「AIは数問ごとに水を1本飲む」から「基本的には数滴だ」まで、様々な噂を耳にしたことがあるでしょう。しかし、真実はもっと微妙です。AIのウォーターフットプリントは、AIが実行される場所、質問の長さ、データセンターのサーバー冷却方法などによって大きく変動します。つまり、確かに目玉となる数字は存在しますが、そこには様々な注意事項が潜んでいるのです。
以下では、明確で意思決定に役立つ数字を解説し、見積もりが一致しない理由を説明し、建設業者や一般ユーザーが持続可能性にこだわることなく水道料金を削減する方法を示します。
この記事の次に読むとよい記事:
🔗 AIデータセットとは何か
データセットが機械学習のトレーニングとモデル開発をどのように可能にするかを説明します。
🔗 AIがトレンドを予測する方法
AI がパターンを分析して変化や将来の結果を予測する方法を示します。
🔗 AIのパフォーマンスを測定する方法
精度、速度、信頼性を評価するための重要な指標を分析します。
🔗 AIと話す方法
明確さ、結果、一貫性を向上させるための効果的なプロンプト戦略をガイドします。
AIはどれくらいの水を消費するのか？実際に使える簡単な数字📏
-
プロンプトごとの典型的な範囲は、ある主流システムでの平均的なテキストプロンプトでは1ミリリットル未満ですが、別のシステムでのより長く計算量の多い応答では数十ミリリットルに達します。たとえば、Google の運用会計では、平均的なテキストプロンプトは約 0.26 mL (完全なサービスオーバーヘッドを含む) と報告されています [1]。Mistral のライフサイクル評価では、 400 トークンのアシスタント応答は約 45 mL (限界推論) とされています [2]。コンテキストとモデルは非常に重要です。
-
フロンティアスケールモデルの訓練：数百万リットルの水が必要になる場合があります。そのほとんどは冷却水と発電に使われる水です。広く引用されている学術分析では、 GPTクラスのモデルを訓練するのに約540万リットルの水が必要と推定されており、これには現場で冷却のために消費される約70万リットルが含まれます。また、水使用量を削減するためのスマートなスケジューリングの必要性も示唆されています[3]。
-
データセンター全般： 大規模サイトで 1日あたり数十万ガロンの水 が、気候や設計によってはキャンパスによってはピーク時でさらに水が消費されます[5]。
正直に言うと、これらの数字は一見矛盾しているように感じます。実際、矛盾しています。そして、それには十分な理由があります。
AIによる水利用指標✅
「AI はどのくらいの水を使用するのか？」に対する適切な回答には、いくつかの項目をチェックする必要があります。
-
境界の明確さ：敷地内の冷却水のみを含むのか、それとも発電所が発電に使用する敷地外の水も含むのか？ベストプラクティスでは、取水量と消費量、そしてスコープ1-2-3を区別しており、これは炭素会計[3]に類似している。
-
場所の感度
1kWhあたりの水量は 地域や電力網の構成によって異なるため、同じプロンプトでも、それが提供される場所によって水への影響が異なります。これが、文献で 時間と場所を考慮したスケジューリング [3]。 -
ワークロードの現実性
この数値は 平均本番環境のプロンプトうか、それともピーク時のアクセラレータのみを反映しているのでしょうか。Google は推論において、TPU の計算だけでなく、システム全体のアカウンティング (アイドル、CPU/DRAM、データセンターのオーバーヘッド) を重視しています [1]。 -
冷却技術：蒸発冷却、閉ループ液体冷却、空冷、そして新たなチップ直結型冷却技術は、水使用量を劇的に変化させます。マイクロソフトは、次世代の特定のサイトで冷却水の使用をなくすことを目的とした設計を展開しています[4]。
-
時間帯と季節
熱、湿度、電力網の状態は 水利用の有効性 。ある影響力のある研究では、主要な作業は水の使用量が少ない時間帯と場所でスケジュールすることを提案しています [3]。
取水量と消費量の違いを説明します💡
-
取水 = 川、湖、または帯水層から取水した水（一部は戻される）。
-
消費=蒸発したりプロセス/製品に組み込まれたりして戻らない水。
冷却塔は主に 消費します 。発電は を消費する （場合によってはその一部も消費します）。信頼できるAI水数値は、それが報告している水量をラベル付けします[3]。
AI で水が入る場所: 3 つのバケツ 🪣
-
スコープ1 - オンサイト冷却
目に見える部分：データセンター自体で蒸発した水。 蒸発冷却か空気冷却か、あるいは閉ループ液体冷却か ベースラインを設定する[5]。 -
スコープ2 - 発電
kWhごとに隠れた水タグを付けることができます。その組み合わせと場所によって、ワークロードが継承するkWhあたりのリットル信号が決まります[3]。 -
スコープ 3 - サプライチェーン
チップ製造は、 製造工程で超純水に依存しています。境界に内在する影響（完全な LCA など）が明示的に含まれていない限り、「プロンプトごと」の指標では表示されません [2][3]。
数字で見るプロバイダーとニュアンスの違い 🧮
-
Google Geminiは、
フルスタックのサービング方式（アイドル状態および施設のオーバーヘッドを含む）をプロンプトします。 テキストプロンプトの中央値は約0.26mL の水と 約0.24Whの エネルギーを消費します。これらの数値は、本番環境のトラフィックと包括的な境界を反映しています[1]。 -
ミストラル・ラージ2のライフサイクル珍しい独立したLCA（ADEME/Carbone 4を使用）では、トレーニングと初期使用で約281,000 m³ 、推論の限界値として400トークンのアシスタント応答で約45 mLが開示されています[2]。
-
マイクロソフトのゼロ水冷却への野望
次世代データセンターは、 冷却に水を一切使用しない。管理用途では依然としていくらかの水が必要です[4]。 -
一般的なデータセンターの規模
大手事業者は、 1日あたり平均数十万ガロンを が、気候や設計により数値は上下します[5]。 -
以前の学術的な基準では、画期的な「喉の渇いたAI」分析では、GPTクラスのモデルをトレーニングするために数百万リットルが必要と推定され、 10～50個の中程度の回答は、いつ/どこで実行されるかに大きく依存するものの、おおよそ500mLのボトルに相当する可能性があるとされています[3]。
なぜ推定値がこんなにも食い違うのか🤷
-
境界が異なる。
一部の数値は オンサイト冷却のみ、他の数値は 電力の水。LCAでは チップ製造を。リンゴ、オレンジ、フルーツサラダ[2][3]。 -
ワークロードが異なる
短いテキストプロンプトは、長いマルチモーダル/コード実行ではありません。バッチ処理、並行処理、レイテンシのターゲットによって利用率が変わります [1][2]。 -
気候やグリッドの違い
高温乾燥地域での蒸発冷却 ≠ 低温湿潤地域での空気/液体冷却。グリッドの水強度は大きく異なります [3]。 -
ベンダーの手法
Google はシステム全体の提供方法を公開し、Mistral は正式な LCA を公開しました。その他は、まばらな方法でポイント推定を提供しています。注目度の高い 「小さじ 15 分の 1」 というプロンプトごとの主張はニュースの見出しになりましたが、境界の詳細がないため比較できません [1][3]。 -
動く標的
冷却は急速に進化しています。マイクロソフトは 水を使わない冷却システム おり、これを導入することで、上流の電力が依然として水信号を送っている場合でも、現場での節水が可能になります[4]。
AIの水フットプリントを削減するために今日できること🌱
-
モデルのサイズを適正化する
小さくタスクに最適化されたモデルは、多くの場合、計算量を抑えながら精度を維持します。ミストラルの評価では、サイズとフットプリントの強い相関関係が強調されており、トレードオフについて検討できるように限界推論の数値が公開されています[2]。 -
節水型の地域を選択する。
涼しい気候、効率的な冷房、kWhあたりの水使用量が少ないグリッドを備えた地域を優先する。「渇いたAI」の研究は、 時間と場所を考慮した スケジューリングが役立つことを示している[3]。 -
トレーニングや大量のバッチ推論を水効率の良い時間帯（涼しい夜、好ましいグリッド条件）にスケジュールする[3]。
-
ベンダーに透明性のある指標（需要量、境界の定義、遊休容量や施設の諸経費が含まれているかどうかなど）を尋ねてください。政策団体は、同一条件での比較を可能にするために、義務的な情報開示を推進しています[3]。
-
冷却技術は重要です。
ハードウェアを運用する場合は、 クローズドループ/チップ直接冷却を。クラウドの場合は、 水使用量を抑えた設計 [4][5]。 -
グレーウォーターの使用と再利用オプション
多くのキャンパスでは、飲料水以外の水源を代替したり、ループ内でリサイクルしたりすることができます。大規模な事業者は、水源と冷却の選択肢のバランスをとることで、純粋な影響を最小限に抑えることを説明しています[5]。
具体的な例を挙げると（普遍的なルールではありませんが）、真夏の暑く乾燥した地域から春の涼しく湿度の高い地域へ夜間の研修業務を移し、ピーク時以外の涼しい時間帯に実施することで、 現場での 水使用量と 現場外 （電力網）の水使用量の両方を調整できます。これが、実用的でトラブルの少ないスケジューリングによって実現できるメリットです[3]。
比較表: AI の水道料金を下げるためのクイックピック 🧰
| 道具 | 観客 | 価格 | なぜそれが機能するのか |
|---|---|---|---|
| より小さく、タスクに合わせて調整されたモデル | MLチーム、プロダクトリーダー | 低～中 | トークンあたりの計算量が少ない＝冷却+電気と水の使用量が少ない。これはLCAスタイルのレポートで証明されている[2]。 |
| 水量/kWhによる地域選択 | クラウドアーキテクト、調達 | 中くらい | より涼しい気候とより低い水使用量のグリッドに移行し、需要を考慮したルーティングと組み合わせます[3]。 |
| 時間帯別トレーニングウィンドウ | MLOps、スケジューラ | 低い | 夜間の気温低下と電力系統の状態改善により、実効水強度は低下する[3]。 |
| チップ直結/閉ループ冷却 | データセンター運用 | 中～高 | 可能な限り蒸発塔を回避し、現場での消費量を大幅に削減します[4]。 |
| プロンプトの長さとバッチ制御 | アプリ開発者 | 低い | 暴走トークンを制限し、スマートにバッチ処理し、結果をキャッシュします。ミリ秒とミリリットルの削減につながります [1][2]。 |
| ベンダー透明性チェックリスト | CTO、サステナビリティリーダー | 無料 | 境界の明確化（オンサイトとオフサイト）と同等の報告を強制する[3]。 |
| グレーウォーターまたは再生水源 | 施設、自治体 | 中くらい | 飲料水以外の水を代用すると飲料水への負担が軽減される[5]。 |
| 熱再利用パートナーシップ | 事業者、地方議会 | 中くらい | 熱効率の向上は間接的に冷房需要を削減し、地域の好意を高める[5]。 |
（「価格」は設計上曖昧です - 展開はさまざまです。）
深掘り：政策の鼓動がますます大きくなっている🥁
エンジニアリング団体は、購入者や地域社会がコストとメリットを判断できるように、データセンターのエネルギーと水の義務的な開示を求めている。推奨事項には、範囲の定義、サイトレベルの報告、および立地に関するガイダンスが含まれる。なぜなら、比較可能で場所を考慮した指標がなければ、私たちは暗闇の中で議論していることになるからだ[3]。
深掘り: データセンターはすべて同じ方法で飲むわけではない 🚰
「空冷は水を使わない」という根強い誤解がある。そうではない。空冷システムは多くの場合、より多くの電力を必要とするが、多くの地域では電力網から隠れた水を運んでいる。逆に、水冷はオンサイトの水を犠牲にして電力と排出量を削減できる。大規模な事業者は、サイトごとにこれらのトレードオフを明確にバランスさせている[1][5]。
深掘り：バイラルな主張の現実を簡単にチェック🧪
1 つのプロンプトが「ペットボトル 1 本分」に相当するとか、その反対に「ほんの数滴」といった大胆な主張を目にしたことがあるかもしれません。より良い姿勢：数学に対する謙虚さ。今日の信頼できる両端は、フル サービス オーバーヘッドを含む平均的なプロダクション プロンプトで約 0.26 mL [1]、400 トークンのアシスタント応答 (限界推論) で約 45 mL [2] です。広く共有されている「小さじ 15 分の 1」という主張には、公的な境界/方法が欠けています。都市のない天気予報のように扱ってください [1][3]。
ミニFAQ: AIはどれくらいの水を使うのか？もう一度、分かりやすい英語で🗣️
-
では、会議で何と言えばいいでしょうか？ 「指示に応じて、モデル、長さ、走行場所によって、滴から数口まで様々です。トレーニングには水たまりではなく、プールが必要です。」そして、上記の例を1つか2つ挙げてください。
-
AIは特に悪いものなのでしょうか？AI
は特に 集中していると。高出力チップが密集しているため、冷却負荷が大きくなります。しかし、データセンターは最も効率の良い技術が最初に導入される場所でもあります[1][4]。 -
すべてを空冷式に切り替えたらどうなるでしょうか？施設内の水使用量は削減できるかもしれませんが、電気による外部からの水使用量は増加するでしょう。高度な技術を持つオペレーターは、その両方を比較検討します[1][5]。
-
将来の技術はどうでしょうか？大規模に冷却水を使用しない設計は、スコープ1にとって大きな変革をもたらすでしょう。一部の事業者はこの方向に動いています。上流の電力は、送電網が変化するまで、依然として水信号を伝達しています[4]。
最後のコメント - 長すぎるので読んでいません🌊
-
プロンプト1回あたり：モデル、プロンプトの長さ、および実行場所に応じて、1ミリリットル未満から数十ミリリットルの範囲で考えてください。1つの主要スタックではプロンプトの中央値は約0.26 mL 、別のスタックでは400トークンの回答で約45 mLです[1][2]。
-
トレーニング： 数百万リットルの水 が必要となり、スケジューリング、立地、冷却技術が重要となる[3]。
-
何をすべきか： 適切なサイズのモデルを選択し、水を効率的に使用する地域を選択し、負荷の高いジョブを涼しい時間帯にシフトし、水の使用量が少ない設計を証明するベンダーを優先し、透明な境界を要求する[1][3][4][5]。
最後に少し間違った比喩を。AIは喉が渇いたオーケストラだ。メロディーは計算だが、ドラムは冷却と送水だ。バンドの音を合わせれば、スプリンクラーが作動しなくても観客は音楽を楽しめる。🎻💦
参考文献
-
Google Cloudブログ - GoogleのAIはどれくらいのエネルギーを消費するのか？計算してみました（方法論＋平均プロンプト約0.26mL 、フルサービングオーバーヘッド）。リンク（技術論文PDF： Google規模でのAI配信の環境影響測定）リンク
-
Mistral AI - AIのグローバル環境基準への貢献（ADEME/Carbone 4とのLCA、約281,000 m³のトレーニングデータ＋初期利用データ、 400トークン応答あたり約45 mL 、限界推論）。リンク
-
Li et al. - AIの「水消費量」を減らす：AIモデルの隠れた水フットプリントの解明と対処 （ 数百万リットルの、 時間と場所を考慮した スケジューリング、取水と消費）。 リンク
-
Microsoft - 次世代データセンターは冷却に水を一切使用しません （特定の施設では水を使用しない冷却を目標としたチップ直結設計）。 リンク
-
Google データセンター - 持続可能な運用 （サイトごとの冷却トレードオフ、再生水/中水を含むレポートと再利用、サイトレベルの典型的な毎日の使用量の桁違い）。 リンク