AIを大規模に展開するには、その稼働に必要な計算能力を収容するため、データセンターの大規模な整備が不可欠です。
世界中でAIの需要が高まるにつれ、電力網への負荷も増大しており、需要が供給をまもなく上回るのではないかとの懸念があります。
超高効率のAIを生み出すことは、まさにテック業界が何度も繰り返し取り組み、研究とイノベーションの複数の連続した層を積み重ねて乗り越えてきた種類の課題です。
GenAIの革命が社会と世界経済にどれほどの影響を及ぼすかは、誰にも正確にはわかりません。もし過熱した予測がすべて正しければ、生産性とイノベーションの大幅な向上を引き起こすでしょう。ただし、それが実現するのは、すべてが順調に進んだ場合に限られ、うまくいかない可能性のある最大の要因の一つが電力です。AIを大規模に展開するには、その稼働に必要な計算能力を収容するため、データセンターの大規模な整備が不可欠です。
AIの需要が高まるにつれ、電力網への負荷も増大します。世界中の研究者や政府は、2年から3年以内に電力需要が供給を上回り、運用の制約や、全員にとっての電気料金の上昇につながると予測しています。
AIでは、電力需要が急速に積み上がる
一般的なコンピューティングラック（データセンターに設置されるコンピュータ機器の標準的な枠組み）は、1日あたり約20キロワット時を消費します。これは、米国の平均的な世帯の1日あたりの電力消費量、約30キロワット時よりやや少ない水準です。
しかし、一般的なAIの導入により、データセンターの電力需要は急増しています。NvidiaのGPUを搭載した1つのラックは、最大で1日あたり120キロワット時、すなわち米国の家庭4.5軒分に相当する電力を消費します。一見それほどでもないように思えますが、これらのラックを数千のデータセンターに数十万台設置する規模を考慮すると、電力需要はすぐに積み上がります。
推計によると、ゴールドマン・サックス（2024年5月時点）は、AIだけによる電力需要の増加が2030年までに年間約200テラワット時に達すると試算しています。これを理解しやすく言えば、ニューヨーク市の消費量は年間約55テラワット時で、1日平均では約10,000ギガワット時です。ゴールドマン・サックスの試算が正しければ、AIは米国の電力網に、ニューヨーク市3つ分に相当する電力需要を加えることになります。
明らかに、より多くの電力が必要です。大手企業の一部——マイクロソフト、アマゾン、グーグル——は、将来の電力供給を確保するため、自前の原子力発電所を購入または建設しています。これは資源があれば有効な選択肢ですが、大半の組織にはそのような余裕はありません。それ以外の私たちにとっては、企業のステークホルダーと政府の政策立案者が協力して、供給能力を増強し電力網を改善する最善の道を見つける必要があります。
これらのAIの導入はすべて、生産性を大きく押し上げるでしょう。その原動力となるのがエージェントAIです。自律型ソフトウェアエージェントが、人間の関与がほとんどないか全くない状態で、タスクを完了させ、相互に連携します。エージェントAIは、稼働するAIワークロードの割合の変化を促す触媒となるでしょう。2023年には、トレーニングがAIワークロードの大半を占めており、その比率はおよそ2対1でした。2025年には、エージェントが普及するにつれて推論ワークロードがトレーニングワークロードとほぼ同等になり、翌年には、推論がその差を広げながら支配的なワークロードになるというのが、新たなコンセンサスとなりつつあります。
世界経済フォーラムは、人工知能のためのガードレールをどのように構築しているのでしょうか？
AI卓越性センターは、セクターを超えたリーダーをつなぎ、急速に進化する人工知能と、それが経済や社会に及ぼす影響を正しく理解できるよう支援しています。AI導入に伴う機会、リスク、トレードオフに関する、情報に基づいた対話を支えています。
信頼できる場と共同の取り組みを通じて、センターはパートナーが共通の理解を深め、AIのイノベーションと利用に対する責任ある取り組みに向けて協力できるよう支援しています。
電力需要が供給を上回る
この変化を可能にするために必要な計算能力と電力は、これまでに見たどのものよりも大規模になるでしょう。世界の多くの地域で、現在の電力網が発電または供給できる量を超える電力が必要になります。米国、欧州、APACにおける最近の推計では、データセンターが高度に集中している地域（米国では北バージニア州が最も多く挙げられる例です）の電力需要は、大規模な電力網や発電への投資がなければ、2年から3年以内に供給を上回ると見込まれています。その結果、フル稼働できないデータセンターが生じる一方、他の建設が遅延する可能性があります。また、全員の電気料金が上がる可能性もあります。
本当にそうでしょうか？SambaNovaのCEOとして、私は顧客、政府首脳、パートナーとこのテーマについて毎日話し合っています。当社は、GPUベースのソリューションの10倍の性能を提供しながら、消費電力はその約10分の1というハードウェアプラットフォームに当社のチップを組み込んでいます。より効率的なシリコンとハードウェアへの当社のアプローチは、AIの進化に伴いその効率を高めるという、私たちが必ず行うべきより広範な議論への入り口を提供します。
AIが成功するためには、AIを構築し、導入し、提供する企業が、今ある電力をより賢く、より効率的に利用する方向へ改善していかなければなりません。そのためには、AIエコシステム全体にわたる新たなアプローチが必要です。
AIをより効率的にする方法
昨年、MetaのLlamaのようなオープンソースモデルにより、企業が独自にカスタム構築したモデルを作成できる可能性が広がりました。これらの事前学習済みモデルは無料でダウンロードでき、既存の膨大なデータで微調整し、より小規模な特化型モデルと組み合わせて実行できます。Llama。これらのモデルは常に性能を高めており、まもなく独自の基盤モデルと同等の水準に達するでしょう。オープンソースモデルは、高コストで電力を大量に消費するモデル学習のプロセスを組織が回避する助けとなります。組織は直接微調整に進み、自ら所有し、永続的に改善できるモデルを展開できるのです。
導入されるハードウェアを最大限に活用することも重要です。革新的なソフトウェアベースの最適化を用いて、AIワークロードを可能な限り効率的に実行できるよう先導している、堅牢なエコシステムの企業が存在します（その一部はスタートアップです）。これにより、運用の総コストを削減し、公共の電力網への負荷を軽減することができます。
最後に、これらすべてのアプローチ、すなわちオープンソースモデルと、完全に最適化された環境で稼働するより効率的なハードウェアを組み合わせることができます。その結果、利用可能な電力を最大限に活用しながら、AIの生産性を高めることができます。
超高効率のAIを構築することは、まさに過去数十年にわたり、テック業界が何度も繰り返し取り組み、研究とイノベーションの複数の連続した層を積み重ねて乗り越えてきた種類の課題です。それを達成するには多面的なアプローチが必要であり、私たちは共に実現することができます。
