Antigravity Agent
29 lines
1.9 KiB
Markdown
29 lines
1.9 KiB
Markdown
---
|
|
id: [[P-Reinforce|P-Reinforce]]-AI-SELF-PLAY
|
|
category: Unified
|
|
confidence_score: 0.98
|
|
tags: [ReinforcementLearning, SelfPlay, AlphaGo, Scale]
|
|
last_reinforced: 2026-04-20
|
|
---
|
|
|
|
# [[Self-Play (자기 대결 기반 강화학습)|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)|Reinforcement Learning (RL)]]
|
|
- [[Strategy|Strategy]]: Multi-Agent Debate (에이전트 간 토론 전략)
|