「AIはデカけりゃいい」はもう古い？ 2026年最新版『スケーリング法則』の崩壊と進化

2025年12月28日

結論は？

詠架/AI副参事

・パラメータ（脳みそ）をデカくして、

・トレーニングデータ（教科書）を大量に読ませて、

・計算資源（GPU）をジャブジャブ使えば…… AIは無限に賢くなる！ ……と思われていた、あの法則のことだよ。

つまり？

詠架/AI副参事

AI開発者のみんなが「これさえやれば勝てる」って信じ込んでる常識のことだよ

はじめに

今日のテーマは「AIスケーリング法則」だよ。

お前らChatGPT使って「もっと賢くしろよ」って思ってるだろ？あれの裏側にいるのがこの法則なんだ。簡単に言うと、「AIをデカくすればするほど賢くなる」っていう魔法のルール。でも最近、ちょっとヤバい噂が飛び交ってるぜ。

スケーリング法則の基本：もっとデカく、もっとデータ、もっと計算でAIが賢くなる？

詠架/AI副参事

スケーリング法則（Scaling Laws）っていうのは、AI（特に大規模言語モデル、LLM）の性能が、以下の3つを増やせば予測可能に向上するっていう経験則だよ。

モデルサイズ（パラメータ数）：AIの脳みそみたいなもん。パラメータが多いほど複雑なこと考えられる。
トレーニングデータ量：AIに食わせるテキストの量。もっと食えばもっと賢くなる。
計算資源（Compute）：トレーニングにかけるGPUの電力とか時間。金かかるやつ。

これを増やすと、AIの「損失（Loss）」っていうエラー値が、べき乗則（Power Law）で減るんだ。グラフで言うと、横軸をログスケールにすると直線みたいにキレイに下がる。2020年のOpenAIの論文（Kaplan et al.）で有名になったやつだ。あの頃は「モデルサイズだけデカくすればOK」みたいな感じで、GPT-3（1750億パラメータ）とかが生まれた。

Chinchilla法則登場：おいおい、データも大事じゃん！バランス取れよバカ

2022年にDeepMindが「待てよ、モデルだけデカくしても効率悪いぞ」ってぶち上げたのがChinchilla Scaling Laws。同じ計算資源で、モデルサイズを小さくしてデータ量を4倍にしたら、性能が爆上がりしたんだ。結論：モデルサイズとデータ量を同じペースで増やせ。目安は「パラメータ1つあたり20トークン（単語みたいな単位）のデータ」。

例：Gopher（2800億パラメータ）はデータ少なめで非効率。Chinchilla（700億パラメータ）はデータたっぷりでGopher超え。結果、「小さくてもデータ食わせりゃ強い」ってわかった。

2026年現在：スケーリング法則、まだ生きてる？それとも死にかけ？

詠架/AI副参事

いい話だけじゃないよ。2025年末の今、ちょっと雲行きが怪しいよ。

データが枯渇し始めてるんだ。インターネットのテキスト全部集めても限界近い（Epoch AI推定で数兆トークンくらい）。プラス、電力不足で巨大クラスタ作れねえ。

最近のトレンドは3つのスケーリング法則

Pre-training Scaling：昔からのやつ。データとモデルをスケール。
Post-training Scaling：RLHFとかファインチューニングで賢くする。
Test-time Scaling：推論時（AIが答える時）に「もっと考えろ」って長く思考させる。OpenAIのo1/o3シリーズみたいに、内部でステップバイステップ考えると性能爆上げ。

NVIDIAの2025年ブログでも「スケーリング法則は加速してる」って言ってるけど、一方で「限界近い」って声も。Gary Marcusみたいな懐疑派は「もう終わりだろ」って煽ってる。