AIやクラウドサービスの普及に伴い、データセンターの電力消費が急速に増えている。2026年11月16日に学術誌『Nature Sustainability』で公開された研究では、米国で稼働する403のハイパースケールデータセンターについて、年間約82 TWhの電力需要と約2,570万トンの二酸化炭素(CO₂)排出量が推計された。これは米国全体の電力消費量の約1.8%に相当する。ただし、各施設の電力メーターから得られた実測値ではなく、施設ごとの電気容量と想定稼働率、地域の電源構成を組み合わせて算出した数値だ。研究チームは、施設単位で電力需要とCO₂排出量を推計する手法を構築し、データセンターの環境負荷が地域や稼働条件によってどう変わるかを分析した。
米国の巨大データセンター403施設、年間82 TWhの電力需要と2,570万トンのCO₂排出量
Gianluca Guidi氏らの研究チームが発表した査読付き論文(Nature Sustainability)は、米国のハイパースケールデータセンター(HDC)について、施設ごとの電力需要とCO₂排出量を推計したものだ。論文は2025年6月23日に投稿され、2026年10月13日に受理、11月16日に公開された。分析対象は、2024年5月から2025年4月にかけて稼働していた403施設である。
研究チームが設定した中心シナリオでは、403施設の年間電力需要は約82 TWhと推計された。これは米国全体の電力消費量の約1.8%に相当し、その電力需要に帰属するCO₂排出量は約2,570万トン(25.7 Mt)となった。なお、研究が対象としているのはCO₂の排出量であり、ほかの温室効果ガスを含むCO₂換算排出量(CO₂e)ではない。
研究チームは、施設の負荷率を変えた複数のシナリオも分析している。その結果、年間電力需要は約68~99 TWh、帰属CO₂排出量は約2,100万~3,100万トン(21~31 Mt)の範囲となった。中心値として示された82 TWhと2,570万トンは、施設の平均負荷率に特定の条件を設定した場合の推計結果である。
| シナリオ | 施設負荷係数(u) | 年間電力需要(TWh/年) | 帰属CO₂排出量(百万トン) |
|---|---|---|---|
| 低負荷シナリオ | 本文の要約範囲では数値を確認できず | 約68 | 約21 |
| 中心シナリオ | 0.58 | 約82 | 約25.7 |
| 高負荷シナリオ | 本文の要約範囲では数値を確認できず | 約99 | 約31 |
注:2024年5月~2025年4日に稼働していた米国のHDC 403施設を対象とするモデル推計。低負荷・高負荷シナリオの負荷係数の具体的な数値は、論文本文の要約範囲では確認できない。
この推計では、施設が保有する電気容量のうち、年間を通じて平均何割を消費するかを表す負荷係数「u」が重要な役割を持つ。電力需要と帰属CO₂排出量は、この係数の設定に応じて変動する。実際の消費電力が公開されていない施設についても評価できる一方、推計結果には負荷率の仮定が直接反映される仕組みだ。
衛星画像と電力網のデータを組み合わせた推計手法
研究チームはまず、米国内にある675の候補施設を抽出した。事業者の記録や住所のジオコーディング、OpenStreetMapの建物形状データ、目視による確認、衛星画像などを組み合わせて施設を精査し、最終的に403施設を分析対象として確定した。
次に、各施設がどれだけの電力を使用できるかを示す電気容量を調べた。403施設のうち397施設については、データプロバイダーの記録などから電気容量を特定できた。残る6施設については、建物面積、気候区分、バランシング・オーソリティ(電力系統の需給調整を担う機関)を説明変数とする勾配ブースティング回帰木を用いて、欠損値を推定した。
年間電力需要は、施設の電気容量に年間8,760時間と負荷係数を掛けて算出している。
\[ E=P_{\mathrm{capacity}}\times8760\times u \]
ここで、 は年間電力需要、P_} は施設の電気容量、 は施設負荷係数を表す。電気容量には、サーバーなどのIT機器だけでなく、冷却設備や電力変換で生じる損失も含まれている。中心シナリオで採用された は、施設の電気容量の58%を年間平均で使用すると仮定したものであり、個々の施設で測定された実際の負荷率ではない。
CO₂排出量の計算には、米国環境保護庁(EPA)の「eGRID2023 Revision 2」が用いられた。研究チームは、各施設が属するバランシング・オーソリティの管轄区域について、発電所ごとの発電量とCO₂排出量を集計し、その地域の電源構成に基づいてデータセンターの電力消費に排出量を割り当てた。
この手法は、地域の電源構成を基準とする「ロケーション基準」の算定であり、発電所の総発電量を分母とする「総出力ベース」の炭素強度を使用している。データセンター自身から直接排出されるCO₂を測定したものでも、施設の新設や稼働によって電力網全体の排出量がどれだけ増えたかを計算したものでもない。地域の電力網で発生したCO₂排出量を、各施設の推定電力需要に応じて配分する帰属的な算定方法である。
研究の再現性を確保するため、電気容量の推定モデルや計算手順、州別・バランシング・オーソリティ別の集計データはGitHubで公開されている。一方、個々の施設の識別情報、正確な住所や緯度・経度、商業上の機密に関わる属性は、データ利用契約によって公開が制限されている。外部の研究者は公開された集計結果や計算手順を検証できるが、元の施設単位のデータすべてに自由にアクセスできるわけではない。
化石燃料が約54%、電力需要の半分以上はわずか4州に集中
研究チームが地域の電源構成を分析したところ、403施設に帰属する発電量の約54%が化石燃料由来だった。内訳では天然ガスが約38%、石炭が約15%を占めており、データセンターの電力需要を支える発電には、依然として化石燃料が大きな割合を占めていることがわかった。
一方、403施設の電力需要で加重平均した総出力ベースの炭素強度は、約314 gCO₂/kWhだった。これは研究チームが比較対象として示した米国全体の平均値である約348 gCO₂/kWhを下回る。今回の分析対象となった施設は、平均すると米国全体よりも炭素強度の低い電力網に立地している計算になる。
ただし、炭素強度が全国平均を下回っていても、電力需要が大きければCO₂排出量の総量は増える。403施設の年間電力需要は約82 TWhに達するため、電力1 kWhあたりの排出量が全国平均より少なくても、帰属CO₂排出量は約2,570万トンに上る。
電力需要の地理的な偏りも明らかになった。403施設の電力需要の半分以上が、バージニア州、オレゴン州、オハイオ州、アイオワ州の4州に集中していた。ハイパースケールデータセンターの集積が進む地域では、電力需要の増加に加え、その地域の発電構成がデータセンターに帰属するCO₂排出量を大きく左右することになる。
AIだけの電力消費ではない、既存調査との違いと推計の限界
今回の研究を解釈するうえで重要なのは、403施設が米国のすべてのハイパースケールデータセンターを網羅しているわけではない点だ。対象に含まれなかった施設が存在する一方、分析対象の電力需要は仮定した負荷率によって変動する。施設の網羅性と負荷率の推定には異なる不確実性があり、研究チームも403施設の合計値を米国全体の電力需要の厳密な下限値とは位置付けていない。
また、施設ごとのデータからは、一般的なクラウド処理とAIに特化した処理を区別できない。そのため、約82 TWhという電力需要や約2,570万トンというCO₂排出量は、AI専用設備だけの数値ではなく、分析対象となったハイパースケールデータセンター全体の推計値である。研究では健康への影響も直接評価しておらず、分析対象は電力需要、帰属する発電量と燃料構成、炭素強度、CO₂排出量に限定されている。
さらに、推計に使用されたデータには時間的なずれがある。施設の稼働状況を調べた期間は2024年5月から2025年4月だが、電源構成とCO₂排出量の算定には2023年の発電所データであるeGRID2023を使用している。したがって、施設の分析対象期間と発電所の集計期間は一致していない。
既存の業界調査との比較にも、対象範囲の違いがある。ローレンス・バークレー国立研究所(LBNL)が2024年12月に公表した『2024年米国データセンターエネルギー使用報告書』では、機器の設置台数や消費電力などを積み上げる手法により、米国の全データセンターの電力消費量を2018年に約76 TWh、2023年に約176 TWhと推計している。それぞれ米国全体の電力消費量の約1.9%、4.4%に相当する。
LBNLの調査は小規模な施設も含む米国のデータセンター業界全体を対象としているのに対し、今回の研究は確認された403のハイパースケールデータセンターに対象を絞っている。分析対象の施設だけでなく、推計に使うデータや計算方法も異なるため、両者の数値を単純に比較して電力需要の増減を判断することはできない。
論文の筆頭著者で、ハーバード大学T.H.チャン公衆衛生大学院の生物統計学部門に所属する博士研究員のGianluca Guidi氏は、すでに確認できる規模だけでも驚くべきものだが、急速に拡大する産業の一時点を捉えたものにすぎないと述べている。今回の研究は、公開情報が限られるデータセンター業界について、施設の電気容量と地域の電源構成から電力需要とCO₂排出量を推計する方法を示した。今後、施設ごとの実測電力データや最新の発電所データが整備されれば、推計の精度を高めるとともに、AI向けの設備増設が電力需要とCO₂排出量に与える影響をより詳しく分析できるようになる。



