Fugu-MT 論文翻訳(概要): Efficiency Will Not Lead to Sustainable Reasoning AI

論文の概要: Efficiency Will Not Lead to Sustainable Reasoning AI

arxiv url: http://arxiv.org/abs/2511.15259v1
Date: Wed, 19 Nov 2025 09:23:14 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-20 15:51:28.723494
Title: Efficiency Will Not Lead to Sustainable Reasoning AI
Title（参考訳）: 効率性は持続可能な推論AIに繋がらない
Authors: Philipp Wiesner, Daniel W. O'Neill, Francesca Larosa, Odej Kao,
Abstract要約: この論文は、効率だけでは持続可能な推論AIに繋がらないと論じている。このようなシステムの最適化とガバナンスに明確な限界を埋め込むための研究と政策の方向性について論じる。
参考スコア（独自算出の注目度）: 2.4902411151823487
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: AI research is increasingly moving toward complex problem solving, where models are optimized not only for pattern recognition but for multi-step reasoning. Historically, computing's global energy footprint has been stabilized by sustained efficiency gains and natural saturation thresholds in demand. But as efficiency improvements are approaching physical limits, emerging reasoning AI lacks comparable saturation points: performance is no longer limited by the amount of available training data but continues to scale with exponential compute investments in both training and inference. This paper argues that efficiency alone will not lead to sustainable reasoning AI and discusses research and policy directions to embed explicit limits into the optimization and governance of such systems.
Abstract（参考訳）: AI研究は、パターン認識だけでなく、多段階推論にも最適化されたモデルによって、複雑な問題解決に向かってますます進んでいる。歴史的に、コンピューティングのグローバルなエネルギーフットプリントは、需要の持続的な効率向上と自然飽和閾値によって安定化されてきた。しかし、効率の改善が物理的な限界に近づいているため、新たな推論AIには、同等の飽和点がない。本稿では,効率だけでは持続可能な推論AIには結びつかず,そのようなシステムの最適化とガバナンスに明確な限界を埋め込むための研究と政策の方向性について論じる。

関連論文リスト

WebLeaper: Empowering Efficiency and Efficacy in WebAgent via Enabling Info-Rich Seeking [60.35109192765302]
情報検索は、自律的な推論と意思決定を可能にする中核的な能力である。我々は、高カバレッジなISタスクを構築し、効率的なソリューショントラジェクトリを生成するためのフレームワークであるWebLeaperを提案する。本手法は,強いベースラインに対する有効性と効率性の向上を継続的に達成する。
論文参考訳（メタデータ） (2025-10-28T17:51:42Z)
Improving AI Efficiency in Data Centres by Power Dynamic Response [74.12165648170894]
近年、人工知能(AI)の着実に成長が加速し、洗練されたモデルの開発が進められている。 AIの潜在能力を最大限に活用するためには、堅牢で信頼性の高い電力インフラの確保が不可欠だ。しかし、AIデータセンターは電力に非常に飢えており、彼らの電力管理の問題が注目されている。
論文参考訳（メタデータ） (2025-10-13T08:08:21Z)
Tu(r)ning AI Green: Exploring Energy Efficiency Cascading with Orthogonal Optimizations [2.829284162137884]
本稿では, エネルギー効率を第一級市民として, 計算集約パイプラインの基本設計として扱うことを強調する。 5つのAIパイプラインフェーズ(データ、モデル、トレーニング、システム、推論)の戦略的選択によって、カスケード効率が向上することを示す。組み合わせによってエネルギー消費は94.6ドル%まで減少し、最適化されていないパイプラインの元々のF1スコアの95.95ドル%を維持できる。
論文参考訳（メタデータ） (2025-06-23T04:52:08Z)
Exploring and Exploiting the Inherent Efficiency within Large Reasoning Models for Self-Guided Efficiency Enhancement [101.77467538102924]
大きな推論モデル(LRM)は、効率を阻害し、推論コストを膨らませる過剰な考えを示す。 LRM効率を向上させるための2つの軽量手法を提案する。まず,学習不要なアクティベーションステアリング技術であるEfficic Steeringを導入する。第2に,タスクの正確さと簡潔さを動的にバランスする強化学習フレームワークである自己回帰効率RLを開発する。
論文参考訳（メタデータ） (2025-06-18T17:18:12Z)
Rethinking LLM Advancement: Compute-Dependent and Independent Paths to Progress [10.461430685627857]
本研究は,大規模言語モデルが,計算制約環境におけるアルゴリズム的革新によって進展するか否かを評価する。本稿では,計算に依存しないイノベーションから高い計算量で不均質な利益をもたらす計算依存のイノベーションを区別する新しいフレームワークを提案する。
論文参考訳（メタデータ） (2025-05-07T02:26:17Z)
Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
論文参考訳（メタデータ） (2024-05-07T17:44:54Z)
Boosting Inference Efficiency: Unleashing the Power of Parameter-Shared Pre-trained Language Models [109.06052781040916]
本稿ではパラメータ共有言語モデルの推論効率を向上させる手法を提案する。また、完全あるいは部分的に共有されたモデルにつながる単純な事前学習手法を提案する。その結果,本手法が自己回帰的および自己符号化的PLMに与える影響が示された。
論文参考訳（メタデータ） (2023-10-19T15:13:58Z)
Efficient XAI Techniques: A Taxonomic Survey [40.74369038951756]
我々は、XAI加速の既存の手法を、非アモルト化および効率的なアモルト化法にレビューする。我々は、トレーニングフェーズ、デプロイメントフェーズ、およびユースケースの観点から、効率的なXAIパイプラインの制限を分析します。
論文参考訳（メタデータ） (2023-02-07T03:15:38Z)
Learning to Optimize with Stochastic Dominance Constraints [103.26714928625582]
本稿では,不確実量を比較する問題に対して,単純かつ効率的なアプローチを開発する。我々はラグランジアンの内部最適化をサロゲート近似の学習問題として再考した。提案したライト-SDは、ファイナンスからサプライチェーン管理に至るまで、いくつかの代表的な問題において優れた性能を示す。
論文参考訳（メタデータ） (2022-11-14T21:54:31Z)
Position: Tensor Networks are a Valuable Asset for Green AI [7.066223472133622]
本稿では,テンソルネットワーク(TN)とグリーンAIの基本的な関係を紹介する。我々は、TNは強力な数学的バックボーンと固有対数圧縮ポテンシャルのため、グリーンAIにとって価値があると論じる。
論文参考訳（メタデータ） (2022-05-25T14:02:49Z)

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。