↓メインコンテンツへスキップ
  1. Posts/

LLM競争を省エネとコストから考える―公開情報で比較できること・できないこと

·81 文字·1 分
AI AI LLM 省エネ コスト 調査
目次

疑問 #

大規模言語モデルの競争では、モデルの賢さだけでなく、推論に必要な電力とコストが重要です。では、公開情報から「最も省エネで、将来勝つ会社」を決められるのでしょうか。

2026年8月11日に各社の公式資料を調べ直した結論は、API価格は比較できるが、モデル一回あたりの電力量や総原価は比較できず、勝者までは決められないです。以前の記事に載せていた会社別の電力効率や絶対順位は、同じ条件の測定ではなかったため撤回しました。

公開情報で比較できるもの #

APIの単価 #

Google Gemini API、OpenAI API、Anthropic Claude API、xAI APIは、入力・出力トークンなどの課金条件を公開しています。同じモデルを同じ量だけ使う費用は計算できます。

ただし、単価が安いモデルが同じ仕事を最安で終えるとは限りません。必要な出力品質、再試行回数、コンテキスト長、キャッシュ、ツール利用、バッチ割引が違うからです。実務では、同じ評価問題を同じ合格条件で解かせ、合格一件あたりの費用を比べる必要があります。

自社向け半導体への投資 #

GoogleはTPUを自社サービスに使い、Cloud TPUの価格も公開しています。Googleは2025年に推論向けTPU「Ironwood」を発表しました。AWSはTrainiumを機械学習の学習用アクセラレーターとして提供しています。半導体、データセンター、モデルを一体で最適化できることは、GoogleやAWSの構造的な強みだと考えられます。

ただし、これは公開資料からの推論です。自社チップがあるだけで、モデル品質、稼働率、電力調達、開発速度、顧客獲得まで自動的に優位になるわけではありません。

公開情報では比較できないもの #

モデル別の「1回答あたりWh」を同じ条件で公表している事業者は限られます。次の条件が揃わない数値は横並びにできません。

  • モデルとバージョン
  • 入出力トークン数とバッチサイズ
  • 使用半導体と稼働率
  • データセンターの冷却・電力損失を含むか
  • 再生可能エネルギー証書と実際の時間帯別電源をどう扱うか

Google Environmental Reportは会社全体のエネルギーや排出量を示しますが、特定のGemini回答一回分を他社モデルと比べる資料ではありません。会社全体の再エネ比率と、特定モデルの計算効率も別の指標です。

自分で比較する方法 #

私なら、実際に使いたい仕事を100件ほど用意し、各モデルについて次を記録します。

  1. 人または自動評価で合格した件数
  2. 入力・出力・キャッシュのトークン数
  3. API請求額
  4. 待ち時間とエラー／再試行回数
  5. 必要なら人が修正した時間

総費用 ÷ 合格件数 を中心にすれば、単価表だけより現実に近い比較になります。電力は事業者側の測定値がない限り推定に留め、費用と混同しないようにします。

結論 #

垂直統合された半導体基盤は長期的な競争力になり得ます。一方、2026年8月時点の公開情報だけで「Google、OpenAI、Anthropic、xAIのどこが省エネで勝つ」と断定することはできません。確認できるAPI価格と、自分の課題で測った品質・再試行を組み合わせて判断するのが、今できる最も再現性のある方法です。

参考資料 #