Ecological Proportionality in Generative AI: The Ethics of Marginal Capability and Environmental Sufficiency

우리가 컴퓨터에게 이야기를 써달라고 하거나, 수학 문제를 풀게 하거나, 문서를 요약하게 할 때마다, 우리는 거대하고 보이지 않는 기계에 접속하고 있는 것입니다. 이 기계는 단순한 코드가 아닙니다. 이것은 전력, 물, 그리고 전 세계 데이터 센터에서 웅웅거리는 거대한 서버들로 이루어진 물리적인 시스템입니다. 자동차가 움직이기 위해 연료를 태우는 것처럼, 이러한 인공지능 시스템은 '생각'하기 위해 에너지를 소비합니다. 수년 동안 이 기술에 대한 대화는 기술이 우리를 위해 무엇을 할 수 있는지, 즉 얼마나 똑똑한지, 얼마나 빠르게 답하는지, 그리고 인간의 창의성을 얼마나 잘 모사하는지에 집중되어 왔습니다. 하지만 더 조용하고 어려운 질문이 떠오르기 시작했습니다. 우리가 가장 강력하고 가장 유능한 버전의 도구를 선택할 때, 그 대가가 환경에 너무 높은 비용을 치르게 하는 것은 아닐까요?

이 딜레마의 핵심은 '한계 역량(marginal capability)'이라는 개념에 있습니다. 간단한 이메일을 보내야 한다고 상상해 보십시오. 당신은 일을 완벽하게 수행할 수 있는 표준적인 도구를 사용할 수도 있고, 혹은 똑같은 일을 수행하면서도 약간의 기교가 더 들어간 훨씬 강력한 도구를 사용할 수도 있습니다. 강력한 도구가 더 나을 수는 있지만, 이를 실행하는 데 훨씬 더 많은 에너지가 필요합니다. 연구자들이 이제 묻고 있는 질문은 강력한 도구가 더 나은가 하는 것이 아니라, 그 작은 추가적인 개선이 지구에 가하는 추가적인 부담만큼의 가치가 있는가 하는 것입니다. 이것은 비례성의 문제입니다. 즉, 그 혜택이 비용을 정당화하느냐는 것입니다.

포토맥 대학교, 캘리포니아 주립대학교 노스리지 캠퍼스, 그리고 매사추세츠 대학교 애머스트스트의 연구진들이 발표한 새로운 연구는 바로 이 문제를 다룹니다. 그들은 우리가 어떤 인공지능을 사용할지 결정하는 방식에 대해 새로운 사고방식을 제안합니다. 개발자와 기업들이 단순히 사용 가능한 가장 강력한 모델을 자동으로 선택하는 대신, 더 작고 에너지 소모가 적은 모델이 그 일을 충분히 잘 해낼 수 있는지 물어야 할 의무가 있다고 주장합니다. 만약 가벼운 모델이 요구 사항을 충족할 수 있다면, 더 무거운 모델을 선택하는 데에는 명확하고 정직한 이유가 있어야 합니다. 연구진은 이를 '생태적 역량 비례 테스트(Ecological Capability Proportionality Test)'라고 부르며, 이는 우리가 불필요한 힘에 자원을 낭비하지 않도록 설계된 일련의 단계입니다.

이 아이디어가 실제 세상에서 통하는지 확인하기 위해, 연구팀은 한 데이터셋에서 42개의 서로 다른 모델 구성에 관한 공개된 데이터를 조사했습니다. 이들은 오늘날 우리가 보는 많은 챗봇과 글쓰기 보조 도구들을 구동하는 정교한 컴퓨터 프로그램들입니다. 연구진은 각 구성에 대해 두 가지를 조사했습니다. 각 모델이 작업을 수행하는 능력이 얼마나 되는지, 그리고 단 한 번의 긴 요청을 처리하는 데 추정되는 에너지가 얼마나 되는지입니다. 그들은 명확한 패턴을 발견했습니다. 일반적으로 모델이 더 유능할수록 더 많은 에너지를 소비했습니다. 그러나 그 관계는 직선 형태가 아니었습니다. 모델이 똑똑해질수록, 다음 단계의 지능으로 도약하기 위해 필요한 에너지의 양은 일정하게 유지되지 않고 급격히 치솟기 시작했습니다.

연구진은 가장 효율적인 옵션들을 지도화하여, 지능과 에너지 사용 사이의 최선의 절충안을 보여주는 경계를 만들어냈습니다. 그들은 최상위 모델들의 경우, 아주 약간의 능력을 더 얻기 위한 비용이 엄청나다는 것을 발견했습니다. 예를 들어, 역량이 43인 모델에서 45인 모델로 이동하는 데는 단일 긴 프롬프트에 필요한 에너지가 두 배 이상 필요했습니다. 에너지는 약 9.79 와트시에서 21.31 와트시로 급증했습니다. 이 작은 지능의 상승은 막대한 환경적 비용을 동반했습니다. 실제로, 그 마지막 단계를 위해 필요한 추가 에너지는 이전 범위에서 나타난 단계들보다 역량 1포인트당 거의 6배나 더 높았습니다.

이 결과는 가장 강력한 모델들이 단순히 운영 비용이 조금 더 드는 것이 아니라, 그 수요가 매우 비선형적임을 시사합니다. 이 연구는 우리가 결코 가장 강력한 모델을 사용해서는 안 된다고 주장하는 것이 아닙니다. 안전, 의료 진단, 또는 복잡한 과학적 발견이 걸려 있는 상황에서는 그 추가적인 힘이 절대적으로 필요할 수 있습니다. 하지만 일상적인 업무, 예를 들어 일상적인 메모를 작성하거나 뉴스 기사를 요약하는 것과 같은 일에는, 추가적인 에너지가 낭비될 가능성이 높다고 연구는 제안합니다. 연구진은 조직들이 작업에 대한 '충족 임계치(sufficiency threshold)'를 설정해야 한다고 주장합니다. 만약 가벼운 모델이 그 임계치를 충족할 수 있다면, 그것이 기본 선택지가 되어야 합니다. 오직 작업이 진정으로 더 많은 것을 요구할 때만 기업은 더 무겁고 에너지 집약적인 모델로 격상해야 하며, 그 이유를 설명할 수 있어야 합니다.

또한 이 논문은 우리가 현재 이러한 시스템을 관리하는 방식에 숨겨진 위험을 강조합니다. 흔히 기업들은 '최고'라는 이유로 가장 강력한 모델을 기본값으로 설정하며, 더 나은 성능이 항상 그 비용만큼의 가치가 있다고 가정합니다. 이러한 접근 방식은 입증 책임을 역전시킵니다. 왜 그렇게 많은 에너지를 사용해야 하는지 묻는 대신, 우리는 그냥 에너지를 사용하고 그것이 괜찮다고 가정합니다. 연구진은 이 논리를 뒤집을 것을 제안합니다. 그들은 가장 부담이 적으면서도 일을 완수할 수 있는 옵션이 기본값이 되어야 한다고 제안합니다. 만약 팀이 더 강력한 모델을 사용하고자 한다면, 그들은 추가적인 환경적 영향에 대해 정당성을 입증해야 합니다. 이것은 발전을 막거나 인공지능이 할 수 있는 일을 제한하려는 것이 아닙니다. 이는 모든 소비되는 에너지가 실제적인 인간의 이익과 일치하도록 만드는 것에 관한 것입니다.

연구는 또한 '리바운드 효과(rebound effect)'라고 알려진 현상에 대해서도 경고합니다. 만약 우리가 인공지능을 더 효율적으로 만든다 하더라도, 전체 에너지를 절약하지 못할 수도 있습니다. 대신, 인공지능이 더 저렴하고 사용하기 쉬워짐에 따라, 우리는 그것을 훨씬 더 자주, 혹은 더 오랜 시간 동안 사용하게 되어 에너지 절감 효과를 상쇄할 수도 있습니다. 질문 하나당 절반의 에너지만 사용하는 시스템이라 할지라도 질문 횟수가 세 배로 늘어난다면, 그것은 실제로 환경에 도움이 되지 않습니다. 따라서 연구진은 우리는 전체적인 그림을 보아야 한다고 주장합니다. 즉, 시스템이 얼마나 자주 사용되는지, 얼마나 자주 격상되는지, 그리고 이를 실행하는 데 필요한 전기와 물의 비용을 누가 부담하는지를 보아야 합니다.

궁극적으로, 이 작업은 책임에 대한 촉구입니다. 이는 인공지능의 환경적 비용을 보이지 않는 부수적인 효과로 취급하는 것을 멈추라는 요청입니다. 특정 능력을 얻기 위한 구체적인 에너지 비용을 측정함으로써, 연구진은 그 비용을 가시화했습니다. 그들은 '매우 좋은' 수준에서 '탁월한' 수준으로 가는 도약이 때로는 불균형한 양의 자원을 요구할 수 있음을 보여줍니다. 목표는 큰 모델 대신 작은 모델을 선택하거나, 효율성 대신 역량을 선택하는 것이 아닙니다. 목표는 작업에 맞는 적절한 도구를 선택하는 것입니다. 만약 어떤 작업이 적당한 양의 에너지로 수행될 수 있다면, 우리는 그런 방식으로 수행해야 합니다. 만약 거대 모델의 힘이 필요하다면, 우리는 그것을 사용해야 합니다. 다만 우리가 무엇에 대가를 지불하고 있는지, 그리고 왜 그 가격을 지불할 가치가 있는지 정확히 이해한 상태에서 눈을 뜨고 사용해야 합니다. 이러한 접근 방식은 인공지능의 성장이 지구의 안녕과 어긋나는 것이 아니라, 그와 나란히 나아갈 수 있도록 보장합니다.