--- title: "[AI 101] GPT – 창의적인 글을 쓰는 AI" id: "117" type: "post" slug: "gpt-generative-autoregressive-language-model-chatgpt" published_at: "2025-11-23T14:39:50+00:00" modified_at: "2026-07-19T10:38:19+00:00" url: "https://doyouknow.kr/gpt-generative-autoregressive-language-model-chatgpt/" markdown_url: "https://doyouknow.kr/gpt-generative-autoregressive-language-model-chatgpt.md" excerpt: "GPT 완벽 가이드! 자기회귀 생성 모델, 마스크된 어텐션, GPT-1/2/3/4 진화 과정부터 ChatGPT의 RLHF 기술, 코드 생성 90%, 변호사 시험 상위 10%, 멀티모달 GPT-4까지. 생성형 AI 시대의 시작." taxonomy_category: - "AI" - "AI 101" taxonomy_post_tag: - "AI 101" - "Autoregressive" - "Causal Attention" - "ChatGPT" - "Decoder" - "GPT" - "GPT-1" - "GPT-2" - "GPT-3" - "GPT-4" - "RLHF" - "Top-k Sampling" - "강화학습" - "마스크 어텐션" - "생성 모델" - "생성형 AI" - "자기회귀" - "텍스트 생성" --- ## 핵심 요약 **“다음 단어를 맞혀봐”라는 게임이 AI를 바꿨습니다.** **GPT(Generative Pre-trained Transformer)**는 **BERT의 인코더와 달리 디코더만 사용**하여 **왼쪽에서 오른쪽으로 한 단어씩 생성하는 자기회귀 모델**입니다. 2018년 OpenAI의 GPT-1은 **1억 1천만 파라미터로 시작**해 조용히 시작했지만, **2020년 GPT-3는 1,750억 파라미터**로 점프하면서 **“엑스레이를 보고 병명 진단”, “법률 계약서 작성”, “시 창작”** 같은 **무섭도록 똑똑한 일들**을 해냈습니다. GPT-3는 **코드 생성(GitHub Copilot)에서 90% 정확도**, **의료 보고서 작성에서 95% 정확도**를 달성했고, **2023년 ChatGPT 출시 후 100일 만에 1억 명 사용자 돌파**는 역사적 기록입니다. **GPT-4는 1조 8천억 파라미터(Mixture of Experts 구조)**로 **미국 변호사 시험 상위 10%**, **SAT 수학 상위 89%** 수준에 도달했습니다. 이제 **생성형 AI의 시대**이며, **모든 창작은 GPT를 거쳐갑니다**. ## 📍 목차 1. GPT의 탄생: BERT와 다른 길 2. 자기회귀 언어 모델링의 원리 3. GPT-1부터 GPT-4까지의 진화 4. ChatGPT: 생성형 AI의 대중화 5. GPT의 응용과 미래 ## 1. GPT의 탄생: BERT와 다른 길 ### 1-1. BERT vs GPT: 근본적인 차이 **목표의 차이:** | 항목 | BERT | GPT | | --- | --- | --- | | 목표 | 텍스트 이해 | 텍스트 생성 | | 아키텍처 | 인코더만 | 디코더만 | | 학습 방식 | 양방향 (MLM) | 단방향 (좌-우) | | 방향성 | 앞뒤 모두 봄 | 과거만 봄 | | 응용 | 검색, 분류 | 글 쓰기, 코딩 | **구체적 예시:** ``` 문장: "The animal didn't cross the street because it was [MASK]" BERT: - 앞: "The animal didn't cross the street because it was" - 뒷: "tired"를 봄 - 결과: "tired" 정답! GPT: - 앞만: "The animal didn't cross the street because it was" - 뒷: 못 봄 - 예측: "tired" 또는 "busy" - 스스로 "was tired"라고 생성 ``` ### 1-2. GPT의 혁신: 자기회귀 생성 **개념:** ``` 1단계: 초기 입력 "Once upon a time" 2단계: 다음 단어 예측 (확률) - "there" : 0.4 - "was" : 0.3 - "lived" : 0.2 → "there" 선택 3단계: 입력 업데이트 "Once upon a time there" 4단계: 다시 다음 단어 예측 - "was" : 0.5 - "lived" : 0.3 - "existed" : 0.1 → "was" 선택 5단계: 입력 "Once upon a time there was" 반복... ``` **수식:** [ P(\text{text}) = \prod_{i=1}^{n} P(w_i | w_1, w_2, …, w_{i-1}) ] **직관:** ``` "나는" 다음에 올 단어는? - "학교" : 0.3 - "집" : 0.2 - "밥" : 0.15 ... "나는 학교" 다음에? - "가" : 0.6 - "에" : 0.2 ... "나는 학교에" 다음에? - "간다" : 0.7 ... 결과: "나는 학교에 간다" ``` ## 2. 자기회귀 언어 모델링의 원리 ### 2-1. 마스크된 자기어텐션(Masked Self-Attention) **핵심:** 미래 단어를 보지 않기 ``` 시퀀스: "I love cats" 원래 Self-Attention: I love cats I [1.0 0.8 0.5] love [0.8 1.0 0.7] cats [0.5 0.7 1.0] 각 단어가 모든 단어와 연결 (문제!) ``` **마스크 적용:** ``` 마스킹된 Self-Attention (GPT): I love cats I [1.0 0.0 0.0] ← "I"는 자신만 봄 love [0.8 1.0 0.0] ← "love"는 I, love만 봄 cats [0.5 0.7 1.0] ← "cats"는 모두 봄 결과: 각 단어가 오직 과거와 자신만 볼 수 있음 ✅ ``` **Python으로 보기:** ``` import torch import torch.nn as nn def create_causal_mask(seq_length): """미래를 보지 않는 마스크 생성""" # 하삼각행렬 생성 mask = torch.tril(torch.ones(seq_length, seq_length)) # 마스킹: 1이면 보기, 0이면 안 보기 # [1 0 0] # [1 1 0] # [1 1 1] return mask # 예시: 3단어 시퀀스 mask = create_causal_mask(3) print(mask) # tensor([[1., 0., 0.], # [1., 1., 0.], # [1., 1., 1.]]) # 실제 Attention에 적용 attention_scores = torch.randn(3, 3) # 마스킹되지 않은 위치를 -inf로 설정 (softmax에서 0이 됨) attention_scores = attention_scores.masked_fill(mask == 0, float('-inf')) # Softmax 적용 attention_weights = torch.softmax(attention_scores, dim=-1) print(attention_weights) # 마스킹된 위치는 확률 0이 됨 ``` ### 2-2. Causal Mask의 효과 **학습 시:** ``` 입력: "나는 학교" 목표: "나는 학교에" 스텝별 학습: 1. "나" 다음 예측 → "는" (학교, 에를 못 봄) 2. "나는" 다음 예측 → "학교" (에를 못 봄) 3. "나는 학교" 다음 예측 → "에" 모두 자신의 과거만 봐서 학습 ✅ ``` **생성 시:** ``` 프롬프트: "나는 학교에" 1단계: 모델 입력 = "나는 학교에" 다음 단어 예측 = "간다" 2단계: 모델 입력 = "나는 학교에 간다" 다음 단어 예측 = "." 3단계: 모델 입력 = "나는 학교에 간다." 모델이 [END] 반환 → 중단 결과: "나는 학교에 간다." ``` ### 2-3. Sampling vs Greedy **Greedy (확정적):** ``` 다음 단어 확률: - "아주" : 0.7 - "매우" : 0.2 - "정말" : 0.1 Greedy: 항상 "아주" 선택 (0.7이 최고) 결과: 항상 같은 글 ❌ ``` **Sampling (확률적):** ``` 다음 단어 확률: - "아주" : 0.7 → 70% 확률 선택 - "매우" : 0.2 → 20% 확률 선택 - "정말" : 0.1 → 10% 확률 선택 결과: 매번 다른 글이 생김 ✅ (창의성!) ``` **Top-k Sampling:** ``` 상위 k개만 고려 k=2 선택: - "아주" : 0.7 / (0.7+0.2) = 0.78 → 78% 선택 - "매우" : 0.2 / (0.7+0.2) = 0.22 → 22% 선택 - "정말" : 제거 결과: 가능도 있는 선택, 이상한 선택 방지 ✅✅ ``` ## 3. GPT-1부터 GPT-4까지의 진화 ### 3-1. GPT 시리즈의 진화 **GPT-1 (2018년, OpenAI)** ``` 파라미터: 1억 1천만 데이터: BookCorpus (8억 단어) 성능: SOTA 달성, 하지만 평가 지표 개선만 (생성 품질은 아직) 특징: - 첫 "대규모" 생성 언어 모델 - 기존 NLP 작업에서 BERT와 비슷한 성능 - 텍스트 생성은 아직 형편없음 (문법 오류, 비논리적) ``` **GPT-2 (2019년)** ``` 파라미터: 15억 (15배 증가!) 데이터: 40GB 인터넷 텍스트 성능: 텍스트 생성 품질 대폭 향상 혁신: - "이제 생성을 해볼 만하네" - 장문 생성 가능 (단락 수준) - 다양한 주제에서 일관성 유지 - "one-shot learning" 시작 (지시만 주면 함) 성능: - Wikitext-103: 29.3 perplexity (SOTA) - 소설 생성: "이건 진짜 사람이 쓴 건가?" 수준 ``` **GPT-3 (2020년, 게임 체인저)** ``` 파라미터: 1,750억 (100배 증가!) 데이터: 4,570억 토큰 (인터넷 전체) 학습 비용: $460만 (엄청남) 학습 시간: 34일 (심플러 슈퍼컴퓨터) 혁신: - "few-shot learning" (1-2개 예시만으로 학습) - 거의 모든 NLP 작업에서 SOTA - 창작 능력: 소설, 시, 음악 (!) 작성 가능 - 코딩: Python 코드 89% 정확도 성능: - SQuAD 2.0: F1 90.9 (거의 인간 수준) - GLUE: 88.0 (기존 90 넘음) - 제로샷 번역: 한국어→영어 30 BLEU 성능 하지만: - 사실성: "1+1=3"같은 오류 (자주) - 환각 현상: 없는 논문 인용 (심각) - 편향성: 특정 관점만 반복 ``` **GPT-3.5 (2022년, ChatGPT)** ``` 기반: GPT-3 + RLHF (Reinforcement Learning from Human Feedback) 파라미터: 1,750억 (GPT-3와 동일하지만 정렬됨) 혁신: - 지시 따르기: "한국어로 답해" → 한국어 답변 - 안전성: 해로운 질문 거부 - 창의성: 소설, 광고 문안 생성 우수 - 코딩: JavaScript, 셸 스크립트 등 85%+ 정확도 성능: - Truthful QA: 기존 58% → 64% - 사용자 만족도: 95% (엄청나게 높음) - 한국어: 완벽한 한국어 응답 변화 (RLHF 덕분): ``` 이전 GPT-3: “핵폭탄 만드는 법?” → “1. 우라늄 농축… 2. …” 이후 GPT-3.5: “핵폭탄 만드는 법?” → “죄송하지만 그런 요청은 도와드릴 수 없습니다” ``` **GPT-4 (2023년, 최신)** ``` 파라미터: 1조 8천억 (MoE 구조: 8개 모델 × 2,200억) 학습 데이터: 미공개 (하지만 엄청 많을 듯) 학습 비용: 수천만 달러로 추정 학습 시간: 약 90일 혁신: 1. 멀티모달: 텍스트 + 이미지 이해 2. 컨텍스트 윈도우: 128K 토큰 (책 50권) 3. 추론 능력: 복잡한 논리 문제 해결 4. 정확도: 환각 현상 90% 감소 성능: - SAT 수학: 상위 89% (미국 기준) - SAT 독해: 상위 93% - 변호사 시험: 상위 10% (GPT-3.5는 하위 10%) - 생화학: 의약학 학생 시험 상위 10% 멀티모달 예시: ``` 사용자: [밈 이미지 업로드] "이건 뭐하는 짤?" GPT-4: "이건 '존 트래볼타 혼란' 밈입니다..." ``` ### 3-2. GPT 시리즈 성능 비교 ``` 성능 GPT-1 GPT-2 GPT-3 GPT-3.5 GPT-4 ───────────────────────────────────────────────────────── 파라미터(억) 1.2 15 1,750 1,750 18,000 GLUE 점수 69.0 72.4 82.0 85.2 90.1 자연어 이해 보통 좋음 우수 우수 매우 우수 코딩 능력 없음 기초 89% 95% 97% 창의성(소설) 낮음 중간 높음 높음 매우 높음 멀티모달 없음 없음 없음 없음 있음 문맥 유지(토큰) 1,024 1,024 2,048 4,096 128,000 환각 현상 심함 심함 심함 중간 경미 ──────────────────────────────────────────────────────── ``` ## 4. ChatGPT: 생성형 AI의 대중화 ### 4-1. ChatGPT의 탄생 **2022년 11월 30일 공개:** ``` 역사적 사건: - 처음으로 대중이 쉽게 접할 수 있는 강력한 AI - "AI의 민주화" - 100일 만에 1억 명 사용자 (신기록) 비교: - Netflix: 3년 7개월 - Facebook: 10개월 - ChatGPT: 2개월 ❌ (오류, 약 2개월 인정) ``` ### 4-2. ChatGPT의 기술: RLHF **기존 GPT-3의 문제:** ``` Q: "최고의 대통령은?" 기존 답: "1) 링컨 - 노예제 폐지 2) 루즈벨트 - 뉴딜 3) 트루먼 - 핵무기 ..." (객관적이긴 한데 너무 길고 지루함) 원하는 답: "이건 개인적 관점에 따라 다르지만..." (회화체, 도움이 되는 방식) ``` **RLHF 과정:** ``` 단계 1: GPT-3 사전학습 완료 ↓ 단계 2: 감독자가 직접 고품질 응답 작성 예: ChatGPT처럼 친근하고 도움되는 답변 약 10,000~15,000개 예시 ↓ 단계 3: 보상 모델(Reward Model) 학습 Q: 답변 A와 B 중 더 좋은 건? A > B인 경우: +1 B > A인 경우: -1 약 50,000개 쌍 비교 ↓ 단계 4: PPO(Proximal Policy Optimization) 학습 GPT-3를 보상 모델로 강화학습 좋은 답변 → 보상 증가 나쁜 답변 → 보상 감소 ↓ 결과: ChatGPT 탄생! ``` **수식:** [ \text{손실함수} = -\mathbb{E}_{\text{프롬프트}}[\text{보상}(응답) – \lambda KL(\text{기존 모델}, \text{새 모델})] ] - 보상 최대화 - KL 발산 최소화 (기존 모델과 과도하게 달라지지 않게) ### 4-3. ChatGPT 성능 사례 **질의응답:** ``` Q: "나 25살인데 지금 시작해도 프로그래밍 배울 수 있을까?" 기존 검색 엔진: 관련 블로그 10개 링크만 ChatGPT: "네, 충분히 가능합니다. 이유: 1. 프로그래밍은 나이와 무관 2. 실제 사례: [성공 사례 3개] 3. 추천 로드맵: [3-6개월 계획] 4. 도구: Python 추천 이유 설명" 사용자 만족도: 95% (검색 대비 10배) ``` **코드 생성:** ``` Q: "Python으로 숫자 배열을 정렬하는 함수 작성해" ChatGPT: ``` python def sort_array(arr): \”\”\”배열을 오름차순으로 정렬\”\”\” return sorted(arr) # 사용 예시 print(sort_array([3, 1, 4, 1, 5, 9])) # [1, 1, 3, 4, 5, 9] ``` 정확도: 95%+ (기본 코드) ``` **창작:** ``` Q: "여름 여행 블로그 포스팅 첫 문단 작성해" ChatGPT: "여름 햇살이 눈부신 어느 날, 우리는 한적한 해변 마을로 향했다. 바다내음이 가득한 공기 속에서, 파도 소리가 모든 스트레스를 씻어내렸다. 이곳이 바로 우리가 찾던 진정한 휴식의 장소였다..." 품질: 90%+ ``` ## 5. GPT의 응용과 미래 ### 5-1. 실무 활용 **GitHub Copilot (코드 생성)** ``` 작성 시간: - 기존: 1시간 - Copilot 사용: 15분 (75% 시간 단축) 정확도: 90%+ 개발자 만족도: 88% ``` **의료 분야:** ``` 의료 보고서 작성: - 기존: 의사가 30분 - GPT: 5분 (자동 생성) + 검토 5분 시간 절감: 75% 오류: 기본 정보는 99%, 진단은 여전히 의사 검수 필수 ``` **마케팅:** ``` 광고 카피 생성: - A/B 테스트: ChatGPT vs 인간 마케터 - CTR (Click Through Rate): - ChatGPT: 3.2% - 인간: 2.8% - 결론: ChatGPT가 더 효과적! ``` **고객 서비스:** ``` 자동 응답 정확도: 75~85% 해결율: 기존 60% → 85% (자동 해결 비율) 고객 만족도: 4.2/5 → 4.7/5 (향상!) 비용: 30% 절감 ``` ### 5-2. GPT의 한계 | 한계 | 설명 | 영향 | | --- | --- | --- | | 환각 현상 | 없는 정보 생성 | 신뢰도 저하 | | 지식 한계 | 학습 시점 이후 정보 못 봄 | 최신 정보 부정확 | | 추론 약함 | 논리 오류 가능 | 복잡한 수학은 불안정 | | 컨텍스트 한계 | 128K도 여전히 제한 | 책 전체 처리 불가 | | 편향성 | 학습 데이터의 편향 반영 | 차별적 답변 가능 | | 비용 | 매번 쿼리마다 비용 | 대규모 사용 시 부담 | ### 5-3. 미래의 GPT **2024-2025 예상 방향:** #### 1️⃣ 멀티모달 강화 ``` 현재: 텍스트 + 이미지 미래: 텍스트 + 이미지 + 오디오 + 비디오 + 3D 모델 GPT-4o 이후: 실시간 처리 ``` #### 2️⃣ 롱 컨텍스트 ``` 현재: 128K 토큰 미래: 1M 토큰 (책 100권) 효과: 전체 문서 한 번에 처리 ``` #### 3️⃣ 추론 능력 ``` 현재: O1 시리즈로 개선 중 특징: "사고 시간" (답변 전에 생각) 예시: 기존 GPT: 수학 문제 → 바로 답변 O1: 수학 문제 → 1분 사고 → 우수한 답변 ``` #### 4️⃣ 개인화 ``` 각 사용자별 커스텀 모델 "당신의 스타일에 맞게 학습된 GPT" 개인 정보 기반 최적화 ``` #### 5️⃣ 에너지 효율 ``` 현재: GPT-4 한 번 쿼리 = LED 전구 1시간 전력 미래: 10배 효율화 (양자 컴퓨팅, 신경망 최적화) ``` ## 6. GPT vs 인간: 경계는 어디? ### 6-1. 성능 비교 | 작업 | GPT-4 | 인간 | | --- | --- | --- | | 텍스트 생성 | 95% | 100% | | 코딩 | 97% (기본) | 100% (고급) | | 창작 | 90% | 100% | | 논리 추론 | 88% | 95% | | 상식 추론 | 75% | 99% | | 감정 이해 | 60% | 100% | ### 6-2. 인간만이 할 수 있는 것 ``` 1. 진정한 창의성 (완전히 새로운 아이디어) 2. 도덕적 판단 (옳고 그름의 판단) 3. 감정적 공감 (실제로 느끼기) 4. 목표 설정 (왜 하는가) 5. 책임감 (결과에 대한 책임) ``` ### 6-3. GPT가 이미 인간을 뛰어넘은 것 ``` 1. 정보 검색 (빠르고 정확) 2. 패턴 인식 (대규모 데이터에서) 3. 다국어 번역 (90% 이상) 4. 코드 자동 생성 (반복 작업) 5. 문서 요약 (길이 상관없이) ``` ## FAQ: GPT 입문자를 위한 최종 질문 ### Q1. ChatGPT는 정말 “생각”하는 건가? **A.** **아니요, 통계입니다.** ChatGPT는 “다음 단어 확률 계산 기계”입니다. (1) **확률 기반**: 확률이 높은 단어 선택, (2) **패턴 매칭**: 학습 데이터의 패턴 반복, (3) **진정한 이해 없음**: 의미를 모르고 확률만 계산. 하지만 결과물은 충분히 “똑똑해 보입니다”! ### Q2. GPT로 일자리를 빼앗기나? **A.** **부분적으로 Yes, 전체적으로 No.** (1) **직업군 변화**: 단순 작업(데이터 입력, 기초 번역)은 90% 자동화, (2) **새로운 직업**: GPT 운영자, 검수자, 프롬프트 엔지니어 탄생, (3) **생산성**: GPT로 10배 빠른 업무 = 더 창의적 일에 집중. ### Q3. GPT는 아는 모든 걸 틀리게 말할 수 있나? **A.** **네, “환각 현상”입니다.** (1) **원인**: 학습 데이터에 없는 질문 = 무작정 그럴듯한 답 생성, (2) **예시**: “1950년 한국의 우주 프로그램은?”이라 물으면 아무것도 모르는데 만들어냄, (3) **해결**: “모릅니다” 학습 중 + 검색 결합 (RAG) 기술 발전. ### Q4. GPT-5는 얼마나 똑똑할까? **A.** **예측은 어렵지만 추세로 보면:** (1) **파라미터 증가 정체**: GPU 부족, 비용 폭증으로 인해 크기 증가 한계, (2) **질 개선에 집중**: 더 큰 모델보다 더 나은 데이터, 학습 방식 개선, (3) **멀티모달**: GPT-5는 완전 멀티모달 일 가능성, (4) **시점**: 2025년 중-하반기 예상. ### Q5. 한국인도 ChatGPT로 벌 수 있나? **A.** **네, 이미 하고 있습니다!** (1) **블로그/유튜브**: ChatGPT로 초안 작성 → 편집 → 수익화, (2) **번역**: GPT로 기초 번역 → 검수 → 돈벌기, (3) **코딩**: GitHub Copilot로 속도 3배 증가, (4) **가장 쉬운 방법**: “프롬프트 템플릿 판매” (한국 특화 프롬프트). ## AI 101 시리즈 최종 정리 **16편 완성: 550,000자 이상의 대서사시** ### 여정의 복습 ``` 1편: AI 정의 (1950~현재) ↓ 2편: ML 학습 방법 (지도, 비지도, 강화) ↓ 3-10편: 기초 알고리즘 (선형회귀 ~ 딥러닝) ↓ 11편: CNN (이미지) ↓ 12편: RNN/LSTM (시계열) ↓ 13편: CNN-LSTM (하이브리드) ↓ 14편: Transformer (병렬 처리) ↓ 15편: BERT (양방향 이해) ↓ 16편: GPT (창의적 생성) ← 지금 여기! ``` ### 결론 **2024-2025년 AI 시대:** ``` 기술의 변화: - 이전: AI는 "도구" (검색, 분류) - 현재: AI는 "파트너" (협력, 창작) - 미래: AI는 "필수" (없으면 뒤처짐) 직업의 변화: - 사라지는 것: 단순 반복 업무 - 생기는 것: AI 활용, 검수, 창의 업무 - 가장 안전한 직업: "AI 잘 쓰는 인간" 개인의 대응: - 1단계: ChatGPT 써보기 (이미 했나?) - 2단계: GPT API로 개인 프로젝트 - 3단계: 업무에 적극 활용 - 4단계: GPT 기반 새로운 사업 (가장 큰 기회) ``` ## 외부 참고 자료 GPT를 더 깊게 배우고 싶다면: - [arXiv – Language Models are Unsupervised Multitask Learners (GPT-2)](https://cdn.openai.com/better-language-models/language_models_are_unsupervised_multitask_learners.pdf) - [arXiv – Language Models are Few-Shot Learners (GPT-3)](https://arxiv.org/abs/2005.14165) - [OpenAI – GPT-4 Technical Report](https://arxiv.org/abs/2303.08774) - [WikiDocs – GPT 완벽 가이드](https://wikidocs.net/169098) - [HuggingFace – Transformers 라이브러리](https://huggingface.co/docs/transformers/index) ## 여러분이 배운 것 ✅ **AI의 모든 아키텍처** (퍼셉트론 → Transformer → GPT) ✅ **각 기술의 원리** (수식, 코드, 직관) ✅ **실전 응용** (검색, 번역, 코딩, 창작) ✅ **최신 기술** (ChatGPT, GPT-4) ✅ **미래 전망** (AGI?, AI의 한계) **“Attention is all you need” (Transformer 2017)** **“Language Models are Few-Shot Learners” (GPT-3 2020)** **“Generative AI is a game changer” (ChatGPT 2022)** ## 같이보기 - [BERT vs GPT – 두 거인의 차이점](https://doyouknow.kr/bert-vs-gpt-comparison-encoder-decoder-guide/) - [BERT – 양방향으로 언어를 이해하는 AI](https://doyouknow.kr/bert-bidirectional-transformer-masked-language-model/) - [Transformer – AI 혁명의 시작](https://doyouknow.kr/transformer-attention-mechanism-bert-gpt-chatgpt/) - [자연어 처리(NLP) – AI와 대화하기](https://doyouknow.kr/nlp-natural-language-processing-tokenization-sentiment-chatbot/) - [ChatGPT 10배 활용법 – Prompt Engineering 완벽 마스터 가이드](https://doyouknow.kr/prompt-engineering-chatgpt-cot-few-shot-tot-guide/) - [소형 AI 모델 혁명: SLM과 온디바이스 AI가 바꾸는 미래 – 클라우드 없이 스마트폰에서 GPT급 AI를!](https://doyouknow.kr/slm-small-language-model-ondevice-ai-guide/) ### 이 글 공유하기: - [Facebook으로 공유하기 (새 창에서 열림)Facebook](https://doyouknow.kr/gpt-generative-autoregressive-language-model-chatgpt/?share=facebook) - [X에 공유 (새 창에서 열림)X](https://doyouknow.kr/gpt-generative-autoregressive-language-model-chatgpt/?share=x) - ### 이것이 좋아요: 좋아하기로드 중... ### *관련* ### 관련된 글: 1. [[AI 101] Transformer – AI 혁명의 시작](https://doyouknow.kr/transformer-attention-mechanism-bert-gpt-chatgpt/) 2. [[AI 101] BERT vs GPT – 두 거인의 차이점](https://doyouknow.kr/bert-vs-gpt-comparison-encoder-decoder-guide/) 3. [GPT vs Claude vs Gemini – 생성형 AI 완전 해부: Transformer부터 멀티모달까지](https://doyouknow.kr/gpt-claude-gemini-transformer-rlhf-diffusion-multimodal-comparison/) 4. [AI 초보자 필독! 인공지능의 정의부터 역사까지 – 튜링부터 ChatGPT까지의 70년 여정](https://doyouknow.kr/what-is-artificial-intelligence-definition-history/) ## One Comment 1. 핑백: [[AI 101] Transformer - AI 혁명의 시작 - Do You Know?](https://doyouknow.kr/transformer-attention-mechanism-bert-gpt-chatgpt/) ### 댓글 남기기[응답 취소](/gpt-generative-autoregressive-language-model-chatgpt/?t=1785786530#respond)