🤖 machine learning

AgentDecarbonizer: Carbon-Aware Execution for AI Agents

이 논문은 실행 불확실성과 캐시 재계산 오버헤드를 고려하면서, 마감 기한의 유연성을 활용하여 탄소 집약도가 낮은 시기나 더 깨끗한 그리드에서 작업을 스케줄링함으로써 AI 에이전트의 탄소 배출량을 최대 57.9%까지 줄이는 탄소 인지형 실행 최적화 도구인 AgentDecarbonizer를 소개한다.

원저자: Leyi Yan, Shuangning Li, Sihang Liu

게시일 2026-08-24

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Leyi Yan, Shuangning Li, Sihang Liu

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

컴퓨터가 계산을 수행할 때마다 전력망으로부터 전기를 끌어다 씁니다. 이 전기는 항상 깨끗한 것은 아닙니다. 전력이 어디에서 오는지, 그리고 언제 생성되는지에 따라 대기 중으로 배출되는 이산화탄소의 양은 달라질 수 있습니다. 최근 몇 년 사이, 복잡하고 다단계적인 사고가 가능한 디지털 비서 역할을 하는 새로운 종류의 소프트웨어가 등장했습니다. 단일 질문에 답하고 멈추는 단순한 챗봇과 달리, 이러한 자율 에이전트는 긴 여정을 계획하고, 이를 더 작은 작업들로 나누며, 정보를 수집하기 위해 도구를 사용하고, 진행 과정에서 스스로 실수를 바로잡을 수 있습니다. 이들은 인간의 지속적인 감독 없이도 코드를 작성하거나, 데이터를 분석하거나, 일정을 관리할 수 있습니다. 하지만 이러한 에이전트들은 표준적인 채팅보다 더 오랜 기간 실행되며 기초가 되는 인공지능 모델에 훨씬 더 많은 요청을 보내기 때문에, 에너지를 상당히 더 많이 소비합니다. 이러한 도구들이 보편화됨에 따라, 그 끝없는 사고가 초래하는 탄소 발자국은 심각한 환경적 우려가 되고 있습니다.

워털루 대학교와 시카고 대학교의 연구진은 이러한 디지털 비서들의 효율성을 떨어뜨리거나 성능을 낮추지 않으면서도, 이들을 더 친환경적으로 만들기 위해 설계된 새로운 시스템을 개발했습니다. 그들은 이 도구를 '에이전트 디카보나이저(AgentDecarbonizer)'라고 부릅니다. 이것이 어떻게 작동하는지 이해하려면, 먼저 이 에이전트들이 어떻게 작동하는지를 살펴보아야 합니다. 에이전트에게 작업이 주어지면, 그것은 단 한 번만 생각하는 것이 아니라 루프(loop)를 돌며 생각합니다. 질문을 던지고, 답변을 받고, 웹 검색이나 파일 편집기와 같은 도구를 사용한 뒤, 그 새로운 정보를 바탕으로 다음 질문을 던지는 과정을 거칩니다. 이 순환은 여러 번 반복됩니다. 연구진은 이 과정이 '입력(input)' 측면에서 매우 무겁다는 것을 발견했는데, 이는 에이전트가 대화 기록과 이전 단계들을 모델에 계속 알려주기 위해 방대한 양의 텍스트를 컴퓨터 모델로 보내기 때문입니다. 에이전트가 대화 기록의 일부를 자주 반복하기 때문에, 컴퓨터 시스템은 이미 처리한 내용을 기억하는 기술인 '컨텍스트 캐싱(context caching)'을 통해 에너지를 절약할 수 있습니다. 만약 에이전트가 같은 위치에 머물러 있다면, 저장된 기억을 재사용할 수 있습니다. 하지만 다른 위치로 이동하게 되면, 기존의 것을 잊고 다시 배워야 하며, 이는 에너지를 낭비하게 됩니다.

연구팀은 이러한 에이전트를 실행하는 데 드는 탄소 비용이 두 가지 요소, 즉 컴퓨터가 어디에 위치해 있는지와 작업이 언제 수행되는지에 따라 크게 달라진다는 것을 발견했습니다. 세계 각 지역의 전력망은 서로 다른 에너지원에 의존합니다. 어떤 지역은 탄소를 거의 배출하지 않는 풍력, 태양광 또는 수력 댐에서 대부분의 전력을 얻습니다. 반면, 다른 지역은 탄소를 훨씬 더 많이 배출하는 석탄이나 가스와 같은 화석 연료에 더 많이 의존합니다. 게다가 에너지의 구성은 하루 중에도 변합니다. 태양 빛이 비치는 정오에는 그리드가 매우 깨끗할 수 있지만, 태양광을 사용할 수 없는 밤이 되면 더 지저-운 상태가 될 수 있습니다. 연구진은 특정 지역에서 특정 시간에 실행되는 에이전트가 다른 지역이나 다른 시간에 실행되는 동일한 에이전트에 비해 거의 세 배에 달하는 탄소 배출량을 생성할 수 있음을 관찰했습니다.

이를 해결하기 위해 연구진은 에이전트와 함께 실행되는 스마트 스케줄러로서의 역할을 수행하는 에이전트 디카보나이저를 구축했습니다. 에이전트가 작업을 즉시 시작하도록 내버려 두는 대신, 이 시스템은 앞을 내다봅니다. 시스템은 작업이 얼마나 걸릴지 추정하고, 세계 각지의 전기 청결도 예보를 확인합니다. 만약 에이전트에게 24시간 이내에 완료해야 하는 작업처럼 유연한 마감 기한이 있다면, 시스템은 그리드가 가장 깨끗한 시간까지 기다릴 수 있습니다. 또한 시스템은 작업을 더 깨끗한 공기가 있는 지역으로 옮길 수도 있습니다. 그러나 시스템은 단순히 서류상으로 더 깨끗해 보인다고 해서 작업을 옮기지는 않습니다. 시스템은 깨끗한 전력을 사용하는 데 드는 에너지 절감량이 에이전트의 메모리를 새로운 위치로 옮기는 데 드는 노력에 의해 낭비되지는 않을지 계산합니다. 만약 옮기고 다시 배우는 비용이 너무 높다면, 설령 현지의 전력이 약간 더 지저분하더라도 시스템은 에이전트를 원래 위치에 그대로 둡니다.

연구진은 과학 논문을 분석하거나 컴퓨터 코드를 디버깅하는 등 60개의 현실적인 작업 모음집을 사용하여 이 시스템을 테스트했습니다. 그들은 다양한 에너지 구성을 가진 네 개의 서로 다른 전력망에서 이 작업들을 실행했습니다. 결과에 따르면, 작업의 시기와 장소를 신중하게 선택함으로써 탄소 배출량을 획기적으로 줄일 수 있었습니다. 작업을 완료하는 데 꼬박 하루의 시간이 주어졌을 때, 이 시스템은 탄소를 무시하는 표준적인 방식에 비해 탄소 배출량을 최대 57.9%까지 줄였습니다. 단 3시간의 마감 기한이 있는 촉박한 상황에서도, 시스템은 여전히 34% 이상의 탄소 배출량을 줄이는 데 성공했습니다. 이 시스템은 단순히 언제 어디서 작업을 수행할지에 대해 더 똑똑하게 행동하는 것만으로도, 강력한 디지털 비서들을 더 지속 가능하게 만들 수 있다는 것을 입증했으며, 이를 통해 인공지능의 미래가 지구의 기후를 희생시키지 않도록 보장했습니다.

기술 요약: AgentDecarbonizer: AI 에이전트를 위한 탄소 인지적 실행

문제 정의

자율형 AI 에이전트는 대규모 언어 모델(LLM)을 단일 프롬프트-응답 상호작용에서 반복적인 모델 호출, 도구 호출, 환경 상호작용을 포함하는 장기 실행 목표 지향적 워크플로우로 확장합니다. 이러한 워크플로우는 소프트웨어 수리 및 데이터 분석과 같은 복잡한 작업을 가능하게 하지만, 계산 집약적인 특성으로 인해 상당한 탄소 배출을 초래합니다. 기존의 탄소 인지 최적화 기술은 일반적으로 낮은 탄소 집약도를 활용하기 위해 시간 및 지리적으로 워크로드를 이동시키는 데 집중하지만, AI 에이전트의 두 가지 고유한 특성을 해결하지 못합니다:

불확실한 실행 시간: 에이전트 워크플로우는 반복적이고 동적입니다. 즉, 후속 단계가 이전 출력에 의존하므로 실행 기간을 예측하기 어렵습니다. 이는 "시간적 이동(temporal shifting)" 전략을 복잡하게 만듭니다. 에이전트는 무기한 연기하는 대신 사용자가 지정한 마감 기한을 준수해야 하기 때문입니다.
컨텍스트 캐싱 오버헤드: 에이전트는 여러 모델 호출에 걸쳐 컨텍스트(입력 토큰)를 집중적으로 재사용합니다. 현대적인 LLM 서빙 시스템은 재계산을 피하기 위해 이러한 컨텍스트를 캐싱합니다. 공간적 이동(다른 그리드로 이동)은 이러한 캐시를 무효화하여, 이전에 캐싱된 입력을 다시 계산하게 만듭니다. 이러한 재계산 오버헤드는 더 낮은 탄소 그리드로 이동함으로써 얻는 탄소 절감 효과를 상쇄할 수 있습니다.

방법론

저자들은 OpenClaw 오픈 소스 에이전트 시스템과 함께 실행되도록 설계된 탄소 최적화 도구인 AgentDecarbonizer를 제안합니다. 이 시스템은 마감 기한과 캐시 지역성(cache locality)을 준수하면서 시간적 및 공간적 실행 결정을 공동으로 최적화하는 방식으로 작동합니다.

1. 시스템 아키텍처

AgentDecarbonizer는 네 가지 주요 구성 요소로 이루어져 있습니다 (그림 7):

탄소 집약도 예측기 (Carbon Intensity Predictor): 과거 데이터와 에너지 믹스 측정을 사용하여 후보 그리드의 미래 탄소 집약도를 예측합니다 (EnsembleCI 예측기 활용).
실행 시간 추정기 (Execution Time Estimator): 경량 로컬 LLM(Gemma 4 4B)이 작업 지속 시간을 추정합니다. 이 모델은 작업 단계와 복잡성을 기반으로 보수적인 초기 추정을 수행한 다음, OpenClaw 에이전트의 실시간 진행 상황, 토큰 수, API 호출 통계를 사용하여 남은 시간 추정치를 실행 중에 정교화합니다.
캐시 인지 탄소 모델 (Cache-Aware Carbon Model): 컨텍스트 캐싱을 위치 종속적 페널티로 모델링하는 플래너입니다. 실행이 새로운 그리드로 전환될 때 발생하는 캐시 재계산 탄소 비용을 계산합니다. 공간적 이동은 새로운 그리드의 낮은 탄소 집약도로부터 기대되는 탄소 절감량이 재계산 오버헤드를 초과하는 경우에만 선택됩니다.
실행 컨트롤러 (Execution Controller): 런타임 흐름을 관리하며, "대기" 구간 동안 실행을 일시 중지하고, 저장된 상태로부터 재개하며, 플래너의 스케줄에 따라 특정 그리드로 요청을 라우팅합니다.

2. 최적화 알고리즘

핵심 최적화 문제는 마감 기한의 실행 가능성을 준수하면서 예측된 탄소 배출량과 캐시 재계산 오버헤드를 최소화하는 것으로 공식화됩니다.

공식화: 목적 함수는 $\sum \hat{E}_{r,t} \cdot \widehat{CI}_{r,t} + \sum \Lambda^{(k)}$ 를 최소화합니다. 여기서 $\Lambda^{(k)}$ 는 실행 간격 사이에 지역을 전환할 때 발생하는 캐시 재계산 페널티를 나타냅니다.
동적 계획법 (Dynamic Programming): 캐시 재계산이 연속적인 간격 사이의 서비스 지역 변경 여부에만 의존한다는 가정(로컬 캐시 재계산) 하에, 저자들은 정확한 동적 계획법 솔루션을 도출합니다. 이 알고리즘은 $O(K|R|H)$ 시간 복잡도로 실행됩니다 (여기서 $K$ 는 실행 간격 수, $|R|$ 은 지역 수, $H$ 는 후보 타임 슬롯 수임).
마감 기한 보장: 시스템은 보수적인 지속 시간 추정을 사용하여 마감 기한 준수를 보장합니다. 예상 남은 시간이 마감 기한까지 남은 시간보다 길 경우, 시스템은 현재 그리드에서 즉시 실행하는 방식으로 회귀합니다.

3. 워크로드 특성

저자들은 WildClawBench의 60개 AI 에이전트 작업을 6개 카테고리(생산성, 코드, 소셜, 검색, 창의성, 안전)에 걸쳐 특성화했습니다. 주요 결과는 다음과 같습니다:

입력 중심적: 입력 토큰이 처리된 전체 토큰의 99.1%를 차지하며, 94.6%가 캐싱됩니다.
높은 캐시 절감 효과: 컨텍스트 캐싱은 탄소 배출량을 평균 80.7% 감소시킵니다.
변동성: 실행 시간과 API 호출 횟수는 작업마다 크게 다르므로, 정적 가정이 아닌 동적 추정이 필수적입니다.

주요 기여

체계적 특성화: AI 에이전트의 탄소 배출을 체계적으로 연구한 첫 번째 연구로서, 배출량이 토큰 소비, 컨텍스트 캐시 재사용 및 그리드 탄소 집약도에 의해 결정됨을 확인했습니다.
AgentDecarbonizer 설계: 에이전트 실행 시간의 불확실성과 공간적 이동 시 발생하는 컨텍스트 캐시 재계산 오버헤드를 처리하는 새로운 탄소 최적화 도구를 제안했습니다.
캐시 인지 최적화: 그리드 전환의 탄소 이점과 캐싱된 컨텍스트 상실에 따른 페널티 사이의 균형을 명시적으로 맞추는 동적 계획법 접근 방식을 제공합니다.
평가: 시스템이 마감 기한을 준수하면서도 배출량을 유의미하게 줄인다는 것을 입증하는 종합적인 평가를 수행했습니다.

결과

시스템은 4개의 그리드(오스트리아, 캘리포니아, 핀란드, 영국)와 3~24시간의 마감 기한을 가진 WildClawBench 워크로드를 사용하여 평가되었습니다. 사용된 모델 API는 GPT-5.4입니다.

탄소 절감:
- 탄소 불가지론적 베이스라인(모든 그리드의 평균 배출량)과 비교했을 때, AgentDecarbonizer는 24시간 마감 기한 기준 최대 57.9%, 3시간 마감 기한 기준 34.9%의 배출량을 감소시켰습니다.
- 현재 최적 베이스라인(시작 시점에 가장 낮은 탄소 그리드를 선택)과 비교했을 때, 24시간 마감 기한 기준 최대 37.5%, 3시간 마감 기한 기준 3.3%의 배출량을 감소시켰습니다.
마감 기한 준수: 모든 평가에서 시스템은 사용자 지정 마감 기한 내에 워크로드를 성공적으로 완료했습니다.
오버헤드: Mac mini (M4)에서의 로컬 실행 오버헤드는 미미했으며, 평균 전력 소비량은 14.9 W, 실행 시간 오버헤드는 워크로드당 0.7~5.2분이었습니다.
절제 연구 (Ablation Studies):
- 다중 그리드 마이그레이션: 그리드 간 이동은 대기 전용 전략에 비해 추가로 34.1~45.7%의 배출량 감소에 기여했습니다.
- 예측 견고성: 시스템은 탄소 집약도 예측 오류에 대해 견고함을 유지했으며, 특히 긴 마감 기한의 경우 정적 일회성 예측보다 우수한 성능을 보였습니다.
- 추정기 정확도: 보수적인 실행 시간 추정기는 실제 실행 시간이 추정 시간보다 항상 짧게 유지되도록 하여 마감 기한 준수를 보장했습니다.

의의 및 주장

본 논문은 에이전트의 특정 실행 특성에 맞춘 방법을 통해 AI 에이전트의 탄소 배출을 체계적으로 연구하고 최적화한 첫 번째 연구라고 주장합니다. 저자들은 자율형 에이전트가 LLM의 계산 요구량을 증폭시키지만, 이들의 고유한 특징(특히 컨텍스트 캐싱에 대한 의존성과 실행 시간의 변동성)은 전통적인 탄소 인지 컴퓨팅과는 다른 특화된 최적화 전략을 필요로 한다고 강조합니다.

AgentDecarbonizer의 의의는 탄소 절감과 마감 기한 준수라는 상충하는 목표를, 캐시 재계산 비용으로 인해 공간적 이동이 결코 쉽지 않은 환경에서 조화시킨 데 있습니다. 공간적 이동을 통해 탄소 배출을 최대 57.9%까지 줄이면서도 사용자 마감 기한을 위반하지 않음을 입증함으로써, 본 연구는 지속 가능한 대규모 AI 에이전트 시스템을 구축하기 위한 실질적인 경로를 제시합니다. 저자들은 구현이 OpenClaw를 대상으로 하지만, 제안된 최적화 전략은 다른 에이전트 시스템에도 폭넓게 적용 가능하다고 언급했습니다.