要点
エンボディドカーボンとは、ハードウェアの製造、輸送、廃棄に伴う排出のことです。計上するには、ハードウェア全体のエンボディド排出量を、AI の作業がその機器をどれだけの期間、どれだけの割合で使うかに応じて配分し、その分を運用時の数値に加えます。SCI 仕様の M 項と同じ考え方です。データが乏しいことが多いため、前提を明記してください。また、ハードウェアを長く使えば、同じ排出をより多くの作業で分け合えることも覚えておきましょう。
手順
- 使っている機器のエンボディド排出量のデータを、ハードウェアやクラウドの供給元に求めます。
- ハードウェアを使う時間と割合に応じて、AI の作業に一定の分を配分します。
- その分を運用時の排出量に加え、何を含めたかを明記します。
- 想定するハードウェアの寿命を含め、前提を明記します。
- 自分で管理できるハードウェアは長く使い、エンボディド排出がより多くの有用な作業に行き渡るようにします。
電力だけでなくハードウェアも計上しましょう。電力網がクリーンになるほど、製造の占める割合が大きくなるからです。 Meta の Wu らは 2022年、Meta の大規模な機械学習のフットプリントのおよそ 30% をエンボディドカーボンが占めると報告し、運用時のエネルギーがクリーンになるにつれて、これが主要な排出源になりつつあると論じました。
どう配分すればいい?
Green Software Foundation の SCI 仕様では、エンボディド排出を M 項として含めます。簡単な方法は次のとおりです。
- 機器全体のエンボディド排出量を、メーカーや供給元から入手します。
- 想定寿命で割り、1年あたりまたは1時間あたりの排出量を求めます。
- 作業がその機器を確保していた時間と、使った機器の割合を掛けます。
クラウドサービスではハードウェアが見えないため、プロバイダーの炭素報告に製造時の排出(スコープ3)が含まれるか、どのように配分されているかを尋ねてください。クラウドプロバイダーの炭素データをご覧ください。
電子廃棄物はどうなの?
Wang らは 2024年、大規模言語モデルが 2020年から 2030年までの間に、利用の伸び方に応じて合計 120万〜500万トンの電子廃棄物を生む可能性があり、再利用とリサイクルでこれを大幅に減らせると推計しました。
よくある間違い
- 何も言わずにエンボディドカーボンを除外する。 含めるにせよ含めないにせよ、範囲の説明に書きましょう。
- 短い寿命を初期値として想定する。 機器を早く交換すると、1年あたりの割合が増えます。
- わずかな効率向上のために新しいハードウェアを買う。 それで増える製造時の排出を確認せずに買うのは避けましょう。
範囲の決め方は、AI のエネルギーを測る方法をご覧ください。
出典
- Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
- E-waste challenges of generative artificial intelligence, Wang et al., Nature Computational Science (2024)
- Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
関連
AI 機能のソフトウェア炭素強度(SCI)スコアを計算するには?
AI 機能の SCI スコアの出し方です。エネルギーに送電網の炭素強度を掛け、内包排出量を足し、1 リクエストなどの機能単位で割ります。
AI を使うためだけにスマホやパソコンを買い替えなくてもいい?
AI を使うために新しい端末はほぼ不要です。古い端末を長く使うコツと、ハードウェアの寿命が AI のフットプリントに関わる理由を説明します。
AI 用の省エネなハードウェアはどう選べばいい?
実際のバッチサイズで測った作業あたりのエネルギーで AI ハードウェアを選び、ランタイムとアクセラレーターを比べ、製造時の炭素も考慮します。
AI のエネルギーと炭素を測る方法
AI 作業のエネルギーと炭素を計測または推計するための実践ガイド。ツール、システム境界、タスクあたりの指標、不確かさの誠実な扱い方を解説します。