過去2年間で、人工知能はその重心を変えました。2022年から2023年にかけては、大規模モデルとそのトレーニングが中心でしたが、今日ではモデルの構築ではなく、継続的な実行、つまり毎日数十億のクエリに応答する能力が真の戦いとなっています。これはinferenceの戦争であり、見た目以上に重要です。
Messariはそのレポート「State of AI 2025」で明確に述べています:2030年までに、インファレンスは計算の世界的需要の50%から75%を占めることになるでしょう。このように高い水準は、AIインフラストラクチャの地理を完全に再構築することになります。
今日、ユーザーがChatGPTを開くたびに、画像を生成したり、アドバイスを求めたり、テキストを分析したり、エージェントにウェブをナビゲートさせたり、意思決定を求めたりすると、inferenceを消費しています。そして、誰も見ていない背景で継続的に操作を実行している数千のAIエージェントにも同じことが言えます。
その結果、計算の消費が垂直に増加し、モデル自体を訓練するために必要なものをはるかに超えています。
目次
新たなプレッシャー:実際のユーザー、実際のインタラクション
この成長の理由は多岐にわたりますが、すべてが一つの方向に収束しています。それは、AIがすでに大衆向けのサービスであるということです。ユーザーはもはや実験にとどまらず、AIを日常的に、長時間にわたり、ますます複雑な方法で使用しています。
ChatGPTのセッションはより長く、より複雑になっています。Messariの報告によると、モデルに費やされる時間は1年で倍増し、1回のセッションの平均時間は75%増加しました。これは明確なシグナルです。AIはもはや「偶発的」なアシスタントではなく、ユーザーがより長く滞在し、より広範でトークンが密集したリクエストを行う真のオペレーション環境となっています。
これに加えて、AIコンシューマーの爆発的な成長があります。2024年には人工知能アプリのダウンロード数が10億を超え、前年比で100%以上の成長を遂げました。ChatGPTは現在、週に7億人以上のユーザーを抱えており、Gemini、Copilot、Claudeも同様のペースで成長しています。これは、計算能力への絶え間ない需要の波となり、それがコストに反映されます。
「reasoning」ファクター:インテリジェントモデルははるかに高価
さらに状況を複雑にしているのは、「reasoning」に特化したモデルの台頭です。これらのモデルは単にフレーズを完成させるだけでなく、論理的に考え、説明し、計画を立てようとします。これらのモデルは、従来のモデルと比較して、同じ質問に答えるために最大で10倍のトークンを消費します。
これに加えて、業界がすでにDeepSeekによって示されたように、強化学習に基づくポストトレーニング技術を採用しているという事実を考慮すると、計算への圧力はさらに爆発的に増加します。強化学習は、単一の問題ごとに数千の反復を生成し、産業規模での計算消費を倍増させます。
言い換えれば、AIが賢くなるほど、運用コストが高くなるということです。
コストの問題: インファレンスがAIの新たな「コア」になった
しばしば過小評価される点があります。それは、トレーニングは莫大なコストですが、それは一度限りのコストであるということです。一度トレーニングされると、モデルは存在します。これに対して、インファレンスは継続的なコストであり、無限であり、それを利用するユーザー、エージェント、アプリケーションの数に比例します。
大手ラボ — OpenAI、Anthropic、Google — にとって、インファレンスは主要な支出項目となっています。この動向は、暗号通貨エコシステムに非常に密接に関連する静かな革命の余地を生み出しています。
オープンソースが均衡を覆す: より小さく、より速く、そしてはるかに経済的なモデル
プロプライエタリモデルがその規模と複雑さを増し続ける一方で、オープンソースは急速にその差を縮めています。Messariが引用したArtificial Analysisのベンチマークによれば、最高のクローズドモデルと大規模なオープンモデルの間の差は、特にコストと比較した場合、今日では驚くほど小さくなっています。
1200億パラメータのオープンモデルは、ChatGPT-5と比較して推論コストが最大90%削減され、能力の損失は全体的に見てわずかです。
しかし、本当の革命は、4億から40億のパラメータを持つsmallおよびmid-sizeモデルに関するものです。今日では、多くのこれらのモデルがRTX 4090や5090のような単一のコンシューマーGPU上で動作しながら、複雑なタスクを解決することができます。これは、推論がもはや巨大なデータセンターに集中する必要がなく、分散可能であることを意味します。
そして、ここで分散型AIの世界がその自然な土壌を見つけるのです。
分散型コンピューティングネットワーク(DCN)の台頭:新たな計算経済
分散型計算ネットワーク (DCN) — Render、Akash、io.net、Aethir、Hyperbolic、EigenCloud、Exabits など — は、世界中に分散された数百万のGPUを集約しています。これらのネットワークは長年にわたり、真の市場を見つけるのに苦労してきました。大規模モデルのトレーニングは、GPU間のレイテンシーと継続的な情報交換のために、単純に複雑すぎたのです。
しかし、インファレンスは別の話です。
インフェレンスは、水平なコミュニケーションを大幅に減らし、高度に並列化して実行でき、異種ハードウェアを活用することができます。完璧で超同期されたクラスターを必要としません。特に、より小さなモデルが驚くほど強力になっている今、これは数千の分散ノードにとって理想的な作業です。
今回は、市場が本当に存在しています。そして、MessariはこれをdeAI全体の最初の真の「product-market fit」と定義しています。
Fortytwoのケース: 実践的なデモンストレーションとしてのスウォームインテリジェンス
最も興味深い革新の中で、レポートはFortytwo Networkを挙げています。これは、ユーザーのラップトップにインストールされた小さなモデルを調整するネットワークです。これらのモデルは群れのように協力して動作し、それぞれが同じ質問に答え、次に他のモデルの回答を評価し、最終的にネットワークがコンセンサスに基づいた最適化された回答を生成します。
このメカニズムは、オンチェーンでクレジット、評判、報酬を生成します。そして、その効率性は非常に高く、Fortytwoはswarmによって完全に生成されたデータセットを作成し、Rustで専門的に後訓練されたモデルを用いて、はるかに大きなモデルを上回る結果を得ることに成功しました。
これは、分散化が望ましいだけでなく、すでに競争力があることを示す具体的な例です。
検証の問題: 分散型推論に不可欠な要素
分散型ノードでリクエストが実行されるたびに、重要な疑問が浮かび上がります。それは、結果が正しいとどうやって確信できるのかということです。ここで、暗号技術が決定的な役割を果たします。
Messariは現在主流となっている3つのアプローチを分析しています:
- ゼロ知識証明 (zkML)、遅いが非常に安全です;
- オプティミスティックシステムでは、結果はchallengeがない限り有効と見なされます;
- ハードウェアエンクレーブ(TEE)、より高速だがハードウェアの信頼に基づく。
この分野のパイオニアとして挙げられるのはEigenCloudであり、OpenAIのAPIと互換性があり、CoinbaseやGoogleのエージェントフレームワークで既に使用されている、決定論的かつ検証可能なインファレンスを市場に提供しています。
検証は単なる技術的な詳細ではありません。それはAIを金融、健康、ガバナンス、自律的な取引に適したものにする要素です。AIとWeb3をつなぐ架け橋です。
未来:継続的にコンピュートを消費するエージェント経済
レポートの結論は明確です。AIの未来は、より大きなモデルによって支配されるのではなく、いかにスケーラブルで経済的かつ検証可能な方法で推論を提供できるかにかかっています。今日、人間のユーザーが数百万のリクエストを生成しているなら、明日には自律エージェントが数十億のリクエストを生成するでしょう。そして、これらのリクエストのそれぞれには計算コストが伴います。
その時点で、decentralized compute networksはもはや実験的な代替手段ではなく、経済的な必需品となるでしょう。
結論
私たちはトレーニングではなく、インファレンスの時代に突入しています。
需要が無限に増加し、計算がもはや孤立した投資ではなく、継続的なフローとなり、大小問わず数百万のモデルが毎秒提供されなければならない時代です。
そしてまさにここ、この広大な経済空間において、暗号通貨の世界はその最も自然な役割を見つけつつあります。それは、ますます賢くなる社会を支えるために必要な計算能力を調整し、検証し、分配し、経済化することです。




