AI競争で先行したいなら、モデルのベンチマークよりも別のものを見た方がいいんです。チップの調達契約。電力インフラの確保状況。
2026年5月、Milken Institute Global ConferenceにAI経済を設計する5人が集まりました。ASML CEO、Google Cloud COO、Perplexity CBO、Applied Intuition CEO、そしてLLMとは正反対の方向でAIを作っているスタートアップの創業者。彼らの診断は一つの結論に収束しました。今AIの足を引っ張っているのは技術力ではなく、物理的な制約だと。
これが本当の問題だったの？
Milken Institute Global Conferenceは金融・経済分野の最上位の人たちが集まる場です。今年のAIパネルのテーマは鋭かったです。「AI経済の車輪はどこで外れているのか」。
最初の衝撃はASML CEOの発言でした。EUV露光装置の唯一の供給業者であるASMLは「今後2〜3年、もしかしたら5年間、市場は供給制限状態が続く」と確認しました。High-NA EUV 1台の価格は約3億7000万ドル、年間生産量は20台未満で、2027年末まですでに予約で埋まっています。
なぜこれが重要かというと、EUVがなければ最先端AIチップが作れない。AIチップがなければ、データセンターをいくら建てても意味がない。電力がボトルネックかチップかという議論が多いですが、実際はチップを作る装置自体が限界なんです。AIチップ供給の上限はASMLが年間何台を納品できるかで決まる構造。
次はエネルギーの問題です。Google CloudのFrancis deSouzaは先四半期の売上が200億ドルを超え、受注残が2500億ドルから4600億ドルへとほぼ倍増したと言いました。でもこの需要を支える電力が地球上にない。Googleが宇宙軌道データセンターを「真剣に検討」している理由はここにあります。宇宙では太陽光を24時間遮りなく受けられ、地上施設への反対運動もないんです。
自動運転・ドローン・農業ロボットといった「物理的AI」にはまた別のボトルネックがあります。Applied Intuition CEOは現実世界のデータ収集が真のボトルネックだと言いました。シミュレーションデータでは埋められない現実の物理的状況が多すぎるということです。
最も興味深い発言はLogical Intelligence創業者のEve Bodniaでした。彼女はLLMとは全く異なる方式、エネルギーベースモデル（EBM）を作っています。最大モデルは2億パラメータ、つまり最高のLLMと比べて数百分の1の規模ですが、「数千倍速い」と言います。Yann LeCunが技術委員会議長を務めるこの会社の主張はシンプルです。LLMは構造的に本物の推論ができないということです。
私たちが間違って見ていたのは何？
AI業界の一般的な語りはこうでした。より良いモデル、より多くのパラメータ、より長いコンテキスト。でもMilken 2026が見せた絵は違いました。
| AI競争の一般的な認識 | 実際のボトルネック（Milken 2026） | |
|---|---|---|
| 核心競争力 | モデル性能・パラメータ数 | EUVチップの確保量、電力契約 |
| 供給制約 | GPU待ち時間数週間 | EUV装置バックログが2027年まで満杯 |
| エネルギー | 電気代コストの問題 | 物理インフラの限界、宇宙データセンターを検討中 |
| AIアーキテクチャ | LLMが標準、パラメータ競争 | EBMが同一タスクを1/3750のコストで解決中 |
| 地政学 | 規制・倫理の問題 | 物理的AIは国境内で動く→主権問題に発展 |
PerplexityのShevelenkoはAIエージェントを「デジタルワーカー」と呼びました。このエージェントたちが企業内で実際に機能するには、純粋な技術力ではなく細かな権限制御の仕組みが必要だと言います。「細かい権限管理が良いセキュリティ衛生の基盤」という言葉は、今AIを組織に導入しているチームが今すぐ確認すべきポイントです。
Younisが指摘した物理的AIの地政学も印象的でした。自動運転車・ドローン・鉱山機械は目に見える物理的な境界の中で動きます。核兵器を持つ国よりロボタクシーを運営できる国の方が少ない——インフラ・法規制・データ主権を同時に満たす必要があるから、実際そうなんです。中国がソフトウェアAIで強くても、EUVへのアクセス制限がモデルレイヤーの下を塞いでいます。
核心まとめ：5つのボトルネックと戦略
- チップ供給 — 2027年まですでに予約済み
EUVリソグラフィー装置なしでは最先端AIチップは作れません。High-NA EUV 1台が3.7億ドル、年間20台未満の生産。チップサプライチェーンを持つ会社でなければ、今使えるコンピューティングリソースを最大限効率的に使う戦略が現実的です。 - エネルギー — 地球上にスペースがない
米国のデータセンター接続待ちが電力網の総容量を超えました。計画された2026年のデータセンターの30〜50%が2028年にずれ込むという分析があります。Googleの宇宙データセンター検討は冗談ではありません。エネルギー効率の高いモデルに切り替えるだけでも、今すぐコスト構造が変わります。 -
現実世界のデータ — シミュレーションでは補えない
物理的AI（自動運転・ロボット）では現実世界のデータ収集が真のボトルネックです。ソフトウェアAIと違い、失敗ケースを繰り返し収集するのが難しい。この分野への進出を考えるチームにとって、データ収集パイプライン構築が最高レバレッジの投資です。 - LLMの代替 — 同じタスク、1/3750のコスト
すべての問題にGPTクラスのモデルを使う必要はありません。Logical IntelligenceのEBMは複雑な推論タスクを4ドルで解きましたが、同じタスクに最高位のLLMは約1万5000ドルかかります。タスクに合ったアーキテクチャを選ぶ設計力が実際のコストを決めます。 - 地政学 — 物理的AIは国境の問題
クラウドAIは国境を無視できますが、ドローン・自動運転・ロボットは違います。地域ごとに異なる規制・データ主権・輸出規制が適用されます。AI インフラを構築する企業にとって、どの国でデータを処理しモデルを運用するかが戦略的決定になりました。
実務観点でのポイント
サプライチェーンのボトルネックとエネルギー制約がAIコストを構造的に押し上げている今、チーム戦略の核心は「どのモデルを使うか」より「どのタスクにいくら使うか」の設計です。モデル選択より先にアーキテクチャ設計が来ます。
