AIエージェントが演算力の「乗数効果」に火をつける：「リソース販売」から「知能の生産」への産業パラダイム革命

先週、演算力（コンピューティングパワー）分野の熱気は衰えていないが、焦点は静かに移りつつある。これまで市場の関心の中心が、チップが「完売」したかどうか、演算センターが「満杯」かどうかにあったとすれば、直近1週間で最も注目された話題は、より深層の変数から来ている——AIエージェントが「乗数効果」によって演算力産業の底層ロジック全体を再構築しつつあるのだ。IDCと浪潮信息（Inspur）が共同で発表した『2026年中国人工知能計算力発展評価報告』から、2026雲栖大会での「機械の思考総量は人類の1000倍に達する」という断言、さらにはレノボ、浪潮、AMDなどの主要ベンダーがAIエージェント時代に向けた新製品・新戦略を相次いで発表したことまで、一つの明確なシグナルが浮かび上がっている。演算力産業の評価基準は、「どれだけの演算力があるか」から「どれだけの知能を生産できるか」へと移りつつある。

これは通常の技術反復ではなく、需要構造、ハードウェア価値配分、ビジネスモデル、さらには国家戦略的位置づけにまで及ぶシステム的な再構築である。この変革を理解するには、まずAIエージェントがなぜ「乗数効果」を持つのかから始めなければならない。

一、AIエージェントが演算力方程式を書き換える：トークン消費の伸びはエージェント数の伸びの37倍

この演算力需要爆発を理解する鍵は、これまで十分に議論されてこなかった変数、すなわちAIエージェントの「乗数効果」にある。過去2年間、大規模モデル業界の中心的議題はパラメータ規模、学習データ量、モデルランキングであり、その潜在的な意味は、AIは「エンジンを作る」競争だということであった——より大きく強いエンジンを作った者が主導権を握る。AIエージェントが書き換えるのは、まさにこの等式である。

AIエージェントとは、自律的に計画を立て、ツールを呼び出し、多段階でタスクを実行し、フィードバックに基づいて自己修正できるAIシステムを指す。従来の対話型AIとの根本的な違いはこうだ。対話型AIは「一問一答」であり、一度のやり取りが終われば終了する。一方、AIエージェントはデジタル従業員のように、タスクを受けると自律的に手順を分解し、検索エンジンやデータベースを呼び出し、コードを書いて実行し、結果を確認し、誤りを見つければ再試行し、タスクが完了するまで続ける。このプロセスには数回から数十回の推論ラウンドが含まれ、各ラウンドでトークンを消費する。

IDCは『2026年中国人工知能計算力発展評価報告』で、極めて衝撃的な2組のデータを示した。世界のアクティブAIエージェント数は2026年の7940万個から2030年には22億1600万個へ増加し、年平均成長率は129.8％に達する。同期間の世界のトークン消費量の年平均成長率は4822.6％に達し、エージェント数の伸びの約37倍になる。これは、単一のエージェントが単純に一度呼び出されて終了するのではなく、多段階推論、ツール呼び出し、システム間連携を通じて、タスクが展開するたびに指数関数的なトークン消費を引き起こすことを意味する。

この数字の産業的意味は深く掘り下げる価値がある。あるエージェントが「ある企業の過去5年間の財務データを分析し、投資アドバイスを生成せよ」というタスクを受けたとしよう。それは順次、データベースを呼び出して財務報告データを取得し、Pythonスクリプトを書いて財務比率を計算し、業界比較企業のデータを検索し、チャートを生成し、分析レポートを作成し、データの整合性を自己チェックし、計算エラーを修正する……必要があるかもしれない。プロセス全体で数十回のモデル推論呼び出しが発生し、ユーザーが直接「この会社は投資に値するか」と尋ねる場合の数十倍から数百倍のトークンを消費する。数億のエージェントが金融、製造、医療、行政などの現場で同時に稼働すれば、トークン消費の規模は幾何級数的に膨張する。

レノボ中国インフラストラクチャー事業群の戦略技術总监、黄山氏が指摘するように、「以前はユーザーが質問し、モデルが回答し、トークン消費は線形軌道を描いていた。今やAIをデジタル従業員のように多段階実行・自己検証させるには、トークン消費は単純な倍数関係ではなく、数倍あるいは指数関数的な爆発的成長を示す」。同氏はさらに、この変化を生き生きとした比喩で説明する。「以前、演算力需要を測るのは、レストランが1日に何人の客を迎えるかを計算するようなものだった。今、エージェント時代には、各『客』がフルセットの食事を注文し、さらに何度も追加注文する。レストランの回転率はまったく別の桁なのだ」。

この構造的変化は、中国の知能演算力の成長曲線の傾きを直接押し上げた。報告書は、2026年の中国の知能演算力規模が2576.5 EFLOPSに達し、前年比87.9％増加、2030年にはさらに10524.3 EFLOPSに達すると予測する。2025～2030年の年平均成長率は、前回予測の46.2％から50.3％へ引き上げられた。4.1ポイントの上方修正は大きく見えないかもしれないが、その本質はより楽観的な仮定ではなく、需要曲線の形状の修正である——エージェントがもたらすのは線形外挿ではなく、まったく新しい需要パラダイムなのだ。線形外挿とは「過去にどれだけ成長したか、未来もおおむね同じように成長する」ことを意味する。パラダイム転換とは「成長曲線そのものの形が変わった」ことを意味し、緩やかな指数曲線から急峻な指数曲線へと変わる。この違いは5年、10年の次元で、数倍から数十倍の規模差を生む。

世界視点でもこの傾向は同様に顕著だ。Gartnerは、2028年までに日常の業務意思決定の少なくとも15％がエージェントによって自律的に行われると予測し、その時点で世界の年間AIトークン消費量は現在の数百倍に達する。中国信息通信研究院のデータによれば、2026年上半期の中国の1日平均AIトークン呼び出し量は500兆を突破し、2025年同期の6倍以上に増加しており、従来の業界の一般的な予想をはるかに超えている。

二、推論側が主戦場に：学習と推論のトークン消費比率はすでに6対4を超える

AIエージェントが駆動するもう一つの深い変化は、演算力需要構造が学習主導から推論主導へ移行していることだ。この移行の意味は、かつてインターネットが「ダイヤルアップ」から「常時接続ブロードバンド」へ移行したことに劣らない——演算力はもはや一回限りの資本支出ではなく、継続的な運用コストになったのだ。

黄山氏は雲栖大会期間中に、現在、推論と学習の間のトークン消費比率はすでに6対4を超えており、推論側の演算力需要が急速に伸びていることを明らかにした。AMD大中華圏マーケティング担当バイスプレジデントの紀朝暉氏が提供したデータはこの傾向をさらに裏付ける。2025年のAI推論と学習のワークロード比率は5対5だったが、2026年には推論が60％に上昇し、2030年には80％を超えると予想される。つまり、将来の演算力インフラ投資の重心は、「大規模クラスターを建てて大規模モデルを学習させる」ことから、「広く覆って大量推論を行う」ことへ移る。

Gartnerのデータは、エージェントと従来の対話型ボットの消費量の桁違いの差を明らかにする。エージェントアプリケーションのトークン消費は対話型ボットに比べて5～30倍増加し、IDCは2027年までに世界の2000強企業のAIトークン消費量が現在の1000倍に増えると予測する。1000倍とは何か。もし現在、ある大企業のAI月間平均トークン消費が10億なら、2027年には1兆レベルに膨張し、対応する演算力コストは数十万元から数億元へ跳ね上がる。

この変化は演算力インフラにまったく異なる要求を突きつける。従来の学習クラスターは極限の単カード性能と低遅延相互接続を追求し、その設計哲学は「1万枚のカードを1枚のカードにつなぐ」ことであり、高帯域、低遅延、強い一貫性を強調する。典型的な例はNVIDIAのNVLinkやInfiniBandネットワークだ。一方、エージェント推論シナリオは「リクエストの断片化、トラフィック変動の大きさ、細粒度リソース分割能力の重視」という負荷特性に対応する必要がある。リクエストは異なる地域、アプリケーション、優先度から来るかもしれず、トラフィックは1日の中で数十倍変動し、各リクエストの遅延感受性も異なる。これには演算力インフラがより強力な弾力的スケジューリング能力と、より細かいリソース分割粒度を持つことが求められる。例えば、単一GPUを複数の仮想インスタンスに分割し、異なるエージェントタスクにオンデマンドで割り当てるなどだ。

浪潮信息の首席AI戦略官、劉軍氏は2026人工知能計算大会で、この分化を二つの明確な発展次元に要約した。知能の**端に向けた「能力型知能演算」は知能の上限突破を支え、「知能は究極的にどれだけ強くなれるか」に答える。知能の普及に向けた「容量型知能演算」は知能の十分な供給を実現し、「どれだけ低コストでどれだけの知能を得られるか」に答える。両者は切り離されているのではなく、「**端の突破—普及と実装—新たな需要の発生—さらなる突破の推進」という正の循環を形成する。

劉軍氏はさらに、能力型知能演算の核心指標は「単一クラスター**演算規模」と「学習効率」であり、ユーザーは主に大手大規模モデル企業と***研究機関であると説明する。容量型知能演算の核心指標は「単位トークンコスト」と「推論スループット」であり、ユーザーはあらゆる業界の中小企業と開発者に及ぶ。二種類の知能演算センターは、ハードウェア選定、ネットワークアーキテクチャ、冷却方案、さらには立地選定においても大きく異なる。能力型はエネルギーが豊富で気候が涼しい西部ハブに配置され、容量型はネットワーク遅延を下げるため、ユーザーが密集する東部地域により近い。

この分化は、最近演算力リース市場が異様に活発な理由も説明する。大多数の企業にとって、自社で容量型知能演算センターを建設するコストパフォーマンスは高くない——ハードウェアの反復が速すぎ、運用保守が複雑すぎ、需要変動が大きすぎる。演算力を借り、トークン単位で支払うことがより理性的な選択となる。これこそが「トークン販売」モデル台頭の産業的背景である。

三、CPUが演算力の中核に復帰：ギガワット当たりデータセンターのCPUコア需要は4倍に急増

AIエージェントがもたらすパラダイム転換は、AIハードウェア産業チェーン全体の価値配分構造を再構築しつつある。過去2年間、市場の注目はほとんど完全にGPUに占められ、NVIDIAの時価総額神話によって「GPUイコールAI」が一般的認識となった。しかしAIが「学習主導」から「推論・エージェント駆動」へ移るにつれ、CPUはGPUの補助的脇役からAIシステムの中核ハブへと跳躍しつつある。この変化は半導体業界のパワーマップを書き換えている。

AMDのCEO、リサ・スー氏は2026年第1四半期決算説明会で、AIインフラにおいてCPUとGPUの比率が従来の1対4～1対8から徐々に1対1へ収束し、エージェント集中配備シナリオではCPUの数がGPUを逆転する可能性さえあると明確に指摘した。その背景にある論理は、AIエージェントの複雑なワークフローでは、GPUとアクセラレータに加えて、タスクスケジューリング、ツール実行、オーケストレーションを担う大量のCPUが必要であり、オーケストレーション段階だけでシステム全体の遅延の50～90％を占めうるということだ。言い換えれば、GPUは「計算」を担い、CPUは「管理」を担う——「管理」の作業量がエージェントの複雑さとともに指数関数的に増大すれば、CPUの戦略的価値は自然に高まる。

Armの試算によれば、ギガワット当たりのデータセンターに必要なCPUコア数は約3000万から1億2000万へ急増し、増加率は4倍に達する。モルガン・スタンレーは、2030年までにAgentic AIが325億～600億ドルのCPU增量市場をもたらし、対応するサーバーCPU市場全体の規模は1000億ドルを超える可能性があると予測する。この予測が実現すれば、サーバーCPU市場は5年以内に倍増し、増分のほとんどすべてがAIエージェント関連需要から来ることになる。

需給不均衡の直接的な結果は、価格と納期の全面的な逼迫である。インテルとAMDのサーバーCPU納期は通常の1～2週間から8～12週間に延び、インテルの一部製品は最長6か月に達する。インテルCFOは、2026年のサーバーCPUは確実に供給不足となり、供給圧力は2028年まで続く可能性があると予想する。サーバー産業は「需要が成長を決める」から「供給がどれだけ納品できるかを決める」へ移行し、CPUはGPUとHBMに続くAI演算力拡大の新たなボトルネックとなった。

このボトルネックの出現は新たな産業機会も生んでいる。一方で、ARMアーキテクチャのサーバーCPUがデータセンター市場への浸透を加速しており、その高エネルギー効率は推論シナリオで特に際立つ——アマゾンGraviton、Google Axion、アリババ倚天710などの自社開発ARMチップの出荷量は伸び続けている。他方、RISC-VアーキテクチャもAIアクセラレータやエッジ推論シナリオで頭角を現し始め、国産チップにx86とARMのライセンス制限を回避する新たな道を提供している。CPUアーキテクチャの多様化競争は、AI演算力産業チェーンの中で最も活力ある変数の一つになりつつある。

四、「リソース販売」から「知能の生産」へ：演算力サービスビジネスモデルの根本的再構築

AIエージェントがもたらす最も深い変革は、おそらく演算力サービスのビジネスモデルが根本的に再構築されつつあることだろう。以前、演算力サービスの核心的論理は「リソース販売」であった——GPUカード時間、ストレージ容量、ネットワーク帯域で課金し、顧客は「裸の演算力」を買い、モデル配備、性能調整、障害対応などを自分で解決する必要があった。エージェント時代には、顧客は「直接使える知能」を求め、トークン単位で支払い、成果で精算する「Intelligence as a Service」を求める。

盤古智庫の上級研究員、余豊慧氏は、現在の演算力サービス業界で最も顕著な変化は、提供モデルが「リソース販売」から「トークン販売」へ移り、競争次元が規模から効率へ移り、業界の競争指標が「何枚のカードがあるか」から「ワット当たりのトークン生産効率」へ変わったことだと指摘する。ソフト・ハード一体最適化、推論エンジン調整、ピークシェービングとバレーフィリングの知的スケジューリングが鍵能力となる。同氏はさらに、この転換が演算力サービス提供者の能力構造にまったく新しい要求を突きつけると分析する。以前は資本力と調達力が比較された——より多くのGPUカードを取得し、より安い電力価格を得た者が優位に立った。今は技術力と運営力が比較される——同じハードウェアでより多くの有効トークンを生産し、推論コストをより低く抑え、サービス安定性を保証できる者が顧客を獲得する。

黄山氏のこの転換についての要約はさらに直接的だ。「AI演算力を測る基準は、『トークンはいくらか』から『トークンがどれだけの価値を生み出したか』へ徐々に移っている」。同氏はさらにトークンのコスト構造を分解する——基礎建設が約4分の1を占め、そのうち電気代が約10％、ソフト・ハード協調がトークンコストの50％以上に影響する。これは、トークン生産効率を左右するのがチップハードウェアだけでなく、計算、通信、メモリアクセス、ストレージ、推論最適化、そしてシステム全体のスケジューリング能力であることを意味し、AI演算力の競争は単点ハードウェア能力からシステム能力へ移りつつある。同氏は推論エンジン最適化を例に説明する。「同じモデル、同じハードウェアでも、深く最適化された推論エンジンはスループットを3～5倍に高め、トークンコストを60～80％削減することに相当する。これはより高価なカードを買うことでは実現できず、ソフトウェアとアルゴリズムの力によるものだ」。

需要側の持続的解放はすでに受注に直接反映されている。最近、上場企業が大口演算力サービス契約を相次いで締結している。並行科技の完全子会社が顧客と締結したGPU演算力サービス契約の税込総額は19億1300万元を超えない。康惠製薬の完全子会社が締結した演算力サービス契約の総額は約17億2000万元で、契約期間は5年。これらの契約に共通する特徴は、期間が長く、金額が大きく、トークンまたは演算力サービス量を価格単位としていることであり、演算力サービスが「プロジェクト制」から「サブスクリプション制」へ、「一回限りの売買」から「長期運営」へ移行していることを示している。

同時に、オンデバイスAIがトークンコストを下げる重要な経路になりつつある。紀朝暉氏は、AI PCやエージェントホストなどのローカル新型計算デバイスにエージェントを配備し、重量級タスクだけをクラウド大規模モデルに任せることで、企業のトークン消費を80％以上削減できるという生きた比喩を提示した。「これは、ほとんどの時間は食材を買って家で料理し、重要な場面だけ外食するようなものだ」。関連研究によれば、最新のローカル配備可能なQwen3.8モデル（パラメータ27B）の能力は、**端クラウド大規模モデルの80～90％に達しており、オンデバイスAIの実現可能性は著しく高まっている。これは、将来の演算力アーキテクチャが「クラウド・エッジ・デバイス協調」の階層構造を呈することを意味する。デバイス側は高頻度・軽量・プライバシー敏感な推論タスクを処理し、クラウドは低頻度・重量・大規模並列が必要な学習と複雑推論タスクを処理し、エッジノードは中間のスケジューリングとキャッシュ機能を担う。

この傾向はチップ産業にも同様に深い影響を与える。オンデバイスAIの台頭はNPU、低消費電力CPU、高帯域メモリなどの需要増を促し、クラウド推論の拡大は高効率GPU、カスタムASIC、高速相互接続チップに恩恵をもたらす。演算力チップ市場は「GPU一強」から「多様な異種共存」の格局へ移るだろう。

五、演算力が国家戦略インフラへ跳躍、都市競争の論理が根本的に変化

AIエージェントの大規模稼働がもたらす持続的で剛性的な演算力需要は、演算力を産業概念から水利、電力網、鉄道と同レベルの国家戦略インフラへと押し上げつつある。「第15次五カ年計画」期間中、演算網建設への新規直接投資は4兆元に達し、投資規模は水利6兆元、電力網5兆元、鉄道4兆元などの伝統的重大インフラに匹敵する水準に達している。この戦略的位置づけの確立は、演算力がもはやテクノロジー業界の「内部事項」ではなく、国家競争力、産業安全、経済命脈に関わる全局的議題であることを意味する。

この戦略的位置づけの変化は、都市競争の評価体系にも深く影響している。2026年中国人工知能計算力都市ランキングで、北京、杭州、深センがトップ3に入った。注目すべきは、報告書が初めて、エージェント応用実装、身体性知能産業布局、大規模モデル開発、推論演算力インフラを都市AI演算力発展の重要評価指標に組み入れたことだ——以前は都市のAI実力を見る場合、「どれだけ演算センターを建てたか」を見た。今は「演算力で何をしたか」を見る。この評価体系の転換は、本質的に「演算力の有効性」への問いである。演算センターを建てても誰も使わない場合と、建てて産業高度化を牽引した場合では、価値に天と地の差がある。

三つのリード都市の格局の違いは、ちょうど三つの異なる発展経路に対応している。北京は「全チェーン型」であり、供給側と需要側の双方に完全な産業チェーンを持つ。寒武紀、摩爾線程などのチップ企業、百度、字節跳動などの大規模モデル・アプリケーション大手、中国科学院、清華大学などのトップ研究機関があり、基礎研究から産業応用までの完全な閉ループを形成している。杭州は「シナリオ駆動型」であり、AI革新企業クラスターとインターネット産業基盤に、身体性知能などの先端分野への投資が重なる。アリババクラウド、之江実験室、宇樹科技などがクラウドコンピューティングからロボット製造までの多様な生態系を構成し、応用シナリオの豊富さが核心的競争力である。深センは「製造基盤型」であり、AIサーバーと演算力チップ製造基地としての身分が、エージェント爆発の窓口期に直接的な優位性へと転換している。華為昇騰、騰訊、比亜迪などの企業がチップ、クラウドサービス、インテリジェント端末などの分野で相乗効果を形成し、ハードウェア製造能力とサプライチェーン効率が独自の資質である。三つの経路に優劣はないが、共通して一つの傾向を明らかにしている。単点の優位性だけではもはや不十分であり、真の競争は「供給—シナリオ—産業」の閉ループ効率で起こる。

よりマクロな視点から見れば、演算力インフラの戦略化は新たなガバナンス課題ももたらす。重複建設をいかに避けるか、地域間スケジューリングをいかに促進するか、エネルギー供給をいかに保障するか、データセキュリティと流通効率をいかに両立させるか——これらは早急に解決すべき課題である。全国一体化演算網モニタリング・スケジューリング試験検証プラットフォームの稼働は、まさにこの一連の課題への制度的対応である。将来、演算力は電力のように「統一スケジューリング、地区別価格設定、地域間取引」の運営モデルを採用する可能性が高く、このモデルの制度設計は中国のデジタル経済の空間格局に深く影響するだろう。

結語

「演算力を提供する」から「知能を生産する」へ——この七文字の転換は、AIエージェント時代の演算力産業の最も核心的なパラダイム革命を凝縮している。劉軍氏が言うように、Agent時代のAI計算競争は、単点ハードウェア性能の比較から、フルスタックシステム能力と産業生態系の競争へと移っている。「以前、顧客が演算力を買うときは、モデル配備や性能調整を自分で解決する必要があった。今、顧客が求めるのは直接使える知能であり、持続的で安定したトークン供給である」。

この変革の深い意味は、演算力産業の価値チェーンを再定義することにある。チップはもはや終点ではなく始点であり、演算センターはもはや目的ではなく手段であり、真の価値は演算力を知能に変換し、さらには知能を生産力に変換することにある。AIエージェントが対話ツールから生産実践へ移り、演算力が水や電気のように規模生産可能な生産要素となるとき、この変革の意義は演算力産業そのものをはるかに超え、あらゆる業界の運営方式と競争格局を深く再構築するだろう。企業にとって、問題はもはや「AIを使うかどうか」ではなく、「いかに最低コストで最良の知能を得るか」である。都市にとって、問題はもはや「演算センターを建てるかどうか」ではなく、「いかに演算力を真に産業高度化に役立てるか」である。国家にとって、問題はもはや「演算力を発展させるかどうか」ではなく、「世界の演算力競争において持続可能な自主的優位をいかに構築するか」である。これらの問いへの答えが、今後10年のデジタル経済の地図を決めるだろう。