그린 AI란

그린 AI(Green AI)는 인공지능(AI)의 개발 및 사용 과정에서 에너지 소비와 환경 영향을 최소화하려는 접근을 의미한다. AI의 발전과 함께 대규모 모델 훈련에 따른 전력 소비와 탄소 배출이 증가하면서, 친환경적인 AI 기술 개발이 전 세계적으로 주목받고 있다. 그린 AI에는 AI 모델 훈련과 실행 시 에너지 소비와 탄소 발자국을 줄이는 기술, 친환경 데이터 센터 및 재생 가능 에너지를 활용한 AI 운영, 환경 보호와 기후 변화 대응을 지원하는 AI 응용 사례 등이 포함된다.

레드 AI란

레드 AI(Red AI)는 인공지능 모델의 성능 향상을 추구하면서도 에너지 소비와 탄소 배출을 고려하지 않는 접근 방식을 지칭하는 용어다. 이는 모델의 정확도나 효율성을 높이기 위해 대규모 데이터와 복잡한 알고리즘을 사용하는 과정에서 GPU 등의 연산 자원을 과도하게 활용하여 환경에 부정적인 영향을 미치는 것을 의미한다. 최신 트랜스포머 모델 등에서 높은 성능을 달성하기 위해 대규모 연산과 자원 투입이 이루어지는데 복잡한 모델 훈련과 추론 과정에서 막대한 전력 소비가 발생하며, 이는 곧 탄소 배출 증가로 이어진다. 예를 들어, 구글의 BERT 모델 훈련 시 652kg의 이산화탄소가 배출되며, 이는 뉴욕에서 샌프란시스코까지 비행기로 왕복할 때의 배출량과 동일하다. 이러한 과정에서 환경적 지속 가능성에 대한 고려가 부족하여 지구 환경에 부정적 영향을 미치게 되므로 그린 AI와 반대되는 개념이라 할 수 있다.

그린 AI가 왜 중요한가

대규모 AI 모델(예: ChatGPT, GPT-4, BERT 등)은 막대한 전력을 소모하고, 상당한 탄소 배출을 유발한다. 연구에 따르면, AI 모델 하나를 운영하는데 수 톤의 CO₂가 배출되며, 이는 자동차 수백 대가 운행하는 것과 비슷한 규모로 추정하고 있다. 반면 기업과 연구 기관은 ESG를 중요시하며, 친환경적 기술 개발 요구을 요구한다. 즉 그린 AI는 ESG 전략과 긴밀히 연결된다. 정부 관점에서는 국가온실가스목표(NDC)에 따른 온실가스 감축을 위해서 데이터 센터의 에너지 소비와 관련된 규제를 강화하고 있다. 예를 들면, EU의 디지털 지속 가능성 정책은 친환경 IT와 AI 기술을 우선순위로 강조하고 있다.

그린 AI 기업사례는

마이크로소프트는 자사 데이터 센터에 해저 데이터 센터(Natick 프로젝트)를 도입하여 냉각 에너지를 줄이고 탄소 배출을 최소화하고 있다. 또한 AI 모델 트레이닝에 재생 가능 에너지를 100% 사용한다. 구글은 데이터 센터의 전력 소비를 효율화하기 위해 AI 기반 에너지 관리 시스템을 도입하였다. 이러한 접근은 2030년까지 탄소 중립을 달성하는 목표하에서 이루어지고 있다. OpenAI는 대규모 AI 모델 트레이닝 시 에너지 효율적인 하드웨어와 알고리즘 최적화를 통해 탄소 배출 감소를 목표로 하고 있다. 클라이밋 체인지 AI(Climate Change AI)는 AI를 활용해 기후 변화 대응을 지원하는 프로젝트와 연구에 집중하고 있다. 국내의 경우 카카오는 경기도 안산에 위치한 데이터센터에서 에너지 효율화를 위해 '물효율지수(WUE)'를 도입하여 물 사용을 최소화하고, 고효율 프리쿨링 냉각 시스템을 적용하였다.

마이크로소프트 "AI for Earth" 프로젝트

이 프로젝트는 AI 기술을 활용하여 기후 변화, 생물 다양성 보존, 농업 생산성 향상, 물 자원 관리 등의 환경 문제를 해결하기 위한 글로벌 이니셔티브이다. 환경 연구 및 솔루션을 지원하기 위해 AI 도구, 클라우드 컴퓨팅 자원, 기술 자문 등을 제공하며, 여러 NGO, 연구기관, 정부 및 스타트업과 협력하고 있다.

“AI for Earth”의 주요 목표는 AI 및 클라우드 기반 솔루션을 통해 4가지 환경 분야에 집중하고 있다.

“AI for Earth” 프로젝트는 Azure AI, 클라우드 컴퓨팅, IoT 솔루션, 컴퓨터 비전 및 머신러닝 모델 등을 통하여 환경 연구자 및 기업을 대상으로 주요 기술 및 지원 프로그램을 제공하고 있다.

그린 AI 추진 전략은

1) 효율적인 AI 모델 개발: 대형 AI 모델의 훈련 및 추론 과정에서 전력 소비를 줄이기 위해, 다음과 같은 방법이 사용된다.

• 경량화 모델 설계: 경량화된 알고리즘 및 모델 아키텍처(예: MobileNet, TinyBERT) 사용, 파라미터 수를 줄이고 계산량을 최적화, 양자화(Quantization) 및 프루닝(Pruning) 기법 적용
• 지속적인 모델 최적화: 지식 증류(Knowledge Distillation)를 통해 소형 모델이 대형 모델의 성능을 학습, 최적의 데이터 샘플링 및 연산 배치를 통해 학습 속도 향상
• 자동화된 AI 아키텍처 검색(AutoML): 하이퍼파라미터 튜닝을 자동화하여 연산 리소스 절약, 최적의 네트워크 구조를 자동으로 찾는 NAS(Neural Architecture Search) 적용

2) 친환경 데이터 센터 운영: AI 모델 학습과 배포를 위한 인프라에서 재생 가능 에너지를 적극 도입한다.

• 재생 가능 에너지 활용: 태양광, 풍력, 수력 에너지를 데이터 센터의 주 전력원으로 전환, AI 서버의 워크로드를 에너지 생산량과 동기화
• 탄소 배출 저감 목표: 2040년까지 탄소 중립(Net Zero) 목표 설정, 친환경 냉각 기술(예: 수냉식, 침지 냉각) 도입
• 분산 데이터 센터 운영: 전력 비용이 낮고 재생 에너지가 풍부한 지역에 AI 인프라 배치, 에지 컴퓨팅 도입을 통해 중앙 서버 부하 감소

3) AI 추론 효율화: AI 모델이 배포된 후 추론 과정에서 에너지를 최소화하는 방법을 도입한다.

• 에너지 효율적인 하드웨어 사용: TPU(Tensor Processing Unit), GPU 등 에너지 효율적인 칩셋 도입, ARM 기반 칩 활용으로 전력 소비 최소화
• 온디맨드 리소스 사용: 클라우드 컴퓨팅을 통한 필요 시점에만 리소스 활용, 사용하지 않는 리소스 자동 종료(Autoscaling)
• 페더레이티드 러닝(Federated Learning): 중앙 서버 대신 분산된 기기에서 AI 모델을 훈련해 데이터 전송 및 에너지 절약

4) 친환경 AI 프레임워크 및 소프트웨어 도입: AI 개발 도구 및 플랫폼에서도 지속 가능성을 고려한다.

• 탄소 발자국 추적 도구 활용: ML CO2 Impact, CodeCarbon 등을 통해 AI 학습의 탄소 배출량 모니터링
• 그린 컴퓨팅 프레임워크 적용: TensorFlow Lite, PyTorch Mobile 등 경량 프레임워크 활용.
• 최적화된 코드를 통한 연산량 최소화
• 클라우드 기반 서버리스(Serverless) 컴퓨팅: 필요할 때만 실행되는 FaaS(Function-as-a-Service) 모델 도입

5) AI 연구 및 정책 대응: AI가 환경에 미치는 영향을 분석하고 지속 가능한 기술 정책을 수립한다.

• 친환경 AI 연구: AI 윤리 및 지속 가능성 연구 기관과 협력, 탄소 절감을 위한 새로운 AI 알고리즘 개발
• 규제 준수 및 보고: ESG(Environmental, Social, Governance) 보고서에서 AI의 탄소 배출량 공개, 기업의 지속 가능성 목표에 맞춘 AI 정책 시행

6) 에지 AI(Edge AI) 도입: 데이터가 생성된 현장에서 AI 연산을 수행하여 불필요한 데이터 전송과 전력 소모를 감축한다.

• 데이터 전송 절감: 로컬 기기에서 AI 추론 수행하여 클라우드 부하 감소, 에너지 절약형 프로세서(예: NPU, DSP) 활용
• 실시간 처리: 지연 시간 최소화로 전력 효율 최적화, 스마트 IoT 및 모바일 기기 AI 모델 적용