AIのエネルギー消費について知っておくべきこと

AIをめぐる議論のほとんどで、エネルギーは中心的な話題である。米国中部の住宅所有者は、AIのせいで電気代が上がっていると語る。大都市に住む高学歴の人は、AIが気候変動を加速させていると懸念する。AI企業は、エネルギーが原因で米国がAI競争で中国に負けるおそれがあると警告する。

なぜエネルギーはAIにとってこれほど重要なのか。AIは本当に電気代や環境に影響を与えているのか。そして、エネルギーを大量に消費するAIデータセンターが米国と世界中で急速に建設されていることは、どのような結果をもたらすのか。

AIのエネルギー消費の要点：

• チャットボットへのメッセージ1件あたりのエネルギー消費は大きくない：Epoch AIと独立した研究者の推定によれば、無料のチャットボットに100語のプロンプトを送るのに使われるエネルギーは、電子レンジを10秒間動かすよりも少ない。

• 総消費量はまだ小さいが、急速に増えている：現在、AIの利用が米国の年間電力消費に占める割合は数パーセントにすぎず、空調（12%）や照明（8%）よりかなり少ない。しかし、データセンターに必要な電力はおおむね毎年倍増してきた。

• AIの気候への影響はまだ控えめである：国際エネルギー機関（IEA）の2025年の報告書によれば、データセンターが世界のCO2排出量に占める割合は1%未満である。ただし天然ガスに頼っているため、AIの現在のエネルギー構成は、米国の電力網の平均よりやや汚れている（炭素排出が多い）。

• 地域の環境への影響は観測されている：テネシー大学の研究者がTIME誌のために行った2025年の分析によれば、メンフィスにあるxAIのColossus 1データセンターの近くの地区で、ガスタービンの設置後に二酸化窒素の濃度が急上昇した。二酸化窒素は呼吸器疾患を悪化させうる汚染物質である。

• 地域の電気料金への影響はまだはっきりしない：2020年から2025年にかけて、データセンターが集中する州では電気料金の上昇幅が全国平均より小さいことが多かった。また、最近の値上がりの一部がAIの需要によるものかどうかについて、アナリストの見解は分かれている。

なぜエネルギーはAIにとってこれほど重要なのか

AIシステムは、計算能力を使って、データから学習するアルゴリズムを実行する。その全過程でエネルギーが必要になる。AIシステムにはさまざまなものがあり、天気予報を助けるもの、写真を分類するもの、オンライン動画に字幕を付けるものなどがある。しかし、今日「AI」と言うとき、人々が指しているのはたいてい、OpenAIのChatGPTやAnthropicのClaudeのようなチャットボットやコーディング支援ツールを動かす大規模言語モデル（LLM）である。今日、AIのエネルギー需要を最も急速に押し上げているのはLLMである。

AIモデルの開発

こうしたAIモデルは、使えるようになる前に学習させる必要がある。学習とは、膨大な量のデータからパターンを「学ぶ」過程である。これには浮動小数点演算（FLOP）と呼ばれる膨大な数の計算が伴う。個々の計算はごく小さく、電卓でもできる程度のものだが、現代のLLMの学習に使われるデータの規模は莫大で、インターネット上の全テキストのかなりの部分にあたる。最近のフロンティアLLMの学習には、およそ10の26乗回、つまり1の後に0が26個並ぶ回数の計算が必要になる。地球上の全員が毎秒1回ずつこの計算を担当したとしても、フロンティアモデル1つを学習させるのに約4億年かかる計算である。

妥当な時間で学習を終えるため、AI企業は、それぞれ毎秒数兆回の計算ができる画像処理装置（GPU）と呼ばれる専用のコンピュータチップを数十万個使う。しかし、この速さには大量のエネルギーが必要になる。たとえば、Elon MuskのxAI（現SpaceXAI）が2025年7月に公開したGrok 4の最終版の学習では、米国人4,000人が暮らす町の1年分の電力に相当するエネルギーが消費された。

しかも、モデルの最終版の学習は、はるかに長い研究開発の過程の最後の一歩にすぎない。Epoch AIの研究者の調べによれば、AI企業は、実験や行き詰まった試み、日の目を見ないモデルに、最終的な学習実行の何倍もの計算資源を費やしている。

推論実行

モデルの学習はとりわけエネルギーを消費するが、モデルのエネルギー消費はそれで終わりではない。学習を終えたモデルはデータセンターのサーバーに保存され、ユーザーが要求を「プロンプト」として送るのを待つ。モデルはその要求を「推論実行（インファレンス）」と呼ばれる過程で処理する。これには、応答の生成に必要な100兆回あまりの計算を行うためのエネルギーと、データセンターを稼働させ冷却し続けるためのエネルギーが必要である。

熱への対処

AIチップを安く効率よく並べる方法は、巨大なデータセンターの中で、冷蔵庫ほどの大きさのコンピュータのラックであるサーバーにチップを密集して詰め込むことである。こうして密集したチップは激しい熱を出す。実際、AIデータセンターで消費される電力のうち、チップそのものを動かすのに使われるのは半分に満たず、残りのかなりの部分はチップの冷却に費やされている。

現代のデータセンターでは、液体の冷却材が金属板の中を流れ、サーバーラックが出す熱を吸収する。冷却材はサーバーラックから流れ出て水の流れと熱を交換し、その水が熱を屋外へ放出する。

では、LLMへの質問1回でどれだけのエネルギーを使うのか

多くの人にとっては、ごくわずかである。チャットボットへの質問に答えるのに使われるエネルギーは、プロンプトの長さ、どのモデルが答えるか、モデルが質問についてどれだけ「考える」か、そして最終的な出力の長さによって決まる。

米国のAI利用者の90%以上が使っている無料のチャットボットは、質問について「考える」のに使う計算能力が限られており、そのためエネルギーコストは比較的小さい。無料のチャットボットに100語のメッセージを送ると、モデルの開発に先行してかかったエネルギーコストの按分を含めて、応答の生成に約0.6ワット時（Wh）のエネルギーがかかる。

これは、ほとんどの米国人のエネルギー消費全体から見ればごくわずかである。0.6 Whは、電子レンジが10秒間に使うエネルギーや、10 Wの電球が5分間に使うエネルギーより少ない。つまり、平均的な米国の世帯が、1日あたり約29,000 Whのエネルギー消費を1%増やすには、チャットボットに1日400件以上のメッセージを送る必要がある。

大多数の人は比較的エネルギー消費の少ない無料のチャットボットを使っているが、LLMは、Claude Codeのように人気が高まりつつあるAIエージェントも動かしている。この用途では、LLMはより大きな入力を受け取り、それについて「考える」のにより多くの計算能力を使い、より長い出力を生成する。その過程で、チャットボットとして使われる場合よりもかなり多くのエネルギーを消費する。

個々の利用者がチャットボットに使うエネルギーは小さいが、全部を合計するとどうなるか

2026年半ば時点で、AIの計算能力（略して「計算資源」）は世界全体で数十ギガワット（GW）の電力を使っており、これはニューヨーク州のピーク時の電力使用量に匹敵する。この需要全体のうち、大きな割合が米国にある。多いように聞こえるが、実際には、現在AIが米国の年間電力消費に占める割合は数パーセントにすぎず、空調（12%）や照明（8%）よりかなり少ない。着る服や食べる物など、私たちの物理的な生活のほうが、いまでもAIサービスよりはるかに多くのエネルギーを消費している。

気候への影響

全体から見ればAIのエネルギー需要はまだ大きくないとしても、平均的なオンラインサービスよりかなり汚い、つまり炭素集約度が高いのではないかと心配になるかもしれない。これも、今のところはそうではないようである。国際エネルギー機関の2025年の報告書によれば、データセンターが世界のCO2総排出量に占める割合は1%未満であり、そのうちAIによるものはごく一部である。

AIデータセンターを急いで増やそうとするなかで、AI企業は電力網への接続点の不足に阻まれてきた。これを乗り越えるため、AI企業は、たいてい天然ガスを使ったオンサイト発電に頼るようになった。2020年、データセンターが使っていたエネルギーの約60%は非再生可能エネルギーだった。この割合は2026年には約65%に高まっている。新しい発電所が、急速に規模を拡大し、とくに学習中に必要となる安定したベースロード電力の需要を満たすために、天然ガス焚きのタービンに頼っているからである。これが正しければ、非再生可能エネルギーが約57%を占める米国の電力網全体と比べて、わずかに悪いことになる。この割合は、電力網に接続するデータセンターが増えるにつれて、2030年にかけて下がるかもしれない。

AIが排出量を減らす可能性もある。たとえば、冷暖房システムや電力網全体の効率を高めることによってである。こうした潜在的な節減の多くは、従来型の機械学習によるエネルギーシステムの管理から生まれるもので、LLMとは種類の異なるAIである。ただし、一部の効率化は、フロンティアLLMが有望視されている科学的発見の加速から生まれる可能性がある。

地域への影響

世界や国のレベルで見れば、AIのエネルギー消費はまだ環境に大きな影響を与えていない。しかし地域のレベルでは、データセンターの稼働を急ぐ動きが地域社会に問題を引き起こしている。

電気料金

電気料金は主に、発電コストと、電力網を通じて需要家に電気を届けるコストによって決まる。増えた需要を満たすために地域の電力会社が新しいインフラの建設を迫られれば、データセンターは電気料金を押し上げる可能性がある。ただしそれは、データセンター事業者が関連費用を負担することを保証する措置がない場合の話である。一方で、既存の地域インフラで増えた需要をまかなえるなら、電力販売量の増加によって電力会社が料金を下げられるため、データセンターは料金の低下につながる可能性もある。

ローレンス・バークレー国立研究所の2025年の研究では、州レベルで見ると電力負荷の増加は平均小売電気料金の低下と関連していたことが分かった。また、バージニア州、オレゴン州、アイオワ州など、データセンターの電力消費が最も集中している州では、2020年から2025年にかけての電気料金の上昇幅が全国平均より小さいことが多かった。

しかし、この状況は変わりつつあるのかもしれない。独立した市場監視機関によれば、2026年第1四半期に中部大西洋岸と中西部の州で卸電力価格が前年比76%上昇したうち、最大4分の1はデータセンターの建設拡大によるものだった。一部の業界ウォッチャーは、こうした上昇は、データセンターによる電力負荷の実質的な増加ではなく、地域送電機関の誤った予測の結果だと主張している。テキサス州もデータセンターの需要が大きいが、電力価格の決定で予測に頼る度合いが小さく、価格の上昇幅はかなり小さく、全国平均並みだった。

大気汚染

一部のデータセンターに電力を供給するガスタービンは、呼吸器疾患を悪化させうる汚染物質である二酸化窒素を排出する。テネシー州メンフィスでは、xAIが、Grok 4の学習に使われたColossus 1データセンターに電力を供給するため、汚染防止装置がないと報じられたガスタービンを急いで設置した。発電設備の建設後、周辺地域の二酸化窒素濃度は急上昇した。

これはどこでも起きている問題ではない。多くのデータセンターは人口密集地から離れた場所にあるか、汚染物質を出す自前の発電設備を「メーターの手前（behind-the-meter）」に設置するのではなく、既存の電力網に接続している。

今後

AIが使うエネルギーの総量は急速に増えている。その原動力は、能力が向上したより大きなAIモデルの学習であり、そうしたモデルを使う利用者層も広がり続けている。フロンティアモデルの学習に必要な電力はおおむね毎年倍増しており、それに応じてデータセンターに必要な電力も毎年倍増している。2028年初めまでに、Metaの新しいデータセンターの第1期が稼働する見込みで、その電力容量は1.7 GWと、シアトルのピーク時の電力消費にほぼ等しい。

ソフトウェアとハードウェアの効率が向上しているため、一定の能力水準のモデルを学習させ動かすことは、費用の面でもエネルギーの面でも急速に安くなっている。しかし、こうした節減は、モデルの規模の劇的な拡大によって打ち消されて余りある。規模の拡大はより高性能なモデルを生み、それに応じて顧客の需要も増すからである。

ChatGPTの週間利用者数は、2023年の5,000万人から2026年6月には約10億人に増えた。同じ期間に、最も急成長しているフロンティアAI企業の売上高は、おおむね年10倍のペースで伸びた。

この傾向が2020年代の終わりまで続けば、米国のAIデータセンターが必要とする電力は100 GWに達する可能性がある。比較すると、米国の産業部門全体の2025年の平均消費電力は120 GWだった。

このようなエネルギー需要の伸びは大きな意味を持つ。米国では1980年代以来、これに似たことは起きていない。しかも、話は2030年で終わるとは限らない。Epoch AIのモデル分析によれば、AIが変革的な経済成長をもたらすなら、計算資源とそれを動かす電力への需要は、その後もはるかに拡大し続ける可能性がある。

米国は、増え続けるデータセンターの需要に追いつけるほどエネルギー生産を増やせるか

おそらく増やせる。米国の発電量は数十年にわたって増えていないが、需要も増えていない。そのことは、全国の電気料金が2000年代初めからほぼ横ばいで推移していることにも表れている。

需要が増えれば供給も増えると考える十分な理由がある。エネルギーコストはハードウェアのコストに比べて小さい。事業者がチップに金を払う用意があるなら、おそらく電力にも払えるだろう。その方法としては、天然ガスタービンを急いで建設することが考えられる。xAIは実際に、140 MWのデータセンターを122日で稼働させてみせた。

太陽光発電も重要な役割を果たす可能性が高いが、出力の変動は依然として課題である。蓄電池システムが役立つ可能性はあるが、現状では数時間で放電しきってしまうという制約がある。

さらに革新的な提案もある。データセンターがエネルギーの制約を受ける理由の一つは、とくに学習中に、大きな電力を絶え間なく供給し続ける必要があることである。しかし、ピーク時に一部を停止することで年間のエネルギー消費を0.25%減らせれば、電力網は76 GWの予備容量を取り戻せる。これは2030年の仮定上のデータセンターの電力需要に近い。もちろん、これが簡単なら、データセンターはすでにそうしているはずである。しかし、そこに伴う大きな技術的課題を解決しようとする初期の提案がある。

1つの発電所が生み出せるエネルギー量には限りがあり、したがって1つのデータセンターの規模にも限りがある。米国最大の発電所の総発電容量は約7 GWだが、傾向が続けば、2020年代の終わりまでにフロンティアLLMの学習には10 GWが必要になる可能性がある。とはいえ、これでAI企業が思いとどまる見込みは小さい。AI企業は、光ファイバーケーブルで結んだ複数のデータセンターをつないで、分散型でモデルを学習させることができるからである。

電力を大量に食う未来

予測されるデータセンターの電力需要が満たされ、米国の発電量が数十年ぶりに増え始めれば、この大規模な建設拡大は、気候変動に目に見える影響を与え始める可能性が高い。

データセンターの開発事業者がこの需要を満たすのに必要なインフラの費用を負担するなら、消費者が電気料金の値上がりに直面するとは限らない。しかし、インフラ建設のコストが個人に転嫁されたり、電力会社が電力需要に追いつけずに電力不足が起きたりする可能性はある。

これまでのところ、世間の議論は、AIが現在ほとんどの個人のエネルギー消費に与えている影響を誇張していることが多い。しかし、大気汚染や州レベルでの電気料金の上昇など、地域や地方への影響は現れ始めている。傾向が続けば、AIインフラの建設拡大は、国内と世界のエネルギー事情を大きく塗り替えるかもしれない。