AIは気候変動と闘う強力なツールになり得るが、排出量の増加要因としての役割も見過ごすことはできない。
AIをより環境に優しいものにする第一歩は、より包括的かつ多次元的なモデル評価の実践を促進することである。
「大きいほど常に良い」という考え方を改め、環境分野でのAI活用を追求することで、AIは気候変動との闘いにおける大きな資産となり得る。
世界各地で記録的な熱波と極端な洪水が、欧州および中国に影響を及ぼしている今、技術と環境の相互関係、そして人工知能（AI）の役割を検証すべき重要な時期にある。
AIを「グリーン」にするには何が必要か？ 一方で、まずAIシステムの開発と利用には実質的なコストが伴うことを、集団として認識する必要がある。実際、そのコストは非常に大きくなり得る。OpenAIが開発した最近の高性能言語モデルであるGPT-3は、訓練段階で、地球から月まで車で往復した場合に相当する炭素排出量を生じさせるほどのエネルギーを消費したと推定されている。地球から月まで車で往復する。
一方で、AIは環境との関わり方に有益な影響を与えることもできる。2020年に実施された包括的な研究では、AIが国際連合の持続可能な開発目標（SDGs）17項目に与え得る影響が、社会、経済、環境の各側面にわたって評価された。研究者らは、AIが環境目標の93％を前向きに後押しし得ると結論づけた。その中には、スマートで低炭素な都市の創出、電力消費を調整できるモノのインターネット（IoT）機器や家電、スマートグリッドによる再生可能エネルギーの統合促進、衛星画像による砂漠化傾向の把握、海洋汚染への対策などが含まれる。
セメントと通信
産業分野におけるAI活用は、環境保護と炭素排出削減に役立ち得る。例えば、トルコのセメント製造グループであるOYAK Cimentoは、AIを用いて炭素排出量の大幅な削減を進めている。OYAK Cimentoの業務・プロセス担当ディレクターであるBerkan Fidan氏は次のように述べている。「AIを活用した企業向けプロセス管理は、業務効率の向上に役立ち、それは単位当たりのエネルギー消費量を抑えながら生産量を高めることを意味します。中規模の生産能力を持つセメント工場で年間100万トンのセメントを生産している場合を考えると、AIを活用したプロセスおよび品質管理によってクリンカーをわずか1％追加削減するだけで、年間約7,000トンのCO2排出削減につながります。これは、32万本の樹木が1年間に吸収するCO2量に相当します。」
シンクタンクのChatham Houseによると、セメントはCO2排出量の約8％を占めている。したがって、セメント製造の効率化は明らかな環境上の必要性があり、その手段の一つがAIである。
AIがプラスの環境影響をもたらすもう一つの例は、チリ最大の通信会社であるEntelと、森林火災を特定するためのセンサーデータに関するものである。世界の多くの地域、特にギリシャや北カリフォルニアで燃え広がっている森林火災に効果的に対処するには、協力体制が不可欠である。チリは深刻な気候変動や壊滅的な気象条件の影響を頻繁に受けており、2017年にはチリ史上最悪の山火事が発生し、約714,000エーカーが焼失した。自然の豊かさで知られ、人口と経済が豊かな森林に大きく依存している同国にとって、いかなる種類の山火事も悲惨な惨事である。
Entelのデジタル部門であるEntel Oceanは、IoTセンサーを用いて火災をより早期に特定することを目指した。これらのセンサーは、樹木に設置されたデジタルの「鼻」として機能し、空気中の粒子を検知できる。センサーが生成したデータにより、Entel Oceanは森林火災の発生時期を自動予測するAIを活用できるようになった。「従来の方法より12分早く森林火災を検知できています。これは火災防止において大きな意味を持ちます」とLenor Ferrebuz Bastidas（Entel Oceanの企業向けデジタルソリューション担当スポークスパーソン）は述べている。「火災は数秒で広がり得るため、一分一秒が重要です。」
トレードオフ
これらの応用を通じて、AIは気候変動と闘う強力なツールになり得る。しかし、排出量の増加要因としての役割も見過ごすことはできない。そのためにはまず、より包括的かつ多次元的なモデル評価の実践を促進することが重要である。これまで、研究・技術革新の主な焦点は精度の向上や新しいアルゴリズム手法の創出に置かれてきた。こうした目標は、多くの場合、より大量のデータを消費し、さらに複雑なモデルの構築につながっている。最も象徴的な例は深層学習であり、2012年から2018年の間に計算資源の使用量は300,0000倍に増加した。2012年から2018年の間に300,0000倍。
しかし、モデルの精度と複雑さの関係は対数的である。モデルの規模と訓練要件が指数関数的に増加しても、性能は線形的にしか向上しない。精度の追求においては、訓練時間や資源効率の改善を目指す手法の開発に対する優先度が低く置かれている。今後は、モデルの精度と効率の間のトレードオフ、そしてモデルの炭素排出量（訓練時と推論時の両方）を認識する必要がある。
世界経済フォーラムの持続可能な開発インパクト・サミットとは何か？
モデルの炭素排出量は、モデリング手法やデータセンターのインフラによって異なり、算定および比較が複雑になり得る。出発点としては、モデルの訓練に必要な浮動小数点演算の回数を評価するのが妥当であろう。浮動小数点演算とは、乗算、除算、加算、減算、変数への代入などの単純な数学演算が実行される回数を個別に数えたものである。この要因や他の要因、さらにはモデルのアーキテクチャやGPUやCPUなどのハードウェアといった訓練資源が、エネルギー消費量に影響を与え得る。加えて、サーバーの保管および冷却といった物理的な要素も関係する。さらに複雑なことに、エネルギーの調達元も重要である。天然ガスや石炭と比べて、主に再生可能エネルギーによる電力を用いれば、炭素排出量を低減できる。
「より少ない資源でどれだけ多くのことができるか？」と問いかけてみよう。エネルギー節約の制約を考慮することは、AIにおける新しく創造的な技術革新へとつながり得る。「大きいほど常に良い」という考え方から転換し、環境分野でのAI活用を追求することで、AIは最先端を維持し、未来の持続可能な技術となり、地球規模の気候保護における重要な資産となり得る。
