뭘 연구할지 정하는 중입니다

2025년 AI 데이터센터 전력수요가 전체 전력수요보다 훨씬 빠르게 늘었다 — 국제기구 공식 확인

IEA 'Key Questions on Energy and AI'(2026-04)에 따르면 2025년 데이터센터 전력수요는 17% 늘었고 AI 중심 데이터센터는 이보다 더 빨리 늘어 전체 전력수요 증가율(3%)을 크게 웃돌았다. BNEF는 2026-07 보고서에서 미국 데이터센터 전력용량 전망치를 2035년까지 194GW로 직전(2025-12) 전망 대비 83% 상향했다.

왜 눈에 띄나 — RQ-15류(데이터센터·AI 인프라) 서론에 쓸 국제 공식 수치 기준선이다. 한국 수치(SC-001)와 대비해 '한국 vs 글로벌 성장률' 비교 틀을 만들 수 있다.

주의 — IEA·BNEF가 '데이터센터'·'AI 데이터센터'를 어떻게 분류했는지는 뉴스 요약만으론 불확실 — 원문 보고서 표를 직접 봐야 한다.

출처 — IEA 뉴스 · IEA Key Questions on Energy and AI · BNEF 194GW (Latitude Media)

HuggingFace 모델의 35%가 라이선스를 몰래 완화해서 재배포된다 — 실측 감사 논문

'From Hugging Face to GitHub: Tracing License Drift in the Open-Source AI Ecosystem'(Jewitt, Li, Adams, Rajbahadur, Hassan)이 HF 데이터셋 36.4만·모델 160만·GitHub 프로젝트 14만 개를 전수 감사했다. 모델→애플리케이션 전환의 35.5%가 제한적 라이선스 조항을 permissive 조항으로 바꿔치기(relicensing)한 것으로 나타났다.

왜 눈에 띄나 — 우리 HuggingFace 카드(RQ-04~07)의 표본·방법론과 겹친다. 저자들이 만든 SPDX 기반 라이선스 충돌 탐지 규칙(약 200개)도 방법론 참고·비교 대상이 될 수 있다.

주의 — 2025-09 제출, 2026-07 개정본(v2). 동료심사 게재처 미확인. 데이터·코드 공개 여부도 원문에서 별도 확인 필요.

출처 — arXiv 원문 · PDF

HuggingFace가 직접 쓴 '2026 오픈모델 생태계 리포트'가 나왔다 — 우리 연구의 기준 통계

HF 공식 블로그 State of Open Models: Summer 2026. 2026년 1~8월 사이 허브의 데이터셋이 71.1만→100만 개로 성장하는 등 생태계 전체 수치가 정리돼 있다.

왜 눈에 띄나 — 우리 HuggingFace 카드(RQ-04~07)의 서론·배경 통계를 이 공식 리포트로 인용할 수 있다. 우리 50만 표본이 전체에서 어디쯤인지 위치도 잡아준다.

주의 — 블로그 글이라 논문 인용 시 보조 출처로만. 방법론 세부는 없다.

출처 — HF 공식 블로그 · GitHub 원문

수도권 데이터센터 신청 290건 중 전력 연결이 된 건 4건뿐 — 자연실험이 생겼다

기후에너지환경부가 8/4 업무보고에서 지역별 차등 전기요금제와 전력망 선제 확충을 발표했다. 2024.8~2025.6 데이터센터 전기사용 신청 290건 중 195건(67%)이 수도권인데 계통 접속 가능은 4건(2%)이었다.

왜 눈에 띄나 — RQ-15(한국 데이터센터 수도권 집중)에 정책 충격이 생긴 것이다. 차등요금제 시행 전후를 비교하면 '규제가 입지를 움직이는가'를 인과적으로 물을 수 있다.

주의 — 차등요금제 세부안은 공청회 예정 단계. 시행 시점이 논문 일정(11/30) 안에 안 들어올 수 있다.

출처 — 뉴스핌 (기후부 업무보고) · 머니투데이 (290건 중 4건) · 쿠시먼앤드웨이크필드 산업 보고서

AI 붐 이후, 데이터센터를 어디에 짓기로 하는가

전 세계 데이터센터 하나하나(소유주·용량·단계·위치)를 놓고, 2023년 전후로 입지 결정이 어떻게 달라졌는지 본다. 구글·MS 같은 큰손과 나머지가 다르게 움직이는지도.

왜 좋나 — 가장 가까운 선행연구(ICIS 2025)가 2023년에서 끝났고 카운티 집계다. 우리는 그 이후 + 시설 단위를 본다. 빈 자리가 명확하다.

위험 — BNEF 구독 여부 미확인. 회장님이 캠퍼스에서 확인해 주셔야 시작된다.

전기가 모자란 곳에 지은 데이터센터는 정말 늦어지는가

발표된 가동예정일과 실제 가동일의 차이(지연)를 재고, 지역 전력 사정·자가발전 여부가 지연을 설명하는지 본다.

왜 좋나 — 'AI 인프라가 전력에 발목 잡힌다'는 말은 많은데 시설 단위로 검증한 논문이 없다. BNEF가 on-site gas 발전까지 추적해서 가능하다.

위험 — 지연을 계산하려면 발표 시점 스냅샷이 필요한데, BNEF가 이력을 주는지 미확인.

원본 모델의 라이선스가 빡빡하면, 그걸 고친 모델이 덜 나오는가

AI 모델 19.8만 개의 라이선스 77종을 제약 강도로 등급화하고, 제약이 센 모델일수록 파생(고쳐 만든 모델)이 적게 나오는지 본다.

왜 좋나 — 라이선스 = 통제 장치. 지도교수의 조직통제 축에 정면으로 붙는다. ICIS 2025 선행연구 3편 중 누구도 라이선스를 안 봤다.

위험 — 라이선스 말고 다른 이유(모델 성능 등)로 파생이 갈릴 수 있다. 통제변수 싸움.

데이터센터 유치가 발표되면 그 지역 기업 주가는 움직이는가

데이터센터 건설 발표를 사건으로 잡고, 해당 지역 상장사(전력·건설·통신)의 주가 반응을 본다. 한국이면 WRDS 5,290사와 바로 붙는다.

왜 좋나 — 한국 데이터도 활용하고, 사건-반응 설계라 방법이 검증돼 있다.

위험 — '무엇을 사건으로 볼 것인가'를 잘못 잡으면 D-022처럼 죽는다. 발표일 특정이 관건.

왜 어떤 파생 모델은 원본의 라이선스를 안 따르는가

파생 모델의 16.9%가 부모와 다른 라이선스를 단다. 언제, 어떤 조건에서 이 '이탈'이 생기는지 본다. 통제가 실패하는 순간의 연구.

왜 좋나 — DR-001 심사에서 살아남은 방향. 동어반복이 아니고 사례가 3만 건 이상.

위험 — 이탈이 실수(표기 오류)인지 의도인지 구분이 어렵다.

설명서를 잘 쓴 AI 모델이 더 많이 쓰이는가

모델 카드(설명서)의 충실도를 점수화하고, 내려받기·파생 수와의 관계를 본다.

왜 좋나 — '문서화가 채택을 늘린다'는 오픈소스 통념을 AI 모델에서 검증. 데이터가 이미 있다.

위험 — ICIS 2025 Mapping Transparency 논문과 겹칠 수 있다. 원문 확인 필요.

한국에서 AI 연구는 어느 학문에서 어느 학문으로 번졌는가

국내 논문 231만 건에서 AI 키워드의 등장을 학문 분야별·연도별로 추적한다. 공학에서 시작해 의학·경영·인문으로 번지는 경로를 그린다.

왜 좋나 — 국내 전수 데이터는 우리만 갖고 있다. 한국 맥락이라 교수님께 설명이 쉽다.

위험 — '그래서 경영학에 무슨 의미냐'에 답을 만들어야 한다.

AI를 갖다 쓴 논문은 인용을 더 받는가

같은 분야·같은 해 논문끼리 비교해서, AI 방법을 쓴 논문이 인용에서 이득을 보는지 잰다. 인용수·저자 소속이 이미 확보돼 있다.

왜 좋나 — 연구자들의 'AI 도입 성과'를 재는 셈이라 기술 채택 연구로 포장된다.

위험 — AI 사용 여부를 초록에서 판별해야 한다. 오분류가 나면 결과가 흔들린다.

정부 AI 데이터 사업, 어떤 팀 구성이 좋은 데이터를 만드는가

정부 AI 학습데이터 구축사업 977건의 컨소시엄 구성(대기업+중소+대학 등)과 결과물 활용도(내려받기)의 관계를 본다.

왜 좋나 — 아웃소싱·조직 구성 → 성과. 지도교수 연구축과 가장 정확히 일치한다. 선행연구 거의 없음.

위험 — 표본 977건뿐. 결측 빼면 더 준다. 반나절 수집해 보면 판정 난다.

말로만 AI 하는 기업을 골라낼 수 있는가 (AI 워싱)

신문 4.25억 건에서 기업별 AI 언급을 세고, 실제 행동(채용·특허·투자)과 대조한다. 말과 행동의 격차가 큰 기업의 특징과 그 결말을 본다.

왜 좋나 — 주제가 재밌고 시의적이다. 텍스트 규모는 우리가 쓸 수 있는 최대다.

위험 — '실제 행동' 데이터를 따로 붙여야 한다. 두 DB 결합이 품이 든다.

한국 상장사의 'AI 선언'은 진짜 성과로 이어졌는가

한국 기업의 AI 관련 발표를 뉴스에서 모으고, 이후 1~2년의 실적·주가와 대조한다.

왜 좋나 — 한국 42년 주가(결측 0%)가 이미 있다. 국내 맥락.

위험 — D-022가 이 계열에서 죽었다 — 발표 시점 특정이 안 돼서. 뉴스에서 뽑는 방법을 먼저 검증해야 한다.

어떤 모델이 '가족의 뿌리'가 되는지 미리 알 수 있는가

새 모델이 나왔을 때, 이게 파생을 많이 낳는 뿌리가 될지를 그래프 신경망으로 예측한다.

왜 좋나 — 'AI 연구했네' 인상은 가장 강하다. DR-001의 교훈(관문 F1~F4)을 그대로 적용한다.

위험 — DR-001이 이 계열에서 죽었다. 설계를 완전히 다시 해야 하고 3일 이상 든다.

오픈소스 AI 개발에서 봇은 사람을 돕는가, 밀어내는가

GitHub 이벤트의 30%가 봇이다. 봇 도입 전후로 사람 기여자의 활동이 어떻게 변하는지 AI 프로젝트에서 본다.

왜 좋나 — 봇 30.1%라는 실측 자체가 흥미롭다. 연 25억 이벤트.

위험 — ICIS 2024·2025에 봇 논문이 이미 있다. 전처리가 무겁다. 차별화 확인 전엔 위험.

챗GPT 등장 후 개발자들의 질문은 어떻게 바뀌었는가

질문·답변 92GB에서 2022년 말 전후의 질문 유형·난이도 변화를 본다.

왜 좋나 — 개인 수준 행동 변화라는 각도가 있다. 무료 데이터.

위험 — 덤프가 2024년 4월에서 끝난다. 이미 비슷한 논문이 여럿 나왔을 가능성.

한국 데이터센터는 왜 수도권에만 몰리는가

한국 시설의 입지·용량과 전력망 제약, 지자체 정책을 붙여 집중의 원인을 본다.

왜 좋나 — 한국 이슈로는 뜨겁다(수도권 전력난). 정책 함의가 크다.

위험 — BNEF에 한국 시설이 몇 건이나 있는지 미확인. 적으면 성립 안 한다.