[論文レビュー] Computational Power and the Social Impact of Artificial Intelligence

Tim Hwang|arXiv (Cornell University)|Mar 23, 2018

Ethics and Social Impacts of AI被引用数 32

ひとこと要約

この論文は、チップや半導体などのハードウェアの進歩によって駆動される計算能力が、人工知能（AI）の開発、展開、社会的影響に与える重要な役割を調査している。ハードウェアの制約とイノベーションが、機械学習の手法、モデル設計、実世界の応用に直接影響することを主張し、AI政策や社会的リスク評価にハードウェアの側面をより深く統合するよう提言している。

ABSTRACT

Machine learning is a computational process. To that end, it is inextricably tied to computational power - the tangible material of chips and semiconductors that the algorithms of machine intelligence operate on. Most obviously, computational power and computing architectures shape the speed of training and inference in machine learning, and therefore influence the rate of progress in the technology. But, these relationships are more nuanced than that: hardware shapes the methods used by researchers and engineers in the design and development of machine learning models. Characteristics such as the power consumption of chips also define where and how machine learning can be used in the real world. Despite this, many analyses of the social impact of the current wave of progress in AI have not substantively brought the dimension of hardware into their accounts. While a common trope in both the popular press and scholarly literature is to highlight the massive increase in computational power that has enabled the recent breakthroughs in machine learning, the analysis frequently goes no further than this observation around magnitude. This paper aims to dig more deeply into the relationship between computational power and the development of machine learning. Specifically, it examines how changes in computing architectures, machine learning methodologies, and supply chains might influence the future of AI. In doing so, it seeks to trace a set of specific relationships between this underlying hardware layer and the broader social impacts and risks around AI.

研究の動機と目的

• 計算インfraストラクチャ、特に計算能力が、機械学習およびAI開発の進展にどのように影響を与えるかを分析すること。
• 既存のAI影響分析が、基盤となるコンピューティングアーキテクチャやサプライチェーンの役割を無視しているというギャップを扱うこと。
• 計算ハードウェアの変化が、機械学習の手法や実世界での展開制約にどのように影響を与えるかを調査すること。
• ハードウェア駆動型AI進歩の社会的・倫理的影響、特にアクセス可能性と公平性に関するものを探ること。
• ハードウェアをAIの社会的影響における基盤的要因として、より統合的な理解を促進すること。

提案手法

• 計算能力と機械学習のパフォーマンスの関係を分析し、特に学習および推論の速度に焦点を当てる。
• 消費電力やチップの効率性といったハードウェアの特性が、特定のAIアプリケーションを制約または可能にする方法を検討する。
• コンピューティングアーキテクチャの変化や利用可能なハードウェアに応じて、機械学習モデルの進化をたどる。
• AIシステムの開発・展開に影響を与える、サプライチェーンのダイナミクスとハードウェアへのアクセス格差を調査する。
• AI進歩の事例研究およびトレンドを用いて、ハードウェアの制限が研究の優先順位やモデル設計選択にどのように影響を与えるかを説明する。
• ハードウェアの能力とAIにおける包括的かつ持続可能な社会的成果の間の枠組みを提言する。

実験結果

リサーチクエスチョン

• RQ1 計算能力は、機械学習における進歩の速度と方向性にどのように影響を与えるか？
• RQ2 ハードウェアの制約は、機械学習モデルの設計および展開にどのような形で影響を与えるか？
• RQ3 なぜ現在のAIの社会的影響分析において、ハードウェアの側面が無視されがちなのか？
• RQ4 計算リソースへのサプライチェーンおよびアクセス格差は、AI開発におけるグローバルな公平性にどのように影響を与えるか？
• RQ5 ハードウェア駆動型AI進歩の長期的かつ社会的・倫理的影響は何か？

主な発見

• 計算能力は、AI進歩の支援要因にとどまらず、どの機械学習手法が実現可能でスケーラブルであるかを決定づける重要な要因である。
• 消費電力などのハードウェア特性が、AIモデルが実世界でどこに、どのように展開できるかに直接影響を与える。
• AIの手法の進化は、コンピューティングアーキテクチャの進歩と密接に結びついており、新しいチップ設計が新しいモデルアーキテクチャの実現を可能にしている。
• 現在のAI影響評価では、ハードウェアが無視されがちであり、エネルギー使用、環境影響、アクセス格差に関するリスクの理解が不完全である。
• 高性能計算リソースへのアクセス格差は、AI開発への参入障壁を生み出し、既存の力の不均衡を強化している。
• 将来のAI政策およびリスク評価は、公平で持続可能な技術発展を確保するために、ハードウェアの側面を統合しなければならない。