본 논문은 ChatGPT, DeepSeek, Grok-3와 같은 대규모 언어 모델(LLM)의 발전과 이를 기반으로 한 기초 모델(FM)의 놀라운 능력을 소개하며, 인공 일반 지능(AGI) 달성에 한 걸음 더 다가섰음을 언급합니다. 하지만 LLM의 대규모 특성, 프라이버시 문제, 높은 연산 요구량으로 인해 최종 사용자를 위한 개인 맞춤형 설정이 어렵다는 점을 지적합니다. 이러한 문제를 해결하기 위해, 개인 맞춤형 인공지능(API)의 비전을 제시하고, 특히 개인화된 연합 학습(PFI)을 제안합니다. PFI는 연합 학습(FL)의 프라이버시 보호 장점과 FM의 제로샷 일반화 능력을 통합하여, 에지 환경에서 개인화되고 효율적이며 프라이버시를 보호하는 배포를 가능하게 합니다. 논문에서는 FL과 FM의 최근 발전을 검토하고, FM을 활용하여 연합 시스템을 향상시키는 잠재력을 논의합니다. 또한 PFI 구현의 주요 동기와 효율적인 PFI, 신뢰할 수 있는 PFI, 검색 증강 생성(RAG)으로 강화된 PFI 등 유망한 기회를 탐구하고, 개선된 개인화, 연산 효율성 및 프라이버시 보장을 통해 에지에서 FM 기반 FL 시스템을 배포하기 위한 주요 과제와 향후 연구 방향을 제시합니다. 결론적으로 이 논문은 AGI를 보완하는 API 개발의 기반을 마련하고, 특히 PFI를 핵심 기술로 제시하는 것을 목표로 합니다.
