AIはなぜ電気と水を使う？データセンターの仕組みを解説

スマートフォンやPCからAIに質問を入力すると、わずか数秒で自然な回答が返ってきます。しかし、私たちが日常的に利用するこの便利なAIサービスの裏側では、世界中のデータセンターが休むことなく稼働しており、大量の電気と水が消費されています。 端末単体で動作する小規模なオンデバイスAIとは異なり、クラウド上で巨大なモデルを動かすAIシステムでは、なぜこれほど多くの資源が必要になるのでしょうか。 その理由は「機械を冷やすため」という一言で片付けられるものではありません。大きく分けると、①膨大な計算を行う半導体チップそのものを動かす電力、②計算に伴って発生する高密度の熱を逃がすための冷却設備を動かす電力、③熱を大気中へ逃がす冷却方式や、発電所で電力を生み出す過程で使われる水、という3つの要素が複雑に連動しています。本記事では、この3要素のつながりを物理的な仕組みから紐解き、データセンターの構造や最新の計測データをもとに分かりやすく解説します。

なぜAIの計算は熱を生むのか：半導体の仕組みと冷却の必要性

AIのデータセンターが大量のエネルギーを必要とする根本的な原因は、計算装置そのものの物理的な性質にあります。 私たちがAIに指示を与えると、データセンター内のサーバーに搭載されたGPU（画像処理半導体）やTPU（テンソル処理半導体）などの専用プロセッサが、一斉に膨大な行列計算を開始します。これらの半導体チップの内部には、数十億から数百億個以上もの微小なトランジスタが集積されています。

トランジスタが「0」と「1」の信号を切り替える（スイッチングする）たびに、内部の微細な回路にある容量性負荷の充放電が繰り返され、電気抵抗によって「ジュール熱」と呼ばれる熱が発生します。これを「動的電力（スイッチング電力）」による発熱と呼びます。さらに現代の微細化された半導体では、トランジスタがオフの状態であっても微小な電流が常に漏れ出てしまう「静的電力（リーク電流）」が存在し、これもすべて熱に変わります。

ここで重要なのは、実用的なサーバーの定常運転において、計算装置に投入された電力の大部分は熱になるという物理的事実です。コンピューターが計算を行っても、投入されたエネルギーが力学的な仕事や化学エネルギーとして蓄積されることはありません。電波や光として外部に放出されるわずかなエネルギーを除けば、供給された電気エネルギーのほぼ100％がそのまま熱エネルギーへと変換されます。例えば、定常運転している消費電力1キロワット（kW）のサーバーは、部屋の中で1kWの電気ヒーターをつけているのと熱力学的にはほぼ同じ発熱源として振る舞います。

データセンターでは、このような高出力のサーバーが何千台、何万台と狭い空間に高密度で設置されています。もし発生した熱を放置すれば、チップの温度は瞬く間に上昇してしまいます。半導体チップの温度が高くなりすぎると、熱膨張による物理的な破損や回路の劣化が進み、故障の原因となります。そのため現代のプロセッサには、一定以上の温度に達すると自動的に動作周波数を落として発熱を抑える「サーマルスロットリング」や、限界温度を超えた際にシステムを遮断する緊急停止機能が備わっています。しかし、スロットリングが作動すれば処理性能は大幅に低下し、緊急停止すればサービスが中断してしまいます。 つまり、計算装置を過熱から保護し、設計通りの高い性能で安定稼働を維持するためには、発生した熱を間髪入れずに外部へと排出し続ける専用の冷却設備が必要であり、その設備を動かすための補助電力が不可欠となるのです。

AIの「学習」と「推論」で電力が使われるタイミング

AIの運用において電力が消費される場面は、大きく「学習（トレーニング）」と「推論（インファレンス）」の2つに分かれます。この2段階は計算の規模や性質が大きく異なっており、電力消費の現れ方も異なります。

「学習」とは、AIモデルが知識やパターンを習得するための段階です。インターネット上の膨大なテキストや画像などのデータを取り込み、モデルの内部パラメータ（重み）を最適化するために、数千台から数万台規模のプロセッサをネットワークで接続し、数週間から数か月間にわたって連続して計算させ続けます。 学習段階の電力消費は一度に集中して発生するため、極めて巨大です。例えば、Pattersonら（2021年）の研究報告によると、代表的な大規模言語モデルである「GPT-3」の特定の学習ランにおいて消費された電力量は約1,287メガワット時（MWh）と推計されています。一般家庭が消費する電力に換算すれば数百世帯の年間消費量に匹敵するエネルギーが、1回のモデルの学習ランのために費やされたことになります。ただし、この数値は特定の一連の実験・推計ランを対象としたものであり、モデル開発全体の試行錯誤や、現在の改良された運用環境全体をそのまま表すものではない点には注意が必要です。

一方の「推論」とは、すでに完成したモデルを使って、ユーザーからの質問に答えたり文章を生成したりする日常的な利用段階を指します。 ユーザーがプロンプトを入力すると、モデルはその文脈を理解し、次の単語（トークン）として最も確率が高いものを1つずつ計算しながら文章を組み立てていきます。この推論処理は、入力された指示の複雑さや、生成する回答の長さ（トークン数）、さらには多段階の論理的思考を行う思考モデルかどうかによって計算量が変動します。

推論1回あたりに消費される電力は、学習全体に比べれば極めてわずかです。しかし、完成したAIサービスは何億人ものユーザーによって、24時間365日絶え間なく利用されます。1回の計算が小さくても、世界中で数十億回、数千億回と繰り返されれば、その累積エネルギー消費量はやがて学習段階で使われた電力量を大きく上回ることになります。 AIが社会に普及した現代においては、モデルを一度賢くするための電力だけでなく、日常的に動かし続けるための推論電力が、エネルギー需要の大きな割合を占めるようになっています。

冷却設備と水利用：機器の概観と、図にはない経路

データセンターの計算装置、冷却設備、発電の各段階が資源利用とどう関わるかを、まず機器の例で見てみましょう。次の生成模式図は設備の概観です。配管の接続、閉ループと開放系の境界、蒸発・補給・排水の流れをたどれる設計図ではありません。これらの違いは以下の本文で説明します。

図のサーバー、ファンやポンプ、冷却設備、発電設備は代表的な構成例です。三つが一つの施設に必ず同じ形で並ぶという意味ではありません。図にない水と熱の経路を理解するため、電力と水の算定境界を分けて考えます。

第1に、IT機器を動かす電力と、冷却や受配電など施設側の電力を分けます。図のサーバーには計算のための電力が入り、ファンやポンプなどにも電力が必要です。ただし図は両者の電力量の比率を表しません。施設の電力効率を示すPUE（Power Usage Effectiveness）は、同じ期間の施設全体の使用電力量をIT機器の使用電力量で割った値です。PUEが1.2なら、IT機器が100の電力を使う期間に施設全体では120を使ったという意味で、差の20には冷却以外の設備も含まれます。

第2に、チップ付近の循環する冷却液と、屋外で熱を逃がす設備を区別します。高密度のサーバーでは、チップ近くのコールドプレートなどに冷却液を循環させる方式があります。冷却液は熱を受け取り、熱交換器で別の系統へ熱を渡して再び戻ります。図にはこの配管や熱交換器は描かれていません。冷却液がチップ付近で循環していても、施設全体の放熱が必ず水を使わないという意味ではありません。

第3に、「屋外の放熱方式における選択肢」と水収支です。 チップから運び出された熱は、最終的にデータセンターの外の大気中へ逃がす必要があります。その方法には、水の気化熱を利用する「冷却塔（クーリングタワー：蒸発冷却）」を用いる方式と、水を蒸発させずに大型ファンで外気を当てて放熱する「乾式放熱（乾式空冷）」を用いる方式があります。 冷却塔で利用される「気化熱」は、水が液体から気体に蒸発する際に周囲から奪う熱量であり、常温付近において1グラムあたり約2.4キロジュール（kJ/g）と極めて大きな値を持ちます（正確な値は水温によってわずかに変動します）。この気化熱を利用すると、電気を使って大型冷凍機を全力で回すよりもはるかに少ない電力で効率的に排熱できます。

冷却塔などの蒸発冷却を使う場合、補給した水の一部は蒸発し、一部は不純物の濃縮を避けるために排出されます。補給水、蒸発、ブローダウン排水などを分けて水収支を考えます。これらは図に描かれた固定の配管ではなく、設備の方式と運転条件によって変わります。取水量と、蒸発などで施設から失われる消費量を同じ数字として扱わないことが大切です。

ここで重要なのが、水と電力のトレードオフです。水を蒸発させない乾式放熱を採用すれば、敷地内での直接的な水消費はゼロに抑えられます。しかし、外気温が高い夏場や熱帯地域では外気だけで十分に冷やすことが難しく、温度を下げるためにチラー（冷凍機）を強力に稼働させる必要が生じるため、冷却電力（ひいてはPUE）が大きく悪化します。 また、冷却塔の冷却限界は気温（乾球温度）ではなく、水が蒸発できる限界を示す「湿球温度」に強く左右されます。外気が乾燥した地域では蒸発冷却が極めて高い効率を発揮しますが、高温多湿な地域では蒸発が進みにくくなります。このように、データセンターでは現地の気候特性に応じて「電力を抑えるか、水を抑えるか」のバランスが選択されています。

第4に、データセンター敷地内で使う水と、供給電力の発電過程で使う水を分けます。図の「敷地内の冷却」と「発電側」は、その算定境界の違いを思い出すための設備例であり、特定施設の水の流量を示すものではありません。火力や原子力発電などでは冷却に水を使う場合があり、電源構成によって間接的な水利用は変わります。施設内の直接利用だけを数える値と、発電に伴う間接利用を加える試算を比べるときは、同じ定義かどうかを確認します。

「AI 1回あたりの消費量」の真実：推計値・実測値と算定境界

メディアやSNSでは、「AIに1回質問すると、ペットボトル1本分（約500ミリリットル）の水が消費される」といった表現が話題になることがあります。しかし、この数値を普遍的な事実として受け取ることはできません。AI利用に伴う水や電力の消費量は、前提となる算定条件によって全く異なるからです。

Liら（2023年公表、2025年改訂）の研究モデルでは、GPT-3による中程度の長さの応答およそ10〜50件に必要な水利用を500ミリリットルと推計しました。1件当たり500ミリリットルという意味ではありません。この研究は、GPT-3などのモデルを稼働させるデータセンターについて米国の特定地域や標準的気候データをモデル化し、施設内の直接水利用だけでなく、発電所における間接水利用（Scope 2）までを合算して算出した理論的な推計値でした。当時の特定モデル・地域・冷却前提に基づく試算であり、すべてのAIサービスに共通して当てはまる標準値ではありません。

一方、商用AIサービスの大規模運用事業者側からも実測に基づくデータが公表されています。Elsworthら（2025年）の報告によると、2025年5月時点のGoogle「Gemini Apps」におけるテキストプロンプト（中央値）の処理において、1リクエストあたりの消費電力中央値は約0.24ワット時（Wh）、これに対応するデータセンター施設側の水使用量（直接水利用）の推計値は約0.26ミリリットル（mL）であったと示されています。0.26ミリリットルは、水滴数滴分にすぎません。

これらの値は、対象モデル、応答の長さ、運用時点、対象地域、水利用の算定境界が異なります。数値だけを並べて、AIの応答1件に共通する水使用量とみなすことはできません。

まず算定境界です。Elsworthらの約0.26mLは、特定のGemini Appsの中央値プロンプトについて、施設側の水使用効率から換算した値です。発電所での間接的な水利用は含みません。一方、Liらの試算は間接利用も考慮します。データセンターのWUE（Water Usage Effectiveness）は、通常、施設敷地内の年間水使用量（リットル）をIT機器の年間使用電力量（キロワット時）で割る指標です。発電所の水まで足した値は、同じ施設WUEとして扱わず、算定範囲を別に示す必要があります。

次に、動作条件です。質問と回答の長さ、使用するモデル、ツールの呼び出し回数、同時処理の効率などで推論の計算量は変わります。長い処理は一般に多くの計算を要しますが、文字数だけから消費電力が厳密に比例すると決めることはできません。さらに、施設の所在地の気温・湿度、冷却方式、電力網の電源構成によって、水と電力の負荷は変わります。

したがって、AI利用に伴う水利用には、データセンター敷地内の冷却設備における消費（直接水利用）と、供給電力を発電する過程での消費（間接水利用）があり、一質問あたりの水量を固定的な普遍値として扱うことはできず、気候、冷却方式、電源構成、算定境界に大きく依存します。 また、稼働中のAIサービスにおける推論1回あたりの電力測定値や水量推計値が公表された事例であっても、その数値は特定月・中央値・施設側WUE換算等の限定された算定境界に基づくものであり、異なる前提の試算値と単純に比較することはできません。特定月の中央値データと理論推計モデルを単純比較して「どちらが正しいか」を論じたり、比率をとって「効率が何千倍に改善した」と結論付けたりすることは、前提条件を無視した誤った解釈となります。

リソース消費を抑える技術と今後の課題

AIの需要が世界規模で急拡大する中、データセンターの電力消費と水消費をいかに抑えるかは重要な課題です。機械学習モデルの環境負荷低減について、Pattersonら（2021年）の研究は重要な論点を整理しています。

第1に、「計算そのものの効率化」です。汎用CPUや初期GPUに比べ、AIの行列計算に特化した最新の専用アクセラレータ（TPUや専用GPU）は、電力あたりの計算性能（ワットパフォーマンス）が飛躍的に向上しています。同じ計算を行うのであれば、専用プロセッサを用いることで消費電力を大幅に削減できます。さらにソフトウェア面でもアルゴリズムの最適化やモデルの蒸留・量子化が進められ、無駄な計算を省く技術が開発されています。

第2に、「データセンター設備の効率化」です。高密度の発熱に対して効率的な液冷システムの導入や、空調制御の最適化によってPUEを1.0に近づける取り組みが進んでいます。施設全体として計算以外の電力ロスを極限まで削ることが、全体の省エネルギーに直結します。

第3に、「立地選定と再生可能エネルギーの活用」です。ここで重要なのは、電力消費の削減と温室効果ガス（CO2）排出量の低減を明確に区別して考えることです。機械学習モデルの計算において、高効率な専用アクセラレータの利用やデータセンター設備の効率化（PUE改善）は電力削減に寄与し、再生可能エネルギー比率の高い立地選定は温室効果ガス排出量の低減に関わります。高効率プロセッサやPUE改善は物理的な「消費電力量（MWh）」そのものを減らしますが、太陽光、風力、水力、地熱などの再エネが豊富な地域に立地することは、同じ電力を消費しても発電に伴う「CO2排出量」を大きく抑える役割を持ちます。両者は工学的に異なるアプローチです。

しかし、技術的な効率化が進む一方で、解決すべき課題も残されています。 国際エネルギー機関の報告書『IEA (2025), Energy and AI』（2025年4月10日公表）で指摘されているように、個々の計算が効率化されても、AIの利用規模がそれを上回る勢いで拡大すれば、社会全体の総電力需要は増加し続けます。 また、水資源には「地域性」という固有の問題があります。電力は広域の送電網で融通できますが、水はその地域の河川や地下水などの水源に直接依存します。降水量が少なく干ばつに見舞われやすい「水ストレス」の高い地域にデータセンターが集中すると、地域住民の生活用水や農業用水との間で競合が生じる懸念があります。そのため、冷却水を上水から下水処理水や産業再生水へ切り替える試みや、外気が涼しい時期は乾式冷却を行い暑いピーク時のみ蒸発冷却を併用するハイブリッド冷却など、地域生態系への負荷を抑える設計が進められています。

AIが電気と水を消費するのは、半導体が動作する物理法則と、高密度の熱を逃がす熱力学の原則に基づいています。その消費量は決して固定的な普遍値ではなく、半導体の設計、冷却技術、立地地域の気候、そして電源構成によって変化します。デジタルの知能を支える物理的な基盤を客観的に理解し、過度な誇張や誤解に惑わされることなく、技術の進化と地域環境との調和の両面を冷静に見守っていくことが求められています。

よくある質問（FAQ）

Q1: なぜスマートフォン上のAI（オンデバイスAI）は大量の冷却水を必要としないのですか？

スマートフォンで動作するオンデバイスAIは、端末に収まる小型チップで動くようモデルが軽量化されており、消費電力も数ワット程度と小さいため、筐体全体から大気中へ自然に熱を逃がすことができます。一方、多数の高出力サーバーを使うデータセンターでは、冷却方式の一つとして水を蒸発させて排熱することがあります。乾式冷却など別の方式もあり、水の使い方は施設によって異なります。

Q2: データセンターの冷却水を完全に「ゼロ」にすることは技術的に可能ですか？

技術的には可能です。水を蒸発させず、大型ファンで外気を当てて冷やす「完全乾式空冷」を採用すれば、データセンター敷地内での直接的な水消費はゼロにできます。ただし、夏場など外気温が高い環境では空冷だけでは冷却効率が落ちるため、冷凍機（チラー）を強く動かす必要が生じ、消費電力が増加します。敷地内の水をゼロにする代わりに電力消費と発電所側での負荷が増えるというトレードオフが存在するため、各地域の気候や水資源の状況に応じた判断が行われます。

Q3: 私たち一般のユーザーがAIを利用する際、環境負荷を意識してできる工夫はありますか？

AIの計算負荷は質問や生成の長さ、思考ステップの深さに比例するため、「不要に長い文章を何度も再生成させない」「簡単な質問には思考モデルではなく標準的な軽量モデルを選ぶ」といった使い分けが、直接的な計算リソースの節約につながります。また、再生可能エネルギーの活用や水効率の向上に取り組んでいる事業者のサービスであるかに関心を持つことも、持続可能なAI利用を後押しします。