[論文レビュー] Unraveling the Hidden Environmental Impacts of AI Solutions for Environment

Anne‐Laure Ligozat, Julien Lefèvre+2 more|arXiv (Cornell University)|Oct 22, 2021

Energy, Environment, and Transportation Policies参考文献 22被引用数 4

ひとこと要約

本稿は、炭素排出量という狭い指標を越えて、AI for Greenソリューションの環境的影響を包括的に評価するためのライフサイクルアセスメント（LCA）フレームワークを提案する。現在のAI for Green分野の研究は、材料使用や間接的影響を低估しており、LCAが直接的影響と再評価効果（rebound effects）の両方を評価するために不可欠であると主張している。特に大規模な展開を想定する場合には顕著である。

ABSTRACT

In the past ten years, artificial intelligence has encountered such dramatic progress that it is now seen as a tool of choice to solve environmental issues and in the first place greenhouse gas emissions (GHG). At the same time the deep learning community began to realize that training models with more and more parameters requires a lot of energy and as a consequence GHG emissions. To our knowledge, questioning the complete net environmental impacts of AI solutions for the environment (AI for Green), and not only GHG, has never been addressed directly. In this article, we propose to study the possible negative impacts of AI for Green. First, we review the different types of AI impacts, then we present the different methodologies used to assess those impacts, and show how to apply life cycle assessment to AI services. Finally, we discuss how to assess the environmental usefulness of a general AI service, and point out the limitations of existing work in AI for Green.

研究の動機と目的

• 温室効果ガス（GHG）排出量以外の環境的影響を評価する分野におけるギャップを埋めるため。
• 現在のAI影響評価の限界を評価するため。これらはしばしばエネルギー消費量と炭素足跡に限定されている。
• ライフサイクルアセスメント（LCA）をAIサービスに体系的かつ効果的に適用し、すべてのライフサイクル段階における直接的環境影響を捉える方法を示すため。
• 大規模なAI展開が環境的利点をもたらすと想定する場合、再評価効果や第三の社会的影響のリスクを強調するため。
• AI研究にLCAを統合するよう提言するため。これにより、環境的利点が隠れたまたは間接的な環境コストによって相殺されないよう保証する。

提案手法

• AIサービスの完全な環境的インパクトを評価するためのコアメソドロジーとしてライフサイクルアセスメント（LCA）を採用し、材料使用、エネルギー消費、リサイクル段階の影響を含む。
• AIベースのソリューションと非AIの参照ソリューションをLCAで比較し、環境的メリットまたはデメリットを明確にする。
• 付加的（attributional）および結果的（consequential）フレームワークの両方をLCAに適用する。特に、大規模な展開が想定される場合には、システム的変化を反映する結果的アプローチが特に重要となる。
• 温室効果ガス以外の環境影響カテゴリ（例：資源枯渇、富栄養化、毒性）を、確立されたLCA指標を用いて特定・分析する。
• 既存のツールおよびデータベース（例：Ecoinvent）を用いてライフサイクルインvent（LCI）データを定量化するが、特にGPUや特殊AIハードウェアの分野でのデータギャップに言及する。
• AIコミュニティが製造業者と協力し、オープンサイエンスの原則に準じた形でデータの透明性を高めることで、LCAの正確性を向上させるべきだと提言する。

実験結果

リサーチクエスチョン

• RQ1 AI for Greenソリューションの温室効果ガス排出量を超えた、全般的な環境的影響とは何か？
• RQ2 ライフサイクルアセスメント（LCA）をどのように効果的に適用し、AIサービスの環境的インパクトを評価できるか？
• RQ3 なぜ現在のAI for Greenソリューションの評価は、真の環境コストを体系的に低估しているのか？
• RQ4 大規模なAI展開が環境に与える潜在的な再評価効果および第三の影響とは何か？
• RQ5 LCAをどのように調整すれば、現実世界の文脈におけるAI導入のシステム的および間接的環境的結果を反映できるか？

主な発見

• 現在のAI for Green研究は、エネルギー使用とGHG排出量に主に注目し、物質の流れや間接的影響を無視することで、環境的影響を著しく低估している。
• ライフサイクルアセスメント（LCA）は、生産、使用、リユース・リサイクル段階を含む、AIサービスに起因する包括的な環境的影響を捉えるのに有効な手法である。
• LCAでNet環境的メリットが示されたとしても、これは技術的潜在力に過ぎず、現実の行動的・インfra構造的・システム的変化によって実現されない可能性がある。
• AIソリューションの大規模な展開は、リチウムやコバルトなどの希少資源需要の増加、または化石燃料に依存するエネルギー供給への依存といった非線形的環境的影響を引き起こす可能性があり、付加的LCAではこれを捉えきれない。
• 大規模なAIアプリケーションでは、市場およびシステムレベルの変化を反映するため、結果的LCAフレームワークが不可欠である。付加的アプローチに比べて、システム的変化を考慮できる。
• 特にGPUやその他のAIハードウェアの環境的影響に関する顕著なデータギャップが存在し、LCAの正確性を制限している。著者らは、業界の透明性向上を促し、これらのギャップを埋めるよう要請する。