生成AIの電力と水は「一質問あたり」では測れない

生成AIの環境負荷には、学習、推論、検索、保存、ネットワーク、冷却、電力供給、半導体製造が関わります。供給者の数値がサーバー電力だけか、施設全体か、再生可能エネルギー証書を含むか、取水か消費かで意味は変わります。まず対象工程、地域、期間、配分方法を明記します。

利用判断の単位も一質問ではなく業務です。同じモデルでも、短い分類、大量文書の要約、長い推論、画像・動画生成、常時稼働エージェントでは処理量が違います。月間件数、入出力規模、再試行率、キャッシュ、品質不良によるやり直しを含め、現行業務や小型モデル、ルール処理との比較を行います。

原単位はリクエスト一回ではなく、品質条件を満たした業務結果一件で比較します。再試行、長すぎる入力、使われなかった生成物を分母から隠さず、現行手順と候補モデルを同じ完了条件で測ります。供給者間で測定境界が違う場合は順位を確定せず、サーバー、施設、冷却、電力供給のどこまで含むかをそろえてから判断します。

IEAのKey Questions on Energy and AIは、世界のデータセンター電力消費が2025年の485TWhから2030年に950TWhへ約2倍となり、同年の世界電力需要の約3%を占める中心見通しを示します。AI特化データセンターの消費はこの期間に3倍となる一方、効率、普及、用途の高負荷化が見通しを左右します。[1]

Berkeley Labの2025 Updateは、米国データセンターの2030年電力消費を基準ケース649TWh、総電力の11.8%と推計し、複合不確実性シナリオでは521〜843TWhの幅を示します。AIチップ出荷、稼働率、機器寿命など仮定で結果が動くため、単一予測を予算や立地の確定値として扱えません。[2]

データセンター全体の需要見通しが増えることは、自社が選ぶ一つのモデルの消費量を示しません。[1] [2] 需要予測は容量・価格・地域制約のシナリオとして使い、個別調達では供給者の測定値と推計方法を別に求めます。自社に関係する地域・供給条件で、妥当な悪化シナリオが事業継続性を脅かす場合は、立地や処理時間、利用量の制約を先に置きます。

Liらの研究は、水使用を施設冷却のscope 1、発電に伴うscope 2、機器製造等のscope 3へ分けます。GPT-3の例では、米国データセンターでの学習について運用時の水消費（scope 1・2）を計540万L、そのうち施設内のscope 1を70万Lと推計しました。実測開示ではなく、モデルと設備条件に基づく推計です。[3]

同研究は推論時の500mLを中程度の回答およそ10〜50回という幅で示し、場所と時刻による水効率差を強調します。この値を全モデルの固定原単位へ転用してはいけません。水ストレスの高い地域では少量でも影響が大きく、取水した水が戻るのか、蒸発等で消費されるのかも区別します。[3]

IEAとBerkeley Labは異なる範囲の需要見通しを示し、水の研究は設備・地域・時刻に依存する条件付き推計を扱います。[1] [2] [3] この異質性を個別モデルの精密な順位へ変換せず、候補ごとの分子、分母、工程、地域、期間、配分方法を並べる開示照合票を作ります。

照合票は各候補の数値を一つの換算値へ直すのではなく、同じ条件で観測された共通部分と、条件が違う固有部分へ分けます。共通部分だけで承認判断が変わるかを先に試し、変わらない場合は追加推計を増やしません。変わり得る不足情報だけを追加照会の対象にし、回答期限と判断への影響を結びます。

比較結果は、境界がそろい直接比較できる、方向だけ比較できる、判断に使えない、の三状態へ分けます。二人の確認者が別々に状態を付け、不一致は平均せず、どの境界認識が違うかを裁定記録へ残します。判断不能なら追加開示、利用上限、対象地域の限定を選び、後日データが得られたとき同じ判断票を開き直します。

承認に使う環境値には、活動量、再試行、施設効率、処理地域、水の区分など、結果を動かす前提があります。各前提を妥当な下限と上限へ置き換え、品質条件を満たした業務結果あたりの値と期間総量が、承認上限をまたぐかを確認します。単一の中心値だけで決めず、前提の出所も残します。

仮想例として、推論の効率は改善しても、再試行の幅を上側に置くと期間総量が上限を越えるなら、改善を確定しません。再試行を減らす、対象業務を限定する、開示がそろうまで拡大を止める案を分けて比較します。料金やモデル性能の変化を、環境値の改善理由として混ぜず、別の判断欄へ置きます。

感度票には、結論を反転させた前提、反転しなかった前提、未測定の範囲を残します。運用開始後に活動量や処理地域が想定範囲を外れた場合は、その前提だけを更新して再判定します。環境上限を守れないときに品質下限を緩めるのではなく、利用範囲と処理方法を見直し、再判定日を設定します。

• BOUNDARY：分子・分母・工程・地域・期間・配分方法をそろえる
• MISSING：除外・非開示・測定不能をゼロと分けて記録する
• SENSITIVITY：各前提の幅で原単位と期間総量の反転を試す
• DECISION：比較可・方向のみ・利用不能と対応措置を確定する

調達時には、モデル・地域別の推論電力、施設のPUE、冷却のWUE、取水源、水ストレス、再生可能電力の時間一致、測定期間、第三者検証、推計方法を質問します。非開示ならゼロとせず、不確実性としてリスク登録し、上限シナリオで費用・容量・地域影響を確認します。[1] [2] [3]

運用では、成功した業務一件あたりの電力・水・費用を追い、品質が低く再試行が増えた分も含めます。小型モデル、バッチ処理、キャッシュ、処理時間・地域の移動、人手との組合せで削減し、同時に品質と安全の最低条件を守ります。総量が増えるリバウンドも見るため、効率指標と月間総量を併記します。[1]

運用責任は、AI基盤担当が処理量と再試行を、調達担当が電力・水の境界と地域を、業務担当が完了品質を持つ形で分けます。効率が改善しても月間総量が増えれば削減とはみなしません。供給者の開示範囲が変わった、水ストレスの高い地域へ処理が移った、品質不足で再試行が増えた場合は、モデル選択と配置を再承認します。[1] [3]

• 測定境界：学習・推論・施設・電力・製造のどこまで含むかを明記する
• 活動量：月間件数、トークン、画像、再試行、待機を用途別に記録する
• 場所と時刻：電源構成、水ストレス、冷却条件を紐付ける
• 意思決定：品質・安全・費用・電力・水の最低条件と上限を同時に承認する
• 基盤担当：成功結果あたりの処理量と再試行を測る
• 調達担当：測定境界、地域、推計と実測の別を確認する
• 業務担当：環境負荷を下げても品質下限を維持する