目次
AIデータセンターには冷却が必要なのは、計算を行うと熱が発生するためです。
AIワークロードは物理マシン上で実行されます。GPU、CPU、メモリ、ストレージ、ネットワーク機器が電力を消費すると、その電気エネルギーのほぼすべてが、最終的にはデータセンター内で熱として放出されます。
従来のWebサーバーは軽量なリクエストを処理できるかもしれませんが、AIのトレーニングや推論処理では、アクセラレータが長期間にわたり高い稼働率で稼働し続けることがあります。GPUがぎっしりと詰め込まれたラックは、従来のエンタープライズ向けIT機器に比べて、より狭い空間にはるかに多くの熱を集中させます。
したがって、冷却は単なるオプションの快適性向上のためのシステムではありません。これは、チップを安全な動作温度範囲内に保ち、スロットリングを回避し、ハードウェアを保護し、ユーザーに対して信頼性の高いサービスを維持するために必要なインフラの一部なのです。
GPUクラスタは冷却の問題をさらに複雑にする
最新のAIデータセンターでは、多くの場合、数千台のGPUがクラスターとしてまとめられています。これらのGPUは並列計算用に設計されているため、ニューラルネットワークの学習や推論ワークロードの処理に非常に有用なのです。
AIインフラの強力な性能を支えるその密度こそが、熱負荷の原因にもなっている。ラックあたりのアクセラレータ数が増えれば、電力供給量、ネットワーク負荷、メモリ容量が増加し、サーバーから放散すべき熱量も増えることになる。
そのため、AIデータセンターは電力と冷却能力の両方に密接に関連しています。敷地や光ファイバー回線の接続環境が十分であっても、利用可能な電力、排熱能力、あるいは地域の水資源に関する制約によって、運用が制限される場合があります。
水冷式の仕組み
水は熱を効率的に移動させることができるため、冷却に有用です。多くのデータセンターでは、外気条件に応じて、冷水循環システム、冷却塔、蒸発冷却、あるいは空気と水を組み合わせたハイブリッドシステムを採用しています。
蒸発式システムでは、熱を奪うために意図的に一部の水を蒸発させます。これにより、特に暖かい気候下でチラーをフル稼働させる場合と比較して、機械的冷却に必要な電力を削減できますが、その一方で、その地域での水消費量が増加する可能性があります。
すべてのデータセンターが同じ設計を採用しているわけではありません。空冷に重点を置いている施設もあれば、チップの近くに閉ループ式液体冷却を採用している施設、再生水や非飲用水を活用している施設もあります。ウォーターフットプリントは、冷却アーキテクチャ、気候、運用戦略によって異なります。
直接的な水使用量は、全体像の一部に過ぎない
「直接用水」とは、データセンター施設内で消費される水のことで、通常は冷却や湿度管理のために使用されます。これは、特に水資源が乏しい地域で施設が蒸発冷却を採用している場合、この問題の中で最も目立つ部分です。
間接的な水使用も重要な要素となり得ます。発電においては、地域の電力網の状況によっては、発電所の冷却や燃料の生産に水が必要となる場合があります。施設内で水の使用量が少ないデータセンターであっても、消費する電力を通じて水使用と間接的に結びついている可能性があります。
これが、公的な推計値に大きなばらつきが生じる理由の一つです。厳密な評価を行うには、現場での水使用量、サプライチェーンにおける水使用量、電力関連の水使用量、取水量、消費量、あるいはこれらすべてのカテゴリーを算入するかどうかを明確に指定する必要があります。
場所によって現実世界への影響は変わる
涼しく水資源が豊富な地域で消費される1リットルの水は、水資源に逼迫した暑く乾燥した地域で消費される1リットルの水とは、その地域に与える影響が異なります。したがって、同じ冷却技術であっても、場所によってその影響は大きく異なる可能性があります。
気候は、フリークーリング、蒸発冷却、または機械式冷却がどの程度の頻度で利用されるかに影響を与えます。電力源の構成は、二酸化炭素排出量に影響を与えます。地域における水の確保状況は、追加需要が軽微なものとなるか、議論の的となるか、あるいは運用上困難となるかに影響を与えます。
だからこそ、データセンターの持続可能性は、単一のグローバルな数値だけで測ることはできないのです。重要なのは、水の使用量だけでなく、どこで、いつ使用されたのか、そしてどのような代替的な冷却や電力供給の選択肢があったのかという点です。
水、電気、そして炭素は相互に関連している
水の使用量を削減すると、場合によっては電力使用量が増加することがあります。例えば、蒸発冷却を回避する設計では、機械式冷凍機に大きく依存することになり、その結果、暑い時期のエネルギー需要が増加する可能性があります。
その逆のケースも考えられます。つまり、蒸発冷却に水を使用することで、電力消費量が削減され、その結果、電力網の炭素強度が大きい場合には排出量も削減される可能性があります。どちらがより良い選択肢かは、地域ごとの水ストレス、電力網の炭素強度、気象条件、およびハードウェアの密度によって異なります。
だからこそ、透明性のある報告が重要になるのです。エネルギー効率を示すPUEや水使用効率を示すWUEといった指標は有用ですが、それらには現地の状況を考慮する必要があります。節水型の設計が必ずしも低炭素であるとは限らず、省エネ型の設計が必ずしも節水型であるとは限りません。
AIデータセンターは、水の使用量を削減できるのでしょうか？
はい、しかし、これといった万能な解決策は存在しません。選択肢としては、空気の流れの管理改善、動作温度の上昇、閉ループ式水冷システム、ドライクーラー、再生水や非飲用水の利用、設置場所の選定の見直し、そしてより効率的なAIハードウェアなどが挙げられます。
AIモデルの最適化も重要です。モデルの小型化、効率的な推論、バッチ処理、キャッシュ、ハードウェアの特化化により、特定のサービスにおける計算負荷を軽減でき、間接的に発熱量と冷却要件を低減することができます。
一方で、AIの利用拡大が効率の向上を上回るペースで進む場合、総需要は依然として増加する可能性がある。したがって、現実的な目標は、冷却効率の向上だけでなく、情報開示の徹底、慎重な立地選定、そして地域ごとの水ストレスを考慮したインフラ計画の策定にある。