일부 AI 프롬프트는 다른 것보다 50배 더 많은 탄소 배출을 생성합니다

OpenAI의 ChatGPT, Google의 Gemini 또는 다른 챗봇을 사용하든, 여러분이 입력하는 모든 프롬프트는 백그라운드에서 일련의 활동을 촉발합니다. 어딘가의 데이터 센터가 더 열심히 작동하고, 전력망에서 에너지를 끌어오며, 열을 방출하고, 종종 눈에 띄지 않는 환경적 영향을 더합니다. 이는 일상적인 AI 사용의 편리함에 내재된 조용한 환경 비용입니다.

국제에너지기구(IEA)에 따르면, ChatGPT를 사용한 단순한 프롬프트는 Google 검색에 비해 10배 더 많은 전기를 소비합니다. Frontiers in Communication에 발표된 별도의 연구에 따르면, 특정 고급 AI 프롬프트는 사용된 모델에 따라 다른 것보다 최대 50배 더 많은 CO₂ 배출을 생성할 수 있습니다.

이는 ChatGPT와 같은 AI 모델이 수십억 개의 매개변수를 사용하여 프롬프트를 처리하기 때문에 토큰당 훨씬 더 많은 계산이 필요하기 때문입니다. 생성된 각 토큰은 여러 층의 신경망 작업을 포함하므로 검색 결과를 가져오는 것보다 훨씬 더 많은 에너지를 소비합니다.

세계의 데이터 인프라에 전력을 공급하는 데 필요한 전기는 계속 증가하고 있습니다. 로렌스 버클리 국립 연구소(LBNL)가 작성한 2024년 미국 데이터 센터 에너지 사용 보고서에 따르면, 데이터 센터의 에너지 수요는 지난 10년 동안 3배 증가했으며 2028년까지 2배 또는 3배로 증가할 것으로 예상됩니다.

AI에 프롬프트를 입력하면 텍스트가 토큰이라고 하는 작은 조각으로 나뉩니다. 이러한 토큰은 시스템이 이해하고 응답할 수 있도록 숫자로 변환됩니다. 이 과정은 많은 컴퓨팅 파워를 사용하며, 이의 부산물은 CO₂ 배출입니다. CO₂는 지구 온난화, 빙하 용해, 극단적인 기후 현상의 주요 원인이며, 지구를 돌이킬 수 없는 기후 붕괴로 밀어넣고 있습니다.

이를 밝히기 위해 Frontiers of Communication 연구의 저자들은 널리 사용되는 여러 언어 모델의 비교 연구를 수행하여 표준화된 프롬프트 세트에 응답할 때 각각 생성되는 CO₂ 배출량을 분석했습니다.

연구자들은 7억에서 72억 매개변수 크기의 14개 대형 언어 모델을 비교하고, 1,000개의 표준화된 질문에 응답할 때 각각 생성하는 CO₂ 배출량을 측정했습니다. 전반적으로 답변 생성 과정은 측정 가능한 탄소 발자국을 남겼습니다.

추론 모델은 질문당 평균 543.5개의 내부 토큰을 생성하는 반면, 더 간결한 모델은 37.7개만 사용했습니다. 이러한 내부 또는 "사고" 토큰은 모델이 응답을 제시하기 전에 취하는 배후 단계를 나타내며, 각각 더 높은 에너지 비용을 수반합니다.

주제 또한 중요한 요소였습니다. 연구자들은 추상 대수학이나 철학과 같은 질문처럼 더 긴 추론 과정이 필요한 프롬프트가 고등학교 역사와 같은 더 간단한 주제에 비해 최대 6배 더 많은 CO₂ 배출을 생성한다는 것을 발견했습니다. 더 복잡한 질문은 더 많은 토큰, 더 많은 계산, 그리고 궁극적으로 훨씬 더 큰 환경적 영향을 초래했습니다.

"훈련된 LLM에 질문하는 환경적 영향은 그들의 추론 접근 방식에 크게 좌우되며, 명시적인 추론 과정은 에너지 소비와 탄소 배출을 크게 증가시킵니다," 라고 뮌헨 응용과학대학의 연구원이자 이 연구의 제1저자인 막시밀리안 다우너는 말했습니다. "우리는 추론 기능이 있는 모델이 간결한 응답 모델보다 최대 50배 더 많은 CO₂ 배출을 생성한다는 것을 발견했습니다."

이 연구는 비슷한 크기의 두 AI 모델 간의 배출량 차이를 놀랍게 드러냈습니다. 700억 매개변수로 작동하는 DeepSeek R1은 600,000개의 질문에 답변한 후 런던에서 뉴욕까지 왕복 비행만큼의 CO₂를 생성하는 것으로 추정되었습니다. 또한 720억 매개변수를 사용하는 Qwen 2.5는 비슷한 정확도로 거의 세 배 더 많은 질문을 처리하면서도 비슷한 수준의 배출량을 생성했습니다.

연구자들은 이러한 차이가 모델만의 문제가 아닐 수 있다는 점을 주의 깊게 지적했습니다. 결과는 테스트에 사용된 하드웨어 유형, 데이터 센터에 전력을 공급하는 현지 에너지 혼합, 그리고 다른 기술적 변수들에 의해 형성될 수 있습니다. 즉, AI 모델이 실행되는 위치와 방법은 모델의 크기나 고급성만큼 중요할 수 있습니다.

기술적 요소가 중요하지만, 연구자들은 사용자들도 AI의 환경적 영향을 줄이는 데 역할을 할 수 있다고 믿습니다. "사용자들은 AI에게 간결한 답변을 생성하도록 프롬프트를 작성하거나 고용량 모델의 사용을 정말로 그런 힘을 필요로 하는 작업으로 제한함으로써 배출량을 크게 줄일 수 있습니다," 라고 다우너는 설명했습니다.

사람들이 AI와 상호작용하는 방식의 작은 조정도 누적될 수 있습니다. 수백만 명의 사용자와 쿼리에 걸쳐, 이러한 선택은 에너지 시스템과 데이터 인프라에 대한 증가하는 부담을 완화할 잠재력이 있습니다.

다우너는 또한 AI 사용에 있어 투명성의 중요성을 강조하면서, 더 명확한 정보가 사용자 행동을 형성할 수 있다고 언급했습니다: "사용자가 자신을 액션 피규어로 바꾸는 것과 같은 AI 생성 출력물의 정확한 CO₂ 비용을 알게 된다면, 이러한 기술을 언제 어떻게 사용할지에 대해 더 선택적이고 신중할 수 있을 것입니다."

동시에, 이 연구는 책임이 사용자에게만 있을 수 없다는 점을 분명히 합니다. 개발자와 기업은 AI가 제품과 서비스에 통합되는 방식을 형성하는 데 중심적인 역할을 합니다. 생성형 도구가 플랫폼 전반에 계속 내장되면서, 종종 많은 검토나 명확한 목적 없이, 이러한 통합이 실제로 의미 있는 기능을 제공하는지 묻는 필요성이 커지고 있습니다.

현재 정책 환경에서 기후 및 환경 문제가 명확한 우선순위가 아닌 상황에서, 그 책임은 주로 산업계 자체에 있습니다. 사용자, 개발자, 그리고 기업들은 지속 가능성을 염두에 두고 AI를 더 신중하게 구축하고 적용하는 데 주도적인 역할을 해야 할 것입니다.