技術要約：電子を伴わない証明書？AI主導の電力需要がもたらす影響に関する理論と証拠

1. 問題提起

人工知能（AI）の急速な拡大により、米国におけるデータセンターの電力消費量は、6年間で全需要の1.9%から4.4%へと増加した。ハイパースケーラー（大規模クラウド事業者）は、再生可能エネルギー証明書（REC）や電力購入契約（PPA）を利用してカーボンニュートラルを主張しているが、グリッドレベルでのこれらのメカニズムの有効性は依然として不明確である。具体的には、AIモデルのリリースが以下の事項に与える影響について、因果関係を示す証拠が不足している：

1. ローカルな電力品質： 電圧安定性、周波数調整、および高調波歪みを含む。
2. 化石燃料需要： AIのワークロードが再生可能エネルギー発電をどの程度代替し、あるいは化石燃料のディスパッチ（供給指令）を必要とするのか。
3. 卸売電力価格： AIによる需要ショックによる、ローカル市場における価格上昇の規模。
4. 信頼性： 停電の頻度と深刻度、および機器の劣化。

既存の文献は、技術経済的評価やミクロレベルのエネルギー性能研究に依存しており、AIが他のグリッド利用者に対して課す因果的な外部性を分離できていない。さらに、「タイミングの乖離（timing wedge）」が存在する。すなわち、消費（AIワークロード）と、クレジットされた再生可能エネルギー発電（REC経由）との間に時間的・空間的なミスマッチが生じており、年間消費量が理論上は再生可能エネルギーによってカバーされていたとしても、信頼性を低下させる可能性がある。

2. メソドロジー

著者らは、詳細な運用データ（例：正確な学習開始時刻）の不足や、AIモデルリリースの時期が分散しているという課題に対処するため、厳密な計量経済学的フレームワークを採用している。

2.1. 理論的枠組み

データセンター事業者がREC、PPA、またはオンサイト（behind-the-meter）でのコロケーションのいずれかを選択し、発電事業者が内生的な資金調達コストの下で参入決定を行う、ゲーム理論に基づいたモデルを構築している。このモデルは、消費とクレジットされた発電の間のミスマッチである「タイミングの乖離」を、AI需要が信頼性を低下させ、たと로 100%のRECによるカバーがあったとしても排出量を増加させる中心的なメカニズムとして特定している。

2.2. 計量経済戦略：スタック型差の差分法（Staggered Difference-in-Differences: DiD）

モデルリリースの詳細な学習ウィンドウの欠如と、モデルリリースの時期がずれていることを克服するため、著者らは**マルチホライズンを用いたスタック型DiD（Stacked DiD with Multiple Horizons）**アプローチを用いている。

• 処置（Treatment）の定義： 処置は主要なAIモデルのリリース日（$r_m$）を基準に定義される。
  • 学習ウィンドウ： $[r_m - \tau_{train}, r_m)$
  • 推論（インファレンス）ウィンドウ： $[r_m, r_m + \tau_{infer}]$
• スタック設計： 標準的な二元固定効果モデルにおいて、処置効果の異質性（既に処置を受けたユニットがコントロールグループを汚染してしまう現象）によるバイアスを避けるため、各モデルリリース・コホートごとに個別の「サブ実験」を構築している。各サブ実験では、その特定のコホートの採用時点において、真に未処置であるユニットのみを使用する。
• 方程式： 動的な処置効果は以下のように推定される：
  $$Y_{i,t,m} = \sum_{k=-K}^{K} \beta_k \cdot D^k_{ut} + \delta_t + \gamma_u + X'_{ut}\theta + \varepsilon_{ut}$$
  ここで、$D^k_{ut}$ はリリースに対するイベントタイム・ホライズン $k$ を示す。

2.3. 内生性と交絡因子の対処

• 化石燃料需要： 価格の内生性を対処するため、二段階最小二乗法（2SLS）を用いている。
  • 第一段階： 電力価格を、供給側のコスト・シフター（発電機の熱効率および天然ガススポット価格）を用いて操作変数化する。
  • 第二段階： 化石燃料需要を、予測された価格と処置指標に回帰させる。
• 価格への影響： 価格への影響は、推定された需要シフトと、PJM市場における供給曲線の弾力性（$\varepsilon_s$）を組み合わせることで算出される。
• 頑健性の検証： 本研究では、パラレルトレンド・テスト（事前係数に対するWald検定）、プレースボ・テスト（処置日と場所のランダム化）、および処置の定義に関する感度分析（例：半径の変更、曖昧なケースの除外）を用いている。

2.4. データ

本分析は、AI活動とグリッドの結果を結びつける新しいデータセットを統合している：

• 処置データ： データセンターの所在地、所有権、容量に関するAterioデータベース。これらをプレスリリースやAPI公開日を通じて特定のモデルリリース（例：GPT-3, Llama 2, Claude 2.1）と紐付けている。
• アウトカム（結果）データ：
  • 電力品質： 72の公共事業体からのWhisker Labs Consumer Power Quality Index (CPQI) および全高調波歪み (THD)。
  • 需要： EPA Clean Air Markets Program (CAMPD) の時間別発電機データ（2021–2023年）。
  • 価格： ISOゾーン別卸売価格（特にPJMに焦点を当てる）。
• コントロール変数： 気象データ（Meteostat）、天然ガス価格（S S&P Capital IQ）、および市場指数。

3. 主要な結果

3.1. 電力品質の劣化

AIモデルのリリースは、ローカルな電力品質を著しく悪化させる：

• 消費者電力品質指数 (CPQI)： 処置を受けた公共事業エリアでは、係数が0.3795増加しており、これは典型的な米国の電力品質から下位25パーセンタイルへの移行を意味する。これは、平均的な顧客における年間停電回数が、約1回から年間1.5〜2回へと増加することに相当する。
• 高調波歪み (THD)： 0.8の歪み閾値を超える読み取り値が0.0625パーセントポイント増加している。一見小さく見えるが、継続的な曝露は機器（モーター、冷蔵庫など）の劣化を加速させる。

3.2. 化石燃料需要

AI活動は化石燃料による発電を大幅に増加させる：

• 規模： 学習フェーズは発電機1時間あたり約6.33 MWhを加え、推論フェーズは5.20 MWhを加える。
• 総計の影響： これは、データセンター付近で500 GWh以上の追加的な化石燃料発電を生み出すことに相当し、米国の約47,000世帯の年間消費量に匹敵する。
• メカニズム： この影響は、RECでは時間的にカバーできないベースロードおよびピーク容量への即時的なニーズによって駆動されている。

3.3. 卸売価格への影響

PJM市場において、AI主導の需要スパイクは大幅な価格上昇をもたらす：

• ゾーンによる差異： 価格への影響は供給弾力性によって異なる。American Electric Power (AEP) ゾーン（低弾力性）では、AI活動期間中に卸売価格が最大**25%**上昇した。ComEd ゾーン（高弾力性）では、影響はより小さいものの、依然として顕著であった。
• 小売への影響： 小売への価格転嫁は遅行するが、著者らは、AI需要を満たすために高コストの限界発電機が稼働することから、高影響ゾーンにおける長期的な消費者価格の上昇が最大**25%**に達する可能性があると推定している。

3.4. オンサイト発電による緩和

インフラストラクチャに基づく電力品質効果の符号の反転に関する重要な知見がある：

• オンサイト発電がない場合： 電力品質は劣化する（正のCPQI係数）。
• オンサイト発電がある場合： 電力品質は改善する（負のCPCI係数）。
• 解釈： コロケーションされた発電設備（多くの場合ストレージを伴う）は、需要スパイクを直接吸収し、それがグリッドに伝播するのを防ぎ、限界的な化石燃料発電への依存を軽減する。

4. カウンターファクチュアル（反事実）分析

本論文は、AIの技術的進化がグリッドへの影響をどのように変え得るかを評価している：

1. モデルのスケーリング： パラメータ数を2兆から4兆へとスケールアップさせると、電力品質への影響は約35%増加する。モデルのパラメータが1%増加すると、電力需要は0.15%増加する相関がある。
2. 地理的再配置：
   • エッジ推論： 推論を集中型のハイパースケーラー施設から分散型のエッジノードへ移行させることで、ゾーンの需要スパイクを大幅に抑制できる（シミュレーションでは、162 M_Wh/時から4 M_Wh/時へ減少）。
   • 集中化： すべての学習を単一の巨大施設に集中させると、極端なローカル需要スパイク（約100 GWh）が発生し、過度な集中化のリスクを浮き彫りにする。
3. オンサイト発電： オンサイト発電の普遍的な採用は、データセンターの純影響を、電力品質の阻害要因から純粋な改善要因へと転換させる。

5. 意義と貢献

本論文は、文献に対して主に3つの貢献を主張している：

1. 方法論的革新： 公開データを用いて、スタック型DiDや操作変数を用いることで、公開されている詳細な運用データの不足を克服し、マクロレベルのグリッドへの影響を評価するための堅牢な手法を確立した。
2. 因果関係の証拠： 相関関係の研究や技術経済的な予測を超え、AIモデルのリリースが電力品質、化石燃料需要、および卸売価格に与える影響についての最初の因果的推定値を提供した。
3. 政策的妥当性： AIの外部性が、調達設計および空間的組織化と密接に結びついていることを示した。結果は、RECのみの戦略はグリッドの安定性には不十分であることを示唆している。代わりに、オンサイトでのコロケーション（ストレージを伴うもの）および空間的な再配置（例：エッジコンピューティング）が、グリッドへの影響を緩和するための効果的なレバーとして特定されている。

著者らは、AIインフラの電力供給方法や配置方法に構造的な変化がない限り、AIモデルの継続的なスケーリングは、カーボンニュートラルの主張にかかわらず、グリッドの信頼性を低下させ、すべての消費者のコストを増大させ続けると結論付けている。