【地球の今後にAIはどう作用していくのか】防災・気候予測とデータセンター時代の責任とは

AIは、次の災害を予測できるかもしれない。
地震、津波、洪水、火山噴火。
過去の災害記録と地球観測データを読み、被害が広がる場所を示す。避難経路を検討し、災害から早く立ち直るための選択肢を提案する。
猛暑が深刻になる地域では、日陰や休息所をどこに増やすべきかを考える。
電力の世界では、太陽光や風力の出力を予測し、需要に合わせて送電網を調整する。
工場や橋、上下水道では、故障や劣化の兆候を人より先に見つける。
AIには、人の目と記憶だけでは扱い切れない情報を整理し、社会の危険を小さくする力がある。
だが、その知能は空中に浮かんでいるわけではない。
郊外に建つ巨大なデータセンター。休みなく計算を続ける半導体。
機器を冷やす水。非常時に電力を支える蓄電池。
サーバーをつなぐ銅。電池をつくるリチウム。
AIは、デジタルな魔法ではない。
電気を使い、熱を出し、水を使い、鉱物資源を組み込んだ巨大な物理インフラである。
地球を救うためのAIが、別の場所で地球資源を消耗していないか。
その問いを避けたまま、AIの社会実装だけを急ぐことはできない。

災害の記憶を、AIに引き継ぐ

東北大学とソフトバンクは2026年8月1日、「ソフトバンク・東北大学 AI for Disaster Science共創研究所」を、東北大学災害科学国際研究所内に設立した。
研究の中心となるのが、「AI for Disaster Science基盤」、AI4DS基盤である。
地球観測データ。
人の移動や社会活動に関するデータ。
災害を物理的に再現するシミュレーション。
過去の災害記録。
行政や企業による対応記録。
災害時に何がうまくいき、何が失敗したのかという教訓。
それらを、防災に特化した大規模言語モデル、視覚言語モデル、AIエージェントなどと組み合わせる。
AIが扱うのは、災害に関する文章だけではない。
地図、画像、衛星データ、地形。
建物、道路、人口分布、避難所、通信や電力などの社会基盤。
現実の地域をデジタル空間に再現する災害デジタルツインとAIを結びつけ、言葉と現実の場所を対応させる。
「この地域は危険だ」という一般的な説明では足りない。
どの川があふれ、どの道路が使えなくなり、どの避難所へ人が集中し、どの地区が孤立する可能性があるのか。
現実の地形や施設と結びついた説明が必要になる。

AIは、災害の失敗から学べるか

防災の知識は、成功事例だけからつくられるわけではない。
警報が届かなかった。
避難開始が遅れた。
道路が寸断された。
避難所に人が集中した。
高齢者や障がいのある人、外国籍住民へ情報が届かなかった。
通信と電力が同時に止まり、想定していたシステムが使えなかった。
過去の災害には、多くの失敗と後悔が残されている。
AI4DS基盤は、そうした記録や教訓も学び、災害の影響を小さくする対応策の仮説をつくり、デジタルツイン上で検証することを目指す。東北大学とソフトバンクは、2026年度に自治体や行政機関と連携した実証実験を予定している。
災害のたびに、社会は「想定外だった」と語る。
しかし、別の地域や別の時代に、似た失敗が起きていた可能性はある。
人間は、すべての記録を記憶できない。
担当者が異動すれば、経験が組織から失われることもある。
AIは、膨大な災害記録を読み続けられる。
過去の失敗を、次の地域へ引き継ぐ装置になれるかもしれない。

デジタルツインは、未来を言い当てる水晶玉ではない

災害デジタルツインは、現実の地域を仮想空間へ再現する。
だが、それは未来を完全に予言する装置ではない。
地震がいつ起きるか。
台風がどこを通るか。
住民がどのように行動するか。
道路や建物が、想定どおりの壊れ方をするか。
現実には、不確実な要素が無数にある。
だから、防災AIの価値は、一つの未来を当てることではない。
複数の状況を試すことにある。
昼間に地震が起きた場合、夜間に起きた場合。
大雨と地震が重なった場合、停電が長期化した場合。
通信が使えない場合、主要道路が閉鎖された場合。
異なる条件をデジタル空間で検証し、社会の弱い場所を事前に見つける。
未来予測ではなく、未来への訓練である。

AIが示す危険と、住民が知る危険

災害データには、集まりやすい情報と、集まりにくい情報がある。
主要道路や大きな河川、公共施設のデータは比較的整備されている。
一方で、地域住民だけが知る細い避難路、冠水しやすい交差点、夜間に暗くなる場所、車いすでは通れない坂道、災害時に孤立しやすい世帯などは、データベースに入っていない可能性がある。
AIが知らない場所は、安全な場所ではない。
単に、情報が入力されていない場所かもしれない。
防災AIには、地球観測やシミュレーションだけでなく、自治体職員、消防、地域住民、福祉関係者、インフラ事業者が持つ経験を加える必要がある。
AIが上から答えを与えるのではない。
地域の知識を整理し、共有し、次の世代へ残す。
防災AIは、地域の記憶を消す技術ではなく、地域の記憶を生かす技術でなければならない。

AIは、持続可能性の味方にもリスクにもなる

日立製作所とコロンビア大学のコロンビア・センター・オン・サステナブル・インベストメントは、AIと持続可能性の関係を分析した共同報告書を公表した。
対象としたのは、五つの分野だ。
地球環境。
エネルギーシステム。
産業と労働。
金融。
民主主義と社会的レジリエンス。
報告書は、AIが環境監視、再生可能エネルギーの統合、資源利用の効率化、研究開発などを加速する可能性を示す。
同時に、環境負荷、格差、雇用への影響、金融市場の不安定化、誤情報、権力の集中などを悪化させる可能性も指摘する。
AIは、社会を自動的に持続可能にするわけではない。
既存の社会が公平であれば、AIはその公平さを支えるかもしれない。
既存の社会に格差や偏りがあれば、AIはそれを高速化する可能性もある。
技術の性能だけでは、持続可能性は決まらない。
制度、規範、権力、企業統治、公共政策との組み合わせによって結果が変わる。

地球環境を守るAIは、何ができるのか

AIは、自然環境の膨大なデータを処理できる。
衛星画像から森林減少を見つける。
海面温度や海流から、海洋環境の変化を調べる。
センサー情報から、大気汚染や水質の異変を検知する。
気象データを使い、風力や太陽光の出力を予測する。
建物や工場の運転を調整し、エネルギーの無駄を減らす。
農業では、水や肥料を必要な場所へ絞って投入する。
電力網では、需要と供給の変化を細かく予測し、再生可能エネルギーを使いやすくする。
AIは、人間が見落とす変化を見つける。
複数のデータを組み合わせる。
未来の複数シナリオを試す。
その能力は、気候変動と自然損失への対応に大きな価値を持つ。
だが、その効果を評価する際、AIが削減したエネルギーだけを見てはならない。
AI自身が消費したエネルギーも、同じ計算へ入れる必要がある。

AIは「クラウド」ではなく、巨大な工場で動いている

スマートフォンからAIへ質問すると、画面には数秒で回答が現れる。
どこか見えない雲の中で、計算が行われたように感じる。
だが、「クラウド」の正体は地上にある。
巨大な建物、数千、数万台のサーバー、高性能な半導体。
受変電設備、非常用発電機、冷却塔、蓄電池、通信ケーブル。
データセンターは、巨大な計算工場である。
国際エネルギー機関は、世界のデータセンター電力消費量が2030年に約945TWhへ達し、世界の総電力消費量の3％弱を占めると予測する。2024年から2030年まで、データセンターの電力需要は年平均約15％の速度で伸びる見込みだ。
AIの回答は軽く見える。
しかし、その裏側では、重い物理インフラが動いている。

問題は、世界全体の電力量だけではない

データセンターの世界全体の電力消費量だけを見れば、総需要の数％にすぎないという見方もできる。
だが、データセンターは、世界中へ均等に配置されるわけではない。
通信環境、電力価格、土地、税制。
気候、水資源、企業集積。
条件の良い地域へ集中する。
その結果、一つの都市や州、電力系統に負荷が偏る。
データセンター建設の急増によって、送電線や変電所の増強が必要になる。地域の電力需要が急増すれば、再生可能エネルギーの導入が追いつかず、化石燃料による発電設備の維持や新設につながる可能性もある。
世界全体で電気が足りるか。
それだけではない。
必要な場所へ、必要な時に、低炭素な電気を届けられるか。
AI時代のエネルギー問題は、発電量だけでなく、立地と電力網の問題でもある。

AIは、電力だけでなく水も使う

半導体は、膨大な計算を行うと熱を発する。
熱がたまり過ぎれば、処理性能が低下し、機器の故障にもつながる。
そのため、データセンターには大規模な冷却設備が必要になる。
空気で冷やす。
水の蒸発を利用する。
冷却液を半導体の近くへ流す。
外気や海水、再生水を使う。
冷却方法によって、使用する電力と水の量は変わる。
国連大学は、AIの環境負荷を炭素、水、土地の三つの側面から評価し、世界の主要なデータセンター集積地域では負荷の大きさが異なると報告した。水不足の地域で冷却水を大量に使えば、地域住民、農業、生態系と水資源を奪い合う可能性がある。
再生可能エネルギー100％で動いていても、水の問題が解決したとは限らない。
炭素だけを緑にして、水と土地の負担を見えなくしてはならない。

技術の利益と環境負荷は、同じ場所に現れない

大都市の企業がAIを使い、業務効率を高める。
そのAIを動かすデータセンターは、離れた地域に建設される。
電力は、さらに遠くの発電所から来る。
半導体に使われる鉱物は、海外の鉱山で採掘される。
冷却に使われる水は、データセンターが立地する地域の川や地下水から得られる。
使い終えたサーバーや蓄電池は、別の地域で処理される。
便益と負荷は、地理的に分離する。
AIサービスを利用する人には環境負荷が見えにくく、負荷を引き受ける地域には、AIの利益が十分に戻らない可能性がある。
国連大学の報告は、AIの環境コストを脆弱な地域社会へ転嫁しないため、透明性、公平性、環境正義、ライフサイクル全体への責任が必要だとしている。
AIの責任とは、正しい回答を返すことだけではない。
どこから資源を得て、どこへ負担を残すのかを明らかにすることでもある。

半導体と蓄電池を支える、重要鉱物

AIの物理インフラには、多くの鉱物資源が使われる。
半導体、通信設備、送電線。
変圧器、冷却設備、非常用電源、蓄電池。
そこには、銅、アルミニウム、リチウム、ニッケル、コバルト、黒鉛、希土類などが組み込まれている。
国際エネルギー機関は、AIデータセンター向け設備に使われる重要鉱物の需要が拡大する一方、世界の供給が特定の国や地域に集中していることを、エネルギー安全保障上の課題として挙げている。
AIの競争は、ソフトウェアや半導体の性能競争だけではない。
電力を確保する競争。
送電設備をつくる競争。
冷却用の水を確保する競争。
重要鉱物を確保する競争でもある。
デジタル競争の足元に、資源競争がある。

リチウムを、掘る資源から戻す資源へ

リチウムは、スマートフォン、電気自動車、再生可能エネルギー用蓄電池、データセンターのバックアップ電源などに欠かせない。
だが、鉱石や塩湖から採取したリチウムを使い、使い終えれば捨てる構造では、需要の拡大に追いつけない。
QST発のスタートアップ、LiSTieは、特殊なイオン伝導体を分離膜として使用するリチウム回収技術「LiSMIC」の社会実装を進めている。
リチウムを含む液体と回収液の間にセラミックス製の膜を置き、電圧をかける。リチウムイオンだけを選択的に膜の反対側へ移動させる仕組みだ。
QSTによると、使用済みリチウムイオン電池の処理液、塩湖のかん水、鉱石、工業廃水、海水など、複数のリチウム源への応用が想定されている。
掘る場所を増やすだけではない。
社会の中にすでに存在するリチウムを、回収して戻す。
資源を直線から循環へ変える技術である。

純度99.99％を、直接回収するベンチプラント

LiSTieは2026年3月、純度99.99％の水酸化リチウムを直接回収できるベンチプラント実証機の完成を発表した。
実証機は、リチウムを含む材料をLiSMICに適した液体へ調整する前処理設備と、リチウムを分離・回収する設備で構成される。24時間の連続運転が可能で、2026年5月から耐火物メーカーのTYKと、水酸化リチウムを1日1.5キログラム回収する実証試験を進める計画だ。
LiSTieは、使用済みリチウムイオン電池のブラックマスからリチウムを水へ溶出させ、LiSMICによって高純度化する工程も想定している。
回収した資源を、再び電池原料として使う。
リサイクルのたびに品質が落ちるのではなく、電池材料として再利用できる純度へ戻すことが狙いだ。
2026年7月には、DG Daiwa Venturesが同社への出資を発表した。研究成果を実験室から装置へ、装置から市場へ進める段階に入りつつある。

高純度で回収できれば、循環が完成するわけではない

99.99％という数字は目を引く。
だが、資源循環の評価は純度だけでは決まらない。
使用済み電池を、どのように安全に回収するのか。
電池を分解し、ブラックマスへ加工するまでに、どれだけのエネルギーと水を使うのか。
前処理で発生する残さを、どう処理するのか。
回収設備の分離膜は、どれだけ長く使えるのか。
回収したリチウムを電池工場まで、どの距離運ぶのか。
一連の工程を通じ、新たに採掘する場合より環境負荷を減らせるのか。
ベンチプラントでの成功は、社会実装の入口である。
規模を大きくした際にも、同じ純度、回収率、コスト、安全性、環境性能を維持できるか。
今後は、第三者によるライフサイクル評価や、実際の使用済み電池を用いた長期的な検証が重要になるだろう。
循環技術を評価するには、「回収できたか」ではなく、「より少ない負担で、繰り返し使える状態へ戻せたか」を見る必要がある。

AIの価値を、精度だけで評価しない

AIの性能は、これまで主に正答率、計算速度、処理能力、利用者数などで評価されてきた。
防災AIなら、危険をどれだけ正確に予測できたか。
生成AIなら、どれだけ自然な文章や画像をつくれたか。
だが、地球環境の視点では、それだけでは足りない。
一つの判断やサービスを生み出すために、どれだけの電力を使ったか。
その電力は、化石燃料か、再生可能エネルギーか。
冷却にどれだけの水を使ったか。
データセンターは、水不足や生物多様性リスクの高い場所に建っていないか。
半導体や蓄電池を、どれだけ長く使えるか。
交換した設備を、修理、再利用、再資源化できるか。
AIによって生まれた社会的便益は、その環境負荷を上回るか。
AIの評価は、ソフトウェアの性能から、システム全体の性能へ広げる必要がある。

防災AIは、誰の命を優先するのか

防災AIが複数の対策を示したとする。
限られた予算で、どの堤防を強化するのか。
どの地区に避難所を増やすのか。
どの道路を優先して復旧するのか。
誰を先に避難させるのか。
そこには、価値判断が含まれる。
人数が多い地域を優先するのか。
被害を受けやすい高齢者や障がいのある人を優先するのか。
経済的な損失が大きい地域を優先するのか。
孤立する小規模な集落を優先するのか。
AIは、計算条件に沿って答えを出す。
しかし、その条件を決めるのは人間だ。
効率性だけで対策を選べば、人口の少ない地域や、データが少ない人々が後回しになる可能性がある。
防災AIの公平性は、アルゴリズムの中だけで決まらない。
誰を守る社会にするのか。
政治と公共政策の問題である。

AIが間違える前提で、防災を設計する

生成AIは、もっともらしい誤情報を出す場合がある。
入力されたデータが古い。
災害時に通信が途絶える。
センサーが壊れる。
停電でシステムが使えない。
予測していなかった複合災害が起きる。
防災AIでは、通常の業務支援システム以上に、間違いや停止を前提とした設計が必要だ。
AIの判断を、人が確認する。
複数のデータ源を照合する。
通信が使えない場合の紙の地図や無線を残す。
AIが停止しても避難誘導を続けられるよう、地域の訓練を行う。
AIの提案理由と、使用したデータを記録する。
誤りが見つかった場合、後から検証できる状態にする。
AIを信じることと、AIへ依存することは違う。
防災に必要なのは、AIが失敗しても社会が動き続けるレジリエンスである。

小さなAIと、大きなAIを使い分ける

すべての課題に、最大規模の生成AIが必要なわけではない。
決められたセンサー情報から設備異常を判定する。
限られた地域の避難所情報を検索する。
河川水位の変化を予測する。
画像からひび割れを検出する。
用途が限定されていれば、比較的小さなモデルや専用システムで対応できる場合がある。
モデルが大きければ、必ず社会的価値も大きくなるわけではない。
必要以上に大きなAIを使えば、計算量、電力、設備、通信の負担も増える。
問題の規模に合ったAIを選ぶ。
必要な精度と、許容できる環境負荷を考える。
「大きいほど良い」という技術競争から、「目的に対して十分であるか」という設計へ。
AIの持続可能性は、省エネルギーな半導体だけでなく、使い方の節度によっても決まる。

データセンターを、地域の一員として設計する

データセンターは、地域から電力、水、土地を受け取る。
ならば、地域へ何を返すのかも問われる。
再生可能エネルギーを新しく増やす。
電力網や蓄電設備へ投資する。
冷却に再生水を使う。
水不足の時期には使用量を抑える。
サーバーの排熱を、農業用温室、地域暖房、給湯へ利用する。
災害時には、通信や電源の拠点として地域へ開放する。
施設の電力、水、炭素、資源使用量を公開する。
雇用や税収だけではない。
地域のエネルギーと水の安全保障に、どのような価値を返せるか。
AIインフラは、地域から切り離された黒い箱ではなく、地域社会の一員として設計する必要がある。

AIの責任は、使用後まで続く

サーバーも半導体も、永久には使えない。
性能競争が速ければ、まだ動く設備が短期間で交換される可能性もある。
故障した機器を修理できるか。
部品を交換できるか。
別の用途へ再利用できるか。
データを安全に消去し、再販売できるか。
金、銅、リチウム、コバルトなどを回収できるか。
資源循環を考えるなら、製品の設計段階から、分解、修理、再利用、リサイクルを組み込む必要がある。
新しいAIモデルが発表されるたびに、古い設備を捨てる社会では持続しない。
AIの進化には、ハードウェアの寿命を延ばすメンテナンスと、使い終えた資源を回収する静脈インフラが必要である。
LiSTieの技術が示しているのは、リチウムを回収する新しい方法だけではない。
AI社会を支える資源は、使った後にも管理しなければならないという現実だ。

AIの社会実装を、六つの視点で評価する

AIを持続可能な形で導入するには、少なくとも六つの視点が必要になる。
一つ目は、目的。
そのAIは、本当に必要な社会課題を解決するのか。
二つ目は、精度と安全性。
誤りが起きた場合、人命、権利、社会基盤へどのような影響が出るのか。
三つ目は、電力と炭素。
どれだけの電力を使い、どの電源で動くのか。
四つ目は、水、土地、自然。
データセンターの立地が、地域の水資源や生態系へ負担を与えないか。
五つ目は、資源と循環。
半導体、蓄電池、重要鉱物を長く使い、使用後に回収できるか。
六つ目は、公平性とガバナンス。
誰が利益を得て、誰が負担を引き受けるのか。判断理由を説明できるか。異議を申し立てる仕組みがあるか。
AIの社会的価値は、一つの性能指標では測れない。
命を守る便益と、地球へ残す負担を、同じ評価表に載せる必要がある。

AIは地球を救うのか、地球の資源を食べるのか

AIは、次の災害を完全に止めることはできない。
だが、危険を早く見つけ、過去の教訓を引き継ぎ、複数の対応策を試すことはできる。
AIは、気候変動を単独で解決することもできない。
だが、エネルギー、自然、産業の複雑なデータを整理し、より良い判断を助けることはできる。
一方、そのAIを動かすために、電力、水、土地、半導体、蓄電池、重要鉱物が必要になる。
地球を守る技術と、地球の資源を使う技術。
二つは、同じAIの中に存在する。
だから問うべきは、AIに賛成か、反対かではない。
何のために使うのか。
どの規模のAIを使うのか。
どの電力で動かすのか。
どこへデータセンターを建てるのか。
水をどう使うのか。
設備をどれだけ長く使うのか。
資源をどう回収するのか。
誰が利益を得て、誰が負担を負うのか。
AIが地球を救うか、地球の資源を食べるかを決めるのは、AIではない。
私たちがつくる制度、企業経営、インフラ、資源循環、そして選択である。
人工知能が高度になるほど、人間の責任は小さくならない。
むしろ、大きくなる。

主な発表・研究・参考資料

■東北大学・ソフトバンク株式会社
「『ソフトバンク・東北大学 AI for Disaster Science共創研究所』を設立」
2026年7月27日発表、2026年8月1日設立
https://www.tohoku.ac.jp/japanese/2026/07/press20260727-01-softbank.html

■日立製作所・コロンビア大学
“Hitachi and Columbia University Publish Joint Research Report on AI and Sustainability Transitions”
https://rd.hitachi.com/_ct/17843038

■コロンビア大学
“Artificial Intelligence and Sustainability Transitions”
https://ccsi.columbia.edu/artificial-intelligence-and-sustainability-transitions/

■PR TIMES版
https://prtimes.jp/main/html/rd/p/000000063.000152541.html

■LiSTie株式会社
「リチウムを低環境負荷で高純度・高効率で回収・循環させるベンチプラント実証機完成」
2026年3月26日発表
https://www.listie.co.jp/post/20260326

■量子科学技術研究開発機構・QST
「量子科学技術研究開発機構によるLiSTie株式会社への出資に関するお知らせ」
https://www.qst.go.jp/site/press/20250509.html

■DG Daiwa Ventures
「リチウムの供給網を日本発技術で再構築するLiSTieに出資」
2026年7月31日発表
https://prtimes.jp/main/html/rd/p/000000126.000076641.html

■国際エネルギー機関・IEA
“Energy and AI”
https://www.iea.org/reports/energy-and-ai/

■国連大学・UNU-INWEH
“Environmental Cost of Artificial Intelligence: Carbon, Water and Land Footprints”
https://unu.edu/inweh/collection/environmental-cost-of-AIs-Enrgy-Use-Carbon-water-and-land-footprints

FAQ

Q. AI for Disaster Science基盤とは何ですか？
A. 過去の災害記録、地球観測、社会動態、物理シミュレーションなどを、防災に特化したAIと災害デジタルツインへ統合する研究基盤である。災害リスクの予測、脆弱な地域の把握、対応策の仮説生成・検証などを目指す。

Q. 災害デジタルツインとは何ですか？
A. 地形、建物、道路、人口、インフラ、災害現象などをデジタル空間に再現する仕組みである。地震、津波、洪水などが起きた場合の被害や避難、復旧方法を仮想空間で検討できる。

Q. 防災AIは、災害を正確に予言できますか？
A. 将来を完全に予言することはできない。不確実性を前提に、複数の災害条件や対応策をシミュレーションし、被害を小さくする準備を支援する技術である。

Q. AIは、持続可能な社会にどのように役立ちますか？
A. 環境監視、気候予測、再生可能エネルギーの需給調整、設備の効率化、資源利用の最適化、災害対応などへの活用が期待される。

Q. AIの環境負荷には、何がありますか？
A. データセンターの電力消費とCO₂排出、冷却用の水、建設用地、半導体や蓄電池に使う重要鉱物、使用済み電子機器などがある。負荷は、施設の立地や電源、冷却方法によって異なる。

Q. データセンターの電力需要は、今後どの程度増えますか？
A. IEAは、世界のデータセンター電力消費量が2030年に約945TWhへ達し、2024年から倍増すると予測している。AI向けデータセンターが増加の大きな要因となる。

Q. なぜAIにリチウムが必要なのですか？
A. データセンターでは、停電時のバックアップ電源や電力変動を調整する蓄電設備が使われる。リチウムは、多くの蓄電池の主要材料であり、AIインフラの安定運用にも関係する。

Q. LiSMICとは何ですか？
A. QSTが開発し、LiSTieが社会実装を進めるリチウム分離技術である。セラミックス製のイオン伝導体を膜として使い、リチウムイオンを選択的に回収する。

Q. 純度99.99％で回収できれば、リチウム問題は解決しますか？
A. 純度は重要だが、それだけでは解決しない。使用済み電池の安全回収、前処理、エネルギーや水の使用量、残さの処理、輸送、装置の耐久性、経済性まで含めて評価する必要がある。

Q. 持続可能なAIに最も必要なことは何ですか？
A. AIの目的、精度、安全性だけでなく、電力、水、土地、資源、循環、公平性をライフサイクル全体で評価することだ。AIが生み出す社会的便益と環境負荷を、同じ基準で判断する必要がある。

あわせて読みたい記事