AIの収穫逓減とは?スケーリング則の限界と「壁」論争、それでも性能が伸びる理由をわかりやすく解説

「AIの性能向上は収穫逓減に入った」という言い方を、2024年の終わりごろからよく見かけるようになりました。収穫逓減(しゅうかくていげん)とは、投入を増やしても、増やした分に対して得られる成果がだんだん小さくなっていくことです。AIでは、計算量・データ・お金を何倍につぎ込んでも、性能の伸びが前ほど大きくならない、という意味で使われます。

ただし、この言葉は「AIの進歩が止まった」という意味ではありません。この記事では、収穫逓減のもともとの意味、AIの「スケーリング則」と収穫逓減の関係、「壁にぶつかった」と言われた経緯と反論、各社がとっている対策、そして使う側・学ぶ側にとっての意味を、論文や公開データをもとに解説します。

AIの収穫逓減:計算量を10倍ずつ増やしても性能の伸びは小さくなる

収穫逓減とは

収穫逓減は、もともと経済学の言葉です。正式には「収穫逓減の法則」または「限界収穫逓減」と呼ばれ、ほかの条件を変えずに1つの投入だけを増やしていくと、追加1単位あたりの成果(限界的な成果)がしだいに小さくなるという経験則を指します。

よく使われるのが畑の例です。広さが決まった畑に働く人を1人、2人と増やしていくと、最初は収穫が大きく増えます。しかし人数が増えすぎると、作業の場所が足りなくなったり、指示待ちの人が出たりして、1人増やしたときの収穫の増え方が小さくなっていきます。

働く人の数 収穫量(例) 1人増やしたときの増加分
1人 100kg +100kg
2人 180kg +80kg
3人 240kg +60kg
4人 280kg +40kg

ポイントは、収穫量そのものは増え続けていることです。減っていくのは「増え方」です。この区別が、AIの収穫逓減を理解するうえでいちばん大事になります。

AIの収穫逓減とは:3つの意味

AIの話で「収穫逓減」と言うとき、実際には次の3つの意味が混ざって使われています。

意味 何が逓減するか 主な根拠
① スケーリング則の性質 計算量を増やしたときの、性能の伸び幅 2020年以降の「スケーリング則」の論文
② 事前学習の頭打ち モデルを大きくして大量の文章を読ませる方法の伸び 2024年後半の報道、学習データの枯渇の予測
③ 投資対効果 かけたお金に対して得られる性能や利益 学習費用と運用費用の急増

①は数式から必ず出てくる性質で、研究者の間では以前から前提とされてきました。話題になったのは②と③で、「①の逓減が、いよいよ現実の壁として効いてきたのではないか」というのが2024年以降の論点です。順に見ていきます。

スケーリング則と収穫逓減の関係

スケーリング則とは

スケーリング則(scaling laws)とは、言語モデルの性能が、モデルの大きさ(パラメータ数)・学習データの量・計算量を増やすと、予測できる形で良くなるという経験則です。2020年にOpenAIの研究者らが発表した論文「Scaling Laws for Neural Language Models」で広く知られるようになりました。

この論文では、モデルの誤り具合を表す「損失(loss)」が、計算量などのべき乗に比例して下がることが示されています。計算量を最も効率よく使ったときの損失は、おおよそ次の形です。

損失 ∝ 計算量 ^ (−0.050)

この「−0.050」という小さな指数が、収穫逓減の正体です。

計算量を10倍にしたら、どれだけ良くなるか

上の式に当てはめると、計算量を10倍にすると損失は約11%下がり、100倍にすると約21%下がります(10の−0.05乗≒0.891、100の−0.05乗≒0.794)。損失を半分にするには、計算量を2の20乗、つまり約105万倍にする必要があります。

損失が3.0のモデルから始めて、計算量を10倍ずつ増やしていくと次のようになります。

計算量 損失(計算例) 前の段からの改善幅 費用の目安
1倍 3.00 ― 1
10倍 2.67 0.33 10
100倍 2.38 0.29 100
1,000倍 2.12 0.26 1,000
10,000倍 1.89 0.23 10,000

※指数0.050は2020年の論文の実験条件での値で、損失3.0は説明のための仮の数字です。

表を見ると、費用は毎回10倍に増えているのに、改善幅は0.33→0.29→0.26→0.23と小さくなっています。これが「計算量に対する収穫逓減」です。一方で、改善は止まっておらず、10倍ごとに「今の損失の約11%」は確実に下がっています。グラフの横軸を対数(1、10、100…)にすると、性能はまっすぐ伸びて見えます。対数で見れば一定、実際の費用で見れば逓減という二面性が、「まだ伸びている」「もう頭打ちだ」という両方の主張を生んでいます。

Chinchillaの法則:大きさとデータの釣り合い

2022年にはDeepMindが、同じ計算量なら「モデルを大きくする」よりも「データを増やす」ほうに配分すべきだった、という研究(通称Chinchilla論文)を発表しました。この研究では、パラメータ数の約20倍のトークン(文章の単位)で学習させるのが効率的とされ、700億パラメータのChinchillaが、4倍大きい2,800億パラメータのGopherを上回りました。

これは、計算量の使い方を変えるだけで、同じ費用でも性能を上げられることを示しています。収穫逓減は「どう使っても同じ」という意味ではなく、使い方の工夫で曲線そのものを上にずらせる、という点も押さえておきましょう。

言語モデルの基本的な仕組みはLLM(大規模言語モデル)とは?、その土台となる構造はTransformer完全ガイドで解説しています。

「AIは壁にぶつかった」と言われた経緯

2024年の後半から、「事前学習の規模拡大による伸びが鈍ってきた」という見方が広がりました。主な出来事を時系列でまとめます。

時期 出来事
2020年1月 OpenAIの研究者らがスケーリング則の論文を発表
2022年3月 DeepMindがChinchilla論文を発表。データ量の重要性を示す
2024年6月 研究機関Epoch AIが、人間が書いた公開テキストは2026〜2032年に使い切る可能性があると推計
2024年9月 OpenAIが推論モデルo1を発表。「考える時間」を増やすと性能が伸びることを示す
2024年11月 次世代モデルの伸びが従来より小さいという報道が相次ぐ。OpenAI共同創業者のイリヤ・サツケバー氏が「2010年代はスケーリングの時代だった」と発言
2024年12月 サツケバー氏が国際会議NeurIPSの講演で「今のかたちの事前学習は終わる」と述べ、データを「AIの化石燃料」にたとえる
2025年1月 中国のDeepSeekが推論モデルR1を公開。前身のV3の最終学習の費用を約558万ドルと公表し、少ない費用でも上位に迫れることを示す
2025年2月 OpenAIが同社最大規模のモデルGPT-4.5を公開。API料金は入力100万トークンあたり75ドルと高額で、7月にAPIから提供終了
2025年11月 サツケバー氏がインタビューで「2020〜2025年はスケーリングの時代、これからは再び研究の時代」と語る
2026年4月 スタンフォード大学のAI Index 2026が、上位のAI企業6社のモデルの性能が僅差に並んでいると報告

理由1:学習データが足りなくなる

Epoch AIの推計では、人間が書いてインターネットに公開された質の良いテキストは、合計で約300兆トークン(90%の確率で100兆〜1,000兆トークンの範囲)です。モデルの学習に使うデータ量は年々増えているため、今の傾向が続くと2026〜2032年のどこかで使い切ると見込まれています。

スケーリング則は「データも増やせる」ことが前提なので、データが増やせなくなると、計算量だけを増やしても効率が落ちます。サツケバー氏の「インターネットは1つしかない」という発言は、この問題を指しています。

理由2:モデルを大きくするほど費用が跳ね上がる

GPT-4.5は、OpenAIが「これまでで最大」とした規模のモデルでしたが、API料金は入力100万トークンあたり75ドル、出力150ドルと、同社のほかのモデルよりはるかに高額でした。公開から約2か月後には、より安く同程度の性能を持つGPT-4.1への移行を理由に、APIからの提供終了が発表されています。大きくすれば良くはなるが、その差が費用に見合わないという、③の意味での収穫逓減を象徴する例とされています。

理由3:上位モデルの差が縮まった

スタンフォード大学のAI Index 2026によると、2026年3月時点で、Anthropic・xAI・Google・OpenAI・Alibaba・DeepSeekの6社のモデルが、利用者の評価にもとづく順位表で僅差に並んでいました。アメリカと中国の最上位モデルの差も2.7%まで縮まっています。巨額の投資をしても、ほかの会社をはっきり引き離すことが難しくなっていることの表れと見ることができます。

それでも性能が伸びている理由

一方で、「AIの進歩が鈍った」とは言い切れないデータもあります。

AIがこなせる作業の長さは伸び続けている

AIの安全性を評価する研究機関METRは、AIが50%の確率でやり遂げられる作業の長さ(人間の専門家なら何分かかる作業か)を測っています。2026年1月に公開した最新版の分析では、この長さは2019年からの全期間で約7か月ごと(196日)に2倍になっており、2024年以降に限ると約3か月(89日)ごとに2倍と、むしろ速まっていました。最上位のモデルでは、人間が数時間かかる作業を半分の確率でこなせる水準に達しています。

難しい問題を集めた試験「Humanity’s Last Exam」でも、AI Index 2026によれば1年で正答率が30ポイント上がりました。

伸ばし方が変わった:事前学習から「考える時間」へ

性能が伸び続けている大きな理由は、計算量をつぎ込む場所が変わったことです。

計算量をつぎ込む場所 内容 代表例
事前学習 大量の文章を読ませてモデルを大きくする(従来の主役) GPT-4、GPT-4.5
強化学習 正解が確かめられる問題(数学・プログラミングなど)で試行錯誤させて鍛える o1以降の推論モデル
推論時の計算 答える前に長く考えさせる、複数の案を比べさせる 推論モデルの「思考」機能
エージェント化 ツールを使い、結果を見て直しながら作業を進めさせる コーディングエージェントなど

OpenAIはo1の発表時に、強化学習の計算量と、答える前に考える時間の両方について、増やすほど性能が上がることを示しました。ただし、そのグラフの横軸も対数です。つまり新しい伸ばし方にも収穫逓減はあり、事前学習の曲線が寝てきたところに、まだ曲線の立ち上がりにある別の方法を重ねている、というのが実態に近い見方です。

試行錯誤で学ぶ仕組みは強化学習とは?で解説しています。

効率化で同じ性能が安くなっている

もう1つの流れが効率化です。DeepSeek-V3は、最終学習の費用を約558万ドル(GPU使用時間278.8万時間×1時間2ドルで計算)と公表しました。これは試行錯誤を含まない最終回だけの金額ですが、上位モデルに近い性能を、従来の想定よりずっと少ない費用で出せることを示しました。大きなモデルの知識を小さなモデルに移す「蒸留」、入力に応じて一部の部品だけを動かす「MoE(Mixture of Experts)」などの技術も、同じ性能を安く出す方向に効いています。

収穫逓減の曲線の上をただ右に進むのではなく、曲線そのものを上や左にずらす工夫が、2025年以降の競争の中心になっています。

AIの収穫逓減で誤解しやすいポイント

よくある誤解 実際
収穫逓減=進歩が止まった 伸び方が小さくなるだけで、伸びは続く。対数で見るとまっすぐ伸びている場合が多い
損失が少し下がるだけなら、できることも少ししか増えない 損失の小さな改善が、ある時点で「できなかった作業ができる」という大きな差になることがある
ベンチマークの伸びが鈍った=AIが伸びていない 満点近くまで解かれた試験は、それ以上伸びようがない(飽和)。新しい難しい試験では大きく伸びている
大きいモデルほど常に得 用途によっては、小さく安いモデルで十分なことが多い。費用対効果で選ぶ時代になっている
スケーリングはもう意味がない 各社はデータセンターへの投資を続けている。計算量は、事前学習以外の伸ばし方にも使われている

使う側・学ぶ側への影響

AIを使う側:モデル選びは「性能」から「費用と使い方」へ

上位のモデルの性能差が縮まると、どのモデルを使うかよりも、何をどう任せるか、いくらで回せるかで成果の差がつくようになります。最上位のモデルを常に使うのではなく、簡単な作業は安いモデル、難しい作業だけ高いモデルと使い分けるのが現実的です。

エンジニアを目指す人:AIの性能が伸びても残る力

AIが「どこまでできるか」は伸び続けていますが、その伸び方は分野によって違います。正解が確かめやすい作業(テストが通るかどうか、計算が合っているかどうか)は強化学習で伸ばしやすく、要件をまとめる、設計の判断をする、結果が正しいかを確かめるといった仕事は、引き続き人の役割として残ります。AI時代にどの技術を学ぶべきかはAI時代のプログラミング学習で詳しく解説しています。

ニュースの読み方:「頭打ち」と「急成長」の両方を疑う

「AIは頭打ち」「AIは指数関数的に成長」という見出しは、どちらも一部のデータだけを切り取っていることがあります。何を横軸にしているか(計算量か、費用か、時間か)、縦軸は何か(損失か、試験の点数か、こなせる作業の長さか)を確かめるだけで、多くの主張は整理できます。汎用的な知能(AGI)がいつ実現するかという議論はAGI(汎用人工知能)とは?を参照してください。

よくある質問

Q. 収穫逓減と「スケーリングの壁」は同じ意味ですか?

近い意味で使われますが、厳密には違います。収穫逓減は「投入を増やすと伸び方が小さくなる」という性質で、スケーリング則には最初から含まれています。「壁」はそれより強い言い方で、データ不足や費用の高さによって、従来の方法では実質的にこれ以上伸ばせない状態を指します。

Q. AIの進歩はもう止まるのですか?

公開されているデータを見る限り、止まってはいません。METRの測定では、AIがこなせる作業の長さは2024年以降むしろ速いペースで伸びています。止まりつつあると言われているのは「事前学習の規模拡大だけ」で伸ばす方法の効率です。

Q. 学習データがなくなったらどうなりますか?

各社は、AIに作らせたデータ(合成データ)、許諾を得た非公開のデータ、画像や動画など文章以外のデータ、そして正解を確かめながら試行錯誤させる強化学習で補おうとしています。人間が書いたデータが「なくなる」というより、新しく使える良質なデータの増え方が、必要な量の増え方に追いつかなくなるという問題です。

Q. 「収穫逓減」と「収穫逓増」の違いは?

収穫逓増は反対に、投入を増やすほど追加の成果が大きくなる状態です。IT業界では、利用者が増えるほど価値が上がるネットワーク効果などが例に挙がります。AIでは、モデルの性能そのものは逓減していても、使う人が増えてデータや改善が集まる部分は逓増的に働く、という見方もあります。

関連記事

まとめ

  • 収穫逓減とは、投入を増やしても、増やした分に対する成果の増え方が小さくなっていくこと。成果そのものは増え続ける
  • AIでは、スケーリング則の指数が小さいため、計算量を10倍にしても損失は約11%しか下がらない。改善幅は回を追うごとに小さくなる
  • 2024年後半から、学習データの枯渇や費用の急増で「事前学習の規模拡大は効率が落ちた」と言われるようになった
  • 一方で、強化学習・推論時の計算・効率化という別の伸ばし方によって、AIがこなせる作業の長さは今も速いペースで伸びている
  • 新しい伸ばし方にも収穫逓減はある。曲線そのものをずらす工夫が競争の中心になっている
  • 使う側は「どのモデルか」より「何をどう任せ、いくらで回すか」で差がつく時代になった

AIの進歩の速さに振り回されず、道具として使いこなす力を身につけたい方は、テックジムのAI駆動開発コースをご覧ください。プログラミングをこれから始める方は、無料のPython講座から試せます。


参考情報

対面・無料|東京・永田町で毎週土曜日13時

AIが書いたコードを自分で読めるようになる第一歩

ゼロからはじめるPython入門講座

8年間・累計600回開催/これまで全国で2万人以上が参加

「やはり対面で聞けるのはとても気づきがあり、価値があると思います」

参加者の声

  • 本当に初心者からの講座です。プログラミングに触ったことがなくて大丈夫です
  • 対面だから、その場で聞けます。つまずいた所を持ち帰らずに解決できます
  • 講座は1時間。そのあとも残って学習を続けられ、講師にも質問できます
  • 独学で挫折した方も。糸口が見つかって、講座のあと会員になる方が多くいます

無料で参加する|開催日程を見る

参加費は無料です