ライフサイクル全体を測定する
AIのフットプリントは、プロンプトが入力される前から始まり、サーバーが退役した後も続く。半導体の製造はエネルギー、超純水、化学物質、そして鉱物を使用する。データセンターは電力、冷却、バックアップ電源、ネットワーキング、土地、そして機材を使用する。寿命を終えたハードウェアは電子廃棄物と回収の問題となる。
公の議論はしばしば、あたかも普遍的であるかのように、クエリ1回あたりの水量やエネルギー量の数字を引用する。実際の使用量は、モデル、ハードウェア、データセンターの稼働率、冷却方式、気候、電力網、プロンプトの長さ、出力の様式、そして配分方法によって異なる。訓練と推論は別物であり、利用が大規模であれば製品のライフタイムを通じて推論が支配的になりうる。プロバイダーの開示は不十分で、AIのみのグローバルな総量を精密に把握することはできない。
今日測定されていること
国際エネルギー機関(IEA)は、2024年にすべてのデータセンターが約4,150億キロワット時の電力を使用し、これは世界の消費量の約1.5%に相当すると推計した。AIはその一部にすぎない。米国のデータセンター容量の半分近くが5つの地域クラスターに集中しており、そのため地域の電力網への影響は世界全体のシェアよりもはるかに大きくなりうる(IEA、2025年4月)。
IEAの更新された中心的な予測は、2030年のデータセンター利用を約950テラワット時、世界需要の約3%と見積もっている。それは、キャパシティ、効率性、普及、そして市場についての前提に基づく予測であって、未来からの計測値ではない。より多くのエネルギーを消費する推論、動画、そしてエージェント的な利用は需要を押し上げうる一方、効率性、資金調達上の制約、あるいは普及の鈍化はそれを引き下げうる(IEA、2026年)。
米国では、ローレンス・バークレー国立研究所が、データセンターの電力使用量が2023年に1,760億キロワット時に上昇し、2028年には3,250億から5,800億キロワット時に達しうると推計した(米国エネルギー省、2024年12月)。この範囲の幅は不確実性を物語っている。これはデータセンター全般をカバーするものであり、生成AIだけではない。
排出量は電力がどこで、いつ生産されるかに左右される
化石燃料に大きく依存する電力網の上にある効率的なサーバーは、低炭素電源から供給を受ける効率の劣るサーバーよりも、多くの運用上の排出を生み出すことがある。年間の再生可能エネルギー契約は、需要が発生する時間帯にその施設に供給されている電力を必ずしも示さない。限界的な需要は、企業が再生可能エネルギー証書を購入していても、化石燃料発電をオンラインのままにしうる。
IEAは、電力関連のデータセンター排出量を2024年時点で約1億8,000万トンの二酸化炭素、世界の燃料燃焼排出量の約0.5%と推計した。その基本シナリオは2030年までに約1%へと上昇する(IEA気候分析)。世界的なシェアが小さくても、地域の気候計画と衝突したり、急速な部門別の成長を生み出したりすることがありうる。
信頼できる報告は、地域基準と市場基準の排出量、可能な限り時間単位でのマッチング、バックアップ発電機、建設、そしてハードウェアに体化された排出量を含むべきである。AIの最適化による排出削減の主張は、別建てで報告され、反事実的な比較に照らして検証されるべきである。
水は地域的な問題である
データセンターは、蒸発冷却を通じて直接的に、また発電を通じて間接的に水を消費しうる。半導体の製造にも高品質な水が必要である。取水は消費と同じではない:取水された水は返還されるかもしれないが、消費された水は地域の流域にすぐには利用できない。
水不足の流域で使われる1ガロンは、供給が豊富な地域で使われるそれとは異なる影響を持つ。年間の世界的な合計値は、世帯、生態系、農業、そして産業との季節的な競合を覆い隠しうる。空冷は直接的な水使用を減らせるが電力使用を増やしうる。再生水は上水需要を減らせるが、インフラと安全策を必要とする。
OECDは、環境評価がエネルギーと炭素を超えて淡水と鉱物採取にまで及ぶべきであり、データセンターの水利用報告は依然として不完全であると指摘している(OECDのAIコンピュート)。地域社会は、許認可が与えられる前に、施設単位の取水量、消費量、水源、季節的な逼迫度、排水、そして緊急時計画を必要とする。
チップには上流のフットプリントがある
先端アクセラレータは、地理的に集中した製造、パッケージング、メモリ、そして素材に依存している。製造プラントは大規模な建設とユーティリティを必要とする。短いモデル更新サイクルは、まだ機能する機材を退役させうるが、旧型のアクセラレータは負荷の軽い推論に再利用されることもある。
採掘と加工は、生息地の破壊、汚染、労働災害、そして地政学的な依存を生み出しうる。同じサプライチェーンがスマートフォン、車両、ネットワーキング、その他のコンピューティングにも使われているため、「AI」への正確な帰属は困難である。ライフサイクル分析は、半導体の成長すべてをAIに帰するのではなく、影響を透明に配分すべきである。
UNEPは、エネルギー、温室効果ガス排出、水、鉱物採取、そして電子廃棄物を直接的なライフサイクル上の懸念として特定し、共通の測定手法を求めている(UNEP、2024年9月)。UNEPは環境上の使命を持っており、それがその焦点を形づくっているが、その測定に関する提言は概して有用であり続ける。
AIは環境上の便益を生み出しうる
機械学習は、気象・気候モデリングを改善し、メタンを検知し、電力網や建物を最適化し、再生可能エネルギーの出力を予測し、素材を設計し、そして保全活動を支えることができる。便益は、ベンチマークの正確性から推測されるのではなく、実際の展開において測定されなければならない。
リバウンド効果が重要である。効率化がコストを下げるならば、総利用量が増加し、節約分を打ち消しうる。最適化はまた、害を移転させることもある:電力コストを下げながら水使用を増やしたり、脆弱な地域社会にインフラを立地させたりすることである。正味の評価には、誘発される需要と分配を含めるべきである。
IEAは、2035年までのデータセンター電力需要の成長の約半分を再生可能エネルギーが基本シナリオで満たすと予測しているが、天然ガスと石炭もまた、近い将来の成長の相当部分を供給している。したがって「再生可能エネルギーで賄われている」は、この部門全体を描写するものではない。
より良いインフラの選択
運用者は、稼働率を改善し、効率的なモデルとハードウェアを使用し、よりクリーンな電力が利用可能なときに柔軟な作業負荷をスケジュールし、機材の寿命を延ばし、有用な場所で熱を回収し、遊休容量を減らし、そして地域の流域に適した冷却方式を選ぶことができる。より小さな特化型モデルは、フロンティアモデルの無駄な利用を上回る性能を発揮しうる。
公益事業者と規制当局は、現実的な系統連系調査、コスト配分、需要の柔軟性、クリーンな供給、水資源の公的な審査、そして廃止計画を要求できる。データセンターの顧客は、電力網の更新や逼迫のコストを、密かに世帯に転嫁すべきではない。
開示には共通の機能単位を用いるべきである:訓練1回あたり、標準化された作業負荷1件あたり、サービス量あたりのエネルギーと水、そして企業と施設の絶対的な総量とあわせて。絶対的な成長を伴わない効率比は誤解を招きうる。
AGIが変えうるもの
AGIのエネルギー需要はシナリオである。研究と経済活動を自動化するシステムは、計算資源の利用を急激に増加させうる。それはまた、チップ設計、素材、電力網、そしてクリーンエネルギーの展開を改善するかもしれない。ジェヴォンズ流のリバウンドは、効率化の利得をより多くの総消費量へと転換しかねない。
物理的な制約は残る:工場、変圧器、発電、電力網、水システム、そして許認可には時間がかかる。即時の知能の潤沢さを主張するならば、こうしたボトルネックを考慮に入れるべきである。環境ガバナンスは、外部の問題というよりも、展開に対する実務的な限界になるかもしれない。
バランスの取れた基準
4つの問いを立てること:絶対的なライフサイクルのフットプリントは何か?それはどこで、いつ発生するのか?誰が便益を受け、誰がコストを負担するのか?同じ機能を提供する代替案は何か?
証拠は、「AIは環境上無視できる」という主張も、普遍的なプロンプト単位の破局という主張も支持しない。データセンターは世界の電力使用の少数派だが、急速に成長し、地理的に集中した負荷であり、実質的な水とサプライチェーンへの影響を伴う。AIは環境上の改善を可能にしうるが、測定された正味の結果だけが意味を持つ。義務的な施設の開示、ライフサイクル標準、地域の参加、クリーンな電力網への投資、そして効率的なモデルの選択は、誠実な環境政策の基盤である。