28. Sustainable AI 단계별 학습 문서

원문 경로

/Users/keumky/Documents/New project 3/sources/mlsysbook/28-sustainable_ai/source.md

짧은 소개

이 장은 AI를 “성능 좋은 모델을 만드는 기술”로만 보지 않고, 전기, 탄소, 물, 반도체 재료, 데이터센터, 전자폐기물, 정책까지 함께 고려해야 하는 공학 문제로 설명해요.

핵심은 단순합니다. AI는 디지털 서비스처럼 보이지만 실제로는 물리 세계의 컴퓨터, 전력망, 냉각 장치, 반도체 공장 위에서 돌아가요. 그래서 지속 가능한 AI는 환경 캠페인이 아니라, AI 시스템이 실제로 운영 가능한지 결정하는 시스템 설계 조건입니다.

읽는 방법

처음부터 세부 수치와 정책을 모두 외우려고 하면 너무 복잡해요. 이 장은 세 번에 나누어 읽는 것이 좋아요.

반복해서 읽을 때는 아래 흐름을 기억하면 좋아요.

AI 모델을 만든다
  ↓
학습과 추론에 전기를 쓴다
  ↓
데이터센터가 열을 식히고 전력망을 사용한다
  ↓
GPU와 칩을 만들기 위해 물, 화학물질, 희소 자원을 쓴다
  ↓
하드웨어가 낡으면 전자폐기물이 된다
  ↓
측정, 최적화, 정책, 공공 참여로 전체 영향을 줄인다

이 장의 한 줄 요약

Sustainable AI는 AI의 정확도와 속도만 최적화하는 것이 아니라, 학습, 추론, 하드웨어 제조, 데이터센터 운영, 폐기, 사회적 책임까지 포함해 전체 생애주기의 자원 사용을 함께 설계하는 공학입니다.

1단계: 중학교 수준

AI는 보이지 않는 큰 공장처럼 작동해요

우리가 챗봇에게 질문하거나 사진 생성 AI를 사용할 때, 화면에는 글자와 이미지가 금방 나타나요. 그래서 AI가 가볍게 느껴질 수 있어요. 하지만 뒤에서는 아주 많은 컴퓨터가 동시에 계산하고 있어요.

비유해 볼게요. AI 모델은 거대한 도서관 사서와 비슷해요. 사서가 똑똑해지려면 책을 많이 읽어야 하고, 손님이 많아지면 계속 질문에 답해야 해요. 이때 도서관에 불도 켜야 하고, 냉방도 해야 하고, 책장과 건물도 계속 관리해야 하죠. AI도 마찬가지예요. 학습할 때도 자원을 쓰고, 서비스를 운영할 때도 계속 자원을 써요.

지속 가능한 AI는 “덜 낭비하는 똑똑한 운영”이에요

Sustainable AI는 AI를 쓰지 말자는 뜻이 아니에요. 같은 일을 하더라도 더 적은 전기, 더 적은 물, 더 오래 쓰는 장비, 더 공정한 운영 방식으로 만들자는 뜻이에요.

일상 비유로 보면 이런 차이예요.

환경 비용은 전기만의 문제가 아니에요

AI가 전기를 많이 쓰는 것은 중요한 문제예요. 하지만 이 장은 그보다 넓게 봐요.

AI에는 다음 비용이 함께 따라와요.

AI 하드웨어도 태어나고, 일하고, 버려져요

AI 칩이나 GPU도 물건이에요. 만들 때 자원을 쓰고, 사용할 때 전기를 쓰고, 낡으면 버려져요.

그래서 지속 가능한 AI를 보려면 “지금 전기를 얼마나 쓰는가”만 보면 부족해요. 칩을 만들 때 쓴 물과 화학물질, 희소 금속, 운송, 폐기와 재활용까지 함께 봐야 해요.

뇌는 지속 가능한 지능의 좋은 힌트예요

사람의 뇌는 아주 적은 전력으로 보고, 듣고, 배우고, 말해요. 현재의 큰 AI 시스템은 비슷한 지능적 일을 하기 위해 훨씬 큰 전력과 장비를 사용해요.

이 비교는 “AI가 나쁘다”는 뜻이 아니에요. 뇌처럼 필요한 부분만 켜고, 쓸데없는 움직임을 줄이고, 적은 예시로 잘 배우는 방향이 지속 가능한 AI 설계의 힌트가 된다는 뜻이에요.

1단계 중간 정리

이 장의 큰 그림은 이렇게 잡으면 돼요.

AI는 전기와 장비를 먹고 움직이는 시스템이에요. 지속 가능한 AI는 더 작은 낭비로 같은 가치를 만들고, 그 과정에서 생기는 환경 부담이 특정 지역과 사람에게 몰리지 않도록 설계하는 일이에요.

2단계: 고등학교 수준

블랙박스 안의 흐름을 열어 볼게요

1단계에서는 AI를 큰 공장처럼 보았어요. 이제는 그 공장 안에서 자원이 어떤 순서로 쓰이는지 보겠습니다.

모델 아이디어
  ↓
여러 번 실험하고 학습한다
  ↓
최종 모델을 서비스에 배포한다
  ↓
사용자 요청마다 추론을 실행한다
  ↓
전기 사용량과 냉각 비용이 누적된다
  ↓
하드웨어 제조와 폐기 비용까지 더해진다

여기서 중요한 점은 학습과 추론의 성격이 다르다는 거예요. 학습은 큰 시험 공부처럼 한 번에 많은 에너지를 쓸 수 있어요. 추론은 한 번은 작아 보여도, 전 세계 사용자가 매일 반복하면 누적 비용이 매우 커질 수 있어요.

가장 기본적인 탄소 계산

고등학교 수준에서는 아래 관계만 이해해도 좋아요.

$$ \text{탄소 배출량} = \text{전기 사용량} \times \text{전력의 탄소 강도} $$

뜻을 풀어 보면 이렇습니다.

같은 모델을 같은 시간 학습해도, 수력 발전이 많은 지역에서 돌리느냐 석탄 발전 비중이 높은 지역에서 돌리느냐에 따라 배출량이 크게 달라져요. 원문은 Quebec과 West Virginia의 예를 통해 같은 계산도 전력망에 따라 탄소 강도가 수십 배 달라질 수 있음을 보여줘요.

세 단계 생애주기로 나누어 측정해요

원문은 AI의 탄소 영향을 크게 세 단계로 나누어 봐요.

이 표에서 중요한 것은 “정답 비율을 외우는 것”이 아니에요. AI의 환경 비용이 한 지점에만 있지 않다는 점을 이해하는 것이 중요해요.

탄소 회계는 세 Scope로도 나누어요

기업이나 조직은 배출량을 보통 Scope 1, Scope 2, Scope 3으로 나누어 봐요.

AI에서는 Scope 2가 크지만 Scope 3도 무시할 수 없어요. GPU나 TPU 같은 AI 가속기는 만들기 전부터 많은 물, 에너지, 희소 재료를 사용하기 때문이에요.

데이터센터 효율은 PUE로 살펴봐요

데이터센터는 컴퓨터만 전기를 쓰는 것이 아니에요. 냉각, 전력 변환, 네트워크, 조명, 보조 설비도 전기를 써요. 이를 간단히 나타내는 지표가 PUE예요.

$$ \text{PUE} = \frac{\text{데이터센터 전체 전력}}{\text{IT 장비 전력}} $$

PUE가 1에 가까울수록 더 효율적이에요. 예를 들어 IT 장비가 100만큼 전기를 쓰는데 전체 시설이 200만큼 쓴다면, 절반은 냉각과 부대 설비에 쓰인 셈이에요.

분산 학습은 통신 비용도 생겨요

큰 모델은 GPU 하나로 학습하기 어렵기 때문에 수천 개의 GPU가 함께 일해요. 이때 각 GPU는 “내가 계산한 결과”를 다른 GPU와 계속 맞춰야 해요.

이 과정은 반 학생들이 각자 문제를 풀고 매 순간 답을 맞추는 것과 비슷해요. 사람이 많아질수록 대화 시간이 늘어나듯, GPU가 많아질수록 네트워크 통신 에너지도 커져요. 원문은 대규모 분산 학습에서 통신 비용이 전체 에너지의 20-40%까지 차지할 수 있다고 설명해요.

효율이 좋아져도 총사용량은 늘 수 있어요

여기서 Jevons Paradox가 나와요. 어떤 기술이 더 효율적이고 싸지면, 사람들은 그 기술을 더 많이 쓰게 돼요. 그래서 한 번 쓸 때의 비용은 줄었는데 전체 사용량은 오히려 늘 수 있어요.

AI에서도 마찬가지예요.

모델 1회 실행 비용 감소
  ↓
AI 기능을 더 많은 제품에 넣기 쉬워짐
  ↓
전체 실행 횟수 증가
  ↓
총 전력과 자원 사용량이 다시 증가할 수 있음

그래서 지속 가능한 AI는 “효율화”만으로 끝나지 않아요. 어떤 AI를 얼마나, 어디에, 어떤 목적으로 배포할지까지 함께 관리해야 해요.

2단계 중간 정리

Sustainable AI를 논리적으로 보면 세 가지 계산을 계속 반복하는 일이에요.

3단계: 대학교 수준

이제 원문의 흐름을 따라가며 더 엄밀하게 보겠습니다. 3단계의 핵심은 AI 지속가능성을 “좋은 의도”가 아니라 “측정 가능한 시스템 제약”으로 이해하는 거예요.

1. Sustainable AI as an Engineering Discipline

원문은 Sustainable AI를 환경 윤리의 부록이 아니라 시스템 공학의 핵심 제약으로 놓아요. 이유는 분명해요. AI 시스템이 커질수록 에너지 비용, 냉각 한계, 전력 인프라, 하드웨어 수급, 배포 지역이 실제 병목이 되기 때문이에요.

대규모 모델 학습은 한 번에 막대한 전기를 쓰고, 배포된 모델의 추론은 서비스가 살아 있는 동안 계속 전기를 써요. 원문은 단일 최첨단 모델 학습이 미국 가정 수백 가구의 연간 전력 사용량에 견줄 수 있고, 항공편 수백 회에 해당하는 탄소 발자국을 남길 수 있다고 설명해요.

여기서 중요한 개념이 sustainability paradox예요. AI의 계산 수요는 폭발적으로 커지는데, 하드웨어 효율 향상은 그 속도를 따라가지 못해요. 따라서 “더 큰 모델을 만들면 성능이 좋아진다”는 연구 방향은 물리적 전력, 열, 비용, 탄소 제약과 충돌하게 됩니다.

그래서 지속 가능한 AI의 공학적 질문은 다음과 같아요.

2. The Sustainability Crisis in AI

원문은 AI 지속가능성 위기를 세 층으로 설명해요.

2.1 환경 영향의 규모

AI 시스템은 이제 단순한 소프트웨어가 아니라 산업 규모의 자원 소비 시스템이에요. 원문은 데이터센터가 2030년 세계 전력 소비의 8%까지 차지할 수 있다는 전망을 제시하고, 항공이나 시멘트 같은 전통적인 탄소 집약 산업과 비교해요.

또 하나 중요한 수치는 AI 계산 수요가 하드웨어 효율 개선보다 훨씬 빠르게 증가한다는 점이에요. 원문은 계산 요구가 효율 개선보다 350,000배 빠르게 증가한 흐름을 언급해요. 이는 “칩이 더 좋아질 테니 괜찮다”는 낙관만으로는 부족하다는 뜻이에요.

환경 영향은 전기에서 끝나지 않아요.

3. Part I: Environmental Impact and Ethical Foundations

Part I은 지속가능성을 윤리와 연결해요. AI가 사회에 이익을 주더라도, 그 환경 비용이 특정 지역과 공동체에 몰리면 책임 있는 기술이라고 보기 어렵기 때문이에요.

3.1 Environmental Justice and Responsible Development

환경 정의는 “누가 AI의 이익을 얻고, 누가 전기·물·열·오염의 비용을 부담하는가”를 묻는 관점이에요.

데이터센터는 값싼 땅, 전력, 냉각 조건을 찾아 특정 지역에 집중될 수 있어요. 그런데 그 지역이 물 부족을 겪거나 화석연료 전력망에 의존한다면, AI 서비스의 이익은 세계적으로 퍼지는 반면 환경 부담은 지역사회가 더 많이 지게 돼요.

그래서 원문은 책임 있는 AI를 공정성, 투명성, 안전성에만 한정하지 않고 환경 책무까지 확장해야 한다고 설명해요.

3.2 Exponential Growth vs Physical Constraints

AI 모델은 더 많은 매개변수, 더 큰 데이터셋, 더 많은 학습 계산으로 성능을 높여 왔어요. 하지만 반도체 물리 법칙은 예전처럼 빠르게 개선되지 않아요.

여기서 두 가지 배경이 중요해요.

GPT-3 학습은 약 1,287 MWh의 전기를 사용한 사례로 제시돼요. 이는 미국 가정 100여 가구의 연간 전력 사용량과 비교될 정도예요. GPT-4처럼 더 큰 모델은 훨씬 더 많은 계산을 요구했을 것으로 추정돼요.

하드웨어별 연산 에너지도 차이가 커요.

여기서 MAC은 multiply-accumulate, 즉 곱하고 더하는 기본 연산이에요. 같은 모델이라도 어떤 하드웨어에서 돌리느냐에 따라 에너지 효율이 크게 달라집니다.

3.3 Biological Intelligence as a Sustainability Model

사람의 뇌는 약 20W 정도의 전력으로 복잡한 인지 작업을 수행해요. 원문은 생물학적 지능과 현재 AI 사이에 큰 에너지 효율 격차가 있다고 설명해요.

뇌가 주는 힌트는 다음과 같아요.

Neuromorphic computing과 spiking neural networks는 이러한 원리를 하드웨어와 모델 구조에 반영하려는 방향이에요. 원문은 특정 작업에서 100-1000배 수준의 에너지 절감 가능성을 언급하지만, 현재는 훈련 난이도와 정확도 한계도 함께 존재한다고 설명해요.

4. Part II: Measurement and Assessment

Part II의 핵심은 “측정하지 않으면 줄일 수 없다”예요. 지속가능성을 추상적 가치로 두지 않고, 엔지니어링 의사결정에 들어갈 숫자로 바꾸는 단계입니다.

4.1 Carbon Footprint Analysis

탄소 발자국 분석은 AI 시스템이 만들어 내는 배출량을 추적하는 기반이에요. 여기에는 모델 학습의 전력뿐 아니라 추론, 하드웨어 제조, 공급망, 폐기도 포함돼요.

원문은 지속가능성 최적화가 때때로 개발 기간을 늘리거나 정확도를 조금 낮출 수 있다고 말해요. 예를 들어 pruning이나 quantization은 자원을 줄이는 대신 작은 정확도 손실이 생길 수 있어요. 하지만 환경 이득이 충분하다면 이는 설계상 합리적인 trade-off가 됩니다.

4.2 DeepMind Energy Efficiency 사례

Google과 DeepMind의 데이터센터 냉각 최적화 사례는 AI가 자원을 소비하기만 하는 것이 아니라, 인프라 자체를 더 효율적으로 만들 수도 있음을 보여줘요.

DeepMind는 데이터센터의 과거 센서 데이터를 사용했어요.

모델은 이 요소들 사이의 비선형 관계를 학습하고, 실시간으로 냉각 설정을 조정했어요. 결과적으로 냉각 에너지를 40% 줄이고, 전체 PUE를 약 15% 개선한 사례가 제시돼요. 중요한 점은 새 하드웨어를 대규모로 추가하지 않고 소프트웨어 기반 최적화만으로 큰 개선을 만들었다는 점이에요.

4.3 Three-Phase Lifecycle Assessment Framework

원문은 탄소 측정을 세 단계로 나누어요.

특히 지역과 시간은 탄소 강도를 크게 바꿔요. 재생에너지가 많은 시간에 비긴급 학습 작업을 미루거나, 저탄소 전력망 지역으로 작업을 이동하면 배출을 크게 줄일 수 있어요.

4.4 Data Center Energy Consumption Patterns

AI 데이터센터의 에너지 패턴은 학습, 추론, 저장, 네트워크, 냉각으로 나뉘어요. PUE가 1.1인 매우 효율적인 시설과 2.5인 일반 기업 데이터센터는 같은 IT 장비 전력이라도 전체 소비 전력이 크게 달라져요.

원문은 GPT-4급 대형 모델 학습이 25,000개 이상의 A100 GPU를 90-100일 동안 사용한 것으로 분석되는 사례를 언급해요. 고성능 장비 하나하나도 전력 요구가 크고, DGX H100 같은 장비는 피크 전력이 매우 높아요.

또한 세대가 바뀌면 성능/Watt가 좋아질 수 있어요. H100은 A100보다 AI 학습 성능/Watt가 약 2.5-3배 좋고, mixed precision은 모델과 하드웨어에 따라 15-30% 에너지 절감을 만들 수 있어요. 하지만 새 하드웨어를 빨리 교체하면 제조 탄소와 폐기물이 늘 수 있으므로 전체 생애주기로 판단해야 해요.

4.5 Distributed Systems Energy Optimization

분산 학습은 GPU를 많이 붙일수록 단순히 계산만 늘어나는 것이 아니에요. gradient aggregation, parameter synchronization, all-to-all communication 같은 통신 비용도 늘어요.

원문은 대규모 클러스터에서 네트워크 통신이 전체 에너지의 20-40%를 차지할 수 있다고 설명해요. 클러스터 크기를 두 배로 늘릴 때 네트워크 에너지는 통신 패턴 때문에 네 배까지 커질 수 있어요.

이를 줄이는 방법은 다음과 같아요.

4.6 Longitudinal Carbon Footprint Analysis와 Scope

장기 탄소 분석은 AI의 영향이 운영 중 전기 사용에만 있지 않다는 점을 강조해요. 하드웨어 제조, 공급망, 폐기, CI/CD, 실험 반복까지 모두 영향을 줘요.

원문은 GHG Protocol의 Scope 구분을 AI에 적용해요.

Scope 3가 까다로운 이유는 조직의 직접 통제 밖에 있는 활동이 많기 때문이에요. 하지만 고성능 AI 가속기의 제조 탄소는 무시하기 어렵고, AI 서비스가 사용자 기기와 edge 장치로 퍼질수록 downstream 영향도 커져요.

4.7 Training vs Inference Energy Analysis

학습과 추론은 다른 방식으로 지속가능성 문제를 만들어요.

추론은 요청 하나의 비용이 작아 보여도, 검색, 추천, 생성형 AI, 음성 비서처럼 대규모 서비스에서 반복되면 학습 비용을 넘어설 수 있어요.

Edge AI는 클라우드 전송을 줄이고 지연 시간을 낮출 수 있지만, 수십억 개 장치가 각각 AI 연산을 계속 수행하면 전체 에너지와 전자폐기물 문제가 새롭게 커져요. 그래서 edge는 항상 친환경이라는 결론을 내리면 안 돼요.

4.8 Resource Consumption and Ecosystem Effects

원문은 탄소만 보아서는 AI 환경 영향을 충분히 설명할 수 없다고 말해요.

TSMC Arizona fab의 하루 물 사용량은 8.9 million gallons로 제시되고, 300mm wafer 하나에는 8,300 liters 이상의 물이 필요하다고 설명돼요. 반도체 생산 지역이 물 스트레스를 겪는 지역과 겹칠 경우 지역사회와 생태계 부담이 커집니다.

화학물질 측면에서는 hydrofluoric acid, sulfuric acid, nitric acid, hydrochloric acid 같은 강산, xylene과 methanol 같은 용매, arsine과 phosphine 같은 독성 가스가 언급돼요. 공정상 필요하지만 누출, 폐수, VOC 배출을 엄격하게 관리해야 해요.

자원 측면에서는 indium의 공급 한계, helium의 비재생성, 중국 중심의 희토류 정제 지배력이 공급망 취약성을 만든다고 설명해요. 광통신 interconnect처럼 효율을 높이는 기술도 germanium 같은 새로운 자원 의존성을 만들 수 있어요.

5. Hardware Lifecycle Environmental Assessment

원문은 AI 하드웨어의 Life Cycle Assessment를 네 단계로 나누어요.

Design
  ↓
Manufacturing
  ↓
Use
  ↓
Disposal

5.1 Design Phase

설계 단계에서는 모델 아키텍처, hyperparameter, pre-training, fine-tuning, neural architecture search 같은 반복 실험이 환경 비용을 만들어요. 최종 학습 한 번의 전력만 공개되면, 그 전의 수많은 실패 실험과 탐색 비용이 숨겨질 수 있어요.

해결 방향은 다음과 같아요.

5.2 Manufacturing Phase

제조 단계는 GPU, TPU, FPGA, ASIC 같은 AI 가속기를 만들기 위한 공업적 과정이에요. 원문은 raw material extraction, wafer fabrication, lithography, doping, packaging을 모두 환경 영향으로 봐요.

특히 EUV lithography는 sub-5nm 칩을 만드는 데 중요하지만, 장비 자체가 막대한 전력을 사용해요. 고순도 silicon wafer 제조에는 많은 물과 산이 필요하고, gallium, indium, arsenic, helium 같은 특수 재료도 사용돼요.

제조 단계의 지속가능성 개선은 다음 방향으로 설명돼요.

5.3 Use Phase

사용 단계는 학습과 추론이 실제로 수행되는 기간이에요. 이때 직접 전기뿐 아니라 냉각, 네트워크, 전력 변환 설비가 함께 작동해요.

원문은 현대 데이터센터의 PUE가 1.1-1.5 수준일 수 있고, 이는 IT 장비 전력 외에 10-50% 정도의 추가 전력이 냉각과 인프라에 쓰인다는 뜻이라고 설명해요.

이 단계의 핵심 전략은 네 가지예요.

5.4 Disposal Phase

폐기 단계는 자주 간과되지만 중요해요. AI 가속기와 GPU는 3-5년 주기로 교체될 수 있고, 낡은 장비에는 lead, cadmium, mercury 같은 유해 물질과 회수가 어려운 희소 금속이 들어 있어요.

원문은 세계 e-waste 중 공식적으로 적절히 수거·재활용되는 비율이 17.4%에 불과하다고 설명해요. 나머지는 매립, 소각, 비공식 처리로 흘러가 환경과 노동자 건강에 위험을 줄 수 있어요.

대안은 circular economy예요. 즉 “만들고, 쓰고, 버리는” 직선형 구조가 아니라, 재사용, 수리, 업그레이드, 회수를 전제로 설계하는 방식이에요.

6. Part III: Implementation and Solutions

Part III는 측정한 문제를 실제로 줄이는 방법을 설명해요. 원문은 네 영역을 함께 봐야 한다고 말해요.

6.1 Multi-Layer Mitigation Strategy와 Jevons Paradox

효율화는 중요하지만 충분하지 않아요. 모델 실행 비용이 낮아지면 더 많은 앱과 제품에 AI를 넣기 쉬워져 전체 소비가 늘 수 있기 때문이에요. 그래서 원문은 기술 최적화와 사용 거버넌스를 함께 요구해요.

모델 최적화는 지속가능성과 직접 연결돼요.

6.2 Lifecycle-Aware Development

Lifecycle-aware 개발은 모델을 “한 번 만들고 버리는 실험 산출물”이 아니라, 오래 운영되고 관리되는 시스템으로 보는 관점이에요.

원문이 제안하는 방향은 다음과 같아요.

6.3 Policy and Incentives inside Development

기술 최적화만으로는 조직 전체의 행동이 바뀌기 어려워요. 그래서 원문은 carbon-aware scheduling, 에너지 효율 benchmark, MLCommons 같은 표준화 노력, EU의 AI 에너지 보고 요구 등을 함께 설명해요.

좋은 정책은 “무조건 금지”가 아니라, 개발자가 성능과 환경 비용을 동시에 보게 만드는 측정 체계를 제공해야 해요.

6.4 Infrastructure Optimization

인프라 최적화는 세 축으로 나뉘어요.

대형 데이터센터는 100MW 이상의 전력을 계속 사용할 수 있고, 냉각은 전체 전력의 30-40%까지 차지할 수 있어요. 액체 냉각, free-air cooling, immersion cooling, underwater data center 같은 방법은 고밀도 AI 클러스터의 열 문제를 줄이기 위한 시도예요.

Carbon-aware scheduling은 전력망의 탄소 강도가 시간과 지역에 따라 달라진다는 점을 이용해요. 비긴급 학습 작업은 태양광이나 풍력 발전이 많은 시간으로 미루고, 가능하다면 저탄소 지역 데이터센터로 옮겨요. 원문은 Google의 carbon-intelligent computing이 지역 내 workload 이동으로 시간당 탄소 발자국을 줄이고, 전 세계 데이터센터 간 이동으로 더 큰 절감을 보인 사례를 제시해요.

추론에서는 낮은 지연 시간이 필요하기 때문에 작업을 마음대로 미루기 어려워요. 그래서 저탄소 전력, 에너지 저장, nuclear와 renewable의 조합, quantization, distillation, specialized inference accelerator, Zeus와 Perseus 같은 energy-aware framework가 함께 필요해요.

6.5 Comprehensive Environmental Impact Mitigation

원문은 에너지 효율만으로 충분하지 않다고 다시 강조해요. 전체 생애주기에서 공급망, 물, 재료, 폐기물을 함께 줄여야 해요.

6.6 Google의 4M Framework

Google 사례는 지속가능성을 여러 계층에서 곱셈처럼 개선할 수 있음을 보여줘요.

이 네 가지가 함께 적용되면 효과가 곱해져요. 원문은 최적화된 Transformer를 TPU와 저탄소 데이터센터에 배치해 에너지를 83배, CO2 배출을 747배 줄인 사례를 제시해요.

또한 Google은 2019-2021년 AI workload가 전체 에너지 소비의 10-15% 수준에 머물렀다고 설명해요. 이는 AI 기능이 늘었음에도 알고리즘, 하드웨어, 인프라, 지역 선택 개선이 증가분을 상쇄했다는 뜻이에요.

6.7 Engineering Guidelines

원문의 실천 체크리스트를 학습자용으로 정리하면 다음과 같아요.

7. Embedded AI and E-Waste

AI는 데이터센터를 넘어 스마트 기기, 센서, 웨어러블, 의료 기기, 산업 자동화 장치로 퍼지고 있어요. 이는 지연 시간을 줄이고 네트워크 부담을 낮추는 장점이 있지만, 짧은 수명과 낮은 수리 가능성 때문에 e-waste 문제를 키울 수 있어요.

7.1 Global Electronic Waste Acceleration

원문은 IoT 장치가 2030년 300억 개를 넘을 수 있고, AI 칩이 일상 기기에 더 많이 들어갈 것이라고 설명해요. 세계 e-waste는 이미 연간 5천만 metric tons를 넘고, 2030년에는 7천5백만 tons, 현재 소비 패턴이 유지되면 2050년에는 1억2천만 tons까지 증가할 수 있다고 제시해요.

특히 저소득 국가에서는 공식 재활용 체계가 부족해 불법 투기, 소각, 비공식 해체가 발생할 수 있어요. 이 과정에서 노동자는 납, 수은, 카드뮴, 난연제 같은 유해 물질에 노출될 수 있습니다.

7.2 Disposable Electronics

AI가 들어간 소형 기기는 칩 가격이 낮아지면서 더 쉽게 일회용처럼 설계될 수 있어요. 스마트 이어버드, 피트니스 트래커, 무선 센서, 스마트 포장, 연결형 의료 기기 등이 대표적이에요.

문제는 이런 기기들이 배터리 교체가 어렵고, 접착제로 밀봉되어 있고, 부품이 납땜되어 있어 수리나 재활용이 어렵다는 점이에요. 배터리 하나가 수명을 다하면 전체 제품이 폐기될 수 있어요.

지속 가능한 설계 원칙은 다음과 같아요.

7.3 AI Hardware Obsolescence

Planned obsolescence는 제품 수명을 의도적으로 짧게 만들어 교체를 유도하는 관행이에요. AI 기기에서는 firmware update, cloud support 중단, proprietary component, soldered memory, non-replaceable battery가 이런 문제를 만들 수 있어요.

해결책은 right-to-repair, modular AI hardware, extended software support, trade-in과 recycling program, circular economy예요. 원문은 Framework 같은 수리 가능한 노트북 사례를 언급하며, AI 하드웨어도 장기 사용성과 수리 가능성을 중심으로 다시 설계해야 한다고 설명해요.

8. Policy and Regulation

기술적 해결책이 있어도 시장이 자동으로 충분히 빠르게 채택하지는 않아요. 그래서 원문은 정책과 거버넌스를 별도 섹션으로 다뤄요.

8.1 Regulatory Mechanisms and Global Coordination

지속 가능한 AI 정책은 네 가지 수단으로 정리돼요.

EU는 AI Act와 CSRD처럼 mandatory reporting과 위험 기반 규제를 추진하고, 미국은 더 자율적이고 시장 기반 접근이 강하며, 다른 국가들도 각자 다른 틀을 만들고 있어요. 이 차이는 글로벌 기업이 일관된 지속가능성 전략을 세우기 어렵게 만들 수 있어요.

8.2 Measurement and Reporting

표준화된 측정이 없으면 조직마다 서로 다른 방식으로 “친환경”을 주장하게 돼요. 그래서 모델 복잡도, 에너지 사용량, PUE, 탄소 강도, Scope 1/2/3, LCA를 일관된 형식으로 보고해야 해요.

다만 모든 작은 실험까지 과도한 보고 의무를 부과하면 연구자와 작은 기업에 부담이 될 수 있어요. 좋은 정책은 기존 클라우드와 데이터센터 모니터링 도구를 활용해 가볍게 측정하면서도, 중요한 대규모 AI 운영에는 책임 있는 공개를 요구해야 해요.

8.3 Restriction Mechanisms

제한 정책에는 compute cap, 공공 데이터셋과 공공 컴퓨팅 접근 조건, AI compute에 대한 탄소세, 비효율적 관행 금지 같은 방식이 있을 수 있어요.

하지만 제한은 조심스럽게 설계해야 해요. 대기업은 규제를 감당할 수 있지만, 연구자나 작은 조직은 고성능 컴퓨팅 접근이 어려워질 수 있어요. 그래서 원문은 제한, 인센티브, 보고 체계를 함께 조합해야 한다고 설명해요.

8.4 Government Incentives

정부는 세금 감면, 연구비, Green AI 프로젝트 지원, 지속가능한 공공 조달 기준, AI 전용 carbon credit 제도 등을 통해 지속가능한 AI 개발을 유도할 수 있어요.

원문은 스페인이 AI와 지속가능성 프로젝트에 3억 유로를 배정한 사례를 언급해요. 이런 투자는 저전력 알고리즘, 친환경 데이터센터, 에너지 효율 하드웨어 연구를 촉진할 수 있어요.

8.5 Self-Regulation

기업의 자율 규제에는 100% renewable energy matching, 24/7 Carbon-Free Energy, 내부 탄소 가격, 지속가능성 체크리스트, 독립 감사, CodeCarbon과 ML CO2 Impact 같은 오픈소스 도구 사용이 포함돼요.

자율 규제는 빠르게 시작할 수 있다는 장점이 있지만, 외부 검증 없이는 greenwashing으로 흐를 수 있어요. 그래서 자율 규제는 정부 규제와 독립 감사, 투명 보고와 함께 작동해야 해요.

8.6 Global Impact

AI의 환경 영향은 국가 경계를 넘어요. 희토류 채굴, 반도체 제조, 데이터센터 운영, 전자폐기물 처리, AI 서비스 이용이 서로 다른 나라에서 일어나기 때문이에요.

원문은 OECD, IEEE, UN 같은 국제기구의 표준화 노력, Basel Convention 같은 유해 폐기물 규제 모델, 24/7 Carbon-Free Energy와 같은 실제 배출 기반 회계 방식이 중요하다고 설명해요.

또한 AI는 기후 모델링, 재생에너지 최적화, 정밀 농업, 생물다양성 보전 같은 긍정적 환경 응용에도 쓰일 수 있어요. 중요한 것은 AI가 환경 문제의 해결 도구가 되려면, AI 자체의 환경 비용도 투명하고 책임 있게 관리해야 한다는 점이에요.

9. Public Engagement

지속 가능한 AI는 전문가만의 문제가 아니에요. AI가 어떤 환경 문제를 해결하고, 어떤 비용을 만들며, 누가 영향을 받는지 시민이 이해하고 토론할 수 있어야 해요.

9.1 Public Understanding

많은 사람은 AI를 챗봇, 추천, 자동화 정도로 떠올리지만, AI가 에너지, 기후 모델링, 생태 모니터링, 데이터센터 전력과 어떻게 연결되는지는 잘 모를 수 있어요.

대중 인식은 양쪽으로 갈릴 수 있어요. 한쪽은 AI를 기후 문제 해결의 강력한 도구로 보고, 다른 쪽은 AI의 학습 에너지와 불투명성을 걱정해요. 원문은 이 둘을 균형 있게 설명해야 한다고 말해요.

9.2 Communicating Trade-offs

좋은 커뮤니케이션은 세 가지를 지켜야 해요.

AI를 “기후 문제를 모두 해결할 마법”으로 말해도 안 되고, “무조건 해로운 기술”로만 말해도 안 돼요. 개발, 배포, 거버넌스 방식에 따라 영향이 달라지는 도구로 설명해야 해요.

9.3 Transparency and Trust

AI가 환경 정책, 자원 배분, 배출 추적에 사용된다면 설명 가능성과 투명성이 중요해요. NIST의 explainable AI 원칙처럼, 모델의 출력이 어떤 근거로 나왔고 어떤 한계가 있는지 설명해야 공공 신뢰가 생겨요.

기업의 지속가능성 주장도 검증 가능해야 해요. Montréal Carbon Pledge처럼 탄소 발자국을 측정하고 공개하겠다는 약속은 AI 분야에도 적용될 수 있어요. 공개 데이터셋, public AI audit, participatory model development는 greenwashing 우려를 줄이는 방법이에요.

9.4 Public Participation and AI Governance

AI 지속가능성 프로젝트는 지역사회, 환경단체, 정책 담당자가 함께 참여할 때 더 신뢰받을 수 있어요. 예를 들어 물 관리나 산불 예측 모델이 지역 주민의 경험을 반영하지 않으면, 기술적으로 정확해 보여도 현장에서는 부적절할 수 있어요.

공공 참여는 특히 carbon credit market, 환경 정의, 자원 배분처럼 사회적 피해가 생길 수 있는 영역에서 중요해요.

9.5 Environmental Justice and AI Access

AI 기반 지속가능성 솔루션은 부유한 지역에만 제공되면 안 돼요. 개발도상국, 소규모 환경단체, 소외 지역은 컴퓨팅 인프라, 데이터, 전문 인력, 자금이 부족할 수 있어요.

형평성을 높이려면 다음이 필요해요.

10. Future Challenges

미래 과제는 기술, 측정, 인프라, 정책이 함께 얽혀 있어요.

10.1 Emerging Technical Research Directions

기술 연구 방향은 더 에너지 효율적인 모델과 하드웨어예요. pruning, quantization, low-precision numerics는 계속 중요하고, neuromorphic computing, in-memory computing 같은 non-von Neumann architecture도 핵심 연구 주제예요.

Von Neumann architecture에서는 메모리와 처리 장치가 분리되어 데이터 이동이 많아요. AI에서는 이 데이터 이동이 에너지의 큰 부분을 차지할 수 있어요. 그래서 데이터를 저장한 곳 근처에서 처리하거나, 뇌처럼 sparse하고 event-driven한 계산을 하는 방식이 주목받아요.

재생에너지 통합도 중요해요. 태양광과 풍력은 변동성이 있으므로 liquid metal battery 같은 저장 기술, grid-aware scheduling, carbon-aware workload management가 함께 필요해요.

10.2 Implementation Barriers and Standardization Needs

가장 큰 장벽 중 하나는 표준화된 측정 체계가 부족하다는 점이에요. 전통 산업의 LCA와 달리 AI는 소프트웨어 실험, 모델 학습, 추론 트래픽, 하드웨어 제조, 클라우드 지역, 데이터 이동이 모두 엮여 있어요.

또 다른 장벽은 하드웨어 수명이에요. 지금의 빠른 refresh cycle은 성능에는 유리하지만, 제조 탄소와 e-waste를 늘릴 수 있어요. 앞으로는 utilization, modularity, reuse, repairability, recycling이 인프라 설계 기준에 들어가야 해요.

소프트웨어 측면에서는 불필요한 재학습과 데이터 사용을 줄여야 해요. 원문은 data-centric 관점에서 모든 데이터를 무조건 더하는 대신, 예측 가치가 높은 데이터 subset을 잘 고르는 것이 지속가능성에 도움이 된다고 설명해요.

10.3 Integrated Approaches

미래의 지속 가능한 AI는 한 가지 해결책으로 달성되지 않아요.

효율적 모델
  + 저전력 하드웨어
  + 재생에너지 데이터센터
  + carbon-aware scheduling
  + LCA와 표준 보고
  + circular hardware economy
  + 정책과 공공 참여
= 지속 가능한 AI 시스템

11. Fallacies and Pitfalls

원문 마지막 부분은 흔한 오해를 정리해요. 이 부분은 실제 엔지니어링 판단에서 특히 중요해요.

특히 마지막 함정이 중요해요. 작은 모델로 학습 에너지를 줄였지만 추론 횟수가 폭발적으로 늘면 총배출은 오히려 증가할 수 있어요. Edge로 옮겨 데이터센터 전력을 줄였지만 수십억 개 기기를 빨리 폐기하게 만들면 e-waste가 커질 수 있어요. 지속가능성은 부분 최적화가 아니라 전체 시스템 최적화입니다.

12. 이 장의 최종 정리

Sustainable AI는 다음 네 문장으로 정리할 수 있어요.

1. AI 시스템은 학습, 추론, 하드웨어 제조, 데이터센터 운영, 폐기 전 과정에서 환경 영향을 만들어요.
2. 좋은 AI 시스템 설계는 정확도, 속도, 비용뿐 아니라 에너지, 탄소, 물, 재료, 폐기물까지 함께 최적화해야 해요.
3. 지속가능성을 위해서는 pruning, quantization, distillation 같은 모델 최적화와 green data center, carbon-aware scheduling, LCA, 정책 보고가 함께 필요해요.
4. AI가 환경 문제 해결 도구가 되려면, AI 자체의 환경 비용도 투명하게 측정하고 책임 있게 줄여야 해요.

복습 질문

1. Sustainable AI가 단순한 환경 캠페인이 아니라 시스템 공학의 핵심 제약인 이유는 무엇인가요?
2. 학습 에너지와 추론 에너지는 어떤 점에서 다르고, 대규모 서비스에서는 왜 추론이 더 중요해질 수 있나요?
3. 탄소 배출량 = 전기 사용량 × 탄소 강도라는 관계에서, 지역과 시간은 어떤 역할을 하나요?
4. PUE가 1에 가까울수록 좋은 이유를 데이터센터의 냉각 비용과 연결해 설명해 보세요.
5. Scope 1, Scope 2, Scope 3를 AI 시스템 예시로 각각 설명해 보세요.
6. 반도체 제조 단계에서 물, 유해 화학물질, 희소 자원이 중요한 이유는 무엇인가요?
7. Jevons Paradox가 AI 효율화 전략에 주는 경고는 무엇인가요?
8. Google의 4M Framework에서 Model, Machine, Mechanization, Map은 각각 무엇을 줄이려는 전략인가요?
9. Embedded AI가 데이터센터 의존도를 줄이면서도 e-waste 문제를 키울 수 있는 이유는 무엇인가요?
10. “클라우드에 올리면 자동으로 친환경이다”라는 주장이 왜 위험한 오해인지 설명해 보세요.