人工知能 (AI) のイノベーション追求は、ますます高度な大規模言語モデル (LLM) の開発につながっています。これらのモデルはさまざまな分野で目覚ましい能力を発揮しますが、そのトレーニングと展開に関連する環境への影響は、ほとんど明らかにされていません。AIモデルを開発する企業は、ベンチマークに関するパフォーマンスデータを容易に共有しますが、環境への影響は避けようとする傾向があります。最近の研究では、これらの強力なAIツールに関連する、見過ごされがちなエネルギー、水、炭素コストに光が当てられています。
環境影響を評価するための新しいベンチマーク
AIの環境影響を定量化するために、ロードアイランド大学、プロビデンス大学、チュニス大学の研究者チームは、AI推論のためのインフラストラクチャを考慮したベンチマークを導入しました。コーネル大学のプレプリントサーバーarXivで公開されているこの研究は、AIの生態学的影響をより正確に評価します。このベンチマークは、公開APIのレイテンシデータと、基盤となるGPUおよび地域電力網の構成に関する情報を組み合わせることで、30の主要なAIモデルのプロンプトごとの環境フットプリントを計算します。この包括的なアプローチは、エネルギー消費量、水使用量、炭素排出量を考慮し、最終的に「エコ効率」スコアに結び付けます。
ロードアイランド大学の助教授であるAbdeltawab Hendawi氏は、この研究の動機について次のように説明しています。「水、エネルギー、炭素フットプリントに関して、これらのモデルを比較することを考え始めました。」調査結果は、異なるAIモデルの環境影響に大きなばらつきがあることを明らかにしています。
エネルギー消費量の格差：OpenAI、DeepSeek、Anthropic
この研究では、主要なAIモデル間のエネルギー消費量に大きな違いがあることが強調されています。OpenAIのo3モデルとDeepSeekの主要な推論モデルは、1回の拡張応答で33ワット時 (Wh) 以上を消費します。これは、OpenAIのより小型のGPT-4.1 nanoとは対照的で、70倍以上のエネルギーを必要としません。AnthropicのClaude-3.7 Sonnetは、この研究で最もエコ効率の高いモデルとして登場しています。
研究者らは、AIモデルの環境影響を決定する上で、ハードウェアが重要な役割を果たしていることを強調しています。たとえば、古いA100 GPUを使用するGPT-4o miniは、より高度なH100チップで動作するより大型のGPT-4oよりも、クエリあたりのエネルギー消費量が多くなります。これは、AIの環境フットプリントを最小限に抑えるために、最先端のハードウェアを活用することの重要性を強調しています。
クエリ長の環境負荷
この研究では、クエリ長と環境影響との間に直接的な相関関係があることが明らかになっています。クエリが長くなればなるほど、必然的にリソース消費量が増加します。一見すると取るに足らない短いプロンプトでも、全体的な環境負荷に寄与します。単一の短いGPT-4oプロンプトは約0.43 Whのエネルギーを消費します。研究者らは、OpenAIが1日に7億回のGPT-4oコールを予測している場合、年間総エネルギー消費量は392～463ギガワット時 (GWh) になる可能性があると推定しています。これを比較すると、これは年間で35,000世帯のアメリカの家庭に電力を供給するのに十分なエネルギーです。
AI導入の累積的な影響
この研究では、個々のユーザーによるAIの導入が、すぐに大きな環境コストにエスカレートする可能性があることを強調しています。ロードアイランド大学の研究者であり、この研究の主任著者であるNidhal Jegham氏は、「ChatGPT-4oを年間で使用すると、年間で120万人の飲料水のニーズと同じ量の水を消費する」と説明しています。Jegham氏は、単一のメッセージまたはプロンプトの環境影響は無視できるほどに見えるものの、「特にAIが各種指標全体でどれだけ拡大しているかを考えると、一度規模を拡大すると、それは本当に深刻な問題になりつつある」と警告しています。
環境影響指標をより深く掘り下げる
研究結果の意味を十分に理解するには、AIモデルを評価するために使用される環境指標をより詳細に検討することが不可欠です。次のセクションでは、主要な指標の内訳を示します。
エネルギー消費量
エネルギー消費量は、AIモデルの動作に必要な電力を測定する基本的な指標です。この研究では、クエリごとのワット時 (Wh) でエネルギー消費量を定量化し、さまざまなモデルのエネルギー効率を直接比較できるようにしています。エネルギー消費量を最小限に抑えることは、炭素フットプリントとAIの全体的な環境影響を削減するために不可欠です。
エネルギー消費量に影響を与える要因：
- モデルのサイズと複雑さ: 大きいほど、複雑なモデルほど、通常、より小さい単純なモデルよりも多くのエネルギーを必要とします。
- ハードウェア効率: AIモデルを実行するために使用されるGPUやその他のハードウェアコンポーネントは、エネルギー消費量に大きな役割を果たします。より高度でエネルギー効率の高いハードウェアを使用すると、AIのエネルギーフットプリントを大幅に削減できます。
- クエリ長と複雑さ: 一般的に、クエリ長が長く、複雑であればあるほど、より多くの計算リソースが必要となり、より多くのエネルギーを消費します。
- 最適化テクニック: モデル圧縮や量子化などのさまざまな最適化テクニックを使用すると、精度を犠牲にすることなく、AIモデルのエネルギー消費量を削減できます。
水使用量
水使用量は、AIの環境影響で見落とされがちな側面です。AIモデルを実行するサーバーを収容するデータセンターは、冷却のために大量の水を必要とします。この研究では、データセンターのエネルギー消費量と、これらのデータセンターに電力を供給する地域の電力網の水強度に基づいて、水使用量を推定しています。
水使用量に影響を与える要因：
- 冷却要件: データセンターは大量の熱を発生するため、最適な動作温度を維持するための冷却システムが必要です。水は、直接的または冷却塔を介して間接的に冷却剤として使用されることがよくあります。
- 電力網の水強度: 電力網の水強度とは、1単位の電力を生成するために必要な水量を指します。冷却に水を使用する地熱発電所への依存度が高い電力網は、水強度が高くなります。
- データセンターの場所: 乾燥地域や水不足の問題がある地域にデータセンターを設置すると、AIの環境影響が悪化する可能性があります。
炭素排出量
炭素排出量は、気候変動の主な要因です。この研究では、AIモデルのエネルギー消費量と地域の電力網の炭素強度に基づいて、炭素排出量を計算します。炭素強度とは、生成される電力の単位あたりの排出される二酸化炭素量を指します。
炭素排出量に影響を与える要因：
- エネルギー源: データセンターに電力を供給するために使用されるエネルギーの種類は、炭素排出量に大きな影響を与えます。太陽光や風力などの再生可能エネルギー源は、石炭や天然ガスなどの化石燃料よりも炭素強度がはるかに低くなります。
- 電力網の炭素強度: 電力網の炭素強度は、発電に使用されるエネルギー源の組み合わせによって異なります。再生可能エネルギー源の割合が高い地域ほど、炭素強度は低くなります。
- エネルギー効率: エネルギー消費量を削減することは、炭素排出量を削減する最も効果的な方法です。
影響と推奨事項
この研究結果は、AI開発者、政策立案者、エンドユーザーにとって重要な意味を持ちます。AIの環境影響は無視できるものではなく、AI技術の進歩と普及が進むにつれて慎重に検討する必要があります。
AI開発者への推奨事項：
- エネルギー効率を優先する: AI開発者は、AIモデルの設計とトレーニングにおいて、エネルギー効率を優先する必要があります。これには、より小さいモデルの使用、コードの最適化、効率的なハードウェアの活用が含まれます。
- 再生可能エネルギー源を検討する: AI企業は、再生可能エネルギー源を使用してデータセンターに電力を供給する機会を検討する必要があります。これにより、AIの炭素フットプリントを大幅に削減できます。
- 節水に投資する: データセンターは、水使用量を最小限に抑えるために節約技術に投資する必要があります。これには、密閉型冷却システムや雨水収集の使用が含まれます。
- 透明性と報告: AI企業は、モデルの環境影響について透明性を保ち、エネルギー消費量、水使用量、炭素排出量などの主要な指標を報告する必要があります。
政策立案者への推奨事項：
- グリーンAIを奨励する: 政策立案者は、税額控除、補助金、その他のインセンティブを通じて、グリーンAI技術の開発と展開を奨励する必要があります。
- データセンターのエネルギー消費量を規制する: 政策立案者は、データセンターができるだけ効率的に動作するように、データセンターのエネルギー消費量を規制する必要があります。
- 再生可能エネルギーの導入を促進する: 政策立案者は、電力網の炭素強度を削減するために、再生可能エネルギー源の導入を促進する必要があります。
- 研究開発を支援する: 政策立案者は、AIの環境影響を削減できる新しい技術に関する研究開発を支援する必要があります。
エンドユーザーへの推奨事項：
- AIの使用に注意する: エンドユーザーは、AIの使用に注意し、不要または軽薄なクエリを避ける必要があります。
- 環境に優しいAIモデルを選択する: 可能な場合は、よりエネルギー効率が高いことがわかっているAIモデルを選択する必要があります。
- 持続可能なAIプラクティスをサポートする: エンドユーザーは、環境責任に取り組んでいる企業からAI製品やサービスを選択することで、持続可能なAIプラクティスをサポートできます。
今後の研究の方向性
この研究は、AIの環境影響に関するさらなる研究の必要性を強調しています。 今後の研究は、次の分野に焦点を当てる必要があります。
- ライフサイクルアセスメント: 開発から廃棄までのAIモデルの包括的なライフサイクルアセスメントを実施して、潜在的な環境影響をすべて特定します。
- トレーニングの影響: 推論の影響よりも大幅に高くなる可能性がある、AIモデルのトレーニングの環境影響を調査します。
- AIの他のセクターへの影響: 輸送や製造などの経済の他のセクターに対するAIの影響を調査して、AI導入の全体的な環境への影響を理解します。
- 新しい指標の開発: AIハードウェアのエンボディされたエネルギーと材料を考慮する指標など、AIの環境影響を評価するための新しい指標を開発します。
結論
LLMの環境影響は複雑で多面的な問題であり、慎重な検討が必要です。この研究の結果は、人気のあるAIツールに関連するエネルギー、水、炭素コストに関する貴重な洞察を提供します。これらのコストを理解することで、AI開発者、政策立案者、およびエンドユーザーは、AIの環境フットプリントを最小限に抑え、AIテクノロジーが持続可能な方法で開発および展開されるようにするための措置を講じることができます。AIが私たちの生活にますます統合されるにつれて、持続可能性を優先し、AIが環境を損なうことなく社会に利益をもたらす未来を創造するために協力することが重要です。