Can we AI our way to a more sustainable world?｜「AIを活用してより持続可能な世界を実現できるか？」 | AIニュース最前線

技術革新の進歩は極めて速いペースで進んでおり、私たちが目指す明日を定義することは難しい場合すらあります。『The Shape of Things to Come』において、Microsoft ResearchのリーダーであるDoug Burgerと各分野の専門家たちは、今日の技術者、政策立案者、ビジネス意思決定者、その他のステークホルダーが直面する最も複雑なAIの課題を解き明かしています。その目的は、AI移行が正味のプラスとなる未来を構築するために必要な共通理解を強化することです。 このエピソードでは、BurgerはMicrosoftのサステナビリティ科学（sustainability science）およびイノベーション担当責任者であるAmy Luersと、Microsoft Researchの最適化（optimization）研究者であるIshai Menacheを迎え、AIが気候変動にどのように寄与し、また解決を助けることができるかを探ります。ここでは、過大評価（hype）とデータ（data）を区別し、その実際の影響を理解する必要性が強調されています。データセンター（datacenters）は世界の排出量の小さな割合を占めていますが、その急速な成長は地域インフラへの懸念を引き起こしています。一方でAIは複雑なシステムの最適化や気候変動対策の加速に強力なツールを提供します。この議論は、持続可能な未来を支えるために慎重に舵取りしなければならない、重要だが両刃の剣となる技術としてのAIを位置づけています。 『The Shape of Things to Come』ポッドキャストシリーズ Microsoft Researchポッドキャストを購読する：Apple Podcasts Email Android Spotify RSS Feed 文字起こし（Transcript） [音楽] DOUG BURGER：これはMicrosoft Researchポッドキャスト『The Shape of Things to Come』です。ホストのDoug Burgerです。このシリーズでは、AIの最先端技術（bleeding edge）に踏み込み、その基礎を掘り下げ、本当に理解しようとし、これらの能力が世界をどのように変えるのか——良い面でも悪い面でも——を考えていきます。 今日のポッドキャストでは、AIとサステナビリティの未来について対話する二人の専門家をお招きします。一人はAmy Luersで、サステナビリティおよびその技術・科学との交差点に関する専門家です。もう一人はIshai Menacheで、最適化（optimization）の世界的権威です。 したがって、技術がシステムをどのように最適化できるかを考えながら、AIに気候変動とサステナビリティの支援ポテンシャルがあるかどうか、そしてAIに関連する課題がどの程度あるかについて話していきます。また、今後の展開（shape of things to come）を決定づけるものとなるため、問題の根本に迫ろうと試みます。 [音楽フェードアウト] 今日の二人の著名なゲストをお招きできることを大変楽しみにしています。Microsoftのサステナビリティ科学（sustainability science）およびイノベーション担当シニアグローバルディレクターであるAmy Luersと、Microsoft ResearchのパートナーリサーチマネージャーであるIshai Menacheです。 続いて話題は、もちろんAIと気候変動、そしてサステナビリティ（sustainability）です。多くの人が関心を寄せている話題だと考えています。ご存知の通り、私たちは現在気候危機（climate crisis）に直面しています。私は1990年代から気候問題の専門家（climate hawk）として活動しており、これは私が非常に懸念し、深く関心を持っている問題です。もちろん、Amyはこれにキャリアを捧げていますので、私が語る立場ではありませんが、これは極めて重要な課題です。 さて現在、私たちはこのAIトランジション（AI transition）の真っ只中にあります。テック業界全体で、大規模なコンピューティングシステムやメガデータセンター（mega datacenters）の大幅な構築が進められています。世界中で、これが気候にどのような影響を及ぼすのか、つまりこの状況が何を意味するのかについて、多くの懸念が寄せられています。 Amy、私たちは地域コミュニティ（local communities）についても話すことになると思います。そこで、私はまず事実を深く掘り下げたいと考えています。これが本当に何を意味するのか？実際の影響はどの程度になるのか？まずはデータと過大評価（hype）を明確に区別し、その上で今後の機会についても語りましょう。実際に私たちにできることがあると信じているからです。それがIshaiをここにお招きした理由です。 では、まずAmyに話を譲りましょう。Microsoftでのあなたの役割について、そしてこの分野に関わるようになったきっかけや、少しだけご自身の経歴をお聞かせいただけますか？ AMY LUERS: 先ほどおっしゃった通り、私はMicrosoft Corpのサステナビリティチームにおいて、サステナビリティ科学とイノベーションをリードしています。これはつまり、社内全域、世界中、そしてMSR [Microsoft Research]の非常に優秀な人材と連携し、Microsoftだけでなく世界全体のサステナビリティソリューションを構築・提供することを意味しています。 その一環として、AIとサステナビリティに関する戦略をリードしています。私がこの分野に関わるようになった経緯ですが、私は生涯を通じてサステナビリティと気候問題に取り組んできました。テックセクターでは、以前はGoogleに在籍していました。またホワイトハウスでは、CTO’s officeと環境・資源・エネルギー担当の交差点となる部署で活動していました。 また、サステナビリティに焦点を当てた国際研究機関、正確には国連ベースのネットワークも率いました。そしてその経験を経てGoogleを離れた後、変革におけるコンピューティング能力（compute）とデジタルツールのパワーについて本格的に考えるようになりました。—それが私がホワイトハウスに招かれ、その交差点で活動する理由でもありました—サステナビリティネットワーク、すなわちグローバルな研究ネットワークであるFuture Earthを率い始めた際、私はこの分野においてイノベーションとデジタルテクノロジーについて考察する必要性を強く持ちました。 そして当時、10年前、おそらく8年前のことですが、サステナビリティ科学ネットワークは、この分野でAIやテクノロジーについて考察することにやや抵抗を示していました。 私は「デジタル時代の持続可能性（Sustainability in the Digital Age）」というグローバルイニシアチブを立ち上げ、デジタル技術とAIのコミュニティを本当に結びつけました。モントリオールで開催され、そこには大規模なAIコミュニティがあり、世界中の持続可能性に関する科学者たちも集まりました。そして、この分野におけるポテンシャルとリスクについて本格的に考え始め、国際的な大規模調査を主導して、この分野の研究・イノベーションのロードマップを策定しました。 その経験により、Googleで主に注力していた「大規模な計算資源（big compute）が何かを助けてくれる」という考えから、この分野におけるAIと機械学習（machine learning）の役割を重視するアプローチへと大きく転換しました。 BURGER：そしてイシャイ、あなたは現在、MLと最適化の世界的な権威ですね。ご存知のとおり、多くの論文を発表されています。研究コミュニティではおそらく有名だと思います。より広範な——Microsoft’s businessに大きな影響を与えてこられましたね。Harvard Business Reviewにも寄稿されています。 つまり、あなたは多才な方であり、時には私にとって少し畏怖の念を抱かせる存在でもあります。 ISHAI MENACHE：はい。（笑） BURGER：でも、あなたのバックグラウンドについて少しお聞きしたいですね。リスナー向けに、あなたの経歴の短いバージョンを教えてください。 MENACHE：はい。私の専門は実際には工学です。ただし、大学院での研究はご指摘の通り、MLや強化学習（reinforcement learning）を学び、その後で分散最適化（distributed optimization）やゲーム理論（game theory）といった、やや理論寄りの分野に進みました。 私の経緯を言うと、MIT [Massachusetts Institute of Technology]でポスドクをしていた頃、2009年ごろのことですが、クラウドが台頭し始めていました。私はすぐにクラウドに魅了されました。当初の関心は、実際にはクラウドの経済学や、つまりクラウドの価格設定（pricing）にありました。そしてMSRのことを知ることになったのですが、ちょうどその頃、MITの近くに「MSR New England」という新しいラボが開設されたのです。私はクラウドに魅了され、その経済的な側面だけでなく、より根本的に「いかにしてリソースを効率的に活用するか」という点にも興味を持ちました。 それがきっかけで、2011年にMicrosoft Researchに入ることになりました。最初はMSR New Englandでコンサルティング業務に従事していましたが、2011年にRedmondに移り、「Extreme Computing group」というラボに参加しました。このラボはクラウドの未来について実際に扱っていました。 補足ですが、Doug、あなたもその一部でしたので…… BURGER：その通りです。 MENACHE：あなたとはずいぶん長いお付き合いになりますね。 BURGER：ええ。 MENACHE：そして、私のその分野へのアプローチというか、角度を言えば、クラウドのインフラストラクチャについて考えていたシステムエンジニアが非常に多かった一方、もう一つの極端な立場には理論家たちがいました。彼らは次の波、つまりアルゴリズム（algorithms）の分野での革新について考えていたのです。 しかし、私たちが少し欠けていたと思うのは、アルゴリズムとクラウドインフラストラクチャ（cloud infrastructure）の間の橋渡しのような部分です。そして、そこで私は自分自身のために、後に2019年に設立したグループのためにも、非常に興味深いニッチ（niche）を見つけたのです。 BURGER: ですから、あなたは最近OptiMindというシステムを発表しましたね。そして私、知っての通り、それについてLinkedInに投稿しました。本当に興奮していたからです。 そして、このシステムが何をするのか、なぜ……多くの注目を集めたのかを教えてください。つまり、このシステムは何を行うのでしょうか？そして、その後に聴衆向けに最適化について少し掘り下げてみましょう。その後、またAIの話に戻らなければなりません。 MENACHE: もちろんです。では、少し立ち返って考えてみましょう。実際、最適化、あるいは数学的最適化（mathematical optimization）とは何でしょうか？つまり、最適化や数学的最適化は、多くの選択肢といくつかの制約がある状況で、最善の意思決定を行うために数学を用いる方法です。OKですね。 そして、もう少し具体的に言うと、あなたが抱えるすべての最適化問題には、まず解決すべき問題の説明があります。次に、一連の意思決定があり、これらは数学的には変数（variables）と呼ばれます。さらに目的関数（objective）があります。あなたの目標は何ですか？何を最適化しようとしていますか？ 最大化したいものが収益である場合もあれば、コストを最小化する場合もあり、つまり目標や目的には異なる種類やバージョンがあります。そして次に制約条件（constraints）があります。これは、やりたい放題ができないことを意味します。クラウド環境における容量制約（capacity constraints）のような制限や、最善の意思決定を下すために考慮しなければならない他の要因が存在します。 BURGER: ですから、例えば……単純な例を……ちょっと馬鹿げた話ですが、通勤ルートが複雑で、ある日いつもの道が通行止めになり、ブレーキもかなり磨耗していて停止できる回数が2回しかないとします。あなたのフレームワーク（framework）は、ガソリンを最も節約してそこにたどり着ける経路を見つけられるかもしれませんね。 MENACHE: その通りです。それが一つの例ですね。そして、何らかの理由で有料道路の利用料を支払いたくない場合、それは通行可能な道路を制限することになります。速度制限などの要素もありますね。これらはすべて考慮しなければならない制約条件です。 BURGER: 速度違反取り締まり（speed traps）があるかもしれませんが、ルートが大幅に短ければ、それを通っても構いません。 MENACHE: たぶんそうですね。 BURGER: そういうことです。つまり、かなり複雑になるわけですね。 メナチェ：その通りです。かなり複雑になります。特に、単一のドライバーの場合を考えればわかりますが、最適化（optimization）の文脈では、Dynamics 365で実際に取り組んだ問題の一部も、フィールドサービス（field service）という文脈に含まれていました。これは大規模な技術者の管理に関するものです。つまり、あなた個人だけでなく、特定の作業指示（ワークオーダー）(work orders)を処理したり対応したりしなければならない数千人の技術者を想像してみてください。そうすると、作業指示は数千件から数万件にのぼります。 そして、これらの技術者を作業指示に割り当てる必要があります。そこには多くの制約条件（constraints）があります。すべての技術者がすべての作業をこなせるわけではありません。技術者の移動時間を考慮に入れなければなりませんね。つまり、スポケーンにいる技術者をシアトルでの作業に派遣することはしません。移動だけで一日が棒に振れてしまうからです。 バージャー：それでは持続可能ではありません。 メナチェ：持続可能ではありません。[LAUGHTER] それに、もちろんガソリンの消費も問題になります。こうしたすべての考慮事項を、形式的に数学的最適化（mathematical optimization）にマッピングできます。そして、この問題を最適解（optimality）まで求解する手法が存在します。 つまり、本質的には、これらの問題を取り込んでアルゴリズム（algorithms）を考案できる専門的な仕組みや専門家が存在しますが、誰もがそれを行えるわけではありません。そのため、何らかの専門知識が必要です。実際、オペレーションズ・リサーチ（operation research）やアルゴリズム、コンピュータサイエンス系のアルゴリズムに関する大学院レベルの専門知識が求められます。そして、ジェネラティブAI（gen AI）が登場した際、私たちは以下のような意味で、非専門家の人間でも自分がやりたいことを定義できるようにする「最適化の民主化」の機会を見出しました。 通勤の例を挙げましたが、それは例えば、パッキング（packing）のような単純な例にも当てはまります。20ポンドという重さの制限があるスーツケースがあります。そして、持ち込みたいものがいくつかあります。それぞれに重要度があり、ノートパソコンのような重要なものは優先されますが、重い本もありますし、読書も楽しみたいとします。 バージャー：あるいは、航空会社を運営していて、フライトのスケジュールを組み、燃料消費を最小限に抑えたい場合です。 メナチェ：そうですね、それも該当します。本質的には、解決すべき内容を平易な英語で記述し、問題を特定し、決定事項を明文化し、私が述べたように目標は何かを示し、さらに考慮すべき制約条件は何かを指定できることを望んでいるのです。 そして、これらの考慮事項をすべて取り込み、アルゴリズムそのものを本質的に構築してくれるAIを使用したいと。つまり、最適解を生成するレシピ、数学的なレシピを記述するのです。 バージャー：なるほど。 メナチェ：それがOptiMindの本質です。[It]は、自然言語を取り込んで最適化アルゴリズム（optimization algorithm）にマッピングするという特定のシナリオのために特別に訓練された、小さな言語モデル（small language model）です。 BURGER：これは本当に素晴らしいですね。また後でこの話題に戻りたいと思います。今度はアミーに話を戻させてください。人工知能（AI）と業界が構築しているこれらのデータセンター（datacenters）について考えるとき、彼らは水を使い、電力を使っています。また、一部のコミュニティではそれらの設置を巡って論争があります。私としては、データに基づいて、非常に事実に即した形で話したいと思っています。 全体像を捉えたとき、この移行が気候や持続可能性に与える実際の影響はどれほどなのか。そしてそれは複雑ですよね。排出源が多数あるためです。電力発電はその一つですが、再生可能エネルギーもあります。ただ、これらを構築するには材料が必要です。そこで、理解を助けるための枠組みや見解をいただけないでしょうか？ LUERS：はい。まず第一に、人工知能（AI）と気候について考える際、多くの人がインフラ（インフラストラクチャ）の側面だけを想像していると思います。しかし、この問題を全体的に捉えることが本当に重要だと考えています。個人的には、人工知能（AI）が気候の未来を決定する最も影響力のある要因の一つになると信じています。良い方向にも悪い方向にも。同時に、気候危機を解決するには実際に人工知能（AI）が必要だと考えています。その文脈を踏まえて、インフラについて話しましょう。ただし、完全な文脈を考慮する必要があることを忘れないでください。この問題を位置づけて説明します。 気候の観点から言えば、重要なのは世界への排出量、つまり温室効果ガス（greenhouse gases）や熱を閉じ込めるガスの排出です…… BURGER：その通りです。 LUERS：……気候への影響です。特定のエネルギーそのものではなく、なぜならエネルギーには様々な形態があるからです。 BURGER：その通りです。大気中に何を送り込んでいるか、ということですね。 LUERS：大気中に何を送り込んでいるか、ということです。 BURGER：その通りです。 LUERS：つまり、地球規模の視点で考えれば、世界のエネルギー使用量は……大気中に放出されるすべての排出量の約75％を占めています（新しいタブで開く）。 BURGER：それは非常に多い量ですね。 LUERS：確かに多いですね。しかし、多くの人がそれがすべてだと考えています。つまり、エネルギー以外の要因もあります。（笑） BURGER：わかりました。4分の3、つまり4分の3…… LUERS：しかし、文脈の中で……つまり気候の観点からすれば、2024年時点でのデータセンター（datacenters）はすべての排出量の約0.5％、0.5％未満を占めています（新しいタブで開く）。 BURGER：わかりました。しかし、それは増加傾向にあるのでしょうか？ LUERS：はい、増加しています。そして、増加を前提に考えると……多くの予測があります。ご存知の通り、需要や効率性、使用技術などが急速に変化しているため、本当に数年先までの予測は困難です。私たちは小型言語モデル（small language models）を使用するようになるのでしょうか？未来がどうなるかは誰にもわかりません。 IEA [International Energy Agency]は、2035年までに電力使用量が倍増すると予測しています（新しいタブで開く）。実際、データセンター（datacenters）は世界の電力使用量の約1.5％を占めています（新しいタブで開く）…… BURGER：はい。 LUERS：…そして、それが倍になる可能性もあり、3倍から4倍、あるいはそれ以上になるかもしれません。 しかし、彼らの予測によれば、それでも世界の排出量の1％未満にとどまります。たとえその範囲で倍になったとしてもです。つまり、気候が関心を寄せる世界の排出量の観点から見れば、… BURGER：その通りです。 LUERS：…それはごく小さな割合です。 BURGER：少し戻って、それを分解して確認させてもらえますか？ LUERS：はい。 BURGER：つまり、エネルギー部門は3分の4を…排出量の3分の4を生み出しています。ただし、これには燃料の燃焼が含まれていて、… LUERS：はい。 BURGER：…運輸部門です。そして、その3分の4のうち、あるいは総排出量のうち、電力が占める割合をどのくらいと見なしていますか？ LUERS：つまり、電力は… BURGER：発電は… LUERS：…約20％です…いや、違います。電力について言うと、生産されたエネルギーの消費のうち、約20％が電気として消費されます。 BURGER：わかりました。 LUERS：さて、排出量の観点から見ると、エネルギー由来の排出量の約35％が電力に起因しています。その違いの一部は、電力が…その理由については… BURGER：石炭火力発電所がありますね。 LUERS：石炭火力発電所がありますね。石炭を使う場合、効率がそれほど高くありません。太陽光から直接…エネルギー変換の観点では、熱力発電所（thermoelectric plants）で多くの熱が失われるため、実際にはより高い効率を得られるのです。つまり、そこに効率の差があるわけです。しかし、エネルギー由来排出量の約35％が電力に起因しており、電力生産こそが真の重要課題です。今日の主要な課題は、電力とデータセンター（datacenters）の問題ですね。十分な電力をどう確保するか？さらに、十分なクリーンエネルギー由来の電力をどう確保するか？ そして、それは実際にはエネルギー問題というよりも、多くの場合、インフラストラクチャー（infrastructure）の問題であることが多いのです。両方とも正しいと言えばその通りですが、重要なのは、適切な場所に適切なタイミングで電力を供給することです。そして、それはある意味で大きな… BURGER：非常に複雑で厄介な問題です。 LUERS：私たちはこの複雑で厄介な問題を少し解きほぐすことができます。というのも、AIには確かに役割があると考えているからです。むしろ、非常に大きな役割です。 BURGER：もしかすると、最適化問題（optimization problem）そのものかもしれませんね。 LUERS：最適化問題かもしれませんね。その通りです。 MENACHE：可能性はありますね。 BURGER：この場にいる彼（AI）こそが、まさにそれです。これはワクワクしますね。 LUERS：だから、それを解きほぐすべきです。ただし、そこから話が逸れる前に、関連する2つのポイントだけお伝えします。1つ目は、気候問題に生涯を捧げていない人々には必ずしも認識されていないかもしれませんが、気候変動の問題に対処するためには、はるかに大量の電力が必要になるということです。つまり、それは一部に過ぎません…私は17万テラワット（terawatts）のエネルギーがあると述べました。この問題を解決するためには、その大部分が電力という形態で供給されなければなりません。なぜなら、それが最も脱炭素化（decarbonize）しやすい形だからです。したがって、これらの課題の1つは、実際には電力量の増大なのです。 BURGER：わかりました。では、これをシンプルな結論にまとめてみましょう。ご存知の通り、排出量の約35％は電力使用によるものです…… LUERS：エネルギー排出量の35％です。 BURGER：エネルギー排出量の35％、つまり全体の4分の3です。計算すればわかりますね。もちろんご存知の通り、電力の脱炭素化（decarbonize）が進むにつれて、おそらくやや遅いものの継続的な変転（トランジション）

「AIを活用してより持続可能な世界を実現できるか？」

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト