AI検出器で、Chain of Thoughtを使ってChatGPT4oに書かせてみた原稿のAI度を測定したら28％だった。偽造日記2024/12/29 あるいはChatGPTとClaudeとGeminiを飼い慣らす438
昨日、ChatGPT4oに以下の文章を生成してもらった。
それがAI生成の文章かどうかを検証してみた。
（文末にあります）
SmodinというAI検出器を使って。
Smodinの初期画面。ここに該当テキストをコピーする
検出器に作成したテキストをコピーしてみたところ、AI生成の比率は28％だった。フルでAI生成の文書だったんだが。
100％AI生成の文章だったが、こんな感じの検出結果になった。
ChatGPT4oがこなれているのか、検出器の精度が低いのか？
ちなみにマジで自分で書いた原稿を入れてみたらAI率が０％であった。
テストしたのは以下の文章である。
プロンプトの修正は行ったが
人間の手は入ってない。
論題: AIの進展と電力需要の逼迫
Chain of Thought: 問題を分析し、ステップごとに論拠を提示する
ステップ1: 現状のAI進展と電力需要
現状分析:
AIの進展により、データセンターの運用が急増し、電力需要が拡大。特に生成AI（大規模言語モデル）は、高密度な計算を要し、冷却設備の負荷が高い。
AIの電力消費は現在、世界全体の約2～3％だが、年間20％以上の成長が見込まれる。
論拠:
大規模AIモデルのトレーニングと推論プロセスは、単一のプロジェクトで数百メガワット時を消費。
一方で、データ活用による社会的利益は医療、教育、農業、交通で顕著。
ステップ2: 電力供給の課題
課題分析:
再生可能エネルギーの普及が進む一方で、不安定性やインフラ整備の遅れがある。
地域間で電力供給能力に格差が存在し、AIによる需要増加がこれを悪化させる可能性。
論拠:
再生可能エネルギーの効率的活用には、AIによる予測と管理が重要。
エネルギーストレージ（バッテリー技術）やスマートグリッドの導入もAIが最適化できる。
ステップ3: AIが電力消費を抑制する可能性
技術的進展:
エネルギー効率化:
AIはデータセンター内の冷却や計算負荷の分散を自律的に管理し、消費電力を抑制。
例: Google DeepMindの冷却最適化技術により、40％のエネルギー削減を達成。
モデル軽量化:
小型化されたAIモデル（エッジAIや分散型AI）が登場し、計算コストを削減。
予測最適化:
電力需要予測やピークシフトの管理にAIを活用し、効率的な配電を実現。
論拠:
IBMのWatson AIは、スマートシティでエネルギー消費を最適化。
エッジAIは電力インフラの負荷を削減する技術として注目されている。
ステップ4: 社会的課題への対応
政策提言:
政府がAI関連産業に再生可能エネルギーを使用するインセンティブを付与。
AI活用によるエネルギー効率化プロジェクトを公共事業として推進。
技術の普及:
データセンターの分散型ネットワーク化とローカルエネルギー管理の推進。
AIによるグリッド管理で需給バランスをリアルタイムで調整。
ステップ5: 今後の展開
楽観的シナリオ:
AI自身が電力消費を抑制し、再生可能エネルギーの効率的活用を推進。
持続可能なエネルギー循環を実現し、AI利用の拡大と環境負荷の低減が両立。
悲観的シナリオ:
技術革新が停滞し、電力供給が逼迫。結果としてAIの普及が制約され、社会的不平等が拡大。
中間的シナリオ:
一部の分野でAIがエネルギー効率化を進める一方で、政策とインフラ整備が追いつかず、地域ごとに成否が分かれる。
反証: AIは電力逼迫を必然化するか？
現状の反証:
AIの電力消費は全体の数％に過ぎず、最大の消費者は依然として家庭用電力や輸送エネルギー。
AIによるエネルギー効率化が、電力需要を超える速度で進めば、電力逼迫への寄与は最小化され得る。
反証の補強:
AIがエネルギー管理、再生可能エネルギーの最適配置、スマートグリッドの発展に寄与する事例が増加中。