推論が計算力の7割を消費：2026年秋、計算力産業は「効率の転換点」に直面

過去1週間、計算力分野では単独の「爆発的な発表」はなかったものの、より象徴的な出来事が起きた。複数の平行していた論点が同じ時間帯に集まり、明確な転換シグナルを形成したのである。すなわち、推論計算力が支出と負荷の両面で学習を全面的に上回り、エージェントの大規模展開が計算力産業を「GPU囲い込み競争」から「効率とリターンの競争」へと押し進めている。これは単なる業界スローガンではなく、政策データ、需要構造、ビジネス収支、技術アーキテクチャ、資本市場の疑問が同じ週に同じ方向を指し示した結果である。計算力産業は依然として高速で拡張しているが、拡張の論理は変わりつつある。以前は「あと何枚カードを買えるか」を問うていたが、今は「カード1枚が1時間あたりいくら稼げるか」を問う。以前はクラスタ規模を見ていたが、今は単位計算力あたりの有効産出を見る。以前は計算力を設備投資の欄の数字と見なしていたが、今では減価償却、電気料金、利用率、回収期間によって検証されるべき生産的資産と見なす人が増えている。

一、一つの転換点、三組のデータ

10月20日、工業・情報化部（MIIT）は国務院新聞弁公室の記者会見で、9月末時点で中国のインテリジェント計算力規模が2592 EFLOPSに達し、前年同期比146%増となったと明らかにし、次の段階として「計算力施設の拡容と品質向上を加速する」と明言した。この数字自体は供給側の継続だが、今週の方向性を本当に定義したのは需要側の構造変化である。2592 EFLOPSは計算力供給が依然として急速に拡張していることを示し、146%の前年同期比増加率はインテリジェント計算力が依然としてインフラ投資の重点方向であることを示す。しかし「拡容と品質向上」という言葉が並べられると、政策目標はもはや規模を大きくすることだけではなく、規模拡張と同時に利用率、ネットワーク協調能力、グリーンエネルギー効率、実際の産出を高めることにある。言い換えれば、計算力建設の評価体系は「どれだけ建てたか」から「どれだけうまく使えているか」へ移行している。

中国情報通信研究院（CAICT）の「トークン経済発展研究報告（2026年）」は、2026年に推論計算力がAI計算力総負荷の70.5%を占め、AI計算力需要がモデル学習から推論およびエージェント運用へ加速的に移行すると予測する。この比率の意味は、計算力需要の形態を変える点にある。学習負荷は通常、段階的で集中的、計画可能である。大規模モデルの学習タスクは比較的確定した期間に大量の計算力を消費し、その後終了する。推論負荷はより生産システムに近い。ユーザーリクエスト、エージェントタスク、ツール呼び出し、長文コンテキスト処理、多ターン反復に分散し、継続性、変動性、ロングテール性を備える。推論が7割を超えると、計算力センターはもはや「学習工場」ではなく、ますます「トークン工場」であり「エージェント実行基盤」になる。

Gartnerの統計は同じ結論の別側面を示す。2026年の世界の推論支出は233億ドルに達し、初めて190億ドルの学習支出を上回る。支出構造の変化は負荷比率よりも直接的にビジネス判断に影響する。学習支出が高ければモデル能力競争と設備投資の前倒しに対応し、推論支出が高ければサービス収入、呼び出し量、単位コスト、粗利益率に対応する。クラウド事業者、計算力リース事業者、モデルサービス事業者にとって、収益モデルを再計算する必要がある。クラスタを建てて学習顧客の専用予約を待つだけでは足りず、推論市場でスループット、遅延、キャッシュ、スケジューリング、価格設定を通じて継続的な呼び出し需要を争う必要がある。推論支出が学習支出を上回ることは学習が重要でないという意味ではなく、計算力産業の価値実現リンクが「一回限りの学習投資」から「継続的な推論サービス」へ移っていることを意味する。

この転換を駆動しているのは、エージェントがデモから大規模展開へ移行していることである。黄仁勲（ジェンスン・フアン）は10月21日のベルリンGTC講演で計算力需要の収支を再分解した。エージェントは思考、推論、反復、ツール使用の能力を持ち、単一タスクで消費するトークン数は従来の一問一答型インタラクションに比べて倍数級に拡大する。従来のチャット型インタラクションは一度の質問と一度の回答が多く、トークン消費は比較的制御可能だった。エージェントはまずタスクを計画し、ツールを呼び出し、結果を読み、誤りを修正して再試行し、最後に要約を生成する。一度のユーザーリクエストの背後に、複数回のモデル呼び出し、複数回のコンテキスト結合、複数回の外部ツール連携がある。トークン消費が拡大し、推論計算力需要は線形増加ではなく、タスク複雑度に駆動される乗数効果を示す可能性がある。同時に、エージェントは遅延、安定性、並行処理能力への要求が高く、計算力スケジューリングはピーク計算力だけでなく、ネットワーク、ストレージ、キャッシュ、推論フレームワークの協調効率も見る必要がある。

同日のMeta決算は消費級エージェントの運用サンプルを提供した。Museは公開約1か月半で1000万人超のユーザーが設定を完了し、ショッピングが**の利用シーンとなり、計算力消費はこれまでのどのAI製品よりも著しく高く、Metaは因此1年以内に計算力効率を10倍に高める方針を示した。このサンプルの価値は、消費級エージェントが計算力需要を「モデル研究開発部門」から「膨大なユーザーにサービスする生産システム」へ押し出すことを示す点にある。ショッピングシーンは推薦、価格比較、意思決定支援、多ターン対話、ツール呼び出しが重なり、一見単純なユーザー需要の背後に複雑な推論チェーンがあり得る。ユーザー規模が大きいほど推論負荷は継続的になり、計算力コストは研究開発費ではなく運営費に近づく。Metaが1年以内に計算力効率を10倍にするとしたことも、大手プラットフォームでさえカードを積むだけでは推論の経済性を解決できず、モデル圧縮、推論フレームワーク、キャッシュ再利用、タスクスケジューリング、ハードウェア協調から効率を探す必要があることを示している。

需要側の構造反転は、計算力産業のバリュエーションのアンカーが移行していることを意味する。以前は「カードが何枚あり、クラスタがどれだけ大きいか」を見ていたが、今は「カード1枚が1時間あたりどれだけ価値あるトークンを生み出せるか」を見る。この変化は産業チェーンの複数环节に伝わる。チップメーカーはピーク計算力だけでなく、推論スループット、エネルギー効率、相互接続能力を語る必要がある。クラウド事業者はデータセンター規模だけでなく、利用率とトークンあたりコストを語る必要がある。モデル企業はパラメータ数とベンチマークだけでなく、推論価格と粗利益率を語る必要がある。計算力リース事業者は設置率だけでなく、顧客構造と長期リースの安定性を語る必要がある。計算力は依然として希少資源だが、希少性の定義は「カードがあるか」から「効率的で安定し、課金可能な有効計算力があるか」へ移っている。

二、DeepSeekの38ドル：検証可能な効率サンプル

推論が学習を上回ることが「量」の転換点なら、DeepSeekが10月20日に推論フレームワークDeepInferをオープンソース化した際に開示した経営データは「質」の問題に答えようとするものだ。このフレームワークに基づき、DeepSeekの単一クラスタのサービススループットは1日155兆トークンに達し、全体収入はカード1枚・1時間あたり38ドル（オフピーク価格設定）だった。この数字が業界の共鳴を呼んだ理由は、それが「高い」からではなく、これまでほとんど公開されなかった比較対象を提供したからである。NVIDIA H200のカード1枚・1時間あたりのリース希望価格は約6〜8ドル、B300は約15〜20ドル。実際の市場取引価格でも、B300の長期リースは1時間あたり5〜6ドルまで下がる。同じカードで、直接リースする収益能力と、トークンを販売する収益能力の間には数倍の差がある。

この比較の鍵は、単純に「トークン販売の方がカードリースより儲かる」という結論を出すことではなく、推論計算力を初めて監査可能なビジネス収支の前に置いたことである。カードリースモデルの収入は賃料、コストは減価償却、電力、ネットワーク、データセンター、運用保守である。トークン販売モデルの収入は呼び出し料で、コストには上記に加え、モデル研究開発の償却、推論フレームワーク効率、キャッシュヒット率、スケジューリング損失、価格戦略が含まれる。カード1枚・1時間あたり38ドルが重要なのは、計算力を「設備投資欄の数字」から「カード1枚・1時間あたりいくら稼げるか」を問える生産的資産に変えたからである。計算力センターにとって、カードを直接リースして数ドルしか得られない一方、効率的な推論サービスでより高い単位収入が得られるなら、競争の焦点は「カードを誰が持つか」から「カードにより多くの課金可能トークンを生み出せるのは誰か」へ移る。

海外SNSはこれに基づき、DeepSeekの推論事業のハードウェア粗利益率が84%〜96%の範囲になる可能性があると試算した。強調すべきは、この試算がキャッシュヒット率、スループット、価格設定など複数の仮定に依存し、完全な利益基準ではないこと、DeepSeekもクラスタのチップ型番、数量、完全なコスト構造を開示していないことである。高い粗利益率の試算は興奮を呼びやすいが誤読もされやすい。ハードウェア粗利益率は一部コストのみをカバーし、モデル学習投資の償却、研究開発費、マーケティング費、電力変動、ネットワーク帯域、データセンター建設などの完全コストを含まない。オフピーク価格設定は38ドルが全天候の平均価格ではないことを意味し、実際の収入は負荷曲線で変動する。したがってこの数字は効率シグナルとして理解するのが適切である。特定のフレームワーク、特定の負荷、特定の価格条件下では、推論計算力の単位産出は単純なカードリースモデルを大幅に上回り得る。効率最適化の大きな余地を証明するが、業界全体が同じ利益率を得られると直接推論することはできない。

その意義は、推論計算力の競争が「ハードウェアパラメータ」から「システムエンジニアリング」へ移り始めたことにもある。1日155兆トークンのスループットは、チップ計算力だけでなく、推論フレームワークのバッチ処理能力、KVキャッシュ管理、投機的デコーディング、演算子最適化、クラスタスケジューリング、ネットワーク通信にも関わる。DeepInferのオープンソース化後、業界は推論効率がどこから来るかをより具体的に議論できる。バッチサイズを増やすのか、最初のトークン遅延を減らすのか、キャッシュヒット率を高めるのか、マルチGPU並列通信を最適化するのか。従来の計算力産業の議論はチップ型番とクラスタ規模で止まりがちだったが、DeepSeekのサンプルは問題を「同じカードが異なる推論フレームワークとスケジューリング戦略の下でどれだけ有効トークンを生み出せるか」へ進めた。これは政策側の「拡容と品質向上」と呼応する。工業・情報化部が9月に発表した「情報通信業発展第15次五カ年計画」は、2030年までにインテリジェント計算力規模を2025年比で5倍超に増やし、「品質向上」を「拡容」と並置した。推論が計算力消費の主体になると、「品質向上」の経済的意味は具体化する。より多くのカードを建てることではなく、既存のカードにより多くの課金可能トークンを生み出させることである。

さらに見れば、推論効率の向上は計算力需給の緊張度を変える。単位計算力がより多くのユーザーにサービスし、より多くのタスクを処理できるなら、短期的に新規計算力への限界需要は鈍化する可能性がある。しかし効率向上が価格低下をもたらせば、より多くのエージェントアプリケーションが登場し、逆に総計算力消費を増やす。これは効率と需要の典型的な相互作用である。効率が高いほど単位コストが下がり、アプリが普及し、総計算力需要は減らないどころかより速く増える可能性がある。産業の健全性を決めるのは、単純な総計算力規模ではなく、効率向上が持続可能な収入と利益に転換できるかである。DeepSeekの38ドルは出発点を提供するが、答えよりも問いに近い。業界全体が実際の負荷、完全コスト、長期価格の下でこの効率を再現できるのか。

三、供給側の対応：「計算力を納品する」から「回収可能な計算力を納品する」へ

資本と技術の流れも同じ方向を裏付けている。10月20日から21日にかけ、AnthropicがNscaleと約450億ドルの第2次計算力リース契約を交渉中と報じられた。成立すれば2件合計で約900億ドル規模となり、NVIDIAの次世代Vera Rubinチップを引き続き採用する。このような超大型契約は、大手モデル企業が依然として長期・固定型の計算力供給を必要とし、学習と推論の共同需要が依然として終わっていないことを示す。しかし契約形態自体も注目に値する。単純なカード購入ではなく、計算力をリースし、容量を固定し、次世代チップに紐付ける。計算力供給側が納品すべきはハードウェアだけでなく、設置速度、ネットワーク能力、電力供給保証、長期運用保守も含む。需要側にとって計算力契約はますます長期インフラ契約に近づき、供給保証と単位コスト管理の両方が必要になる。

マスクはSpaceXの計算力計画も示した。来年末までに13ギガワットを稼働、極端なケースでは20ギガワットを見据え、クラウド計算力賃料は1ギガワットあたり500億ドル超、計算力資産の回収期間は再価格設定される。ギガワット級の計算力計画は問題をエネルギーとインフラのレベルへ押し上げる。計算力はもはやチップだけの問題ではなく、電力、冷却、土地、系統連系、設備投資の総合問題である。1ギガワットの計算力が数百億ドル規模の賃料に対応すると、計算力資産の回収期間、利用率、電気料金感応度が中核変数になる。計算力競争が大規模化すればするほど、単純なチップ調達競争ではなく、エネルギーインフラと資本構成の競争になる。

技術アーキテクチャの面では、今週深センWEC2026で展示された国産10万カード超クラスタ、ファーウェイ昇騰1024カード液冷スーパーノード、NVIDIA Vera Rubinの全液冷72-GPUラック設計が共同で一つの傾向を示す。競争単位は「単カード性能」から「ラック全体、スーパーノード、クラスタ級協調」へ高度化している。単カード性能は依然として重要だが、推論とエージェント負荷はクラスタ効率により依存する。マルチカード相互接続、液冷放熱、電力密度、障害復旧、スケジューリングシステムが、大規模クラスタが安定稼働できるかを決める。10万カード超クラスタと千カード級液冷スーパーノードは、国産計算力が単点チップ追趕からシステム級統合へ移っていることを示す。全液冷ラックは、高密度計算力がより高効率な冷却方案で支えられる必要があることを示す。将来の計算力競争は、チップのピーク性能だけでなく、クラスタが実負荷下でより安定し、より省電力で、運用保守しやすく、計算力を有効トークンに転換できるかを競う。

供給側のこれらの動きは共同で「回収可能な計算力を納品する」ことを指す。従来の計算力プロジェクトの論理は「まず建て、後で顧客を探す」だった。今は設備投資規模が大きく回収期間が長いため、需要を事前に固定し、エネルギー効率を最適化し、利用率を高める必要がある。計算力リース事業者は顧客構造をより重視する必要がある。学習顧客か推論顧客か、短期リースか長期リースか、クラスタ一括予約かトークン課金か。クラウド事業者はGPU設置率の拡大だけでなく、推論サービスの粗利益率をより重視する必要がある。チップメーカーは推論スループットとエネルギー効率比をより重視する必要がある。推論負荷の比率が高いほど、トークンあたりの電力コストが重要になる。政策側の「拡容と品質向上」と市場側の「回収可能」はここで交差する。計算力インフラは依然として拡張が必要だが、拡張は需要実現、エネルギー条件、商業的リターンと一致しなければならない。

四、効率の別側面：減価償却、限界価格設定、リターンギャップ

しかし「計算力資産は回収可能」という物語は、今週もう一方の端から深刻な疑問に直面した。Gartnerは10月20日、市場を不安にさせる判断を再確認した。**3.5兆ドルのAIインフラ投資がリスクにさらされる可能性がある。2027年から2030年にかけて、AI全体の収入は計画された設備投資が収益を上げるのに十分でないからだ。そのチーフ予測担当者は「現在、計算力容量は需要より多く、大量のトークンと処理能力がフリーミアム方案を通じて無償提供されている」と率直に述べた。この判断の鋭さは、AIに需要がないと言っているのではなく、需要実現の速度と価格水準が巨額の設備投資をカバーできない可能性を指摘する点にある。計算力供給は1〜2年で急速に設置できるが、企業導入、エージェント普及、支払い習慣の形成にはより長い時間がかかる。供給が収入より速く増えれば、計算力市場は段階的な過剰に陥る可能性がある。

Citadel創業者Ken Griffinは10月21日、計算力投資の潜在的罠を三層に分解した。**に、GPUの限界運営コストは極めて低く、供給過剰になればスポット賃貸とAPI価格は「自由落下」し、2000年の通信バブルにおけるダークファイバーの軌跡を繰り返す可能性がある。第二に、5〜6年前の旧型GPUで高い賃料を取る状況は持続不可能である可能性が高く、7〜9年の減価償却モデルは体系的な再評価に直面する。第三に、企業のAI支出は試行錯誤からROI精査へ移っており、「節約できるところは節約する」が大手の巨額設備投資と正面から緊張関係を形成する。この三層判断はそれぞれ価格、減価償却、需要に対応し、計算力資産の最も脆弱な部分を突く。

**層は限界価格設定である。GPUクラスタが一度建設されると、限界運営コストは主に電力、運用保守、ネットワークで、建設コストに比べて高くない。市場が供給過剰なら、計算力リース事業者は減価償却を薄めるため限界コストに近い価格で賃貸し、スポット価格が急速に下落する可能性がある。これは通信バブルのダークファイバーに似る。ファイバーが建設されると限界使用コストは非常に低いが、需要が同期して実現せず、価格競争が投資リターンを破壊する。計算力市場が完全に再現するとは限らないが、推論APIの価格競争はすでに限界価格設定の圧力を示している。モデルサービス事業者が呼び出し量を巡って値下げ競争をすれば、トークンあたり収入が下がり、計算力資産の回収期間が延びる。

第二層は減価償却である。GPUは**資産ではなく、技術迭代が速く、エネルギー効率と性能は毎年向上する。7〜9年の減価償却モデルが合理的かは、旧型GPUが数年後も十分な賃料や推論収入を得られるかに依存する。次世代チップがトークンあたりコストで旧型カードを大幅に上回れば、旧型カードの賃料は下がり、減価償却期間は過大評価される可能性がある。計算力リース事業者にとって最も危険なのは顧客がいないことではなく、顧客が旧型カードにますます低い価格しか支払わず、帳簿上の減価償却が未完了であることだ。クラウド事業者にとって、新カードを継続購入すれば設備投資圧力が生じるが、更新しなければ単位計算力コストが遅れる。減価償却モデルの再評価は、計算力資産の評価と資金調達能力に直接影響する。

第三層は企業ROI精査である。企業のAI支出は「試してみる」から「計算する」へ移った。企業が一部のAI機能に明確な収入やコスト削減をもたらせないと気づけば、呼び出し量を削減するか、より低い価格を要求する。これは大手の巨額設備投資と正面から緊張関係を形成する。供給側は拡張し、需要側は精査する。エージェントはトークン消費を拡大するが、企業はすべてのトークンに無条件で支払うわけではなく、実際の価値をもたらすタスクだけが継続する。これは推論計算力需要の成長が構造的に分化することを意味する。高価値シナリオの計算力需要は強く、低価値シナリオは圧縮されるか無償化される可能性がある。Gartnerの「大量のトークンと処理能力がフリーミアム方案を通じて無償提供されている」という指摘は、まさにこの分化の表れである。

これらの警告は計算力需要の長期的成長を否定するものではなく、タイミングのミスマッチを指摘する。計算力資産の減価償却速度が需要実現速度より速い可能性がある。今週の別のニュースが物理的な脚注を提供した。Amazonは約50億ドル相当のGPUが電力不足で遊休している。電力、冷却、系統連系の進捗がチップ設置のリズムに追いつかないとき、「拡容」自体は自動的に「品質向上」にはならない。GPUを買い、データセンターを建てても、電力が足りず、系統連系が遅く、冷却能力が不足すれば、計算力は収入に転換できない。これは計算力インフラのボトルネックがチップだけでなく、エネルギーとエンジニアリング能力にもあることを示す。計算力プロジェクトにとって、電力供給保証と系統連系の進捗は、チップ調達以上に実際の設置率と収入実現を左右するかもしれない。

五、産業チェーンへの影響：バリュエーションのアンカー、価格決定力、観測指標

今週の論点を合わせて見ると、計算力産業チェーンのバリュエーションのアンカーは三層の移行を起こしている。

**層は「計算力規模」から「有効計算力」への移行である。総計算力規模は依然として重要だが、投資家と顧客は設置率、利用率、推論スループット、トークンあたりコストをより重視する。10万カードクラスタが電力不足、ネットワーク輻輳、スケジューリング効率の低さを抱えれば、実際の有効計算力は名目規模を大きく下回る可能性がある。逆に、規模が小さくてもスケジューリングが効率的でキャッシュヒット率が高く、推論フレームワークが最適化されたクラスタは、より高い単位収入を生み得る。有効計算力がより現実的な競争力指標になる。

第二層は「カードリース収入」から「トークン収入」への移行である。カードリースモデルの収入は比較的安定だが、上限は賃料価格に制約される。トークン収入モデルは弾力性が大きいが、呼び出し量、価格設定、競争に影響される。計算力リース事業者がベアメタルだけを提供すれば価格競争に陥る可能性があるが、推論サービス、モデルホスティング、エージェント実行環境を提供できればより高い付加価値を得られる。クラウド事業者の競争もGPU設置速度から推論プラットフォーム能力へ移る。バッチ処理、キャッシュ、監視、伸縮自在のスケーリング、課金方式が含まれる。

第三層は「設備投資」から「回収期間」への移行である。計算力プロジェクトはもはや資金調達と建設だけの問題ではなく、運営とリターンの問題である。設備投資が大きいほど回収期間は長く、利用率と電気料金に敏感になる。計算力資産の資金調達コスト、減価償却政策、電力契約、顧客との長期契約がプロジェクトの実現可能性に影響する。政策側の「拡容と品質向上」がグリーン電力、液冷、ネットワーク、スケジューリングの協調を推進できれば回収期間短縮に役立つが、規模拡大だけなら需給ミスマッチを悪化させる可能性がある。

観測者にとって、今後数四半期にいくつかの指標群を注視できる。推論支出比率が上昇を続けるか。エージェントアプリによるトークン消費が持続的な支払いに転換するか。計算力リースのスポット価格とAPI価格が急速に下落するか。GPUの減価償却期間と中古価格が再評価されるか。データセンターの設置率、利用率、電力供給保証が改善するか。国産スーパーノードと液冷クラスタが実負荷下で示すスループットとエネルギー効率。大手モデル企業の推論粗利益率が完全コスト基準で維持できるか。これらの指標は単純な計算力規模よりも産業の健全性を反映する。

六、計算力競争の後半戦、競うのは「誰がより大きいか」ではない

過去1週間を振り返ると、計算力分野で最も熱い話題は単一製品、単一注文、単一政策ではなく、形成されつつある新しいコンセンサスだった。推論計算力が需要の主体になり、エージェントが計算力消費を断続的な学習から継続的でロングテールな生産負荷へ押し出し、計算力資産の商業的合理性が初めて「カード1枚・1時間あたりのリターン」で証明することを求められている。

これは学習が重要でないという意味でも、拡容が止まるという意味でもない。2592 EFLOPSの規模と「第15次五カ年計画」の5倍成長目標は、供給側が依然として高速拡張することを決める。学習には依然として大規模クラスタが必要で、フロンティアモデル競争には依然としてトップ級計算力が必要で、国産計算力のシステム級統合には依然として継続投資が必要である。しかし競争の重心は移っている。前半戦はより多くのカードを獲得し、より大きなクラスタを建設できるかを競った。後半戦は同じカードでより多くの課金可能な有効トークンを生み出せるか、誰の推論効率が単位計算力あたりの収入を減価償却、電力、資本コストより速く走らせられるかを競う。

DeepSeekの38ドルは出発点を提供するが、答えよりも問いに近い。Gartnerの3.5兆ドル警告と工業・情報化部の拡容計画が同じ週に現れ、Vera Rubinのラック密度とAmazonの遊休GPUが同時にニュースになるとき、計算力産業が本当に答えるべき問いはもはや「あとどれだけ計算力が必要か」ではなく、「その計算力がどのような効率で、いつ、誰のためにリターンを生むのか」である。転換点はすでに到来し、効率競争のホイッスルが鳴ったばかりだ。チップメーカー、クラウド事業者、モデル企業、計算力リース事業者、投資家にとって、今後最も重要な能力は計算力規模を拡大し続けることではなく、計算力を計量可能で価格設定可能、回収可能な有効生産性に変えることかもしれない。