要点
AI のエネルギー数値の多くは、企業自身が全容を公開していない方法で報告したものか、実際のハードウェアで測ったのではなく前提に基づいて推計したものです。また、研究によって「システム」の境界の引き方も異なります。測定の方法がそろうまでは、グリーン AI の主張は検証しにくく、モデルや事業者どうしの比較は誤解を招くおそれがあります。
要点
- よく知られたプロンプトあたりの数値は事業者自身が出したもので、方法がそれぞれ違うため、そのまま比べることはできません。
- 測定の境界を変えると、結果が 2 倍以上変わることがあります。Google 自身の Gemini プロンプトの数値は、AI チップだけを数えると 0.24 Wh から 0.10 Wh に下がります。
- 多くのツールは、エネルギーを計測するのではなく、ハードウェアの仕様と電力網の平均値から推計しています。
- 2025 年の分析によると、AI の環境コストに関する透明性は改善するどころか低下しています。
- よい数値とは、何を、どのように、どの境界で、どのハードウェアで、どのタスクについて測ったかを明記したものです。
測れないものは管理できません。そして AI のエネルギー使用量は、いまだに十分に測られていません。これは細かな問題ではありません。グリーン AI の主張を検証できるか、購入者が製品を比べられるか、政策が正しい対象に狙いを定められるかが、ここで決まります。信頼できる数値がなければ、どんなグリーンな主張もただのプレスリリースにすぎません。
AI のエネルギー数値が信頼しにくいのはなぜですか?
数値の多くは AI を販売する企業自身が出したもので、方法の全容が公開されておらず、第三者が検証できないからです。 だからといって数値が間違っているわけではありませんが、比べるのは難しくなります。
テキストのプロンプトについて最もよく引用される 2 つの数値は、どちらも自己申告です。
| 数値 | 出したのは | 方法についてわかっていること |
|---|---|---|
| Gemini アプリのテキストプロンプト 1 件あたり(中央値)0.24 Wh | Google、2025 年 | 公開された論文が方法を説明しており、データセンターのオーバーヘッドと待機中の設備を含みます。データは 2025 年 5 月のもので、第三者による検証はされていません。 |
| ChatGPT の質問 1 件あたり(平均)約 0.34 Wh | OpenAI の最高経営責任者、2025 年 | ブログ記事です。方法は公開されていません。 |
| 典型的な GPT-4o の質問 1 件あたり約 0.3 Wh | Epoch AI、2025 年 | ハードウェアとモデルの規模に関する公開情報に基づく、独立した推計です。 |
数値は似て見えますが、同じ条件での比較ではありません。中央値は平均値と同じではなく、境界も異なります。また、対象は短いテキストプロンプトだけで、画像や動画の生成、長い推論、エージェントは含まれていません。
境界はどれほど重要ですか?
非常に重要です。 Google の論文自身がこの点を示しています。稼働中の AI アクセラレーター(TPU と GPU)だけを数えると、プロンプト 1 件あたり(中央値)0.10 Wh になります。ホストサーバー、需要に備えて待機させている設備、冷却などのデータセンターのオーバーヘッドを加えると 0.24 Wh となり、2 倍以上になります。
どこに線を引くかで答えが決まります。AI サービスの境界を広くとると、次のものが含まれる可能性があります。
- 処理を行う AI チップ。
- サーバーのその他の部分:プロセッサー、メモリー、ストレージ。
- ピークに備えて確保している待機中・予備の設備。
- データセンターの冷却と電力変換。
- 要求と回答を運ぶネットワーク。
- 利用者の端末。
- モデルの訓練(その利用全体で按分したもの)。
- ハードウェアの製造(内包炭素)。
大胆な比較にも同じことが言えます。AI は同じ作業をする人間より何倍もエネルギーを使う、あるいは使わない、という主張は、それぞれの側で何を数えるかによって変わります。人間のコンピューターと時間、モデルの訓練、AI の出力を確認して修正するのに必要な作業などです。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)は、こうした比較が意味を持つには、まずシステム境界を明記しなければならないと強調しました。
推計と計測の違いは何ですか?
計測は処理の実行中にハードウェアから実際の電力を読み取ること、推計は前提から計算することです。 どちらにも役割がありますが、よく混同されます。
- 計測では、ハードウェアのカウンター(最新のプロセッサーや GPU に組み込まれているものなど)、サーバーの電力計、データセンターのメーターを使います。対象範囲については正確ですが、ハードウェアへのアクセスが必要です。
- 推計では、想定した定格電力に実行時間と稼働率を掛け、さらに電力網の平均炭素強度を掛けます。CodeCarbon などのツールは、プロセッサー、GPU、メモリーの電力を推計し、地域の電力網の炭素強度を当てはめます。使いやすいツールですが、計測器ではなく推計ツールです。
推計は大きく外れることがあります。特に共有のクラウドハードウェアでは、ほかに何が動いているかが見えないためです。単純な目安にも危険があります。Mytton、Lundén、Malmodin は 2024 年に、ネットワークのエネルギーの大部分は固定のベースラインであることを示しました。そのため「ギガバイトあたりのキロワット時」という係数では、送るデータを増やしたり減らしたりしたときの影響を正しく表せません。
国際電気通信連合(ITU)の 2025 年の AI の環境影響の測定に関する報告書は、実測を伴わない間接的な推計に大きく頼っていることを、差し迫った問題として挙げました。
透明性は高まっていますか?
ほとんどの指標で見て、高まっていません。 Luccioni、Gamazaychikov、Alves da Costa、Strubell は 2025 年に AI モデルの環境情報の開示を分析し、こうしたモデルの利用が増えているにもかかわらず、そのコストと影響に関する透明性は低下していると結論づけました。
規制は逆の方向に動き始めています。EU AI 法のもとでは、汎用 AI モデルの提供者は、自社モデルの既知の、または推計したエネルギー消費量を文書にまとめなければなりません(附属書 XI)。この文書は一般には公開されず、規制当局と下流の提供者に渡されます。また、測定ができない場合には推計も認められています。
よい測定とはどのようなものですか?
再現できる数値です。つまり、何を、どのように、どの境界で、どのハードウェアで、どのタスクについて測ったかがわかるものです。 役に立つ要素はすでにそろっています。
- オープンなベンチマーク。 たとえば、既知のハードウェアでオープンモデルの推論エネルギーを測る ML.ENERGY Leaderboard や、いま登場しつつあるエネルギーラベルとベンチマークです。
- 標準規格。 たとえば ISO/IEC 21031:2024(Software Carbon Intensity 仕様)は、エネルギー、電力網の炭素強度、内包排出量から、機能単位あたりの炭素排出率を定義しています。
- エネルギーとあわせて精度も示すこと。 安く得られても間違った答えは効率的とは言えません。エネルギーの数値は、結果の質や、どれだけの手直しが必要だったかとあわせて報告すべきです。
測定は「データセンター」よりも細かい単位、つまり 1 件の要求、1 つのモデル、1 行のコードにまで届く必要もあります。こうした配分ができてはじめて、エンジニアはコストのかかる部分を見つけて直すことができます。
次にすること
- AI のエネルギー数値を見たら、誰が測ったのか、境界はどこか、計測したのか推計したのかを確かめましょう。
- 自分が使うハードウェアで、自分のワークロードを測りましょう。AI のエネルギーを測るをご覧ください。
- 数値を公表するときは、境界と方法を必ず添えましょう。正直なグリーン主張をするをご覧ください。
- 供給者には、宣伝用の比率ではなく、タスクあたりの実測エネルギーを求めましょう。持続可能な AI の調達をご覧ください。
- 役立つツールは製品ディレクトリで、専門家の支援はコンサルタントディレクトリで探せます。
よくある質問
ChatGPT と Gemini のエネルギーを比べられないのはなぜですか?
公表されている数値は自己申告で、対象とする範囲が異なり、方法も全容が公開されていないからです。一方はデータセンターのオーバーヘッドや待機中の設備を含み、もう一方は含まないかもしれません。両方が同じ方法で測られるまでは、直接比べても信頼できません。
AI のエネルギーを推計することと測定することの違いは何ですか?
測定とは、処理の実行中にハードウェアのセンサーや電力計から電力を読み取ることです。推計とは、チップの定格電力、稼働率、実行時間などの前提からエネルギーを計算することです。推計は測定ができないときに役立ちますが、大きく外れることがあります。
システム境界とは何ですか?
何を数えるかを決める線のことです。狭い境界では AI チップだけを数えます。広い境界では、サーバー、冷却、待機中の設備、ネットワーク、利用者の端末、ハードウェアの製造まで加えます。
出典
- Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
- The gentle singularity, Sam Altman (OpenAI) (2025)
- How much energy does ChatGPT use?, Epoch AI (2025)
- Misinformation by omission: the need for more environmental transparency in AI, Luccioni, Gamazaychikov, Alves da Costa and Strubell (2025)
- Measuring what matters: how to assess AI's environmental impact, International Telecommunication Union (2025)
- CodeCarbon, CodeCarbon project (2020)
- The ML.ENERGY benchmark: toward automated inference energy measurement and optimization, Chung et al., NeurIPS Datasets and Benchmarks (2025)
- ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification, ISO/IEC and Green Software Foundation (2024)
- Network energy use not directly proportional to data volume, Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- Regulation (EU) 2024/1689 (AI Act), Annex XI, European Union (2024)
関連
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。
AI のエネルギーラベルとベンチマーク
2026 年時点の AI のエネルギー評価の現状を、AI Energy Score、MLPerf Power、EU AI 法の文書化義務、データセンターの格付けから整理し、ラベルで何がわかるかを説明します。
AI についての誠実な環境主張
AI のグリーンウォッシングを避ける方法。主張してよいこと・いけないこと、リバウンド効果、誠実な報告、英国・EU・米国の環境主張のルールを解説します。
なぜ今グリーン AI が重要なのか
AI はデータセンターの電力需要を急増させ、電力網に負担をかけ、コストを押し上げています。2026 年時点の規模、エネルギー、コスト、政策の根拠を解説します。