요약
그린 AI란 인공지능의 환경 비용이 그것이 주는 가치에 걸맞은 수준으로 유지되도록 AI를 쓰는 것을 뜻합니다. 그린 AI에는 두 가지 생각이 담겨 있습니다. AI로 환경을 돕는 것("친환경을 위한 AI")과 AI 자체의 발자국을 줄이는 것("더 친환경적인 AI")입니다. 그리고 거기에 이르는 두 가지 방법이 있습니다. 효율(각 작업을 더 적은 자원으로 하기)과 충분성(할 가치가 있는 작업만 하기)입니다.
핵심 내용
- "친환경을 위한 AI"는 AI로 환경 목표를 돕고, "더 친환경적인 AI"는 AI 자체의 발자국을 줄입니다. 그린 AI에는 둘 다 필요합니다.
- AI의 발자국은 전기만이 아닙니다. 탄소 배출, 냉각과 발전에 쓰이는 물, 하드웨어의 자원과 폐기물도 포함됩니다.
- 효율은 각 작업의 비용을 줄이고, 충분성은 그 작업에 애초에 AI가, 또는 그만큼 큰 모델이 필요한지를 묻습니다.
- 그린 AI는 "AI를 쓰지 않기"가 아닙니다. AI를 잘 쓰고, 그 비용을 측정하며, 일에 알맞은 도구를 고르는 것입니다.
- "AI"는 작은 분류기부터 프런티어 챗봇까지 모든 것을 아우르므로, 그린 AI에 관한 주장은 어떤 종류의 AI를 말하는지 밝혀야 합니다.
"그린 AI"는 여러 가지 다른 뜻으로 쓰이기 때문에 이에 관한 대화가 혼란스러워지곤 합니다. 이 글은 이 사이트 전반에서 쓰는 주요 개념과 용어를 정리해, 이후의 페이지들이 이를 바탕으로 이어질 수 있게 합니다.
그린 AI는 무엇을 뜻하나요?
그린 AI란 인공지능의 환경 비용이 그것이 주는 가치에 걸맞은 수준으로 유지되도록 AI를 쓰는 것을 뜻합니다. AI를 쓰지 말자는 것이 아니라 AI를 잘 쓰자는 것입니다.
이 용어는 Schwartz, Dodge, Smith, Etzioni가 2020년 Communications of the ACM에 실은 논문에서 널리 알려졌습니다. 이들은 점점 더 많은 계산을 들여 정확도를 조금씩 높이는 연구인 "레드 AI(Red AI)"와, 정확도와 함께 효율을 보고하고 보상하는 "그린 AI(Green AI)"를 대비했습니다. 이 논문은 대규모 언어 모델 개발에 얼마나 많은 에너지와 탄소가 들 수 있는지 보여 준 Strubell, Ganesh, McCallum의 2019년 연구에 뒤이어 나왔습니다.
그 뒤로 의미가 넓어졌습니다. 오늘날 그린 AI는 보통 AI 시스템의 전체 생애를 다룹니다. 시스템이 돌아가는 하드웨어, 데이터 센터, 모델, 그 주변의 소프트웨어, 그리고 사람들이 그것을 쓰는 방식까지 포함합니다.
"친환경을 위한 AI"와 "더 친환경적인 AI"는 어떻게 다른가요?
"친환경을 위한 AI(AI for green)"는 AI로 환경 목표를 돕고, "더 친환경적인 AI(greener AI)"는 AI 자체의 발자국을 줄입니다. 그린 AI에는 둘 다 필요하며, 둘은 서로 반대 방향으로 당길 수도 있습니다.
| 친환경을 위한 AI | 더 친환경적인 AI | |
|---|---|---|
| 목표 | AI를 이용해 다른 곳의 배출을 줄이거나 자연을 보호하기 | AI가 쓰는 에너지, 탄소, 물, 자원 줄이기 |
| 예 | 재생에너지 발전량 예측, 전력망 관리, 누수 탐지, 기후 모델링 | 더 작은 모델, 효율적인 코드, 더 깨끗한 전력, 더 긴 하드웨어 수명 |
| 위험 | 한 번도 측정되지 않은 채 주장되는 이점 | 절감분이 더 많은 사용으로 소비됨(리바운드 효과) |
국제에너지기구(IEA)의 2025년 Energy and AI 보고서는 양쪽을 모두 다룹니다. 이 보고서는 기존 AI 응용을 더 널리 쓰면 에너지와 산업 분야의 배출을 줄일 수 있다고 보면서도, AI 자체의 전력 수요가 빠르게 늘고 있으며 순효과는 AI를 어떻게 배치하느냐에 달려 있다고 경고합니다.
2026년 영국에서 수학자, 컴퓨터 과학자, 산업계가 모인 그린 AI 샌드핏(집중 토론 워크숍)도 그린 AI를 같은 양면으로 규정했으며, 수학이 양쪽 모두에 기여할 수 있다고 보았습니다. 환경 문제를 위한 더 나은 방법과, AI를 위한 더 가벼운 방법입니다.
효율과 충분성이란 무엇인가요?
효율은 각 작업을 더 적은 자원으로 하는 것이고, 충분성은 할 가치가 있는 작업만 하는 것입니다.
- 효율은 이렇게 묻습니다. 이 모델, 프롬프트, 데이터 센터가 같은 결과를 내면서 에너지를 덜 쓰려면 어떻게 해야 할까? 모델의 가지치기(pruning)와 양자화(quantisation), 더 나은 칩, 더 효율적인 냉각이 그 예입니다.
- 충분성은 이렇게 묻습니다. 이 작업에 애초에 AI가, 또는 이만큼 큰 모델이 필요할까? 계산기, 데이터베이스 질의, 고전적인 수치 해석 방법이 대규모 언어 모델보다 더 저렴하고 믿을 만한 경우가 많습니다.
효율만으로는 역효과가 날 수 있습니다. AI가 저렴해지면 더 많이 쓰이는 경향이 있기 때문입니다. 이것이 리바운드 효과이며, 효율은 충분성이 아니다에서 설명합니다.
AI의 환경 발자국에는 무엇이 포함되나요?
에너지, 탄소, 물, 자원 네 가지입니다. 대부분의 공개 논의는 앞의 두 가지만 다룹니다.
에너지
AI는 주로 데이터 센터에서 전기로 돌아갑니다. 국제에너지기구는 2024년 데이터 센터가 약 415 TWh, 즉 세계 전력의 약 1.5%를 사용했다고 추정하며, 2030년까지 두 배 넘게 늘어 약 945 TWh에 이를 것으로 예상합니다. 그 가장 중요한 원인은 AI입니다. 왜 지금 그린 AI가 중요한가를 참고하십시오.
에너지는 두 단계에서 쓰입니다.
- 훈련은 모델을 만드는 데 드는 큰 일회성 비용입니다.
- 추론은 모델을 쓸 때마다 드는 비용입니다. 널리 쓰이는 모델에서는 이것이 쌓입니다. Google은 2022년 자사 머신러닝 에너지 사용의 약 5분의 3이 추론, 5분의 2가 훈련이었다고 보고했습니다.
탄소
탄소 발자국은 에너지를 얼마나 쓰는지, 그리고 전기가 얼마나 깨끗한지에 따라 달라집니다. 같은 작업이라도 석탄 비중이 큰 전력망에서는 풍력, 수력, 원자력이 주를 이루는 전력망에서보다 몇 배나 많은 탄소를 배출할 수 있습니다. 탄소 발자국에는 칩, 서버, 건물을 만들 때 나오는 배출인 내재 탄소(embodied carbon)도 포함됩니다. Meta의 Wu 외 연구진은 2022년 내재 탄소가 Meta의 대규모 머신러닝 발자국의 약 30%를 차지했다고 보고했으며, 운영 에너지가 깨끗해질수록 내재 탄소가 주된 배출원이 되어 간다고 주장했습니다.
물
데이터 센터는 냉각에 물을 쓰고, 발전소는 전기를 만드는 데 물을 씁니다. Li, Yang, Islam, Ren은 2023년 AI의 이런 "숨은 물 발자국"이 상당하며 위치와 시간대에 따라 크게 달라진다는 것을 보여 주었습니다. Google이 2025년 자사 Gemini 어시스턴트를 측정한 결과, 텍스트 프롬프트 중앙값은 0.24와트시의 에너지와 함께 약 0.26밀리리터의 물을 썼습니다.
자원
AI 하드웨어에는 금속과 광물이 필요하며, 하드웨어는 빠르게 교체됩니다. Wang 외 연구진은 2024년, 대규모 언어 모델이 사용 증가 속도에 따라 2020년부터 2030년까지 모두 120만~500만 톤의 전자 폐기물을 만들어 낼 수 있으며, 재사용과 재활용으로 이를 크게 줄일 수 있다고 추정했습니다. 하드웨어를 더 오래 쓰고, 오래된 기기에서도 잘 돌아가는 소프트웨어를 만들면 이를 줄일 수 있습니다.
어떤 "AI"를 말하는지가 왜 중요한가요?
"AI"는 발자국이 몇 자릿수나 차이 나는 시스템들을 모두 아우르기 때문입니다. 이메일을 분류하는 작은 모델, 일기 예보 시스템, 프런티어 챗봇이 모두 "AI"입니다.
일상에서 "AI"는 이제 대부분 생성형 AI, 즉 챗봇과 이미지·영상 생성기를 뜻합니다. AI의 에너지 사용에 대한 우려의 상당 부분은 이런 대형 모델에 관한 것입니다. 그러나 산업과 과학 분야 머신러닝의 대부분은 더 작고 더 특화되어 있습니다. 좋은 그린 AI 주장은 어떤 종류의 AI에 관한 것인지, 그리고 비용을 어떤 경계 안에서 계산했는지 밝힙니다. 측정이 병목이다를 참고하십시오.
그린 AI는 "AI를 쓰지 않기"와 같은 것인가요?
아닙니다. AI를 쓰지 않는 것이 가장 친환경적인 선택일 때도 있으며, 그린 AI는 그 선택지도 포함합니다. 하지만 그린 AI는 주로 AI를 책임 있게 쓰는 것에 관한 것입니다. 그 비용을 측정하고, 작업에 알맞은 모델을 고르고, 더 효율적으로 만드는 것입니다.
다른 표현을 선호하는 사람들도 있습니다. "지속 가능한 AI"는 환경적 지속 가능성뿐 아니라 사회적·경제적 지속 가능성까지 포함하는 뜻으로 자주 쓰입니다. 목표를 낭비적인 컴퓨팅을 피하는 것으로 표현해야 한다는 이들도 있는데, 이런 표현은 그저 바람직한 이야기로 치부하기가 더 어렵습니다. 이 사이트는 환경 측면에 "그린 AI"라는 말을 쓰며, 주장이 어떤 자원(에너지, 탄소, 물, 자원)에 관한 것인지 구체적으로 밝힙니다.
다음에 할 일
- AI 에너지 수요의 규모는 왜 지금 그린 AI가 중요한가를 읽어 보십시오.
- 용어집에서 핵심 용어를 익히십시오.
- 자신에게 맞는 안내를 찾아보십시오. 기업, 연구자, 자선단체, 일반 시민.
- AI를 효율적으로 쓰기 실천 안내부터 시작해 보십시오.
- 가르치고 계십니까? 학교를 위한 섹션을 참고하십시오.
자주 묻는 질문
그린 AI를 간단히 말하면 무엇인가요?
그린 AI는 에너지, 탄소, 물, 자원 측면의 환경 비용이 그것이 주는 가치에 비해 합리적으로 가능한 한 낮도록 설계하고, 만들고, 사용하는 인공지능입니다.
그린 AI라는 용어는 누가 만들었나요?
이 용어는 Schwartz, Dodge, Smith, Etzioni가 2020년 Communications of the ACM 논문에서 널리 알렸습니다. 이 논문은 점점 더 많은 계산으로 정확도를 사는 연구인 '레드 AI(Red AI)'와, 정확도와 함께 효율을 평가 기준으로 삼는 '그린 AI(Green AI)'를 대비했습니다.
그린 AI는 지속 가능한 AI와 같은 것인가요?
두 용어는 겹치며 흔히 바꿔 쓰입니다. '지속 가능한 AI'는 환경 영향뿐 아니라 사회적·경제적 지속 가능성까지 포함하는 더 넓은 뜻으로 쓰이기도 합니다.
그린 AI는 AI를 덜 쓰라는 뜻인가요?
때로는 그렇습니다. 가치를 더하는 곳에만 AI를 쓰는 것도 그린 AI의 일부이지만, 사용하는 AI를 더 효율적으로 만드는 것과 AI로 다른 곳의 배출을 줄이는 것도 그린 AI에 포함됩니다.
출처
- Green AI, Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
- Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
- Energy and AI, International Energy Agency (2025)
- Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
- Making AI less thirsty: uncovering and addressing the secret water footprint of AI models, Li, Yang, Islam and Ren (2023)
- E-waste challenges of generative artificial intelligence, Wang et al., Nature Computational Science (2024)
- Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
- Good news about the carbon footprint of machine learning training, Google Research (Patterson) (2022)
관련 내용
왜 지금 그린 AI가 중요한가
AI가 데이터 센터 전력 수요를 빠르게 늘리며 전력망에 부담을 주고 비용을 높이고 있습니다. 2026년의 규모, 에너지, 비용, 정책 근거를 살펴봅니다.
효율은 충분성이 아닙니다: AI의 리바운드 효과
AI를 더 효율적으로 만들어도 전체 에너지 사용이 줄어든다는 보장이 없는 이유, 리바운드 효과(제번스 효과)의 의미, 절감을 실제로 지키는 방법을 설명합니다.
측정이 그린 AI의 병목입니다
AI 에너지 수치를 믿고 비교하기 어려운 이유를 설명합니다. 자체 보고 수치, 측정 아닌 추정, 서로 다른 경계, 그리고 좋은 측정의 모습을 다룹니다.
그린 AI: 모두를 위한 쉬운 안내서
AI 사용에 실제로 드는 에너지와 물, 중요한 생활 습관과 그렇지 않은 습관, 주장을 판단하는 방법, 그리고 의견을 내는 방법을 알려 드립니다.