推論モデル以降のフロンティアの深層──学習からテスト時計算へのパラダイム転換

2024年前半まで、フロンティアAIの競争は一貫して「事前学習（pretraining）」の規模競争だった。より多くのGPU、より多くのトークン、より大きなモデル──投じる計算量（FLOP）を増やせば性能が対数的に伸びるという「スケーリング則」が、業界の設計図だった。ところが2024年9月にOpenAIが公開した推論モデル「o1」は、この前提に静かな、しかし根本的な修正を迫った。OpenAI自身の解説によれば、o1の性能は「より多くの強化学習（学習時計算）」だけでなく、「より多くの思考時間（テスト時計算）」によっても一貫して向上する。学習を終えたモデルに、答えを出す前にもっと長く「考えさせる」だけで精度が上がる──この発見が、以後2年弱のフロンティア開発の力点を大きく動かした。

何が変わったのか──二本目のスケーリング軸

従来のスケーリング則は一本道だった。学習に投じる計算量を増やすほど、モデルは賢くなる。しかし学習は数か月かけて一度きり終わらせるものであり、一度学習が終われば、推論（実際にユーザーの質問に答える処理）は「軽く、速く、安く」済ませるのが常識だった。推論モデルはこの常識を覆す。推論そのものに計算を追加投入し、モデルに内部で長い思考連鎖（chain of thought）を生成させてから答えを出させることで、追加学習なしに性能を引き上げられることが示されたのだ。

OpenAIの公開データでは、o1は数学オリンピック予選（AIME 2024）で単発回答なら74%の正答率だが、64回サンプリングして多数決を取ると83%、1,000回サンプリングして再選別すると93%まで伸びる。競技プログラミング（Codeforces）でも、提出回数を10回から10,000回に増やすだけでElo評価は上位11%相当から金メダル相当へ跳ね上がる。同じ学習済みモデルのまま、推論時に費やす計算量を増やすだけで結果の質が変わる──これが「テスト時計算スケーリング」の実像であり、学習とは異なる制約条件を持つ、もう一本の性能向上の軸として認識されるようになった。

なぜ「戦場」が動いたのか──事前学習の収穫逓減

背景には、事前学習スケーリングそのものが直面していた壁がある。学習に使える高品質な公開テキストデータは有限であり、モデルとデータセットを際限なく大きくし続けても、性能向上は徐々に鈍化する兆候が2024年頃から指摘されていた。加えて、数千億ドル規模の学習用データセンター投資は、電力・半導体供給という物理的制約にぶつかり始めている。テスト時計算スケーリングは、この壁に対する迂回路として登場した側面がある。学習を青天井に拡張する代わりに、必要な質問にだけ計算を厚く配分するという発想は、投資対効果の観点でも合理的だった。

もっとも、テスト時計算にも制約はある。OpenAIは「このアプローチのスケーリング制約は事前学習のそれとは大きく異なり、現在も調査を続けている」と述べており、思考を長くすれば必ず性能が上がるわけではないことも研究で指摘されている。o1系モデルのテスト時スケーリング能力を検証した論文では、モデルによってスケーリングの効き方に差があり、単純な「長考=高性能」という理解には注意が必要だとされる。

先行者はどこか──米中二極とオープンソースの衝撃

推論モデルの実装競争は、2025年に入って一気に多極化した。OpenAIのo1・o3系列が口火を切った後、GoogleのGeminiシリーズ、AnthropicのClaudeシリーズも思考型（extended thinking）モードを標準搭載するようになり、米国勢は「考える時間を選べるモデル」を主力製品に据えた。一方、中国のDeepSeekが2025年1月に公開した推論モデル「R1」は、性能面で米国勢に迫りながら、学習コストが著しく低いと報じられ、市場に衝撃を与えた。Epoch AIの分析によれば、R1の強化学習フェーズの推定コストは約100万ドルで、土台となったDeepSeek-V3の事前学習費（推定約530万ドル）と比べても小さい。「限られた量の推論トレースによるファインチューニングだけで、ベースモデルを有能な推論者に変えるのに十分だった」というのがEpoch AIの評価であり、テスト時計算パラダイムは、事前学習で先行企業に及ばない後発勢にも競争の糸口を与えたことを示している。

スタンフォード大学の2026年AI Index報告書も、推論・エージェント能力を軸にしたベンチマークでの性能向上と、モデル間の性能差の急速な縮小を指摘しており、フロンティアの優位性が「学習時の絶対計算量」だけでは説明できなくなっている状況を裏づける。

コスト構造の転換──固定費から変動費へ

この転換が企業にとって最も実務的に効くのは、コストの性質が変わる点にある。事前学習は一度きりの巨額固定費であり、そのモデルを使う限り追加コストは生じない（推論の実行コストを除けば）。一方、テスト時計算はユーザーの利用のたびに発生する変動費である。難しい質問に長く思考させるほど、出力トークン数が増え、課金額も応答時間も増える。DeepSeek-R1公開当時、同モデルの出力トークン単価はOpenAI o1の当時の価格の数十分の一とされ、この価格差の大部分は技術的な効率差というより価格設定戦略の違いによるとの分析もある。いずれにせよ、「賢いモデルをどう学習させるか」から「どの質問にどれだけ思考コストをかけるべきか」という配分の問題へと、企業側が判断すべき変数が一段階増えたことは間違いない。

この変化はエンタープライズ活用の設計にも直結する。単純なFAQ応答や定型文書生成には思考を絞った軽量モデルで十分だが、契約書のリスク分析や複雑な業務フローの設計には、時間とコストをかけて深く思考するモデルを充てるべきだ。タスクの難易度に応じて思考量（＝コスト）を動的に配分する設計が、推論モデル時代のAI活用における新しい必須スキルになっている。

日本企業への示唆──「使い方」の競争へ

事前学習競争は資本と電力の規模がものを言う土俵であり、日本企業がそこで単独世界一を狙うのは現実的ではない。しかしテスト時計算パラダイムでは、フロンティアモデルをどう使いこなすかという運用の巧拙が成果を左右する比重が増している。業務プロセスのどの工程にどれだけ思考コストを配分するか、どのタスクをエージェント的な多段推論に任せ、どこを人間が最終判断するかという設計は、モデル自体の性能差以上に導入企業の実務知識に依存する。フロンティアの深層が学習から推論へ移ったことは、日本企業にとって「モデルの性能差を追いかける競争」から「自社の業務に最適な思考配分を設計する競争」への軸足移動を意味する。