요약
내재 탄소는 하드웨어를 만들고, 운송하고, 폐기할 때 나오는 배출량입니다. 이를 계산에 넣으려면 하드웨어의 총 내재 배출량을 구한 뒤, AI 작업이 그 장비를 얼마나 오래, 얼마나 많이 쓰는지에 따라 나누고, 그 몫을 운영 배출량에 더합니다. SCI 사양의 M 항이 바로 이렇게 합니다. 데이터가 부족한 경우가 많으므로 가정을 밝히십시오. 또한 하드웨어를 더 오래 쓰면 같은 배출량이 더 많은 작업에 나뉜다는 점을 기억하십시오.
단계
- 사용하는 장비의 내재 배출량 데이터를 하드웨어 또는 클라우드 공급업체에 요청합니다.
- AI 작업이 하드웨어를 쓰는 시간과 비율에 따라 그 몫을 배분합니다.
- 그 몫을 운영 배출량에 더하고, 무엇을 포함했는지 밝힙니다.
- 예상 하드웨어 수명을 포함해 가정을 밝힙니다.
- 직접 관리하는 하드웨어는 수명을 늘려, 내재 배출량이 더 많은 유용한 작업에 나뉘게 합니다.
전기뿐 아니라 하드웨어도 계산에 넣으십시오. 전력망이 깨끗해질수록 제조가 차지하는 몫이 커지기 때문입니다. Meta의 Wu와 동료들은 2022년에 내재 탄소가 Meta 대규모 기계학습 발자국의 약 30%를 차지한다고 보고했으며, 운영 에너지가 깨끗해짐에 따라 내재 탄소가 가장 큰 배출원이 되어 가고 있다고 주장했습니다.
어떻게 배분하나요?
Green Software Foundation의 SCI 사양은 내재 배출량을 M 항으로 포함합니다. 간단한 방법은 다음과 같습니다.
- 제조업체나 공급업체에서 장치의 총 내재 배출량을 받습니다.
- 예상 수명으로 나누어 연간 또는 시간당 배출량을 구합니다.
- 작업이 장치를 점유한 시간과, 사용한 장치의 비율을 곱합니다.
클라우드 서비스에서는 하드웨어를 볼 수 없으므로, 제공업체의 탄소 보고에 제조(Scope 3)가 포함되는지, 어떻게 배분되는지 물어보십시오. 클라우드 제공업체의 탄소 데이터를 참고하십시오.
전자 폐기물은 어떤가요?
Wang과 동료들은 2024년에 대규모 언어 모델이 사용 증가 속도에 따라 2020년부터 2030년까지 총 120만~500만 톤의 전자 폐기물을 만들 수 있으며, 재사용과 재활용으로 이를 크게 줄일 수 있다고 추정했습니다.
흔한 실수
- 밝히지 않고 내재 탄소를 빼는 것. 포함하든 빼든 경계 설명에 적으십시오.
- 기본값으로 짧은 수명을 가정하는 것. 장비를 일찍 교체하면 연간 몫이 커집니다.
- 작은 효율 향상을 위해 새 하드웨어를 사는 것. 그로 인해 늘어나는 제조 비용을 확인하지 않은 채로 말입니다.
경계 설정은 AI 에너지를 측정하는 방법을 참고하십시오.
출처
- Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
- E-waste challenges of generative artificial intelligence, Wang et al., Nature Computational Science (2024)
- Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
관련 내용
AI 기능의 소프트웨어 탄소 집약도(SCI) 점수는 어떻게 계산하나요?
AI 기능의 SCI 점수를 구하는 법: 에너지에 전력망 탄소 집약도를 곱하고 내재 배출량을 더한 뒤, 요청당 같은 기능 단위로 나눕니다.
AI를 쓰려고 기기를 새로 바꾸지 않으려면 어떻게 해야 하나요?
AI를 쓰려고 새 휴대전화나 노트북이 필요한 경우는 드뭅니다. 기존 기기를 오래 쓰는 방법과 하드웨어 수명이 AI 영향에 중요한 이유를 설명합니다.
에너지 효율이 좋은 AI 하드웨어는 어떻게 고르나요?
실제 배치 크기에서 측정한 작업당 에너지로 AI 하드웨어를 고르고, 런타임과 가속기를 비교하며, 새 장비와 내재 탄소를 함께 따져 봅니다.
AI의 에너지와 탄소를 측정하는 방법
AI 작업의 에너지와 탄소를 계측하거나 추정하는 실용 안내서입니다. 도구, 시스템 경계, 작업 단위 지표, 정직한 불확실성 표기를 다룹니다.