AIで薬や材料の候補を考えられても、その研究は計算だけで完結しません。調べるデータ、計算する設備、実物を作って測る実験室が必要です。理化学研究所のAGISも、科学向けAIと計算・実験の基盤を一緒に開発する取り組みです。1
では、研究をもっと進めたいとき、何をどう用意すればよいのでしょう。電気を届けること、計算機を使えるようにすること、実験を増やすことを分けて考えます。
設計案が増えても、工房の道具は増えない
たとえば、良い設計案をたくさん考えられる工房を想像してください。案が増えても、道具が一つなら作業の順番待ちは残ります。材料を調達し、作り、測る人と時間も必要です。
研究でも、候補を考える力と、確かめる力の両方を整えます。電池材料の研究では、AIによる絞り込みの後に、高性能な計算と研究者による実験が続きました。2
この工房の例を手がかりに、研究を支える条件を見ていきましょう。
計算資源は、機器を買う以外にも用意できる?
計算資源とは、計算を行うために使える機器や能力です。GPUの台数だけでなく、メモリーやデータの保存先、機器の間で情報を運ぶ速さ、使える時間まで含めて考えます。Microsoftの研究紹介では、高性能計算の利用と、共有設備で生じる順番待ちも説明されています。2
確保する方法としては、自分たちで機器を持つほか、共用の計算設備や、クラウド上の機器を使う考え方があります。工房なら、専用の道具を買うか、共同設備を使うかに近い選択です。ここで重要なのは、どの方法が一律に優れているかではなく、研究に合っているかです。
借りられることと、必要な研究に使えることは別
確認するのは、必要な計算ができるか、予定した時間に使えるか、継続して費用を払えるか。さらに、研究データを外部へ持ち出してよいかという条件もあります。
この確認項目は、設備を選ぶ際の考え方です。特定サービスの空き枠や料金を比較したものではありません。研究チームが必要なときに使えて初めて、設備は発見を助けます。
電力は、作る量だけでなく届け方も大切
発電量が増えても、使う場所へ必要な電気を届けられるかは別の問題です。IEAの報告は、電力供給に加えて送電網への接続や設備、半導体などがデータセンター拡大の制約になると整理しています。3
研究設備を増やすときは、どこから電気を供給するか、接続にどれくらいの時間がかかるか、変電設備や安定運用の条件はどうかを確認します。「発電方法を一つ選べば解決」とは考えない方が、実現までの道のりが見えます。
大きな電力の数字は、何を数えたもの?
IEAが2026年4月に示した見通しでは、世界のデータセンターの電力消費は、2025年の485 TWhから2030年に950 TWhへ増えるとされています。TWhは大量の電力量を表す単位です。2025年は同機関の掲載値、2030年は予測であり、どちらもAI for Scienceだけの消費電力ではありません。3
科学研究に使う割合を、この数字から勝手に割り出すことはできません。総量が大きいという話と、ある研究にどれだけ必要かという話を分けます。
液体で冷やせば、水の問題はなくなる?
計算機が生む熱は外へ逃がす必要があります。ここには二つの段階があります。機器から熱を運ぶことと、その熱を施設の外へ捨てることです。
米国ローレンス・バークレー国立研究所の報告では、機器を液体で冷やす方式にも、屋外で空気に熱を逃がすものや、水を使う設備と組み合わせるものが示されています。「液冷」という名前だけでは、水の消費量は決まりません。4
さらに、施設内で使う水と、その施設へ送る電気を発電するときに使う水は別です。現場の水を減らす方式でも、必要な電気との関係を含めて見る必要があります。4
設備を用意するなら、その地域の気候や水の条件、屋外へ熱を逃がす仕組みまで一緒に考えます。これは特定の冷却方式を勧める話ではなく、名前だけで環境への負担を決めないための見方です。
データは、大量に集めればそのまま使える?
工房で過去の作業を記録するとき、材料の種類も測った条件も分からない記録ばかりでは、次の作業に役立てにくいはずです。
研究データでも、何を、どんな条件で測ったかが大切です。理化学研究所の説明では、期待した結果が出なかった実験も含め、AIが学べるデータを整える重要性が示されています。1
記録の形式、利用できる権利や範囲、測り方の違い、誤りの扱いをそろえることも、データの確保に含めて考えます。集めた件数だけでなく、「研究に使える形か」が次の問いです。
実験は、AIが案を出す速さで増やせる?
候補を試すには、試薬や原料、装置、測定する時間、それを扱う担当者が必要です。ロボットで実験する場合も、何をどの手順で動かし、結果をどう記録するかを決めます。AGISには、ロボットによる実験自動化を含む共通基盤の取り組みがあります。1
ここで整えたいのは、単に装置を並べることではありません。AIが選んだ候補を実験できる形にし、結果と条件を残し、次の判断へ返すつながりです。
「AIが提案した候補の数」と「実物で確かめた候補の数」は、別々に見ます。発見の先でどこが順番待ちになっているかが分かると、次に増やすべきものも考えやすくなります。
一回の計算が省エネになれば、総消費も減る?
一回の作業に必要な電気が減っても、作業の回数や内容が増えれば、合計の消費は別の動きをします。IEAも、効率化と利用の拡大を分けて見ています。3
逆に、同じ成果へたどり着くのに必要な無駄な計算や実験を減らせれば、研究全体の負担を下げられる可能性があります。比べるなら、同じ目的をどこまで達成したか、計算と実験のどこまでを数えたかをそろえます。
一回の計算、研究一件、社会全体。そのどの範囲の数字かを確かめるだけでも、「AIは省エネか」という問いを具体的にできます。
科学の未来を近づける、次の確認点
設備の発表を読むときは、計画したこと、導入したこと、研究者が使えるようになったことを分けてください。計算・データ・実験がつながり、実際に何を確かめられるようになったかが重要です。
新素材を設計する研究をこの見方で読み直すと、材料の候補が増える面白さと、次に用意するものがつながります。
未来を動かすのは、AIの提案だけではありません。その提案を確かめられる場所と仕組みも、未来の一部です。
