メイン画像

生成AIの電力消費拡大にどう対応すべきか

電力制約突破のカギは日本の半導体技術にあり
2024年08月01日
安部 謙太朗

政策・経済センター安部謙太朗

西角 直樹

政策・経済センター西角直樹

SHARE
X
PRINT

OPINION

生成AIが急速な進歩を遂げる中、その旺盛な電力消費を賄うことができるのか。カーボンニュートラルとの両立は可能なのか。世界で懸念が高まっている。しかし、新たな課題の浮上は成長の契機でもある。カギとなるのは、電力効率を高めるためのハード・ソフト両面での技術開発だ。この分野の技術力を有する日本は、ぜひとも「電力制約」という課題をゲームチェンジの好機として活かしていくべきだ。このオピニオンでは、定量分析を通じて生成AIが将来の日本の電力需給に与える影響を分析。さらに生成AIの省エネ対応を好機として、日本のデジタル産業が国際競争力を回復する道筋についても展望する。

生成AIの社会浸透と巨大化がもたらす新課題

対話型生成AIサービスの1つであるChatGPTは、2022年11月のリリース以来、わずか1年間で全世界でのユーザ数が1.4億人となった※1。今後、あらゆる産業において多様な用途で生成AIが活用され、産業・社会を大きく変革していくことが期待される。一方で、新たな課題として、ネットワークやデータセンターなどICTセクターにおける電力消費の増大への懸念が急速に高まっている。背景にあるのは生成AIの「社会浸透(需要の増大)」と「巨大化(パラメータ数の増大)」だ。
図1 生成AIの社会浸透と巨大化による電力消費増大のイメージ
生成AIの社会浸透と巨大化による電力消費増大のイメージ
三菱総合研究所作成

①生成AIの社会浸透(需要の増大)

当社の試算では、2020年と比較して、2040年にはネットワークを流れるデータ量が約350倍に増加する※2。さらに、生成AIの需要が増大し社会に浸透すると、より多くのデータを生成AIが処理するようになる。

例えば、スマートフォンを通じて日常生活の支援を行うサービスはこれまでも提供されてきたが、今後は生成AIとスマートグラス(メガネ型ウェアラブルデバイス)により、過去の履歴情報と目の前の映像を組み合わせた高度なパーソナルアシスタントサービスが提供されることが期待されている。また、日本国内だけで数千万もの生成AIに駆動されたロボットやアバターが、対話の必要な接客業務などを担う可能性がある。

②生成AIの巨大化(パラメータ数の増大)

生成AI技術の根幹である基盤モデル※3は規模の拡大が続いている。生成AIにはパラメータ数(生成AIの学習で調整される変数の個数のこと)などに比例して性能が向上する「スケーリング則※4」が成り立つと言われている。GPU※5など計算資源の高性能化も相まって、生成AIの開発者は、パラメータ数を2桁も3桁も増やすことで、生成AIの性能を飛躍的に向上させてきた。

「需要の増大」と「パラメータ数の増大」はそれぞれ生成AIの推論時の計算量を数十~数千倍に増大させる。これらの相乗効果により、データセンターで発生する計算量は2040年には最大で10数万倍にも達する。一般的に、電力効率が一定であれば計算量と電力消費は比例する。そのため、生成AIによる計算量の爆発的増大に伴い、電力消費は急増する可能性がある。

電力制約を生成AI利活用の足かせとしないために

電力制約下での生成AIの活用には、電力効率を向上する技術開発が必要である。

現状の電力設備計画から国内における電力の供給余力を考慮すると、2040年に電力の国内総需要を現状の1.5倍程度以内に収めることが現実解となる※6。当社では、2020年時点でICTセクターの消費電力は国内総需要の約2%を占めると推計している。他産業の電化などによる消費電力増も考慮すると、2040年におけるICTセクターの消費電力は2020年の13倍以下に抑える必要がある。
図2 国内の総発電電力量とICTセクターの消費電力量の上限値
国内の総発電電力量とICTセクターの消費電力量の上限値
出所:2020年の実績は資源エネルギー庁、IEAを基に三菱総合研究所試算、2040年は三菱総合研究所予測
特に注目したいのが、半導体の技術開発である。

当社の試算によれば、新たな半導体技術開発により、計算量が10数万倍に爆発するシナリオにおいてもICTセクターの消費電力を2020年の5~13倍程度に抑えることが期待できる。これにより電力制約と生成AIの利活用推進を両立させることが可能だ。半導体の電力効率改善の具体的な技術やその効果、日本企業の活路などについては「インサイト」で詳述したい。

さらに、後述する省エネ型の生成AIの開発・普及に成功すれば、ICTセクターの電力消費を2020年の2倍程度にまで抑えることも不可能ではない。

地域の再エネを活用して生成AIを動かす

カーボンニュートラルの観点からは、消費電力量の削減だけでなく、再生エネルギーの活用も重要だ。生成AIの計算処理には場所を選ばないものもあり、地方のデータセンターに分担させることも可能だ。この特徴を活かせば、地域の再エネを最大限に活用することが可能になるだろう。
図3 生成AIの計算処理における地域の再エネ活用
生成AIの計算処理における地域の再エネ活用
三菱総合研究所作成

①生成AIの学習を余剰の再エネで行う

一例として、変動の大きい再エネ電力の余剰分を生成AIの学習に充てる方法が考えられる。例えば北海道の風力発電所で強風による出力増が見込まれるとしよう。生成AIの学習処理を、東京から北海道にデータ転送して実施することで、捨てられるはずだった余剰電力を活用できる。

すでに高度計算の分野では、ドイツの自動車メーカーが衝突シミュレーションなどを再エネの豊富なアイスランドのデータセンターで行っている事例がある※7。生成AI分野でも今後は同様の取り組みを進めることが可能だろう。

②生成AIの推論を地産地消する

地域の再エネ活用という観点からは、生成AIの推論処理の地産地消も有効だ。基盤モデルが東京にあれば、他地域の利用者は生成AIを利用するたびに東京までデータを往復させなければならない。利用者のいる地域ごとに生成AIを置いて再エネで駆動すれば、東京の電力窮迫を緩和しつつ、低遅延などのメリットも享受できる。
このように地域の再エネの柔軟な活用を実現するためには、ICTと電力という性質の異なる2つのインフラを総合的に設計・運用することが求められる。ビッグテックはその対応にすでに動き始めている※8。国内でもICTと電力のプレイヤーが連携して、この分野に取り組むことが必要だ。

電力制約を逆手に日本の競争力を高める

生成AIは資金力に勝るビッグテックの開発が先行しているが、電力制約の存在をゲームチェンジの好機として活かすことは十分可能だ。半導体分野の技術力の強みに加え、省エネに資するソフトウェア技術開発を通じて、日本のデジタル産業が国際競争力を取り戻す契機となり得ることを強調しておきたい。

①省エネ型生成AIの開発

電力制約への懸念が強まることで、省エネ型の生成AIへの注目が高まっている。

例えば、大規模なモデルの挙動をまねるように学習させることで、近い性能を持つ軽量モデルを開発する「蒸留」という手法がある※9。 また、医学分野のように対象を限定することで、小規模でも十分な性能を有する生成AIモデルの開発に成功した事例が多数報告されている。

1つの巨大モデルに頼るのでなく、得意分野の異なる多数の小型モデルを連携させ、電力を節約しつつ問題解決を行う計算処理手法※10の研究も進んでいる。NTTとSakana AIが進める「AIコンステレーション」はその一例だ。成功すれば生成AIの巨大化・一極集中の流れにパラダイムシフトをもたらす可能性がある。
図4 多様な小型生成AIモデルの連携による問題解決
多様な小型生成AIモデルの連携による問題解決
三菱総合研究所作成

②特化型生成AIの活用

特定分野・特定用途にフォーカスしたAIサービスを開発し、産業・社会で活用していく視点も重要だ。開発と運用のカギとなるのは産業現場との密な連携である。例えば日本のAIベンチャーのPreferred NetworksはENEOSと連携して世界初の予測AIによる原油処理装置の自動運転を実現した。国内に製造現場を持ち、秘匿性の高いノウハウやデータの蓄積を有する企業との連携が、特化型AIサービスの構築に寄与した例である。生成AIの分野でも同様の取り組みが期待される。

かつて自動車の分野では、1970年代の2度のオイルショックという苦境を契機に、燃費性能の優れた日本車が台頭し、1980年代に生産台数で米国を抜いて世界一となった。今こそ日本は、電力制約を逆手に取って競争力を高めるための取り組みを、生成AIの分野でも進めるべきだ。

※1:SimilarWebによれば、 2023年10月時点でChatGPT(chat.openai.com)のユーザ数(unique vistors)は1.4億人だった。
https://www.similarweb.com/blog/insights/ai-news/chatgpt-birthday/(閲覧日:2024年7月12日)

※2:ICTインフラの三重苦を回避する(MRIマンスリーレビュー 2023年7月号 特集1)

※3:「基盤モデル」とは、生成AIの主要な構成要素であるGPT-4oなどのAIモデルを指す。大規模言語モデル(LLM)も含まれる。

※4:「スケーリング則(Scaling law)」とは、2020年にOpenAI社の研究者が提唱した経験則で、基盤モデル(GPT-4など)はパラメータ数、学習データ量、学習計算量の桁が大きくなるほど性能が向上することを示す。
Kalplan, J., McCandlish, S., et al., Scaling Laws for Neural Language Models, 2020, arXiv:2001.08361
https://arxiv.org/abs/2001.08361(閲覧日:2024年7月12日)

※5:動画像処理やAI学習・推論などの大規模な計算において優れた速度や電力効率を有する演算器(Graphics Processing Unitの略称)。

※6:電力広域的運営推進機関(OCCTO)が発表する、今後10年間の設備計画をベースとして、2040年の供給力に係るシナリオを簡易設定。OCCTO供給計画における2033年の設備容量を維持、再エネについては一定の伸びを考慮した上で、火力電源の設備利用率上昇、原子力は2024年4月末時点で再稼働済み・工事計画認可申請済みのプラント稼働を想定。

※7:独BMW社は、遅延許容度の高い高度コンピューティング(衝突シミュレーション、空力計算など)の一部をアイスランドのVerne Global社のデータセンターに移転している。アイスランドの電力はほぼ100%が再エネ由来である。

※8:例えばGoogleは「カーボン・インテリジェント・コンピューティング・プラットフォーム」を試験的に導入。太陽光や風力など変動の激しい再エネ供給に対して、計算需要を時間的・空間的に移動させることで最適化を図っている。

※9:例えば、Googleは低遅延モデルであるGemini 1.5 Flashを蒸留により訓練したと公表している。 https://blog.google/technology/ai/google-gemini-update-flash-ai-assistant-io-2024/(閲覧日:2024年7月12日)

※10:Mixture of Experts(MoE)などと呼ばれる技術。