[특집]AI가 기후변화·불평등 악화시킨다

인공지능 개발에 엄청난 탄소 배출… 정보 차이로 부익부 빈익빈 심화

구글은 2019년 12월 13일부터 인공지능(AI) 음성비서인 ‘구글 어시스턴트’에서 실시간 통역을 지원하고 있다. 스마트폰에서 구글 어시스턴트 실시간 통역 모드를 실행한 후 대화를 주고받으면, 이를 자동으로 순차통역해준다. 손에 스마트폰을 쥐고 있는 이상 어디를 가든 의사소통의 큰 어려움이 없는 세상이 도래한 것이다.

AI 기술은 언어의 장벽을 허물고 자율주행을 가능하게 하지만 대가가 없는 것은 아니다. 모든 문명의 이기가 그러하듯이 AI 역시 에너지를 소비하고, 필연적으로 탄소를 배출한다. 그 양은 적지 않다.

한 남성이 12월 6일 싱가포르의 한 건물 안에 세워져 있는 구글 로고 옆을 지나가고 있다. / EPA연합뉴스

인공지능의 ‘탄소 발자국’ 줄여야

2019년 6월 발표된 미국 매사추세츠대 애머스트 캠퍼스의 엠마 스트러벨 등의 연구에 따르면 자연어 처리 모델을 학습시키는 과정에서 배출되는 탄소는 약 284톤에 달한다. 최근 각광받는 ‘신경망 구조 탐색(NAS·Neural Architecture Search)’ 모델을 학습시킬 경우로 항공기 이코노미석을 이용해 인천에서 미국 뉴욕까지 왕복 비행을 290번 할 때 나오는 양과 맞먹는다.(이코노미석을 이용한 인천-뉴욕 1회 왕복 비행은 1인당 약 979㎏의 탄소를 배출한다. 비즈니스석을 이용할 경우 1957㎏이다.)

사람 한 명이 1년에 약 5톤의 탄소를 배출하는데 NAS 방식의 자연어 처리 모델 학습에만 약 57년치 탄소가 나오는 셈이다. 이는 미국의 자동차가 출고 후 폐차 때까지 배출하는 탄소량보다 5배 많은 양이다. 구글이 검색 등 대화형 인공지능에 활용하는 자연어 처리 모델인 ‘버트(BERT)’의 학습 과정에서 그래픽처리장치(GPU)를 이용할 경우 배출되는 탄소량은 652㎏으로 미국 대륙을 비행기로 횡단할 때 배출되는 양과 맞먹는다.

AI 기술이 포함된 정보기술(IT) 분야의 온실가스 배출량은 기술이 가져올 혁신과 성과에 가려져 제대로 주목받지 못했다. 하지만 그 양은 이미 IT업계 내에서 우려할 정도로 상당한 수준에 이르렀다.

2018년 3월 발표된 캐나다 맥마스터대의 로프티 벨키르 등 연구진의 논문에 따르면 IT 부문의 온실가스 배출량은 2020년 세계 온실가스 배출량의 3.0~3.6%를 차지할 것으로 추정된다. 이는 항공산업 배출 규모와 맞먹고 세계 5위의 탄소 배출국인 일본의 배출량보다 많다. 데이터센터에서 배출되는 양이 전체의 45%, 네트워크 인프라에서 나오는 배출량이 전체의 24%를 차지한다.

탄소 배출 증가 속도도 숨가쁘게 빨라지고 있다. 연구진에 따르면 정보통신기술(ICT) 업계의 탄소 배출량은 2040년 전 세계 배출량의 14%를 차지할 것으로 예상된다. 연산이 이뤄지는 데이터센터에서 소비되는 전력 중 일정 부분을 재생에너지로 활용한다고 해도 에너지 소비량 자체가 많아 줄이기 쉽지 않다. 특히 4세대(G) 이동통신에 비해 전력소비가 큰 5G가 AI 서비스와 결합하면서 전력 소비는 더 크게 증가할 것으로 보인다. 블록체인 기술 역시 AI 못지않게 채굴 과정에서 전력을 많이 소비하는 것으로 알려졌다.

AI 분야가 ‘전기 먹는 하마’가 된 데는 ‘큰 것이 더 낫다’는 신념이 지배하기 때문이다. 데이터를 많이 모아 학습시킬수록 더 나은 성능을 발휘할 수 있다는 생각이 기업들을 저전력 알고리즘보다 성능 중심의 알고리즘을 추구하게 만들고 있다. 대표적인 사례가 바로 ‘알파고’다. 이세돌과 대국한 알파고의 경우 1920개 중앙처리장치(CPU)와 280개의 GPU를 사용했다. 이때의 소비 전력은 약 1㎿(메가와트) 수준이다. 이세돌을 비롯한 인간의 두뇌가 소비하는 에너지는 그것의 50만분의 1 수준인 20W(와트)에 불과하다. 알파고가 학습하는 데 수주~수개월이 걸렸다는 점을 감안하면 에너지 소비 격차는 훨씬 크다.

불평등을 키우는 인공지능

김문철 카이스트 전기·전자공학부 교수는 “현재 AI 기술 개발의 축은 두 개로 나뉜다”며 “하나는 복잡도나 전력 소비를 생각하지 않고 성능을 높이는 방향으로 기술 개발을 추구하는 방향이고 또 하나는 저복잡도의 인공지능 하드웨어를 만드는 방향”이라고 설명했다.

주를 이루는 전자가 복잡도를 신경 쓰지 않고 AI의 한계가 어디까지인지 끝까지 가보자는 쪽이라면 후자는 이런 방식은 실제 상황에 이용하기 어렵다고 보고 실생활에서 쓸 수 있는 AI를 만드는 것이다. 김 교수는 “슈퍼컴을 돌려야 답이 나온다면 일반적인 환경에서는 그런 알고리즘은 쓸모가 없다”며 “우리가 강점이 있는 스마트폰과 냉장고 등에 AI를 넣으려면 AI 반도체 칩과 같이 AI 알고리즘을 경량화해 하드웨어로 만든 후 IT 기기에 접목하는 전략을 택해야 한다”고 말했다.

전력 소모가 많은 현재의 주류 AI 알고리즘은 AI 연구에도 바람직하지 않다. 좋은 아이디어가 있어도 대규모 데이터와 그 데이터를 학습시킬 컴퓨팅 자원을 이용할 경제적 사정이 안 될 경우 연구를 수행하기 어렵다.

이미 성공적인 연구로 막대한 수익을 얻은 기업이나 펀딩을 많이 받은 연구 그룹은 더 많은 지원을 받아 더 부유해질 수밖에 없는 구조가 된다. 군소 업체나 연구자들은 아마존 웹서비스나 구글 클라우드, 마이크로소프트 애저 같은 클라우드 컴퓨팅 서비스에 의존할 수밖에 없게 되고 이는 다시 ‘부익부 빈익빈’의 악순환 구조를 낳는다.

AI가 저임금 노동을 통해 발전하는 측면도 불평등 구조를 낳는 한 고리다. AI의 기계 학습에는 크게 두 가지 방법이 있다. 인간이 학습 데이터를 주는 과정에서 인공지능이 학습할 수 있도록 어떤 데이터가 맞고 틀린지를 찍어주는(레이블링) 작업이 필요한 지도학습과 이런 과정 없이 인공지능 스스로 필요한 데이터를 가져가 스스로 학습하는 비지도학습이 있다.

고병철 계명대 컴퓨터공학과 교수는 “레이블링 과정은 단순노동에 가깝다. 이 때문에 지도학습 기반의 알고리즘은 대부분 인건비가 싼 나라에서 하청을 통해 학습 데이터를 가공하고 있다”고 설명했다.

이런 학습 과정을 뜯어보면 사진을 분류하거나 태그를 달아주는 등 사실상 노동집약적인 전 단계의 데이터 처리가 필요하다. 최근 AI 학습의 기초가 되는 데이터를 입력하는 ‘알바’가 성행하는 것도 이런 배경에서다. 데이터 입력 아르바이트는 음성을 듣고 감정을 고르거나 지식인의 답변을 요약하거나 유명인의 얼굴을 판별하거나 이미지를 수집하는 등 다양하다.

고병철 교수는 “현재 AI 알고리즘의 성능은 데이터에 크게 의존한다”며 “그래서 데이터가 많은 구글이나 네이버가 성능 좋은 AI를 가질 수밖에 없다”며 “이것 때문에 미래에는 빈부의 차이가 재화가 아니라 정보의 차이로 나타날 수밖에 없다”고 말했다. 그는 “현재 알고리즘에서는 그런 불평등을 해소할 방법이 없다”며 “알고리즘 자체가 많은 데이터를 요구하고 또 그런 데이터 중에서도 얼마나 정확한 데이터를 갖고 있느냐가 앞으로 권력이자 돈이 되는 세상이 된다”고 덧붙였다.

대규모 자원을 소비하는 알고리즘 경쟁을 막으려면 연구자들 스스로 효율적인 알고리즘 개발을 염두에 두는 연구 풍토가 정착돼야 한다. 논문 심사 시 알고리즘의 탄소 배출량을 주요 기준으로 반영하는 것이 변화의 시작이 될 수 있다. 2019년 12월 중순 열린 세계적 권위의 AI 국제학회 ‘뉴럴IPS(NeurIPS)’의 AI와 기후변화의 관련성을 다루는 워크숍에는 AI 분야의 대가로 꼽히는 조슈아 벤지오 몬트리올대 교수와 구글 AI 총괄인 제프 딘, 앤드루 응 스탠퍼드대 교수 등이 모두 참석해 학계의 높은 관심을 반영했다. 이번 학회에서 주최 측은 AI 논문의 ‘탄소 발자국’을 학회 논문 심사 기준의 일부로 만드는 방안을 검토하겠다고 밝혔다.

데이터 적게 쓰는 ‘모델 압축’ 필요

김문철 교수는 “알고리즘을 복잡한 걸로 내지 말라는 신호”라면서 “가령 데이터를 어마어마하게 많이 써서 복잡한 AI 네트워크를 만든 후 훈련에 한 달 걸렸다고 하면 성능은 좋을지 몰라도 탄소를 너무 많이 배출해 인간에게 해를 끼친다는 이유로 부정적인 평가를 할 수 있다”고 말했다.

구글 어시스턴트에서 실시간 통역 모드를 실행해 영어-독일어 순차통역을 이용하고 있는 모습. / 구글 블로그

이런 점에서 데이터를 적게 사용하는 ‘모델 압축’ 연구가 주목을 받고 있다. 고병철 교수는 “AI 알고리즘이 워낙 복잡해 일반적인 개인용 컴퓨터나 모바일 환경에서는 돌아가지 않고 고사양의 GPU가 필요하다”며 “자연스레 전기가 많이 필요하고 이는 탄소 배출과 기후변화에 영향을 미친다”고 말했다. 고 교수는 “그래서 최근에는 AI 네트워크를 좀 더 작게 만들어 작은 데이터로도 학습할 수 있게 하는 ‘모델 압축’이 많이 연구되고 있다”며 “이게 가능하면 일반 PC나 모바일 환경에서도 돌아갈 수 있다”고 설명했다.

모델 압축은 AI의 ‘블랙박스’를 열 수 있는 가능성도 있다. AI 신경망은 여러 층으로 이뤄져 AI가 어떤 이유로 해당 결과를 내놓았지 설명하기 어렵다. 고병철 교수는 “딥러닝 모델을 작게 만들거나 설명 가능하게 만드는 방식이 대안으로 거론된다”며 “블랙박스로 만들어졌던 딥러닝 알고리즘도 부분부분 쪼개 따로 학습시키면 알고리즘의 투명성을 높이고 연산량도 줄일 수 있다”고 말했다.

소위 ‘빅데이터’가 아닌 ‘스몰데이터’가 중요한 시대로 AI 연구의 패러다임이 바뀔 수 있다. 예를 들어 과거 1000만~1억 개의 데이터로 학습시켜 95%의 정확도가 나왔고, 모델을 잘 세운 뒤 100만 개를 돌려 나온 결과의 정확도가 94.5%라면 투입한 자원에 비해 그 결과는 거의 차이가 없다.

김동현 한국정보화진흥원 수석연구원은 “지금은 빅데이터보다 스몰데이터를 강조하는 분위기”라면서 “사회적 합의로 0.5% 신뢰도 차이를 크게 문제 삼지 않는다면 100만 개를 돌린 모델이 더 좋지 않겠냐는 공감이 이뤄지고 있다”고 설명했다. 김 수석연구원은 구글 역시 주류로는 여전히 빅데이터를 이용하는 모델을 추구하지만 한쪽에선 전력소비나 탄소 배출을 줄인 최적화를 강조하는 연구를 진행하고 있다고 덧붙였다.

<주영재 기자 jyj@kyunghyang.com>