AI는 물을 얼마나 사용하나요?

"AI가 몇 문제 풀 때마다 물 한 병을 마신다"는 말부터 "겨우 몇 방울"에 불과하다는 말까지 온갖 이야기를 들어보셨을 겁니다. 하지만 진실은 훨씬 더 복잡합니다. AI의 물 사용량은 실행 위치, 질문 시간, 데이터 센터의 서버 냉각 방식 등 여러 요인에 따라 크게 달라집니다. 따라서 AI가 물을 얼마나 사용하는지는 분명 사실이지만, 고려해야 할 변수가 너무 많습니다.

아래에서는 명확하고 바로 의사결정에 도움이 되는 수치를 분석하고, 추정치가 서로 다른 이유를 설명하며, 건축업자와 일반 사용자가 지속가능성 수도승이 되지 않고도 물 사용량을 줄일 수 있는 방법을 보여드리겠습니다.

이 글을 읽고 나서 읽어보시면 좋을 만한 글들:

🔗 AI 데이터셋이란 무엇인가
데이터셋이 머신러닝 학습 및 모델 개발을 가능하게 하는 방식을 설명합니다.

🔗 인공지능은 어떻게 트렌드를 예측할까요?
인공지능이 패턴을 분석하여 변화와 미래 결과를 예측하는 방법을 보여줍니다.

🔗 AI 성능을 측정하는 방법
정확성, 속도 및 신뢰성을 평가하는 데 필수적인 지표들을 분석합니다.

🔗 AI와 대화하는 방법
명확성, 결과 및 일관성을 향상시키기 위한 효과적인 프롬프트 전략을 안내합니다.

AI는 물을 얼마나 사용할까요? 실제로 활용할 수 있는 간단한 수치를 알려드립니다 📏

• 프롬프트당 일반적인 범위는 오늘날 다음과 같습니다. 한 주류 시스템에서 중간 텍스트 프롬프트의 경우 밀리리터 미만 에서 수십 밀리리터 . 예를 들어, Google의 생산 회계 보고서에 따르면 중간 텍스트 프롬프트는 약 0.26mL (전체 서비스 오버헤드 포함)입니다[1]. Mistral의 수명 주기 평가에서는 400개 토큰의 어시스턴트 응답을 약 45mL (한계 추론)로 추정합니다[2]. 컨텍스트와 모델이 매우 중요합니다.

• 프론티어 규모 모델 훈련: 수백만 리터 에 달할 수 있으며 , 대부분 냉각과 전력 생산에 포함된 물에서 발생합니다. 널리 인용되는 학술 분석에서는 GPT급 모델을 훈련하는 데 약 540만 리터의 약 70만 리터가 물 사용량을 줄이기 위해 스마트 스케줄링이 필요하다고 주장했습니다[3].

• 데이터 센터 일반: 대규모 사이트는 주요 운영자의 경우 평균적으로 하루에 수십만 갤런을

솔직히 말해서, 처음에는 그 수치들이 일관성이 없어 보일 수 있습니다. 실제로 그렇습니다. 그리고 그럴 만한 이유가 있습니다.

AI 기반 물 사용량 측정 ✅

"인공지능이 물을 얼마나 사용하는가?"라는 질문 에 대한 좋은 답변은 다음과 같은 몇 가지 조건을 충족해야 합니다.

1. 경계 명확성
   현장 냉각수 만 포함하는가 , 아니면 발전소 전기를 생산하기 위해 현장 외 물도 물 취수 와 물 소비 및 범위 1-2-3을 구분합니다[3].

2. 위치 민감도
   kWh당 물 사용량은 지역과 그리드 혼합에 따라 다르므로 동일한 프롬프트라도 제공되는 위치에 따라 다른 물 영향을 미칠 수 있습니다. 이것이 문헌에서 시간 및 장소를 고려한 스케줄링을 [3].

3. 작업 부하 현실성 이
   수치는 중간 생산 프롬프트를 , 아니면 피크 시 가속기만 반영합니까? Google은 TPU 계산뿐만 아니라 추론을 위해 전체 시스템 회계(유휴, CPU/DRAM 및 데이터 센터 오버헤드)를 강조합니다[1].

4. 냉각 기술
   증발 냉각, 폐쇄 루프 액체 냉각, 공기 냉각 및 새롭게 등장하는 칩 직접 특정 차세대 사이트에서 냉각수 사용을 없애기 위한 설계를 출시하고 있습니다

5. 하루 중 시간대와 계절
   열, 습도 및 그리드 조건은 물 사용 효율성을 . 영향력 있는 한 연구에서는 물 사용량이 적은 시간과 장소에서 주요 작업을 계획하는 것을 제안합니다[3].

물 취수량과 물 소비량의 차이점을 설명합니다 💡

• 취수량 = 강, 호수 또는 지하수층에서 취수하는 물 (일부는 다시 되돌려짐).

• 소비량 증발하거나 공정/제품에 포함되어 회수되지 않는 물

냉각탑은 주로 소비합니다 . 발전소와 냉각 방식에 따라 전력 생산은 끌어다 쓸 (때로는 일부를 소비하기도 합니다). 신뢰할 수 있는 AI-물 수치는 보고하는 내용을 나타냅니다[3].

AI에서 물이 가는 곳: 세 가지 양동이 🪣

1. 범위 1 - 현장 냉각
   가시적인 부분: 데이터 센터 자체에서 증발된 물. 증발식 대 공기식 또는 폐쇄 루프 액체식과 기준을 설정합니다[5].

2. 범위 2 - 전력 생산
   모든 kWh에는 숨겨진 물 태그가 포함될 수 있습니다. 혼합 및 위치에 따라 워크로드가 상속받는 리터/kWh 신호가 결정됩니다[3].

3. 범위 3 - 공급망
   칩 제조는 제조 과정에서 초순수를 사용합니다. 경계에 명시적으로 내재된 영향(예: 전체 LCA)이 포함되지 않는 한 "프롬프트별" 측정 항목에서는 이를 볼 수 없습니다.[2][3]

숫자로 보는 의료 서비스 제공업체, 그리고 그 세부적인 내용까지 🧮

• Google Gemini 프롬프트는
  전체 스택 서비스 방식(유휴 및 시설 오버헤드 포함)을 나타냅니다. 중간 텍스트 프롬프트는 약 0.26mL 의 물과 약 0.24Wh의 에너지를 소비합니다. 수치는 생산 트래픽과 포괄적 경계를 반영합니다[1].

• Mistral Large 2 수명주기
  드문 독립 LCA(ADEME/Carbone 4 포함)는 훈련 + 초기 사용을 위해 약 281,000m³를 400토큰 에 대한 추론 한계는 약 45mL입니다 [2].

• Microsoft의 물 냉각 제로 목표
  차세대 데이터 센터는 칩 직접 접근 방식을 활용하여 냉각에 물을 전혀 소비하지 않도록

• 일반 데이터센터 규모
  주요 운영업체는 하루 평균 수십만 갤런을 . 기후 및 설계에 따라 수치가 오르거나 내립니다[5].

• 초기 학문적 기준선
  인 "목마른 AI" 분석에서는 GPT급 모델을 훈련하는 데 수백만 리터가 필요 10~50개의 중간 답변이 500mL 같다고 . 이는 실행 시점/장소에 따라 크게 달라집니다.[3]

왜 추정치가 이렇게 차이가 나는 걸까요? 🤷

• 경계가 다릅니다.
  어떤 수치는 현장 냉각만 , 다른 수치는 전기의 물을 칩 제조를 추가할 수 있습니다 . 사과, 오렌지, 과일 샐러드[2][3].

• 다양한 작업 부하
  짧은 텍스트 프롬프트는 긴 멀티모달/코드 실행이 아닙니다. 배치, 동시성 및 지연 시간 목표는 활용도를 변경합니다[1][2].

• 기후와 그리드가 다릅니다.
  덥고 건조한 지역의 증발 냉각은 시원하고 습한 지역의 공기/액체 냉각과 다릅니다. 그리드의 물 강도는 매우 다양합니다[3].

• 벤더 방법론
  "티스푼의 1/15" 이 프롬프트당 헤드라인을 장식했지만 경계 세부 정보가 없으면 비교할 수 없습니다[1][3].

• 움직이는 목표
  냉각은 빠르게 진화하고 있습니다. Microsoft는 무수 냉각을 있으며 이를 배포하면 상위 전기가 여전히 물 신호를 전달하더라도 현장의 물 사용량을 줄일 수 있습니다[4].

오늘 당신이 AI의 물 사용량을 줄이기 위해 할 수 있는 일 🌱

1. 모델 크기를 적절하게 조정하세요.
   더 작고 작업에 맞춰 조정된 모델은 종종 컴퓨팅 자원을 덜 소모하면서 정확도를 유지합니다. Mistral의 평가는 강력한 크기와 풋프린트 상관관계를 강조하고 한계 추론 수치를 게시하여 트레이드오프에 대해 추론할 수 있도록 합니다[2].

2. 물 절약형 지역을 선택하세요.
   더 시원한 기후, 효율적인 냉각, kWh당 물 사용량이 적은 그리드를 갖춘 지역을 선호하세요. "목마른 AI" 작업은 시간 및 장소 인식 스케줄링이 도움이 된다는 것을 보여줍니다[3].

3. 시간별 작업 부하
   조정 훈련/대량 배치 추론을 물 효율적인 시간(시원한 밤, 유리한 그리드 조건)에 맞춰 예약합니다[3].

4. 공급업체에 투명한 측정 기준(
   요청 시 물 수요 , 경계 정의, 유휴 용량 및 시설 간접비가 포함되는지 여부)을 요청하십시오. 정책 그룹은 공정한 비교를 위해 의무적인 공개를 추진하고 있습니다[3].

5. 냉각 기술은 중요합니다.
   하드웨어를 실행하는 경우 폐쇄 루프/칩 직접 냉각을 클라우드에 있는 경우 수냉식 설계 [4][5].

6. 회색수 및 재사용 옵션을 사용합니다.
   많은 캠퍼스에서 비음용수원을 대체하거나 루프 내에서 재활용할 수 있습니다. 대규모 운영자는 순영향을 최소화하기 위해 수원과 냉각 선택의 균형을 맞추는 방법을 설명합니다[5].

이를 현실적으로 보여주는 간단한 예(보편적인 규칙은 아님): 한여름의 덥고 건조한 지역에서 봄의 더 시원하고 습한 지역으로 야간 교육 작업을 옮기고, 비수기 및 더 시원한 시간에 실행하면 현장 물 사용량과 외부 (그리드) 물 사용량을 모두 바꿀 수 있습니다. 이것이 바로 스케줄링을 통해 얻을 수 있는 실용적이고 부담 없는 이점입니다[3].

비교표: AI의 물 사용량을 줄이는 빠른 선택 사항 🧰

("가격"은 의도적으로 모호하게 설계되었으며, 적용 방식은 다양합니다.)

심층 분석: 정책에 대한 요구가 점점 거세지고 있습니다 🥁

의무적인 공개를 요구합니다 . 권장 사항에는 범위 정의, 사이트 수준 보고 및 위치 지침이 포함됩니다. 비교 가능한 위치 인식 측정 기준이 없으면 우리는 어둠 속에서 논쟁하는 것과 같기 때문입니다[3].

심층 분석: 데이터 센터들이 모두 똑같은 방식으로 물을 마시는 건 아닙니다 🚰

“공랭식은 물을 사용하지 않는다”는 잘못된 통념이 있습니다. 사실 그렇지 않습니다. 공기가 많이 사용되는 시스템은 종종 더 많은 전력을 , 많은 지역에서 전력망에서 숨겨진 물을 수랭식은 현장의 물 사용량을 감수하는 대신 전력과 배출량을 줄일 수 있습니다. 대규모 운영업체는 현장별로 이러한 절충점을 명시적으로 조정합니다[1][5].

심층 분석: 바이럴 콘텐츠에 대한 빠른 진실 점검 🧪

단 한 번의 프롬프트가 "물 한 병"과 같다는 대담한 주장이나, 반대로 "단 몇 방울"과 같다는 주장을 보셨을 수도 있습니다. 더 나은 자세: 수학에 대한 겸손 . 오늘날 신뢰할 수 있는 양은 전체 서비스 오버헤드가 있는 중간 생산 프롬프트의 경우 약 0.26mL 약 45mL [2]입니다. 널리 공유되는 "티스푼의 1/15" 라는 주장은 공개된 경계/방법이 부족합니다. 도시가 없는 일기 예보처럼 취급하십시오[1][3].

간단 FAQ: AI는 물을 얼마나 사용하나요? 다시 한번, 아주 쉽게 설명해 드릴게요 🗣️

• 그럼 회의에서 뭐라고 말해야 할까요?
  모델, 길이, 그리고 작동 환경에 따라 몇 방울에서 몇 모금까지 마셔야 합니다 훈련에는 웅덩이가 아니라 수영장이 필요합니다." 그리고 위에서 언급한 예시를 한두 개 들면 됩니다.

• AI는 유독 나쁜가요? AI
  는 유독 집중되어 . 고성능 칩이 밀집되어 있어 냉각 부하가 큽니다. 하지만 데이터 센터는 최고의 효율성 기술이 먼저 적용되는 곳이기도 합니다.[1][4]

• 모든 것을 공랭식으로 바꾸면 어떻게 될까요?
  현장의 물은 줄어들 수 있지만 외부의 물은 늘어날 수 있습니다. 숙련된 운영자는 두 가지 모두를 고려합니다[1][5].

• 미래 기술은 어떨까요?
  냉각수를 사용하지 않는 설계는 Scope 1에 있어서 판도를 바꿀 것입니다. 일부 운영자는 이러한 방향으로 나아가고 있습니다. 상류 전기는 그리드가 변경될 때까지 여전히 물 신호를 전달합니다[4].

마지막 말 - 너무 길어서 다 읽지 않았어요 🌊

• 프롬프트당: 모델, 프롬프트 길이 및 실행 위치에 따라 밀리리터 미만에서 수십 밀리리터까지 생각해 보세요 하나의 주요 스택에서 프롬프트의 중앙값은 약 0.26mL 400토큰 응답의 경우 약 45mL입니다 .[1][2]

• 훈련: 수백만 리터 , 일정, 위치 선정 및 냉각 기술이 중요해짐[3].

• 해야 할 일: 적절한 크기의 모델, 물 절약형 지역 선택, 무거운 작업의 서늘한 시간으로 이동, 물 절약형 설계를 제공하는 공급업체 선호, 투명한 경계 요구[1][3][4][5].

약간 어설픈 비유로 마무리하자면, AI는 목마른 오케스트라와 같습니다. 멜로디는 컴퓨팅이고, 드럼은 시원하고 깨끗한 물과 같죠. 오케스트라의 조율만 잘하면 스프링클러가 작동하지 않아도 관객들은 음악을 즐길 수 있습니다. 🎻💦

참고 자료

1. Google Cloud 블로그 - Google의 AI는 얼마나 많은 에너지를 사용할까요? 저희가 계산해 봤습니다 (방법론 + 약 0.26mL , 전체 서비스 오버헤드 포함). 링크
   (기술 논문 PDF: Google 규모의 AI 제공이 환경에 미치는 영향 측정 ) 링크

2. Mistral AI - AI를 위한 글로벌 환경 표준에 대한 당사의 기여 (ADEME/Carbone 4를 사용한 LCA; 약 281,000m³ 의 학습 및 초기 사용; 400개 토큰 당 약 45mL , 한계 추론). 링크

3. Li 외 - AI의 "물 소비" 감소: AI 모델의 숨겨진 물 발자국 밝혀내기 및 해결 방안 수백만 리터 학습 , 시간 및 장소 인식 스케줄링, 인출 vs. 소비). 링크

4. 마이크로소프트 - 차세대 데이터센터는 냉각에 물을 전혀 사용하지 않습니다 (특정 사이트에서 무수 냉각을 목표로 하는 칩 직접 연결 설계). 링크

5. 구글 데이터 센터 - 지속 가능한 운영 (사이트별 냉각 방식 최적화, 보고 및 재사용(재활용수/생활하수 포함), 일반적인 사이트별 일일 사용량 규모). 링크

최신 AI 기술을 공식 AI 어시스턴트 스토어에서 만나보세요

회사 소개