BANのAI電子廃棄物レポート、従来の推計はデータセンターハードウェアの大半を見落としていると指摘
Basel Action Networkは、これまでのAI電子廃棄物推計が、データセンターを支えるハードウェアの大きな割合を見落としてきたと述べている。同団体の新たな分析は、2025年から2050年にかけて、AIに起因する機器の退役量が3億9,500万〜6億1,700万メートルトンに達すると予測する。
この予測は、広く引用されている2030年の推計の40〜60倍に当たる。ただし、この比較ではデータセンターのインフラや施設外のデバイスを含む、複数の異なるカテゴリーが組み合わされている。
したがって、対立点は単にどちらの予測が正しいかではない。AIデータセンターの電子廃棄物をどこまで含めるのか、また、どの退役をAIに帰属させるのかという問題である。
BANは、サーバー、アクセラレーター、ネットワーク機器、電力機器、バックアップシステム、冷却インフラを数える。さらに、AI導入によって早期の買い替えが促される可能性がある消費者向け、企業向け、通信向け機器も加えている。
従来の学術研究は、サーバーまたはAIアクセラレーターを中心とする、より狭い範囲を採用していた。これらの研究はより小さな廃棄物フローを測定した一方、間接的な陳腐化についてはより少ない仮定に基づいている。
BANのAI電子廃棄物レポートは、ハイパースケーラー、機器サプライヤー、法人購入者、リサイクラーに、より大きな会計上の問いを突き付けている。AIのマテリアル・バランスシートには何を計上すべきなのか。
BAN、AI電子廃棄物の対象範囲を拡大
BANの中心的な主張は、AI計算を実行する機器だけでなく、データセンター全体のシステムを数えるべきだというものだ。
Basel Action Networkは2026年9月、4部構成のシリーズ「The Coming AI Waste Wave」の第1弾を公表した。46ページの報告書は、創設者のJim Puckettが作成した。
BANのインフラ全体を対象とした分析は、予測されるデータセンター容量から始める。次に、ギガワット当たりの機器重量を推定し、カテゴリー別の交換期間を適用する。
報告書はデータセンター機器を5つの大きなグループに分けている。計算ハードウェア、ネットワーク、配電、バックアップ電源、冷却システムである。
サーバーとアクセラレーターは、モデル化された電気機械インフラの約13％を占める。BANは、従来のAI電子廃棄物推計が残り87％を大部分見落としてきたと主張する。
この未計上分には、スイッチ、銅線ケーブル、変圧器、バッテリー、冷却機器、その他の支援システムが含まれる。その多くは、電気・電子機器の一般的な定義に該当する。
BANは、容量1ギガワット当たり約7万メートルトンの設備が導入されると見積もる。さらに、導入済み1ギガワットごとに年間約1万4,000メートルトンが退役すると推定している。
これらの値は、想定する耐用年数に左右される。BANはアクセラレーターを2.5年、ネットワーク機器を3.5年、配電機器を8年としている。
ベースラインでは、バックアップ電源と冷却システムの耐用年数を5年とする。加重した結果を2050年まで延長するモデルに組み込んでいる。
この枠組みでは、データセンターのインフラだけで2030年に年間約280万メートルトンの廃棄物が発生する。推計は2050年までに年間1,520万メートルトンへ増加する。
報告書は大幅な容量成長予測も採用している。データセンターの総容量は、2024年の約122ギガワットから2030年には202ギガワットへ増えると見込む。
BANの長期モデルでは、2050年に1,093ギガワットに達する。この遠い将来の数値は、短期的な出発点よりはるかに不確実性が大きい。
データセンターの急増自体は、推測にすぎるものではない。国際エネルギー機関は、世界のデータセンターの電力消費量が2030年までに900テラワット時を超えると予想している。
同機関の電力見通しによると、消費量は現在の水準から2倍以上に増える見通しだ。AIは、他のデジタルサービスとともに最大の推進要因となっている。
容量の増加が、そのまま廃棄機器の増加につながるわけではない。それでも、新しい施設はすべて、いずれ再利用、再生、リサイクル、保管、または処分が必要となる物理的資産を導入する。
BANのAI電子廃棄物レポートは、こうした支援資産をAIのフットプリントの一部として扱うことで議論を変えている。間接的な廃棄物を計算に加える前から、分子が大幅に大きくなる。
AIデータセンターの電子廃棄物がGPUを超える理由
データセンターは相互接続された産業システムであり、プロセッサーだけを測定すれば、その稼働を支えるために必要な機器が除外される。
AIを扱う報道では、並列計算に適した特殊なプロセッサーであるグラフィックス処理ユニット、すなわちGPUに焦点が当たりがちだ。これらのチップはモデルを訓練し、導入後のリクエストを処理する。
GPUは高価で目立ちやすく、頻繁にアップグレードされる。しかし、それは稼働中の施設を構成する物理的な層の一つにすぎない。
高密度のAIラックには、集中した負荷を処理できる配電機器が必要となる。また、アクセラレーター間でデータを移動させるネットワークスイッチや光接続も必要だ。
バックアップ用のバッテリーや発電機は、ワークロードを中断から守る。冷却機器は、膨大な電力を消費するラックが発する熱を取り除く。
こうしたシステムの一部はアクセラレーターより長く使える可能性がある。一方で、ラック密度、冷却方式、電力要件が変われば、再設計が必要になるものもある。
部品は故障する前に退役することがある。新しいアーキテクチャによって既存の構成が非効率または非互換になれば、事業者は稼働中の機器を撤去し得る。
ここでBANは、クラウド運用と物質の入れ替わりを結び付けている。現代のプラットフォームは、コンピューティング容量を個別に保守する機械ではなく、標準化され交換可能なインフラとして扱う。
「cattle, not pets」という表現は、もともとソフトウェアのインスタンスと運用レジリエンスを表すものだった。インスタンスが失敗するたびに物理サーバーを廃棄するよう事業者に指示するものではない。
それでもBANは、この運用文化が物理資産の管理に影響を及ぼすと主張する。標準化された機器群は、一括交換、限定的な部品修理、予測可能な更新スケジュールを好む可能性がある。
この解釈には慎重さが必要だ。論理的な交換可能性は、事業者が稼働中のハードウェアを破棄していることを証明するものではない。
ハイパースケーラーは、古いサーバーを要求の低いワークロードへ移すことができる。また、機器を再販し、部品を回収し、サプライヤーのプログラムを通じて返却することも可能だ。
しかし、その機器が持続可能な二次市場に入らない限り、再利用は廃棄を遅らせるだけである。所有者が変わっても、最終的な回収、リサイクル、処分の必要性は消えない。
アクセラレーターの急速な進化も別の複雑さを生む。前世代のGPUは機能していても、最先端モデルの訓練では競争力を失う可能性がある。
それでも、推論、研究、レンダリング、小規模モデルには使えるかもしれない。そうした二次的需要が供給可能な機器を吸収するかは、未解決の実証的な問いである。
材料構成も重要だ。冷却ユニット、バッテリーバンク、変圧器は、回収時にサーバーと同じように扱うことはできない。
各カテゴリーには、異なる保守要件、再販市場、有害部品、リサイクルの経済性がある。単一の「AIハードウェア」というラベルは、こうした違いを覆い隠しかねない。
このより広い視点は、BANのモデルに確かな価値を与える。事業者に対し、施設全体にわたる在庫と退役の開示を求めるからだ。
ただし、同じ対象範囲が帰属を難しくもする。冷却・電力システムは、AIだけでなく、データベース、動画ストリーミング、クラウドストレージ、一般的な企業アプリケーションも支えている。
施設全体の廃棄物を自動的にAIへ割り当てることはできない。分析者には、ワークロードの比率、機器の配分方法、一貫した報告期間が必要となる。
BANは、予想されるデータセンター拡張の主な原動力としてAIを扱う。これは部分的な帰属を支持するが、正確な割合を確定するものではない。
最も強い結論は、見出しの数字より限定的だ。既存のAI電子廃棄物推計は、アクセラレーテッド・コンピューティングを支えるすべての物理システムを説明していない。
BANのAI電子廃棄物レポート、「廃棄物の伝染」を追加
最大の違いはデータセンター外の機器にあり、BANはここで最も重大で、かつ検証が最も不十分な仮定を導入している。
BANはこのカテゴリーを「AI waste contagion」と呼ぶ。この用語は、AIがソフトウェアまたはハードウェア要件を引き上げるために退役するコンピューター、スマートフォン、エッジデバイス、通信ハードウェアを指す。
身近な例として、新しいローカルAI機能をサポートできないコンピューターがある。所有者は、当初の予定より早くそのデバイスを買い替えるかもしれない。
企業での導入でも、より大規模に同じ影響が生じ得る。必要なアプリケーションが新しいニューラル処理ユニットを求める場合、企業はノートPCを更新する可能性がある。
ネットワーク事業者も、変化するトラフィック、レイテンシー、エッジコンピューティング要件に対応するため機器をアップグレードする場合がある。BANは、その入れ替わりの一部をAIに起因するものとして分類している。
モデルは、伝染を保守的シナリオと積極的シナリオで推計する。2030年の年間伝染廃棄物は580万〜1,030万メートルトンと予測している。
2050年までに、この範囲は年間1,620万〜3,070万メートルトンへ拡大する。これらの数値は、モデル上のデータセンター廃棄物推計を上回る。
両カテゴリーを合わせると、2030年におけるAI起因の年間退役量は860万〜1,310万メートルトンとなる。2050年の範囲は3,140万〜4,600万メートルトンに達する。
2025年から2050年までの全期間で、BANは3億9,500万〜6億1,700万メートルトンと算出している。この累積値が、レポートで最も強い比較の根拠となっている。
リサイクル業界の報道は、この量について、標準的な40フィート海上コンテナ1,500万〜2,300万個分に相当すると伝えている。
伝染カテゴリーはまた、BANの数値をサーバーのみを対象とする研究と安易に比較すべきでない理由も説明する。これらの推計は、実質的に異なる問いに答えている。
一方は、AIサーバーがどれだけの廃棄物を生むかを問う。もう一方は、AIが世界の機器退役を直接または間接的にどれだけ加速させる可能性があるかを問う。
どちらも有用な問いである。しかし、等価な測定ではない。
BANは、伝染に関する証拠基盤が限られていることを率直に認めている。報告書は、この分野を定量化するデータはほとんど存在しないと述べ、研究者に推計の改善を呼びかけている。
この認識は重要だ。伝染は、国の統計で追跡される観測済みの廃棄物カテゴリーではなく、提案された帰属の枠組みである。
AI対応の後継機が存在するからといって、AIが購入の原因だったことは証明されない。セキュリティサポート、バッテリーの劣化、物理的な損傷、OS要件、マーケティングも、買い替えに影響する。
ソフトウェア開発者も影響を抑えられる。クラウド処理は古いデバイスにもAI機能を提供でき、より小さなモデルは性能の低いハードウェア上でも動作し得る。
ユーザーは新しいチップを必要とする機能を無視するかもしれない。企業は、予算、調達方針、持続可能性目標が既存の機器群を優先する場合、交換サイクルを延ばすことができる。
反対に、ソフトウェアサポートが厳格な互換性の閾値を生む場合、BANの懸念にはもっともな面がある。必須の企業向けツールは、任意の機能を購入要件へ変え得る。
研究上の課題は、これらのケースを切り分けることにある。分析者には、調査、機器群の記録、調達データ、デバイス単位の退役理由が必要だ。
こうした証拠がなければ、伝染の範囲はシナリオにとどまる。調査の指針にはなるべきだが、測定済みのトン数として報じるべきではない。
この不確実性は、カテゴリーが無関係であることを意味しない。これは、サーバー中心の研究では見えない経路を示している。
また、焦点をソフトウェア企業にも向けている。ハードウェア廃棄物は、リサイクル施設から遠く離れた場所で策定された製品要件に起因し得る。
以前のAI電子廃棄物推計が小さかった理由
40〜60倍という比較は、単一の誤った計算を訂正した結果というより、システム境界の違いを反映している。
2024年にNature Computational Scienceで発表された研究は、生成AIが2030年までに120万〜500万トンの電子廃棄物を蓄積する可能性があると推計した。
この以前のAI推計は、生成AI向けのコンピューティング機器に焦点を当てた。複数の開発シナリオをモデル化し、循環経済に向けた介入策を検討した。
著者らは、こうした戦略によって廃棄物を16〜86％削減できると見積もった。戦略には、使用期間の延長、再利用、再製造、効率改善が含まれる。
2026年、Alex de Vries-Gaoによる論文がこの前提を再検討した。製造上の制約とより長いハードウェア寿命を用い、より小さな予測を示した。
この査読済みの再較正では、2030年の年間AIサーバー廃棄物を13万1,000〜22万4,800トンと予測している。
De Vries-Gaoの推計も依然として大きい。上限では、1年間の排出量は一部の小規模な欧州諸国で発生する年間電子廃棄物に相当する。
この再較正は、予測がいかに容易に変わり得るかも浮き彫りにする。ハードウェア寿命、チップ生産量、導入済みサーバー数、ワークロード配分はいずれも結果に影響する。
BANはこの批判の一部を受け入れている。同団体の報告書は、製造能力から切り離された需要予測よりも、供給制約を考慮したモデリングの方が方法論的に改善されていると述べる。
一方で、再較正はなお不完全だと主張する。De Vries-Gaoが対象とするのはサーバーであり、電気機械設備全体ではない。
BANは、以前の論文が測定を試みなかった「コンテージョン」カテゴリーも追加している。この組み合わせが40〜60倍の差を生み出している。
したがって、読者は誤解を招く解釈を避けるべきだ。BANは、ある査読済み推計に60倍の算術的誤りがあったと示したわけではない。
むしろBANは、より広い分析境界を設定し、異なる成長モデルを適用した。隔たりの大部分は、その定義がより多くの機器を含むことによるものとみられる。
この比較は、層ごとに分けることで最も有益になる。
最も狭い層は、AIアクセラレーターとそのサーバーを対象とする。モデルの学習と推論に最も直接的に結びつく領域だ。
第2の層は、ネットワーク、ストレージ、電源、バックアップ、冷却インフラを対象とする。これらの資産はAIを支えるが、他のワークロードにも使われることが多い。
第3の層には、AI導入によって早期退役へと押し出される可能性のある、データセンター外の機器が含まれる。この層は直接的な帰属が最も弱い。
各層には、それぞれ固有の推計、信頼区間、検証手法が必要だ。まとめることで総エクスポージャーを示せる一方、証拠の質の違いは見えにくくなる。
BANは、社内のデータセンターモデルについて感度分析を提示している。どの前提が最も重要かを示すため、有用なステップだ。
アクセラレーターの寿命を変えても、モデル内での影響は限定的である。これに対し、設備容量の成長率を変えると、はるかに大きく結果が振れる。
年間設備容量成長率が4％の場合、2050年のデータセンター廃棄物推計は大幅に低下する。12％成長の場合は、BANのベースラインから2倍超となる。
ギガワット当たりの機器重量を変えることも、結果を大きく動かす。これらの検証は、遠い将来の予測が必然ではなく条件付きであることを示している。
すべて保守的な前提を置いたシナリオでは、2050年の年間データセンター廃棄物は380万トンとなる。積極的なシナリオでは3,550万トンに達する。
この幅広い区間は、単一の中心値よりも多くを明らかにする。インフラ設計、成長、耐用年数が結果をどのように変え得るかを示している。
公共の議論において、BANが最も強く裏付けている主張は、サーバーだけを対象とした推計が物理インフラを見落としているという点だ。最も不確実な主張は、消費者・企業の更新を誘発する規模に関するものだ。
これらの結論を分けて扱うことで、モデル上のすべての結果を予測事実として扱うことなく、報告書の警鐘を保つことができる。
ハイパースケーラーとリサイクラーはいま開示の試練に直面している
直近の課題はBANの最大推計を受け入れることではなく、それを検証するために必要な運用データを公表することだ。
Amazon、Google、Meta、Microsoft、Oracleなどの大手事業者は、導入済み機器に関する詳細な記録を管理している。だが、それらの記録が有用なカテゴリー水準で公開されることはほとんどない。
事業者は、設置日、故障率、更新スケジュール、再販量、部品の行き先を把握している。再利用、保管、リサイクル、廃棄を区別できる。
こうした記録がなければ、外部研究者は設備容量、財務報告、サプライヤー出荷量、断片的なサステナビリティ開示から機器の入れ替わりを推定するほかない。
この不透明さは、過小評価と過大評価の双方を招く余地を残す。狭い研究は主要な支援システムを見落とし得る一方、広範なモデルは通常の更新までAIに過度に帰属させる可能性がある。
信頼できる報告枠組みは、カテゴリー別に、運用に入る機器と離脱する機器を開示すべきだ。さらに、使用年数、重量、行き先、機器が引き続き稼働しているかも示す必要がある。
「再利用」には厳密な定義が必要だ。施設間で移設されたサーバーと、行き先不明の輸出チェーンに売却されたサーバーは異なる。
部品取りも別途計上する必要がある。メモリーやプロセッサーを回収しても、筐体、基板、バッテリー、冷却ハードウェアがどうなるかは説明できない。
リサイクラーには、機会とリスクの両方がある。更新サイクルの高速化は、サーバー、銅、バッテリー、ネットワーク機器という価値ある回収流を生む可能性がある。
稼働可能な機器は、下位層のデータセンターや、要求の低い推論ジョブへ移される可能性がある。互換性とエネルギー性能が許せば、再生事業者は使用期間を延ばせる。
しかし、再販取引は問題を解決する代わりに責任を移す可能性がある。最終所有者が、安全なリサイクル能力や規制執行が弱い地域で運用する場合がある。
世界のシステムはすでに通常の電子機器廃棄物への対応に苦慮している。世界の廃棄物ベースラインでは、2022年に6,200万トンの電子廃棄物が記録された。
環境上適正な経路で正式に回収・リサイクルされたと記録されたのは、わずか22.3％だった。同モニターは、2030年には8,200万トンに達すると予測している。
これらの数値は、BANの上位シナリオが実現しなかったとしても、その警告を重要なものにする。AIデータセンターから追加される電子廃棄物は、すでに大きな欠陥を抱える回収システムに流入する。
その素材は一様ではない。サーバー基板には回収可能な金属が含まれる一方、バッテリーや冷却機器には異なる危険性と取り扱い要件がある。
一部の資産は退役直後に高い再販価値を持つ。他方で、輸送、検査、データ消去、修理、コンプライアンスのコストを考慮すると、採算が取れなくなるものもある。
エネルギー効率は別のトレードオフを生む。古いサーバーを使い続ければ代替機の製造は避けられるが、非効率な機器は単位作業当たりの電力消費が増える可能性がある。
健全な判断には、普遍的なルールではなくライフサイクル分析が必要だ。残存機器が、受け入れがたいエネルギー負担や廃棄負担を移転することなく有用な作業を提供できる場合、再利用は有利となる。
モジュール設計はこの条件を改善できる。交換可能なアクセラレーター、標準化部品、修理へのアクセス、より長いソフトウェアサポートは、システム全体の退役を防ぎ得る。
調達契約も責任を割り当てられる。購入者は、回収先の報告や、初期サービス期間を超えた部品サポートをベンダーに求めることができる。
政府には複数の政策手段がある。拡大生産者責任は、製品寿命の終わりにおける回収・処理費用を製造業者に負担させることができる。
修理する権利に関する規則は、部品と文書へのアクセスを改善できる。輸出の執行は、再利用可能な機器と偽って出荷されることを制限できる。
これらの措置はいずれも、BANの完全な予測を受け入れることを前提としない。既存の廃棄物に対応し、複数の成長シナリオにおけるリスクを低減するものだ。
企業のテクノロジー購入者にとっても、教訓は実務的だ。AI調達では、機能や運用コストだけでなく、機器寿命と廃棄の影響も考慮すべきである。
大規模な機器群の入れ替え前に、ソフトウェア要件を精査するべきだ。新たなハードウェアを強いる機能は、それが生む物質的な変更を正当化する必要がある。
ここでは正確な資産履歴が重要になる。組織が交換判断を監査するには、検索可能な調達、保守、セキュリティ、廃棄の記録が必要だ。
負担をエンドユーザーだけに負わせることはできない。プラットフォーム開発者とハイパースケーラーは、機器需要を形づくる多くの互換性の閾値を決めている。
BANの報告書は、そうした隠れた決定を環境をめぐる議論に組み込んだ。最終的なトン数にかかわらず、これが最も持続的な貢献だ。
AI電子廃棄物推計を検証する3つのシグナル
次に得られる証拠は、BANの警告のどこまでが測定可能な機器更新を反映し、どこまでが高成長シナリオにとどまるかを判断するはずだ。
第1のシグナルは、ハイパースケーラーによる機器レベルの開示である。有用な報告では、アクセラレーター、サーバー、ネットワーク、バッテリー、電源機器、冷却システムを分ける必要がある。
各カテゴリーの平均退役年数を示すべきだ。また、再配備、再販、部品取り、認定リサイクル、廃棄も区別する必要がある。
こうしたデータは、BANの耐用年数に関する前提を直接検証する。文書化された寿命が長ければ中心予測は弱まり、更新サイクルが短ければそれを強めることになる。
第2のシグナルは、AI廃棄物コンテージョンの証拠である。AI要件が実際に機器交換を早めているかを示す調達記録が、研究者には必要だ。
強力な研究では、AI導入率が異なる類似組織を比較する。OSサポート、セキュリティポリシー、機器年数、通常の購買サイクルを統制するべきだ。
消費者調査だけでは不十分である。購入者は機器を交換する理由として複数の要因を挙げることが多く、マーケティングは決定的な原因を曖昧にし得る。
機器のアクティベーション記録や下取り記録は、より良い証拠になり得る。企業の資産管理データベースは、AI対応機が、予定された退役前に使用可能な機器を置き換えているかを明らかにする可能性がある。
これらのデータが広範な早期交換を示せば、BANの最大の新カテゴリーの信頼性は高まる。更新サイクルが安定しているなら、その上位総量は大きく弱まる。
第3のシグナルは、現行のAIハードウェアが最前線の運用から離れる際の再利用プログラムの成果だ。重要な尺度は出荷量ではなく、追加的な有効寿命である。
研究者は、退役したアクセラレーターが他の場所で生産的なワークロードを実行しているかを追跡すべきだ。また、エネルギー使用量、故障率、輸出先、最終的なリサイクルも文書化する必要がある。
BANは再利用、毒性、緩和策に関する追加論文を予定している。これらの続報は、前提の評価を容易にし、トン数を実際の被害と結び付けるべきだ。
業界は完璧な予測を待つ必要はない。いまから在庫管理を改善し、退役データを公表し、モジュール型機器を支援し、下流の処理業者を検証できる。
同時に、政策立案者は広範なシナリオを測定済みの廃棄物として扱うべきではない。より良いルールは、明確な定義と比較可能な報告から始まる。
BANのAI電子廃棄物報告書は、盲点を明らかにすることに成功している。データセンターにはGPU以外にもはるかに多くのものがあり、すべての支援システムはいずれ寿命の終わりを迎える。
その40〜60倍という比較は、より広いインフラと、誘発された陳腐化という新たな理論を組み合わせているため、依然として条件付きだ。この区別は、あらゆる見出しと政策対応の指針となるべきである。
決定的な問いには、いまや運用記録によって答えられる。AI投資は有用なコンピューティング能力を拡張しているのか、それともテクノロジースタック全体で置き換えを加速させているのか。
運用事業者、購入者、リサイクラーは、次のハードウェアの波がまた一つの見えない廃棄物の流れとなる前に、こうした記録を求めるべきだ。
