미국에서는 인공지능이 엄청난 양의 전력을 소비하고 있다. 국제 에너지 기구(International Energy Agency)에 따르면 AI 시스템과 데이터 센터는 2024년에 약 415테라와트시의 전력을 사용했습니다. 이는 국가 전체 전력 생산량의 10% 이상을 차지하며 수요는 2030년까지 두 배로 증가할 것으로 예상됩니다.
이러한 급속한 성장은 지속가능성에 대한 우려를 불러일으켰습니다. 이에 대응하여 한 공과대학의 연구원들은 훨씬 더 효율적으로 설계된 개념 증명 AI 시스템을 만들었습니다. 그들의 접근 방식은 에너지 사용을 최대 100배까지 줄이는 동시에 작업 성능도 향상시킬 수 있습니다.
Neuro-Symbolic AI라는 하이브리드 접근 방식
이 연구는 Karol Family 응용 기술 교수인 Matthias Scheutz의 연구실에서 나왔습니다. 그의 팀은 전통적인 신경망과 상징적 추론을 결합한 신경 기호 AI를 개발하고 있습니다. 이 방법은 문제를 단계와 범주로 나누어 사람들이 문제에 접근하는 방식을 반영합니다.
이 작업은 5월 비엔나에서 열리는 국제 로봇공학 및 자동화 회의에서 발표될 예정이며 회의 진행 과정에도 나타날 예정입니다.
보고, 이해하고, 행동하도록 로봇을 가르치기
ChatGPT 및 Gemini와 같은 친숙한 대형 언어 모델(LLM)과 달리 팀은 로봇 공학에 사용되는 AI 시스템에 중점을 둡니다. 이러한 시스템을 VLA(시각적 언어 동작) 모델이라고 합니다. 비전과 신체 움직임을 통합하여 LLM 기능을 확장합니다.
VLA 모델은 카메라의 시각적 데이터와 언어의 지시를 받아들인 다음 해당 정보를 실제 행동으로 변환합니다. 예를 들어 로봇의 바퀴, 팔, 손가락을 제어하여 작업을 완료할 수 있습니다.
전통적인 AI가 단순한 작업에 어려움을 겪는 이유
기존 VLA 시스템은 데이터와 시행착오 학습에 크게 의존합니다. 로봇이 블록을 타워에 쌓으라는 요청을 받으면 먼저 장면을 분석하고 각 블록을 식별한 후 올바르게 배치하는 방법을 결정해야 합니다.
이 과정은 종종 실수로 이어집니다. 그림자는 블록의 모양에 대해 시스템을 혼란스럽게 하거나 로봇이 조각을 잘못 배치하여 구조가 붕괴될 수 있습니다.
이러한 오류는 LLM에서 나타나는 문제와 유사합니다. 로봇이 블록을 잘못 배치할 수 있는 것처럼 챗봇도 허위 또는 오해의 소지가 있는 출력을 생성할 수 있습니다. 예를 들어 법적 사건을 조작하거나 여분의 손가락과 같은 비현실적인 세부 사항이 포함된 이미지를 생성하는 것이 포함됩니다.
상징적 추론이 정확성과 효율성을 향상시키는 방법
상징적 추론은 다른 전략을 제공합니다. 데이터의 패턴에만 의존하는 대신 규칙과 모양, 균형 등 추상적인 개념을 사용합니다. 이를 통해 시스템은 보다 효과적으로 계획을 세우고 불필요한 시행착오를 피할 수 있습니다.
Scheutz는 “LLM과 마찬가지로 VLA 모델은 유사한 시나리오의 대규모 교육 세트에서 얻은 통계 결과에 따라 작동하지만 이로 인해 오류가 발생할 수 있습니다”라고 말했습니다. “신경 기호 VLA는 학습 중에 시행착오의 양을 제한하는 규칙을 적용하고 솔루션에 훨씬 더 빠르게 도달할 수 있습니다. 작업을 훨씬 빠르게 완료할 뿐만 아니라 시스템 교육에 소요되는 시간도 크게 줄어듭니다.”
퍼즐 테스트에서 강력한 결과
연구원들은 신중한 계획이 필요한 고전적인 문제인 하노이 타워 퍼즐을 사용하여 시스템을 테스트했습니다.
신경 기호 VLA는 표준 시스템의 성공률이 34%에 불과한 데 비해 95%의 성공률을 달성했습니다. 이전에 접하지 못했던 더 복잡한 버전의 퍼즐이 주어졌을 때 하이브리드 시스템은 여전히 78%의 성공률을 보였습니다. 기존 모델은 모든 시도에서 실패했습니다.
훈련시간도 급격하게 단축됐다. 새로운 시스템은 단 34분 만에 작업을 학습했지만 기존 모델은 하루 반 이상이 걸렸습니다.
교육 및 사용 시 엄청난 에너지 절감
에너지 소비도 획기적으로 줄었습니다. 신경 기호 모델을 훈련하는 데는 표준 VLA 시스템에서 사용하는 에너지의 1%만 필요했습니다. 작동 중에는 기존 접근 방식에 필요한 에너지의 5%만 사용했습니다.
Scheutz는 이러한 비효율성을 일상적인 AI 도구와 비교했습니다. “이러한 시스템은 단지 다음 단어나 동작을 순차적으로 예측하려고 시도하지만 불완전할 수 있으며 부정확한 결과나 환각을 내놓을 수 있습니다. 에너지 비용은 종종 작업에 비해 불균형합니다. 예를 들어 Google에서 검색할 때 페이지 상단의 AI 요약은 웹 사이트 목록을 생성하는 것보다 최대 100배 더 많은 에너지를 소비합니다.”
전력 인프라에서 AI의 부담 증가
산업 전반에 걸쳐 AI 채택이 가속화됨에 따라 컴퓨팅 성능에 대한 수요도 계속 증가하고 있습니다. 기업들은 점점 더 큰 규모의 데이터 센터를 구축하고 있으며, 그 중 일부에는 수백 메가와트의 전력이 필요합니다. 이러한 소비 수준은 전체 소도시의 요구 사항을 초과할 수 있습니다.
이러한 추세는 인프라 확장 경쟁을 촉발시켰고, 장기적인 에너지 제한에 대한 우려를 불러일으켰습니다.
AI를 위한 보다 지속 가능한 경로
연구원들은 LLM 및 VLA를 기반으로 한 현재 접근 방식이 장기적으로 지속 가능하지 않을 수 있다고 제안합니다. 이러한 시스템은 강력하지만 많은 양의 에너지를 소비하며 여전히 신뢰할 수 없는 결과를 생성할 수 있습니다.
이와 대조적으로 신경기호적 AI는 다른 방향을 제시합니다. 학습과 구조화된 추론을 결합함으로써 미래 AI 시스템을 위한 보다 효율적이고 신뢰할 수 있는 기반을 제공할 수 있습니다.
출처: https://www.sciencedaily.com/releases/2026/04/260405003952.htm
답글 남기기