論文の概要: Environmental Impact of Generative and Agentic AI: An in-Depth Analysis and Green Solutions
- arxiv url: http://arxiv.org/abs/2609.32960v1
- Date: Sat, 26 Sep 2026 21:45:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 11:39:01.25054
- Title: Environmental Impact of Generative and Agentic AI: An in-Depth Analysis and Green Solutions
- Title（参考訳）: 生成AIとエージェントAIの環境影響 : 深部分析とグリーンソリューション
- Abstract要約: 本稿では, エネルギー消費量, 二酸化炭素排出量, 水利用量, 電子廃棄物を対象とする, 現代のAIシステムの環境フットプリントについて検討する。
これは、オリジナルの物理測定を行なわずに、公表されたデータに基づいてマグニチュードの順序を推定する概念解析を提供する。
これらの発見は、エージェント対応エネルギー測定、ライフサイクルベースの炭素と水の会計、大規模AIトレーニングとデプロイメントの必須開示を求めている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The proliferation of generative and agentic artificial intelligence (AI) systems has introduced computational demands whose environmental consequences are substantial yet underexamined. This paper examines the environmental footprint of modern AI systems across energy consumption, carbon emissions, water usage, and electronic waste over the full lifecycle of large language models, multimodal foundation models, and agentic workflows, from hardware fabrication and training through fine-tuning and inference to end-of-life disposal. This work provides a conceptual analysis, utilizing order-of-magnitude estimations based on published data, without conducting original physical measurements. We contribute a lifecycle taxonomy that crosses lifecycle phases with five impact dimensions and emission scopes; a Sustainability Assessment Framework for AI Systems (SAFIA) comprising nine indicators; a comparative analysis of traditional, generative, and agentic AI; seven open challenges; policy recommendations for regulators, cloud providers, hardware manufacturers, and AI developers; and a research roadmap to 2035. The analysis indicates that inference can rival or exceed training energy over a deployment lifetime, that agentic workflows can multiply the energy of equivalent single-pass inference by one to several orders of magnitude depending on the number of model and tool calls, that indirect water use and embodied carbon are systematically underreported, and that measurement tools, disclosure practices, and regulation have not kept pace with agentic deployment. These findings call for agent-aware energy measurement, lifecycle-based carbon and water accounting, and mandatory disclosure for large-scale AI training and deployment.
- Abstract（参考訳）: 生成型およびエージェント型人工知能(AI)システムの増殖は、環境効果が著しく低いが過小評価されていない計算要求を導入している。
本稿では, 大規模言語モデル, マルチモーダル基礎モデル, エージェントワークフローのライフサイクル全体にわたる, エネルギー消費, 二酸化炭素排出量, 水使用量, 電子廃棄物の環境フットプリントについて検討する。
この研究は、オリジナルの物理測定を行なわずに、公表されたデータに基づいてマグニチュードの順序を推定する概念解析を提供する。
ライフサイクルフェーズを5つの影響範囲とエミッション範囲で横断するライフサイクル分類、9つの指標からなるサステナビリティアセスメントフレームワーク(SAFIA)、従来型、生成型、エージェント型AIの比較分析、オープンな7つの課題、規制、クラウドプロバイダ、ハードウェアメーカー、AI開発者のポリシーレコメンデーション、2035年の研究ロードマップなどを提供しています。
この分析は、エージェントワークフローが、モデルやツールコールの数に応じて、同等の単一パス推論のエネルギーを1～数桁乗じることができること、間接的な水利用と具体化炭素が体系的に不足していること、測定ツール、開示プラクティス、規制がエージェントデプロイメントとペースを保っていないことを示唆している。
これらの発見は、エージェント対応エネルギー測定、ライフサイクルベースの炭素と水の会計、大規模AIトレーニングとデプロイメントの必須開示を求めている。
関連論文リスト
- Towards Sustainable Artificial Intelligence: A Comprehensive Review and Comparative Analysis of Deep Learning Models' Carbon Footprint [0.0]
人工知能(AI)と機械学習(ML)は、複雑なヒューマンタスクをサポートし、自動化するための強力なツールになっている。
彼らの利益にもかかわらず、彼らの環境への影響に注意が向けられている。
本稿では,グリーンAI,グリーンDL,およびAIモデルによる環境影響の低減を目的とした最適化手法について,系統的なレビューを行う。
論文 参考訳（メタデータ） (2026-08-07T13:52:38Z) - 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) - From Cradle to Cloud: A Life Cycle Review of AI's Environmental Footprint [5.541818456943479]
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。
論文 参考訳（メタデータ） (2026-05-06T20:20:17Z) - Perspective: Towards sustainable exploration of chemical spaces with machine learning [49.29528647472741]
持続可能な進歩は、オープンデータとモデル、再利用可能なデータセット、ドメイン固有のAIシステムに依存します。
我々は、汎用機械学習(ML)モデル、多要素アプローチ、モデルの蒸留、アクティブラーニングなど、効率を高めるための新たな戦略を強調した。
論文 参考訳（メタデータ） (2026-03-31T13:29:20Z) - Toward Agentic Environments: GenAI and the Convergence of AI, Sustainability, and Human-Centric Spaces [0.0]
本稿では,3つのレンズを用いたエージェント環境に関する概念的枠組みを提案する。
この結果は,資源利用の最適化とデータプライバシの強化を通じて,持続可能な生態系を育成するエージェント環境の可能性を強調している。
論文 参考訳（メタデータ） (2025-12-15T20:15:02Z) - Green AI: A systematic review and meta-analysis of its definitions, lifecycle models, hardware and measurement attempts [0.0]
この記事では、持続可能なAIとは異なる、グリーンAIの統一された運用定義を確立する。
ライフサイクルアセスメント段階にマッピングされた5つのフェーズライフサイクルを形式化し、エネルギー、炭素、水、エンボディドインパクトを第一級に設定する。
論文 参考訳（メタデータ） (2025-11-10T13:26:06Z) - 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) - 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)
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。