AI의 에너지 수요와 환경 비용을 고려해야 하는 법안

Maya Patel included in Culture Editorial Environment Midjourney Opinion Research Science Ai Artificialintelligence Climatechange Firefly Generativeai Huggingface Stablediffusion

2023-12-05 1030 words 5 minutes

Contents

생성형 AI 기술의 잠재적 위험성에 대한 대부분의 초점은 당연히 아티스트와 저작권 소유권에 미치는 영향과 사람들의 일자리와 임금 에 미치는 영향에 맞춰져 있습니다. 새로운 연구에 따르면 제너레이티브 AI의 위험성은 훨씬 더 심각하며 환경에 재앙이 될 수 있습니다.

Engadget , AI 스타트업 Hugging Face 의 연구원들은 피츠버그 카네기멜론 대학교의 과학자들과 함께 다양한 AI 생성 콘텐츠의 탄소 발자국을 측정했습니다.

연구원들은 시각적 이미지 제작에 비해 글로 된 콘텐츠를 제작하는 것이 훨씬 적은 에너지를 소비한다는 사실을 발견했습니다. 이러한 인사이트는 자명해 보일 수 있지만, 주목할 만한 점은 연구팀이 다양한 생성 작업에 소비되는 에너지를 정량화하여 놀라운 결과를 밝혀냈다는 점입니다.

인공지능을 통한 텍스트 분류는 1,000번의 쿼리를 수행할 때마다 0.2~0.5g의 이산화탄소를 배출하는 것으로 추정됩니다. 반면, 인공지능으로 이미지를 생성하면 훨씬 더 많은 양의 온실가스가 배출되며, 텍스트 분류와 비교했을 때 최대 2,000배 이상 증가할 수 있다고 추정됩니다. 이는 생성된 이미지 1,000장당 약 1kg의 이산화탄소가 발생하는 것과 같습니다.

그림 1은 본 연구에서 조사한 작업의 범위와 그에 상응하는 탄소 배출량을 1,000회 반복에 걸쳐 측정한 쿼리당 이산화탄소 배출량 그램으로 표시한 수치입니다. Y축은 다양한 작업에 따른 배출량의 큰 차이를 효과적으로 전달하기 위해 로그 눈금을 사용한다는 점에 유의해야 합니다.

“다목적 생성 아키텍처는 모델 파라미터의 수를 통제하더라도 다양한 작업에 대해 작업별 시스템보다 훨씬 더 많은 비용이 든다는 사실을 발견했습니다. 연구진은 새로운 논문 에서 “다목적 생성 ML 시스템을 구축하는 현재 추세에 대한 논의로 결론을 내리고, 에너지 및 배출량 측면에서 증가하는 비용에 비해 그 효용성을 보다 의도적으로 고려해야 한다고 경고합니다.“라고 썼습니다.

전력 사용량과 관련하여 연구진은 1,000건의 텍스트 분류 요청을 수행하면 0.002킬로와트시(kWh)의 전력 소비가 발생한다는 사실을 관찰했습니다. 이 수치는 연구팀이 평가한 10개의 널리 사용되는 인공지능 작업 중 가장 경제적인 결과를 나타냅니다.반면에 이미지를 생성하는 데는 1,000회당 2.907kWh의 전력이 소비됩니다. 특히 이 차이는 무려 1,450배가 넘습니다.

2.907킬로와트시(kWh)는 언뜻 보기에는 미미해 보일 수 있지만, 실제로는 50kWh 용량의 방전된 Tesla Model 3 배터리를 완전히 충전하는 데 필요한 전기량과 같습니다. 따라서 인공지능을 활용하여 약 17,200개의 이미지를 생성하는 데는 전기 자동차 한 대의 배터리를 충전하는 것과 동일한 양의 전력이 소비됩니다.

인공지능 플랫폼 사용자가 매일 생성하는 이미지의 수를 정확히 파악하기는 어렵지만, DALL-E와 같은 저명한 플랫폼이 우리 연구팀의 모델과 비슷한 수준의 계산 강도로 작동한다고 가정하면, DALL-E를 통해 시각적 콘텐츠를 생성하려면 매일 약 2,000대의 완전 전기 자동차에 전력을 공급하는 것과 비슷한 수준의 에너지가 필요합니다. 미드저니, 어도비 파이어플라이, 기타 다양한 애플리케이션 및 서비스와 같은 추가적인 이미지 생성 툴을 고려하면 전력 소비량은 훨씬 더 커질 것으로 예상할 수 있습니다.

연구자들은 가장 탄소 배출량이 많은 이미지 생성 패러다임인 스테이블 디퓨전이 1,000번의 추론 작업당 약 1,594그램의 CO2 배출량을 발생시킨다는 사실을 발견했습니다. 이는 평균 가솔린 자동차가 약 4.1마일을 주행할 때 배출되는 양에 해당합니다. 이 수치는 언뜻 보기에는 미미해 보일 수 있지만, 이는 1,000번의 추론 주기에 대한 배출량만을 나타냅니다. 그러나 누적적으로 고려하면 총 기여도는 훨씬 더 커집니다.

아래 표는 연구팀이 분석한 10개의 인공지능(AI) 애플리케이션에 대한 1,000개 쿼리 단위로 측정한 에너지 소비량의 평균과 표준편차를 나타냅니다.

현재 시나리오가 심각한 우려를 나타내는 사례임을 인정해야 하지만, 다양한 이미지 생성 모델 간에 에너지 소비 및 배출량과 관련하여 상당한 변동성이 존재한다는 점을 인식하는 것이 필수적입니다. 정책 입안자들이 인공지능이 환경에 미치는 실질적인 영향을 이해하기 위해 노력함에 따라 이러한 격차는 향후 규제를 형성하는 데 중요한 역할을 할 수 있습니다.

법률 시스템에서 인공지능의 사용을 평가할 때 고려해야 할 또 다른 중요한 측면은 이러한 모델을 훈련하고 구현하는 데 상당한 비용이 든다는 점입니다.이 과정에서 사용되는 데이터의 양에 관한 정보가 공개되지 않는 경우가 많기 때문에 AI 모델 학습에 소요되는 정확한 비용을 파악하는 것이 어려울 수 있습니다. 그럼에도 불구하고 분명한 것은 훈련과 관련된 에너지 소비와 그에 따른 탄소 배출량이 추론을 위해 모델을 활용하는 것보다 훨씬 더 크다는 것입니다. 따라서 정책 입안자들은 AI 기술을 사법 시스템에 통합할 때 발생할 수 있는 잠재적 이익과 단점을 평가할 때 이러한 재정적 부담도 고려해야 합니다.

데이터 소스가 부족하고 다양한 인공지능 모델의 생성, 훈련 및 배포와 관련된 비용을 정확하게 정량화하는 데 어려움이 있는 등 몇 가지 장애물이 있음에도 불구하고 이 연구는 상당한 파급력을 가지고 있습니다.

이 연구는 인공지능 기술의 에너지 소비와 생태계에 미치는 영향에 관한 상당한 지식 격차를 완화합니다. 이러한 우려를 해결하기 위한 기반을 구축함으로써 이러한 문제를 이해하고 완화하기 위한 노력을 시작합니다.

그림 2는 이 조사에서 수행된 분석 결과를 나타낸 것으로, X축은 고려 중인 5가지 방식 각각과 관련된 매개변수의 수를 나타내고 Y축은 1000건의 추론 처리 인스턴스로 인한 누적 탄소 배출량을 로그 스케일로 표시한 것입니다. 두 축 모두 로그 스케일링 시스템을 사용한다는 점에 유의해야 합니다.

이 조사는 인공 지능 시스템의 중요하지만 크게 간과된 측면, 즉 지금까지 거의 다루어지지 않았던 인공 지능 시스템의 막대한 에너지 소비와 그 기능으로 인한 상당한 생태학적 결과를 조명합니다.

올해 초 컬럼비아 대학교는 AI 자체가 인간이 날로 심각해지는 기후 위기를 극복하는 데 어떻게 도움이 될 수 있는지 논의하면서 , “AI의 능력으로 인해 기후 변화에 대처할 수 있는 방법은 많지만 탈탄소화와 적응을 도울 수 있는 잠재력이 소비하는 막대한 양의 에너지보다 더 클까요? 아니면 AI의 탄소 발자국 증가로 인해 기후 목표를 달성할 수 없게 될까요?”

인공지능이 널리 보급되고 특히 리소스를 많이 소비하는 제너레이티브 비디오 모델의 보급이 증가함에 따라 새로운 인공지능 시스템을 학습시키는 과정은 여전히 상당한 에너지 소모와 온실가스 배출의 원인이 되고 있습니다. 허깅 페이스와 카네기멜론 대학교가 공동으로 수행한 최근 연구에 따르면 이러한 모델의 복잡성이 증가함에 따라 에너지 수요도 증가하는 것으로 나타났습니다.

모델의 복잡성이 증가함에 따라 초기 훈련과 이후 미세 조정을 통한 성능 개선 모두에 더 많은 컴퓨팅 리소스가 필요합니다.

2019년 매사추세츠 애머스트 대학교 의 연구에 따르면 하나의 AI 모델을 학습시킬 때 자동차 5대가 평생 동안 배출하는 것과 같은 626,000파운드 이상의 CO2 를 배출할 수 있는 것으로 나타났습니다.

2019년 이후 AI 모델은 훨씬 더 정교해졌습니다. 최근 연구 에 따르면 1,750억 개의 파라미터로 GPT-3를 훈련하는 데 1,287MWh의 전력이 필요하고 550미터톤 이상의 탄소가 배출되며, 이는 일반적인 가솔린 자동차 112대를 1년 동안 운전하는 것과 같습니다.

인공지능(AI)이 환경에 미치는 영향을 충분히 평가하기 위해서는 인공지능의 장점과 함께 단점도 종합적으로 검토해야 합니다. GPT-4와 같은 대규모 언어 모델을 훈련하는 데 필요한 에너지 소비에 대한 우려가 커지고 있지만, 의학 연구 발전과 질병 퇴치에 대한 잠재적 기여를 무시해서는 안 됩니다. 생명을 구하는 백신의 개발은 이러한 기술을 통해 촉진되어 왔으며, 그 유용성을 무시하는 것은 무모한 결정이 될 것입니다.

지속적인 조사를 통해 밝혀진 사실이지만, AI 기업이 에너지 사용량과 탄소 배출량을 인식하고 이러한 정보를 모니터링하고 접근성을 확보하는 것이 필수적입니다. 기후 재앙이 심화되고 인공지능의 사회 내 통합이 확대됨에 따라 그 중요성은 점점 더 커지고 있습니다. 인공지능이 인류에게 미치는 광범위한 영향을 이해하고 생태학적 결과를 포괄하는 방식으로 인공지능을 효과적으로 감독하는 규제 법령이 마련된다면 이상적일 것입니다.

와트가 AI 배포 비용을 주도하는가?“는 캐나다와 미국에 본사를 둔 허깅 페이스의 알렉산드라 사샤 루치오니와 야신 저나이트, 카네기멜론대학교의 엠마 스트루벨, 앨런 인공지능연구소가 저술한 글입니다. 또한, 이 작품과 함께 제공되는 추천 이미지는 인공 지능을 활용하여 합성한 것으로, 조림 활동에 중점을 둔 환경 보호 단체에서 제작비의 일부를 지원했습니다.