greenai.guide

ホーム › グリーン AI 用語集

グリーン AI 用語集

要点

この用語集では、AI の環境コストについて読み始めたときに出会う用語を、わかりやすい言葉で説明します。用語は英語名のアルファベット順に並べています。各用語には個別のリンクがあり、サイト内の他のページから直接参照できます。

要点

  • 訓練はモデルを一度つくることで、推論はその後にモデルを使うたびに行われるものです。
  • 効率とは、より少ない資源で同じことをすることです。充足性とは、そもそもそのタスクを AI で行う必要があるのかを問うことです。
  • PUE は、データセンターの総エネルギーと、そのコンピュータが使うエネルギーを比べた指標で、1.0 が理想です。
  • リバウンド効果とは、効率が上がって何かが安くなり、その結果、全体の使用量が増えることです。

グリーン AI は、コンピュータ科学、数学、工学、エネルギー、政策を結びつける分野で、それぞれの分野に独自の用語があります。「モデル」や「効率」、さらには「AI」という言葉でさえ、人によって意味が異なります。2026 年に英国で、数学者、コンピュータ科学者、産業界の人々が集まったグリーン AI のサンドピット(集中討議型ワークショップ)では、参加者が最もはっきり定義してほしいと考えたのは基本的な用語でした。そのため、この用語集は基本から始めています。用語は英語名のアルファベット順に並べており、見出しの英語のアンカーと対応しています。必要な用語が見つからない場合は、お知らせください。

エージェント型 AI(Agentic AI)

1 つの回答を返すのではなく、検索する、コードを書く、実行する、エラーを直すといった複数のステップを自ら進めてタスクを実行する AI です。ステップごとにモデルを使い直すため、エージェント型 AI はチャットよりはるかに多くのトークンを使うことがあり、ループから抜け出せなくなったエージェントは多くの無駄を生むことがあります。エージェント型 AI とトークンの無駄をご覧ください。

AI

人工知能(artificial intelligence)の略で、画像の認識、言語の理解、予測など、人間の知能と結びつけて考えられるタスクを行うコンピュータシステムのことです。2026 年の日常会話では、「AI」はたいていチャットボットのような大規模な生成モデルを指します。しかし、この言葉はスパムフィルターや気象モデルのようなずっと小さなシステムも含むため、どれを指しているのかを明確にするとよいでしょう。

AI リテラシー(AI literacy)

AI を理解し、使い、賢明に判断するための知識とスキルです。AI にできることとできないこと、出力の確かめ方、そして環境面を含むコストについての理解が含まれます。

自動微分(Automatic differentiation)

計算の出力が、それぞれの入力の変化に応じてどう変わるかを、コンピュータが正確に求められるようにする手法です。ニューラルネットワークが学習する仕組み(そこでは誤差逆伝播法と呼ばれます)であり、科学シミュレーションの最適化にも使われます。

ベンチマーク(Benchmark)

システムを公平に比べるための標準的なテストです。たとえば、同じ問題のセットに対するモデルの正確さや、同じタスクで使うエネルギー量を比べます。ベンチマークの有用性は、そこに含まれるタスクと測定の質で決まります。

カーボンアウェア・コンピューティング(Carbon-aware computing)

電力がよりクリーンな時間帯や場所で計算処理を行うことです。たとえば、大規模な訓練を風が吹くまで遅らせます。すぐに答えを必要としない作業に向いています。

炭素強度(Carbon intensity)

電力 1 単位あたりに排出される二酸化炭素(または同等の温室効果ガス)の量で、通常は 1 キロワット時あたりの CO₂e のグラム数で表します。化石燃料と再生可能エネルギーからの電力の割合によって、国ごと、時間ごとに変わります。

データセンター(Data centre)

コンピュータ、ストレージ、ネットワーク機器と、それらを動かし続けるための電源と冷却設備を備えた建物です。ほとんどの AI チャットボットは、利用者の端末ではなくデータセンターで動いています。

拡散モデル(Diffusion model)

画像や動画に広く使われる生成 AI の一種で、ランダムなノイズを段階的に画像へ変えていくことを学習します。ステップが多いことが、画像の生成が短いテキストよりはるかに多くのエネルギーを使う理由の一つです。

蒸留(Distillation)

小さな「生徒」モデルを訓練して大きな「教師」モデルをまねさせ、小さなモデルがわずかな計算コストで、ほぼ同じようにタスクをこなせるようにすることです。

エッジ AI(Edge AI)

遠くのデータセンターではなく、スマートフォン、カメラ、工場のセンサーなど、データがある端末上またはその近くで動く AI です。ネットワークのエネルギーを節約し、プライバシーを守ることができますが、小さな端末も何百万台と集まれば消費は積み重なります。エッジかクラウドかをご覧ください。

効率(Efficiency)

より少ない投入で同じ有用な結果を得ることです。つまり、タスクあたりのエネルギー、時間、水、ハードウェアを減らすことです。効率はグリーン AI に欠かせませんが、リバウンド効果があるため、それだけでは十分ではありません。

内包炭素(Embodied carbon)

機器を動かすことではなく、製造、輸送、最終的な廃棄から生じる排出です。AI の場合は、チップ、サーバー、データセンターの建物の製造が含まれます。

エネルギーラベル(Energy label)

ヨーロッパの冷蔵庫についている A から G のラベルのように、製品が使うエネルギー量を示すシンプルな評価です。Hugging Face の AI Energy Score など、AI モデル向けの同様の仕組みをいくつかのグループが開発しています。また、EU の AI 法(AI Act)は、汎用 AI モデルの提供者に、既知または推計のエネルギー使用量を文書化するよう求めています。AI のエネルギーラベルをご覧ください。

ファインチューニング(Fine-tuning)

すでに訓練済みのモデルを、専門的なデータで少しだけ追加で訓練し、特定のタスクでの性能を高めることです。ゼロから訓練するよりはるかに低いコストで済みます。

FLOPs

浮動小数点演算(floating-point operations)のことで、コンピュータが行う基本的な計算ステップ(小数の足し算やかけ算)です。その回数を数えることは、モデルに必要な計算量を見積もる一般的な方法です。大文字の S をつけた FLOPS は、通常 1 秒あたりの演算回数を意味します。

FPGA

フィールド・プログラマブル・ゲート・アレイ(field-programmable gate array)のことで、製造後に回路を組み替えられるチップです。FPGA は特定のタスクで非常に効率が高く、モデルの変化に合わせて書き換えることができますが、GPU よりプログラミングが難しくなります。

生成 AI(Generative AI)

依頼に応じて、テキスト、画像、音声、動画、コードなどの新しいコンテンツをつくる AI です。チャットボットや画像生成ツールは生成 AI です。

GPU

グラフィックス処理装置(graphics processing unit)のことで、もともとはコンピュータグラフィックス用に設計された、多くの計算を同時に行えるチップです。GPU は、現代の AI の訓練と実行に使われる主要なハードウェアです。

グリーン AI(Green AI)

エネルギー、炭素、水、資源のフットプリントをできるだけ小さく抑えて開発・利用され、本当に価値を生む場面で使われる AI です。AI をより効率的にすることと、AI が適切な道具である場面でだけ使うことの両方を含みます。グリーン AI とは?をご覧ください。

グリーンウォッシング(Greenwashing)

製品や組織が実際よりも環境に良いと思わせる、誤解を招く主張をすることです。EU では、指令(EU)2024/825 により、証明できない一般的な環境主張を消費者向けに行うことが禁止されています。誠実な環境主張をご覧ください。

推論(Inference)

訓練済みのモデルを使って、質問への回答や画像の生成などの出力をつくることです。プロンプトの 1 回 1 回が推論なので、人気のあるツールでは、モデルが使われ続ける限り推論のエネルギーが積み重なっていきます。

ジェヴォンズのパラドックス(Jevons paradox)

経済学者ウィリアム・スタンレー・ジェヴォンズが 1865 年の著書『石炭問題(The Coal Question)』で示した観察です。蒸気機関の効率が上がったことで、イギリスは石炭の消費を減らすどころか、かえって増やしました。リバウンド効果の極端な例で、効率の向上が全体の使用量を増やしてしまうケースです。

KV キャッシュ(KV cache)

キー・バリュー・キャッシュ(key–value cache)の略です。言語モデルは回答を 1 トークンずつ書いていくとき、途中の計算結果(アテンション計算の「キー」と「バリュー」)を保存し、ステップごとに計算し直さなくて済むようにします。計算を大きく節約できますが、メモリを使います。

大規模言語モデル(Large language model)

膨大な量のテキストで訓練され、言語を予測して生成する生成 AI モデルで、LLM と略されることがよくあります。ほとんどのチャットボットは LLM をもとにつくられています。

レイテンシ(Latency)

何かを依頼してから答えが返ってくるまでの遅れです。グリーン AI の手法の中には、リクエストをまとめて処理したり、よりクリーンな電力を待ったりするなど、少しのレイテンシと引き換えにエネルギーを減らすものがあります。

マクナマラの誤謬(McNamara fallacy)

簡単に測定できるものだけが重要だとみなし、測定できないものを無視してしまう誤りです。グリーン AI では、都合の良い数値だけでシステムを判断し、水の使用や社会的影響など数えにくい害を見落とすことへの戒めになります。

混合精度(Mixed precision)

結果に悪影響が出ない範囲で、一部の計算をほかより少ない桁数の精度で行うことです。精度を下げると、メモリとエネルギーの使用が減ります。

混合エキスパート(Mixture of experts)

多数の専門的なサブネットワーク(「エキスパート」)で構成されるモデル設計で、ルーターが各入力をそのうちの少数だけに送ります。回答ごとにモデルの一部しか使わないため計算を節約できますが、メモリ上と訓練中にはモデル全体が必要です。

モデル(Model)

AI におけるモデルとは、入力を出力に変える訓練済みのシステムのことで、学習によって得られた数値の集まり(パラメータ)と、それを使う構造からなります。科学や工学では、「モデル」は気候モデルのように、システムを数学的に記述したものを意味することもあるため、どちらを指しているのかを明確にすると役立ちます。

モデルマージ(スーピング)(Model merging (souping))

2 つ以上のモデルを、多くの場合パラメータを平均することで組み合わせ、新しいモデルをゼロから訓練することなく、それぞれの長所を持つ 1 つのモデルを得ることです。「モデルスープ(Model soups)」は、2022 年に Wortsman らが使った名称です。

マルチエージェントシステム(Multi-agent system)

協力し合ったり、互いにタスクを受け渡したりする AI エージェントの集まりです。強力になりえますが、エージェント同士のやりとりから抜け出せなくなると、有用な結果を出さないまま大量のトークンを消費することがあります。

オープンウェイトモデル(Open-weight model)

訓練データやコードは公開されていなくても、訓練済みのパラメータ(重み)が公開され、誰でもダウンロードして実行できるモデルです。オープンウェイトモデルは手元で実行したり改変したりでき、そのエネルギー使用量を第三者が独自に測定することもできます。

オーケストレーション(Orchestration)

1 つの大きなモデルにすべてを生成させるのではなく、複数のモデル、ツール、既製のコンポーネントを組み合わせてタスクを完了させることです。生成よりオーケストレーションをご覧ください。

パラメータ(Parameters)

モデル内部の数値で、訓練中に調整され、全体として学習した内容を保存しています。大規模言語モデルには何十億ものパラメータがあります。たとえば Meta の Llama 3.1 ファミリーには、80 億、700 億、4,050 億パラメータのサイズがあります。パラメータが多いほど、通常は回答ごとの計算量も多くなります。

物理情報ニューラルネットワーク(Physics-informed neural network)

データに合わせるだけでなく、エネルギー保存則などの既知の物理法則も守るように訓練されたニューラルネットワークです。その知識を組み込むことで、必要なデータやパラメータ、訓練を減らせることがあります。

プロンプト(Prompt)

人が生成 AI モデルに与える指示や質問です。明確で具体的なプロンプトは、たいてい 1 回目で良い回答を得られるため、時間とエネルギーの両方を節約できます。

枝刈り(Pruning)

個々の重みや接続全体など、訓練済みモデルのうち出力にほとんど寄与しない部分を取り除くことです。枝刈りしたモデルは小さく、安く動かせるようになり、多くの場合、正確さはほとんど落ちません。

PUE

電力使用効率(power usage effectiveness)のことで、データセンターの総エネルギー使用量を、そのコンピュータ機器が使うエネルギーで割ったものです。PUE が 1.0 なら、冷却や電力損失にエネルギーがまったく使われていないことを意味し、低いほど良い値です。一般的な値とその出典は、ホスティングとデータセンターをご覧ください。

量子化(Quantisation)

モデルの数値を、たとえば 16 ビットや 32 ビットではなく 8 ビットや 4 ビットのように、より少ない桁数で保存することです。モデルが小さくなり、実行のエネルギーも減ります。品質の低下は通常わずかです。

リバウンド効果(Rebound effect)

効率が上がって何かが安く、または手軽になり、人々がそれをより多く使うようになって、節約分の一部または全部が失われることです。使用量が大きく増えて総消費量が増える場合は、ジェヴォンズのパラドックスと呼ばれます。効率は充足ではないをご覧ください。

ルーティング(Routing)

各リクエストを最も適したモデルに送ることです。たとえば、簡単な質問には小さく安いモデルを使い、難しい質問にだけ大きなモデルを使います。しきい値の設定が重要です。小さすぎるモデルは失敗して、より大きなモデルでの 2 回目の試行が必要になることがあります。

スコープ 1、2、3 排出量(Scope 1, 2 and 3 emissions)

温室効果ガス(GHG)プロトコルの 3 つの区分です。スコープ 1 は、組織が所有または管理する排出源からの直接排出です。スコープ 2 は、購入した電力、熱、冷却による排出です。スコープ 3 は、購入するハードウェアの製造など、バリューチェーン全体におけるそれ以外のすべての間接排出です。

小規模言語モデル(Small language model)

パラメータが比較的少なく、安く動かせるよう設計された言語モデルで、ノートパソコンやスマートフォンで動くものもあります。限られたタスクであれば、適切に選んだ小規模モデルが、はるかに大きなモデルに匹敵することがあります。適切なモデルの選び方をご覧ください。

ソフトウェア炭素強度(Software carbon intensity)

Green Software Foundation による手法で、ISO 規格としても発行されています。ユーザー 1 人あたりやリクエスト 1 件あたりなど、ソフトウェアが行う作業 1 単位あたりに排出される炭素を計算します。

ソブリン AI(Sovereign AI)

海外の事業者に頼らず、国や地域が自ら管理する AI の能力で、モデル、データ、計算インフラなどを含みます。ソブリン AI には固有の持続可能性の課題があります。ソブリン AI と持続可能性をご覧ください。

スパース性(Sparsity)

モデル内の数値の多く、またはある入力に対する活性化の多くがゼロである状態です。計算ではゼロを飛ばせるため、ハードウェアとソフトウェアが対応していれば、スパースなモデルははるかに安く動かせます。

スパイキングニューラルネットワーク(Spiking neural network)

脳と同じように、情報を短いパルス(スパイク)として伝え、その合間はほとんど休んでいるニューラルネットワークです。適したハードウェア上では、特にエッジで、非常に少ないエネルギー使用が期待されています。

充足性(Sufficiency)

本当に必要な分だけ資源を使うことで、そもそも AI が必要かどうかを問うことも含みます。効率と対になる考え方です。効率は「どうすればもっと少ない資源でできるか?」を問い、充足性は「これをする必要があるのか?」を問います。

サロゲートモデル(Surrogate model)

気候や工学のシミュレーションの一部など、時間とコストのかかる計算の代わりをするよう訓練された、高速で近似的なモデルです。正確さが確認されていれば、優れたサロゲートモデルは多くのエネルギーを節約できます。

持続可能な AI(Sustainable AI)

依存する資源を使い果たすことなく開発・利用できる AI を指す広い言葉で、環境面だけでなく社会的・経済的な影響も含むことがよくあります。グリーン AI と重なり合い、2 つの言葉は同じ意味で使われることもよくあります。

トークン(Token)

言語モデルが読み書きするテキストのまとまりで、単語の一部であることがよくあります。OpenAI の目安では、英語の場合 1 トークンはおよそ 4 文字、または単語の約 4 分の 3 にあたります。ほかの言語では、同じ意味を表すのにより多くのトークンが必要になることがよくあります。トークンが多いほど、計算量も増えます。

TPU

テンソル処理装置(tensor processing unit)のことで、機械学習で使われる計算のために Google が専用に設計したチップです。

訓練(Training)

大量のデータをモデルに見せ、誤りを減らすようにパラメータを繰り返し調整して、モデルをつくることです。大規模なモデルの訓練には、何千ものチップで何か月もかかることがあります。Meta は、Llama 3.1 ファミリーの訓練に 3,930 万 GPU 時間を使ったと報告しています。

不確実性の定量化(Uncertainty quantification)

モデルの出力をどの程度信頼できるかを明らかにすることで、たとえば 1 つの数値ではなく範囲で示します。安いモデルで十分な場合と、結果を確認すべき場合を判断するのに役立ちます。

WUE

水使用効率(water usage effectiveness)のことで、データセンターが現地で使う水の量(リットル)を、そのコンピュータ機器が使うエネルギー(キロワット時)で割ったものです。低いほど良い値ですが、水を節約する冷却設計は電力を多く使うことがあり、その逆もあります。

よくある質問

グリーン AI と持続可能な AI(サステナブル AI)の違いは何ですか?

この 2 つの言葉は、重なり合う意味で使われています。グリーン AI は通常、AI が使うエネルギー、炭素、水、資源を減らすことに焦点を当てます。持続可能な AI はより広い意味で使われることが多く、社会的・経済的な影響や、資源が使われる速さで再生できるかどうかも含みます。

AI におけるトークンとは何ですか?

トークンとは、言語モデルが読み書きするテキストのまとまりで、単語の一部であることがよくあります。OpenAI の目安では、英語の場合 1 トークンはおよそ 4 文字、または単語の 4 分の 3 にあたります。

訓練と推論の違いは何ですか?

訓練とは、データから学習させてモデルをつくることで、通常は一度だけ、多大なコストをかけて行います。推論とは、完成したモデルを使って質問に答えたり画像をつくったりすることで、誰かが使うたびに発生します。

出典

  1. What are tokens and how to count them?, OpenAI Help Center (2025)
  2. Uptime Institute global data center survey 2025, Uptime Institute (2025)
  3. Data center metering and resource guide, Lawrence Berkeley National Laboratory (2017)
  4. GHG Protocol corporate standard, Greenhouse Gas Protocol (2004)
  5. W. Stanley Jevons, The Coal Question, 1865, Yale University, Energy History (1865)
  6. Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time, Wortsman et al. (arXiv:2203.05482) (2022)
  7. Annex XI: technical documentation for providers of general-purpose AI models, European Commission, AI Act Service Desk (2024)
  8. Directive (EU) 2024/825 on empowering consumers for the green transition, European Union (2024)
  9. Software Carbon Intensity specification, Green Software Foundation (2024)
  10. ISO/IEC 21031:2024 Software carbon intensity (SCI) specification, International Organization for Standardization (2024)
  11. Llama 3.1 8B model card, Meta (Hugging Face) (2024)

参加する

AI が地球に与える影響を減らすために

新しいガイド、資金の公募、ディレクトリの掲載情報を、月に1回ほどメールでお届けします。または、製品、講座、PhD、研究をディレクトリに追加してください。

トラッキングなし。ワンクリックで配信停止できます。 その他の参加方法 · プライバシー