Mamba는 대규모 언어 모델(LLM) 분야의 핵심 아키텍처였던 트랜스포머(Transformer)가 직면했던 근본적인 한계를 극복하며 주목받고 있는 새로운 시퀀스 모델링 패러다임입니다. 기존 Transformer 기반 모델들은 입력 시퀀스 길이 $L$에 대해 계산 복잡도가 $O(L^2)$로 증가하는 문제가 있었습니다. 이는 시퀀스가 길어질수록 메모리 사용량과 연산 시간이 기하급수적으로 늘어나, 실시간 처리나 매우 긴 문맥을 다루는 데 심각한 병목 현상을 야기합니다.

Mamba는 이러한 문제를 해결하기 위해 '선택적 상태 공간 모델 (Selective State Spaces)'이라는 혁신적인 메커니즘을 도입했습니다. 이 접근 방식은 기존의 순환 신경망(RNN)과 컨볼루션 신경망(CNN)의 장점을 결합한 하이브리드 구조를 취합니다.

선택적 상태 공간 모델 (Selective State Spaces)
Mamba의 핵심은 단순히 시퀀스를 처리하는 것을 넘어, 입력 데이터의 내용($x_t$)에 따라 정보 흐름을 '선택'할 수 있다는 점입니다. 이는 기존의 상태 공간 모델(State Space Model, SSM)이 가지던 한계를 극복한 것입니다. Mamba는 게이트 메커니즘을 도입하여, 현재 시점의 입력 $x_t$가 어떤 정보를 얼마나 중요하게 처리해야 하는지를 동적으로 결정합니다. 이 선택적 특성은 모델이 불필요하거나 노이즈에 가까운 정보는 무시하고, 핵심적인 맥락(Context)만을 효과적으로 포착하도록 돕습니다.

선형 시간 복잡도 달성 ($O(L)$)
Mamba가 트랜스포머 대비 가장 큰 우위를 점하는 부분은 계산 복잡도의 개선입니다. SSM을 기반으로 설계되었기 때문에, 시퀀스 길이 $L$에 대한 계산 복잡도가 선형($O(L)$)이 됩니다. 이는 긴 문맥 처리에 있어 메모리 효율성 측면에서 압도적인 이점을 제공합니다.

구현의 유연성과 성능: Mamba는 훈련 단계에서는 컨볼루션(Convolution) 방식으로 병렬 계산을 수행하여 높은 처리 속도를 유지하며, 추론(Inference) 단계에서는 RNN처럼 순차적으로 상태를 업데이트하는 방식을 사용합니다. 이러한 하이브리드 구조 덕분에 트랜스포머와 유사한 강력한 표현력은 유지하면서도, 메모리와 연산 측면에서 훨씬 효율적입니다.

결과적으로 Mamba는 LLM의 스케일업(Scale-up) 추세를 이어가면서도, 계산 자원 제약이라는 현실적인 문제를 해결할 수 있는 실용적이고 강력한 대안을 제시합니다. 이는 미래 시퀀스 모델링 아키텍처의 중요한 이정표로 평가받고 있습니다.