Antigravity Agent
2.5 KiB
2.5 KiB
id, category, confidence_score, tags, last_reinforced
| id | category | confidence_score | tags | last_reinforced | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| PREI-AUTO-COCKTAIL-001 | Unified | 0.95 |
|
2026-05-05 |
Cocktail-Party-Effect
📌 한 줄 통찰 (The Karpathy Summary)
"소음의 바다에서 나에게 의미 있는 파동만을 골라내는 인지적 필터링의 기적: 선택적 주의가 만드는 정보의 정적(Static)."
📖 구조화된 지식 (Synthesized Content)
칵테일 파티 효과는 복잡하고 시끄러운 환경에서도 자신이 원하는 특정한 정보에만 선택적으로 주의를 집중하는 능력을 의미합니다.
- 선택적 주의(Selective Attention):
- 파티장 같은 소음 속에서도 대화 상대의 목소리만 골라내고 나머지 소음은 '배경음'으로 처리하는 강력한 필터링 메커니즘.
- 무의식적 모니터링:
- 특정 정보에 의식적으로 집중하지 않더라도, 누군가 내 이름을 부르는 것과 같은 '중요한 자극'이 발생하면 즉각적으로 의식의 표면(Global-Neuronal-Workspace)으로 떠오름.
- 인지 자원의 효율적 배분:
- 수많은 감각 입력 중 의미 있는 신호를 우선순위화하여 제한된 인지 용량(Cognitive Capacity)을 효율적으로 사용함.
⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- 부하와 손상의 관계 (RL Update): 인지 자원은 유한하므로, 소음 필터링에 과도한 에너지를 쓰게 되면 의사결정이나 문제 해결 능력이 급격히 저하됨. 따라서 고도의 집중을 요하는 작업 시에는 '소음 제거' 환경을 인위적으로 조성하는 것이 현대 생산성 관리의 핵심임.
- AI의 칵테일 파티 효과: LLM 역시 방대한 컨텍스트(Noise) 내에서 사용자의 핵심 쿼리(Signal)를 추출하는 능력이 필수적임. 이를 위해 FlashAttention이나 Selective-SSM과 같은 기술이 인지적 필터 역할을 수행함.
🔗 지식 연결 (Graph)
- Global-Neuronal-Workspace, Attention-Mechanism, Context-Integration, Cognitive-Bias
- Raw Source: Datacollector_MAC/out_wiki/칵테일 파티 효과 (Cocktail Party Effect).md