AI의 물질 발자국이란?

AI 모델은 화면 속 소프트웨어처럼 보이지만, 이를 실행하려면 긴 물리적 연결고리가 필요합니다. 광산과 정련 시설이 원자재를 공급하고, 반도체 공장이 프로세서와 메모리를 제조하며, 장비 제조업체가 서버를 조립하고, 데이터센터가 전력, 네트워크, 냉각을 제공합니다.

이 구분이 중요한 이유는 운영 중 사용하는 전력이 전과정의 일부에 불과하기 때문입니다. 서버가 첫 프롬프트를 처리하기 전부터 칩, 회로 기판, 전원 공급 장치, 저장 장치, 냉각 장비, 그리고 이를 수용하는 건물을 만드는 데 이미 에너지와 자재가 사용됩니다.

이 발자국 전체를 하나의 수치로 나타낼 수는 없습니다. 연구마다 평가 경계가 다릅니다. 어떤 연구는 컴퓨팅 장비만 포함하지만, 다른 연구는 건물, 전력 인프라, 물, 네트워크, 교체 주기, 사용 종료 후 처리까지 포함합니다. 신뢰할 수 있는 추정치는 포함 범위를 명시해야 합니다.

AI 가속기는 프로세서, 고대역폭 메모리, 회로 기판, 냉각 부품, 복잡한 패키징 기술을 결합합니다. 이를 생산하려면 극도로 통제된 제조 환경, 반복적인 가공 단계, 초순수, 전력, 특수 가스, 화학물질이 필요합니다.

반도체 공정 노드가 미세해지면 연산 성능이 향상될 수 있지만, 제조 과정의 환경 영향이 사라지는 것은 아닙니다. The Shift Project의 검토에 따르면 제조 공정이 고도화될수록 실리콘 단위 면적당 에너지, 물, 온실가스 관련 영향이 증가할 수 있으며, 공개된 제품별 데이터는 여전히 불완전합니다.

따라서 효율은 두 가지 차원에서 고려해야 합니다. 신형 가속기는 같은 워크로드를 더 적은 전력으로 처리할 수 있지만, 장비를 조기에 교체하면 새로운 제조 발자국도 발생합니다. 최선의 결과는 워크로드 처리 효율, 실제 사용 수명, 가동률, 교체된 기존 하드웨어의 처리 방식에 따라 달라집니다.

서버에는 철강, 알루미늄, 구리, 실리콘뿐 아니라 전자부품, 배터리, 자석, 커넥터, 전력 시스템에 쓰이는 다양한 특수 소재가 소량씩 들어갑니다. The Shift Project가 요약한 ADEME 연구에 따르면 디지털 장비 전반에는 50종이 넘는 금속이 포함될 수 있습니다.

문제는 각 소재의 질량만이 아닙니다. 채굴, 정련, 부품 생산은 서로 다른 국가에서 이루어지며, 에너지, 물, 오염, 노동, 거버넌스 관련 여건도 크게 다를 수 있습니다. 정련이 어려운 소재는 소량만으로도 최종 서버의 무게에서는 드러나지 않는 영향을 미칠 수 있습니다.

공급망은 지리적으로도 편중되어 있습니다. Stanford의 AI Index는 첨단 반도체 제조와 AI 연산 역량이 소수 국가에 집중되어 있다고 지적합니다. 이러한 집중은 산업의 병목을 만들고 혜택과 환경 부담을 불균등하게 배분할 수 있습니다.

AI 인프라에는 가속기 랙 이상의 것이 필요합니다. 데이터센터에는 콘크리트, 구조용 강재, 변전소, 예비 시스템, 배터리, 변압기, 개폐 장치, 케이블, 펌프, 열교환기, 냉각탑, 네트워크 장비가 사용됩니다.

화석연료 의존도가 높은 전력망에서는 제조와 건설에 따른 내재 배출량이 운영 배출량보다 작은 경우가 많지만, 무시할 수는 없습니다. 전력의 탄소집약도가 낮아지면 그 상대적 중요성은 커집니다. 콘크리트, 철강, 전자 장비, 교체 장비는 계속해서 전과정에 포함되기 때문입니다.

시설과 IT 장비의 노후화 속도도 다릅니다. 네브래스카에 있는 Google의 Agate 데이터센터에 관한 2026년 제출 문서는 일반적인 시설 설계 수명이 25년을 넘고 건물 구조체의 수명은 30~50년이라고 설명합니다. 반면 내부의 컴퓨팅, 전기, 냉각 하위 시스템은 모듈 단위로 교체하거나 현대화합니다. 이는 한 데이터센터에 대한 운영사의 설명이며, 업계 전체에 적용되는 보편적인 규칙은 아닙니다.

더 빠른 가속기에 대한 수요는 기존 하드웨어가 여전히 작동하더라도 실제 교체 주기를 단축할 수 있습니다. 새 장비는 와트당 성능을 높일 수 있지만, 이를 제조하려면 자재, 산업용 에너지, 운송, 설치가 다시 필요합니다.

운영에서 제외된 하드웨어가 곧바로 폐기물이 되는 것은 아닙니다. 일부 서버와 부품은 요구 성능이 낮은 워크로드에 재배치하거나, 재정비하거나, 재판매하거나, 예비 부품으로 사용할 수 있습니다. 안전한 데이터 처리, 호환성, 에너지 효율, 유지보수 비용에 따라 재사용의 실현 가능성이 결정됩니다.

재사용할 수 없는 장비는 전자폐기물 처리 체계로 들어갑니다. UNU-INWEH 보고서는 AI 관련 전자폐기물이 2030년까지 연간 최대 2.5백만 톤에 이를 수 있다는 전망을 인용합니다. 이는 현재 측정된 총량이 아니라 미래 추정치이며, 도입과 교체에 관한 가정에 크게 좌우됩니다.

반도체와 전자 장비를 제조할 때는 물을 소비하고 용제, 특수 가스, 잔류성 화학물질을 사용할 수 있습니다. PFAS는 일부 반도체 공정과 열전달 용도에 사용되지만, 공개된 근거만으로 AI에만 귀속되는 정확한 전 세계 PFAS 총량을 산정할 수는 없습니다.

토지 이용도 또 하나의 평가 범위입니다. 광산, 공장, 발전 시설, 송전선, 데이터센터 단지는 모두 공간을 차지하지만, 토지 발자국 산정 결과는 전력원과 산정 방법에 크게 좌우됩니다. UNU-INWEH 보고서는 탄소 배출, 물 소비, 토지 이용을 각각 줄이는 선택이 항상 같은 선택은 아닌 이유를 보여 줍니다.

이러한 영향은 최종 서비스 이용자로부터 멀리 떨어진 곳에서 발생할 수 있습니다. 광물은 한 지역에서 채굴되고 다른 지역에서 정련된 뒤, 또 다른 곳에서 칩으로 제조되어 전 세계 이용자에게 서비스를 제공하는 데이터센터에 설치될 수 있습니다. 전과정 분석은 이러한 영향을 모두 하나의 점수로 환원할 수 있다고 가정하지 않으면서도, 여러 지역에 분산된 영향을 드러내는 데 도움이 됩니다.

가장 직접적인 수단은 하드웨어의 실제 사용 수명 연장, 높은 서버 가동률, 수리 가능한 모듈형 시스템, 재활용에 앞선 재사용, 더 청정한 제조, 가치 있는 소재의 회수 개선입니다. 운영사는 제품별 발자국과 교체 정책을 공개하여 개선 여부를 검증할 수 있도록 할 수도 있습니다.

소프트웨어 관련 결정도 중요합니다. 용도에 적합한 소형 모델, 효율적인 추론, 배치 처리, 양자화, 단순한 작업을 더 가벼운 시스템으로 배분하는 방식은 기존 하드웨어로 유용한 작업을 수행하도록 합니다. 효율 향상이 전체 발자국을 줄이려면 수요 증가가 절감 효과를 상쇄하지 않아야 합니다.

측정 개선은 필수입니다. 보고할 때는 운영 전력과 내재 배출량을 구분하고, 전과정 평가 경계를 명시하며, 회사 전체 평균과 시설별 데이터를 구별해야 합니다. 목표는 각 프롬프트에 정확한 소재 관련 수치를 부여하는 것이 아니라, 인프라 의사결정의 투명성과 비교 가능성을 높이는 것입니다.