AI 데이터센터 탄소 배출 실제 비중과 최적화의 역할, 마이크로소프트 리서치 대담 정리

핵심 메시지

• 전 세계 온실가스 배출의 약 75%가 에너지에서 나오지만, 데이터센터가 차지하는 몫은 2024년 기준 전체 배출의 0.5%에 못 미친다.
• 데이터센터는 전 세계 전력의 약 1.5%를 쓰고 국제에너지기구는 2035년까지 이 사용량이 두 배 이상으로 늘 수 있다고 보지만, 그래도 전체 배출의 1%에는 못 미친다는 전망이다.
• 진짜 쟁점은 총량이 아니라 집중도다. 데이터센터는 세계에서 손꼽히게 밀집된 산업이라 특정 지역 전력망에 부담이 몰린다.
• 수학적 최적화는 이미 클라우드 운영에서 성과를 내고 있으며, 랙 배치 최적화로 전력 단편화를 1~2% 줄인 사례가 소개된다.
• 생성형 AI를 얹어 최적화 자체를 비전문가도 쓸 수 있게 만드는 시도가 이어지고 있으며, 대담은 전력·소재·식량을 AI가 판을 바꿀 수 있는 세 영역으로 꼽는다.

쉽게 이해하기

마이크로소프트 리서치의 더그 버거가 지속가능성 담당 에이미 루어스, 최적화 연구자 이샤이 메나체와 나눈 대담은 과장을 걷어내고 숫자부터 확인하자는 태도로 시작한다. AI 전환으로 거대한 데이터센터가 지어지고 있고 이것이 기후에 어떤 영향을 주는지에 대한 우려가 큰 만큼, 실제 배출 구조를 먼저 분해해 보자는 것이다.

루어스가 제시한 틀은 이렇다. 기후가 신경 쓰는 것은 에너지 자체가 아니라 대기로 나가는 온실가스이고, 전 세계 배출의 약 75%가 에너지에서 나온다. 에너지 중 전기로 소비되는 비중은 약 20%지만, 석탄 발전의 비효율 때문에 에너지 배출 가운데 전기가 차지하는 몫은 약 35%다. 그 안에서 데이터센터는 2024년 기준 전체 배출의 0.5% 미만, 전 세계 전력의 약 1.5%를 쓴다.

그런데도 지역 갈등이 생기는 이유는 집중도에 있다. 철강이 전 세계 배출의 7%를 만들어 내면서도 널리 흩어져 있는 것과 달리, 데이터센터는 세계에서 가장 밀집된 축에 드는 산업이라 특정 지역에 계속 몰린다. 성장이 빠르면 그 지역 전력망에 부담이 걸린다. 대담은 이를 대체로 인프라 문제로 보고, 지역 전기 요금을 밀어 올리지 않도록 필요한 비용을 부담하겠다는 약속과 냉각수 사용을 사실상 없애는 설계, 누수 배관을 AI로 찾아내 물을 되돌리는 접근을 함께 언급한다.

메나체는 최적화가 무엇인지부터 풀어 설명한다. 목표와 제약, 결정 변수를 수학으로 옮겨 최선의 선택을 찾는 일인데, 현장 기술자 수만 명에게 작업을 배정하는 문제처럼 규모가 커지면 대학원 수준의 전문성이 필요해진다. 그가 이끄는 팀은 여기에 생성형 AI를 붙여, 평범한 언어로 문제를 설명하면 최적화 알고리즘을 만들어 주는 소형 언어 모델을 내놓았다. 그리고 이 효율은 곧 지속가능성과 이어진다. 가상 머신을 물리 서버에 조밀하게 배치하면 유용한 연산당 전력이 줄고, 데이터센터 안에서 랙 배치를 최적화한 작업은 전력 단편화를 1~2% 줄여 데이터센터를 덜 짓거나 더 효율적으로 쓸 여지를 만들었다.

마지막으로 세 사람은 AI가 판을 바꿀 수 있는 영역을 꼽는다. 모든 것을 전기화하는 과제, 산업 소재와 화학, 그리고 저탄소 식량 시스템이다. 식량은 배출의 약 3분의 1을 차지하고 음식물 쓰레기만으로도 약 8%다. 시멘트는 6~8% 수준인데, 머신러닝으로 조류를 넣어 강도는 유지하면서 탄소 배출을 20% 줄인 설계 사례가 언급된다.

주요 인사이트

• 숫자를 정확히 읽으면 논쟁의 층위가 갈린다. 데이터센터의 전 지구적 배출 기여는 작지만 지역 전력망에 미치는 영향은 크다. 총량 논쟁과 지역 갈등을 같은 문제로 뭉뚱그리면 어느 쪽도 제대로 다룰 수 없다.
• 기후 대응은 전기 수요를 줄이는 방향이 아니다. 난방과 이동을 전부 전기로 바꾸는 것이 탈탄소의 핵심 경로이기 때문에, 국제에너지기구는 2050년 넷제로를 위해 세계 전력 용량을 두 배 이상으로 늘려야 한다고 본다. AI 데이터센터가 없어도 수요는 오른다는 뜻이다.
• 예측과 최적화를 결합하면 효율이 올라간다. 가상 머신이 시스템에 얼마나 오래 머물지를 예측해 배치에 반영하거나, 수요 예측 정확도를 높여 여유분을 과도하게 확보하지 않게 만드는 식이다. 예측이 아주 정확할 필요는 없고 쓸 만한 수준이면 충분하다는 점이 지적된다.
• 최적화와 회복력은 늘 같은 방향이 아니다. 자연에서 중복은 회복력의 원천인데 최적화가 그 여유를 깎아 낼 수 있다는 문제 제기가 나온다. 답은 회복력을 최적화의 기준 안에 명시적으로 넣는 것이며, 위험값이나 확률적·강건 최적화처럼 불확실성을 형식적으로 다루는 방법들이 이미 있다.
• 실험실에서 나온 해법을 세상에 퍼뜨리는 일이 더 어렵다. 탄소를 20% 줄인 시멘트 논문이 나와도, 시멘트를 만들지 않는 회사가 이를 전 세계 생산 규모로 옮기는 일은 별개다. 대담은 여러 과제를 한꺼번에 밀어붙이는 민관 협력형 접근을 대안으로 제시한다.

자주 묻는 질문

관련 AI 소식