論文の概要: Toward Agentic Environments: GenAI and the Convergence of AI, Sustainability, and Human-Centric Spaces

• arxiv url: http://arxiv.org/abs/2512.15787v1
• Date: Mon, 15 Dec 2025 20:15:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.711928
• Title: Toward Agentic Environments: GenAI and the Convergence of AI, Sustainability, and Human-Centric Spaces
• Title（参考訳）: エージェント環境に向けて:GenAIとAIの収束、持続可能性、そして人間中心空間
• Authors: Przemek Pospieszny, Dominika P. Brodowicz,
• Abstract要約: 本稿では,3つのレンズを用いたエージェント環境に関する概念的枠組みを提案する。 この結果は,資源利用の最適化とデータプライバシの強化を通じて,持続可能な生態系を育成するエージェント環境の可能性を強調している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In recent years, advances in artificial intelligence (AI), particularly generative AI (GenAI) and large language models (LLMs), have made human-computer interactions more frequent, efficient, and accessible across sectors ranging from banking to healthcare. AI tools embedded in digital devices support decision-making and operational management at both individual and organizational levels, including resource allocation, workflow automation, and real-time data analysis. However, the prevailing cloud-centric deployment of AI carries a substantial environmental footprint due to high computational demands. In this context, this paper introduces the concept of agentic environments, a sustainability-oriented AI framework that extends beyond reactive systems by leveraging GenAI, multi-agent systems, and edge computing to reduce the environmental impact of technology. Agentic environments enable more efficient resource use, improved quality of life, and sustainability-by-design, while simultaneously enhancing data privacy through decentralized, edge-driven solutions. Drawing on secondary research as well as primary data from focus groups and semi-structured interviews with AI professionals from leading technology companies, the paper proposes a conceptual framework for agentic environments examined through three lenses: the personal sphere, professional and commercial use, and urban operations. The findings highlight the potential of agentic environments to foster sustainable ecosystems through optimized resource utilization and strengthened data privacy. The study concludes with recommendations for edge-driven deployment models to reduce reliance on energy-intensive cloud infrastructures.
• Abstract（参考訳）: 近年、人工知能(AI)、特にジェネレーティブAI(GenAI)と大規模言語モデル(LLM)の進歩により、銀行から医療まで幅広い分野において、人間とコンピュータの相互作用がより頻繁に、効率的、アクセスしやすくなっている。 デジタルデバイスに組み込まれたAIツールは、リソース割り当て、ワークフロー自動化、リアルタイムデータ分析など、個人レベルと組織レベルの意思決定と運用管理をサポートする。 しかし、一般的なクラウド中心のAIデプロイメントは、高い計算要求のため、かなりの環境フットプリントを持つ。 本稿では,GenAI,マルチエージェントシステム,エッジコンピューティングを活用して,環境への影響を低減し,リアクティブシステムを超えた持続可能性指向のAIフレームワークであるエージェント環境の概念を紹介する。 エージェント環境は、より効率的なリソース使用、生活の質の向上、サステナビリティ・バイ・デザインを可能にすると同時に、分散化されたエッジ駆動ソリューションを通じてデータのプライバシを同時に強化する。 本論文は,2次研究と焦点グループからの一次データ,主要技術企業のAI専門家への半構造化インタビューに基づいて,パーソナルスフィア,プロフェッショナルおよび商用利用,都市運営という3つのレンズを通して調査されたエージェント環境の概念的枠組みを提案する。 この結果は,資源利用の最適化とデータプライバシの強化を通じて,持続可能な生態系を育成するエージェント環境の可能性を強調している。 この研究は、エネルギー集約型クラウドインフラストラクチャへの依存を減らすために、エッジ駆動デプロイメントモデルを提案することで締めくくられている。

関連論文リスト

• 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)
• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• Exploring the sustainable scaling of AI dilemma: A projective study of corporations' AI environmental impacts [0.0]
  企業のAIポートフォリオの環境影響を推定する手法を提案する。 その結果、大規模な生成AIモデルは従来のモデルよりも最大4600倍のエネルギーを消費していることが確認された。 2030年までにジェネレーティブAIの環境影響を緩和するには、AIバリューチェーン全体にわたる協調的な努力が必要である。
  論文  参考訳（メタデータ） (2025-01-24T08:58:49Z)
• Green Edge AI: A Contemporary Survey [46.11332733210337]
  AIの変換力は、ディープニューラルネットワーク(DNN)の利用から導かれる。 ディープラーニング(DL)は、エンドユーザーデバイス(EUD)に近い無線エッジネットワークに移行しつつある。 その可能性にもかかわらず、エッジAIは大きな課題に直面している。主な原因は、無線エッジネットワークのリソース制限と、DLのリソース集約的な性質の分離である。
  論文  参考訳（メタデータ） (2023-12-01T04:04:37Z)

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。