greenai.guide

ホーム › どうすれば…?

回答ライブラリ

どうすれば…?

エネルギー、水、廃棄物を減らして AI を使うことについて、よく寄せられる質問への97件のわかりやすい回答です。日常の利用者、開発者、組織、学校向けです。どの回答も、まず答え、次に手順と出典を示します。

日常での AI の使い方

  • AI で画像や動画を作るときの環境負荷を減らすには?
    生成する画像や動画の数を減らし、始める前にプロンプトを練り、動画は短く必要な解像度に抑え、うまくいった結果は再利用しましょう。ある研究では、画像生成はリクエストあたりテキスト分類の 1,000 倍以上のエネルギーを使い、短い AI 動画はさらにずっと多くのコストがかかることがあります。
  • AI との長いチャットでエネルギーを無駄にしないには?
    話題を変えるときは新しいチャットを始めましょう。長い会話がまだ役に立つときは、短い要約を頼み、新しいチャットでその要約から続けます。チャットボットは通常、新しいメッセージに答えるたびにそれまでの会話を読み直すので、スレッドが非常に長いと、すべての回答に必要以上のコストがかかります。
  • AI と環境のことを子どもにどう話せばいい?
    AI は、データセンターと呼ばれる大きな建物にある高性能なコンピューターで動いていて、電気を使い、冷やすためにたいてい水も使うこと、そして絵や動画を作るなど、使い方によっては他よりはるかに多くを使うことを説明しましょう。落ち着いて、実践的に話します。目的は罪悪感を持つことではなく、よく考えて AI を使うことです。
  • AI の「思考」モードや推論モードはいつ使えばいい?
    推論モードや「思考」モードは、複数の手順が必要な数学、難しいコード、慎重な分析など、本当に難しい問題に使い、日常の質問、下書き、要約には標準のモデルや高速なモデルを使いましょう。推論モードは回答する前に長い隠れた思考の過程を書き出します。あるベンチマークでは、平均で30倍のエネルギーを使っていました。
  • AI の回答を何度も再生成してしまうのをやめるには?
    再生成ボタンを押す代わりに、最初の回答がなぜ外れたのかを考え、どこを変えてほしいかを短い追加の指示で AI に伝えましょう。再生成のたびに丸ごと新しい回答がつくられるので、5回、10回とサイコロを振る癖があると、作業のエネルギーが何倍にもなります。画像や動画では特にそうです。
  • 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?
    ほとんどの AI ツールはクラウドで動き、今お持ちの端末のブラウザやアプリから使えるため、新しいハードウェアが必要になることはめったにありません。端末を長く使えば、新しい端末をつくることによるフットプリントを避けられます。そこには、生成 AI が増やすと研究者が予測している電子廃棄物も含まれます。
  • AI を使った分の CO2 をカーボンオフセットで相殺するには?
    まず減らすことを優先し、オフセットは AI の利用を「カーボンニュートラル」にする手段ではなく、任意の上乗せとして扱いましょう。多くの人にとって、日常的なテキスト AI のフットプリントは小さく、画像や動画の生成、際限のない再生成といった重い使い方を減らすほうが、クレジットを買うより効果があります。ソフトウェアの炭素についての標準では、オフセットで測定したフットプリントを減らすことは認められていません。
  • AI エージェントやディープリサーチを無駄なく使うには?
    エージェントやディープリサーチのモードは、多くの情報源にまたがって幅広いテーマを調べるなど、本当に多くの手順が必要な作業のためにとっておき、ちょっとした質問にはふつうのチャットを使いましょう。エージェントは1つの作業でモデルを何度も呼び出します。Anthropic の報告では、エージェントはチャットの約4倍、マルチエージェントのシステムは約15倍のトークンを使いました。
  • ChatGPT の消費電力を減らすには?
    必要なことを 1 回の明確な依頼で頼み、回答は短くし、新しい話題には新しいチャットを始め、画像や動画の生成は控えめにしましょう。公表されている推定では、一般的なテキストの質問は約 3 分の 1 ワット時を使います。しかし、長い入力、何度もの生成し直し、メディアの生成によって、その何倍にもなることがあります。
  • この作業にそもそも AI は必要?
    もっと簡単なツールで確実にできないかを考えましょう。検索エンジン、電卓、地図、辞書、テンプレート、表計算の数式などです。生成 AI は、文章の下書き、説明、書き直しのように、時間を本当に節約できるときや結果が良くなるときに使い、他のツールで十分にできる調べものや計算には使わないようにします。
  • エネルギーを使わないプロンプトの書き方は?
    欲しいものを正確に伝える、短く具体的なプロンプトを書き、モデルに必要なコンテキストだけを与え、回答の長さを指定しましょう。エネルギーはモデルが読み書きする文章の量に応じて増えるので、その両方を減らし、一度で使える回答を得ることが、最も大きな節約になります。
  • エネルギーを無駄にせずにスマホで AI を使うには?
    使わない AI 機能はオフにし、簡単な作業には端末上で動く手軽な機能を選び、画像や動画の生成のような重い作業は本当に必要なときのためにとっておきましょう。端末上の小さなモデルならデータをデータセンターに送らずに済みますが、それでもバッテリーは使います。最も大きな節約は、何の役にも立たない AI を動かさないことです。
  • 不要な AI の回答なしでウェブ検索するには?
    普通のウェブリンクだけを表示する検索オプションやフィルターを探すか、AI の回答を自動で出さない検索エンジンや設定を選ぶか、ブックマークを使って信頼できるサイトに直接行きましょう。検索のたびに生成される AI の回答は、必要のないモデルの処理を増やします。営業時間や既知のウェブサイトのような簡単な調べものでは特にそうです。
  • 使っていない AI 機能をオフにするには?
    使っているアプリ、スマートフォン、ブラウザー、オフィススイートの設定を開き、AI アシスタントの名前や「スマート機能」と書かれた項目を探して、使っていないものをオフにしましょう。すべてのメール、ページ、文書に対して自動で動く機能は、結果を読むかどうかに関係なくエネルギーを使います。だからこそ初期設定が重要です。
  • 家族で AI を環境にやさしく使うには?
    規則ではなく、家庭で簡単な習慣をいくつか決めましょう。使える中で最も簡単なツールを使う、明確に質問する、再生成ではなく修正を頼む、AI の画像や動画は際限のない娯楽ではなくたまに楽しむもの、といった習慣です。スマートフォン、タブレット、ノートパソコンを長く使うことも大切です。機器の製造にもフットプリントがあるからです。
  • 自分の AI のエネルギー使用量は、ほかと比べてどのくらい?
    公表された数値では、チャットボットへの普通のテキストの質問1回で使うエネルギーは1ワット時に満たず、オーブンをおよそ1秒使う程度です。画像、動画、長い文書、推論モードでは何倍も多く使うことがあり、世界全体の総量も急速に増えています。そのため、「何でもない」も「大惨事だ」も、的を外しています。

AI ツールとモデルの選び方

  • AI Energy Score の評価はどう読めばいい?
    AI Energy Score の評価は、1,000 回の質問あたりの GPU エネルギーの実測値に基づき、同じタスクで試験した他のモデルと比べたエネルギー効率を 1〜5 つ星で示します。星が多いほどそのタスクでのエネルギーが少ないことを意味しますが、星はタスク内での相対評価です。モデルは、同じ用途で評価された他のモデルとだけ比べましょう。
  • AI のマーケティングでグリーンウォッシュを見抜くには?
    数値、方法、範囲の裏付けがない「グリーン」「持続可能」「カーボンニュートラルな AI」といった言葉や、オフセットや年単位の再生可能エネルギー証書に頼った主張には注意しましょう。誠実な主張は、何を測ったか、どのベースラインと比べたか、何を除外したかを示します。EU では、証明できない一般的な環境主張は禁止されています。
  • AI は端末で動かすのとクラウドで動かすのと、どちらがいい?
    小さく、頻繁で、プライベートな作業や、応答の速さが大事な作業は端末で動かし、大きなモデルが必要な大きな作業やたまにしか行わない作業は、効率のよいクラウドサービスに任せましょう。適したモデルなら端末上で大きく省エネできるという研究もありますが、よく運用されたデータセンターは手ごわい比較対象です。できれば自分のケースで測ってみてください。
  • AI コーディングアシスタントのフットプリントを抑えて使うには?
    明らかに元が取れる場面でアシスタントを使い、リポジトリ全体ではなく絞り込んだコンテキストを与え、定型的な編集には小さなモデルや高速なモデルを選び、難しい作業は確認しながら進める簡単なステップに分けましょう。ある研究では、検証した作業において、AI を使ったコーディングのカーボンフットプリントは手作業の約 33 倍でした。だからこそ習慣が大切です。
  • AI ツールが環境にやさしいかどうか、どうすればわかる?
    ラベルではなく根拠を探しましょう。算出方法を明記したリクエストあたりのエネルギーや排出量の数値、より小さいモデルの選択肢、どこで動いているかの情報、AI Energy Score のような第三者の評価です。これらをすべて公表しているツールはまだ少ないため、数値のない「グリーン」や「サステナブル」は事実ではなく主張として扱ってください。
  • AI モデルごとの消費電力を比べるには?
    作業に合う標準ベンチマーク(Hugging Face の AI Energy Score など)があればそれを使い、なければ候補のモデルを同じ作業、ハードウェア、設定で自分で測りましょう。品質とあわせて、成功した作業あたりのエネルギーを比べてください。安くても失敗するモデルは、最終的には高くつくからです。
  • AI モデルを自分のパソコンで動かすには?
    Ollama や llama.cpp などのローカル実行ツールをインストールし、GGUF などの量子化形式の小さなオープンウェイトモデルをダウンロードして、自分のコンピューターで動かしましょう。作業をこなせる最小のモデルを選びます。量子化版は必要なメモリがはるかに少なく、16 ビット形式で約 16 GB を要する 80億パラメータのモデルも、4 ビットなら約 4〜5 GB に収まります。
  • AI 企業にエネルギーの数値を問い合わせるには?
    使っているモデルについて、典型的な 1 回のリクエストあたりのエネルギー、炭素、水の量を尋ね、あわせて算出方法、システム境界、実行場所を確認しましょう。炭素の数値は、ロケーション基準とマーケット基準の両方を求めます。多くの事業者はまだ完全には答えられませんが、具体的な質問のほうが一般的な質問より良い回答を得られます。また、問い合わせを重ねることで需要が生まれます。
  • LLM の代わりに従来の機械学習で十分か判断するには?
    入力が構造化データやラベル付きの短いテキストで、出力が数値、カテゴリー、順位なら、まず従来のモデルを試しましょう。線形モデル、勾配ブースティング木、小さな分類器などです。これらは動かすコストがはるかに低く、速く、説明しやすく、精度も同等であることがよくあります。大規模言語モデルは、タスクが本当に自由な言語処理を必要とするときに使いましょう。
  • いちばん環境にやさしい AI チャットボットはどれ?
    大手チャットボットをエネルギーで確実に順位づけすることは、まだ誰にもできません。事業者ごとに公表する数値も測り方も違い、何も公表していない事業者もあるからです。エネルギーと水の使用量を公開していて、簡単な質問向けに軽いモデルを用意し、機能を自分で制御できるサービスを選び、そのうえで上手に使いましょう。どれを選ぶかより、どう使うかのほうが大切です。
  • もっと小さい AI モデルを選ぶにはどうすればいい?
    実際の例で「十分」とは何かを決め、最も小さいモデルから順に試して、最初に合格したところで止めます。小型で特定の作業向けのモデルは、大型の汎用モデルのごく一部のエネルギーで動くことがあります。UNESCO とユニバーシティ・カレッジ・ロンドンは、適した作業では最大 90% の削減を報告しています。
  • 汎用のチャットボットではなく、タスク専用の AI モデルを探すには?
    タスクを正確に言葉にし、Hugging Face などのモデルハブでタスクの種類から探して、小さな候補を 2〜3 個、自分の例で試しましょう。1 つの仕事のために作られたモデルは、同じ仕事をする汎用の生成モデルより桁違いに安く動かせることがあります。チャットボットに決める前に、半日かけて試す価値があります。

エネルギーと排出量の測定

  • AI API の呼び出しで使うエネルギーを推計するには?
    自分で管理していないハードウェアは計測できないので、代わりに推計しましょう。呼び出しごとに入力と出力のトークン数を記録し、EcoLogits などのツールを使います。EcoLogits は AI クライアントをラップし、リクエストごとのエネルギーと排出量の推計値を報告します。数値には推計値であることを明記し、方法を示し、事業者が報告する数値を入手できたら置き換えましょう。
  • AI のエネルギーを合計ではなくタスクごとに追跡するには?
    要約した文書あたりや成功したタスクあたりなど、AI が生み出す価値に合った機能単位を選び、エネルギーをそれで割りましょう。単位あたりのエネルギー、単位あたりの品質、合計を並べて追跡します。単位あたりの数値はシステムの効率が上がっているかを示し、合計は利用の増加がそれを上回っていないかを示します。
  • AI の水使用量(ウォーターフットプリント)を見積もるには?
    水の使用量はエネルギーの使用量に比例します。敷地内での冷却については、AI の作業のエネルギーにデータセンターの水使用効率(WUE)を掛け、範囲に含める場合は発電に使われる水も加えます。公表されているプロンプトあたりの数字は 1 mL 未満から数十 mL までさまざまで、主な理由は数えている対象の違いです。どれだけ使うかと同じくらい、どこで使うかも大切です。
  • AI の消費電力についての主張が正しいか確かめるには?
    6つの質問をしてみてください。何あたりの数字か(プロンプト、画像、1年?)、誰が測ったか、何が含まれているか、数字はどれくらい古いか、何と比べているか、そして効率の話なのか総使用量の話なのか。人を不安にさせるものでも安心させるものでも、誤解を招く主張の多くはこのどれかでつまずきます。公表されているプロンプトあたりの数字がばらつくのは、主に数えている対象が違うからです。
  • AI の省エネ効果を証明するためのベースラインはどう決める?
    何かを変える前に、変更後に使うのと同じハードウェア、負荷、入力で現在のシステムを測り、通常のばらつきを知るために繰り返し実行しましょう。エネルギーは合計だけでなく、役に立つ仕事の単位あたりでも報告します。削減を主張するのは、ばらつきより大きく、品質を落とさずに達成できた場合だけにしましょう。
  • AI ハードウェアの製造時の炭素排出(エンボディドカーボン)はどう計上すればいい?
    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。
  • AI モデルの学習のカーボンフットプリントを測るには?
    学習用スクリプトを CodeCarbon などの排出量トラッカーで包みましょう。CPU、GPU、メモリからエネルギーを推定し、地域の電力網を使って炭素に換算してくれます。調整や失敗も含めてすべての実行を数え、ハードウェア、場所、所要時間を記録し、結果をモデルとともに公開します。記録がない場合は、Green Algorithms などの計算ツールで後から見積もれます。
  • 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?
    ISO/IEC 21031:2024 として公開されているソフトウェア炭素強度(SCI)スコアは、((E × I) + M) per R で表されます。使用エネルギーに、ロケーション基準の送電網の炭素強度を掛け、ハードウェアの内包排出量の配分を足し、1 回のリクエストや 1 件の文書などの機能単位で割ったものです。単位を選び、境界を決め、各項を集めるか推計し、変更のたびに計算し直しましょう。
  • AI 研究のエネルギー使用量は論文でどう報告すればいい?
    ハードウェア、調整や失敗を含む全実行の GPU 時間、使ったツールを添えた kWh 単位のエネルギー、場所と電力網の炭素強度、kg CO₂e 単位の排出量、そして明記したバッチサイズでの推論のエネルギーを報告しましょう。算定範囲に何が含まれるか、数値にどれだけ不確かさがあるかも示します。CodeCarbon などのツールで進めながら測っておけば、後から再構成するのではなく、表にまとめるだけで済みます。
  • 研究プロジェクトの計算予算はどう決めればいい?
    主な実験に必要な GPU 時間を見積もり、試行錯誤のための余裕を加え、お金と同じようにその予算に対する使用量を追跡しましょう。アイデアは小さな規模で予備実験し、見込みのない実行は早めに止め、事前学習済みのモデルやチェックポイントを再利用し、かかった計算量に対する結果を報告します。予算があればトレードオフが見えるようになり、終わりのない調整を防げます。
  • 自分の AI 利用のカーボンフットプリントを計算するには?
    毎週使うテキストの質問、長い文書、画像のおおよその数を数え、公表されているリクエストあたりの数値を掛ければ、大まかな幅がわかります。企業自身の数値では、一般的なテキストのプロンプトは 1 ワット時に満たない一方、長い入力や画像ははるかに多くのコストがかかるので、たいていは最も重い習慣が合計の大半を占めます。結果は正確な数値ではなく、推定値として扱いましょう。
  • 自分のパソコンや GPU で AI が使うエネルギーはどう測る?
    自分のマシンなら直接測れます。プロセッサーと GPU のカウンターを読む CodeCarbon や電力計測ツールを使うか、パソコンとコンセントの間に電力計測機能付きのスマートプラグを挟みます。まず待機時の電力を記録し、瞬間的な値ではなく処理全体を通してサンプリングし、数値を信頼する前に何度か実行を繰り返しましょう。
  • 電力網の炭素強度はどこで調べられる?
    AI の作業が動いた場所と時間に合った、地域別で時間を合わせた電力網のデータを使いましょう。グレートブリテンでは、National Energy System Operator の Carbon Intensity API が地域別の推定値と予測を提供しています。Electricity Maps は世界の 350 を超えるゾーンをカバーしています。より細かいデータがない場合にだけ、国全体の年平均を使い、どれを使ったかを明記してください。

開発者とデータサイエンティストの方へ

  • AI に省エネなコードを書いてもらうには?
    効率的なコードをはっきり求め、メモリ、メモリ割り当て、計算量といった制約を具体的に伝えましょう。そのうえで、受け入れる前にテストを実行し、コードのエネルギーを測ります。研究では、プロンプトを変えると生成コードのエネルギー効率が最大 91.9% 高まりましたが、正確さを犠牲にすることがよくありました。アシスタントには従うべきエネルギーの原則を与え、結果は人が確認し続けましょう。
  • AI エージェントがトークンを無駄遣いしないようにするには?
    どのエージェントにも、達成したら実行を終える検証可能な目標と、ステップ数、トークン数、時間、費用の厳格な上限、そして同じことを繰り返したら止めるループの検出を設けましょう。各ステップが運ぶ文脈を削り、ルールで決められる判断には普通のコードを使い、簡単なサブタスクは小さなモデルに回します。エージェントはチャットの何倍ものトークンを使うことがあるので、こうした上限はすぐに効果を発揮します。
  • AI モデルをゼロから学習せずに済ませるには?
    タスクに近い事前学習済みモデルを探し、それを適応させましょう。ファインチューニングする、LoRA のような小さなアダプターを学習する、または再学習の代わりに検索(リトリーバル)で知識を加える、といった方法があります。同じベースからファインチューニングしたモデルが複数あれば、重みを平均すると推論コストを増やさずに精度を高められることがあります。基盤モデルの研究以外で、ゼロからの学習が必要になることはまれです。
  • AI モデルを量子化するには?
    量子化とは、モデルの重みを少ないビット数で保存することです。ふつうは 16ビットや 32ビットの代わりに 8ビットや 4ビットにします。必要なメモリが減り、1回の回答あたりのエネルギーも減ることが多くなります。量子化済みの版を読み込むか、ライブラリに組み込まれた方法で量子化し、自分の例を使って元の精度のモデルと比べてください。品質が保たれ、リクエストあたりのエネルギーが下がるなら採用しましょう。
  • LLM の出力の長さを制限するには?
    API の呼び出しで出力の最大長を設定し、プロンプトでほしい形式と長さを伝え、停止シーケンスや構造化出力を使って、作業が終わったところで生成が止まるようにしましょう。エネルギーはモデルが生成するトークンの数に応じて増えるので、出力を抑えることはどんなアプリケーションでも最も簡単な節約の1つです。
  • Mixture of Experts(MoE)モデルにすると省エネになる?
    Mixture of Experts(MoE)モデルは、各トークンを少数の専門のサブネットワークに振り分けるため、トークンごとに働くのはモデルの一部だけです。たとえば Mixtral は 470億パラメータを持ちますが、トークンごとに使うのは 130億です。同じくらいの品質の密なモデルと比べて、1回の回答あたりの計算を減らせることがあります。ただし、すべてのエキスパートをメモリに載せておく必要があるので、自分のハードウェアで品質、レイテ…
  • エッジデバイスで動くくらい AI モデルを小さくするには?
    品質の基準を満たせる最小のモデルから始め、蒸留、量子化、枝刈りでさらに小さくし、各段階を対象のデバイスで試しましょう。推論あたりのエネルギー、レイテンシ、精度を実際のハードウェアでまとめて測り、バッテリーが少ないときやデバイスが熱いときは、モデルを一段小さいものに切り替えます。
  • キャッシュで LLM 呼び出しのエネルギーを減らすには?
    2つの層を使いましょう。プロバイダーのプロンプトキャッシュは、長いシステムプロンプトや共有文書など、固定された先頭部分の処理を再利用します。そのため、変わらない内容を先頭に置きます。自前の応答キャッシュは、同一のリクエストへの回答を保存し、モデルを再び呼び出さずに済むようにします。どちらも、適切な有効期限を設定すれば、計算量、コスト、待ち時間を減らせます。
  • チャットボットが毎回会話全体を送り直すのを止めるには?
    多くのチャット機能は、やり取りのたびに会話全体をモデルに送り直すので、入力はメッセージごとに増えていきます。送る過去のやり取りの数に上限を設け、古いものは短いメモに要約し、関係のある過去のメッセージや文書だけを取り出し、固定のシステムプロンプトはキャッシュしましょう。長い入力は、短い入力よりはるかに多くのエネルギーを使います。
  • ニューラルネットワークを枝刈り(プルーニング)するには?
    学習済みのネットワークから寄与の最も小さい重み、ニューロン、層を取り除き、短時間ファインチューニングして回復させ、品質の基準に照らして試しましょう。枝刈りによって AlexNet のパラメータは精度を落とさずに 9 分の 1 になり、非常に大きな言語モデルも 1 回で 50% 以上のスパース性まで枝刈りされています。一般的なハードウェアで速く動かしたいなら、構造化された枝刈りを選びましょう。
  • ハイパーパラメータ探索のエネルギーを減らすには?
    大きなグリッドサーチをランダム探索や適応的な探索に置き換え、見込みのない試行は早めに打ち切り、まず小さなデータや小さなモデルで予備実験を行い、自分のアーキテクチャについて公表されている既定値から始めましょう。最良の結果だけでなくすべての試行のエネルギーを記録し、始める前に計算予算を決めます。調整のための実行は最終的な学習より多くのコストがかかることが多いのに、報告されることはまれです。
  • パイプラインの読み込みを減らすには AI の学習データをどう保存すればいい?
    学習データや特徴量データは列指向の形式で保存し、処理が使う列とパーティションだけを読むようにしましょう。生のテキストは、実行やエポックのたびに解析し直すのではなく、一度だけバイナリ形式に変換します。変換が元を取れるか確かめるために、代表的な処理を変更の前後で測りましょう。データの扱いはモデルに比べて見落とされがちですが、すべての実験で毎回動いています。
  • ベクトル検索や RAG をもっと効率的にするには?
    すべての問い合わせを保存済みのすべてのベクトルと比べるのではなく、近似最近傍インデックスを使いましょう。長い文章をたくさん取り出すのではなく、短く関連性の高い文章を少しだけ取り出し、変更のあった内容だけを埋め込み直します。そのうえで、よい文脈から十分に答えられる最も小さな生成モデルを使います。検索システムの無駄の大半は、総当たりの検索と大きすぎるプロンプトから生じます。
  • モデルの学習にかかるエネルギーを減らすには?
    できる限り事前学習済みのモデルから始め、基準を満たせる最小のアーキテクチャを選び、混合精度で学習し、検証の成績が伸びなくなったら止め、効率の良いハードウェアを低炭素の地域と時間帯で使いましょう。Patterson らは、モデル、データセンター、プロセッサーの選択によって、学習のカーボンフットプリントを最大で約 100〜1,000 分の 1 に減らせることを示しました。トレードオフが見えるよう、すべての実行を測定しましょう。
  • リクエストを小さな AI モデルに振り分けるには?
    モデルの前にルーターを置きましょう。ルール、小さな分類器、またはまず小さなモデルを試し、確信度が低いかチェックに失敗したら上位に回すカスケードです。公開されているルーターの中には、品質を下げずにコストを半分以上減らした試験結果もあります。しきい値は自分のデータで調整し、呼び出しあたりではなく、成功した作業あたりのコストを測ってください。
  • 大きな AI モデルを小さなモデルに蒸留するには?
    まず、そのモデルの蒸留版がすでにあるか確認しましょう。なければ、大きな「教師」モデルを使ってタスク用の例にラベルを付けたり例を生成したりし、それで小さな「生徒」モデルを学習させ、自分の実際の事例で生徒を試します。初期の例である DistilBERT は、BERT より 40% 小さく 60% 速い一方で、言語理解能力の 97% を保ちました。
  • 大きな計算資源なしでモデルをファインチューニングするには?
    事前学習済みのモデルから始め、すべての重みではなく小さなアダプターだけを学習させましょう。LoRA、または 4ビットの重みを使う QLoRA を使います。LoRA は GPT-3 の完全なファインチューニングと比べて、学習するパラメータを1万分の1に、GPU メモリを3分の1に減らしました。QLoRA は 650億パラメータのモデルを 48 GB の GPU 1枚でファインチューニングしました。もっと大きなものを検討する前に、結果を品質…
  • 投機的デコーディングで大きなモデルを速くするには?
    大きなモデルを、同じファミリーの小さな下書きモデルと組み合わせましょう。下書きモデルが複数のトークンを提案し、大きなモデルがそれらを 1 回の処理で確認して、同意したものだけを残します。出力は大きなモデル単独の場合と同じで、元の研究では推論が 2〜3 倍速くなりました。利用している推論基盤が対応しているか確認し、速度だけでなくリクエストあたりのエネルギーを測りましょう。
  • 本番環境でモデルを動かすエネルギーを減らすには?
    品質基準を満たす最小のモデルを、推論向けに作られたランタイムで提供します。バッチ処理を有効にし、重みは半精度か量子化したものを使い、ライブラリの最適化されたアテンションとキャッシュの機能を有効にします。そのうえで、実際のトラフィックで2〜3種類のランタイムとハードウェアを性能測定し、待ち時間だけでなくリクエスト1件あたりのエネルギーでも選びます。
  • 省エネのために AI へのリクエストをまとめて処理するには?
    ライブの通信には、連続バッチ処理を使う推論エンジンを使いましょう。同時に届いたリクエストでアクセラレーターを共有できます。夜間の文書処理など、すぐに答えが要らない作業はキューに入れて大きなバッチで実行し、できれば電力網がクリーンな時間帯に回します。リクエストを 1 件ずつ処理するアクセラレーターは十分に活用されていないのに、それでも多くの電力を使います。
  • 省エネのためには RAG とファインチューニングのどちらを選ぶべき?
    モデルが、変化する事実や自分たち固有の事実を必要とするときは検索を使いましょう。事実を検索可能なインデックスに入れ、関連する部分だけを取り出します。モデルに足りないスキル、形式、文体が必要なときはファインチューニングを使います。事実を最新に保つための再学習は学習コストを繰り返し、文書全体を毎回プロンプトに貼り付けると推論が無駄になります。どちらの方法にも適した場面があります。
  • 誰も必要としないときに動かない AI 機能を設計するには?
    AI 機能は、ページの読み込み、メッセージ、ファイルのたびに自動で動かすのではなく、ユーザーが求めたときに動かしましょう。共有される結果は一度だけ生成して再利用し、ルールで決められる判断には普通のコードを使い、ほとんど使われない AI 機能は削除します。W3C の Web Sustainability Guidelines は、実装の前に AI の必要性を評価するようチームに求めています。これは機能ごとだけでなく、実行のきっかけごとにも…

データセンター、クラウド、ホスティング

  • AI の水使用量を減らすには?
    水の使用量はエネルギーの使用量に比例するので、最初の一歩は同じです。小さなモデル、短い出力、少ない再生成を心がけましょう。そのうえで、水の使用量を公表しているホストを選び、重い作業では水ストレスの高い地域を避け、供給事業者に拠点ごとの水の数字を求めます。テキストのプロンプト1回あたりの水はわずかです。大切なのは総量と地域への影響です。
  • AI 用に持続可能なデータセンターやホスティング先を選ぶには?
    ラベルではなく証拠を求めましょう。処理が行われる場所の送電網の炭素強度と時間単位のクリーン電力の割合、施設の PUE と水使用量、ハードウェアの使用期間、そして自社アカウントのエネルギーと排出量のデータを受け取れるかどうかです。EU では、一定規模以上のデータセンターにエネルギーと水の使用量の報告が義務づけられているため、データはたいてい存在します。クリーンなホスティング先を選びつつ、そこに送る処理を減らす努力も続けましょう。
  • AI 用の省エネなハードウェアはどう選べばいい?
    実際に使うモデルを2〜3種類のハードウェアとランタイムで性能測定し、現実的なバッチサイズでのリクエスト1件あたり、または学習1回あたりのエネルギーを、待ち時間やコストと並べて比べます。Patterson らは、モデル、データセンター、プロセッサーの選択を組み合わせると、学習の炭素排出を最大でおよそ 100〜1,000分の1 に減らせることを示しました。新しい機器の製造にもフットプリントがあるため、良いハードウェアは稼働させ続け、長く使い…
  • GPU やノートブックを遊ばせないようにするには?
    オンデマンドを標準にしましょう。パイプラインや学習ジョブは、起動されたときにリソースを立ち上げ、終わったら解放すべきです。使われていないノートブックや開発用の GPU は一定時間後に自動で停止し、本番以外の環境は時間外にゼロまで縮小し、無駄が見えるよう、チームごとの遊休 GPU 時間をコストと並べて報告しましょう。
  • PUE と WUE の数値はどう読めばいい?
    電力使用効率(PUE)は、データセンターの総エネルギーを計算機器が使うエネルギーで割ったもので、1.0 に近いほど冷却や電力変換で失われる分が少ないことを意味します。水使用効率(WUE)は、計算に使う 1 キロワット時あたりの施設内での水使用量(リットル)で、低いほど良い値です。どちらも、どれだけ計算をしたか、電力がどれだけクリーンか、その処理が必要だったかは示しません。
  • クラウドの余剰キャパシティで AI のジョブを動かすには?
    クラウドプロバイダーは、短い予告で取り戻せることを条件に、余剰キャパシティをスポットインスタンスやプリエンプティブルインスタンスとして安く販売しています。学習、評価、バッチ推論、データ処理は、チェックポイントを保存してきちんと再試行できれば、これを使えます。中断が不安定さを招くことがあるため、Microsoft のガイダンスでは、中断に耐えられる作業にだけ使うよう勧めています。
  • 利用しているクラウドの炭素データはどこで見られる?
    大手クラウド事業者は、請求やサステナビリティのコンソールで顧客向けの炭素データを公開しています。AWS の Sustainability console、Microsoft の Azure の排出量ツール、Google Cloud の Carbon Footprint ダッシュボードです。排出量をサービス、リージョン、スコープ別に分けて示しますが、月次で推計値なので、傾向として扱い、ワークロードごとの自社の測定と組み合わせましょう。
  • 炭素排出の少ないクラウドリージョンを選ぶには?
    プロバイダーが公表しているリージョンのデータや Electricity Maps などの情報源を使い、電力網の炭素強度とカーボンフリー電力の割合でリージョンを比べましょう。そのうえで、レイテンシ、データの所在に関する規則、費用を検討します。学習、ファインチューニング、夜間処理などのバッチ処理は最も移しやすく、ユーザー向けの推論は通常ユーザーの近くに置く必要があります。
  • 研究用クラスターでの AI 実験のフットプリントを減らすには?
    まず測定から始めましょう。多くのクラスターでは Slurm スケジューラーがジョブごとのエネルギーを記録しており、足りない部分は CodeCarbon や Green Algorithms 計算ツールで補えます。そのうえで、必要な分の GPU、メモリ、時間だけを要求し、アイデアは小さな規模で試し、長いジョブにはチェックポイントを取り、時間に融通の利くジョブは電力網がクリーンなときに実行します。最終的な実行だけでなく、プロジェクト全体のエ…
  • 自分の使う AI が再生可能エネルギーで動いているか確かめるには?
    AI が実際にどこで動いているかを尋ね、そのリージョンについて 2 つのことを確認しましょう。電力網の炭素強度と、1 時間ごとにクリーン電力で賄われている電力の割合です。「再生可能エネルギー 100%」は通常、年間の合計を埋め合わせる年単位の証書や契約を意味し、ある時間帯に地域の電力網が供給する電力を変えるものではありません。ロケーション基準とマーケット基準の両方の数値を求めましょう。
  • 近所にデータセンターが計画されたら、どうすれば意見を言える?
    計画申請を探し、電力、水、騒音、熱に関する事業者の説明書を読み、意見募集の期間内に、根拠に基づく具体的な質問で意見を出しましょう。その施設が電力網の容量と水をどれだけ使うのか、排熱を再利用するのか、稼働後にどんなエネルギーと水の数値を報告するのかを尋ねます。一般的な反対意見よりも、具体的な質問のほうが重みを持ちます。
  • 電力網がクリーンな時間帯に AI の学習を実行するには?
    学習、ファインチューニング、評価、バッチ推論など、待てるジョブを見つけ、炭素強度の予報で電力網がよりクリーンになるときに開始しましょう。定期的にチェックポイントを保存すれば、長いジョブも、確実な期限の範囲内で、強度が上がったら一時停止し、下がったら再開できます。カーボンアウェアなスケジューリングで減るのは炭素であってエネルギーではないので、効率化の取り組みに上乗せして行いましょう。

組織の方へ

  • AI のエネルギーと排出量の目標はどう決めればいい?
    まずベースラインを測り、次に 2 種類の目標を組み合わせて設定しましょう。原単位の目標(有用なタスク 1 件あたりのエネルギーや排出量)と、総量の目標または上限です。原単位は効率を示し、総量は利用の拡大が削減分を食いつぶしていないかを示します。モデルや利用状況の変化に合わせて、少なくとも年に 1 回見直しましょう。
  • AI の効率化の成果が利用増加で相殺されないようにするには?
    作業あたりのエネルギーだけでなく AI のエネルギー総量も追跡して増加が見えるようにし、削減分をどうするかを事前に決めましょう。空いた容量を廃止する、予算や上限を設ける、あるいは意図的に再投資する、といった選択です。新しい用途ごとにその価値があるかを問い、効率性に充足性を組み合わせます。こうした取り組みがなければ、安くなった AI はただ多く使われるようになりがちです。
  • AI の調達に持続可能性を組み込むには?
    サプライヤーに、1 リクエストまたは 1 タスクあたりのエネルギーと排出量を、方法と境界、ワークロードの実行場所、ロケーション基準とマーケット基準の両方の炭素の数値とともに求めましょう。入札ではその証拠の質を採点し、報告、モデルの選択、モデル変更の事前通知を契約に書き込みます。多くのサプライヤーはまだ完全には答えられませんが、尋ねることで、どこが真剣に取り組んでいるかがわかります。
  • AI プロジェクトが環境負荷に見合うか確かめるには?
    AI 自体のフットプリント(学習またはファインチューニングと、想定される運用期間中の稼働分)を見積もり、同じ期間で測った効果と比べましょう。比較の相手は「何もしないこと」ではなく、最も簡単な AI 以外の方法です。エネルギーや排出量の削減を目的とするプロジェクトなら、その削減量が AI 自体のコストをはっきり上回らなければ、差し引きでは損失になります。
  • EU AI 法のエネルギー文書化ルールに対応するには?
    EU で汎用 AI モデルを提供する場合、AI 法の附属書 XI により、技術文書にモデルの既知または推定のエネルギー消費量と、学習に使った計算資源を含めることが求められます。学習の計算量とエネルギーを最初から追跡し、方法を記録し、測定できない部分は推計しましょう。AI を利用するだけなら義務はサプライヤー側にありますが、数値を求めることはできます。
  • グリーン AI の導入を社内でどう説得すればいい?
    コスト、速度、リスクの観点から提案しましょう。AI のエネルギー使用を減らす方法(小さなモデル、少ないトークン、無駄な呼び出しの削減)は、請求額と待ち時間も減らすからです。自分の仕事から実測した例をひとつ示し、報告や規制上の理由を加えましょう。相手に合うなら、環境面の利点は、本物ではあるものの二次的な点として位置づけます。
  • グリーン AI ポリシーはどう書けばいい?
    短く実践的にまとめましょう。AI を使う価値がある場面を示し、効率的な初期設定(十分な性能を持つ最小のモデル、出力の上限、必要でない限りオフにした機能)を決め、調達でエネルギーに関する質問を必須にし、作業ごとの測定を約束します。責任者、見直し日、いくつかの測定可能な約束を定め、すでに運用している業務プロセスに組み込みます。
  • サステナビリティ報告書で AI の排出量はどう報告すればいい?
    AI は別の数値としてではなく、既存の温室効果ガスの算定に含めて報告しましょう。自社で運用するハードウェアの電力はスコープ 2 に、クラウドと AI のサービスは通常スコープ 3 の「購入した製品・サービス」に入ります。得られる場合は委託先のデータを使い、残りは方法を明記したうえで利用量から見積もり、算定の範囲と不確かさを示します。合計とあわせて、役に立つタスクあたりのエネルギーも示しましょう。
  • 会社の AI 利用をもっと持続可能にするには?
    まず会社のどこで AI を使っているかを把握し、効率的な選択を初期設定にします。品質基準を満たす最小のモデル、短い出力、必要でない限りオフにした AI 機能です。供給元にリクエストあたりのエネルギーと処理の場所を尋ね、役に立った作業ごとに測定し、担当者を決めた短いポリシーにまとめます。こうした手順の多くは、エネルギーだけでなくコストと待ち時間も減らします。
  • 小さな会社で AI の環境負荷を低く抑えるには?
    明らかに時間を節約できる作業に AI を使い、依頼は短く具体的にし、生成し直すのではなく手直しし、画像や動画は控えめにしましょう。料金を払っているのに使っていない AI 機能はオフにし、どのツールを使っているかを簡単に記録しておけば、尋ねてくる顧客に答えられます。小さな会社では、同じ習慣でサブスクリプションと人件費も減らせます。
  • 慈善団体で AI を持続可能に使うには?
    スタッフやボランティアの時間を使命のために空けられる場面で AI を使い、用が足りる最も軽いツールを選び、画像の大量生成のような負荷の大きい使い方は避けましょう。データ保護とあわせて環境への影響も扱う短いポリシーを書き、エネルギーと処理の場所について供給元に簡単な質問をし、どのように使っているかを支援者に正直に伝えます。
  • 政策立案者として AI をよりグリーンにするには何ができる?
    まず透明性から始めましょう。AI プロバイダーやデータセンターに、比較可能なエネルギー、水、排出量の報告を義務づけるか促します。公共調達で効率的な AI を評価し、データセンターのための電力網と水の容量を計画し、効率的な手法の研究と人材育成に資金を出します。AI は安くなるほど多く使われる傾向があるため、効率だけでなく総需要にも注意してください。
  • 組織全体で不要な AI 機能をオフにするには?
    利用状況の一覧を使って初期設定でオンになっている AI 機能を見つけ、機能ごとに判断しましょう。使われているものは残し、使われていないものはオフにするか制限し、申請があれば利用できるようにします。利用者に頼むのではなく管理コンソールで変更し、何をなぜ変えたかを社員に伝え、四半期ごとに利用データを見直します。使われていない AI ライセンスを減らせば、費用の節約にもなります。
  • 職員に AI を効率よく使ってもらうための研修はどうすればいい?
    自分たちの実際の仕事の例を使い、短い研修でいくつかの習慣を教えましょう。AI が適切なツールか確かめる、明確で具体的なプロンプトを書く、短い回答を求める、生成し直さずに手直しする、画像や動画は控えめにする、の 5 つです。研修は社内ツールの効率的な既定値で補いましょう。既定値は、研修を受けなかった人にも届くからです。
  • 自分の組織がどこで AI を使っているか洗い出すには?
    4 種類の項目からなる簡単な一覧表を作りましょう。職員が直接使う AI ツール、すでに使っているソフトウェアに組み込まれた AI 機能、自動化されたワークフローとエージェント、そして代わりに AI を動かしているサービスの委託先です。それぞれについて、担当者、実行の頻度、わかればモデルや提供元、入力されるデータを記録します。この一覧表は、無駄を減らし、リスクを管理し、報告するための出発点になります。
  • 自社のグリーン AI について誠実な主張をするには?
    測ったことだけを主張し、何がどのベースラインと比べて改善したのかを具体的に示し、方法、範囲、限界を明記しましょう。タスクあたりの効率と合計の使用量は分けて示し、主張の根拠をオフセットや年単位の証書に置かないようにします。「グリーン AI」や「カーボンニュートラルな AI」のようなあいまいな言葉は危険で、英国や EU では消費者法に違反するおそれがあります。

学校、大学、研修

  • エネルギーを無駄にせずに AI を勉強に使うには?
    難しい考え方の説明、問題を出してもらう、下書きへの意見をもらうなど、学びに役立つ場面で AI を使いましょう。事実や出典には、自分のノート、教科書、図書館の検索を使います。焦点を絞って質問し、必要な一節だけを貼り付け、何度も生成し直したり面白半分に画像を作ったりするのは避けましょう。こうした習慣はエネルギーを節約し、たいていは学びにも役立ちます。
  • グリーン AI について学ぶには?
    まず、AI のエネルギーがどこで使われているかを説明する短い解説を読みましょう。次に、コードのエネルギーを追跡するツールや AI API 呼び出しの推計ツールなど、無料のツールをひとつ自分の利用に試します。続いて、自分のレベルに合った講座と、自分の分野のコミュニティや研究グループに参加しましょう。実際に何かを測って学ぶほうが、読むだけより身につきます。
  • グリーン AI の博士課程(PhD)を探すには?
    「グリーン AI」と銘打ったプロジェクト以外にも目を向けましょう。効率的な AI の研究は、計算機科学、数学、電気工学、各分野の科学にあり、効率的な機械学習、持続可能なコンピューティング、低消費電力ハードウェアといった名前で呼ばれることがよくあります。博士課程の教育プログラムやプロジェクトの一覧を探し、最近の論文を読んで活発な指導教員を見つけ、研究のなかでエネルギーをどう測るかを尋ねましょう。
  • 大学の授業にグリーン AI を取り入れるには?
    新しい授業を丸ごとつくるのではなく、短く実践的な内容を加えましょう。AI のエネルギーがどこに使われるかを説明し、学生に自分のコードやモデルの実行のエネルギーを測ってもらい、精度とあわせて計算量とエネルギーを報告してもらいます。技術系の授業では、小さなモデル、量子化、再利用などの効率的な手法を教えます。それ以外の授業では、賢い使い方と主張の見極め方に焦点を当てます。
  • 子どもたちに AI の環境への影響を教えるには?
    まず、AI の回答はどれも電気と水を使う本物のコンピュータで動いているという考え方から始め、信頼できる数字をいくつかと、テキストと画像の生成を比べるといった体験型の活動を使いましょう。コンピュータ、理科、地理と結びつけ、バランスを保つことも大切です。目的は、AI を使うことに罪悪感を持たせることではなく、よく考えて使えるよう手助けすることです。
  • 学校で持続可能な AI 利用のルールを作るには?
    別のポリシーを書くのではなく、学校の既存の AI ポリシーに短い環境の項目を加えましょう。AI が適した道具である場面を示し、画像や動画の生成より短いテキストを優先し、学校のアカウントに軽い初期設定を行い、その理由を児童生徒に教えます。引き続き最優先となる安全確保、データ保護、評価に関するルールと並べて置きます。

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