[](https://huggingface.co/ErickvL)
- インテリジェンスではなく、利用率こそが AI の次の段階における真の制約である。
- ボトルネックはモデルから計算資源へと移行した
- なぜ稼働中のクラスターでも容量が無駄になるのか
- インテリジェンスはインフラストラクチャへと沈み込んでいる
- 専用化が容量を解放し、オーケストレーションがそれを消費する
- さらに読む
インテリジェンスではなく、利用率こそが AI の次の段階における真の制約である。
航空業界はこのことを身をもって学んだ。この業界の歴史の大半において、航空会社の存続を最も正確に予測できる指標は、各航空機が1日のうちどれだけの時間地上に留まっているか（ダウンタイム）であった。
その理由は構造的なものである。航空機のコストは、ファイナンス、減価償却、機体保険、定期メンテナンス、乗務員の契約など、暦時間（カレンダー時間）ベースで絶えず累積していく。一方で、その収入は飛行時間ベースでしか発生しない。地上に留まる時間は、方程式の右辺（収益）を圧縮する一方で、左辺のコストは通常通り発生し続ける。利用率は、航空会社のほぼすべての業務の下流に位置する。ターンアラウンド（折り返し運行）の規律、路線ネットワーク設計、メンテナンス計画、乗務員のスケジューリング、予備部品の供給などは、最終的にすべてこの一つの数字に集約される。なぜなら、基盤となる運用が機能しなければ、他の部分がどれほど優れていても、飛行機は地上に留まるしかないからだ。
もちろん、フリート（保有航空機数）の規模が大きいことは依然として有利である。航空機が増えれば利用可能な輸送力が増えるのは自明だ。しかし、同じような路線で同じような規模のフリートを運行している2つの航空会社であっても、最終的な業績には天と地ほどの差が生じることがある。そして、その差の大部分は、フリートの規模ではなく、この一つの指標（利用率）に起因することが多い。
企業の AI も、異なるハードウェア上でこれとまったく同じ構造に直面している。GPU もまた、ある時点で実際に有用な処理を行っているかどうかにかかわらず、ファイナンス、減価償却、電力、冷却などのコストが暦時間ベースで発生し続ける。その成果は、計算時間（コンピュート時間）ベースでしか蓄積されない。GPU を増やすことの効果は、航空会社にとってのフリート拡大とほぼ同じである。確かに容量は増え、アドバンテージにはなるが、勝敗を分ける最終的な結果を保証するものではない。同じような GPU 予算を持つ2つの企業の間で、所有しているハードウェアの量ではなく、ある時点でそれらのハードウェアがどれだけ実際に稼働しているかによって、業績の差が広がりつつある。航空会社の利用率と同様に、この数値は企業のほぼすべてのインフラ意思決定の下流に位置する。インテリジェンス（知能）がこの業界をここまで牽引してきたが、これからは利用率が次の真の制約になろうとしている。
ボトルネックはモデルから計算資源へと移行した
AI の規模が拡大するにつれ、希少性は消失したのではなく、バリューチェーンを遡って別のリソースへと移行した。
企業向け AI の第一波の勝利は、モデルの品質によるものだった。より多くの計算資源でトレーニングされ、より厳格なベンチマークで評価された、より大規模なモデル。パラメータ数やリーダーボードの順位が議論を支配し、この競争は実際に、企業の現実的なワークロードを実行するのに十分なほど優れたモデルを生み出した。しかし、この能力の向上は、ある依存関係を伴っていた。本番環境の AI は専用ハードウェア上で動作しており、現在そのハードウェアはほぼ完全に GPU である。
GPU は高価で供給が限られており、需要が供給を大幅に上回っている。これは市場の最上位層でも同様である。2020年、Microsoft は OpenAI 向けに専用のスーパーコンピュータを構築した。1万基以上の GPU と 28万5000個の CPU コアを搭載したものだ。当時、このシステムは世界トップ5に入る規模と報じられ、後に GPT-3 となるモデルのトレーニング専用に構築された。当時は、ほぼ想像を絶するほどのハードウェアの集中であり、計算資源さえ確保できれば、計算資源の問題は解決したかのように思われた。しかし6年後、この数字は上限ではなく、むしろスタートラインのように見える。2026年現在、世界で最も資本力のある研究所でさえ、計算資源の確保を解決済みの問題ではなく、永続的な戦略的制約と捉えている。Anthropic 一社だけでも、Amazon、Google、Microsoft、AMD という4つの異なるハードウェアプラットフォームで、数ヶ月の間に次々とギガワット級のコミットメントを同時に進めている。同時に、Meta も同規模のマルチギガワット級の契約を結んでいる。4つのプロバイダーに同時に賭けるという行為は、買い手がほぼ無限の資本を持ちながらも、単一のソースから十分な計算資源を得られないという、計算資源の希少性がもたらす現状を如実に表している。
6年の歳月を隔てたこれら2つの出来事は、研究所が競争力を維持するために到達しなければならない最前線を示している。その間に本当に変化したのは、AI がより強力になったことというよりも、能力そのものが決定的なボトルネックではなくなったことである。
同様のパターンは、研究所の外部でも異なる形で現れている。API を介してこれらのモデルを利用する企業は、ハードウェアの問題よりも価格設定の問題に直面することが多い。コストは使用するトークン数に応じて線形に増加し、これが概念実証（PoC）と本番環境の経済性を決定的に分ける要因となる。月に数千件のリクエストを処理する PoC は手頃に見えるかもしれないが、同じワークロードを本番規模に拡大すると、コストは収束することのない支出へと膨れ上がる可能性がある。現在、多くの企業が採用しつつある代替案はシンプルである。自社で GPU を購入してオンプレミスでモデルを実行し、変動する線形なコストを固定の資本コストに置き換えることだ。
`API コストは使用量に応じて上昇するが、自社インフラのコストはほぼ一定に保たれる。損益分岐点を超えると、