□ 데이터혁신센터(CFDI)는 AI의 활용 급증에 따른 에너지 사용량 증가 우려에 관한 논쟁의 개요를 설명하고 오해를 바로잡기 위한 보고서 발표*(’24.1.)

* Rethinking Concerns About AI’s Energy Use

○ 디지털 기술의 에너지 사용량에 관한 우려는 과거에도 있었으며, 최근 AI에 대한 관심이 급증하면서 새로운 기술의 에너지 사용에 관한 의문이 다시 제기

- 1990년대 닷컴 붐이 절정에 달했을 때, ‘향후 10년 내 전력망의 절반이 디지털 인터넷 경제에 전력을 공급할 것’이라는 의견이 있었으나 이는 사실과 방법론 모두에 오류가 있는 잘못된 추정으로 판명

- 최근 비평가들은 인공지능의 급격한 도입과 딥러닝 모델의 규모 증가로 인해, 에너지 사용량이 크게 증가하고 환경에 치명적인 영향을 미칠 것이라고 추측

○ 기술의 빠른 발전, 근거 데이터의 한계 등으로 인해 AI를 비롯한 각종 디지털 기술의 에너지 사용량과 탄소 배출량을 정확히 추정하는 것은 매우 어려운 작업*

* 칩, 냉각 시스템, 데이터센터 설계, 소프트웨어, 전력생산에 사용되는 에너지원 등 여러 복잡한 요소에 따라 계산이 달라지기 때문

○ AI 관련 에너지 사용 예측이 잘못된 이유는 1) 부정확하거나 오해의 소지가 있는 측정값을 활용하거나 2) AI의 광범위한 상용화에 따른 경제적･기술적 현실을 고려하지 않기 때문

1) 부정확하거나 오해의 소지가 있는 측정값 활용

- (AI 모델 훈련) 2019년 매사추세츠 애머스트 대학 연구진은 여러 AI 모델의 탄소 배출량을 추정*했는데, 언론은 이 중 탄소 배출량이 많은 신경망 아키텍처 검색(NAS)을 위한 AI 모델 훈련의 탄소 배출량 추정치에만 집중

* 당시 구글의 최첨단 대규모 언어모델(LLM) BERT는 79시간 학습하는 동안 1,438 파운드의 CO2 배출, 영어-독일어 기계 번역 모델을 만들기 위한 신경망 아키텍처 검색(NAS) AI 모델 훈련에는 626,155파운드의 CO2가 배출된다고 추정

- 이 연구는 몇 가지 잘못된 가정을 사용하여 총 에너지 사용량과 탄소 배출량이 부풀려지는 결과를 낳았는데, 이후 NAS 모델에 참여한 연구자들이 추정치보다 88배 적은 양의 실제 에너지 사용 정보를 제공했으나 이에 대한 관심은 저조

- 이후 연구자들은 다양한 AI 모델 학습에 필요한 에너지와 탄소 배출량에 관한 연구를 수행했으며, AI 모델에 따라 에너지 사용량은 매우 상이함을 확인

- 새로운 연구에도 불구하고 AI에 비판적인 집단은 대규모 컴퓨팅 자원에 대한 투자 감소를 요구하기 위해 초기의 잘못된 연구를 반복적으로 인용

- (AI 모델 활용) 정책입안자나 언론은 주로 AI 모델 훈련 과정의 에너지 비용에 주목하고 있으나, AI 시스템과 관련된 비용의 대부분은 ‘추론’으로 일컬어지는 활용 과정에서 발생*하며 작업 유형과 AI 모델 등 여러 요인에 따라 규모가 상이

* 예: Amazon Web Services는 AI 모델 비용의 90%가 추론에서 발생하는 것으로 추정

- AI 추론 과정의 에너지 사용량에 대한 극단적 우려*와 달리, 구글의 전체 에너지 사용량은 일부 증가하였으나 2019~2021년 사이 머신러닝에 사용된 에너지 비율은 10~15%로 유지되었는데, 이는 AI 모델과 하드웨어의 성능 개선에 기인

* Joule 저널 2023년 10월호에서 한 연구자는 LLM과의 상호작용에는 일반적인 웹 검색 쿼리 수행보다 10배 이상의 에너지가 필요하며, 이에 따른 최악의 시나리오에서는 구글의 AI만으로도 아일랜드와 같은 국가(연간 29.3 TWh)만큼의 전력을 소비할 것이라고 추정

 

2) AI의 상용화에 따른 경제적･기술적 현실에 대한 고려 부족

- AI 에너지 사용에 대한 최고 추정치(high-end estimates)는 수반되는 비용 부담으로 인해 비현실적*이므로, AI 활용에 드는 에너지비용이 낮아지거나 기업이 AI를 활용하는 방식이 비용 요인에 의해 제한될 것으로 예상

* 더 많은 칩을 구입하고 더 많은 데이터센터를 구축하기 위해서는 많은 비용이 소요되며, 대형 테크기업도 이러한 엄청난 양의 컴퓨팅 비용을 지속적으로 지불하는 것은 불가능

- 지난 몇 년간 AI 모델의 성능이 크게 향상되어 일부 영역에서는 개선의 여지가 많지 않아, 개발자들은 더 큰 모델을 구축･운영하는데 따른 투자 수익을 얻기 어려워 AI 모델을 최적화하는데 보다 집중할 전망

- 컴퓨팅의 역사는 지속적인 혁신이며 이러한 혁신이 에너지 효율성을 향상한 것처럼, 미래 혁신 기술이 AI의 에너지 효율성을 개선할 것으로 예상

- AI 시스템의 에너지 사용 추세를 논의할 때, 기술로 인한 탈 탄소화 등 대체효과*를 고려하지 않는 것 또한 오해를 불러일으킬 수 있음

* 2023년 한 연구에서는 한 페이지의 글을 쓰거나 삽화를 만들 때, 사람이 직접 할 경우와 AI를 사용할 경우의 탄소발자국을 추정한 결과 AI가 더 적은 CO2를 배출한다고 밝힘

○ 이 보고서는 정책입안자들이 다음의 단계를 통해 AI의 에너지 소비에 관한 우려를 해소할 것을 권고

1) AI 모델에 대한 에너지 투명성 표준 개발

- AI의 환경 영향에 관한 정보를 제공할 때 추론 보다는 AI 훈련에 사용되는 탄소배출량에 집중하는 경향이 있는데, AI 훈련에 사용되는 에너지의 양이 추론에 필요한 에너지의 양에 반드시 영향을 미치는 것은 아님

- 때문에 수명 주기에 따른 에너지 비용이 아니라 훈련에 사용되는 에너지 양을 기준으로 AI 모델을 선택하면 효율성이 떨어지는 결과를 초래할 수 있음

- 이러한 문제를 해결하기 위해 정책입안자들은 AI 모델에 대한 에너지 투명성 표준 개발을 지원해야 함

2) 기반모델(Foundation Models)의 에너지 투명성에 관한 자발적인 약속 촉구

- 선도적인 AI 기업들이 AI 모델에 대한 에너지 투명성 표준을 수용하고 탄소 배출량 등 관련 정보를 공개적으로 알리는 것도 중요함

3) 에너지 사용에 관한 AI 규제의 의도하지 않은 결과를 고려

- 정책입안자들은 AI 모델이 편견 최소화, 개인정보보호 뿐만 아니라 다른 여러 목표에 부합하도록 많은 요구를 하고 있는데, 이러한 결정의 의미를 완전히 이해하기 전까지는 규제를 서두르지 않아야 함

※ 가령 EU의 AI법 초안에는 에너지 효율성에 관한 요구사항이 없었으나, AI의 환경 영향에 대한 오해에 대응하여 개정안에는 에너지 효율 등과 관련한 추가 사항이 포함됨

4) AI를 활용한 정부 운영의 탈탄소화

- AI는 다양한 정부 서비스의 질과 효율성을 개선할 수 있는 기회를 제공하며, 정부 기관에서 AI를 광범위하게 활용하는 것은 정책입안자에게 매우 중요함

- 더욱이 AI는 보다 효율적인 디지털 서비스, 스마트시티 및 건물, 지능형 교통 시스템 등을 통해 공공부문의 탄소 배출량 감축에 기여할 수 있음