スケーリング則に載ってればAGIに到達するまで何円と何Wをつぎ込めばいい

Grok 4.3

Answer: スケーリング則に従っていてもAGI到達に必要な正確な円とWは不明です。

スケーリング則は性能向上と計算量の相関を示すものの、AGIの具体的な閾値は定義されていません。 現在のトレンドから外挿するのは不確実性が高く、必要な投資額や電力を特定できません。 したがって、具体的な数字を挙げることはできません。

Gemini 3.5 Flash

Answer: スケーリング則のみでAGIに到達するには、最先端半導体の進化を織り込んでも、約1.5兆〜15兆円（100億〜1000億ドル）の投資と、1G〜10GW（ギガワット）規模の電力インフラが必要と試算されます。

スケーリング則（Scaling Laws）がこのまま維持されると仮定した場合、AGI（人工一般知能）の実現に必要な計算量は、現在の最先端モデル（GPT-4等）の100倍から10,000倍に相当する「10^26〜10^28 FLOPs」規模に達すると予想されます。 【必要な金額（円）の試算】 現在、数万から十数万基の最先端GPU（NVIDIA H100等）を擁するデータセンターの建設・運用コストは数千億円規模（数十億ドル）に達しています。次世代のBlackwellやさらにその先のアーキテクチャによる電力効率・計算効率の向上を加味しても、10^28 FLOPsクラスの超巨大モデルを実用的な期間（数ヶ月〜1年）で学習させるためには、100万基規模のGPUクラスターが必要となります。このシステム構築、ネットワーク構築、および運用にかかる総コストは、1.5兆円〜15兆円（約100億〜1000億ドル）に達します。 【必要な電力（W）の試算】 現在の主要なAIデータセンター（10万基クラス）の消費電力は約100M〜150MW（メガワット）です。これを100倍以上の規模に拡張し、かつ学習期間を現実的な範囲に収めるためには、1GW（ギガワット：10億ワット）から最大10GWの連続稼働電力が必要になります。これは中規模から大規模な原子力発電所1基〜数基分の発電量に匹敵します。 【現実的なボトルネック】 このスケーリングを達成する上での最大の障壁は、単に「資金」や「電力」を投入すれば解決するわけではないという点です。10GW規模の電力を単一の超巨大データセンター群に送電するグリッド（送電網）の構築や、それだけの莫大な熱を冷却する技術、さらには高品質な「学習データ」の枯渇問題（これを解決するための合成データ生成にも膨大な計算資源が必要）など、物理的・環境的な限界がコストをさらに押し上げる要因となります。

GPT-5.5

Answer: スケーリング則だけからAGI到達に必要な『何円・何W』は一意に計算できず、現実的にはアルゴリズム進歩・データ品質・推論時計算・評価定義に強く依存します。

スケーリング則は、モデルサイズ・データ量・計算量を増やすと損失が予測可能に下がる、という経験則です。しかし『損失がどこまで下がればAGIか』という対応関係は確立していません。したがって、単純に現在の延長線を引いて『あと何円、何W』と答えることはできません。 費用面では、最先端モデルの学習だけでもすでに数十億〜数百億円規模と見られ、次世代以降は専用データセンター、GPU/AIアクセラレータ、電力契約、冷却、ネットワーク、研究人件費まで含めると、単一プロジェクトで数千億円から数兆円規模に達しても不思議ではありません。ただし、これはAGI達成コストではなく『最先端の大規模AIを作るための産業コスト』の目安です。 電力面でも、学習そのものは数十MW〜数百MW級のクラスターで行われ得ますが、商用運用で多数ユーザーに推論を提供する場合はさらに大きくなります。大手企業が建設しているAIデータセンター群を考えると、将来的にはGW級の電力インフラがAI全体に投入される可能性はあります。しかし、これも『GWを入れればAGIになる』という意味ではありません。 重要なのは、スケーリングだけでは限界があるかもしれない点です。長期記憶、自己修正、世界モデル、計画能力、信頼できる推論、身体性や環境相互作用、データの汚染・枯渇、評価ベンチマークの飽和などがボトルネックになり得ます。逆に、アルゴリズム効率が大きく改善すれば、必要な円もWも桁で下がる可能性があります。 したがって最も誠実な答えは、『現在の延長では数兆円級・数百MW〜GW級の投資が視野に入るが、それでAGIに到達する保証はなく、必要量をスケーリング則だけで算出することはできない』です。

Claude Opus 4.7

Answer: 現在の延長線上では、AGI到達には概ね10兆〜100兆円規模の累積投資と、データセンター電力で10〜100GW級(年間で言えば数百TWh)が必要というのが現実的なオーダー推定です。

スケーリング則(Kaplan 2020, Hoffmann/Chinchilla 2022)は損失L が計算量Cに対しべき乗で減少することを示しており、AGIに必要な能力水準を「現行フロンティアモデル比でさらに4〜6桁の計算量」と仮定するのが業界の通説的レンジです(Epoch AI, Cottier et al. の推計など)。 GPT-4級が約2×10^25 FLOPs、コストにして約1億ドル、学習電力で数十GWh規模と推定されています。ここから6桁スケールすると学習1回あたり10^31 FLOPs級となり、ハードウェア・電力・データ込みで単発1兆〜10兆円、研究開発の試行錯誤と推論インフラを含めた累積投資は10兆〜100兆円(=数千億〜1兆ドル)に達します。これはSam Altmanの「7兆ドル構想」やStargate計画(5000億ドル)、Anthropic Daniela Amodeiの「数年で1000億ドル級モデル」発言とも整合します。 電力面では、H100相当換算で数千万〜数億台規模のアクセラレータが必要となり、定常稼働で10〜100GW(原発10〜100基分)、年間電力量で数百TWh級になります。実際、米国のハイパースケーラ各社は2030年までに数十GWの新規電源(SMR含む)を確保しに動いています。 ただし前提として、(1)スケーリングが頭打ちにならない、(2)アルゴリズム効率の改善(年0.3〜0.5桁)が継続する、(3)AGIの定義が「経済的に有用なほとんどの認知タスクで人間中央値以上」程度、を置いています。アルゴリズム革新が大きければ1〜2桁安く、逆にスケーリング則が崩れれば青天井になります。

Final Summary

AI Roundtableは、AGI到達に向けた莫大なコストを議論し、1.5兆円から100兆円の投資と1GWから100GWの電力が必要になるとの試算を示しました。Claude Opus 4.7とGemini 3.5 Flashがハードウェア面から具体的な数値を提示する一方、GPT-5.5は技術効率による変動を強調し、Grok 4.3は予測自体を不確実性が高すぎると切り捨てました。

4モデル中3モデルが一致