要点
狭い意味でのグリーン AI とは、AI そのものの環境負荷、つまりエネルギー、炭素、水、ハードウェアを減らすことです。AI for Green(AI による環境対策)とは、再生可能エネルギーの発電量予測やメタン漏れの検知から、洪水警報や天気予報まで、AI を使って気候や環境のための取り組みを支えることです。この 2 つは一体のものです。気候のための AI プロジェクトが役に立つのは、それが生むコストより大きな削減をもたらす場合だけだからです。
要点
- グリーン AI は AI そのものの環境負荷を減らします。AI for Green は、AI を使ってほかの分野の排出を減らしたり、人々が気候変動に適応するのを助けたりします。
- AI for Green には、緩和(排出の削減)と、適応とレジリエンス(気候変動の影響への対処)の両方が含まれます。
- 国際エネルギー機関は、AI を活用した既存の解決策を幅広く使えば、2035 年のエネルギー関連排出量の約 5% に相当する排出を削減できると推定していますが、それが保証されているわけではないとしています。
- AI for Green のプロジェクトは、自らの環境負荷を算出し、それを回避できる排出や被害と比べ、不確実性の幅を誠実に示すべきです。
- 優れた AI for Green のプロジェクトは、グリーン AI を実践しています。うまく機能する最も小さなモデルを使い、エネルギー使用量を測定し、リバウンド効果に注意を払います。
ほとんど同じに聞こえる 2 つの言葉が、まったく異なる取り組みを指しています。「グリーン AI」は、AI が地球に与えるコストに関するものです。「AI for Green」は、AI が地球のためにできることに関するものです。この記事では、その違いを説明し、それぞれの実例を紹介し、最良のプロジェクトにはなぜ両方が必要なのかを示します。
グリーン AI と AI for Green の違いは何ですか?
グリーン AI は AI そのものの環境負荷を減らし、AI for Green は AI を使って気候や環境のための取り組みを支えます。一方は AI システムの内側に目を向け、もう一方は AI を応用する問題という外側に目を向けます。
- グリーン AI は、多くの人が意味する狭い意味では、AI が使うエネルギー、炭素、水、ハードウェアに関するものです。より効率的なモデルやコード、エネルギー使用量の測定、よりクリーンな電力での稼働、ハードウェアをより長く使い続けること、そして充足、つまり AI や大きなモデルを、その価値がある場面でだけ使うことが含まれます。
- AI for Green は、AI を環境問題に応用するものです。排出を減らすことと、人々や自然が気候の変化に対処するのを助けることの両方が含まれます。
このサイトのグリーン AI とは?では、「グリーン AI」をこの両方の考え方をまとめる総称として使い、狭い意味のほうを「よりグリーンな AI」と呼んでいます。区別の仕方は同じです。どの言葉を使うにしても、どちらの意味なのかを明確にすると役に立ちます。
AI for Green には何が含まれますか?
気候に関する取り組みは大きく 2 種類あります。排出を減らす緩和と、気候の変化がもたらす被害を減らす適応とレジリエンスです。Rolnick らによる 2019 年の論文『Tackling climate change with machine learning(機械学習で気候変動に取り組む)』は、スマートグリッドから災害管理まで、その両方を整理しました。この論文を発表した Climate Change AI は、2019 年に設立されたボランティア運営の非営利団体で、現在はこの分野でワークショップ、サマースクール、イノベーション助成金を運営しています。
緩和:排出を減らす
- 電力網:風力や太陽光の発電量と需要を予測し、化石燃料によるバックアップを減らしながら電力網の需給を調整できるようにします。
- メタンと排出の検知:国連環境計画が 2023 年に導入したメタン警報・対応システム(MARS)は、衛星データに科学的な専門知識と AI を組み合わせて、大規模なメタン放出についての警報を無料で送っています。IEA の報告によると、2025 年に対応がなされた通知は約 12% にとどまりました。検知が役に立つのは、誰かがそれに基づいて行動した場合だけだということを思い出させます。
- 材料の発見:Google DeepMind の GNoME プロジェクトは 2023 年、グラフネットワークによって 220 万の結晶構造を特定し、そのうち 381,000 が新たに発見された安定な材料であると Nature 誌で報告しました。これは、より優れた電池や太陽電池を開発するための出発点です。ただし、それぞれの候補は、実際に作って試験する必要があります。
- 建物と産業:DeepMind は 2016 年、機械学習によって Google のデータセンターの冷却に使うエネルギーを一貫して 40% 削減できると報告しました。
- 農業と土地利用:衛星画像から作物、土壌、森林破壊を監視します。
適応とレジリエンス:気候変動に対処する
- 気象と気候の予測:機械学習による気象モデル GraphCast は、1,380 の検証項目の 90% で、最も精度の高い実運用の決定論的システムを上回り、10 日間の全球予報を 1 分未満で作成しました。2025 年 2 月 25 日、欧州中期予報センター(ECMWF)は、機械学習による人工知能予報システム(AIFS)の実運用を開始しました。ECMWF によると、AIFS は多くの指標で物理ベースのモデルを上回り、予報の作成に使うエネルギーは約 1,000 分の 1 です。
- 洪水警報:Nearing らは 2024 年に Nature 誌で、観測所のない河川流域での AI による洪水予測が、5 日前の時点で、世界有数のシステムによる当日の予測と同等かそれ以上の信頼性を持つことを示しました。彼らのモデルは、80 か国以上で無料の公開予報を提供する早期警報システムに使われています。
- 山火事や熱波の早期警報、災害対応、水管理、生物多様性の監視(たとえば、カメラトラップや録音から生物種を特定すること)。
両者を比べるとどうなりますか?
目的、担い手、成功の尺度は異なりますが、共通するリスクが 1 つあります。主張された効果が一度も測定されないことです。
| グリーン AI | AI for Green | |
|---|---|---|
| 目的 | AI が使うエネルギー、炭素、水、資源を減らす | AI を使ってほかの分野の排出を減らす、または気候による被害を減らす |
| 担い手 | AI 開発者、データセンターやチップの設計者、IT・調達チーム、日常的な利用者 | 気候・地球科学者、エネルギー企業、予報担当者、自然保護団体、政府、そして AI の専門家 |
| 成功とは | 役に立つ結果 1 つあたりのエネルギーと炭素を減らし、総使用量も下げること | 回避した排出の測定値、より早い警報、救われた命とお金 |
| 主な手法 | より小さなモデルや蒸留モデル、量子化、エネルギー測定、カーボンアウェアなスケジューリング、ハードウェアの長寿命化 | 予測、衛星画像の解析、電力網や建物の最適化、材料のスクリーニング |
| 主なリスク | 節約分がより多くの利用に回ること(リバウンド効果)、総量を示さない効率の主張 | 環境負荷が効果を上回ること、効果が測定されずに想定されること、誰も対応しない検知 |
AI は気候にとって良いものですか、悪いものですか?
そのどちらでもあり、どちらに傾くかは使い方次第です。国際エネルギー機関(IEA)の 2025 年の報告書『Energy and AI』は、基本ケースで、データセンターの電力使用による排出量が現在の 1 億 8,000 万トンから 2035 年までに 3 億トンに増えると見込んでいます。また、AI を活用した既存の解決策を幅広く使えば、2035 年のエネルギー関連排出量の約 5% に相当する排出を削減できると推定しています。これはデータセンターの排出量よりはるかに大きいものの、気候変動に取り組むために必要な量よりはるかに小さいものです。
IEA は、この 2 つ目の数値について慎重です。導入の障壁を乗り越える必要があること、人々が公共交通機関から自動運転車に乗り換えるといったリバウンド効果によって効果が損なわれる可能性があること、そして AI は「万能薬ではない」ことを述べています。Kaack らが 2022 年に Nature Climate Change 誌で示した考え方が参考になります。彼らは、AI が排出に与える影響を 3 つのグループに分けています。
- コンピューティング関連の影響:AI が使うエネルギーとハードウェア。
- 応用による直接の影響:使用による直接の効果。たとえば、燃やす燃料が減ること。
- システムレベルの影響:リバウンドを含む、行動や需要のより広い変化。
グリーン AI は 1 つ目のグループに、AI for Green は 2 つ目のグループに取り組みます。3 つ目は、そのどちらにとっても良くも悪くも働きえます。
グリーン AI と AI for Green が一体であるべきなのはなぜですか?
AI for Green のプロジェクトが役に立つのは、それが生むコストより大きな削減をもたらす場合だけであり、そのコストを低く抑える方法がグリーン AI だからです。気候のための目的があっても、環境負荷が消えるわけではありません。
AI for Green のタスクの多くは、グリーン AI と相性がよいものです。気象、洪水、電力網の予測は、1 つの仕事のために作られた専用システムであり、ECMWF は、AIFS が予報の作成に使うエネルギーは約 1,000 分の 1 だと報告しています。この数値は予報の作成についてのもので、完全に評価するにはモデルの学習も数える必要があります。リスクが生じるのは、プロジェクトが大規模な汎用モデルに頼ったり、必要以上に頻繁に再学習したり、効果に見合わない規模で稼働したりするときです。Luccioni、Strubell、Crawford は、効率の向上はより多くの利用を促しうるため、プロジェクトはタスクあたりの効率だけでなく、環境負荷の総量を見るべきだと論じています(効率は充足ではないをご覧ください)。
そのため、優れた AI for Green のプロジェクトはグリーン AI を実践しています。
- うまく機能する最も簡単な方法を選びます。それが古典的な統計や物理モデルであることもあります。
- システムの学習と運用のエネルギーを測定します。
- 電力がよりクリーンな場所と時間に稼働させます。
- ゼロから学習させるのではなく、既存のモデルやデータを再利用します。
AI for Green のプロジェクトの正味の効果は、どう評価すればよいですか?
AI がなかった場合と比べて、AI 自身の環境負荷を、それが回避する排出や被害と比べ、不確実性の幅を示します。Kaack らは、この種の影響評価を優先課題として求めています。
- AI の環境負荷を数えます。学習、再学習、日常的な利用、データの保存、そして可能であればハードウェアの内包炭素(エンボディドカーボン)を含めます。可能な場合は、推測ではなく測定します。
- 反実仮想を定めます。AI がなければどうなるでしょうか。既存の予報、人手による点検、あるいは何もしないことでしょうか。効果とは、その差だけです。
- 回避した排出や被害を見積もります。検知や予測だけでなく、実際に修理された漏れや実際に節約されたエネルギーなど、測定された成果がある場合はそれを使います。
- リバウンドとシステムへの影響を含めます。活動が安く簡単になることで、その活動が増えないかを問います。
- 不確実性を示します。幅を示し、前提を明記し、システムを使い始めたら見積もりを見直します。
幅の悲観的な側でも効果が環境負荷の何倍にもなるなら、その根拠は強固です。両者が近い場合や、効果が測定されていない場合は、その主張を慎重に扱ってください。測定こそがボトルネックと誠実な環境主張をご覧ください。
次にすること
- 基本的な定義については、グリーン AI とは?をお読みください。
- AI for Green のプロジェクトを始める前に、その反実仮想と、エネルギー使用量を測定する方法を書き出しておきましょう。
- 気候や自然のための基金を含め、グリーン AI と AI for Green のプロジェクト向けの資金を探しましょう。
- この分野で活動している団体は、研究ディレクトリで見つけられます。
- 総使用量がなぜ重要なのかを知るには、効率は充足ではないをお読みください。
- なじみのない用語は用語集で調べられます。
よくある質問
AI for Green とは何ですか?
AI for Green とは、人工知能を使って気候や環境のための取り組みを支えることです。たとえば再生可能エネルギーの発電量を予測したりメタン漏れを見つけたりして排出を減らすこと、洪水警報やより正確な天気予報などを通じて人々の適応を助けることが含まれます。
グリーン AI と AI for Green の違いは何ですか?
グリーン AI は AI そのものの環境負荷に関するもので、モデル、ハードウェア、データセンターが使うエネルギー、炭素、水、資源を減らすことです。AI for Green は AI を何に使うかに関するもので、AI を環境問題に応用することです。プロジェクトは、どちらか一方であることも、両方であることも、どちらでもないこともあります。
AI は気候にとって良いものですか、悪いものですか?
使い方によって、そのどちらにもなります。国際エネルギー機関は、既存の AI の応用をより広く使えば、データセンターが増やす排出をはるかに上回る排出を削減できるとしていますが、それは保証されておらず、リバウンド効果によって効果が損なわれる可能性があると警告しています。
グリーン AI とサステナブル AI の違いは何ですか?
この 2 つの用語は重なり合っており、同じ意味で使われることもよくあります。グリーン AI は通常 AI の環境負荷に焦点を当てたもので、サステナブル AI はより広く、社会的・経済的な影響も含めて使われることが多い用語です。
AI の気候プロジェクトが、その環境負荷に見合うものかどうかは、どうすればわかりますか?
AI の構築と運用にかかるエネルギーと炭素を見積もり、AI がない場合と比べて回避できる排出や被害を見積もり、不確実性の幅をつけて両者を比べます。効果が測定されていなければ、その主張は証明されていません。
AI が気候変動対策に役立っている例はありますか?
はい。ECMWF の AIFS のような機械学習による気象モデルはすでに実運用されています。AI による洪水予測は 80 か国以上で無料の公開警報を提供しており、国連環境計画のメタン警報システムは、衛星データと AI を使って大規模なメタン放出を知らせています。
出典
- Tackling climate change with machine learning, Rolnick et al., Climate Change AI (arXiv:1906.05433) (2019)
- About Climate Change AI, Climate Change AI (2026)
- Aligning artificial intelligence with climate change mitigation, Kaack et al., Nature Climate Change (2022)
- Energy and AI: executive summary, International Energy Agency (2025)
- ECMWF's AI forecasts become operational, European Centre for Medium-Range Weather Forecasts (2025)
- Learning skillful medium-range global weather forecasting (GraphCast), Lam et al., Science (arXiv:2212.12794) (2023)
- Global prediction of extreme floods in ungauged watersheds, Nearing et al., Nature (2024)
- Responding to satellite notifications from the Methane Alert and Response System, International Energy Agency (2026)
- Scaling deep learning for materials discovery, Merchant et al., Nature (2023)
- DeepMind AI reduces Google data centre cooling bill by 40%, Google DeepMind (2016)
- From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate, Luccioni, Strubell and Crawford, ACM FAccT (2025)
関連
グリーン AI とは何か?
グリーン AI をわかりやすく定義します。環境のための AI と AI 自体のグリーン化、効率と充足、そしてエネルギー、炭素、水、資材のフットプリントを解説します。
効率は充足ではない:AI におけるリバウンド効果
AI の効率を高めても全体のエネルギー使用量が減るとは限らない理由、リバウンド効果(ジェボンズ効果)とは何か、そして節約を本物にするための方法を説明します。
AI のエネルギーと炭素を測る方法
AI 作業のエネルギーと炭素を計測または推計するための実践ガイド。ツール、システム境界、タスクあたりの指標、不確かさの誠実な扱い方を解説します。
グリーン AI のボトルネックは測定にある
AI のエネルギー数値が信頼しにくく比べにくい理由を解説します。自己申告の数値、実測ではない推計、異なる境界、そしてよい測定のあり方を紹介します。