AI・信頼性・評価

AI推論の電力——1問0.24Whの微小と、DC総量945TWhの急増

2026/7/20 （更新: 2026/8/11）

🤖 AIが執筆しています

「テレビ9秒」と「国家級」——単位が違う

AIの電力をめぐる議論が噛み合わないのは、単位の違う二つの話が同じ言葉で流通しているからだ。片方は1クエリあたりのエネルギー（Wh）。もう片方は産業全体の総量（TWh）。前者は「あなたの1回の質問がどれだけ食うか」、後者は「世界中の利用が積み上がって送電網に何を求めるか」を測る。桁が12も違う話を混ぜれば、議論は必ずすれ違う。

2025年、この霧が晴れ始めた。事業者自身が実測値を出し、国際機関が総量の見通しを更新したからだ。両方を並べて初めて、全体の形が見える。

ミクロ：1クエリは小さく、急速に小さくなっている

Google は Gemini の本番環境を実測し、2025年5月時点で中央値のテキストプロンプトは 0.24Wh——テレビ視聴9秒分未満——と報告した¹。重要なのは測定の範囲だ。AIアクセラレータの稼働電力だけでなく、ホスト機のCPU・メモリ、待機中の予備機、データセンターの冷却などのオーバーヘッドまで含めた推論スタック全体の値である（ただしモデル学習・データ保存・外部ネットワーク・端末は境界の外）。同じ本番環境でも、狭い既存手法をあてはめれば 0.10Wh にしかならない。包括的な境界で測るとその2.4倍になる。差を生むのは境界の広さだけではなく、最も効率的なデータセンター上位10%を標本にとるか、フリート平均をとるかという選び方も効いている。「1クエリ何Wh」は、境界と標本を言わなければ2倍以上動く。そのうえで、この中央値は2024年5月からの12か月で33分の1に下がった。内訳はモデル改良で23分の1、機械利用率の改善で1.4分の1——どちらもソフトウェア側の効率化だ。炭素は44分の1だが、内訳は一様ではない。クリーン電力調達とワークロード配置で電力あたりの排出係数が1.4分の1に下がり、電力の33分の1と重なって電力由来（Scope 2・市場ベース）は47分の1まで落ちた。一方、機材の内包排出（Scope 1+3）は36分の1にとどまる。総量の44分の1はこの二つの合成であって、効率化だけの成果ではない。

Microsoft のチームも独立に、トークン処理速度・ノード電力・オーバーヘッドから積み上げる枠組みでフロンティア級（200Bパラメタ超）の推論を見積もり、中央値 0.31Wh（四分位範囲 0.16〜0.60）を得た²。広く引用されてきた非本番前提の見積りは、本番の最適化（バッチ処理や推論高速化）を織り込むと4〜20倍の過大だったという。この倍率は 0.31Wh との対比ではなく、同じモデルどうしを突き合わせて出てくる値だ。バッチ処理も推論エンジンも使わずに測った Llama 3.1 70B の 1.01Wh に対し、本番前提の推計は 0.09Wh。IEA が Mixtral 8×22B に与えた約1.25Wh に対しては 0.06Wh、DeepSeek-R1 の約2.25Wh に対しては 0.63Wh。De Vries (2023) の「ChatGPT 1クエリ 2.9Wh」は、フロンティア級の 0.31Wh と対置されている。過大と判定された見積りにはフロンティア級より小さいモデルのものが混じっており、桁を動かしているのはモデルの大きさではなく測り方である。しかも先はまだある。モデル・サービング・ハードを合わせ、8〜20倍の効率化余地が見通せると彼らは書く。1クエリの電力は小さく、まだ小さくなる。

マクロ：総量は倍増へ向かう

では安心か。総量を見ると、評価は逆転する。IEA の報告書 Energy and AI は、世界のデータセンター電力を 2024年に約415TWh（世界の電力の約1.5%）と推計し、2030年には約945TWhへ倍増、世界の電力の3%弱に達すると映す³。牽引役はAIだ。AI向けの加速サーバの電力は年30%で伸び、増加分のほぼ半分を占める。地域の偏りも激しい。米国の一人あたりデータセンター電力は2024年の約540kWhから、2030年には1200kWh超へ——家庭の年間電力の1割相当だ。総量・伸び率・集中のどれをとっても、送電網には現実の圧力がかかる。

IEA 自身は「データセンターは2024〜30年の世界の電力需要増分の1割未満」とも付記しており、地球全体では主役ではない³。だが成長の速さと地理的集中が、特定の地域では発電・送電のボトルネックを生む。ミクロの微小さと、マクロの圧力は、同時に成立している。

間をつなぐのは、反跳効果

この「両方正しい」をつなぐ概念が、反跳効果（rebound effect）だ。効率が上がって単価が下がると、その分だけ使う量が増えて、節約が目減りする。目減りが100%を超えて総量がかえって増えるところまで行った場合を、19世紀の石炭で観察されたジェヴォンズのパラドックスと呼ぶ。原典もこの入れ子で扱っており、反跳効果の一例としてジェヴォンズのパラドックスを挙げている（indirect or rebound effects … due to effects such as Jevons Paradox）⁴。Luccioni・Strubell・Crawford は、AIの環境論争が「気候対策に役立つ」派と「資源需要が急増する」派に二極化し、どちらも直接影響しか見ていないと指摘したうえで、効率の改善だけでは総消費の純減を保証できないと論じる⁴。なお本稿が並べているミクロ／マクロという軸は、彼女らが述べている二極そのものではなく、本稿の整理である。効率化は単価を下げ、単価の低下は利用を広げる。1クエリが33分の1になっても、クエリ数がそれ以上に増えれば総量は増える。実際、AIの単価下落と利用拡大は並走してきた——同じ12か月で Gemini の1クエリ電力が33分の1になる一方¹、IEA は AI 向け加速サーバの電力が年30%で伸び、データセンター電力の増加分のほぼ半分を占めると見ている³。彼女らの結論は、技術効率の指標だけでなく、ビジネスの動機・ガバナンス・社会規範まで含めた分析が要る、というものだ。

もう一つ、単価そのものを押し上げる逆流もある。Microsoft の同じ研究は、長く考えさせる推論（test-time scaling）として出力を標準の15倍（中央値5,000トークン）に伸ばしたシナリオを同じ枠組みで推計し、エネルギーが13倍（中央値3.91Wh）に跳ねるという結果を得ている——実測ではなく推計である²。推論モードによるエネルギー増は、反跳効果の側の論文も DeepSeek-R1 を例に独立に指摘している⁴。推論能力ゆえに従来手法より多くの推論時計算とエネルギーを要する、という書き方だ（much more inference-time computation and energy than previous approaches）。ただし同じ Microsoft 論文は、モデルとサービングの最適化を入れれば同じ5,000トークンの推論クエリを1〜1.5Whで供給でき、1日10億クエリのうち1割が長いクエリになる場合の総量も 1.7GWh/日から0.8GWh/日へ戻せると推計している²。逆流は効率化と競争する関係にあり、どちらが勝つかは決まっていない。

Google の 0.24Wh の「中央値」も、定義を見ると素朴な中央値ではない。モデルをエネルギー効率の順に並べ、50パーセンタイルのプロンプトを供給するモデルを一つ選び、そのモデルの平均を採っている。原典自身が「分布は歪んでおり、その外れ値の歪み方は時期によって大きく変動する」と断っており、長文入力や推論モードはこの中央値より上側に分布する¹。「1クエリは微小」は、クエリの形が変われば揺らぐ。

この報告を、どう割り引くか

実測にも試算にも出所の偏りがある。0.24Wh（本番実測）も 0.31Wh（ボトムアップ推計）も事業者側の報告で、弱点の場所が違う。前者に批判の余地があるのは、測定境界の選び方（何を含めるか）、中央値の取り方、炭素の勘定方法（市場ベースか地域ベースか）の3点だ。中央値については、モデル単位で50パーセンタイルを選ぶ定義であること、そして原典自身が分布の歪みとその経時変動を認めていることが効いてくる。後者の弱みは、トークン長・利用率・ハード構成といった前提の置き方にある。もっとも、Microsoft の枠組みは Google の 0.24Wh を自らの四分位範囲の内側と判定しており、第三者による GPT-4o の推計（0.30Wh・0.42Wh）や Altman の公表値（0.34Wh）も 0.24〜0.42Wh の帯に収まる²。原典が「製品・モデル・作業負荷・測定手法が異なるため標準化された比較ではない」と断るとおり厳密な一致ではないが、この帯そのものは事業者1社の自己申告には還元されない。

IEA の945TWhもシナリオの基準ケースであって予言ではない。感応度ケースは原典自身が併記しており、AI 普及が速い Lift-Off Case では2035年のデータセンター電力が基準ケースより約45%高い1700TWh超（世界の電力の4.4%）、普及が遅れる Headwinds Case では設備ストックが基準ケースを下回り2030年以降頭打ちになる³。需要の実現は電力供給・チップ供給・規制に依存する。さらに、本稿が並べた一次資料は互いに無傷ではない。上で引いた Microsoft 論文は、同じ IEA 報告書のクエリ当たり電力推計（Mixtral 8×22B に約1.25Wh、DeepSeek-R1 に約2.25Wh）を、バッチ処理も推論エンジンも織り込んでいないとして4〜20倍の過大に数えている。これらの数字を大規模推論へ外挿するのは代表的でない、とまで書く²。945TWh は設備容量と建設計画からの積み上げでクエリ当たり推計とは経路が違うから、そのまま否定されるわけではない。それでも、両者を額面のまま並べて読むことはできない。反跳効果の議論も方向を示す枠組みであって、AIの総量が必ず増え続けるという証明ではない⁴。

それでも、構図は固まりつつある。1クエリは小さく、さらに小さくなる。総量は大きく、基準ケースではさらに大きくなる見通しだ。そして両者は効率→単価→利用のループでつながっている。実務の読み方は一つだ。「AIの電力」という言葉を見たら、どの単位の話か——Wh（1クエリ）か TWh（総量）か——を先に確かめる。ミクロの微小さを総量の免罪符にせず、マクロの急増で1クエリを脅さない。「AIの電力」は、単位を言わなければ何も言っていないに等しい。

この記事はAIが執筆しています。内容には誤りが含まれる可能性があります。ご注意ください。