⚡ AI計算資源・大規模モデル 体系解説 — 設計理由の深堀り

① 計算資源とは何か — AIの能力は演算の堆積である

大規模モデルは、訓練 (学習) 中も回答生成 (推論) 中も、底の底では天文学的な回数の掛け算と足し算を繰り返しているだけである。 「計算能力が強い」とは、同じ算数の問題群を、誰がより速く・より効率よく・誤りなく解き切れるかに尽きる。

1.1 単位系 — FLOPS・TOPS・トークン・GPU時間

AIの世界で飛び交う単位は、突き詰めると「演算の速さ」「演算の総量」「言葉の量」の3種類しかない。 投資判断で混同しやすいのは、FLOPS (速さ=フロー) と FLOP (総量=ストック) の区別である。

1.2 数値精度 — なぜ「桁を削る」と速くなるのか

同じチップでも、数値の桁数 (ビット幅) を半分にすれば理論上2倍の演算が通る。 AI訓練は厳密な小数精度を必要としないことが経験的に分かっており、業界は FP32→BF16→FP8 と精度を意図的に落として速度を買う方向に進化してきた。 カタログの「○○ PFLOPS」はどの精度での値か、さらに疎行列 (sparsity) 補正で2倍に水増しした値かを必ず確認する必要がある。

1.3 なぜGPUでCPUではないのか

深層学習の演算の実体は巨大な行列の掛け算で、これは「同じ形の単純計算を数万個並べて同時に解く」問題である。 少数の優秀な頭脳 (CPU) より、単純作業者の大軍 (GPU) が圧倒的に向く。

商流も特殊である。GPUは「買う」以外に秒・分・時間・月単位で借りる市場が確立しており、 NVIDIAは自社でクラウドを持たずとも、賃貸市場全体の元締めとしてほぼ全事業者に供給する立場にある。 利用者から見れば、計算資源は電気やガスと同じ従量課金の公共財的商品へと姿を変えつつある。

1.4 なぜ計算資源は足りないのか — 2本の指数曲線の傾きの差

「半導体は2年で2倍 (ムーアの法則) に良くなるのに、なぜ足りない?」への答えは単純で、需要側の指数の傾きが供給側より急だからである。 深層学習ブーム以降、最前線モデルの訓練計算量は数か月ごとに2倍 (2012〜2018年は約3.4か月ごと、直近も約半年ごと・推定) のペースで増えてきた。 2年で2倍しか増えない供給に対し、需要が半年で2倍になれば、差は開き続けるしかない。

1.5 訓練 (学習) と推論 (生成) — 同じGPUでも別の商売

同じ演算でも、訓練と推論では計算の性質・失敗の許容度・お金の流れ方がまったく違う。 投資対象としての計算資源事業を見るときは、顧客が訓練需要か推論需要かで収益の安定性が変わる点が重要になる。

計算量には広く使われる目安式がある。訓練は C ≈ 6 × パラメータ数 × 学習トークン数、 推論は1トークンあたり約2×有効パラメータ数 (単位はFLOP)。 GPT-3で検算すると 6 × 1,750億 × 3,000億トークン ≈ 3.15×10²³ FLOP となり、公表値 (約3.14×10²³) とほぼ一致する。 この式1本で「モデル規模と学習データ量から必要GPU数と費用」を逆算でき、本ページ⑤の収支モデルの土台になる。

1.6 誤解の解体 — 「GPUを借りる」と「トークンを買う」は別の商品

入門者が最も混同しやすいのがこの2つである。どちらも「計算資源を金で買う」行為だが、課金対象・利用者・リスクの負い手が違う。

② 大規模モデルの構造 — パラメータの正体

「1750億パラメータ」「1兆パラメータ」のパラメータとは、モデル内部の重み行列を構成する数値1個1個のことである。 単位のB (Billion) は10億個。訓練とは、この膨大な数値の集合を、データに合うように少しずつ調整し続ける作業に他ならない。

2.1 規模の3区分 — 小型・中型・大型

パラメータは「個数」だが、実務ではそのままメモリ必要量に換算される (FP16なら1個2バイト。175Bモデルの重みだけで350GB)。 これがモデル規模と必要GPU数を直結させる。

2.2 スケーリング則 — 規模がそのまま性能になる、ただし作法が変わった

2020年のGPT-3 (175B) が示したのは、「モデルを大きくし、データと計算を注ぎ込むほど、能力が law-like に伸びる」というスケーリング則である。 その後DeepMindのChinchilla研究 (2022) が「パラメータ1個あたり約20トークンのデータで訓練するのが計算効率上の最適」と示し、 さらに現在の主流はMoE (Mixture of Experts=専門家混合) へ移った。 総パラメータは巨大でも、1トークンの処理に使うのは一部の専門家だけという構造で、看板の数字と原価を切り離した。

2.3 訓練の3段階 — 事前学習・教師あり微調整・強化学習

「訓練」は1つの工程ではなく、性質の違う3段階の積み重ねである。計算量の9割以上は第1段階に集中する。 公表例では、DeepSeek-V3の事前学習はH800 GPUで約266万GPU時間・総費用約558万ドル (自社公表・GPU賃借換算) と、 工夫次第で最前線級を1桁安く作れることを示し業界に衝撃を与えた。

2.4 開放型と閉鎖型 — 重みを公開するか、しないか

2.5 文脈長とKVキャッシュ — 「128k対応」の物理的裏側

文脈長 (コンテキスト長) は、モデルが一度に把握できるトークン数の上限である (128k=約12万トークン=日本語の文庫本1〜2冊分)。 長文脈が高価な理由は明快で、モデルは過去の全トークンについてKVキャッシュ (Key/Value の中間計算結果) をGPUメモリに保持し続ける必要があり、 文脈が長いほど・同時利用者が多いほど、このメモリ消費が線形に膨らむ。 長文脈対応とは性能の話である以前に、GPUメモリという原価の話なのである。

③ 収益化の構造 — トークンはどう金に変わるか

モデル提供社の収益は大きく個人購読 (月額定額) と企業向けトークン従量課金 (API) の2本柱で、 これに大企業向けの専用容量契約が加わる。価格を決める変数は有効パラメータ量・文脈長・速度の3つに集約される。

3.1 個人購読 — 定額制は「保険」の商売である

月額20ドル前後の購読は、軽い利用者の払い過ぎが重い利用者の原価を補助する保険型の収益構造である。 提供側は利用上限・混雑時制限で重利用者の原価を抑え、全体で粗利を成立させる。 解約率が低く売上が読めるため、資本市場はAPI売上より購読売上を高く評価する傾向がある。

3.2 トークン従量課金 — 価格表の読み方

API価格は「入力100万トークンあたり / 出力100万トークンあたり」で表示される。 出力が入力の約5倍高いのは気まぐれではなく、入力の読込 (プリフィル) は一括並列で安く処理できるのに対し、 出力の生成 (デコード) は1トークンずつ逐次で、GPUメモリ帯域を占有し続けるからである。

3.3 トークン原価の分解 — 粗利はバッチングで決まる

④ 応用層の解剖 — 「ラッパー」は何でできているか

基盤モデルの上に作られるAI応用は、揶揄を込めて「ラッパー (外装)」と呼ばれることがある。 しかし実際の応用は5つの層の積み重ねであり、どの層に独自性を持つかで防御力 (模倣されにくさ) が決まる。 「ラッパーだから無価値」でも「AI搭載だから有望」でもなく、層ごとの見極めが投資判断の要になる。

4.1 応用を構成する5層

4.2 応用の3分類 — 生成型・垂直特化型・実行型

4.3 事業者はどの層に参入すべきか

基盤モデル開発は数千億円級の資本と人材を要し、参入者は世界でも1桁である。 中間層 (計算資源・開発道具) は資本集約型、応用層は知恵と速度の勝負で、 事業者は自社の技術特性と資金力に応じて、3層すべてに関与するか、応用層のみに絞るかを選ぶ。 大手テック (Microsoft・Alphabet) は3層垂直統合、 大多数の企業は応用層特化が合理解となる。

⑤ 計算資源提供事業の経済性 — GPU 1基の収支から読む

本節が本ページの核心である。計算資源提供 (GPUクラウド) は「GPUを買って時間貸しする」だけの単純な商売に見えるが、 収益性は稼働率・契約形態・電力原価・陳腐化速度の4変数でほぼ決まる。 以下は概算モデル (推定値は明記) と、業界内では常識だが対外的にはあまり語られない実務数値である。

5.1 GPU 1基の収支モデル (H100級・概算)

5.2 業界があまり公言しない7つの実務数値

5.3 事業モデルの4類型

投資家に対する計算資源提供事業の説得力は、突き詰めれば 「需要 (長期契約) を先に固め、電力を確保し、稼働率とMFUを開示し、陳腐化を織り込んだ回収計画を示せるか」に懸かっている。 逆に言えば、この4点を示せない計画は、GPU価格変動と賃料下落の投機に過ぎない。

5.4 日本の関連上場銘柄 (関連の観点整理)

計算資源の潮流を日本市場で捉える場合の代表的な関連銘柄。個別の投資助言ではなく、事業関連の整理である。

⑥ 設備編 — ラックの種類・熱問題・空冷と水冷

計算資源事業の土台は建物と冷却である。GPUが消費する電力はほぼ全量が熱に変わるため、 「何kWのラックを、どの冷却方式で成立させるか」が設備投資の中心命題になる。 最新世代 (GB200 NVL72=1ラック約120〜132kW) は、もはや空冷では物理的に成立しない。

6.1 ラックの種類 — 規格と寸法

6.2 ラックの選び方 — 電力密度が全てを決める

ラック選定は見た目の寸法ではなく、1ラックあたり何kWを給電・冷却できるか (電力密度) から逆算する。 密度帯が決まれば、必要な冷却方式・配電方式 (PDU/busbar)・床耐荷重・保守動線はほぼ自動的に決まる。

6.3 熱問題の物理 — 100kWラックとは何か

GPU 1基の消費電力はH100で700W、最新世代では1,000Wを超える。1ラック100kWは家庭用電気暖房およそ100台を1畳半に詰め込んだ発熱に相当し、 これを24時間365日搬出し続ける必要がある。空調の基本は冷気の通り道 (コールドアイル) と排熱の通り道 (ホットアイル) を物理的に仕切る アイル封じ込めで、混合を許すと冷却効率は一気に崩れる。

6.4 空冷と水冷 — 方式別の到達限界

空気は熱の運び手として非力である。同じ体積で比べると、水は空気の約3,500倍の熱を運べる。 ラック密度が空冷限界 (実務上30〜40kW) を超えた瞬間、選択肢は液冷しかなくなる。

6.5 PUE — 冷却効率は損益計算書に直結する

⑦ 結論 — 3層構造で見れば、AIは読める

AI産業は計算資源 (誰が速く解けるか) → モデル (何を解いているか) → 応用 (どこで稼ぐか) の3層構造で動く。 計算資源は需要の指数が供給の指数を上回り続ける限り恒常的に不足し、その隘路はGPUからHBM・実装・電力・冷却へと移動していく。 モデル層は総パラメータの看板競争から、有効パラメータと原価効率の競争へ移った。 応用層は5層構造のどこに独自性を築くかの勝負であり、エージェント化がトークン消費=計算資源需要を再び押し上げる。

計算資源提供事業への投資判断は、本ページ⑤の4変数 (長期契約・電力確保・稼働率とMFUの開示・陳腐化織り込み) と、 ⑥の設備デューデリジェンス項目で概ね評価できる。 関連する企業の個票は当サイトの AI企業データベース・ 半導体企業データベースを、 製造技術の物理は姉妹編 半導体技術 体系解説を参照。

本ページの数値は公表資料に基づく水準感の整理であり、推定値はその旨を明記した。特定銘柄の売買を推奨するものではない。最終更新: 2026-08-05 / Postation 編集部