인공지능(AI)과 머신러닝(ML)이 복잡한 인간 작업을 자동화하고 지원하는 강력한 도구가 되었지만, 그 이면에 숨겨진 환경적 영향에 대한 우려가 커지고 있습니다. 특히 대규모 딥러닝(DL) 모델의 확산은 막대한 에너지 소비와 그에 따른 탄소 배출량 증가로 이어져, AI의 지속가능성에 대한 논의가 활발해지고 있습니다.
사마르 가랍(Samar Garrab) 외 연구진이 발표한 논문은 그린 AI(Green AI) 및 그린 딥러닝(Green DL) 연구와 최적화 기법을 체계적으로 검토하고, AI 알고리즘의 탄소 배출량을 측정하는 다양한 도구들을 비교 분석했습니다. 연구팀은 CPU 기반 환경에서 6가지 딥러닝 모델을 활용한 다중 레이블 분류 작업을 수행하며 탄소 배출량을 실증적으로 평가했습니다. 그 결과, 딥러닝 모델의 전체 수명 주기 중 '학습(training) 단계'가 탄소 배출의 가장 큰 원인임을 밝혀냈습니다. 또한, 모델의 아키텍처 복잡도가 증가한다고 해서 예측 정확도가 비례적으로 향상되는 것은 아니라는 점을 확인하며, 성능과 환경 비용 사이의 신중한 균형이 중요함을 강조했습니다.
이 연구 결과는 AI 모델 선택 및 시스템 설계 과정에서 지속가능성(sustainability)을 핵심 고려 사항으로 통합해야 할 필요성을 강력히 시사합니다. 무조건적으로 크고 복잡한 모델을 추구하기보다는, 특정 작업에 필요한 최소한의 자원으로 최적의 성능을 달성할 수 있는 효율적인 AI 개발 패러다임으로 전환해야 할 때입니다. 이는 환경 보호뿐만 아니라, 컴퓨팅 자원 비용 절감 측면에서도 중요한 의미를 가지며, AI 기술의 장기적인 발전 방향을 제시합니다.