より賢いAIモデルがコンピューティング価格を10倍に押し上げる可能性

コンピューティングギャップ：収益成長 vs. キャパシティスケーリング

AIラボは、収益成長と利用可能なコンピューティング容量の間に大きな乖離を経験しています。たとえば、Anthropicの収益は reportedly 3年連続で年々10倍に成長している一方で、ラボ全体のコンピューティング容量は年間約3倍しか増えていません。

コンピューティングスケーリングが遅れている状況でこの収益成長を維持するため、ラボは以下のメカニズムのいずれか、あるいは複数に頼らなければなりません：

1. マージンの増加： 推論における利益率を拡大する。
2. コンピューティング価格の上昳： コンピューティングのレンタルまたは購入コストを引き上げる。
3. コンピューティング割り当てのシフト： トレーニングではなく推論に専用する総コンピューティングの割合を増やす。

これらの3つはすべて起きており—一部のモデルの推論マージンが40%から80%に上昇し、OpenAIの推論支出が25%から潜在的に50%以上に増加している—ラボは推論を優先することをためらっています。ラボは推論収益を次世代モデルのトレーニング資金調達の手段と見なしており、推論に過度にコンピューティングを割り当てると、AIの進歩が停滞し、ラボが単なるクラウドプロバイダーに転じたことを示すシグナルになります。

コンピューティング価格が上昇する可能性が高い理由

ラボが競争にさらされずに90%+のマージンを維持できない場合、収益‑コンピューティングギャップの主な「逃げ道」はコンピューティング価格の上昇です。この傾向はすでに市場で見られます：

• スポット価格の上昳： コンピューティングのスポット価格は、今年の2月の trough よりも40%以上高くなっています。
• スケールに対するプレミアム価格： フロンティアラボはスポットインスタンスではなく、安全で大規模なクラスターを必要としています。たとえば、Googleは reportedly 月額9億ドルで110,000台のGPU（GB200とGB300の混合）を購入しており、これは現在のスポット価格の時間当たりの2倍です。

インテリジェンスのマネタイズ

AIモデルが賢くなるにつれ、同じ量のコンピューティングをより効果的にマネタイズできるようになります。H100相当のGPUが真の人間レベルのソフトウェアエンジニアを動かせる場合、そのハードウェアによって生み出される経済価値は現在のレンタル価格をはるかに上回ります。現在のソフトウェアエンジニアの給与に基づくと、そのようなGPUは理論的には年間25万ドル以上でレンタルされるべきであり、これは現在のスポット価格の15倍以上です。

一部では、AIエンジニアの大量流入が労働の限界価値を低下させると主張します（「労働の固定量の誤謬」）。しかし、標準的な経済学では、イノベーションと専門化が高スキル労働の限界価値を高く保つ傾向があり、能力が向上するにつれてコンピューティングの限界価値も高いままでいることを示唆しています。

高いコンピューティングコストの経済的影響

コンピューティング価格の上昳とモデル効率の向上は、AIエコシステムにおいていくつかの戦略的シフトを生み出します：

アルチアン・アレン効果とモデル効率

アルチアン・アレン効果によれば、希少な入力（コンピューティング）のコストが上昳すると、その入力を節約するインセンティブが高まります。コンピューティングが高価だと、効率の弱いモデルを使うと同じ結果を得るためにより多くのトークンを消費するためコストがかかります。したがって、最もコンピューティング効率の高いモデルをトレーニングできるラボは、希少な資源の無駄を減らすことで実際に「より多くのコンピューティングを創出」しているため、大幅なプレミアムを請求できます。

市場の集中とアプリケーションの排除

コンピューティングコストの上昳は参入障壁となります。トップラボは同じハードウェアからより多くの価値を引き出せるため、小さな競合他社よりも効果的にコンピューティングリソースを入札できます。さらに、「AIスロップ」の生成など低価値のアプリケーションは、フロンティアラボが高価値の自動化（たとえばAI駆動のAI研究）を優先し、それに対してより多くを支払うことを厭わないため、市場から排除される可能性があります。

コンピューティング供給のスケーリング制約

年間3倍のコンピューティング容量増加は、以下の3つの主要なボトルネックにより加速が難しいです：

1. ムーアの法則（1.4x）： ハードウェア効率の向上は鈍化しており、維持が難しい可能性があります。
2. ファブリケーション能力（1.2x）： 新しいファブの建設はASML EUV機械の可用性によってボトルネックになっています。
3. ウェーハ割り当て（1.8x）： AIはスマートフォンやPCに以前使われていたウェーハ容量を吸収しています。TSMCの最先端N3ノードでは、AIへの割り当てが60%から86%に増加し、再割り当てによるさらなる成長の余地はほとんど残っていません。

これらの制約は、コンピューティング供給が非弾力的であり、大きな需要ショックを吸収できないことを示唆しており、ロボットによる自動化が原材料処理とチップ製造のコストを根本的に下げる特異点以前の regime では価格上昳が起こりやすいことを示しています。