인공 지능 (AI) 혁신의 끊임없는 추구는 점점 더 정교한 대규모 언어 모델 (LLM)의 개발로 이어졌습니다. 이러한 모델은 다양한 영역에서 인상적인 기능을 보여주지만, 모델의 훈련 및 배포와 관련된 환경적 결과는 대체로 가려져 있습니다. AI 모델을 개발하는 회사는 벤치마크에 대한 성능 데이터를 쉽게 공유하지만, 환경에 미치는 영향은 피하는 경향이 있습니다. 최근 연구는 이러한 강력한 AI 도구와 관련된 간과하기 쉬운 에너지, 물 및 탄소 비용을 조명합니다.
AI의 환경 영향을 평가하기 위한 새로운 벤치마크
AI의 환경 영향을 정량화하기 위한 탐구에서, 로드아일랜드 대학교, 프로비던스 칼리지 및 튀니스 대학교의 연구팀은 AI 추론을 위한 인프라 인식 벤치마크를 도입했습니다. 코넬 대학교의 프리프린트 서버 arXiv에서 제공되는 이 연구는 AI의 생태적 영향에 대한 더 정확한 평가를 제공합니다. 이 벤치마크는 공용 API 대기 시간 데이터를 기본 GPU 및 지역 전력망 구성에 대한 정보와 결합하여 30개의 주류 AI 모델에 대한 프롬프트당 환경 발자국을 계산합니다. 이 포괄적인 접근 방식은 에너지 소비, 물 사용량 및 탄소 배출량을 고려하여 “에코 효율성” 점수로 귀결됩니다.
로드아일랜드 대학교의 조교수인 Abdeltawab Hendawi는 연구의 동기에 대해 다음과 같이 설명합니다. “우리는 환경 자원, 물, 에너지 및 탄소 발자국 측면에서 이러한 모델을 비교하는 것에 대해 생각하기 시작했습니다.” 결과는 다양한 AI 모델의 환경 영향에 상당한 차이가 있음을 보여줍니다.
에너지 소비의 차이: OpenAI, DeepSeek 및 Anthropic
이 연구는 주요 AI 모델 간의 에너지 소비에 상당한 차이가 있음을 강조합니다. OpenAI의 o3 모델과 DeepSeek의 주요 추론 모델은 단일 확장 응답에 대해 33와트시 (Wh) 이상을 소비합니다. 이는 OpenAI의 더 작은 GPT-4.1 nano와 현저한 대조를 이루는데, GPT-4.1 nano는 70배 적은 에너지를 필요로 합니다. Anthropic의 Claude-3.7 Sonnet은 연구에서 가장 에코 효율적인 모델로 부상합니다.
연구자들은 AI 모델의 환경 영향을 결정하는 데 있어 하드웨어의 중요한 역할을 강조합니다. 예를 들어, 구형 A100 GPU를 사용하는 GPT-4o mini는 최신 H100 칩에서 작동하는 더 큰 GPT-4o보다 쿼리당 더 많은 에너지를 소비합니다. 이는 AI의 환경 발자국을 최소화하기 위해 최첨단 하드웨어를 활용하는 것의 중요성을 강조합니다.
쿼리 길이의 환경적 영향
이 연구는 쿼리 길이와 환경 영향 사이에 직접적인 상관 관계가 있음을 보여줍니다. 더 긴 쿼리는 필연적으로 더 많은 자원 소비로 이어집니다. 겉보기에 중요하지 않은 짧은 프롬프트조차도 전반적인 환경 부담에 기여합니다. 단일 짧은 GPT-4o 프롬프트는 약 0.43Wh의 에너지를 소비합니다. 연구자들은 OpenAI의 예상되는 하루 7억 건의 GPT-4o 호출에서 연간 총 에너지 소비량이 392~463기가와트시 (GWh)에 이를 수 있다고 추정합니다. 이를 관점에서 보면, 이는 연간 35,000가구의 미국 가정에 전력을 공급하기에 충분한 에너지입니다.
AI 도입의 누적 영향
이 연구는 개별 사용자의 AI 도입이 빠르게 상당한 환경 비용으로 확대될 수 있음을 강조합니다. 로드아일랜드 대학교의 연구원이자 연구의 주 저자인 Nidhal Jegham은 “ChatGPT-4o를 연간 사용하는 것은 연간 120만 명의 음용수 필요량만큼의 물을 소비합니다.”라고 설명합니다. Jegham은 단일 메시지 또는 프롬프트의 환경 영향은 미미해 보이지만, “특히 AI가 인덱스 전반에 걸쳐 얼마나 확장되고 있는지 고려하면, 이것은 정말로 점점 더 커지는 문제입니다.”라고 경고합니다.
환경 영향 지표 심층 분석
연구 결과의 의미를 완전히 이해하려면 AI 모델을 평가하는 데 사용되는 환경 지표에 대한 보다 자세한 검토가 필수적입니다. 다음 섹션에서는 주요 지표에 대한 분석을 제공합니다.
에너지 소비
에너지 소비는 AI 모델을 작동하는 데 필요한 전력량을 측정하는 기본적인 척도입니다. 이 연구는 쿼리당 와트시 (Wh) 단위로 에너지 소비를 정량화하여 다른 모델의 에너지 효율성을 직접 비교할 수 있도록 합니다. 에너지 소비를 최소화하는 것은 탄소 발자국과 AI의 전반적인 환경 영향을 줄이는 데 매우 중요합니다.
에너지 소비에 영향을 미치는 요인:
- 모델 크기 및 복잡성: 더 크고 복잡한 모델은 일반적으로 더 작고 간단한 모델보다 작동하는 데 더 많은 에너지를 필요로 합니다.
- 하드웨어 효율성: AI 모델을 실행하는 데 사용되는 GPU 및 기타 하드웨어 구성 요소는 에너지 소비에 중요한 역할을 합니다. 더 발전되고 에너지 효율적인 하드웨어는 AI의 에너지 발자국을 크게 줄일 수 있습니다.
- 쿼리 길이 및 복잡성: 더 길고 복잡한 쿼리는 일반적으로 더 많은 계산 자원을 필요로 하므로 더 많은 에너지를 소비합니다.
- 최적화 기술: 모델 압축 및 양자화와 같은 다양한 최적화 기술은 정확도를 희생하지 않고 AI 모델의 에너지 소비를 줄일 수 있습니다.
물 사용량
물 사용량은 AI의 환경 영향에서 종종 간과되는 측면입니다. AI 모델을 실행하는 서버를 수용하는 데이터 센터는 냉각을 위해 상당한 양의 물이 필요합니다. 이 연구는 데이터 센터의 에너지 소비와 해당 데이터 센터에 전기를 공급하는 지역 전력망의 물 집약도를 기반으로 물 사용량을 추정합니다.
물 사용량에 영향을 미치는 요인:
- 냉각 요구 사항: 데이터 센터는 상당한 열을 발생시키고 최적의 작동 온도를 유지하기 위해 냉각 시스템이 필요합니다. 물은 종종 냉각탑을 통해 직접 또는 간접적으로 냉각제로 사용됩니다.
- 전력망 물 집약도: 전력망의 물 집약도는 단위 전기를 생산하는 데 필요한 물의 양을 나타냅니다. 냉각을 위해 물을 사용하는 화력 발전소에 크게 의존하는 전력망은 물 집약도가 더 높습니다.
- 데이터 센터 위치: 건조 지역 또는 물 부족 문제가 있는 지역에 위치한 데이터 센터는 AI의 환경 영향을 악화시킬 수 있습니다.
탄소 배출량
탄소 배출량은 기후 변화의 주요 동인입니다. 이 연구는 AI 모델의 에너지 소비와 지역 전력망의 탄소 집약도를 기반으로 탄소 배출량을 계산합니다. 탄소 집약도는 단위 전기를 생산하는 데 배출되는 이산화탄소의 양을 나타냅니다.
탄소 배출량에 영향을 미치는 요인:
- 에너지원: 데이터 센터에 전력을 공급하는 데 사용되는 에너지 유형은 탄소 배출량에 큰 영향을 미칩니다. 태양열 및 풍력 발전과 같은 재생 가능 에너지원은 석탄 및 천연 가스와 같은 화석 연료보다 탄소 집약도가 훨씬 낮습니다.
- 전력망 탄소 집약도: 전력망의 탄소 집약도는 전기를 생산하는 데 사용되는 에너지원의 혼합에 따라 다릅니다. 재생 가능 에너지원의 비율이 높은 지역은 탄소 집약도가 더 낮습니다.
- 에너지 효율성: 에너지 소비를 줄이는 것이 탄소 배출량을 줄이는 가장 효과적인 방법입니다.
의미 및 권장 사항
이 연구 결과는 AI 개발자, 정책 입안자 및 최종 사용자에게 중요한 의미를 갖습니다. AI의 환경 영향은 무시할 수 없으며 AI 기술이 계속 발전하고 확산됨에 따라 신중하게 고려해야 합니다.
AI 개발자를 위한 권장 사항:
- 에너지 효율성 우선 순위 지정: AI 개발자는 AI 모델을 설계하고 훈련할 때 에너지 효율성을 우선 순위로 지정해야 합니다. 여기에는 더 작은 모델 사용, 코드 최적화 및 효율적인 하드웨어 활용이 포함됩니다.
- 재생 가능 에너지원 탐색: AI 회사는 데이터 센터에 재생 가능 에너지원으로 전력을 공급할 기회를 탐색해야 합니다. 이렇게 하면 AI의 탄소 발자국을 크게 줄일 수 있습니다.
- 물 보존 투자: 데이터 센터는 물 사용량을 최소화하기 위해 물 보존 기술에 투자해야 합니다. 여기에는 폐쇄 루프 냉각 시스템 및 빗물 활용이 포함됩니다.
- 투명성 및 보고: AI 회사는 모델의 환경 영향에 대해 투명해야 하며 에너지 소비, 물 사용량 및 탄소 배출량과 같은 주요 지표를 보고해야 합니다.
정책 입안자를 위한 권장 사항:
- 녹색 AI 장려: 정책 입안자는 세금 공제, 보조금 및 기타 인센티브를 통해 녹색 AI 기술의 개발 및 배포를 장려해야 합니다.
- 데이터 센터 에너지 소비 규제: 정책 입안자는 데이터 센터가 가능한 한 효율적으로 작동하도록 데이터 센터 에너지 소비를 규제해야 합니다.
- 재생 가능 에너지 도입 촉진: 정책 입안자는 전력망의 탄소 집약도를 줄이기 위해 재생 가능 에너지원 도입을 촉진해야 합니다.
- 연구 개발 지원: 정책 입안자는 AI의 환경 영향을 줄일 수 있는 새로운 기술에 대한 연구 개발을 지원해야 합니다.
최종 사용자를 위한 권장 사항:
- AI 사용에 유의: 최종 사용자는 AI 사용에 유의하고 불필요하거나 경솔한 쿼리를 피해야 합니다.
- 친환경 AI 모델 선택: 가능하면 최종 사용자는 에너지 효율이 더 높은 것으로 알려진 AI 모델을 선택해야 합니다.
- 지속 가능한 AI 관행 지원: 최종 사용자는 환경 책임을 약속하는 회사의 AI 제품 및 서비스를 선택하여 지속 가능한 AI 관행을 지원할 수 있습니다.
향후 연구 방향
이 연구는 AI의 환경 영향에 대한 추가 연구의 필요성을 강조합니다. 향후 연구는 다음 영역에 중점을 두어야 합니다.
- 전 과정 평가: 개발에서 폐기에 이르기까지 AI 모델에 대한 포괄적인 전 과정 평가를 수행하여 잠재적인 환경 영향을 모두 식별합니다.
- 훈련의 영향: 추론의 영향보다 훨씬 더 클 수 있는 AI 모델 훈련의 환경 영향을 조사합니다.
- AI가 다른 부문에 미치는 영향: AI가 운송 및 제조와 같은 경제의 다른 부문에 미치는 영향을 조사하여 AI 도입의 전반적인 환경적 결과를 이해합니다.
- 새로운 지표 개발: AI 하드웨어에 포함된 에너지와 재료를 고려하는 지표와 같이 AI의 환경 영향을 평가하기 위한 새로운 지표를 개발합니다.
결론
LLM의 환경 영향은 신중한 고려가 필요한 복잡하고 다면적인 문제입니다. 이 연구 결과는 인기 있는 AI 도구와 관련된 에너지, 물 및 탄소 비용에 대한 귀중한 통찰력을 제공합니다. 이러한 비용을 이해함으로써 AI 개발자, 정책 입안자 및 최종 사용자는 AI의 환경 발자국을 최소화하고 AI 기술이 지속 가능한 방식으로 개발되고 배포되도록 조치를 취할 수 있습니다. AI가 우리 삶에 더욱 통합됨에 따라 지속 가능성을 우선시하고 AI가 환경을 해치지 않으면서 사회에 이익이 되는 미래를 만들기 위해 함께 노력하는 것이 중요합니다.