최종 업데이트: 2026-06-22

LLM 학습 탄소 발자국

대규모 학습은 몇 주 동안 꾸준히 전력을 소비하며, 그로 인한 탄소 배출량은 그 전기에 전력망이 얼마나 더러운지를 곱한 값입니다. 이 계산기는 전체 GPU 시간, 가속기 하나가 평균적으로 소비하는 전력, 데이터 센터의 전력 사용 효율, 전력 공급망의 탄소 집약도로부터 학습의 운영 발자국을 추정합니다.

계산에 포함되는 양

여기서 다루는 발자국은 운영 발자국, 곧 칩이나 시설을 만드는 데 내재한 탄소가 아니라 학습 중 소비한 전기에서 나오는 배출량입니다. 학습이 쓰는 전력은 가속기 시간에 가속기당 평균 전력을 곱한 값으로, GPU 자체가 끌어오는 에너지입니다. 실제 시설은 냉각, 전력 변환, 분배에도 에너지를 쓰므로 그 값을 전력 사용 효율만큼 키웁니다. 그 결과 전력에 전력망의 탄소 집약도를 곱하면 킬로와트시가 CO2 킬로그램으로 환산됩니다.

계산식

GPU 시간을 $H$, 가속기당 평균 전력을 와트 단위의 $p$, 전력 사용 효율을 PUE, 전력망 탄소 집약도를 킬로와트시당 이산화탄소 그램 단위의 $I$라 하면 전력 $E$와 배출량 $M$은 다음과 같습니다.

와트 단위 전력을 1000으로 나누면 킬로와트가 되므로 $E$는 킬로와트시로 나오고, 그램을 1000으로 나누면 킬로그램이, 다시 1000으로 나누면 톤이 됩니다. 모든 입력이 선형으로 들어가므로, 어느 하나를 절반으로 줄이면 발자국도 절반이 됩니다.

계산 예시

백만 GPU 시간 규모의 학습을 가속기 하나가 평균 700와트를 소비하고, 전력 사용 효율이 1.1인 시설에서, 킬로와트시당 400그램인 전력망에서 돌리는 경우를 살펴봅니다.

이 학습은 770메가와트시를 소비하고 308톤의 CO2를 배출합니다. 같은 학습을 킬로와트시당 100그램인 전력망으로 옮기면 전력은 전혀 바뀌지 않은 채 배출량이 77톤으로 줄어드는데, 지역과 일정이 발자국을 좌우하는 경우가 많은 이유가 여기 있습니다.

한계

이 추정값은 운영 전력 배출량만을 다룹니다. 하드웨어 제조와 시설 건설에 내재한 탄소는 제외하는데, 새 장비에서 짧게 돌리는 학습에서는 이것이 클 수 있습니다. 소비 전력은 작업에 따라 달라지고 정격 최대치인 경우가 드물며, 전력 사용 효율은 기후와 부하에 따라 변하고, 전력망 탄소 집약도는 발전 구성이 바뀌면서 시간마다 달라집니다. 가능하면 측정한 전력과 실시간 전력망 수치를 쓰십시오. 학습된 모델을 운영할 때 드는 지속적인 에너지 비용은 추론 에너지 비용 계산기가 다루고, 같은 연산의 임대 쪽은 GPU 클라우드 비용 계산기가 다룹니다.