AIの電力問題：20ワットの脳と発電所の対比

Google Newsは8月30日、印象的な比較を取り上げた。人間の脳はおよそ20ワットで動作する一方、最先端のAIシステムは大量の電力を消費するデータセンターに依存している。この対比は記憶に残りやすいが、誤解を招く可能性もある。脳とAIクラスターは、根本的に異なるアーキテクチャを通じて異なる作業を実行しているからだ。

より重要なのは、シリコンがワット当たりで生物に匹敵できるかどうかではない。電力がAI拡大を縛る制約になったことだ。チップは依然として不足し高価だが、いまや発電、系統接続、冷却設備、適切な立地が、どのプロジェクトを稼働できるかを左右している。

この変化により、ハイパースケーラー、電力会社、データセンター開発事業者、Bitcoinマイナーが同じインフラ競争に参加することになった。プロンプトやチップのレベルでは効率が改善している。それでも総需要は増加を続けている。企業がより多くのモデルを展開し、より多くのユーザーに提供し、AIシステムへより長いタスクを割り当てているためだ。

Google Newsの見出しが正しい点

20ワットという比較は警鐘としては有効だが、人工知能の直接的なベンチマークにはならない。

人間の脳は体重の約2%を占める一方で、安静時の酸素消費量のおよそ20%を使う。神経科学の文献では、脳の継続的な電力需要は約17〜20ワットとされるが、その推計は研究者が代謝を電力単位へどう換算するかに左右される。

このエネルギーは、知覚、記憶、運動、調整、そして生きた神経系全体で続く通信を支えている。1つの質問に答えたり、1つの独立したタスクを完了したりするために必要な電力を示すものではない。

データセンターもまた、デジタルの脳以上の存在だ。プロセッサ、メモリ、ストレージ、ネットワーク、冷却、電力変換、バックアップ設備、そしてピーク需要に備えた未使用容量を含む。その総消費電力を1つの臓器と比較することは、システム全体のインフラと生物学的代謝を混同することになる。

それでも、この対比は重要な点を示している。生物は厳しい熱的・代謝的制約の下で動作している。頭蓋骨は産業用コンピューティング機器が生み出す熱を放散できず、身体も神経組織へ無制限にエネルギーを供給できない。

そのため進化は、疎な通信、ローカルメモリ、特化回路、選択的な活性化を優先してきた。疎な活性化とは、ある瞬間に集中的な処理を行うのがシステムの一部だけであることを意味する。現代のAI設計者も、シリコンでは異なる形で実装しながら、関連する考え方を採り入れつつある。

たとえばMixture-of-expertsモデルでは、すべてのパラメータを活性化するのではなく、各入力をニューラルネットワークの選択された部分へルーティングする。低精度コンピューティングでは、より少ないビットで数値を表現するため、多くの演算に必要な電力とメモリ帯域幅を削減できる。

この比較が信頼できなくなるのは、バイラル投稿が根拠のない数値を付加したときだ。元の分析は、脳をデジタル再現することに関する広く共有された主張の1つを2023年の論文までたどった。その推計は、より小規模なシミュレーションから外挿されたものであり、後の投稿ではしばしば省かれた重大な制約も含んでいた。

分析によれば、シミュレーションされたシステムは生物学的な脳より約30,000倍遅く動作していた。この詳細を除くと、研究者が同等の性能を発揮する同等のシステムを比較したかのような印象が生まれる。しかし、そうではなかった。

繰り返し引用されるニューロン数にも注意が必要だ。860億個という数値は有用な推計であり、不確実性がゼロの工学的仕様ではない。これは限られた生物学的サンプルに基づくもので、脳の効率はニューロン総数だけで決まるものでもない。

シナプス、配線、細胞タイプ、化学的シグナル伝達、記憶の配置、神経活動のタイミングはいずれも重要だ。ニューロンを数え、モデルパラメータと比較しても、同等の知能や処理負荷が証明されるわけではない。

脳のエネルギー収支に関する研究は、この類推をさらに複雑にする。脳のエネルギーの多くは、通信、維持、人々が気軽に「計算」と呼ぶ電気的活動以外のプロセスを支えている。

この見出しが有用なのは、その一点にある。AIの物理的なフットプリントを精査するきっかけになることだ。1つの脳と1台のスーパーコンピュータが交換可能な機械である証拠として扱うべきではない。

有用な問いはもっと限定的だ。個々の計算が安くなり続けているにもかかわらず、AIの総需要はなぜ増え続けるのか。答えは、展開規模、ワークロードの拡大、そして各アクセラレータを取り巻くインフラにある。

AIクエリの効率は改善しているが、ワークロードはより速く増加している

一般的なテキストプロンプトの消費エネルギーは、バイラルな推計が示すよりはるかに少ない場合がある。しかし、推論やエージェント型ワークロードは、その安心感の大部分を打ち消す。

2025年初頭、Epoch AIは一般的なChatGPTクエリの消費電力を約0.3ワット時と推計した。この計算では、特定の本番デプロイメント内にあるすべてのコンポーネントを測定するのではなく、アクセラレータの稼働時間、サーバー電力、想定利用率を組み合わせている。

この推計は、AIクエリ1件当たり数ワット時を消費するという従来の主張を大きく下回った。ただしEpoch AIは、単一の平均値が大きなばらつきを隠し得る理由も示している。

同社のクエリ推計では、10,000トークンの長い入力を伴うリクエストは約2.5ワット時とされた。100,000トークンに近い入力では、推計値は約40ワット時まで上昇した。

トークンとは、言語モデルがコンテンツを読み取ったり生成したりする際に処理する小さなテキスト単位だ。トークン数が増えるほど、特にモデルが長いコンテキストを繰り返し検討する場合、追加の演算とメモリ移動が必要になる。

2026年の査読済み推論研究も、通常のフロンティアモデルのクエリについて同様の結論に達した。中央値は0.31ワット時、四分位範囲は0.16〜0.60ワット時と推計している。

同じ研究では、約5,000出力トークンを生成する推論リクエストは、標準的なクエリの約13倍のエネルギーを使用することが分かった。この差は、市場がより長く、より自律的なタスクへ移行しているため重要だ。

一文に答えるチャットボットは、インフラ企業が提供の準備を進めている主要なワークロードではない。AIエージェントは文書を検索し、ソフトウェアツールを呼び出し、コードを書き、自身の出力を評価し、失敗した手順を繰り返すことができる。

追加のアクションごとに、さらに多くの推論が発生する。一部のシステムでは複数の候補解を実行し、別のモデルを使って最適な応答を選ぶ。したがって、単純なユーザー指示でも、大規模な隠れた計算連鎖を生み出し得る。

Googleは、2025年にGeminiのテキストプロンプトの中央値が0.24ワット時を消費したと報告している。OpenAIは、平均的なChatGPTクエリについて約0.34ワット時を示した。これらの数値は、プロバイダーが本番規模で意味のある効率向上を達成していることを示唆する。

ただし、すべてのクエリ、モデル、データセンターが同じフットプリントを持つことを示すものではない。プロバイダーごとに、ハードウェア、モデルアーキテクチャ、冷却システム、電源、算定範囲が異なる。

ある測定値にはアクセラレータの電力だけが含まれるかもしれない。別の測定値にはネットワーク、冷却、電力変換の損失も含まれる可能性がある。さらに別の測定値では、単純なプロンプトと長時間の推論タスクを平均化している場合がある。

この算定境界の問題により、多くのオンライン比較は信頼性を欠く。ある定義の中では数学的に正しい数値でも、一般的な「AI」のエネルギーコストとして示されると誤解を招き得る。

Google Newsの読者は、電力とエネルギーの違いも区別すべきだ。ワットで測る電力は、特定の瞬間における消費の速度を表す。通常ワット時で測るエネルギーは、時間を通じた消費量を表す。

20ワットの脳は1時間動作すると、約20ワット時を使用する。短いAI応答は1ワット時の一部しか消費しないかもしれないが、それを支えるデータセンターは、他のモデルを学習させながら数百万件のリクエストを処理できる。

業界の課題は乗算にある。クエリ当たりのエネルギーが少量でも、数十億回のやり取りに広がれば大きな消費量になる。長いプロンプト、動画生成、自律型エージェント、常時稼働のAI機能が、その総量をさらに押し上げる。

効率化はAI利用のコストも下げる。低コスト化は、開発者が検索エンジン、オフィスアプリケーション、オペレーティングシステム、カスタマーサポートツール、ソフトウェア開発環境にモデルを組み込むことを促す。

経済学者はこれをリバウンド行動と呼ぶ。資源の効率を高めると、追加の用途が手頃になることで総消費量が増える場合がある。AIでは、推論の低コスト化が、企業が以前のコスト水準では実行しなかったワークロードを可能にする。

これが、プロンプト当たりのエネルギーを改善しても、総電力需要が自動的に減らない理由だ。システムはより効率的になり、その後、より多くの製品へ拡大し、より多くの仕事をこなすようになる。

電力網がAIの真のボトルネックになりつつある

AI開発者はアクセラレータを追加発注できるが、ソフトウェアのタイムラインで送電線や系統接続を新設することはできない。

この変化は、国の電力データにも表れている。Lawrence Berkeley National Laboratoryは、米国のデータセンターが2023年に176テラワット時を消費し、これは国内電力使用量の4.4%に相当すると推計した。

この総量は2014年の58テラワット時から増加している。同研究所のデータセンター報告書は、米国の消費量が2028年までに325〜580テラワット時に達する可能性があると予測した。

将来の需要は、モデルの導入、ハードウェア効率、建設スケジュール、電力供給の可用性に左右されるため、幅は大きい。下限であっても、短期間で到来する大規模な新規負荷を意味する。

International Energy Agencyは、世界のデータセンター電力需要が2025年に17%増加したと報告した。AI特化施設の需要はさらに速く伸びる一方、世界全体の電力需要は3%増だった。

同機関は、データセンター全体の電力使用量が2025年の約485テラワット時から、2030年にはおよそ950テラワット時へ増加すると見込む。AI特化施設は、より速く拡大する部分を占める。

同機関の世界の電力見通しは、ガスタービン、変圧器、先進チップ、系統接続、規制承認におけるボトルネックも指摘している。こうした制約は、発表済みキャンパスが稼働中のインフラになる速度を制限する。

提案段階のデータセンターは、通電済みのデータセンターと同じではない。開発事業者は、土地、許認可、光ファイバー接続、冷却能力、変圧器、そして信頼できる電力源を確保しなければならない。

電力会社は、地域のネットワークが大規模で集中した負荷を支えられるかを判断する必要がある。接続前に、新たな変電所、送電線、発電設備、蓄電設備が必要になる場合もある。

これらのプロジェクトは異なる時間軸で進む。AIモデルは数カ月で変わり得る。半導体製造能力の拡大には数年かかる。大規模発電所や送電プロジェクトにはさらに長い時間がかかる場合がある。

この不一致は、Google、Microsoft、Amazon、Metaのようなハイパースケーラーに圧力をかける。各社のAI戦略は十分なコンピューティング能力の確保に依存しているが、電力なしにサーバーを増やしても、利用可能なサービスは生まれない。

電力会社にも圧力がかかる。データセンタープロジェクトが方針を変えたり、最大容量に達しなかったりする場合に、産業施設に匹敵し得る負荷を想定して計画しながら、インフラ費用を誰が負担するかを判断しなければならない。

地域社会には、別の計算もある。大規模なキャンパスは建設活動や税収をもたらし得る一方、同程度の電力を消費する従来型工場より恒久的な雇用を生み出す数は少ない可能性がある。

住民や規制当局は、新たな発電コストが家庭の電気料金に転嫁されるかどうかにも関心を寄せている。答えは、公益事業者との契約、地域の料金体系、送電網の増強、そしてインフラが他の顧客にも供用されるかどうかに左右される。

AIワークロードは運用面の複雑さも加える。トレーニングと推論によって、電力需要は急激に変動し得る。予測可能な商業需要を前提に設計された送電網は、ソフトウェアの活動に応じて変化する集中的なコンピューティング負荷に対応しなければならない。

蓄電池は一部の変動を平準化し、バックアップを提供できる。オンサイト発電は、遅延している系統接続への依存を減らせる。だが、どちらの手法も燃料供給、排出量、許認可、コスト配分に関する疑問を解消するものではない。

そのため業界は、原子力の電力購入契約、天然ガス発電、再生可能エネルギープロジェクト、地熱システム、エネルギー貯蔵を模索している。各選択肢は問題の異なる部分を解決する一方、それぞれ固有の建設スケジュールを伴う。

電力は、チップと並ぶ単なる投入要素ではない。AIにとっては、事業を左右する関門になりつつある。資本とアクセラレータを持つ企業であっても、通電済みの拠点を確保できなければ時間を失う可能性がある。

Bitcoinマイナーには電力がある。しかしAIに必要なのはメガワットだけではない

Bitcoinマイニング拠点は希少な送電網アクセスを提供するが、AIコンピューティングが求める信頼性、冷却、ネットワーキングの要件を満たせるのは限られた割合にすぎない。

Google Newsの記事は、AIの電力獲得競争を意外なインフラ供給者、すなわち暗号資産マイナーと結び付けている。多くのマイナーはすでに、系統接続、電力契約、変電所、稼働中の電気設備を備えた拠点を管理している。

こうした資産が価値を持つようになったのは、系統接続の順番待ちが新しいデータセンタープロジェクトを何年も遅らせ得るためだ。既存の通電済み拠点を取得すれば、開発プロセスの一部を短縮できる。

戦略的な論理は明快だ。Bitcoinマイニングの収益は、暗号資産価格、ネットワーク難易度、設備効率、電力コストによって変動する。長期のAIホスティング契約は、異なる収益特性を提供し得る。

一方でAI企業は、通電済みの土地を必要としている。施設を転用できるマイナーは、Bitcoinを生産し続けるよりも、電力とインフラを貸し出すことで大きな価値を得られる可能性がある。

この可能性は、Core Scientific、Galaxy Digital、TeraWulf、IREN、Riot Platforms、Hut 8を含む契約を後押ししている。元の分析では、上場マイナーが発表したAI契約の総額は700億ドルを超えると推定された。

発表された契約額を、実際に提供済みの容量と混同すべきではない。同じ分析によると、2026年第2四半期の開示では、調査対象グループ全体で約750メガワットが通電済みだった。

Core Scientificは約437メガワットを占めた。GalaxyのHelios拠点は133メガワットで、TeraWulf、IREN、Riotはこれより小規模な通電済み容量を報告した。

これらの数値は、機会と実装上の隔たりの両方を示している。契約は将来の商業関係を表す。通電済み容量は、より具体的な稼働段階に達したインフラを測る指標だ。

マイニング施設が自動的にAIデータセンターになるわけではない。Bitcoinマイニング機器は、電力が高騰したり送電網に負荷がかかったりした際に操業を停止できるため、中断に耐えられる。

AIの顧客は一般に、確実な電力供給と厳格なサービス水準を期待する。公益事業者が拠点に消費削減を求めるたびに、クラウドのワークロードが消えるわけにはいかない。

AIアクセラレータは、ラックごとにさらに高いコンピューティング能力を詰め込む。その高密度化は厳しい冷却要件を生む。改修には、液冷、新たな水システム、再設計された配電、より強固な建物インフラが必要になる場合がある。

光ファイバーももう一つの障壁となる。マイニング拠点は、しばしば遠隔地の安価な電力源の近くに位置する。AI施設には、クラスター、クラウドリージョン、顧客の間でデータを移動させるため、高容量かつ低遅延のネットワーク接続が必要だ。

セキュリティ基準も異なる。事業データや独自モデルをホスティングするには、マイニング事業が備えていない可能性のある物理的な管理、監視、冗長性、コンプライアンス手順が求められる。

それでも、選ばれた物件では採算が取れる可能性がある。BeInCryptoはVanEckの推定として、転用コストを1メガワット当たり数百万ドル程度と報じた一方、新設にはそれを大幅に上回る資本が必要とされた。

こうした推定は拠点によって異なり、普遍的な価格として扱うべきではない。適した建物、光ファイバー、冷却の可能性を備えた施設は、遠隔地にあるマイニングコンテナの集合とは大きく異なる。

より大きな教訓は、送電網へのアクセスが取引可能な戦略的優位性になったことだ。Bitcoinマイナーは、安価な電力を見つけ、アクセスを交渉することに何年も費やしてきた。AI需要は、これらの資産の潜在的な用途を変えた。

ただし、マイニングからAIへの全面的な転換という主張には懐疑的であるべきだ。元の記事が引用したCambridgeの予備的な調査データによれば、2026年7月までにAIへ電力を割り当てていたマイナーは約10%にとどまった。

この限定的な割合は、物理的な障害と整合的だ。多くの場所では、マイニング機器が企業向けAIテナントには受け入れられない条件に耐えられるため、暗号資産を効果的に採掘できる。

したがって投資家は、署名済み契約、契約済みの将来容量、稼働中のAI容量という3つのカテゴリーを区別すべきだ。それらを同一視すると、収益がどれほど早く到来するかを過大評価しかねない。

この転換は実務上の対立も生む。柔軟なマイニング負荷は、送電網への負荷が高まる時期に停止でき、電力システムのバランス維持に役立つ。確実なAI負荷は、事業者がワークロードを送電網の状況に合わせて再設計しない限り、その柔軟性の一部を失わせる。

研究者は、データセンターが緊急性の低いタスクを時間や場所をまたいで移動させる、電力柔軟型コンピューティングを研究している。トレーニングジョブ、バッチ処理、一部の推論ワークロードは、ユーザーに害を与えずに一時停止できる可能性がある。

しかし、顧客がどの程度の中断を受け入れるかは商業顧客次第だ。作業を移動できるという理論上の能力があっても、契約、ソフトウェア、サービスへの期待がそれを許すとは限らない。

マイニングインフラは、特定のAIプロジェクトを加速できる。しかし、より優れた送電網、新たな発電、高度な冷却、透明性の高い報告が必要であることをなくすものではない。

より優れたチップでもGoogle Newsの電力問題は終わらない理由

効率性はAIが1ワット当たりに実行できることを変える一方、需要拡大が業界全体で消費されるワット数を決める。

2010年から2018年にかけて、世界のデータセンターにおけるコンピューティング活動は約550%増加した一方、電力使用量の増加は約6%にとどまった。より優れたサーバー、仮想化、冷却、施設設計が、成長の大部分を吸収した。

この歴史は楽観的な論拠を支える。AIアクセラレータはより効率的になり、モデルは使用するアクティブパラメータを減らし、開発者は不要な計算を避けるはずだ。そうなれば総需要は安定する可能性がある。

問題は、近年の米国における消費がすでに従来のパターンから外れていることだ。Berkeley Labの推定によれば、データセンターの電力使用量は2014年から2023年の間に3倍になった。

AI開発者はまた、効率化による利益を別の形で使っている。同じサービスをより少ない電力で提供するのではなく、改善されたハードウェアを使って、より大規模なシステムをトレーニングしたり、より多くのユーザーにサービスを提供したりすることが多い。

テスト時コンピューティングはこの傾向を強める。これは、難しい要求への回答中にモデルが追加の計算を行えるようにするものだ。モデルは、回答を提示する前に代替案を生成し、中間ステップを確認し、推論を続けられる。

このプロセスは、コーディング、数学、調査、計画のタスクで性能を向上させ得る。同時に、エネルギーコストは要求の難しさと、許可される推論量に依存するようになる。

エージェント型ソフトウェアは、計算を時間軸にわたって拡張する。メッセージを監視し、データベースを更新し、見込み客を調査し、コードを保守するシステムは、人が毎回開始しなくても繰り返し稼働できる。

その結果、価値の単位は1つのプロンプトから1つの完了したワークフローへと移る。1つのワークフローには、数百回のモデル呼び出し、検索、検証、再試行が含まれる場合がある。

これにより、クエリ当たりの報告は情報量が少なくなる。提供事業者には、エネルギーをタスクの複雑さ、モデル品質、ハードウェア、所在地、総サービス量と結び付ける測定が必要だ。

中央値のプロンプトに関する数値にも依然として価値はある。誇張された主張を正し、ユーザーにおおまかな規模感を与えるからだ。しかし、自律サービス群が拡大するために必要なインフラを説明することはできない。

効率性に関する主張には、一貫した境界設定も必要だ。アクセラレータが消費する電力は一要素にすぎない。メモリ、ネットワーキング、冷却、ストレージ、バックアップシステムも施設全体の消費量に寄与する。

電力使用効率、すなわちPUEは、施設全体のエネルギーをコンピューティング機器に供給されたエネルギーで割ったものだ。1に近い値はオーバーヘッドが少ないことを示すが、コンピューティング自体が効率的かどうかは明らかにしない。

炭素影響はさらに別の層を加える。低炭素電源によって供給される1キロワット時は、化石燃料への依存度が高い送電網で生産される1キロワット時とは異なる排出プロファイルを持つ。

時間も重要だ。再生可能エネルギーの発電が豊富な時に電力を使うデータセンターは、地域のピーク時に確実な電力を要求するデータセンターとは異なる送電網への影響を生み得る。

水の使用量は、冷却技術と気候によって異なる。一部の施設は蒸発冷却に大きく依存する一方、別の施設は異なるエネルギー上のトレードオフを伴う空冷や閉ループシステムを採用している。

単一の数値で、これらすべての次元を捉えることはできない。より良い開示では、施設エネルギー、コンピューティングエネルギー、ワークロードの種類、地理的位置、炭素集約度、水消費量を報告すべきだ。

人間の脳は、依然として有益な設計上の参照点である。記憶と処理を密接に組み合わせ、選択的に通信し、厳格なエネルギー制約の下で動作する。

現代のプロセッサは、メモリとコンピューティングユニットの間でデータを頻繁に移動させる。この移動は、特に大規模モデルでは、算術演算そのものより多くのエネルギーを消費する場合がある。

量子化、スパース性、より小規模なタスク特化型モデル、改善されたメモリパッケージングといった技術は、そのコストを削減する。ニューロモーフィックコンピューティングも、生物学的な神経系の選択的な特性を模倣しようとしている。

ただし、いずれも総需要の成長から確実に逃れられることを保証しない。ソフトウェア企業は節約したあらゆるワットを、ユーザーの追加、コンテキストウィンドウの拡大、動画生成、エージェントの稼働時間延長に使うことができる。

総需要を真に減らすには、ワークロードの拡大より速く効率性が向上する必要がある。個々の運用が安価になっているにもかかわらず、現在の予測は業界全体ではその逆を示している。

したがって脳との比較は、逆説的な結論をもたらす。AIは生物学から複数の効率性の教訓を学んでいるが、それらの教訓は電力消費を減らす前に拡大を可能にしている。

次に何が起きるかを示す3つのシグナル

次の段階は、通電済み容量、ワークロードレベルの開示、AIを送電網の状況に応答させる契約を通じて測られる。

最初のシグナルは、発表されたデータセンター容量と、実際に供用開始する容量との隔たりだ。プレスリリースでは将来のプロジェクトをギガワット単位で示せるが、通電済みの拠点は、開発者が設備、許認可、冷却、光ファイバー、電力を確保したかどうかを明らかにする。

投資家と顧客は、公益事業者との系統接続契約、建設の節目、開示された稼働容量を注視すべきだ。隔たりが縮小すれば、インフラ投資が現在のボトルネックを克服していることを示すだろう。

隔たりが拡大すれば、積極的な成長予測は弱まる。変圧器不足、許認可を巡る争い、送電網の制約、プロジェクト採算性が展開を遅らせていることを示唆する。

Bitcoinマイナーは有用な試金石となる。AI向けへの転換が予定どおりテナントの受け入れを開始すれば、既存の電力アクセスには価値があったことが証明される。予定がずれ込めば、市場はそれらの拠点にどれほど追加インフラが必要かを知ることになる。

2つ目のシグナルは、モデル提供者によるエネルギー開示の改善だ。Google、OpenAI、Microsoft、そして独立系研究者はプロンプト単位の有用な推計を公表しているが、手法や対象範囲は依然として比較しにくい。

報道では、通常のテキスト生成を、推論、画像、動画、エージェント型ワークロードと分けて扱うべきだ。また、アクセラレータの消費電力と、施設全体の電力使用量も区別する必要がある。

一貫した開示があれば、企業の購入担当者は大量導入に向けてモデルを比較しやすくなる。電力会社も、大まかな仮定ではなく実際のワークロードパターンに基づいて需要を予測できるようになる。

提供者が単一の平均値ではなく分布を公表するかに注目したい。短い回答と長時間に及ぶエージェントワークフローの差は、単一の中央値よりも重要だ。

3つ目のシグナルは、AI事業者がコンピューティングを柔軟化する契約を結ぶかどうかだ。データセンターは、電力が豊富な時間帯に一部のトレーニング、バッチ推論、評価作業を実行できる。

事業者がバッテリーを導入し、意味のある量のワークロードを移動させれば、送電網のピーク時の負荷を軽減できる。IEAは、データセンターが2030年までに世界全体で20〜25ギガワットの蓄電池を設置できると推計している。

この結果は、AI施設がより協調的な送電網参加者になり得るという主張を強めるだろう。年間の電力使用量をなくすわけではないが、集中負荷に対応するコストとリスクを下げられる可能性がある。

顧客がほぼすべてのワークロードで中断のない稼働を求め続けるなら、電力会社にはより多くの安定電源と送電網容量が必要になる。その道筋では、長期電力契約と地域での承認の重要性が増す。

開発者やナレッジワーカーにとって、電力をめぐる状況は環境面の主張以上の影響を持つ。インフラ不足は、モデルの利用可能性、使用制限、レイテンシー、そして提供者が経済的に提供できる機能に影響し得る。

AIワークフローを構築する企業は、単なるプロンプト数ではなく、完了したタスクの価値を測定すべきだ。定型作業にはより小規模なモデルを選び、不必要なコンテキストを抑え、繰り返されるエージェントの操作を見直すことで、無駄を減らせる。

整理されたパーソナルナレッジベースに再利用可能な情報を保管することも、検索の繰り返しや過大なプロンプトを減らすのに役立つ。これはワークフローの改善であり、データセンター需要への完全な答えではない。

Google Newsの見出しが成功しているのは、インフラをめぐる対立を印象的な一つのイメージに圧縮しているからだ。人間の脳は厳しいエネルギー予算の中で働く。AI企業はこれまで、投資家がより大きな能力を期待するたびに拡大する資本予算の中で活動してきた。

電力は、この区別を維持することを難しくしている。決定的な問いは、1回のAI応答が1つの人間の思考より多くのエネルギーを消費するかどうかではもはやない。この比較のどちら側にも、明確で普遍的な単位は存在しない。

何が実運用に移るのか、提供者が何を開示するのか、そしてワークロードが送電網に適応するのかを注視したい。こうしたシグナルは、AIが物理的な上限の下で稼働することを学ぶのか、それともより大きな発電所を探し続けるのかを示すだろう。