2026-06-18 — views
フィジカルAIエネルギー基準——AV車隊充電、Dojo電力消費、ヒューマノイドバッテリー寿命
AV車隊の充電需要、Dojoの訓練電力消費、ヒューマノイドロボットのバッテリー寿命を定量化——エネルギーコストはフィジカルAI経済学で過小評価されている変数。
フィジカルAIベンチマークシリーズ 第114回——フィジカルAIエネルギーインフラ：AV車隊の充電需要、Dojo訓練電力消費、ヒューマノイドロボットのバッテリー寿命、そしてなぜエネルギーコストがAV経済学で過小評価されているのか
フィジカルAIはエネルギー集約型産業です。集中型データセンターのハードウェアで動作するソフトウェアAIとは異なり——エネルギーコストが数百万回の推論呼び出しに分散されるソフトウェアAIと違い——フィジカルAIシステムは現実世界で動作します：公道、倉庫、工場において、エネルギー消費は1ユニットあたり・1時間あたりで計算され、デプロイされた各機械の運営経済性に直結します。AV車隊は大容量のデポ充電インフラを必要とします。Tesla DōjoやGoogle TPUファームのようなトレーニングコンピュートクラスターは、車両上で動作するモデルを生産するために大量の電力を消費します。ヒューマノイドロボットは車載バッテリーを搭載し、再充電またはバッテリー交換前に何時間の有効な作業を提供できるかを決定します。そしてこれらすべての場合において、アウトプット単位あたりのエネルギーコストは、業界がまだ公開ベンチマークに十分に組み込んでいない方法でフィジカルAIデプロイの経済性に影響します。
本稿ではエネルギーをフィジカルAIランプの構造的ベンチマーク次元としてマップします。第1節ではスケール時のAV車隊充電需要を定量化します。第2節ではデポ充電インフラの要件とコストを分析します。第3節ではDojoおよび同等GPUクラスターのトレーニングコンピュートエネルギーを検討します。第4節では現在の商業・研究プラットフォームにわたるヒューマノイドロボットのバッテリー寿命制約をカタログ化します。第5節では電力価格が大きく異なる地域にわたるAV経済モデルにエネルギーコストを組み込みます。
第1節 — AV車隊充電：スケール時のエネルギー需要
AV車隊のエネルギー需要は車両台数と走行パターンに比例して線形に拡大しますが、デポインフラの計画と運営コスト評価においては無視できない規模の絶対値になります。以下の表は、現在および仮想のAVデプロイの開示済み車両台数とバッテリー仕様から車隊エネルギー需要モデルを構築します。
| 車隊シナリオ | 車両台数 | 車両あたり1日エネルギー | 車隊1日総エネルギー需要 | 年間需要 |
|---|---|---|---|---|
| Waymo フェニックス車隊（推定） | ~1,100台（推定） | ~88 MWh/日（推定） | ~32 GWh/年（推定） | |
| Waymo SF車隊（推定） | ~700台（推定） | ~80 kWh/日（推定） | ~56 MWh/日（推定） | ~20 GWh/年（推定） |
| Tesla ロボタクシー車隊（仮想1万台） | 10,000 | ~70 kWh/日（推定、Model Y LR） | ~700 MWh/日（推定） | ~255 GWh/年（推定） |
| Cybercab車隊（仮想10万台） | 100,000 | ~40 kWh/日（推定、小型バッテリーターゲット） | ~4,000 MWh/日（推定） | ~1.46 TWh/年（推定） |
| 参考：米国年間電力消費 | — | — | ~4,000 TWh/年（米国総計） | 10万台Cybercab車隊=米国電力の~0.037%（推定）——管理可能な範囲 |
この需要モデルからいくつかの重要な観察が浮かび上がります。第一に、フェニックスの1,100台車隊は年間約32 GWhを消費します——米国の一般家庭約3,000世帯の年間エネルギー消費に相当しますが、専用デポで商業電力会社がサービスを提供するには十分対応可能な規模です。第二に、Tesla の仮想1万台ロボタクシー車隊は年間約255 GWhを必要とし、1桁大きな数字です。第三に、10万台Cybercabシナリオの年間1.46 TWhは米国電力供給の大きくも管理可能な分数です。車隊オペレーターにとって重要なのは全国的な比率ではなく、特定のデポ立地でのローカルグリッド容量です。
第2節 — デポ充電インフラ要件
AV車隊オペレーターは車両台数と運営スケジュールに合わせたデポ充電インフラを構築またはリースする必要があります。充電タイプの選択は、デポの資本コストと車隊の運営柔軟性——具体的には充電サイクル後に車両がどれほど速くサービスに戻れるか——の両方を決定します。
| 充電タイプ | スタルあたり電力 | フル充電時間 | 最適用途 | スタルあたりコスト（推定） |
|---|---|---|---|---|
| Level 2 AC（J1772） | 7-19 kW | 4-12時間 | 夜間デポ充電 | 設置込み$3K-8K（推定） |
| DC急速充電（CCS/CHAdeMO） | 50-150 kW | 30-60分 | シフト中補充電、高回転車隊 | 設置込み$15K-40K（推定） |
| 超急速DC（350 kW） | 350 kW | 10-15分 | ほぼ連続運営車隊 | 設置込み$50K-100K（推定） |
| Tesla Supercharger V3 | 250 kW | 15-25分 | Teslaロボタクシー（Superchargerネットワーク） | インフラは既設 |
| AV車隊に最適 | 夜間はLevel 2 + 昼間補充電はDC急速 | — | 車隊混合充電戦略 | Level 2がベース；DCは高回転用 |
| Waymo フェニックスデポ（推定） | ~100-200台Level 2スタル（推定） | 夜間充電ウィンドウ | 午前2-6時の低需要時間帯に充電 | デポ充電設置費$1M-3M（推定） |
夜間ウィンドウに車両をデポに戻せる車隊にとって、7-19 kWのLevel 2 AC充電が費用対効果の高い基本ソリューションです。90 kWhバッテリーを11 kW（L2）でほぼ空から満充電にするには約8時間かかり、夜間デポウィンドウに丁度収まります。スタルあたり$3K-8Kの設置コストは基本充電負荷の経済的に支配的な選択肢です。
TeslaのSuperchargerネットワークはロボタクシーシナリオにとって構造的優位性です：250 kW V3 Superchargerは数千カ所にデプロイ済みで、商業車隊オペレーターが一から構築する必要のある分散型シフト中補充電オプションを提供します。
第3節 — トレーニングコンピュートエネルギー：DojoとTPUクラスター
フィジカルAIシステムを駆動するAIモデルのトレーニングに消費されるエネルギーは、車隊運営充電とは別のコストカテゴリです。トレーニングエネルギーは資本支出に類似しています——車隊全体にデプロイされるモデル能力を生成するために先行投資されます。
| システム | 電力消費（推定） | 年間エネルギー（推定） | $0.05/kWhでのコスト（推定） | 備考 |
|---|---|---|---|---|
| Tesla Dojo ExaPOD（1基） | ~3-10 MW連続（推定） | ~26-88 GWh/年（推定） | $1.3M-4.4M/年（推定） | Dojo D1は効率最適化；正確なTDPは非開示 |
| NVIDIA H100クラスター（1万GPU相当） | ~35 GWh/年（推定） | $1.75M/年（推定） | H100 TDP | |
| Google TPU v4 Pod（Waymoトレーニング） | H100クラスター範囲と類似（推定） | — | — | Googleは再生可能エネルギーを使用；有効炭素コストは低い |
| コンテキスト | Dojoエネルギーコストはスケール時に重要なOpEx項目 | — | 複数ExaPOD Dojo：電気代が年間$10M-50M（推定） | ただし事故削減モデルのトレーニング価値はトレーニングエネルギーコストを上回る |
| エネルギー効率指標 | トレーニングFLOPあたりコスト：競争の鍵 | DōjoとH100のFLOP/Watt：非公開 | — | DojoのFLOP/WattがH100を上回れば、スケール時にエネルギー優位が複利成長 |
最も重要な観察は、高い推定値でも（ExaPOD 1基あたり年間$4.4M）、トレーニングエネルギーコストは競争力のある自動運転システム開発に必要な総投資の中で比較的小さな部分だということです。TeslaのDojo投資は数十億ドルのハードウェア資本で測定されます；そのハードウェアを動かす年間電力代はハードウェア減価償却コストより1桁小さいです。
真に重要なのはFLOP/Watt効率——消費電力ワットあたりの有効トレーニング浮動小数点演算数です。Tesla はこのメトリクスを念頭にDojo D1チップを設計し、動画ベース自動運転トレーニングの特定計算パターンでコモディティGPUクラスターを上回ることを目指しています。
第4節 — ヒューマノイドロボットのバッテリー寿命：運営時間の制約
ヒューマノイドロボットにとって、車載バッテリー寿命はあらゆるデプロイシナリオの商業的実行可能性を直接決定する運営制約です。90分ごとに充電が必要なロボットは、複数のバッテリー交換または長時間のダウンタイムなしに連続した工場シフトをこなすことができません。
| ロボット | バッテリー容量（推定） | 1充電あたり稼働時間（推定） | 充電時間（推定） | 運営上の意味 |
|---|---|---|---|---|
| Tesla Optimus | 非公開；~2 kWh（推定、フォームファクターから） | ~4-8時間アクティブ運転（推定） | ~1-2時間（推定） | 工場デプロイ：シフトあたり1充電；連続運転にはバッテリー交換 |
| Boston Dynamics Atlas | ~2-3 kWh（推定） | ~1-2時間（推定） | ~1時間（推定） | 研究ロボット；低稼働時間は商業効用を制限 |
| Unitree H1 | ~1.5-2時間（推定） | ~2-3時間（推定） | 研究グレード；商業ターゲットより短い稼働時間 | |
| Unitree G1 | ~400 Wh（推定） | ~1-2時間（推定） | ~1-2時間（推定） | 低コスト = 小型バッテリー；明示的なトレードオフ |
| Figure 02 | 非公開 | ~4-8時間ターゲット（推定） | — | 商業デプロイにはシフト長稼働時間が必要 |
| Agility Digit | 非公開 | ~4時間（推定） | — | Amazon倉庫デプロイ；休憩中に充電 |
| 商業ターゲット | 1充電あたり8時間以上またはホットスワップバッテリー30分未満 | — | ダウンタイムなしのシフト長運転 | — |
| 現在のギャップ | ほとんどのヒューマノイドは1-4時間；商業ターゲットは8時間以上 | — | — | バッテリー技術が運営時間のボトルネック |
バッテリー制約は表が示す以上に深刻です。稼働時間の数値は通常、実験室または軽負荷条件を表します。高トルク操作タスク——箱の運搬、工具操作、階段の昇降——では、ロボットは軽度検査や静止時よりもはるかに多くの電流を引き出します。商業的な作業負荷での実際の運営稼働時間は、公称バッテリー寿命より30-50%低い可能性があります（推定）。
現在のバッテリー寿命（研究プラットフォームで1-4時間；商業ターゲットプラットフォームで潜在的に4-8時間）と8時間以上のシフト長運営要件の間のギャップには、2つの潜在的解決策があります：バッテリーエネルギー密度の向上と、ホットスワップバッテリーシステムです。
第5節 — AV経済変数としてのエネルギーコスト
電力料金の地理的変動は、AV車隊運営コストに意味ある差を生み出しますが、この要因はまだ公開のAV経済モデルに体系的に組み込まれていません。米国の商業電力料金は最低コスト市場（テキサス州とアリゾナ州の一部）と最高コスト市場（カリフォルニア州）の間で約4倍の差があります。
| 地域 | 商業電力料金（推定） | AVマイルあたりエネルギーコスト（推定） | 車両あたり年間エネルギーコスト（推定） |
|---|---|---|---|
| アリゾナ州フェニックス | ~$0.06-0.08/kWh（推定、APS/SRP商業） | ~$0.003-0.004/マイル（推定） | ~$150-200/台/年（推定） |
| カリフォルニア州サンフランシスコ | ~$0.20-0.25/kWh（推定、PG&E商業） | ~$0.010-0.013/マイル（推定） | ~$500-650/台/年（推定） |
| ニューヨーク市 | ~$0.15-0.20/kWh（推定、ConEd商業） | ~$0.008-0.010/マイル（推定） | ~$400-500/台/年（推定） |
| テキサス州（ERCOT） | ~$0.06-0.09/kWh（推定、自由化市場） | ~$0.003-0.005/マイル（推定） | ~$150-250/台/年（推定） |
| 示唆 | フェニックスとテキサスの電力料金はSFより約3-4倍低い | — | フェニックス/TX AVはSFより車両あたり年間$300-450のエネルギーコスト優位（推定） |
| 1,000台車隊 | SF対フェニックスのエネルギーコスト差：年間~$300K-450K（推定） | — | $15M-30Mのデポ運営コストに比べれば支配的ではないが最適化の価値あり |
フェニックスはAV単位経済の観点から、単に天候と規制環境が運営に有利な市場というだけでなく、米国で電気自動車車隊を商業料金で充電する最安値の場所の一つでもあります。
デポインフラにとって、デポ立地の電力料金はDCFC対Level 2充電の経済性にも影響します。$0.06/kWh（フェニックス）では90 kWhバッテリーを空から満充電にするのに約$5.40かかります；$0.23/kWh（PG&E商業）では同じ充電が約$20.70です。1日1回完全充電サイクルを行う1,000台の車隊では、これは年間約$550万対$2,070万の電気代差（推定）——Waymoがターゲットとする車隊規模において無視できない差です。
第6節 — なぜエネルギーが過小評価されたベンチマーク次元なのか
フィジカルAIベンチマークフレームワークは商業的実行可能性に重要なことを測定します。エネルギーコストは過小評価されてきましたが、規模が数十万台に拡大すると、絶対的な車隊レベルの年間電力支出、デポインフラ資本要件、そして電力料金と地理的デプロイ戦略の相互作用がエネルギーを第一次変数にします。
$0.20/kWhでの10万台AV車隊は年間$2.92億の電力代がかかります；$0.07/kWhでは$1.02億です。この$1.90億の差は全国規模のAV経済性に重要です。トレーニングコンピュートエネルギーも、モデルが大型化しトレーニングが長くなるにつれ、FLOP/Watt効率がますます重要な競争差別化要因になります。
ヒューマノイドロボットにとって、バッテリー寿命は過小評価された変数ではありません——業界は広くこれを重要な制約として認識しています。過小評価されているのはシステムレベルのエネルギー経済性：有効タスク時間あたりのエネルギーコスト、そしてそれが置き換えられる人件費とどう比較されるかです。
ベンチマークの結論は、エネルギーは現在のフィジカルAI経済において二次変数であるということです——追跡する価値があり、スケール時に重要ですが、現在の車隊規模では成否を決定する主要な差別化要因ではありません。フィジカルAIが数千台から数十万台のデプロイユニットに拡大するとき、エネルギーは第一次変数になります。
注意： 「（推定）」と表示されたすべての数字は、2026年中頃時点の公開仕様、EIA電力料金データ、および第一原則モデリングに基づく方向性推定です。AV車隊規模、Dojo電力消費、ヒューマノイドロボットのバッテリー仕様は、オペレーターが一律に開示していないため、推定値は桁規模のベンチマークとして扱ってください。本稿は投資アドバイスを構成しません。
ソース
- Teslaエネルギー消費データ — Tesla ↗
- Waymo車隊運営 — Waymo ↗
- NVIDIA H100電力仕様 — NVIDIA ↗
- Unitree G1仕様 — Unitree ↗
- 米国商業電力料金 — EIA ↗