AIデータセンターを止める電力・送電網・冷却のボトルネック

AIは、画面や機械の中に存在する知能のように見えます。

質問に答え、画像をつくり、文章を書き、薬の候補や新しい材料を探します。そのため、AIの成長を左右するのは、モデルの賢さや半導体の性能だと考えたくなります。

しかし、AIを実際に動かしているのは、何万台ものサーバーが並ぶデータセンターです。

そこには大量の電気が必要です。電気を運ぶ送電線や変圧器が必要です。高温になる半導体を冷やす設備と、ときには水も必要です。建設できる土地、通信回線、技術者、資金、そして地域の理解も欠かせません。

AIの成長速度を決めるのは、半導体性能だけではありません。

電力をつくり、届け、冷やし、安定して動かす物理インフラです。

前の記事では、なぜエネルギーが人類の制約解除の根幹なのかを、社会全体の視点から整理しました。

今回は、その中でもAIデータセンターに焦点を絞ります。なぜ電力や冷却がAI開発の壁になっているのか。その負担を地域や一般の利用者だけに押しつけず、AIの可能性を社会へ広げるには何が必要なのかを考えます。

AIデータセンターは、巨大な電気設備です

データセンターとは、サーバー、ストレージ、通信機器などを集め、データ処理やサービス提供を行う施設です。

私たちがクラウドへ写真を保存するときも、動画を見るときも、AIへ質問するときも、どこかのデータセンターにある機械が処理しています。

通常のデータセンターとAI向け施設の境界は明確ではありませんが、生成AIの学習や利用には、GPUなどの高性能な計算装置が大量に使われます。これらは短時間に多くの計算を行うため、一つのラックへ電力と発熱が集中しやすくなります。

AIデータセンターは、単なる大きなパソコン置き場ではありません。

計算設備であると同時に、変電所、非常用電源、冷却設備、水処理、通信網を備えた一つのインフラ施設です。

AIの計算には「学習」と「推論」があります

AIの電力需要を考えるときは、学習と推論を分ける必要があります。

学習は、大量のデータを使ってモデルの内部を調整する工程です。大規模な計算を一定期間まとめて行うため、電力負荷が大きくなります。一方の推論は、完成したモデルが質問へ答えたり、画像を生成したりする日常的な利用です。

一回の推論が小さくても、世界中で何億回、何十億回と使われれば、合計の電力需要は大きくなります。AIが検索、業務ソフト、スマートフォン、ロボットへ組み込まれるほど、推論側の比重が高まる可能性があります。

ただし、AIモデルごとの消費電力は十分に公開されていません。モデルの大きさ、半導体、処理内容、利用率、冷却方法によって大きく変わるため、「AIへの質問1回は必ず何Wh」と一つの数字で断定することは困難です。

正確な議論には、企業側の透明性も必要になります。

世界のデータセンター電力需要は、2030年までに倍増する見通しです

国際エネルギー機関（IEA）によると、世界のデータセンターは2024年に約415TWhの電力を消費しました。世界全体の電力消費に占める割合は約1.5％です。

IEAの基本シナリオでは、2030年に約945TWhへ増え、現在の日本一国の電力消費をわずかに上回る規模になると見込まれています。AIが最大の増加要因ですが、動画配信、クラウド、通信など、ほかのデジタルサービスも含まれます。

この数字だけを見ると、AIが世界の電力を使い尽くすように感じるかもしれません。

しかしIEAは、2030年までの世界の電力需要増加のうち、データセンターが占める割合を約1割と見ています。産業用モーター、空調、EVなども大きな需要増加要因です。

本当に深刻なのは、世界全体の比率よりも、特定地域への集中です。

データセンターは、高速通信、顧客との距離、土地、災害リスク、人材などの条件が良い場所へ集まります。一つの国では小さな割合でも、特定の都市や変電所の範囲では、巨大工場がいくつも同時に現れるような負荷になります。

IEAは、典型的なAI向けデータセンターが約10万世帯分に相当する電力を使い、現在建設中の最大級施設では、その20倍に達する可能性があるとしています。

AIの電力問題は、地球全体の総量だけでなく、「いつまでに、どこへ、どれだけ届けられるか」という地域の問題です。

ボトルネック1｜発電能力は、短期間では増やせません

データセンターを建てる企業は、数年後の稼働を目指して計画します。

一方、大規模な発電所は、計画、環境評価、許認可、資金調達、建設、試運転に長い時間がかかります。原子力や大規模水力だけでなく、火力、地熱、洋上風力などにも、それぞれ異なるリードタイムがあります。

太陽光や陸上風力は比較的短期間で建設できますが、天候によって出力が変わります。24時間高い稼働率を求めるデータセンターへ安定電力を届けるには、蓄電、地域間連系、需要調整、出力を調整できる電源などとの組み合わせが必要です。

IEAは、2035年までに増えるデータセンター需要に対し、再生可能エネルギー、天然ガス、原子力など複数の電源が供給すると見ています。再生可能エネルギーだけ、原子力だけという単純な構図ではありません。

さらに、同じ「再生可能エネルギー100％」という契約でも、その時間に同じ地域で発電されているとは限りません。年間の購入量を合わせる方法と、毎時間の消費を低炭素電源で満たす方法では、電力システムへの意味が異なります。

重要なのは、宣言だけでなく、追加の電源が実際に建設されたか、データセンターと同じ時間帯に供給できるかを確認することです。

ボトルネック2｜電気があっても、送電網につながらない

発電所が存在していても、データセンターまで運ぶ送電網に余裕がなければ利用できません。

電力は、発電所から送電線、変電所、配電設備を通って届きます。データセンターのような大口需要家を新たにつなぐ場合、どの設備を増強すべきか、系統全体の安定性に問題がないかを調査する必要があります。

IEAによると、先進国で新しい送電線を建設するには4〜8年かかる場合があります。変圧器やケーブルなど重要部品の待ち時間も、直近3年間で約2倍になりました。こうした問題を解消できなければ、計画中のデータセンターの約20％が遅延するリスクがあるとしています。

これはAI半導体を入手できても、施設へ電気を届けられない状態です。

需要予測が外れた場合、誰が費用を負担するのでしょうか

送電網や発電設備を増強するには、大きな費用がかかります。

しかし、AI需要の予測には幅があります。計画されたデータセンターがすべて建設されるとは限らず、半導体の効率が急速に改善したり、企業が別の地域へ移ったりする可能性もあります。

需要を過小評価すれば接続が遅れます。過大評価して先に設備をつくり、需要が来なければ、使われない設備の費用が残ります。

その費用を一般家庭や地域の企業の電気料金へ転嫁するのか、データセンター事業者が長期契約や保証金で負担するのか。技術だけではなく、公平な料金制度が必要になります。

2026年に公表された米ローレンス・バークレー国立研究所（LBNL）の報告では、大口需要の接続を速める方法とともに、需要予測、費用負担、長期契約、柔軟な接続制度などが整理されています。

AI競争を急ぐほど、「速くつなぐこと」と「ほかの利用者を守ること」を同時に設計する必要があります。

変圧器、ケーブル、開閉装置も系統接続を止めます

AIの話題ではGPUや先端半導体が注目されます。

しかし、データセンターを稼働させるには、受電設備、変圧器、配電盤、開閉装置、無停電電源装置、非常用発電機、電線やケーブルなど、多くの電力機器が必要です。

変圧器は、発電所から届く高い電圧を、設備で使える電圧へ変える機器です。製品ごとに仕様が異なり、大型機器は製造能力を短期間で増やしにくいため、需要が急増すると納期が長くなります。

ケーブルには銅やアルミニウムが使われます。変圧器には電磁鋼板、銅、絶縁材料などが必要です。設備メーカーだけでなく、その手前の素材、生産設備、熟練人材まで供給網がつながっています。

完成したデータセンターの外観だけを見ても、ボトルネックは分かりません。

受注残、納期、生産能力、工場増設、技術者数、原材料価格を見ることで、物理インフラがAIの速度に追いついているかが見えてきます。

ボトルネック3｜高性能なAI半導体ほど、冷却と水の設計が難しくなります

半導体へ電気を流すと熱が発生します。温度が上がりすぎれば、処理性能が低下し、故障や寿命短縮につながります。

従来のデータセンターでは、冷たい空気をサーバーへ送る空冷が一般的でした。しかし、AI向けGPUを高密度に配置すると、一つのラックに集まる熱が増え、空気だけでは効率よく冷やしにくくなります。

そこで、冷却液をチップの近くへ流す液冷、機器を絶縁液へ浸す液浸冷却などが注目されています。

液体は空気より熱を運びやすいため、高密度な設備に向いています。一方で、配管、漏れ対策、材料の互換性、保守方法、既存施設の改修など、新しい課題も生まれます。

PUEが低ければ、すべて効率的とは限りません

データセンターの効率指標として、PUEがよく使われます。

PUEは、施設全体の電力をIT機器の電力で割った数字です。1.0に近いほど、冷却や電源設備などに使う追加電力が少ないことを示します。

たとえばPUEが1.2なら、IT機器が100の電力を使うとき、施設全体では120程度を使うという考え方です。

ただし、PUEはIT機器そのものが有益な計算をどれだけ効率よく行ったかを示しません。性能の低いサーバーを大量に動かしていても、冷却が効率的ならPUEは良く見えます。

LBNLも、PUEだけではIT機器の効率を評価できないと指摘しています。

これからは施設効率だけでなく、電力1kWh当たりでどれだけ有用な計算を行えたか、AIモデルの精度を保ちながら計算量を減らせたかという「エネルギー当たりの成果」も必要になります。

冷却方法によっては、水が必要です

データセンターの冷却では、水の蒸発を利用して熱を逃がす方法があります。電力消費を抑えやすい一方で、水を消費します。

空冷や閉ループの液冷など、水の使用を減らせる方法もありますが、気候や設備によっては電力消費が増える可能性があります。つまり、電力と水の間に交換関係が生まれる場合があります。

LBNLの推計では、米国のデータセンターが施設内で直接消費した水は、2023年に約660億リットルでした。2028年のハイパースケール施設だけで、約600億〜1,240億リットルになる可能性があります。

さらに、発電所側でも冷却などに水が使われます。同報告は、2023年の米国データセンターの電力利用に伴う間接的な水消費を約8,000億リットルと推計しています。

ただし、この数字をそのまま日本や個別施設へ当てはめることはできません。冷却方式、気候、電源構成、再利用水の割合によって結果は大きく変わります。

問題は、「データセンターは水を使うから悪い」と結論づけることではありません。

水が豊富な地域と不足する地域を同じ基準で扱わず、飲み水と競合しない再生水の利用、気候に合った冷却、廃熱利用、使用量の公開などを立地段階から設計することです。

ボトルネック4｜立地は、電力・通信・災害・地域社会の交点です

データセンターには、高速通信、安定した電力、土地、冷却条件、災害への強さが必要です。

利用者に近ければ通信遅延を小さくできますが、大都市周辺は土地と電力に余裕が少ない場合があります。地方には再生可能エネルギーや土地があっても、送電網や通信網が不足していることがあります。

発電地の近くへ計算処理を移せれば、長距離送電の負担を抑えられる可能性があります。しかし、すべての処理を遠方へ移せるわけではありません。金融、医療、自動運転、リアルタイム対話など、遅延やデータ管理が重要な用途もあります。

日本では、電力インフラと通信インフラを一体で整備する「ワット・ビット連携」や、データセンターの地方分散が政策課題になっています。

電気のある場所へ通信と計算を近づけるのか。需要地へ電気を運ぶのか。用途ごとに組み合わせを変える必要があります。

地域に残るものまで考える必要があります

データセンターは、建設時に大きな投資と雇用を生みます。一方、完成後の常時雇用は、工場などと比べて限定的な場合があります。

地域が土地、水、送電容量を提供するのであれば、税収だけでなく、廃熱の地域利用、防災電源、通信基盤、人材育成、地元企業との取引など、どの価値が残るかを確認する必要があります。

私たちは便利なAIを望む一方で、巨大な設備が身近に建設されることには、不安や抵抗を感じてしまいます。

だからこそ、企業が「AIのために必要」と説明するだけでなく、電力、水、騒音、非常用発電、環境、料金への影響を公開し、地域が早い段階から計画に参加できることが大切です。

AIデータセンターは、電力網を支える側にもなれます

データセンターは、24時間止められない巨大需要として語られます。

しかし、すべての計算が同じ瞬間に必要なわけではありません。

LBNLは、データセンターの柔軟性を四つに整理しています。

方法	内容
時間をずらす	急がないAI学習などを、電力に余裕がある時間へ移す
場所をずらす	処理を、送電網が混雑していない別地域の施設へ移す
計算強度を調整する	一時的にプロセッサーの速度や電力上限を調整する
設備を活用する	蓄電池、UPS、冷却、非常用電源を系統と協調させる

AI学習の一部は、数分や数時間遅らせられる場合があります。推論も、通信遅延やデータ規制が許せば別地域へ振り分けられます。

また、データセンターには停電へ備えたUPSや蓄電池があります。施設の安全性を損なわない範囲で充放電を調整すれば、電力網が不安定な時間を支える資源になります。

これは、データセンターを止めるという意味ではありません。

すべてを無条件に優先して接続するのでもなく、常に制限するのでもなく、計算の性質に合わせて柔軟に運用するという考え方です。

ただし、柔軟運用だけで長期的な電力不足を解決することはできません。送電網と発電能力が本当に必要な地域では、設備投資も同時に進める必要があります。

ボトルネック5｜半導体とAIの効率化は、需要増加を抑えられるのでしょうか

AI半導体は、同じ計算をより少ない電力で行えるよう進歩しています。モデルの小型化、量子化、蒸留、処理の省略、用途別モデルなど、ソフトウェア側でも効率化が進んでいます。

IEAの高効率シナリオでは、2035年のデータセンター電力需要が基本シナリオより20％低くなる可能性があります。

効率化は非常に重要です。

しかし、一回当たりの計算が安くなると、AIがより多くの場所で使われ、全体の利用量が増える可能性があります。これをリバウンド効果と呼びます。

高効率な自動車が普及しても、走行距離が増えれば燃料消費の減少が小さくなるのと似ています。

そのため、「半導体が省電力になるから問題は自然に解消する」とも、「需要は必ず予測どおり爆発する」とも断定できません。

観測すべきなのは、チップ1個の効率だけではなく、計算量、稼働率、施設全体の電力、用途ごとの社会的価値です。

日本にとって、AIデータセンターは機会なのでしょうか

AIの計算基盤が国内にあることには、産業競争力、データ管理、通信遅延、災害時の継続性などの意味があります。

国内企業や大学が計算資源へアクセスしやすくなれば、創薬、製造、材料、ロボット、防災などの研究と事業を進めやすくなります。地域に電力と通信の基盤が整えば、ほかの産業誘致へつながる可能性もあります。

一方で、データセンターだけを誘致し、発電、送電、冷却、人材育成が追いつかなければ、地域の電力余力を圧迫するだけになる可能性があります。

日本の機会は、建物の数を競うことではありません。

省電力半導体、パワー半導体、変圧器、光通信、冷却装置、ポンプ、熱交換器、蓄電池、系統制御、防災設計など、データセンターを支える産業全体にあります。

さらに、気候や電源に合わせて計算を配置し、電力網と協調して動く「高効率で地域と共存できるAI基盤」をつくれれば、それ自体が輸出可能な技術と運用モデルになるかもしれません。

私たちは、データセンターの何を確認すればよいのでしょうか

データセンター計画の良し悪しを判断するとき、建設額や計算能力だけでは不十分です。

次の項目を一つの表で見る必要があります。

観測項目	確認したい内容
受電容量	何MWを、いつから必要とするのか
電源	新しい発電を増やすのか、既存電力を使うのか
系統接続	変電所・送電線の増強と費用負担
稼働の柔軟性	学習時間や処理場所を調整できるか
施設効率	PUEだけでなく、計算効率も改善しているか
水	取水源、年間使用量、再生水、渇水時の対応
冷却	空冷、液冷、蒸発冷却の選択と理由
廃熱	周辺施設、農業、給湯などに利用できるか
災害対策	停電、地震、洪水、通信断への備え
地域還元	雇用、税収、防災、通信、人材育成
情報公開	実際の電力・水使用量を継続公開するか

こうして見ると、データセンターは企業だけの施設ではなく、地域のエネルギー、水、土地、産業政策に関わる存在だと分かります。

AIの発展と、暮らしの安定を対立させないために

AIデータセンターは、電力を大量に使います。

同時に、医療、科学、産業、防災、教育を進める計算基盤でもあります。

そのため、「AIは電力を使うから止めるべきだ」「成長のためなら無条件に増やすべきだ」という二つの結論だけでは、問題を解けません。

必要なのは、AIの価値と負担を見えるようにすることです。

電力や水をどれだけ使うのか。誰が設備費を負担するのか。一般家庭の料金や地域の水資源へ影響しないか。どの計算が社会に必要で、どこまで効率化できるのか。立地地域へ何が残るのか。

これらを公開し、比較し、改善できる仕組みが必要です。

AIの知能がどれほど進歩しても、それを支える物理世界を無視することはできません。

そして、物理的な制約があることは、AIの未来を悲観する理由ではありません。

電力、送電網、冷却、水、立地という問題が見えているからこそ、私たちは何を整えればよいかを考えられます。

AIの成長を、本当に人類の制約解除へつなげられるか。

その答えは、最も賢いAIをつくれるかだけではなく、その知能を人々の暮らしと無理なく共存させる基盤をつくれるかにかかっています。

シリーズ全体の地図は、人類の制約解除マップ｜AIと科学技術は未来社会をどう変えるのかで紹介しています。

主な参考資料

• IEA「Energy and AI」Executive summary
• Lawrence Berkeley National Laboratory「2024 United States Data Center Energy Usage Report」
• Lawrence Berkeley National Laboratory「Integrating AI Data Centers with the Power Grid」
• Lawrence Berkeley National Laboratory「Speed to Power: Solutions for Accelerating Large Load Connections」
• 資源エネルギー庁「DX・GXを踏まえたエネルギー・産業政策」