Power Usage Effectiveness(PUE), Water Usage Effectiveness(WUE), Carbon Usage Effectiveness(CUE) 등 표준 데이터센터 지속가능성 지표는 IT 에너지 사용량으로 정규화된 시설의 자원 사용 및 배출 강도를 측정하지만, 지역 자원 부족, 인프라 용량, 사회적 영향을 직접적으로 반영하지는 않는다. 이러한 공백은 정치적으로 중대한 결과를 낳고 있다. 2026년 1분기만 해도 미국 전역에서 지역 반대로 인해 약 1,300억 달러 규모의 프로젝트가 지연되거나 취소되었으며, 이는 내부 효율성보다 물 사용, 전력 수요, 인프라 용량, 투명성에 대한 반복적인 우려에 압도적으로 기인했고 2025년 전체 합계와 맞먹는 수준이었다[11]. 우리는 효율성, 수자원 관리, 탄소 및 재생에너지, 규제 준수, 지역 정보 공개를 포괄하는 다섯 범주의 지역 영향 감사 프레임워크를 제안한다. 이 프레임워크는 분기별 반복 평가와 공공 기록에 대한 독립적 검증을 위해 설계되었다. 현재 지역 정책 분쟁의 중심에 있는 일리노이 소재 세 시설의 공개 데이터를 사용하여 적용 사례를 보여 주고, 독립적 검증을 제약하는 데이터 접근 장벽을 검토한다. 우리는 이 프레임워크를 데이터센터 허가 및 유예(moratorium) 결정을 평가하는 카운티 수준 정책 입안자를 위한 연구 기여이자 실용적 도구로 제시한다.
본 논문은 저궤도(LEO)에 배치된 대규모 AI 데이터센터가 지상 시설의 비용 효율적인 대안이 될 수 있는지 평가한다. 분석은 발사 비용, 전력 생산, 냉각, 방사선 노출, 대기 재진입, 연산-네트워크 성능에 걸쳐 궤도상 시스템과 지상 시스템을 비교한다. 핵심적인 차이점은 지상 Clos 네트워크에서 레이저 위성간 링크를 사용하는 우주 기반 메시 네트워크로의 전환이다. 양분 대역폭(bisection bandwidth), 양분 강도(bisection intensity), roofline 스타일 모델을 사용하여, LEO 기반 추론은 가능할 수 있지만, 궤도에서 최전선 규모의 대규모 언어 모델(LLM) 학습은 지상 데이터센터와 경쟁하기 어려울 것임을 보인다.
데이터센터의 물 사용량은 통상 단일 발자국으로 보고되지만, 물은 물리적으로 구분된 두 경로—현장 냉각과 전력을 생산하는 전력 시스템—를 통해 소비된다. 우리는 472개의 미국 하이퍼스케일 시설에 대해 시설 위치를 전력 지역, 수문 유역, 물 스트레스 데이터와 연결함으로써 두 경로를 모두 매핑하였다. 기준선 가정 하에서 운영상 물 소비량은 연간 약 300 GL(시나리오별 범위 205~451 GL)에 달하며, 전력 관련 물이 전체의 4분의 3을 차지한다. 두 경로는 서로 다른 핫스팟 지리를 생성한다: 직접 냉각 부담은 물 스트레스를 받는 서부 및 중남부 유역에 집중되는 반면, 전력 관련 부담은 화석 연료 비중이 높은 일부 동부 전력망 지역에 집중된다. 24개의 호스팅 밸런싱 기관 중 단 3곳이 전력 관련 물 소비의 59%를 차지한다. 경로를 분리함으로써 어떤 결정이 어디에서 중요한지 파악할 수 있다: 지역적으로는 냉각 설계와 수원 조달이, 광역적으로는 전력 계획과 조달이 관건이다.
현대 인공지능(AI)은 흔히 그 자체의 비체현(disembodiment)에 의해 제한된다고 여겨진다 — 마치 신체를 부여하면 진정한 잠재력이 발휘될 것처럼. 우리는 이와 반대로, 많은 경우 데이터 센터가 AI의 신체라고 주장한다. 동시에, 데이터 센터는 자본(Capital)의 노동하는 신체의 일부이며, 생물학적 관점에서 바라볼 때 놀라운 유기체적 특성을 지닌다. 우리는 이 유기체 비유를 명확히 하고, 데이터 센터가 비고유적이고 보편적인 체현 형태라는 사실에서 비롯되는 다체 문제를 식별한다. 우리는 데이터 센터가 인간 욕망으로부터 생성된 데이터를 아카이빙하고 제공하며 연산하는 방식에서 드러나는, 연산과 인간 욕망 간의 긴밀한 연결을 규명한다. 놀랍게도, 데이터 센터는 인간 욕망의 잔영을 반영하면서도 자체적인 욕망 없이 작동한다. 유기체 비유는 그 봉합선에서 갈라지기 시작하지만, 자본은 개의치 않는다. 오토마타(Automata)와 인간 노동은 시장에서 거의 동일하게 가격이 매겨진다. 우리는 인공지능의 가격 책정을 통해 자본이 지능의 가치를 가장 명확하게 증류하며, 유기체-메커니즘 분할을 가로질러 지능의 비교를 가능하게 한다고 주장한다.
The rapid expansion of artificial intelligence (AI) infrastructure is driving unprecedented growth in electricity demand from data centers. Traditional power-system planning treats large computing facilities as inflexible peak loads, leading to costly infrastructure upgrades and long delays in grid interconnection. Recent work has shown that AI clusters can reduce electricity consumption during peak demand through software-based workload orchestration. This article explores how modern GPU-based AI data centers can operate as grid-interactive assets that respond dynamically to power system conditions. We describe an architecture integrating grid signals, workload scheduling, and power telemetry for fine-grained cluster power control. Experimental results from a real-world deployment on a 130 kW GPU cluster demonstrate multiple forms of flexibility, including rapid load reduction, sustained curtailment, and carbon-aware operation while preserving service levels for priority jobs. We further demonstrate performance-aware load shifting across geographically distributed clusters, enabling workloads to migrate toward regions with lower grid stress. Together, these capabilities transform AI infrastructure from static electricity consumers into flexible resources that support grid reliability, accelerate interconnection, and improve computing sustainability.