콘텐츠로 이동

P6-19.2 직접 계보와 주변 근거를 분리해 읽는 기준

Section ID: P6-19.2 Version: v2026.07.24

P6-19.1에서 큰 발전 흐름을 잡았다면, 여기서는 직접 구조 계보와 주변 확산 근거를 가르는 기준이 더 중요합니다. 모든 딥러닝 발전사가 곧바로 LLM의 직접 계보인 것은 아니기 때문입니다.

직접 계보(direct lineage)는 현재 LLM 구조와 학습 방식으로 직접 이어지는 흐름이고, 주변 근거(surrounding evidence)는 딥러닝 확산과 계산 패러다임 변화를 설명하지만 LLM 구조 자체의 조상이라고 단정하기 어려운 흐름입니다.

직접 계보를 가르는 기준

먼저 가를 질문은 다음과 같습니다.

  • 무엇을 LLM의 직접 계보라고 부를 수 있는가?
  • 무엇은 딥러닝 확산의 중요한 사례이지만 직접 계보라고 하기는 어려운가?
  • 이런 구분이 왜 학습자에게 중요한가?

직접 구조 계보와 주변 확산 근거를 먼저 가르지 않으면, 모든 딥러닝 발전사를 한 줄 계보로 묶는 오해가 생기기 쉽습니다. 앞 절이 큰 발전사 지도를 그렸다면, 여기서는 그 지도 안에서 현재 LLM 구조로 직접 이어지는 흐름과 딥러닝 확산의 배경으로 남겨야 하는 흐름을 어디서 나눌지 질문이 더 좁아집니다.

따라서 여기서 기준으로 삼아야 할 것은 유명한 사건을 많이 아는가가 아니라 현재 LLM 구조와 직접 이어지는 흐름이 무엇인가입니다.

이 구분의 핵심은 계보 설명을 새 역사 목록으로 늘리지 않는 데 있습니다. 이름을 더 많이 외우기보다, 본류 설명을 직접 구조 조상과 주변 배경으로 분리하는 기준을 세우면 충분합니다.

직접 구조 계보와 주변 확산 근거의 구분

  • 직접 계보와 주변 근거를 구분할 수 있습니다.
  • LLM 발전사를 과장 없이 설명할 수 있습니다.
  • 딥러닝 확산 사례가 왜 중요하지만 직접 조상은 아닐 수 있는지 설명할 수 있습니다.
  • 앞서 읽은 Transformer 설명을 더 분명한 위치에서 다시 정리할 수 있습니다.

왜 이런 구분이 필요한가

최근에는 AI를 곧바로 LLM과 연결해 이해하는 경향이 강합니다. 이때 다음과 같은 혼동이 생기기 쉽습니다.

  • 딥러닝이 유명해진 모든 사건이 곧바로 LLM 계보다
  • 음성 모델, 객체 검출 모델, 강화학습 모델이 모두 같은 직선 위에 있다
  • 신경망이니까 다 같은 역사다

이렇게 설명하면 큰 분위기는 잡히지만, 구조적 이해는 흐려집니다.

더 안전한 설명은 다음입니다.

  • 어떤 흐름은 LLM 구조와 학습 목표로 직접 이어진다
  • 어떤 흐름은 딥러닝 패러다임의 확산과 계산 자원의 중요성을 보여 주는 배경 증거다

직접 계보는 무엇인가

여기서는 다음 흐름을 LLM의 직접 계보로 봅니다.

  1. 언어 모델(language model)
  2. 임베딩과 분산 표현(distributed representation)
  3. RNN, LSTM, Seq2Seq
  4. Attention
  5. Transformer
  6. 사전학습(pretraining)
  7. GPT, BERT 같은 Transformer 계열 언어 모델

이 흐름의 공통점은 분명합니다.

  • 언어를 입력으로 다루고
  • 토큰이나 단어의 순서와 문맥을 계산하며
  • 다음 토큰 예측 또는 언어 표현 학습으로 이어지고
  • 현재 LLM 구조와 직접 연결됩니다

즉, 이들은 LLM 내부 구조와 학습 방식의 조상으로 설명할 수 있습니다.

주변 근거는 무엇인가

반면 다음과 같은 사례는 매우 중요하지만, 직접 계보라고 단정하는 데는 주의가 필요합니다.

  • AlexNet과 이미지 인식 혁신
  • YOLO 같은 객체 검출(object detection) 계열
  • WaveNet, Deep Voice 같은 음성 생성(speech generation) 계열
  • AlphaGo, AlphaZero 같은 탐색과 강화학습의 대표 사례

이 사례들은 다음 점에서 중요합니다.

  • 딥러닝이 실제 성능 전환을 만들 수 있음을 사회적으로 보여 주었고
  • GPU와 대규모 계산 자원의 중요성을 강화했으며
  • 학습 기반 접근이 다양한 도메인으로 확산되는 흐름을 만들었습니다

하지만 이들을 곧바로 LLM의 직접 조상이라고 쓰면 경계가 흐려집니다.

Deep Voice나 YOLO는 왜 직접 계보가 아닌가

예를 들어 Deep Voice는 음성 생성(speech synthesis) 분야에서 중요한 사례입니다. YOLO는 실시간 객체 검출에서 대표적인 전환점입니다.

이 둘은 모두 딥러닝 패러다임의 확산을 보여 주지만, 현재 LLM의 직접 구조를 형성한 핵심 언어 모델 계보와는 다릅니다.

더 안전한 설명은 다음입니다.

  • Deep Voice, YOLO는 딥러닝이 다양한 입력과 출력 도메인에서 강해졌다는 주변 근거다
  • Transformer 기반 LLM의 직접 구조사는 언어 모델링과 Attention 계열에서 더 직접적으로 찾아야 한다

즉, 관련은 있지만 같은 선 위에 그대로 놓으면 안 됩니다.

왜 주변 근거도 여전히 중요한가

그렇다고 주변 근거를 빼 버리면 또 다른 문제가 생깁니다. LLM은 언어 모델만 조용히 발전해서 갑자기 등장한 것이 아니기 때문입니다.

주변 근거는 다음 질문에 답해 줍니다.

  • 왜 딥러닝이 사회적으로 신뢰와 투자를 받게 되었는가?
  • 왜 병렬 처리와 GPU가 중요해졌는가?
  • 왜 데이터 규모, 모델 규모, 계산 규모가 함께 커졌는가?

즉, 주변 근거는 구조적 조상은 아니지만 역사적 분위기와 인프라 조건을 설명합니다.

직접 계보와 주변 근거의 경계

먼저 남겨야 할 구분은 단순합니다. 직접 계보와 주변 근거 구분만 선명하게 잡히면, BERT, GPT, RAG 설명을 읽을 때 구조 설명과 배경 설명을 덜 섞게 됩니다.

우선 다음 두 줄을 기준으로 삼으면 됩니다.

  • language modeling, attention, Transformer, pretraining은 직접 계보에 가깝다
  • 비전·음성·강화학습의 대표 성과는 중요하지만 주로 배경 설명으로 읽는다

직접 계보와 주변 근거를 나눠 그리면

flowchart TD
  A["언어 모델링"]
  B["임베딩"]
  C["RNN / Seq2Seq 계열"]
  D["attention 전환"]
  E["Transformer 전환"]
  F["사전학습 LLM"]

  G["컴퓨터 비전 돌파"]
  H["음성 생성 돌파"]
  I["대규모 연산 추세"]

  A --> B --> C --> D --> E --> F
  G -. surrounding evidence .-> F
  H -. surrounding evidence .-> F
  I -. enabling background .-> F

이 도식의 목적은 한 가지입니다.

한 줄 역사와 배경 조건을 구분해서 읽게 하는 것.

사례 및 예시

사례 1. Transformer 설명

강의자가 Transformer를 소개하면서 첫 슬라이드에 AlexNet -> YOLO -> GPU -> Transformer를 한 줄로 적었다고 해 보겠습니다. 유명한 이름이 시간순으로 놓여 있으면 모두 같은 계보라고 받아들이기 쉽습니다. 하지만 이렇게 설명하면 정작 왜 Seq2Seq만으로는 긴 문장에서 앞 정보를 뒤까지 잘 전달하기 어려웠는가, 왜 attention이 필요했는가라는 직접 구조 문제가 빠져 버립니다. 사람의 기존 기준은 유명한 사건을 많이 안다였지만, 더 중요한 기준은 바로 앞 구조의 어떤 한계를 다음 구조가 해결했는가입니다.

그래서 먼저 긴 문장 번역에서 앞 문맥이 뒤에서 약해지는 장면을 보여 주고, 그 다음에 attention과 Transformer를 붙여야 설명이 닫힙니다. 여기서 바뀌는 점은 유명한 사건이 많이 등장하는가를 보던 기준에서 직전 구조의 병목과 다음 구조의 해결이 실제로 이어지는가를 보는 기준으로 이동한다는 것입니다. 여기서 바로잡아야 할 오해는 같은 슬라이드에 묶여 있으면 직접 계보도 같은 것이라는 감각입니다. 그래서 이 사례에서 확인해야 할 결과는 유명 사건 나열보다, 바로 앞 구조의 병목을 설명한 뒤에야 Transformer 전환 이유가 실제로 더 분명해지는가, 그리고 비전 쪽 사건은 배경으로만 남는가입니다.

사례 2. GPU 설명

사용자가 LLM이 왜 가능해졌나요?라고 묻자 발표자가 GPU 사진과 서버 랙만 길게 보여 주는 장면을 떠올려 보겠습니다. 계산 장비가 커졌다는 설명만 들으면 결국 GPU가 모델 원리까지 만든 것처럼 느끼기 쉽습니다. 하지만 GPU는 더 크게 돌리게 한 조건이지, attention으로 어떤 문맥을 비교하고 어떤 토큰을 더 보게 만드는가를 설명하는 구조 자체는 아닙니다. 사람이 기존에 쓰던 단순 기준은 잘 돌아가게 만든 요소와 무엇을 계산하게 만든 아이디어를 한데 묶는 것이지만, 이 둘은 다른 층위입니다.

예를 들어 GPU가 아무리 많아도 attention 구조 설명이 빠지면 왜 LLM이 긴 문맥을 읽는지 이해할 수 없습니다. 여기서 바뀌는 점은 계산 자원이 커졌는가를 보던 기준에서 배경 조건과 구조 원리가 실제로 분리되어 설명되는가를 보는 기준으로 이동한다는 것입니다. 여기서 바로잡아야 할 오해는 가능하게 한 조건과 직접 구조 원리를 같은 계보로 읽는 데 있습니다. 그래서 이 사례에서 확인해야 할 결과는 계산 규모를 키운 배경 설명과 모델 구조 설명이 실제로 분리되어 읽히는가, 그리고 GPU 설명만으로 attention 구조 이해를 대신하지 않는가입니다.

사례 3. 생성형 AI 붐

뉴스 기사에서 같은 해에 챗봇, 이미지 생성기, 음성 합성 서비스가 함께 화제가 되는 장면을 생각해 보겠습니다. 이런 경우 같이 뜬 기술이면 같은 역사겠지라고 먼저 묶기 쉽습니다. 하지만 실제로는 사용 경험의 동시성과 구조의 직접 계보를 나눠 봐야 합니다. 예를 들어 고객은 텍스트 생성과 이미지 생성을 모두 생성형 AI로 부르지만, 그 안쪽 구조사는 언어 모델 계보와 비전 생성 계보로 더 가깝게 갈라질 수 있습니다. 사람이 보던 단순 기준은 같은 시기에 유명해졌는가였지만, 더 중요한 기준은 어떤 입력과 학습 목표, 어떤 구조 변화가 직접 이어졌는가입니다.

여기서 바뀌는 점은 같은 시기에 화제가 되었는가를 보던 기준에서 직접 이어지는 구조 계보가 같은가를 보는 기준으로 이동한다는 것입니다. 여기서 바로잡아야 할 오해는 동시에 유명해지면 한 줄 역사도 같다는 감각입니다. 그래서 이 사례에서 확인해야 할 결과는 유행의 동시성과 구조의 직접 계보를 실제로 다른 판단 기준으로 설명할 수 있는가, 그리고 같은 시기 인기 사례를 direct lineage가 아니라 surrounding evidence로도 배치할 수 있는가입니다.

세 사례를 direct lineage와 surrounding evidence 구분으로 다시 묶으면 다음과 같습니다.

장면 섞어 읽기 쉬운 것 실제로 분리해 봐야 하는 것
Transformer 설명 유명 사건 나열과 구조 전환 직전 병목과 다음 구조의 해결
GPU 설명 계산 자원과 모델 원리 가능하게 한 배경 조건과 직접 구조
생성형 AI 붐 동시 유행과 직접 계보 같은 시기 인기와 실제 구조 계통

계보와 배경을 분리해 읽을 장면

직접 계보와 주변 근거 구분을 처음 읽을 때 자주 생기는 오해는 유명한 사건이면 다 같은 계보겠지라고 묶는 점입니다. 하지만 먼저 봐야 하는 것은 유명도보다 현재 LLM 구조의 어떤 부분으로 직접 이어지는가입니다. 이 기준을 실무 질문으로 바꾸면 다음처럼 읽을 수 있습니다.

이런 의심이 들면 먼저 던질 질문
이 유명한 사건도 LLM 조상인가? 현재 언어 모델 구조와 학습 방식으로 직접 이어지는가?
GPU 설명이 왜 이렇게 많이 나오지? 구조 원리 설명이 아니라 배경 조건 설명으로 읽어야 하는가?
같이 뜬 기술이면 같은 역사 아닌가? 동시 유행과 direct lineage를 따로 구분했는가?

먼저 익혀야 하는 기준은 단순합니다. direct lineage는 언어 입력, 문맥 계산, 다음 토큰/표현 학습, Attention-Transformer-pretraining으로 직접 이어지는 흐름이고, surrounding evidence는 딥러닝 확산과 계산 조건을 설명하지만 구조 조상으로 바로 놓기엔 거리가 있는 배경 흐름입니다.

연습: 한 줄 역사 설명을 다시 나누기

다음 설명은 유명한 사건과 조건을 한 줄에 섞어 놓은 예입니다.

AlexNet -> YOLO -> GPU scaling -> Transformer -> GPT

이 설명을 그대로 읽으면 딥러닝의 유명 사건이 모두 LLM의 직접 조상처럼 보입니다. 하지만 이 절에서 필요한 판단은 이름을 시간순으로 외우는 것이 아니라, 각 항목이 현재 LLM 구조와 어떤 관계인지 나누는 일입니다.

먼저 아래 세 칸에 항목을 다시 넣어 보세요.

구분 넣어 볼 항목 판단 질문
직접 구조사 언어 입력, 문맥 계산, 다음 토큰 또는 표현 학습으로 현재 LLM 구조에 직접 이어지는가?
주변 확산사 딥러닝이 여러 도메인에서 강해졌다는 배경 증거인가?
인프라 조건 모델 구조 자체보다 대규모 학습과 배포를 가능하게 한 조건인가?

해설은 다음처럼 정리할 수 있습니다.

항목 더 적절한 위치 이유
AlexNet 주변 확산사 이미지 인식에서 딥러닝의 성능 전환을 보여 주지만, 언어 모델의 문맥 계산 구조 자체로 이어지는 항목은 아닙니다.
YOLO 주변 확산사 객체 검출의 대표 성과이지만, 다음 토큰 예측이나 attention 기반 언어 생성 구조의 직접 조상은 아닙니다.
GPU scaling 인프라 조건 대규모 학습을 가능하게 한 중요한 조건이지만, 모델이 무엇을 어떻게 계산하는지를 설명하는 구조 원리는 아닙니다.
Transformer 직접 구조사 attention을 중심 구조로 올려 토큰 간 관계 계산을 직접 다루므로 현재 LLM 구조로 바로 이어집니다.
GPT 직접 구조사 decoder-only Transformer와 사전학습, prompt 기반 사용 흐름을 통해 현재 생성형 LLM 경험과 직접 연결됩니다.

이 연습에서 확인해야 할 결과는 유명하다, 같은 시기에 중요했다, AI 발전에 기여했다가 모두 같은 뜻이 아니라는 점입니다. 직접 구조사는 현재 LLM의 입력, 학습 목표, 문맥 계산 방식으로 이어지는 항목이고, 주변 확산사와 인프라 조건은 LLM이 커지고 받아들여진 배경을 설명하는 항목입니다.

계보 선별에서 갈리는 본류와 배경

이 분류 예제는 역사 서술을 유명한 이름 나열로 끝내지 않게 해 줍니다. 어떤 항목이 LLM 구조의 직접 계보를 이루는지, 어떤 항목이 같은 시대의 확산과 기대를 보여 주는 주변 근거인지를 구분해야 이후 역사 설명도 더 선명해집니다.

여기서는 바로 앞의 P6-19.1에서 잡은 큰 발전 흐름을 무엇이 직접 구조사이고 무엇이 배경 확산사인가라는 기준으로 더 좁혀 읽습니다. 그래야 여러 딥러닝 성과를 하나의 직선 역사로 뭉뚱그리지 않고, 현재 LLM 구조를 만든 직접 계보를 더 선명하게 구분할 수 있습니다.

하지만 여기서 더 중요한 것은 다음 구분입니다.

  • 직접 구조사: 현재 LLM을 만든 핵심 계보
  • 주변 확산사: 딥러닝이 왜 강해졌고 왜 널리 받아들여졌는지 보여 주는 사례

이 구분이 있어야 Part 6에서 다룬 BERT, GPT, pretraining, prompt, RAG, agent를 다시 떠올릴 때 구조와 분위기를 섞지 않게 됩니다.

직접 계보 구분이 본류 해석을 어떻게 바꾸는가

여기까지 구분이 잡히면 앞에서 본 본류 설명을 더 좁은 구조 질문으로 다시 읽을 수 있습니다.

  • LLM 관점에서 Transformer 구조를 다시 보면 무엇이 핵심인가?
  • 토큰, context window, causal generation과 연결되는 지점은 어디인가?

이 질문은 본류의 P6-4.1 Transformer를 LLM 관점에서 다시 읽게 만듭니다. 핵심은 역사 설명을 늘리는 데 있지 않고, Transformer와 GPT를 읽을 때 직접 구조 조상과 동시대 배경 사례를 섞지 않게 만드는 데 있습니다.

체크리스트

  • 직접 계보를 현재 LLM 구조와 학습 방식으로 직접 이어지는 흐름, 주변 근거를 확산과 인프라 배경으로 설명할 수 있어야 합니다.
  • 유명한 사건의 동시성이나 영향력과 구조적 조상 여부는 다른 판단 기준이라는 점을 말할 수 있어야 합니다.
  • 이 절은 새 역사 목록이 아니라, 본류를 과장 없이 다시 해석하게 만드는 경계선이라는 점을 잡고 있어야 합니다.

출처와 참고 자료