둘러보기

HBM(고대역폭메모리)은 다수의 D램 칩을 수직으로 적층하고 넓은 데이터 통로(버스)를 통해 기존 메모리 대비 월등히 빠른 속도로 데이터를 전송하는 초고속 메모리 반도체다. AI 연산을 수행하는 GPU·NPU와 하나의 패키지 안에 결합되어 대규모 행렬 연산에 필수적인 부품으로 자리잡았으며, 한국 반도체 산업의 핵심 경쟁 품목이다.

메모리 반도체는 디지털 데이터를 일시적 또는 영구적으로 저장·처리하는 반도체 소자로, D램과 낸드플래시가 대표적이다. AI 연산 수요 급증과 함께 메모리 반도체의 중요성이 크게 높아졌으며, 대한민국은 이 분야에서 세계 최상위권의 생산 역량을 보유하고 있다.

팹(Fab)은 'Fabrication Facility'의 약자로, 반도체 웨이퍼를 실제로 제조하는 시설을 가리킨다. 설계 도면을 받아 물리적 칩으로 구현하는 핵심 제조 인프라이며, 초고도 청정 환경과 수십조 원 규모의 장비 투자를 요구하는 자본집약적 시설이다.

반도체 클러스터는 반도체 설계·제조·소재·부품·장비(소부장) 기업과 관련 연구기관이 특정 지역에 집중적으로 입지한 산업 거점이다. 기업 간 협력과 공급망 단축, 인프라 공유를 통해 생산 효율과 기술 경쟁력을 동시에 높이는 것이 핵심 목적이다. 한국에서는 반도체 메가프로젝트(800조 원 규모)의 핵심 전략 개념으로 활용되고 있다.

소부장은 반도체를 비롯한 첨단 제조업의 생산에 필수적인 소재(Material), 부품(Component), 장비(Equipment) 산업군을 통칭하는 용어다. 반도체 공급망의 기초 토대를 이루며, 국산화 수준이 낮을 경우 특정 국가나 기업의 수출 규제에 취약해지는 구조적 리스크를 내포한다.

TSMC(Taiwan Semiconductor Manufacturing Company)는 1987년 설립된 대만의 반도체 파운드리 기업으로, 자체 설계 없이 고객사의 반도체를 위탁 생산하는 사업 모델을 세계 최초로 확립하였다. 전 세계 파운드리 시장의 절반 이상을 점유하며, 애플·엔비디아·AMD 등 주요 팹리스 기업의 핵심 생산 파트너로서 글로벌 반도체 공급망의 중추적 위치를 차지한다.

파운드리(Foundry)는 자체 반도체 설계 없이 외부 고객사의 설계를 받아 위탁 생산만을 전문으로 수행하는 반도체 제조 공장 또는 사업 모델을 의미한다. 설계 전문 기업(팹리스)과 분업 구조를 형성하며, AI·모바일·자동차 등 다양한 산업의 핵심 칩을 생산하는 글로벌 공급망의 중추 역할을 담당한다.

노광기는 반도체 제조 공정에서 빛을 이용해 웨이퍼 위에 회로 패턴을 새기는 핵심 장비로, 포토리소그래피 공정의 중심 설비다. 네덜란드 기업 ASML이 첨단 노광기 시장을 사실상 독점하고 있으며, 특히 극자외선(EUV) 노광기는 전 세계에서 ASML만이 공급할 수 있는 전략 물자로 분류된다.

풀스택 AI 인프라 생태계란 AI 서비스 구현에 필요한 반도체 설계·제조부터 소재·부품·장비, 소프트웨어·플랫폼까지 공급망 전 단계를 자국 내에서 보유·운영하는 산업 구조를 말한다. 특정 국가나 기업에 대한 의존도를 낮추고 기술 주권을 확보하는 것이 핵심 목표이며, 대한민국의 반도체 메가프로젝트(800조 원 규모)도 이 생태계 구축을 중심 전략으로 삼고 있다.

초격차란 경쟁국이나 경쟁 기업이 단기간 내에 따라잡을 수 없는 압도적인 기술력·생산 능력·규모의 우위를 의미한다. 반도체 분야에서는 메모리·파운드리 등 핵심 영역에서 대한민국이 선점한 기술적 선도 지위를 유지·확대하는 전략적 개념으로 사용된다. 정부의 반도체 메가프로젝트(800조)는 이 초격차 유지를 핵심 목표로 설정하고 있다.

AI 공급망이란 AI 서비스가 구현되기까지 필요한 반도체 설계·제조, 데이터센터 구축·운영, 소프트웨어 개발·배포에 이르는 전체 가치사슬을 의미한다. 각 단계는 상호 긴밀하게 연결되어 있어 특정 단계의 병목이 전체 AI 산업 생태계에 파급 영향을 미친다.

피지컬 AI란 AI 기술이 로봇·기계·센서 등과 결합하여 디지털 공간에 머물지 않고 실제 물리 환경에서 인식·판단·행동을 수행하는 기술 패러다임이다. 소프트웨어 중심의 AI가 몸을 갖게 되는 것으로 이해할 수 있으며, 제조·물류·건설·의료 등 다양한 산업 현장에서 자율적으로 작업을 수행하는 지능형 시스템의 토대가 된다.

휴머노이드는 인간의 신체 구조를 모방하여 두 발로 보행하고 두 팔로 작업을 수행하도록 설계된 로봇이다. 제조·물류·의료 등 인간 중심으로 설계된 작업 환경에 별도 시설 개조 없이 투입할 수 있다는 점에서 주목받고 있으며, 피지컬 AI 기술의 핵심 구현체로 자리잡고 있다.

AI 에이전트란 외부의 지속적인 지시 없이도 스스로 목표를 설정하고 환경을 인식하여 행동을 수행하는 AI 시스템을 말한다. 단순히 질문에 답하는 수준을 넘어 계획 수립, 도구 활용, 결과 검증을 반복하며 복잡한 과업을 자율적으로 완수한다. 피지컬 AI 분야에서는 로봇·기계와 결합해 실제 물리 환경에서 행동하는 핵심 기술로 주목받고 있다.

풀스택 AI 팩토리는 인공지능과 로봇이 설계·생산·품질검사·물류 등 공장 운영의 전 단계에 걸쳐 협업하며 자율적으로 운영되는 지능형 공장이다. 단순 자동화를 넘어 AI가 공정 전반을 스스로 인식·판단·최적화하는 것이 핵심이며, 피지컬 AI 기술의 집약적 구현 형태로 꼽힌다.

제조AI 파운데이션 모델은 제조업 전반에 걸쳐 범용적으로 활용할 수 있도록 대규모 데이터로 사전 학습된 대형 AI 기반 모델이다. 특정 공정이나 제품에 국한되지 않고 다양한 제조 환경에 적응·전이될 수 있도록 설계되며, 이를 토대로 도메인 특화 모델이나 경량 엣지 모델로 파생·확장된다.

월드모델은 AI가 물리 환경의 구조와 동작 원리를 내부적으로 표현하고 시뮬레이션하여 현실을 이해·예측·계획할 수 있도록 하는 모델이다. 로봇이나 자율 시스템이 실제 세계에서 안전하고 효율적으로 행동하기 위한 핵심 기반 기술로, 디지털 트윈·물리 시뮬레이터 등과 밀접하게 연관된다.

물리법칙 기반 AI 모델은 뉴턴 역학, 열역학, 유체역학 등 물리학 법칙을 학습 구조 안에 내재화하여 제조 공정과 물리 환경을 이해·예측하는 인공지능이다. 순수 데이터 학습만으로는 확보하기 어려운 물리적 일관성을 보장함으로써, 소량의 실측 데이터로도 높은 신뢰도의 예측이 가능하다. 피지컬 AI 및 스마트팩토리 고도화의 핵심 기반 기술로 주목받고 있다.

제조 암묵지란 숙련 노동자가 오랜 경험을 통해 체득한 감각적·직관적 노하우를 데이터로 변환하여 디지털 형태로 저장·활용 가능하게 만든 지식을 말한다. 문서나 매뉴얼로 명시하기 어려운 '몸으로 아는 기술'을 AI와 로봇이 학습할 수 있는 형태로 전환하는 것이 핵심이다. 피지컬 AI 및 지능형 제조 혁신의 기반 자원으로 주목받고 있다.

온디바이스 컴퓨팅은 클라우드 서버에 의존하지 않고 스마트폰·로봇·IoT 기기 등 단말 자체에서 AI 연산을 수행하는 방식이다. 네트워크 연결 없이도 실시간으로 추론이 가능하며, 데이터가 외부로 전송되지 않아 보안성과 응답 속도 면에서 유리하다.

엣지 컴퓨팅은 데이터가 생성되는 현장(엣지) 근방에서 연산을 수행하는 분산 컴퓨팅 방식으로, 중앙 클라우드 서버로 데이터를 전송하지 않고도 실시간 처리가 가능하다. 이를 통해 네트워크 지연(레이턴시)을 최소화하고, 피지컬 AI·로봇·자율이동체 등 즉각적 판단이 필요한 시스템을 안정적으로 지원한다.

M.AX 클러스터는 기존 산업단지를 AI·로봇 기반의 제조 혁신 거점으로 전환하는 정부 주도 프로그램이다. 피지컬 AI 메가프로젝트의 핵심 인프라 전략으로, 제조 현장에 AI·자동화 기술을 집약적으로 도입하여 산업경쟁력을 높이는 것을 목표로 한다.

제조AX(AI Transformation)는 제조업의 전 공정과 가치사슬에 인공지능 기술을 전면적으로 도입하여 생산 방식, 품질 관리, 의사결정 체계를 근본적으로 재편하는 전환 전략이다. 단순 자동화를 넘어 AI가 설계·공정·물류·유지보수 등 제조 전 영역에 내재화되는 것을 목표로 한다.

스마트공장은 AI·IoT·빅데이터 등 디지털 기술을 결합하여 제조 공정의 자동화와 최적화를 실현한 시설이다. 설비·공정·품질·물류 데이터를 실시간으로 수집·분석함으로써 생산 효율을 높이고 불량률을 낮춘다. 피지컬 AI 기술의 발전과 함께 스마트공장은 단순 자동화를 넘어 자율 판단·자가 최적화가 가능한 지능형 공장으로 진화하고 있다.

로봇 학습 데이터는 로봇이 특정 동작이나 작업을 수행하도록 AI 모델을 훈련시키기 위해 수집·가공된 데이터셋이다. 센서 정보, 영상, 힘·토크 측정값, 인간 시연 데이터 등 다양한 형태로 구성되며, 로봇의 행동 품질과 범용성을 결정짓는 핵심 자원이다.

데이터팩토리는 AI 학습에 필요한 데이터를 체계적으로 수집·가공·표준화하여 제공하는 플랫폼이다. 특히 피지컬 AI·로봇 분야에서는 센서, 영상, 동작 등 다양한 형태의 실세계 데이터를 일관된 품질로 공급하는 인프라로서 핵심적인 역할을 수행한다.

자율주행은 AI가 카메라·레이더·라이다 등 다양한 센서로 주변 환경을 인식하고 스스로 판단하여 사람의 개입 없이 차량을 운행하는 기술이다. 피지컬 AI의 가장 대표적인 응용 사례로, AI가 물리 세계에서 실시간으로 판단·행동하는 능력을 요구한다. 승용차·버스·트럭·배송 로봇 등 다양한 이동 수단으로 적용 범위가 확대되고 있다.

AIDC(AI Data Center)는 AI 모델의 학습(Training)과 추론(Inference)에 필요한 대규모 병렬 연산을 수행하기 위해 특화 설계된 컴퓨팅 인프라 시설이다. 일반 데이터센터와 달리 GPU 등 AI 가속기를 대량으로 집적하고, 이를 뒷받침하는 고속 네트워크·냉각·전력 시스템을 갖춘다. 대한민국 정부는 AIDC 메가프로젝트(약 550조 원 규모)를 통해 국가 차원의 AI 컴퓨팅 역량 확보를 추진하고 있다.

GPU(Graphics Processing Unit)는 원래 그래픽 렌더링을 위해 설계된 프로세서로, 수천 개의 소형 연산 코어를 통해 대규모 병렬 연산을 수행하는 데 탁월하다. AI 모델 학습과 추론에 필요한 행렬 연산이 GPU의 병렬 구조와 잘 맞아떨어지면서 현재 AI 인프라의 핵심 하드웨어로 자리잡았으며, 엔비디아가 시장을 주도하고 있다.

엔비디아(NVIDIA)는 AI 학습 및 추론에 필수적인 GPU를 설계·공급하는 미국 반도체 기업으로, AI 인프라 시장의 핵심 공급자 위치를 점하고 있다. 자체 개발한 CUDA 플랫폼과 호퍼·블랙웰 등 GPU 아키텍처를 통해 전 세계 AI 데이터센터 구축의 기반 기술을 제공한다.

LLM(Large Language Model)은 인터넷 문서·책·코드 등 방대한 텍스트 데이터를 학습한 대규모 AI 언어 모델로, 문장 생성·번역·요약·질의응답 등 다양한 언어 과제를 수행한다. GPT, Claude, Gemini 등이 대표적이며, 생성형 AI 서비스의 핵심 엔진 역할을 한다.

생성형 AI란 텍스트·이미지·코드·음성·영상 등 기존에 없던 새로운 콘텐츠를 스스로 만들어 내는 인공지능 기술의 총칭이다. 대규모 데이터로 학습한 파운데이션 모델을 기반으로 작동하며, 최근 LLM의 급속한 발전과 함께 산업·행정 전반에 걸쳐 활용 범위가 빠르게 확대되고 있다.

파운데이션 모델은 방대한 데이터로 사전학습되어 번역·요약·코딩·이미지 생성 등 다양한 태스크에 범용으로 활용할 수 있는 대규모 AI 모델이다. 단일 모델을 기반으로 소량의 추가 학습(파인튜닝)만으로 특정 분야에 신속히 적용할 수 있어, 현대 AI 산업 생태계의 핵심 기반 기술로 자리잡았다.

추론(Inference)은 학습이 완료된 AI 모델이 새로운 입력 데이터를 받아 예측·분류·생성 등의 결과를 도출하는 과정이다. 학습(Training)과 대비되는 개념으로, 실제 서비스 환경에서 사용자가 AI를 활용할 때 일어나는 핵심 연산 단계이다. AI 서비스가 확산될수록 추론에 소요되는 컴퓨팅 자원과 비용이 전체 AI 인프라 운영의 핵심 변수로 부상하고 있다.

연산(Computing)은 AI 모델의 학습과 추론 과정에서 수행되는 대규모 수치 계산 처리를 의미한다. 딥러닝 모델의 복잡도가 급격히 높아지면서 필요한 연산량이 기하급수적으로 증가하였으며, 이는 AI 데이터센터와 전용 프로세서 수요 폭증의 핵심 원인이 되고 있다.

전력 인프라는 AI 데이터센터(AIDC) 운영에 필수적인 대규모 전력 공급·변환·분배·백업 체계 전반을 가리킨다. GPU 기반 AI 연산은 일반 서버 대비 훨씬 높은 전력 밀도를 요구하므로, 안정적이고 효율적인 전력 인프라 확보가 AIDC 구축의 선결 과제로 부상하고 있다.

RE100은 기업이 사업 운영에 필요한 전력 전량(100%)을 태양광·풍력 등 재생에너지로 조달하겠다고 공개 선언하는 글로벌 자발적 캠페인이다. 영국 비영리기구 클라이밋 그룹(Climate Group)과 CDP가 공동 운영하며, 글로벌 공급망 참여 기업들에 사실상 표준 규범으로 작용하고 있다.

기가와트(GW)는 전력의 단위로, 1GW는 10억 와트(W) 또는 1,000메가와트(MW)에 해당한다. AI 데이터센터 시대에 접어들면서 대규모 컴퓨팅 인프라의 전력 소비 규모를 나타내는 핵심 인프라 지표로 널리 사용되고 있다.

클라우드 컴퓨팅은 인터넷을 통해 서버·스토리지·네트워크·소프트웨어 등 컴퓨팅 자원을 필요한 만큼 빌려 쓰는 서비스 모델이다. 자체 전산실을 구축하지 않아도 되므로 초기 투자 비용을 줄이고 수요 변화에 유연하게 대응할 수 있다. AI 시대에는 대규모 GPU 연산 자원을 온디맨드로 활용하는 핵심 인프라로 부상하고 있다.

AI 국민배당금은 AI 산업이 창출하는 초과 이익을 세금·기금·수익 배분 등의 구조적 메커니즘을 통해 전 국민에게 돌려주는 정책 아이디어다. AI 기술이 소수 대형 플랫폼·인프라 기업에 부를 집중시키는 경향에 대한 사회적 대응 방안으로 논의되고 있으며, 기본소득 논의의 AI 시대 변형으로도 이해된다.

AI·반도체 산업의 급격한 성장에 따라 기업 실적이 크게 개선되면서 당초 정부 예산안에서 예상한 세수를 초과하여 추가로 걷히는 세금을 뜻한다. 주로 대형 반도체·AI 기업의 법인세 증가가 핵심 원인이며, 이 초과 재원을 AI 인프라·연구개발 등에 재투자하는 재정 정책 논의로 이어진다.

K-뉴딜 아카데미는 AI 전환 시대에 기존 일자리가 자동화·대체되는 과정에서 발생하는 청년층의 직업 공백을 메우기 위해 설계된 국가 주도 재교육 프로그램이다. 리스킬링과 업스킬링을 핵심 방법론으로 삼아, AI·데이터·클라우드 등 디지털 신산업 분야의 실무 인력을 체계적으로 양성하는 것을 목표로 한다.

국민성장펀드는 대한민국 정부가 AI·반도체 산업 육성을 위해 민간 자본과 공동으로 조성하는 150조 원 규모의 정책형 투자 펀드다. 550조 원 규모의 AIDC 메가프로젝트의 핵심 재원 조달 수단으로, AI 데이터센터 구축·반도체 공급망 강화·스타트업 생태계 지원 등을 목적으로 한다.

AI 리터러시란 인공지능의 작동 원리를 이해하고, 그 결과물을 비판적으로 판단하며, 윤리적 기준에 따라 책임감 있게 활용하는 복합적 역량이다. 단순한 도구 사용 능력을 넘어 AI가 사회에 미치는 영향을 인식하고 능동적으로 대응하는 'AI 시민성'까지 포함한다.

디지털 리터러시란 컴퓨터·스마트폰 등 디지털 기기와 인터넷 환경에서 정보를 탐색·이해·평가·활용하는 기초 역량을 말한다. 단순한 기기 조작 능력을 넘어 디지털 정보의 신뢰성을 판단하고 윤리적으로 활용하는 능력까지 포함한다. AI 시대에는 AI 리터러시, 데이터 리터러시 등 상위 개념의 출발점이자 필수 기반으로 간주된다.

프롬프트 엔지니어링은 AI 언어모델로부터 원하는 결과를 얻기 위해 입력 문장(프롬프트)을 체계적으로 설계하는 기술이다. 질문의 구조, 맥락, 예시, 역할 부여 등 다양한 요소를 조합하여 AI의 응답 품질을 높이는 것이 핵심이다. 별도의 모델 재학습 없이 입력 방식만 조정하여 AI 활용 효과를 크게 개선할 수 있어 실무 현장에서 주목받고 있다.

할루시네이션(Hallucination)이란 AI가 실제로는 존재하지 않거나 사실과 다른 정보를 마치 사실인 것처럼 자연스럽고 그럴듯하게 생성하는 현상이다. 이는 AI 모델 자체의 구조적 특성에서 비롯되며, AI 결과물을 무비판적으로 수용할 경우 오류 정보가 확산될 위험이 있다.

알고리즘 편향이란 AI 모델을 학습시키는 데이터나 설계 과정에 내재된 편향이 모델의 출력 결과에 그대로 반영되는 현상을 말한다. 특정 집단에 대한 불공정한 판단이나 차별적 결과를 낳을 수 있어, AI 신뢰성과 공정성 확보의 핵심 과제로 꼽힌다.

AI 윤리란 인공지능을 개발하고 활용하는 전 과정에서 마땅히 준수해야 할 도덕적 원칙과 기준의 총체로, 저작권 보호·개인정보 보호·공정성·투명성·책임성 등을 핵심 가치로 삼는다. AI 기술이 사회 전반에 빠르게 확산됨에 따라, 기술적 편의성과 함께 인간의 권리·존엄성·사회적 형평성을 동시에 지키기 위한 규범 체계로서 중요성이 높아지고 있다.

비판적 사고란 AI가 생성한 결과물의 진위 여부, 편향성, 출처 신뢰도를 스스로 판단하고 검증하는 능력이다. AI 시대에는 할루시네이션·알고리즘 편향·딥페이크 등 정보 왜곡 위험이 증가하므로, 이를 식별하고 대응하는 비판적 사고가 AI 리터러시의 핵심 역량으로 부각되고 있다.

맞춤형 학습이란 AI 기술을 활용하여 개별 학습자의 수준·속도·관심사에 최적화된 교육 경험을 제공하는 방식이다. 획일적 교육과 달리 학습자마다 다른 콘텐츠·난이도·경로를 제시함으로써 학습 효율과 동기를 높이는 것을 목표로 한다.

인간-AI 협업은 인간의 창의성, 맥락 이해, 윤리적 판단 능력과 AI의 대규모 연산·패턴 인식 능력을 결합하여 어느 한쪽만으로는 달성하기 어려운 성과를 이끌어 내는 협력 방식이다. 인간을 AI로 대체하는 것이 아니라, AI를 인간 역량을 확장하는 도구로 활용한다는 점에서 '증강 지능(Augmented Intelligence)'의 개념과 맞닿아 있다.

AI 기본사회란 AI 기술의 혜택이 특정 계층이나 집단에 집중되지 않고 모든 국민이 균등하게 누릴 수 있도록 설계된 사회 체계를 말한다. 디지털 격차 해소, AI 접근성 보장, 사회 안전망 확충을 통해 기술 발전의 과실이 보편적으로 분배되는 것을 목표로 한다.

AI 기본사회법은 인공지능 기술의 확산으로 발생하는 노동 대체·소득 불평등 등 사회적 위험에 대응하기 위해 AI 기반 복지 및 소득 보장 체계를 법적으로 뒷받침하는 입법 개념이다. 기존 AI 기본법·진흥법이 기술 개발과 산업 육성에 초점을 맞춘다면, AI 기본사회법은 AI 전환 과정에서 소외되는 시민의 권리와 생활 보장을 핵심 목적으로 한다.

글로벌 AI 허브란 한국을 세계 AI 산업의 중심 거점으로 육성하기 위한 국가 전략으로, 기술 개발·인재·데이터·투자·국제 협력이 집중되는 생태계를 구축하는 것을 목표로 한다. 단순한 기술 추격을 넘어 AI 표준화, 외교, 다자 협의체 참여 등을 통해 국제 규범 형성에 능동적으로 참여하는 것을 포함한다.

AI 패권 경쟁이란 미국·중국을 중심으로 주요국들이 인공지능 기술의 주도권을 확보하기 위해 벌이는 국가 차원의 전략적 경쟁을 말한다. 이 경쟁은 반도체·데이터·알고리즘 등 AI의 핵심 요소 전반에 걸쳐 전개되며, 기술 봉쇄와 수출 규제 등 경제·안보 영역으로까지 확대되고 있다.

룰 메이커(Rule Maker)란 AI 관련 국제 규범·표준·규제를 선도적으로 만들어 글로벌 질서를 주도하는 국가 또는 기관을 가리킨다. 단순히 기술을 개발하는 것을 넘어, 기술이 작동하는 방식과 한계를 규정하는 '게임의 규칙'을 설정함으로써 국제사회에 강력한 영향력을 행사한다.

인공지능 행동계획은 정부가 AI 기술의 개발·확산·규제·인력 양성 등 주요 과제를 체계적으로 추진하기 위해 수립하는 정책 실행 로드맵이다. 목표·과제·일정·담당 기관·예산을 종합적으로 명시함으로써 AI 관련 국가 전략을 구체적인 행정 행위로 전환한다.

국가인공지능전략위원회는 인공지능 관련 국가 전략을 총괄 심의·조정하는 대통령 직속 위원회로, 범부처 AI 정책의 컨트롤타워 역할을 수행한다. 민간 전문가와 정부 부처 장관이 함께 참여하여 AI 정책의 방향성을 설정하고 주요 사안을 심의한다.

딥러닝은 인공신경망을 여러 층으로 깊게 쌓아 데이터로부터 복잡한 패턴과 특징을 자동으로 학습하는 AI 기술이다. 이미지 인식, 음성 인식, 자연어 처리 등 다양한 분야에서 기존 방법론을 크게 뛰어넘는 성능을 발휘하며, 현재 대부분의 AI 서비스와 모델의 기술적 토대를 이룬다.

머신러닝은 사람이 규칙을 직접 프로그래밍하는 대신, 데이터로부터 패턴과 규칙을 스스로 학습하는 AI의 핵심 방법론이다. 통계학과 컴퓨터과학을 기반으로 하며, 오늘날 이미지 인식·자연어처리·추천 시스템 등 AI 응용 기술 대부분의 토대를 이룬다.

인공신경망은 인간 뇌의 뉴런 연결 구조를 수학적으로 모방한 AI 학습 구조로, 입력된 데이터를 여러 층의 노드(인공 뉴런)를 통해 처리하여 패턴을 인식하고 결과를 예측한다. 현대 딥러닝과 대규모 언어 모델(LLM)의 핵심 토대로서, 이미지 인식·자연어 처리·음성 인식 등 AI 핵심 응용 분야 전반에 걸쳐 사용된다.

학습 데이터란 AI 모델이 패턴·규칙·지식을 습득할 수 있도록 훈련 과정에 투입되는 데이터셋을 말한다. 데이터의 양과 질은 모델 성능을 결정하는 핵심 요인이며, 수집·정제·레이블링 등 전처리 과정이 필수적으로 수반된다.

파인튜닝(Fine-tuning)은 대규모 데이터로 사전학습된 AI 모델을 특정 목적이나 도메인에 맞게 추가적으로 학습시키는 과정이다. 처음부터 모델을 새로 학습하는 것보다 훨씬 적은 데이터와 비용으로 높은 성능을 달성할 수 있어, 실무 현장에서 AI를 도입·활용하는 핵심 방법론으로 자리잡고 있다.

멀티모달 AI는 텍스트·이미지·음성·영상 등 둘 이상의 서로 다른 데이터 형식(모달리티)을 동시에 입력받거나 출력할 수 있는 인공지능 시스템이다. 단일 형식의 데이터만 처리하는 단일모달(unimodal) AI와 달리, 여러 감각 정보를 통합하여 보다 풍부하고 정확한 추론을 수행한다.

자연어처리(NLP)는 컴퓨터가 인간의 언어(텍스트·음성)를 이해하고 분석하며 생성할 수 있도록 하는 AI 기술 분야다. 번역, 요약, 질의응답, 감성 분석 등 언어와 관련된 다양한 응용 기술의 공통 기반을 이루며, 최근 대규모 언어 모델(LLM)의 등장으로 그 활용 범위가 급격히 확대되고 있다.

컴퓨터 비전은 AI가 이미지와 영상 데이터를 인식·분석·해석하도록 하는 기술 분야로, 인간의 시각 능력을 기계로 구현하는 것을 목표로 한다. 딥러닝 기반의 합성곱 신경망(CNN) 등이 등장하면서 정확도가 비약적으로 향상되었으며, 제조·의료·교통·보안 등 광범위한 산업 분야에서 핵심 기반 기술로 활용된다.

강화학습은 AI 에이전트가 환경과 상호작용하면서 보상 신호를 최대화하는 방향으로 행동 전략을 스스로 학습하는 기계학습 방법론이다. 정답 데이터를 직접 제공하는 지도학습과 달리, 시행착오를 통해 최적의 의사결정 규칙(정책)을 발견한다는 점에서 구별된다.

멀티플(Multiple)은 기업의 이익·매출·자산 등 재무 지표 대비 기업 가치가 몇 배로 평가되는지를 나타내는 밸류에이션 배수다. 리레이팅(Re-rating)은 시장이 특정 기업 또는 산업 전체의 멀티플을 상향 재조정하는 현상으로, AI 전환기에 기술 기업들의 성장성 재평가 맥락에서 자주 사용된다.

K자 성장은 경제 성장의 과실이 고소득·첨단산업 종사자 계층에는 집중되는 반면, 일반 계층에는 오히려 소득 감소나 정체가 나타나 격차가 확대되는 구조를 말한다. 알파벳 'K'의 두 획이 위아래로 갈라지는 모양에서 유래한 표현으로, AI·디지털 전환이 가속화될수록 이 현상이 심화될 수 있다는 우려가 제기된다.