人工知能は、経済性が二極化する時代に入った。フロンティアモデルの構築コストは上昇し続ける一方で、利用コストは下落し続けている。この2つの傾向は同時に進行している。

フロンティアAIモデルの学習には、数千万ドルから数億ドル規模の計算能力が必要となる場合がある。Epoch AIの推定では、これらの学習ランにおけるハードウェアおよびエネルギーコストは年間約2.4倍のペースで増加している。

モデルの学習が完了すると、状況は逆転する。Epoch AIによれば、一定のAI性能水準に到達するための価格は、2023年以降、四半期ごとに約47%下落しており、これは年間にすると約13倍の下落に相当する。

本記事では、Epoch AI、スタンフォード大学、DeepSeek、OpenAI、Anthropic、Googleのデータに基づき、学習コスト、推論コスト、トークン価格に関する主要な数値をまとめた。すべての価格は2026年10月時点の標準公開料金である。

AIモデルのコスト統計：一目でわかる要点

• フロンティアAIの学習コストは年間約2.4倍に増加している。
• Epoch AIは、この傾向が続けば2027年頃には最大規模の学習ランが10億ドルを超える可能性があると予測している。
• GPT-4の学習計算コストは約7,900万ドルと推定されている。
• Gemini 1.0 Ultraは約1億9,200万ドルと推定されている。
• Llama 3.1 405Bは約1億7,000万ドルと推定されている。
• Grok-2は約1億700万ドルと推定されている。
• DeepSeekは、公式のDeepSeek-V3学習ランに557.6万ドルを報告しており、この数字には先行研究や人件費は含まれていない。
• ハードウェアはフロンティアモデル開発コストの約47%〜67%を占め、研究開発スタッフがさらに29%〜49%を占める。
• エネルギーはわずか約2%〜6%にとどまる。
• 同等のAI性能を得るためのコストは四半期ごとに約47%、つまり年間約13倍のペースで下落している。
• 2022年後半から2024年後半にかけて、GPT-3.5レベルの推論コストは280倍以上下落した。
• GPT-6 LunaとClaude Haiku 5.5は、100万入力トークンあたり0.10ドル、100万出力トークンあたり0.50ドルという料金設定である。
• 一部のAPIでは、キャッシュされたトークンは通常の入力トークンより90%〜95%安価になる場合がある。

上昇し続ける学習コストと下落し続ける利用コストとの間の乖離は、AI経済学の中心に位置する。本記事の残りの部分では、それぞれの側面を順に検証する。

AIモデルの学習にはいくらかかるのか？

単一の答えはない。コストは、初期の研究モデルの数百ドルから、フロンティアシステムの数億ドルにまで及ぶ。

スタンフォード大学のAI Indexは、Epoch AIと共同で開発した推定値を用いて、学習コストの推移を追跡している。スタンフォードは、これらの数値が主に消費された計算リソースを推定したものであり、各モデル構築の全経済コストを反映したものではないと指摘している。それでも、7年間の変化は劇的である。元祖Transformerの学習に要した推定計算コストは1,000ドル未満だったが、GPT-4は約7,900万ドルであり、10万倍以上に達する。

すべてのモデルがこの上昇ラインに沿っているわけではない。約300万ドルのLlama 2 70Bは、400万ドルのGPT-3より安く、1,200万ドルのPaLM 540Bよりはるかに安かった。モデルサイズ、チップの種類、学習手法のいずれもが最終的な費用を左右する。

フロンティア学習コストは年間2〜3倍に増加

Epoch AIは数十の主要AIシステムを調査し、2016年以降、フロンティア学習ランの償却済みハードウェア・エネルギーコストが年間約2.4倍のペースで増加していると推定している。クラウドコンピュート価格に基づく別の手法でも、年間2.6倍という類似の増加率が確認された。独立した2つのアプローチが同じレンジを示していることは、この推定値にさらなる信頼性を与えている。

この傾向が続けば、Epochは最大のフロンティアモデルが2027年頃に学習ランあたり10億ドルを超える可能性があると予測している。スタンフォードは2026年、新しいフロンティアシステムに関する業界推定が、1イテレーションあたり数億ドルから10億ドル近くに及ぶと指摘した。

ただし、これは将来のすべての最先端モデルが10億ドルを要するという意味ではない。Mixture-of-Experts設計、より優れたデータ、改良されたアルゴリズム、より安価なハードウェアはいずれも、所定の性能水準に到達するために必要な計算量を削減できる。DeepSeekは、その差がどれほど大きくなりうるかを実証した。

DeepSeek-V3の学習コスト

DeepSeekは、DeepSeek-V3の学習計算コストが約557.6万ドルだと報告し、大きな注目を集めた。同社の技術レポートによれば、公式の学習プロセス全体で約278.8万GPU時間のNvidia H800が使用されたという。GPU時間あたり2ドルという想定レンタル価格で計算すると、総額は557.6万ドルになる。

この数字はしばしば誤読される。これはV3開発の総コストではない。DeepSeekによれば、この数字には先行研究、アーキテクチャ実験、アブレーションスタディ、データ作業、その他の開発コストは含まれていない。そのため、より広範なR&D支出を含む推定値と直接比較することはできず、公正な比較には両者で同じスコープが必要である。

この数字が示しているのは、設計やエンジニアリングの選択によって、最終的な大規模学習ランのコストを大幅に削減できるということである。この知見は業界全体にとって重要な意味を持つ。

計算コストは全体の一部にすぎない

フロンティアモデルの構築には、GPU以上のものが必要である。Epoch AIは、総開発コストが3つの主要領域に分かれると推定している。ハードウェアが約47%〜67%、研究開発スタッフがさらに29%〜49%、エネルギーはわずか約2%〜6%である。

その他のコストには、データ取得、データクレンジング、失敗した実験、ポストトレーニング、強化学習などが含まれる場合がある。安全性テスト、モデル評価、ネットワーク、ストレージ、データセンター施設も総額に上乗せされる。

その結果、最終的な学習ランの見出しとなるコストは、競争力のあるフロンティアモデル構築に要する費用を大幅に過小評価している可能性があり、両者の差は大きくなりうる。

推論とトークン価格

学習 vs. 推論

学習はモデルを作り、推論はそれを実行する。企業は、誰かがモデルを使用するたびに推論コストを支払う。数百万人が毎日モデルを使用する場合、推論への総支出が当初の学習ランのコストを上回ることもありうる。

この力学は、AIがコーディングエージェント、AI検索、カスタマーサービス、音声アシスタント、動画分析、業務自動化へと進むにつれて、より重要になっている。数百トークン程度のチャットボットの返信は安価だが、数百万トークンを読み込み、ツールを繰り返し呼び出し、数時間実行されるコーディングエージェントは、はるかに多くの計算を消費する。

現在のトークン価格

ほとんどの商用AI APIはトークン単位で課金する。トークンはテキストの小さな断片であり、100万トークンは数十万語の英語に相当するが、正確な比率は異なる。

Gemini 4 Argonの2ドルおよび10ドルの価格設定は、2026年11月30日までの導入価格である。Googleによれば、その後の標準価格は入力4ドル、出力20ドルに上昇する。

これらはリスト価格であり、プロバイダー自身がモデルを実行するコストではない。

小型モデル vs. フロンティアモデル

OpenAIのGPT-6 Lunaは、100万入力トークンあたり0.10ドル、100万出力トークンあたり0.50ドルを課金している。AnthropicのClaude Haiku 5.5は、10万トークン未満のプロンプトに対して同じ表向きの価格を提示している。Anthropicは2026年10月にHaiku 5.5をリリースし、平均してHaiku 4.5より約75%低いコストで実行できるとしている。

この料金では、0.10ドルのモデルに1億入力トークンを送信する企業はわずか10ドルを支払うだけであり、100万トークンあたり0.50ドルの1,000万出力トークンはさらに5ドルかかる。出力のコストが高いのは、モデルがトークンを1つずつ生成するためであり、これにはより多くの計算が必要となる。

安価なモデルがすべてのタスクに適しているわけではない。フロンティアの推論システムにははるかに多くの計算が必要であり、プロバイダーはそれに応じて料金を設定している。AnthropicはClaude Opus 5.5を100万入力トークンあたり4ドル、100万出力トークンあたり20ドルとしており、これはHaiku 5.5の出力価格の40倍である。

この価格差により、AIエージェントには単純なタスクを小型モデルに振り分け、高価なモデルを難しい推論のために取っておく明確なインセンティブが生まれる。

AI推論コストは急激に下落した

スタンフォード大学のAI Indexは、はっきりとした例を示している。2022年11月、MMLUベンチマークにおけるGPT-3.5レベルの性能には100万トークンあたり約20ドルかかった。2024年10月までに、Gemini 1.5 Flash-8Bは同じベンチマーク水準を100万トークンあたり0.07ドルで達成した。2年足らずで280倍以上の下落である。

スタンフォードは、測定対象のタスクに応じて、推論価格が年間9倍から900倍の幅で下落したことを発見した。レンジが広いのは、各ベンチマークおよび各性能水準に固有の価格履歴があるためである。

利益率の低下だけが原因ではない。AIモデルとそれを動かすハードウェアは、はるかに効率化されている。

同等のAI能力の価格は年間13倍下落

Epoch AIの2026年9月の研究は、生のトークン価格にとどまらず、一定のモデル性能水準に到達するのにいくらかかるかを測定している。Epochの推定では、このコストは2023年以降、四半期ごとに約47%下落している。1年間では、約13倍の下落となる。

計算は単純である。価格が毎四半期47%下落すれば53%が残る。4四半期後には約7.9%が残り、13分の1に近い。

Epochは、この下落はDNAシーケンシング、汎用コンピューティング、リチウムイオン電池、電力コストといった過去の主要な技術コストカーブより速いとしている。率はタスクごとに異なる。

ハードウェアとソフトウェアがAIの実行を安価にする

AI推論は、チップ経済性の着実な向上の恩恵を受けており、スタンフォードは機械学習ハードウェアに関する3つの年次トレンドを追跡している。最新のGPUは、より低精度の数値形式、より優れたメモリシステム、より高速なチップ間リンクも採用している。これらの変更により、データセンターは同じ費用でより多くの作業を行える。

ソフトウェアもこの利得に寄与している。量子化、蒸留、スパース化、Mixture-of-Experts設計、投機的デコーディング、連続バッチ処理、より優れたコンパイラといった技術はいずれも、回答あたりに必要な計算量を削減する。その結果、同じ量のAI能力を、時間の経過とともにより少ない計算リソースで提供できるようになっている。

キャッシングとバッチ処理によるさらなるコスト削減

最新のAPIでは、繰り返される情報に対する割引が増えている。すべてのリクエストに同じ100ページの社内マニュアルを送信するAIエージェントを考えてみよう。プロバイダーは、毎回処理する代わりにそのテキストをキャッシュできる。

OpenAIはGPT-6 Solのキャッシュ入力トークンを100万あたり0.20ドルで提供しており、通常入力の2ドルと比較すると90%の割引である。GoogleのGemini 4 Argonは現在、対象となる暗黙的にキャッシュされた入力を95%割引している。

即答を必要としないユーザーは、さらに安く利用できる。OpenAIはGPT-6 SolのBatchおよびFlex処理を標準料金の約50%で提供している。バッチ処理は、ドキュメント分類、夜間分析、データ抽出、大規模な要約、オフライン評価に適している。

AIの価格設定は、クラウドコンピューティングに似てきている。顧客は、速度、信頼性、ワークロードの柔軟性に応じて異なる料金を支払うのである。

タスクあたりコストとAI総支出

トークンあたり価格が誤解を招く理由

100万トークンあたり1ドルのモデルが、2ドルのモデルより常に安いとは限らない。最初のモデルがあるタスクを完了するのに500万トークンを必要とし、2番目のモデルは100万トークンで完了するとしよう。最初のモデルではタスクあたり5ドル、2番目のモデルでは2ドルかかる。

推論モデルは大量の内部思考トークンを生成する可能性があり、その一部は課金対象となるため、この確認はより重要になる。Anthropicによれば、Claude Sonnet 5.5はSonnet 5よりタスクあたりのトークン使用量が少なく、リスト価格が類似していても実際のワークフローでは安価になる場合がある。企業は、100万トークンあたりのコストだけでなく、正常に完了したタスクあたりのコストをますます追跡するようになっている。

価格下落を支える要因

推論コストを押し下げているのは3つの力である。より効率的なハードウェア、より効率的なモデル設計、プロバイダー間の激しい競争である。

OpenAIは、GPT-5.6のプロモーション価格と比較してGPT-6 SolおよびLunaのAPI価格を約50%引き下げ、同時に能力も向上させた。Anthropicは、Haiku 5.5が典型的なワークロードでHaiku 4.5より約75%低コストだとしている。Googleもトークン価格で競争している。

その結果、2〜3年前には高すぎたAIの利用が、現在では普通の製品に組み込めるようになっている。

コスト低下が総支出を拡大させることも

安価なAIが必ずしも業界支出の減少を意味するわけではない。1件あたり1ドルかかるなら、企業は100万件のカスタマーチャットを自動化しないかもしれない。1件あたり1セントなら、すべてを自動化するかもしれない。

このパターンは、資源の効率的な利用が総利用量の増大につながるジェボンズのパラドックスに似ている。各クエリのコストが下落するなか、最大手のクラウド企業がAIデータセンターに数千億ドル規模の支出を続けている理由を、これが説明する助けになるかもしれない。

まとめ

AIの経済性は、2つの方向に同時に動いている。フロンティアでは、学習コストが急速に増加した。GPT-4には推定7,900万ドル、Gemini 1.0 Ultraには約1億9,200万ドル、Llama 3.1 405Bには約1億7,000万ドルの学習計算コストが必要であり、Epoch AIはフロンティア学習コストが年間約2.4倍のペースで増加していると推定している。

モデルが利用可能になると、その利用コストは急速に下落する。GPT-3.5レベルの推論は、2022年の100万トークンあたり約20ドルから2024年には0.07ドルに下落し、Epochの新しい研究では、一定のAI性能水準のコスト低下を四半期あたり約47%、つまり年間約13倍としている。2026年10月までに、小型商用モデルは100万入力トークンあたりわずか0.10ドル、100万出力トークンあたり0.50ドルという料金となっている。

要するに、最も先進的なモデルは構築コストが高くなる一方で、そのモデルの出力は利用コストが安くなっている。これが続けば、AIの影響は、1つのモデルの学習にいくらかかるかよりも、数十億人の人々や企業が普通のクラウドソフトウェア並みの価格で有能なAIにアクセスできるようになったときに何が起こるかによって決まる可能性が高まるだろう。

出典

• Epoch AI：The Plunging Price of Thought
• Epoch AI：How Much Does It Cost to Train Frontier AI Models?
• スタンフォード大学：2025 AI Index Report, Research and Development
• スタンフォード大学：2026 AI Index Report
• DeepSeek：DeepSeek-V3 Technical Report
• OpenAI：Introducing GPT-6 Sol and Luna
• OpenAI：API Pricing
• Anthropic：Claude Haiku 5.5
• Anthropic：Claude Sonnet 5.5
• Google AI：Gemini 4 Argon Pricing

本記事は元々CoinCentralに掲載されたものです。