탄소 문제: AI, 빅데이터, 임박한 환경 위기

AI와 기후 변화

 

기후 변화에 대처하는 AI의 잠재력은 냉철한 현실, 즉 전력 소모가 많은 데이터 센터에 대한 의존도로 인해 완화됩니다. 더 늦기 전에 '그린 AI'가 현실이 될 수 있을까?

 

AI는 에너지 효율성을 개선하고, 예측 모델링을 발전시키며, 기후 변화 영향을 해결하기 위한 증거 기반 정책을 안내하는 데 상당한 잠재력을 제공합니다.

 

이것을 상상해 보십시오: 하늘은 주황색으로 물들어 있고, 공기는 ​​탄 냄새로 가득 차고, 나무들은 좀비 영화의 엑스트라처럼 뼈만 남은 가지가 뻗어 있습니다. 한때 번화했던 도시는 이제 유령 도시로 메아리치고 가끔씩 회전초가 떠다닙니다. 마치 포스트 아포칼립스 영화의 한 장면처럼 보일 수도 있지만, 탄소 배출 문제를 해결하지 못하면 현실이 될 수도 있습니다.

 

인공 지능(AI)을 입력하세요. 기후 변화 이야기에서 잠재적인 슈퍼히어로 또는 예상치 못한 악당이 될 수 있습니다. Nature의 최근 연구에 따르면 GPT-3 및 BLOOM과 같은 AI 시스템은 탄소 배출에 대한 우리의 비밀 무기일 수 있습니다. 하지만 박수를 참으세요. 로봇이 하루를 구하게 하는 것만큼 간단할까요?

 

AI: 있을 법하지 않은 구원자

 

수치를 살펴보겠습니다. 가장 발전된 AI 시스템 중 하나인 GPT-3을 훈련하면 무려 552미터톤의 CO2e(이산화탄소 환산량)가 생성됩니다. 놀랍죠? 그러나 수행하는 수백만 개의 작업에 분산될 때 각 쿼리는 약 2.2g의 CO2e만 방출합니다. 또 다른 AI 시스템인 BLOOM은 쿼리당 약 1.6g의 CO2e를 배출하여 더욱 효율적입니다. 이제 이것을 인간 작가와 비교해 보세요. 미국의 작가는 페이지당 약 1400g의 CO2e를 생성하는 반면, 에너지 집약도가 낮은 환경에서 작업하는 인도의 작가는 페이지당 약 180g의 CO2e를 생성합니다. 이 비교는 Prius를 연료를 많이 소비하는 SUV와 비교하는 것과 유사합니다. AI가 훨씬 더 환경 친화적입니다.

 

이 연구에 따르면 AI 시스템은 인간 작가보다 텍스트 페이지당 130~1500배 적은 CO2 등가물을 배출하고, AI 일러스트레이션 시스템은 인간 예술가보다 이미지당 310~2900배 적은 CO2 등가물을 배출하는 것으로 나타났습니다. 훈련으로 인한 높은 초기 배출량에도 불구하고 AI의 효율성과 확장성은 광범위하게 배포될 때 전반적인 환경 영향을 크게 줄입니다. 이 연구는 이러한 일상적인 인간 활동이 환경에 미치는 영향을 최대 100배 또는 1000배까지 크게 줄일 수 있는 가능성을 강조합니다.

 

그러나 AI를 기후의 구세주로 축하하기 전에 이를 더 면밀히 검토할 필요가 있습니다. AI가 사용되는 다른 사용 사례는 어떻습니까? AI에 사용되는 하드웨어의 에너지 및 재활용 비용은 시간이 지남에 따라 인간 활동에 비해 낮지만 여전히 문제가 있습니다.

 

GPT-3를 훈련하는 것만으로도 자동차 5대의 평생 발자국에 해당하는 탄소 배출량이 발생합니다. 모델의 최종 정확도를 높이기 위해 추가 조정 단계를 사용하면 훈련에 드는 계산 및 환경 비용이 모델 크기에 따라 급등했습니다.

 

특히 연구원들은 광범위한 시행착오를 통해 신경망의 설계를 점진적으로 조정하여 모델을 최적화하는 신경 아키텍처 검색이라는 튜닝 프로세스가 최소한의 성능 향상에도 불구하고 비용이 매우 높다는 사실을 발견했습니다. 이 과정이 없었다면 가장 비싼 모델인 BERT는 약 1,400파운드의 CO2 상당의 탄소 발자국을 남겼습니다. 이는 한 사람이 미국을 왕복하는 비행과 맞먹습니다.

 

AI가 빠르게 확장됨에 따라 탄소 배출량도 증가합니다. 2012년 딥 러닝의 획기적인 발전 이후 최대 규모의 심층 신경망을 훈련하기 위한 컴퓨팅 요구 사항이 300,000배 증가했습니다. ChatGPT와 같은 대규모 AI 모델을 훈련하는 것만으로도 서구 세계의 60명에 해당하는 연간 탄소 배출량이 생성됩니다.

 

혁신의 필요성

 

AI의 에너지 소비와 탄소 배출량을 줄이기 위한 효과적인 전략에는 메모리와 처리 장치가 구분되는 기존 폰 노이만 컴퓨팅 아키텍처를 뉴로모픽 컴퓨팅(neuromorphic Computing)이라는 혁신적인 접근 방식으로 대체하는 것이 포함됩니다. 이러한 유형의 아키텍처는 메모리와 처리 장치를 통합하여 인간 두뇌의 구조와 작동을 에뮬레이트함으로써 병렬 처리 기능을 크게 향상시킵니다. SNN(스파이킹 신경망)의 몇 가지 주요 발전으로 뉴로모픽 컴퓨팅이 가능해졌습니다.

 

이론적으로 이러한 혁신은 수많은 AI 애플리케이션이 최대 100~1000배 더 에너지 효율적이 될 수 있음을 시사합니다.
중국과 스위스 연구진의 협력으로 인간의 뉴런과 시냅스를 모방한 에너지 효율적인 뉴로모픽 칩이 탄생했습니다. "Speck"으로 알려진 이 칩은 정지 전력 소비가 0.42밀리와트에 불과해 유휴 상태에서는 전력을 거의 소비하지 않습니다. 대조적으로, 복잡한 신경망을 처리하는 것으로 유명한 인간의 두뇌는 오늘날의 AI 시스템보다 훨씬 적은 20와트의 전력으로 작동합니다. 따라서 뉴로모픽 컴퓨팅은 에너지 효율적인 기계 지능에 대한 큰 잠재력을 보여줍니다.

 

이 기술은 0.70밀리와트의 낮은 실시간 전력 소비로 다양한 알고리즘의 동적 계산 요구를 처리하는 데 매우 적합합니다. 탁월한 에너지 효율성, 최소 대기 시간, 감소된 전력 소비를 갖춘 두뇌 기반 솔루션을 AI 애플리케이션에 제공합니다.

 

데이터 센터 딜레마

AI는 이론적으로 전 세계 탄소 배출량을 줄일 수 있지만 이는 책임감 있는 사용에 달려 있습니다. 이러한 기술은 에너지를 많이 소비하는 대규모 데이터 센터에 전력을 공급합니다. Wall Street Journal 보고서에 따르면 이러한 데이터 센터는 막대한 전력 수요로 인해 청정 에너지로의 전환을 방해합니다. 특히 미국 북부 버지니아에서 하이퍼스케일 데이터 센터의 급속한 성장으로 인해 화석 연료 의존도를 줄이려는 전력 회사의 노력이 중단되었습니다.

 

데이터 센터 붐의 중심에는 전 세계 인터넷 트래픽의 약 70%가 흐르는 버지니아 북부의 유명한 "데이터 센터 골목"이 있습니다. 북버지니아가 데이터 센터 허브로서 세계적인 명성을 얻은 것은 인터넷 초기로 거슬러 올라갑니다. 당시 구축된 인프라는 AOL, Yahoo, WorldCom과 같은 닷컴 및 통신 부문의 주요 업체를 끌어들였습니다. 대규모 컴퓨팅 성능이 필요한 ChatGPT와 같은 AI 모델의 출현으로 데이터 센터 인프라에 대한 수요가 더욱 급증했습니다.

 

이렇게 증가하는 수요를 충족하기 위해 전력회사에서는 석탄 화력 발전소의 운영 수명을 연장하고 천연가스 발전소를 추가하여 재생 가능 에너지원의 가변성을 조절하는 경우가 많습니다. 지난 10년 동안 석탄 발전 전력을 꾸준히 감소시키는(매년 약 10기가와트의 석탄 발전 용량을 폐쇄하는) 미국 에너지 부문의 중요한 성과에도 불구하고 이 비율은 둔화될 것으로 예상됩니다. S&P Global Commodity Insights는 에너지 수요 증가로 인해 2030년까지 연간 약 6기가와트까지 감소할 것으로 예상합니다. Google 및 Amazon과 같은 회사는 재생 가능 에너지 공약을 장려하지만 광범위한 데이터 운영은 여전히 ​​기존 전력원에 크게 의존하고 있습니다. 우리는 AI의 이러한 양면성을 인식해야 합니다.

 

CPU에서 GPU로

AI 모델을 실행하기 위해 기존의 CPU 집약적인 하드웨어를 사용할 수 없습니다. 간단한 변화라도 도움이 될 것입니다. 연구에 따르면 CPU 전용 인스턴스 대신 GPU, 특수 하드웨어, 소프트웨어 및 병렬 컴퓨팅 기술을 활용하는 가속 컴퓨팅이 데이터 센터의 성능과 에너지 효율성을 크게 향상시킨 것으로 나타났습니다.
예를 들어, 동등한 성능을 달성하는 경우 GPU 가속 클러스터는 월간 588 메가와트시를 덜 소비하여 에너지 효율성이 5배 증가합니다. GPU를 배포하면 유럽 중거리 일기예보 센터의 IFS 모델과 같은 기후 모델이 최대 24배 더 빠르게 작동할 수 있으며, CPU만 사용하는 시스템에 비해 연간 에너지 소비를 최대 127기가와트시까지 크게 줄일 수 있습니다.

 

주의사항

우리가 혁신할 때까지는 AI를 사용하여 아마존 열대우림의 삼림 벌채에 맞서 싸우는 아이러니를 갖게 될 것입니다. 이 이니셔티브는 AI를 활용하여 데이터를 모니터링하고 분석하여 삼림 벌채를 예측하고 예방합니다. 이 고귀한 원인은 역설적이게도 탄소 배출에 크게 기여하는 바로 그 기술에 의존합니다.

 

AI는 에너지 효율성을 개선하고, 예측 모델링을 발전시키며, 기후 변화 영향을 해결하기 위한 증거 기반 정책을 안내하는 데 상당한 잠재력을 제공합니다. 그러나 필요한 컴퓨팅 리소스와 관련된 에너지 소비 외에도 반도체 및 데이터 서버와 같은 AI 하드웨어 구성 요소의 제조에는 희토류 금속 및 기타 리소스를 추출하는 작업이 포함됩니다. 무책임한 채굴 관행은 서식지 파괴, 생물 다양성 손실, 수질 오염을 초래하여 이미 기후 변화의 영향을 받은 생태계에 대한 압력을 가중시킬 수 있습니다. AI 하드웨어의 빠른 회전율과 짧은 장치 수명주기는 전자 폐기물 문제 증가에 기여합니다.

 

더욱이 AI 시스템은 기후 관련 의사결정을 왜곡할 수 있는 편견과 오류에 취약합니다. 결함이 있는 알고리즘은 부정확한 기후 예측이나 비효율적인 정책 권장 사항을 생성하여 잠재적으로 잘못된 조치를 취하거나 환경 문제를 악화시킬 수 있습니다.

 

결론

AI, 에너지 소비, 기후 변화 사이의 복잡한 관계를 탐색하려면 다양한 이해관계자 간의 협력을 장려하는 다학문적 접근 방식이 필요합니다. 기술 혁신, 정책 개혁, 집단적 행동을 활용함으로써 우리는 다음 세대를 위한 보다 공평하고 탄력적이며 지속 가능한 미래를 위한 길을 열 수 있습니다.

국가 AI 전략, IndiaAI 임무, AI 연구 기관 설립, 업계 이해관계자와의 협력, AI 스타트업에 대한 투자, AI 교육 및 훈련 프로그램 홍보와 같은 이니셔티브를 통해 AI 우수성을 촉진하려는 인도 정부의 상당한 노력을 고려할 때 —이것은 인도가 간과할 수 없는 문제입니다.

저자는 방갈로르 Takshashila 연구소의 연구학자입니다. 위 글에 표현된 견해는 개인적이고 전적으로 저자의 견해입니다. Firstpost의 견해가 반드시 반영되는 것은 아닙니다.