【ITニュース解説】Why do AI data centers use so many resources?

AI技術の急速な発展に伴い、その基盤となるデータセンターの建設が世界中で急増している。しかし、このAIブームは、周辺地域に水不足や電力供給の逼迫といった深刻な影響をもたらし始めている。従来のデータセンターもリソースを消費してきたが、生成AIの登場によりその影響は甚大になりつつある。なぜ新しいAIデータセンターはこれほどまでに環境とインフラに負担をかけるのか、そして解決策はあるのかを解説する。

AIを動かすハードウェアは、一般的なクラウドコンピューティングとは異なる、はるかに高いリソース消費を伴う。コンピュータの「脳」にあたる中央処理装置（CPU）は、多種多様なタスクを一つずつ高速に処理することに特化している。これは、あらゆる種類の車が非常に速く目的地に到達できる一本の高速道路に例えられる。一方、AIが主に利用するのは、グラフィックス処理装置（GPU）である。GPUは、小型で専門的な多数のプロセッサが並行して動作する構造をしている。これは、時速30マイルの制限速度がある千車線の高速道路に例えられる。AIにおいては、膨大なデータを対象に同じ種類の計算を繰り返し並行して行う場面が多く、この点でGPUはCPUよりも優れている。グラフィックス処理やAIモデルの実行、暗号資産のマイニングなどがその典型である。しかし、GPUは強力になるほどエネルギー消費も増大する。過去のCPUは、トランジスタ数が増えても全体の消費電力はほとんど変わらなかったが、GPUはイテレーションごとにトランジスタ数が増え、それに伴い消費電力も跳ね上がる傾向にある。また、GPUは一般的にすべての処理ユニットを同時に稼働させるため、物理的に大きく、電力要求も高くなる。この結果、データセンターの電力消費は急増しており、2014年から2016年にかけて約60テラワット時（TWh）で安定していた電力使用量は、2018年には76TWhに、2023年には176TWhに跳ね上がった。これはわずか5年間で、米国の総電力使用量に占めるデータセンターの割合が1.9%から4.4%近くまで倍増したことを意味し、2030年代初頭には最大12%に達すると予測されている。

コンピュータチップのシリコンに電気が流れる際、抵抗により熱が発生する。この点において、GPUは古い白熱電球のように、消費電力の多くが熱として失われる傾向がある。最新のAIデータセンターには、このようなGPUがラックいっぱいに詰め込まれており、それぞれが膨大な熱を放出する。この熱は単なる副産物ではなく、チップが適切に冷却されないと、性能の低下や寿命の短縮につながる。データセンターのサーバー室は、一般的に18℃から27℃の間に保つことが推奨されており、GPUが放出する熱量を考えると、この温度を維持するには高度なエンジニアリングと大量のエネルギーが必要となる。多くのデータセンターでは、ハードウェアを最適な温度に保つためにいくつかの冷却方法を用いている。最も古い効率的な空調技術の一つに、ホットアイルとコールドアイルの分離がある。これは、冷たい空気をサーバーラックに送り込み冷却し、サーバーが排出した熱い空気を外部に排出または冷却して再循環させる方法である。特に米国では、水が液体から気体に変化する際の冷却効果を利用した方法も広く使われている。これは、熱い空気を湿った媒体に通すことで蒸発を促し、冷却された空気をサーバー室に送る直接蒸発冷却と呼ばれる手法である。また、間接蒸発冷却では、熱交換器を介してサーバー室内の空気と外の空気を接触させずに熱を移動させ、室内の湿度上昇を防ぎながら冷却を行う。

冷却の必要性から、データセンターは膨大な量の水を消費する。米国のデータセンターにおける水消費量は、2014年には212億リットルだったものが、2018年には660億リットルに急増した。この増加の多くは、AI関連の施設を含む「ハイパースケール施設」によるものとされている。2023年には、従来のデータセンターが約105.6億リットルの水を消費したのに対し、AI施設は約554億リットルを消費した。2028年までに、AIデータセンターは年間約1240億リットルの水を消費すると予測されている。データセンターは、米国の産業・商業分野においてトップ10に入る水消費量を持つ産業の一つであり、その約5分の1は、需要が供給を上回る水ストレス地域から水を供給している。データセンターで消費される水のほとんどは蒸発して失われ、直ちに補充されることはない。残りの水は排水処理施設に送られる。冷却プロセスで使用される水には、腐食防止剤や殺菌剤などの化学物質が処理されており、その結果生じる廃水には汚染物質が含まれるため、人間の飲料水や農業用水として再利用することはできない。さらに、データセンターの水消費は冷却だけにとどまらない。その大部分は、主に発電所による電力生成、そして廃水処理設備といった間接的な用途によるもので、データセンターの総水消費量の約4分の3を占める。発電所では、主に冷却やタービンを回すための蒸気生成に水が使われるため、データセンターが消費するエネルギーは、間接的に多くの水に依存していることになる。このため、水問題を適切に解決するには、エネルギー消費も抑制する必要がある。

これらのシステムによる莫大な水消費量を削減するための主要なアプローチの一つが、クローズドループ液冷の利用である。これは、高性能PCでCPUやGPUといった発熱量の多い部品を冷却するために既に広く使われている技術で、液体をポンプで循環させて熱を吸収し、その液体を別の熱交換器や冷凍装置で冷却してから再循環させる仕組みである。GPUの発生させる熱量を考えると、特にAIデータセンターで液冷は普及しつつある。漏洩といった機械的な問題や、施設全体の運営に必要な水を除けば、クローズドループシステムでは水の損失が発生しないため、地域の水資源への負担が軽減される。チップに直接液体を接触させる直接液冷は、従来の空冷システムよりも効率的に熱を除去し、データセンターの潜在的な水使用量を大幅に削減できる。近年、Google、NVIDIA、Microsoftといった企業が、より持続可能な方法として液冷システムを推進している。さらに、研究者たちはチップ自体に微細な流路を作り、そこに液体冷媒を通して直接冷却するマイクロフルイディクス冷却システムを開発しており、これは従来の冷却プレートよりもはるかに効率的に熱を除去できることが示されている。別の選択肢として「フリークーリング」がある。これは、データセンターの場所の自然な環境条件を利用して冷却を行う方法である。寒い地域では外気を利用する空冷式のフリークーリングが、海水などの冷たい水源が利用できる場所では水冷式のフリークーリングが採用される。中には、雨水を集めて加湿などの他の水ニーズに利用する施設もある。ポルトガルのデータセンタープロジェクトであるスタートキャンパスは、旧石炭火力発電所の敷地を利用し、そのインフラの多くを活用する。ここでは、クローズドループシステムとオープンループシステムを組み合わせ、発生する熱を海水に逃がす計画で、海水温の上昇を抑えつつ水損失も最小限に抑えることを目指している。また、計算機器を非導電性の液体に浸して冷却する「浸漬冷却」という方法もあるが、これは現時点では比較的小規模な用途に限られている。

エネルギーと冷却のニーズに対応するためには、再生可能エネルギー資源への移行が不可欠である。データセンター施設を風力や太陽光発電といった再生可能エネルギー源に直接接続することで、水と炭素のフットプリントを最小限に抑えることができる。また、再生可能エネルギー証書を購入することでも、長期的には送電網をこれらのエネルギー源へとシフトさせる効果がある。データセンターのワークロード（処理負荷）を、再生可能電力の供給が需要を上回っている地域のデータセンター間で移行させることで、効率的な電力利用が可能になる。地熱資源も特に有望視されている。地熱エネルギーは、2030年代初頭までに米国のデータセンターの電力需要増加の最大64%を満たす可能性があり、米国西部の一部の地域では100%の需要増加に対応できると予測されている。冷却に関しても、地表下数百フィートの安定した低温を利用する地熱ヒートポンプや、浅い帯水層の低品位熱を利用して水蒸気を生成し、蒸発冷却でIT機器を冷却する地熱吸収チラーが活用できる。実際に、古い石灰岩鉱山の敷地を利用したデータセンターでは、地下貯水池からの冷水で地熱冷却を行っている事例もある。Meta社も2027年からの地熱発電の供給を目指してパートナーシップを発表しており、地熱冷却は広がりを見せている。

新しい冷却方法がAIデータセンターの過剰なリソース消費を抑制するのに役立つことは間違いないが、意味のある変化の第一歩は「透明性」である。AI企業は、自社の運用に伴う排出量やリソース使用量について明確に開示し、その影響を人々に理解してもらう必要がある。次に、ハードウェア設計の改善も重要である。よりインテリジェントなチップ設計、つまり性能特性が向上したプロセッサを取り入れることは、データセンターの持続可能性を大きく向上させる。これは現在、大きなイノベーションの分野である。また、大規模なデータセンターはしばしば「低稼働」状態にあり、多くの電力が効率的に割り当てられていない。業界は、単に施設を増やすのではなく、既存のデータセンターの能力をより有効に活用することから始めるべきである。同様に、今日の多くのAIモデルは、与えられたタスクに対して「過剰な能力」を持っている。これは「ハンバーガーをチェーンソーで切るようなもの」であり、機能はするものの、明らかにやりすぎである。実際には、より小規模で適切に調整されたモデルでも、大規模なモデルと同様の性能を達成できる場合が多く、特に新しい「エージェント型システム」でその傾向が顕著である。AIモデルのトレーニングや推論では、最適な設定を見つけるために何千もの異なるパラメータや組み合わせを試すことがあるが、より賢いアプローチで、適切な答えに繋がらない多くのワークロードや組み合わせを早期に排除できれば、無駄な計算を大幅に削減できる。これらの不要な計算の一つ一つが、周囲の地域社会における計画停電の増加、飲料水の減少、光熱費の高騰につながる。私たちは「本当に必要なのか」という問いを考えることなく、ただひたすらに大きなものを構築し続けているのが現状である。