論文の概要: Toward Sustainable Generative AI: A Scoping Review of Carbon Footprint and Environmental Impacts Across Training and Inference Stages
- arxiv url: http://arxiv.org/abs/2511.17179v1
- Date: Fri, 21 Nov 2025 11:59:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-24 18:08:19.000299
- Title: Toward Sustainable Generative AI: A Scoping Review of Carbon Footprint and Environmental Impacts Across Training and Inference Stages
- Title（参考訳）: 持続可能な生成AIに向けて:トレーニングと推論段階におけるカーボンフットプリントと環境影響のスコーピングレビュー
- Authors: Min-Kyu Kim, Tae-An Yoo, Ji-Bum Chung,
- Abstract要約: 生成AIは急速に普及し、社会的、経済的に重要な価値を生み出している。
大規模サービス運用において発生した累積的環境フットプリントは,比較的少なくなった。
本研究は,AIカーボンフットプリント評価における方法論と研究動向のスコーピングレビューを行う。
- 参考スコア（独自算出の注目度）: 2.2758077237273846
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative AI is spreading rapidly, creating significant social and economic value while also raising concerns about its high energy use and environmental sustainability. While prior studies have predominantly focused on the energy-intensive nature of the training phase, the cumulative environmental footprint generated during large-scale service operations, particularly in the inference phase, has received comparatively less attention. To bridge this gap this study conducts a scoping review of methodologies and research trends in AI carbon footprint assessment. We analyze the classification and standardization status of existing AI carbon measurement tools and methodologies, and comparatively examine the environmental impacts arising from both training and inference stages. In addition, we identify how multidimensional factors such as model size, prompt complexity, serving environments, and system boundary definitions shape the resulting carbon footprint. Our review reveals critical limitations in current AI carbon accounting practices, including methodological inconsistencies, technology-specific biases, and insufficient attention to end-to-end system perspectives. Building on these insights, we propose future research and governance directions: (1) establishing standardized and transparent universal measurement protocols, (2) designing dynamic evaluation frameworks that incorporate user behavior, (3) developing life-cycle monitoring systems that encompass embodied emissions, and (4) advancing multidimensional sustainability assessment framework that balance model performance with environmental efficiency. This paper provides a foundation for interdisciplinary dialogue aimed at building a sustainable AI ecosystem and offers a baseline guideline for researchers seeking to understand the environmental implications of AI across technical, social, and operational dimensions.
- Abstract（参考訳）: 生成AIは急速に普及し、社会的、経済的に重要な価値を生み出しつつ、その高エネルギー利用と環境持続可能性への懸念も高まっている。
以前の研究では、トレーニングフェーズのエネルギー集約性に主に焦点が当てられていたが、大規模サービスオペレーション、特に推論フェーズで発生する累積的な環境フットプリントは、比較的あまり注目されていない。
このギャップを埋めるために、この研究はAIカーボンフットプリント評価における方法論と研究トレンドのスコーピングレビューを実施している。
我々は、既存のAI炭素測定ツールと方法論の分類と標準化状況を分析し、トレーニング段階と推論段階の両方から生じる環境影響を比較検討した。
さらに, モデルサイズ, 迅速な複雑性, サービス環境, システム境界定義などの多次元因子が, 結果の炭素フットプリントをどう形成するかを明らかにする。
私たちのレビューでは、方法論的不整合、技術固有のバイアス、エンドツーエンドのシステム視点への注意不足など、現在のAI炭素会計のプラクティスにおける重要な制限を明らかにしています。
これらの知見に基づいて,(1)標準化された透明なユニバーサル測定プロトコルの確立,(2)ユーザ行動を含む動的評価フレームワークの設計,(3)エボデードエミッションを含むライフサイクルモニタリングシステムの開発,(4)モデル性能と環境効率のバランスをとる多次元サステナビリティ評価フレームワークの進展など,今後の研究とガバナンスの方向性を提案する。
本稿では,持続可能なAIエコシステムの構築を目的とした学際対話の基礎を提供するとともに,技術,社会的,運用面でのAIの環境影響を理解するための基礎となるガイドラインを提供する。
関連論文リスト
- Insights Informed Generative AI for Design: Incorporating Real-world Data for Text-to-Image Output [51.88841610098437]
本稿では,DALL-E 3を材料データセットと統合して,サステナビリティ指標と材料利用の洞察を備えたAI設計を充実させるパイプラインを提案する。
我々は,(1) 生成AIによるプロンプトプロセスに先立ってユーザに対してサステナビリティの言及がなく,(2) プロンプト前にユーザと通信するサステナビリティの目標,(3) 生成AI出力に含まれる量的CO2eデータとともに通信するサステナビリティの目標である,という3つのユーザテストを通じてシステムを評価する。
論文 参考訳（メタデータ） (2025-06-17T22:33:11Z) - Calculating Software's Energy Use and Carbon Emissions: A Survey of the State of Art, Challenges, and the Way Ahead [8.377809633825196]
ソフトウェアとAIの普及には、その成長するエネルギーと炭素フットプリントという、隠れたリスクが伴う。
ソフトウェアおよびAI関連エネルギーおよび/または二酸化炭素排出量の測定を可能にする方法とツールについて、最先端のレビューを行う。
論文 参考訳（メタデータ） (2025-06-11T13:02:00Z) - Bridging the Gap: Integrating Ethics and Environmental Sustainability in AI Research and Practice [57.94036023167952]
我々は、AIの倫理的影響を研究するための努力は、その環境への影響を評価するものと相まって行われるべきであると論じる。
我々は,AI研究と実践にAI倫理と持続可能性を統合するためのベストプラクティスを提案する。
論文 参考訳（メタデータ） (2025-04-01T13:53:11Z) - Environmental large language model Evaluation (ELLE) dataset: A Benchmark for Evaluating Generative AI applications in Eco-environment Domain [6.246205449407889]
ジェネレーティブAIは、生態学的および環境的応用に大きな可能性を秘めている。
環境大言語モデル評価(ELLE)データセットは、大規模言語モデルを評価するために設計された最初のベンチマークである。
ELLEデータセットには16の環境トピックにまたがる1,130の質問応答ペアが含まれており、ドメイン、難易度、タイプによって分類されている。
論文 参考訳（メタデータ） (2025-01-10T12:48:29Z) - FREE: The Foundational Semantic Recognition for Modeling Environmental Ecosystems [56.0640340392818]
我々は、様々な特徴と利用可能な情報を使ってユニバーサルモデルを訓練するフレームワーク、FREEを導入する。
その中核となる考え方は、利用可能な環境データをテキスト空間にマッピングし、環境科学における従来の予測モデリングタスクを意味認識問題に変換することである。
河川水温予測と収穫量予測という2つの社会学的に重要な実世界の応用に対する評価は、FREEが複数のベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-11-17T00:53:09Z) - Predictable Artificial Intelligence [77.1127726638209]
本稿では予測可能なAIのアイデアと課題を紹介する。
それは、現在および将来のAIエコシステムの重要な妥当性指標を予測できる方法を探る。
予測可能性を達成することは、AIエコシステムの信頼、責任、コントロール、アライメント、安全性を促進するために不可欠である、と私たちは主張する。
論文 参考訳（メタデータ） (2023-10-09T21:36:21Z) - Towards Sustainable Development: A Novel Integrated Machine Learning
Model for Holistic Environmental Health Monitoring [0.0]
都市化は経済成長を可能にするが、劣化によって環境を害する。
機械学習は、主要な予測的特徴を特定することによって環境劣化を追跡するための有望なツールとして登場した。
本研究の目的は、介入点の特定、計画と保全の取り組みの改善、そして究極的には持続可能な開発への貢献を支援することである。
論文 参考訳（メタデータ） (2023-08-20T16:35:21Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳（メタデータ） (2023-07-01T15:18:00Z) - Sustainable AI: Environmental Implications, Challenges and Opportunities [13.089123643565724]
我々は、産業規模の機械学習ユースケースにおけるモデル開発サイクルを調べることで、AIコンピューティングの炭素フットプリントを特徴づける。
ハードウェア・ソフトウェア設計と大規模最適化がAIのカーボンフットプリント全体の削減にどのように役立つのかを、エンドツーエンドで分析する。
論文 参考訳（メタデータ） (2021-10-30T23:36:10Z)
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。