단원 홈
3단원 · 3차시

생각하는 기계의 전기 요금
AI가 새로 만든 문제들

2차시에서는 아주 작은 오류율에 사람 수를 곱해 보았습니다. 오늘은 아주 작은 전기에 횟수를 곱합니다. 챗봇에 한 줄 물어보는 데 드는 전기는 얼마이고, 그것을 1년 곱하면 무엇과 견줄 만한 크기가 될까요?

성취기준 12인기03-01 성취기준 12인기03-03
학습과 추론PUE 전력배출계수무엇까지 세느냐 손익분기①사실과 ②계산
🎯 학습 목표
  • 인공지능이 문제를 풀면서 동시에 만들어 내는 값(전력·탄소·물·폐기물·사람의 노동)을 들고, 그중 무엇에는 출처 있는 숫자가 있고 무엇에는 없는지 구별할 수 있다.
  • 칩 수 · 시간 · 칩당 전력 · PUE · 전력배출계수를 곱해 학습 1회의 전력과 탄소를 직접 계산하고, 그 값을 가정 전기 · 승용차 주행 거리 · 소나무 그루로 환산할 수 있다.
  • 하루 질의 수를 바꿔 가며 1년치 추론이 학습 1회를 넘어서는 지점을 찾고, 같은 사용량인데 왜 판마다 값이 달라지는지를 '무엇까지 세느냐'와 '어디서 돌리느냐'로 설명할 수 있다.
🤔

여는 장면 — 이 한 줄은 얼마입니까

어제 챗봇에게 무언가를 물었을 겁니다. 수행평가 아이디어였을 수도 있고, 영어 지문 해석이었을 수도 있겠지요. 그 한 줄의 값을 물어봅시다. 돈이 아니라 전기로요.

인터넷에서 검색하면 답이 나옵니다. 그런데 문제는 답이 하나가 아니라는 것입니다. 공개된 추정치를 늘어놓으면 이렇습니다.

질의 1건의 전력무엇을 잰 값인가낸 곳
0.10 Wh제미나이 텍스트 프롬프트 — 일하는 칩의 전력만구글(2025)
0.24 Wh같은 회사가 잰 같은 프롬프트 — 유휴·부대전력까지 포함구글(2025)
0.30 WhChatGPT(GPT-4o) 전형적 질의 1건Epoch AI(2025)
2.90 WhChatGPT 요청당 상한 추정de Vries(2023)
4.00 WhGPT-3 대화 1건 — 물 사용량 논문이 전제로 삼은 값Li 외(2023)
 다섯 값 모두 실제 논문·기관 보고서에 실린 ① 사실입니다. 그런데 가장 작은 값과 큰 값이 40배 벌어집니다.

40배입니다. 시험 점수가 40배 차이나면 채점을 다시 하겠지요. 그런데 여기서는 다섯 값이 전부 맞습니다. 서로 다른 것을 쟀을 뿐입니다. 어느 해에 잰 것인지(하드웨어가 다르다), 어떤 모델인지, 그리고 결정적으로 무엇까지 세었는지가 다릅니다.

⚠️ '추론'이라는 말을 두 번째로 만납니다

1단원 12차시에서 우리는 후향 추론을 배웠습니다. 규칙을 거꾸로 밟아 결론을 캐묻는 그 추론이었지요.

오늘 말하는 추론은 학습이 끝난 모델에 질문을 넣어 답을 받는 것입니다. 영어로는 둘 다 inference지만 가리키는 대상이 다릅니다. 오늘 이 단어가 나오면 '모델을 쓰는 쪽'이라고 읽으세요. 만드는 쪽은 학습, 쓰는 쪽은 추론입니다.

데이터센터의 긴 통로 — 양쪽에 검은 서버 랙이 늘어서 있고, 천장에는 케이블 선반이, 랙 앞에는 전기 배전함이 달려 있다
여러분의 질문이 실제로 계산되는 곳은 이런 방입니다(사진은 미국 미시간주의 한 데이터센터). 화면에서는 대화창 하나로 보이지만, 그 뒤에는 이런 방과 그 방에 들어가는 전기와 그 방을 식히는 물이 있습니다. 오늘은 이 방의 요금 고지서를 우리 손으로 계산해 봅니다. 출처: 123net, Wikimedia Commons (CC BY-SA 3.0)
💭 오늘의 물음

한 번 크게 학습시키는 것과, 매일 수억 번 쓰는 것 — 어느 쪽이 더 큰 값을 치를까?
그리고 그 답은 누가 무엇을 세느냐에 따라 얼마나 흔들릴까?

1

오늘의 규칙 — 숫자에는 두 종류가 있다

이 차시는 다른 차시보다 규칙이 하나 더 많습니다. 전기와 탄소를 다루는 순간, 그럴듯한 숫자를 지어내기가 아주 쉬워지기 때문입니다. 그래서 오늘 나오는 모든 숫자에 딱지를 붙입니다.

① 바깥 세상의 사실

논문 · 정부 발표 · 기업 공시에 실제로 실려 있는 값. 우리가 만든 것이 아닙니다.

본문이 반드시 말할 것 — 출처.
"…라고 보고돼 있다", "…논문이 잰 값이다"

② 우리가 만든 계산

①을 재료로 우리가 곱하고 나눈 값. 오늘 실습이 찍어 내는 숫자는 하나도 빠짐없이 여기입니다.

본문이 반드시 말할 것 — 가정.
"학생 30명이 하루 20번 쓴다고 가정하면…"

②를 ①처럼 말하는 것 — 그러니까 우리가 정한 가정에서 나온 값을 "조사에 따르면"이라고 소개하는 것 — 이 이 단원에서 가장 큰 사고입니다. 숫자가 틀린 것보다 나쁩니다. 틀린 숫자는 다시 계산하면 되지만, 가정을 사실로 둔갑시킨 문장은 읽는 사람이 확인할 방법이 없기 때문입니다.

오늘 쓰는 ① 사실은 아래 열여덟 개가 전부입니다. 본문에 이 표에 없는 사실 숫자가 나오면 그것은 잘못 들어온 것입니다.

꼬리표값무엇어디서 나온 값인가
S11,287 MWh / 552.1 tCO₂eGPT-3 학습 1회의 전력과 탄소Patterson 외, arXiv:2104.10350 (2021) 표4
S2433,196 kWh / 24.69+11.2+14.6 tBLOOM(176B) 학습 — 셋으로 쪼갠 탄소Luccioni 외, JMLR 24 (2023)
S311,390 t / 0 tLlama 3.1 — 같은 전기의 두 숫자Meta, Llama 3.1 Model Card (2024)
S40.24 Wh / 0.10 Wh제미나이 프롬프트 1건 (두 셈법)Google, arXiv:2508.15734 (2025)
S50.30 WhChatGPT 전형적 질의 1건Epoch AI (2025)
S62.90 Wh / 564 MWh·일ChatGPT 요청당 상한 · 일일 전력de Vries, Joule 7 (2023)
S770만 L / 540만 LGPT-3 학습에 든 물Li 외, arXiv:2304.03271 / CACM (2025)
S8120만 ~ 500만 톤생성형 AI 로 늘 전자 폐기물(2020~2030)Wang 외, Nature Comput. Sci. 4 (2024)
S9415 → 945 TWh전세계 데이터센터 전력(2024→2030 전망)IEA, Energy and AI (2025-04)
S100.4173 kgCO₂/kWh한국 전력배출계수(2023년도, 연소 기준)기후에너지환경부 (2025-12-17 공표)
S11한국 417.06 g / 노르웨이 28.11 g전력 전과정 탄소집약도(2025년)Ember (2026) · Our World in Data
S126.6 kgCO₂/년30년생 소나무 1그루의 연간 흡수량국립산림과학원 (2012)
S13141.3 g/km2020년 판매 승용차 '실제' 평균 배출환경부 이행실적 (2022-11-16)
S14296 kWh/월가구당 월평균 전력(서울, 2024)서울특별시 에너지정보(한전 통계)
S151.56세계 데이터센터 평균 PUEUptime Institute, Survey 2024
S16냉각 40% / 오버헤드 15%딥마인드 냉각 제어 — 검증되지 않은 자사 발표Google DeepMind 블로그 (2016-07-20)
S1725억 건/일ChatGPT 하루 프롬프트 수OpenAI 대표 발언 → Axios·TechCrunch (2025-07)
S181.09구글 전사 평균 PUE (2025)Google Data Centers
 오늘 실습 파일의 맨 끝(【11】)이 이 목록을 그대로 화면에 찍습니다. S10과 S11은 재는 방법이 다릅니다 — 한 문장 안에서 섞어 쓰면 안 됩니다. 개념 3에서 다시 다룹니다.

표의 마지막 줄에 없는 것이 하나 있습니다. 데이터에 이름표를 붙이고 유해한 내용을 걸러 내는 사람의 노동입니다. 이것도 분명히 AI가 치르게 하는 값인데, 규모와 임금에 대해 우리가 확인할 수 있는 통계가 없었습니다. 그래서 오늘 그 자리에는 숫자 대신 '숫자 없음'이라고 적습니다. 빠져 있다는 사실을 적는 것까지가 계산입니다.

2

만드는 값 — 학습 1회는 곱셈 세 줄이다

큰 모델을 한 번 학습시키는 데 드는 전기는 얼마일까요. 이 물음은 어렵게 들리지만, 실제 계산은 여러분이 지금 할 수 있는 곱셈입니다. 필요한 것은 넷뿐입니다.

  • 칩 몇 장을 썼나 — 학습에 동원한 GPU/TPU 대수.
  • 몇 시간 돌렸나 — 며칠 걸렸는지에 24를 곱합니다.
  • 칩 한 장이 몇 W를 먹나 — 카탈로그 최대치가 아니라 학습 중 실측 평균을 씁니다.
  • 건물이 그 위에 얼마를 더 먹나 — 냉각·조명·전력 손실. 이 배수를 PUE라고 부릅니다.

넷을 곱하면 kWh가 나오고, 거기에 전력배출계수를 곱하면 이산화탄소가 나옵니다. 식으로 쓰면 이렇습니다.

V100 칩 10,000장 논문이 밝힌 값 × 학습 시간 14.8일 = 355.2시간 × 칩당 실측 전력 330 W = 0.330 kW 기계가 먹은 전기 1,172.2 MWh 칩만 셌을 때 × PUE 1.10 건물이 먹은 전기 1,289.4 MWh 냉각·조명·손실 포함 × 0.429 kgCO₂/kWh 이산화탄소 553.1 tCO₂e 당시 미국 평균 전력망 def train_kwh(chips, hours, w_per_chip, pue):     return chips * hours * (w_per_chip/1000) * pue def co2_kg(kwh, grid_factor):     return kwh * grid_factor 두 줄입니다. 이것이 논문이 한 계산 전부입니다.

그림 1. GPT-3 학습 1회를 뜯어본 것. 왼쪽 세 값과 PUE·배출계수는 전부 Patterson 외(2021) 논문 표4에 적혀 있는 ① 사실이고, 오른쪽 세 상자는 우리가 그것을 곱해서 얻은 ② 계산입니다.

그러면 확인해 봅시다. 우리 계산이 논문이 발표한 값과 맞을까요? 논문은 큰 모델 여섯 개에 대해 칩 수 · 시간 · 칩당 전력 · PUE · 배출계수를 전부 공개했습니다. 그러니 우리가 직접 곱해서 논문의 결론이 나오는지 검산할 수 있습니다.

모델전력 (MWh)탄소 (tCO₂e)
우리논문우리논문
진화형 트랜스포머 NAS7.57.53.23.2
T5 (11B)85.385.746.546.7
Meena (2.6B)232.3232.096.496.4
GShard-600B23.924.14.84.8
Switch Transformer178.8179.072.172.2
GPT-3 (175B)1,289.41,287.0553.1552.1
 왼쪽 ②는 우리가 곱한 값, 오른쪽 ①은 논문이 발표한 값입니다. 여섯 줄 모두 1% 안에서 맞고, 가장 크게 벌어진 줄이 GShard-600B의 23.9 대 24.1입니다. 남는 차이는 논문이 학습 일수를 소수 첫째 자리로 반올림해 적었기 때문입니다 — ‘3.1일’이라고 적힌 값은 실제로 3.05일과 3.15일 사이 어딘가이고, 그 폭만으로도 결과가 ±1.6% 흔들립니다. 출처: Patterson 외 (2021) 표4 S1.

이 표가 오늘 수업에서 가장 중요한 장면 중 하나입니다. "AI의 탄소 배출량"이라는 말은 대단한 측정 장비가 있어야 나오는 값처럼 들리지만, 실제로는 우리가 방금 쓴 두 줄짜리 곱셈입니다. 그리고 곱셈이니까 넣은 값이 바뀌면 결과도 바뀝니다. 누군가 "AI 한 번 학습에 몇 톤"이라고 말하면 우리는 이제 되물을 수 있습니다 — 칩을 몇 장 세셨나요? PUE는 얼마로 잡으셨나요? 어느 전력망이었나요?

💡 PUE를 빠뜨리면 어떻게 되나

위 곱셈에서 PUE 하나만 빼면 GPT-3는 1,289.4가 아니라 1,172.2 MWh가 나옵니다 ②. 논문 값보다 8.9% 낮지요. 오류 메시지도 나지 않고 표도 그럴듯하게 채워집니다. 조용히 틀린 표가 됩니다. 오늘 실습의 빈칸 ①이 바로 이 자리인데, 답을 확인하고 나면 일부러 다시 지워서 여섯 줄이 어떻게 어긋나는지 보세요.

1,289.4 MWh가 얼마나 큰지는 아직 감이 오지 않습니다. 우리가 아는 단위로 바꿔 봅시다. 서울의 가구당 월평균 전력 사용량은 296 kWh입니다 S14. 한 가구가 1년에 3,552 kWh를 쓰는 셈이니, GPT-3 학습 1회의 전기는 가정 363가구의 1년치입니다 ②. 탄소 553.1톤을 소나무가 흡수한다고 치면 30년생 소나무 1그루가 연간 6.6 kg을 흡수하므로 S12 83,809그루가 1년 내내 붙잡아야 하는 양입니다 ②.

여기서 잠깐 멈춥시다. 이 숫자를 보고 "역시 AI는 환경에 나쁘다"라고 결론 내리기 전에, 오늘 남은 절반을 봐야 합니다. 학습은 한 번이고, 사용은 매일이기 때문입니다.

3

같은 일인데 왜 값이 갈리나 — '무엇까지 세느냐'

여는 장면에서 본 40배 차이로 돌아갑시다. 그 차이가 어디서 오는지 한 논문이 스스로 쪼개어 보여 준 드문 사례가 있습니다. BLOOM이라는 1,760억 개 매개변수 모델입니다. 이 모델을 만든 연구진은 탄소 배출을 하나로 뭉치지 않고 셋으로 갈라 발표했습니다 S2.

무엇을 세는가tCO₂e몫이 조각은 무엇인가
학습 중 GPU 전력만24.6949%칩이 돌아가는 동안 뽑아 쓴 전기
+ 장비 제조11.2022%그 칩과 서버를 만들 때 나온 배출
+ 유휴·부대 설비14.6029%놀고 있는 시간과 냉각·전원 설비
합계50.50100%셋을 다 세면
 좁게 세면 24.7톤, 넓게 세면 50.5톤 — 2.0배 차이 ②. 둘 다 맞는 숫자입니다. 다른 것은 '무엇을 셌는가' 하나뿐입니다.

이제 이 두 값을 앞의 GPT-3와 나란히 놓아 보면 재미있는 일이 벌어집니다. 전력은 BLOOM 433 MWh, GPT-3 1,289 MWh로 3.0배 차이인데, 탄소는 24.7톤과 553.1톤으로 22.4배가 벌어집니다 ②. 모델 크기가 22배 차이나서가 아닙니다. BLOOM은 프랑스의 원자력 중심 전력망(0.057 kgCO₂/kWh)에서 돌았고, GPT-3는 당시 미국 평균 전력망(0.429)에서 돌았습니다. 그 차이가 7.5배입니다.

⚠️ 22.4배를 인용할 때 반드시 붙일 단서

22.4배는 BLOOM의 좁은 값(24.69)과 GPT-3를 견준 것입니다. BLOOM의 넓은 값(50.5)으로 바꾸면 11.0배가 됩니다 ②. GPT-3 쪽에는 제조와 유휴 배출이 애초에 계산돼 있지 않으니 좁은 값끼리 견주는 편이 공정합니다. 다만 그렇게 재면 "AI 탄소"에서 제조와 유휴가 통째로 사라진다는 것도 함께 기억해야 합니다.

같은 일이 기업 발표에서도 일어납니다. 메타는 Llama 3.1을 학습시킨 전기의 배출량을 두 개 발표했습니다 S3. 전력망 기준으로는 11,390 tCO₂e, 재생에너지 구매 기준으로는 0 tCO₂e입니다. 0은 "전기를 안 썼다"가 아니라 "쓴 만큼의 재생에너지를 사 두었다"는 회계 방식입니다. 둘 다 거짓말이 아닙니다. 그런데 기사가 어느 쪽을 인용하느냐로 결론이 뒤집힙니다.

구글도 제미나이 프롬프트 1건의 에너지를 0.10 Wh와 0.24 Wh, 두 번 발표했습니다 S4. 모델도 질문도 같습니다. 앞의 것은 일하는 칩만 셌고, 뒤의 것은 놀고 있는 칩과 CPU와 부대 전력까지 셌습니다. 셈법만 다른데 2.4배입니다 ②.

그리고 '어디서 돌리느냐' — 배출계수는 알고리즘이 정하지 않는다

전기를 만드는 방법은 나라마다 다릅니다. 석탄을 태워 만든 1kWh와 수력으로 만든 1kWh는 전등을 켜는 성능은 똑같지만 나오는 이산화탄소가 전혀 다릅니다. 그 차이를 담은 숫자가 전력배출계수입니다.

전력망gCO₂e/kWh한국 대비한 줄 설명
인도670.131.61배석탄 비중이 높다
중국525.341.26배 
일본477.261.14배 
세계 평균458.291.10배 
한국417.061.00배기준으로 삼는다
미국384.400.92배 
독일329.650.79배재생에너지 비중이 크다
프랑스41.440.10배원자력 비중이 크다
노르웨이28.110.07배수력 비중이 크다
 전력 전과정 탄소집약도, 2025년 S11 (Ember 2026 · Our World in Data). 가장 높은 곳과 가장 낮은 곳이 23.8배 벌어집니다.

여기서 한 가지를 분명히 해 둡니다. 우리나라의 전력배출계수로는 두 개의 숫자가 돌아다닙니다. 기후에너지환경부가 확정·공표한 2023년도 연소 기준 계수는 0.4173 kgCO₂/kWh입니다 S10. 위 표에 실린 것은 Ember가 제조·공급망까지 포함해 계산한 2025년 전과정 값 417.06 gCO₂e/kWh입니다 S11. 두 값이 우연히 붙어 있는데, 이는 우리나라가 화석연료 비중이 높아 생긴 일에 가깝습니다. 프랑스에서는 두 방식의 차이가 훨씬 크게 벌어집니다. 재는 방법이 다른 두 값이니 한 문장 안에서 섞어 쓰면 안 됩니다. 나라끼리 비교할 때는 위 표(전과정) 한 벌만 씁니다.

해 질 녘 주황빛 하늘을 배경으로 멀리까지 한 줄로 늘어선 철탑 송전탑과 송전선의 검은 실루엣
미국 텍사스주 동부의 송전선입니다. 이 선은 발전소에서 만든 전기를 데이터센터까지 실어 나를 뿐이고, 표의 숫자를 정하는 것은 선의 반대쪽 끝 — 어떤 발전소가 그 전기를 만들었느냐입니다. 같은 코드를 같은 모델로 같은 횟수만큼 돌려도, 그 전기가 어느 발전소에서 왔느냐에 따라 탄소는 23.8배까지 벌어집니다. 이것은 알고리즘이 정하는 값이 아닙니다. 출처: Matthew T Rader, Wikimedia Commons (CC BY-SA 4.0)
4

이 차시의 반전 — 매일이 한 번을 이긴다

지금까지는 만드는 쪽만 셌습니다. 그런데 학습이 끝난 모델은 그 뒤로 계속 답을 만들어 냅니다. 한 건은 0.30 Wh입니다 — 앞의 다섯 가운데 우리가 기준으로 삼기로 한 Epoch AI(2025)의 값입니다 S5. 다른 추정을 넣으면 0.10에서 4.00 Wh 까지 40배로 갈립니다 — 오늘 나오는 결론은 전부 '어느 추정을 골랐나'를 달고 다닙니다. 스마트폰 배터리를 4,500 mAh · 3.85 V, 충전 효율 80%로 가정하면 충전 한 번에 콘센트에서 뽑는 전기가 21.7 Wh이니 ②, 질의 72건이 폰 충전 한 번입니다 ②. 무시해도 될 것 같지요. 하지만 이 작은 값에 하루 횟수와 365를 곱하면 이야기가 달라집니다.

그래서 물음을 이렇게 세웁니다. 1년치 추론 전력이 학습 1회와 같아지려면 하루에 몇 건을 처리해야 하는가? 이 지점을 손익분기라고 부릅시다. 식은 곱셈을 뒤집으면 바로 나옵니다.

ℹ️ 손익분기 질의 수

1년 추론 kWh = 하루 질의 수 × (1건 Wh ÷ 1000) × 365

이것이 학습 kWh와 같아지는 하루 질의 수를 구하면 하루 질의 수 = 학습 kWh × 1000 ÷ (1건 Wh × 365)입니다. — 오늘 실습의 빈칸 ④가 이 식입니다.

GPT-3 학습 1회를 1,289,376 kWh로 두고 계산하면 이렇게 나옵니다.

1건 Wh ①손익분기 질의/일 ②하루 25억 건이면 며칠 만에 ②
0.1035,325,3705.16일
0.2414,718,9042.15일
0.3011,775,1231.72일
2.901,218,1160.18일
3.96891,9000.13일
4.00883,1340.13일
 3.96 Wh는 BLOOM이 API로 서비스한 18일치(914 kWh · 230,768건)를 우리가 직접 나눈 값이라 ②입니다 — 손님이 없는 시간의 유휴 전력까지 요청 수로 나눴기 때문에 다른 추정보다 큽니다.

기준값 0.30 Wh로 읽으면 하루 약 1,178만 건입니다 ②. 큰 수처럼 보입니다. 그런데 실제 서비스의 규모를 넣어 봅시다. ChatGPT는 하루에 약 25억 건의 프롬프트를 받는다고 OpenAI 대표가 밝혔습니다 S17.

학습 1회

1,289,376 kWh

2020년에 한 번. GPT-3 학습 1회의 전기 S1. 가정 363가구의 1년치 ②.

1년치 추론

273,750,000 kWh

하루 25억 건 × 0.30 Wh × 365일. 가정 77,069가구의 1년치 ②.

둘의 비

212배

학습 1회에 해당하는 전기를 1.72일이면 다 씁니다 ②. 가정 0.30 Wh · 25억 건/일.

이것이 이 차시의 반전입니다. 환경 이야기가 나오면 우리는 보통 "모델을 얼마나 크게 학습시켰나"를 묻습니다. 그런데 실제로 무게가 실리는 쪽은 "얼마나 자주 쓰나"입니다. 학습은 한 번이고 추론은 매일이며, 매일에는 365가 곱해집니다.

⚠️ 이 212배를 말할 때 정직하게 덧붙일 것

위 212배는 2020년에 학습한 GPT-3와 2025년에 서비스되는 ChatGPT를 나란히 놓은 값입니다. 같은 모델이 아닙니다. 학습 쪽도 그 뒤로 훨씬 커졌습니다 — Llama 3.1 하나만 해도 11,390 tCO₂e입니다 S3.

그래도 방향은 바뀌지 않습니다. 학습이 아무리 커져도 그것은 한 번이고, 추론은 365를 곱하기 때문입니다. 정확한 배수가 아니라 방향을 기억하세요. 정확한 배수를 쓰고 싶다면, 같은 모델의 학습값과 추론값을 함께 공개한 자료를 찾아야 합니다. 그런 자료는 아직 드뭅니다.

5

전기 말고 또 무엇이 드나 — 그리고 줄이는 쪽

전기만 세면 계산이 끝난 것 같지만 그렇지 않습니다. 데이터센터는 물을 증발시켜 열을 버리고, 몇 해가 지나면 장비를 버립니다. 그리고 우리가 숫자를 댈 수 없는 값이 하나 더 있습니다.

물 — 어디서 돌리느냐가 4.5배를 만든다

GPT-3 학습 동안 현장에서 증발한 담수는 70만 L, 전기를 만드는 데 쓴 물까지 더하면 540만 L로 추정됩니다 S7. 70만 L는 500 mL 생수병 140만 병입니다 ②. 그런데 같은 학습을 어느 주(州)에서 돌리느냐에 따라 340만 L에서 1,530만 L까지 벌어집니다 — 4.5배입니다. 전기에서 본 것과 똑같은 이야기지요. 질의 1건당 물은 제미나이 텍스트 프롬프트 기준 0.26 mL, 약 다섯 방울입니다 S4.

💡 왜 데이터센터가 물을 쓰나

칩이 먹은 전기는 거의 전부 열로 바뀝니다. 그 열을 밖으로 내보내야 칩이 녹지 않습니다. 가장 값싼 방법이 물을 증발시키는 것입니다 — 물은 증발하면서 많은 열을 함께 데리고 나가기 때문입니다. 그래서 데이터센터의 냉각탑은 물을 순환시키는 데 그치지 않고 실제로 소비합니다. 전기를 아끼는 설계와 물을 아끼는 설계가 늘 같은 방향은 아니라는 점도 알아 두세요.

데이터센터 옥상의 철망 바닥 위에 놓인 대형 냉각 장치 두 대 — 윗면에 둥근 팬이 두 줄로 수십 개 달려 있다
미국 애리조나주 메사의 한 데이터센터 옥상 냉각 설비. 둥근 팬 하나하나가 모터로 돕니다 — 계산 장비가 먹은 전기 위에 다시 얹히는 전기가 이런 곳에서 나오고, 그 배수가 PUE입니다. 출처: Rsparks3, Wikimedia Commons (CC0)
버려진 컴퓨터 본체와 CRT 모니터가 쌓여 있는 전자 폐기물 더미
사진은 버려진 옛 개인용 컴퓨터와 CRT 모니터 더미입니다. 데이터센터의 가속기와 서버도 몇 해 쓰면 이렇게 교체됩니다. 생성형 AI 때문에 2020~2030년에 더 나올 전자 폐기물은 누적 120만 ~ 500만 톤으로 추정됩니다 S8. 출처: AvWijk, Wikimedia Commons (Public domain)

전자 폐기물 추정치의 범위가 4.2배나 되는 데에는 이유가 있습니다. 앞으로 이 기술이 얼마나 빨리 퍼질지를 아무도 모르기 때문입니다. 범위를 그냥 옮겨 적는 것과, 범위가 왜 생겼는지까지 적는 것은 다른 일입니다. 같은 논문은 재사용·재활용을 제대로 하면 이 양을 크게 줄일 수 있다고도 봅니다.

숫자가 없는 값 — 사람의 노동

모델을 학습시키려면 데이터에 이름표를 붙여야 하고, 서비스를 열려면 유해한 내용을 걸러 내야 합니다. 이 일의 상당 부분을 사람이 합니다. 그런데 이 노동의 규모와 임금에 대해 우리가 인용할 수 있는 통계를 찾지 못했습니다.

그래서 오늘 우리 표에는 이 줄이 비어 있습니다. 비어 있다는 것이 "없다"는 뜻은 아닙니다. "우리가 세지 못했다"는 뜻입니다. 환경 비용을 계산해 놓고 이 칸이 비었다는 사실을 적지 않으면, 그 계산은 있는 것만 세고 끝난 계산이 됩니다. 오늘 실습의 도전 ③가 이것을 다시 묻습니다.

되먹임과 격차 — 숫자 대신 구조로 보는 두 가지

여기에도 우리가 댈 수 있는 숫자가 없습니다. 그래서 구조만 봅니다.

첫째, 되먹임입니다. 생성 모델은 인터넷의 글과 그림으로 배웁니다. 그런데 그 인터넷에 생성 모델이 만든 글과 그림이 쌓입니다. 다음 모델은 그것을 다시 배웁니다. 사람이 만든 것과 기계가 만든 것을 가려내지 못하면 모델이 자기 출력을 되먹는 고리가 생깁니다. 합성한 얼굴과 목소리(딥페이크)도 같은 고리에 들어갑니다. 이 고리가 실제로 얼마나 돌고 있는지는 학습 데이터가 공개되지 않아 확인할 수 없습니다. 양을 모른다는 것과 구조가 없다는 것은 다릅니다.

둘째, 격차입니다. 좋은 모델을 학습시키려면 방금 계산한 만큼의 전기와 칩을 감당할 수 있어야 합니다. 그럴 수 있는 곳과 없는 곳이 갈립니다. 쓰는 쪽에서도 갈립니다 — 좋은 유료 모델을 쓰는 사람과 그렇지 않은 사람, 학습 데이터에 자기 언어가 많이 들어간 사람과 그렇지 않은 사람. 한국어가 최신 모델의 학습 데이터에서 몇 %를 차지하는지는 훈련 데이터가 공개되지 않아 확인할 수 없습니다. 그러니 숫자를 붙이지 않습니다.

⚖️ 줄이는 쪽도 숫자로 본다

여기까지 오면 한쪽으로 기울기 쉽습니다. 그래서 AI가 에너지를 줄인 쪽도 같은 방식으로 재 보겠습니다. 2016년 구글은 딥마인드의 신경망으로 데이터센터 냉각을 제어해 냉각 전력을 최대 40%, 전체 PUE 오버헤드를 15% 줄였다고 발표했습니다 S16.

⚠️ 이 값을 그대로 믿으면 안 되는 이유

이것은 2016년 자사 블로그 발표이고 동료심사를 거친 논문이 아닙니다. 오늘 표의 다른 값들과 등급이 다릅니다. '검증되지 않은 주장'으로 읽으세요. 그럼에도 이 주장을 여기 싣는 이유는, 그 주장을 우리 손으로 셈해 보면 전혀 다른 그림이 나오기 때문입니다.

계산 장비가 1,000 MWh를 쓰는 데이터센터 하나를 가정해 봅시다 ②.

상태PUE총 전력 (MWh)무엇인가
지금1.5601,560.0세계 데이터센터 평균 S15
오버헤드 −15% 적용1.4761,476.0발표된 개선을 그대로 대입 ②
참고: 구글 전사 평균1.0901,090.02025년 실적 S18
 아낀 전력은 84.0 MWh, 총 전력의 5.4%입니다 ②.

냉각의 40%를 줄였다는데 전체는 5.4%만 줄어듭니다. 부분의 큰 수가 전체의 작은 수입니다. 이유는 간단합니다 — 냉각은 데이터센터 전력의 전부가 아니라 PUE에서 1을 뺀 부분, 그러니까 일부이기 때문입니다. 기사 제목이 "40% 절감"이면 우리는 이제 되물을 수 있습니다. 무엇의 40%인가요?

그렇다고 5.4%가 작은 것도 아닙니다. 한국 배출계수로 바꾸면 35.1 tCO₂이고 ②, 이는 우리가 곧 계산할 '학생 30명이 1년 동안 쓴 양'의 1,279배입니다 ②. 줄이는 지렛대는 개인이 아니라 설비 쪽에 있습니다.

1건당 효율도 실제로 좋아지고 있습니다. 구글은 제미나이 프롬프트 1건의 에너지를 12개월 만에 33배, 탄소를 44배 줄였다고 보고했습니다 S4. 그런데 같은 기간에 질의 수는 그보다 더 늘었습니다. 1건당 값과 총량은 따로 봐야 합니다. 실제로 전세계 데이터센터 전력은 2024년 415 TWh에서 2030년 945 TWh로 늘 것으로 전망됩니다 S9 — 2.3배입니다. 다만 데이터센터가 세계 전력에서 차지하는 몫은 판마다 1%에서 1.5%로 갈립니다. 암호화폐 채굴장과 통신설비를 데이터센터로 세느냐 마느냐가 다르기 때문입니다.

🎯 오늘 이 절이 주는 것

이 계산은 "AI를 쓰자"도 "쓰지 말자"도 정해 주지 않습니다. 그 판단은 8차시 토론에서 여러분이 합니다. 오늘 계산이 정해 주는 것은 그때 들고 갈 세 가지 물음입니다 — 무엇을 얼마나 쓸지 · 어디서(어느 전력망에서) 돌릴지 · 이 일에 정말 큰 모델이 필요한지.

💻

손으로 ① — 전력·탄소 환산기

이제 여러분이 직접 돌릴 차례입니다. 아래 환산기는 파이썬을 부르지 않고 브라우저가 그 자리에서 계산합니다. 왼쪽은 만드는 쪽(학습 1회), 오른쪽은 쓰는 쪽(1년치 추론)입니다. 두 값이 캔버스에서 막대로 마주 서고, 아래 그래프가 둘이 만나는 지점을 표시합니다.

먼저 아무것도 건드리지 말고 [GPT-3] 프리셋이 켜져 있는 상태에서 왼쪽 아래의 논문 대조 줄을 보세요. 우리 계산이 논문 값과 맞는지 그 자리에서 알려 줍니다.

⚡ 전력·탄소 환산기 — 만드는 쪽 vs 쓰는 쪽 INTERACTIVE

왼쪽 넷(칩 수 · 학습 일수 · 칩당 W · PUE)을 바꾸면 학습 1회의 전력과 탄소가, 오른쪽 셋(하루 질의 수 · 1건 Wh · 전력망)을 바꾸면 1년치 추론의 값이 다시 계산됩니다. [▶ 질의 수 올리기]를 누르면 하루 질의 수가 저절로 올라가며, 추론 막대가 학습 막대를 넘어서는 순간에 멈춥니다.

🏭 만드는 쪽 — 학습 1회

Patterson 외(2021) 표4의 여섯 모델을 프리셋으로 넣어 두었습니다 [S1]

논문 대조 —

💬 쓰는 쪽 — 1년치 추론

1건당 전력은 판마다 다릅니다. 낮음·중간·높음을 갈아 끼우며 결론이 얼마나 흔들리는지 보세요.

1년 —

학습 1회 1년치 추론(고른 값) 추정 범위 0.10~4.00 Wh 손익분기 지금 고른 하루 질의 수
학습 1회 전력—
학습 1회 탄소—
1년 추론 전력—
1년 추론 탄소—
손익분기 질의/일—
학습 1회 따라잡기—
가정 전기 몇 달치—
승용차 주행 km—
소나무 몇 그루—
질의에 든 물—
[안내] 학생 30명이 하루 20번씩 쓰는 상태(하루 600건)로 시작합니다. 오른쪽 프리셋으로 ChatGPT 규모(25억 건)까지 단숨에 옮겨 갈 수 있습니다.

환산 기준은 이렇습니다. 가정 전기는 서울 가구당 월평균 296 kWh S14, 승용차는 2020년 판매 승용차의 실제 평균 141.3 g/km S13, 소나무는 30년생 1그루의 연간 흡수량 6.6 kg S12, 물은 제미나이 텍스트 프롬프트 1건당 0.26 mL S4입니다. 나오는 결과값은 전부 ② 계산입니다. 전력망 목록의 맨 끝 '한국(정부 연소 기준 417.3)' S10만은 재는 방법이 다른 값입니다 — 나라끼리 견줄 때는 앞의 아홉(전과정, 2025년) 안에서만 고르세요.

과제 ① — 문턱을 찾고 표를 채운다

세 가지를 차례로 해 보고 공책에 옮겨 적으세요. 아래 칸에 바로 적어도 됩니다.

  • 손익분기 찾기. [GPT-3] 프리셋을 켠 채 1건 Wh만 0.10 → 0.30 → 4.00으로 바꿔 가며 손익분기 질의/일을 적습니다. 값이 커집니까 작아집니까? 왜 그럴까요?
  • 반례 만들기. 1건 Wh를 0.30에 고정하고 전력망만 한국 → 노르웨이로 바꿉니다. 손익분기 질의/일이 바뀝니까? 바뀌지 않는다면 그 이유를 한 문장으로 적으세요.
  • PUE 부수기. [GPT-3] 프리셋에서 PUE를 1.10에서 1.00으로 내려 보세요. 논문 대조 줄이 어떻게 바뀌는지, 전력이 몇 % 낮아지는지 적습니다.
바꾼 것1건 Wh전력망손익분기 질의/일1년 추론 ÷ 학습소나무 그루
기본(우리 반 600건)0.30한국
1건 Wh 낮음0.10한국
1건 Wh 높음4.00한국
전력망만 바꾼다0.30노르웨이
ChatGPT 규모0.30한국
💡 미리 예측하고 눌러 보세요

둘째 줄을 하기 전에 먼저 예측해 봅시다. 전력망을 노르웨이로 바꾸면 탄소는 분명히 줄어듭니다. 그러면 손익분기 질의 수도 줄어들까요? 예측을 공책에 적고 나서 바꿔 보세요. 예측이 빗나갔다면 그 자리가 오늘 배울 것입니다.

💻

손으로 ② — 계산기를 직접 짜고 우리 반의 값을 낸다

환산기가 하던 계산을 이번에는 파이썬으로 짭니다. 코드는 네 상자로 나뉘어 있고 반드시 위에서부터 차례로 실행해야 합니다 — 앞 상자가 만든 함수와 값을 뒤 상자가 그대로 씁니다. 빈칸(?????)은 모두 여섯 곳인데, 넷은 첫 상자에, 둘은 셋째 상자에 있습니다. 빈칸이 남아 있으면 SyntaxError가 납니다. 정상입니다.

⚠️ 이 코드가 지키는 규칙 하나

코드 안에서 대문자로 된 상수 옆에는 [S번호] 꼬리표가 붙어 있습니다. 꼬리표가 있으면 ① 사실, 없으면 ② 계산입니다. 출처를 코드 안에 적어 두는 것은 실제 연구에서도 쓰는 방법입니다 — 몇 달 뒤 이 파일을 다시 열었을 때 "이 0.4173은 어디서 왔지?"를 묻지 않아도 되니까요.

여섯 줄이 논문 값과 맞았나요? 맞았다면 여러분은 방금 2021년에 발표된 논문의 표 하나를 처음부터 다시 만든 것입니다. 이제 그 계산기를 그대로 들고 두 번째 물음으로 갑니다 — 같은 일인데 왜 값이 갈리는가, 그리고 쓰는 쪽이 만드는 쪽을 언제 넘어서는가.

이제 남의 숫자가 아니라 우리 숫자를 냅니다. 학생 30명이 하루 20번씩 챗봇을 쓴다고 가정합니다 ②. 1년이면 219,000건입니다. 이 30명과 20번은 우리가 정한 값이지 조사 결과가 아닙니다. 수업에서는 실제 우리 반 인원과, 각자 어제 몇 번 썼는지를 세어 바꿔 넣으세요.

마지막 상자는 전기 바깥의 값(물·전자 폐기물·숫자 없는 노동)과 줄이는 쪽의 계산, 그리고 스마트폰 충전·학교 컴퓨터실과의 견주기를 냅니다. 끝에 출처 열여덟 개가 그대로 찍힙니다.

과제 ② — 코드를 부숴 본다

  • 단위 함정. 마지막 상자를 실행하기 전에, 셋째 상자의 승용차 환산에서 CAR_KG_PER_KM(0.1413)을 141.3으로 바꿔 보세요. 오류는 나지 않고 값만 1000분의 1이 됩니다. 194 km가 0.19 km가 되는데, 0.19라는 값도 그럴듯해 보인다는 것이 이 함정의 무서운 점입니다.
  • 나무를 숲으로 바꾸면. 소나무 6.6 kg(그루당)을 10.4(1헥타르당 톤)로 바꾸면 답의 단위가 그루가 아니라 넓이가 됩니다. 둘 다 국립산림과학원 값이지만 다른 물음의 답입니다.
  • 규모의 경제는 있는가. 마지막 상자의 도전 ①는 30명 / 300명 / 600명을 계산합니다. 결과가 정확히 10배·20배로 늘어납니다. 실제 서비스는 요청을 묶어 처리해서 이렇게까지 정직하게 늘지 않습니다. 이것이 우리 모형의 한계입니다. 한계를 아는 것도 결과의 일부입니다.
📖

정리 — 오늘 손에 남은 것

오늘 우리가 한 일은 둘입니다. 하나는 계산이고, 다른 하나는 계산을 읽는 법입니다.

물음오늘 얻은 답종류
학습 1회는 얼마인가GPT-3 1,287 MWh · 552.1 tCO₂e. 곱셈 두 줄이 논문 여섯 줄을 1% 안에서 재현한다①+②
학습과 추론, 어느 쪽이 큰가하루 1,178만 건을 넘으면 1년 추론이 학습을 넘어선다. 25억 건이면 1.72일②
왜 판마다 값이 다른가무엇까지 세느냐(BLOOM 2.0배 · 제미나이 2.4배)와 어디서 돌리느냐(23.8배)①+②
우리 반은 얼마인가30명 × 하루 20번 × 1년 = 65.7 kWh · 27.4 kgCO₂ · 소나무 4.2그루②
개인이 아끼면 되는가우리 반 1년치가 컴퓨터실 3.7일치다(PC 30대 × 100 W × 하루 6시간 × 연 190일로 잡은 가정). 줄이는 지렛대는 설비와 전력망 쪽에 있다②
계산에서 빠진 것은라벨링·필터링 노동 — 인용할 통계가 없어 한 줄도 못 넣었다—
 '우리 반 30명'은 ② 우리가 정한 가정입니다. 인원이나 하루 횟수를 바꾸면 아래 줄의 숫자가 전부 달라집니다. 손익분기 1,178만 건과 1.72일도 1건 0.30 Wh 가정에서 나온 값입니다 — 추정을 0.10이나 4.00으로 바꾸면 40배 범위로 흔들립니다.

그리고 오늘 두 문장을 동시에 들고 나가야 합니다. 둘 다 참이기 때문입니다.

내 한 건은 작다

우리 반 30명이 1년 내내 쓴 전기는, 가장 큰 추정(4.00 Wh)을 써도 컴퓨터실 49일치를 넘지 않습니다 ②. 기준값 0.30 Wh로는 3.7일치입니다. 여기서 컴퓨터실은 PC 30대 × 100 W × 하루 6시간 × 연 190일로 잡은 ② 가정입니다 — 하루 18.0 kWh · 1년 3,420 kWh. 실제 교실 값은 콘센트 전력측정기로 재어 바꿔 넣으세요.

모두의 합은 크다

같은 행동을 하루 25억 번 하면 1년에 가정 77,069가구의 전기가 됩니다 ②. 작은 값 × 큰 횟수는 큰 값입니다.

그래서 다음 물음

답은 개인의 절제가 아니라 만드는 쪽의 설계와 사회의 선택에 있습니다. 발전소 구성은 알고리즘이 정하지 않습니다 — 투표와 예산과 규제가 정합니다.

마지막 문장이 8차시로 이어집니다. 8차시에서 우리는 학급 규약을 놓고 토론합니다. 그때 "AI는 환경에 나쁘다" 같은 인상만 들고 가면 토론이 30초 만에 끝납니다. 오늘 만든 숫자 — 65.7 kWh · 27.4 kgCO₂ · 손익분기 1,178만 건 · 전력망 23.8배 — 를 가정과 함께 들고 가세요. 가정을 밝힌 숫자는 반박할 수 있는 숫자이고, 반박할 수 있는 숫자라야 토론의 근거가 됩니다.

✅

확인 문제

✍️ 문제마다 답을 쓰고 제출하기를 누르세요. 제출하면 모범 답안이 열리고, 제출한 답은 선생님께 전달됩니다.

1. PUE가 무엇인지 한 문장으로 쓰고, 같은 학습을 PUE 1.10인 데이터센터와 1.56인 데이터센터에서 돌렸을 때 전기 요금이 몇 배 차이 나는지 계산하세요. 그리고 이 차이가 모델의 성능과는 아무 관계가 없는 이유를 쓰세요.
📖 모범 답안

PUE는 데이터센터 전체가 쓴 전력을 계산 장비가 쓴 전력으로 나눈 값입니다. 1.10이면 칩이 100을 먹을 때 건물이 110을 먹었다는 뜻이고, 나머지 10은 냉각·조명·전력 손실로 나갔다는 뜻입니다.

두 ① 사실을 나누기만 하면 됩니다 — 1.56 ÷ 1.10 ≒ 1.42배 ②. 칩이 같은 계산을 하고 같은 답을 내놓아도, 건물이 그 위에 얹는 전기가 42% 더 많습니다.

모델 성능과 무관한 이유: PUE는 건물 설비의 값이지 모델의 값이 아닙니다. 같은 코드를 그대로 다른 건물로 옮기기만 해도 바뀝니다. 그래서 "AI가 전기를 많이 쓴다"는 말에는 모델이 쓴 몫과 건물이 쓴 몫이 섞여 있고, 둘을 줄이는 방법도 서로 다릅니다. 구글 전사 평균은 1.09이고 세계 평균은 1.56입니다 (S15·S18).

2. (오늘 환산기로 한 것) 과제 ①의 첫째 줄에서, 1건 Wh를 0.10 → 0.30 → 4.00으로 바꿨을 때 손익분기 질의/일 세 값을 적으세요. 그리고 1건당 전력이 커질수록 손익분기가 작아지는 까닭을 식으로 설명하세요.
📖 모범 답안

0.10 Wh → 35,325,370건/일 · 0.30 Wh → 11,775,123건/일 · 4.00 Wh → 883,134건/일 (GPT-3 학습 1,289,376 kWh 기준) ②.

식으로 보면: 손익분기 = 학습 kWh × 1000 ÷ (1건 Wh × 365)입니다. 1건 Wh가 분모에 있으므로, 1건이 무거워질수록 학습 1회를 따라잡는 데 필요한 횟수는 줄어듭니다. 0.10에서 4.00으로 40배 무거워지면 손익분기는 정확히 40분의 1이 됩니다(35,325,370 ÷ 40 ≒ 883,134).

여기서 놓치지 말아야 할 것 — 세 값 모두 맞습니다. "손익분기가 얼마인가"라는 물음에는 하나의 답이 없고, 어떤 추정치를 쓰느냐에 따라 40배 범위의 답이 있습니다.

3. (오늘 환산기로 한 것) 과제 ①의 둘째 줄 — 1건 Wh를 0.30에 고정하고 전력망만 한국에서 노르웨이로 바꾸면 손익분기 질의/일이 어떻게 됩니까? 그리고 왜 그런지 설명하세요.
📖 모범 답안

하나도 바뀌지 않습니다. 11,775,123건/일 그대로입니다 ②. 탄소는 27.4 kg에서 1.8 kg으로 크게 줄어드는데도 그렇습니다.

까닭: 손익분기는 전력(kWh)끼리 견주는 물음입니다. 전력배출계수는 전력을 탄소로 바꾸는 마지막 곱셈일 뿐이라 kWh 자체를 건드리지 않습니다. 게다가 탄소로 다시 물어도 같습니다 — 학습 쪽과 추론 쪽에 같은 계수가 곱해지므로 비를 구할 때 약분되어 사라지기 때문입니다.

답이 달라지는 경우는 하나뿐입니다. 학습과 추론을 서로 다른 전력망에서 돌릴 때입니다. 예를 들어 학습은 프랑스에서, 추론은 한국에서 돌리면 학습 쪽 탄소가 크게 줄어드니 손익분기도 훨씬 낮아집니다. — "어디서 돌리는가"는 두 번 물어야 하는 질문입니다.

4. 어떤 기사가 "AI 데이터센터, 냉각 전력 40% 절감"이라는 제목을 달았습니다. 오늘 배운 것으로 이 제목에 되물을 것 두 가지를 쓰고, 실제 계산에서는 전체 전력이 몇 % 줄었는지 근거와 함께 답하세요.
📖 모범 답안

되물을 것 ① — "무엇의 40%인가요?" 냉각은 데이터센터 전력의 전부가 아니라 PUE에서 1을 뺀 부분의 일부입니다. 부분의 큰 수가 전체의 작은 수가 되는 전형적인 자리입니다.

되물을 것 ② — "누가 낸 값이고 검증되었나요?" 이 수치는 2016년 구글의 자사 블로그 발표이며 동료심사 논문이 아닙니다 (S16). 오늘 표의 다른 값들과 등급이 다릅니다.

계산: 계산 장비가 1,000 MWh를 쓰는 데이터센터를 가정하면 ② 현재 PUE 1.560에서 총 1,560.0 MWh, 오버헤드를 15% 줄인 PUE 1.476에서 총 1,476.0 MWh입니다. 아낀 전력은 84.0 MWh, 총 전력의 5.4%입니다.

다만 5.4%를 작다고만 읽어도 안 됩니다. 한국 배출계수로 35.1 tCO₂이고, 이는 학생 30명이 1년 동안 쓴 양(27.4 kg)의 1,279배입니다 ②. 줄이는 지렛대가 개인이 아니라 설비 쪽에 있다는 뜻입니다.

5. 같은 전기를 두고 메타는 11,390 tCO₂e와 0 tCO₂e를 함께 발표했습니다. 두 숫자가 각각 무엇을 세는지 설명하고, 학교 신문에 "AI 학습의 탄소 배출"이라는 기사를 쓴다면 어느 쪽을 실을지 근거를 들어 한 문단으로 쓰세요. (정답이 하나가 아닙니다.)
📖 모범 답안

11,390 tCO₂e는 전력망 기준(location-based)입니다 — "그 지역 전기를 그만큼 뽑아 썼고, 그 전기의 평균 배출계수를 곱하면 이만큼"이라는 뜻입니다. 0 tCO₂e는 시장 기준(market-based)입니다 — "쓴 양만큼의 재생에너지를 사 두었다"는 회계 방식입니다. 0은 전기를 안 썼다는 뜻이 아닙니다 (S3).

어느 쪽을 실을지 — 판단은 여러분이 합니다. 근거의 예를 들면,

  • 전력망 기준을 고른다면: 실제로 그 지역 전력망에 얹힌 부하는 11,390톤어치이고, 재생에너지 구매가 그 시각 그 지역의 발전 구성을 바꾸지는 않기 때문.
  • 시장 기준을 고른다면: 기업이 재생에너지에 돈을 낸 것도 실제 행동이고, 그 수요가 장기적으로 발전 구성을 바꾸는 힘이 되기 때문.

다만 어느 쪽을 골랐는지 밝히지 않고 숫자만 싣는 것은 어느 쪽 근거로도 정당화되지 않습니다. 오늘 배운 규칙이 그것입니다 — 숫자에는 무엇을 세었는지가 따라붙어야 합니다.

6. 오늘 계산표에는 한 줄도 들어가지 못한 값이 있었습니다. 그것이 무엇이었는지 쓰고, 왜 못 넣었는지와 못 넣었다는 사실을 본문에 적는 것이 왜 계산의 일부인지를 설명하세요. 그리고 이 빈칸이 8차시 토론에서 어떤 주장의 근거가 될 수 있을지 한 줄로 쓰세요.
📖 모범 답안

데이터에 이름표를 붙이고 유해물을 걸러 내는 사람의 노동입니다. 이 노동의 규모와 임금에 대해 인용할 수 있는 통계를 찾지 못했습니다. 그래서 오늘 표에는 숫자 대신 '숫자 없음'이라고 적었습니다.

왜 적어야 하나: 비용을 다 세었다는 듯이 표를 내놓으면, 읽는 사람은 표에 있는 것이 전부라고 읽습니다. 그러면 '전기는 줄었으니 문제가 해결됐다'는 결론이 나올 수 있는데, 그 결론은 세지 않은 칸을 0으로 놓은 결과일 뿐입니다. 빠진 것이 있다는 사실을 적는 것까지가 계산입니다.

8차시로 넘길 한 줄(예): "AI의 값을 따질 때 전기와 탄소만 표에 올리면, 숫자가 없는 값은 자동으로 0이 된다. 무엇을 세지 못했는지를 함께 밝히는 것을 우리 학급 규약에 넣자." — 물·하드웨어 제조(BLOOM은 배출의 22%가 제조분이었습니다)도 같은 방식으로 쓸 수 있습니다.

🔁 되돌아보기

오늘 학습 1회의 전력을 곱셈 두 줄로 재현했고, 1년치 추론이 그것을 하루 1,178만 건(1건 0.30 Wh 가정)에서 따라잡는다는 것을 계산했습니다. 같은 사용량인데 전력망만 바꾸면 탄소가 23.8배까지 벌어지는 것도 보았습니다. 다음 시간에는 일자리를 봅니다 — 1차시에서 '누군가의 일이었던 판단'으로 세어 둔 열 개가 거기서 다시 나옵니다. 오늘처럼, 인상이 아니라 쪼개서 재는 방법으로 다룹니다.

🔎

더 알아보기

1건당 값과 총량, 지표가 보지 못하는 칸, 그리고 이 셈을 직업으로 하는 사람들

박물관 벽 앞에 선 볼턴·와트 증기기관의 거대한 쇠 플라이휠과 가운데의 톱니바퀴 두 개, 왼쪽의 철제 계단
역사

효율이 좋아졌는데 왜 총량은 늘까 — 제번스의 역설

사진은 1785년에 만든 볼턴·와트 증기기관의 플라이휠입니다. 왼쪽 계단과 견주어 보면 바퀴 크기가 짐작됩니다. 제임스 와트가 개량한 증기기관은 그 전의 뉴커먼 기관보다 같은 일을 하는 데 석탄을 훨씬 적게 썼습니다. 그러면 영국의 석탄 소비는 줄었을까요?

1865년 영국 경제학자 윌리엄 스탠리 제번스는 『석탄 문제(The Coal Question)』에서 반대라고 썼습니다. 석탄을 아껴 쓰는 기관이 나오자 증기기관을 쓰는 값이 싸졌고, 더 많은 공장과 광산이 증기기관을 들이면서 석탄 소비가 오히려 늘었다는 것입니다. 효율이 좋아져 사용이 늘고 그만큼 절약분을 삼키는 현상을 오늘날 제번스의 역설, 또는 반동 효과(rebound effect)라고 부릅니다.

오늘 본문에 같은 짜임이 있었습니다. 구글은 제미나이 프롬프트 1건의 에너지를 12개월 만에 33배 줄였다고 보고했지만 S4, 같은 기간 질의 수는 더 늘었고, 세계 데이터센터 전력은 2030년까지 2.3배로 늘 것으로 전망됩니다 S9. 다만 효율 향상이 언제나 총량을 늘리는 것은 아닙니다. 값이 싸졌을 때 사람들이 얼마나 더 쓰느냐에 달려 있어서, 경제학자들은 이 크기를 분야마다 따로 잽니다. 그래서 효율 기사를 읽으면 두 번 묻습니다 — 1건당 얼마인가, 그리고 모두 합해 얼마인가.

사진: 볼턴·와트 증기기관(1785년 제작)의 플라이휠, 시드니 파워하우스 박물관 · 출처: Newtown grafitti from Sydney, Australia, Wikimedia Commons (CC BY 2.0)

IT 장비 1,000 MWh — 똑같은 계산을 두 건물에서 전기 (MWh) A 1,090 B 1,560 IT 장비 냉각·손실 (PUE − 1) 탄소 (tCO₂e) A 730.4 B 43.9 ← A가 16.7배 A PUE 1.09 · 인도 전력망 670 g/kWh B PUE 1.56 · 노르웨이 전력망 28 g/kWh
원리 더 깊이

PUE가 말해 주지 않는 것 — 좋은 건물, 나쁜 전기

PUE는 2007년 데이터센터 업계 단체 더 그린 그리드(The Green Grid)가 내놓은 지표이고, 지금은 국제 표준(ISO/IEC 30134-2)으로도 정해져 있습니다. 나눗셈 하나라 건물끼리 견주기 쉬워 널리 퍼졌지만, 나눗셈 하나이기 때문에 보지 못하는 칸도 분명합니다.

첫째, PUE는 전기의 양만 봅니다. 그림은 IT 장비가 똑같이 1,000 MWh를 쓰는 두 건물을 우리가 가정해 계산한 것입니다 ②. A는 PUE 1.09(구글 전사 평균 수준 S18)지만 인도 전력망, B는 PUE 1.56(세계 평균 S15)이지만 노르웨이 전력망입니다 S11. 전기는 B가 470 MWh 더 쓰는데, 탄소는 A가 730.4톤, B가 43.9톤으로 A가 16.7배입니다 ②.

둘째, 무엇을 IT 장비로 세느냐에 따라 PUE가 움직입니다. 서버 안의 팬은 IT 전력으로 셉니다. 그래서 건물의 냉각을 줄이고 서버 팬을 더 세게 돌리면, 총 전력이 그대로여도 PUE는 좋아 보일 수 있습니다. 셋째, 물이 셈에 없습니다. 물을 증발시켜 식히면 전기가 덜 들어 PUE는 낮아지지만 물은 더 씁니다. 그래서 같은 단체가 물을 따로 재는 WUE(IT 전력 1 kWh당 물 L)라는 지표를 만들었습니다. 오늘 배운 '무엇까지 세느냐'가 지표 하나 안에서도 똑같이 일어나는 셈입니다.

회색 바탕 위의 흰색 콘센트형 전력측정기 — 위쪽에 액정 화면과 SET·M·UP 단추 셋, 아래쪽에 전기 기기를 꽂는 콘센트 구멍
진로

전기를 재고 탄소를 세는 사람들

정리 절에서 "실제 교실 값은 콘센트 전력측정기로 재어 바꿔 넣으세요"라고 했지요. 사진이 그 측정기입니다. 벽 콘센트와 기기 사이에 끼워 꽂으면 기기가 지금 몇 W를 먹는지, 켜 둔 동안 모두 몇 kWh를 썼는지 화면에 보여 줍니다. 오늘의 곱셈은 모두 이런 측정값 하나에서 시작합니다 — 재는 순간 가정 칸 하나가 측정 칸으로 바뀝니다.

이 일을 직업으로 하는 사람들이 있습니다. 데이터센터 에너지 엔지니어는 전력과 냉각을 계측해 PUE를 낮추고, 어느 설비를 언제 돌릴지를 다룹니다 — 개념 5에서 본 '설비 쪽 지렛대'를 실제로 움직이는 사람들입니다. 기업의 탄소 회계·ESG 공시 담당자는 국제 온실가스 회계 기준인 GHG 프로토콜에 따라 배출을 셉니다. 이 기준의 전력 부문 지침(Scope 2, 2015)은 전력망 기준과 시장 기준 두 숫자를 함께 보고하게 합니다. 메타가 11,390톤과 0톤을 나란히 낸 것도 이 두 셈법을 따른 것입니다 S3.

인공지능을 만드는 쪽에도 이 일이 들어왔습니다. 코드가 도는 동안 전력과 탄소를 추정해 주는 CodeCarbon 같은 오픈소스 파이썬 도구가 있고, BLOOM 논문 S2이나 Llama 3.1 모델 카드 S3처럼 모델을 공개하며 학습 전력과 배출을 함께 적는 일도 생겼습니다. 가정을 밝히고, 출처를 달고, 세지 못한 칸을 적는 것 — 오늘 우리가 한 일이 이 직업들이 매일 하는 일의 축소판입니다.

사진: 콘센트형 전력측정기 · 출처: DYVER, Wikimedia Commons (CC BY-SA 4.0)