要点
遠くのデータセンターではなく、スマートフォン、センサー、ローカルサーバーで AI を動かすと、データを移動させるためのエネルギーを減らし、プライバシーを守ることができます。しかしその一方で、計算は何十億台もの機器に分散し、それらのエネルギー使用量や製造時の環境負荷はほとんど測定されていません。エッジ AI がよりグリーンかどうかは、モデル、機器、実行の頻度、そして何を置き換えるかによって決まり、根拠はまだ乏しいのが現状です。
要点
- エッジ AI は、中央のデータセンターではなく、データを集める機器の上またはその近くでモデルを動かします。
- エネルギーを使うネットワーク経由のデータ送信を避け、データを手元に保てますが、共有されフル稼働しているサーバーの効率は手放すことになります。
- エッジとクラウドの推論を比べた研究の結果は一致していません。結果はモデル、ハードウェア、比較の基準に大きく左右されます。
- 機器の製造には大きな炭素コストがかかるため、機器の寿命を縮めたり新しいハードウェアを必要としたりする AI 機能は、エネルギーの節約分を上回ることがあります。
- エッジ AI には、データセンターのメーターも PUE も報告義務もないため、測定も規制も難しいのです。
AI のエネルギー使用量をめぐる議論のほとんどは、データセンターについてのものです。大きなメーターがあるのはそこだからです。しかし、AI のうちますます多くの部分が、それ以外の場所で動いています。スマートフォン、ノートパソコン、自動車、カメラ、ドアホン、工場のセンサーなどです。これが「エッジ AI」です。エッジ AI は AI の環境負荷に対する答えの一部かもしれませんし、負荷を誰も数えていない場所へ移すだけの方法かもしれません。
エッジ AI とは何ですか?
エッジ AI は、データを遠くのデータセンターに送るのではなく、データを集める機器の上またはその近くでモデルを動かします。「端末上」(オンデバイス)の AI はその極端な例で、モデルはスマートフォンやセンサーそのものの上で動きます。
エッジ AI はすでに広く使われています。
- Apple の 2025 年の技術レポートは、約 30 億パラメーターの端末上の言語モデルについて説明しています。このモデルは、2 ビット量子化を考慮した学習によって圧縮され、スマートフォンやノートパソコンに収まり動作するようになっています。
- Google の Android AICore サービスにより、対応する Pixel や Samsung のスマートフォンでは、アプリが端末上で動くモデル Gemini Nano を利用できます。
- 産業用カメラ、ドローン、自動車、医療機器は、ネットワーク接続を待つことも頼ることもできないため、画像認識や制御のモデルをローカルで動かしています。
機器の数は多く、増え続けています。IoT Analytics によると、2024 年末時点で、スマートフォン、PC、タブレットを除いても約 185 億台の IoT(モノのインターネット)機器が接続されており、2030 年には約 390 億台になると予測されています。
エッジ AI がエネルギーを節約できるかもしれないのはなぜですか?
データの移動にはエネルギーがかかり、ローカルで処理すればそれを避けられるからです。機密性の高いデータを、元の場所に置いたままにしておくこともできます。
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世界の電力の約 1〜1.5% を使っており、これはデータセンターとほぼ同じ割合です。データを集めた場所で処理し、結果だけを送れば、この負荷を減らせます。
ただし注意点があります。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。ネットワークの電力の多くは、データが流れていてもいなくても消費されるのです。送るデータを減らしても、その分だけエネルギーが節約されるわけではないため、「1 ギガバイトあたり何 kWh」といった単純な推計は節約量を過大に見積もります。
ほかにも考えられる利点があります。
- プライバシーとデータ主権。機器、病院、送電事業者の外に出ないデータは、送信中に漏れたり、第三者に使われたりすることがありません。
- レジリエンス(回復力)。ローカルのモデルは、ネットワークやクラウドが停止しても動き続けます。
- 遅延(レイテンシー)。往復の通信なしに答えが返ってきます。これは自動車や機械にとって重要です。
エッジ AI のほうがコストが高くなるかもしれないのはなぜですか?
小さな機器は、共有されフル稼働している大きなサーバーより効率が低いのが普通であり、さらに機器の製造には大きな炭素コストがかかるからです。
- 稼働率。データセンターのアクセラレーターは、多くの利用者のリクエストをまとめて処理(バッチ処理)し、常に稼働し続けられます。スマートフォンやセンサーは、1 人の利用者のリクエストを処理したら、あとは何もせずに待機します。
- 製造。Meta の Wu らは 2022 年に、ハードウェアの製造に伴う内包炭素(エンボディドカーボン)が AI 全体の環境負荷の最大の要因になりつつあると報告し、エッジに移る計算は再生可能エネルギーを利用しにくい場所で行われる可能性があると指摘しました。新しいスマートフォンを必要としたり、古い機種を遅く感じさせたりする AI 機能は、製造による排出を増やし、それが節約したエネルギーを上回ることもあります。
- 掛け算。機器 1 台あたりの小さなコストも、何十億台を掛ければ大きなコストになります。モデルを常時動かしているドアホンやカメラは、たまにクラウドを呼び出す場合より、合計で多くのエネルギーを使うかもしれません。
根拠は何を示していますか?
結果はまちまちで、何と比べるかに大きく左右されます。Li、Islam、Ren(2025)は、クラウドとエッジ機器での生成 AI の推論を比較し、いくつかのモデルでエッジに配置したほうが環境負荷が小さくなることを示しました。最近のスマートフォンを使った試験では、90% を超えるエネルギー節約が見られました。ただし、比較の基準としたクラウドは、完全に最適化された本番サービスではありませんでした。これは重要な点です。効率的なデータセンターでうまくバッチ処理しているサーバーは、上回るのがより難しい比較対象だからです。
端末からネットワーク、データセンターまで、AI サービス全体を追うエンドツーエンドの研究は、特に大規模言語モデルについては、まだまれです。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、何百万台もの機器にわたるエッジ AI の正味のエネルギー効果をモデル化することが、未解決の課題として挙げられました。
エッジ AI の測定や規制が難しいのはなぜですか?
メーターが 1 つにまとまっていないからです。データセンターはエネルギー使用量と電力使用効率(PUE)を報告しており、EU では一定規模以上のデータセンターが共通の制度に報告しなければなりません。スマートフォン、センサー、机のそばに置く AI ワークステーションには、そのような義務はありません。
そのエネルギーは、現れるとしても、何百万もの家庭や企業に分散したバッテリーの消耗や、わずかに高い電気料金としてです。そのため、作業をエッジに移すことで節約したと主張しても、誰もそれを確かめられません。測定こそがボトルネックをご覧ください。
エッジ AI をよりグリーンにするものは何ですか?
人々がすでに持っているハードウェアで、必要なときにだけ動かす、小さく効率的なモデルです。データセンターのエネルギーを減らすのと同じ方法が、バッテリーではさらに重要になります。
- 圧縮したモデル:枝刈り(プルーニング)、量子化、蒸留。AI をより効率的にする数学をご覧ください。
- イベント駆動の処理:モデルを常時動かすのではなく、何かが起きたときに起動します。
- クラウドが必要なときは、生データではなく要約を送ります。
- 古い機器にも対応し、AI 機能のために買い替えを強いないようにします。
エネルギー効率の高いソフトウェアに関する欧州の研究プロジェクト GreenCode も、同じ点を指摘しています。小さく調整されたモデル、力任せにコンテキストを詰め込む代わりの検索(リトリーバル)、対応できる最も安価な構成要素への振り分け、そしてスケジューリングこそが、より多くのエネルギーを使うという選択肢がないバッテリー電源や制約のあるハードウェアで、AI を実用的なものにするのです。
次にすること
- エッジかクラウドか?の問いを使って、エッジとクラウドのどちらにするかをケースごとに判断します。
- 稼働時のエネルギーだけでなく製造も計算に入れ、新しいハードウェアを必要とする機能は避けます。
- 試験の際には、精度と速度だけでなく、機器のエネルギーも測定します。
- モデルは常時ではなくイベントに応じて動かし、生データではなく結果を送ります。
- エッジ AI 製品を購入する場合は、推論 1 回あたりのエネルギーと、対応する機器の使用期間を提供事業者に尋ねてください。持続可能な AI 調達をご覧ください。
よくある質問
エッジ AI とは何ですか?
遠隔のデータセンターではなく、スマートフォン、カメラ、自動車、工場のセンサーなど、データが集められる機器の上またはその近くで動く AI です。
端末上の AI のほうが環境に良いのですか?
場合によります。データをクラウドに送るためのエネルギーは節約できますが、小さな機器は共有サーバーより効率が低く、新しい AI 機能が人々に新しいハードウェアの購入を促すこともあります。全体としての効果はケースごとに異なります。
端末上の AI はスマートフォンのバッテリーを消耗させますか?
スマートフォンでモデルを動かすと、ほかの負荷の高いアプリと同じようにバッテリーを使います。メーカーは小型化・圧縮したモデルや専用チップでこれを抑えていますが、エネルギーが使われることに変わりはなく、それはどのデータセンターの統計にも現れません。
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)
- Number of connected IoT devices (State of IoT 2025), IoT Analytics (2025)
- Apple Intelligence Foundation Language Models: Tech Report 2025, Apple (2025)
- Gemini Nano with Android AICore, Google, Android Developers (2024)
- A case study of environmental footprints for generative AI inference: cloud versus edge, Li, Islam and Ren, ACM SIGMETRICS Performance Evaluation Review (2025)
- Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
- Green AI and energy-aware computing, GreenCode (2026)
関連
エッジかクラウドか:AI はどこで動かすべきか
端末上・エッジの AI と中央のデータセンターを、エネルギー、ネットワーク、ハードウェア、プライバシー、レジリエンスの観点で比べ、段階的に判断する方法を紹介します。
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。
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。
AI をより効率的にする数学
枝刈り、スパース性、スケッチング、ランダム行列理論、物理情報モデル。数学が AI に必要な計算、メモリ、エネルギーをどう減らすかを説明します。