論文の概要: Quantifying the Climate Risk of Generative AI: Region-Aware Carbon Accounting with G-TRACE and the AI Sustainability Pyramid

• arxiv url: http://arxiv.org/abs/2511.04776v1
• Date: Thu, 06 Nov 2025 19:52:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.576271
• Title: Quantifying the Climate Risk of Generative AI: Region-Aware Carbon Accounting with G-TRACE and the AI Sustainability Pyramid
• Title（参考訳）: 生成AIの気候リスクの定量化:G-TRACEとAIサステナビリティピラミッドを用いた地域対応炭素会計
• Authors: Zahida Kausar, Seemab Latif, Raja Khurrum Shahzad, Mehwish Fatima,
• Abstract要約: GenAIは、エネルギー需要と関連するCO2排出量が新たな気候リスクのカテゴリとして出現する、急速に拡大するデジタルインフラである。 本研究は、トレーニングおよび推論関連エミッションを定量化するクロスモーダルな領域認識フレームワークであるG-TRACEを紹介する。 AI Sustainability Pyramidは、炭素会計メトリクスと運用の準備、最適化、管理を結びつける7段階のガバナンスモデルである。
• 参考スコア（独自算出の注目度）: 2.2999148299770047
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative Artificial Intelligence (GenAI) represents a rapidly expanding digital infrastructure whose energy demand and associated CO2 emissions are emerging as a new category of climate risk. This study introduces G-TRACE (GenAI Transformative Carbon Estimator), a cross-modal, region-aware framework that quantifies training- and inference-related emissions across modalities and deployment geographies. Using real-world analytics and microscopic simulation, G-TRACE measures energy use and carbon intensity per output type (text, image, video) and reveals how decentralized inference amplifies small per-query energy costs into system-level impacts. Through the Ghibli-style image generation trend (2024-2025), we estimate 4,309 MWh of energy consumption and 2,068 tCO2 emissions, illustrating how viral participation inflates individual digital actions into tonne-scale consequences. Building on these findings, we propose the AI Sustainability Pyramid, a seven-level governance model linking carbon accounting metrics (L1-L7) with operational readiness, optimization, and stewardship. This framework translates quantitative emission metrics into actionable policy guidance for sustainable AI deployment. The study contributes to the quantitative assessment of emerging digital infrastructures as a novel category of climate risk, supporting adaptive governance for sustainable technology deployment. By situating GenAI within climate-risk frameworks, the work advances data-driven methods for aligning technological innovation with global decarbonization and resilience objectives.
• Abstract（参考訳）: ジェネレーティブ・人工知能(GenAI)は、エネルギー需要と関連するCO2排出量が気候リスクの新しいカテゴリとして出現する、急速に拡大するデジタルインフラである。 本稿では,G-TRACE(GenAI Transformative Carbon Estimator)について紹介する。 実世界の分析と顕微鏡シミュレーションを用いて、G-TRACEは出力タイプ毎のエネルギー使用量と炭素強度(テキスト、画像、ビデオ)を測定し、分散推論がシステムレベルの影響に対して、いかに小さなクエリ毎のエネルギーコストを増幅するかを明らかにする。 ギブリスタイルの画像生成トレンド(2024-2025)を通じて, エネルギー消費量4,309MWh, tCO2排出量2,068 tCO2を推定し, ウイルスの関与が個々のデジタルアクションをトン規模の結果にどのように膨らませるかを考察した。 これらの知見に基づいて、我々は、炭素会計メトリクス(L1-L7)と運用の準備、最適化、管理を結びつける7段階のガバナンスモデルであるAI Sustainability Pyramidを提案する。 このフレームワークは、定量的エミッションメトリクスを、持続可能なAIデプロイメントのための実行可能なポリシーガイダンスに変換する。 この研究は、持続可能な技術展開のための適応的ガバナンスを支援する新しい気候リスクカテゴリとして、新興デジタルインフラの定量的評価に寄与する。 気候変動の枠組みにGenAIを配置することで、この研究は、技術革新とグローバルな脱炭とレジリエンスの目標を整合させるデータ駆動手法を推進している。

関連論文リスト

• Role of AI Innovation, Clean Energy and Digital Economy towards Net Zero Emission in the United States: An ARDL Approach [0.0]
  本稿は,1990年から2022年までの米国における,AIイノベーション,GDP成長,再生可能エネルギー利用,デジタル経済,産業化がCO2排出量に与える影響について検討する。 その結果、AIの革新、再生可能エネルギー利用、デジタル経済はCO2排出量を削減し、GDPの拡大と工業化は生態系の被害を増大させる。
  論文  参考訳（メタデータ） (2025-03-24T16:32:24Z)
• From Efficiency Gains to Rebound Effects: The Problem of Jevons' Paradox in AI's Polarized Environmental Debate [69.05573887799203]
  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。 AIの真の気候フットプリントを誤って表現し、意味のある介入の範囲を制限している、と我々は主張する。
  論文  参考訳（メタデータ） (2025-01-27T22:45:06Z)
• Enhancing Green Economy with Artificial Intelligence: Role of Energy Use and FDI in the United States [0.0]
  本研究は,1990年から2022年までの米国における,人工知能(AI)の革新,経済成長,外国直接投資(FDI),エネルギー消費,都市化がCO2排出量に与える影響について検討した。 AIイノベーションは環境ストレス、経済成長、エネルギー利用、FDI、都市化を緩和し、環境劣化を悪化させる。 この研究は、グリーンFDIの推進、AI技術の進歩、持続可能なエネルギープラクティスの採用、米国における持続可能な成長を促進するためのエコフレンドリーな都市開発の導入といった政策措置を提案する。
  論文  参考訳（メタデータ） (2024-12-20T03:03:21Z)
• A Comprehensive Approach to Carbon Dioxide Emission Analysis in High Human Development Index Countries using Statistical and Machine Learning Techniques [4.106914713812204]
  世界規模の二酸化炭素排出量を効果的に削減するためには、二酸化炭素排出量の傾向を予測し、その排出量パターンに基づいて国を分類することが不可欠だ」と述べた。 本稿では,HDI(Human Development Index)を有する20カ国におけるCO2排出量の決定要因について,25年間にわたる経済,環境,エネルギー利用,再生可能資源に関連する要因について,詳細な比較研究を行った。
  論文  参考訳（メタデータ） (2024-05-01T21:00:02Z)
• 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)
• Toward Sustainable GenAI using Generation Directives for Carbon-Friendly Large Language Model Inference [8.567865555551911]
  本稿では,ジェネレーティブ・Large Language Model (LLM) 推論サービスの炭素フットプリント削減を目的とした,革新的なフレームワークであるSproutを提案する。 提案手法は,生態系の持続可能性と高品質な生成結果の需要のバランスをとる。 Llama2およびグローバル電力グリッドデータを用いた実世界の評価において, 炭素排出量を40%以上削減できることを実証した。
  論文  参考訳（メタデータ） (2024-03-19T16:53:53Z)
• 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)

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。