AIはどれくらいのエネルギーを消費するのか？

AIはどれくらいのエネルギーを消費するのか？

回答： AIは単純なテキスト処理であればごくわずかな電力しか消費しませんが、プロンプトが長かったり、出力がマルチモーダルであったり、システムが大規模に動作したりする場合には、はるかに多くの電力を消費します。通常、初期段階ではトレーニングが最大のエネルギー消費源となりますが、リクエストが蓄積されるにつれて、日々の推論処理も重要なエネルギー源となります。

重要なポイント:

背景：エネルギー見積もりを提示する前に、タスク、モデル、ハードウェア、および規模を明確に定義してください。

トレーニング：予算計画を立てる際には、モデルトレーニングを主要な初期エネルギー投入イベントとして扱う。

推論：繰り返し行われる推論には十分注意してください。リクエストごとの小さなコストでも、規模が大きくなるとすぐに積み重なってしまいます。

インフラストラクチャ：現実的な見積もりには、冷却設備、保管設備、ネットワーク、および遊休設備を含める必要があります。

効率性：エネルギー消費量を削減するために、より小型のモデル、より短いプロンプト、キャッシュ、およびバッチ処理を使用してください。

AIはどれくらいのエネルギーを消費するのか？インフォグラフィック

この記事の次に読むとよい記事:

🔗 AIが環境に与える影響
AIの二酸化炭素排出量、エネルギー消費量、そして持続可能性におけるトレードオフについて解説する。.

🔗 AIは環境に悪いのでしょうか？
AIモデルとデータセンターがもたらす隠れた環境コストを解き明かす。.

🔗 AIは良いものか悪いものか？メリットとデメリット
AIの利点、リスク、倫理、そして実際の影響について、バランスの取れた視点から考察する。.

🔗 AIとは何か？簡単なガイド
AIの基礎、重要な用語、そして身近な例を数分で学びましょう。.

なぜこの質問は人々が考えている以上に重要なのか🔍

AIのエネルギー消費は、単なる環境問題の議論にとどまらない。それは、いくつかの非常に現実的な問題に関わっている。

  • 電気代- 特にAIリクエストを大量に実行する企業にとって

  • 炭素排出量- サーバーの電源の種類によって異なります

  • ハードウェアへの負荷- 高性能チップは相当な電力を消費する

  • 規模決定- 1つの安価なプロンプトが、何百万もの高価なプロンプトに発展する可能性がある

  • 製品設計― 効率性は、人々が思っている以上に優れた機能であることが多い（ Google Cloud 、 Green AI ）。

多くの人が「AIはどれくらいのエネルギーを消費するのか？」と尋ねるのは、劇的な数字、つまり莫大な数字、見出しになりそうな数字を求めているからだ。しかし、より重要な問いはこうだ。私たちはどのような種類のAI利用について話しているのか？なぜなら、それによって全てが変わってくるからだ。（ IEA ）

オートコンプリートの候補が1つだけ？ かなり小さい。
大規模なクラスターで最先端モデルをトレーニングする？ はるかに大きい。
何百万ものユーザーに影響を与える常時稼働のエンタープライズAIワークフロー？ そう、それはあっという間に膨れ上がります…まるで小銭が家賃に変わるように。（ DOE 、 Google Cloud ）

AIはどれくらいのエネルギーを消費するのか？簡潔な答え⚡

実践的な説明は以下のとおりです。.

AIは、軽量なタスクではごくわずかなワット時しか消費しないのに対し、大規模なトレーニングや展開では膨大な量の電力を消費する。この範囲は、実際に広いため、滑稽に聞こえるかもしれない。（ Google Cloud 、 Strubell et al. ）

簡単に言うと：

  • 単純な推論タスク- 使用頻度ベースでは比較的控えめな場合が多い

  • 長時間の会話、大量の出力、画像生成、動画生成など、エネルギー消費量が著しく増加する。

  • 大型モデルのトレーニング- 消費電力のヘビー級チャンピオン

  • AIを大規模に終日実行すると、「リクエストごとの処理量は少ない」が「総請求額は高額になる」ことになる（ Google Cloud 、 DOE ）。

目安としては、次のようになります。

  • トレーニングは、巨大な先行エネルギーイベントです 🏭

  • 推論は継続的な公共料金請求書です💡（ Strubell et al. 、 Google Research ）

したがって、 「AIはどれくらいのエネルギーを消費するのか？」、「一概には言えないが、効率性が重要になるだけのエネルギー量であり、規模によって状況が一変するだけのエネルギー量である」と直接答えることができる。（ IEA 、グリーンAI ）

皆さんが期待するほどキャッチーではないことは承知しています。でも、本当のことなんです。.

優れたAIエネルギー予測とはどのようなものか？🧠

良い見積もりとは、単にグラフに派手な数字を並べただけのものではありません。実用的な見積もりには、文脈が不可欠です。そうでなければ、霧を体重計で測るようなものです。もっともらしく聞こえるかもしれませんが、信頼できるほど正確ではありません。（ IEA 、 Google Cloud ）

適切なAIエネルギー見積もりには、以下が含まれるべきである。

  • タスクの種類- テキスト、画像、音声、動画、トレーニング、微調整

  • モデルのサイズ- 大きいモデルは通常、より多くの計算能力を必要とします。

  • 使用されるハードウェア- すべてのチップが同じように効率的というわけではない

  • セッションの長さ- 短いプロンプトと長い複数ステップのワークフローは大きく異なります

  • 利用状況- アイドル状態のシステムも電力を消費します

  • 冷却とインフラ- サーバーだけが費用の全てではない

  • 場所とエネルギー構成― 電力はどこでも同じようにクリーンではない（ Google Cloud 、 IEA ）

だから、AIの電力使用量について議論する二人が、全く違うことを話しているのに、どちらも自信満々に聞こえることがあるのです。一方はチャットボットの単一の応答を意味し、もう一方は大規模なトレーニングランを意味します。どちらも「AI」と言うと、会話は突然脱線してしまうのです😅

比較表 - AIのエネルギー使用量を推定する最適な方法📊

パフォーマンスアートにすることなく、この質問に答えようとする人にとって役立つ実用的な表を以下に示します。.

ツールまたは方法 最高の観客 価格 なぜそれが機能するのか
簡単な経験則による概算 好奇心旺盛な読者、学生 無料 速くて簡単、少し曖昧なところもあるが、大まかな比較には十分だ
デバイス側電力計 ソロビルダー、ホビイスト 低い 実際の機械の消費電力を測定するので、非常に具体的で分かりやすい。
GPUテレメトリダッシュボード エンジニア、機械学習チーム 中くらい 計算負荷の高いタスクに関する詳細情報は得られるが、大規模な施設のオーバーヘッドを見落とす可能性がある。
クラウド課金＋使用状況ログ スタートアップ企業、運用チーム 中〜高 AIの利用と実際の支出を結びつける - 完璧ではないが、それでも非常に価値がある
データセンターのエネルギー報告 エンタープライズチーム 高い より広範な運用可視性を提供し、冷却とインフラストラクチャがここに現れ始めます
ライフサイクル全体評価 サステナビリティチーム、大規模組織 やや高揚感があり、時折痛みを伴う チップ自体を超えた分析が可能なので、本格的な分析には最適ですが、動作が遅く、かなり重いです。

完璧な方法は存在しない。それが少々もどかしいところだ。しかし、価値のレベルは存在する。そしてたいていの場合、完璧なものよりも実用的なものの方が優れている。（ Google Cloud ）

最大の要因は魔法ではなく、コンピューティングとハードウェアです🖥️🔥

人々がAIのエネルギー消費を想像するとき、モデル自体が電力を消費していると考えることが多い。しかし、モデルはハードウェア上で動作するソフトウェアロジックである。電気料金が発生するのはハードウェアの方だ。（ Strubell et al. 、 Google Cloud ）

通常、最も大きな変動要因は以下のとおりです。

高度に最適化されたシステムは、より少ないエネルギーでより多くの作業を行うことができます。ずさんなシステムは、驚くほど簡単に電力を浪費します。ご存知のとおり、レーシングカーのようなシステムもあれば、ロケットをダクトテープで貼り付けたショッピングカートのようなシステムもあります🚀🛒

そして、モデルのサイズは確かに重要です。モデルが大きいほど、特に長い出力を生成したり、複雑な推論を処理したりする場合には、より多くのメモリと計算能力が必要になる傾向があります。しかし、効率化の工夫によって状況は一変します。（グリーンAI 、量子化、バッチ処理、およびLLMエネルギー使用におけるサービス戦略）

つまり、問題は「モデルの規模はどれくらいか？」だけではなく、「どれだけ賢く運用されているか？」でもあるのです。

トレーニングと推論 - これらは全く別物です🐘🐇

これは、ほとんどの人が混乱する分裂点です。.

トレーニング

トレーニングとは、モデルが膨大なデータセットからパターンを学習する過程のことです。この過程では、多数のチップが長時間稼働し、膨大な量のデータを処理する必要があります。この段階はエネルギーを大量に消費します。場合によっては、非常に多くのエネルギーを消費することもあります。（ Strubell et al. ）

トレーニングに必要なエネルギーは以下に依存します。

  • モデルサイズ

  • データセットのサイズ

  • トレーニング実行回数

  • 失敗した実験

  • 微調整パス

  • ハードウェア効率

  • 冷却オーバーヘッド（ Strubell et al. 、 Google Research ）

そして、人々がしばしば見落としがちなのが、一度大きなトレーニングを実行すればそれで終わりだと一般の人々が思い込んでいる点です。実際には、開発には繰り返し実行、調整、再トレーニング、評価など、メインイベントの前後で行われる地味ながらも費用のかかる反復作業が含まれます。（ Strubell et al. 、 『Green AI 』）

推論

推論とは、モデルが実際のユーザー要求に応答することです。1つの要求は大したことないように見えるかもしれませんが、推論は何度も何度も繰り返されます。何百万回、時には何十億回も。（ Google Research 、 DOE ）

推論エネルギーは以下とともに増加する：

つまり、訓練は地震、推論は潮汐のようなものだ。一方は劇的で、もう一方は持続的であり、どちらも海岸線を少しずつ変えていく力を持っている。少々変わった比喩かもしれないが、おおむね筋は通っていると言えるだろう。.

人々が忘れがちな隠れたエネルギーコスト😬

AIの電力消費量をチップだけを見て推定する場合、通常は過小評価している。必ずしも壊滅的な過小評価とは限らないが、無視できないほどの差が生じる。（ Google Cloud 、 IEA ）

隠されたピースは以下の通りです。

冷却❄️

サーバーは熱を発する。高性能なAIハードウェアは大量の熱を発する。冷却は必須であり、計算処理で消費される電力1ワットごとに、温度を適正に保つためのエネルギー消費量が増加する傾向がある。（ IEA 、 Google Cloud ）

データ移動🌐

ストレージ、メモリ、ネットワーク間でデータを移動させるにはエネルギーも必要だ。AIは単に「考える」だけではなく、常に情報を移動させている。（ IEA ）

遊休容量💤

ピーク需要を想定して構築されたシステムが、必ずしもピーク需要時に稼働するとは限りません。遊休状態または低利用状態のインフラも電力を消費します。（ Google Cloud ）

冗長性と信頼性 🧱

バックアップ、フェイルオーバーシステム、重複領域、安全対策層――これらはすべて重要であり、より大きなエネルギー構想の一部である。（ IEA ）

ストレージ📦

トレーニングデータ、埋め込み表現、ログ、チェックポイント、生成された出力など、これらはすべてどこかに保存されます。ストレージは確かに計算コストより安価ですが、エネルギーの観点から見ると無料ではありません。（ IEA ）

そのため、 「AIはどれくらいのエネルギーを消費するのか？」という問いには、単一のベンチマークチャートをじっと見つめるだけでは適切に答えることができません。システム全体が重要なのです。（ Google Cloud 、 IEA ）

なぜAIプロンプトは一つは小さくても、次のプロンプトは巨大になることがあるのか​​📝➡️🎬

すべての依頼が同じように扱われるわけではありません。短い文章の書き換え依頼は、長時間の分析、複数ステップのコーディング作業、高解像度画像の生成依頼とは全く異なります。（ Google Cloud ）

相互作用あたりのエネルギー消費量を増加させる傾向のあるもの：

軽量なテキスト回答なら比較的安価かもしれません。しかし、大規模なマルチモーダルワークフローは、そう簡単にはいきません。例えるなら、コーヒーを注文するのと結婚式のケータリングを依頼するようなものです。どちらも厳密には「フードサービス」に分類されますが、両者は全く異なるものです。☕🎉

これは特に製品開発チームにとって重要です。利用頻度が低い段階では無害に見える機能でも、ユーザーセッションが長くなり、機能が充実し、コンピューティングリソースの使用量が増えると、規模が大きくなるにつれてコストがかさむ可能性があります。（ DOE 、 Google Cloud ）

コンシューマー向けAIとエンタープライズ向けAIは同じものではありません🏢📱

AIを日常的に利用する一般ユーザーは、時折表示される指示が大きな問題だと考えるかもしれない。しかし、エネルギー消費の本質はそこにあるわけではない。（ Google Cloud ）

企業での利用状況によって計算が変わる。

  • 数千人の従業員

  • 常時稼働の副操縦士

  • 自動文書処理

  • 通話要約

  • 画像解析

  • コードレビューツール

  • バックグラウンドエージェントが常時実行されています

そこで、総エネルギー消費量が非常に重要になってくる。個々の行動が破滅的な結果をもたらすからではなく、繰り返されることで影響が増幅されるからだ。（米国エネルギー省、国際エネルギー機関）

私自身のテストやワークフローレビューでは、ここで人々は驚きます。彼らはモデル名や派手なデモにばかり注目し、販売量を無視してしまうのです。販売量こそが真の原動力、あるいは救いとなることが多いのです。顧客に請求するのか、光熱費を支払うのかによって、その意味合いは変わってきますが。😅

消費者にとって、その影響は抽象的なものに感じられるかもしれない。しかし、企業にとっては、それは非常に速やかに具体的なものとなる。

  • インフラ整備費用の増加

  • 最適化へのプレッシャーが高まる

  • 可能な限り小型モデルの必要性が高まる

  • 内部サステナビリティ報告

  • キャッシングとルーティングへの注目度向上（ Google Cloud 、 Green AI ）

AIを諦めずにAIのエネルギー消費量を削減する方法🌱

この部分が重要なのは、目標が「AIの使用をやめること」ではないからです。通常、それは現実的ではなく、そもそも必要でもありません。より賢明な方法は、AIをより効果的に活用することです。.

最も重要な要素は以下のとおりです。

1. 仕事をこなせる最小のモデルを使用する

すべてのタスクに高性能なオプションが必要なわけではありません。分類や要約には軽量なモデルを使用することで、無駄を迅速に削減できます。（ Green AI 、 Google Cloud ）

2. プロンプトと出力を短縮する

入力が冗長であれば、出力も冗長になります。トークンが増えるほど、計算量も増えます。プロンプトを簡潔にすることが、最も簡単な解決策となる場合もあります。（ LLMエネルギー使用における量子化、バッチ処理、および提供戦略、 Google Cloud ）

3. 繰り返し結果をキャッシュする

同じクエリが繰り返し表示される場合は、毎回再生成しないでください。これはほとんど明白なことですが、見落とされがちです。（ Google Cloud ）

4. 可能な場合はジョブをバッチ処理する

タスクをバッチ処理することで、利用率を向上させ、無駄を削減できます。（ LLMエネルギー利用における量子化、バッチ処理、およびサービス提供戦略）

5. タスクをインテリジェントにルーティングする

信頼性が低下したり、タスクの複雑さが増したりする場合にのみ、大規模モデルを使用してください。（ Green AI 、 Google Cloud ）

6. インフラストラクチャを最適化する

スケジューリングの改善、ハードウェアの改良、冷却戦略の改善――地味な作業だが、大きな成果をもたらす。（ Google Cloud 、米国エネルギー省）

7. 仮定する前に測定する

多くのチームは、電力の流れを把握していると思い込んでいる。しかし、実際に測定してみると、高コストな部分は別の場所にあることがわかる。（ Google Cloud ）

効率化作業は華やかではありません。拍手喝采を浴びることもほとんどありません。しかし、AIをより手頃な価格で、より大規模に展開するための最良の方法の一つです👍

AIの電力使用に関するよくある誤解🚫

この話題はすぐに複雑化してしまうので、まずはいくつかの誤解を解いておきましょう。.

神話1 - すべてのAIクエリは莫大な無駄を伴います

必ずしもそうとは限りません。小規模なものもあります。規模とタスクの種類は非常に重要です。（ Google Cloud ）

神話2 - トレーニングだけが重要だ

いいえ。使用量が非常に多い場合、推論が時間とともに優位になることがあります。（ Google Research 、 DOE ）

神話3 - より大きなモデルは必ずしもより良い結果をもたらすとは限らない

場合によっては必要だが、全く必要ない場合もある。多くのタスクは小規模なシステムでも問題なく処理できる。（グリーンAI ）

神話4 - エネルギー使用量は自動的に炭素排出量に等しい

必ずしもそうとは限りません。炭素排出量はエネルギー源にも左右されます。（ IEA 、 Strubell et al. ）

神話5 - AIのエネルギー使用量について、普遍的な数値を一つだけ取得できる

少なくとも意味のある形では不可能だ。あるいは可能だとしても、あまりにも平均化されすぎて価値がなくなってしまうだろう。（ IEA ）

だからこそ、 「AIはどれくらいのエネルギーを消費するのか？」賢明な質問なのです。ただし、それはスローガンではなく、多層的な答えを受け入れる準備ができている場合に限ります。

では、AIは実際どれくらいのエネルギーを消費するのでしょうか？🤔

これが根拠に基づいた結論です。.

AIの用途：

  • 簡単な作業には少しだけ

  • 多種多様な生成を扱う場合、さらに多くのことが

  • 大規模モデルトレーニングのための非常に大きな量

  • 時間の経過とともに数百万件のリクエストが蓄積されると、合計で膨大な量になる Google Cloud 、 DOE ）。

それがその形状です。.

重要なのは、この問題を一つの恐ろしい数字や、軽視するような肩すくめで片付けてしまわないことです。AIのエネルギー消費は現実のものであり、重要な問題です。そして、改善の余地があります。この問題について語る最善の方法は、大げさな表現ではなく、文脈を踏まえて議論することです。（ IEA 、グリーンAI ）

世間の議論は極端な意見に偏りがちだ。「AIは基本的に無料だ」という意見と、「AIは電気の終末をもたらす」という意見が対立する。しかし現実はもっと平凡で、だからこそ多くの情報が得られる。これはシステムの問題なのだ。ハードウェア、ソフトウェア、利用方法、規模、冷却、設計上の選択など、様々な要素が絡み合っている。ありきたり？少しはそうかもしれない。重要？非常に重要だ。（ IEA 、 Google Cloud ）

重要なポイント⚡🧾

「AIはどれくらいのエネルギーを消費するのか？」という疑問を持ってここに来たのであれば、要点は以下のとおりです。

  • 万人に当てはまる数字はありません

  • トレーニングは通常、最初に最も多くのエネルギーを消費します。

  • 推論は大規模になると重要な要素となる

  • モデルサイズ、ハードウェア、ワークロード、冷却はすべて重要です

  • ちょっとした最適化が、驚くほど大きな違いを生むことがあります。

  • 最も賢明な質問は、「どれくらいの量が必要か」だけでなく、「どのタスクに、どのシステムで、どのくらいの規模で必要か」という点も含まれる。（ IEA 、 Google Cloud ）

そう、AIは実際にエネルギーを消費する。注目に値するほどに。より優れた技術開発を正当化するほどに。しかし、それは漫画のような、単なる数字で表せるようなものではない。.

よくある質問

AIは1回のプロンプトでどれくらいのエネルギーを消費するのか？

単一のプロンプトに対する普遍的な数値は存在しません。エネルギー消費量は、モデル、ハードウェア、プロンプトの長さ、出力の長さ、および関連する追加ツールの使用状況によって異なるためです。短いテキスト応答は比較的少ないエネルギー消費量で済みますが、長いマルチモーダルタスクでは明らかに多くのエネルギーを消費する可能性があります。最も意味のある答えは、単一の数値ではなく、タスクを取り巻く状況です。.

AIの電力消費量の推定値にこれほど大きなばらつきがあるのはなぜか？

人々が「AI」という単一のラベルの下で非常に異なるものを比較することが多いため、見積もりにはばらつきが生じます。ある見積もりは軽量なチャットボットの応答を対象とするかもしれませんが、別の見積もりは画像生成、ビデオ、あるいは大規模なモデルトレーニングを対象としているかもしれません。見積もりが意味のあるものとなるためには、タスクの種類、モデルのサイズ、ハードウェア、利用状況、冷却、場所といったコンテキストが必要です。.

AIのトレーニングとAIの日常的な運用では、どちらの方がエネルギーコストが高いのでしょうか？

トレーニングは通常、膨大なデータセットに対して多数のチップを長時間稼働させる必要があるため、初期段階で大きなエネルギーを消費する処理です。推論は、ユーザーがリクエストを送信するたびに発生する継続的なコストであり、規模が大きくなるとこれも非常に大きくなる可能性があります。実際には、どちらも重要ですが、その重要性は異なります。.

なぜあるAIリクエストは、別のリクエストよりもはるかに多くのエネルギーを消費するのでしょうか？

コンテキストウィンドウの延長、出力の延長、推論処理の繰り返し、ツール呼び出し、検索ステップ、マルチモーダル生成などはいずれも、インタラクションあたりのエネルギー消費量を増加させる傾向があります。応答速度の目標値も重要です。応答速度の要求が速すぎると効率が低下する可能性があるためです。小さな書き換え要求と、長時間のコーディングや画像処理ワークフローは、単純に比較できません。.

AIがどれくらいのエネルギーを消費するのかという問いにおいて、人々が見落としている隠れたエネルギーコストとは何でしょうか？

多くの人はチップだけに注目しがちですが、それでは冷却、データ転送、ストレージ、アイドル容量、バックアップやフェイルオーバー領域といった信頼性システムを見落としてしまいます。これらのサポート層は全体のフットプリントを大きく左右する可能性があります。そのため、ベンチマークだけではエネルギー消費の全体像を把握することはほとんど不可能です。.

より大規模なAIモデルは、常に多くのエネルギーを消費するのでしょうか？

大規模なモデルは通常、特に出力が長かったり複雑だったりする場合、より多くの計算能力とメモリを必要とするため、エネルギー消費量も多くなります。しかし、規模が大きいほど必ずしもすべての作業において優れているとは限らず、最適化によって状況は大きく変わります。より小規模な専門モデル、量子化、バッチ処理、キャッシング、そしてよりスマートなルーティングなどによって、効率を向上させることができます。.

消費者向けAIの利用が主なエネルギー問題なのか、それとも企業向けAIの方がより大きな問題なのか？

一般消費者の日常的な利用でもエネルギー消費量は積み重なる可能性があるが、より大きなエネルギー消費の問題は、多くの場合、企業における導入事例で顕著になる。常時稼働のコパイロット、文書処理、通話要約、コードレビュー、バックグラウンドエージェントなどは、大規模なユーザーベースにおいて繰り返しエネルギー需要を生み出す。問題となるのは、通常、一度の劇的な行動ではなく、長期にわたる持続的なエネルギー消費量である。.

データセンターや冷却設備を含めた場合、AIはどれくらいのエネルギーを消費するのでしょうか？

より広範なシステムを考慮に入れると、答えはより現実的になり、通常はチップのみの見積もりよりも大きくなります。データセンターは、コンピューティングだけでなく、冷却、ネットワーク、ストレージ、予備容量の維持にも電力を必要とします。そのため、インフラストラクチャの設計と施設の効率性は、モデルの設計とほぼ同等に重要になります。.

実際のワークフローにおいて、AIのエネルギー使用量を測定する最も実用的な方法は何ですか？

最適な方法は、誰が何のために測定するかによって異なります。大まかな目安は迅速な比較に役立ちますが、ワットメーター、GPUテレメトリ、クラウド課金ログ、データセンターレポートなどを活用することで、より詳細な運用状況の把握が可能になります。本格的なサステナビリティに取り組む場合は、ライフサイクル全体を把握することがさらに有効ですが、時間と労力がかかります。.

チームは、有用なAI機能を犠牲にすることなく、AIのエネルギー消費量を削減するにはどうすればよいか？

最大の効果は通常、必要な機能を果たす最小限のモデルを使用し、プロンプトと出力を短縮し、繰り返し発生する結果をキャッシュし、作業をバッチ処理し、より複雑なタスクのみをより大きなモデルにルーティングすることによって得られます。インフラストラクチャの最適化も重要であり、特にスケジューリングとハードウェア効率が重要です。多くのパイプラインでは、まず測定を行うことで、チームが間違った部分を最適化することを防ぐことができます。.

参考文献

  1. 国際エネルギー機関（IEA） - AIからのエネルギー需要- iea.org

  2. 米国エネルギー省（DOE） - DOE、データセンターの電力需要増加を評価する新たな報告書を発表- energy.gov

  3. Google Cloud - AI推論の環境影響の測定- cloud.google.com

  4. Googleリサーチ-機械学習トレーニングの二酸化炭素排出量に関する朗報- research.google

  5. Googleリサーチ-機械学習トレーニングの二酸化炭素排出量は横ばいになり、その後減少する- research.google

  6. arXiv -グリーンAI - arxiv.org

  7. arXiv - Strubell ら。 - arxiv.org

  8. arXiv - LLMエネルギー利用における量子化、バッチ処理、および提供戦略- arxiv.org

公式AIアシスタントストアで最新のAIを見つけよう

私たちについて

ブログに戻る