Fugu-MT 論文翻訳(概要): Estimating the growth in emissions from AI data centres

論文の概要: Estimating the growth in emissions from AI data centres

arxiv url: http://arxiv.org/abs/2608.14421v2
Date: Tue, 18 Aug 2026 11:23:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-19 13:45:32.876911
Title: Estimating the growth in emissions from AI data centres
Title（参考訳）: AIデータセンターからの排出ガスの増加を推定する
Abstract要約: 我々は、最先端のライフサイクルアセスメントモデルを用いて、AIデータセンター全体のCO2排出量の増加を推定する。 AI産業によって推進されるシナリオは、全体的な排出量が劇的に増加し、具体化された炭素成分は相当な量であることを示す。
参考スコア（独自算出の注目度）: 2.5782420501870296
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The advent of agentic AI is driving an unprecedented growth in data centre expansion. Using state-of-the-art life cycle assessment models for operational and embodied emissions from AI servers, we estimate the ensuing growth in overall CO2 emissions of AI data centres. The main contribution of this work is a rigorous quantification of emissions arising from projected AI data centre expansion using scenarios by the IEA and McKinsey. We show that the scenarios promoted by the AI industry would result in a dramatic rise in overall emissions and that the embodied carbon component is considerable.
Abstract（参考訳）: エージェントAIの出現は、データセンターの拡大に前例のない成長を促している。現状のライフサイクルアセスメントモデルを用いて、AIサーバからの運用および実施されたエミッションを推定し、AIデータセンタのCO2エミッション全体の成長を推定する。この研究の主な貢献は、IEAとマッキンゼーのシナリオを使用して、予測されたAIデータセンター拡張から発生する排出の厳密な定量化である。 AI産業によって推進されるシナリオは、全体的な排出量が劇的に増加し、具体化された炭素成分は相当な量であることを示す。

関連論文リスト

Hugging Carbon: Quantifying the Training Carbon Emissions of AI Models at Scale [24.552090932103294]
Hugging Face (HF) は、炭素会計のための大規模で、一般公開され、監査可能なコーパスである。我々は,HFオープンソースモデルの集合的トレーニングエミッションを推定するFLOPsベースのフレームワークを提案する。我々の結果は、最も人気のあるオープンソースモデルのトレーニングの結果、約5.8タイムs104$の二酸化炭素排出量が得られたことを示している。
論文参考訳（メタデータ） (2026-05-02T17:32:56Z)
The data heat island effect: quantifying the impact of AI data centers in a warming world [80.93687930593265]
我々は、AIデータセンターの運用開始後、陸地表面温度が平均2C上昇すると推定する。この温度上昇の影響で3億4000万人以上が影響を受ける可能性があることを定量化して、コミュニティへの影響を評価した。
論文参考訳（メタデータ） (2026-03-21T18:04:03Z)
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)
AI and the Net-Zero Journey: Energy Demand, Emissions, and the Potential for Transition [0.0]
データセンターのエネルギー消費シナリオと温室効果ガス排出量への影響について述べる。我々は、2035年までにAIがCO2排出量に正、中性、または負の影響を及ぼすかどうかという重大な問題に対処する。
論文参考訳（メタデータ） (2025-07-14T19:16:27Z)
Beyond Efficiency: Scaling AI Sustainably [4.711003829305544]
現代のAIアプリケーションは、コンピューティングにおける需要を継続的に増加させてきた。本稿では, ハードウェア製造における炭素排出量の具体化だけでなく, トレーニングおよび推論からのCO排出の操作を含む, AIの炭素影響を特徴付ける。
論文参考訳（メタデータ） (2024-06-08T00:07:16Z)
OpenCarbonEval: A Unified Carbon Emission Estimation Framework in Large-Scale AI Models [16.93272879722972]
OpenCarbonEvalは、二酸化炭素排出量を予測するために様々なモードで大規模なモデルを統合するためのフレームワークである。視覚モデルと言語モデルの両方において,OpenCarbonEvalは,二酸化炭素排出量の予測性能に優れることを示す。
論文参考訳（メタデータ） (2024-05-21T14:50:20Z)
Generative AI for Low-Carbon Artificial Intelligence of Things with Large Language Models [67.0243099823109]
ジェネレーティブAI(GAI)は、AIoT(Artificial Intelligence of Things)の二酸化炭素排出量を減らす大きな可能性を秘めている本稿では, 炭素排出量削減のためのGAIの可能性について検討し, 低炭素AIoTのための新しいGAI対応ソリューションを提案する。本稿では,Large Language Model (LLM) を利用したCO_2排出最適化フレームワークを提案し,このフレームワークにより,プラグ可能なLLMとRetrieval Augmented Generation (RAG) モジュールを設計する。
論文参考訳（メタデータ） (2024-04-28T05:46:28Z)
Data-centric AI: Perspectives and Challenges [51.70828802140165]
データ中心AI(DCAI)は、モデル進歩からデータ品質と信頼性の確保への根本的なシフトを提唱している。データ開発、推論データ開発、データメンテナンスの3つの一般的なミッションをまとめます。
論文参考訳（メタデータ） (2023-01-12T05:28:59Z)
Eco2AI: carbon emissions tracking of machine learning models as the first step towards sustainable AI [47.130004596434816]
eco2AIでは、エネルギー消費の追跡と地域CO2排出量の正当性に重点を置いている。モチベーションは、サステナブルAIとグリーンAI経路の両方で、AIベースの温室効果ガスの隔離サイクルの概念からもたらされる。
論文参考訳（メタデータ） (2022-07-31T09:34:53Z)
Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
論文参考訳（メタデータ） (2022-06-10T17:04:04Z)
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。