論文の概要: From Cradle to Cloud: A Life Cycle Review of AI's Environmental Footprint
- arxiv url: http://arxiv.org/abs/2605.05416v1
- Date: Wed, 06 May 2026 20:20:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.40566
- Title: From Cradle to Cloud: A Life Cycle Review of AI's Environmental Footprint
- Title（参考訳）: クレードルからクラウドへ:AIの環境足跡のライフサイクルレビュー
- Abstract要約: 我々は、AIの環境フットプリントのさまざまな側面を調査する科学論文と技術報告の構造化された総合的な文献レビューを行う。
ハードウェア製造、インフラストラクチャ構築、データ収集と前処理、モデル実験、トレーニング、トレーニング後の適応、デプロイメント、推論、終末といった8段階のライフサイクルフレームワークを使用します。
ライフサイクル言語は「グリーン」あるいは「持続可能な」AIの議論でますます一般的になっているが、その定義はいまだに不明である。
- 参考スコア（独自算出の注目度）: 5.541818456943479
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The rapid growth in the deployment and scale of modern artificial intelligence (AI) systems has intensified concerns regarding their environmental impacts, yet we still lack a comprehensive view of where and how these impacts arise across the AI life cycle. In order to shed more light on this question, we conduct a structured, comprehensive literature review of scientific papers and technical reports that examine different aspects of AI's environmental footprint. Using an eight-stage life cycle framework, spanning hardware manufacturing, infrastructure construction, data gathering and preprocessing, model experimentation, training, post-training adaptation, deployment, inference, and end-of-life, we systematically map which stages are covered, the metrics reported at each stage, and the methodological choices made. We then draw conclusions about the information we gathered, finding that although life cycle language is increasingly common in discussions of "green" or "sustainable" AI, its definition remains unclear -- while some studies focus solely on model training and inference, others encompass broader measurements such as data collection, infrastructure, and embodied emissions. We also find that reporting practices rely predominantly on CO2e estimates derived from coarse proxies, with limited attention dedicated to water usage, materials manufacturing, and multi-impact life cycle assessment, making it difficult to compare and aggregate true results. Building on these findings, we propose measurement and reporting approaches to support more comprehensive, comparable and policy-relevant assessments of AI's environmental impacts.
- Abstract（参考訳）: 現代の人工知能(AI)システムの展開とスケールの急激な成長は、その環境への影響に対する懸念を強めていますが、これらの影響がAIライフサイクル全体にわたってどのように起こるかについての包括的な見解はいまだにありません。
この問題にもっと光を当てるために、我々は、AIの環境フットプリントの異なる側面を調査する科学論文と技術レポートの構造化された総合的な文献レビューを実施します。
ハードウェア製造,インフラストラクチャ構築,データ収集および前処理,モデル実験,トレーニング,ポストトレーニング適応,デプロイメント,推論,終末といった8段階のライフサイクルフレームワークを使用して,どのステージがカバーされているか,各ステージで報告されたメトリクス,および方法の選択を体系的にマップする。
そして、収集した情報に関する結論を導き、ライフサイクル言語が"グリーン"や"サステナブル"AIの議論でますます一般的になっているが、その定義は依然として不明である。
また, 粗いプロキシからのCO2e推定に大きく依存しており, 水利用, 材料製造, マルチインパクトライフサイクルアセスメントに限定し, 真の結果を比較, 集約することが困難である。
これらの知見に基づいて、AIの環境影響に関するより包括的で、同等で、ポリシーに関連のある評価を支援するための計測および報告手法を提案する。
関連論文リスト
- A Checklist to assess the energy and carbon impacts of ML/AI applications in Earth System Modeling [0.0]
成長する文学組織は、機械学習と人工知能の倫理的かつ持続可能な発展に対処する。
我々は、これらの議論をML/AIとアースシステムの専門家が自身のアプリケーションの環境フットプリントを評価し、削減するために使用できる実践的なチェックリストに抽出する。
それぞれの質問に対して、我々は、研究者が開発サイクルのすべての段階で直面する意図的原則と意思決定のギャップを埋めることを目的として、最近の文献から具体的な事例と実行可能な提案を指摘します。
論文 参考訳（メタデータ） (2026-09-01T07:44:38Z) - A Survey on the Green Development of Large Models: From Resource-Efficient Architectures to Hardware-Software Co-Design [71.32556809242666]
大規模AIモデルの急速な拡張は、さまざまな領域で大幅なパフォーマンスのブレークスルーをもたらした。
また、計算コスト、エネルギー消費、環境の持続可能性に関する重要な懸念を提起している。
この調査は、大規模モデルの持続的、スケーラブルで、社会的に責任のある開発に向けて、全体的なロードマップを提供することを目的としている。
論文 参考訳（メタデータ） (2026-07-10T04:02:22Z) - Environmental Footprint of GenAI Research: Insights from the Moshi Foundation Model [21.84427881226263]
本研究では、計算集約型MLLM研究の解剖学を掘り下げ、特定のモデルコンポーネントやトレーニングフェーズに費やされたGPU時間の定量化を行う。
ライフサイクルアセスメント手法を用いて,モシの創出による環境影響の評価を行った。
論文 参考訳（メタデータ） (2026-04-13T08:15:59Z) - Toward Sustainable Generative AI: A Scoping Review of Carbon Footprint and Environmental Impacts Across Training and Inference Stages [2.2758077237273846]
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。
論文 参考訳（メタデータ） (2025-11-21T11:59:34Z) - AI in Agriculture: A Survey of Deep Learning Techniques for Crops, Fisheries and Livestock [77.95897723270453]
作物、漁業、家畜が世界の食料生産のバックボーンを形成し、成長を続ける世界の人口を養うのに不可欠である。
これらの問題に対処するには、効率的で正確でスケーラブルな技術ソリューションが必要であり、人工知能(AI)の重要性を強調している。
本調査では,従来の機械学習アプローチ,高度なディープラーニング技術,最新のビジョン言語基礎モデルなど,200以上の研究成果を体系的かつ徹底的にレビューする。
論文 参考訳（メタデータ） (2025-07-29T17:59:48Z) - 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) - 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) - Towards A Comprehensive Assessment of AI's Environmental Impact [0.5982922468400899]
機械学習に対する最近の関心の高まりは、AI/MLの大規模採用に拍車をかけた。
ライフサイクルを通じて、AI/MLから環境への影響と劣化を監視するフレームワークが必要である。
本研究では、オープンなエネルギーデータとグローバルに取得した衛星観測を用いて、データセンター周辺におけるAIの多面的影響に関連する環境変数を追跡する手法を提案する。
論文 参考訳（メタデータ） (2024-05-22T21:19:35Z) - 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) - 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) - Using satellite imagery to understand and promote sustainable
development [87.72561825617062]
持続可能な開発成果を理解するために衛星画像を用いた成長する文献を合成する。
我々は、重要な人間関係の結果と、衛星画像の量の増大と解像度について、地上データの質を定量化する。
不足およびノイズの多いトレーニングデータの観点から、モデル構築に対する最近の機械学習アプローチをレビューする。
論文 参考訳（メタデータ） (2020-09-23T05:20:00Z)
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。