AI の費用構造 ── 学習 78 億円、推論価格は 2 年で 280 分の 1── AI は固定費が巨大で限界費用が急落する産業であり、その費用構造が市場の形と使い方を決めている

01学習に数千万ドル、推論は 2 年で 280 分の 1 に下落した

AI の費用は二つの層に分かれる。モデルを作る「学習」と、作ったモデルを使う「推論」だ。Stanford HAI の AI Index 2024 は、GPT-4 の学習費用を約 7,800 万ドル、Google Gemini Ultra を約 1 億 9,100 万ドルと推計した。Epoch AI の分析では、フロンティアモデルの学習費用は 2016 年以降、年率 2.4 倍で増加しており、2027 年には最大規模の学習が 10 億ドルを超えると予測されている。

一方、推論の価格は逆方向に動いている。Epoch AI の追跡によれば、GPT-3.5 相当の性能を達成するための推論価格は、2022 年 11 月の 100 万トークンあたり 20 ドルから 2024 年 10 月の 0.07 ドルへ、約 280 分の 1 に下落した。学習費用が膨張し、推論費用が急落する。この非対称が AI の費用構造の核にある。

02固定費が巨大で限界費用が下がる産業は寡占に向かう

学習費用は、モデルが完成すれば回収済みの固定費になる。推論費用は、利用者が増えるたびに発生する変動費だが、その単価は急速に下がっている。この構造は、通信や半導体製造と同じ費用曲線を持つ。初期投資が巨額で、利用が広がるほど 1 回あたりの費用が下がる。

経済学では、こうした産業は少数の大規模事業者が市場を占める傾向がある。学習に数億ドルを投じられる組織は限られるため、フロンティアモデルの開発は少数の企業に集中する。しかし推論価格の急落は、モデルの利用側には参入障壁を下げる。作る側の集中と使う側の拡散が同時に進む。

03推論価格の下落速度は用途によって異なる

推論価格の下落は一様ではない。Epoch AI が 6 つのベンチマークを追跡した結果、年間の下落率は 9 倍から 900 倍まで幅がある。PhD レベルの科学問題を解く GPQA Diamond では、GPT-4 Turbo 相当の性能を出す推論価格が 2023 年 11 月の 100 万トークンあたり 15 ドルから 2024 年 12 月の 0.12 ドルへ、年率約 40 倍で下落した。一般知識の MMLU では、2021 年 11 月の 60 ドルから 2024 年 10 月の 0.07 ドルへ、3 年間で約 1,000 倍の下落だ。

この差が意味するのは、AI が得意な領域ほど価格破壊が速く進むということだ。文書の要約、翻訳、コード生成といった定型的なタスクでは推論コストが急速に下がり、利用のハードルが消える。一方、専門的な判断を要するタスクでは、高性能モデルの推論価格がまだ高止まりしており、費用対効果の見極めが必要になる。

04費用の内訳は「チップ・人件費・電力」の三層で、電力比率は上がる

Epoch AI の分析によれば、フロンティアモデルの開発費用の内訳は、ハードウェア（GPU・サーバー・ネットワーク機器）が 47〜67%、研究開発の人件費が 29〜49%、電力が 2〜6%だ。現時点では電力の比率は小さいが、学習規模の拡大に伴い電力需要は急増している。

IEA の Energy and AI 報告書によれば、2024 年時点でデータセンターの世界全体の電力消費は約 415 TWh で、世界の電力消費の約 1.5%を占める。IEA はこれが 2030 年に 945 TWh（約 3%）に達すると予測している。年率約 15%の増加だ。特に米国では 2024 年から 2030 年にかけて 240 TWh の増加が見込まれ、データセンターの電力消費が同国の電力需要増加の約半分を占めるとされる。AI 用の高速演算サーバーは年率 30%の増加が予測されており、データセンター消費増分のほぼ半分を占める。

05製薬と医療では推論費用の下落が利用を加速させる

製薬における AI の費用構造は、二つの経路で効いてくる。第一に、創薬の計算過程だ。分子設計やタンパク質構造予測に使う AI モデルの学習には大規模な計算資源が必要で、その費用は開発段階の固定費に加わる。推論費用の下落は、候補化合物のスクリーニングを高速かつ安価にし、試行回数を増やせる方向に作用する。

第二に、医療現場での AI 利用だ。診断支援や文書作成に AI を使う場合、推論 1 回ごとの費用が発生する。推論価格が 2 年で 280 分の 1 に下落した水準であれば、1 件の診断補助にかかる計算費用は無視できるほど小さい。問題は計算費用ではなく、AI の出力の検証、責任の所在、規制への適合といった制度的な費用に移る。資材審査の現場でも同様に、AI で下書きを生成する計算費用は急速に低下しているが、生成された文書を規制要件に照らして確認する人的費用は変わらない。

06学習データの希少性が次の制約条件になる

AI モデルの学習にはデータが要る。Epoch AI の推計では、インターネット上の質の高い人間生成テキストの総量は約 300 兆トークンだ。GPT-4 は 6〜13 兆トークンで学習されたとされるが、モデルの巨大化と「過剰学習」の手法により、データ消費は加速している。Epoch AI は、学習データの需要が公開テキストの供給を超える時期を 2026〜2032 年と推計した。

データが有限であることは、AI の費用構造に二つの影響を与える。第一に、独自のデータを持つ組織の交渉力が上がる。医療記録、臨床試験データ、規制文書のアーカイブなど、公開されていない専門データは、AI の学習における希少資源になる。第二に、合成データの利用が広がる。AI が生成したデータで AI を学習させる手法は、数学やコード生成の領域では成果を上げているが、創薬や臨床判断のように正解の検証が難しい領域では、モデルの精度劣化のリスクがある。データの質と量の管理は、AI の費用構造に埋め込まれた見えにくい費用だ。

07費用構造を読んで判断するための三つの視点

第一に、学習費用と推論費用を分けて評価する。AI サービスを導入する側にとって、学習費用は直接負担しない固定費であり、推論費用が利用量に応じた変動費になる。推論価格が年率数十倍で下落している現局面では、1〜2 年前に「費用対効果が合わない」と判断した用途が、すでに採算ラインを超えている可能性がある。製薬の資材審査や医療の文書作成のように、毎日大量のテキストを処理する業務は、推論価格の下落の恩恵を受けやすい。

第二に、電力とデータの制約を考慮に入れる。データセンターの電力消費は今後も増加し、立地や規制の制約が強まる。AI を使う側も、委託先のデータセンターがどこにあり、どの電源を使っているかを把握する必要が出てくる。また、自社が持つ専門データの価値を再評価する時期にある。臨床データや規制対応の記録は、AI 学習の原材料として希少性を増している。

第三に、計算費用以外の費用を見落とさない。推論価格の下落は、AI を使う計算費用の問題を解消しつつある。残るのは、AI の出力を検証する人的費用、誤りが生じたときの責任費用、規制に適合させるための制度設計の費用だ。製薬や医療では、この「計算以外の費用」が AI 活用の速度を決める制約になる。