生成AIの時代における経済研究のカーボンフットプリントについて

Abstract

生成型人工知能（AI）は、研究コードの作成やリファクタリングにますます利用され、計算ワークフローを拡張している。一方で、グリーンAI研究は、GenAIがツールとして用いられる下流のワークフローという観点よりも、モデルのフットプリントを測定することが主であった。我々は分析の単位をモデルからワークフローへと移し、プロンプトを、研究者とシステムの間で裁量（discretion）を配分する意思決定ポリシーとして扱う。これにより、何が実行されるか、また反復（iteration）がいつ停止するかが規定される。我々は二つの方法で貢献する。第一に、近年のグリーンAI文献を7つのテーマに整理する。最大のクラスターは学習フットプリントであり、推論効率とシステムレベルの最適化は急速に成長している。加えて、測定プロトコル、グリーンアルゴリズム、ガバナンス、そしてセキュリティと効率のトレードオフが挙げられる。第二に、現代の経済調査ワークフローをベンチマークする。具体的には、GenAI支援によるコーディングで実装されたLDAベースの文献マッピングを、固定されたクラウドノートブック上で実行し、CodeCarbonにより実行時間と推定CO2eを測定する。プロンプトに一般的なグリーン言語を注入しても、信頼できる効果はない。一方で、運用上の制約や意思決定ルールに関するプロンプトは、大きく安定したフットプリント削減をもたらしつつ、意思決定に同等なトピック出力を維持する。これらの結果は、人間をループに含めたガバナンスが、GenAIの生産性を環境効率と整合させるための実用的なレバーであることを示している。