ワシントン大学・Allen Institute for AI・Carnegie Mellon Universityの研究者が測ったのは、Olmo 3の「最終学習run」ではなく、そこに至るまでの試行錯誤の全体だった。学習関連GPU時間のうち82.2%(834万時間中685万時間)は実験に費やされ、最終学習runはわずか17.8%に留まっていた——研究者自身、最終学習run単体の環境負荷だけを報告すれば、実態を実質5倍近く過小評価すると指摘している。AIモデルの環境負荷を評価・比較する実務者にとって、これは「公表される学習コストの数字は氷山の一角にすぎない」ことを意味する。単一モデルの学習コストの多寡だけでなく、実験・アブレーションを含む開発プロセス全体でどれだけの電力・温室効果ガス・水を使うかまで問わなければ、AIインフラ投資が実際にどれほどの資源を食っているかは見えてこない。最終学習コストの比較だけでAIの環境負荷を語ってきたこれまでの算出基盤そのものが、見直しを迫られている。
何が起きたか
University of WashingtonおよびAllen Institute for AIのJacob Morrison・Noah A. Smithと、Carnegie Mellon UniversityのEmma Strubellは、オープンウェイトモデル「Olmo 3」ファミリー(7B/32Bパラメータ、instruction-following版・reasoning「Think」版の両方)について、開発パイプライン全体の環境影響を測定した論文「The Hidden Cost of Thinking: Energy Use and Environmental Impact of LMs Beyond Pretraining」を発表した(arXiv提出日2026-05-01)。
研究チームは、SFT・DPO・RLといった各post-training段階を個別に測定・報告したのは本研究が初めてであり、reasoning版とinstruction-tuned版を比較したのも初めてだとしている。なお本研究が対象とするのは開発プロセスまでで、モデル公開後の推論(利用時)の環境負荷は測定対象に含まれていない。
仕組み・詳細
これまでAIモデルの環境負荷は「最終学習run」の電力消費量で語られることが多かった。しかし今回の測定によれば、学習関連GPU時間(合成データ生成を除く)のうち、実際に世に出す最終学習runに使われたのは17.8%に過ぎず、残る82.2%は事前にモデル構成・ハイパーパラメータ等を試す実験に費やされていた。論文は「最終学習runのコストのみを報告することは、真の環境影響をおよそ5倍過小評価することになる」と述べている。
水消費量についても注意が必要な点がある。論文はデータセンター自体が蒸発冷却を用いない閉ループ冷却方式(WUEonsite=0)であることを明記しており、開発全体で算出された水消費量は、データセンターが直接消費したものではなく、主に電力供給元(発電所)側の冷却水を電力消費量から推計したものである。
数字で見る
| 指標 | 数値 |
|---|---|
| 学習関連GPU時間のうち実験に費やされた割合 | 82.2%(834万時間中685万時間) |
| 学習関連GPU時間のうち最終学習runの割合 | 17.8% |
| 最終学習runのみの報告による過小評価の目安 | 約5倍 |
| 開発全体の電力消費量 | 約12.3 GWh |
| 開発全体の温室効果ガス排出量 | 4,251 tCO2eq(約4,250トン) |
| 開発全体の水消費量(発電所側の冷却水含む推計) | 15,887 kL(約1,590万リットル) |
背景
Olmo 3はAllen Institute for AI(Ai2)が公開するオープンウェイトモデルファミリーで、7B/32Bパラメータのinstruction-following版とreasoning(Think)版を持つ。オープンウェイトモデルであるため、研究チームは学習パイプラインの内部データ(GPU時間・電力消費量の内訳)にアクセスでき、通常のクローズドモデルでは不可能な段階別の実測が可能になった。
環境負荷測定を巡っては、これまで「最終学習run」の電力消費量だけが公表・比較の対象になりがちだった。本研究は、実験・アブレーションを含む開発プロセス全体を計測することで、そうした従来の測定範囲が実態の一部しか捉えていなかったことを定量的に示した初めての研究だとしている。
なぜ重要か
AIインフラへの投資・電力調達を巡る議論は、これまで「最終学習run一回分のコスト」を基準に語られがちだった。しかし今回の実測が示すのは、学習関連GPU時間の8割超が、公表されにくい実験・アブレーション段階に消えているという事実だ。AIラボが対外的に示す学習コストの数字が開発プロセス全体のごく一部(17.8%)しか反映していないとすれば、AIの電力・水・温室効果ガス負荷を巡る従来の見積もりや比較は、そもそもの算出基盤から見直しを迫られる。オープンウェイトモデルの内部データが公開されたことで初めて明らかになったこの実態は、クローズドモデルを含むAI開発全体の環境負荷が、これまで想定されていたよりもはるかに大きく、かつ見えにくい場所に存在している可能性を示している。