🤖 AI

Assessing the Carbon Emissions and Energy Consumption of U.S. Hyperscale Data Centers

本研究の推計によれば、2024年5月から2025年4月の間に稼働した403箇所の米国のハイパースケールデータセンターは、68〜99 TWhの電力を消費し、3,700万〜5,400万メトリックトンの二酸化炭素排出に寄与しており、化石燃料への依存度が極めて高いことから、その炭素強度は全国的なグリッド平均よりも約48%高くなっています。

原著者： Gianluca Guidi, Francesca Dominici, Tiziano Squartini, Callaway Sprinkle, Jonathan Gilmour, Kevin Butler, Eric Bell, Scott Delaney, Falco J. Bargagli-Stoffi

公開日 2026-06-05

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Gianluca Guidi, Francesca Dominici, Tiziano Squartini, Callaway Sprinkle, Jonathan Gilmour, Kevin Butler, Eric Bell, Scott Delaney, Falco J. Bargagli-Stoffi

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

アメリカ合衆国を一つの巨大な都市だと想像してみてください。その至る所に、超強力なパワーを持つ巨大な工場、**ハイパースケール・データセンター（HDC）**が点在しています。これらは、ありふれたサーバー室ではありません。現代のデジタルライフ、特に新しいAIの波を動かしている巨大なエンジンなのです。これらはあまりに巨大で、一度に数万世帯分の電力を賄えるほどです。

この論文は、あるチームの探偵たち（ハーバード大学などの研究者）が、これらの工場を調査（センサス）し、シンプルかつ緊急性の高い問いに答えることにしたものです。「彼らはどれだけの電気を食べているのか、そしてそのエネルギーはどれほど汚れているのか？」

以下に、分かりやすい概念に分解して、彼らの発見をまとめます。

1. 「エネルギーの食欲」

研究者たちは、2024年5月から2025年4月までの間に稼働していた、これら巨大なデータセンター403箇所を追跡しました。

比喩： この403の工場を、一つの巨大で食いしん坊な獣だと考えてください。
発見： この獣は、**68から99テラワット時（TWh）の電力を食べました。これを分かりやすく例えると、インディアナ州、ミシガン州、あるいはテネシー州といった州全体の年間消費電力とほぼ同じ量です。これは、全米で使用される全電力の約1.8%**に相当します。

2. 「カーボンフットプリント（炭素の足跡）」

電気はただ現れるわけではありません。石炭や天然ガスなどを燃やすことで生成される必要があります。

比喩： もし電気がデータセンターが食べる「食べ物」だとしたら、**二酸化炭素（CO2）**は、彼らが残していく「排気」です。
発見： これらのセンターは非常に食欲旺盛であるため、3,700万から5,400万メトリックトンのCO2を排出する責任があります。これは、巨大な排気雲のようなものです。2018年の研究と比較すると、この数値は約3倍から5倍に跳ね上がっており、AIへの需要がいかに急速に成長しているかを示しています。

3. 「汚いエネルギー vs クリーンなエネルギー」の混合比

すべての電力が平等に作られているわけではありません。風力や太陽光のようなクリーンなエネルギーもあれば、化石燃料を燃やすものもあります。

比喩： 電力網を一つの巨大なスムージーだと想像してください。時にはスムージーは主にフルーツ（クリーンエネルギー）ですが、時には主にコーヒー（化石燃料）になります。
発見： この研究のデータセンターは、主に「コーヒー」バージョンのスムージーを飲んでいます。
- 電力の約**54%**が化石燃料（主に天然ガスと石炭）から来ています。
- 再生可能エネルギー（風力、太陽光、水力）からの電力はわずか約**25%**です。
- 残りは原子力です。
結果： これらのデータセンターは、地元の電力網が化石燃料に大きく依存している地域に位置しているため、彼らの「排気」は平均的なアメリカの家庭よりもずっと汚れています。彼らのカーボンフットプリントは、全米平均よりも約48%高いのです。

4. 「場所」が重要である

研究者たちは、これらのデータセンターがスプリンクラーのように均等に広がっているのではなく、特定の「ホットスポット」に集まっていることに気づきました。

比喩： 都市にある最大のレストランがすべて3つの近隣地域に集中しているようなものです。すると、その3つの地域は突然、交通渋滞や廃棄物の問題に対処しなければならなくなります。
発見： バージニア州が最大のホットスポットであり、142のセンターを収容し、総電力量の約4分の1を使用しています。オレゴン州、オハイオ州、アイオワ州も主要な拠点です。これら4つの州だけで、研究対象となった総エネルギー使用量の半分以上を占めています。

5. 計算の方法（探偵の仕事）

データセンターの企業は、正確な電気料金を公開しないことが多いため、研究者たちは賢い探偵になる必要がありました。

衛星による捜査： 彼らは衛星画像を使用して建物を見つけ、そのサイズを測定しました。これにより、それらが単なるオフィスパークではなく、実際にデータセンターであることを確認しました。
「負荷」の推測： コンピュータが毎秒どれくらい激しく働いているかまでは分からなかったため、彼らは4つの異なる「シナリオ」（車の速度を予想するように：低速、平均、高速、レース中）を作成しました。そして、これらの機械の一般的な動作に基づき、最も現実的と思われる「中央値」の推測を採用しました。
グリッド・マップ： 彼らは、すべてのデータセンターを地元の電力会社（「バランシング・オーソリティ」と呼ばれます）に紐付け、その会社が使用している発電所の「メニュー」を調べました。もしデータセンターが、発電所が石炭を燃やす地域にある場合、たとえデータセンター自体が石炭を燃やしていなくても、そのデータセンターに対して石炭による汚染が「請求」されます。

結論

この論文は、AIブームの環境コストに関する、明確でデータに基づいたスナップショットを提供しています。これは、これらのデータセンターがデジタルな未来の「脳」である一方で、現在は化石燃料に偏った食事に依存しており、結果としてかなりの量の炭素排出を引き起こしていることを示しています。研究者たちは、誰もが自分の地域の近くでどれだけのエネルギーと汚染が発生しているかを確認できるよう、公開ツール（ウェブサイト）を構築しました。

要約すると： AI革命は現実のものですが、それは現在、大量の化石燃料による電力で動いており、特にいくつかの主要な州において、非常に大きなカーボンフットプリントを残しています。

技術要約：米国ハイパースケール・データセンターの炭素排出量およびエネルギー消費量の評価

問題提起
主に人工知能（AI）の採用によって推進されている、米国におけるハイパースケール・データセンター（HDC）の急速な普及は、業界の環境負荷に関する重大な懸念を引き起こしている。データセンターは現代のデジタル・インフラストラクチャの根幹であるが、計算能力と冷却要件に起因するエネルギー集約的な性質により、電力需要の増大とそれに伴う温室効果ガス排出を招いている。既存の文献ではデータセンターのエネルギー使用量について様々な推定値が示されているが、ハイパースケール施設に特化した排出量を調査した査読付き研究は極めて少ない。Siddikら（17）による2018年の推定値などの過去の推計は、AIワークロードや暗号資産マイニング（本分析では除外）による需要の急増を考慮すると、現在は時代遅れとなっている。さらに、ヘテロジニアスなソースを統合し、衛星画像を通じてインフラを検証し、最新のグリッド・データを用いて特定の発電所に排出量を帰属させる、施設レベルのデータも不足している。

手法
著者らは、2024年5月から2025年4月にかけて稼働している米国の403箇所のハイパースケール・データセンターについて、電力消費量および帰属するCO2排出量を推定するための、スケーラブルでデータ駆動型のパイプラインを開発した。その手法は以下の5つのステップで構成される：

データの収集と検証： 本研究では、民間プロバイダー（Baxtel）から得られた675箇所の潜在的なHDCのデータセットを編纂した。このデータセットは、高解像度の衛星画像（Esri World Imagery）とOpenStreetMap（OSM）の建物フットプリント・データを用いて厳格に検証された。手動での検証とジオコーディングを通じて、著者らは403箇所の施設の所在地と特定を確認し、すべての施設について床面積データを取得した。
電力容量の推定： 公表された電力容量が欠落していた6つの施設については、勾配ブースティング決定木（GBRT）モデルを用いて欠損値を補完するために学習を行った。このモデルは、建物の床面積、気候区分（ケッペンの分類）、および需給調整機関（BA）領域を予測変数として利用した。モデルは、ランダムな85/15のホールドアウト分割において0.807の $R^2$ を達成し、グループ化された検証スキームによって、新たな立地予測のための一般モデルではなく、補完ツールとしての有用性が確認された。
電力消費量のモデリング： 年間の電力消費量は、総施設電気容量（IT、冷却、およびオーバーヘッドを含む）に年間稼働時間（8,760時間）および施設負荷係数（ $u$ $u$ ）を乗じることで推定した。定格容量から実際の運用負荷への変換における不確実性を認識し、著者らは物理的根拠に基づいた4つのシナリオにわたって結果を報告した：
- 低負荷（ $u=0.48$ ）： 従来のサーバー、定格最大設計。
- セントラル（ $u=0.58$ ）： 従来のサーバー、測定最大設計。これはボトムアップの電力フロー・モデリングおよび独立したPUE（電力使用効率）によるチェックと一致する。
- 中間高負荷（ $u=0.663$ ）： サーバーレベルの有効利用率を施設容量に適用（先行研究との継続性のために保持）。
- AI加重高負荷（ $u=0.70$ ）： AI特化型施設における高い利用率を反映。
帰属排出量のモデリング： 各HDCを対応する需給調整機関（BA）にジオロケーションした。エネルギー生成加重（EGW）帰属モデルを適用し、各BA内において、HDCの総電力需要が、年間の純発電量に比例して各発電所に分配されると仮定した。このアプローチでは、燃料構成と排出係数を割り当てるために、EPA eGRID2023の発電所レベルのデータ（改訂時における最新の完全なリリース）を利用している。
炭素強度の算出： HBDに供給する発電所に帰属する排出量と負荷を集計することにより、HDCの加重平均炭素強度（gCO2/kWh）を算出し、米国の国家グリッド平均と比較した。

主な貢献

包括的なデータセット： 米国のハイパースケール電力フットプリントの推定56〜82%を代表する、検証済みの403箇所の米国HDCの施設レベル・データセットの作成。
帰属フレームワーク： 特定のデータセンターを、その需給調整機関の物理的な発電構成に結びつける、透明性の高い帰属会計手法の適用。これは、コンセクエンシャル（限界的）なアプローチとは一線を画すものである。
シナリオベースの推定： 単一の点推定ではなく、施設負荷率やカバー範囲の不完全性を明示的に考慮した、一連の推定範囲（電力68–99 TWh、炭素37–54 Mt）の提供。
公開ツール： ユーザーが州および需給調整機関レベルで炭素フットプリント、電力負荷、および燃料構成を探索できる、公開型のウェブプラットフォームの開発。

結果

電力消費量： セントラル・シナリオ（ $u=0.58$ ）の下で、403箇所のHDCは約82 TWhの電力を消費しており、これは米国全体の電力消費量の約1.8%に相当する。すべてのシナリオを通じて、消費量は68から99 TWh（全国合計の1.5〜2.2%）の範囲であった。
炭素排出量： 関連するCO2排出量は3,700万から5,400万メトリックトン（Mt）の範囲であり、中央値の推定は4,500万トンであった。これは、2018年にHDCに対して推定された1,050万トンよりも約3.5倍から5倍高い。
地理的分布： バージニア州が最も多くのHDC（142箇所）と、最も高い総消費量（約21 TWh）を擁しており、次いでオレゴン州、オハイオ州、アイオワ州となった。これら4州で、サンプル内のHDC電力消費量の50%以上を占めている。
燃料構成と炭素強度： HDCに帰属する電力の約53.9%が化石燃料（天然ガス38.2%、石炭15.2%）によって供給され、20.9%が原子力、25.3%が再生可能エネルギーによって供給された。HDCの電力加重平均炭素強度は約545 gCO2/kWhであり、これは同時期の米国の国家グリッド平均である370 gCO2/kWhよりも約48%高い。特筆すべきは、HDCの電力需要の90%が、国家平均よりも炭素強度の高い需給調整機関に位置していることである。

意義と主張
本論文は、最新のEPA eGRID発電所レベルのデータを用いた、ハイパースケール・データセンターの環境負荷を評価するための、堅牢な帰属ツールを提供すると主張している。著者らは、HDCの際立った可視性と文書化されたインフラストラクチャにより、彼らのアプローチが統計的に堅牢な評価を提供できることを強調している。彼らは、自らの知見が、データセンターを炭素集約的なグリッドを持つ地域に不釣り合いに集中させているという事実を浮き彫りにしていると論じている。これは、より広範な部門分析においてしばしば見落とされる重要な要因である。本研究は、AIの採用がさらなる拡大を推進する中で、データセンターの環境影響を軽減することを目的とした政策に情報を提供するための、データ駆動型の意思決定の緊急性を強調している。著者らは、自らの推定値が厳密な下限値ではなく、境界設定されたシナリオベースの数値であることを明記しており、施設カバーの不完全性や施設レベルのPUEデータの欠如といった限界を認めている。彼らは、本研究を、ターゲットを絞った政策的注視を必要とする関連経済セクターとしてデータセンターを認識するための不可欠なステップとして位置づけており、他の文献に見られるサーバーレベルまたはAI特有の排出量予測とは区別している。