## 定義 AI Greenferencing は、モジュラー型 AI コンピュート（特に LLM 推論向け GPU クラスタ）を再生可能エネルギーの発電源（風力・太陽光発電所）に直接配置する AI インフラ展開モデルである（[[@2026__arXiv__XWind - A Cross-site Router for Large Language Model Inference Serving at Renewable Energy Farms]]、[[Microsoft]]、2026）。 電力を電力網経由で長距離輸送するのではなく、発電源の「電力網接続前（behind-the-meter）」にコンピュートを置くことで、以下を同時に達成する: 1. 長距離送電損失（T&D ロス）の排除 2. 電力網連系キュー（median wait: 4.5〜5 年）の回避 3. 発電源の余剰・カーテールされた電力の活用 4. AI のフットプリントを再生可能エネルギーで賄う 従来の「カーボンアウェアコンピューティング」（時間・地理的なワークロードシフト）が電力網依存のままであるのとは異なり、Greenferencing は電力網を迂回して AI 需要を発電源に持ち込む。 ### 実現可能性の根拠（2026 年 2 月時点） - **地理的近接性**: 100 MW 超の稼働中・建設中の大型風力サイト合計 890 GW 超が Azure データセンターから 50ms ファイバー RTT 以内に存在。73% は 20ms RTT 以内（Global Energy Monitor データ） - **規模**: P20 サイジングで 1,000 万台超の H100 相当 GPU を今日の風力サイトに展開可能 - **経済性**: 風力 PPA 価格（2.3〜4.5 ¢/kWh）は EIA 産業電力価格（9.3 ¢/kWh）の約 1/4〜1/2。CAPEX はモジュラーデータセンターと同等 - **電力可予測性**: 風力の 15 分粒度自己相関係数は 0.99 超（ELIA データ、Jan–Jul'24） - **空間的補完性**: 地理分散した 4 サイトの組み合わせで変動係数（CoV）を最大 36% 削減（EMHIRES データセット） ## 横断的知見 *(現時点では単一ソース。複数ソースを収集次第、横断的知見を追記する)* ## 未解決の問い - Greenferencing サイトへの物理的な GPU 展開・保守の実コスト（遠隔地の信頼性・人件費）は従来型データセンターと比較してどの程度か？ - 風力以外の再生可能エネルギー（太陽光・海洋風力）に対して同様の展開モデルはどの程度有効か？太陽光の昼夜変動は風力とは異なる課題を生じさせないか？ - 従来型データセンターとのハイブリッド運用（Greenferencing をベースロードに使い、スピルオーバーを従来型データセンターへ）の SLO 保証は実務的に可能か？ - カーテールされた電力（curtailment）の量と予測可能性は地域・季節によってどれほど変動するか？Greenferencing の ROI に与える影響は？ - GPU フェーズアウト（旧世代 GPU を wind サイトに移管）は実際のデプロイメント戦略として成立するか？中古 GPU の性能・信頼性は可変電力環境に耐えられるか？ ## 関連 - [[@2026__arXiv__XWind - A Cross-site Router for Large Language Model Inference Serving at Renewable Energy Farms]] — 概念を提案・実証した論文 - [[XWind]] — Greenferencing の制御プレーンとなるルーターシステム - [[LLM推論]] — Greenferencing が対象とする主要ワークロード - [[Microsoft]] — 提唱元組織 - [[Debopam Bhattacherjee]] — 提唱者 ## 出典 - [[@2026__arXiv__XWind - A Cross-site Router for Large Language Model Inference Serving at Renewable Energy Farms]]（arXiv:2605.23348v1、2026-05-22）