はじめに：生成AIは本当に「バーチャル」なのか
生成AIは画面の向こうにある無形の知性のように見えます。しかし、その応答の一つひとつは、どこかのデータセンターで稼働する物理的なハードウェアが電力と冷却水を消費して生み出したものです。この「見えなさ」こそが、生成AIの環境負荷を議論の対象から遠ざけてきた要因の一つだと考えられます。
グレゴリー・ベイトソンは『精神と自然（Mind and Nature: A Necessary Unity）』において、人間の精神と環境を切り離せない一つのシステムとして捉える視座を示しました。この考え方は、AIという技術を「人間の知性の成果」としてだけでなく、自然・技術・社会が織りなす循環系の一部として評価する枠組みを与えてくれます。本記事では、ベイトソンのサイバネティクス的視座を軸に、生成AIの生態学的インパクトと、その持続可能性を考えるための視点を整理します。
ベイトソンの「精神と自然は一つのシステム」とは何か
心は身体の外側にも広がっている
ベイトソンは、人間や社会、生態系を情報の循環によって結ばれた一つの「心的システム」として捉えました。彼の見立てでは、個々の心は身体の内側だけで完結するものではなく、身体の外へと伸びる情報の経路にも内在しています。個人の精神は、より大きなシステムの一部でしかないということです。
この「大きな心」は、しばしば神や自然に喩えられますが、ベイトソンが強調したのは、それが人間社会のネットワークや地球生態系そのものに内在するという点でした。人間の精神活動は生態系の情報循環から独立しておらず、精神と自然は不可分の一体だという理解です。
「環境に勝利する者は自らを滅ぼす」という警告
ベイトソンは、西洋近代が抱えてきた誤った前提として、心を人間だけに帰属させ、自然界を心なき資源とみなす傲慢さを挙げました。人間がすべての心を自らに帰属させ、自然を単なる無魂の材料と見なしたうえで高度な技術を手にすれば、環境の際限ない搾取が始まる——そしてその帰結は、人間自身の生存基盤の破壊である、という論理です。
彼は「自らの環境に対する勝利者になろうとする生物は、自らを滅ぼすだろう」と警告しました。ここで重要なのは、この警告が道徳的な訓戒ではなく、システムの構造から導かれる帰結として語られている点です。環境との関係を誤認したまま強力な技術を運用すれば、フィードバックは必ず自分に返ってきます。ベイトソンが「心の生態学（ecology of mind）」と呼んだこの理念は、テクノロジーの開発と利用にもそのまま適用できる枠組みです。
生成AIの環境負荷はどこで発生するのか
学習フェーズ：モデルの巨大化とエネルギー需要
大規模言語モデル（LLM）は膨大なパラメータを持ち、その学習には長時間の大規模計算が必要です。GPT-3の学習には約1,287メガワット時の電力が使われ、552トン相当の二酸化炭素排出につながったとする推定が報告されています。モデルが大規模化・高性能化するほど、この学習コストは増大する傾向にあります。
さらに、データセンター全体の電力需要も無視できません。2022年時点で世界のデータセンターの電力消費は約460テラワット時に達し、一国の消費量に匹敵する規模だとされています。生成AIはこの需要増加の主要な要因の一つと指摘されており、電力網への負荷という形で社会インフラにも影響が及ぶ可能性があります。
推論フェーズ：使うたびに積み上がるコスト
環境負荷は学習時だけで終わりません。完成したモデルがサービスとして提供されれば、利用のたびに推論計算が走り、電力を消費し続けます。対話型LLMへの1回のクエリは、通常のウェブ検索の数倍のエネルギーを要するという試算が示されています。
問題は、利用者がこのコストをほとんど意識できないことです。手軽さゆえに大量のクエリが投げられ、総量としてのエネルギー需要は社会への浸透に比例して膨らんでいきます。加えて、競争のなかで新しいモデルが短いサイクルで投入されるため、旧モデルの学習に費やされたエネルギーが十分に回収されないまま陳腐化するという構造的な非効率も生じています。
水資源：冷却という見落とされがちな負荷
高密度なサーバは稼働時に大量の熱を発するため、冷却が不可欠です。米国のデータセンターでGPT-3を約2週間学習させた際に、約70万リットルの真水が蒸発によって失われたと報告されています。これは乗用車の製造数百台分に相当する水量だと指摘されています。冷却効率の低い地域であれば、必要な水量はさらに増える可能性があります。
一般に、データセンターは消費電力あたり一定量の水を冷却に必要とするという推計があり、電力を大量に消費するAIは、その背後で水資源も同時に消費していることになります。気候変動下で地域的な水不足が深刻化しているなかで、この負荷が特定地域に集中する構造には注意が必要でしょう。
ハードウェア製造と資源採掘：サプライチェーンの上流
LLMの学習・実行にはGPUやTPUといった高性能プロセッサが不可欠です。これらの製造には精密な工業プロセスと大きなエネルギー投入が必要で、生産過程で相当量のCO2が排出されます。また、半導体や電子部品に使われるレアメタル・希土類元素の採掘には、環境破壊的な手法や有毒な化学薬品の使用が伴う場合が多いとされています。
AIブームによってデータセンター向けGPUの出荷は急増しており、この上流工程まで含めれば、生成AIの生態学的フットプリントはエネルギー・水・材料と多岐にわたります。ケイト・クロフォードは『Atlas of AI』において、AIが鉱物資源の採掘から労働力、個人データに至るまで、現実世界からの幅広い「抽出」の上に成り立つ技術であると論じています。AIはクラウドの彼方にある無形の知性ではなく、地上の物質的基盤を動員した地球規模のシステムなのです。
自然‐技術‐社会システムとして生成AIを評価する
情報開示の不足という構造的課題
生成AIの真の環境負荷を把握することは容易ではありません。その「地球規模のコスト」の多くは企業秘密として扱われ、包括的な透明性は確保されていないと指摘されています。研究者による推計や部分的な開示、地域行政の公開データに頼らざるを得ないのが現状です。
情報が共有されなければ、社会全体で問題を認識し、変革を選択することもできません。近年では、AIの環境コストに焦点を当てた法案の検討や、EUのAI規制をめぐる議論のなかで環境リスクへの配慮が話題に上るなど、政策面の動きも始まりつつあります。今後、開発企業に対して環境フットプリントの開示や削減努力を求める流れが強まる可能性があります。
Green AIとシステム全体の最適化
技術側でも対応が模索されています。モデル単体の効率改善にとどまらず、システム全体を最適化する視点が求められています。たとえば、気温の低い時間帯に学習をシフトして冷却時の蒸発ロスを抑える提案や、再生可能エネルギーが豊富な時間・場所で計算を実行するスケジューリングが検討されています。
また、モデル規模の拡大に依存せず、計算資源あたりの性能を高めようとする「Green AI」の潮流も生まれています。モデルの圧縮や蒸留、少ないデータで効率よく学習するアルゴリズムの研究は、環境負荷と精度のトレードオフを最適化する試みだといえます。
人間労働との比較が示す「使い方」の重要性
興味深いことに、生成AIと人間労働の環境効率を比較した研究も現れています。同じアウトプットを得るために必要なエネルギーや水資源を比較した分析では、条件によってはLLMのほうが効率的だという結果が示されています。人間が働く際の間接的な消費まで含めれば、特定のタスクではAIによる自動化のほうが資源あたりの成果が高い可能性がある、ということです。
ただし同じ研究は、モデルが巨大化すればこの優位性は縮小し、乱用すればかえって環境負荷を増大させると警告しています。つまり問われているのは「AIか人間か」という二択ではなく、どの目的にAIを使い、何を人間が担うのかを全体最適の視点で設計することです。ベイトソン流に言えば、自分の行為がシステム全体に及ぼす波及を俯瞰し、望ましい方向へフィードバックを働かせる態度が求められます。
心・自然・テクノロジーのエコロジーを設計する
三者が形づくる一つの循環系
ベイトソンの視座から生成AIを捉え直すと、心（人間の思考・創造力）・自然（環境・資源）・テクノロジー（AIシステム）が相互依存的な一つのエコロジーを形成していることが見えてきます。フェリックス・ガタリもまた、環境・社会・精神という「三つのエコロジー」を統合的に捉える必要を説いており、ベイトソンの思想と響き合う議論だといえます。
生成AIは人間の精神的営みの産物でありながら、その実現には経済や労働という社会的支えと、自然資源の投入が不可欠です。AIの出力は人間の文化と認知に影響し、社会システムへ返っていきます。同時に、AIの計算は電力消費を通じて気候と生態系に影響し、それが人類の生活環境へ跳ね返ります。技術と環境と社会は、本質的に一つの循環系なのです。どれか一つを切り離した議論からは、本質的な解決策は得られません。
評価軸に生態学的指標を組み込む
具体的な実践としては、AIシステムの評価指標に、精度や速度といった従来の性能指標だけでなく、エネルギー効率やカーボンフットプリントなどの環境コスト指標を組み込むことが考えられます。環境インパクトを表示する「栄養ラベル」のような制度や、研究論文における計算資源使用量の開示は、その第一歩といえるでしょう。
さらに、AIの社会実装がもたらす二次的影響——人間の行動変容や経済構造の変化が環境に与える影響——まで評価の射程に入れる必要があります。ここでは環境人文学やサステナビリティ研究の知見が有効に働く可能性があります。
「繋がりを結ぶパターン」を問う
ベイトソンは「我々の思考そのものを変えねばならない」と述べました。生成AIに対して立てるべき問いも、「このモデルを大きくすれば何が得られるか」だけではありません。「それによって何が失われ、生態系全体にどのようなパターン変化が起きるのか」を同時に問う視点が必要です。
ベイトソンが探し求めた「繋がりを結ぶパターン（the pattern which connects）」を見出す眼差しを、AI・社会・環境の交差点に適用すること。そこに、持続可能な技術運用への道筋があるのではないでしょうか。
まとめ
本記事では、ベイトソンの「精神と自然は一つのシステム」という視座を手がかりに、生成AIの生態学的影響を整理しました。要点は次の三つです。
第一に、生成AIは無形の存在ではなく、学習・推論・ハードウェア製造・資源採掘という各段階で、電力・水・鉱物資源を消費する物理的システムであるということ。第二に、その負荷の全体像は情報開示の不足によって見えにくく、社会的な問題意識の形成が妨げられてきたということ。第三に、有効な対応は技術的効率化だけでは完結せず、自然・技術・社会を一つのシステムとして評価する枠組みを必要とするということです。
ベイトソンが警告したのは、環境に対する「勝利」がやがて自らの生存基盤を掘り崩すという構造でした。生成AIの発展もまた自然の延長線上にある以上、人間とAIと環境の健全な共存を図るには、互いのフィードバック関係を正しく理解し、勝者なき共生のモデルへと舵を切る必要があります。次に問うべきは、この統合的な視座を、実際の設計・評価・政策の場面にどう落とし込むかという実装の問題です。
コメント