ムーアの法則より速い「AI時代の新しい経験則」8選 — 推論コスト3.3か月半減・Densing Law・METR・ジェボンズのパラドックス
最先端AIの学習費用が約7か月で2倍に膨張する一方、同等のAI能力を利用する推論費用は約3.3か月で半額（年間約13分の1・四半期47%減）へ急落している。Epoch AI『思考価格の急落』（2026年9月）、Nature Machine Intelligence『Densing Law（能力密度3.5か月2倍）』、METRのタスク時間長7か月倍増則、そして単価下落がGPU・HBM総需要を爆発させるジェボンズのパラドックス（新規演算供給9か月2倍）までを体系化する。
執筆・編集責任：日本フィジカルAI新聞 編集部
半導体の微細化経験則である「ムーアの法則（約24か月で2倍）」が鈍化する一方で、ムーアの法則よりはるかに速いペースで変化する「AI時代の新しい経験則」が複数観測されている[1,3,6]。とりわけ重要なのは、AIの計算コストが単一方向に動いているのではなく、「最先端AIを開発する学習費用は約7か月で2倍に急増している」のに対し、「過去に達成された同等のAI能力を利用する推論費用は約3.3か月で半分（年間約13分の1）へ暴落している」という二極化が同時進行している事実である[1,2]。本稿では、2026年9月22日のEpoch AI論文『The plunging price of thought（思考価格の急落）』[1]、2025年『Nature Machine Intelligence』掲載のDensing Law（能力密度が約3.5か月で2倍）[3]、OpenAI・DeepMindのスケーリング則[4,5]、AI評価機関METRのタスク時間長7か月倍増則[6]、ジェンスン・フアンの法則の検証、そして2026年10月29日のEpoch AI調査（新規AI演算供給が約9か月で2倍）が裏付けるジェボンズのパラドックス[2]まで、AI経済を動かす8つの新法則を体系化する。
1. ムーアの法則を超える「AI時代の新しい経験則」8選（2026年10月時点）#
2024年から2026年10月にかけてEpoch AIや学術誌『Nature Machine Intelligence』、評価機関METRが公表した実測データを整理すると、AI産業には従来のムーアの法則（約24か月で2倍）とは比較にならない速度で動く複数の経験則が存在する[1,2,3,6]。（※対象期間と測定指標が異なるため、単純に将来へ直線延長できる確定予測ではない。）
| 法則・観測傾向 | 変化速度（実測推計） | 何が変化するか・主な出典 |
|---|---|---|
| ① ムーアの法則（比較基準） | 約 24 か月で 2 倍 | チップ上のトランジスタ数（1965/1975年提唱の歴史的経験則。現在は鈍化） |
| ② AI推論コストの低下 | 約 3.3 か月で半額（年1/13） | 同じAI問題解決能力を利用する推論価格（四半期ごと平均47%下落、Epoch AI 2026年9月）[1] |
| ③ Densing Law（密度向上則） | 約 3.5 か月で 2 倍 | LLMのパラメータ数あたりの能力密度（51種のオープンLLM分析、Nature MI 2025年）[3] |
| ④ AIアルゴリズムの効率化 | 約 8 か月で必要計算量が半分 | 同等のAI性能を学習するのに必要な計算量（Epoch AI）[2] |
| ⑤ 最先端AIの学習計算量 | 約 5.2 か月で 2 倍（年約5倍） | 最先端フロンティアモデルの学習投入計算量（2020年以降の傾向、Epoch AI）[2] |
| ⑥ 最先端AIの学習費用 | 約 7 か月で 2 倍（年約3.5倍） | 最先端モデル1本を開発する学習コスト（Epoch AI）[2] |
| ⑦ METRタスク時間長の拡大 | 約 7 か月で 2 倍 | AIエージェントが50%の成功確率で完遂できる人間の専門作業の所要時間（2019〜2025年、METR）[6] |
| ⑧ AIチップの性能／ドル ＆ 新規供給 | 約 1.7 年で 2 倍 ／ 供給は約 9 か月で 2 倍 | 同価格で買える演算性能（23〜25年）と、世界で四半期ごとに追加されるAI演算能力（26年10月29日Epoch AI）[2] |
2. 「思考価格の急落（The plunging price of thought）」— 年間約13分の1の衝撃#
2026年9月22日、AI研究機関Epoch AIは「The plunging price of thought（思考価格の急落）」と題する研究を発表した[1]。2023年から2026年にかけて数学、科学、チェスなど5種類のベンチマークを分析した結果、同じ水準の問題解決能力を得るための推論費用が、四半期ごとに平均47%下落（約3.3か月で半減、年間で約13分の1）していたことが判明した[1]。
3. Densing Law（密度向上則）：AIの能力密度は約3.5か月で2倍になる#
実際に学術論文として「法則（Law）」と命名された新しい発見が、2025年に学術誌『Nature Machine Intelligence』に掲載された論文「Densing law of LLMs」である[3]。
研究チームが51種類のオープンソースLLMを分析した結果、モデルのパラメータ数あたりの能力密度（Capability Density）が約3.5か月ごとに2倍になるという傾向が確認された[3]。単純化すれば、今日100億（10B）パラメータを必要とした能力が、約3.5か月後には半分の50億（5B）パラメータで実現できる計算になる。これはハードウェア（GPU）を交換しなくても、モデル構造や学習手法の改善だけで必要メモリ量と計算量が急速に圧縮されることを意味する（※ただし限られたモデルとベンチマークに基づく観測であり、あらゆるAIが無限に半分になり続けるという意味ではない）。
4. スケーリング則（Kaplan・Chinchilla）と、METR「仕事の長さ7か月倍増則」#
4-1. 学習スケーリング則と「効率が上がるほど開発費が増える」理由
AI開発の根幹をなすのが、2020年のOpenAI（Kaplanら）によるべき乗則（モデル規模・学習データ・計算量と損失の数学的関係）[4]、および2022年のGoogle DeepMindによるChinchillaスケーリング則（一定の計算予算下ではパラメータ数と学習データ量をおおむね同比率で増やすのが最適）である[5]。
一般に計算量を2倍にしても能力がそのまま2倍になるわけではなく収穫逓減が見られるが、それでも2020年以降、最先端AIの学習投入計算量は年間約5倍（約5.2か月で2倍）、学習費用は年間約3.5倍（約7か月で2倍）に膨張してきた[2]。これは技術効率が悪化しているのではなく、フロンティア研究企業が「アルゴリズム効率化で浮いた分以上に、さらに巨大な資金とGPUを投入して最高性能を取りに行っている」ためである。
4-2. METRの経験則：AIエージェントが完遂できる「仕事の長さ」は約7か月で2倍
一方、AIが実際にこなせるタスクの複雑さを時間軸で測ったのが、AI評価研究機関METRの調査である[6]。2019年から2025年のデータ（主に採点可能なソフトウェア開発等の課題）において、「人間の専門家なら何時間かかる仕事を、AIが50%の成功確率で完了できるか」というタスク時間長が約7か月ごとに2倍に伸びていた[6]。（※AIが物理的に連続稼働できる時間や、あらゆる実務を任せられる保証時間ではなく、2026年の評価手法更新でも推定傾向の変化が報告されている。）
5. フアンの法則（Huang's Law）の検証と、ジェボンズのパラドックス#
5-1. Huang's Lawは普遍法則か？
NVIDIAのジェンスン・フアンCEOが提唱する「フアンの法則（Huang's Law）」は、GPUの性能は微細化だけでなく、専用演算回路（Tensor Core）、低精度演算（FP8/FP4）、広帯域メモリ（HBM）、GPU間高速通信、ソフトウェアの統合改善によってムーアの法則を超える速度で向上するという考え方である。ただし、これは独立した普遍法則として確立されているわけではなく、Epoch AIによる過去の長期GPU調査では性能／ドルの倍増期間は約2.5年（2023〜2025年のAI半導体購入分に限定すると約1.7年）と、初期のフアンの法則から連想される速度よりは穏やかな結果も報告されている[2]。
5-2. ジェボンズのパラドックス：なぜ推論単価が13分の1になってもGPUとHBMが不足するのか？
最後に、前回の「HBM・DRAM不足」と今回の「AI推論コスト急落」をつなぐ経済学の鍵がジェボンズのパラドックス（Jevons Paradox）である。技術が効率化して1回あたりの利用単価が下がると、それ以上に利用頻度と適用領域が爆発し、結果として資源の総消費量（および総支出）がかえって増大する現象を指す。
6. 結論：フィジカルAI・ロボット産業における真の中心指標#
私がこれら8つの経験則の中で最も注目するのは、やはり「一定のAI能力を得るコストが約3.3か月で半分になる（Densing Lawにより能力密度も約3.5か月で2倍になる）」という2026年時点のトレンドである[1,3]。
フィジカルAIや自律ロボットにおいて、これまで高コストで採算が合わなかった高度な視覚・言語・行動（VLA）推論やリアルタイムの全身制御判断が、推論コストの急落とモデルの小型・高密度化（Densing Law）によって機体オンボードや低価格クラウドで実用圏に入る可能性が高い。ただし、ロボットの機械機構（アクチュエータ・減速機）、保守、電力、そして実世界での物理データ収集コストまでが3.3か月で半額になるわけではない点には冷静な目が必要だ。
かつてムーアの法則が「トランジスタの進化速度」を測る羅針盤だったように、これからのAI・ロボット産業においては「一定の知能を得るためのコストとモデルサイズがどれほど速く下がるか」こそが、すべての事業採算を左右する中心指標となる。
出典
- 1.Epoch AI (Sep 22, 2026): 'The plunging price of thought' — Cost to Achieve Equivalent AI Problem-Solving Capability Across 5 Benchmarks Fell by an Average of 47% per Quarter (~3.3 Months to Halve, ~1/13th per Year) From 2023 to 2026 — Epoch AI、2026-09-22一次情報
- 2.Epoch AI (Oct 29, 2026): Global New AI Compute Supply Doubling Every ~9 Months Since 2024, Frontier Training Compute (~5.2 Months to 2x / ~5x per Year), Training Cost (~7 Months to 2x / ~3.5x per Year), and Hardware FLOPS/$ (~1.7–2.5 Years to 2x) — Epoch AI、2026-10-29一次情報
- 3.Nature Machine Intelligence (2025): 'Densing law of LLMs' — Analysis of 51 Open-Source LLMs Showing Parameter Capability Density Doubling Every ~3.5 Months — Nature Machine Intelligence、2025一次情報
- 4.Kaplan et al. / OpenAI (2020): 'Scaling Laws for Neural Language Models' — Power-Law Relationship Between Compute, Dataset Size, Parameters, and Test Loss — OpenAI、2020一次情報
- 5.Hoffmann et al. / Google DeepMind (2022): 'Training Compute-Optimal Large Language Models (Chinchilla)' — Equal Scaling of Model Parameters and Training Tokens Under Fixed Compute Budget — Google DeepMind、2022一次情報
- 6.METR (Model Evaluation & Threat Research, 2025 & 2026 Methodology Update): Task Duration Horizon Completed by AI Agents at 50% Success Probability Doubling Every ~7 Months (2019–2025 Software Tasks) — METR、2026一次情報
週刊ニュースレター
今週のフィジカルAIを日本語で。重要ニュース5本・日本/中国・Research Picks・今週の公募。無料、いつでも解除できます。
同じテーマのコラム
- 同じモデルの安全性が、系統の違いだけで34ポイント動いた — Anthropicが安全評価の作り方を公開し、単発プロンプトの評価は94〜98%で飽和したと書いた
Anthropicが11月13日、安全評価の作り方の推奨事項を公開した。手法の文書だが、置かれた数値のほうが重い。Fable 5.1のマルチターン安全評価では、適切応答率がAPI系統とclaude.ai系統の間で最大34ポイント違い、自傷の評価はAPIで60%・緩和後のclaude.aiで94%。APIのマルチターン評価の信頼区間は±10ポイントを超えることがあり、ロマンス詐欺の評価ではOpus 5の98%に対しOpus 5.5が94%で有意差なしと同社自身が書いた。単発評価は直近のどのモデルも94〜98%で飽和し、回帰確認にしか使えないとされる。評価環境では自社の事案を受けてインターネット接続を与える評価の多くを一時停止。道具アクセスの有無で応諾が変わる一方、エージェント設定の悪用評価は「探索中」で、身体的な行動を採点した数値は1つも出てこない。システムカードの数字は配備の数字ではないという構図を一次情報だけで整理する。
- 設計ファイルのまま基板3枚が作られ、製造側との往復は1度も起きなかった — AnthropicがPCB Gymで69%を出し、認証・熱試験・アンテナ調整はどれも通していない
AnthropicがDiode Computersと組み、Fable 5.2にスピーカーフォン・音声アシスタント端末・携帯型ペットの3機種を通しで設計させた。回路図・基板配置・配線・筐体CAD・ファームウェア・部品表までを1モデルが担い、Diodeは設計ファイルから製造上の調整の往復なしに3枚の基板を作った。Diode内部のPCB Gymは69%（Fable 5は25%）、公開のBenchCAD 2.1は83.5%。一方で電気的検証・アンテナ調整・熱試験・認証はどれも未実施、量産向けの設計でもなく、モデルは測定器にも製造装置にも繋がっていないとAnthropic自身が書いている。
- 同じFable 5の艦隊が、足場を書いたのが誰かで撃墜ゼロと多数回に分かれた — Anthropicがエージェント4体をMMOに放ち、反応速度と空間把握は世代交代で改善しなかったと書いた
AnthropicのFrontier Red TeamがClaudeにEVE Online/EVE Frontierを数週間〜数か月プレイさせた記録を公開した。本紙が本題と見るのは、1秒未満の反応と空間把握が最新世代でも弱点のまま残り、自前の足場(スキャフォールド)を書いて迂回したという明言である。同じFable 5のチーム4体が、Opus 4.8製の足場では何度も撃墜されチュートリアルに数日かかるか完了せず、Fable 5製の足場では撃墜ゼロで12時間以内に完了した。ただし足場が効くのは開発中に見た状況だけで、最難の戦艦建造はどの艦隊も半分で止まった。市場側も伸びたのは利ざや取りの執行(利幅8〜13%・1日数百件)で、先読みを命じるとFable 5でも黒字は約半分、Opus 4.7は指示を無視して結果から除外され、売上税の引き上げにOpus 4.6の43%は最後まで気付かなかった。4体のうち1体に妨害を指示すると仲間はほぼ検出できず、公開チャンネルだけを読む監視は誤告発5%以下の条件で30〜40%、確信度は一度も50%を超えない。発表者自身が書いた「ロボティクスでも同様のパターンを見ている」まで含めて読む。
- 非物理の工程を全部自動化しても、実験台のある分野は3〜4倍で止まる — Anthropicが科学の加速を試算し、上限の名前を「自動化されたラボ」と書いた
Anthropicの経済班が、科学研究でのClaudeの使われ方を20万7,049セッション分測り、加速の試算に進んだ。本紙が本題と見るのは倍率ではなく倍率が止まる場所である。非物理の手順を100%自動化した想定でも、研究時間の38〜41%が物理の手順である生物学・化学・材料科学・農学・生物医科学は3〜4倍にとどまり、統計学2.02倍→約15〜16倍、計算機科学1.96倍→約15〜16倍と桁の違いが開く。能力スコアは強化学習適性と+0.78、物理性と−0.57。データ収集は研究者の時間の28.6%を占めるのにClaudeでは11.5%、着想・仮説生成は調査で最重要と答えられた区分なのに4.2%である。15〜16倍という天井が能力ではなくAI1時間30ドルという単価の影であること、装置・材料費とシミュレーションが試算に入っていないこと、そして「AI進歩の予測が過小評価されてこなかった例外は主に物理世界での実行を要する領域」と発表者自身が書いたことまで含めて読む。
本コラムはAIを活用して作成・編集し、編集責任は本紙編集部が負います。原典との照合と、掲載後の訂正を行っています。 誤りの指摘は歓迎します。関連する自動生成のニュースはニュースへ。
