요약
에너지 효율적인 AI란 더 적은 전기로 같은 유용한 결과를 얻는 것을 뜻합니다. 가장 큰 절약은 대개 더 작거나 작업에 특화된 모델을 고르고, 필요하지 않을 때 긴 추론을 끄고, 깨끗한 전력망의 효율적인 데이터 센터에서 돌리는 데서 나옵니다. 여기에 양자화, 증류, 라우팅, 캐싱, 배치 처리 같은 기법이 AI 에너지를 더 줄여 줍니다. 공개된 연구들은 개별 방법별로 수십 퍼센트에서 90% 이상까지의 절감을 보고하며, 여러 방법을 함께 쓰면 절감 폭은 훨씬 커집니다.
핵심 내용
- UNESCO와 UCL은 작업에 특화된 작은 모델로 에너지 사용을 최대 90% 줄일 수 있고, 프롬프트와 응답을 짧게 하면 50% 넘게 줄일 수 있다는 것을 발견했습니다.
- Hugging Face의 AI Energy Score 시험에서 추론 모델은 일반 모델보다 평균 30배 많은 에너지를 썼으며, 한 모델은 추론을 켜자 에너지가 150~700배 늘었습니다.
- 2024년 한 연구에서 이미지 1,000장 생성에는 약 2.9 kWh가 들었고, 텍스트 분류 1,000건에는 0.002 kWh가 들었습니다.
- Google 연구진은 모델, 데이터 센터, 프로세서를 함께 고르면 훈련의 탄소 발자국을 최대 약 100~1,000분의 1로 줄일 수 있다고 추정했습니다.
- 효율적인 서빙이 중요합니다. vLLM의 메모리 관리는 같은 지연 시간에서 처리량을 2~4배로 높였고, 추측 디코딩(speculative decoding)은 출력은 똑같이 유지하면서 한 모델을 2~3배 빠르게 했습니다.
- 한 연구에서 짧은 훈련 작업을 저탄소 시간대에 시작하자 배출량이 최대 80% 줄었지만, 긴 작업에서는 1.5% 미만으로 줄었습니다.
에너지 효율적인 AI란 필요한 결과를 더 적은 전기로 내는 AI입니다. 이 페이지는 AI 에너지를 줄이는 주요 방법을 대체로 절약 폭이 큰 순서대로, 각각을 뒷받침하는 공개 수치와 함께 정리합니다.
AI가 에너지를 덜 쓰게 하는 가장 빠른 방법은 무엇인가요?
알맞은 모델 가운데 가장 작은 것을 쓰고, 필요 없는 무거운 모드는 켜지 마십시오. 에너지는 답변 하나에 드는 계산량에 비례하므로, 대개 모델 선택이 다른 어떤 방법보다 효과가 큽니다. UNESCO와 University College London(UCL)의 2025년 보고서는 작업에 특화된 작은 모델이 에너지 사용을 최대 90% 줄일 수 있고, 프롬프트와 응답을 짧게 하면 50% 넘게 줄일 수 있다는 것을 발견했습니다. 보고서에 따르면 이런 조치를 함께 쓰면 에너지 소비를 최대 90% 줄일 수 있습니다.
두 번째로 큰 방법은 위치입니다. Google 연구진은 2021년 모델, 데이터 센터, 프로세서를 함께 고르면 훈련의 탄소 발자국을 최대 약 100~1,000분의 1로 줄일 수 있다고 추정했습니다. 효율적인 AI 모델을 효율적인 곳에서 돌리는 데 대부분의 이득이 있습니다.
어떤 방법이 가장 많이 절약하나요? 순위 목록
아래 순서는 공개된 연구에서 보고된 일반적인 절약 폭을 반영하며, 큰 것부터 나열합니다. 실제 결과는 작업, 필요한 품질, 작업이 돌아가는 곳에 따라 달라지므로 변경 전후를 측정하십시오 (AI의 에너지와 탄소를 측정하는 방법 참고).
1. 생성형 AI가 필요 없는 일에는 쓰지 마십시오
생성은 더 단순한 작업보다 훨씬 비쌉니다. 2024년 연구에서 Sasha Luccioni, Yacine Jernite, Emma Strubell은 이미지 생성을 1,000장당 평균 약 2.9 kWh로, 텍스트 분류는 1,000건당 0.002 kWh로 측정했습니다. 요청당 천 배를 훌쩍 넘는 차이입니다. 이들은 같은 작업에서 범용 생성 모델이 작업 특화 시스템보다 몇 자릿수나 더 비싸다는 것도 발견했습니다.
영상은 더 무겁습니다. 공개 텍스트-영상 모델에 관한 2025년 연구는 짧은 클립 하나에 한 모델에서 90 Wh 가까이, 더 큰 모델에서 415 Wh 넘게 측정했으며, 에너지는 영상의 크기와 길이에 따라 제곱으로 늘었습니다. 작업에 AI가 필요한지 판단하는 방법과 LLM 대신 고전적인 머신러닝을 고르는 방법을 참고하십시오.
2. 모델 크기를 알맞게 고르십시오
품질 기준을 충족하는 가장 작은 모델을 고르십시오. UNESCO–UCL의 발견 외에도, 캐스케이드(cascade)에 관한 연구는 여유가 얼마나 큰지 보여 줍니다. 더 싼 모델을 먼저 시도하고 필요할 때만 상위 모델로 넘기는 FrugalGPT는 최대 98% 낮은 비용으로 GPT-4의 성능을 따라잡았습니다. 비용이 에너지는 아니지만, 호스팅된 모델에서는 계산량을 대략 가늠하는 합리적인 지표입니다. 작업에 알맞은 모델 고르기, 더 작은 AI 모델을 고르는 방법, 작업 특화 모델을 찾는 방법을 참고하십시오.
3. 추론 모드는 필요할 때만 쓰십시오
"생각하기" 모드는 에너지를 몇 배로 늘립니다. 2025년 말 Hugging Face의 AI Energy Score 시험에서 추론 모델은 평균적으로 일반 모델보다 30배 많은 에너지를 썼고, 같은 모델이라도 추론을 켜면 껐을 때보다 150~700배 많은 에너지를 썼습니다. 반복해서 여러 번 호출하는 에이전트도 같은 방식으로 에너지가 쌓일 수 있습니다. 추론 모드를 필요할 때만 쓰는 방법과 에이전트 AI와 token 낭비를 참고하십시오.
4. 효율적인 하드웨어, 데이터 센터, 저탄소 위치를 고르십시오
작업이 어디서, 무엇으로 돌아가느냐에 따라 탄소가 몇 배나 달라질 수 있습니다. Jesse Dodge 연구진은 같은 BERT 모델을 훈련할 때 가장 효율적인 클라우드 리전에서는 약 7 kg, 가장 비효율적인 리전에서는 약 26 kg의 CO₂가 배출되어 거의 네 배 차이가 난다는 것을 발견했습니다. 하드웨어도 계속 나아지고 있습니다. Epoch AI는 최고 수준의 머신러닝 칩이 해마다 약 40%씩 에너지 효율이 좋아진다고 추정합니다. 그린 AI 호스팅과 데이터 센터, 저탄소 클라우드 리전을 고르는 방법, AI를 위한 에너지 효율적인 하드웨어를 고르는 방법을 참고하십시오.
5. 프롬프트, 맥락, 출력을 줄이십시오
에너지는 모델이 읽고 쓰는 양에 따라 늘어납니다. Epoch AI는 일반적인 ChatGPT 질의를 약 0.3 Wh로 추정하며, 입력이 10,000 token이면 약 2.5 Wh, 100,000 token이면 40 Wh 가까이로 늘어난다고 봅니다. 긴 대화를 다시 보내는 것과 긴 답변을 요청하는 것이 일상적인 원인입니다. 에너지를 덜 쓰는 프롬프트를 쓰는 방법, LLM이 쓰는 양을 제한하는 방법, 대화 전체를 다시 보내지 않는 방법을 참고하십시오.
6. 요청을 알맞은 모델로 보내십시오
쉬운 요청은 작은 모델로, 어려운 요청은 큰 모델로 보내십시오. 라우팅 연구는 큰 절약을 보고합니다. Hybrid LLM은 응답 품질 저하 없이 큰 모델 호출을 최대 40% 줄였고, RouteLLM은 일부 경우 품질을 해치지 않으면서 비용을 절반 넘게 줄였습니다. 모델 라우팅을 설정하는 방법과 생성보다 조율을 참고하십시오.
7. 모델을 양자화하십시오
숫자 하나당 더 적은 비트로 저장하고 계산하십시오. 양자화는 대형 모델에서 에너지의 대부분을 차지하는 메모리와 데이터 이동을 줄입니다. LLM.int8()은 완전 정밀도의 성능을 유지하면서 추론에 필요한 메모리를 절반으로 줄였고, UNESCO–UCL 보고서는 양자화 같은 압축이 에너지를 최대 44% 절약했다는 것을 발견했습니다. 모델을 양자화하는 방법을 참고하십시오.
8. 큰 모델을 작은 모델로 증류하십시오
작은 "학생" 모델이 큰 "교사" 모델을 따라 하도록 훈련하십시오. 증류는 많은 효율적인 AI 모델을 만드는 방법입니다. DistilBERT는 BERT보다 40% 작고 60% 빠르면서도 언어 이해 능력의 97%를 유지했습니다. 큰 모델을 작은 모델로 증류하는 방법을 참고하십시오.
9. 가지치기를 하고 희소성을 활용하십시오
모델에 필요 없는 가중치를 없애십시오. SparseGPT는 매우 큰 언어 모델을 재훈련 없이 한 번에 최소 50% 희소성까지 가지치기해도 정확도 손실이 아주 작다는 것을 보여 주었습니다. 에너지 절약은 소프트웨어와 하드웨어가 0을 건너뛸 수 있는지에 달려 있으므로, 실제로는 가지치기의 절약 폭이 표면상의 희소성 수치보다 작습니다. 신경망을 가지치기하는 방법을 참고하십시오.
10. 캐싱하고, 배치로 처리하고, 효율적으로 서빙하십시오
같은 작업을 반복하지 말고 하드웨어를 쉬지 않게 하십시오. 서빙 소프트웨어가 중요합니다. vLLM의 페이지 방식 KV 캐시 관리는 같은 지연 시간에서 처리량을 2~4배로 높였고, 추측 디코딩은 출력은 똑같이 유지하면서 T5-XXL을 2~3배 빠르게 했습니다. 제공업체는 재사용에 그에 맞게 값을 매깁니다. OpenAI의 Batch API는 일반 요청보다 50% 저렴하고, Anthropic은 캐시된 프롬프트 읽기에 정상 입력 가격의 10%를 받습니다. LLM 호출을 캐싱하는 방법, AI 요청을 배치로 처리하는 방법, 추측 디코딩을 쓰는 방법, 모델 서빙의 에너지를 줄이는 방법을 참고하십시오.
11. 유연한 작업은 더 깨끗한 시간대로 예약하십시오
탄소 인지 예약은 에너지가 아니라 배출량을 줄이며, 짧고 유연한 작업에 가장 효과적입니다. Dodge 연구진의 연구에서 짧은 훈련 작업의 시작을 저탄소 시간대로 미루자 미국의 한 리전에서 배출량이 최대 80% 줄었지만, 긴 작업에서는 1.5% 미만으로 줄었습니다. 긴 작업을 멈췄다가 다시 시작하면 최대 약 25%를 절약했습니다. 전력망이 더 친환경적일 때 훈련을 예약하는 방법과 탄소 인지 컴퓨팅을 참고하십시오.
에너지 효율적인 AI 방법 한눈에 보기
이 표는 각 방법, 누가 쓸 수 있는지, 출처에서 보고된 절약 폭을 요약합니다. 수치는 기준이 서로 다른 여러 연구에서 나온 것이므로, 더해서 합계를 낼 값이 아니라 규모를 가늠하는 지표로 읽으십시오.
| 방법 | 쓸 수 있는 사람 | 보고된 일반적 절약 폭 | 출처 |
|---|---|---|---|
| 생성형 모델 대신 작업 특화 모델 쓰기 | 개발자, 조직 | 분류 같은 작업에서 몇 자릿수 | Luccioni, Jernite and Strubell, 2024 |
| 더 작은 작업 특화 모델 | 사용자, 개발자 | 에너지 최대 90% | UNESCO and UCL, 2025 |
| 필요할 때 외에는 추론 끄기 | 사용자, 개발자 | 한 모델에서 150–700배 적음, 모델 전체 평균 30배 | Hugging Face AI Energy Score, 2025 |
| 모델, 데이터 센터, 프로세서를 함께 고르기 | 개발자, 조직 | 탄소 최대 약 100–1,000분의 1(훈련) | Patterson et al., Google, 2021 |
| 저탄소 클라우드 리전 | 개발자, 조직 | 최선과 최악 리전 사이 약 3.7배 | Dodge et al., 2022 |
| 더 짧은 프롬프트와 응답 | 사용자, 개발자 | 에너지 50% 이상 | UNESCO and UCL, 2025 |
| 라우팅 | 개발자 | 큰 모델 호출 최대 40% 감소 | Ding et al., 2024 |
| 양자화 | 개발자 | 에너지 최대 44%, 메모리 절반 | UNESCO and UCL, 2025; Dettmers et al., 2022 |
| 증류 | 개발자 | 40% 작고 60% 빠르며 능력 97% 유지 | Sanh et al., 2019 |
| 가지치기 | 개발자 | 가중치 최소 50% 제거 | Frantar and Alistarh, 2023 |
| 효율적인 서빙과 배치 처리 | 개발자 | 처리량 2–4배 | Kwon et al., 2023 |
| 추측 디코딩 | 개발자 | 2–3배 빠르고 출력 동일 | Leviathan et al., 2022 |
| 탄소 인지 시작 시간 | 개발자, 연구자 | 최대 80%(짧은 작업), 1.5% 미만(긴 작업) | Dodge et al., 2022 |
| 매개변수 효율적 미세 조정(LoRA) | 개발자, 연구자 | 훈련 가능한 매개변수 10,000분의 1, GPU 메모리 3분의 1 | Hu et al., 2021 |
사용자는 AI 에너지를 어떻게 줄일 수 있나요?
더 가벼운 선택지를 고르고, 덜 요청하십시오. 대부분의 사람은 데이터 센터를 바꿀 수 없지만, 무엇을 요청할지는 바꿀 수 있습니다.
- 일상적인 작업에는 빠른 모델이나 "mini" 모델을 쓰고, 가장 큰 모델과 추론 모드는 어려운 문제에 아껴 두십시오.
- 요청을 명확하게 하고 짧은 답변을 요청하십시오. 아주 긴 채팅을 이어 가지 말고 새 채팅을 시작하십시오.
- 거듭 다시 생성하지 말고 요청을 다듬으십시오. AI 답변 다시 생성하기를 멈추는 방법을 참고하십시오.
- 이미지와 영상은 필요할 때만 생성하십시오. AI 이미지·영상 생성의 영향을 줄이는 방법을 참고하십시오.
- 쓰지 않는 AI 기능은 끄십시오. AI를 효율적으로 쓰기: 일상 습관을 참고하십시오.
규모를 보면, Google은 2025년 Gemini 텍스트 프롬프트 중앙값이 0.24 Wh를 썼다고 보고했습니다. 개별 텍스트 프롬프트는 작으며, 전체량은 매우 많은 사용량과 앞에서 본 더 무거운 작업에서 나옵니다. 일반 시민을 위한 안내를 참고하십시오.
개발자는 효율적인 AI 모델과 시스템을 어떻게 만들 수 있나요?
먼저 크기를 알맞게 고르고, 그다음 서빙을 최적화하고, 그다음 측정하십시오. 실용적인 순서는 다음과 같습니다.
- 자신의 데이터로 품질 기준을 정하고, 가장 작은 후보 모델들을 그 기준으로 시험하십시오.
- 작은 모델이 처리하지 못하는 것만 큰 모델이 맡도록 라우팅이나 캐스케이드를 더하십시오.
- 양자화하고, 사용량이 많다면 증류를 고려하십시오.
- 배치 처리, 페이지 방식 KV 캐시, 프롬프트 캐싱, 추측 디코딩을 갖춘 효율적인 런타임으로 서빙하십시오.
- 출력 길이와 에이전트 반복에 상한을 두십시오. AI 에이전트의 token 낭비를 막는 방법을 참고하십시오.
- 처음부터 훈련하지 말고 LoRA로 미세 조정하십시오. 모델을 처음부터 훈련하지 않는 방법을 참고하십시오.
- 변경 전후에 작업당 에너지를 측정하십시오. 작업당 AI 에너지를 추적하는 방법을 참고하십시오.
자세한 내용은 효율적인 AI 훈련과 추론과 효율적인 AI를 위한 수학에 있습니다.
조직은 대규모로 AI 에너지를 어떻게 줄일 수 있나요?
기본값을 정하고, 잘 구매하고, 측정하십시오. 조직 차원에서 가장 큰 방법은 어떤 모델을 기본으로 할지, 어떤 기능을 기본으로 켤지, 작업을 어디서 돌릴지입니다.
- 내부 도구에서는 작고 빠른 모델을 기본으로 하고, 요청하면 더 큰 모델을 쓸 수 있게 하십시오.
- 공급업체에 작업당 에너지와 데이터 센터 수치를 요청하십시오. 지속 가능한 AI 조달을 참고하십시오.
- 청정 전력을 쓰는 제공업체와 리전을 고르십시오. 호스팅과 데이터 센터를 참고하십시오.
- 정책을 정하고 직원을 교육하십시오. 그린 AI 정책을 쓰는 방법과 직원이 AI를 효율적으로 쓰도록 교육하는 방법을 참고하십시오.
- 기준선과 목표를 정하십시오. AI 에너지 절감의 기준선을 정하는 방법을 참고하십시오.
에너지 효율적인 AI는 전체 에너지 사용을 줄이나요?
전체 사용량이 효율 향상보다 빠르게 늘지 않을 때만 그렇습니다. Google은 Gemini 프롬프트 중앙값의 에너지가 1년 만에 33분의 1로 줄었다고 보고했지만, 사용량이 더 빠르게 늘고 있어 전 세계 데이터 센터의 전기 사용량은 계속 늘고 있습니다. 이것이 리바운드 효과입니다. 효율은 각 작업의 비용을 낮추고, 충분성은 그 작업이 필요한지를 묻습니다. 효율은 충분성이 아니다가 설명하듯 둘 다 필요하며, 효율 향상이 상쇄되지 않게 하는 방법이 실용적인 단계를 제시합니다. 더 넓은 그림은 AI와 데이터 센터 전력 수요와 AI 에너지 통계를 참고하십시오.
다음에 할 일
- 더 작은 모델이 품질 기준을 충족하는지 시험하고, 충족하면 그 모델로 바꾸십시오.
- 필요하지 않은 곳에서는 추론, 이미지, 영상 모드를 기본으로 꺼 두십시오.
- 실제 사용량이 있는 모든 AI 기능에 캐싱, 배치 처리, 라우팅을 더하십시오.
- 새 작업에는 저탄소 리전과 효율적인 제공업체를 고르십시오.
- 변경할 때마다 전후로 작업당 에너지를 측정하고, 그 결과를 보고하십시오.
- 컨설턴트 디렉터리에서 도움을 찾거나 강좌에서 더 배워 보십시오.
자주 묻는 질문
에너지 효율적인 AI란 무엇인가요?
더 작거나 더 알맞은 모델, 더 가벼운 소프트웨어, 효율적인 하드웨어와 데이터 센터, 그리고 가치를 더하는 곳에만 AI를 쓰는 방식으로, 필요한 결과를 더 적은 전기로 내는 AI입니다. 이는 전체 사용량이 합리적인지도 묻는 그린 AI의 일부입니다.
AI 에너지 사용을 어떻게 줄일 수 있나요?
사용자라면 더 작거나 빠른 모델을 고르고, 프롬프트와 요청하는 답변을 짧게 하고, 다시 생성하기를 피하고, 추론이나 이미지·영상 모드는 필요할 때만 쓰십시오. 개발자라면 모델 크기를 알맞게 고른 다음 양자화, 라우팅, 캐싱, 배치 처리를 더하고, 저탄소 리전에서 돌리십시오.
더 작은 AI 모델이 에너지 효율이 더 좋나요?
잘할 수 있는 작업이라면 대개 그렇습니다. UNESCO와 UCL은 작업에 특화된 작은 모델이 알맞은 작업에서 에너지 사용을 최대 90% 줄일 수 있다고 보고합니다. 자신의 작업으로 품질을 확인하십시오. 여러 번 다시 돌려야 하는 작은 모델은 아무것도 절약하지 못할 수 있습니다.
양자화는 에너지를 절약하나요?
대개 그렇습니다. 모델이 옮기는 데이터가 줄고 필요한 메모리가 줄기 때문입니다. UNESCO와 UCL은 양자화 같은 모델 압축으로 최대 44%를 절약했다고 보고하며, LLM.int8()은 추론에 필요한 메모리를 절반으로 줄였습니다. 절약 폭은 하드웨어가 더 낮은 정밀도를 지원하는지에 달려 있습니다.
어떤 AI가 에너지를 가장 많이 쓰나요?
영상 생성이 가장 많고, 그다음이 이미지 생성과 긴 추론 또는 에이전트 작업입니다. 2025년 한 연구에서 한 공개 모델은 짧은 영상 클립 하나에 90 Wh 가까이, 더 큰 모델은 415 Wh 넘게 썼고, 추론 모델은 평균적으로 일반 모델보다 약 30배 많은 에너지를 썼습니다.
효율이 실제로 AI의 전체 에너지 사용을 줄이나요?
저절로 줄이지는 않습니다. 더 싸고 빠른 AI는 더 많이 쓰이는 경향이 있는데, 이것이 리바운드 효과입니다. 효율은 작업당 에너지를 줄이며, 전체를 낮게 유지하려면 충분성, 즉 가치가 있는 곳에만 AI를 쓰는 것도 필요합니다.
AI 제공업체는 프롬프트 캐싱과 배치 처리로 에너지를 절약하나요?
이런 방식은 반복 작업을 피하므로 제공업체는 그만큼 요금을 덜 받습니다. OpenAI는 배치 작업을 50% 할인하고, 여러 제공업체에서 캐시된 입력은 정상 요금의 약 10분의 1입니다. 가격은 절약된 계산량을 대략 보여 주는 지표일 뿐 에너지 측정치는 아닙니다.
출처
- AI large language models: new report shows small changes can reduce energy use by 90%, UNESCO and University College London (2025)
- AI Energy Score v2: refreshed leaderboard, now with reasoning, Hugging Face (Luccioni and Gamazaychikov) (2025)
- Power hungry processing: watts driving the cost of AI deployment?, Luccioni, Jernite and Strubell (FAccT 2024) (2024)
- Video killed the energy budget: characterizing the latency and power regimes of open text-to-video models, Delavande, Pierrard and Luccioni (2025)
- How much energy does ChatGPT use?, Epoch AI (2025)
- Carbon emissions and large neural network training, Patterson et al., Google (2021)
- Good news about the carbon footprint of machine learning training, Google Research (2022)
- Measuring the carbon intensity of AI in cloud instances, Dodge et al. (FAccT 2022) (2022)
- Measuring the environmental impact of delivering AI at Google scale, Elsworth et al., Google (2025)
- DistilBERT, a distilled version of BERT, Sanh et al., Hugging Face (2019)
- LLM.int8(): 8-bit matrix multiplication for transformers at scale, Dettmers et al. (2022)
- SparseGPT: massive language models can be accurately pruned in one-shot, Frantar and Alistarh (2023)
- FrugalGPT: how to use large language models while reducing cost and improving performance, Chen, Zaharia and Zou (2023)
- Hybrid LLM: cost-efficient and quality-aware query routing, Ding et al. (2024)
- RouteLLM: learning to route LLMs with preference data, Ong et al. (2024)
- Efficient memory management for large language model serving with PagedAttention, Kwon et al. (2023)
- Fast inference from transformers via speculative decoding, Leviathan, Kalman and Matias (2022)
- LoRA: low-rank adaptation of large language models, Hu et al. (2021)
- Batch API, OpenAI (2026)
- Prompt caching, Anthropic (2026)
- Leading ML hardware becomes 40% more energy-efficient each year, Epoch AI (2024)
관련 내용
작업에 맞는 모델 고르기
AI 규모를 알맞게 맞추는 법: 작거나 특화된 모델을 쓸 때, 프런티어 모델이 비용값을 할 때, 라우팅의 원리, AI를 쓰지 말아야 할 때를 설명합니다.
효율적인 AI 훈련과 추론
개발자와 연구자가 AI 에너지를 줄이는 기법: 가지치기, 희소성, 양자화, 증류, KV 캐시, 배칭, 혼합 정밀도, 스케줄링을 다룹니다.
AI를 효율적으로 쓰기: 일상 습관
AI 사용 에너지를 줄이는 일상 습관을 소개합니다. 명확한 프롬프트, 재생성 반복 줄이기, 이미지와 동영상 절제, 캐싱, 기본 기능 끄기를 다룹니다.
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.