どこにデータが存在するかがAIの未来を決める：「データ・アナewhere」は企業AIで最も難しい未解決問題

現在のAIで最も重要な質問は、どのモデルが最も賢いかではなく、データがどこに存在するか、そしてそのデータに到達できるかどうかです。

過去10年間、AI業界は、データを集中化し、コンピューティングを集中化し、天才が生まれるという前提で運営されてきました。大量のトレーニングデータセットを大規模なクラウドクラスターに集中化し、巨大なGPUコンピューティングを適用してモデルパラメータに圧縮することで、驚異的な結果を生み出してきました。しかし、このアーキテクチャは現在、自らの成功の重みに耐えられなくなっています。

これを「データ・アナewhere」問題と呼びます。AIが研究室から脱出し、病院、工場、金融機関、政府などの運用の基盤に入り込むにつれて、システムを情報する必要があるデータは、分布していて、管轄区域的に制限されており、運用上動かせないものです。欧州の規制当局は、欧州市民の金融記録が大陸を離れることを許可しません。バーゼルの臨床試験データは、ソウルのゲノミクスデータセットと同じクラウドバケットに共存することは法律で禁止されています。

どのような場合でも、インテリジェンスはデータに到達しなければなりません。データは、断固としてインテリジェンスに到達することはありません。

シフトの経済学

この構造的な緊張は、同時に起こるAI経済学の革命によってさらに高まります。業界は、トレーニング中心から推論中心への支出への移行を経験しており、データアーキテクチャへの影響は深刻です。

デロイトは推定していますが、2025年には、推論ワークロードがAIコンピューティングの半分を占め、2026年には3分の2に達するでしょう。比率は驚くほどの速さで逆転しています。アナリストは、2026年までに、推論需要がトレーニング需要を118倍上回ることを予測しています。2030年までに、推論が全AIコンピューティングの75％を占め、7兆ドルのインフラ投資を推進するでしょう。

コストの計算も同様に急激です。1億ドルをAIモデルに費やした場合、組織は、モデルが生産可能な期間に推論コストとして150〜200億ドルを費やすことになります。GPT-4のトレーニングコストは約1.5億ドルでしたが、推論コストは2024年末までに23億ドルに達しました。トレーニングは、AI投資家や調達担当者にとっての見出しとなるものでしたが、推論は、インテリジェンスの恒久的な運用コストであり、現在は支出の主要項目です。

しかし、ここにパラドックスがあります。推論コストは、GPT-3.5レベルのシステムでは、2022年11月から2024年10月の間に推論コストが280倍以上減少しました。ハードウェアコストは年間約30％減少し、エネルギー効率は年間40％向上しました。価格は低下しますが、消費はさらに速く増加します。単位あたりの推論コストは100倍減少しましたが、MicrosoftとGoogleはAIワークロードが半分の期間で31倍増加したと報告しています。

ジェボンズのパラドックスは、効率性の向上がリソース使用量の増加につながるというものですが、GPUクラスターでは現代的な表現を見ています。

データが存在する場所、インテリジェンスがそれに続く

推論経済は、インフラストラクチャの要件を根本的に変えます。特にデータ重力の周りでそうです。推論は、トレーニングとは異なり、データセンターで一度実行されるバッチジョブではありません。推論は、継続的な、待ち時間に敏感な、地理的に分散されたサービスであり、質問の瞬間に到達できるデータの質だけが重要です。

これが「データ・アナewhere」課題の核心です。

例えば、ICUの生のテレメトリーデータを推論する言語モデルは、東海岸のクラウドクラスターへの200ミリ秒のラウンドトリップを許容できません。取引の際に推論を実行する金融サービス詐欺モデルは、GDPRに違反する管轄区域にアカウントデータを転送することはできません。主権AIデプロイは、外国企業が所有・運営するインフラストラクチャに依存することはできません。

最先端の研究所はこれを深く理解しています。AnthropicのGoogle Cloudとの合意は、最大100万のTPUを提供し、2026年までに1ギガワットのAIコンピューティング能力を提供することを目指しており、推論の世界的なインフラストラクチャの足跡を形作るための前例のない規模での投資を示しています。

データ集中度の分類

すべてのAIシステムがこの課題に同様に対処するわけではありません。AIモデルの種類と複雑さの分類を考えることができます。ここでは3つの例を挙げます：LLM、画像、物理モデルの例です。

大規模言語モデル（Claude、GPT、Geminiファミリー）は、主に言語トークンを扱います。言語トークンは比較的軽量で、圧縮可能であり、差分プライバシー保護やフェデレーテッドラーニングなどのプライバシー保護技術に適しています。彼らの「データ・アナewhere」課題は非常に複雑です。

生成的な視覚モデルの場合、問題はさらに難しくなります。Black Forest LabsのFLUX.2のようなシステムは、強力なハードウェアで1秒未満で高解像度の写真のような画像を生成できますが、画像を生成するには、テキストを生成するよりもはるかに多くのデータとコンピューティング能力が必要です。視覚AIが創造ツールから産業検査、医療画像、衛星分析への応用に移行するにつれて、基礎となるデータは大きく、機密性が高く、移動が困難になり、データがすでに存在する場所でAIを実行する必要性が高まります。

最も複雑なカテゴリは物理AIです。NVIDIAのJensen Huangは「物理AIが到来し、すべての産業企業がロボット企業になる」と宣言しました。NVIDIAのCosmos 3のような新しいモデルは、シミュレーション、ビジョン、推論を組み合わせて、機械に物理世界に対する一般化された理解を与えることを目指しています。Physical Intelligenceのような企業は、ロボットを現実世界のセンサー数据（力、運動、視覚入力など）でトレーニングし、より適応性の高い、自律的な動作を可能にします。

大規模な推論モデルのスケーリングダイナミクスと同様のものが、現実世界のデータ（振動、音、センサー入力など）に適用されています。しかし、この情報は本質的にローカルです。工場の床にあるロボットは、遅延を導入することなく、リアルタイムの視覚データとタッチデータを遠隔のクラウドに送信することはできません。安全上のリスクを生み出す可能性があるため、AIはエッジ、データが生成される場所で実行される必要があります。

信頼性、説明可能性、成果

ここで、「データ・アナewhere」課題はインフラストラクチャを超えて、ガバナンスの問題になります。AIが医療の診断、金融リスクモデル、物理制御システムなどの重要な決定に適用されるにつれて、データが存在する場所に関する質問は、誰が成果に対して責任を負うかということと密接に結びついています。

現在の規制環境では、説明可能性は選択肢ではありません。EUのAI法令は、リスクの高いシステムがその出力の根拠を示すことを要求していますが、データが複数のシステム、管轄区域、規制フレームワークに分散している場合、これは難しい課題です。

したがって、信頼性は、大規模な採用の前提条件となります。データ環境に対する管理は、モデル自体に対する管理と同等に重要になります。

次世代のAIインフラストラクチャ

「データ・アナewhere」課題の解決は、次の10年間のAIの競争地図を決定します。フェデレーテッド推論、セキュアなデータ処理環境、エッジ最適化モデル、データが存在する場所を考慮したオーケストレーションシステムは、ニッチな技術的機能ではありません。AIの拡大のための前提条件です。

信頼できる、説明可能な、主権的な推論 — インテリジェンスがデータに到達するのではなく、データがインテリジェンスに到達することを要求する — を提供できるインフラストラクチャを構築する企業や政府は、AI時代の最も堅固なモートを握ることになります。賢いモデルをトレーニングすることは、すでに解決された問題です。責任を持って、エッジで、管轄区域の境界を越えて、動かせないデータに対して、インテリジェンスを展開することが課題です。

「データ・アナewhere」はスローガンではありません。企業AIで最も難しい未解決問題です。これが、過去10年間のトレーニング投資によって解放された驚異的な能力が、信頼できる成果に翻訳されるかどうかを決定します。