要点
エッジとクラウドのどちらかが、もともとグリーンだということはありません。大規模なモデルは通常、中央のデータセンターのほうが効率よく動きます。一方、端末上やエッジの AI はネットワーク通信を避け、データを手元に置き、オフラインでも動作できます。端末、ネットワーク、ハードウェアを含むシステム全体で、役に立つ結果 1 件あたりのエネルギーを比べ、ケースごとに判断しましょう。
要点
- 小さく、頻繁で、遅延に敏感なタスクはローカルで動かし、大きなタスクやまれなタスクは効率のよい中央のハードウェアに送りましょう。
- IEA の推計では、2022 年にデータ伝送ネットワークが使った電力は 260〜360 TWh で、世界の電力の約 1〜1.5% に当たり、その約 3 分の 2 をモバイルネットワークが占めました。
- ネットワークのエネルギーはデータ量にきれいに比例しないため、ギガバイトあたりの削減効果は過大に見積もられがちです。
- 数十億台の端末が積み重なります。利用者の端末、そのバッテリー、買い替えが必要になるかもしれないハードウェアも数に入れましょう。
- ローカルの AI はデータを端末上に留めるため、プライバシー、主権、レジリエンスに役立ちます。
エッジとクラウド、どちらの AI がグリーンですか?
タスク、モデル、端末によって変わるため、思い込みではなくシステム全体で比べましょう。 中央のデータセンターはアクセラレーターを高い稼働率で動かし、専用の冷却設備を備えているため、大規模なモデルの計算を通常はより効率よくこなします。エッジ AI は端末上や近くのサーバーで動くため、ネットワーク越しにデータを送らずに済み、使っていないときは完全に電源を切ることもできます。
数学者、コンピューター科学者、産業界が集まった 2026 年の英国のグリーン AI サンドピット(集中討議型ワークショップ)では、まさにこの問いが投げかけられました。AI はセンサー、カメラ、ドアホン、自動車、スマートフォンのアシスタントへと広がっています。何百万台もの端末で掛け合わせると、ローカルの AI はデータをデータセンターに送るより多くのエネルギーを使うのでしょうか、それとも少ないのでしょうか。参加者は、エッジに配備された一部の小型の画像認識モデルについてはエンドツーエンドのエネルギー研究があるものの、大規模言語モデルについてはほとんどないと指摘しました。現時点での正直な答えは「自分のケースを測定してください」です。
どのようなトレードオフがありますか?
それぞれの選択肢は、異なる点で優れています。
| 要素 | 端末上/エッジ | 中央のデータセンター |
|---|---|---|
| 計算あたりのエネルギー | 汎用チップでは通常高め、専用のニューラルアクセラレーターでは良好 | 通常は低め、特に稼働率が高いとき |
| モデルの大きさ | 小型で、量子化されていることが多い | どんな大きさでも可 |
| ネットワークのエネルギー | ほとんど、またはまったくない | リクエストのたびに通信が発生 |
| 待機時のエネルギー | スリープや電源オフが可能 | 共有の容量を常に待機させる |
| ハードウェア | 数十億台の端末に分散し、買い替えを促すおそれ | 集中しており、数年ごとに更新 |
| 遅延 | 速く、オフラインでも動作 | 接続状況に左右される |
| プライバシー | データを端末上に留められる | データが利用者の管理下を離れる |
| 測定 | 難しい:分散しており、報告されない | プロバイダーが報告すれば可能 |
| 管理 | 分散している | 少数のプロバイダーに集中 |
ネットワークはどのくらい影響しますか?
ネットワーク全体では多くのエネルギーを使いますが、その多くはほぼ一定のベースラインであるため、個々のリクエストの影響は、バイト単位の計算ツールが示すより小さくなります。
- 国際エネルギー機関(IEA)の推計では、データ伝送ネットワークは 2022 年に 260〜360 TWh を使い、世界の電力の約 1〜1.5% に当たりました。その約 3 分の 2 はモバイルネットワークです。
- Mytton、Lundén、Malmodin は 2024 年に、ネットワークのエネルギーはデータ量に正比例しないことを示しました。ネットワーク機器は忙しいかどうかにかかわらず電力を消費するため、ギガバイトをそのままキロワット時に換算すると、送るデータを減らしたときの削減効果を過大に見積もってしまいます。
- それでもデータは減らしましょう。サーバーや端末のエネルギーが節約でき、通信を避けることで将来のネットワーク容量の増強を避けられる可能性もあります。ただし、ギガバイトあたりのネットワークの削減効果を、エッジ AI を選ぶ主な根拠にしてはいけません。
公表されているプロンプトあたりの数値の多くは、ネットワークと利用者の端末を含めていない点に注意してください。たとえば Google の 2025 年の Gemini の数値は、その両方を除外しています。エッジとクラウドの数値を比べる前に、範囲(バウンダリー)を確認しましょう。
端末そのものはどうですか?
AI を動かす端末のエネルギー、バッテリー、ハードウェアも数に入れましょう。それもあなたのフットプリントの一部です。
- 製造時の排出(エンボディド排出): 端末の製造は炭素を排出します。SCI 仕様では、ソフトウェアシステムのフットプリントに製造時の排出の一部を含めます。端末上の AI のせいで、まだ使えるスマートフォンやノートパソコンを早めに買い替えることになれば、そのコストが運用面での削減を上回ることがあります。
- バッテリーの消耗は、利用者が負担する見えにくいエネルギーコストです。サンドピットでは、その例としてスマートフォンの AI アシスタントが挙げられました。
- 状況への適応: Green Software Foundation は、バッテリー残量が少ないときや端末が熱いときに、より小さなモデルや低い頻度に切り替えることを提案しています。
- 規模: 端末 1 台あたりのわずかな削減やコストも、常時動く何百万台もの端末では大きくなります。
プライバシーとレジリエンスはどう関係しますか?
ローカルの AI はデータを端末上に留め、接続や中央のサービスが止まっても動き続けます。
- プライバシー: ローカルで処理されたデータは、プロバイダーが送信したり保存したりする必要がありません。これは英国と EU のデータ保護法におけるデータ最小化の原則を後押しし、健康記録や重要インフラの記録のような機微なデータに適しています。サンドピットでは、重要インフラの分野では機微な運用データを組織内に留めなければならないことが多く、効率のよいローカルモデルが求められると指摘されました。
- 主権と管理: 分散型の推論は、管理権を少数の大手プロバイダーから分散させます。
- レジリエンス: サンドピットでは依存の問題も取り上げられました。社会が AI に頼っているときに接続や電源が落ちたらどうなるのでしょうか。ローカルの能力があれば、不可欠な機能を動かし続けられます。
- 説明責任: エッジ AI は監視が難しくなります。配備する場合は、どのように測定し報告するかを計画しておきましょう。
どのように段階を追って判断すればよいですか?
選択肢ごとに役に立つ結果 1 件あたりのエネルギーを算出し、そのうえでプライバシー、遅延、レジリエンスを比較検討しましょう。
- タスクとその品質基準を定める。 何をもって成功した結果とみなしますか?
- 基準を満たす最も小さいモデルを見つける(用途に合ったモデルを選ぶ)。量子化したモデルは必要なメモリが少なくなります。LLM.int8() の研究では、8 ビット推論によって必要なメモリが半分になりました。
- 結果 1 件あたりのクラウドのエネルギーを見積もる。 データセンターのオーバーヘッドと、可能であればネットワークも含めます。
- 結果 1 件あたりの端末のエネルギーを測定する。 古い端末や低電力の端末を含め、代表的な端末で測ります。
- ハードウェアへの影響を加える: 新しい端末や専用のエッジサーバーが必要になりますか?
- 頻度を考える: 頻繁で小さなタスクは端末に、まれで重いタスクはクラウドに向いていることが多いです。
- プライバシー、遅延、オフライン利用、レジリエンスを比較検討する。
- 分担を検討する: 小さなローカルモデルがほとんどのリクエストを処理し、難しいものだけをクラウドに引き上げます。
- 配備後に測定し、モデルやハードウェアが変わったら見直す。
チェックリスト
- [ ] エッジ、クラウド、分担の各案について、役に立つ結果 1 件あたりのエネルギーを比べた
- [ ] 範囲に端末と、可能であればネットワークを含めた
- [ ] 十分な性能を持つ最も小さいモデルを選び、品質が保てる場合は端末向けに量子化した
- [ ] AI 機能のために端末の買い替えを強いていない
- [ ] バッテリーと発熱に対処し、残量が少ないときの軽量モードを用意した
- [ ] プライバシーとデータ保護上の利点を記録した
- [ ] エッジへの配備について監視の計画を立てた
次にすること
- AI 機能を 1 つ選び、エッジ、クラウド、分担の各案を書き出しましょう。
- 一般的な端末で結果 1 件あたりのエネルギーを測定し、クラウドでの相当量を見積もりましょう。AI のエネルギーを測定するを参照してください。
- サポートしている最も古い端末で、量子化した小型モデルをテストしましょう。
- プライバシーや主権の理由で、どのデータをローカルに留める必要があるかを決めましょう。
- 全体像はエッジの AIを、クラウド側についてはホスティングとデータセンターをお読みください。
- エッジ AI のツールは製品ディレクトリで、研究グループは研究で探せます。
よくある質問
端末上の AI はクラウドの AI よりグリーンですか?
場合によります。スマートフォン上の小型モデルはデータセンターとネットワークのエネルギーを避けられますが、端末は計算あたりの効率がデータセンターのアクセラレーターより低く、AI を動かすために新しいハードウェアを買えば、それ自体にもフットプリントがあります。システム全体で比べてください。
データをクラウドに送ると多くのエネルギーを使いますか?
ネットワークはかなりのエネルギーを使いますが、その多くはほぼ一定のベースラインです。データを減らすことは端末やサーバーには引き続き役立ちますが、ギガバイトあたりのネットワークの削減効果は通常、過大に見積もられています。
エッジコンピューティングとは何ですか?
遠くのデータセンターではなく、データが生まれたり使われたりする場所の近く、つまり端末そのものや、近くのゲートウェイ、小さなローカルサーバーで行う計算のことです。
なぜプライバシーが関係するのですか?
端末上で処理されたデータは、端末の外に出る必要がありません。そのため、データが外部にさらされる機会が減り、データ最小化などのデータ保護のルールを守りやすくなります。
出典
- Data centres and data transmission networks, International Energy Agency (2023)
- Network energy use not directly proportional to data volume: the power model approach for more reliable network energy consumption calculations, Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- Green Software Patterns: run AI models at the edge, Green Software Foundation (2025)
- Green Software Patterns: optimise power consumption for edge AI inference, Green Software Foundation (2025)
- Measuring the environmental impact of delivering AI at Google scale, Google (arXiv 2508.15734) (2025)
- Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
- Principle (c): Data minimisation, Information Commissioner's Office (2023)
- LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale, Dettmers et al. (arXiv 2208.07339) (2022)
関連
エッジ AI はよりグリーンなのか、それとも見えにくくなるだけなのか
端末上やエッジでの AI はネットワークやデータセンターのエネルギーを節約できますが、誰も測定しない何十億台もの機器に計算を分散させます。わかっていることと、まだわからないことを整理します。
グリーン AI のホスティングとデータセンター
AI をどこで動かすかの選び方。電力網の炭素強度、PUE と WUE、再生可能エネルギーの主張、水使用量と立地、そしてホスト事業者への質問を解説します。
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。
用途に合ったモデルを選ぶ
AI を適正なサイズで使う方法。小型・特化型モデルを使うべき場面、フロンティアモデルがコストに見合う場面、ルーティングの仕組み、AI を使わないほうがよい場面を解説します。