To AI or not to AI? Per-task energy and water demands of AI inference are orders of magnitude lower than human labor across all scenarios

기술 요약: AI 추론과 인간 노동의 작업당 에너지 및 물 수요 비교

문제 제기
AI 인프라의 총체적인 환경 발자국이 급격히 증가하고 있는 가운데, AI 추론과 그것이 보조하거나 대체하는 인간 노동 사이의 단위당 비교 기준이 부재하다는 결정적인 분석적 공백이 존재한다. 기존 연구들은 거시적인 부문별 궤적(예: 2030년까지 미국의 AI 도입에 따른 총 수자원 및 탄소 배출량)이나 특정 학습 비용에 초점을 맞추어 왔다. 그러나 이러한 총량적 분석은 AI 도입이 순 자원 절감을 가져오는지 아니면 순 자원 소비를 증가시키는지에 답할 수 없다. 공통된 기능적 단위(functional unit) 없이는, 효율성 이득이 총 소비 증가로 이어지는 제번스의 역설(Jevons paradox)과 진정한 자원 대체(resource displacement)를 구분하는 것이 불가능하다. 본 논문은 AI 도입의 순 자원 함의를 평가하기 위해 누락된 단위당 기준선을 구축하고자 한다.

방법론
저자들은 대표적인 미국 성인 노동자와 AI 추론 작업을 비교하기 위해 부문별로 세분화된 전과정 평가(lifecycle accounting) 프레임을 구축한다.

1. 기능적 단위: 본 연구는 모든 수요를 "작업 분(working minute)"으로 정규화한다.
   • 인간 기준선: 대표적인 미국 성인을 대상으로 개인 교통, 항공, 주거 에너지(전기 및 가스), 식품 시스템, 제조품, 그리고 상하수도/폐기물 등 7개 부문에 걸친 연속 전력 수요(6,700W)와 일일 물 발자국(7,800L)을 계산하였다. 이는 표준 40시간 근무 주간(2,400분)으로 정규화되어, 작업 분당 467 Wh 및 22.7 L의 결과를 얻었다.
   • AI 기준선: 현재 하드웨어(예: NVIDIA H100) 기반의 대규모 언어 모델(텍스트) 및 이미지 생성에 대한 추론 수요를 계산하였다.
2. 물 회계 분해: 본 연구는 AI 물 수요에 대해 두 가지 구성 요소의 분해 방식을 도입한다.
   • 직접 냉각: 물 사용 효율(WUE)을 통해 측정된다.
   • 간접 전기 생산: 그리드 물 집약도를 기반으로 계산된다.
   • "수력 역설(Hydro Paradox)": 방법론은 수력 발전 저수지의 증발량을 고려한다. 저자들은 증발량을 포함할 경우 미국 국가 그리드와 캘리포니아 그리드 간의 물 집약도 순위가 역전됨을 발견했다. 즉, 캘리포니아의 높은 수력 의존도(국가 평균 6% 대비 13.4%)로 인해 종합적인 물 집약도가 더 높게 나타난다(3.068 L kWh⁻¹ vs. 2.288 L kWh⁻¹).
3. 비교 시나리오: 분석은 하드웨어 구성, 냉각 기술(WUE 범위 0.2 ~ 9.0 L kWh⁻¹), 그리고 전기 그리드 믹스(미국 국가 평균 vs. 캘리포니아, 수력 증발 포함 여부)의 매트릭스를 포괄한다. 생산성 비율은 보수적인 100:1(인간 대 AI) 비율에서 시작하여 관찰된 성능 비율(최대 3,600:1)까지 테스트된다.

주요 결과
본 연구는 테스트된 모든 시나리오에서 AI 추론의 작업당 자원 수요가 인간 노동보다 수십 배 이상 낮다는 것을 발견했다.

• 에너지:
  • 텍스트 추론: 작동 분당 약 1.5 Wh가 필요하다.
  • 이미지 생성: 작업당 약 2.9 Wh가 필요하다.
  • 비교: 보수적인 100:1 생산성 비율에서, 인간의 라이프사이클 에너지 수요는 텍스트 AI 추론보다 약 31,000배, 이미지 생성 AI보다 약 16,000배 더 높다. 1:1 생산성 동일 조건에서도 인간의 라이프사이클은 텍스트에 대해 311배, 이미지 생성에 대해 161배 더 많은 에너지를 사용한다.
• 물:
  • 텍스트 추론: WUE 및 그리드 방법론에 따라 분당 1.2 mL에서 16.9 mL 사이이다.
  • 이미지 생성: 작업당 2.3 mL에서 32.8 mL 사이이다.
  • 비교: 인간의 물 수요는 WUE 및 그리드 가정(특정 조건)에 따라 텍스트 AI보다 134,000~1,925,000배, 이미지 생성 AI보다 69,000~995,000배 더 많다.
• 강건성(Robustness): 이러한 결론은 "최악의 상황" 가정(예: 구형 V100 하드웨어, 높은 WUE, 포괄적인 수력 증발 계상) 하에서도 유효하다. 실제 세계의 AI 성능(예: 240:1 ~ 3,600:1)에서 관찰되는 생산성 비율을 적용할 경우 그 격차는 더욱 커진다.

의의 및 주장
본 논문은 완전한 정책 분석을 위해 필요한 최초의 단위당 기준선을 제공한다고 주장한다. 주요 의의는 논의의 틀을 총량적 소비에서 대체되는 활동 대비 단위당 효율성으로 재구성하는 데 있다.

• 정책적 시사점: 저자들은 성장하는 총체적 AI 발자국만을 근거로 사회적 자원 사용의 순증가를 추론하는 것은 오해의 소지가 있다고 주장한다. 만약 AI가 더 자원 집약적인 인간 활동을 대체한다면, 설령 절대적인 AI 쿼리 수가 증가하더라도 순 결과는 자원 절감이 될 수 있다.
• 방법론적 기여: 본 연구는 "수력 역설"을 강조하며, 저수지 증발량을 포함할 경우 지속 가능한 것으로 인식되는 그리드(예: 캘리포니아)가 더 높은 라이프사이클 물 집약도를 가질 수 있음을 보여준다. 저자들은 AI 인프라 공시가 세 가지 물 범위를 명확히 구분할 것을 권고한다: (i) 현장 증발 손실(WUE), (ii) 저수지 증발을 제외한 간접 전기 생산 물, (iii) 저수지 증발을 포함한 간접 전기 생산 물.
• 한계점: 저자들은 자신들의 인간 예산이 미국 국가 평균을 나타내며, 반도체 제조에 포함된 내재 에너지(embodied energy)를 제외하고, 근무 시간 동안 인간의 생산성을 100%로 가정한다는 점을 인정한다. 또한, AI가 대체보다는 더 많은 총 작업량을 가능하게 하는 시스템 차원의 리바운드 효과(rebound effects)는 고려되지 않았음을 밝힌다.

요약하자면, 본 논문은 데이터 센터의 물과 에너지 사용량이 증가하고 있음에도 불구하고, AI 추론의 작업당 자원 비용은 그것이 대체하는 인간 노동에 비해 무시할 수 있는 수준이며, 이는 AI 도입이 출력 단위당 자원 집약도의 순감소를 나타낼 수 있음을 시사한다고 결론짓는다.