一本の論文が7兆ドルを動かした——「スケーリング則」というAI投資バブルの起点
科学史には、たった一本の論文が産業構造をまるごと組み替えてしまう瞬間がある。1905年、アインシュタインが特殊相対性理論を発表した「奇跡の年」もそうだったし、1948年にシャノンが「通信の数学的理論」で情報量を定義した瞬間もそうだった。2020年1月、OpenAIの研究者ジャレド・カプランらが発表した一本のプレプリント論文「Scaling Laws for Neural Language Models」も、後から振り返れば同じ列に並ぶことになるかもしれない。
■ 「バカでかいモデルを作れ」という身も蓋もない結論
この論文が示した結論は、拍子抜けするほど単純だった。言語モデルの性能（損失関数）は、モデルの大きさ・データ量・計算量という3つの変数に対して、べき乗則（パワーロー）という極めてシンプルな数式に従って予測可能に改善していく、というものだ。しかもその結論は、モデルの「賢い設計」よりも、とにかく「桁違いに大きいモデルを、比較的少ないデータで、収束前に学習を打ち切る」方が効率的だと示唆していた。
うんちくを一つ挟むと、べき乗則という現象自体は自然界のあちこちに顔を出す。万有引力や電磁気力のクーロン力、都市の人口分布に現れる「ジップの法則」なども同じ数式の仲間だ。カプランらの論文がやったのは、「知能の学習可能性」という一見つかみどころのない現象に、物理法則のような予測可能な規則性を発見してみせたことだった。研究開発が「勘と経験」の世界から「投資すればするほど確実にリターンが返ってくる」という工学の世界に変わった瞬間である。GPT-3が同じ2020年に登場した1750億パラメータという規模で世に出たのは、偶然ではない。この論文がGPT-3の設計思想そのものだったのだ。
■ 実は2年後に「半分間違っていた」と判明した
ここでジャーナリストとして指摘しておくべき、都合の悪い後日談がある。2022年、DeepMindの研究チームがカプランらの結論を検証し直し、「Chinchilla」という論文で異なる結論を出した。カプランらの計算には見落としがあり、実際にはモデルサイズとデータ量は同じ比率で増やすべきで、当時の主要モデルの多くは「データ不足で学習不足（アンダートレーニング）」の状態にあったというのだ。事実、Chinchillaはより小さいモデルサイズながら、当時最大級だったGopherモデルを上回る性能を叩き出した。
つまり「スケーリング則」という言葉が独り歩きして業界の合言葉になった後で、その最初のバージョンは技術的には修正を余儀なくされている。それでも「モデルは大きくすればするほど賢くなる」という大枠の発見自体は覆らなかった。むしろ「正しい配分で巨大化させれば、さらに効率よく賢くなる」という、投資合戦にとってはより都合の良い結論に置き換わっただけだった。
■ 論文が引き起こした7兆ドルの設備投資
この「スケール投入に比例して知能が向上する」という発見は、経営者にとって最高の免罪符になった。なぜなら、研究開発の不確実性という経営者が最も嫌うリスクを、「金額さえ積めば結果が読める投資」に変換してくれたからだ。
その帰結が、いま現在進行形で起きているデータセンター建設ラッシュである。2026年、Google・Amazon・Microsoft・Metaの4社だけで設備投資（capex）が合計で約7250億ドルに達する見通しで、これは前年の約410億ドルから77%増という、企業史上でも類を見ない増加幅だ。個社で見ると、Amazonが約2000億〜2200億ドル、Googleが約1750億〜2050億ドル、Microsoftが約1900億ドル、Metaが約1300億〜1450億ドルという規模感になっている。さらにOpenAI・ソフトバンク・オラクルが組んだ「スターゲート計画」は5年間で最大5000億ドル規模のAI専用インフラ投資を掲げ、業界全体では2026年から2031年にかけて累計7.6兆ドルという試算も出ている。
象徴的なのがテキサス州アビリーンに建設中のスターゲート第1拠点だ。オラクルの創業者ラリー・エリソンは、この施設が最終的に45万基超のNVIDIA製GPUを搭載し、消費電力は「米国の一般家庭400万世帯分」に相当する1.2ギガワットに達すると語っている。AI研究機関Epoch AIの試算では、この1拠点だけで建設コストが最終的に319億ドルに膨らむ見通しだという。まさに一本の論文の帰結として、都市一つ分の電力を食う建造物が全米各地に立ち並び始めているわけだ。
■ 「べき乗則」の先に何があるのか
もっとも、この投資合戦が永遠に正当化され続ける保証はどこにもない。NVIDIAはAIアクセラレータ市場の8割から9割弱を握るとされ、各社の巨額投資の多くが結局は一社の売上に還流する構造になっている。Google CloudやMicrosoftの幹部は「計算資源が需要に追いつかない」と繰り返すが、それは裏を返せば「投資の元が取れているかどうか」を誰も正確には検証できていないということでもある。
1本のプレプリント論文が示した「べき乗則」というシンプルな数式が、5年足らずで7兆ドル規模の建設ラッシュへと姿を変えた。科学史において、これほど短期間で純粋な学術的発見が実体経済の隅々にまで波及した例は、そう多くはない。この巨大な賭けが「正しいべき乗則」だったのか、それとも歴史が繰り返す「間違った直線の延長」だったのか——その答え合わせは、まだ誰にも書けていない。
---
【参考文献】
1. Kaplan, J. et al. "Scaling Laws for Neural Language Models," arXiv:2001.08361（2020年1月）
2. Hoffmann, J. et al. "Training Compute-Optimal Large Language Models" (Chinchilla), arXiv:2203.15556（2022年3月）
3. Futurum Group, "AI Capex 2026: The $690B Infrastructure Sprint"（2026年2月）
4. ValueAddVC, "$725B on AI — Where Big Tech Is Spending in 2026"（2026年8月）
5. GPUSmith, "Hyperscaler AI Capex 2026: Amazon, Microsoft, Google, Meta"（2026年7月）
6. Yahoo Finance, "Meta, Microsoft, Amazon, and Alphabet are about to spend a shocking amount of money to dominate the AI era"（2026年6月）
#スケーリング則 #ScalingLaws #OpenAI #データセンター #AI投資 #Stargate #NVIDIA #設備投資 #生成AI #note
