論文の概要: The Unpaid Toll: Quantifying the Public Health Impact of AI
- arxiv url: http://arxiv.org/abs/2412.06288v1
- Date: Mon, 09 Dec 2024 08:20:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-10 14:56:45.412176
- Title: The Unpaid Toll: Quantifying the Public Health Impact of AI
- Title（参考訳）: 無給の料金:AIの公衆衛生への影響を定量化する
- Authors: Yuelin Han, Zhifeng Wu, Pengfei Li, Adam Wierman, Shaolei Ren,
- Abstract要約: AIの需要が急増し、エネルギー集約型データセンターが急速に拡大した。
AIの環境フットプリントの増大には大きな注意が払われているが、公衆衛生の負担はほとんど見過ごされている。
本稿では,AIのライフサイクル全体にわたって汚染物質排出量をモデル化し,公衆衛生への影響を定量化する手法を提案する。
- 参考スコア（独自算出の注目度）: 26.878518829330893
- License:
- Abstract: The surging demand for AI has led to a rapid expansion of energy-intensive data centers, impacting the environment through escalating carbon emissions and water consumption. While significant attention has been paid to AI's growing environmental footprint, the public health burden, a hidden toll of AI, has been largely overlooked. Specifically, AI's lifecycle, from chip manufacturing to data center operation, significantly degrades air quality through emissions of criteria air pollutants such as fine particulate matter, substantially impacting public health. This paper introduces a methodology to model pollutant emissions across AI's lifecycle, quantifying the public health impacts. Our findings reveal that training an AI model of the Llama3.1 scale can produce air pollutants equivalent to more than 10,000 round trips by car between Los Angeles and New York City. The total public health burden of U.S. data centers in 2030 is valued at up to more than $20 billion per year, double that of U.S. coal-based steelmaking and comparable to that of on-road emissions of California. Further, the public health costs unevenly impact economically disadvantaged communities, where the per-household health burden could be 200x more than that in less-impacted communities. We recommend adopting a standard reporting protocol for criteria air pollutants and the public health costs of AI, paying attention to all impacted communities, and implementing health-informed AI to mitigate adverse effects while promoting public health equity.
- Abstract（参考訳）: AIの需要が急増し、エネルギー集約型データセンターが急速に拡大し、二酸化炭素排出量と水消費が環境に影響を与えている。
AIの環境フットプリントの増大には大きな注意が払われているが、公衆衛生上の負担、すなわちAIの隠れた料金は、ほとんど見過ごされてきている。
具体的には、チップ製造からデータセンター運用までのAIのライフサイクルは、微粒子物質などの大気汚染物質の排出によって大気質を著しく低下させ、公衆衛生に大きな影響を及ぼす。
本稿では,AIのライフサイクル全体にわたって汚染物質排出量をモデル化し,公衆衛生への影響を定量化する手法を提案する。
この結果から,Llama3.1スケールのAIモデルをトレーニングすることで,ロサンゼルスとニューヨークを結ぶ自動車による1万回以上の大気汚染物質を発生させることができることがわかった。
2030年の米国のデータセンターの総公衆衛生負担は年間200億ドル以上と評価され、米国の石炭製鋼の倍、カリフォルニア州のオンロード排出に匹敵する。
さらに、公共医療費は経済的に不利な地域社会に不均一に影響を及ぼし、住宅1戸当たりの健康負担は、影響の少ない地域社会よりも200倍多い可能性がある。
我々は、大気汚染物質基準とAIの公衆衛生コストに関する標準報告プロトコルを採用し、影響のあるすべてのコミュニティに注意を払って、公衆衛生のエクイティを促進しながら悪影響を軽減するために、健康インフォームドAIを実装することを推奨する。
関連論文リスト
- Towards Optimal Environmental Policies: Policy Learning under Arbitrary Bipartite Network Interference [0.0]
石炭火力発電所への排出削減介入は、汚染に関連する健康負荷を減らすための効果があるがコストがかかる戦略であることが証明されている。
任意のネットワーク干渉(BNI)の下で最適ポリシーを決定するための新しい学習手法を提案する。
年間IHD入院率は1万人あたり20.66-44.51から、異なるコスト制約下での最適政策により減少する可能性がある。
論文 参考訳（メタデータ） (2024-10-10T20:39:53Z) - Hype, Sustainability, and the Price of the Bigger-is-Better Paradigm in AI [67.58673784790375]
AIパラダイムは、科学的に脆弱なだけでなく、望ましくない結果をもたらすものだ、と私たちは主張する。
第一に、計算要求がモデルの性能よりも早く増加し、不合理な経済要求と不均等な環境フットプリントにつながるため、持続可能ではない。
第二に、健康、教育、気候などの重要な応用は別として、他人を犠牲にして特定の問題に焦点をあてることである。
論文 参考訳（メタデータ） (2024-09-21T14:43:54Z) - Generative AI for Low-Carbon Artificial Intelligence of Things with Large Language Models [67.0243099823109]
ジェネレーティブAI(GAI)は、AIoT(Artificial Intelligence of Things)の二酸化炭素排出量を減らす大きな可能性を秘めている
本稿では, 炭素排出量削減のためのGAIの可能性について検討し, 低炭素AIoTのための新しいGAI対応ソリューションを提案する。
本稿では,Large Language Model (LLM) を利用したCO_2排出最適化フレームワークを提案し,このフレームワークにより,プラグ可能なLLMとRetrieval Augmented Generation (RAG) モジュールを設計する。
論文 参考訳（メタデータ） (2024-04-28T05:46:28Z) - Environmental Insights: Democratizing Access to Ambient Air Pollution
Data and Predictive Analytics with an Open-Source Python Package [0.0]
Environmental Insightsは、大気汚染濃度データへのアクセスを民主化するために設計されたオープンソースのPythonパッケージである。
このツールを使うと、ユーザーは過去の大気汚染データを検索し、機械学習モデルを使って将来の状況を予測することができる。
論文 参考訳（メタデータ） (2024-03-06T12:34:50Z) - Novel Regression and Least Square Support Vector Machine Learning
Technique for Air Pollution Forecasting [0.0]
大気汚染ベンチマークの不適切な検出は、人間や生物にとって深刻な合併症をもたらす。
DR-LSSVに基づく大気汚染予測手法を提案する。
その結果, DR-LSSV技術は大気汚染予測性能を効果的に向上させることができることがわかった。
論文 参考訳（メタデータ） (2023-06-11T06:56:00Z) - Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language
Model [72.65502770895417]
176ビリオンパラメータ言語モデルBLOOMの炭素フットプリントを,そのライフサイクルにわたって定量化する。
BLOOMの最終訓練で約24.7トンのカルボネックが放出されたと推定する。
本稿では,機械学習モデルの炭素フットプリントを正確に推定することの難しさについて論じる。
論文 参考訳（メタデータ） (2022-11-03T17:13:48Z) - Eco2AI: carbon emissions tracking of machine learning models as the
first step towards sustainable AI [47.130004596434816]
eco2AIでは、エネルギー消費の追跡と地域CO2排出量の正当性に重点を置いている。
モチベーションは、サステナブルAIとグリーンAI経路の両方で、AIベースの温室効果ガスの隔離サイクルの概念からもたらされる。
論文 参考訳（メタデータ） (2022-07-31T09:34:53Z) - AiR -- An Augmented Reality Application for Visualizing Air Pollution [5.564705758320338]
AiRは、CPCBが測定した空気質を、ユーザーのGPSによって検出された局地性、またはユーザの選択した局地性において考慮し、その局地性に存在する様々な大気汚染物質を可視化する。
AiRはまた、異なる汚染物質、ソース、およびそれらが健康に与える影響について、対話的に認識する。
論文 参考訳（メタデータ） (2020-06-03T10:03:47Z) - HazeDose: Design and Analysis of a Personal Air Pollution Inhaled Dose
Estimation System using Wearable Sensors [6.284628903370058]
我々はこのパラダイムを、個人の大気汚染をパーソナライズするHazeDoseシステムに拡張する。
ユーザはモバイルアプリケーションを通じて、パーソナライズされた大気汚染の暴露情報を視覚化できる。
1つのアルゴリズムは、代替ルートシナリオの実行時間と量削減のバランスをとるために導入された。
論文 参考訳（メタデータ） (2020-05-28T02:35:13Z) - COVI White Paper [67.04578448931741]
接触追跡は、新型コロナウイルスのパンデミックの進行を変える上で不可欠なツールだ。
カナダで開発されたCovid-19の公衆ピアツーピア接触追跡とリスク認識モバイルアプリケーションであるCOVIの理論的、設計、倫理的考察、プライバシ戦略について概説する。
論文 参考訳（メタデータ） (2020-05-18T07:40:49Z)
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。