1세대 — 독립형 모델 (2018–2022)

I’m happy to translate the article for you, but I’ll need the full text you’d like translated (aside from the source line you’ve already provided). Could you please paste the content you want me to translate?

현대 AI 시스템의 기초

사람들이 ChatGPT와 같은 도구를 생각할 때, 종종 그 지능이 “기억하고”, “추론하며”, “맥락을 이해하는” 단일 강력한 시스템에서 나온다고 가정합니다.

그 직관은 오해를 불러일으킵니다. 현대 AI 시스템이 어떻게 발전했는지를 진정으로 이해하려면, 모든 것이 시작된 Generation 1 — Standalone Models 시대로 돌아가야 합니다.

Generation 1 (2018 – 2022) 은 다음과 같이 정의되는 시기를 의미합니다:

• GPT, GPT‑2, GPT‑3와 같은 대규모 사전 학습 모델
• 외부 메모리나 도구 통합이 거의 없는 최소한의 시스템 설계

이 모델들은 강력했지만—근본적으로 고립되어 있었습니다. 텍스트를 생성할 수는 있었지만, 정보에 접근하거나 지식을 검색하거나 훈련 데이터에 인코딩된 범위를 넘어선 행동을 취할 수 없었습니다.

핵심 아이디어: 무상태 엔진으로서의 AI

Generation 1의 핵심 개념은 모델이 무상태라는 점입니다. 프롬프트를 보낼 때마다 모델은 이를 독립적으로 처리합니다. 모델은 다음과 같은 일을 하지 않습니다:

• 이전 상호작용을 기억한다
• 실시간으로 학습한다

이것은 GPT‑3, Claude, Gemini, Grok 및 기타 벤더 모델 모두에 해당합니다—이름은 다르지만 구조적 진실은 동일합니다.

3‑계층 아키텍처 (단순화된 정신 모델)

➡️ 레이어 1 — UI 레이어 (상호작용 표면)

사용자가 직접 건드리는 모든 요소: 채팅 창, 입력 박스, 스트리밍 응답 영역, 대화 사이드바, “다시 생성” 버튼, 클립보드 복사 아이콘 등.

ChatGPT, Claude.ai, Perplexity, Gemini와 같은 도구와 Cursor나 Slack 같은 앱 안의 채팅 패널에서도 이 레이어를 볼 수 있습니다.

핵심 책임

• 사용자 의도 캡처 — 텍스트 입력, 파일 업로드, 음성, 이미지, 도구 토글, 모델 선택
• 모델 출력 렌더링 — 토큰별 스트리밍, 마크다운, 코드 블록, 수식, 인용
• 연속성 생성 — AI가 대화를 “기억한다”는 착각 제공
• 세션 상태 관리 — 현재 채팅, 히스토리 탐색, 초안, 오류 복구
• 제어 요소 제공 — 중지, 재생성, 메시지 편집, 대화 분기, 공유, 내보내기

잘 보이지 않는 통찰
훌륭한 UI 레이어가 ChatGPT를 마법처럼 느끼게 하는 핵심입니다. 내부적으로는 간단한 API 요청으로 호출할 수 있는 동일한 모델이지만, 경험은 완전히 다릅니다.

➡️ 레이어 2 — 오케스트레이션 레이어 (숨겨진 미들웨어)

초보자들이 거의 눈치채지 못하는 레이어이며, 많은 “ChatGPT 클론”이 부실하거나 품질이 낮게 느껴지는 이유이기도 합니다. UI와 모델 사이에 위치해 사용자가 보지 못하지만 항상 체감하는 방대한 작업을 조용히 수행합니다. 사용자가 ChatGPT에 메시지를 보낼 때, 모델에 도달하는 텍스트는 원시 입력이 아니라 오케스트레이션 레이어가 먼저 변형한 것입니다.

이 레이어가 하는 일

• 시스템 프롬프트 삽입 – 어시스턴트의 성격, 톤, 능력, 안전 규칙을 정의하는 길고 정교한 지시문을 추가합니다.
• 대화 히스토리 관리 – 어떤 과거 메시지를 포함하고, 어떤 것을 요약하며, 컨텍스트 창이 가득 찼을 때 어떤 것을 버릴지 결정합니다.
• 컨텍스트‑윈도우 예산 관리 – 시스템 프롬프트 + 히스토리 + 사용자 메시지 + 예상 출력에 대한 토큰 사용량을 추적합니다.
• 안전 및 정책 필터링 – 사용자의 메시지가 모델에 도달하기 전에, 모델 출력이 사용자에게 전달되기 전에 검증합니다.
• 속도 제한 및 할당량 – “한도를 초과했습니다”와 같은 제한 메시지를 표시합니다.
• 라우팅 로직 – 간단한 질의는 저렴한 모델로, 복잡한 질의는 강력한 모델로 전송합니다.
• 텔레메트리 및 평가 – 로깅, A/B 테스트, 품질 검사, 피드백 루프 등을 수행합니다.

잘 보이지 않는 부분
AI 제품이 진정으로 차별화되는 지점입니다. 두 기업이 같은 기본 모델을 사용하더라도, 하나는 마법처럼 느껴지고 다른 하나는 투박하게 느껴집니다. 왜냐하면 인지된 품질의 대부분은 모델이 아니라 오케스트레이션 레이어에서 나오기 때문입니다.

“무상태 모델 + 유상태 제품”이 중요한 이유

• ChatGPT 뒤의 모델은 무상태입니다. 모든 요청은 새롭게 시작됩니다.
• 모델은 사용자의 이름, 마지막 메시지, 혹은 “Python을 사용하라”는 이전 지시를 기억하지 못합니다.
• 기억과 연속성의 착각은 오케스트레이션 레이어가 매번 대화의 관련 부분을 재생함으로써 만들어집니다.

초보자를 위한 핵심 요점
연속성은 UI + 오케스트레이션 레이어에 의해 생성되며, 모델에 의해 만들어지는 것이 아닙니다. 오늘날에도 “메모리” 기능은 모델 위에 구축된 것이며, 모델 자체는 호출 사이에 모든 것을 잊어버립니다.

➡️ 레이어 3 — 모델 레이어 (출력을 생성하는 엔진)

모두가 상호작용하고 있다고 생각하는 부분, 즉 실제 AI 모델입니다. 실제로는 시스템의 한 조각에 불과하지만, 핵심 작업인 텍스트 입력 → 텍스트 출력을 수행하는 부분입니다.

이 레이어에서는 놀라울 정도로 단순합니다.

모델이 실제로 하는 일

1. 오케스트레이션 레이어가 만든 최종 프롬프트를 받습니다.
2. 다음 토큰을 예측합니다.

then the next, and so on, until it forms a complete response.

• No memory. → - 기억 없음.
• No awareness. → - 인식 없음.
• No understanding of past conversations unless they’re replayed to it. → - 과거 대화를 재생하지 않으면 이해하지 못합니다.

What the model doesn’t do

• Remember previous chats. → - 이전 채팅을 기억합니다.
• Store facts about you. → - 당신에 대한 사실을 저장합니다.
• Know the “session” you’re in. → - 현재 세션을 알 수 있습니다.
• Know what it said 10 minutes ago. → - 10분 전의 발언을 알 수 있습니다.
• Know what tools the product has (all of that lives in Layer 2). → - 제품이 가진 도구를 알 수 있습니다(모두 Layer 2에 존재합니다).

Why this layer still matters

Even though the model is “just” a prediction engine, it defines the capability ceiling of the entire system. Improvements in model architecture, scale, and training data directly translate into better‑quality outputs, which the orchestration layer can then surface more effectively. → 모델이 ‘그저’ 예측 엔진일 뿐이지만, 전체 시스템의 능력 상한을 정의합니다. 모델 아키텍처, 규모, 학습 데이터의 개선은 직접적으로 더 높은 품질의 출력으로 이어지며, 오케스트레이션 레이어는 이를 보다 효과적으로 표출할 수 있습니다.

시스템의 원시 능력

• 언어 유창성
• 추론 능력
• 훈련 중 인코딩된 지식
• 창의성 및 스타일

일반화

더 강력한 모델은 오케스트레이션 레이어가 활용할 수 있는 범위를 넓혀 주지만, 모델 자체만으로는 전체 제품이 될 수 없습니다.

핵심 초보자 인사이트

모델은 무상태입니다. 모든 요청은 빈 캔버스이며, 현재 받은 프롬프트 안에 있는 내용만을 알고 있습니다.
이 때문에 오케스트레이션 레이어가 매우 중요한데, 이는 기억, 개성, 연속성의 환상을 만들어 주기 때문입니다. 모델은 단순히 주어진 텍스트에 반응할 뿐입니다.

모두 합쳐서

대부분의 사람들은 레이어 3와 대화하고 있다고 생각하지만, 실제로는 세 레이어가 함께 작동하고 있다.

Foundation: UI + Orchestration + Model

개발자를 위한 핵심 요점

LLM은 기억하지 못합니다—프롬프트 구성을 통해 메모리를 시뮬레이션합니다.

이 통찰은 다음과 같은 경우에 필수적입니다:

• AI 애플리케이션 설계
• 응답 디버깅
• 프롬프트 최적화
• 확장 가능한 시스템 구축

다음은 무엇인가?

1세대

텍스트 생성은 해결했지만 다음은 못함:

• 실시간 데이터 가져오기
• 응답을 사실에 기반하게 하기

2세대 – 검색‑강화 생성 (RAG)

모델이 더 이상 고립되지 않는다—외부 지식 소스와 연결된다.

Final Thought

Generation 1은 “스마트 어시스턴트”를 만드는 것이 목적이 아니었습니다.
그것은 무상태 확률 모델을 확장했을 때 지능을 시뮬레이션할 수 있음을 보여주었습니다.
그 뒤에 나온 모든 것—RAG, 에이전트, 다중‑에이전트 시스템—은 이 단순하지만 강력한 아이디어 위에 구축됩니다.