경제·금융 용어사전

2025년부터 2039년 사이에 태어날 세대를 일컫는 말로, 호주의 인구학자이자 사회 분석가인 마크 맥크린다가 제안한 용어다. 이들은 코로나19 팬데믹 이후 태어나는 첫 세대이며, 디지털 전환이 가속화된 환경에서 자라난다.

베타세대는 인공지능(AI), 증강현실(AR), 가상현실(VR) 등 첨단 기술을 자연스럽게 받아들이는 디지털 네이티브로, 비대면 커뮤니케이션과 자동화된 서비스가 일상인 시대에 성장한다. 특히 로봇, 자율주행, 스마트홈 등 자동화 기술을 삶 속에서 직접 체험하는 첫 세대로, 이전 세대와 뚜렷한 차별성을 지닌다.

또한, 이들은 대부분 22세기까지 살아갈 것으로 전망되며, 급변하는 기술 발전 속에서 새로운 가치관과 생활방식을 형성할 것으로 예상된다. 베타세대의 등장은 기존 세대와의 인식 차이와 사회적 변화를 촉진할 주요 변수로 주목받고 있다.

참고로, 2010년부터 2024년까지 태어난 세대는 '알파세대'로 구분된다.

미국의 인공지능 반도체 기업인 엔비디아(Nvidia)가 2025년 5월 출시를 목표로 개발 중인 개인용 AI 슈퍼컴퓨터.

이 제품은 사용자가 데스크톱 환경에서 고성능 AI 모델을 개발·실행하도록 설계됐으며 GB10이라는 엔비디아의 슈퍼칩이 탑재됐다. GB10은 엔비디아의 최신 CPU '그레이스'와 최고급 GPU '블랙웰'을 기반으로 한다.

이 칩을 기반으로 한 프로젝트 디지트는 최대 2천억 개 파라미터 모델을 실행할 수 있으며 두 대를 연결하면 최대 4천50억 개 파라미터 모델도 처리할 수 있다. 파라미터란 AI 모델이 최적화하는 숫자 값을 이른다.

프로젝트 디지트는 128GB의 통합 메모리와 최대 4TB의 저장 공간을 제공해 데이터 처리에 최적화됐다. FP4 정밀도에서 최대 1페타플롭의 AI 성능을 제공하며 최신 세대 CUDA 코어와 5세대 Tensor 코어를 탑재했다.

이 시스템은 표준 전기 콘센트를 사용해 구동되며 엔비디아 DGX OS를 실행해 모델을 프로토타입으로 제작·테스트한 뒤 엔비디아 DGX 클라우드나 가속화된 클라우드 인스턴스, 데이터 센터 인프라에 원활하게 배포할 수 있다.

양자처리장치(QPU)는 양자 컴퓨팅의 핵심 하드웨어 구성요소로, 양자역학 원리를 이용해 정보를 처리하는 장치이다. 양자프로세서라고도 부른다.

프로세서는 큐비트를 기본 정보 단위로 사용하며, 양자 중첩과 얽힘 현상을 활용하여 복잡한 연산을 수행한다.

QPU의 개념은 1981년 리처드 파인만이 양자현상을 이용한 컴퓨팅 아이디어를 제시하면서 처음 등장하였다. 1985년 데이비드 도이치 교수가 양자 알고리즘의 구동 가능성을 검증하였고, 1994년 피터 쇼어 교수의 양자 암호해독 알고리즘 발표로 양자컴퓨팅이 주목받기 시작하였다.

현재 QPU는 다양한 물리적 구현 방식으로 발전하고 있다. 초전도 큐비트, 트랩된 이온 큐비트, 광학 큐비트, 토폴로지 큐비트 등 여러 종류의 큐비트 기술이 연구 중이며, 각 기술은 고유한 장단점을 가지고 있다.

구글의 시카모어(Sycamore) 칩은 2019년 10월에 발표된 53개의 작동 가능한 큐비트를 가진 프로세서로, 양자 우위를 처음으로 달성했다. 이는 NISQ(Noisy Intermediate-scale Quantum) 시대의 대표적인 예시이다.

2024년 12월에 발표된 구글의 윌로우(Willow) 칩은 오류 수정 및 확장성 개선 단계를 대표한다. 윌로우는 105개의 큐비트를 탑재하고 있으며, '표면 코드(surface code)' 기술을 적용해 큐비트 배열을 최적화하여 계산의 정확도를 높였다. 이는 현존하는 가장 빠른 슈퍼컴퓨터로 10의 25제곱년이 걸리는 계산을 단 5분 만에 처리할 수 있는 혁신적인 성능을 보여주었다.

QPU의 성능 향상을 위해 연구자들은 데코히어런스, 오류율, 확장성 등의 기술적 과제를 해결하고자 노력하고 있다. 이러한 발전을 통해 QPU는 암호학, 의약품 개발, 재료 과학, 최적화 문제 등 다양한 분야에서 혁신적인 변화를 가져올 것으로 예상된다.

딥시크(DeepSeek)는 오픈 소스 대규모 언어 모델(LLM)을 개발하는 중국의 인공지능 연구 기업이자 해당 기업이 개발한 AI 모델의 명칭이다. 딥시크는 인공지능 기반 자연어 처리(NLP) 기술을 연구하며, 고성능 AI 모델을 통해 글로벌 AI 생태계에서 경쟁력을 확보하는 것을 목표로 하고 있다.

2023년 5월 중국 헤지펀드인 하이플라이어의 대표 량원펑이 설립한 딥시크는 2024년 12월, GPT-4와 경쟁할 수 있는 대규모 언어 모델 DeepSeek-V3를, 2025년 1월 20일에는 고성능 추론 모델인 DeepSeek-R1을 공개했다.

DeepSeek-V3 모델
DeepSeek-V3는 6,710억 개의 매개변수를 보유한 초대형 언어 모델로, 메타(Meta)의 Llama 3.1보다 약 1.5배 더 큰 규모를 자랑하며, 오픈소스로 제공된다. 벤치마크 테스트에서는 메타의 Llama 3.1, 오픈AI의 GPT-4, 앤트로픽의 Claude 3.5, 구글의 Gemini 모델과 대등하거나 이를 능가하는 성능을 기록했다. 특히, 국제 프로그래밍 테스트 코드포스(Codeforces)에서 뛰어난 코딩 능력을 보였으며, MMLU 벤치마크에서 88.5점을 기록하여 GPT-4와 근소한 차이를 보였다.

딥시크는 상대적으로 낮은 비용과 최적화된 연산 기술을 통해 고성능 AI 모델을 개발하는 전략을 채택하고 있다. V3 모델의 개발 비용은 약 557만 달러(한화 약 82억 원)로, 메타의 Llama 3 모델 개발비(약 6억 4,000만 달러)의 1% 수준에 불과하다. 또한, 엔비디아의 최신 AI 칩인 H100 대신 H800을 사용하여 컴퓨팅 자원을 최적화함으로써 비용 효율성을 극대화했다.

그러나 딥시크의 V3 모델은 정치적으로 민감한 이슈에 대한 답변을 기피하는 경향이 있으며, 환각(hallucination) 문제 등의 한계를 지적받고 있다. 이러한 문제를 해결하는 것이 향후 딥시크 AI의 과제가 될 것으로 보인다.

DeepSeek-R1 모델
DeepSeek-R1은 딥시크가 2025년 1월 20일 공개한 고성능 추론 모델(Inference Model)로, 효율적인 연산과 실시간 응답 성능을 극대화하도록 설계되었다. V3 모델이 주로 대규모 AI 학습과 생성 모델의 성능을 극대화하는 데 집중한 반면, R1 모델은 보다 실용적인 환경에서 빠르고 정확한 답변을 제공하는 데 초점을 맞추고 있다.

특히, R1은 엔비디아의 H800 칩을 활용한 저비용 고성능 AI 모델로 개발되어 기업용 애플리케이션, 실시간 챗봇, 검색 엔진 강화 등에 활용될 것으로 기대된다. 기존의 고성능 AI 모델들이 높은 연산 비용과 GPU 의존성이 컸던 반면, R1 모델은 최적화된 아키텍처를 통해 더 적은 자원으로도 안정적인 성능을 유지할 수 있다.

현재 R1 모델은 중국 내 기업 및 기관들의 다양한 AI 서비스에 채택되고 있으며, 의료, 금융, 교육 분야에서 활용 가능성이 높다고 평가받고 있다. 그러나 데이터 편향성과 일부 특정 분야에서의 한계가 지적되고 있으며, 이러한 점을 개선하기 위한 지속적인 업데이트가 필요할 것으로 보인다.

페깅(Pegging)은 특정 자산의 가치를 다른 자산에 고정하는 금융·경제적 메커니즘으로, 통화정책과 디지털 금융 분야에서 폭넓게 활용된다.

외환시장에서는 한 국가의 통화를 특정 외국 통화나 금에 연동해 환율을 일정 수준으로 유지하는 방식이 대표적이다.
홍콩의 홍콩달러(HKD)는 미국 달러(USD)에 고정돼 있으며, 중국 위안화(CNY) 역시 일정 범위 내에서 달러에 연동되는 방식으로 관리된다.

디지털 자산 시장에서도 페깅 개념이 적용된다.

스테이블코인은 법정화폐(예: 미국 달러)나 특정 자산과 가치를 연동해 가격 변동성을 최소화한 암호화폐다. 테더(USDT), USD코인(USDC) 등은 1달러와 동일한 가치를 유지하도록 설계됐으며, 이를 위해 준비금 기반 또는 알고리즘 기반 메커니즘이 활용된다.

이외에도 현실 세계의 자산을 디지털화하는 증권형 토큰(Security Token)에도 페깅 개념이 적용된다.

주식, 채권, 부동산 등의 가치를 블록체인 기반 토큰과 연동해 거래 효율성을 높이는 방식이다.

휴머노믹스(Humanomics)는 경제 활동의 중심을 인간의 가치, 감정, 경험, 행복에 두는 경제학적 접근 방식으로, 인간(Human)과 경제학(Economics)의 합성어다. 기존 경제학이 수치, 생산성, 자본 중심이었다면, 휴머노믹스는 인간의 심리, 행동, 경험, 그리고 사회적 가치를 경제 성장의 주요 동력으로 본다.

소비자들은 효율과 가격보다 감정적 만족과 경험을 중시하며, 이는 맞춤형 서비스와 ESG 경영으로 이어진다. 행동 경제학과 경험 경제의 영향을 받아 인간의 심리와 행동이 경제 성장의 핵심 요소로 부각되며, 지속 가능한 성장과 인간 중심의 가치 창출을 궁극적 목표로 한다.

라떼 파파는 육아에 적극적으로 참여하며 성평등한 가족문화를 실천하는 아빠를 뜻하는 용어로, 스웨덴에서 유래했다.

이 표현은 한 손에 커피(라떼)를 들고 다른 손으로 유모차를 미는 모습에서 비롯된 상징적 이미지다.

스웨덴은 1974년 세계 최초로 부모휴가제를 도입하며 남성의 육아 참여를 장려해왔고, 라떼 파파는 이러한 문화의 산물이다.

한국에서도 남성 육아휴직 사용 증가와 함께 라떼 파파가 늘어나고 있으며, 이는 성평등한 가족문화 확산의 긍정적인 신호로 평가된다. 정부는 육아휴직 급여 상향과 같은 정책을 통해 남성의 육아 참여를 더욱 독려하고 있다.

한국무위험지표금리(Korea Overnight Financing Repo Rate, KOFR)는 국채와 통안증권을 담보로 한 익일물 환매조건부채권(RP) 거래의 가중평균 금리를 기준으로 산출되는 우리나라의 무위험지표금리(Risk-Free Reference Rate, RFR)이다.

RFR은 특정 기간 동안 신용 리스크 없이 얻을 수 있는 이론적 이자율로, 2012년 LIBOR 금리 조작 사건 이후 기존 지표금리의 신뢰도 하락에 따라 세계 각국에서 도입이 추진됐다.

한국은 2021년 2월 RFR로 RP 거래 금리를 최종 선정했으며, 한국예탁결제원(KSD)이 KOFR의 산출 기관으로 지정됐다. 예탁결제원은 2021년 11월 26일부터 「금융거래지표의 관리에 관한 법률」에 따라 KOFR의 정식 산출과 공시 업무를 수행하고 있다.

KOFR는 실거래 데이터를 기반으로 RP 거래량의 상하위 5% 극단값을 제거하고 남은 거래 금리를 가중평균 방식으로 산출된다. 공시일 전영업일(RP거래일)에 선별된 적격 데이터를 바탕으로 공시일 오전 KOFR가 공시된다.

KOFR는 국채·통안증권을 담보로 한 하루짜리 초단기 거래를 기준으로 하기 때문에 신용 리스크가 거의 없으며, 조작 가능성이 낮아 신뢰성을 인정받고 있다.

또한, 미국(SOFR), 영국(SONIA), 일본(TONA) 등 주요국의 무위험지표금리와 유사한 구조로 설계되어 글로벌 금융시장과의 정합성도 갖췄다. 이를 통해 KOFR는 국내외 금융상품의 기준금리로 널리 활용될 전망이다.

KOFR 관련 세부 내용은 KOFR 공식 홈페이지(www.kofr.kr)에서 확인할 수 있다.

엑스알피는 2009년 간편 송금을 목적으로 개발된 결제 프로토콜로, 2012년 오픈코인(OpenCoin) 설립과 함께 가상자산으로 발행되었다.

이후 오픈코인은 사명을 리플(Ripple)로 변경하였으며, 현재 리플사는 블록체인 기반 결제 솔루션과 금융 인프라를 제공하는 기업으로 활동하고 있다. 화폐 단위는 XRP이며, 비트코인이나 이더리움과 달리 채굴이 불가능하다.

엑스알피는 리플사가 운영하는 블록체인 네트워크인 리플넷(RippleNet) 내에서 송금 수수료로 사용되며, 송금 처리 시간은 3~4초로 비트코인보다 월등히 빠른 속도를 제공한다.

속도와 비용 측면에서 강점을 지니고 있어 국제 금융 거래에 적합한 자산으로 평가되며, 이러한 특성을 기반으로 전 세계 100개 이상의 금융기관이 리플과 송금 협약을 체결하였다.

엑스알피는 RTXP(리플 트랜잭션 프로토콜)을 활용해 송금 시스템을 구축하며, XRP 레저 합의 프로토콜을 통해 거래 완결 시간과 비용을 최소화한다. 이를 통해 국경 간 송금을 신속하고 효율적으로 처리할 수 있는 기반을 제공한다.

엑스알피는 2017년 5월 한국 가상자산 거래소 빗썸에 상장되었으며, 알트코인(비트코인 이외의 가상자산)으로 분류된다.

강화학습(Reinforcement Learning)은 컴퓨터(에이전트)가 문제(환경)를 해결하기 위해 스스로 경험하며 학습하는 머신러닝 기법이다. 시행착오를 통해 행동의 결과로 얻는 보상을 최대화하는 방향으로 학습이 진행되며, 명시적인 정답이 주어지지 않고 에이전트가 경험을 바탕으로 최적의 전략(정책)을 스스로 찾아낸다.

게임에서 승리하기 위해 여러 번 도전하고 전략을 개선하듯, 컴퓨터도 잘한 행동에는 보상을 받고, 잘못된 행동에는 페널티를 받으며 점점 더 효율적인 의사결정을 하게 된다.

지도학습과 달리 라벨링된 데이터가 필요하지 않으며, 환경과의 지속적인 상호작용을 통해 최적의 정책을 학습한다. 이 과정에서 이용과 탐험(exploitation vs. exploration)의 균형을 유지하는 것이 중요하다.

강화학습은 게임 AI, 로봇 제어, 자율주행, 추천 시스템, 금융 모델링 등 다양한 분야에서 자율적인 의사결정을 위한 핵심 기술로 자리 잡고 있다.