기술 요약: 전자 없는 인증서? AI 주도 전력 수요의 영향에 관한 이론 및 증거

1. 문제 제기

인공지능(AI)의 급격한 확장은 미국 내 데이터 센터의 전력 소비량을 6년 만에 전체 수요의 1.9%에서 4.4%로 증가시켰다. 하이퍼스케일러(hyperscalers)들은 재생 에너지 인증서(REC)와 전력 구매 계약(PPA)을 활용하여 탄소 중립을 주장하지만, 그리드 수준에서의 이러한 메커니즘의 실질적인 효과는 불분명하다. 구체적으로, AI 모델 출시가 다음 요소들에 미치는 인과적 영향에 관한 근거가 부족하다:

1. 국지적 전력 품질: 전압 안정성, 주파수 조정 및 고조파 왜곡을 포함한다.
2. 화석 연료 수요: AI 워크로드가 재생 에너지 발전을 대체하는 정도 또는 화석 연료 발전을 필요하게 만드는 정도.
3. 도매 전력 가격: AI 주도 수요 충격으로 인한 지역 시장의 가격 상승 폭.
4. 신뢰성: 정전 및 장비 퇴화의 빈도와 심각도.

기존 문헌은 기술-경제적 평가나 미시적 수준의 에너지 성능 연구에 의존하고 있으나, AI가 다른 그리드 사용자에게 가하는 인과적 외부성을 분리해내지 못한다. 더욱이, 소비(AI 워크로드)와 인증된 재생 에너지 발전(REC를 통한) 사이에 시간적 불일치가 발생하는 "타이밍 격차(timing wedge)"가 존재하며, 이는 연간 소비량이 이론적으로 재생 에너지에 의해 충당되더라도 신뢰성을 저하시킬 수 있다.

2. 방법론

저자들은 구체적인 운영 데이터(예: 정확한 학습 시작 시간)의 결여와 AI 모델 출시의 시차적 특성을 해결하기 위해 엄격한 계량경제학적 프레임워크를 채택한다.

2.1. 이론적 프레임워크

데이터 센터 운영자가 REC, PPA, 그리고 비하이브리드(behind-the-meter) 코로케이션 사이에서 선택하는 게임 이론 모델이 개발되었다. 이때 발전 사업자는 내생적 금융 비용 하에서 진입 결정을 내린다. 이 모델은 소비(AI 워크로드)와 인증된 발전 사이의 불일치인 타이밍 격차를, REC로 100% 커버리지를 달성하더라도 신뢰성을 저하시키고 배출량을 증가시키는 핵심 메커니즘으로 식별한다.

2.2. 계량경제 전략: 다중 지평 스태키드 차이-in-차이(Staggered Difference-in-Differences, DiD)

모델의 구체적인 학습 윈도우 부재와 모델 출시의 시차 문제를 극-복하기 위해, 저자들은 다중 지평 스태키드 DiD(Stacked DiD with Multiple Horizons) 접근법을 활용한다.

• 처치 정의: 처치는 주요 AI 모델의 출시일($r_m$)을 기준으로 정의된다.
  • 학습 윈도우(Training Window): $[r_m - \tau_{train}, r_m)$
  • 추론 윈도우(Inference Window): $[r_m, r_m + \tau_{infer}]$
• 스태키드 설계(Stacked Design): 처치 효과의 이질성(이미 처치를 받은 단위가 표준 이중차분 모델에서 통제 집단을 오염시키는 문제)으로 인한 편향을 피하기 위해, 저자들은 각 모델 출시 코호트별로 별도의 "하위 실험"을 구성한다. 각 하위 실험은 해당 특정 코호트의 도입 시점에 실제로 처치를 받지 않은 단위만을 사용한다.
• 방정식: 동적 처치 효과는 다음과 같이 추정된다:
  $$Y_{i,t,m} = \sum_{k=-K}^{K} \beta_k \cdot D^k_{ut} + \delta_t + \gamma_u + X'_{ut}\theta + \varepsilon_{ut}$$
  여기서 $D^k_{ut}$는 출시 시점 $r_m$에 대한 이벤트 타임 지평 $k$를 나타낸다.

2.3. 내생성 및 혼란 변수 해결

• 화석 연료 수요: 가격 내생성을 해결하기 위해 2단계 최소제곱법(2SLS)을 사용한다.
  • 1단계: 공급 측 비용 변동 요인(발전기 열율 및 천연가스 현물 가격)을 사용하여 전기 가격을 도구 변수화한다.
  • 2단계: 예측된 가격과 처치 지표를 사용하여 화석 연료 수요를 회귀 분석한다.
• 가격 효과: 가격 영향은 추정된 수요 변화량과 PJM 시장의 공급 곡선 탄력성($\varepsilon_s$)을 결려 도출한다.
• 강건성 검증: 본 연구는 평행 추세 테스트(사전 계수들에 대한 Wald 검정), 플라세보 테스트(무작위 처치 날짜 및 위치), 그리고 처치 정의에 관한 민감도 분석(예: 반경 변화, 모호한 사례 제외)을 수행한다.

2.4. 데이터

본 분석은 AI 활동과 그리드 결과 간의 연결을 보여주는 새로운 데이터셋을 통합한다:

• 처치 데이터: 데이터 센터의 위치, 소유권 및 용량을 파악하기 위한 Aterio 데이터베이스; 이를 뉴스 발표 및 API 날짜를 통해 특정 모델 출시(예: GPT-3, Llama 2, Claude 2.1)와 연결함.
• 결과 데이터:
  • 전력 품질: 72개 유틸리티로부터 추출한 Whisker Labs의 소비자 전력 품질 지수(CPQI) 및 총 고조파 왜곡(THD).
  • 수요: EPA Clean Air Markets Program(CAMPD)의 시간당 발전기 데이터 (2021–2023).
  • 가격: ISO 존별 도매 전력 가격 (PJM 중심).
• 통제 변수: 기상 데이터(Meteostat), 천연가스 가격(S&P Capital IQ), 시장 지수.

3. 주요 결과

3.1. 전력 품질 저하

AI 모델 출시는 국지적 전력 품질의 현저한 악화를 초래한다:

• 소비자 전력 품질 지수 (CPQI): 처치된 유틸리티 구역은 계수가 0.3795 증가하였으며, 이는 일반적인 미국 전력 품질에서 하위 25% 수준으로의 이동을 의미한다. 이는 평균 고객의 연간 정전 횟수가 약 1회에서 1.5~2회로 증가하는 것과 같다.
• 고조파 왜곡 (THD): 0.8 왜곡 임계값을 초과하는 수치가 0.0625 퍼센트 포인트 증가했다. 수치 자체는 작아 보이지만, 지속적인 노출은 장비(예: 모터, 냉장고)의 퇴화를 가속화한다.

3.2. 화석 연료 수요

AI 활동은 화석 연료 발전을 유의미하게 증가시킨다:

• 규모: 학습 단계는 발전기 시간당 약 6.33 MWh를 추가하며, 추론 단계는 5.20 MWh를 추가한다.
• 총체적 영향: 이는 데이터 센터 인근에서 500 GWh 이상의 추가적인 화석 연료 발전을 의미하며, 이는 약 47,000 가구의 연간 소비량과 맞먹는다.
• 메커니즘: 이 효과는 REC가 시간적으로 커버하지 못하는 기저 부하 및 피크 용량에 대한 즉각적인 필요성에 의해 발생한다.

3.3. 도매 가격 영향

PJM 시장에서 AI 주도 수요 급증은 상당한 가격 상승을 유발한다:

• 존별 변동: 가격 영향은 공급 탄력성에 따라 다르다. (AEP 존과 같이 탄력성이 낮은 곳에서는) AI 활동 기간 동안 도매 가격이 최대 **25%**까지 상승했다. (ComEd 존과 같이 탄력성이 높은 곳에서는) 그 영향이 더 작았으나 여전히 유의미했다.
• 소매 시사점: 소매 가격으로의 전가는 지연되지만, 저자들은 AI 수요를 충족하기 위해 고비용 한계 발전기가 투입됨에 따라 고영향 존에서 장기적으로 소비자 가격이 최대 **25%**까지 상승할 수 있다고 추정한다.

3.4. 온사이트(On-site) 발전을 통한 완화

전력 인프라에 따른 전력 품질 효과의 부호 역전에 관한 중요한 발견이 있다:

• 온사이트 발전이 없는 경우: 전력 품질이 저하된다 (양(+)의 CPQI 계수).
• 온사이트 발전이 있는 경우: 전력 품질이 개선된다 (음(-)의 CPQI 계수).
• 해석: 코로케이션된 발전 시설(종종 저장 장치와 함께)은 수요 급증을 직접 흡수하여, 이것이 그리드로 전파되는 것을 방지하고 한계 화석 연료 발전기에 대한 의존도를 낮춘다.

4. 반사실적 분석 (Counterfactual Analyses)

본 논문은 AI의 기술적 진화가 그리드 영향에 어떻게 변화를 줄 수 있는지 평가한다:

1. 모델 스케일링: 파라미터 규모가 2조 개에서 4조 개로 확장되면 전력 품질 영향이 약 35% 증가한다. 모델 파라미터의 1% 증가는 전력 수요의 0.15% 증가와 상관관계가 있다.
2. 지리적 재배치:
   • 엣지 추론 (Edge Inference): 추론 작업을 집중된 하이퍼스케일러 시설에서 분산된 엣지 노드로 전환하면 존별 수요 급증이 크게 감소한다 (시뮬레이션 결과 시간당 162 MWh에서 4 MWh로 감소).
   • 중앙 집중화 (Centralization): 모든 학습을 단일 대규모 시설에 집중시키면 극단적인 국지적 수요 급증(~100 GWh)이 발생하며, 이는 과도한 집중의 위험성을 강조한다.
3. 온사이트 발전: 온사이트 발전의 보편적 도입은 데이터 센터의 순 영향을 전력 품질의 저해 요소에서 순 개선 요소로 전환시킨다.

5. 의의 및 기여

본 논문은 문헌에 대해 세 가지 주요 기여를 주장한다:

1. 방법론적 혁신: 공개된 데이터를 사용하여 AI의 거시적 그리드 영향을 평가하는 견고한 방법론을 구축하였으며, 스태키드 DiD와 도구 변수를 통해 운영 세부 사항의 부재를 극복하였다.
2. 인과적 증거 제공: 상관관계 연구나 기술-경제적 전망을 넘어, AI 모델 출시가 전력 품질, 화석 연료 수요 및 도매 가격에 미치는 첫 번째 인과적 추정치를 제공한다.
3. 정책적 관련성: AI의 외부성이 조달 설계 및 공간적 조직과 밀접하게 결합되어 있음을 입증한다. 결과는 REC 전용 전략만으로는 불충분함을 시사한다. 대신, 저장 장치를 갖춘 온사이트 코로케이션과 공간적 재배치(예: 엣지 컴퓨팅)가 그리드 영향을 완화하기 위한 효과적인 수단으로 식별된다.

저자들은 AI 인프라의 전력 공급 방식과 위치 설정에 대한 구조적 변화가 없다면, AI 모델의 지속적인 확장은 탄소 중립 주장과 관계없이 그리드 신뢰성을 저하시키고 모든 소비자에게 비용을 증가시킬 것이라고 결론짓는다.