모든 칸을 다 뒤지는 정책(Brute-force)을 선호했으나, 현대 정책은 신경망 정책(Neural nets)이 공간의 고차원 특징 정책을 이해해 '직관적으로' 정답지로 점프하는 '벡터 공간 탐색 정책'으로 진화함(RL Update). (Representation-Learning와 연결)
|
|
- **정책 변화(RL Update)**: 바둑의 알파고가 수천만 가지 수 중 승리 확률 정책이 높은 곳만 골라낸 것이 바로 탐색 공간 정책을 비약적으로 줄인 현대 AI의 쾌거 정책임. (Reinforcement Learning (RL)와 연결)
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- [[Optimization|Optimization]], [[Efficiency|Efficiency]], [[Machine Learning (ML)|Machine Learning (ML)]], [[Representation-Learning|Representation-Learning]], [[Reinforcement Learning (RL)|Reinforcement Learning (RL)]]
|
|
- **Modern Tech/Tools**: AlphaGo (MCTS), Hyperparameter tuning, Genetic algorithms.
|
|
---
|