인공지능은 강력한 기술이다. 결과물도 놀랍고, 그러면서 소비하는 자원의 양도 놀랍다. 하지만 놀라기만 해서는 안 된다. 대책 마련이 필요하다. 인공지능이 조금 덜 쓰면서 강력해질 수 있도록 하는 방안을 고안해야 한다.
[보안뉴스 = 리차드 팔라디 IT 칼럼니스트] 인공지능은 현 시점 가장 논란의 대상이 되고 있는 기술이며, 가장 강력한 잠재력을 가진 기술이다. 기기에 대고 말을 함으로써 불을 껐다가 켤 수도 있고, 우리 손으로 못 그릴 그림도 타이핑 몇 번으로 완성시킬 수 있다. 노르웨이 숲에 서있는 여우라든가, 실제 세상에서는 절대로 만날 일 없는 유명인 두 명이 서로 껴안고 있는 사진을 실제처럼 만들어내는 것도 가능하다. 몇 가지 요소를 집어넣고 신문기사를 작성하라고 해도 인공지능은 순식간에 작업을 수행한다.
이런 강력한 기능이 이제 삶의 곳곳에 스며들기 시작했다. 생각지도 못한 온갖 활용 방법이 지금도 끊임없이 개발되는 중이다. 하지만 모든 것에는 대가가 있는 법이다. 인공지능만이 줄 수 있는 마술 같은 편리함을 누리려면 값을 지불해야 한다. 챗GPT 구독료를 말하는 게 아니다. 전력을 의미한다. 인공지능은 강력한 기술인만큼 많은 전력을 잡아먹는다. 그런 인공지능이 사방팔방 퍼져서 제 기능을 발휘하기 시작하면 전 지구적인 전력 소비량이 대폭 늘어날 것이 뻔하다.
전력 소비량이 늘어난다는 건 무슨 뜻인가? 전기를 발생시키는 데 들어가는 천연 자원들이 빠르게 소모된다는 의미로 이어진다. 당연하지만 관련 분야에서의 인간의 노동력도 대폭 늘어날 수밖에 없게 된다. 아이러니다. 인공지능으로 인간은 많은 부분 노동에서 해방될 것이라고 인공지능 옹호론자들은 광고해왔기 때문이다. 천연 자원의 고갈 역시 그리 달가운 소식은 아니다.
그렇기 때문에 최근에는 ‘그린 인공지능’에 대한 연구가 시작되고 있다. 이미 지난 수년 동안 이 주제로 수백 건의 논문이 발표된 상황이다. 어떤 연구자는 최대 115%의 에너지를 아낄 수 있는 방법까지 고안했다고 주장하고 있다. 하드에웨어 설정을 바꾼다거나 인공지능 코딩의 방법론을 개선한다거나 데이터센터의 위치를 조정하여 에너지 효율을 높이는 방법들은 꾸준히 연구될 주제다.
하지만 아무리 좋은 방법이 나온다 한들 실현 가능성이 낮고 산업에서 받아들일 정도로 매력적이지 않으면 소용이 없다. 실제로 여태까지 나온 ‘그린 인공지능’ 관련 논문 중 산업 내 플레이어들이 직접 참여하여 작성된 것은 23% 뿐이라는 조사 결과도 있다. 나머지는 실험실을 벗어나지 못한 이론에 불과하다는 것이다. 혹시 우리는 미래가 아니라 허상을 좇고 있는 건 아닐까? 전문가들을 만나 이를 물었다.
인공지능, 왜 그리 전기에 배고파하는가?
인공지능이 여태까지 만들어진 여타 앱들과는 차원이 다른 결과물을 낼 수 있는 건 기존 앱들과 차원이 다르게 복잡한 프로그래밍을 기반으로 하고 있기 때문이다. 대단히 복잡하게 짜여진 프로그램이 구동되려면 강력한 GPU와 CPU, TPU들이 요구된다. 이 중 GPU가 특히 중요한데(그래서 엔비디아가 요즘 승승장구 하는 것이다), 이 GPU들은 CPU보다 전력을 4배는 더 소비한다.
데이터 관리 전문 기업 앤더슨파워(Anderson Power)의 데이비드 비치(David Beach)는 “인공지능처럼 많은 연산을 수행해야 하는 작업이 없다”며 “프로세서에 더 많은 연산을 수행하도록 하면 할수록 더 많은 시간이 걸리게 되고, 더 많은 시간이 걸리게 되면 그만큼 더 많은 전력을 소비하게 된다”고 설명한다. “심지어 그런 복잡한 연산을 투트랙으로 동시 실행하기도 합니다.”
이처럼 대량의 데이터를 사용해 대량의 연산식을 수행하는 인공지능 모델을 두고 ‘레드 인공지능(red AI)’이라고 부르기도 한다. 이는 ‘그린 인공지능(green AI)’의 반대 개념이다. 지금 우리가 알고 사용하는 거의 모든 인공지능 모델이 ‘레드 인공지능’에 속한다. “그러나 기업들은 자신들이 개발한 모델들이 얼마나 많은 전력을 소비하는지 정확히 공개하지 않습니다. 알아보려고 하지도 않는 걸로 알고 있어요. 이 부분에도 의견이 크게 갈리죠. 누구는 인공지능이 빠르고 정확하게 답을 내는 게 최종 목적이라고 하고 누구는 에너지 효율을 높이면서 빠르고 정확한 답을 내야 한다고 주장합니다.”
인공지능 개발은 크게 세 가지 단계로 구성되어 있다. 데이터 엔지니어링, 모델 훈련, 추론이다. 데이터 엔지니어링은 간단히 말해 정보를 정리해 인공지능 모델이 해석할 수 있도록 재구성하는 것을 말한다. 훈련은 엔지니어링 된 데이터를 가지고 인공지능 모델에 주입해 성공적인 결과를 낼 수 있도록 가르치는 것을 말한다. 추론은 훈련 단계까지 마친 인공지능이 질문에 대한 답을 낼 때 그 답이 쓸만하도록 거르거나 다듬는 과정이다. 모델을 훈련시키는 것과 답을 추론하는 단계에서 많은 전력이 소비된다.
하지만 인공지능 개발의 어떤 단계에서 정확히 어느 만큼의 에너지가 소비되는지는 전문가마다 다른 의견을 가지고 있는 것으로 보인다. 일부는 훈련 단계에서 가장 많은 전력이 사용된다고 한다. 인공지능 모델을 훈련시키려면 수백만~수천만 개의 쿼리들을 운영해야 하는데 이 단계에서 많은 메모리와 프로세싱 파워가 소비되는 건 사실이다. 한 전문가는 챗GPT를 이용하는 것보다 훈련시키는 데에 수십억 배 많은 전력이 필요하다고 주장하기도 한다. 하지만 구글과 같은 경우 추론 단계에서 전체 전력의 60%가 소비된다는 의견이다. 나머지 40%는 훈련 과정에 사용된다는 게 구글의 주장이다.
인공지능과 탄소
이러한 논란이 없더라도 순수하게 인공지능에만 소비되는 전력의 양을 계산하는 건 쉬운 일이 아니다. 왜냐하면 다른 여러 디지털 기술들이 인공지능과 함께 사용되는 게 보통이기 때문이다. 그러므로 인공지능의 탄소 발자국이라는 걸 정확하게 알 방법이 현재로서는 없다.
예를 들어 인공지능 기술을 구현하는 데 들어가는 서버나 칩셋 등 하드웨어로부터 나오는 탄소 발자국은 하드웨어의 탄소 발자국일까 그 하드웨어로 구현되는 인공지능의 탄소 발자국인가? 그렇기 때문에 우리가 인공지능의 탄소 발자국이라며 계산하는 행위는 잘해봐야 어림짐작이 될 뿐이다. 대형 데이터센터들의 경우 연간 20~50 메가와트의 전력을 소비한다고 하는데 이 중 순수 인공지능만 차지하는 비율을 발라낸다는 건 아직까지 불가능하다는 뜻이다. 하지만 20~50 메가와트라면 연간 4만 가구가 사용하는 전력량이라는 건 확실하다.
근사치를 계산했을 때 인공지능은 2030년까지 전 세계 전력의 4%를 사용할 것이라고 한다. 하지만 이런 계산은 현존하는 하드웨어의 성능과 특성을 기반으로 수행된 것이다. 특정 하드웨어가 특정 연산을 특정 시간 동안 수행했을 때 사용되는 전력을 바탕으로 계산이 이뤄지는 것인데, 그렇기 때문에 좀 더 환경친화적인 하드웨어를 사용한다면 이 수치는 바뀔 수 있다. 또한 그런 하드웨어들이 연결되어 있는 전력망이 지속가능한 에너지(태양광 등)를 사용한다면 인공지능이 에너지를 많이 소비한다 해도 환경에 미치는 악영향이 대단치 않을 수 있다.
전문가들은 이미 다양한 종류의 전력망과 인공지능 모델들의 탄소 발자국이라는 것을 비교하여 조사하고 있다. 현재까지 밝혀진 바에 따르면 탄소 배출량이 적은 전력망에 연결된 인공지능이라면 탄소 발자국을 최대 30배 줄일 수 있다고 한다. 즉 ‘친환경적’인 전력망을 찾아 인공지능을 활용한다면 탄소 배출량을 줄일 수 있다는 것이다. 다만 전력망의 상세한 정보를 파악하고 분석하는 것이 대단히 어렵기 때문에 인공지능 개발사들이나 사용자들이 이런 점까지 하나하나 신경 쓰기 어렵다는 단점이 있다.
인공지능은 지난 10년 동안 매년 4배씩 전력 소비량을 늘려왔다는 것이 현재 중론으로 자리 잡고 있다. 그리고 현재 인공지능 서버를 가장 많이 판매하는 회사인 엔비디아의 경우 차후 3년 동안 150만 유닛을 생산할 계획이라고 한다. 이 숫자만 가지고 단순 계산을 실시했을 때 인공지능이라는 기술은 매년 최대 85.4 테라와트의 전력을 소비할 것이라는 답이 나온다. 이는 덩치가 작은 국가가 사용하는 전력량을 웃도는 수치다. 대책 마련이 시급하다는 의미다.
인공지능이 수행하는 작업이 무엇이냐에 따라 소비되는 전력의 양도 천차만별로 달라진다. 예를 들어 텍스트를 생성하는 작업은 이미지를 생성하는 작업보다 비교도 되지 않을 정도로 적은 전력을 소비한다. 하지만 이런 작업을 수행하는 대형 언어 모델 하나를 훈련시킬 때 방출되는 이산화탄소는 최대 30만 킬로그램에 달한다고 한다. 이는 자동차 한 대가 처음 주행을 시작하고 폐차될 때까지 내뿜는 이산화탄소의 양보다 많은 것이다. 그렇기 때문에 인공지능을 어디에 사용하느냐는 탄소 발자국이라는 측면에서는 후차적인 문제일 수 있다.
좀 더 이야기를 깊게 파고들어가면, 탄소만 문제가 아니라는 점도 드러난다. 인공지능은 물이라는 자원도 대량으로 소비한다. 2022년 인공지능 기술 개발과 활용에 집중했던 마이크로소프트의 경우 이전보다 물을 34% 더 소비했다고 밝힌 바 있다. 한 예측에 따르면 인공지능은 2027년 정도가 되면 연간 66억 세제곱미터를 쓸 것이라고도 한다. 전문가들은 만만치 않은 물의 소비량도 빠르게 해결해야 할 문제라는 데에 이견이 없다.
인공지능, 어떻게 해야 지속가능하게 될까?
인공지능이 환경에 미치는 영향을 줄이기 위해 여러 가지 방법들이 제안되고 있다. 칩셋의 크기를 줄이자는 이야기도 나오고 있고, 데이터센터들을 그린 에너지 중심의 전력망으로 죄도 옮겨야 한다는 주장도 나오고 있다. 인공지능 알고리즘 자체를 바꿔야 한다는 주장도 서서히 힘을 얻고 있다. 아직 어떤 것 하나로 좁혀지는 기미는 없고, 이것 저것이 여러 곳에서 다양한 방법과 수준으로 실험되고 있다. 하지만 인공지능 분야의 주요 플레이어들은 그 누구도 인공지능의 전력 및 물 소비 문제를 제대로 짚지 않고 있다. 이들이 침묵하고 있으니 대다수의 사람들은 이것의 심각성을 깨닫지 못하고 있다.
주요 플레이어들의 입을 열게 하는 것이 인공지능으로 인한 환경 파괴와 지구 온난화 문제를 해결하기 위한 중요한 첫 걸음이 될 수 있다. 그들의 입을 열게 하려면 인공지능 모델이 사용하는 전력량을 합리적으로 계산할 수 있는 방법이 나와야 할 것으로 예상된다. 시도가 없지 않다. 코드카본(Code Carbon)이라거나 엑스페리먼트임팩트트래커(Experiment Impact Tracker)와 같은 도구들이 시중에 나와 있기도 하다. 이 도구들을 이용한다면 인공지능 개발자들이 자신의 모델을 공개하기 전에 그 모델이 사용하는 전력의 양을 미리 계산할 수 있다. 다만 이 도구들의 계산 결과의 신뢰도에 대해서는 의견이 아직 분분한 편이다.
데이터센터의 위치 선정도 괜찮은 해결책이 될 수 있다. 재생산 에너지를 사용하는 것으로 알려진 전력망이 있는 지역이나 날씨가 추워서 냉각수를 덜 써도 되는 지역을 선정한다면 탄소 배출량도 줄고 물 소비도 줄 수밖에 없다. 이런 곳에 인공지능 모델을 호스팅한다면, 인공지능을 훈련시키고 작업에 활용하는 모든 과정에서도 자원 소모는 줄어든다. 그런 의미에서 스칸디나비아 반도가 데이터센터 및 인공지능 호스팅을 위한 지역으로서 관심을 끌고 있는 것도 눈여겨볼 만한 현상이다. 다만 데이터가 멀리 있으면 있을수록 그 데이터를 활용하기 위한 에너지가 많이 요구되기 때문에 큰 이득이 되지 못할 거라는 의견도 존재한다.
전원을 AC에서 DC로 바꾸는 것도 큰 도움이 될 수 있다. 데이터센터로 들어가는 전력은 주로 AC 형태로 공급된다. 그리고 데이터센터 내에서 DC로 전환되고, 이것이 다시 AC로 변환됩니다. 전원이 전환되는 과정에서 효율성이 적잖게 떨어진다고 전문가들은 지적한다. 그러므로 전부를 DC로 통일한다면 전력 효율을 높일 수 있고, 그러므로 에너지를 아낄 수 있게 된다.
칩셋을 작게 만들면 어떻게 될까? 칩셋 하나에 들어가는 트랜지스터의 수가 줄어들게 된다. 혹은 트랜지스터의 크기가 줄어들 수도 있다. 그러면서도 시장의 원리 때문에 성능마저 줄어들기는 힘들 것이다. 즉 칩셋 제조사들은 똑같은 성능 혹은 더 나은 성능을 내는, 더 작은 칩셋을 만들어야 할 것인데, 그것 자체가 이미 효율을 크게 높인다는 의미가 된다. 칩셋의 효율성이 어느 정도까지 높아질 수 있는지, 효율을 높이면서도 성능 타협을 보지 않아도 되는 방법이 존재하긴 하는지 우린 아직 아무 것도 모른다. 그러므로 탐색해봐야 한다.
그 외에도 다양한 방법들이 제안되고 있는데 아직 구체적이지는 않다. 알고리즘을 보다 효율적으로 만들어야 한다는 주장이 좋은 사례다. 아직 인공지능 기술 자체도 태동기에 있는데, 이를 다 뒤집고 더 효율 좋은 코드를 짠다는 게 지나치게 이상론이라는 반박도 나오고 있으며, 실제로 ‘효율적인 인공지능 코딩’이 무엇인지 정확히 설명할 수 있는 사람은 잘 보이지 않는다.
어떤 인공지능 옹호론자들은 인공지능이 충분히 발전하면 스스로를 수정해 에너지 효율을 높일 수 있을 거라고 주장하기도 한다. 하지만 전문가들은 자가 수정을 하는 인공지능은 머신러닝이고, 챗GPT 등 지금 당장 자원 소비라는 측면에서 문제를 보이는 건 신경망 기술이라고 지적한다. 둘의 전력 소비 행태는 완전히 다르다는 것으로, 머신러닝의 자원 소모량은 현저히 낮다.
정부가 나서면 어떨까?
위의 모든 해결책들은 치명적인 단점을 가지고 있다. ‘윤리성’에 기대고 있다는 것이다. 사람이나 시스템이나 다들 알아서 더 나은 방향으로 움직일 것이라는 기대는, 한 번도 배신당하지 않은 적이 없다. ‘자율 보안’이라는 개념이 얼마나 대차게 실패했는지 기억하기만 해도 이 부분은 수긍이 갈 것이다. 인공지능에 무섭게 투자하고 있는 기업들이 아직까지도 환경 문제에 별 다른 이야기를 하지 않는다는 것만 봐도 우리는 윤리성에 기댈 수 없다는 걸 느낄 수 있다.
그렇기 때문에 정부 기관들이 움직여야 할 필요가 있다. 실제로 유럽연합이 인공지능법을 발표하는 등 규정을 만드는 사람들은 부지런히 움직이고 있다. 올해를 기점으로 많은 인공지능 관련 규제들이 등장할 것으로 예상된다. 그 가운데 에너지 효율성을 다루는 법안도 섞여 있을 가능성이 높다.
하지만 규제가 만능인 것은 아니다. 기술의 발전에 비해 규정은 대단히 느리게 움직이기 때문에 금방 ‘낡은 것’이 되어버리기 일쑤이기 때문이다. 요즘처럼 기술 발전이 더욱 빨라지는 시대에는 규정들이 그만큼 빠르게 낡아버린다. 유효 기간이 길어지는 규정을 만든다는 건 대단히 힘든 일로, 규정의 공백 기간이 길어지면 그것대로 또 위험한 일이 된다.
규제가 들어서려 하는 움직임만 보이면 온갖 활동력을 높이는 로비스트들도 중요한 변수가 될 수 있다. 이들이 움직이면서 가뜩이나 느린 제정 과정이 더 느려질 수 있고 그 동안 인공지능은 꾸준히 탄소 배출량을 늘릴 것이다. 반대로 규제 마련과 시행의 속도를 높이는 데 집중했다가는 구멍 많은 규제 때문에 피해가 더 커질 수도 있다. 결국 규제도 정답은 아니라는 뜻이 된다.
그렇기 때문에 위의 모든 해결책들이 균형 있게, 고루 작용해야 인공지능으로 인한 환경 파괴 문제가 해결의 방향을 잡을 수 있을 것이 분명해 보인다. 우리에게는 규제도 필요하고, 각자의 윤리관도 필요하며, 그 규제와 윤리관을 구현할 수 있는 기술도 필요하다. 인공지능은 우리의 종합적인 대응 능력을 시험대 위에 올리고 있다.
글 : 리차드 팔라디(Richard Pallardy), IT 칼럼니스트
[국제부 문정후 기자(globoan@boannews.com)]
[보안뉴스 = 리차드 팔라디 IT 칼럼니스트] 인공지능은 현 시점 가장 논란의 대상이 되고 있는 기술이며, 가장 강력한 잠재력을 가진 기술이다. 기기에 대고 말을 함으로써 불을 껐다가 켤 수도 있고, 우리 손으로 못 그릴 그림도 타이핑 몇 번으로 완성시킬 수 있다. 노르웨이 숲에 서있는 여우라든가, 실제 세상에서는 절대로 만날 일 없는 유명인 두 명이 서로 껴안고 있는 사진을 실제처럼 만들어내는 것도 가능하다. 몇 가지 요소를 집어넣고 신문기사를 작성하라고 해도 인공지능은 순식간에 작업을 수행한다.
[이미지 = gettyimagesbank]
이런 강력한 기능이 이제 삶의 곳곳에 스며들기 시작했다. 생각지도 못한 온갖 활용 방법이 지금도 끊임없이 개발되는 중이다. 하지만 모든 것에는 대가가 있는 법이다. 인공지능만이 줄 수 있는 마술 같은 편리함을 누리려면 값을 지불해야 한다. 챗GPT 구독료를 말하는 게 아니다. 전력을 의미한다. 인공지능은 강력한 기술인만큼 많은 전력을 잡아먹는다. 그런 인공지능이 사방팔방 퍼져서 제 기능을 발휘하기 시작하면 전 지구적인 전력 소비량이 대폭 늘어날 것이 뻔하다.
전력 소비량이 늘어난다는 건 무슨 뜻인가? 전기를 발생시키는 데 들어가는 천연 자원들이 빠르게 소모된다는 의미로 이어진다. 당연하지만 관련 분야에서의 인간의 노동력도 대폭 늘어날 수밖에 없게 된다. 아이러니다. 인공지능으로 인간은 많은 부분 노동에서 해방될 것이라고 인공지능 옹호론자들은 광고해왔기 때문이다. 천연 자원의 고갈 역시 그리 달가운 소식은 아니다.
그렇기 때문에 최근에는 ‘그린 인공지능’에 대한 연구가 시작되고 있다. 이미 지난 수년 동안 이 주제로 수백 건의 논문이 발표된 상황이다. 어떤 연구자는 최대 115%의 에너지를 아낄 수 있는 방법까지 고안했다고 주장하고 있다. 하드에웨어 설정을 바꾼다거나 인공지능 코딩의 방법론을 개선한다거나 데이터센터의 위치를 조정하여 에너지 효율을 높이는 방법들은 꾸준히 연구될 주제다.
하지만 아무리 좋은 방법이 나온다 한들 실현 가능성이 낮고 산업에서 받아들일 정도로 매력적이지 않으면 소용이 없다. 실제로 여태까지 나온 ‘그린 인공지능’ 관련 논문 중 산업 내 플레이어들이 직접 참여하여 작성된 것은 23% 뿐이라는 조사 결과도 있다. 나머지는 실험실을 벗어나지 못한 이론에 불과하다는 것이다. 혹시 우리는 미래가 아니라 허상을 좇고 있는 건 아닐까? 전문가들을 만나 이를 물었다.
인공지능, 왜 그리 전기에 배고파하는가?
인공지능이 여태까지 만들어진 여타 앱들과는 차원이 다른 결과물을 낼 수 있는 건 기존 앱들과 차원이 다르게 복잡한 프로그래밍을 기반으로 하고 있기 때문이다. 대단히 복잡하게 짜여진 프로그램이 구동되려면 강력한 GPU와 CPU, TPU들이 요구된다. 이 중 GPU가 특히 중요한데(그래서 엔비디아가 요즘 승승장구 하는 것이다), 이 GPU들은 CPU보다 전력을 4배는 더 소비한다.
데이터 관리 전문 기업 앤더슨파워(Anderson Power)의 데이비드 비치(David Beach)는 “인공지능처럼 많은 연산을 수행해야 하는 작업이 없다”며 “프로세서에 더 많은 연산을 수행하도록 하면 할수록 더 많은 시간이 걸리게 되고, 더 많은 시간이 걸리게 되면 그만큼 더 많은 전력을 소비하게 된다”고 설명한다. “심지어 그런 복잡한 연산을 투트랙으로 동시 실행하기도 합니다.”
이처럼 대량의 데이터를 사용해 대량의 연산식을 수행하는 인공지능 모델을 두고 ‘레드 인공지능(red AI)’이라고 부르기도 한다. 이는 ‘그린 인공지능(green AI)’의 반대 개념이다. 지금 우리가 알고 사용하는 거의 모든 인공지능 모델이 ‘레드 인공지능’에 속한다. “그러나 기업들은 자신들이 개발한 모델들이 얼마나 많은 전력을 소비하는지 정확히 공개하지 않습니다. 알아보려고 하지도 않는 걸로 알고 있어요. 이 부분에도 의견이 크게 갈리죠. 누구는 인공지능이 빠르고 정확하게 답을 내는 게 최종 목적이라고 하고 누구는 에너지 효율을 높이면서 빠르고 정확한 답을 내야 한다고 주장합니다.”
인공지능 개발은 크게 세 가지 단계로 구성되어 있다. 데이터 엔지니어링, 모델 훈련, 추론이다. 데이터 엔지니어링은 간단히 말해 정보를 정리해 인공지능 모델이 해석할 수 있도록 재구성하는 것을 말한다. 훈련은 엔지니어링 된 데이터를 가지고 인공지능 모델에 주입해 성공적인 결과를 낼 수 있도록 가르치는 것을 말한다. 추론은 훈련 단계까지 마친 인공지능이 질문에 대한 답을 낼 때 그 답이 쓸만하도록 거르거나 다듬는 과정이다. 모델을 훈련시키는 것과 답을 추론하는 단계에서 많은 전력이 소비된다.
하지만 인공지능 개발의 어떤 단계에서 정확히 어느 만큼의 에너지가 소비되는지는 전문가마다 다른 의견을 가지고 있는 것으로 보인다. 일부는 훈련 단계에서 가장 많은 전력이 사용된다고 한다. 인공지능 모델을 훈련시키려면 수백만~수천만 개의 쿼리들을 운영해야 하는데 이 단계에서 많은 메모리와 프로세싱 파워가 소비되는 건 사실이다. 한 전문가는 챗GPT를 이용하는 것보다 훈련시키는 데에 수십억 배 많은 전력이 필요하다고 주장하기도 한다. 하지만 구글과 같은 경우 추론 단계에서 전체 전력의 60%가 소비된다는 의견이다. 나머지 40%는 훈련 과정에 사용된다는 게 구글의 주장이다.
인공지능과 탄소
이러한 논란이 없더라도 순수하게 인공지능에만 소비되는 전력의 양을 계산하는 건 쉬운 일이 아니다. 왜냐하면 다른 여러 디지털 기술들이 인공지능과 함께 사용되는 게 보통이기 때문이다. 그러므로 인공지능의 탄소 발자국이라는 걸 정확하게 알 방법이 현재로서는 없다.
예를 들어 인공지능 기술을 구현하는 데 들어가는 서버나 칩셋 등 하드웨어로부터 나오는 탄소 발자국은 하드웨어의 탄소 발자국일까 그 하드웨어로 구현되는 인공지능의 탄소 발자국인가? 그렇기 때문에 우리가 인공지능의 탄소 발자국이라며 계산하는 행위는 잘해봐야 어림짐작이 될 뿐이다. 대형 데이터센터들의 경우 연간 20~50 메가와트의 전력을 소비한다고 하는데 이 중 순수 인공지능만 차지하는 비율을 발라낸다는 건 아직까지 불가능하다는 뜻이다. 하지만 20~50 메가와트라면 연간 4만 가구가 사용하는 전력량이라는 건 확실하다.
근사치를 계산했을 때 인공지능은 2030년까지 전 세계 전력의 4%를 사용할 것이라고 한다. 하지만 이런 계산은 현존하는 하드웨어의 성능과 특성을 기반으로 수행된 것이다. 특정 하드웨어가 특정 연산을 특정 시간 동안 수행했을 때 사용되는 전력을 바탕으로 계산이 이뤄지는 것인데, 그렇기 때문에 좀 더 환경친화적인 하드웨어를 사용한다면 이 수치는 바뀔 수 있다. 또한 그런 하드웨어들이 연결되어 있는 전력망이 지속가능한 에너지(태양광 등)를 사용한다면 인공지능이 에너지를 많이 소비한다 해도 환경에 미치는 악영향이 대단치 않을 수 있다.
전문가들은 이미 다양한 종류의 전력망과 인공지능 모델들의 탄소 발자국이라는 것을 비교하여 조사하고 있다. 현재까지 밝혀진 바에 따르면 탄소 배출량이 적은 전력망에 연결된 인공지능이라면 탄소 발자국을 최대 30배 줄일 수 있다고 한다. 즉 ‘친환경적’인 전력망을 찾아 인공지능을 활용한다면 탄소 배출량을 줄일 수 있다는 것이다. 다만 전력망의 상세한 정보를 파악하고 분석하는 것이 대단히 어렵기 때문에 인공지능 개발사들이나 사용자들이 이런 점까지 하나하나 신경 쓰기 어렵다는 단점이 있다.
인공지능은 지난 10년 동안 매년 4배씩 전력 소비량을 늘려왔다는 것이 현재 중론으로 자리 잡고 있다. 그리고 현재 인공지능 서버를 가장 많이 판매하는 회사인 엔비디아의 경우 차후 3년 동안 150만 유닛을 생산할 계획이라고 한다. 이 숫자만 가지고 단순 계산을 실시했을 때 인공지능이라는 기술은 매년 최대 85.4 테라와트의 전력을 소비할 것이라는 답이 나온다. 이는 덩치가 작은 국가가 사용하는 전력량을 웃도는 수치다. 대책 마련이 시급하다는 의미다.
인공지능이 수행하는 작업이 무엇이냐에 따라 소비되는 전력의 양도 천차만별로 달라진다. 예를 들어 텍스트를 생성하는 작업은 이미지를 생성하는 작업보다 비교도 되지 않을 정도로 적은 전력을 소비한다. 하지만 이런 작업을 수행하는 대형 언어 모델 하나를 훈련시킬 때 방출되는 이산화탄소는 최대 30만 킬로그램에 달한다고 한다. 이는 자동차 한 대가 처음 주행을 시작하고 폐차될 때까지 내뿜는 이산화탄소의 양보다 많은 것이다. 그렇기 때문에 인공지능을 어디에 사용하느냐는 탄소 발자국이라는 측면에서는 후차적인 문제일 수 있다.
좀 더 이야기를 깊게 파고들어가면, 탄소만 문제가 아니라는 점도 드러난다. 인공지능은 물이라는 자원도 대량으로 소비한다. 2022년 인공지능 기술 개발과 활용에 집중했던 마이크로소프트의 경우 이전보다 물을 34% 더 소비했다고 밝힌 바 있다. 한 예측에 따르면 인공지능은 2027년 정도가 되면 연간 66억 세제곱미터를 쓸 것이라고도 한다. 전문가들은 만만치 않은 물의 소비량도 빠르게 해결해야 할 문제라는 데에 이견이 없다.
인공지능, 어떻게 해야 지속가능하게 될까?
인공지능이 환경에 미치는 영향을 줄이기 위해 여러 가지 방법들이 제안되고 있다. 칩셋의 크기를 줄이자는 이야기도 나오고 있고, 데이터센터들을 그린 에너지 중심의 전력망으로 죄도 옮겨야 한다는 주장도 나오고 있다. 인공지능 알고리즘 자체를 바꿔야 한다는 주장도 서서히 힘을 얻고 있다. 아직 어떤 것 하나로 좁혀지는 기미는 없고, 이것 저것이 여러 곳에서 다양한 방법과 수준으로 실험되고 있다. 하지만 인공지능 분야의 주요 플레이어들은 그 누구도 인공지능의 전력 및 물 소비 문제를 제대로 짚지 않고 있다. 이들이 침묵하고 있으니 대다수의 사람들은 이것의 심각성을 깨닫지 못하고 있다.
주요 플레이어들의 입을 열게 하는 것이 인공지능으로 인한 환경 파괴와 지구 온난화 문제를 해결하기 위한 중요한 첫 걸음이 될 수 있다. 그들의 입을 열게 하려면 인공지능 모델이 사용하는 전력량을 합리적으로 계산할 수 있는 방법이 나와야 할 것으로 예상된다. 시도가 없지 않다. 코드카본(Code Carbon)이라거나 엑스페리먼트임팩트트래커(Experiment Impact Tracker)와 같은 도구들이 시중에 나와 있기도 하다. 이 도구들을 이용한다면 인공지능 개발자들이 자신의 모델을 공개하기 전에 그 모델이 사용하는 전력의 양을 미리 계산할 수 있다. 다만 이 도구들의 계산 결과의 신뢰도에 대해서는 의견이 아직 분분한 편이다.
데이터센터의 위치 선정도 괜찮은 해결책이 될 수 있다. 재생산 에너지를 사용하는 것으로 알려진 전력망이 있는 지역이나 날씨가 추워서 냉각수를 덜 써도 되는 지역을 선정한다면 탄소 배출량도 줄고 물 소비도 줄 수밖에 없다. 이런 곳에 인공지능 모델을 호스팅한다면, 인공지능을 훈련시키고 작업에 활용하는 모든 과정에서도 자원 소모는 줄어든다. 그런 의미에서 스칸디나비아 반도가 데이터센터 및 인공지능 호스팅을 위한 지역으로서 관심을 끌고 있는 것도 눈여겨볼 만한 현상이다. 다만 데이터가 멀리 있으면 있을수록 그 데이터를 활용하기 위한 에너지가 많이 요구되기 때문에 큰 이득이 되지 못할 거라는 의견도 존재한다.
전원을 AC에서 DC로 바꾸는 것도 큰 도움이 될 수 있다. 데이터센터로 들어가는 전력은 주로 AC 형태로 공급된다. 그리고 데이터센터 내에서 DC로 전환되고, 이것이 다시 AC로 변환됩니다. 전원이 전환되는 과정에서 효율성이 적잖게 떨어진다고 전문가들은 지적한다. 그러므로 전부를 DC로 통일한다면 전력 효율을 높일 수 있고, 그러므로 에너지를 아낄 수 있게 된다.
칩셋을 작게 만들면 어떻게 될까? 칩셋 하나에 들어가는 트랜지스터의 수가 줄어들게 된다. 혹은 트랜지스터의 크기가 줄어들 수도 있다. 그러면서도 시장의 원리 때문에 성능마저 줄어들기는 힘들 것이다. 즉 칩셋 제조사들은 똑같은 성능 혹은 더 나은 성능을 내는, 더 작은 칩셋을 만들어야 할 것인데, 그것 자체가 이미 효율을 크게 높인다는 의미가 된다. 칩셋의 효율성이 어느 정도까지 높아질 수 있는지, 효율을 높이면서도 성능 타협을 보지 않아도 되는 방법이 존재하긴 하는지 우린 아직 아무 것도 모른다. 그러므로 탐색해봐야 한다.
그 외에도 다양한 방법들이 제안되고 있는데 아직 구체적이지는 않다. 알고리즘을 보다 효율적으로 만들어야 한다는 주장이 좋은 사례다. 아직 인공지능 기술 자체도 태동기에 있는데, 이를 다 뒤집고 더 효율 좋은 코드를 짠다는 게 지나치게 이상론이라는 반박도 나오고 있으며, 실제로 ‘효율적인 인공지능 코딩’이 무엇인지 정확히 설명할 수 있는 사람은 잘 보이지 않는다.
어떤 인공지능 옹호론자들은 인공지능이 충분히 발전하면 스스로를 수정해 에너지 효율을 높일 수 있을 거라고 주장하기도 한다. 하지만 전문가들은 자가 수정을 하는 인공지능은 머신러닝이고, 챗GPT 등 지금 당장 자원 소비라는 측면에서 문제를 보이는 건 신경망 기술이라고 지적한다. 둘의 전력 소비 행태는 완전히 다르다는 것으로, 머신러닝의 자원 소모량은 현저히 낮다.
정부가 나서면 어떨까?
위의 모든 해결책들은 치명적인 단점을 가지고 있다. ‘윤리성’에 기대고 있다는 것이다. 사람이나 시스템이나 다들 알아서 더 나은 방향으로 움직일 것이라는 기대는, 한 번도 배신당하지 않은 적이 없다. ‘자율 보안’이라는 개념이 얼마나 대차게 실패했는지 기억하기만 해도 이 부분은 수긍이 갈 것이다. 인공지능에 무섭게 투자하고 있는 기업들이 아직까지도 환경 문제에 별 다른 이야기를 하지 않는다는 것만 봐도 우리는 윤리성에 기댈 수 없다는 걸 느낄 수 있다.
그렇기 때문에 정부 기관들이 움직여야 할 필요가 있다. 실제로 유럽연합이 인공지능법을 발표하는 등 규정을 만드는 사람들은 부지런히 움직이고 있다. 올해를 기점으로 많은 인공지능 관련 규제들이 등장할 것으로 예상된다. 그 가운데 에너지 효율성을 다루는 법안도 섞여 있을 가능성이 높다.
하지만 규제가 만능인 것은 아니다. 기술의 발전에 비해 규정은 대단히 느리게 움직이기 때문에 금방 ‘낡은 것’이 되어버리기 일쑤이기 때문이다. 요즘처럼 기술 발전이 더욱 빨라지는 시대에는 규정들이 그만큼 빠르게 낡아버린다. 유효 기간이 길어지는 규정을 만든다는 건 대단히 힘든 일로, 규정의 공백 기간이 길어지면 그것대로 또 위험한 일이 된다.
규제가 들어서려 하는 움직임만 보이면 온갖 활동력을 높이는 로비스트들도 중요한 변수가 될 수 있다. 이들이 움직이면서 가뜩이나 느린 제정 과정이 더 느려질 수 있고 그 동안 인공지능은 꾸준히 탄소 배출량을 늘릴 것이다. 반대로 규제 마련과 시행의 속도를 높이는 데 집중했다가는 구멍 많은 규제 때문에 피해가 더 커질 수도 있다. 결국 규제도 정답은 아니라는 뜻이 된다.
그렇기 때문에 위의 모든 해결책들이 균형 있게, 고루 작용해야 인공지능으로 인한 환경 파괴 문제가 해결의 방향을 잡을 수 있을 것이 분명해 보인다. 우리에게는 규제도 필요하고, 각자의 윤리관도 필요하며, 그 규제와 윤리관을 구현할 수 있는 기술도 필요하다. 인공지능은 우리의 종합적인 대응 능력을 시험대 위에 올리고 있다.
글 : 리차드 팔라디(Richard Pallardy), IT 칼럼니스트
[국제부 문정후 기자(globoan@boannews.com)]
<저작권자: 보안뉴스(www.boannews.com) 무단전재-재배포금지>
문가용기자 기사보기
[2024-12-25] 
