WAIC観察：混雑したコンセンサス、巨大なバブル

作者：小饼、深潮 TechFlow

1.WAICはもっと早く開催すべきだった。見学後に早めにテクノロジー株を手仕舞えたからだ。

天井シグナルがあまりに多い。各種サイドイベントの暗号資産化、高颜值の美人が一堂に会し、会場の製品は極めて同質化している……一つのセクターがギークの遊びから大衆の饗宴へと変わった。

プライマリー市場でもセカンダリー市場でも、全員が同じストーリーを信じ始め、コンセンサスが過度に集中すると、リスクが蓄積され始める。

なぜなら強気相場で並走していたロング勢は、下落時には雪崩を打って売り手に転じるからだ。

ロングの踏み合い（多殺多）！

2. 大規模言語モデルに真の堀はない

AGIの土台は依然としてスケーリング則である。

モデル能力とパラメータ規模、学習計算量、データ品質の間には、依然としてべき乗則の関係が成り立つ。

より安価にGPU計算資源を調達し、より高品質なデータを入手し、より優秀な研究者を抱え、より効率的に資金を燃やせるかどうか。

したがって、大規模モデル企業の堀は、多くの人が想像する以上に脆い。

モデル能力は絶えず収斂し、先行優位は絶えず追い上げられ、価格は絶えず下落する。

この波で本当に継続的に儲けているのは、あらゆるモデル企業にツルハシを売る者たちだ。どうせ皆、少数の大手企業の設備投資から吸い上げているのだから。

GPU、HBM、高速相互接続、データセンター、電力、データサービス……

軍拡競争の上流で一杯を分け合い、あるいは単にリソースをつなぐブローカーに徹することこそ、いま最も儲かるビジネスだ。

3. データのボトルネックは今回の大会で見えた潜在的チャンス

何人かの友人と意見交換してわかったのは、このAIブームで稼いでいる企業はきわめて目立たず、そもそも出展すらしないということで、その一つがデータ分野だ。

統一的マルチモーダル表現の成否は、本質的に高品質なマルチモーダル学習データにかかっている。高品質にクリーニングされ、正確にアノテーションされ、クロスモーダルにアライメントされ、継続的な反復が可能なデータ資産が深刻に不足している。

モデルはますます安くなり、GPUも最終的には増え続けるが、本当に優良なデータはますます稀少になる。

マルチモーダルデータの産業チェーンは、非常に高い利益率を誇る儲かる分野へと変貌しつつある。

データクリーニング、データアノテーション、データ合成、バーティカルデータ資産、ロボットデータ収集……さらにはクロスモーダル統一表現やマルチモーダル事前学習エンコーダーを専門に手がけるアルゴリズム企業まで。

GPUは一度限りの設備投資だが、データは継続的な設備投資だ。

データの方向性を現在私は三つに分類している。第一はエキスパートデータ（Expert Data）。第二はRL Environment / Agent Data。将来エージェントを訓練する際、単にquestion-answerを収集するだけではなく、Environment → Task → Trajectory → Reward → Verifierを構築する必要があり、これは将来最大の増分市場の一つになる可能性がある。

第三はEmbodied / Robotics Dataで、これはLLM向けデータよりもさらに不足しており、収集が極めて困難だ。

4. AIアプリの苦境、かつての暗号資産の縮図

現在のAIはかつての暗号資産とよく似ている。ファットプロトコルであり、L1が価値の大半を獲得する。だから暗号資産VCはこぞってパブリックチェーンに資金を投じ、アプリには見向きもしなかった。

いま、AIも同様だ。

大規模モデルは一つのPOW的レイヤー1であり、モデルそのものがアプリケーションですらある。

ここ数年、大半のAIアプリは危険なことに手を染めてきた。モデルがまだ一時的に備えていない能力をプロダクトとしてラッピングしてきたのだ。

しかしモデルの能力境界は常に外側へ拡張している。モデルがアップグレードされるたびに、あたかもL1が本来アプリ層に属していた機能を直接プロトコルに組み込むかのように、検索、Deep Research、コーディング、画像生成、動画生成、Computer Use、Agent……が飲み込まれていく。

モデルがアップグレードされるたびに、自社製品の価値が一層削られるなら、本質的にそれはAIの一機能（Feature）であって、AIアプリケーション（Application）ではない。

したがって必ず、「モデルにできるが、容易に奪えないもの」をやるべきだ。考えてみると、それは結局のところデータ、コンテクスト、ワークフロー、権限、流通網に尽きる。

AIアプリの堀とは、自らがモデルの顧客になることであり、モデルの競合にならないことだ。

5. 具現化知能、巨大なバブル

二階のH4ホールで、同じサプライチェーンから生まれた似たようなモデルのロボットが、ゆっくりと同じような動作をするのを大量に見ながら、各社のバリュエーションを思うと、頭皮が痺れ、投資家の資金が不憫に感じられた。

具現化知能の今の問題は、資本が「ソフトウェアのスケーリング則」で「ソフト・ハード複合システム」を価格付けしている点にある。

大規模モデルの奇跡は、ある企業がGPT-5を訓練すれば、理論上はほぼゼロの限界費用で世界の数億人にサービスできる点だが、ロボットにはそれができない。

ロボットは一人のユーザーにサービスを追加するたびに、物理的な機械をもう一台製造する必要があり、BOM、製造、サプライチェーン、納品、メンテナンス、減価償却が伴う。

AIの知能は指数関数的に進歩できる。たとえばモデルが一度アップグレードすれば世界中のユーザーが同時に賢くなる。しかし物理世界のコストは指数関数的には下がらない。

もし知能がムーアの法則に従うとしても、具現化の部分は依然として製造業の法則に従う。具現化知能は最終的に巨大な産業にはなるかもしれないが、大規模モデルのような利益率を享受できる産業とは限らない。

また、まだ時期尚早でもある。

自動運転はすでに高度に制約された具現化知能の問題であり、目標は明確で、行動空間は限られ、道路ルールは標準化され、膨大な実データと成熟した自動車産業体系が存在する。それにもかかわらず、この業界は数千億ドルを費やしても、道路上の一部のロングテール問題を依然として完全には解決できていない。具現化知能が直面する実際の難易度は、自動運転の何倍にも達する。