論文の概要: The ultimate carbon cost of a ChatGPT query
- arxiv url: http://arxiv.org/abs/2608.16657v1
- Date: Mon, 17 Aug 2026 14:53:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.754329
- Title: The ultimate carbon cost of a ChatGPT query
- Title（参考訳）: ChatGPTクエリの最終的な炭素コスト
- Abstract要約: LLMクエリの炭素コストは、環境破壊の形で、将来の人間の人口に対するクエリの規模(USD)が0.50ドルであることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper reviews and combines findings from the fields of product and life-cycle analysis [36, 38], the usage of modern transformer- based large language models (LLM) [6], as well as on greenhouse gas emissions and the ultimate cost of their subsequent consequences for future generations [2]. In this paper, it is shown that the carbon cost of a LLM query is in the order of magnitude of (USD) $0.4 per query for the future human population in the form of environmental disruptions. This corresponds to emissions in the magnitude of 10 gCO2eq/query. The most significant unknown factor in that calculation being the number of tokens computed (1k to 100k tokens equal 1.2 cent/query to 120 cent/query). This number is subject to a wide range of calculation uncertainties and is less to be seen as a matter of fact and more as an order of magnitude estimate. This estimate is aimed towards aiding the discourse surrounding AI systems by uncover- ing the inevitable consequences of technological development by the means of attaching a consequence in a familiar unit to it. By the introduction of the per query ultimate carbon cost (QCC), even if attached to great uncertainty, it is highlighted that the use of AI services happens within hypercomplex interdependent systems and has concrete consequences for our planetary health. The spread of the awareness about the interdependence of planetary health and AI usage can be useful for the individual user in the formation of political opinion through discourse [5] as well as a literate usage of AI systems [31]. Ways to increase the accuracy of the estima- tions, such as incorporating the cost of AIs water consumption or further determining the realistic token count of a query, have been identified as further research targets.
- Abstract（参考訳）: 本稿では, 製品・ライフサイクル分析 [36, 38] の分野, 現代変圧器を用いた大規模言語モデル (LLM) [6] の使用, 温室効果ガスの排出, 今後の世代における結果の最終的なコストについて検討し, 考察する。
本稿では, LLMクエリの炭素コストが, 環境破壊の形での将来の人口に対するクエリの規模(USD)が0.4ドルであることを示す。
これはマグニチュード10 gCO2eq/クエリの排出に相当する。
その計算における最も重要な未知の要素は、計算されたトークンの数である(1kから100kトークンは1.2セント/クエリから120セント/クエリに等しい)。
この数は幅広い計算の不確実性の対象であり、事実の問題として見ることができず、さらに大まかな見積もりの順序として見ることもできる。
この見積もりは、慣れ親しんだユニットに結果を加えることで、技術開発の必然的な結果を明らかにすることによって、AIシステムを取り巻く談話を支援することを目的としている。
クエリごとの究極の炭素コスト(QCC)の導入により、大きな不確実性を伴っても、AIサービスの使用は超複雑相互依存システム内で発生し、惑星の健康に具体的な影響をもたらすことが強調される。
惑星の健康とAI利用の相互依存に対する認識の拡散は、言論[5]を通じた政治的意見の形成における個々のユーザにとって有用であり、AIシステムのリテラル利用 [31] にも有用である。
AIによる水消費のコストを取り入れたり、クエリの現実的なトークン数を決定するなど、エスティマオプションの精度を高める方法が、さらなる研究対象として特定されている。
関連論文リスト
- Search as Computation Allocation [52.080489413778]
多くのアルゴリズムは、決定を返す前に内部リソースを使い、その端末出力の品質によってのみ評価される。
終端計算割当問題などの手順を定式化する。
ベルマン方程式は、固定予算の下での最適割り当て、価格計算、正確な認証を特徴付ける。
論文 参考訳（メタデータ） (2026-07-30T08:45:14Z) - 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) - Photons = Tokens: The Physics of AI and the Economics of Knowledge [0.0]
本稿では,MacKay(2009)の方法論をAI計算の経済に適用する。
我々は,大規模言語モデルの入力および出力の基本単位であるトークンを,測定可能な熱力学コストの物理量として定義する。
ランダウアーの原理,シャノンのチャネル容量,現在のインフラデータを用いて,グローバルトークン生産のための需給バランスシートを構築した。
論文 参考訳（メタデータ） (2026-02-23T15:58:47Z) - Towards Autonomous Sustainability Assessment via Multimodal AI Agents [46.77807327332175]
電子デバイスのクレードル・トゥ・ゲート二酸化炭素排出量を計算するためのマルチモーダルAIエージェントを導入する。
このアプローチは、専門家時間の数週間から数ヶ月を1分未満に短縮し、データ可用性のギャップを埋める。
炭素フットプリントは専門的なLCAの19%以内であり、プロプライエタリなデータはゼロである。
論文 参考訳（メタデータ） (2025-07-22T20:49:25Z) - How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference [0.0]
本稿では,商用データセンタにデプロイされる30の最先端モデルを対象とした,AI推論の環境フットプリントを定量化する,新たなインフラストラクチャ対応ベンチマークフレームワークを提案する。
以上の結果から,O3とDeepSeek-R1が最もエネルギー集約的なモデルとして出現し,GPT-4.1ナノの70倍以上のGPT-4.1ナノを消費し,Claude-3.7 Sonnetはエコ効率で最高であることがわかった。
AIは安価で速くなっているが、そのグローバルな採用はリソース消費を不均等にしている。
論文 参考訳（メタデータ） (2025-05-14T17:47:00Z) - Unveiling the Role of Artificial Intelligence and Stock Market Growth in Achieving Carbon Neutrality in the United States: An ARDL Model Analysis [0.0]
本稿では,2021年から2021年までの米国における炭素中性向上における先進技術の役割について検討する。
株式市場の成長、ICT利用、グロース国内総生産(GDP)、人口はSTIRPATモデルを用いてCO2排出量に影響を与える。
論文 参考訳（メタデータ） (2024-12-04T17:07:04Z) - The Energy Cost of Artificial Intelligence Lifecycle in Communication Networks [0.44739156031315913]
本稿では,システム内の1つのAIモデルのエネルギコスト(eCAL)という新たな指標を提案する。
eCALは、無線通信ネットワークにインテリジェンスを提供するAIモデルの開発と展開を通じて、エネルギー消費をキャプチャする。
モデルが良くなるほど、それが使われるほど、推論のエネルギー効率が増すことが示される。
論文 参考訳（メタデータ） (2024-08-01T13:23:15Z) - Power Hungry Processing: Watts Driving the Cost of AI Deployment? [74.19749699665216]
生成された多目的AIシステムは、機械学習(ML)モデルをテクノロジに構築するための統一的なアプローチを約束する。
この「一般性」の野心は、これらのシステムが必要とするエネルギー量と放出する炭素量を考えると、環境に急激なコストがかかる。
これらのモデルを用いて,代表的なベンチマークデータセット上で1,000の推論を行うのに必要なエネルギーと炭素の量として,デプロイメントコストを測定した。
本稿は、多目的MLシステムの展開動向に関する議論から締めくくり、エネルギーと排出の面でコストの増大に対して、その実用性はより意図的に重み付けされるべきである、と警告する。
論文 参考訳（メタデータ） (2023-11-28T15:09:36Z) - On the Opportunities of Green Computing: A Survey [80.21955522431168]
人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。
高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。
コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
論文 参考訳（メタデータ） (2023-11-01T11:16:41Z) - Counting Carbon: A Survey of Factors Influencing the Emissions of
Machine Learning [77.62876532784759]
機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。
このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。
本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
論文 参考訳（メタデータ） (2023-02-16T18:35:00Z) - Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language
Model [72.65502770895417]
176ビリオンパラメータ言語モデルBLOOMの炭素フットプリントを,そのライフサイクルにわたって定量化する。
BLOOMの最終訓練で約24.7トンのカルボネックが放出されたと推定する。
本稿では,機械学習モデルの炭素フットプリントを正確に推定することの難しさについて論じる。
論文 参考訳（メタデータ） (2022-11-03T17:13:48Z) - Near Real-time CO$_2$ Emissions Based on Carbon Satellite And Artificial
Intelligence [20.727982405167758]
我々は、データ検索アルゴリズムと2ステップのデータ駆動ソリューションの両方を含む統合AIベースのパイプラインを提案する。
まず、データ検索アルゴリズムは、炭素衛星、炭素源の情報、およびいくつかの環境要因を含むマルチモーダルデータから効率的なデータセットを生成することができる。
第二に、深層学習技術の強力な表現を適用した2段階のデータ駆動ソリューションは、人為的CO$排出の定量化を学習する。
論文 参考訳（メタデータ） (2022-10-11T12:01:32Z)
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。