「スケーリングの壁」パニック：1兆ドルの賭けが失敗に終わる理由

2026 年 1 月 10 日、静かなパニックがシリコン バレーの裏ルートに広がり始めました。それは市場の暴落や新たな規制によって引き起こされたのではなく、チャートによって引き起こされました。

AI 研究の現状に関するブリーフィングの中で、IBM Research の Kaoutar El Maghraoui 氏は、Adaline Labs のアナリストとともに、業界が必死に無視しようとしてきた現実を説明しました: スケーリングの法則は死んだ。

過去 5 年間、1 兆ドル規模の生成 AI 経済全体は、単一の明確な方程式に基づいて構築されてきました。つまり、コンピューティングを 10 倍にすると、エラー率が半分に減ります。これはインテリジェンスの「ムーアの法則」であり、あらゆる大規模なデータセンター、あらゆるギガワットの電力、あらゆる Nvidia H100 の注文を正当化しました。

しかし、2026 年第 1 四半期の時点で、計算は破綻しています。業界は「スケーリングの壁」にぶち当たっています。

失敗の物理学

「べき乗則」の罠

これが現在の資本サイクルにとって大惨事である理由を理解するには、法的にはカプラン スケーリング法 (2020 年) として知られ、その後チンチラ論文 (2022 年) によって洗練された「コンピューティング対パフォーマンス」曲線を見る必要があります。

5 年間、これらの法律はシリコンバレーの福音でした。彼らは、モデルのパフォーマンスは、モデル サイズ (パラメーター)、データセット サイズ (トークン)、および計算 (FLOP) の 3 つの変数のべき乗関数として向上すると述べています。

2020 年から 2024 年まで、この曲線は対数空間で線形に動作しました。獣にさらに GPU を供給することで、獣はより賢くなりました。 GPT-4 は GPT-3 よりも大きいため、よりスマートでした。クロード 3.5 はクロード 3 よりも密度が高く賢かったです。相関関係が非常に強かったため ($R^2 > 0.99$)、エンジニアはトレーニングを終了する前に GSM8K 数学データセットでのモデルの正確なベンチマーク スコアを予測できました。

しかし、2025 年後半になると、曲線は平坦になり始めました。今月リリースされた最新の主力モデル (以前のモデルよりも 5 倍大きいクラスターでトレーニングされているにもかかわらず) は、推論機能がわずかに向上しています。

投資家は投資収益率が大幅に減少していることを目の当たりにしています。

$P \propto \frac{1}{C^\alpha}$

ここで、$P$ は損失 (エラー率)、$C$ は計算、$\alpha$ はスケーリング指数です。問題は、$\alpha$ が小さいことです (複雑な推論では、通常は 0.05 ～ 0.1 程度です)。これは、線形体制から対数体制への移行を示しています。推論を 10% 改善するには、計算能力を 100 倍に高める必要があります。

これは単なる技術的な問題ではありません。それは経済的な死刑宣告だ。投入コスト (エネルギー + シリコン) が指数関数的にスケールする ($ 10^2 ) が、出力値 (インテリジェンス) が直線的にスケールする (\ 10^1 $) 場合、マージンはゼロに近づきます。

データ枯渇の問題

主な原因は「データ枯渇」です。研究室では文字通り、高品質の人間によるテキストが不足しています。 2024 年までに、すべての主要なラボが Common Crawl、GitHub、LibGen をスクレイピングしました。彼らは公共のインターネットの総量を摂取していました。

業界は、AI に教科書を書かせて他の AI が読めるようにする「合成データ」でこの問題を解決しようとしました。しかし、2026年1月の報告書、特にオックスフォード大学とライス大学による壊滅的な「モデル崩壊」研究は、懐疑論者が恐れていたことを裏付けるものだ。

AI が自身の出力に基づいてトレーニングすると、微妙なエラーが重なり、分散が縮小します。モデルは自信を持ちますが、間違っています。それは、奇妙で創造的で適切に混沌とした人間の思考の「ロングテール」を失います。これは近親交配のデジタル版に相当します。人間の思考の遺伝子プールは差異と創造性を提供しますが、合成データはコピーのコピーです。

新鮮な「高エントロピー」の人間データ (AI コンテンツが Web にあふれるほどデータは日に日に不足していきます) がなければ、モデルは漸近線に達します。彼らは賢くなるのをやめ、幻覚がより「流暢」になるだけです。

1兆ドルの「座礁資産」

この技術的な停滞は、大きな財政問題を引き起こします。これにより、1兆ドル規模のインフラ整備が2001年の通信バブル以来最大の資本の誤配分に変わってしまう。

ベンチャー キャピタル企業は、過去 24 か月間で 2,000 億円以上を「ファウンデーション モデル」ラボに注ぎ込みました。この資本は、モデル自体 が製品であるという理論に基づいて展開されました。 「神の頭脳」を構築すれば市場に勝てるという前提がありました。 「必要なのはスケールだけだ」という考えでした。

しかし、規模拡大が停滞しているのであれば、「神の頭脳」は来年登場しないことになる。市場には、見分けのつかない商品である「かなり良い頭脳」が行き詰まっています。

地獄の減価償却スケジュール

H100 クラスターの経済性を考えてみましょう。 100,000 個の GPU を 40 億円で購入します。さらにコンクリート、冷却、Infiniband ケーブルに 10 億円を費やします。 5 年間の減価償却スケジュールがあります。

そのお金を取り戻すには、そのクラスターはオープンソースが無料で提供するモデルよりも大幅に優れたモデルを生成する必要があります。しかし、オープンウェイトモデル（Llama 4やMistralの最新作など）は、クローズドソースの巨人との差を2％以内に縮めつつある。

OpenAI、Anthropic、Google、Meta がすべて同じ物理の壁にぶつかったため、パフォーマンスが実質的に等しいモデルがある場合、マージンは崩壊します。参入障壁は「魔法」ではなく、単なる資本です。そして資本も安い。

これにより、現在テキサス州とノースダコタ州で建設されている大規模な GPU クラスターが「座礁資産」になる可能性があります。それらは、もはや経済的に意味のないトレーニング体制（数か月続く大規模で一体的なランニング）用に設計されました。ドローンへの移行が進む世界で、建設業者は 747 本の滑走路にコンクリートを流し込んでいます。

歴史の韻: 2001 年の繊維

この映画は以前にも上映されました。 1990 年代後半、Global Crossing や WorldCom などの企業は、大西洋を越えて数百万マイルの光ファイバー ケーブルを敷設しました。彼らは、インターネット トラフィックは 100 日ごとに 2 倍になると信じていました (当時の「スケーリングの法則」)。

彼らは方向性に関しては正しかったが、収益化の「タイミング」に関しては間違っていた。

ファイバーが構築されました。容量はありました。しかし、キラー アプリ (YouTube、Netflix、iPhone) が登場するのは 10 年先でした。結果？帯域幅の価格はゼロにまで暴落しました。インフラ会社は倒産した。その資産は次世代（Google、Amazon）によって1ドルで購入されました。

AI業界も同様の「失望のギャップ」に直面している。チップは存在します。モデルは存在します。しかし、電力料金を支払うために必要な 1 兆ドル相当の収益を生み出すアプリケーションはありません。

パワーに関して言えば、物理的な制約はアルゴリズム的な制約と同じくらい厳しいものです。 The Shadow Utility: Meta’s 6.6GW Nuclear Maneuver で詳しく説明されているように、たとえ計算がうまくいったとしても、グリッドは単純に指数曲線をサポートできません。業界は「アルゴリズムの壁」にぶつかるのと全く同じ瞬間に「熱力学の壁」にぶつかります。

Capex から Opex へ: 「システム 2」への転換

スマートマネーはすでに動き始めています。 2026 年第 1 四半期の トレーニング (設備投資) から 推論 (運用コスト) へのピボットをご覧ください。

「Adaline Labs」レポートは、「推論時間のスケーリング」という重要な変化を強調しています。エンジニアはモデルを 大きくする (これは失敗しています) 代わりに、モデルを より長く考えるようにしています。

これは、ダニエル・カーネマンから借用した概念である「システム 1」（速い、直観的、反射的）思考から「システム 2」（ゆっくりした、熟考的、論理的）思考への移行です。

2024 年に、GPT-4 に数学の問題を尋ねると、GPT-4 は 1 回のパスで答えを検証しようとしました。 2026 年には、新しいアーキテクチャは 50 の可能なステップを生成し、それらを批判し、バックトラックして、最終的なトークンを出力する前にロジックを検証します。

「思考連鎖」検証やマルチエージェントによる議論などの手法を使用することで、小規模なモデルが巨大なモデルを上回るパフォーマンスを発揮できるようになります。 10 秒間考えた 70B パラメータ モデルは、即座に答える 1T パラメータ モデルに勝つことができます。

経済的影響

これにより、AI のビジネス モデルが完全に変わります。コストを トレーニング フェーズ (工場の購入) から 使用フェーズ (石炭の燃焼) に移します。

これは「SaaS マージン」の物語にとっては災難です。 VCは限界費用がゼロであるため、ソフトウェア会社を好みます。コードが記述されると、次のユーザーは自由になります。

しかし、「推論時間のスケーリング」はむしろ工業的なプロセスに似ています。 $1.50 の価値を生み出すには、$1 の電力を費やす必要があります。これは 33% の粗利益率であり、ウォール街が夢中になっている 90% のソフトウェア利益率ではありません。

AI が電気や鉄鋼のような工業製品である場合、これらの企業の評価額​​は 10 倍高すぎます。

2026 年のシェイクアウト

業界は誇大広告サイクルの「幻滅」段階に入りつつあります。これはAIが終わったという意味ではありません。それは、簡単な AI が終わったことを意味します。

2026 年の勝者は、最大のクラスターを構築している企業ではないでしょう。彼らは、既存の「行き詰まった」モデルから実際の経済価値を絞り出す方法を考え出す企業となるだろう。

「スケーリングの壁」は AI の終わりではありません。 AIの成長痛はまさに終わりを迎えたのだ。ここからが難しい部分です。それは仕事を見つけることです。 「神の頭脳」は業界を救うためにやって来るのではありません。開発者は自分でアプリケーションを構築する必要があります。