인간 확산사 · 21
AI 정석은 얼마나 지나야 인간의 습관이 될까
AI 뒤 프로의 착수 novelty가 오르면서 반복 opening pattern은 더 집중될 수 있습니다. 한 수의 새로움과 집단 repertoire 폭은 다른 지표라 두 결론은 함께 성립합니다.
첫 대국보다 먼저 채택을 정의
한 번의 출현은 실험일 수 있습니다. 반복, 기사 간 확산, 교재 편입과 쇠퇴를 서로 다른 강도의 채택 signal로 기록합니다.
판 A는 한 번의 시험, 판 B는 같은 구조가 기사 사이에서 반복되는 상태입니다. novelty 증가와 diversity 감소는 공존
580만 개 넘는 프로 결정을 본 PNAS 연구는 AI 뒤 novelty 증가와 품질 향상의 관계를 찾았습니다. 약 7만 국 1500만 수 연구는 지식 진전과 common pattern 집중을 함께 찾았습니다.
한 수 novelty 축이 올라가도 집단 opening 폭은 좁아질 수 있습니다. 이른 3·3은 놀라움이 기본값이 된 사례
DeepMind는 2017년 이른 3·3을 AlphaGo 혁신으로 소개하고 프로 공식전 시험을 알렸습니다. 채택은 좌표 복사가 아니라 덜 교환하고 뒷맛을 남기는 타이밍 수용입니다.
옛 변화는 귀를 끝내고 새 변화는 적은 국부 수로 전판 선착을 삽니다. 최정상 기사가 교재보다 먼저 이동
프로는 분석력이 강하고 정보 비용이 낮으며 서로의 기보를 촘촘히 봅니다. 프로, 강한 아마, 일반 아마를 나눠 한 총빈도로 뭉치지 않습니다.
세 집단 timeline이 같은 변화의 채택 lag를 보여 줍니다. 좌표는 이유보다 빨리 퍼짐
초반 몇 수를 따라 해도 목적이 옛날 그대로면 개념은 퍼지지 않았습니다. 손뺌 타이밍, 축 조건과 되돌아오는 방식까지 변하는지 봅니다.
같은 여섯 수 뒤 두 후속이 뒤의 습관을 드러냅니다. platform·rules·komi가 확산 속도를 바꿈
공개 기보, 방송과 분석 software는 관찰 지연을 줄입니다. server rules, 기력 구성과 시간 제어는 시험 비용을 바꾸므로 metadata를 함께 저장합니다.
같은 국부 아이디어도 속기와 장고에서 시험 비용이 다릅니다. 재계산 가능한 정석 확산 ledger
정규화한 국부형마다 최초 구간, 반복 기사 수, 집단별 채택률, 쇠퇴점과 대칭 좌표를 저장해 유행과 습관을 구분합니다.
한 판의 event에서 집단 S-curve까지 모든 증거를 되짚습니다.
연구와 1차 자료
정석 확산 연구 시
- 최초 출현과 주류 채택을 나눈다
- 착수 novelty와 집단 diversity를 나눈다
- 프로와 아마를 층화한다
- 좌표와 이유를 함께 추적한다
- rules와 platform metadata를 남긴다