AI 모델 확장으로 인한 에너지 소비 증가
인공지능 기술의 확산은 데이터센터의 전력 수요를 크게 증가시키고 있습니다. 국제에너지기구(IEA)는 2022년부터 2026년까지 데이터센터의 전력 수요가 두 배로 증가할 것으로 예측하고 있습니다.
- McKinsey 보고서에 따르면, AI 모델 훈련은 일반적인 기업 리소스의 전력 사용보다 수천 배 많은 에너지를 사용한다고 합니다.
- 구글과 같은 대형 IT 기업들은 재생 가능 에너지로의 전환을 통해 에너지 비용을 줄이기 위한 노력을 강화하고 있습니다.
AI 모델 확장이 초래하는 환경 문제
AI 모델은 텍스트에서 영상, 이미지로 확장됨에 따라 더 많은 에너지를 소모하게 됩니다. 이러한 추세는 글로벌 탄소 배출에도 상당한 영향을 미치고 있습니다.
- Climate Change 저널에 따르면, 비디오 스트리밍에 AI를 적용할 경우 필요 에너지가 최대 7% 증가할 수 있습니다.
- AI 모델의 훈련 및 실행 과정에서의 이산화탄소 배출은 연간 수천 메트릭 톤에 달한다는 연구 결과가 있습니다.
데이터센터의 지속 가능성을 위한 전략
MIT 링컨 연구소의 연구자들은 AI 모델의 훈련 방식 재고와 더 효율적인 하드웨어 투자 등의 방법을 통해 데이터센터의 에너지 수요를 줄일 수 있다고 제안합니다.
- Google은 소프트웨어 최적화를 통해 데이터센터의 에너지 효율성을 30% 이상 향상시켰습니다.
- 최근 AI는 데이터센터의 운영 효율성을 높이기 위해 실시간으로 에너지 사용 패턴을 분석하고 조정하는 데 활용되고 있습니다.
AI 모델 크기와 에너지 사용의 관계
특히 GPT-4와 같은 생성 AI 모델은 크기가 커짐에 따라 더 많은 에너지를 필요로 합니다. 이는 데이터 처리와 훈련에 더 많은 전력을 소모하게 만듭니다.
- OpenAI의 GPT-3는 수백만 달러의 전력 비용을 발생시키며, 이는 독립적인 서비스로 구현할 때 큰 부문으로 작용합니다.
- AI 모델의 복잡성으로 인해 이러한 훈련 및 실행 과정이 지속해서 비용을 상승시키는 원인이 됩니다.
데이터센터의 에너지 수요 증가 전망
현재 데이터센터는 전 세계 에너지 수요의 1%에서 2%를 차지하고 있지만, AI 기술 수요 증가로 인해 2030년까지 이 비율이 21%로 증가할 가능성이 있습니다.
- Global Data Center Energy Report에 따르면, 데이터센터 전력 수요는 매년 평균 10%씩 증가하고 있습니다.
- 또한, New York Times에 따르면, 데이터센터의 전력 수요는 2030년까지 현재보다 3배로 증가할 것으로 예상됩니다.
데이터센터 냉각에 필요한 물 소비 문제
데이터센터는 물을 사용한 냉각 기술에 의존하고 있으며, 이는 이미 압박을 받고 있는 수자원에 추가적인 부담을 줍니다.
- Uptime Institute 조사에 따르면, 일부 데이터센터는 매년 200만 갤런의 물을 냉각용으로 사용합니다.
- 고온 지역에서 운영되는 데이터센터는 연간 물 소비량이 극단적으로 증가할 가능성이 높습니다.
간단한 조치로 데이터센터 배출 감소
단순한 조치만으로도 데이터센터의 전력 수요를 10%에서 20%까지 줄일 수 있습니다. 이는 기업의 환경적 목표와 재정적 목표 모두를 달성하는 데 도움이 됩니다.
- Microsoft는 사용하지 않는 서버를 자동으로 절전 모드로 전환함으로써 에너지 소비를 15%까지 줄였습니다.
- 데이터센터의 배기 가스를 재활용하여 온실 가스 배출량을 최소화하는 기술이 도입되고 있습니다.
에너지 효율을 위한 하드웨어 선택
에너지 절감을 위해 효율적인 하드웨어를 선택하고, 전력 제한을 통해 프로세서의 전력 사용량을 제한하는 등의 방법을 활용할 수 있습니다.
- NVIDIA의 에너지 효율적인 GPU는 단위 전력당 더 높은 성능을 제공하며, 이는 데이터센터의 전체 에너지 효율성을 개선하는 데 기여합니다.
- 효율적인 전력 공급 시스템과 냉각 시스템의 통합은 데이터센터의 전반적인 에너지 비용을 크게 절감할 수 있습니다.
모델 훈련 방식 재고
모델 훈련에 있어서는 더 저렴하고 덜 복잡한 모델을 사용하여 에너지를 절약할 수 있습니다. 이를 통해 동일한 결과를 얻으면서도 에너지 소모를 줄일 수 있습니다.
- 일부 기업들은 기존 대규모 AI 모델 대신 경량화된 모델을 사용하여 에너지 소비를 절감하고 있습니다.
- 모델 병렬 처리와 분산 학습 기술을 활용하면 효율적으로 계산을 분산 처리하여 에너지를 절감할 수 있습니다.
소프트웨어의 에너지 절감 기능
소프트웨어는 시간대별로 탄소 배출량 변화를 자동으로 조정하여 에너지를 효율적으로 사용할 수 있도록 설계될 수 있습니다.
- IBM은 자사의 소프트웨어가 서버의 유휴 상태를 관리하여 에너지 소비를 최적화하도록 설계했습니다.
- 자동화된 부하 분산 기법은 컴퓨팅 리소스를 효율적으로 사용하게 하여 추가적인 에너지 절감으로 이어집니다.
MIT의 탄소 인텐시티 조정 소프트웨어
MIT와 노스이스턴 대학교가 개발한 소프트웨어 ‘Clover’는 탄소 인텐시티를 고려하여 에너지 사용을 최적화하는데 기여합니다.
- Clover는 시간대별로 전력망의 탄소 배출 수준을 모니터링하여 전력 사용을 최적화합니다.
- 이 소프트웨어는 기업이 에너지 관리에 민첩하게 대응할 수 있도록 하고, 전력 소비와 탄소 배출을 감소시킵니다.
지속 가능한 AI를 위한 지속적인 연구 필요
MIT는 에너지 효율적인 AI 이니셔티브를 계속 추진하면서도 AI 모델의 크기와 데이터를 무조건적으로 확대하는 사고방식을 재고할 필요가 있음을 강조합니다.
- 지속 가능한 AI를 위해 모델 설계와 데이터 관리에서부터 실행까지 전 과정을 재고할 필요가 있습니다.
- Cambridge University 연구는 에너지 효율성을 높이는 데 있어 소규모의 고효율 AI 모델 개발이 중요하다고 강조합니다.
출처 : 원문 보러가기
