Akash 설립자 오수리, AI 에너지 수요가 세계적 위기 초래할 수 있다고 경고하며 탈중앙화 솔루션 제안

요약

Akash Network 설립자 그렉 오수리는 인공지능(AI) 훈련의 에너지 수요가 급증하는 것에 대해 경고하며, 이 산업의 급속한 성장이 전 세계적인 에너지 위기를 초래할 수 있다고 주장했습니다. 오수리는 초기 비트코인 채굴과 유사하게 AI 훈련에 대한 탈중앙화 접근 방식을 옹호하며, 이는 전통적인 중앙 집중식 데이터 센터가 부과하는 환경적 및 재정적 부담을 완화하기 위한 보다 지속 가능하고 경제적으로 실현 가능한 해결책이라고 제시합니다.

상세 내용

Akash Network 설립자 그렉 오수리는 AI의 막대한 에너지 소비를 강조하며, AI 모델이 확장됨에 따라 이들을 훈련하는 데 곧 원자로에 해당하는 에너지 출력이 필요할 수 있다고 지적했습니다. 인터뷰에서 오수리는 컴퓨팅 수요가 두 배로 증가하는 속도와 그에 따른 환경 비용을 업계가 과소평가하고 있다고 언급했습니다. 그는 기존의 중앙 집중식 데이터 센터가 이미 수백 메가와트의 화석 연료 전력을 소비하여 소비자 에너지 요금 상승에 기여하고 매년 수백만 톤의 추가 배출량을 발생시킨다고 지적했습니다.

블룸버그는 9월 30일, AI 데이터 센터가 미국 전역에서 전력 비용 급증의 주요 요인이라고 보도했습니다. 데이터 센터 인근 지역의 도매 전기 요금은 지난 5년간 267% 급증했습니다. 오수리는 기업용 칩부터 소비자용 게이밍 카드까지 다양한 GPU의 분산 네트워크를 활용하는 탈중앙화 AI 훈련이 이러한 집중적인 에너지 소비 모델에 대한 대안을 제공한다고 주장했습니다.

오수리는 가정용 컴퓨터가 여유 컴퓨팅 파워를 제공하고 토큰을 얻을 수 있는 비전을 제시했는데, 이는 일반 사용자들이 네트워크 참여에 대해 보상받았던 초기 비트코인 채굴의 인센티브 구조를 반영합니다. 중앙 집중식 대규모 데이터 센터에서 분산 네트워크로의 이러한 전환은 화석 연료 의존도를 줄이고 배출량을 낮춤으로써 효율성과 지속 가능성을 향상시키는 것을 목표로 합니다.

시장에 미치는 영향

AI 데이터 센터와 작업 증명 암호화폐 채굴의 증가하는 에너지 수요는 청정 에너지 전환을 방해하고 전기 요금 인상을 초래할 수 있습니다. 데이터 센터의 전력 수요는 2030년까지 35GW로 두 배 증가할 것으로 예상되며, 이는 4천만 미국 가구에 전력을 공급하기에 충분한 양입니다. 이러한 상당한 수요 증가는 전력망 탈탄소화 및 전기 요금 상승에 대한 우려를 불러일으켰습니다.

탈중앙화 AI 훈련, 특히 **탈중앙화 물리적 인프라 네트워크(DePIN)**를 통한 훈련은 이러한 인프라 문제에 대한 잠재적인 해결책을 제시합니다. Bittensor (TAO) 및 **Render (RNDR)**와 같은 프로젝트는 기존 GPU 인프라를 활용하여 탈중앙화 AI 네트워크를 개척하고 있습니다. Render의 네트워크는 45,000개 이상의 노드를 보유하고 있으며, 확장 가능하고 비용 효율적인 GPU 렌더링 및 AI 훈련을 제공하며, 특정 사용 사례에서 전통적인 클라우드 제공업체보다 최대 70% 저렴하다고 보고됩니다.

더욱이, 기존 비트코인 채굴자들이 AI 호스팅으로 전환할 경제적 인센티브는 매력적입니다. AI 데이터 센터는 비트코인 채굴보다 킬로와트시당 최대 25배 더 많은 수익을 창출할 수 있어, 이러한 다각화는 채굴자들에게 전략적으로 매력적이며 탈중앙화 컴퓨팅 솔루션에 대한 투자를 촉진할 수 있습니다.

전문가 의견

그렉 오수리는 "AI가 사람들을 죽이고 있는 지점에 도달했다"고 말하며 패러다임 전환의 필요성을 강조했는데, 이는 데이터 허브 주변의 집중적인 화석 연료 사용이 건강에 미치는 영향을 언급한 것입니다. 그는 인센티브 메커니즘이 개선되면 탈중앙화 AI가 초기 암호화폐 채굴과 유사하게 채택될 것이라고 믿습니다. 초기 암호화폐 채굴에서는 사용자에게 처리 능력을 제공한 대가로 보상이 주어졌습니다.

더 넓은 맥락

탈중앙화 AI 훈련은 AI 자원에 대한 접근을 민주화하고 중앙 집중식 AI 연구소의 지배력을 줄이는 것을 목표로 합니다. 이 접근 방식은 무허가성, 무신뢰성, 강력한 인센티브 메커니즘을 포함한 암호화폐의 원칙을 활용하여 강력한 기초 모델을 훈련할 수 있는 네트워크를 구축합니다. 지리적으로 분리된 노드들은 이질적인 컴퓨팅 자원을 조정하며 인센티브화된 네트워크에서 AI 모델 훈련에 기여합니다.

OpenDiLoCo 및 프로토콜 모델과 같은 혁신 기술은 분산 네트워크에서 고성능 AI를 가능하게 하여 비용 효율적이고 탄력적이며 투명한 모델 개발을 촉진합니다. Bittensor를 통해 예시된 탈중앙화 네트워크의 인센티브 구조는 경제적 보상을 참여자의 기여와 일치시켜 채굴자들이 고품질 AI 결과물을 제공하도록 동기를 부여합니다. 이러한 네트워크 내의 검증자들은 네트워크 무결성을 정확하게 평가하고 유지하는 대가로 보상을 받습니다. 이 프레임워크는 전통적인 AI 개발의 엄격하게 통제된 환경과 대조적으로, 모든 계층에서 무허가적이고 접근 가능한 완전한 온체인 AI 스택에 기여합니다.