Insights Investing

AIスタックを読み解く:長期投資家のためのボトルネック、堀(モート)、価値の蓄積の分析

ポッドキャスト · 聴く(24分)

Chamath's AI Stack: Who Gets Paid From $700B Capex? | Stock Market

目次
  1. 1. AIスタックの分解:ボトルネックと経済的価値集積の違い
  2. 2. インフラと設備投資の集約度:AIの基盤で進む産業革命
  3. 3. チップ、メモリ、モデルの経済性:コモディティ化と移動する最先端領域
  4. 4. 実行プレーン、フィジカルAI、ジェボンズのパラドックス
  5. 5. 主要な数値
  6. 6. 当社の見解を変える要因
  7. 7. 出典

人工知能の技術スタック全体で価値が集積するのは、単に絶対的な物理的希少性によるものではなく、技術的ボトルネックが価格決定力、継続的な数量拡大、スイッチングコスト、そして高い追加投下資本利益率(ROIC)と交わる領域である。Chamath Palihapitiyaの六層スタックの枠組み(インフラ、チップ、データ、モデル、実行、アプリケーション)は、基盤モデルの経済的なコモディティ化と重要なハードウェアの制約点の出現を的確に捉えているが、長期投資家は絶対的な技術的希少性と持続可能な株主価値創出を区別しなければならない。ハイパースケーラーが、2026年に計算処理および電力網インフラに$700B超を支出すると予測される資本集約型の産業企業へと変貌するなか、本源的価値の評価には、物理的ボトルネックだけに頼るのではなく、フリーキャッシュフロー(FCF)の持続性、資本集約度のリスク、独自の業務フローにおけるフィードバック循環の分析が必要となる。

1. AIスタックの分解:ボトルネックと経済的価値集積の違い

人工知能を階層構造で分析することは、ファンダメンタルズを重視する投資家に不可欠な明瞭さをもたらす。Chamath Palihapitiyaは、このエコシステムを六つの異なる層に分類している。インフラ(電力、土地、冷却、鉱物、半導体製造工場)、チップ(GPU/ASIC、広帯域メモリ[HBM]、パッケージング、ネットワーク)、データ(独自データ、センサーデータ、ロボティクスデータ)、モデル(基盤知能)、実行(エージェント、オーケストレーション、API、アクチュエーター)、そしてアプリケーション(エンドユーザー向けソフトウェアとシステム)である。これらの層を結びつける中心的な分析概念が「支点資産」であり、上位のすべての層が必ず経由しなければならず、容易には代替できない不可欠な構成要素を指す。

しかし、絶対的な技術的ボトルネックと高収益を生む経済的な堀(モート)の間には、重要な違いがある。ある資産が技術上のクリティカルパスに直接位置していても、株主のために相応の財務的リターンを獲得できるとは限らない。グレアムとバフェットの枠組みを通じて経済的な堀(モート)を評価する長期投資家にとって、物理的希少性だけではオーナー・アーニングスの長期的な複利成長は保証されない。

この構図は、ASMLとNVIDIAの比較によって明確に示される。ASMLは極端紫外線(EUV)露光装置において、絶対的かつ代替不可能な技術的ボトルネックを保有しており、先端半導体製造工場はASMLの装置を代替できない。それでも、NVIDIAははるかに大きな株主価値の増大を生み出してきた。ASMLは、極めて複雑で資本集約的な装置を限られた数量で少数の買い手に販売しているため、世界のトークン消費量が倍増しても、売上高が自動的に拡大する余地は限定される。一方、NVIDIAは半導体のボトルネックを、CUDAのソフトウェアツールチェーン、システムアーキテクチャ、NVLinkネットワーク、エコシステムとの深い統合と組み合わせている。NVIDIAは、AIの推論と学習における数量拡大への弾力性を直接収益に取り込んでいる。

スタック全体における経済的価値集積を評価するには、投資家は希少性を単独で測定するのではなく、包括的な定性評価式を適用すべきである。

$$\text{Value Accrual} \approx \text{bottleneck} \times \text{pricing power} \times \text{volume growth} \times \text{recurring demand} \times \text{switching costs} \times \text{incremental ROIC}$$

持続的な経済的リターンが実現するのは、事業運営上の制約点が、数量への弾力性、高いスイッチングコスト、そして強力な追加投下資本利益率と組み合わされた場合に限られる。

2. インフラと設備投資の集約度:AIの基盤で進む産業革命

AIスタックの基盤層は、資産保有の少ないソフトウェアモデルから、資本集約型の産業事業へと構造的な転換を遂げている。スタックの最下層にある重要なボトルネックは、地理的にも企業別にも極端な集中を示している。

  • 半導体材料の希少性: 企業の国籍別に見ると、日本の材料メーカーが世界の半導体フォトレジスト売上高の約78%を占め、信越化学工業、JSR、東京応化工業、富士フイルムが特定の高純度化学品市場を支配している。
  • 高純度石英(HPQ): 半導体グレードのシリコンインゴットの製造は、ノースカロライナ州スプルースパインで採掘される極めて純度の高い石英を原料とする溶融石英るつぼに依存している。Sibelco(二つの高純度鉱体からIOTA材料を生産)とThe Quartz Corpが、先端用途向けの高品質HPQを経済的に大規模生産する唯一の供給元である。

物理的な原材料に加え、電力供給インフラも深刻な事業運営上の制約となっている。国際エネルギー機関(IEA)は、世界のデータセンターの電力消費量がほぼ倍増し、2025年の約485 TWhから2030年までに約950 TWhへ拡大すると予測している。ハイパースケーラーの設備投資は、主にデータセンターの拡張を背景に、2026年に$700Bを超えると推定される。

インフラ領域 重要な制約点と主要供給元 経済的影響と指標
半導体材料 日本のフォトレジスト(信越化学工業、JSR、TOK、富士フイルム) 国籍別市場シェアは約78%;代替不可能な化学原料。
高純度石英 スプルースパインの鉱体(Sibelco、The Quartz Corp) シリコンインゴット用の溶融石英るつぼの独占的な原料供給源。
供給可能な電力網電力 変圧器、開閉装置、UPS、系統連系 発電そのものより先に制約が顕在化;485 TWh $\rightarrow$ 950 TWh(IEA)。
ハイパースケーラーの設備投資 データセンターの拡張と計算処理の高速化 2026年に>$700Bと予測(IEA);減価償却による強い逆風。

重要なのは、発電そのものが短期的な主要制約ではないという点である。ジョンズ・ホプキンズ大学の研究は、電力網の供給設備、具体的には変圧器、開閉装置、無停電電源装置(UPS)、送電系統の連系設備、専用の冷却インフラが、発電能力そのものが主要なボトルネックになる前に、データセンターの建設拡大を制約することを示している。目下、経済的に希少な資産は、必要な電圧、立地、信頼性を満たして供給できる電力である。

バリュー投資の観点から、この転換は企業の貸借対照表と収益性指標に深刻な影響を及ぼす。ハイパースケーラーが年間$700B超の設備投資を実行するにつれ、数十億ドル規模の物理的資産が有形固定資産(PP&E)として貸借対照表に計上される。稼働開始後は、売上高が直ちに実現するかどうかにかかわらず、定額法による減価償却費が損益計算書に反映される。収益化可能なトークン需要や企業向けソフトウェアの導入が物理的設備の建設に遅れる場合、未償却のインフラの重みによって投下資本利益率(ROIC)とフリーキャッシュフロー(FCF)への転換率は急落する。この構図は、WorldComやGlobal Crossingが関わった通信光ファイバー市場の崩壊など、歴史的なインフラの過剰建設と直接重なる。そこでは、インターネット普及の長期的な方向性が最終的に正しかったにもかかわらず、巨額の設備投資が深刻な供給能力過剰を生み、株主価値を破壊した。

3. チップ、メモリ、モデルの経済性:コモディティ化と移動する最先端領域

理論モデルは、製造能力が正常化するにつれてハードウェアのボトルネックが時間とともに自然に解消すると想定するが、半導体の供給制約は依然として深刻である。広帯域メモリ(HBM)と先端パッケージングは、一時的な摩擦ではなく、複数年にわたる構造的ボトルネックである。IEAは、HBMの供給不足が少なくとも2027年末まで続くと予測している。市場シェアは依然として極めて集中しており、CounterpointのQ2 2026のデータは、HBMの売上高シェアを以下のように推定している。

  • SKハイニックス: 50%
  • サムスン: 33%
  • マイクロン: 18%

現代のハードウェアの堀(モート)は、単体の演算ダイではなく、システム全体の統合に依存している。すなわち、インターポーザーを介したGPU/ASICダイとHBMの統合、先端パッケージング、高速ネットワーク(NVLinkなど)、電力供給、専用の冷却である。処理負荷がモデルの学習から推論へ移行するにつれ、このシステム統合はさらに重要となる。マッキンゼーは、2030年までに推論がAI需要全体の約60%を占めると予測している。その結果、競争の主戦場は、メモリ帯域幅、容量、遅延、熱効率、有用な出力トークン当たりの電力消費へと直接移行し、統合型ハードウェア企業の構造的な堀(モート)を強固にしている。

同時に、基盤知能モデルの経済性では、コストが急速に低下している。スタンフォード大学のAI指数のデータによると、GPT-3.5水準のMMLU性能を持つモデルの実行コストは、2022年11月のMトークン当たり約$20から2024年10月の約$0.07へ低下し、18か月間で280分の一になった。さらに、OECDの研究によると、品質調整後の言語モデル価格は2024年1月から2026年4月までの間に約80%下落した。

指標/指標の焦点 過去の基準値 直近/予測水準 分析上の重要性
GPT-3.5のMMLUトークンコスト $20.00 / Mトークン(2022年11月) $0.07 / Mトークン(2024年10月) 知能の単位コストが280分の一に低下(スタンフォード大学)。
言語モデル価格 基準水準(2024年1月) 約80%下落(2026年4月) 品質調整後の出力価格が急落(OECD)。
非公開モデルと公開モデルの性能差 大きな差(2023年) 3.3%–3.4%の差(2026年3月) 基礎能力のコモディティ化(スタンフォード大学の2026年AI指数)。
企業支出に占める割合 最先端モデル35%(Q3 2025) 最先端モデル63%(Q3 2026) 最先端の推論能力に対する割増価格の支払い意欲(Menlo)。

こうした価格の急落にもかかわらず、基盤モデルはまだ完全なコモディティにはなっていない。基礎的な知能はコモディティ化しつつあり、スタンフォード大学の2026年AI指数によると、最上位の最先端モデル(Anthropic、xAI、Google、OpenAI)のアリーナのイロレーティングの差はわずか25ポイントで、2026年3月時点で非公開モデルが重み公開型の代替モデルを上回る幅はわずか3.3%から3.4%である。しかし、企業顧客は最先端の能力に引き続き割増価格を支払っている。Menloの調査によると、企業のAI支出に占める最先端モデルの割合は、Q3 2025の35%からQ3 2026の63%へ上昇した。

モデル層は、経済的な最先端領域が移動し続ける市場として機能する。基礎能力が急速にコモディティ化する一方、最先端の推論能力は価格決定力を維持し、モデル開発企業は最先端と同等の水準を維持するだけでも、継続的かつ巨額の資本投資を負担せざるを得ない。

4. 実行プレーン、フィジカルAI、ジェボンズのパラドックス

基盤モデルのコモディティ化が進むにつれ、経済的価値は実行・制御プレーンへと移行する。このミドルウェア層には、動的なモデルルーティング、永続的な状態記憶、ID管理、権限設定、評価、ツール統合、オーケストレーションが含まれる。企業の貸借対照表という観点から捉えると、企業向けソフトウェアの購入者は、未加工の基盤モデルのトークンを購入するのではなく、完結した業務成果を購入する。実行層は、クラウドコンピューティングにおけるKubernetes、ID・アクセス管理、オブザーバビリティに相当する組織的な「ミドルウェア」として機能し、基礎となるモデルが変動しても、企業のスイッチングコストを固定化し、利益率を保護する。2026年のLangChain本番運用調査は、複数モデルを用いる企業アーキテクチャが現在では標準となり、導入時の主要なボトルネックがトークン単価から実行の信頼性、安全性、タスクの完遂へと移行していることを裏付けている。

同様に、汎用的なウェブ学習データは、独自の成果に基づくフィードバックループと比べてコモディティ化が進んでいる。ソフトウェアアプリケーションが、行動によって検証可能な現実世界の評価が生まれる分野固有の業務ワークフローに直接組み込まれるとき、持続可能な経済的な堀(モート)が形成される。

この力学を示す代表例が、法律分野のHarveyである。Harveyは、汎用的なトークン生成を販売する脆弱な基盤モデルのラッパーとして競争しているわけではない。代わりに、法律業務のワークフローに直接組み込まれ、法律分野の正式記録システム、流通経路、規制遵守、顧客の信頼、独自のフィードバックループ(契約分析 $\rightarrow$ 弁護士による修正 $\rightarrow$ 最終的な裁判所への提出/解決)を組み合わせている。Harveyは、一貫したワークフローとそこから生じる成果データを保有するため、高いスイッチングコストを構築し、価格決定力を守ることができ、基礎となる基盤モデルの選択は、達成される業務成果に比べて二次的なものとなる。同様の成果に基づくフィードバックループは、コーディング(修正パッチ $\rightarrow$ テスト結果 $\rightarrow$ 導入結果)、医療(診断 $\rightarrow$ 治療 $\rightarrow$ 患者の健康状態の改善結果)、金融(請求書 $\rightarrow$ 決済 $\rightarrow$ 紛争解決)といった専門分野でも生まれている。

フィジカルAIシステムでは、資本配分の力学が、純粋な企業向けソフトウェアの経済性とは根本的に異なる。ソフトウェアは限界費用がほぼゼロで規模を拡大できる一方、物理的なロボティクスには多額の部品表(BOM)関連資本が必要となる。McKinseyは、人型ロボットのBOMに占める精密アクチュエーターの割合を40%から60%、バッテリーモジュールの割合を5%から10%と推定している。さらに、CRUは、人型ロボットごとに2から3 kgのNdFeB(ネオジム・鉄・ホウ素)希土類磁石が必要と推定している。フィジカルAIの部品は長期的な戦略上の選択肢をもたらす一方、データセンターの演算資産とメモリー資産は、現在すでに、即時かつ検証可能なキャッシュフローを生み出している。

フィジカルAIのハードウェア構成要素 推定BOM構成比/資源使用量 主な経済性・サプライチェーンの要因
精密アクチュエーター BOM全体の40% – 60%(McKinsey) 高精度の関節、ギアボックス、モーター、減速機。
バッテリーモジュール BOM全体の5% – 10%(McKinsey) 駆動機構と比較して相対的に低い資本配分。
NdFeB希土類磁石 人型ロボットごとに2 – 3 kg(CRU) 重希土類元素に対する構造的な需要要因。

この構造的な設備投資の拡大を理解するには、ジェボンズのパラドックスを適用する必要がある。トークン単価が100分の一に低下しても、演算への総支出は縮小しない。むしろ、単価の低下はトークン総消費量の爆発的な拡大を引き起こす。単発の質問・回答のやり取りが、継続的なバックグラウンドシミュレーションや自動化されたツール呼び出しを実行する複数エージェントの推論ループに置き換わるにつれて、単価が急落しても、ハードウェアの総演算需要は加速する。

資本配分を評価する長期のファンダメンタル投資家にとって、持続可能な価値の獲得には、物理的な希少性のみに依存する投資を避け、高い増分ROIC、価格決定力、組み込み型のワークフロー・フィードバックループを備えた企業を選ぶことが必要となる。より詳細な評価モデルや、ファンダメンタルズに基づくオーナー・アーニングスの計算に関心のある投資家は、DeepValues Researchのウェブサイトで当社のオープンソースの企業調査を閲覧するか、DeepValuesアプリを使って任意の銘柄の本源的価値と安全余裕率を評価できる。

5. 主要な数値

  • 78%:企業の国籍別に見た、半導体用フォトレジスト売上高に占める日本企業のおおよその市場シェア。
  • >$700B:IEAによる2026年のハイパースケーラーの推定設備投資額。主にデータセンターの拡張向け。
  • 485 TWhから~950 TWh:2025年から2030年にかけて予測されるデータセンターの電力消費量の増加(IEA)。
  • 2027年末:広帯域メモリー(HBM)の供給不足が続くと予想される時期(IEA)。
  • 50% / 33% / 18%:Q2 2026のHBM売上高におけるSKハイニックス、サムスン、Micronの推定シェア(順に、Counterpoint)。
  • 百万トークン当たり$20から$0.07:2022年11月から2024年10月にかけて、GPT-3.5水準のMMLU性能を実現するための実行コストが低下し、280xの削減となった(スタンフォードAI指数)。
  • ~80%:2024年1月から2026年4月にかけての、品質調整後の言語モデル価格の下落率(OECD)。
  • アリーナElo評価の25ポイント:2026年3月時点のAnthropic、xAI、グーグル、OpenAIの最先端モデル間のわずかな性能差(スタンフォード2026年AI指数)。
  • 3.3%–3.4%:2026年3月における、最良のクローズドソースモデルと最良の重み公開モデルの性能差(スタンフォードAI指数)。
  • 35%から63%:Q3 2025からQ3 2026にかけての、企業のAI支出に占める最先端モデルの割合の増加(Menloの調査)。
  • 40%–60%対5%–10%:人型ロボットの部品表(BOM)に占めるアクチュエーターとバッテリーモジュールの推定割合(McKinsey)。
  • 2–3 kg:人型ロボットごとに必要となるNdFeB希土類磁石の推定量(CRU)。

6. 当社の見解を変える要因

  • CUDAおよびHBMアーキテクチャの急速な陳腐化: HBMとNVLinkを実際に置き換える代替インターコネクトやメモリーアーキテクチャの進展が加速し、2027年より前にシステムレベルのネットワークにおける堀(モート)が損なわれること。
  • ハイパースケーラーの設備投資縮小: 投下資本利益率(ROIC)が期待を下回ることや、電力系統への接続の深刻な遅延によって、ハイパースケーラーの年間設備投資の>$700Bという見通しが大幅に下方修正されること。
  • 重み公開モデルの急速な収益化と停滞: 最先端モデルとの3.3–3.4%の性能差が消失し、企業顧客が高価格の非公開モデルを放棄して、ローカル環境で運用される安価な重み公開モデルを選ぶようになること。
  • フィジカルAI導入の加速: 人型ロボティクスの大規模な商用化と大量生産が2030年よりも大幅に早く数百万台規模に到達し、即時のキャッシュフロー価値の獲得先が駆動機構と磁石のサプライチェーンへ移行すること。

7. 出典

AIの価値を読み解く、Chamath Palihapitiya(2025年の年次書簡および関連する枠組み) スタンフォードAI指数(スタンフォード大学、2024–2026年のデータ) 国際エネルギー機関(IEA)の電力・設備投資報告書 Counterpoint Research(Q2 2026の半導体・HBM市場分析) McKinsey & CompanyのロボティクスBOM調査 CRU Groupの素材・希土類調査 OECDの言語モデル価格調査(2024–2026年) Menlo Venturesの企業AI支出調査(2025–2026年) ジョンズ・ホプキンス大学のインフラ・データセンター電力調査 LangChainの本番運用AI調査(2026年)

動画

出典リンク

  • Decoding AI Value

視聴・試聴

企業リサーチ

リサーチ本文のライセンス:CC BY 4.0。引用表記: DeepValues Research, AIスタックを読み解く:長期投資家のためのボトルネック、堀(モート)、価値の蓄積の分析, https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value-ja/

無料の週刊メール

Margin of Safety Weekly

毎週土曜:市場の温度感、偉大な投資家の売買(13F)、今週の新しいリサーチ、動画とポッドキャスト。無料、アカウント登録は不要です。メールは英語で配信されます。

Send me the DeepValues Margin of Safety Weekly, one email every Saturday. I can unsubscribe at any time. Information only, not investment advice. プライバシー

さらに深く

どの銘柄でも、2分で同じ分析を実行

このレポートを作成したマルチエージェントAIアナリスト、Deep Value Intelligenceが、あらゆる上場企業の同様のレポートをオンデマンドで作成します。

Deep Value Intelligenceを開く

DeepValuesアプリで300以上の銘柄を追跡

スタンス、本源的価値、最新レポートをスマートフォンで。

開発者向け:APIでスタンスとレポートを取得

これらのページの元になっているファンダメンタルズ、本源的価値、スタンス、レポートへのリンクをJSONで提供します。

APIドキュメント

ディスカッション