エネルギーと炭素のAI活用：現実の変化をどう測るか

エネルギーや炭素の分野でAIを使うときは、「現実に何が変わり、それをどう確かめたか」が重要です。予測、制御の提案、モニタリングの報告には、それぞれ異なる検証が必要になります。

2025年10月29日の「Energy x AI」は、Lifetime Ventures、Tokyo AI、Scrum Ventures、Investor for Climateが共同開催し、パネルとスタートアップの発表を行いました。ここでは、産業システムの適応と、環境推定を観測に照らして確認するという二つの視点を取り上げます。

適応する制御にも、運用上の境界がある

KanjuTechの共同創業者兼COO、Alex Kunin氏は、産業用冷却を例に、条件の変化へ追従する学習の必要性を示しています。提案するのは、機器に近いエッジ側で適応する仕組みです。

設計で問われるのは、学習によって何を変えてよいかです。新しい条件から学んでも、設備には許容範囲と責任者があり、満たすべき工程条件があります。

例えばエネルギー使用量を減らしても、必要な温度を維持できなくなれば、目的を達成したとは言えません。工程の条件を満たしたうえで、現実の結果を改善する必要があります。測定と、モデルの前提が合わなくなったことを検知する仕組みが不可欠です。

衛星からの推定を、現地の情報と結び付ける

DAI LabsのCEO兼共同創業者、Bryan Atwood氏は、CanopyScopeについて、衛星画像、AI、現地情報を組み合わせた森林・炭素モニタリングを紹介しています。遠隔での推定と現地計測による較正を接続する考え方です。

地図が精密に見えても、その推定は入力の質、観測時期、対象範囲に依存します。現地の情報と比較することで、モデルが推定しているものと実際の場所との関係を確認できます。

計画や報告に使う場合は、どの地域、期間、手法を表す結果なのか、どこに不確実性があるかが重要です。見やすい地図を作れることだけで、炭素クレジットの主張が独立に検証されたことにはなりません。

制御と報告では、誤りの届く先が違う

制御システムは物理的な工程を変えます。モニタリングは世界の状態を推定し、人へ伝えます。どちらも測定に依存しますが、誤りが与える影響は異なります。

制御の誤りは、その場で工程へ影響する可能性があります。推定の誤りは報告を通じて、後の判断へ影響するかもしれません。結果がどこへ渡り、誰が受け入れるかを明確にすると、必要な確認も具体化できます。

有望な試作品は実証を進める理由になります。しかし、それだけで繰り返し得られる省エネ効果、投資回収期間、環境への効果を確定できるわけではありません。

Foundryの視点：最適化と同時に、効果を確かめる仕組みを作る

工場の冷却設備でAIの提案を試す、という仮の例を考えます。既存の運転と比較する前に、生産量、周囲の条件、機器の状態、工程が満たすべき条件を含む基準を整理します。消費電力だけを比較すると、別の変化をAIの効果と取り違える可能性があります。

最初は制御を直接変更せず、提案を出す観測段階から始められます。担当者が工程に合うかを確認し、判断に十分な測定ができているかも確かめます。実際の操作へ進む場合の範囲と条件は、制御の専門家が定めます。

試験が進んだら、各操作を、そのときの条件、承認した内容、測定結果と結び付けます。生産量が減った時期の省エネを、そのままモデルの成果にはしません。比較可能な条件で再現しない結果は、さらに調べます。

モニタリングでも、画像や現地観測から推定と報告までのつながりが必要です。モデルや較正手法を変えたら、変更した版として扱い、同じ方法の結果であるかのように比較しないようにします。

Foundry LabsのエッジAI・コンピュータービジョン開発につながるのは、提案の賢さだけでなく、運用側が効果を確かめ、対象を広げる判断をできるようにすることです。

出典・関連情報

本記事は、Energy x AIのイベント案内と上記の講演をもとに構成しています。Tokyo AI（TAI）は研究者、エンジニア、企業をつなぐコミュニティです。Foundry Labsのコミュニティ活動もご覧ください。

Alex Kunin、Bryan Atwoodの登壇資料をご希望の方は、お問い合わせフォームより、イベント名と登壇者名を添えてご連絡ください。

本記事で取り上げた登壇者

Alex Kunin。KanjuTech共同創業者・COO。産業エネルギーシステムの適応学習をテーマに登壇。 LinkedIn

Bryan Atwood。DAI Labs共同創業者・CEO。衛星を用いた環境モニタリングに取り組む。 LinkedIn

記事一覧