LLM Primer I 챕터별 워크스루

LLM Primer I: How Generative AI Works를 챕터별로 소개하는 12회 시리즈, 그 서문과 인덱스입니다. 2026년 2월 18일부터 3월 1일까지, 매일 한 편씩 올라갑니다.

이 시리즈를 시작한 이유

『LLM Primer I』을 쓰던 즈음, 솔직히 저는 "이런 책이 있었으면" 싶은 책을 찾지 못해 직접 쓰기로 마음먹었습니다. 대규모 언어 모델이 실제로 어떻게 움직이는지를, 메커니즘을 한 단계씩 짚어가며 설명하면서, 전공자가 아닌 독자도 따라올 수 있고 — 동시에 엔지니어가 읽어도 가볍게 흘릴 수 없는 책. 그런 책이 좀처럼 보이지 않더라는 게 솔직한 출발점이었습니다.

LLM 입문서는 대체로 두 진영 중 한쪽에 속해 있는 듯합니다. "AI의 마법"을 어슴푸레 가리키기만 할 뿐 손에 잡히는 단서를 남기지 않는 마케팅 톤의 책들, 그리고 첫 단락부터 행렬 대수가 쏟아져 내리는 연구 논문 톤의 책들. 전자는 읽고 나도 시야가 거의 트이지 않고, 후자는 그저 위압감만 남기고 "스스로 생각하는 힘"은 길러주지 않습니다.

이 책은 그 사이의 길을 가려 했습니다. 기술적 정확성은 양보하지 않으면서도, 끝까지 따라 읽을 수 있는 문장으로, 중요한 개념을 하나씩 정리해 나가는 것. 2026년판에서는 본문 곳곳에 "쉬운 말로 풀면"이라는 짧은 칼럼을 끼워 넣었습니다. 수학적 배경이 있든 없든, 끝까지 읽어낼 수 있도록 하기 위함입니다.

이 12회 시리즈는 그 책을 매일 조금씩 소개해 보려는 시도입니다. 각 글에서는 해당 챕터의 중심 아이디어를 꺼내고, 왜 그런 구성으로 썼는지를 함께 적었습니다. 시리즈만 따로 읽어도 "현대의 LLM을 한 바퀴 도는 투어"가 되도록 짰고, 책을 사실지 망설이는 분께는 판단 재료가 되어 드리면 좋겠습니다.

이런 분께

챗봇을 만지면서 "이 안에서 정말 무슨 일이 일어나고 있는 거지?" 싶었던 분. 프롬프트 팁 모음이 아니라 LLM 자체를 차분히 이해해 보고 싶은 엔지니어. 내가 만든 게 아닌 AI 도구에 대해 판단을 내려야 하는 매니저나 경영진. 본격적인 기술 분야의 입구를 찾고 있는 학생. 어느 자리에서든 안으로 들어올 수 있도록 썼습니다.

필요하지 않은 것들: 수학적 소양, 프로그래밍 경험, 머신러닝 사전 지식. 본문은 기술적으로 단단하게 쓰되, 그 곁을 "쉬운 말로 풀면" 칼럼이 동행해 줍니다. 이 시리즈는 그중에서도 더 친근한 쪽으로 무게를 둔 소개입니다.

12개의 챕터

제I부 — 개념과 기초

제1장 — 대규모 언어 모델이란 무엇인가 (2월 18일) — "대규모", "언어", "모델"이 각각 정말로 가리키는 것. 역사를 짚으며, 판단을 흐트러뜨리는 대표적인 세 가지 오해도 함께 다룹니다.

제2장 — 확률, 토큰, 그리고 텍스트 (2월 19일) — 텍스트가 토큰으로 바뀌는 과정, 언어 모델링을 "확률의 문제"로 바라보는 관점, 그리고 다음 토큰 예측 하나에서 "모든 것"이 자라나는 이유.

제3장 — 언어를 위한 뉴럴 네트워크 (2월 20일) — Feedforward가 언어와 맞지 않았던 이유, RNN이 부딪힌 벽, 그리고 Attention이 결정적으로 바꿔놓은 것.

제II부 — LLM의 작동 원리

제4장 — Transformer 아키텍처 (2월 21일) — 현대 AI 엔진의 내부. Self-Attention, 위치 인코딩, Encoder/Decoder, 그리고 스케일링 법칙.

제5장 — 대규모 모델 학습 (2월 22일) — 데이터는 어디에서 오는가, 손실 함수가 하는 일, 분산 학습의 짜임새, 그리고 프론티어 모델의 학습이 몇 달과 수억 달러를 잡아먹는 이유.

제6장 — 파인튜닝과 적응 (2월 23일) — 프롬프트 조정에서 Instruction Tuning, LoRA까지. 그리고 RLHF와 그 현대적 후예 — 날것의 모델을 "쓸 만한 어시스턴트"로 바꾸는 얼라인먼트 기법들.

제7장 — 다음 토큰 예측의 너머 (2월 24일) — 임베딩, 시맨틱 검색, RAG, 그리고 멀티모달 입력으로의 확장.

제III부 — 실전

제8장 — 애플리케이션에서 LLM 쓰기 (2월 25일) — 챗봇, 요약, 코드 생성, 지식 추출, 평가. 그리고 모델 스스로 툴 사용 루프를 운전하는 "에이전트형"의 흐름.

제9장 — 성능, 스케일, 비용 (2월 26일) — 모델 크기와 능력, 레이턴시와 처리량의 트레이드오프, 양자화, 엣지 배포, 그리고 "프론티어 모델이 손에 닿더라도 종종 잘못된 선택이 되는" 이유.

제10장 — 안전성, 윤리, 신뢰 (2월 27일) — 환각이 구조적으로 생기는 이유, 편향이 실은 어디에 깃들어 있는지, 다층 가드레일이 작동하는 방식, 그리고 기술로는 대체할 수 없는 "거버넌스"라는 층위.

제IV부 — 첨단 주제

제11장 — 최첨단 연구 (2월 28일) — Mixture-of-Experts, 검색과 메모리 메커니즘, 네이티브 멀티모달, 지속 학습, 그리고 오늘의 추론 모델을 낳은 Inference-Time Scaling. 2026년판에서 가장 많은 지면을 더한 부분입니다.

제12장 — 내 LLM 시스템 만들기 (3월 1일) — 마지막 장. 데이터셋과 라이선스, 학습 파이프라인, 평가 프레임워크, 통합 스택, 그리고 성공한 배포가 공유하는 패턴들.

책과 시리즈에 관하여

책 정보는 LLM Primer I: How Generative AI Works — A Clear and Practical Guide to the Foundations of Large Language Models, 저자는 시모다 쇼헤이입니다.

LLM Primer 시리즈의 제1권에 해당합니다. 후속권들은 각각 다른 주제를 깊이 파고듭니다 — Retrieval-Augmented Generation, MCP를 통한 컨텍스트 설계, 실전 LLM 애플리케이션 구축, AI 시스템의 스케일, AI 보안. 각 권은 독립적으로 읽을 수 있지만, 함께 읽으면 LLM을 다루는 엔지니어링의 전체 그림이 보입니다.

『LLM Primer I』을 읽고 "어떤 주제는 좀 더 깊이 들어가 보고 싶다"고 느끼셨다면, 후속권이 그 다음 걸음이 되어 줍니다.