생성형 AI의 지속가능성: 훈련과 추론 단계의 탄소 발자국과 환경 영향 분석

초록

생성형 AI의 확산은 높은 에너지 사용과 환경적 지속가능성에 대한 우려를 낳고 있다. 기존 연구가 주로 훈련 단계에 집중된 반면, 대규모 서비스 운영, 특히 추론 단계에서 발생하는 누적적 환경 영향은 상대적으로 덜 조명되었다. 본 연구는 AI 탄소 발자국 평가 방법론과 연구 동향에 대한 범위 검토를 수행하여, 기존 측정 도구와 방법론의 분류 및 표준화 현황을 분석하고, 훈련과 추론 단계에서 발생하는 환경 영향을 비교 검토한다. 또한 모델 크기, 프롬프트 복잡성, 서비스 환경, 시스템 경계 정의 등 다차원적 요인이 탄소 발자국에 미치는 영향을 규명한다. 이를 바탕으로 표준화된 측정 프로토콜 수립, 사용자 행동을 반영한 동적 평가 프레임워크 설계, 전과정 모니터링 시스템 개발, 다차원적 지속가능성 평가 프레임워크 고도화 등의 향후 연구 및 거버넌스 방향을 제안한다.

상세 분석

본 논문은 생성형 AI의 환경적 영향, 특히 탄소 배출량 평가에 대한 방법론적 한계와 표준화의 필요성을 체계적으로 분석한 중요한 연구이다. 핵심 통찰은 다음과 같다.

첫째, AI의 환경 영향 평가는 훈련(Training) 단계에만 초점을 맞추던 기존 패러다임에서 벗어나, 실제 서비스에서 반복적으로 발생하는 추론(Inference) 단계의 누적적 영향에 대한 평가가 절실함을 강조한다. 추론 단계의 에너지 소비가 전체 AI 컴퓨팅 사이클의 90% 이상을 차지할 수 있다는 점에서, 이는 매우 중요한 시각 전환이다.

둘째, 현재 AI 탄소 회계 실무는 방법론적 불일치, 기술 특정적 편향, 종단간 시스템 관점의 부재 등 심각한 한계를 노출한다. 예를 들어, 탄소 발자국 계산은 ‘에너지 소비량(kWh) × 전력 탄소 집약도(kg CO₂e/kWh)‘라는 기본 공식에 기초하지만, ‘에너지 소비량’ 측정 자체가 GPU 전력만 고려할지, CPU/메모리/네트워킹을 포함할지, 소프트웨어 도구(NVML)를 사용할지 하드웨어 미터(PDU)를 사용할지에 따라 결과가 크게 달라진다. 또한 시스템 경계 정의(예: 하이퍼파라미터 탐색, 실패한 학습 실행 포함 여부)와 지역별 전력망 구성(탄소 집약도)에 따른 불확실성이 크다.

셋째, 논문은 단순한 기술적 측정을 넘어, AI 탄소 발자국을 지속가능한 AI 거버넌스의 핵심 요소로 재정의한다. ISO TR 20226:2025, Greenhouse Gas Protocol, EU의 입법적 움직임 등 국제적 표준화 노력과 연결지어, 측정의 투명성과 재현성을 높이는 표준 프레임워크의 정립이 시급함을 주장한다. 이는 기업의 책임성을 강화하고 정책 입안자에게 효과적인 규제 도구를 제공할 수 있다.

마지막으로, 제안된 4가지 미래 방향(표준화된 측정 프로토콜, 사용자 행동 반영 동적 평가, 전과정 모니터링 시스템, 다차원적 평가 프레임워크)은 단순한 기술 해결책이 아닌, 기술-사회-운영적 차원을 아우르는 종합적 접근법을 요구한다. 이는 AI의 환경 효율성과 모델 성능 간의 트레이드오프를 합리적으로 관리하는 지속가능한 AI 생태계 구축의 초석이 될 것이다.