持続可能なAI: イノベーションと環境責任のバランス

人工知能 (AI) は研究と産業の両方で驚異的な成長を遂げ、科学、医学、金融、教育など多岐にわたる分野に変革をもたらしています。これらの進歩は、主に、より大きなデータセットを使用してより大きなモデルを効果的に学習する AI の能力が向上したことによるものです。

この発展により、AI は科学的発見をしたり、新たなビジネスチャンスを創出したり、産業の成長を促進したりすることが可能になりますが、残念ながら地球にも影響を与えています。

人工知能が地球に与える悪影響

AI は、大規模なモデルをトレーニングするために膨大な計算能力とエネルギーを必要とするため、環境に大きな影響を与え、二酸化炭素排出量と温室効果ガス排出量の増加につながります。

MIT Technology Review のレポートによると、単一の AI モデルのトレーニング中に生成される炭素排出量は、平均的な自動車の全耐用年数にわたって生成される炭素排出量を超えています。自分自身と対戦することで学習するAIであるGoogleのAlphaGo Zeroは、わずか40日間のトレーニングで96トンのCO2を排出した。これは、1,000時間の飛行機旅行の排出量、または23世帯の1年間の二酸化炭素排出量に相当します。

Facebook は、大規模な AI モデルのトレーニングにかかる二酸化炭素排出量は、自動車を約 242,231 マイル運転するのと同等であると報告しています。 MIT の最近の調査によると、クラウドコンピューティングの環境への影響は、航空業界全体の影響を超えています。

クラウドコンピューティングは大量のデータを保存および処理できるため、温室効果ガスの排出量が大幅に増加します。さらに、1 つのデータセンターは 50,000 世帯分の電力を消費します。

別の研究では、1つの大規模言語モデルをトレーニングすると最大284,000キログラムの二酸化炭素が排出される可能性があることが示されました。これは、自動車5台が生涯にわたって消費するエネルギーとほぼ同等です。さらに、AIによる二酸化炭素排出量は2025年までに300%増加すると推定されています。

これらすべての調査結果は、AI 開発と環境責任のバランスを取る必要性を浮き彫りにしています。そのため、持続可能な AI は、AI のエネルギー効率の高い開発を保証するための重要な分野になりつつあります。

持続可能な AI とは何ですか?

持続可能性という用語は、将来の世代が自らのニーズを満たす能力を損なうことなく、現在のニーズを満たす能力を指します。それは、経済成長、環境保護、社会福祉の間のバランスを見つけることを伴います。

言い換えれば、持続可能な開発とは、私たち自身、地球、そして将来の世代にとってより良い未来を確保するために選択を行い、行動を起こすことです。したがって、持続可能な AI とは、現在の世代と将来の世代の両方にとって、地球への害を最小限に抑えながら社会に利益をもたらす方法で AI を使用することを指します。

ここでは、持続可能な開発のための AI と持続可能性のための AI を区別することも重要です。

持続可能な開発のための AI では、持続可能な開発目標を達成するために AI を活用します。

Sustainable AI は、AI テクノロジーの持続可能性に重点を置いています。 AI 関連の開発に関連する二酸化炭素排出量とエネルギー消費を削減するための一連の原則と戦略が含まれます。

持続可能な AI プラクティスの実装: 課題と解決策

AI を持続可能にするには、データストレージ、モデルのトレーニング、インフラストラクチャの展開など、ライフサイクルのすべての段階でエネルギー効率を優先することが重要です。

持続可能な AI を実現するための主な課題と、それを克服するための潜在的な解決策について以下で説明します。

データ品質を優先する

過去 10 年間で、AI システムのトレーニングに使用されるデータの量と AI モデルのサイズは大幅に増加しました。データのサイズが大きくなるにつれて、データ取り込み帯域幅に対する需要が大幅に増加します。

チャレンジ：

その結果、データストレージと取り込みパイプラインがインフラストラクチャの主要コンポーネントとなり、AI システムの展開に比べて大量の電力とリソースを消費するようになりました。

解決：

データストレージに対するこの増大するニーズに対処する 1 つの方法は、データ収集プロセス中にデータの量よりも品質を優先することです。これには主に、高品質のサンプルを慎重に選択し、データサンプルの不必要な重複を避けることが含まれます。

少量の高品質データを活用することで、ストレージ要件を削減し、エネルギー消費を抑えながら、優れた AI パフォーマンスを実現できます。

モデルのサイズと効率のバランス

データの継続的な増加により、モデルのサイズが急速に増加します。

チャレンジ：

大規模なモデルでは、データ内の豊富なコンテキスト情報を活用して精度が向上しますが、そのトレーニングにはより強力なコンピューティングリソースが必要になります。たとえば、32GB NVIDIA V100 (2018) や 80GB NVIDIA A100 (2021) などの GPU ベースのアクセラレータのメモリ容量は、2 年ごとに 2 倍未満の割合で増加しています。

解決：

強力なコンピューターの必要性を減らす 1 つの方法は、大型コンピューターと同等のパフォーマンスを発揮する小型モデルを作成することです。この方向での既存の研究には、モデル圧縮、知識蒸留、ネットワークプルーニングなどの方法が含まれます。トレーニング済みのモデルを共有して再利用することで、エネルギーを節約し、冗長なトレーニングを回避することもできます。

ただし、この目標を達成するには、モデルの共有を可能にし、AI コミュニティでの共同研究を促進するために、オープンソースのフレームワークとプラットフォームをサポートする必要があります。