論文の概要: Generalized green and red concepts for artificial intelligence, big data, and information and communication technologies: Multidimensional framework and countermeasures

• arxiv url: http://arxiv.org/abs/2610.31739v1
• Date: Thu, 22 Oct 2026 17:06:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.256603
• Title: Generalized green and red concepts for artificial intelligence, big data, and information and communication technologies: Multidimensional framework and countermeasures
• Title（参考訳）: 人工知能、ビッグデータ、情報通信技術のための一般化緑と赤の概念:多次元の枠組みと対策
• Abstract要約: データセンターは2028年までに米国の電力の6.7-12%(2023年の4.4%から増加した)を消費し、2027年までにAI関連の水需要は年間4-6億 m$3$と見積もられている。 既存の「グリーンAI」と「レッドAI」の議論は、計算効率と二酸化炭素排出量を大きく強調してきた。 本稿では、一般化グリーンAI(GGAI)と一般化レッドAI(GRAI)を提案する。 リスクがAI-BD-ICTスタックやサービス利用境界を越えてどのように伝播するかを分析します。
• 参考スコア（独自算出の注目度）: 1.4678530501432145
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The rapid expansions of artificial intelligence (AI), big data (BD), and information and communication technologies (ICT) are driving substantial growth in electricity, water, and material demands, with data centers projected to consume 6.7--12\% of U.S. electricity by 2028 (up from 4.4\% in 2023) and AI-related water demand estimated at 4--6 billion m$^3$ annually by 2027. Existing ``green AI'' and ``red AI'' discussions have largely emphasized computational efficiency and carbon emissions, providing limited guidance for lifecycle trade-offs, service-versus-use impacts, and broader sustainability externalities beyond energy. To bridge this gap, this paper proposes generalized green AI (GGAI) and generalized red AI (GRAI) and extends the taxonomy to red BD (RBD) and red ICT (RICT) as well as red electronic and electrical engineering (REEE) \& red digital technologies (RDT) under a unified Environmental-Economic-Social-Technical/Operational (E/Ec/S/T) framework. Based on representative footprint indicators in the large-model era (electricity, carbon, water, and e-waste), we analyze how risks propagate across AI-BD-ICT stacks and across service-use boundaries. We further organize actionable countermeasures into a four-tier taxonomy aligned with the Environmental-Economic-Social-Technical/Operational framework: metric-level reform for accountability, revision of information and communication technologies design principles and demand shaping, efficiency-oriented LLM development practices (data, model, training, and scaling), and energy-infrastructure transition. The proposed framework operationalizes the Environmental-Economic-Social-Technical/Operational-aligned assessment and intervention prioritization across the AI-BD-ICT stacks, enabling sustainability-by-design without sacrificing utility.
• Abstract（参考訳）: 人工知能(AI)、ビッグデータ(BD)、情報通信技術(ICT)の急速な拡大は、2028年までに米国の電力の6.7～12.%(2023年の4.4\%から増加)、2027年までに毎年4～6億m$3.5%と推定されるAI関連水需要の増大を招いている。 既存の『グリーンAI』と『レッドAI』の議論は、計算効率と二酸化炭素排出量を重視しており、ライフサイクルのトレードオフ、サービスリバース利用の影響、エネルギー以外の幅広い持続可能性外部性に関する限られたガイダンスを提供している。 このギャップを埋めるために,本論文では,環境・経済・社会・技術・運用(E/Ec/S/T)統合フレームワークの下で,一般化されたグリーンAI(GGAI)と一般化されたレッドAI(GRAI)を提案し,その分類を赤BD(RBD)と赤ICT(RICT)に拡張するとともに,赤電子・電気工学(REEE)と赤デジタル技術(RDT)に拡張する。 大規模モデル時代の代表的なフットプリント指標(電気、炭素、水、電子廃棄物)に基づいて、AI-BD-ICTスタックやサービス利用境界を越えて、リスクがどのように伝播するかを分析する。 さらに, 環境・経済・社会・技術・運用の枠組みに沿った4段階の分類体系として, 説明責任の計量レベルの改革, 情報・通信技術の改訂, 設計原則と需要形成, 効率志向のLCM開発プラクティス(データ, モデル, トレーニング, スケーリング), エネルギー・インフラ構造移行を整理する。 提案フレームワークは,AI-BD-ICTスタック間の環境・経済・社会・技術・運用対応評価と介入優先順位付けを運用し,実用性を犠牲にすることなく,持続可能性・設計を可能にする。

関連論文リスト

• 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)
• The Hidden Costs of AI: A Review of Energy, E-Waste, and Inequality in Model Development [0.0]
  レビューでは、AIの影響がパフォーマンスを超えて広がる4つの重要な領域について論じている。 モデルトレーニングからの高エミッション、ハードウェアのリターンアップ、グローバルインフラストラクチャの格差が強調されている。 最終的には、AIの進歩は倫理的責任と環境管理と一致しなければならない、と論じている。
  論文  参考訳（メタデータ） (2025-07-13T12:31:42Z)
• Energy-Efficient Green AI Architectures for Circular Economies Through Multi-Layered Sustainable Resource Optimization Framework [0.0]
  我々は、最先端の機械学習アルゴリズム、エネルギーを意識した計算モデル、最適化技術を統合する多層フレームワークとメタアーキテクチャを導入する。 リチウムイオン電池のリサイクルと都市ごみ管理システムによる実世界のデータセットを用いて,本フレームワークを検証した。
  論文  参考訳（メタデータ） (2025-03-28T16:09:43Z)
• Exploring the sustainable scaling of AI dilemma: A projective study of corporations' AI environmental impacts [0.0]
  企業のAIポートフォリオの環境影響を推定する手法を提案する。 その結果、大規模な生成AIモデルは従来のモデルよりも最大4600倍のエネルギーを消費していることが確認された。 2030年までにジェネレーティブAIの環境影響を緩和するには、AIバリューチェーン全体にわたる協調的な努力が必要である。
  論文  参考訳（メタデータ） (2025-01-24T08:58:49Z)
• The Role of Intelligent Transportation Systems and Artificial Intelligence in Energy Efficiency and Emission Reduction [4.847470451539329]
  我々は、将来のエネルギー・排出削減(EER)における知的輸送システム(ITS)と人工知能(AI)の役割を探求する。 具体的には、異なるレベルのITSセンサーがEERの改善に与える影響について論じる。 また、ITSにおけるネットワーク接続の可能性についても検討し、それらがEERをどのように改善するかを例示する。
  論文  参考訳（メタデータ） (2024-01-25T23:07:32Z)
• Green Edge AI: A Contemporary Survey [46.11332733210337]
  AIの変換力は、ディープニューラルネットワーク(DNN)の利用から導かれる。 ディープラーニング(DL)は、エンドユーザーデバイス(EUD)に近い無線エッジネットワークに移行しつつある。 その可能性にもかかわらず、エッジAIは大きな課題に直面している。主な原因は、無線エッジネットワークのリソース制限と、DLのリソース集約的な性質の分離である。
  論文  参考訳（メタデータ） (2023-12-01T04:04:37Z)
• 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)
• Learning, Computing, and Trustworthiness in Intelligent IoT Environments: Performance-Energy Tradeoffs [62.91362897985057]
  Intelligent IoT Environment(iIoTe)は、半自律IoTアプリケーションを協調実行可能な異種デバイスで構成されている。 本稿では,これらの技術の現状を概観し,その機能と性能,特にリソース,レイテンシ,プライバシ,エネルギー消費のトレードオフに注目した。
  論文  参考訳（メタデータ） (2021-10-04T19:41:42Z)

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。