OpenAIのCEO、Sam Altman氏が、AIのエネルギー消費をめぐる議論に対し、挑発的ともいえる反論を展開した。インド・ニューデリーでThe Indian Express主催のイベントに登壇したAltman氏は、AIモデルの訓練に必要な電力と、人間が「知性」を獲得するまでに費やすエネルギーを同じ天秤に載せ、「公平に比べれば、AIはすでにエネルギー効率で人間に追いついている」と主張した。この発言は、AI産業が抱えるエネルギー問題の本質を浮かび上がらせると同時に、議論のフレーミングそのものに疑問を投げかけている。
Altman氏の論法：「訓練コスト」の再定義
Altman氏の議論の核心は、比較の単位をどこに置くかという問題にある。批判者がしばしば持ち出すのは、大規模AIモデルの訓練に要する総エネルギー量と、人間が一つの質問に答えるために消費するエネルギーとの比較だ。Altman氏はこの比較を「常に不公平だ」と一蹴する。
「人間を訓練するのにも膨大なエネルギーがかかる。賢くなるまでに20年の人生と、その間に食べるすべての食事が必要だ」。Altman氏はさらに、個人の育成コストにとどまらず、人類の進化史全体にまで議論を拡張した。「それだけではない。これまで生きてきた約1000億人の人類が、捕食者に食べられないことを学び、科学を解明し、今のあなたを生み出すまでの、広範な進化の過程があった」。
この論法から導かれるAltman氏の結論はこうだ。「公平な比較とは、すでにモデルが訓練された状態で、ChatGPTに質問したときにどれだけのエネルギーが必要かを、人間の場合と比べることだ。そう測定すれば、おそらくAIはすでにエネルギー効率で追いついている」。
数字が語る「推論コスト」の実態
Altman氏の主張を裏付けるデータは存在する。人間の脳は約20ワットの電力を常時消費しており、20年間の発達期間に蓄積されるエネルギー消費量は約3,500キロワット時に達する。身体全体の維持に必要な食料のエネルギーまで含めれば、人間一人が「使い物になる」までの累積エネルギーは数十万キロワット時規模に膨らむ。
一方、GPT-4クラスの大規模モデルの訓練に消費されたエネルギーは推定約50,000キロワット時とされる。絶対値として見れば確かに大きな数字だが、このコストは一度きりの投資であり、訓練後のモデルは数百万件のクエリに対し、1件あたり0.001〜0.01キロワット時程度で応答できる。人間の脳が集中して思考する際に1時間あたり約0.02キロワット時を消費することと比べれば、推論単位のコスト比較ではAIに分があるように見える。
ただし、この比較には重要な留意点がある。AI側の推論コストはモデルのサイズ、プロンプトの長さ、使用するハードウェアによって桁違いに変動する。小規模で最適化されたモデルが効率的なアクセラレータ上で動作する場合と、フロンティアモデルが多数のGPUにまたがって処理する場合とでは、消費エネルギーに数桁の差が生じる。単一の「1クエリあたりのエネルギー」という数値は、条件を特定しなければほとんど意味を持たない。
論法の穴：進化コストは誰のものか
また、Altman氏の議論には見過ごせない論理的飛躍がある。人間の知性のコストに進化史を上乗せするのであれば、AI側にも同等の「前史」を算入すべきではないだろうか。現代のAIチップを設計したのは人間のエンジニアであり、そのエンジニアを育てた教育制度、さらにはENIACから始まるコンピュータ科学の発展史、そしてその基盤となった物理学や数学の蓄積――これらすべてが、AIモデルの存在を可能にしている。エイリアンがENIACの設計図を届けたわけではないのだ。
さらに批判者の一部は、Altman氏の論法が人間の幼少期、学習、成長といった経験を単なるエネルギー入力に還元していると指摘する。知性の獲得には数字で測れないものが含まれるという観点から見れば、この比較自体がカテゴリーエラーを含んでいる。Altman氏が意図的にそのような還元を行っているわけではないにせよ、このフレーミングが人間の知的営みに対する軽視と受け取られるリスクは残る。
水の消費をめぐる「完全なデマ」発言
エネルギー問題と並んで注目されたのは、AIの水消費に関するAltman氏の発言だ。「ChatGPTの1クエリに17ガロンの水が必要」というインターネット上の主張について、Altman氏は「完全にデタラメで、現実とまったく接点がない」と断じた。
Altman氏の説明によれば、以前はデータセンターで蒸発冷却を使用していたため水の消費は確かに問題だったが、現在はクローズドループの液体冷却やダイレクト・トゥ・チップ冷却に移行しており、状況は大きく変わっている。実際、ハイパースケール事業者の多くは非飲料水やリサイクル水の利用も進めている。
とはいえ、この分野の透明性は依然として低い。Microsoftは2022年に全社の水使用量が約34%増加したと報告し、AIがその一因であることを認めた。Googleも同期間に約20%の増加を報告している。学術研究者による「AI水フットプリント」の推定値も出ているが、その幅はデータセンターの立地、冷却設計、ワークロードの稼働タイミングによって大きく異なる。
問題の根幹にあるのは、情報開示の標準が整備されていないことだ。排出量報告とは異なり、ワークロード単位のデータセンターの水・エネルギー消費について、グローバルに統一された義務的な開示基準は存在しない。この情報の空白が、センセーショナルな数字と矛盾した言説を生む土壌になっている。
膨張するAIの電力需要と電力市場への波及
国際エネルギー機関（IEA）の推計によれば、データセンターの電力消費は2022年で約460テラワット時に達し、2026年には620〜1,050テラワット時に拡大する可能性がある。AIがその主要な駆動力の一つだ。米国では、エネルギー情報局（EIA）がデータセンターの電力消費を全米の約4%と見積もっている。
データセンターの急拡大は一部の地域で送電網に負荷をかけ、電気料金の上昇にも関連している。アイルランドや米バージニア州北部では、ハイパースケールキャンパスの拡大に伴い、系統連系と容量計画の引き締めが進んでいる。電力会社はAI導入の加速を織り込んで需要予測を書き換えており、急成長地域では数ギガワット規模の接続要求が常態化している。
科学者たちはこうしたエネルギー・水の消費を独自に調査しようと試みているが、テック企業に法的な開示義務がない以上、全体像の把握には限界がある。データセンターの増加は電気料金の上昇と結びつき、AIとデータセンターを「標的」にする動きも出始めている。
Altman氏が推す解決策：原子力と再生可能エネルギーの加速
Altman氏はエネルギー消費の増大を認めた上で、その解決策として原子力、風力、太陽光への急速な移行を挙げた。「世界は今、非常に多くのAIを使っている。だからこそ、原子力か風力・太陽光に非常に速く移行する必要がある」。
この処方箋はハイパースケール事業者の動向と一致している。長期の風力・太陽光契約、グリッドスケールの蓄電池、そして24時間365日のカーボンフリーエネルギー・マッチングへの関心が高まっている。原子力も再び議論の俎上に載っている。Altman氏自身は先進的核分裂スタートアップOkloの会長を務めており、Microsoftは小型モジュール炉を検討し、核融合企業Helionとの将来的な供給契約まで模索している。
効率化の面でも進展は続いている。データセンターの平均PUE（電力使用効率）はこの10年で改善を遂げ、ダイレクト・トゥ・チップ液体冷却は高温地域でのエネルギーと水の消費を同時に削減する。次世代アクセラレータとソフトウェアスタックはジュールあたりの推論性能を向上させており、モデルアーキテクチャも特化型、蒸留、検索拡張といった手法に移行し、多くの企業ユースケースで品質を犠牲にせずにコンピュート量を削減できるようになっている。
議論のフレーミングが問うもの
Altman氏の発言をインドという文脈で読み解くと、その戦略的意図が見えてくる。このQ&Aセッションは、Altman氏をはじめとするAI業界のリーダーたちがNarendra Modi首相と面会した、注目度の高い一週間の中で行われた。インドはAI成長のエンジンとして位置づけられており、エネルギー消費への懸念がAI展開の障壁となることをAltman氏は避けたいはずだ。
Altman氏の主張の本質は、AIのエネルギー消費の「否認」ではなく「再フレーミング」にある。AIは確かに膨大なエネルギーを使う。だが人間も、そして人間の仕事を支えるシステムも、同様にエネルギーを消費している。政策上の本当の問いは、AIがもたらす生産性の向上を、現状よりもクリーンで透明性の高いエネルギーミックスで実現できるかどうかだ。
欧州連合は大規模データセンターに対してエネルギーと水の詳細な指標の報告を義務づける規則の整備を進めており、同様の枠組みが他の地域にも広がる可能性がある。推論あたりのエネルギー・水消費のラベリング、立地ベースおよび時間マッチングの排出量会計、訓練と推論のフットプリントのより明確な分離――こうした標準化の動きが、議論を感情論から実証的な比較へと移行させる鍵となる。
Altman氏の比較が完全に公正であるかには疑問の余地がある。だが、この議論が提起した問い、すなわち知性のコストをどう測定するのかは、AI産業の持続可能性を考える上で避けて通れないものだ。訓練コストと推論コストの区別、電力源のクリーン化、そして透明性の確保。この三つの軸が交差するところに、AIのエネルギー問題の解は存在するのかもしれない。
Sources
