![データサーバーセンター](https://www.microsoft.com/ja-jp/industry/blog/wp-content/uploads/sites/12/2021/09/Picture3-1024x683.webp)
その AI はグリーンか? AI にもサステナビリティが求められる時代へ
2021 年 8 月 21 日、「標高 3,000m 超のグリーンランド山頂で史上初の降雨を観測」というショッキングなニュースが世界を駆け巡りました。通常は気温 0 度を下回ることがない場所において、実に 9 時間にわたって 0 度を上回ったのです。
このように、CO2 などの温室効果ガスの急増による地球温暖化の脅威はすでに現実のものとなっており、すべての企業はその活動において可能な限りのあらゆる対応を求められる時代になりました。消費者、規制当局、投資家は、あらゆる業界の企業の気候変動への影響をますます厳しくチェックするようになっています。
この状況を改善するためには、やはりテクノロジーの活用が欠かせないでしょう。1 つは、AI の活用です。AI は、企業の CO2 排出量削減やコスト削減に貢献するという点で、すでにその価値が認められ、積極的に活用され始めています。
では、AI はどのように企業のサステナビリティ向上に活用されているのでしょうか。企業活動において多量の CO2 が排出される生産活動、例えば製造業において、工場の生産過程における工程数の低減や工程毎の時間短縮に AI が活用されています。
生産した製品を輸送・配送する過程においても、最もエネルギー効率が高い経路の算出や、在庫を配置する拠点の算出などにも AI が多用されています。さらに、デジタルツインと呼ばれる、IoT や AI、AR/MR などの技術を用いて仮想的に物理環境を構築し、シミュレーションを行う手法も採用が広がっています。
さらに、自社のサプライチェーンにおける CO2 排出量のモニタリングにも AI は欠かせません。材料や部品のサプライヤー、輸送業者、さらには自社製品の川下ユーザーなど、バリューチェーンのあらゆる部分からデータを収集し、不足するデータを AI による推論で補いながら排出量の近似値を推定します。
このように、ここ数年で AI は、これまでの効率化によるコスト削減という観点よりも、いかに CO2 排出量を把握し減らすかという用途でも AI が用いられるように変化してきました。
前述のように、CO2 排出量の低減、把握を含む企業活動のあらゆる部分において AI の活用がなされる一方で、「AI を動かす事」自体の必要エネルギー増大もまた、課題となってきています。
AI をベースとするシステムは、大量のデータを処理しなければならないため、多量のプロセッサーを稼働する電力とデータセンターを冷却するための電力に対する依存度が高まります。したがって、企業内で AI を導入すると、企業のエネルギー使用量が増加し、結果的に CO2 排出量が増大することになります。
2019 年にマサチューセッツ大学の研究者は、最先端の自然言語処理アルゴリズムを学習させて人間のようなテキストを作成するのに必要なエネルギーが、アメリカの自動車の生涯排出量の 5 倍に相当する二酸化炭素や、サンフランシスコ・ニューヨーク間の往復航空券 300 回分に相当する二酸化炭素が発生するという成果を発表しました。
出典: CO2 emission benchmarks – UNIVERSITY OF MASSACHUSETTS
実際、極めて優秀な自然言語テキスト生成モデルである「GPT-3」のトレーニング処理において必要とされるコンピューティングリソースの規模はかなり大きくなっています。GPT-3 の研究で用いられたパラメータ数は 1,750 億個となり、これは前身の GPT-2 の 100 倍の規模となっています。
出典: GPT-3: The New Mighty Language Model from OpenAI
GPT-3 の次のバージョンである GPT-4 では、さらに 100 倍以上ものパラメータ数が用いられることになるとも言われています。
AI、特に機械学習とディープラーニングのエネルギー消費の上昇 (とそれに伴う CO2 排出量の上昇) は、環境負荷低減の観点から無視できなくなってきています。ディープラーニングの研究に必要とされる計算量は、数カ月ごとに倍増しているとも言われます。これは、モデルの学習に使用するデータセットのサイズが増大し続けていることに起因しています。
ある限りの膨大な計算能力を用いて精度を向上させようとする AI は、”レッド AI” と呼ばれます。精度向上によって AI 性能の限界が押し上げられることによって、より社会に役立つ製品やサービスが生み出されることは歓迎されるべきことです。しかし一方で、コスト増大によって、特に資金力のある企業や大学の研究機関のみが先端的な研究に着手できるということや、またエネルギー消費の上昇により環境負荷が増大する点は大きな課題です。
ディープラーニングが、エネルギー効率が極めて高い人間の脳の動きに着想を得たことを考えると、これは大変皮肉なことです。AI は社会に欠かせないものであると同時に、AI の発展は地球環境に大きな負荷を与えることにもなるわけですが、この相反する事象をどうにかして解消していかなければなりません。
レッド AI に対して、エネルギー消費量を考慮しながら AI を可能な限り省エネルギーで使うための研究あるいは手法は “グリーン AI” と呼ばれ、さまざまな取組みが行われています。
効率的なアルゴリズムの追求
AI アルゴリズムを改良することにより効率性を高め、処理に必要なリソースを削減しエネルギー消費を改善することができます。より少ない学習量や少ない勾配ステップで、同等かつ必要十分な性能を実現することを目的として改良を行うのです。
さらには、ニューラル・アーキテクチャ・サーチ (NAS) を用いると、人間の手による検索やチューニングでは見つけられない、より効率的なアルゴリズムを見つけることができます。
NAS は計算コストがかかりますが、計算効率や CO2 排出抑制度の高いソリューションが得られ、それが何度も実行されるシステムであれば、長期的な節約効果が短期的なコストを上回る可能性があります。
AI チップによる処理実行
ディープラーニングの人工ニューラルネットワーク (ANN) ベースのアプリケーション用に特別に設計された半導体 (AI チップと呼ばれる) を用いることで、汎用品である CPU を用いるよりも遥かに優れたエネルギー効率を実現します。AI チップは、汎用 CPU が苦手とする多数の単純かつ並列な演算処理を非常に高速に実行できます。
こうした専用の半導体はアクセラレータチップとも呼ばれ、現在は「AI チップのカンブリア紀爆発」とも呼ばれるほど、実に多種多様な製品がリリースされています。
再生可能エネルギーによる AI 処理の実行
環境に優しい AI にするという点では、再生可能エネルギーの活用も有効な手段の 1 つです。企業がデータセンターを構築する際、できるだけ再生可能エネルギーの供給を受けやすい地域に設置することを検討すべきでしょう。
もっとも、最近ではディープラーニングなど多量の計算資源を使う処理は、パブリック クラウドで実行することが増えています。パブリック クラウドを提供するベンダーは、専用のハードウェアアクセラレータ (GPU) と高速・大容量のストレージをオンデマンドで利用な可能な環境を提供しており、ユーザーは最小限の投資で機械学習・ディープラーニングを開始することが可能です。
パブリック クラウドのデータセンターは、可能な限り再生可能エネルギーで電力を賄うように改善がなされています。例えば、Azure は 2012 年の時点ですでに 100% カーボンニュートラルを達成していますが、2025 年までには 100% 再生可能エネルギーで稼働する予定です。したがって、AI 処理にパブリッククラウドを活用することは、そのまま CO2 排出量を削減することに繋がります。
そしてまた、パブリック クラウドのデータセンターは世界的に地理的に分散しているため、データセンターの拠点ごとに CO2 排出量が異なります。理論的には、「最も CO2 排出量が少ない地域のデータセンターにて、CO2 排出量が少ない時間帯を選んで処理を実行する」ことが可能です。
マイクロソフトは、Azure GreenAI Carbon-Intensity API という名称で、最も環境に優しいデータセンターを提案する以下の機能を提供しています。
- デマンドシフティング
検索で許可されたすべてのデータセンターの中から最も環境に優しい処理の開始時間を提案します。これは、3 つのシフティングタイプの中で最も CO2 削減効果が高い結果を得られます。
- ジオグラフィック・シフティング
CO2 削減が可能な他地域のコンピュートインスタンス用のデータセンターを検索します。
- タイムシフティング
指定されたデータセンターで最も環境に優しい処理の開始時間を提案します。
Azure GreenAI Carbon-Intensity API タイムシフティングの予測結果例
より正確なコスト予測
実行する AI のグリーン度を評価するためには、より正確なコスト予測が必要となります。金額的な面で予測することに加えて、CO2 排出の面でより正確に把握することで「AI の性能と効率性のトレードオフ」をより明確に分析することができます。
Machine Learning CO2 Impact Calculator のようなウェブベースのツールや CodeCarbon のようなコードベースのツールを使うことで、クラウドで実行する処理の CO2 排出量を把握することが可能です。CodeCarbon のような SDK 埋込み型のコードベースのツールは、コード実行と CO2 排出量計測をシームレスに行えるため、開発者やシステム管理者にとってはより使いやすいツールかもしれません。
また、クラウド利用による CO2 排出量をより正しく把握するには、スコープ 1・2 だけでなくスコープ 3 の排出量を把握しなければなりません。パブリック クラウド ベンダーもこの問題意識に対応し始めており、Azure に対応する Microsoft Sustainability Calculator を用いることで、それが可能となります。
Microsoft Sustainability Calculator
これらのツールは CO2 排出量を算出してくれますが、現時点では、何かしら排出量の削減につなげるインサイトを提供するまでは至っていません。開発者やシステム管理者がよりこれらのツールを積極的に使うようにするために、よりプロアクティブに働きかけるスマートなツールへ進化する必要があると思われます。
AI に対する社会的な需要は今後も高まり続けることが予想されます。しかし、AI 自身のサステナビリティのためには、AI の成果とエネルギー効率のバランスを取っていくことが重要になってくるでしょう。
そしてまた、AI を活用するあらゆるサービスにおいて「それはグリーンな AI 環境で稼働しているか?」という点をアピールする時代がやってくるかもしれません。