Position: Neglecting the Sustainability of AI is Fuelling a Global AI Arms Race

기술 요약: AI의 지속가능성 방치가 글로벌 AI 군비 경쟁을 가속화하고 있다

문제 제기
본 논문은 지속 가능한 인공지능(AI)에 관한 현재의 담론에서 나타나는 결정적인 결함을 식별한다. 지속가능성은 전통적으로 환경적, 경제적, 사회적이라는 세 가지 축으로 정의되지만, 초기 단계의 "지속 가능한 AI" 분야는 주로 환경적 지속가능성(특히 기후 영향 및 탄소 배출)에 집중되어 있다. 이러한 좁은 초점은 경제적 및 사회적 차원, 특히 자원 인식(resource awareness), 즉 AI 개발에 대한 공평한 접근을 제한하는 인프라적·경제적 장벽을 간과한다.

저자들은 이러한 방치가 근본적인 긴장을 유발한다고 주장한다. 기후 영향을 완화하려는 노력(예: "Green AI" 또는 효율적인 모델)은 자원 집약적인 개발에 대한 진입 장벽을 낮춤으로써 의도치 않게 글로벌 AI 군비 경쟁을 부채질한다. 반대로, "AI 주권"과 민주화(자원 접근성 확대)를 향한 추진은 컴퓨팅 인프라 확장에 따른 환경적 비용을 무시하는 경우가 많다. 이러한 역학 관계는 "리바운드 효과"(제번스의 역설)에 의해 더욱 악화되는데, 여기서 효율성 이득은 총 소비의 감소가 아닌 총 소비의 증가로 이어진다. 그 결과, 소수의 기업과 국가에 의해 주도되는 근시안적인 글로벌 군비 경쟁이 발생하며, 이는 환경적·재정적 비용을 외부화하는 동시에 사회적 격차를 고착화하고 저·중소득 국가(LMIC)를 배제한다.

방법론 및 이론적 프레임워크
새로운 머신러닝 알고리즘을 제안하거나 경험적 실험을 수행하는 대신, 본 위치 논문(position paper)은 역사적 유물론, 구체적으로는 카를 마르크스의 토대-상부구조 프레임워크에 기반한 비판적 이론 분석을 채택한다.

• 토대(The Base): AI 생산의 물질적 조건으로 정의되며, 여기에는 원자재(희토류 광물), 에너지, 물, 특수 하드웨어(GPU), 노동력, 자본 투자 및 데이터가 포함된다. 논문은 이러한 물질적 조건이 현재 글로벌 노스(Global North)의 소수 엔티티에 의해 독점되어 있다고 상정한다.
• 상부구조(The Superstructure): AI를 규율하는 규범, 가치, 규제 프레임워크, 윤리 및 문화적 서사로 정의된다. 저자들은 상부구조가 자원의 집중 상태를 유지하기 위해 토대에 의해 형성되며, 현재의 권력 역학을 정당화한다고 주장한다.

저자들은 이 두 층위 사이의 상호작용을 분석하여, 현재의 물질적 집중이 어떻게 "AI 군비 경쟁"을 유도하는지, 그리고 상부구조(예: AI 주권이나 효율성에 대한 서사)가 어떻게 구조적 불평등을 해결하는 데 실패하는지를 입증한다. 이들은 다음의 데이터 시각화를 통해 분석을 뒷받침한다:

• 슈퍼컴퓨팅 역량의 지리적 집중도 (TOP500 데이터).
• AI 투자 격차 (미국 vs 중국 vs 기타 국가).
• LLM 리더보드에서의 기업 엔티티의 지배력.
• 2006~2025년 주요 AI 컨퍼런스(ICML, ICLR, NeurIPS)의 저소득·중소득 국가(LMIC) 논문 표집 부족 현상.
• 전 세계 재생 에너지 접근성의 불균형.

주요 기여
본 논문의 주요 기여는 개념적이며 규범적이다:

1. 지속 가능한 AI의 재정의: 저자들은 AI 패러다임을 맥락화하기 위해 두 축의 프레임워크(기후 인식 대 자원 인식)를 도입한다:

   • SOTA AI: 낮은 기후 인식, 낮은 자원 인식 (높은 자원 소비, 중앙 집중형).
   • Green AI: 높은 기후 인식, 낮은 자원 인식 (효율성에 집중하지만, 접근성/형평성은 종종 무시함).
   • Inclusive AI: 낮은 기후 인식, 높은 자원 인식 (접근성/형평성에 집중하지만, 환경적 비용은 종종 무시함).
   • Sustainable AI (목표): 높은 기후 인식 및 높은 자원 인식. 논문은 진정한 지속가능성을 위해서는 이 두 축 사이의 간극을 메워야 한다고 주장한다.

2. CARAML 프레임워크: 저자들은 기후 및 자원 인식을 조화시키기 위한 다층적 행동 촉구로서 기후 및 자원 인식 머신러닝(Climate and Resource Aware Machine Learning, CARAML) 프레임워크를 제안한다. 이는 다섯 가지 대리인 및 범위 수준에 걸친 구체적인 개입을 개략적으로 설명한다:

   • 개인(Individual): 성공 지표를 자원 비용(예: 자원 단위당 성능)을 포함하도록 재정의하고, 지속가능성을 위한 파레토 최적화(Pareto optimization)를 채택한다.
   • 커뮤니티(ML): 낭비를 방지하기 위해 대규모 실험을 사전 등록하고, 탄소 발자국의 투명성과 자가 보고를 강제하며, 이동 배출량을 줄이기 위해 하이브리드 컨퍼런스를 채택한다.
   • 산업계(Industry): 내재된 탄소 배출량을 포함한 지속가능성 공시를 의무화하고, AI에 대한 규제적 탄소 캡(cap)을 시행한다.
   • 정부(Government): 사회적 및 환경적 영향을 모두 다루는 AI 영향 평가(환경 영향 평가와 유사)를 요구하고, LMIC에서 HIC(고소득 국가)로의 "역혁신(Reverse Innovation)"을 촉진한다.
   • 글로벌 행동(Global Action): 윤리 및 안전에 관한 조율된 글로벌 표준을 수립하고, "지속 가능한 컴퓨팅에 대한 권리"를 보장함으로써 디지털 격차를 해결하며, 글로벌 과제를 위한 국제 컨소시엄을 구성한다.

결과 및 증거
위치 논문으로서, 결과는 실험적이라기보다 분석적이다. 논문은 기존 데이터를 합성하여 다음을 입증한다:

• 지리적 불평등: 미국과 중국이 글로벌 AI 투자와 슈퍼컴퓨팅 역량을 지배하는 반면, 아프리카를 비롯한 다른 지역은 크게 소외되어 있다.
• 기업의 지배력: LLM 벤치마크 리더보드의 대다수 항목은 막대한 컴퓨팅 자원을 투자한 기업들로부터 나온 것이다.
• 리바운드 효과: 논문은 효율적인 모델(예: DeepSeek)의 부상을 사례 연구로 제시하며, 효율성이 오히려 사용량의 급증과 더 높은 토큰 수를 요구하는 "추론 모델"으로의 전환을 이끌어 결과적으로 에너지 사용량의 순감소가 일어나지 않았음을 보여준다.
• 이중의 페널티: LMIC는 AI를 개발할 자원에 접근할 수 없을 뿐만 아니라, 자신들이 갖추지 못한 재생 에너지 인프라를 필요로 하는 저탄소 데이터센터 구축 압박으로 인해 더욱 배제되는 "이중의 페널티"를 겪는다.

의의 및 주장
본 논문은 지속가능성의 두 측면(기후와 자원)을 간과하는 것이 단순한 실수가 아니라 위험한 글로벌 AI 군비 경쟁을 유도하는 동력이라고 주장한다. 토대-상부구조 프레임워크를 적용함으로써, 저자들은 현재의 궤적이 사회적 및 환경적 웰빙보다 자본 축적을 우선시하는 물질적 조건에 의해 구조적으로 강화되고 있다고 논한다.

본 연구의 의의는 "효율성 대 접근성"이라는 이분법을 넘어서라는 촉구에 있다. 저자들은 지속 가능한 AI를 달하는 것은 물질적 기반(컴퓨팅, 데이터, 에너지)에 대한 접근을 민주화하는 동시에 엄격한 기후 제약을 부과하는 조율된 다자간 노력이 필요하다고 단언한다. 이들은 두 가지를 동시에 고려하지 않는다면, AI를 "녹색화"하거나 "민주화"하려는 노력은 환경 파괴를 악화시키거나 글로벌 불평등을 공고히 함으로써 결국 실패할 것이라고 주장한다. 논문은 AI 커뮤니티가 기후 변화라는 더 실존적인 위협에 대응하기 위해 군비 경쟁의 힘에 저항하고, AI 개발이 지속가능발전목표(SDGs)의 광범위한 목표에 부합하도록 해야 한다고 결론짓는다.