Digital Appendix
『AIエージェントが見つけたサーバーレス』のデジタル付録
電力、炭素、系統制約
電力、炭素、系統制約
対象本文
第17章のdata center電力統計、系統制約、SCI型算定境界、cloud providerのcarbon配賦方法、GPU burstの説明用仮定を補います。
収集方法
2026年7月10日にIEA Energy and AI、Ireland Central Statistics Office、Commission for Regulation of Utilities、SCI Specification v1.1、AWS/Google Cloud/Microsoftの顧客向け炭素算定方法を確認しました。2026年7月28日に、AI data centerの電力供給architectureを整理したLeeほかのreview、同論文が参照する大規模同期学習の電力安定化研究、GoogleとNVIDIAの高電圧DC構想、およびNLRの学習・微調整・推論の電力プロファイル測定を追加確認しました。提供者算定値、施設実測、統計、本文の仮定、将来構想を混在させません。
現在の答え
産業全体と系統
IEA Energy and AI (2025)は、世界のdata center電力消費を2024年約415TWh、2030年約945TWhと見通します。これはscenarioを含む世界全体の集計であり、特定cloud、region、workloadの消費電力ではありません。
Ireland CSOは、2025年のmetered electricity consumptionでdata centreが全体の23%を占めたと報告しました。Ireland CRUの新規接続policyは、所在地の系統制約、onsite generation/storage、demand flexibility、追加renewable electricity等を接続判断に含めます。ここから言えるのは、compute需要がpriceだけでなく、場所、時間、接続可能性という物理制約を受けることです。
エネルギー量と電力プロファイル
期間の平均電力に時間を掛ければ運用時エネルギーEを得られますが、その集計では最大電力、変化率、周期、測定間隔が消えます。Choukseほかは、数万GPUを同期させる学習で、計算相と通信相の切り替えが大きな電力変動を生むことを本番データで示しました。これは大規模同期学習の知見であり、一般のagent推論の波形ではありません。
Vercellinoほかは、H100基盤上の学習、微調整、offline/online推論を0.1秒間隔で測り、公開した電力プロファイルを施設全体のmodelへ接続しました。こちらも特定hardware、benchmark、施設modelの結果ですが、kWhだけでなく、最大電力、変化率、測定間隔を別欄に残す理由を具体化します。本書の成果あたり強度には、個別研究のWやkWを転記せず、該当する基盤で得た時系列または提供者の配賦方法を使います。
Eの内側にある電力供給
Leeほかのreviewは、次世代AI data centerの変化を、rack内の高電圧DC化、施設内DC配電、系統interfaceの更新という三層で整理しています。この階層は、SCIのEへ何を含めたかを点検する地図として使えます。
| 層 | 検討されている構造 | 算定境界で確認すること |
|---|---|---|
| rack | 48/54V級から±400VDCまたは800VDCへ上げ、電源と蓄電をcompute rackから分ける | IT loadだけか、rack内変換と待機・蓄電も含むか |
| 施設 | AC/DC変換段を減らし、施設内DC buswayとenergy storageを接続する | 配電損失、保護、蓄電、冷却を含むか |
| 系統interface | 中電圧系統から施設DC配電までの変換と制御を見直す | 受電・変換設備、系統制約、負荷平準化を含むか |
GoogleはMt Diabloで±400VDCのsidecar power rackを、NVIDIAは800VDCの施設配電を公式資料として示しています。どちらも高密度rackへ向けた提供者の構想・roadmapです。そこに示された効率改善率を共有cloud上の個別agentへ移さず、「変換段をどこへ置き、何をEに含めるか」を読む資料として使います。MV-SSTなど系統interfaceの技術はreview上も信頼性、保護、標準化が残る研究・開発課題であり、本書は採用済みの一般解として扱いません。
算定方法
SCI v1.1は、SCI=(O+M)/R、O=E×Iとして、operational energy E、location/timeに応じたcarbon intensity I、embodied emissions M、functional unit Rを分けます。本書はこれを設計比較の記録形式として使い、認証適合を主張しません。
| 資料 | 主な境界 | 比較時の注意 |
|---|---|---|
| AWS Customer Carbon Footprint Tool methodology | AWS service利用をdata center energyとemissionsへ配賦 | 対象service、Scope、region、更新時期を確認 |
| Google Cloud Carbon Footprint methodology | location-based/market-based等の方法とcustomer allocation | project/product/location粒度と更新方法を確認 |
| Microsoft Azure emissions methodology | Azure usageをemissionsへ配賦しdashboardへ集計 | Scope、service coverage、allocation、reporting lagを確認 |
| SCI | software systemとfunctional unitを利用者が定義 | provider dashboard値をそのままEやMへ読み替えない |
三社は共有設備を利用者へ配賦する方向で共通しますが、対象Scope、service、場所・時間粒度、market-based/location-based、embodied emissions、更新方法は同じではありません。請求額からkWhを逆算しないこと、方法版を結果と一緒に保存することが重要です。
本文の説明用仮定
本文の「full稼働300W、待機50W、1日2時間処理」は、特定GPU/serverの実測ではなく、E=P×tとidle時間の影響を説明する仮定です。常時起動300W×2h + 50W×22h = 1,700Wh、burst側300W×2h = 600Whという算術は正しい一方、50Wの待機値、power proportionality、cold start、共有hostの配賦は実測していません。この比率をcloud serviceの炭素削減率へ外挿しません。
serverlessのscale-to-zeroが直接示すのは、利用者への論理割当または課金の解除です。provider全体の物理電源、他tenantへの再配分、renewable matching、総排出がゼロになったことではありません。成果あたり強度と総排出を並べて判断します。
調査の入口
- Lee et al., Toward Next-Generation AI Data Centers: Power Delivery Architecture Shifts, Emerging Technologies, and Challenges: https://arxiv.org/abs/2606.25095
このreviewはrack、施設、系統interfaceを一続きに読むための地図として使います。2026年6月提出のv1でIEEE投稿中のため、製品構想と測定結果は次の一次資料・原著研究へ遡ります。
一次資料
- IEA, Energy and AI: https://www.iea.org/reports/energy-and-ai/executive-summary
- Ireland CSO, Data Centres Metered Electricity Consumption 2025: https://www.cso.ie/en/releasesandpublications/ep/p-dcmec/datacentresmeteredelectricityconsumption2025/
- Ireland CRU data centre connection policy: https://www.cru.ie/about-us/news/the-cru-publishes-its-decision-on-new-electricity-connection-policy-for-data-centres/
- SCI Specification v1.1: https://sci.greensoftware.foundation/
- AWS methodology system boundary: https://docs.aws.amazon.com/sustainability/latest/userguide/methodology-system-boundary.html
- Google Cloud Carbon Footprint methodology: https://docs.cloud.google.com/carbon-footprint/docs/methodology
- Microsoft Azure emissions methodology: https://learn.microsoft.com/en-us/power-bi/connect-data/azure-emissions-calculation-methodology
- Choukse et al., Power Stabilization for AI Training Datacenters: https://arxiv.org/abs/2508.14318
- Vercellino et al., Measurement of Generative AI Workload Power Profiles for Whole-Facility Data Center Infrastructure Planning: https://arxiv.org/abs/2604.07345
- Google, AI infrastructure is hot. New power distribution and liquid cooling infrastructure can help: https://cloud.google.com/blog/topics/systems/enabling-1-mw-it-racks-and-liquid-cooling-at-ocp-emea-summit
- NVIDIA, 800 VDC Architecture Will Power the Next Generation of AI Factories: https://developer.nvidia.com/blog/nvidia-800-v-hvdc-architecture-will-power-the-next-generation-of-ai-factories/
既知の未知
- IEAの2030値はforecastであり実績ではありません。統計年とscenarioを保持します。
- provider dashboard間の値はmethod boundaryが違い、単純な横比較に使えません。
- 本文の300W/50Wは説明用仮定で、産業代表値の典拠はありません。
- 共有host上の個別request energy、GPU idle、embodied emissionsの配賦には大きな不確実性があります。
- 高電圧DC配電の効率値、導入時期、採用範囲は各社の構想・roadmapであり、共有cloudの個別workloadに対する実測値ではありません。
- 0.1秒profile測定と大規模同期学習の本番データは対象hardware・workload・施設が限られ、一般のagent workloadへ同じ波形や数値を外挿できません。
- 正式なGHG inventory、第三者保証、SCI適合には専門家による別レビューが必要です。
変更履歴
- 0.10.0 (2026-07-28): AI data center電力供給reviewからrack・施設・系統interfaceの三層を採用。大規模同期学習と学習・微調整・推論の電力プロファイル研究、Google/NVIDIAの高電圧DC構想を追加し、
Eと最大電力・変化率を分離。roadmap値と個別agent実測の混同を禁止。 - 0.9.0 (2026-07-10): 旧数値一覧を、IEA/Irish統計、SCI、三社方法、説明用仮定の四境界へ再構成。不確かな個別model学習・半導体工場値を初版から除外。