論文の概要: From Caveman to Expert Analyst: Energy Consumption of Variable LLM Tasks

• arxiv url: http://arxiv.org/abs/2608.12350v1
• Date: Thu, 02 Jul 2026 22:25:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.187053
• Title: From Caveman to Expert Analyst: Energy Consumption of Variable LLM Tasks
• Title（参考訳）: キャブマンからエキスパートアナリストへ:可変LLMタスクのエネルギー消費
• Abstract要約: 本稿は, ビヘイビアの可塑性が高い4つの小売ユーザ行動を調べ, 技術的評価を行う。 非推論モデルは、推論モデルと比較してエネルギーの約20分の1を消費しながら十分な品質を提供する。 簡単な急進的な修正は、非共振モデルを使用してエネルギー消費を最大65%減らすことができる。
• 参考スコア（独自算出の注目度）: 3.530882916062366
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The energy demand growth and environmental impacts of artificial intelligence (AI) have generated substantial interest in supplying sufficient low-cost electricity for AI-driven data center development. Research on the ability of demand-side management to address these challenges has been more limited. Shifting the amount or timing of demand from retail, corporate, and other organizational behaviors is a plausible option but only if changes in demand-related behavior have important effects on the envi- ronmental and electricity effects of AI. This article tests four retail (i.e., consumer) user behaviors with high behavioral plasticity to assess their technical abatement potential. The research concludes that non- reasoning models provide sufficient quality while consuming close to one-twentieth of energy compared to reasoning models, saving an amount equal to the annual electricity requirement of at least 141,000 US households under daily usage assumptions. Simple prompt modifications can yield additional reduc- tions in energy consumption by up to 65% using non-reasoning models. Specifically, the practice that maintains the highest degree of similarity with the baseline reduces electricity demand in the range of 4 to 35%, an amount equal to the annual electricity requirement of up to 7,200 US households. Although AI advancements make precise estimates of environmental and electricity impacts difficult to assess, the results confirm that certain minimally intrusive best practices aimed at the majority of users can reduce the energy and environmental burdens imposed by AI.
• Abstract（参考訳）: 人工知能(AI)のエネルギー需要の増大と環境への影響は、AI駆動のデータセンター開発に十分な低コストの電気を供給することに多大な関心を集めている。 これらの課題に対処する需要側管理の能力に関する研究は、より限定されている。 小売、企業、その他の組織的行動から需要の量やタイミングを変えることは、妥当な選択肢であるが、需要に関連する行動の変化がAIのエンビ-誤った、電気的効果に重要な影響を及ぼす場合のみである。 本稿では,4つの小売業(すなわち消費者)のユーザ行動と高い行動可塑性を検証し,その技術的評価の可能性を評価する。 この研究は、非推論モデルは、推論モデルと比較して20分の1近いエネルギーを消費しながら、十分な品質を提供すると結論付けている。 簡単な急進的な修正は、非共振モデルを使用してエネルギー消費を最大65%減らすことができる。 具体的には、基準線と高い類似性を維持する慣行は、最大7,200世帯の通年電力需要に匹敵する4～35%の電力需要を減少させる。 AIの進歩は、環境と電気の影響を正確に見積もるのが難しいが、その結果は、AIが課すエネルギーと環境の負担を軽減するために、大多数のユーザーを対象にした、ある種の最小限の侵入的ベストプラクティスが有効であることを確認した。

関連論文リスト

• The Hidden Cost of Thinking: Energy Use and Environmental Impact of LMs Beyond Pretraining [59.27959962602072]
  Olmo 3は70億と32億のパラメータモデルからなるファミリーである。 モデル開発プロセスでは,12.3GWhのデータセンターエネルギーを消費し,4,251tCO2eqを放出し,15,887kLの水を消費した。
  論文  参考訳（メタデータ） (2026-05-01T23:24:23Z)
• Efficiency vs Demand in AI Electricity: Implications for Post-AGI Scaling [26.59464335718656]
  私たちは、AIサービスの成長と、計算エネルギーの強度と経済的なドライバーの時間とを合わせた米国シナリオを実行します。 サービス成長は電力需要に線形に変換されない。その結果は効率トラジェクトリと需要応答性に依存する。 継続的な効率の改善により、AIの電力需要は依然として緩やかまたは飽和しているため、収入主導の需要が19世紀半ばまでに支配的になる。
  論文  参考訳（メタデータ） (2026-03-11T07:50:00Z)
• Towards Green AI: Decoding the Energy of LLM Inference in Software Development [46.879983975894135]
  AI支援ツールはソフトウェア開発にますます統合されているが、大きな言語モデル(LLM)に依存しているため、相当な計算とエネルギーコストが伴う。 モデルが入力を処理して内部表現を構築した(1)プリフィルと,(2)デコードで格納された状態を用いて出力トークンを生成する(2)プリフィルとを区別し,LCM推定エネルギー消費の位相レベル解析を行う。
  論文  参考訳（メタデータ） (2026-02-05T14:38:19Z)
• 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)
• Small is Sufficient: Reducing the World AI Energy Consumption Through Model Selection [3.2548794659022398]
  Green AIは、より小さく、より効率的なモデルを通じて、エネルギーのソリエティを強調する。 モデル選択を適用することで、AIのエネルギー消費を27.8%削減し、2025年には世界中で31.9TWh節約できる。
  論文  参考訳（メタデータ） (2025-10-02T10:58:13Z)
• Green MLOps to Green GenOps: An Empirical Study of Energy Consumption in Discriminative and Generative AI Operations [2.2765705959685234]
  本研究では,実世界のMLOpsパイプラインにおける識別型および生成型AIモデルのエネルギー消費について検討する。 さまざまな構成、モデル、データセットにわたるレプリケーションの容易性を保証するために、ソフトウェアベースのパワー測定を採用しています。
  論文  参考訳（メタデータ） (2025-03-31T10:28:04Z)
• From Efficiency Gains to Rebound Effects: The Problem of Jevons' Paradox in AI's Polarized Environmental Debate [69.05573887799203]
  これらの2次の影響を理解するには、ライフサイクルアセスメントと社会経済分析を組み合わせた学際的アプローチが必要であると論じる。 AIの真の気候フットプリントを誤って表現し、意味のある介入の範囲を制限している、と我々は主張する。
  論文  参考訳（メタデータ） (2025-01-27T22:45:06Z)
• Sustainable Edge Intelligence Through Energy-Aware Early Exiting [0.726437825413781]
  EHエッジインテリジェンスシステムにおいて,エネルギー適応型動的早期退避を提案する。 提案手法は, サンプルごとの最適計算量を決定する, エネルギー対応のEEポリシーを導出する。 その結果, エネルギーに依存しない政策と比較して, 精度は25%, サービスレートは35%向上した。
  論文  参考訳（メタデータ） (2023-05-23T14:17:44Z)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

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。