論文の概要: Making AI Less "Thirsty": Uncovering and Addressing the Secret Water
Footprint of AI Models
- arxiv url: http://arxiv.org/abs/2304.03271v2
- Date: Wed, 25 Oct 2023 07:56:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 21:25:07.145045
- Title: Making AI Less "Thirsty": Uncovering and Addressing the Secret Water
Footprint of AI Models
- Title（参考訳）: AIを"Thirsty"以下にする - AIモデルの秘密のフットプリントの発見と対処
- Authors: Pengfei Li and Jianyi Yang and Mohammad A. Islam and Shaolei Ren
- Abstract要約: マイクロソフトの最先端の米国データセンターでGPT-3を訓練することで、70万リットルの清浄な淡水を直接蒸発させることができる。
世界のAI需要は、2027年の4.2.6億立方メートルの水流出の原因になる可能性がある。
グローバルな水の課題に対応するために、AIモデルは、社会的責任を負い、例によってリードする必要がある。
- 参考スコア（独自算出の注目度）: 34.93600962447119
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The growing carbon footprint of artificial intelligence (AI) models,
especially large ones such as GPT-3, has been undergoing public scrutiny.
Unfortunately, however, the equally important and enormous water (withdrawal
and consumption) footprint of AI models has remained under the radar. For
example, training GPT-3 in Microsoft's state-of-the-art U.S. data centers can
directly evaporate 700,000 liters of clean freshwater, but such information has
been kept a secret. More critically, the global AI demand might be accountable
for 4.2 -- 6.6 billion cubic meters of water withdrawal in 2027, which is more
than the total annual water withdrawal of 4 -- 6 Denmark or half of the United
Kingdom. This is very concerning, as freshwater scarcity has become one of the
most pressing challenges shared by all of us in the wake of the rapidly growing
population, depleting water resources, and aging water infrastructures. To
respond to the global water challenges, AI models can, and also must, take
social responsibility and lead by example by addressing their own water
footprint. In this paper, we provide a principled methodology to estimate the
water footprint of AI models, and also discuss the unique spatial-temporal
diversities of AI models' runtime water efficiency. Finally, we highlight the
necessity of holistically addressing water footprint along with carbon
footprint to enable truly sustainable AI.
- Abstract（参考訳）: 人工知能(AI)モデルの炭素フットプリントの増加、特にGPT-3のような大きなフットプリントは、公衆の監視を受けている。
しかし残念ながら、AIモデルの等しく重要で巨大な水(水と消費)のフットプリントは、まだレーダーの下に残っている。
例えば、Microsoftの最先端の米国データセンターでGPT-3をトレーニングすることで、70,000リットルの淡水を直接蒸発させることができるが、そのような情報は秘密にされている。
さらに重要なのは、世界のai需要が2027年に4.2億立方メートル(約6兆6600億立方メートル)に達する可能性があることだ。
人口が急増し、水資源が枯渇し、水のインフラが老朽化している中で、淡水不足は私たち全員が共有する最も急進的な課題の1つになっている。
世界的な水難に答えるためには、aiモデルは社会的責任を負い、自分の水量に対処し、例を挙げてリードする必要がある。
本稿では,AIモデルの水分フットプリントを推定する原理的手法を提案するとともに,AIモデルの実行時の水効率の空間的・時間的差異について考察する。
最後に,真に持続的なaiを実現するために,水フットプリントとカーボンフットプリントの連携の必要性を強調する。
関連論文リスト
- From Efficiency Gains to Rebound Effects: The Problem of Jevons' Paradox in AI's Polarized Environmental Debate [69.05573887799203]
この議論の多くは、大きな間接効果に対処することなく直接的影響に集中している。
本稿では,Jevonsのパラドックス問題がどのようにAIに適用され,効率向上がパラドックス的に消費増加を促すかを検討する。
これらの2次の影響を理解するには、ライフサイクルアセスメントと社会経済分析を組み合わせた学際的アプローチが必要であると論じる。
論文 参考訳（メタデータ） (2025-01-27T22:45:06Z) - A Water Efficiency Dataset for African Data Centers [26.283078610945356]
本稿では,5つの異なる気候領域にわたる41のアフリカ諸国のデータセンターにおける水利用効率を推定するための,第1種データセットを提案する。
また、我々のデータセットを用いて、2つの大きな言語モデルにおける推論の水消費量を評価し、推定する。
論文 参考訳（メタデータ） (2024-12-04T21:09:45Z) - Mapping waterways worldwide with deep learning [0.0]
10m Sentinel-2衛星画像と30m GLO-30 Copernicusデジタル標高モデルに基づいて水路を描画できるコンピュータビジョンモデルを提案する。
すでにTDX-Hydroデータセットにある5億5000万kmに、合計で1億2400万kmの水路を追加しています。
論文 参考訳（メタデータ） (2024-11-24T04:59:07Z) - Towards an Autonomous Surface Vehicle Prototype for Artificial Intelligence Applications of Water Quality Monitoring [68.41400824104953]
本稿では,人工知能アルゴリズムの利用と水質モニタリングのための高感度センシング技術に対処する車両プロトタイプを提案する。
車両には水質パラメータと水深を測定するための高品質なセンサーが装備されている。
ステレオカメラにより、実際の環境でのマクロプラスチックの検出と検出も可能である。
論文 参考訳（メタデータ） (2024-10-08T10:35:32Z) - A Toolbox for Supporting Research on AI in Water Distribution Networks [6.965539315733295]
複雑なシナリオモデリングと生成のためのPythonツールボックスを紹介します。
一般的なイベント検出ベンチマークへのアクセスが容易で、制御アルゴリズムを開発するための環境を提供する。
論文 参考訳（メタデータ） (2024-06-04T07:58:19Z) - Ten Hard Problems in Artificial Intelligence We Must Get Right [72.99597122935903]
AIの約束を阻止し、AIのリスクを引き起こすAI2050の「ハード問題」について検討する。
それぞれの問題について、その領域を概説し、最近の重要な作業を特定し、今後の方向性を提案する。
論文 参考訳（メタデータ） (2024-02-06T23:16:41Z) - DeepEn2023: Energy Datasets for Edge Artificial Intelligence [3.0996501197166975]
我々は、エッジAIのための大規模エネルギーデータセットDeepEn2023を提案し、幅広いカーネル、最先端のディープニューラルネットワークモデル、一般的なエッジAIアプリケーションをカバーする。
DeepEn2023は、デバイス上でのディープラーニングにおける持続可能性の透明性を、さまざまなエッジAIシステムやアプリケーションにわたって改善することを期待しています。
論文 参考訳（メタデータ） (2023-11-30T16:54:36Z) - On the Opportunities of Green Computing: A Survey [80.21955522431168]
人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。
高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。
コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
論文 参考訳（メタデータ） (2023-11-01T11:16:41Z) - ACWA: An AI-driven Cyber-Physical Testbed for Intelligent Water Systems [0.0]
ACWAは、AIとサイバーセキュリティの実験を使用して給水管理を進める必要性によって動機付けられている。
ACWAは、複数のトポロジ、センサー、計算ノード、ポンプ、タンク、スマートウォーターデバイス、およびシステムを制御するデータベースとAIモデルで構成されている。
ACWAデータはAIとウォータードメインの研究者が利用でき、オンラインのパブリックリポジトリにホストされている。
論文 参考訳（メタデータ） (2023-09-27T00:59:52Z) - Empowering Things with Intelligence: A Survey of the Progress,
Challenges, and Opportunities in Artificial Intelligence of Things [98.10037444792444]
AIがIoTをより速く、より賢く、よりグリーンで、より安全にするための力を与える方法を示します。
まず、認識、学習、推論、行動の4つの視点から、IoTのためのAI研究の進歩を示す。
最後に、私たちの世界を深く再形成する可能性が高いAIoTの有望な応用をいくつかまとめる。
論文 参考訳（メタデータ） (2020-11-17T13:14:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。