방대한 데이터로 미리 학습해 두고 그 위에 여러 용도를 얹어 쓰는 범용 바탕 모델이다. 작업마다 따로 학습하던 전통적 모델과 달리 번역·요약·코딩·질문 답변을 모델 하나로 처리하고, 특정 용도에는 프롬프트나 파인튜닝으로 맞춰 쓴다.
| 구분 | 전통적 모델 | 파운데이션 모델 |
|---|---|---|
| 학습 | 작업마다 따로 | 한 번 크게 사전학습 |
| 할 수 있는 일 | 한 가지 | 여러 가지 |
| 새 용도 추가 | 데이터 모아 새로 학습 | 프롬프트·파인튜닝으로 적응 |
| 예 | 스팸 분류기 | GPT-4, Claude, Llama |
2021년 Stanford 연구진이 붙인 이름이다.
파운데이션 모델을 내 용도에 맞추는 방법은 여러 단계가 있다. 비용과 수고가 적은 쪽부터 시도하고, 부족할 때만 다음 단계로 넘어가는 게 기본 순서다.
| 방법 | 하는 일 | 이럴 때 쓴다 |
|---|---|---|
| 프롬프팅 | 지시문·예시를 넣어 요청 | 대부분의 일상 작업, 가장 먼저 시도 |
| RAG(검색 결합) | 내 문서를 찾아 함께 전달 | 사내 문서·최신 정보 기반 답변 |
| 파인튜닝(SFT) | 내 데이터로 추가 학습 | 말투·형식 고정, 좁은 전문 작업 반복 |
쓰는 경로는 크게 두 가지다. Claude API·OpenAI API처럼 서비스로 호출하면 서버 없이 바로 쓸 수 있다. Llama 같은 공개 모델은 내려받아 직접 돌리므로 데이터를 밖으로 보내지 않아도 되고 파인튜닝도 자유롭지만, GPU와 운영 부담을 직접 진다.
| 항목 | API 호출 | 공개 모델 직접 실행 |
|---|---|---|
| 시작 | 키 발급 후 바로 | 서버·GPU 준비 필요 |
| 데이터 | 외부 서비스로 전송 | 내부에 머묾 |
| 커스터마이즈 | 제공 범위 안에서 | 자유로움 |
모델을 처음부터 학습하려면 막대한 데이터와 계산 자원이 든다. 이미 학습된 파운데이션 모델을 가져와 프롬프팅하거나 파인튜닝하는 비용은 이보다 압도적으로 낮아서, 지금 대부분의 AI 서비스가 이 방식으로 만들어진다. 텍스트뿐 아니라 이미지(CLIP, Stable Diffusion), 코드(Codex), 과학(AlphaFold) 분야에도 같은 방식의 모델이 있다.
여러 서비스가 같은 바탕 모델 위에 만들어지므로, 바탕 모델의 편향이나 잘못된 지식, 그럴듯한 오답(환각)이 그 위의 모든 앱에 함께 퍼진다. 이 개념을 처음 정리한 Stanford 보고서도 기회와 함께 이런 위험을 중요하게 다뤘다. 중요한 작업에는 출력을 검증하는 단계를 따로 두는 게 안전하다.
가장 흔한 건 챗봇·코딩 도구처럼 이미 만들어진 서비스로 바로 쓰는 방식이다. 직접 만들 때는 API로 불러 프롬프트와 RAG를 얹는 것이 기본이고, 데이터를 밖으로 보낼 수 없을 때만 공개 모델을 내부에서 돌린다.
| 어디서 | 어떻게 쓰나 |
|---|---|
| 대화형 AI 앱 | ChatGPT·Claude 같은 앱에서 질문, 글쓰기, 번역, 요약에 바로 사용 |
| 코딩 도우미 | 에디터나 코딩 에이전트에서 코드 작성·수정·설명을 맡김 |
| 사내 문서 검색 | RAG로 내부 문서를 찾아 붙여 근거 있는 답변을 만듦 |
| 내부 전용 앱 | 공개 모델을 사내 서버에 올리고 내 데이터로 파인튜닝 |