AI 시스템은 전기, 물, 광물, 토지, 그리고 인간이 구축한 인프라를 자원 계획에 영향을 미칠 만큼 거대한 규모의 연산(computation)으로 변환합니다.

대규모 언어 모델 (Large language models), 추천 엔진 (recommendation engines), 컴퓨터 비전 (computer vision) 시스템, 자율 물류 플랫폼 (autonomous logistics platforms), 그리고 과학적 AI 도구들은 모두 물리적 입력값에 의존합니다.
사용자의 화면에서는 소프트웨어가 무게가 없는 것처럼 보일 수 있지만, 모든 쿼리(query)와 학습 실행(training run)은 데이터 센터 (data centres), 송전선 (transmission lines), 냉각 시스템 (cooling systems), 반도체 팹 (semiconductor fabs), 광산 (mines), 그리고 글로벌 해운 네트워크 (global shipping networks)를 소모합니다. 또한 AI는 폐기물을 줄이고, 그리드 운영 (grid operations)을 개선하며, 관개를 최적화하고, 재료 발견 (materials discovery)을 가속화할 수도 있습니다. 지구의 천연자원에 미치는 AI의 순 효과 (net effect)는 효율성 이득이 연산 수요의 증가 속도를 앞지르는지 여부에 달려 있습니다.

AI의 물리적 계층 (The Physical Layer of AI)

AI는 주로 그래픽 처리 장치 (graphics processing units, GPUs), 텐서 처리 장치 (tensor processing units, TPUs), 고대역폭 메모리 (high-bandwidth memory, HBM), 네트워킹 장비 (networking equipment), 그리고 스토리지 시스템 (storage systems)과 같은 특화된 하드웨어에서 실행됩니다. 이러한 구성 요소들은 지속적인 전기와 냉각이 필요한 데이터 센터 (data centres) 내부에 위치합니다.

현대의 AI 학습 클러스터 (training cluster)는 수천 개 또는 수만 개의 가속기 (accelerators)를 포함할 수 있습니다. Nvidia의 H100 GPU는 최대 700와트 (watts)의 열 설계 전력 (thermal design power)을 가집니다.
이러한 GPU 8개, CPU, 메모리, 스토리지, 네트워킹 장비, 그리고 전력 변환 장비를 포함하는 랙 (rack) 하나는 10킬로와트 (kilowatts) 이상의 전력을 소모할 수 있습니다. 대규모 AI 데이터 홀 (data halls)은 수십 또는 수백 메가와트 (megawatts)에 달할 수 있습니다.
프런티어 모델 (frontier model)을 학습시키는 것은 자원 프로필의 일부일 뿐입니다.

모델의 출력값을 사용자에게 제공하는 과정인 추론 (Inference)은 지속적으로 실행되기 때문에 장기적인 소비를 지배할 수 있습니다. 한 번 학습된 모델은 수십억 번의 쿼리 (query)를 받을 수 있습니다. 쿼리당 에너지 비용은 _모델 크기, 하드웨어, 배치 (batching), 출력 길이, 그리고 데이터 센터 효율성_에 따라 크게 달라지지만, AI가 검색, 오피스 소프트웨어, 코딩 도구, 광고, 고객 서비스, 산업 제어, 그리고 모바일 기기에 내장될 때 총 수요는 빠르게 증가합니다.

전기 수요 (Electricity Demand)

데이터 센터는 이미 전 세계 전력 사용량에서 측정 가능한 비중을 차지하고 있습니다.
국제 에너지 기구(International Energy Agency)는 2022년에 데이터 센터와 데이터 전송 네트워크가 약 460 테라와트시(terawatt-hours)의 전력을 소비했다고 추정했습니다 (이는 케냐와 같은 국가를 40년 동안 가동할 수 있는 전력량과 맞먹습니다). 이 기구는 고성장 가설 하에 데이터 센터의 전력 소비량이 2026년까지 대략 두 배로 증가하여 1,000 테라와트시 이상에 도달할 수 있다고 전망했습니다.

AI가 유일한 동인은 아닙니다. 클라우드 스토리지 (Cloud storage), 비디오 스트리밍 (Video streaming), 엔터프라이즈 소프트웨어 (Enterprise software), 암호화폐 (Cryptocurrency), 그리고 기존의 웹 서비스 (Conventional web services) 모두 전력을 소모합니다. 그럼에도 불구하고, AI는 수요의 형태를 변화시키는데, 이는 고밀도 가속기 클러스터 (High-density accelerator clusters)가 기존 서버보다 랙 (Rack)당 훨씬 더 많은 전력을 소비하기 때문입니다.

전력 사용은 세 가지 주요 자원적 함의를 가집니다:

1. 연료 소비 (Fuel consumption)
   새로운 데이터 센터 부하가 화석 연료 발전으로 충당된다면, AI는 석탄, 가스 또는 석유에 대한 수요를 증가시킵니다.
   가스 화력 발전소 (Gas-fired power plants)는 종종 유연한 발전 (Flexible generation)을 위해 사용되는데, 이는 새로운 데이터 센터 부하를 충족하는 데 매력적인 요소가 될 수 있습니다.

2. 그리드 인프라 (Grid infrastructure)
   대규모 AI 시설에는 변전소 (Substations), 변압기 (Transformers), 송전 업그레이드 (Transmission upgrades), 예비 전력 (Backup power), 그리고 때로는 전용 전력 구매 계약 (Dedicated power purchase agreements)이 필요합니다. 첫 번째 모델이 학습되기 전부터 구리 (Copper), 알루미늄 (Aluminium), 철강 (Steel), 콘크리트 (Concrete), 그리고 토지 (Land)가 소비됩니다.

3. 기회비용 (Opportunity cost)
   데이터 센터에서 사용하는 청정 전력이 자동으로 추가적인(additive) 전력이 되는 것은 아닙니다.
   데이터 센터가 재생 에너지 계약을 체결할 수 있지만, 그리드는 피크 수요 (Peak demand) 동안 여전히 화석 연료 발전소에 의존합니다. 결과적으로, 배출량과 자원 영향은 시간, 위치, 그리고 그리드 믹스 (Grid mix)에 따라 달라집니다.

데이터 센터 내부에서 흔히 사용되는 기술적 지표는 전력 사용 효율 (Power Usage Effectiveness, PUE)입니다. 완벽한 PUE는 1.0이며, 이는 모든 전력이 컴퓨팅 하드웨어로 전달됨을 의미합니다.

PUE가 1.2인 시설은 냉각, 조명, 전력 분배 손실 및 기타 오버헤드(Overhead)를 위해 20%의 추가 전력을 사용합니다. 하이퍼스케일 (Hyperscale) 데이터 센터는 종종 1.1에서 1.3 사이의 PUE 값을 보고하지만, 지역 기후, 워크로드 밀도 (Workload density), 그리고 냉각 설계가 성능에 영향을 미칩니다.

물 사용 및 냉각

AI는 냉각 및 전력 생산을 통해 담수 자원에도 영향을 미칩니다.
데이터 센터는 공랭식 (Air cooling), 증발 냉각 (Evaporative cooling), 액체 냉각 (Liquid cooling) 또는 하이브리드 시스템을 사용하여 열을 제거합니다.
증발 냉각은 전력 수요를 줄일 수 있지만 물을 소비합니다. 액체 냉각은 고밀도 AI 랙 (Racks)을 더 효율적으로 처리할 수 있지만, 전체적인 물에 미치는 영향은 시설 설계와 에너지원에 따라 달라집니다.
물 사용은 다음 두 가지 범주로 나타납니다:
• 현장 물 소비 (On-site water consumption): 데이터 센터가 냉각을 위해 직접 사용하는 물.
• 현장 외 물 소비 (Off-site water consumption): 시설을 위한 전력을 생산하는 발전소에서 사용하는 물.

수냉식 냉각을 사용하는 석탄, 가스, 원자력 또는 집중형 태양열 발전소는 메가와트시 (Megawatt-hour)당 상당한 양의 물을 소비할 수 있습니다. 풍력 및 태양광 발전 (실리콘과 같은 특수 재료를 사용하여 햇빛을 직접 전기로 변환하는 기술)은 제조 과정에서 여전히 물에 영향을 미치지만, 운영 단계에서의 물 요구량은 훨씬 낮습니다.

관련된 기술적 지표는 물 사용 효율 (Water Usage Effectiveness, WUE)이며, 보통 IT 에너지 킬로와트시 (Kilowatt-hour)당 리터 단위로 측정됩니다. 낮은 WUE가 선호되지만, 시설이 전력 소비를 늘리면서 WUE를 줄일 수도 있으므로 PUE와 WUE는 반드시 함께 평가되어야 합니다.

위치가 중요합니다. 습한 지역에서의 물 집약적인 냉각 설계는 애리조나, 칠레, 멕시코 북부 또는 인도의 일부 지역에서의 동일한 설계와는 다른 결과를 초래합니다. 유역 (Watershed)의 스트레스 수준은 소비되는 절대적인 양만큼이나 중요합니다.

광물, 칩 및 제조

AI 하드웨어는 데이터 센터에서 훨씬 떨어진 곳에서 시작됩니다. 이는 실리콘 (silicon), 구리 (copper), 알루미늄 (aluminium), 금 (gold), 주석 (tin), 니켈 (nickel), 탄탈륨 (tantalum), 텅스텐 (tungsten), 코발트 (cobalt), 희토류 원소 (rare earth elements), 그리고 고순도 석영 (high-purity quartz)을 포함하여 채굴 및 정제된 재료에 의존합니다.

반도체 제조는 자원 집약적입니다. 첨단 칩은 초순수 (ultrapure water), 특수 가스 (specialty gases), 포토레지스트 (photoresists), 용매 (solvents), 산 (acids), 그리고 막대한 양의 전력을 필요로 합니다.

최첨단 제조 공장 (fabrication plant)은 하루에 수백만 갤런의 물을 사용할 수 있지만, 그중 상당 부분은 처리되어 재활용될 수 있습니다. 물은 극도로 높은 순도 요구 사항을 충족해야 하는데, 이는 미세한 오염이 웨이퍼 (wafer; 마이크로칩, 집적 회로 및 태양전지를 구축하기 위한 기초 기반 역할을 하는 반도체 재료—가장 흔하게는 결정질 실리콘—의 얇고 평평한 디스크)를 파괴할 수 있기 때문입니다.

AI 가속기 (AI accelerators) 또한 고대역폭 메모리 (high-bandwidth memory)와 첨단 패키징 (advanced packaging)을 사용합니다. 이는 추가적인 제조 단계, 기판 (substrates), 인터포저 (interposers), 그리고 정밀한 조립을 필요로 합니다. 공급망은 광산, 화학 공장, 웨이퍼 팹 (wafer fabs), 패키징 시설, 인쇄 회로 기판 (printed circuit board) 생산자, 서버 제조업체, 그리고 물류 제공업체에 걸쳐 있습니다.

광물 문제는 단순히 고갈의 문제만이 아닙니다. 더 큰 위험 요소에는 다음이 포함됩니다:
• 채굴로 인한 서식지 파괴
• 광산 찌꺼기 (tailings) 유출 및 수질 오염
• 에너지 집약적인 정제 과정
• 노동 및 안전 문제
• 가공 능력의 지정학적 집중
• 복잡한 전자 부품의 낮은 재활용률

구리는 핵심적인 제약 요인인데, 이는 AI의 성장이 운송의 전기화, 그리드 (grid) 확장, 히트 펌프, 그리고 재생 에너지 발전과 맞물려 있기 때문입니다. 단일 대규모 데이터 센터 캠퍼스는 케이블, 변압기, 개폐 장치 (switchgear), 백업 시스템, 그리고 유틸리티 상호 연결을 위해 상당한 양의 구리를 필요로 할 수 있습니다.

토지, 건물 및 백업 시스템

AI 인프라는 데이터 센터 캠퍼스를 통해 직접적으로, 그리고 에너지 생성, 송전 통로, 채굴 현장, 제조 공장, 그리고 폐기 시설을 통해 간접적으로 토지를 점유합니다.

하이퍼스케일 (Hyperscale) 데이터 센터 캠퍼스는 수십 또는 수백 에이커를 차지할 수 있습니다. 건물 외벽에는 콘크리트와 철강이 필요한데, 이 두 물질은 모두 높은 에너지 소비 및 이산화탄소 (CO2) 배출과 관련이 있습니다. 백업 전력 시스템은 종종 디젤 발전기를 사용하지만, 일부 운영사들은 배터리, 수소 연료 전지 (Hydrogen fuel cells), 또는 그리드 상호작용형 (Grid-interactive) 백업 설계를 테스트하고 있습니다.

토지에 미치는 영향은 입지 선정 (Siting)에 크게 좌우됩니다. 기존 송전 인프라 근처의 산업 용지를 재사용하면 교란을 줄일 수 있습니다. 물이 부족하거나, 그리드가 혼잡하거나, 생태적 가치가 높은 지역에 건설하는 것은 자원 압박을 가중시킵니다.

데이터 센터는 열도 발생시킵니다. 대부분의 폐열은 공기나 물로 배출되지만, 추운 지역의 일부 시설은 이를 지역 난방 네트워크 (District heating networks)로 보냅니다. 이는 인근의 열 수요와 인프라가 필요하지만, 전체 에너지 생산성을 향상시킬 수 있습니다.

전자 폐기물 (E-Waste) 및 하드웨어 교체 주기

AI 하드웨어는 빠르게 감가상각됩니다. 새로운 가속기 (Accelerator) 세대는 종종 와트당 성능 (Performance per watt), 메모리 대역폭 (Memory bandwidth), 그리고 상호 연결 속도 (Interconnect speed) 면에서 큰 개선을 제공합니다. 이는 서버의 물리적 수명이 다하기 전에 서버를 교체해야 한다는 압박을 만들어냅니다.

전자 폐기물(Electronic waste)에는 가치 있는 재료들이 포함되어 있지만, 이를 회수하는 것은 기술적으로 어렵습니다. 인쇄 회로 기판(Printed circuit boards)에는 구리, 금, 팔라듐, 은, 주석이 낮은 농도로 포함되어 있습니다. 배터리와 전력 시스템에는 추가로 회수 가능한 재료들이 들어 있습니다. 적절한 재활용은 채굴 수요를 줄일 수 있지만, 비공식적이거나 규제가 미비한 재활용은 납, 수은, 브롬화 방염제(brominated flame retardants) 및 기타 유해 물질을 방출할 수 있습니다.

자원 효율적인 AI 배포를 위해서는 다음 항목들을 추적해야 합니다:
• 서버 수명 (연 단위)
• 가속기(accelerators) 활용률
• 학습 실행당 소비된 에너지
• 1,000회 추론당 소비된 에너지
• 하드웨어 수리 가능성
• 부품 재사용
• 인증된 재활용률
• 서버당 내재 탄소(embodied carbon) 및 내재 물(embodied water)

낮은 활용률은 특히 낭비적입니다. 유휴 상태로 방치된 가속기는 여전히 채굴된 광물, 공장 에너지, 자본 설비 및 운송 비용을 나타냅니다.

전력망 (Electricity Grids)

머신러닝(Machine learning)은 수요 예측, 재생 에너지 발전 예측, 결함 탐지 및 전력 흐름 최적화를 개선할 수 있습니다. 더 나은 예측은 그리드 운영자가 예비 전력 요구량을 줄이면서 풍력과 태양광을 통합하는 데 도움을 줍니다. AI는 또한 배터리, 전기차 충전 및 산업용 수요 반응(demand response)을 조정할 수 있습니다.

예를 들어, 단기 풍력 예측은 화석 연료 백업 발전의 필요성을 줄일 수 있습니다. 예측 유지보수(Predictive maintenance)는 정전이 발생하기 전에 변압기 고장을 식별하여 장비 수명을 연장하고 교체 자재 수요를 줄일 수 있습니다.

농업 및 물 (Agriculture and Water)

AI 지원 관개 시스템 (AI-assisted irrigation systems)은 토양 수분 센서, 기상 데이터, 위성 이미지 및 작물 모델을 사용하여 식물이 필요로 하는 시기와 장소에 물을 공급합니다. 이는 지하수 양수와 비료 유출을 줄일 수 있습니다.
컴퓨터 비전 (Computer vision)은 수동 점검보다 더 일찍 작물의 스트레스, 해충 또는 영양 결핍을 식별할 수 있습니다. 정밀 살포 (Precision spraying)는 필드 전체가 아닌 개별 잡초를 표적으로 삼음으로써 제초제와 살충제 사용을 줄일 수 있습니다. 자원 절감 효과는 비용, 농가의 도입 여부, 지역 작물 체계, 그리고 수확량 증가가 새로운 토지로의 확장을 유도하는지 여부에 따라 달라집니다.

산업 및 제조 (Industry and Manufacturing)

산업용 AI는 용광로, 가마, 압축기, 펌프 및 화학 반응기를 최적화할 수 있습니다. 이러한 시스템은 종종 막대한 양의 에너지를 소비합니다.
시멘트, 철강, 암모니아 또는 정제 공정에서 단 1%의 효율성 향상만으로도 상당한 양의 연료와 원자재를 절약할 수 있습니다.

예측 유지보수 (Predictive maintenance)는 계획되지 않은 다운타임을 줄이고 장비의 조기 교체를 방지합니다. 품질 관리 (Quality-control) 모델은 결함을 더 일찍 감지하여 반도체, 자동차 및 전자 제품 제조 과정에서의 스크랩 (scrap)을 줄일 수 있습니다.

재료 발견 (Materials Discovery)

AI는 더 나은 배터리, 촉매제, 냉매, 막 (membranes) 및 합금을 찾는 데 점점 더 많이 사용되고 있습니다.
저코발트 배터리, 효율적인 전기 분해 장치 또는 개선된 탄소 포집 흡착제 (carbon capture sorbents)의 빠른 발견은 채굴 및 에너지 집약도를 줄일 수 있습니다. 이러한 이점은 자동으로 이루어지는 것이 아닙니다. 실험실에서의 성공이 스케일업 (scale-up), 안전 테스트, 제조 경제성 및 배포 단계를 통과해야 합니다.

반등 효과 (Rebound Effects)

비용 감소가 더 큰 사용을 자극할 경우 효율성이 총 소비량을 증가시킬 수 있습니다. 이것이 반등 효과 (rebound effect)입니다.
AI가 소프트웨어 개발 비용을 낮추면 더 많은 소프트웨어가 생산될 수 있습니다. AI가 광고를 더 효과적으로 만들면 타겟팅과 콘텐츠 생성에 더 많은 컴퓨팅 자원이 소비될 수 있습니다.