# 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。

Source: https://greenai.guide/ja/記事/グリーン-ai-とは何か/  
Updated: 2026-11-19

## 要点

グリーン AI とは、人工知能の環境コストを、それがもたらす価値に見合ったものに保つような使い方をすることです。グリーン AI には 2 つの考え方があります。AI を使って環境を助けること（「環境のための AI」）と、AI 自体のフットプリントを減らすこと（「よりグリーンな AI」）です。そして、そこに至る道も 2 つあります。効率（各タスクをより少ない資源で行うこと）と充足（行う価値のあるタスクだけを行うこと）です。

## 要点

- 「環境のための AI」は AI を環境目標の達成に役立てること、「よりグリーンな AI」は AI 自体のフットプリントを減らすことです。グリーン AI には両方が必要です。
- AI のフットプリントは電力だけではありません。炭素排出、冷却や発電に使う水、ハードウェアの資材と廃棄物も含まれます。
- 効率は各タスクのコストを下げます。充足は、そもそもそのタスクに AI が、あるいはそれほど大きなモデルが必要なのかを問います。
- グリーン AI は「AI を使わないこと」ではありません。AI を上手に使い、そのコストを測り、仕事に合った道具を選ぶことです。
- 「AI」は小さな分類器から最先端のチャットボットまでを含むため、グリーン AI に関する主張は、どの種類の AI を指しているかを明らかにすべきです。

「グリーン AI」という言葉はいくつもの異なる意味で使われており、そのため話がかみ合わなくなりがちです。この記事では、このサイト全体で使う主な考え方と用語を整理し、ほかのページがそれを土台にできるようにします。

## グリーン AI とはどういう意味ですか？ {#what-does-green-ai-mean}

**グリーン AI とは、人工知能の環境コストを、それがもたらす価値に見合ったものに保つような使い方をすることです。** AI を使うことを拒むのではなく、AI を上手に使うことです。

この言葉は、Schwartz、Dodge、Smith、Etzioni が 2020 年に *Communications of the ACM* に発表した論文で広まりました。彼らは、ますます大量の計算を費やして精度をわずかに高める研究である「レッド AI」と、精度とあわせて効率を報告し評価する「グリーン AI」を対比しました。この論文は、大規模言語モデルの開発にどれほどのエネルギーと炭素がかかりうるかを示した、Strubell、Ganesh、McCallum の 2019 年の研究に続くものでした。

その後、意味は広がりました。今日のグリーン AI は通常、AI システムのライフサイクル全体を対象とします。AI が動くハードウェア、データセンター、モデル、それを取り巻くソフトウェア、そして人々の使い方です。

## 「環境のための AI」と「よりグリーンな AI」の違いは何ですか？ {#what-is-the-difference-between-ai-for-green-and-greener-ai}

**「環境のための AI」は AI を環境目標の達成に役立てること、「よりグリーンな AI」は AI 自体のフットプリントを減らすことです。** グリーン AI には両方が必要で、この 2 つは逆方向に引っ張り合うこともあります。

| | 環境のための AI | よりグリーンな AI |
|---|---|---|
| 目的 | AI を使って、ほかの分野の排出を減らしたり自然を守ったりする | AI が使うエネルギー、炭素、水、資材を減らす |
| 例 | 再生可能エネルギーの発電量予測、電力網の管理、漏れの検知、気候モデリング | より小さなモデル、効率的なコード、よりクリーンな電力、ハードウェアの長寿命化 |
| リスク | 主張された効果が一度も測られないこと | 節約分がさらなる利用に使われてしまうこと（リバウンド効果） |

国際エネルギー機関（IEA）の 2025 年の報告書 *Energy and AI* は、両方の側面を扱っています。既存の AI の応用をより広く使えばエネルギーと産業の分野で排出を減らせる可能性がある一方、AI 自体の電力需要は急速に増えており、差し引きの効果は AI がどう導入されるかによると警告しています。

数学者、計算機科学者、産業界が参加した 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）も、グリーン AI を同じように両面から捉え、数学はその両方に貢献できるとしました。環境問題のためのよりよい手法と、AI のためのより無駄のない手法です。

## 効率と充足とは何ですか？ {#what-are-efficiency-and-sufficiency}

**効率とは各タスクをより少ない資源で行うこと、充足とは行う価値のあるタスクだけを行うことです。**

- **効率**は、このモデル、プロンプト、データセンターが、同じ結果をより少ないエネルギーで得るにはどうすればよいかを問います。例として、モデルの枝刈りや量子化、よりよいチップ、より効率的な冷却があります。
- **充足**は、このタスクにそもそも AI が必要なのか、これほど大きなモデルが必要なのかを問います。電卓、データベースの検索、古典的な数値計算の手法のほうが、大規模言語モデルより安く信頼できることはよくあります。

効率だけでは逆効果になることがあります。AI が安くなると、より多く使われる傾向があるからです。これがリバウンド効果で、[効率は充足ではない](/ja/記事/効率は充足ではない-ai-におけるリバウンド効果/)で説明しています。

## AI の環境フットプリントには何が含まれますか？ {#what-does-ai-s-environmental-footprint-include}

**エネルギー、炭素、水、資材の 4 つです。** 一般の議論の多くは、最初の 2 つしか扱っていません。

### エネルギー {#energy}

AI は電力で動き、その多くはデータセンターで使われます。国際エネルギー機関の推計では、データセンターは 2024 年に約 415 TWh、世界の電力の約 1.5% を使いました。そして 2030 年までに 2 倍以上の約 945 TWh に増え、その最大の要因は AI だと見込んでいます。[なぜ今グリーン AI が重要なのか](/ja/記事/なぜ今グリーン-ai-が重要なのか/)をご覧ください。

エネルギーは 2 つの段階で使われます。

- **訓練**：モデルを作るための、1 回限りの大きなコストです。
- **推論**：モデルを使うたびにかかるコストです。広く使われるモデルでは、これが積み重なります。Google は 2022 年に、機械学習のエネルギー使用量の約 5 分の 3 が推論、5 分の 2 が訓練だったと報告しました。

### 炭素 {#carbon}

カーボンフットプリントは、使うエネルギーの量**と**電力のクリーンさによって決まります。同じ処理でも、石炭の多い電力網では、風力、水力、原子力が中心の電力網より何倍も多くの炭素を排出することがあります。さらに、**内包炭素**、つまりチップ、サーバー、建物を作る際の排出も含まれます。Meta の Wu らは 2022 年に、Meta の大規模な機械学習のフットプリントのおよそ 30% が内包炭素であると報告し、運用時のエネルギーがクリーンになるにつれて、内包炭素が最大の排出源になりつつあると論じました。

### 水 {#water}

データセンターは冷却に水を使い、発電所は電力を作るのに水を使います。Li、Yang、Islam、Ren は 2023 年に、AI のこの「隠れたウォーターフットプリント」が大きく、場所や時間帯によって大きく変わることを示しました。Google が 2025 年に自社の Gemini アシスタントを測定したところ、テキストプロンプト 1 件あたり（中央値）の水は約 0.26 ミリリットルで、エネルギーは 0.24 ワット時でした。

### 資材 {#materials}

AI のハードウェアには金属や鉱物が必要で、しかもすぐに交換されます。Wang らは 2024 年に、大規模言語モデルは 2020 年から 2030 年までに、利用がどれだけ速く伸びるかによって、合計 120 万〜500 万トンの電子廃棄物を生み出しうると推計し、再利用とリサイクルでこれを大幅に減らせるとしました。ハードウェアをより長く使い続けることや、古い端末でもよく動くソフトウェアを作ることで、これを減らせます。

## どの「AI」を指すかがなぜ重要なのですか？ {#why-does-it-matter-which-ai-we-mean}

**「AI」という言葉は、フットプリントが何桁も異なるシステムを含むからです。** メールを仕分ける小さなモデルも、天気予報のシステムも、最先端のチャットボットも、みな「AI」です。

日常の使い方では、「AI」はいまや主に生成 AI、つまりチャットボットや画像・動画の生成ツールを指します。AI のエネルギー使用をめぐる懸念の多くは、こうした大規模モデルについてのものです。しかし、産業や科学で使われる機械学習の大部分は、より小さく、より特化したものです。よいグリーン AI の主張は、どの種類の AI についてのものか、そしてどの境界でコストを数えたかを明らかにします。[グリーン AI のボトルネックは測定にある](/ja/記事/グリーン-ai-のボトルネックは測定にある/)をご覧ください。

## グリーン AI は「AI を使わないこと」と同じですか？ {#is-green-ai-the-same-as-no-ai}

**いいえ。** AI を使わないことが最もグリーンな選択である場合もあり、グリーン AI にはその選択肢も含まれます。しかしグリーン AI は主に、AI を責任をもって使うことです。つまり、そのコストを測り、タスクに合ったモデルを選び、より効率的にすることです。

別の言葉を好む人もいます。「持続可能な AI」は、環境だけでなく社会的・経済的な持続可能性も含む意味でよく使われます。また、目標を*無駄な*計算をなくすことと表現すべきだという意見もあります。そのほうが、単なるきれいごととして片づけられにくいからです。このサイトでは、環境の側面について「グリーン AI」という言葉を使い、主張がどの資源（エネルギー、炭素、水、資材）についてのものかを具体的に示します。

## 次にすること {#what-to-do-next}

- AI のエネルギー需要の規模については、[なぜ今グリーン AI が重要なのか](/ja/記事/なぜ今グリーン-ai-が重要なのか/)をお読みください。
- 主な用語は[用語集](/ja/用語集/)で確認できます。
- あなたに合ったガイドを見つけましょう：[企業](/ja/ガイド/企業のためのグリーン-ai/)、[研究者](/ja/ガイド/研究者のためのグリーン-ai/)、
  [慈善団体](/ja/ガイド/チャリティ団体のためのグリーン-ai/)、[一般の方](/ja/ガイド/グリーン-ai-すべての人のためのやさしいガイド/)。
- まずは実践ガイド[AI を効率よく使う](/ja/グッドプラクティス/ai-を効率よく使う-日々の習慣/)から始めましょう。
- 教育に携わっている方は、[学校向け](/ja/学校/)のセクションをご覧ください。

## よくある質問

### グリーン AI とは、簡単に言うと何ですか？

グリーン AI とは、エネルギー、炭素、水、資材にかかる環境コストが、それがもたらす価値に照らして無理なく可能な範囲で最も低くなるように、設計、構築、利用される人工知能のことです。

### グリーン AI という言葉を作ったのは誰ですか？

この言葉は、Schwartz、Dodge、Smith、Etzioni が 2020 年に Communications of the ACM に発表した論文で広まりました。この論文は、ますます多くの計算を費やして精度を買う研究である「レッド AI」と、精度とあわせて効率を評価基準とする「グリーン AI」を対比しました。

### グリーン AI は持続可能な AI と同じですか？

2 つの言葉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。「持続可能な AI」は、環境への影響に加えて社会的・経済的な持続可能性も含む、より広い意味で使われることがあります。

### グリーン AI とは AI を使う量を減らすことですか？

そういう場合もあります。価値を生む場面でだけ AI を使うことはグリーン AI の一部ですが、使う AI をより効率的にすることや、AI を使ってほかの分野の排出を減らすことも、グリーン AI に含まれます。

## 出典

- [Green AI](https://doi.org/10.1145/3381831), Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
- [Energy and policy considerations for deep learning in NLP](https://arxiv.org/abs/1906.02243), Strubell, Ganesh and McCallum, ACL (2019)
- [Energy and AI](https://www.iea.org/reports/energy-and-ai), International Energy Agency (2025)
- [Measuring the environmental impact of delivering AI at Google Scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- [Making AI less thirsty: uncovering and addressing the secret water footprint of AI models](https://arxiv.org/abs/2304.03271), Li, Yang, Islam and Ren (2023)
- [E-waste challenges of generative artificial intelligence](https://doi.org/10.1038/s43588-024-00712-6), Wang et al., Nature Computational Science (2024)
- [Sustainable AI: environmental implications, challenges and opportunities](https://proceedings.mlsys.org/paper_files/paper/2022/hash/462211f67c7d858f663355eff93b745e-Abstract.html), Wu et al., MLSys (2022)
- [Good news about the carbon footprint of machine learning training](https://research.google/blog/good-news-about-the-carbon-footprint-of-machine-learning-training/), Google Research (Patterson) (2022)
