論文の概要: Joules-to-GDP: How Much Economic Value Do AI Systems Produce per Unit of Energy?

• arxiv url: http://arxiv.org/abs/2610.30858v1
• Date: Thu, 22 Oct 2026 07:35:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.270966
• Title: Joules-to-GDP: How Much Economic Value Do AI Systems Produce per Unit of Energy?
• Title（参考訳）: ジュール・トゥ・GDP:AIシステムはエネルギー単位当たりの経済価値をどの程度生み出すか?
• Abstract要約: AIシステムは、消費するエネルギーに対する価値を低くしながら、より経済的に価値のある仕事を生み出すことができる。 我々は,1)純ドル価値,出力のドル価値がAIシステム実行コストを抑えること,(2)時間節約という2つの方法で経済価値を定式化する。 44職種にまたがる220の公共GDPvalタスクについて検討し、ローカルに5つのオープンウェイトモデルを提供し、4つのアクセラレータータイプを評価した。
• 参考スコア（独自算出の注目度）: 10.330295830786346
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An AI system can produce more economically valuable work while delivering less value for the energy it consumes. We therefore ask: How much economic value does an AI system create per unit of energy consumed? We formalize economic value in two ways: (1) net dollar value, the output's dollar value minus AI-system execution cost, and (2) time saving, the expert's completion time minus the AI system's completion time. Dividing each by measured end-to-end energy yields Net Value per Joule (NVJ) and Time Saving per Joule (TSJ), reported in USD/MJ and hours/MJ. We study 220 public GDPval tasks across 44 occupations, serving five open-weight models locally and evaluating four accelerator types. First, the occupation groups where AI systems succeed most often, deliver the greatest dollar value, or save the most time do not necessarily provide the greatest economic return per joule. For example, among the tested tasks, engineering work delivers about 10% more net dollar value per task than software development. Yet software development delivers about 27% more net value per joule. Second, GLM 5.2 delivers the highest average net dollar value, at $72.27 per task using 0.430 MJ, equivalent in energy to about four hours of active laptop use. By contrast, Gemma 4 31B delivers 56% of that net dollar value using just 23% of the energy, achieving approximately 2.5 times the NVJ and 2.8 times the TSJ. Third, across four single-accelerator deployments, Qwen3.6-27B's NVJ varies by a factor of 4.32 and TSJ by 9.27, with B200 leading both. Additionally, one and eight H100s deliver similar net dollar value, but eight reduce completion time by 22% at 3.24 times the energy. Our framework makes output value and expert time saving under an energy budget explicit objectives for improving models, accelerators, and software, while offering a new basis for assessing AI's potential economic effect on occupational work.
• Abstract（参考訳）: AIシステムは、消費するエネルギーに対する価値を低くしながら、より経済的に価値のある仕事を生み出すことができる。 AIシステムは、消費されるエネルギー単位当たりの経済的な価値をどれだけ生み出しているか? 我々は,1)純ドル値,出力のドル値がAIシステム実行コストを抑えること,(2)時間節約,(2)AIシステムの完了時間を短縮すること,の2つの方法で経済価値を定式化する。 計測した終端エネルギーで分割すると、NVJ(Net Value per Joule)とTSJ(Time Saving per Joule)が得られ、USD/MJと時間/MJで報告された。 44職種にまたがる220の公共GDPvalタスクについて検討し、ローカルに5つのオープンウェイトモデルを提供し、4つのアクセラレータータイプを評価した。 第一に、AIシステムが最も頻繁に成功する職業集団は、最大のドル価値を提供するか、最も時間を節約するか、必ずしも1ジュール当たりの最大の経済リターンを提供するとは限らない。 例えば、テストされたタスクの中で、エンジニアリング作業はソフトウェア開発よりもタスク当たりの純価値を約10%多く提供します。 しかし、ソフトウェア開発は1ジュール当たりの純価値を約27%増やします。 第2に、GLM 5.2は1タスクあたり72.27ドル、エネルギーは0.430MJ、アクティブなラップトップの使用時間は約4時間である。 一方、Gemma 4 31Bは23%のエネルギーで純ドル価値の56%を供給し、NVJの2.5倍、TSJの2.8倍を達成している。 第3に、Qwen3.6-27BのNVJは4.32倍、TSJは9.27倍、B200は2つある。 さらに、1台と8台のH100も同様の純ドル価値を提供するが、8台はエネルギーの3.24倍の完成時間を22%削減する。 我々のフレームワークは、モデル、アクセラレータ、ソフトウェアを改善するための明確な目的を、エネルギー予算の下でのアウトプット価値と専門家の時間を節約し、同時に、AIの潜在的な経済効果が職業的作業に与える影響を評価するための新しい基盤を提供する。

関連論文リスト

• LAW: Unifying Language, Action, and World Modeling for Agentic Physical Intelligence [52.14897623664594]
  本稿では,言語推論,アクション生成,世界モデリングを統合した閉ループVLM--WAMフレームワークであるLAWを紹介する。 LAWは50のRoboTwinタスクで平均94.21%の成功を達成した。
  論文  参考訳（メタデータ） (2026-10-16T11:39:21Z)
• GreenBench: Benchmarking Energy Efficiency and Carbon Footprint of Open-Source LLM Inference on Apple Silicon [0.0]
  本稿では,5つのオープンソースの大規模言語モデル(LLM)のエネルギー効率,スループット,炭素フットプリントを評価するベンチマークフレームワークであるGreenBenchについて述べる。 Apple M4 Proは、持続的推論中にCPU+GPUパッケージの電力をわずか0.47W、総システム電力は8-12Wしか引き出さないことがわかった。 より小さなモデル(3-3.8B)は、より大きなモデル(7-9B)よりも2.6-4.2倍高いスループットとトークン当たりのエネルギーを最大62%削減する 私たちは、インドと米国のグリッドのCO2推定で、パッケージとシステムレベルで、トーケン毎のエネルギーを提供しています。
  論文  参考訳（メタデータ） (2026-08-24T04:46:26Z)
• Economic Evaluations of Language Models [81.69183693497281]
  EconEvalsは、米国の労働経済におけるタスク、労働活動、職業に関連する能力を測定するためのオープンソースの評価スイートである。 われわれの評価は、米国占領の5%をカバーする既存の最先端技術であるOpenAIのGDPvalベンチマークを500倍のコストでカバーする。 われわれの推計では、現在のモデルでは労働者が仕事の少なくとも半分を47%で相当な時間を節約できる。
  論文  参考訳（メタデータ） (2026-06-26T22:26:40Z)
• Are Large Language Models Economically Viable for Industry Deployment? [15.537777029587366]
  大規模言語モデル(LLMs)によって駆動されるジェネレーティブAIは、医療決定のサポート、財務分析、企業検索、会話自動化といった業界にますます普及している。 しかし、一般的な評価パイプラインは精度中心であり、デプロイメント評価ギャップを形成します。
  論文  参考訳（メタデータ） (2026-04-21T11:25:22Z)
• 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)
• Energy Use of AI Inference: Efficiency Pathways and Test-Time Compute [4.8312457834136175]
  非生産推定と仮定はエネルギー使用量を4-20倍に超過することができる。 モデル,サービスプラットフォーム,ハードウェアレベルでの達成可能な効率向上の定量化を行う。 10億のクエリを毎日0.8GWhと見積もる。
  論文  参考訳（メタデータ） (2025-09-24T15:32:01Z)
• Exponential Shift: Humans Adapt to AI Economies [0.0]
  人間は1時間に5000～20,000のトークン(情報の単位)を処理し、AIはそれをはるかに上回っている。 我々は、AI駆動経済への公平な移行を保証するために、4日間のワークウィークや再トレーニングのような6つの戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-11T04:43:53Z)
• 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)

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。