인공지능
제어되지 않은 에너지 소비 – AI를 개선하기 위해 AI 사용
Securities.io를 Google의 선호 소스에 추가
빠르게 성장하고 있는 인공지능 (AI) 시장은 예상 2020년대 말까지 1.8조 달러에 이를 것으로 예상됩니다.
AI 열풍이 2021년에 초기 관심을 얻기 시작했지만, 실제로는 작년에 AI가 진정한 돌파구를 찾았습니다. 사실, 그 성장세가 너무 커서 AI와 관련된 모든 것이, 솔루션부터 사용까지, 급증했으며, 생성 AI에 대한 투자를 하늘 높이 올렸습니다.
ChatGPT와 같은 생성 AI 시스템이 새로운 능력을 보여주자, 모두가 이 급성장하는 파이의 조각을 원했습니다. 또한, 이러한 민간 투자의 대부분은 미국에서 이루어지고 있습니다.
이러한 인기 도구들의 기반에는 OpenAI의 ChatGPT 사례에서처럼 GPT-4와 같은 기반 모델이 있습니다. 이러한 대규모 다목적 모델은 방대한 데이터셋과 막대한 학습 자원을 필요로 합니다. 기반 모델은 비용 효율적이고 빠르게 새로운 애플리케이션을 구동하는 머신러닝(ML) 모델을 개발하기 위한 출발점 역할을 합니다.
기술 대기업 Google은 여러 기반 모델을 출시했습니다; Imagen, Muse, 그리고 Parti는 텍스트‑이미지 모델이며, MedLM은 의료 산업용, Codey는 코딩 모델, 그리고 범용 음성 모델인 Chirp이 있습니다.
이 모델들은 전례 없는 양의 메모리를 소비합니다. 실제 세계 데이터를 저장하고 검색하기 위해 훨씬 더 많은 메모리가 필요합니다. 예를 들어, GPT-3는 약 5천억 단어로 학습되었으며 1,750억 개의 파라미터를 사용합니다. 이로 인해 AI의 에너지 수요가 급증했습니다.
지난 몇 년 동안 AI의 환경 영향이 널리 보도되었습니다. 작년 말, 동료 검토된 분석이 이 수요를 정량화하려 시도했습니다.
암호화폐 채굴의 막대한 에너지 비용을 논의한 뒤, 네덜란드 중앙은행 데이터 과학자이자 Vrije University Amsterdam 박사 과정인 Alex de Vries는 최신 기술 트렌드인 AI 채택에 주목했습니다. 그의 최신 평가에 따르면, NVIDIA (NVDA ) 는 2027년까지 연간 150만 대의 AI 서버 유닛을 출하할 예정입니다. 전체 용량으로 가동될 경우, 이 서버들은 연간 최소 85.4 테라와트시의 전력을 소비할 것으로 예상됩니다.
De Vries는 AI가 비트코인과 같은 작업증명(PoW) 네트워크보다 더 나쁠 수 있다고 추정합니다. 그러나 이는 추정치에 불과하며, 전문가들은 이 수치가 완전하지 않고 상황에 따라 달라진다고 지적합니다.
지난 12월, AI 기업 Hugging Face의 Sasha Luccioni와 그녀의 동료들, 그리고 Carnegie Mellon University 연구진은 88개의 서로 다른 모델을 테스트했습니다. 그들은 작업을 1,000번 수행했으며 발견했습니다 대부분의 작업이 텍스트를 생성하는 데 0.047 kWh와 같은 적은 에너지를 사용한다는 것을. 그러나 이미지 생성 모델은 1,000번 추론당 평균 2.907 kWh를 사용해 훨씬 큰 수치를 보였습니다. 참고로 평균 스마트폰을 충전하는 데 0.012 kWh가 사용됩니다.
한편, 최근 논문은 대형 언어 모델이 연간 약 1,300 메가와트시의 전력을 사용한다고 추정했으며, 이는 미국 가정 130채가 연간 소비하는 전력에 해당합니다.
국제 에너지 기구(IEA)도 보고서에서 올해 초 AI와 암호화폐에 대한 수요가 가까운 미래에 데이터 센터의 전력 사용량을 크게 증가시킬 것이라고 언급했습니다. 사용량은 2022년 460 테라와트시에서 2026년에는 620~1,050 TWh 사이가 될 것으로 예상됩니다.
이는 규제 당국의 관심을 끌었으며, 이제 그들은 AI 비용 상승에 대해 경고하고 있습니다. 매사추세츠 주 상원의원 Edward Markey(D) 의원은 다음과 같이 말했습니다:
“다음 세대 AI 도구의 개발이 우리 지구의 건강을 희생하면서까지 이루어져서는 안 됩니다.”
이는 그가 다른 상원 의원 및 하원의원들과 함께 연방 정부가 AI의 환경 발자국을 평가하고 향후 영향을 보고하기 위한 표준화된 시스템을 개발하도록 요구하는 법안을 도입한 뒤 나온 발언입니다. 유럽에서는 AI법이 이미 통과되어 강력한 기반 모델이 자원 사용, 에너지 소비 및 기타 영향을 보고하도록 요구하고 있습니다.
이와 동시에, 국제 표준화 기구(ISO)는 올해 말 “지속 가능한 AI”를 위한 물질 사용, 물 소비 및 에너지 효율성을 측정하는 기준을 발표할 예정입니다.
AI를 보다 효율적으로 만들기
대규모로 실현 가능하려면 AI 모델은 에너지 효율성을 높이고 데이터 센터보다 훨씬 적은 전력을 사용하는 에너지 제한 장치에서도 실행될 수 있어야 합니다.
이러한 데이터 센터는 컴퓨터를 가동하기 위해 막대한 전력을 필요로 하며, 대부분이 화석 연료에서 공급됩니다. 이는 상당한 CO2e 배출을 초래합니다. 이를 해결하기 위해 연구자와 조직은 AI를 보다 효율적으로 만들기 위해 노력하고 있습니다.
이 문제에 대한 해결책을 찾는 데 큰 진전을 보인 저명한 기업은 런던에 기반을 둔 코드 최적화 전문 업체 TurinTech입니다. TurinTech은 딥러닝과 진화 알고리즘을 결합해 진전을 이루고 있습니다. 이 시스템은 기존 모델을 새 정보에 따라 지속적으로 조정하며, 처음부터 다시 생성하지 않습니다.
Ernst and Young UK의 Harvey Lewis에 따르면, 진화 또는 유전 알고리즘과 베이지안 통계 방법이 딥러닝을 더 효율적으로 만들 수 있으며, 전문 하드웨어가 비용을 낮출 수 있다고 합니다.
또 다른 제안된 방법은 데이터 기반 AI를 응용 분야의 과학적 또는 인간적 입력과 연결하는 것입니다. CITRIS의 전략 이니셔티브 이사 Pushkar P. Apte와 CITRIS 이사 Costas J. Spanos는 다음 네 가지 방법을 제시했습니다:
- AI와 과학 법칙을 시너지화하기.
- 전문가 인간 통찰력으로 데이터를 보강하기.
- AI가 어떻게 결정을 내리는지 설명하는 장치를 활용하기.
- 다른 모델을 사용해 행동을 예측하기.
가장 최근에, 스타트업 EnCharge는 예측 수행 시 AI 모델의 에너지 소비를 크게 개선할 수 있는 돌파구를 만들었습니다. 이 회사는 DARPA 자금을 활용해 일부 작업을 아날로그 메모리 회로에서 수행함으로써 메모리 사용량을 줄였으며, 이는 전통적인 트랜지스터 대신 낮은 에너지로 병렬 행렬‑곱 누적을 수행할 수 있게 합니다.
“데이터 이동 문제를 해결하는 방법이 바로 이것입니다.”
– Naveen Verma, EnCharge AI CEO이자 프린스턴 전기공학과 교수
그는 또한 개별 비트를 전달하는 대신, 축소된 결과가 다수의 병렬 곱셈 누적 형태로 전달된다고 덧붙였습니다.
EnCharge AI는 와트당 초당 150조 연산을 처리할 수 있었습니다. 그러나 아날로그 컴퓨팅은 구현이 매우 어려우며, 이전 시도들은 결실을 맺지 못했습니다.
한편, 덴마크 코펜하겐 대학교(University of Copenhagen, UCPH) 컴퓨터 과학과의 전임 트랙 조교수 Raghavendra Selvan이 지난해 수행한 연구는 머신러닝의 탄소 발자국을 낮추는 다양한 방법을 탐구했습니다. 마이크로 수준에서는 알고리즘을 더 빠르고 효율적으로 만들어 자원 사용을 줄일 수 있습니다. 그는 이를 위해 연산에 사용되는 비트 수를 줄이고 중복 연산을 감소시키는 방안을 제시했습니다.
그는 또한 저장된 모든 데이터의 필요성을 평가할 것을 제안했습니다. 따라서 매크로 수준에서는 연산이 언제, 어디서 수행되는지를 살펴보고, 비시간‑중요도가 낮은 연산을 비피크 시간에 수행하도록 함으로써 AI 시스템 훈련 비용과 탄소 발자국을 줄일 수 있습니다.
AI를 사용해 AI를 더 좋게 만들기
현재 Selvan은 성능에 영향을 주지 않으면서 훨씬 적은 에너지를 소비하는 AI 모델을 설계하기 위한 벤치마크를 만들었습니다. 그러나 이를 위해서는 사용된 에너지 양과 탄소 발자국을 모델 설계 및 훈련의 표준으로 삼아야 합니다.
이를 위해 429,000개의 AI 하위 모델을 조사했습니다. 이들 컨볼루션 신경망은 언어 번역, 얼굴 인식, 객체 탐지, 의료 영상 분석 등에 사용되며, 훈련만 해도 약 263,000 kWh의 에너지가 필요하다고 추정됩니다.
비교를 위해 말하자면, 263,000 kWh는 평균 덴마크 시민이 40년 이상 동안 소비하는 에너지와 비슷합니다. 컴퓨터가 이 모든 훈련을 완료하려면 한 세기가 걸릴 것입니다.
이 거대한 에너지 사용량 때문에 산업계는 이를 기후 친화적으로 만들기 위해 노력하고 있지만, 에너지 효율적인 AI 모델 개발은 아직 현실화되지 않았습니다. Selvan에 따르면 AI의 탄소 발자국을 줄이기 위한 가능성을 탐구하고 있는 중에:
“오늘날 개발자들은 결과 정확도 측면에서만 AI 모델을 구축하는 데 좁게 집중하고 있습니다.”
그는 이 행동을 연료 사용을 고려하지 않고 목적지에 빨리 도착한다는 이유만으로 자동차가 좋다고 여기는 것에 비유했습니다. 그리고 덧붙였습니다:
“그 결과 AI 모델은 에너지 소비 측면에서 종종 비효율적입니다.”
그는 CS 학생 Pedram Bakhtiarifard와 함께 수행한 연구를 통해, AI 모델의 정밀도를 유지하면서도 상당한 양의 CO2e를 제한할 수 있음을 입증하고자 합니다.
이를 달성하기 위해 UCPH 연구진은 처음부터 에너지 효율적인 모델이 필요하다고 강조했습니다. 이는 모델 설계 단계와 에너지 집약적인 훈련 과정 모두에서 기후 비용을 고려한다는 의미입니다. Selvan은 이렇게 하면 모델의 ‘수명 주기’ 각 단계—훈련 및 배포—에서 탄소 발자국을 줄일 수 있다고 말했습니다.
연구진은 수백 수천 개 AI 모델을 훈련하는 데 필요한 에너지를 계산했습니다. 흥미롭게도, UCPH 연구진은 실제로 모델을 훈련하지 않고 다른 AI 모델을 사용해 추정했으며, 이를 통해 원래 필요했을 에너지의 99%를 절감할 수 있었습니다.
이제 그들의 계산을 바탕으로, 팀은 동일한 수준의 성능을 유지하면서 작업을 수행하는 데 적은 에너지를 사용하는 AI 모델 컬렉션을 벤치마크로 제시했습니다.
연구에 따르면 모델을 조정하거나 다른 유형의 모델을 사용하면 훈련 및 적용 단계에서 최대 80%의 에너지를 절감할 수 있습니다. 성능 측면에서는 거의 손실이 없으며(1% 이하), 연구진은 이 수치가 보수적이라고 말합니다.
“우리의 결과를 AI 전문가를 위한 레시피 책으로 생각하십시오. 레시피는 다양한 알고리즘의 성능뿐 아니라 에너지 효율성까지 설명합니다.”
– Bakhtiarifard
그는 또한 모델 설계에서 한 요소만 다른 것으로 교체하면 “대부분 동일한 결과를 얻을 수 있다”고 밝혔습니다. 이는 실무자가 먼저 각 모델을 훈련할 필요 없이 성능과 에너지 소비를 모두 고려해 모델을 선택할 수 있음을 의미합니다.
여러 모델을 훈련해 가장 적합한 옵션을 찾는 과정이 AI 개발을 ‘극도로 에너지 집약적’으로 만들기 때문에, Bakhtiarifard는 “처음부터 올바른 모델을 선택하는 것이 기후 친화적이며, 훈련 단계에서 큰 전력을 소비하지 않는 모델을 선택하는 것이 더 좋다”고 말했습니다.
자율주행 자동차와 의료와 같은 분야에서는 모델 정밀도가 안전에 필수적이므로 성능을 타협할 수 없지만, 연구진은 이것이 다른 영역에서 높은 에너지 효율을 추구하는 데 방해가 되어서는 안 된다고 강조했습니다.
그들의 연구에 따르면, 에너지 효율성을 AI 모델 개발의 표준으로 삼으면 많은 분야와 마찬가지로 더 나은 균형점을 찾을 수 있다고 합니다. Selvan은 다음과 같이 말했습니다:
“AI는 놀라운 잠재력을 가지고 있습니다. 그러나 지속 가능하고 책임 있는 AI 개발을 보장하려면 모델 성능뿐 아니라 기후 영향을 고려하는 보다 전체론적 접근이 필요합니다.”
EC‑NAS라는 이름의 이 벤치마크는 오픈소스로 제공되며, 다른 과학자와 기업이 신경망 구조 탐색(NAS) 연구를 진전시키는 데 활용될 수 있습니다. 연구는 다목적 최적화 알고리즘을 활용하면 에너지 사용과 정확도 사이의 균형을 맞출 수 있다고 밝혔으며, “다양한 지표를 갖춘 EC‑NAS는 에너지 효율적이고 환경적으로 지속 가능한 모델 개발을 위한 추가 연구를 촉진한다”고 덧붙였습니다.
AI 기반 에너지 솔루션
이제 기술을 활용해 에너지 부문에 도전하고 AI 기반 에너지 솔루션을 적극 제공하고 있는 기업들을 살펴보겠습니다:
#1. GE Renewable Energy
이 회사는 사내에서 개발한 AI/ML 기술을 활용해 풍력 터빈 물류 과정의 물류 비용을 정확히 예측하고 효율화합니다. 올해 GE는 제조업체가 지속 가능성을 달성하고 수익성을 극대화하도록 돕는 Proficy를 출시했으며, AI 기반 CERius를 배치해 보고 정확성을 높였습니다.
(GE.TO )이번 달 초, General Electric은 항공, 에너지, 의료 분야에 집중하는 세 개의 별도 기업으로 분할했으며, NYSE에서 별도 상장되었습니다. 따라서 에너지 부문은 현재 GE Vernova (GEV ) (GEV)라는 이름으로 운영되며, 시가총액은 360억 달러이고 주가는 131.75입니다. 2023년에 이 회사는 가장 큰 주문을 확보해 미국 풍력 프로젝트에 2.4GW를 공급할 예정이며, Goldman Sachs (GS ) 는 2026년까지 EBITDA가 40억 달러에 이를 것으로 전망했습니다.
#2. Schneider Electric
34.2억 달러 규모의 프랑스 기반 기업은 AI를 활용해 효율성과 생산성을 향상시키고 기후 변화 문제에 대응합니다. Schneider Electric (SND.DE ) 의 AI 활용은 데이터 시각화·공학, 최적화·시뮬레이션, 신뢰성 모델링을 중심으로 이루어집니다.
이 회사는 2023 회계연도에 360억 유로 매출을 기록했으며, 이는 13% 증가한 수치입니다. 또한 순이익 40억 유로와 자유 현금 흐름 46억 유로를 보고했습니다.
결론
AI는 이번 십 년의 기술 혁명입니다. AI 통합이 비용을 낮추고 기업 매출을 증가시키며 근로자의 효율성을 높이는 것이 입증된 만큼, 이는 단순한 유행어가 아닙니다. AI 시스템은 실제로 인간보다 다양한 작업에서 뛰어난 성과를 보이고 있지만, 복잡한 인지 작업에서는 아직 인간이 앞섭니다.
하지만 AI는 프라이버시, 알고리즘 편향, 그리고 앞서 논의한 부정적인 환경 영향 등 자체적인 위험을 동반합니다. 전 세계적인 AI에 대한 인식 조사에서도 사람들은 이 새로운 기술에 대해 불안해하지만, 대다수는 향후 몇 년 안에 일상 생활이 변화할 것이라고 기대합니다. 젊은 세대는 AI에 대해 더 낙관적인 태도를 보입니다.
AI가 우리 삶의 큰 부분을 차지하게 됨에 따라, 정부, 과학자, 기업이 함께 위험을 해결하기 위해 나서고 있습니다. 규제 당국은 이미 산업을 겨냥해 움직이고 있으며, 지난 7년간 30개국 이상이 최소 하나의 AI 관련 법안을 통과시켰습니다. 기술 발전이 지속될수록 AI는 더욱 효율적으로 변하고 우리 세상을 바꿀 것입니다.
