[논문 리뷰] Unraveling the Hidden Environmental Impacts of AI Solutions for Environment

Anne‐Laure Ligozat, Julien Lefèvre외 2명|arXiv (Cornell University)|2021. 10. 22.

Energy, Environment, and Transportation Policies참고 문헌 22인용 수 4

한 줄 요약

이 논문은 인공지능을 활용한 녹색 솔루션의 환경적 영향을 종합적으로 평가하기 위해 생애주기 평가(LCA) 프레임워크를 제안한다. 이는 탄소 배출량에 국한된 지표를 넘어서, 환경 영향을 종합적으로 평가하는 데 목적이 있다. 현재의 AI를 활용한 녹색 솔루션 연구는 자원 사용 및 간접적 영향을 과소평가하고 있으며, 직접적 영향과 잠재적 반동 효과(예: 재고 효과)를 평가하기 위해 LCA가 필수적이라고 주장한다. 특히 대규모 도입 상황에서 이러한 영향을 고려할 필요가 있다.

ABSTRACT

In the past ten years, artificial intelligence has encountered such dramatic progress that it is now seen as a tool of choice to solve environmental issues and in the first place greenhouse gas emissions (GHG). At the same time the deep learning community began to realize that training models with more and more parameters requires a lot of energy and as a consequence GHG emissions. To our knowledge, questioning the complete net environmental impacts of AI solutions for the environment (AI for Green), and not only GHG, has never been addressed directly. In this article, we propose to study the possible negative impacts of AI for Green. First, we review the different types of AI impacts, then we present the different methodologies used to assess those impacts, and show how to apply life cycle assessment to AI services. Finally, we discuss how to assess the environmental usefulness of a general AI service, and point out the limitations of existing work in AI for Green.

연구 동기 및 목표

• 탄소 배출량 외에 온실가스(GHG) 배출량만을 고려하는 평가의 한계를 해결하기 위해, AI를 활용한 녹색 솔루션의 전체 환경적 영향을 평가하는 데 목적이 있다.
• 에너지 소비와 탄소 배출량에만 초점을 맞춘 현재의 AI 영향 평가의 한계를 평가하는 데 목적이 있다.
• 생애주기 평가(LCA)가 AI 서비스의 모든 생애주기 단계에서 발생하는 직접적 환경 영향을 체계적으로 파악할 수 있도록 적용하는 방법을 보여주는 데 목적이 있다.
• 대규모 AI 도입이 환경적 이점을 가져올 것으로 가정할 경우, 반동 효과 및 제3차 사회적 영향의 위험을 부각하는 데 목적이 있다.
• 환경적 이득이 숨겨진 또는 간접적인 환경 비용에 의해 상쇄되지 않도록 하기 위해, LCA를 AI 연구에 통합할 것을 주장하는 데 목적이 있다.

제안 방법

• AI 서비스의 전체 환경적 발자국을 평가하기 위해 생애주기 평가(LCA)를 核심 방법론으로 채택하여 자원 사용, 에너지 소비, 폐기 단계의 영향을 포함한다.
• AI 기반 솔루션과 기준이 되는 비AI 솔루션을 LCA를 통해 비교하여 순환적 환경적 이점 또는 단점 여부를 판단한다.
• 기여적(LCA) 및 결과적(LCA) 프레임워크를 모두 적용하며, 특히 시스템적 변화를 반영하기 위해 대규모 도입이 예상될 경우 결과적 접근이 중요하다.
• 온실가스 외에 자원 고갈, 부영양화, 독성 등과 같은 주요 환경 영향 범주를 기존 LCA 지표를 활용해 식별하고 분석한다.
• 기존 도구 및 데이터베이스(Ecoinvent 등)를 사용해 생애주기 재료량(LCI) 데이터를 정량화하지만, GPU 및 전용 AI 하드웨어에 대한 데이터 격차는 인정한다.
• AI 공동체가 개방 과학 원칙과 유사하게 제조업체와 협력해 데이터 투명성을 높임으로써 LCA 정확도를 향상시킬 것을 제안한다.

실험 결과

연구 질문

• RQ1 AI를 활용한 녹색 솔루션의 온실가스 배출량을 초월한 전체 환경적 영향은 무엇인가?
• RQ2 생애주기 평가(LCA)는 어떻게 효과적으로 AI 서비스의 환경적 발자국을 평가하는 데 적용될 수 있는가?
• RQ3 왜 현재의 AI를 활용한 녹색 솔루션 평가들은 체계적으로 그 진정한 환경 비용을 과소평가하는가?
• RQ4 대규모 AI 도입이 환경에 미치는 잠재적 반동 효과와 제3차 영향은 무엇인가?
• RQ5 LCA는 실제 환경에서의 AI 도입에 따른 체계적이고 간접적인 환경 영향을 어떻게 반영할 수 있는가?

주요 결과

• 현재의 AI를 활용한 녹색 솔루션 연구는 주로 에너지 소비와 온실가스 배출량에 집중함으로써 자원 흐름과 간접적 영향을 간과함으로써 환경 영향을 심각하게 과소평가하고 있다.
• 생애주기 평가(LCA)는 생산, 사용, 폐기 단계를 포함해 AI 서비스에서 발생하는 다양한 환경 영향을 종합적으로 파악할 수 있는 강력한 방법론이다.
• LCA에서 순환적 환경적 이점이 나타나더라도 이는 기술적 잠재력에 불과하며, 실제 행동 양식, 인프라 변화 또는 체계적 변화로 인해 실현되지 않을 수 있다.
• AI 솔루션의 대규모 도입은 리튬, 코발트 등 체감 자원 수요 증가 또는 화석 연료 기반 에너지 의존도 증가 등 비선형적 환경 영향을 유발할 수 있으며, 이러한 영향은 기여적 LCA가 포착하지 못할 수 있다.
• 대규모 AI 응용 분야에서는 기여적 접근보다 결과적 LCA 프레임워크가 필수적이다. 이는 시장 및 체계 수준의 변화를 반영하기 때문이다.
• GPU 및 기타 AI 하드웨어의 환경 영향에 대한 심각한 데이터 격차가 존재하며, 이는 LCA의 정확도를 제한한다. 저자들은 이러한 격차를 메우기 위해 산업계의 더 높은 투명성 필요성을 주장한다.