AIの電力問題とローカルAIという答え【tok/s/Wで考える】

生成AIの便利さの裏で、電力消費が世界的な問題になっています。データセンターの電力は2026年に世界の約2%（500〜1,050 TWh）に達する見込みで、「国」に例えるなら日本とロシアの間、世界第5位の電力消費に相当します。本記事は、その逆風に対してローカルAIがどう「答え」になりうるかを、当サイトの電力効率（tok/s/W）実測から考えます。

AIの電力は、どれくらい増えているのか

主要な推計をまとめると、伸びは急です。

• データセンターの電力は2024年の世界1.5%→2026年に約2%へ。年率約12%で成長し、これは総電力の伸びの4倍速です。根拠: Carbon Brief / TTMS
• 米国は2025→2028年で80→150GWとほぼ倍増の見通し。電力の約56%が化石燃料由来で、1億トン超のCO2eを排出。根拠: Pew Research
• アイルランドでは国の電力の**21%→32%（2026推計）**がデータセンター向け。根拠: Carbon Brief

クラウドの巨大モデルは便利ですが、その裏で電力・水・排出が積み上がっています。

ローカルAIは「万能の解決策」ではない

先に正直に言うと、ローカルに切り替えれば環境問題が解決するわけではありません。

• ローカル機材も電力を使います（GPUは数百W）。24時間稼働なら相応のCO2が出ます。
• クラウドとローカルの電力を公平に比較するのは困難です（クラウド側の消費電力は非公開で按分しづらい）。本記事も優劣を断定しません（経験則・要検証）。

それでもローカルAIには、**個人・組織が電力を「選べる」**価値があります。鍵は2つ——用途に最小十分なモデルと、電力効率の良い機材です。

tok/s/W：ローカルAIの「燃費」

当サイトは全機材で消費電力を実測し、**tok/s/W（1ワットあたり何トークン生成できるか）**を出しています。これはAIの「燃費」にあたります。

実測からの要点：

• MoEモデルは省エネ：実行時の活性パラメータが少なく、同じ仕事を少ない電力で回せます。
• Apple Silicon（Mac）が効率王：SoCが10〜13Wと低く、tok/s/Wでトップ級。
• 量子化を強めると燃費も良い：A6000の Qwen2.5 7B は Q4_K_M 0.47 / Q8_0 0.30 / F16 0.17 tok/s/W（量子化の記事）。Q4はfp16の約2.8倍の燃費です。
• 「絶対電力が小さい＝エコ」ではない：Raspberry Pi 5 は消費7.5Wと最小ですが、出せる量も小さく効率は最下位でした。

詳しい順位は電力効率の実測、全数値は検証DB（tok/s/Wで並べ替え可）にあります。

環境を考えるなら、こう選ぶ

• 用途に最小十分なモデルを選ぶ（要約・分類に35Bは過剰。4〜8Bで足りることが多い）。
• 電力効率（tok/s/W）の良い機材を選ぶ（常時稼働ほど効く）。
• **強めの量子化（Q4_K_M）**でメモリも電力も節約（精度低下は小さい）。
• 必要なときだけ動かし、常時起動の電力を意識する。

「大きいモデルをクラウドで富豪的に回す」のではなく、「用途に足る小さなモデルを、手元で効率よく」。これは性能・コストだけでなく、環境の観点でも理にかなった選択です。手元の機材で何が動くかは動くか診断、ローカルAIの社会的意義は省エネ・プライバシー・格差にもまとめています。

データセンターの数値は2024〜2026年の各推計で、出典により幅があります（上記リンク参照）。クラウド/ローカルの電力比較は前提に依存するため、本記事は「最小十分なモデルを効率よく」という方向性を示すにとどめます（経験則・要検証）。