東京で、廃棄されるサーバーの熱を活用する実証実験
東京都は、人工知能（AI）サーバーから熱を直接回収し、建物の冷房や近隣の入浴施設への熱供給、工場の支援に活用する事業を後押ししている。実証期間は2026年7月16日から2028年3月31日までで、都は対象経費のうち最大5億2,000万円を負担する。
目次
東京電力ホールディングス（TEPCO）がMESH-X、NHKテクノロジーズとともに、東京都内のデータセンターで事業を主導する。目指すのは、AIの普及とともに深刻化する実務上の課題への対応だ。コンピューター機器に投入される電力の多くは最終的に熱となり、機器の稼働を保つため、事業者はその熱を取り除かなければならない。
東京都の発表によると、グラフィックス処理装置（GPU）を搭載したサーバーを蒸発冷却しながら、高温の熱を直接回収するシステムを導入する。GPUは多数の計算を同時に処理するチップで、現代のAIを支える中核的な役割を担う。
この事業は、通常は別々に扱われる二つのニーズを結びつける。データセンターには冷却が必要で、近隣の建物や事業者には熱が必要だ。有用な熱を回収できれば、同じ電力を計算処理と地域のエネルギー需要の両方に役立てられる可能性がある。
日本では別の方法も試されている。電力の利用可能性に応じて、AIの計算処理を都市間で移したり、実行時間を変えたりする取り組みだ。これらの実験は、AIが電力をどう使うか、どこで消費するか、消費後のエネルギーをどう活用するかという課題に一体的に取り組む。
WaBiCoがチップから熱を回収する仕組み
TEPCOはこの方式を「WaBiCo」と呼ぶ。Watt Bit Cogeneration（ワット・ビット・コジェネレーション）の略で、電力の単位であるワットと、デジタル情報の単位であるビットを組み合わせた名称だ。強力な電子機器を、計算資源であると同時に、利用可能な熱源として扱うことが基本的な考え方となる。
冷却技術では水を大気圧の約半分まで減圧し、通常の100度ではなく約80度で沸騰させる。GPUからの熱で水を蒸発させ、他の用途に使える温度の熱エネルギーを回収する。
TEPCOによると、専用設計のコールドプレートでGPUを直接冷却し、熱を回収する。熱そのものを利用して熱を移動させる方式で、循環のためのポンプは使わない。チップの近くでエネルギーを回収することで、サーバー室全体に熱が拡散するのを待つよりも、高温で有用性の高い熱を得られる。
温度が重要なのは、用途によって必要な熱の温度帯が異なるためだ。回収に費用がかかる温風は、利用先が限られる。約80度で回収した熱は、設備や必要温度にもよるが、より幅広い建物や産業用途に利用できる。
想定される用途には、近隣の入浴施設や工場への熱供給、地域暖房、回収した熱をサーバー室や近隣施設の冷房のエネルギー源として利用することが含まれる。熱駆動の冷房は、電力駆動の圧縮機だけに頼らず、熱エネルギーで冷却サイクルを動かす。
東京都が支援・検証する内容
TEPCOの事業採択に関する発表によると、東京都は2026年6月30日に提案を採択した。同社が事業の主導者となり、都は指定経費の一部として最大5億2,000万円を支援する。
東京都産業労働局は、この実証を「2050東京戦略」のエネルギー効率を最大化する目標に位置づけている。実際の取り組みでは、蒸発冷却システムの開発と、実運用環境での検証を組み合わせる。
事業では、回収した熱を有効な用途につなげる必要がある。入浴施設なら、安定した熱エネルギーの供給が必要となる。工場なら、熱の温度と産業プロセスの稼働時間を合わせなければならない。サーバー室では、安定運用を支える冷却システムに回収熱を組み込む必要がある。
発表では、実証場所は東京都内のデータセンターとだけ示されている。熱回収率や電力削減量、排出削減量、熱の供給先の名称、商用化の時期については公表されていない。実証を超えてこの方式がどれほど有用になるかは、こうした結果で決まる。
冷却効率と熱利用は異なる効果を測る
TEPCOは、データセンターの標準的な効率指標である電力使用効率（PUE）の改善を目指す。PUEは、施設全体の電力使用量をコンピューター機器の電力使用量で割って算出する。数値が1に近いほど、冷却などの補助システムに使う追加電力が少ないことを示す。
仮に施設全体で120単位の電力を使い、そのうちコンピューターが100単位を使う場合、PUEは1.2となる。残る20単位を減らせば、この数値は改善する。東京の事業では、チップから熱を取り除く方法を変えることで、こうした効率向上を目指す。
熱の再利用には、別の効果も期待できる。近隣の利用者が、計算処理から回収したエネルギーで暖房需要の一部を賄える可能性がある。電力は引き続きサーバーを動かすために使われる一方、有用な熱エネルギーは別の用途に向けて施設の外へ供給される。
この二つの効果は、分けて測定する必要がある。事業者は冷却に使った電力、利用者に実際に供給した熱、利用者がそれまで消費していたエネルギーを把握しなければならない。受け入れ先の施設が到着した熱をその時点で利用できて初めて、熱の接続は価値を持つ。
高効率チップでもAI処理の拡大が続く
エヌビディアは、エネルギーをAIインフラの基盤と位置づける。2026年1月のダボス会議で、ジェンスン・フアン最高経営責任者（CEO）は、業界を5層のケーキにたとえた。最下層がエネルギーで、その上にチップ、インフラ、モデル、アプリケーションが続くという。
エヌビディアの斎藤宏樹氏は、エネルギーをAIの「最初の関門」と表現する。同氏の説明は、計算需要の変化の速さも示している。ChatGPTが登場した2022年11月を基準にすると、2025年1月の推論モデルDeepSeekに必要な処理能力はその100倍、さらに約1年後の自律型エージェントOpenClawでは1,000倍に達するとしている。
こうした例は、AIの処理内容の変化を示す。推論モデルは問題を解くために計算を重ね、エージェントは一連のタスクを実行できる。チップ単体の効率が向上しても、より複雑なタスクは多くの処理能力を消費する可能性がある。
エヌビディアによると、Rubin世代は同じ電力でBlackwellの10倍のエージェント処理を実行できる。実際の効果は、機器の導入方法や実行するタスクによって異なる。
斎藤氏は、運用上の優先事項の変化についても説明している。従来のデータセンターでは稼働を維持することが重視されていた。エヌビディアがAI生産向けに構築されたインフラを指して使う「AIファクトリー」では、有用な計算処理の出力を最大化することも求められる。電力当たりの性能向上と需要の拡大が同時に進むため、総消費量は双方の動向に左右される。
電力の急変動も課題に
AI施設が直面する課題は、電力消費の総量だけではない。モデルの学習中には、数十万台のGPUがミリ秒単位で一斉に消費電力を変動させることがある。電気設備は、電力を安定させながら、こうした急変に対応しなければならない。
電力会社やデータセンターに信頼性に関する助言を行うUptime Instituteの主席コンサルタント、アンバー・ビレガス＝ウィリアムソン氏は、設備への負荷について次のように述べた。
AIは非常に特異な電力需要を生み出す
ビレガス＝ウィリアムソン氏は、一定速度を保つのではなく、車のエンジンに繰り返し強い負荷をかけるような摩耗だと説明した。テスラの元幹部で、Heron Power Electronics創業者のドリュー・バグリーノ氏によると、AIの需要は短時間、施設の設計容量を最大50％上回ることがある。同氏の例では、1ギガワット向けに設計されたデータセンターが、一瞬だけ1.5ギガワットを消費する可能性がある。
こうした負荷に伴う設備故障には、タービンの亀裂や、数週間から数カ月でのバッテリー交換が含まれる。施設によっては稼働率が約80％にとどまったとの報告もあり、停止中の推定損失額は、運用内容に応じて1分当たり数千ドルから数十万ドルに及ぶ。
北米電力信頼度協議会（NERC）は、米国のデータセンター需要330億ワット超を対象とする負荷モデルの約4分の3が、動的な挙動を十分に表せていないと指摘した。これらのモデルは、顧客の電力使用が電力システムに及ぼす影響を電力会社が予測するためのもので、消費量の急変は重要な計画課題となっている。
テキサス州西部で計画される2.67ギガワットのキャンパスは、電力供給開始時期への影響を示している。開発事業者のJoulentは、マイクロソフトが求める99.999％の信頼性を満たすため、設計・建設期間を追加し、電力供給の開始を2027年から2028年に延期した。この信頼性水準では、年間の停止時間は約5分となる。
電力を移動させず、計算処理を移す
日本で進む二つ目の実験は、AIがいつ、どこで電力を消費するかに取り組む。Jパワー、シスコシステムズ、東日本旅客鉄道、日立製作所、ビットメディアは2026年10月8日、横浜市と北九州市のAIデータセンターを接続する実証を行うと発表した。
実証は2026年8月に始まり、2027年2月1日までの予定だ。電力や計算資源の状況に応じて、計算タスクを別の場所や時間に割り当てる「ワークロードシフト」を検証する。
場所を変える場合は、計算処理を別のデータセンターに送る。時間を変える場合は、実行する時間帯をずらす。システムは再生可能エネルギーの発電予測、電力取引価格、需給状況、利用可能な計算能力、災害情報などを考慮する。
目標の一つは、本来なら出力抑制される可能性のある再生可能電力を活用することだ。送電網が利用可能な電力をすべて送ったり受け入れたりできず、太陽光や風力の発電量を一時的に減らす措置を「出力抑制」という。適切なAI処理をその電力に合わせて移せば、利用量を増やせる可能性がある。
各社は、処理を移すことで生じる追加時間や、サービス品質の維持方法も検証する。タスクの移動には実務上のコストが伴うため、実証では電力面の効果と計算性能への影響の両方を測定する。
鉄道の光ファイバーが広域実験をつなぐ
5社は上越新幹線沿線で、オールフォトニクス・ネットワークの実験も進めている。越後湯沢駅、上毛高原駅、高崎駅に光伝送装置を設置し、既存の鉄道用光ファイバーを使って、振動や天候の変化が通信品質に与える影響を調べる。
信号の損失、伝送エラー、遅延、遅延のばらつきを測定する。異なる場所にある計算施設を連携させる場合、こうした測定が重要になる。鉄道ネットワークの実験は、横浜市と北九州市の間で行うワークロードシフトとは別の取り組みとして、計画に含まれている。
コンソーシアムを主導し、結果を評価するのはJパワーだ。日立製作所はワークロードシフトシステムと光ネットワークの試験環境を構築し、シスコはネットワーク設計と測定を支援する。JR東日本は鉄道通信設備を検証し、ビットメディアはデータセンター内のシステムを開発する。
この取り組みは、JR西日本光ネットワークと名古屋鉄道も参加する協議会が2026年4月に設立されたことを受けたものだ。協議会のより広い目標は、広域光ネットワークとワークロードシフトを活用し、分散型AIデータセンターを連携して運用することにある。
主な節目を見ると、熱回収と計算処理の実験が並行して進む様子が分かる。
- 2026年4月：7社が光ネットワークとワークロードシフトに関する協議会を設立。
- 2026年6月30日：東京都がTEPCOの熱回収案を採択。
- 2026年7月16日：東京都の熱回収実証が開始。
- 2026年8月：横浜市と北九州市を結ぶワークロードシフト実証が開始。
- 2027年2月1日：ワークロードシフト実証の終了予定。
- 2028年3月31日：東京都の熱回収事業の終了予定。
日本、無駄なエネルギーを減らし計算能力の拡大目指す
日本はAIや半導体への投資を進める一方、2050年までのカーボンニュートラル実現にも取り組んでいる。熊本県にあるTSMCの工場も、こうした産業拡大の一環だ。2022年、日本の発電量に占める再生可能エネルギーの割合は約22％で、化石燃料を含む他の電源への依存が大きい。
TEPCOの第5次総合特別事業計画は、2040年度までに東京都心のデータセンター需要の成長率を世界最高水準にする目標を掲げる。同社の熱回収事業は、データセンター分野の拡大を明確に目指す方針と並行して進められる。
熱回収とワークロードシフトは、この拡大の異なる側面に対応する。WaBiCoは、サーバーがすでに消費した電力から、より有用な成果を引き出すことを目指す。ワークロードシフトは、計算需要と電力の利用可能性をよりよく一致させようとする。急激な電力変動に対応する設備は、どちらの方式にも必要な信頼性を支える。
近隣地域にとって具体的な可能性となるのは、有用な熱の供給と、データセンターを地域のエネルギー需要により密接につなげることだ。事業者にとっての検証対象は、冷却コスト、計算処理の稼働時間、安定したサービス提供となる。次の節目は、測定に基づく性能の確認だ。コンピューターが処理を続ける中で、どれだけのエネルギーを節約または再利用できるかが問われる。
要点
- 東京都は、対象経費のうち最大5億2,000万円を支援し、TEPCOの熱回収実証を後押しする。
- 事業は2028年3月31日まで実施され、冷却、入浴施設、工場、地域暖房への活用を目指す。
- WaBiCoは減圧下での蒸発を利用し、GPUから有用な熱を直接回収する。
- 別の実証では、電力の状況に合わせ、横浜市と北九州市の間や異なる時間帯にAIタスクを移す。
- AIの消費電力の急変動は、設備や信頼性の問題も引き起こしている。
- 実証の実用性は、測定された省エネ量、熱の供給実績、運用性能によって決まる。
