Files
2nd/scratch/mass_wikify.py
T

65 lines
3.3 KiB
Python

import os
topics_dir = "/Volumes/Data/project/Antigravity/Wiki/10_Wiki/Topics"
# Dictionary of {filename: content}
# (Content truncated for brevity in this scratch script, will be filled with the synthesized text)
wikis = {
"AGI (Artificial General Intelligence).md": """---
category: Unified
tags: [auto-consolidated, technical-documentation]
title: AGI (Artificial General Intelligence)
last_updated: 2026-05-05
---
# AGI (Artificial General Intelligence)
## 📌 Brief Summary
범용 인공지능(AGI)은 인간이 수행할 수 있는 모든 지적 작업을 수행할 수 있는 인공지능을 의미하며, 인공지능 연구의 궁극적인 목표이다. 특정 분야에 국한되지 않고 새로운 환경에서 학습하고 문제를 해결하며, 상식을 바탕으로 추론하고 자율적으로 행동하는 능력을 포함한다.
## 📖 Core Content
* **뉴로-심볼릭 통합 (Neuro-Symbolic Integration):** 신경망의 학습 능력과 기호 논리의 추론 능력을 결합하여 AGI를 구현하려는 시도이다.
* **자기 개선 및 지속적 학습:** 스스로 알고리즘을 최적화하고 새로운 지식을 지속적으로 갱신하는 능력이 필수적이다.
* **설명 가능성 및 안전성:** 고도의 지능이 인류의 가치와 정렬(Alignment)되도록 보장하는 거버넌스 체계가 수반되어야 한다.
## ⚖️ Trade-offs & Caveats
* **지능 vs 통제:** 지능이 높아질수록 인간의 통제를 벗어날 위험(Alignment Problem)이 증가한다.
* **연산 자원 및 효율성:** AGI 수준의 지능을 구현하기 위한 막대한 하드웨어 비용과 전력 소모가 환경적/경제적 제약으로 작용한다.
## 🔗 Knowledge Connections
* [[Neuro-Symbolic AI]]
* [[LLM Alignment]]
---
*Last updated: 2026-05-05*""",
"Global Workspace Theory (GWT).md": """---
category: Cognitive Modeling
tags: [neuroscience, consciousness]
title: Global Workspace Theory (GWT)
last_updated: 2026-05-05
---
# Global Workspace Theory (GWT)
## 📌 Brief Summary
전역 작업 공간 이론(GWT)은 인간의 의식을 '극장의 무대'에 비유하여, 수많은 무의식적 프로세스들이 특정 정보를 전역적으로 공유할 때 의식이 발생한다고 설명하는 인지 아키텍처이다.
## 📖 Core Content
* **전역 방송 (Global Broadcasting):** 특정 정보가 전역 작업 공간에 진입하면, 뇌의 다른 다양한 모듈들이 해당 정보에 접근하여 병렬적으로 처리할 수 있게 된다.
* **의식적 주의 (Conscious Attention):** 무의식적인 자극이라도 의식적인 주의가 선행되어야 장기적인 학습 및 암묵적 규칙 추론이 가능하다.
* **GNW 모델:** 신경생리학적으로 전두엽과 두정엽의 장거리 뉴런들이 이 전역 공간을 형성한다는 이론으로 확장되었다.
## ⚖️ Trade-offs & Caveats
* **병목 현상:** 전역 공간은 한 번에 한정된 양의 정보만 처리할 수 있어, 복잡한 다중 작업 시 인지적 과부하가 발생한다.
---
*Last updated: 2026-05-05*""",
# ... more to be added in chunks or follow-up
}
for name, content in wikis.items():
path = os.path.join(topics_dir, name)
with open(path, 'w', encoding='utf-8') as f:
f.write(content)
print(f"Created: {path}")