論文の概要: On the Carbon Footprint of Economic Research in the Age of Generative AI

• arxiv url: http://arxiv.org/abs/2603.26712v1
• Date: Tue, 17 Mar 2026 22:18:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:13.099097
• Title: On the Carbon Footprint of Economic Research in the Age of Generative AI
• Title（参考訳）: 世代AI時代の経済研究のカーボンフットプリントについて
• Authors: Andres Alonso-Robisco, Carlos Esparcia, Francisco Jareño,
• Abstract要約: グリーンAIの研究は、GenAIがツールである下流ではなく、モデルのフットプリントを大きく測定してきた。 分析の繰り返し単位をモデルからトピックにシフトし、研究者とシステム間の差別を割り当てる決定ポリシーとしてプロンプトを扱います。 結果は,GenAIの生産性と環境効率を調和させる実践的なレバーとして,ループガバナンスの人間を同定した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative artificial intelligence (AI) is increasingly used to write and refactor research code, expanding computational workflows. At the same time, Green AI research has largely measured the footprint of models rather than the downstream workflows in which GenAI is a tool. We shift the unit of analysis from models to workflows and treat prompts as decision policies that allocate discretion between researcher and system, governing what is executed and when iteration stops. We contribute in two ways. First, we map the recent Green AI literature into seven themes: training footprint is the largest cluster, while inference efficiency and system level optimisation are growing rapidly, alongside measurement protocols, green algorithms, governance, and security and efficiency trade-offs. Second, we benchmark a modern economic survey workflow, an LDA-based literature mapping implemented with GenAI assisted coding and executed in a fixed cloud notebook, measuring runtime and estimated CO2e with CodeCarbon. Injecting generic green language into prompts has no reliable effect, whereas operational constraints and decision rule prompts deliver large and stable footprint reductions while preserving decision equivalent topic outputs. The results identify human in the loop governance as a practical lever to align GenAI productivity with environmental efficiency.
• Abstract（参考訳）: 生成人工知能(AI)は研究コードの作成とリファクタリング、計算ワークフローの拡張にますます利用されている。 同時に、Green AIの研究は、GenAIがツールである下流ワークフローではなく、モデルのフットプリントを大きく測定している。 分析単位をモデルからワークフローにシフトし、プロンプトを研究者とシステム間の差別を割り当て、何が実行され、いつイテレーションが停止するかを規定する決定ポリシーとして扱います。 私たちは2つの方法で貢献します。 トレーニングフットプリントは最大のクラスタであり、推論効率とシステムレベルの最適化は、測定プロトコル、グリーンアルゴリズム、ガバナンス、セキュリティと効率のトレードオフとともに急速に増加しています。 第二に、現代経済調査のワークフローをベンチマークし、GenAIで実装されたLDAベースの文献マッピングを、固定されたクラウドノートブックでコーディングし、実行し、ランタイムを測定し、CodeCarbonでCO2eを推定する。 一般的なグリーン言語をプロンプトに注入することは信頼性に欠けるが、運用上の制約や決定ルールのプロンプトは、決定等価なトピック出力を保持しながら、大きく安定したフットプリントの削減をもたらす。 その結果、ループガバナンスにおける人間は、GenAI生産性と環境効率を整合させる実践的なレバーであることがわかった。

関連論文リスト

• AI Co-Scientist for Ranking: Discovering Novel Search Ranking Models alongside LLM-based AI Agents with Cloud Computing Access [60.37646376282544]
  本稿では,全検索ランキング研究パイプラインを自動化したAI共同科学者フレームワークを提案する。 これは、AIの共同科学者フレームワークをアルゴリズム研究に利用した、ランキングコミュニティで初めての研究である。
  論文  参考訳（メタデータ） (2026-03-23T09:29:08Z)
• Evaluating Kubernetes Performance for GenAI Inference: From Automatic Speech Recognition to LLM Summarization [0.47084854837124496]
  ジェネレーティブAI(GenAI)は、主要なワークロードカテゴリとして急速に現れます。 この業界論文は、コンテナオーケストレーションのメリットを提供するために、新興のネイティブプロジェクトをどのように組み合わせることができるかを示します。
  論文  参考訳（メタデータ） (2026-02-03T15:36:08Z)
• EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
  Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。 しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。 実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
  論文  参考訳（メタデータ） (2026-01-29T11:33:49Z)
• Simple Agents Outperform Experts in Biomedical Imaging Workflow Optimization [69.36509281190662]
  生産レベルのコンピュータビジョンツールを科学データセットに適応させることは、重要な"ラストマイル"ボトルネックである。 我々は、AIエージェントを使ってこの手動コーディングを自動化し、最適なエージェント設計のオープンな問題に焦点を当てる。 簡単なエージェントフレームワークが、人間-専門家のソリューションよりも優れた適応コードを生成することを実証する。
  論文  参考訳（メタデータ） (2025-12-02T18:42:26Z)
• Agentic AI Sustainability Assessment for Supply Chain Document Insights [0.0]
  本稿では,エージェント人工知能(AI)を中心としたサプライチェーン運用におけるドキュメントインテリジェンスのための総合的持続可能性評価フレームワークを提案する。 文書集約紙抽出において, 評価可能な環境性能を提供しながら, 自動化効率を向上させるという2つの目的に対処する。 我々は,AI支援型HITLとエージェントAIのシナリオにより,エネルギー消費の最大7倍,二酸化炭素排出量の90-97%,水利用の89-98%を手作業で行うことができることを示した。
  論文  参考訳（メタデータ） (2025-11-10T13:38:08Z)
• Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
  システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。 このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。 我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-10-07T17:49:24Z)
• Exploring Prompt Patterns in AI-Assisted Code Generation: Towards Faster and More Effective Developer-AI Collaboration [3.1861081539404137]
  本稿では,AI支援コード生成に必要となるインタラクション数を最小化するために,構造化されたプロンプトパターンの適用について検討する。 我々は,開発者とAI間の往復通信を減らすことの有効性を評価するために,異なる7つのプロンプトパターンを分析した。
  論文  参考訳（メタデータ） (2025-06-02T12:43:08Z)
• Intelligent Green Efficiency for Intrusion Detection [0.0]
  本稿では,AIの性能向上のための異なるプログラミング言語と特徴選択(FS)手法の評価を行う。 実験はRandom Forest、XGBoost、LightGBM、Multi-Layer Perceptron、Long Short-Term Memoryの5つのMLモデルを用いて行われた。 その結果、FSは検出精度を損なうことなくAIモデルの計算効率を向上させる重要な役割を担っていることが示された。
  論文  参考訳（メタデータ） (2024-11-11T15:01:55Z)
• Learn to Code Sustainably: An Empirical Study on LLM-based Green Code Generation [7.8273713434806345]
  生成型商用AI言語モデルにより生成された自動生成符号の持続可能性を評価する。 3つのAI言語モデルによって生成された人為的なコードとコードのパフォーマンスとグリーンキャパシティを比較した。
  論文  参考訳（メタデータ） (2024-03-05T22:12:01Z)

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。