ChatGPT에 대해 죄책감을 느끼는 것이 정당한가요? 샘 알트만의 발언을 면밀히 분석하여 진실을 밝혀냈습니다.
ChatGPT를 사용하는 것에 대해 죄책감을 느껴야 할까요? 샘 알트만의 주장을 조사하고 인공지능 사용의 진실을 밝혀봅니다.
가장 중요한 사항들
- AI의 물 소비량 추정치에 큰 차이가 나는 이유는 측정 규모 때문입니다. 알트만의 추정치는 현장 냉각에 직접 사용되는 물에 초점을 맞춘 반면, 다른 연구에서는 전력 생산에 사용되는 물까지 포함하고 있는데, 이는 전체 물 사용량의 75%를 차지할 수 있습니다.
- 샘 알트먼이 38,000건의 ChatGPT 쿼리가 아몬드 한 개 분량의 물을 소비한다고 주장한 것은 최신 기기와 가벼운 쿼리라는 최상의 시나리오를 기반으로 한 것이며, 독립적인 연구에 따르면 실제 소비량은 이보다 수백 배 더 높을 수 있습니다.
- 챗봇 소비량을 아몬드 소비량에 비유하는 것은 오해의 소지가 있습니다. 개별 소비량은 적지만, 매일 수십억 건에 달하는 질의와 모델 학습 작업량은 엄청나며, 데이터 센터는 건조 지역의 물 부족 현상을 심화시키기 때문입니다.
소셜 미디어를 자주 이용하다 보면 " AI 죄책감" 이라는 개념을 접해봤을 가능성이 높습니다 . 요점은 ChatGPT에게 정중한 이메일을 작성해 달라고 하거나 간단한 저녁 식사 레시피를 준비해 달라고 요청할 때마다 어딘가에 있는 서버 팜에서 칩이 녹지 않도록 엄청난 양의 깨끗한 식수를 소비하고 있다는 것입니다.
이제 오픈AI 의 CEO인 샘 알트만은 이러한 널리 퍼진 인식을 불식시키려 노력하고 있습니다. 알렉스 히스와 함께 진행하는 팟캐스트 '소스(Sources)' 의 첫 번째 에피소드에서 알트만은 단순한 AI 애플리케이션이 환경 재앙이라는 인식에 강력하게 이의를 제기했습니다.
그는 인기 있는 간식에 비유하며 반박했다.
ChatGPT 쿼리 38,000건이 아몬드 1개와 맞먹는다고? 진실을 밝히기 위해 숫자를 꼼꼼히 분석해 봤습니다.
유튜브에서 시청하세요
알트만에 따르면, 수백만 갤런의 물을 소비하는 데이터 센터는 구식 냉각 기술에 의존하고 있다고 합니다. 그는 최신 시설에서 ChatGPT 쿼리 38,000개를 실행하는 데 드는 물의 양이 캘리포니아산 아몬드 한 개를 생산하는 데 드는 양과 같다고 주장했습니다. 그는 이 수치가 기억에 의존한 것이므로 완전히 정확하지 않을 수 있다고 인정했지만, 대략적인 범위 내에 있다고 강조했습니다.
이는 일상적인 챗봇 사용이 환경에 거의 영향을 미치지 않는 것처럼 보이게 하려는 놀라운 주장입니다. 하지만 이러한 수치는 면밀한 검토를 견뎌낼 수 있을까요? 그리고 챗봇 사용 요청으로 인한 환경적 비용을 더 이상 걱정할 필요가 없을까요 ?
계산: 아몬드 하나는 실제로 물을 얼마나 흡수할까요?
알트만의 주장을 평가하기 위해서는 아몬드부터 살펴봐야 합니다.
캘리포니아는 전 세계 아몬드 생산량의 약 80%를 차지하며 , 가장 일반적인 농업 추정치에 따르면 아몬드 한 알을 재배하는 데 필요한 물의 양은 약 1.1갤런(약 4.16리터) 입니다 . 별도의 분석에 따르면 강우량과 오염 보정을 고려했을 때 총 물 사용량은 약 12리터(3.2갤런)에 달합니다 . 아몬드 나무는 연중 지속적인 관개가 필요하기 때문에 물 사용량이 많은 작물로 알려져 있습니다.
직접 관개 추정치를 사용하여 알트만 비율을 진지하게 고려한다면 다음과 같습니다.
아몬드 1개 = 약 1.1갤런(4,164ml)의 물
ChatGPT 쿼리 38,000건 = 아몬드 1개
ChatGPT 쿼리 1회당 약 0.0000289갤런(약 0.11ml의 물)이 소모됩니다.
0.11ml가 어느 정도인지 이해하기 쉽게 설명하자면, 일반적인 실험실용 물방울이나 점안액용 스포이드는 약 0.05ml입니다.
알트만의 수치에 따르면 ChatGPT에서 질문 하나를 하는 데 약 두 방울의 물이 소모됩니다.
이 수치가 이전에 읽었던 내용과 비교했을 때 터무니없이 낮아 보인다면, 착각하는 것이 아닙니다. 또한 이 수치는 알트만의 이전 발언과도 잘 일치하지 않습니다.
2025년 6월, 그는 자신의 블로그 게시물 "온화한 특이점(The Gentle Singularity)" 에서 일반적인 ChatGPT 쿼리가 약 0.000085갤런(약 0.32ml)의 물을 소비한다고 썼습니다.
이 수치를 일반적인 아몬드 소비량 추정치와 함께 사용하면 아몬드 한 개당 약 11,000건의 문의가 발생하며, 38,000건이 아닙니다. 그의 수치도 같은 방향을 가리키지만 세부적인 부분에서 차이가 있습니다.
“인공지능이 물 공급을 고갈시키고 있다”는 이야기는 어디에서 나온 것일까요?
인공지능의 물 소비량에 대한 공개적인 논쟁은 캘리포니아 대학교 리버사이드 캠퍼스와 텍사스 대학교 알링턴 캠퍼스 연구진이 주도한, 널리 알려진 연구 이후로 오래전부터 이어져 왔습니다.
2023년에 초안으로 발표된 후 2025년에 학술지 Communications of the ACM 에 게재된 "인공지능의 물 소비량 줄이기(Making AI Less Thirsty )" 라는 제목의 연구 논문은 GPT-3와 같은 대형 언어 모델(LLM)이 10~50개의 응답으로 이루어진 짧은 대화를 나눌 때 약 500밀리리터의 물이 소비된다고 추정했습니다. 이는 일반적인 플라스틱 생수병 하나에 해당하는 양입니다. 다시 말해, 응답 하나당 약 10~50밀리리터의 물이 소비되는 셈인데, 이는 알트만의 추정치보다 수백 배나 높은 수치입니다.
그렇다면 이러한 큰 차이의 원인은 무엇일까요?
해답의 일부는 하드웨어와 사용된 모델에 있습니다. 알트만의 추정치는 최신 인프라에서 최신 모델을 실행하는 경량 쿼리를 기준으로 합니다. 그러나 캘리포니아 대학교 리버사이드 캠퍼스의 연구는 구형 시스템에서 GPT-3 모델을 분석했습니다.
하지만 가장 큰 차이는 각 수치가 실제로 무엇을 포함하는가에 있습니다. 알트만의 추정치는 거의 전적으로 데이터 센터에서 직접 소비되는 냉각수, 즉 현장 냉각수만을 반영합니다. 반면 캘리포니아 대학교 리버사이드 캠퍼스의 수치는 현장 냉각수뿐만 아니라 해당 서버에 전력을 공급하기 위해 발전소에서 사용되는 물까지 포함합니다. 이는 '스케일 1' 및 '스케일 2' 물 소비량으로 알려진 더 광범위한 계산 방식입니다. 독립적인 분석에 따르면 전력 생산 단계에서 발생하는 물이 단일 AI 쿼리에 필요한 총 물 사용량의 최대 75%를 차지할 수 있습니다 . 즉, 이러한 차이는 단순히 구형 하드웨어와 신형 하드웨어의 차이만이 아니라 측정 기준의 문제입니다.
알트만은 팟캐스트에서 장비 노후화 문제를 직접적으로 언급하며, 이전의 추정치는 증발식 냉각 방식을 사용하는 시설을 기반으로 했다고 주장했습니다. 이러한 구형 시스템에서는 거대한 냉각탑이 담수를 증발시켜 서버 랙에서 발생하는 뜨거운 공기를 냉각합니다. 증발된 물은 지역 수계에서 손실됩니다.
알트만은 현대의 초대형 데이터 센터들이 밀폐된 파이프를 통해 물이나 특수 냉각수가 순환하는 폐쇄형 액체 냉각 시스템을 적극적으로 도입하고 있다고 주장했습니다. 이는 자동차 라디에이터와 유사한 방식으로, 증발로 인한 액체 손실이 거의 없습니다. 알트만은 이러한 시설의 물 소비량이 일반적인 세면대와 변기를 사용하는 일반 사무실 건물과는 비교할 수 없을 정도로 적다고 지적했습니다.
아이러니: 아몬드를 비교하는 것은 실리콘 밸리의 전형적인 상술에 불과한 이유
최신 데이터 센터의 토큰당 효율성이 분명히 향상되고 있지만, 챗봇 명령어를 농작물에 비유하는 것은 몇 가지 근본적인 사실을 간과하는 것입니다.
전체적인 규모와 개인의 죄책감을 비교해 봅시다. 스프레드시트의 수식을 확인하는 데 물 두 방울만 사용할 수도 있지만, OpenAI는 현재 매주 약 900억 명의 활성 사용자를 보유하고 있으며 매일 수십억 건의 명령을 처리합니다 . 이처럼 전 세계적인 규모에 걸쳐 아주 작은 양의 물을 곱하고, 캘리포니아 대학교 리버사이드 캠퍼스 연구진이 추산하는 수십만 갤런의 물이 모델 학습에 초기 비용으로 사용된다는 점을 고려하면, 총량은 엄청납니다.
지역의 물 부족 현상은 전 세계 평균보다 심각합니다. 센트럴 밸리의 아몬드 농장은 주 정부의 용수 할당량과 기존 농업용 관개 수로에 의존하고 있습니다. 반면, AI 데이터 센터는 피닉스, 버지니아 북부, 텍사스 및 조지아 일부 지역과 같은 교외 지역이나 반건조 지역에 건설되는 경우가 많아 도시 상수도 시스템에 직접적으로 의존합니다. 아무리 현대적이고 효율적인 시설이라도 여름철 폭염 기간 동안 주거 지역과 물 경쟁을 벌이면 물 부족 현상을 야기할 수 있습니다.
모든 AI 쿼리가 동일한 것은 아닙니다. 알트먼이 제시한 38,000개의 쿼리 수치는 기본적인 GPT-4 텍스트 기반 응답과 같은 표준적인 단순 추론을 기준으로 한 것입니다. 하지만 업계는 추론 모델과 자율 AI 에이전트로 빠르게 나아가고 있습니다. AI가 답변하기 전에 "생각"하고, 격리된 내부 테스트 환경에서 파이썬 코드를 실행하고, 실시간 웹을 검색하고, 여러 논리 루프를 통해 스스로 오류를 수정할 때, 단순한 챗봇보다 명령당 훨씬 더 많은 처리 능력을 소모합니다. 독립 연구원들은 이러한 더 무거운 작업 부하가 챗봇보다 몇 배 더 많은 전력을 소비 하고 , 결과적으로 더 많은 물을 필요로 할 수 있다고 지적했습니다.
에너지 상충 관계. 데이터 센터 운영자는 증발식 냉각 방식을 포기할 경우, 에너지 집약적인 냉각기, 기계식 열 펌프, 고속 팬 등으로 대체하는 경우가 많습니다. 간단히 말해, 현장 물 소비량을 줄이려면 지역 전력망에서 훨씬 더 많은 전력을 끌어와야 하는데, 이 전력 생산 방식에 따라 간접적인 물 소비와 탄소 배출량이 발생합니다.
마무리 생각
알트만의 주장은 최신 폐쇄형 장치의 최상의 시나리오에 크게 의존하는 반면, AI가 번성하는 데 필요한 막대한 인프라 요구 사항을 무시하고 있습니다. 편도체당 38,000개의 쿼리라는 그의 수치는 최신 하드웨어에서 단일 경량 쿼리에 대한 대략적인 추정치로는 받아들일 수 있지만, 이는 전체 상황의 일부만을 보여줄 뿐이며 업계의 미래 전망을 간과하고 있습니다.
댓글이 닫혔습니다.