- AI는 데이터 센터의 전력 소비와 냉각에 필요한 막대한 양의 물로 인해 환경에 엄청난 영향을 미칩니다.
- 정확성과 지속가능성 사이의 균형이라는 기술적 딜레마가 있는데, 가장 정확한 모델일수록 오염을 가장 많이 유발하는 경향이 있다.
- 알고리즘을 최적화하고 재생 가능 에너지원을 기반으로 하는 에너지 인프라로 전환하기 위해 친환경 AI 전략이 시행되고 있습니다.
오늘날 인공지능은 마치 구름 속에 떠다니는 마법 같은 존재처럼 보이지만, 실제로는 그렇지 않습니다. 매우 무거운 물리적 지원시리즈 추천부터 이메일 작성까지, 모든 과정에는 거대한 시스템이 숨어 있으며, 우리는 알고리즘의 편리함을 누리는 동안 이러한 시스템이 환경에 미치는 영향을 간과하기 쉽습니다.
단순히 전기를 조금 더 사용하는 문제가 아닙니다. 우리는 훨씬 더 큰 문제를 이야기하고 있는 것입니다. 글로벌 서버 인프라 인공지능은 엄청난 속도로 자원을 소비합니다. 따라서 기술 발전이 지구 건강에 부담이 되지 않도록 하려면 인공지능이 남기는 탄소 발자국을 측정하고 줄이는 방법을 이해하는 것이 매우 중요합니다.
인공지능으로 인한 오염은 어디에서 오는 걸까요?
본론으로 들어가자면, 우리는 두 가지 핵심 단계, 즉 학습과 추론을 구분해야 합니다. 훈련은 가장 혹독한 단계이다이 모델은 학습을 위해 수백만 개의 데이터 포인트를 처리하므로 엄청난 컴퓨팅 파워가 필요합니다. 예를 들어, GPT-3 학습 과정에서 약 552톤의 CO₂가 배출되었는데, 이는 여러 대의 자동차가 수명 기간 동안 배출하는 CO₂ 양과 맞먹습니다.
다음으로 추론 단계가 있는데, 이는 기본적으로 챗봇에게 질문을 하는 단계입니다. 단일 쿼리는 적은 대역폭을 사용하지만, 쿼리량이 워낙 많기 때문에 그 영향은 누적됩니다. 생성형 시스템과의 상호작용은 다음과 같은 대역폭 사용량을 발생시킬 것으로 추정됩니다. 전기를 10배 더 많이 소비합니다. 일반적인 구글 검색보다 응답당 최대 3Wh를 사용합니다.
이러한 에너지 수요는 데이터 센터에 집중되어 있는데, 데이터 센터는 GPU와 서버가 24시간 내내 가동되는 산업용 건물입니다. 2022년에는 이 분야가 이미 전 세계 전력 수요의 2%를 차지했으며, 예측에 따르면 그 비중은 더욱 증가할 것으로 예상됩니다. 소비가 급증할 수 있다 2030년까지 이러한 추세가 급격히 심화될 것이며, 특히 미국과 같이 전력망에 대한 압박이 이미 뚜렷하게 나타나고 있는 국가에서 더욱 그럴 것입니다.
보이지 않는 문제: 물과 하드웨어
이산화탄소가 주목받는 반면, 물은 간과되는 요소입니다. 서버는 매우 뜨거워지기 때문에 지속적인 냉각 시스템이 필요합니다. 많은 경우, 이러한 시스템은 다음과 같은 용도로 사용됩니다. 엄청난 양의 담수 장비의 과열로 인한 고장을 방지하기 위해서입니다. 소비되는 1kWh당 약 2리터의 물이 증발할 수 있으며, 이는 이미 가뭄에 취약한 지역에 심각한 물 부족 현상을 초래할 수 있다고 추정됩니다.
더 나아가, AI는 단순히 소프트웨어만이 아니라 칩도 필요하다는 사실을 잊어서는 안 됩니다. GPU 제조는 칩 추출에 달려 있습니다. 핵심 광물 및 희토류이러한 과정은 유독성 폐기물과 화학 물질 배출을 초래합니다. 여기에 더해 장비의 성능 향상을 위해 몇 년마다 장비를 교체하는 가속 노후화 현상이 발생하여 재활용이 어려운 막대한 양의 전자 폐기물이 생성됩니다.
정밀성과 생태학 사이의 딜레마
여기서부터 상황이 복잡해집니다. '이런 현상'이 있습니다. 정확성-지속가능성 상충관계기본적으로, 인공지능이 매우 정확하고 추론 능력을 갖추려면 수십억 개의 매개변수를 가진 모델이 필요하며, 이는 자원 소모를 크게 증가시킵니다. 더 간결한 모델은 에너지 효율은 훨씬 높지만, 오류를 더 많이 발생시키거나 덜 상세한 답변을 제공합니다.
최근 연구에 따르면 추상대수 문제 풀이와 같은 일부 복잡한 작업은 스트레스를 유발할 수 있는 것으로 나타났습니다. 최대 50배 더 많은 배출량 단순한 역사 질문 그 이상입니다. 이는 모든 AI가 똑같이 환경오염을 유발하는 것은 아니며, 모델의 아키텍처와 우리가 모델에게 요구하는 작업에 따라 완전히 달라진다는 것을 보여줍니다.
보다 친환경적인 AI를 위한 전략
이것이 재앙으로 번지는 것을 막기 위해, 다음과 같은 개념이 필요합니다. 그린 AI비용에 상관없이 최대 정확도만을 추구하는 "레드 AI"와 달리, 그린 AI는 효율성에 중점을 둡니다. 이는 더 가벼운 알고리즘을 설계하고, 모델 증류 기법을 사용하며, 수학적 연산 횟수를 줄이도록 코드를 최적화하는 것을 포함합니다.
또 다른 해결책은 데이터 센터를 이전하는 것입니다. 처리 시설을 다음과 같은 조건을 갖춘 지역으로 이전하는 것입니다. 추운 기후 또는 재생 에너지원 (아일랜드의 풍력 발전이나 스페인의 태양광 발전처럼) 탄소 발자국을 획기적으로 줄여줍니다. 서버를 물속에 잠기게 하거나 폐열을 활용하여 도시 건물을 난방하는 것과 같은 극단적인 해결책도 시험되고 있습니다.
에너지와 관련해서는 다음과 같은 추세를 보이고 있습니다. 완전한 탈탄소화마이크로소프트와 구글 같은 거대 기업들은 2030년까지 탄소 순배출량 제로를 달성하기 위해 청정에너지 구매 계약을 체결하거나 소형 모듈형 원자로(SMR)를 통한 원자력 발전을 모색하여 온실가스를 배출하지 않고 서버 팜에 전력을 공급하려고 노력하고 있습니다.
환경의 동반자로서의 AI
모든 게 나쁜 것만은 아닙니다. 오염을 유발하는 바로 그 기술이 우리를 구하는 도구가 될 수 있다는 점이 흥미롭습니다. AI는 프로세스를 최적화하는 데 탁월합니다. 예를 들어, 관리에 사용됩니다. 스마트 그리드 실시간으로 공급과 수요의 균형을 맞춰 생산량이 최고조에 달할 때 풍력이나 태양 에너지를 더 효율적으로 활용합니다.
농업에서 알고리즘은 물과 비료를 정확한 양으로 사용할 수 있도록 해줍니다. 정밀 농업낭비를 방지합니다. 운송 분야에서 AI를 활용한 경로 최적화는 물류 차량의 연료 소비를 줄여줍니다. 기본적으로, 현명하게 사용한다면 AI는 다음과 같은 이점을 제공할 수 있습니다. 전 세계 배출량 감소에 기여합니다 2020년대 말까지 5%에서 10% 사이가 될 것으로 예상됩니다.
지속 가능한 기술로의 전환은 기업의 데이터 투명성과 사용자들의 인식 제고에 달려 있습니다. 궁극적으로 컴퓨팅 성능과 자연 자원 존중 사이의 균형을 맞추는 것이 인공지능이 진정으로 지능적일 수 있는 유일한 길이며, 지구에 또 다른 부담이 되지 않을 수 있는 길입니다.
