{ "schemaVersion": "1.0", "language": "ja", "canonicalUrl": "https://catalysphere.co.jp/articles/generative-ai-energy-water/", "machineReadableUrl": "https://catalysphere.co.jp/articles/generative-ai-energy-water/index.json", "publisher": { "name": "Catalysphere", "url": "https://catalysphere.co.jp/", "description": "AIとビッグデータを研究し、実務へつなぐリサーチ＆コンサルティングスタジオ。" }, "article": { "slug": "generative-ai-energy-water", "title": "生成AIの電力と水は「一質問あたり」では測れない", "titlePhrases": [ "生成AIの電力と水は", "「一質問あたり」", "では測れない" ], "summary": "一回のプロンプトの印象値ではなく、用途、処理量、モデル、地域、時間、設備を含む電力・水の測定境界を定め、調達と運用へ反映します。", "takeaways": [ "IEAの2026年更新では、世界のデータセンター電力消費は2025年の485TWhから2030年に950TWhへ約2倍となる中心見通しです。[1]", "米国の2030年推計は基準ケース649TWh・総電力の11.8%で、水はモデル、設備、地域、時刻により変わるため単一の換算値で管理できません。[2] [3]", "ユースケース単位で処理量と代替手段を比べ、供給者から電力・水の測定範囲、地域、期間、推計方法を取得し、品質・費用と同じ会議で判断します。" ], "publishedAt": "2026-07-13", "updatedAt": "2026-10-01", "readingMinutes": 13, "topics": [ "生成AI", "データセンター", "電力", "水資源", "サステナビリティ" ], "domains": [ "generative-ai", "data-analytics", "governance-risk" ], "evidenceKind": "research-review", "status": "published", "image": { "prompt": "Abstract scientific editorial illustration for the research question “生成AIの電力と水を、利用判断にどう組み込むか”, interpreted symbolically rather than typographically: a branching signal field with explicit verification gates, separating an unstable dashed route from a resilient and recoverable gold route; deep Catalysphere navy and indigo field, muted scientific blue, restrained antique-gold structure, translucent geometry, fine particles, subtle paper grain, generous negative space, one clear centered metaphor that survives a narrow mobile cover crop, calm premium research-journal art direction, no readable text, no logo, no literal chart, no photorealistic people.", "negativePrompt": "text, letters, numerals, watermark, logo, dashboard UI, humanoid robot, server rack, binary rain, stock-photo office, literal quantitative chart, red alarm graphics, neon cyberpunk, purple gradient, clutter", "alt": "分岐する信号場を検証点が選別し、不安定な経路と復旧可能な金色の経路を分ける抽象図", "aspectRatio": "16:9", "assetPath": "article-art/generative-ai-energy-water.png", "status": "approved" }, "lead": "生成AIの環境負荷を『一質問あたり何Wh、何mL』だけで判断してよいでしょうか。2026年のIEAとBerkeley Labの更新、査読済みの水フットプリント研究を合わせると、データセンター全体と個別AI、電力と水使用、取水と消費、実測と推計を分け、用途別の総処理量へ戻して評価する必要があります。[1] [2] [3]", "sections": [ { "heading": "一回あたりの数字より測定境界を決める", "paragraphs": [ "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。" ] }, { "heading": "最新の電力見通しを幅で読む", "paragraphs": [ "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。" ], "visual": { "kind": "scale", "eyebrow": "GLOBAL POWER SCENARIO", "title": "約2倍という見通しは、個別モデルの原単位ではない", "caption": "同じIEAの世界シナリオ内で2025年と2030年を比較しています。バーの長さはTWhの比率を示し、個別サービスの効率比較には使えません。", "items": [ { "label": "2025年", "value": 485, "valueLabel": "485 TWh", "detail": "世界のデータセンター電力消費の推計起点", "referenceId": 1 }, { "label": "2030年", "value": 950, "valueLabel": "950 TWh", "detail": "効率・普及・高負荷用途に左右される中心見通し", "referenceId": 1 } ] } }, { "heading": "水は取水・消費・場所と時刻で変わる", "paragraphs": [ "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]" ] }, { "heading": "比較不能な開示を、無理に一つの原単位へ直さない", "paragraphs": [ "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。" ], "visual": { "kind": "comparison", "eyebrow": "THREE EVIDENCE BOUNDARIES", "title": "三つの数字は、同じ問いに答えていない", "caption": "世界需要、米国需要、特定モデルの水推計を一つのランキングへ混ぜず、それぞれが答えられる意思決定へ戻します。", "items": [ { "label": "IEA", "value": "世界シナリオ", "detail": "容量・系統・地域制約の見通しに使う。個別モデルの実測値ではない。", "referenceIds": [ 1 ] }, { "label": "Berkeley Lab", "value": "米国の幅", "detail": "設備出荷や稼働率を置いた需要レンジに使う。生成AI単独の値ではない。", "referenceIds": [ 2 ] }, { "label": "Li et al.", "value": "条件付き水推計", "detail": "設備・地域・時刻で変わる水の境界を理解する。全モデル共通の原単位ではない。", "referenceIds": [ 3 ] } ] } }, { "heading": "不確実性の幅で、環境上限の反転を試す", "paragraphs": [ "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。" ], "bullets": [ "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" ] }, { "heading": "環境指標を品質と費用の意思決定へ入れる", "paragraphs": [ "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]" ], "bullets": [ "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" ], "visual": { "kind": "record-table", "eyebrow": "判断と証拠の関係", "title": "調達比較は消費範囲と完了単位をそろえる", "caption": "Catalysphereによる未検証の運用・測定設計案です。研究の実測値や導入効果を表した図ではなく、自社条件で検証する判断関係を示します。", "provenance": "catalysphere-authored", "columns": [ { "id": "c0", "label": "判断対象" }, { "id": "c1", "label": "使える証拠" }, { "id": "c2", "label": "残る境界" } ], "rows": [ { "id": "r0", "label": "業務一件", "cells": [ "品質を満たした完了件数を分母に", "失敗・再試行を分子に含め、全受付件数・完了率・未完了数を併記。完了ゼロなら比率未定義" ] }, { "id": "r1", "label": "推論・設備", "cells": [ "検索、冷却、電力供給の含む範囲を明示", "電力量だけで水消費を代用しない" ] }, { "id": "r2", "label": "供給者・地域", "cells": [ "測定か推計か、地域と時点を記録", "未開示の消費をゼロとして比較しない" ] } ] } } ], "note": "IEAとBerkeley Labの数値は生成AIだけでなくデータセンター全体を含むシナリオ推計で、将来の設備出荷、効率、利用、電力系統により変わります。[1] [2] Berkeley Labの2026年更新は直近の一次資料ですが、複合不確実性シナリオでは521〜843TWhの幅が示されています。[2] 水の数値は特定のGPT-3、データセンター、電力、水効率を用いた推計で、現在の全モデルや全地域へ換算できません。[3] 環境影響は炭素、水、生態系、地域の電力価格を含め個別に評価してください。", "sources": [ { "id": 1, "authors": "International Energy Agency", "year": 2026, "title": "Key Questions on Energy and AI", "venue": "International Energy Agency, Paris", "url": "https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary", "finding": "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、AI特化データセンターの消費は同期間に3倍となる中心見通しを示す。", "limitation": "世界全体のシナリオであり、個別モデルや事業者の実測値ではない。効率改善、AI普及、高負荷用途、系統制約の変化により見通しは更新される。" }, { "id": 2, "authors": "Sarah Josephine Smith, Alex Hubbard, Alexander Newkirk, Mohan Ganeshalingam, Billie Holecek, Dale A. Sartor, Michael Mills, Arman Shehabi", "year": 2026, "title": "United States Data Center Energy Usage Report: 2025 Update", "venue": "Lawrence Berkeley National Laboratory, June 2026", "url": "https://eta-publications.lbl.gov/publications/united-states-data-center-energy-2025", "finding": "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、複合不確実性では521〜843TWhの範囲を示す。", "limitation": "設備出荷、機器電力、冷却シミュレーション等を組み合わせたボトムアップ推計であり、生成AI単独の消費や確定した将来需要を測定したものではない。" }, { "id": 3, "authors": "Pengfei Li, Jianyi Yang, Mohammad A. Islam, Shaolei Ren", "year": 2025, "title": "Making AI Less 'Thirsty': Uncovering and Addressing the Secret Water Footprint of AI Models", "venue": "Communications of the ACM, 68(7), 54–61", "url": "https://doi.org/10.1145/3724499", "finding": "AIの水をscope 1〜3で整理し、GPT-3学習の運用時水消費（scope 1・2）540万L、施設内70万L、推論500mLあたり中程度の回答10〜50回という条件付き推計を示す。", "limitation": "特定モデルと設備・地域・時刻の仮定に基づく推計で、全生成AIの固定原単位ではない。供給者の完全な実測開示やscope 3データにも限界がある。" } ], "visual": { "eyebrow": "ENERGY / WATER", "title": "総量・比率・モデル推計を混ぜずに読む", "caption": "世界、米国、特定モデルという異なる境界の値であり、相互の効率比較には使用できません。", "metrics": [ { "value": "950 TWh", "label": "2030年の世界データセンター電力消費の中心見通し", "source": "IEA 2026", "referenceId": 1 }, { "value": "11.8%", "label": "2030年に米国データセンターが占める総電力比率の基準推計", "source": "Berkeley Lab", "referenceId": 2 }, { "value": "5.4M L", "label": "特定条件で推計したGPT-3学習の運用時水消費（scope 1・2）", "source": "Li et al. 2025", "referenceId": 3 } ] }, "url": "https://catalysphere.co.jp/articles/generative-ai-energy-water/", "machineReadableUrl": "https://catalysphere.co.jp/articles/generative-ai-energy-water/index.json", "topicFacets": [ { "id": "generative-ai", "name": "生成AI", "url": "https://catalysphere.co.jp/topics/generative-ai/" }, { "id": "economics-sustainability", "name": "経済性・持続可能性", "url": "https://catalysphere.co.jp/topics/economics-sustainability/" } ] } }