---
id: CP-270
slug: ai-energy-training-vs-inference
lang: ja
title: AIのエネルギーと炭素：学習させるか、使うか
description: AIモデルの学習と利用では、2つの場面でエネルギーを消費します。研究から得た桁の目安と、無理のない使い方のポイントを紹介します。
canonical_url: https://startbrain.io/cyberpedia/ja/articles/ai-energy-training-vs-inference/
markdown_url: https://startbrain.io/cyberpedia/ja/articles/ai-energy-training-vs-inference.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: Brain, 「AIのエネルギーと炭素：学習させるか、使うか」, Cyberpedia, 2026. https://startbrain.io/cyberpedia/ja/articles/ai-energy-training-vs-inference/ (CC BY 4.0)
wing: 4
theme: use_responsibly
reflex: air-035
schema: G3
updated: "2026-11-14"
translations:
  ja: https://startbrain.io/cyberpedia/ja/articles/ai-energy-training-vs-inference/
  fr: https://startbrain.io/cyberpedia/fr/articles/ia-energie-entrainement-inference/
  en: https://startbrain.io/cyberpedia/en/articles/ai-energy-training-vs-inference/
  de: https://startbrain.io/cyberpedia/de/articles/ki-energie-training-inferenz/
  es: https://startbrain.io/cyberpedia/es/articles/ia-energia-entrenamiento-inferencia/
  it: https://startbrain.io/cyberpedia/it/articles/ia-energia-addestramento-inferenza/
  nl: https://startbrain.io/cyberpedia/nl/articles/ai-energie-training-inferentie/
  pl: https://startbrain.io/cyberpedia/pl/articles/ai-energia-trenowanie-inferencja/
  pt: https://startbrain.io/cyberpedia/pt/articles/ia-energia-treino-inferencia/
sources:
  - "n": 1
    title: How much energy does Google’s AI use? We did the math
    publisher: Google
    url: https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference
    published: "2025-08-21"
    accessed: "2026-11-14"
  - "n": 2
    title: Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model
    publisher: arXiv
    url: https://arxiv.org/abs/2211.02001
    published: "2022-11-03"
    accessed: "2026-11-14"
  - "n": 3
    title: Energy and Policy Considerations for Deep Learning in NLP
    publisher: arXiv
    url: https://arxiv.org/abs/1906.02243
    published: "2019-06-05"
    accessed: "2026-11-14"
  - "n": 4
    title: Carbon Emissions and Large Neural Network Training
    publisher: arXiv
    url: https://arxiv.org/abs/2104.10350
    published: "2021-04-21"
    accessed: "2026-11-14"
  - "n": 5
    title: Measuring the environmental impact of delivering AI at Google Scale
    publisher: arXiv
    url: https://arxiv.org/abs/2508.15734
    published: "2025-08-21"
    accessed: "2026-11-14"
  - "n": 6
    title: How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference
    publisher: arXiv
    url: https://arxiv.org/abs/2505.09598
    published: "2025-05-14"
    accessed: "2026-11-14"
  - "n": 7
    title: "Sustainable AI: Environmental Implications, Challenges and Opportunities"
    publisher: arXiv
    url: https://arxiv.org/abs/2111.00364
    published: "2021-10-30"
    accessed: "2026-11-14"
---

# AIのエネルギーと炭素：学習させるか、使うか

AIモデルがエネルギーを消費する場面は2つあります。学習させるときと、使うたびにです。後者には推論という名前があります。すでに学習したモデルを使って、予測、文章、画像を生み出すことです[1]。

この記事では、公表された研究から得た桁の目安を示します。これらは推定であり、数字は研究によって大きく異なります。最後に、従業員が日常で取れる行動を紹介します。

## 30秒でわかる要点

- 発生する場所: AIアシスタントに質問するたびに発生します[1]。その前段として、モデルの学習中にも発生します。学習には大きな計算資源とエネルギーが必要です[2]。
- 測定値が示すもの: Googleによると、Gemini Appsの中央値のテキストプロンプトは0.24 Whを消費します[1]。BLOOMの最終学習は、著者らによると約24.7トンのCO2換算を排出しました（動的電力のみの場合）。すべてのプロセスを数えると50.5トンです[2]。
- とっさの行動: タスクに合ったモデルを選び、不要な問い合わせを避けます。

## よくある質問

### 学習とは何ですか

モデルが作られる段階です。1760億パラメータの言語モデルBLOOMの研究の著者らは、モデルの学習には大きな計算資源、エネルギー、材料が必要だと書いています[2]。BLOOMについて著者らは、動的なエネルギー消費のみを数えた場合、最終学習は約24.7トンのCO2換算を排出し、機器の製造からエネルギー消費まですべてのプロセスを数えると50.5トンになると推定しています[2]。

早くも2019年に、研究者らは複数の自然言語処理モデルの学習について、おおよその金銭的コストと環境コストを数値で示しました。彼らによると、これらのモデルの精度向上は並外れた計算資源に依存しており、その資源は同じく大きなエネルギー消費を必要とします[3]。

### 推論とは何ですか

学習済みのモデルが依頼に答える段階です[1]。BLOOMの研究は、その展開時のエネルギーと排出量も調べています。モデルは、アクセス用のインターフェース（API）を通じて、ユーザーからの問い合わせをリアルタイムで受け取ります[2]。

### 1回の問い合わせでどれくらい消費しますか

測定方法、モデル、企業によって異なります。Googleは、Gemini Appsの中央値のテキストプロンプトが0.24 Whを消費し、0.03 gCO2eを排出し、0.26 mLの水を消費すると推定しています。水は約5滴に相当します[1]。Googleによると、プロンプト1回のエネルギーは、テレビを9秒見るより少ない量に相当します[1]。これらの数字は2025年5月のデータの一時点の分析に基づいています。Googleは、これがGemini Appsのすべてのテキストプロンプトの影響を表すものではなく、将来の性能を示すものでもないと断っています[1]。

別のチームは、商用データセンターで30のモデルを比較しました。その結果、0.42 Whの短い問い合わせが1日7億件あると、年間の電力消費量は米国の3万5000世帯に匹敵します[6]。結果の中で、最も電力を消費するモデルは、長いプロンプトで29 Whを超え、最も効率的なシステムの65倍以上になります[6]。

### なぜ数字がこれほど違うのですか

研究からは、4つの要因が浮かびます。

- 計算方法。Googleは、稼働中のアクセラレーターの電力に加えて、トラフィックの急増に備えて待機している遊休マシン、サーバーのプロセッサーとメモリ、データセンターの消費電力（冷却、電力供給）も数えています[1]。稼働中のTPUとGPUのみを数えると、中央値のプロンプトは0.10 Whになります。Googleはこの数字を楽観的で、実際のフットプリントに比べて大幅に過小だと判断しています[1]。
- 場所。学習では、炭素を出さないエネルギーの割合とCO2換算の排出量が、同じ国や同じ組織の中でも約5倍から10倍の幅で変わります[4]。
- データセンターとプロセッサー。クラウドのデータセンターは、典型的なデータセンターより約1.4倍から2倍エネルギー効率が高いことがあり、機械学習専用のアクセラレーターは、市販のシステムより約2倍から5倍効率が高いことがあります[4]。
- モデルの種類。非常に大きくても部分的にしか活性化しないニューラルネットワークは、密なネットワークの10分の1未満のエネルギーで済み、精度も落ちないことがあります[4]。

この最後の研究の著者らは、ネットワーク、データセンター、プロセッサーの選択によって、炭素フットプリントを約100倍から1000倍まで減らせると見ています[4]。さらに、こうした差があるため、後から行う推定は難しいと付け加えています[4]。

## 仕組み

AIのフットプリントは、チップの電力に限りません。研究者らは、産業用途でのモデルの開発サイクルと、ハードウェアのライフサイクルを調べました。運用時の炭素フットプリントと、製造時の炭素フットプリントの両方を数えています[7]。

推論の側では、GoogleがGeminiの効率化の手段をいくつか説明しています。Mixture-of-Expertsという種類のアーキテクチャは、1回の問い合わせに答えるために大きなモデルのごく一部を動かすため、Googleによると、計算とデータ転送が10分の1から100分の1に減ります[1]。蒸留では、より大きなモデルから、より小さなモデル（Gemini FlashとFlash-Lite）を作ります[1]。Googleは、全データセンターの平均PUEを1.09としています。この指標は、IT機器の周辺にあるインフラが消費するエネルギーを測るものです[1]。

Googleによると、12か月間で、Gemini Appsの中央値のプロンプトのエネルギーと炭素フットプリント総量は、それぞれ33分の1と44分の1に下がりました[1]。Googleは、この比較が2024年5月と2025年5月のものであり、独立した第三者による検証を受けていないと断っています[1]。

## 実際の対応

- タスクに合わせてモデルを選んでください。30のモデルを調べた研究では、最も電力を消費するモデルと最も効率的なモデルの差は、長いプロンプトで65倍を超えます[6]。Google自身も、問い合わせへの対応用に、より小さなモデルを提供しています[1]。
- 不要な問い合わせを避けてください。0.42 Whの短い問い合わせは無視できるように見えますが、このチームによると、1日7億件になると、米国の3万5000世帯の年間電力に相当します[6]。このチームは、1つの逆説を説明しています。AIが安く速くなると、世界中で利用が広がり、資源が不釣り合いなほど消費されます[6]。
- 桁の目安は頭に置いておいても、確実な数字として引用しないでください。研究、モデル、場所によって変わります。

## 落とし穴

- 異なる方法で出た数字を比べること。Googleの0.24 Whという数字には遊休マシンとデータセンターのエネルギーが含まれていますが、Googleによると、現在の多くの計算ではこれらが考慮されていません[1]。Googleの研究の著者らは、自分たちの研究以前には、本番環境のAIサービスについてこれらの指標を測定した研究はなかったとも述べています[5]。
- Googleの数字を独立した値と受け取ること。Googleは、2024年5月と2025年5月の比較（33分の1と44分の1への低下）が、独立した第三者による検証を受けていないと断っています[1]。
- 1つの数字がすべてのモデルに当てはまると思い込むこと。Googleは、中央値のプロンプトのエネルギーが、新しいモデルが加わったとき、アーキテクチャが変わったとき、ユーザーの行動が変わったときに、変わることがあると断っています[1]。
- 学習を忘れること。2021年の研究の著者らは、エネルギーと排出量をモデルの評価指標に含めるべきだと考えています[4]。

## 出典

1. Google, 「How much energy does Google’s AI use? We did the math」, 2025年8月21日. https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference (2026年11月14日閲覧)
2. arXiv, 「Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model」, 2022年11月3日. https://arxiv.org/abs/2211.02001 (2026年11月14日閲覧)
3. arXiv, 「Energy and Policy Considerations for Deep Learning in NLP」, 2019年6月5日. https://arxiv.org/abs/1906.02243 (2026年11月14日閲覧)
4. arXiv, 「Carbon Emissions and Large Neural Network Training」, 2021年4月21日. https://arxiv.org/abs/2104.10350 (2026年11月14日閲覧)
5. arXiv, 「Measuring the environmental impact of delivering AI at Google Scale」, 2025年8月21日. https://arxiv.org/abs/2508.15734 (2026年11月14日閲覧)
6. arXiv, 「How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference」, 2025年5月14日. https://arxiv.org/abs/2505.09598 (2026年11月14日閲覧)
7. arXiv, 「Sustainable AI: Environmental Implications, Challenges and Opportunities」, 2021年10月30日. https://arxiv.org/abs/2111.00364 (2026年11月14日閲覧)

---

原典: Cyberpedia(Brainが公開するサイバーセキュリティとAIの公開百科事典)。正規版: https://startbrain.io/cyberpedia/ja/articles/ai-energy-training-vs-inference/
この文章は、上記のURLへのリンクとともに「Brain, Cyberpedia」と明記すれば、ライセンス CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) のもとで自由に再利用できます。
