HBM不足で最先端AIは2030年までに「高級品」化、理研・松岡氏らの研究が示すAI業界の二極化予測

理化学研究所計算科学研究センター（R-CCS）の松岡聡センター長らが発表した未査読の最新論文によると、広帯域メモリ（HBM）の深刻な供給不足を背景に、AI業界は2030年までに「超高額な最先端AI」と「安価な普及型AI」の2つの階層に完全に分断される見通しだ。この構造変化を理解する企業は調達において圧倒的な優位に立てる一方、理解を怠る企業はコモディティ性能のAIに「高級品」並みのコストを支払い続けるリスクがある。本記事では、この予測の背景にあるハードウェアの制約と、企業が取るべき現実的な選択肢を解説する。

■HBMの製造物理が決定づける競争環境

高帯域メモリ（HBM）は、大規模に展開されるすべてのAIアクセラレータの中核を担う、3次元垂直積層DRAM技術である。フラットなモジュールとして販売される標準的なDDR5 DRAMとは異なり、HBMは12〜16個のDRAMダイを垂直に積層し、シリコン貫通電極（TSV）で接続した上で、GPUなどとともにシリコンインターポーザ上に実装する必要がある。HBMの製造にはDDR5の約3倍のウェハ容量が必要とされ、商業規模でこのプロセスを確立しているのはSK Hynix、サムスン、マイクロンの3社のみである。

この製造上の制約により、メモリ供給不足のタイムラインは四半期単位ではなく年単位で長期化している。サムスンのメモリ部門責任者は2026年4月の決算発表で、深刻なメモリ不足が少なくとも2027年まで続くとの見通しを示し、SK Hynixもその1週間前に同様の予測を発表した。両社の2026年分のHBM生産枠は、年が明ける前に完売している。マイクロンとSK Hynixの新規工場の稼働による大幅な増産は、2027年後半から2028年まで見込めない状況だ。マイクロンの2026年度第1四半期決算説明会によると、HBMの市場規模は2025年の350億ドルから2028年には1000億ドル（約16兆2000億円、1ドル=162円換算）に達すると予測されており、これは一時的な需要急増ではなく、構造的な価格再評価を反映している。

■先行企業の「減価償却コンベア」という参入障壁

松岡氏の分析における中心的な貢献は、モデルに依存しない推論コストの単位として「メモリ帯域幅1ペタバイトあたりの提供コスト（ドル/PB）」を導入したことである。トークンを生成するデコード段階のAI推論は、生の演算性能ではなくメモリ帯域幅によって制限される。ボトルネックは演算処理ではなく、メモリから処理コアへのモデル重みの移動にあるため、どのモデルを使用するかに関わらず、根本的なコスト要因はメモリ帯域幅の提供価格となる。

2025〜2026年のHBM価格高騰前にGPUクラスタを購入した先行企業は、値上がり前の価格でコストを固定できている。ハードウェアが減価償却されるにつれ、その単位あたりの償却費用は当時の購入価格を反映するため、新規参入者が現在支払う価格よりも大幅に安くなる。論文ではこれを「減価償却コンベア」と呼び、ハードウェア価格が正常化するよりも早く、先行企業に継続的なコスト優位性をもたらすメカニズムであると説明している。

論文の試算によると、新規参入者と先行企業のコスト比率は2026年時点で3.2倍に達し、HBM4の立ち上げに伴い2027年には1.9倍に縮小するものの、次世代のHBM4Eを必要とする最先端アクセラレータの登場により、2029〜2030年には再び3〜4倍に拡大すると予測されている。このコスト差が完全に埋まることはないとみられている。

■オープンウェイトモデルが構築した実用的な普及層

松岡氏のフレームワークにおける「普及層」は、性能が低いことを意味しない。論文では、2026年6月13日にZhipu AI（海外名：Z.ai）がリリースしたオープンウェイトモデル「GLM-5.2」を、商用コンピューティングの制約から解放された「最先端に近い性能」の代表例として挙げている。

GLM-5.2は、総パラメータ数約7440億、アクティブパラメータ数約400億の混合専門家（MoE）モデルである。この疎な活性化アーキテクチャにより、最先端に近い出力を提供しながら、推論コストを400億パラメータ分に抑える経済性を実現している。モデルの重みはMITライセンスで公開されており、誰でも無料でダウンロードして任意のハードウェアで実行できる。Z.aiのホスト型APIの出力価格は100万トークンあたり約4.40ドル（約713円）であり、AnthropicのOpus 4.8（100万トークンあたり25.00ドル）や、一般的な商用最先端モデルの25〜30ドル（約4050〜4860円）と比較して極めて安価である。

ただし、GLM-5.2のベンチマーク数値（SWE-bench Proで62.1、Terminal-Bench 2.1で81.0）は、2026年6月のリリース時点ではベンダーの自己申告値である点に注意が必要だ。独立した専門家の分析では第三者による完全な検証は未完了とされており、一部のAI評価機関からは内部評価が公表値より低いとの指摘もある。また、Zhipu AIは北京に拠点を置く企業であり、中国の国家情報法（2017年）の適用を受けるため、クラウドAPI経由でのクエリ送信にはデータプライバシー上の留意が必要となるが、オープンウェイト版をダウンロードして自社インフラで実行する場合はこの制約を回避できる。

■最先端モデルのトレーニングコスト予測と二極化

この二極化は、トレーニングコストの予測において最も顕著に現れる。松岡氏の分析によると、2030年までに最先端モデルの1回あたりのトレーニングコストは180億〜380億ドル（約2兆9160億〜6兆1560億円）に達すると予測される一方、オープンなベースモデルに対する強化学習や蒸留技術を用いて前世代の最先端機能を再現するコストは、500万ドル（約8億1000万円）程度まで低下するとみられている。これは3〜4桁（千倍から万倍）のコスト差である。

論文ではこれを高級車市場に例えている。最先端の商用クローズドモデルは技術的に優れており、開発コストを回収できる一部の富裕な顧客層（真に最先端の機能を必要とし、それを支払う余裕のある企業）向けにプレミアム製品として存続する。しかし、多くの企業の業務ワークフローにおいては、500万ドル規模のトレーニングで得られる機能レベルで十分に事足りるため、高級AI層の市場規模はインフラ投資額に見合うほど大きくならない可能性がある。

■Nvidiaを必要としないAIコンピューティングの選択肢

論文の中で戦略的に最も重要なセクションの一つが、AIコンピューティングにおけるGPUの支配が永続的なものなのかという問いである。松岡氏はこれに「ノー」と答え、その証拠として中国のスーパーコンピュータ「LineShine」を挙げている。

LineShineは、2026年6月にハンブルクで開催されたISC 2026でデビューし、TOP500リストで首位を獲得した。このシステムは、深センの国家超算中心がHuaweiのHiSilicon部門と共同開発したとされる304コアのARMv9 CPU「LX2」のみで構成されており、GPUやNVIDIAのCUDAエコシステム、そして世界的なHBM供給網に依存していない。

松岡氏はこのLineShineを、自身が関わった「富岳」の系譜に位置づけている。LineShineは、GPUの経済性がHBMのプレミアム価格によって最も圧迫されているタイミングで登場した、GPUフリーのアーキテクチャの初の大規模な実証例である。AIワークロードに最も関連性の高い混合精度ベンチマーク（HPL-MxP）では4位にとどまっており、現時点でのAI推論の経済性において優位性が証明されたわけではないが、国家規模において「非CUDAかつHBM統合型CPU」という経路が現実的な戦略的選択肢として存在することを示している。

■2026年インフラ投資のソルベンシーリスク

松岡氏の分析によると、発表されているハイパースケーラーのAIインフラ構築の収支バランス（ソルベンシー）が維持されるのは、年間トークン需要が4年連続で約2倍ずつ成長し、その期間を通じてプレミアム価格が維持されるという非常に狭いシナリオに限定される。

しかし、2026年第2四半期より前に発表された主要な需要予測は、システムが「より少ないトークンで効率的に結果を出す（トークン最小化）」方向へシフトしている現状を反映しておらず、過大評価されている可能性がある。論文の投資回収分析では、2026年期および2028〜2029年期の設備投資は、価格体系の崩壊に対して極めて脆弱（致命的なリスクに晒されている）と指摘されている。論文が提示するシナリオ予測では、「コモディティ化による暴落」の確率が25%とされ、支配的な「地主型オリゴポリー（寡占）」シナリオ（25%）と並んで最も高い確率に位置づけられている。

■企業が今取るべき賢明なAI調達意思決定

企業ユーザーにとっての実質的な教訓は明確である。100万出力トークンあたり25〜30ドルという最先端モデルのAPI価格は、恣意的な上乗せではなく、高級AI層の構造的なコスト現実を反映したものである。一方で、文書分析、コードレビュー、顧客対応の振り分け、構造化データの抽出といった一般的な企業ワークフローにおいては、100万トークンあたり4〜5ドルで実行できるホスト型のオープンウェイトモデルや、自社インフラで実行するMITライセンスのモデルが、最先端に近い品質を圧倒的な低コストで提供する。

コモディティタスクにおいてオープンウェイトモデルをデフォルトとして採用することは、妥協ではなく、構造的なコスト差を利用した「裁定取引（アービトラージ）」である。最先端APIに予算を割くべきなのは、真に高度な推論タスクや複雑なマルチステップのエージェントワークフローなど、オープンモデルとの性能差が自社の業務において明確な違いを生む限定的なケースのみである。

■注目ポイントQ&A

●最先端AIのトレーニングコストとオープンウェイトAIのコスト差が拡大しているのはなぜですか？

この拡大は一時的なものではなく構造的な要因によるものです。最先端モデルのトレーニングには最新のAIアクセラレータが必要ですが、これに不可欠なHBMは供給不足が続いています。価格高騰前にハードウェアを確保した先行企業は、安価な歴史的コストに基づいて減価償却を行えるため優位に立ちます。一方、新規参入者は高騰した現在の価格でハードウェアを調達し、高い基準から減価償却を始めなければなりません。これに対し、オープンウェイトモデルは既存の計算資源でトレーニングしたり、先行企業の出力から低コストで蒸留したりできるため、コスト差は縮まることなく拡大し続けます。

●この分析を踏まえ、企業のAI調達担当者は具体的に何をすべきですか？

自社のAIユースケースを監査し、それぞれのタスクが本当に最先端クラスのAPI（100万トークンあたり25〜30ドル）を必要としているか、あるいは1/6から1/30のコストで済むオープンウェイトモデル（100万トークンあたり4〜5ドル、または自社ホストで実質無料）で十分かを評価してください。文書分析やコードレビューなどの一般的な業務では、オープンウェイトモデルがコストとデータプライバシーの両面で合理的なデフォルト選択肢となります。最先端APIの使用は、高度な推論や複雑なエージェント処理など、性能差が業務成果に直結する領域に限定すべきです。

●インフラ投資家にとって、ソルベンシー（収支バランス）の指摘は何を意味しますか？

松岡氏の論文における投資回収分析では、2026年期および2028〜2029年期に構築されるAIインフラ投資は、需要成長が予測を下回るか、あるいはプレミアム価格が維持できなくなった場合に、資本毀損（元本割れ）のリスクに直結すると指摘しています。現在の需要予測の多くは、業界が「トークン消費の最大化」から「効率的なトークン最小化」へとシフトする前の古い前提に基づいているため、投資家はインフラ企業の需要成長予測モデルを厳しく再評価する必要があります。

●中国のスーパーコンピュータ「LineShine」の登場は、中国がGPU不足を解決したことを意味しますか？

現時点では、大規模なAI推論においてGPU問題を完全に解決したわけではありません。LineShineは、HBMを統合したCPUのみの構成で科学計算用のTOP500リスト首位を獲得しましたが、AIワークロードに重要な混合精度ベンチマークでは4位にとどまっており、専用GPUアクセラレータほどの低精度演算スループットは備えていません。しかし、NVIDIAのエコシステムやグローバルなHBM供給網に依存しない「独自のCPU路線」が国家規模で実用可能であることを証明しており、GPUとHBMの価格高騰に対する強力な戦略的代替案となり得ることを示しています。

元記事: HBM Shortage Makes Frontier AI a Luxury Good by 2030, RIKEN Study Finds