環境分野 AI의 兩面性
[
編輯
]
人工知能 現在 推移
[
編輯
]
- 技術的 限界에 逢着해 두 番의 氷河期(AI Winter)를 맞이했던 人工知能(AI) 技術은 最近 들어 하루가 다르게 빠른 速度로 發展하고 있다. 더욱이 AI 技術은 이제 우리가 認知하고 있는 거의 모든 領域에 걸쳐 擴散되고 있다. 特히 最近 便宜性과 業務 效率性을 劇的으로 向上시키는 生成 AI 애플리케이션들이 大擧 登場하면서 AI에 對한 大衆的 關心이 暴發的으로 增加하고 있으며, 이제는 個人의 日常生活뿐만 아니라 企業들의 業務와 비즈니스에도 AI의 導入과 活用이 必須不可缺한 要素로 자리잡고 있다.
- 이처럼 AI의 影響力이 擴大되면서, AI 技術의 主導權을 차지하기 위한 글로벌 競爭 또한 더욱 激化되고 있다. 主要國들은 AI 技術에 對한 挑戰的인 投資와 政策 推進을 通해 글로벌 리더십 先占에 拍車를 加하고 있으며, 우리나라의 境遇에도 글로벌 技術霸權 競爭 對應과 AI 超一流 國家 跳躍을 核心 國政課題로 設定해 總力을 기울이고 있다.
[1]
- 챗GPT를 비롯한 生成型 AI는 다양한 産業 分野의 基盤을 바꾸고 있으면서 企業과 人間에게 큰 宿題를 안겨주고 있다. 이러한 宿題 中 하나인 人工知能의 發達로 우리에게 다양한 肯定的이고 否定的인 變化들이 일어나고 있지만 그 中 環境分野에 焦點을 맞추고 싶다.
- 이렇듯 人工知能이 빠르게 發達하는 것과 同時에 다양한 環境問題가 提起되고 있다. 勿論 人工知能을 통해서 環境을 保存할 수 있는 여러 方案들이 提示되고 있지만 反對로 人工知能으로 인해 環境에 惡影響을 주는 事例 또한 많아지고 있다. 우리는 빠른 變化 속에서 人工知能을 더 肯定的인 方向에 使用될 수 있도록 다양한 對處 方案을 마련해야 한다.
人工知能이 解決하는 環境問題
[
編輯
]
過度한 플라스틱 排出量으로 인한 問題 解決을 위해 AI와 再活用의 椄木이 對案으로 떠오르고 있다. 스타트업 '이노버스'가 開發한 AI 收去函 '쓰샘'은 事物인터넷(IoT) 機能을 活用해 1回用 플라스틱 컵을 分離收去 해주는 쓰레기桶이다. 利用者가 投入口에 페트甁을 넣으면 AI가 再活用 可能 與否를 判斷하고 收去한다. 自動化 壓縮 시스템으로 大容量 페트甁도 蒐集 可能하다. 一回用 플라스틱컵을 洗滌해주고 蒐集, 選別하는 '쓰샘 ReCUP'道 公共機關에 提供하고 있다. 再活用 與否를 알아서 判斷해주고, 收去와 分類까지 自動으로 處理해 時間과 人件費를 줄여주는 效果도 있다. 利用者들은 再活用 後 支給된 포인트로 寄附나 多樣한 이벤트에도 參與할 수 있다.
[2]
以外에도 '수퍼빈'과 '네프론'李 새로운 方式의 循環經濟를 推進하고 있다.
人工知能이 불러오는 環境問題
[
編輯
]
'生成型(Generative) AI'가 앞다퉈 出市되고 있는 競爭 狀況에서 에너지 消費와 溫室가스 排出에 對한 問題가 提起되고 있다. 이들 AI의 訓鍊過程과 實際 利用者들의 利用 過程에서 에너지 消費는 避할 수 없다.
檢索量에 따른 溫室가스 排出
[
編輯
]
구글의 境遇 檢索을 한 番 하는 데 0.0003 킬로와트시(㎾h)의 에너지가 들어간다. 이때 300㎎의 二酸化炭素(CO2)가 輩出된다고 보면 된다. 구글에서 全 世界的으로 秒當 4萬 回, 年間 1兆 3000億 會議 檢索이 發生한다고 보면 이 檢索 엔진을 통해 年間 約 40萬 톤의 CO2街 排出되는 셈이다. 單純 檢索이 아니라 生成型 AI를 利用하려면, 每番 4~5倍 以上 더 많은 作業이 必要한 것으로 알려졌다. 旣存 檢索보다 챗 GPT를 利用하면 에너지 消費도, 溫室가스 排出도 훨씬 많다는 얘기다. 國際에너지機構(IEA)에 따르면 世界的으로 데이터센터에서 排出하는 溫室가스는 全體 溫室가스 排出量의 1%를 차지한다. 溫室가스 排出量 9位인 韓國이 全 世界 排出量에서 차지하는 比重이 2%인 點을 考慮하면 決코 적은 量이 아니다. 美國 에너지部에 따르면 데이터센터에서 消費되는 電力의 折半은 裝備 運營에, 나머지 25~40%는 溫度 調節 等 共助 시스템 運營에 들어간다.
AI 訓鍊 時 에너지 投入
[
編輯
]
AI를 학습시키는 大規模 言語 모델(LLM)의 境遇 單語 數字가 幾何級數的으로 늘어나면서 AI 訓鍊에 들어가는 에너지 消費도 그만큼 늘어나게 된다. 챗 GPT 開發을 위한 GPT-3 敎育에서는 1287㎿h를 消費하고 550톤의 CO2를 輩出했다. 2020年 6月 포브스(Forbes)地 報道에 따르면 옛 모델 GPT-2는 媒介變數가 15億 個에 不過했지만, GPT-3는 1750億個로 늘었다. GPT-2는 400億 單語의 데이터 세트로 學習했는데, GPT-3는 約 5000億 單語의 加重 데이터 세트가 使用됐다. 또, GPT-2街 訓鍊하는 데는 數十 페타플롭(Petflop)-日(day)李 걸렸다. 特히, GPT-3는 6個月 동안 4789個의 서로 다른 버전의 모델을 거쳐 最終 모델이 만들었는데, 이 모델을 構築하는 데 總 35톤이 넘는 CO2街 輩出됐다. 이는 韓國人 1人當 年間 CO2 排出量 13.65톤의 2倍가 넘는 量이다.
[3]
解決方案
[
編輯
]
위에 提示된 問題들을 國家와 企業 그리고 該當 專門家들이 많은 關心을 가지고 있다. 이를 解決하기 위해서 現在 提示되고 있는 方案들은 아래와 같다.
수많은 重複 데이터 줄이기
[
編輯
]
AI를 만들고 稼動하는 데에는 데이터가 必要하다. 이 때문에 그동안 AI 企業들은 競爭的으로 데이터를 蒐集해 왔다. 데이터의 質보다 데이터量을 채우는데 沒頭했다. 그만큼 蒐集한 데이터엔 重複 要素가 많다는 게 AI 關係者들의 說明이다. 重複 데이터 問題는 政府 데이터 構築事業에서도 나타난다. 國內 地自體 AI 關係者는 “政府의 AI 데이터 플랫폼 ‘AI허브’만 보아도 重複 데이터가 相當하다”면서 “100張 같은 1張, 1000張 같은 1張이란 소리가 심심치 않게 들린다”고 말했다. 國內 AI 企業 代表도 “AI허브에는 重複되고 不實한 데이터가 많다”면서 “勿論 꼭 必要한 데이터도 있지만 10% 內外”라고 指摘했다. 이어 “事實 業界에선 政府 推進 事業이 15~20%만 잘돼도 成功했다고 보기 때문에 必要한 데이터가 있는 것만으로 政府 데이터 構築事業의 成果는 있다고 볼 수 있지만, 데이터를 整理할 必要는 있지 않나 생각된다”고 덧붙였다. AI허브는 科學技術情報通信部가 主管하고 韓國知能情報社會진흥원(NIA)에서 運營하는 AI 統合 플랫폼이다.
데이터 센터 位置
[
編輯
]
데이터 센터가 어느 地域에 있는지, 어느 時間帶에 AI 訓鍊이 集中되는지에 따라 에너지 消費는 크게 달라질 수 있다. 假令 太陽光·風力 等 再生에너지 比重이 높은 地域, 原子力發電 比重이 높은 地域에 데이터센터가 있다면 같은 作業을 進行하더라도 溫室가스 排出量이 적다. 또한 에너지 效率도 重要하다. 效率이 가장 나쁜 데이터 센터는 가장 效率이 좋은 곳의 3倍나 되는 溫室가스를 排出한다. 企業의 立場에서는 投資는 늘지만 收益은 줄어들 수도 있다는 點에서 苦悶이 없을 수 없다. 結局은 에너지 消費를 줄이는 쪽에 關心을 기울일 수밖에 없다. 經濟協力開發機構(OECD) AI 消息紙(지난해 4月 12日)에서는 "機械學習(ML)의 모델·하드웨어·데이터센터 等의 最適化, 데이터센터의 適切한 立地 選定을 통해 에너지 使用과 炭素 발자국을 劃期的으로 낮출 수 있다"고 指摘했다. 炭素 발자국은 國家나 企業, 個人의 溫室가스 排出量을 말한다. 처음부터 炭素발자국을 考慮한 모델 開發이나 效率的인 하드웨어 導入은 CO2 排出量을 折半 以上 줄일 수 있다는 것이다.
[4]
스파이킹神經網
[
編輯
]
스파이킹神經網과 平生 學習 技術은 人工知能 分野에서 에너지 效率을 증가시키고 炭素 발자국을 줄이는 革新的인 解決策으로 注目받고 있다. 스파이킹神經網은 데이터에서 패턴을 處理하고 學習해 豫測을 遂行하는 方式으로 作動하는데, 10眞髓를 使用하고 小數點 있는 數字의 複雜한 演算으로 인해 컴퓨팅 파워와 메모리가 많이 必要하다. 이러한 小數點 演算으로 인해 人工神經網(ANNs)은 네트워크가 커지고 複雜해짐에 따라 에너지 集約的으로 變한다. 이에 對한 代案으로 登場한 스파이킹神經網은 人間의 腦에서 靈感을 받아 開發됐다. SNNs은 뉴런 사이의 情報 電送 方式이 主要 差異點으로, 人間의 腦처럼 間歇的인 電氣 信號인 스파이크를 통해 通信한다. 이 스파이크들은 情報의 타이밍에 따라 情報를 傳達하며, 0 또는 1로 標示되는 스파이크의 二分法的 特性은 뉴런의 活性化와 非活性化를 決定한다. 이러한 스파이크 神經網의 效率的인 情報 電送 方式은 AI 시스템의 에너지 消費를 크게 줄일 수 있는 潛在力을 가지고 있다. 스파이킹神經網의 開發과 適用은 AI 技術의 持續 可能한 發展을 위한 重要한 進展이 될 것으로 專門家들은 期待하고 있다. 스파이킹神經網의 에너지 效率性은 人工神經網보다 最大 280倍 더 높을 수 있다. 또한, 스파이킹神經網은 腦의 에너지 效率的 處理 方式에 더 가까운 學習 알고리즘을 使用헤 더 빠른 意思 決定을 可能하게 한다. 이러한 屬性으로 인해 스파이킹神經網은 에너지 資源이 制限的인 環境에서도 活用될 수 있으며, 宇宙 探査, 國防, 自律 走行 車輛 等 多樣한 分野에서의 應用이 期待된다. 이처럼 스파이킹神經網의 導入은 AI 分野의 持續 可能한 發展에 重要한 寄與를 할 수 있으며, 向後 人工知能 技術의 새로운 패러다임을 提示할 것으로 보인다.
[5]
人工知能 技術은 빠르게 發展하면서 우리 生活 全般에 큰 影響을 미치고 있다. 하지만 이러한 技術 發展이 環境에 미치는 否定的인 影響도 看過할 수 없다. 따라서 政府, 企業, 個人이 모두 힘을 합쳐 AI 技術의 環境 保護 活用을 擴大하고, 에너지 效率性 提高 等 多角度의 努力을 통해 AI 技術이 環境 保護에 寄與할 수 있도록 해야 할 것이다.
特히 AI 技術의 發展과 環境 保護 間의 相互作用을 綿密히 觀察하고, 이를 바탕으로 AI 技術이 環境에 미치는 影響을 最少化하면서도 環境 保護에 寄與할 수 있도록 다양한 對策을 마련해야 할 것이다. 이를 通해 AI 技術과 環境 保護가 조화롭게 發展할 수 있도록 해야 한다.
各州
[
編輯
]