人類が「人工超知能」を作れない理由、データセンターがいくらあっても足りない
2026年9月時点で、人工超知能をめぐる最大の誤解の1つは、「計算機を増やせば、知能も無限に増える」という考え方である。
現状（2026年9月時点）――AIは「計算資源を増やせば無限に賢くなる」のか
2026年9月時点の人工知能をめぐる議論では、「より巨大な計算機を用意し、より多くの半導体を投入し、より大量のデータを学習させれば、やがて人間を全面的に上回る人工超知能へ到達する」という見方が依然として強い。しかし、この考え方には重要な前提が隠れている。それは、計算資源、電力、半導体、データ、アルゴリズム、資金を増やし続ければ、知能の性能も同じように増加し続けるという仮定である。
実際には、人工知能の発展はすでに単純な「計算機を増やす競争」ではなくなっている。計算能力を増強するほど電力消費が増え、電力を供給するための発電所や送電網が必要となり、計算装置を増産するためには先端半導体、高帯域メモリー、高度な実装技術、変圧器、冷却設備など、膨大な周辺産業まで拡張しなければならないからである。
国際エネルギー機関の2026年4月の分析によれば、世界のデータセンターの電力消費量は2025年に前年比17%増加した。さらに人工知能に特化したデータセンターでは増加率がさらに高く、2025年だけで電力消費が約50%増加したとされる。これは、人工知能の発展がすでに情報産業内部だけの問題ではなく、世界の電力システムそのものに影響を及ぼす段階へ入ったことを意味する。
もっとも、ここで注意すべきなのは「人工知能は電力を大量に消費するから発展できない」という単純な話ではない。国際エネルギー機関によれば、1回の人工知能処理に必要な電力は、半導体やソフトウエアの改良によって急速に低下しており、単純な文章処理だけを見れば、過去数年間で効率は桁違いに改善している。
問題は、人工知能の利用方法そのものが変化している点にある。単純な文章生成だけなら消費電力は比較的小さいが、映像生成、長時間の推論、複数の処理を自律的に実行する仕組みなどでは、1回の処理に必要なエネルギーが単純な文章処理の数百倍から数千倍に達する場合がある。つまり、1回当たりの効率が向上しても、人工知能がより高度で計算量の大きい仕事をするようになれば、総消費電力は必ずしも減少しない。
この点は、人工超知能を考えるうえで極めて重要である。仮に現在の人工知能より桁違いに高度な知能を作ろうとすれば、単純な質問への回答だけではなく、複雑な推論、長期的な計画、検証、自己修正、複数分野にまたがる問題解決などを大量に処理する必要が生じる可能性がある。その場合、「1回の処理に必要な電力を減らす技術」と「1回の処理で必要になる計算量が増える現象」が同時に進行する。
したがって、人工超知能の問題を「データセンターを何個建設できるか」という数だけで判断することはできない。重要なのは、データセンターそのものよりも、その背後にある電力供給、送電網、冷却、半導体製造、メモリー、通信設備、資源、資金調達まで含めた巨大な計算基盤全体である。
① エネルギーと電力網の物理的限界――データセンターを建てても電気がなければ動かせない
現在の人工知能開発において、最も分かりやすい制約の1つが電力である。人工知能用の計算機は大量の電力を消費するが、電力はデータセンター内部だけで作れるものではなく、発電所、送電線、変電所、変圧器、蓄電設備などによって構成される巨大な電力システムから供給される。
国際エネルギー機関は、世界のデータセンターによる電力消費が2025年の約485テラワット時から2030年には約950テラワット時へ、ほぼ倍増すると予測している。これは2030年の世界の電力需要の約3%に相当する規模であり、データセンターだけを見ても1つの巨大産業として無視できない電力需要になる。
しかも問題は世界全体の電力量だけではない。電力は必要な場所に必要な瞬間に供給されなければならないため、巨大データセンターが集中する地域では、全国の発電能力が余っていても、地域の送電網や変電設備が対応できなければ新しい施設を稼働させられない。
この制約はすでに現実の問題になっている。国際エネルギー機関は、送電網への接続待ちとなっている再生可能エネルギー、蓄電設備、大規模需要設備などの計画が世界で2,500ギガワット以上存在するとしており、送電網への投資が発電能力の拡大に追いついていないと指摘している。さらに、計画されているデータセンターの約20%が、送電網の制約によって遅延する可能性があるとの分析も示されている。
ここには時間という問題もある。人工知能企業は比較的短期間で計算設備を増設できても、発電所や送電線、変電所などの電力インフラは、計画、用地確保、環境審査、資材調達、建設、接続試験などに長い時間を要する。人工知能の進歩速度と電力インフラの建設速度には、構造的な時間差が存在するのである。
さらに人工知能用の計算設備では、単に年間の電力量が多いだけではなく、短時間に巨大な電力を消費するという問題もある。国際エネルギー機関によれば、人工知能用サーバーの電力密度は2020年から2025年までの5年間で約11倍に上昇し、2027年までにはさらに約4倍になる可能性がある。これはデータセンター内部の電源設備や冷却設備だけでなく、外部の送電設備にも大きな負担を与える。
つまり、「データセンターを100個建設すれば、100倍の計算能力が得られる」という発想は現実には成立しない。100個の施設を動かすためには、その100個に対応する電力設備、冷却設備、通信設備、変電設備、送電容量を同時に確保しなければならないからである。
ここで「発電所を増やせば解決する」という反論が出てくる。しかし、発電所を増やすだけでは十分ではなく、発電した電力をデータセンターまで安定して運ぶ送電網が必要であり、さらに人工知能計算による急激な電力需要変動にも対応しなければならない。
したがって、人工超知能を現在型の大規模計算方式の延長で実現しようとする場合、最初に現れる壁は「計算機を作れるか」ではなく、「その計算機を社会全体として継続的に動かせるか」という問題になる。これは技術上の小さな障害ではなく、文明規模のエネルギーインフラに関係する問題である。
そして、この電力問題を解決したとしても、次にはさらに根本的な問題が待っている。それが、そもそも人工知能に投入できるデータと計算量を増やし続ければ、本当に知能そのものが無限に向上するのかという「データの壁」と「アーキテクチャの限界」である。
②「データの壁」とアーキテクチャの限界――計算量を増やせば「知性」は無限に伸びるのか
ここまでは、人工知能の大規模化が電力と電力網という物理的な制約に直面していることを確認した。第2回では、さらに根本的な問題として、人工知能を訓練するためのデータそのものには限界があり、しかも計算量を増やすことと「知能」を高めることは同じではないという問題を検討する。
現在の人工知能は、大量のデータから規則性や関係性を学習することで性能を向上させている。したがって、計算機の性能だけを高めても、学習させるための高品質なデータが不足すれば、従来と同じ方法による性能向上には限界が生じる。
この問題を「データの壁」と呼ぶことができる。米国の研究機関エポックAIは2024年の分析で、人間が作成した公開文章のうち、品質と重複を調整した有効な学習資源を約300兆単位と推定し、現在の増加傾向が続けば、人工知能が利用可能な人間生成文章を2026〜2032年の間に使い尽くす可能性があると試算した。推定には大きな幅があり、これは確定した未来予測ではないが、「高品質な人間生成データは無限ではない」という点を示す重要な研究である。
ここで重要なのは、単純なインターネット上の文章量と「人工知能にとって有用なデータ量」は同じではないということである。重複した文章、低品質な文章、誤情報、機械によって生成された文章、意味の薄い文章などを大量に投入しても、人間が作った高品質な知識を同じだけ追加したことにはならない。
さらに、人工知能の性能を高めるほど、必要になるデータの質も高くなる可能性がある。初歩的な文章理解なら大量の一般文章から学習できるが、科学研究、数学、法律、工学、戦略立案などの高度な能力を獲得させる場合には、単純な文章量だけではなく、正確性、論理性、検証可能性、専門性を備えたデータが必要になる。
つまり、問題は「インターネット上に文章が何文字存在するか」ではない。人工知能が次の段階へ進むために必要な、質の高い新しい情報をどれだけ継続的に供給できるかという問題である。
人工生成データという解決策と、その限界
この壁を乗り越える方法として注目されているのが、人工知能自身に学習データを作らせる方法である。人間が作ったデータだけでは不足するなら、既存の人工知能に問題、回答、推論過程、文章、プログラムなどを大量に生成させ、それを次の人工知能の学習に利用すればよいという考え方である。
実際、2025年にはマイクロソフト研究所も、利用可能なインターネット上のデータが減少する問題に対して人工生成データが重要な解決策になり得るとしている。人工生成データは、人間が直接作成するよりもはるかに高速かつ大量に生産できるため、データ不足を緩和する手段として大きな可能性を持つ。
しかし、ここには循環的な問題がある。人工知能が作ったデータを新しい人工知能の学習に使う場合、そのデータの正確性を誰が保証するのかという問題である。
もし誤った情報を含む人工生成データを大量に学習させれば、次のモデルがその誤りを引き継ぐ可能性がある。さらに、そのモデルが作ったデータを再び次のモデルに与えるという循環を繰り返せば、元の人間社会が持っていた多様な情報や知識が徐々に失われる危険性も考えられる。
したがって、人工生成データは「無限の新しい知識」ではない。既存の知識を組み合わせ、新しい形式で表現したデータを大量に作れるという意味では強力だが、人工知能が未知の現実そのものを無条件に生成できるわけではない。
この違いは人工超知能を考えるうえで決定的に重要である。人間がまだ知らない物理法則や新しい数学的原理、未知の生物学的現象などを人工知能に発見させるためには、既存データの再構成だけでは足りず、現実世界との接触、実験、観測、検証が必要になる場合がある。
つまり、人工知能が「自分でデータを作ればデータ不足は完全に解決する」という考え方は成立しない。人工生成データはデータの壁を押し広げる技術ではあるが、その壁そのものを消滅させる技術ではない。
「計算量を増やす」ことと「知能を増やす」ことは違う
もう1つの重要な問題が、計算量の拡大と知能の関係である。これまでの人工知能開発では、より大きなモデル、より多くの学習データ、より多くの計算量を投入することで性能が向上してきたため、「今後も同じ方法を続ければさらに高度な知能へ到達できる」という期待が生まれた。
しかし、性能向上には限界がある。モデルを大きくすれば必ず同じ割合で性能が向上するわけではなく、計算量を増やすほど追加の計算から得られる性能向上が小さくなる領域が存在する。
特に2025年以降は、人工知能に回答を生成させる段階で追加の計算を投入する「推論時の計算拡大」が重要な研究対象になった。国際学習表現会議で発表された研究では、問題の難易度に応じて推論時の計算資源を適切に配分すれば、単純にモデルの規模を大きくするより効率的に数学的推論能力を向上させられることが示されている。
これは一見すると、「計算量を増やせば人工知能はさらに賢くなる」という説を裏付けているように見える。しかし、実際には逆の意味も持っている。重要なのは計算量そのものではなく、どこに、どのように計算資源を投入するかだからである。
さらに、2025年から2026年にかけての研究では、考える時間を長くすれば常に正答率が上昇するわけではないことも確認されている。マイクロソフト研究所などの研究では、推論過程を必要以上に長くすると、特定の領域ではかえって性能が低下する場合があると報告されている。
2026年の研究でも同様の傾向が報告されている。追加の推論計算を増やすにつれて、その限界効果が小さくなり、場合によっては「考えすぎ」によって、それまで正しかった回答を捨てて誤った結論へ進む現象が確認されている。
この現象は極めて重要である。もし「計算量を10倍にすれば知能も10倍になる」という関係が成立していれば、人工超知能への道は比較的単純であり、巨大なデータセンターを建設し続ければよいことになる。
しかし現実の研究結果は、そう単純ではない。計算量には効率的に能力へ変換できる部分と、ほとんど性能向上につながらない部分があり、さらに一定量を超えると余計な計算が誤りを増やす可能性すらある。
データ移動という見えない壁
さらに、大規模人工知能では「計算そのもの」だけでなく、計算機同士の間でデータを移動させることも巨大な問題になる。人工知能の学習では、多数の計算装置を同時に動かす必要があり、それぞれの装置が必要な情報を高速に交換しなければならない。
エポックＡＩの研究では、大規模な人工知能の学習をさらに拡張すると、計算能力そのものではなく、装置間でデータを移動させる能力がボトルネックになる可能性が指摘されている。2024年の分析では、一定以上の計算量に達するとデータ移動による遅延が急速に問題となり、さらに大規模な学習では通信方式そのものの改善が必要になると分析されている。
これは第1回で扱った電力問題ともつながっている。計算装置を増やせば、それぞれの装置が消費する電力だけでなく、装置間の通信にも電力が必要になり、さらに通信のための配線、ネットワーク装置、記憶装置、冷却設備まで必要になる。
したがって、人工知能の規模を100倍にすることは、単純に計算機を100倍並べれば済む問題ではない。計算、記憶、通信、電力、冷却を一体として拡大しなければならず、どこか1つの部分が限界に達すれば、全体の性能向上が止まる。
真の知性である人工超知能へ到達することは理論的に困難
ここで「人工超知能」という概念そのものに目を向ける必要がある。現在の人工知能が非常に高い文章生成能力や問題解決能力を持つことと、人間を全面的に上回る一般的知能を持つことは同じではない。
人工超知能を、人間より広範な領域で優れた推論、学習、計画、発見、判断、自己改善などを行える知能と定義するなら、必要なのは単なる情報量ではない。未知の問題に対応し、自分の誤りを発見し、必要な情報を取得し、仮説を立て、現実世界で検証し、失敗から学ぶ能力まで必要になる。
ここで現在の大規模人工知能の構造との間に大きな隔たりが存在する。大量の既存情報から高精度な出力を生成する能力が向上しても、それだけで「世界について自律的に理解する知能」が成立するとは限らない。
もちろん、現在の方式から人工超知能が生まれないと証明されたわけではない。むしろ、推論時の計算、外部記憶、人工生成データ、複数の人工知能を組み合わせる方式など、新しい研究によって従来の限界を突破する可能性は十分に残されている。
しかし、ここで重要なのは、人工超知能の実現可能性と、現在の方法を単純に巨大化することの実現可能性を分けて考えることである。前者について科学的な確定結論は存在しないが、後者についてはすでにデータ、通信、計算効率、電力、経済性など複数の制約が確認されている。
したがって、「データセンターをもっと建設すれば人工超知能ができる」という主張は、現時点では科学的な証明ではなく、1つの仮説にすぎない。むしろ現在の研究から見えてくるのは、人工知能の次の飛躍には、単純な規模拡大とは異なる新しい計算方式、学習方式、推論方式、記憶方式などが必要になる可能性である。
そして、この問題をさらに深くすると、データセンターを増設するために必要な半導体、メモリー、先端製造設備、希少資源、冷却装置、電力設備そのものを世界がどこまで増産できるのかという問題に行き着く。
第2回の結論は明確である。人工知能には「計算量を増やせば能力が増える」という単純な比例関係が存在するわけではなく、データにも計算にも通信にも限界がある。人工超知能を実現するには、現在の方式を巨大化するだけではなく、知能そのものを成立させる計算原理について新しい突破口が必要になる可能性が高い。
③サプライチェーンと資源の枯渇――ハードウェアの調達自体が持続不可能な速度で限界を迎えつつある
ここまでは人工知能の大規模化が電力と電力網という物理的な制約に直面していることを確認し、データと計算量を増やすだけでは知能が無限に向上するわけではないことを見た。ここからはその計算を実際に行うための半導体、メモリー、製造設備、冷却設備、電力機器などの供給能力に焦点を当てる。
人工知能の計算能力は、画面上に存在する抽象的な数字ではない。それを実際に動かしているのは、膨大な数の半導体と記憶装置、基板、電源、ネットワーク機器、冷却設備、建物、送電設備であり、それらを製造するためにはさらに複雑な世界規模の産業網が必要になる。
このため、人工知能の計算能力を10倍にすることは、単純に計算装置を10倍発注すれば実現するものではない。計算装置を製造する工場、半導体製造装置、高純度材料、メモリー、先端実装、電源設備、冷却設備、輸送能力まで同時に拡張する必要がある。
半導体だけ増やしても計算能力は増えない
現在の人工知能向け半導体では、演算装置そのものだけでなく、高帯域メモリーと呼ばれる高速な記憶装置が極めて重要になっている。人工知能の計算では大量のデータを高速に読み書きする必要があるため、演算能力だけが高くても、必要なデータを十分な速度で供給できなければ全体の性能を引き出せない。
このため、人工知能向け半導体の供給制約は、演算用半導体の製造能力だけを見ることでは把握できない。演算装置、高帯域メモリー、先端パッケージング、基板、電源、通信機器などのどこか1つが不足すれば、完成した計算装置全体の供給が制限される。
2025年の分析では、人工知能向け半導体の供給網において、高帯域メモリーと先端パッケージングが重要な制約となっていることが指摘された。特に先端パッケージングは、複数の半導体を高密度で接続するために不可欠であり、最先端の人工知能用計算装置では演算半導体そのものと同じくらい重要な存在になっている。
ここで重要なのは、製造能力を増やすにも時間がかかることである。新しい半導体工場を建設するには巨額の投資が必要であり、工場が完成したとしても、製造装置の導入、調整、品質確認、量産化までにさらに時間を要する。
つまり、人工知能企業が「来年は現在の5倍の計算能力が必要だ」と判断しても、半導体産業が翌年に5倍の供給能力を用意できるとは限らない。需要の増加速度と製造設備の増設速度が一致しないのである。
先端パッケージングという見えにくいボトルネック
人工知能用半導体では、半導体そのものを小さくするだけではなく、複数の半導体を高速に接続する技術が重要になっている。これは人工知能の計算が、単一の巨大な半導体だけで完結するのではなく、多数の演算装置とメモリーを高速な通信で結びつける方式へ進んでいるためである。
その結果、半導体産業では「最先端の演算半導体を作れるか」という問題に加えて、「その半導体を必要なメモリーと組み合わせ、十分な速度で動作する完成品に仕上げられるか」という問題が生じている。
これは人工知能の大規模化にとって重要な意味を持つ。仮に演算用半導体の製造能力だけを2倍にできても、先端パッケージング能力が増えなければ、完成した人工知能用計算装置の供給量は2倍にならない。
さらに高帯域メモリーにも供給能力の限界がある。人工知能用計算装置では大量のデータを高速に読み書きする必要があるため、計算装置の性能向上に合わせてメモリーの容量と帯域幅も拡張しなければならない。
したがって、人工知能の計算能力を将来的に100倍へ拡大するという構想は、「演算装置を100倍作る」という話ではない。演算装置に接続するメモリー、通信経路、電源、冷却、実装設備まで含めて、供給網全体を100倍に近づける必要がある。
半導体製造装置も無限には増えない
さらに見落とされやすいのが、半導体を製造するための製造装置である。半導体工場そのものを建設しても、そこで使用する露光装置、成膜装置、エッチング装置、検査装置などが不足すれば量産能力は増えない。
特に最先端半導体では、製造工程が複雑化している。微細化された回路を形成するためには多数の工程を高精度で繰り返す必要があり、1つの工程に問題が発生するだけでも製品全体の歩留まりに影響する。
そのため、人工知能用半導体の需要が急増すると、半導体企業だけではなく、そのさらに上流に位置する製造装置企業にも巨大な需要が集中する。そこでは装置を製造するための部品、光学機器、特殊材料、精密機械などが必要になり、供給網はさらに長くなる。
これは「人工知能の需要が増えたから工場を増やせばいい」という単純な問題ではない。人工知能産業の拡大は、何段階にも分かれた産業網全体の同時拡張を要求する。
資源の問題は「枯渇」だけではない
人工知能の将来を考える際、「資源がなくなる」という表現には注意が必要である。地球上の特定の元素が近い将来に完全になくなるという意味ではなく、問題になるのは、必要な品質、量、価格、採掘速度、精製能力、輸送能力を同時に満たせるかどうかである。
人工知能用データセンターでは、半導体だけでなく、銅、アルミニウム、鋼材、シリコン、各種の特殊材料など大量の資源が必要になる。さらに電力網を拡張するためには送電線、変圧器、変電設備なども必要になり、人工知能需要の増加が資源需要を間接的に押し上げる。
国際エネルギー機関は、人工知能とデータセンターの急拡大によって、電力設備だけでなく、発電、送電、冷却設備などの供給網にも新たな需要が発生すると分析している。つまり人工知能の資源問題は、人工知能産業だけの資源問題ではなく、人工知能を支えるインフラ全体の資源問題として考えなければならない。
ここでは「資源が地球から消える」という単純な枯渇論より、「必要な速度で採掘、精製、加工、輸送できるのか」という供給能力の問題が重要になる。資源が地球上に存在していても、鉱山開発、精製設備、環境規制、輸送網、資金などの制約によって、短期間で市場に供給できるとは限らないからである。
冷却も巨大な産業になる
計算装置が高性能になるほど、発生する熱も増加する。したがって人工知能用データセンターでは、電力を供給するだけでなく、その電力を最終的に熱として処理するための冷却設備が必要になる。
特に高密度の人工知能計算では、従来型の空気による冷却だけでは対応しにくくなり、液体を利用した冷却方式などが重要になっている。これは冷却装置そのものの設備投資を増加させるだけでなく、水、配管、ポンプ、熱交換設備などの需要も増やす。
ここでも「計算装置を増やせばいい」という考え方は成立しない。計算装置を増やすほど、電源と冷却設備を増やさなければならず、冷却設備を増やすためには建物や配管などのインフラも拡張する必要がある。
さらにデータセンターは特定地域に集中する傾向があるため、地域によっては水資源や電力供給への負担が問題になる。人工知能の計算能力を世界規模で増やそうとすれば、単に世界全体の資源量を見るだけではなく、どの地域で、どの資源を、どれだけ利用できるのかという地理的条件まで考える必要がある。
「データセンターを増やす速度」にも限界がある
ここまでをまとめると、人工知能の計算能力を拡大するためには、少なくとも演算半導体、高帯域メモリー、先端パッケージング、半導体製造装置、電力設備、送電網、冷却設備、通信設備、建設能力を同時に拡大する必要がある。
このうち1つでも供給が追いつかなければ、全体の拡大速度はそこに引きずられる。これは工学でいう典型的なボトルネックの問題であり、巨大な人工知能システムほど複数の供給網を同時に満たさなければならない。
しかも、それぞれの産業には固有の建設期間がある。半導体工場を建設する時間と送電線を建設する時間は異なり、鉱山開発に必要な時間も異なるため、すべてを同じ速度で拡張することはできない。
このため、人工知能企業が巨大な資金を持っていたとしても、資金だけでは解決できない制約が存在する。市場に必要な部品や設備が存在しなければ、資金は計算能力そのものに変換されないからである。
それでも半導体の性能向上は続いている
ただし、ここで「ハードウェアの限界が近いから人工知能の進歩は止まる」と結論づけるのも早計である。半導体企業は、より高性能な演算装置だけでなく、電力効率の改善、高帯域メモリーの高速化、複数チップの統合、専用回路の利用などによって、同じ電力や同じ設備からより多くの人工知能計算を引き出そうとしている。
これは第1回、第2回で扱った問題ともつながる。人工知能の未来は「どれだけ多くの計算機を作れるか」だけではなく、「同じ計算機からどれだけ多くの有効な知能を引き出せるか」に左右される。
したがって、ハードウェア供給の限界は人工知能の発展そのものの終点ではない。むしろ、供給制約が強くなるほど、計算効率の改善や新しい半導体設計、異なる計算方式への移行が重要になる。
問題は「無限の拡大」が必要になること
人工超知能を現在型の大規模人工知能の延長で実現する場合、最も大きな問題は、どこまで計算資源を増やし続ける必要があるのかという点にある。
もし人工知能の能力が計算資源に対してほぼ比例して増加するのであれば、人工超知能へ近づくほど必要な半導体、電力、データセンターも膨張することになる。その場合、技術的な問題だけでなく、世界の産業と資源をどこまで人工知能計算へ振り向けられるのかという社会的問題になる。
逆に、一定以上の規模で計算量を増やしても能力向上が小さくなるのであれば、巨大なデータセンターを増設する経済合理性そのものが失われる。これは次回の中心テーマとなる「収穫逓減」の問題につながる。
つまり、人工知能のハードウェア問題は、「半導体がいつか完全になくなる」という話ではない。より本質的なのは、人工知能が必要とする計算能力の増加速度に対して、地球規模の製造、資源、電力、建設、物流の供給速度がいつまで追いつけるのかという問題である。
そして、ここまでの3回を通じて見えてくるのは、人工超知能への道には単独の壁が存在するのではなく、電力、データ、通信、半導体、資源、冷却、資金という複数の壁が同時に存在するという事実である。
第3回の結論は、ハードウェアの供給能力そのものが人工知能の発展速度を決める重要な要因になりつつあるということだ。人工知能用計算機を無限に増やすには、半導体だけでなく、その上流から下流まで存在する巨大な産業網を同時に拡張しなければならず、これは単純な設備投資では解決できない。
④経済的持続可能性のジレンマ――「収穫逓減」は始まっているのか
ここまで人工知能の大規模化を阻む要因として、電力、データ、通信、半導体、メモリー、資源、冷却設備などを検討してきた。ここからは、それらをすべて資金によって解決できると仮定した場合でも、巨大な計算資源への投資を際限なく続けることに経済的合理性があるのかを検証する。
現在の人工知能産業には、従来の情報技術産業とは比較にならない規模の設備投資が集中している。データセンター、人工知能用半導体、電力設備、通信網、冷却設備などへの投資は急速に拡大しており、人工知能の能力向上が続く限り、企業はさらに大規模な設備を必要とする。
しかし、ここには重要な矛盾が存在する。人工知能の性能を高めるために計算資源を増やすほど費用は増加する一方、追加で投入した計算資源から得られる性能向上は、永遠に同じ割合で増えるとは限らないからである。
巨額投資を正当化する条件
人工知能への巨大投資が経済的に成立するためには、少なくとも追加投資によって得られる利益が、設備費、電力費、半導体費、データセンター建設費、人件費などの追加費用を上回る必要がある。
例えば、ある人工知能の性能を2倍にするために計算資源が2倍必要で、その性能向上によって収益も2倍以上になるなら、企業には投資する理由がある。しかし、計算資源を2倍にしても性能が10%しか向上せず、そのために莫大な電力と設備費が必要になるなら、投資の効率は急速に悪化する。
この問題が「収穫逓減」である。投入する資源を増やしても、そこから得られる追加的な成果が徐々に小さくなる現象であり、人工知能の規模拡大を考える際には極めて重要な概念になる。
もちろん、人工知能の発展がすでに全面的な収穫逓減に入ったと断定することはできない。実際には新しい学習方法や推論方法、半導体技術によって、同じ計算資源からより大きな性能を引き出せる可能性があるためである。
しかし、少なくとも「計算資源を増やせば必ず同じ割合で性能が向上する」という前提は、現在の研究結果からは支持しにくい。むしろ、モデルの規模、学習データ、推論時の計算など、それぞれの拡大方法には異なる限界が存在する。
計算量を増やすほど費用も増える
人工知能の計算には、半導体を購入するための費用だけでなく、電力を継続的に供給する費用が発生する。さらにデータセンターの建物、冷却設備、通信設備、保守、人員、土地、保険などの固定費も必要になる。
国際エネルギー機関によれば、データセンターの電力消費は今後も急速に増加する見込みであり、人工知能に特化した施設では一般的なデータセンターより高い電力密度と電力需要が発生する。つまり、計算資源の増加は単純な半導体購入費の増加ではなく、長期的な運用費用の増加を伴う。
しかも、人工知能の利用が拡大するほど、計算需要は学習だけに限定されなくなる。利用者からの問い合わせ、画像や映像の生成、複雑な推論、複数段階の処理、自律的な作業など、実際の運用段階で大量の計算資源が消費される。
これは非常に重要な違いである。人工知能を訓練するための計算は一度の巨大投資として考えられるが、完成した人工知能を世界中の利用者が使う場合、その計算費用は継続的に発生する。
もし将来の人工知能が現在よりはるかに長い推論を必要とするようになれば、性能向上と利用コストの間に新しい緊張関係が生まれる。高度な知能を得るために1回の処理で大量の計算を必要とするなら、その人工知能を社会全体へ普及させるためには、それだけ巨大な計算基盤を維持しなければならない。
推論時の計算がもたらす新しい経済問題
ここまでで扱ったように、近年の人工知能では、回答を出す前により多くの計算を行わせることで性能を高める方法が重要になっている。これは複雑な問題を解く能力を向上させる可能性がある一方、回答1回当たりの計算量を増加させる。
ここで新しい経済的問題が発生する。人工知能がより賢くなるほど、1回の利用に必要な計算量が増えるなら、「より高性能な人工知能を作ること」と「安価に大量利用できる人工知能を作ること」が必ずしも同じ方向を向かなくなる。
研究では、推論時に追加の計算を投入することで性能を改善できる一方、その効果は無限には続かず、一定水準を超えると追加計算の効果が小さくなることが示されている。さらに、問題によっては推論を長くしすぎることで、かえって正答率が低下する現象も確認されている。
この現象は、人工超知能を考える際に非常に重要である。もし知能を高めるために必要な計算量が性能向上より速い速度で増加するなら、人工超知能の運用コストは急激に上昇する可能性がある。
つまり、問題は「人工超知能を作れるか」だけではない。「人工超知能を作ったとして、それを社会が経済的に利用できるのか」という第2の問題が発生する。
データセンターの稼働率という問題
巨大なデータセンターを建設すれば、それだけで投資が成功するわけではない。設備を高い稼働率で使用し、計算需要から十分な収益を得る必要がある。
しかし、人工知能用計算資源の需要は時間帯や用途によって変化する。学習処理は非常に大量の計算を必要とする一方、常時同じ規模で発生するとは限らない。
また、人工知能用半導体が急速に進化すると、数年前に導入した設備が最新設備より効率で劣る可能性もある。企業は高価な計算設備を導入した直後から、さらに新しい世代の設備への更新を迫られることになる。
この構造は、従来の工場設備とは異なる負担を生む。製造設備の場合、製品の需要が安定していれば長期間使用できるが、人工知能用計算設備では技術進歩そのものが旧世代設備の経済価値を低下させる可能性がある。
したがって、人工知能企業にとって重要なのは「どれだけ多くの計算機を保有しているか」だけではない。「その計算機を何年間、どれだけ効率的に使えるのか」という資産回収の問題も重要になる。
人工知能企業の投資競争はどこまで続くのか
現在の人工知能市場では、企業が競争上の理由から巨大な設備投資を行うという側面もある。競合企業がより大規模な計算基盤を構築すれば、自社も追随しなければ技術競争から脱落するという圧力が働く。
これは個々の企業にとって合理的でも、産業全体では別の問題を生む可能性がある。各社が競争上の理由から同時に計算資源を拡大すれば、半導体、電力、送電設備、データセンター建設能力などに需要が集中するからである。
その結果、設備価格や電力価格が上昇し、さらに次の投資が必要になるという循環が生まれる可能性がある。人工知能企業にとっての競争上の必要性が、そのまま社会全体にとっての経済合理性を意味するわけではない。
この問題は特に重要である。人工知能企業が「競争に勝つために計算資源を増やす」ことと、「追加計算によって社会全体が得る利益が追加コストを上回る」ことは別の問題だからである。
「収穫逓減」は人工知能の終わりを意味しない
ここで注意しなければならないのは、収穫逓減が存在することと、人工知能の進歩が停止することは同じではないという点である。
収穫逓減とは、あくまで追加投入の効率が低下する現象である。計算資源を10倍にして性能が2倍になったとしても、それは依然として大きな技術進歩である。
問題は、その「2倍」のために必要な費用がどれだけ増えるかである。もし計算資源10倍に対して費用も10倍になり、得られる経済的価値が2倍にしかならないなら、企業は次の10倍投資を慎重に判断することになる。
逆に、アルゴリズムの革新によって同じ計算資源から10倍の性能を引き出せるようになれば、状況は一変する。だからこそ、人工知能の将来を考える場合、巨大データセンターの増設だけではなく、計算効率を劇的に高める技術革新が重要になる。
本当の突破口は「省電力化」なのか
ここまでの分析から、人工知能の次の段階に必要な技術の方向性が見えてくる。第1の方向は、同じ知能をより少ない電力で実現することである。
現在の人工知能用半導体は急速に高性能化しているが、性能向上と電力消費の関係には限界がある。したがって、計算能力そのものを増やすだけでなく、必要な計算だけを実行し、不要な計算を削減することが重要になる。
これは人工知能の構造そのものを変える可能性がある。すべての問題を巨大な計算機で処理するのではなく、問題の難易度を判断し、必要な部分だけ計算資源を投入する方式なら、同じ設備からより高い実効性能を得られる。
しかし、省電力化だけですべての問題が解決するわけではない。現在の計算方式そのものが、人工超知能に必要な能力を実現するために十分なのかという、より根本的な問題が残っている。
根本的に異なる計算パラダイムが必要になる可能性
もし現在型の人工知能を巨大化することで得られる性能向上が徐々に小さくなるなら、最終的に必要になるのは「もっと大きな計算機」ではなく、「違う方法で計算すること」になる可能性がある。
例えば、人間の脳は巨大なデータセンターとはまったく異なる構造で動作している。脳が極めて少ないエネルギーで複雑な認識、学習、予測、計画を行えることを考えると、現在の人工知能が必ずしも最終的な計算方式ではないことは十分に考えられる。
もちろん、人間の脳をそのまま再現すれば人工超知能が完成するという意味ではない。重要なのは、現在の人工知能が採用している計算方式以外にも、知能を生み出す原理が存在する可能性があるという点である。
将来的には、脳型計算、新しい記憶方式、新しい半導体構造、確率的計算、光を利用した計算など、現在とは異なる方式が重要になる可能性がある。ただし、これらの技術が人工超知能を実現できると現時点で証明されているわけではなく、あくまで研究対象として考える必要がある。
「データセンターを増やす競争」の限界
ここまでをつなげると、人工知能の大規模化には一種の連鎖構造が存在することが分かる。計算能力を増やすには半導体が必要であり、半導体を増やすには製造設備と資源が必要であり、それらを動かすには電力が必要であり、データセンターには冷却と通信が必要になる。
さらに、そのすべてに巨額の資金が必要になる。にもかかわらず、追加された計算能力から得られる性能向上が徐々に小さくなれば、投資効率は低下する。
この構造を考えると、「人工超知能を作るにはデータセンターを増やし続ければよい」という考え方には明確な弱点がある。計算資源の拡大は人工知能を発展させる重要な要素ではあるが、それだけで知能そのものの質的飛躍を保証するものではない。
むしろ、今後の最大の競争は、どの企業が最も巨大なデータセンターを建設するかではなく、どの企業が同じ電力、同じ半導体、同じ計算資源から最も大きな知能を引き出せるかへ移っていく可能性がある。
この意味で、省電力化は単なる電気代削減の技術ではない。それは人工知能の物理的な限界を押し広げるための中心的な技術になる可能性がある。
そして、さらに重要なのは、現在の計算方式ではどうしても越えられない壁が存在するなら、最終的には根本的に異なる計算パラダイムを発見する必要があるということである。
ここまでの結論は、人工知能への巨額投資が永遠に続くとは限らないということだ。計算資源を増やすほど費用が増大し、追加計算による性能向上が小さくなる「収穫逓減」が進めば、巨大データセンターを増設し続けるだけでは人工超知能への道を維持できなくなる可能性がある。
したがって、人工超知能への本当の突破口は、単純な計算規模の拡大ではなく、省電力化、計算効率の飛躍的向上、そして現在とは根本的に異なる新しい計算パラダイムにある可能性が高い。
ASIは本当に不可能なのか――限界の先にある「次の計算パラダイム」
ここまで人工知能の大規模化を支える電力、データ、計算方式、半導体、資源、経済性を検討してきた。最終回では、それらを統合したうえで、「人工超知能は不可能なのか」という最も重要な問いに答える。
結論を先に述べれば、2026年9月時点の科学的知見から、人工超知能が原理的に不可能だと証明することはできない。一方で、現在主流となっている大規模人工知能を、そのまま巨大化していけば自動的に人工超知能へ到達できるという証拠も存在しない。
むしろ現在までの研究から見えてくるのは、計算資源を増やすだけでは複数の壁に突き当たるという事実である。電力、半導体、メモリー、先端実装、データ、通信、推論計算、費用という複数の制約が同時に存在するため、単純な「巨大化競争」には限界がある。
4つの壁
第1の壁はエネルギーである。国際エネルギー機関は、データセンターの世界の電力消費が2024年の約460テラワット時から2030年には約945テラワット時へ倍増すると予測しており、人工知能を中心とする高速計算用サーバーがその増加の主要因になると分析している。
しかも、問題は発電量だけではない。国際エネルギー機関によれば、データセンターは比較的短期間で建設できても、それを支える送電網や電力インフラにはより長い計画期間と建設期間が必要になるため、人工知能の拡大速度と電力インフラの拡大速度が一致しない可能性がある。
第2の壁はデータである。エポックＡＩは、人間が作成した公開文章について、品質と重複を調整した有効な学習資源を約300兆単位と推定し、現在の増加傾向が続けば2026〜2032年の間に大規模言語モデルがこの蓄積を使い切る可能性を示した。これは予測であり不確実性も大きいが、「人間が作った高品質なデータを無限に投入できる」という前提には明確な疑問を投げかける。
第3の壁はハードウェアである。2025年には、主要な人工知能半導体設計企業4社が世界の高帯域メモリー供給と先端パッケージング能力の約90%を消費したとエポックＡＩは推定している。つまり、人工知能用半導体の生産量を増やそうとすると、演算用半導体だけではなく、メモリーと先端実装という別のボトルネックを同時に拡張する必要がある。
第4の壁は経済性である。計算資源を増やすほど人工知能の能力が向上するとしても、その追加性能が投入した資金、電力、半導体、設備に見合うとは限らない。特に推論時の追加計算では、計算量を増やすほど性能が向上する領域がある一方、追加計算の効果が小さくなる領域もあり、「計算量を増やせば無限に賢くなる」という単純な関係は成立しない。
では、人工超知能への到達は不可能なのか
ここで重要な区別が必要になる。
「現在の方式を巨大化するだけでは限界がある」という命題と、「人工超知能そのものが不可能である」という命題は同じではない。
前者については、すでに多くの制約が確認されている。後者については、現在の科学にはそれを証明する根拠がない。
人工知能の歴史を振り返れば、これまでにも「これ以上の性能向上は難しい」と考えられた壁が何度も存在した。しかし、より効率的なアルゴリズム、新しい学習方法、半導体の進歩、データの利用方法の変化などによって、その壁が押し広げられてきた。
したがって、「人工超知能は不可能」と断定するのは科学的には強すぎる。より妥当な表現は、「現在主流の計算方式を単純に巨大化するだけでは、人工超知能への到達を保証できない」というものである。
「もっと大きくする」から「もっと賢く計算する」へ
今後の人工知能開発で重要になるのは、計算能力そのものよりも、計算能力をどのように使うかになる可能性がある。
例えば、すべての問題を巨大なモデルですべて計算するのではなく、簡単な問題には少ない計算資源を使い、難しい問題だけに大量の計算を投入する方式が考えられる。この方法なら、同じ計算設備でも実質的な処理能力を高められる。
また、すべての情報をモデル内部に記憶させるのではなく、必要なときに外部の記憶装置や検索機構を利用する方式も重要になる。これによって、モデルそのものを際限なく巨大化させずに、利用可能な情報量を拡張できる可能性がある。
さらに、複数の専門的な人工知能を組み合わせる方式も考えられる。1つの巨大な人工知能ですべてを処理するのではなく、数学、法律、科学、計画、検証など異なる役割を持つ人工知能を連携させることで、全体として高度な問題解決能力を構築できる可能性がある。
これは、人工超知能への道が必ずしも「1個の巨大な人工知能を作ること」ではないことを意味する。
省電力化は単なるコスト削減ではない
今後特に重要になるのが省電力化である。
人工知能の計算効率が10倍になれば、同じ性能を10分の1の電力で実現できる可能性がある。逆に言えば、電力供給が制約となる世界では、計算効率の10倍向上は、単純にデータセンターを10倍建設することと同等以上の価値を持つ。
国際エネルギー機関も、人工知能による電力需要の将来予測について、ハードウェアとソフトウエアの効率改善が重要な不確定要素になるとしている。実際、技術の効率がどの程度改善するかによって、2030年以降のデータセンター電力需要には大きな差が生じる。
これは単なる経済問題ではない。もし計算効率が大幅に向上すれば、電力、半導体、冷却設備、データセンター建設など、これまで人工知能の拡大を制限していた複数の壁を同時に緩和できるからである。
本当に必要なのは「新しい計算原理」か
しかし、省電力化だけでも人工超知能への到達が保証されるわけではない。最終的な問題は、現在の人工知能が採用している計算方式そのものが、十分な一般知能を生み出せるのかという点にある。
もし現在の方式を100倍、1000倍に拡張しても、知能の質的向上が限定的なら、最終的には別の方法が必要になる。
この意味で、人工超知能への本当の突破口は、単なる「巨大化」ではなく、計算効率と知能の関係そのものを変える新しい計算パラダイムになる可能性がある。
それがどのようなものになるのかは、2026年9月時点では分からない。脳の構造を参考にする方式、異なる種類の計算装置を組み合わせる方式、光を利用した計算、新しい記憶構造、確率的な計算方式など、多数の研究方向が存在するが、どれが人工超知能につながるかはまだ決着していない。
ここで重要なのは、「新しい方式が必ず必要だ」と断定することでもない。現在の方式がさらに改良され、既存の方法の組み合わせによって人工超知能が実現する可能性も残されている。
したがって、科学的に最も慎重な結論は、「現在の巨大化路線だけでは不十分である可能性が高く、人工超知能を実現するには、計算効率、学習、記憶、推論、自己改善などのいずれかに質的な突破が必要になる可能性がある」というものになる。
「データセンターがいくらあっても足りない」という表現の意味
ここで今回のテーマである「データセンターがいくらあっても足りない」という表現を改めて考える必要がある。
これは、文字どおりデータセンターが無限に必要だという意味ではない。むしろ、現在型の人工知能を単純に巨大化する方法を採用すると、計算需要の増加に対して電力、半導体、メモリー、冷却、通信、資金などの必要量も増え続けるため、最終的にどこかで社会的・物理的な制約にぶつかるという意味である。
国際エネルギー機関の予測でも、2030年には世界のデータセンター電力消費が約945テラワット時となり、現在の日本の総電力消費量に匹敵する規模になるとされている。しかもこれは人工超知能を実現するための電力ではなく、現在から近い将来に予想されるデータセンター需要を示した数字である。
したがって、人工超知能を現在の方式の延長で実現しようとすれば、データセンターの問題は「何棟建設するか」では終わらない。どれだけの発電能力を人工知能に割り当て、どれだけの半導体を生産し、どれだけの資源を投入し、どれだけの費用を社会が負担できるのかという問題になる。
人工超知能が実現するために必要なもの
では、人工超知能の実現に必要な条件は何なのか。
第1に、計算効率の大幅な向上が必要になる可能性が高い。現在より少ない電力で、より複雑な推論と学習を実行できる技術があれば、電力と設備の制約を大幅に緩和できる。
第2に、データの利用方法を変える必要がある。人間が作ったデータを単純に大量投入するだけではなく、人工生成データ、実験、観測、外部記憶、現実世界からの情報取得などを組み合わせる必要がある。
第3に、推論能力の改善が必要になる。大量の情報を知っていることと、未知の問題を正しく解決できることは同じではない。人工超知能には、仮説を作り、検証し、失敗を分析し、必要な情報を探し、計画を修正する能力が重要になる。
第4に、計算資源の配分を最適化する必要がある。すべての処理に最大規模の計算機を使用するのではなく、問題の難易度や重要性に応じて計算量を変える仕組みが必要になる。
そして第5に、現在の方式では突破できない壁が確認された場合には、根本的に異なる計算方式を発見する必要がある。
それでも「人工超知能は不可能」とは言えない
ここまで検証すると、今回のテーマに対する答えはかなり明確になる。
人工超知能が不可能なのではない。現在の人工知能を単純に巨大化するだけでは、人工超知能への到達を保証できないのである。
この違いは非常に大きい。
「不可能」という言葉には、原理的に実現できないという意味が含まれる。しかし現在、人間の知能を超える人工的な知能を物理法則が禁止しているという証拠は存在しない。
一方で、「現在の方法ならデータセンターを増やし続ければ必ず人工超知能になる」という主張にも科学的根拠はない。むしろ、電力、データ、半導体、通信、経済性という複数の制約が同時に強くなっている。
したがって、2026年9月時点で最も合理的な立場は、その中間にある。
すなわち、人工超知能の実現可能性は否定できないが、現在の大規模化路線を無限に延長すれば自動的に到達できるとも考えられないということである。
今後の展望
今後の人工知能開発では、巨大データセンターの建設競争と並行して、計算効率の競争がますます重要になると考えられる。
同じ電力でより多くの計算を実行できる半導体、必要な計算だけを実行する人工知能、効率的な外部記憶、より少ないデータで学習できる方式、推論時の計算を最適化する方式などが重要になる。
また、人工知能用半導体の供給網も変化する可能性がある。2025年には主要な人工知能半導体設計企業4社が高帯域メモリーと先端パッケージングの大部分を消費したと推定されているが、今後はメモリー、実装、演算装置を含めた全体の効率向上が重要になる。
電力についても、単純に発電量を増やすだけではなく、データセンターの立地、送電網、蓄電、発電方式、冷却方式を一体として設計する必要がある。人工知能は情報産業の製品であると同時に、巨大な物理インフラを必要とする産業になりつつある。
そして最も重要なのは、人工知能研究そのものの方向である。
これまでの人工知能発展は、より大きなモデル、より多くのデータ、より多くの計算という方向で大きな成果を上げてきた。しかし、今後はそれだけではなく、「なぜこの計算で知能が生まれるのか」「どうすればより少ない計算でより深い推論が可能になるのか」という問題そのものが重要になる。
ここで本当の技術的飛躍が起きれば、人工超知能への道は現在の予想とはまったく違うものになる可能性がある。
まとめ
2026年9月時点で、人工超知能をめぐる最大の誤解の1つは、「計算機を増やせば、知能も無限に増える」という考え方である。
実際には、計算能力の拡大には電力、送電網、半導体、メモリー、先端パッケージング、資源、冷却、通信、資金など、数多くの物理的・経済的条件が必要になる。
データにも限界がある。エポックＡＩによる推定では、人間が作成した高品質な公開文章は有限であり、現在の利用拡大が続けば、2026〜2032年の間にその蓄積を大規模モデルが使い尽くす可能性がある。
半導体にも制約がある。2025年には、高帯域メモリーと先端パッケージングが人工知能用半導体の重要な供給制約となり、主要な人工知能半導体設計企業4社が世界供給の約90%を消費したと推定されている。
電力についても、データセンターの世界電力消費は2030年までに約945テラワット時へ増加すると予測されている。これは人工超知能が実現した場合の消費量ではなく、現在の人工知能需要を含むデータセンター産業だけで生じる予測である。
経済面では、計算資源を増やすほど追加費用が増大し、追加計算による性能向上が小さくなる「収穫逓減」が問題になる。したがって、人工超知能を実現するために必要なのは、単純な計算規模の拡大ではなく、計算効率そのものを飛躍させる技術である可能性が高い。
最終的に、人類が人工超知能へ到達できるかは2026年9月時点では決着していない。「不可能」とする科学的証明は存在しないが、「データセンターを増やし続ければ必ず実現する」という証拠も存在しない。
むしろ、現時点で確認できる事実が示しているのは、人工知能の次の大きな飛躍には、より巨大な設備だけではなく、より効率的な学習、より効率的な推論、より少ない電力で動作する計算方式、そして場合によっては現在とは根本的に異なる計算パラダイムが必要になるということである。
したがって、本稿全体を一言でまとめれば、「人工超知能への最大の壁は、データセンターの数ではなく、現在の計算方式そのものが抱える限界である」ということになる。
参考・引用リスト
- 国際エネルギー機関「エネルギーと人工知能」――データセンターの電力需要、人工知能用サーバーの電力消費、発電・送電網への影響についての分析。
- 国際エネルギー機関「エネルギーと人工知能・概要」――データセンターの電力消費が2030年に約945テラワット時へ増加するとの予測。
- 国際エネルギー機関「人工知能によるエネルギー需要」――人工知能用高速計算設備の電力需要、効率改善、電力インフラの建設期間などに関する分析。
- エポックＡＩ「大規模言語モデルの学習データは枯渇するのか」――人間生成公開文章の有効量を約300兆単位と推定し、2026〜2032年のデータ利用限界を試算。
- エポックＡＩ「人工知能半導体の供給網における制約」――2025年の高帯域メモリーと先端パッケージングの供給状況を分析。
- エポックＡＩ「人工知能半導体部品データ」――先端演算半導体、高帯域メモリー、先端パッケージングの供給量と消費量を推定。
- エポックＡＩ「人工知能半導体部品の方法論」――2025年に主要4社が高帯域メモリー市場の約90%、先端パッケージング能力の約87%を消費したとの推定。