人工知能
制御されていないエネルギー消費 – AIを活用してAIを改善する
急速に成長している人工知能（AI）市場は 予測される 2020年代末までに1.8兆ドルに達すると見込まれています。
AI熱狂は2021年に初期の関心を集め始めましたが、実際にAIが本格的にブレークスルーを遂げたのは昨年だけでした。事実、その成長は非常に急速で、AIに関連するすべてのもの、ソリューションから利用までが急上昇し、生成AIへの投資が天井知らずに増加しました。
ChatGPTのような生成AIシステムが新たな能力を示したとき、誰もがこの急速に拡大する市場の一部を欲しがりました。また、この民間投資の大半は米国で行われています。
これらの人気ツールの基盤には、OpenAIのChatGPTにおけるGPT-4のような基礎モデルがあります。これらの大規模で多目的なモデルは、膨大なデータセットと大量のリソースを必要とします。基礎モデルは、コスト効果的かつ迅速に新しいアプリケーションを駆動する機械学習（ML）モデル開発の出発点となります。
テック大手のGoogleは リリースした 複数の基礎モデル；Imagen、Muse、Partiはテキストから画像へのモデル、医療業界向けのMedLM、Codeyというコーディングモデル、そしてユニバーサル音声モデルのChirpです。
これらのモデルは前例のない大量のメモリを消費し、実際に動作するための実世界データの保存・取得にも多くのメモリが必要です。例えば、GPT-3は約5000億語で訓練され、1750億のパラメータを使用しています。このため、AIのエネルギー需要は急上昇しています。
過去数年間、AIの環境への影響は広く報告されてきました。昨年末、査読付き分析がこの需要を定量化しようと試みました。
暗号通貨マイニングの莫大なエネルギーコストについて議論した後、オランダ中央銀行のデータサイエンティストでアムステルダム自由大学の博士課程学生であるAlex de Vriesは、最新の技術トレンドであるAI採用に注目しました。彼の最新の評価によると、NVIDIAは2027年までに年間150万台のAIサーバーユニットを出荷する予定です。フル稼働時、これらのサーバーは年間少なくとも85.4テラワット時の電力を消費すると予測されています。
De Vriesは、AIがビットコインのようなプルーフ・オブ・ワーク（PoW）ネットワークよりも悪化する可能性があると推定しています。ただし、これはあくまで推定であり、専門家はこれらの数値は完全ではなく、条件付きであると指摘しています。
昨年12月、AI企業Hugging FaceのSasha Luccioniと同社およびカーネギーメロン大学の同僚は、88種の異なるモデルでテストを実施しました。タスクを1,000回実行し、発見したところ、ほとんどのタスクはテキスト生成に0.047 kWhとごく少量のエネルギーしか使用しませんでした。しかし、画像生成モデルでは、1,000回の推論あたり平均2.907 kWhとはるかに大きいことが分かりました。参考までに、平均的なスマートフォンの充電には0.012 kWhが必要です。
一方、最近の 論文は、大規模言語モデルが約1,300メガワット時の電力を使用すると推定しており、これは米国の130世帯が年間で消費する電力に相当します。
国際エネルギー機関は、今年初めの報告書でAIと暗号通貨の需要が近い将来データセンターの電力使用量を大幅に増加させると指摘した。増加は2022年の460テラワット時から、2026年には620〜1,050テラワット時になると予測されています。
これにより規制当局の関心が高まり、現在AIのコスト上昇について警告しています。マサチューセッツ州上院議員エドワード・マルキー（D）によると：
「次世代のAIツールの開発は、地球の健康を犠牲にしてはならない。」
これは、彼が他の上院議員や下院議員と共に、連邦政府にAIの環境フットプリントを評価し、将来の影響を報告する標準化されたシステムを開発することを求める法案を提出した後のことです。ヨーロッパでは、AI法がすでに可決されており、強力な基礎モデルに対して資源使用量、エネルギー消費、その他の影響を報告することが求められています。
このような状況の中、国際標準化機構（ISO）は今年後半に「持続可能なAI」のための材料使用量、水消費、エネルギー効率を測定する基準を発行する予定です。
AIをより効率的にする
大規模に実用化するためには、AIモデルはエネルギー効率を高め、データセンターよりはるかに少ない電力で動作できるエネルギー制約デバイス上で実行できるようになる必要があります。
これらのデータセンターはコンピュータを稼働させるために大量の電力を必要とし、その大部分は化石燃料から供給されています。これにより大量のCO2e排出が発生します。これに対処するため、研究者や組織はAIの効率化に取り組んできました。
この問題の解決策を見つける上で大きな進展を遂げた著名な企業は、ロンドン拠点のコード最適化専門会社TurinTechです。TurinTechはディープラーニングと進化アルゴリズムの融合により前進しています。このシステムは、ゼロから再生成するのではなく、新しい情報に基づいて既存モデルを継続的に適応させます。
Ernst and Young UKのHarvey Lewisによると、進化的または遺伝的アルゴリズムとベイズ統計手法はディープラーニングをより効率的にし、専門ハードウェアはコストを削減できるとのことです。
別の提案された方法は、データ駆動型AIをアプリケーション領域に関する他の科学的または人的入力と結びつけることです。CITRISの戦略イニシアティブディレクターであるPushkar P. Apte氏とCITRISのディレクターであるCostas J. Spanos氏は、述べましたこの目的を達成する4つの方法について：
- AIと科学的法則を統合する。
- データに専門家の人間的洞察を加える。
- AIが意思決定する方法を説明するデバイスを活用する。
- 他のモデルを使用して行動を予測する。
最近、スタートアップのEnChargeは、AIモデルが予測を行う際のエネルギー消費を劇的に改善できるAIブレークスルーを実現しました。同社はDARPAの資金を活用し、アナログメモリ回路で一部の作業を行うことでメモリ使用量を削減しました。アナログメモリ回路は、従来のトランジスタと比べて低エネルギーで行列乗算累積を並列に実行できます。
「それがデータ移動の問題を解決する方法です。」
– EnCharge AIのCEOでプリンストン大学電気工学部の教授であるNaveen Verma
彼はさらに、個々のビットを通信するのではなく、削減された結果は多数の並列乗算の累積という形で通信されると付け加えました。
EnCharge AIは、1ワットあたり秒間150兆回の演算を処理できるようになりました。しかし、アナログコンピューティングは実現が極めて困難で、過去の試みは実を結んでいません。
一方、研究は、UCPH（コペンハーゲン大学）コンピュータサイエンス学部のテニュアトラック助教Raghavendra Selvanが昨年、機械学習のカーボンフットプリントを削減するさまざまな方法を探求しました。マイクロレベルでは、アルゴリズムを高速かつ効率的にし、リソース使用量を削減できます。彼は、計算に使用されるビット数を減らす方法や冗長計算を削減する方法を検討することで実現できると指摘しました。
彼はさらに、すべての保存データの必要性を評価することを提案しました。したがって、マクロレベルでは、計算が行われる時間と場所（多くは時間に余裕がある）を見極め、ピーク外の時間帯にAIシステムのトレーニングを行うことで、トレーニングコストとカーボンフットプリントを削減できると述べました。
AIを活用してAIを改善する
現在、Selvanは、性能に影響を与えずにはるかに少ないエネルギーで動作するAIモデルを設計するためのベンチマークを作成しました。ただし、これにはエネルギー使用量とカーボンフットプリントを設計・トレーニングの標準として使用する必要があります。
このために、429,000のAIサブタイプモデルが調査されました。これらの畳み込みニューラルネットワークは、言語翻訳、顔認識、物体検出、医療画像解析に使用され、単にトレーニングするだけで263,000 kWhものエネルギーが必要と推定されています。
比較すると、263,000 kWhは平均的なデンマーク人が40年以上にわたって消費するエネルギーに相当します。コンピュータがこのトレーニングを完了するには100年かかります。
この莫大なエネルギー使用は業界に気候に優しい方向への取り組みを促していますが、エネルギー効率の高いAIモデルの開発はまだ実現していません。Selvanによれば、AIのカーボンフットプリント削減の可能性を探っていると：
「今日、開発者は結果の精度という点で効果的なAIモデルの構築に狭く焦点を当てています。」
彼はこの行動を、燃料使用量を考慮せずに目的地に速く到達できるだけで良いとされる自動車に例えました。さらに彼は次のように付け加えました：
「その結果、AIモデルはエネルギー消費の面でしばしば非効率的です。」
彼の新しい 研究は、CS学生のPedram Bakhtiarifardと共に行われ、AIモデルの精度を保ちつつ大量のCO2eを抑制できることを実証することでこの状況を変えることを目的としています。
これを実現するために、UCPHの研究者は最初からエネルギー効率の高いモデルが必要であると指摘しました。これは、設計時およびエネルギー集約的なAIモデルのトレーニングプロセスにおいて気候コストを考慮することを意味します。Selvanは、これによりモデルの「ライフサイクル」の各段階（トレーニングとデプロイの両方）でカーボンフットプリントを削減できると述べました。
そこで、研究者はこれらのAIモデル数十万件のトレーニングに必要なエネルギーを計算しました。興味深いことに、UCPHの研究者は実際にモデルをトレーニングせず、別のAIモデルを用いて推定しました。この方法により、必要だったエネルギーの99％を節約できました。
現在、彼らの計算に基づき、チームは同等の性能を保ちつつタスク完了に必要なエネルギーが少ないAIモデルのベンチマークコレクションを提示しています。
研究によると、モデルを調整したり別種のモデルを使用することで、トレーニングおよび適用段階で最大80％のエネルギーを節約できるとされています。性能に関しては、ほとんどまたは全く妥協がなく（わずか1％以下）。これらの数値は研究者によれば実際には保守的です。
「我々の結果をAI専門家のためのレシピブックと考えてください。レシピは単に異なるアルゴリズムの性能を説明するだけでなく、エネルギー効率も示しています。」
– Bakhtiarifard
彼はさらに、モデル設計の一部要素を別のものに置き換えるだけで「しばしば同じ結果を得られる」ことを述べました。これは、実務者は各モデルを最初にトレーニングする必要はなく、性能とエネルギー消費の両方に基づいて選択できることを意味します。
いくつかのモデルが最適なタスクに適したものを見つけるためにトレーニングされることから、AI開発は「極めてエネルギー集約的」になるとBakhtiarifardは述べました。「最初から正しいモデルを選ぶ方が、トレーニングフェーズで大量の電力を消費しない点で、気候に優しい」と。
自動運転車や医療のようにモデルの精度が安全性に直結する領域では、性能を犠牲にできませんが、研究者はそれが他の分野で高いエネルギー効率を追求することを妨げるべきではないと指摘しました。
彼らによれば、この研究はエネルギー効率をAIモデル開発の標準とすることで、より良いトレードオフが見つかることを示しています。Selvanは次のように述べています：
「AIには驚異的な可能性があります。しかし、持続可能で責任あるAI開発を確保するためには、モデルの性能だけでなく気候への影響も考慮した、より包括的なアプローチが必要です。」
EC-NASというベンチマークはオープンソースで、他の研究者や企業がニューラルアーキテクチャ探索（NAS）の研究を進めるために利用できます。この研究は、マルチオブジェクティブ最適化アルゴリズムを活用することでエネルギー使用と精度のバランスを取ると述べています。「多様な指標を備えたEC-NASは、エネルギー効率が高く環境的に持続可能なモデルの開発に向けたさらなる研究を促す」と同研究は述べています。
AIベースのエネルギーソリューション
ここでは、テクノロジーを活用し、AIベースのエネルギーソリューションを提供するために積極的に取り組んでいる企業を見てみましょう：
#1. GE Renewable Energy
同社は社内で開発したAI/ML技術を活用し、風力タービンの物流プロセスにおけるコストを正確に予測し、効率化しています。今年、GEは製造業者向けに持続可能性を実現しながら収益性を最大化するProficyをリリースし、AI搭載のCERiusを導入して報告精度を向上させました。
今月初め、General Electricは航空、エネルギー、ヘルスケアの3つの独立した会社に分割され、NYSEで個別に取引を開始しました。そのエネルギー部門は現在GE Vernova（GEV）と呼ばれ、時価総額は360億ドルで、株価は131.75ドルです。2023年、同社は米国の風力プロジェクトを支援するための最大規模の受注を確保し、2.4 GWをSunZiaプロジェクトに供給します。Goldman Sachsは2026年までにEBITDAが40億ドルになると予測しています。
#2. Schneider Electric
34.2億ドル規模のフランス拠点企業であるSchneider Electricは、AIを活用して効率と生産性を向上させ、気候変動への課題にも取り組んでいます。Schneider ElectricのAI活用は、データ可視化とエンジニアリング、最適化とシミュレーション、信頼性モデリングに関わっています。
同社は2023会計年度に360億ユーロの収益を記録し、13％増加しました。また、純利益は40億ユーロ、フリーキャッシュフローは46億ユーロでした。
結論
AIはこの10年の技術革命です。AIの統合がコスト削減と収益増加をもたらし、労働者の効率向上にも寄与することが示されているため、単なる流行語以上の存在であることは明らかです。AIシステムは実際にさまざまなタスクで人間を上回っていますが、複雑な認知タスクではまだ人間が優れています。
しかし、プライバシー、アルゴリズムバイアス、そして上で議論したような環境への負の影響というリスクも伴います。AIに対する世界的な意識調査は、人々がこの新技術に不安を抱いている一方で、過半数は今後数年で日常生活が変わると見ています。若い世代はAIに対してより楽観的です。
AIが私たちの生活の大部分を占め続ける中、政府、科学者、企業はそのリスクに対処するために協力しています。規制当局はすでに業界を対象にしており、過去7年間で30か国以上が少なくとも1つのAI関連法を可決しています。技術の進歩が続くにつれて、AIはより効率的になり、世界を変革するでしょう。
