Astra on Korea Invest Insights

次のトークン需要はオフィス業務から生まれるか：Astraの進化を韓国企業の利益につなぐ条件

Fri, 11 Sep 2026 12:00:00 +0900

9月3日に公開されたGPT-6 Astraと、9月10日に発表された金融業務・データ分析製品を合わせて見ると、AI競争の問いが変わりつつあります。個別の回答の質から、任された仕事をどこまで継続し、完了させられるかへの変化です。OpenAIの金融業務製品はデータ、出典、企業の文書様式をつなぎ、データ分析製品は社内情報とアクセス権限をつなぐ方向を示しています。¹²³

この変化は、開発者に見られる高頻度・高負荷の利用を、広範なオフィス業務へ拡張する契機になり得ます。ただし、製品発売はトークン需要の急増を実証したものではありません。事務職の人数に開発者一人当たりの使用量を掛けても、説得力のある市場予測にはなりません。

投資仮説は条件付きです。コンピューター操作と長期的な業務遂行の改善が人間の介入を減らし、実際に任せる仕事を増やすなら、推論需要の裾野は広がります。韓国株では、その増分をメモリーの販売数量・価格、電力設備の受注、継続的なソフトウェア利益へ転換できる企業を見極める必要があります。

開発には、実行と検証を結びつける環境がありました

開発業務には、読むべきコードのリポジトリー、実行するツール、結果を調べるテストがあります。プログラムを修正し、失敗した箇所を確認して、やり直すことができます。すべてのソフトウェア成果が容易に検証できるという意味ではありません。実行と評価を結ぶ環境を、分断された事務作業より先に整えやすかった、という解釈です。

2026年4月のコーディングエージェント研究では、同じ課題でもモデルや実行経路によってトークン消費が大きく変わり、追加支出が必ずしも精度向上につながらないと報告されています。開発者の消費量を事務職全体へ機械的に当てはめられない理由でもあります。⁴

オフィス業務には別の摩擦があります。メールでの約束、顧客管理の状態、Excelの計算、社内規則が別々の場所に存在します。回答が正しくても、記録を誤って更新すれば仕事は失敗です。権限と承認まで組み込んで初めて、回答が業務の完了になります。

したがって「開発の次はオフィス業務」とは、前の市場が終わってから次の市場が始まるという意味ではありません。両者は既に重なっています。非開発職における反復利用の強度が、次の成長源になり得るという主張です。

操作能力は対象を広げ、継続能力は委任の採算を変えます

コンピューター操作とは、画面を読み、ボタンを押し、情報を入力する能力です。長時間の業務遂行とは、複数段階を通じて目的と資料を保持し、失敗から復旧し、結果を検証する能力です。前者はアクセスできる業務を増やし、後者は人間が付き添う負担を減らします。

両者は相互に効果を高めます。正確にクリックできても、10段階目で目的を忘れれば委任できません。長く考えられても、実際の業務システムへ結果を移すたびに人が必要なら限界があります。これは経済的な解釈であり、モデル構造について実証された数式ではありません。

公開評価と本番導入の証拠は分けて読む必要があります。

公開評価	Astra	GPT-5.6 Sol	適切な解釈
AutomationBench	41.4%	18.1%	自動化評価での改善であり、事務業務全体の自動化率ではない
OSWorld 2.0の部分点	72.6%	65.7%	オフラインの一部課題における部分点であり、完全無人での成功確率ではない
OSWorldの遅延シミュレーション	40分	75分	特定条件での時間であり、企業で実測した労働時間削減率ではない

出典：OpenAI。OSWorldはv2026.08.08のオフライン・サブセットです。評価設定やツール環境は本番と異なる場合があり、実行環境の改善も含まれます。¹

各段階の信頼性が少し高まると、委任できる仕事が大きく増える可能性があります。独立した50段階すべてが成功する必要があると仮定すると、各段階98%の場合は0.98の50乗、約36.4%です。99.5%なら約77.8%になります。実際のエラーには相関があり、中間検査や再試行もあるため、これは累積効果の例示にすぎません。Astraの実務成功率ではありません。

企業がすべてを画面クリックで処理すべきという話でもありません。安定したプログラム連携の窓口であるAPIがあれば優先し、連携できない部分を画面操作で補完する方が合理的です。既存システムをすべて置き換えずに、業務の途切れた部分をつなげる点に意義があります。

モデルの能力が、データ接続と運用基盤に組み込まれ始めました

9月10日発表のChatGPT Financial Servicesは、金融データと文書作成を企業の様式や統制へ結びつける試みです。データ分析製品は、許可されたデータと業務の文脈を接続します。高性能モデルだけでは導入は完了せず、アクセスと検証が必要であることを示しています。²³

Agents APIの公開ベータは、文脈管理、ツール実行、複数エージェントの協調を支える基盤を提供します。各企業が永続的な実行環境を毎回自作せずに済むなら、モデル改善を有料業務へ転換する費用は下がり得ます。ただし、確認できるのは公開と機能説明であり、利用企業全体の支出や投資対効果ではありません。⁵

最初に広がるのは、すべての事務職の完全無人化ではないでしょう。資料比較、営業準備、定期報告、経費照合など、範囲が定まり結果を検査できる業務が反復利用につながりやすいと考えます。送金、契約確定、人事判断など、失敗の損失が大きい行為には適切な人間の承認を残す必要があります。

短い依頼の背後で、計算は長く続きます

「取引先3社を比較し、次の会議資料を準備してください」という指示は一文です。しかし実行には、メールと見積書の検索、条件の統一、表の作成、数値と出典の確認、社内様式への整形が必要です。不足情報が見つかれば、一部をやり直します。

最終回答が短くても、モデルは何度も呼び出されます。取得資料、ツールの結果、中間検証、修正がトークンを消費します。トークンはモデルの入出力を処理する単位であり、質問数や文章数ではありません。

Anthropicは2025年6月、自社研究システムのデータにおいて、エージェントは通常の対話の約4倍、複数エージェントのシステムは約15倍のトークンを使うと公表しました。特定の企業・システム内での比較であり、全業務の普遍的な倍率ではありません。それでも、会話が実行可能な業務へ変わると消費が増える仕組みを裏付けます。⁶

持続的な成長は、同じ仕事を非効率に長く実行することではありません。準備費用が高いために行われなかった顧客別提案、頻繁な在庫照合、広範な競合調査などが新たに実行されることにあります。再試行の浪費だけでは、継続的な支払意思を示せません。

人数より、実際に任せる仕事の頻度が重要です

月間トークン＝対象人数×実際の利用比率×利用者一人当たりの一日委任件数×稼働日数×業務一件当たりの累積トークン。

一件当たりの累積には、すべての呼び出しの入力・出力、再試行、検証を含みます。追加エージェントの呼び出しもここに含めます。その上でエージェント数や再試行倍率を再度掛けると二重計算になります。

以下は従業員1,000人、月22稼働日の同一組織を仮定した感応度分析です。導入企業の観測値でも、2027年の市場予測でもありません。

代替的な利用状態	実利用比率	一日当たりの利用	一回・一件の累積トークン	月間合計	対話基準比
対話型の基準	20%	質問10回	2,000	8,800万	1.0倍
限定的な委任	30%	業務1件	20,000	1億3,200万	1.5倍
反復業務の定着	50%	業務3件	40,000	13億2,000万	15.0倍
広範な委任	70%	業務5件	80,000	61億6,000万	70.0倍

基準は1,000×20%×10×22×2,000＝88,000,000トークンです。反復業務は1,000×50%×3×22×40,000＝1,320,000,000です。各行は相互に代替する状態であり、すべてを基準に追加して合計するものではありません。対話一回と完成した業務一件の成果も同一ではありません。

15倍は、利用者数が15倍になる仮定ではありません。実利用者が2.5倍となり、一人当たりの一日トークンが2万から12万へ6倍になる結果です。一方、利用者が増えても一日一度の要約にとどまれば、拡大幅は小さくなります。

非開発職が多いだけでは、その需要が開発需要を上回る時期は決まりません。導入率、委任頻度、業務当たりの消費が十分に高まる必要があります。非開発者が生成するコードと開発者の文書作成などを、職務分類で二重に数えないことも重要です。

一件0.56ドルという例は、委任の採算条件を示します

Astra Standardの公開API料金は、入力100万トークン当たり10ドル、出力100万トークン当たり50ドルです。キャッシュなしで入力36,000、出力4,000トークンを使う仕事を考えます。¹

モデル費用＝36,000÷1,000,000×10ドル＋4,000÷1,000,000×50ドル＝0.56ドル。

出力4,000は最終報告書の長さではなく、全呼び出しで請求対象となる出力の合計です。推論トークンが出力として課金される場合は、それも含めます。キャッシュ、安価なモデルとの使い分け、ツール料金によって実際の請求額は変わります。

反復業務の状態は500人×3件×22日＝月33,000件です。この単価なら月間モデル費用は18,480ドル、一人当たり36.96ドルです。ブラウザー実行、データ利用料、統合、セキュリティー、教育、障害対応費は含みません。

委任の純便益＝実現した人件費削減・追加的な商業価値－モデルとツール費－人間の検証・再作業－失敗損失－運用・統合費の配賦額。

低リスクで同等の成果が得られる仕事を、人が30分で処理し、時間価値を時給50ドルと仮定すると、元の費用は25ドルです。AI利用後の確認が5分、失敗した20%を最初からやり直すなら、期待再作業時間は6分です。人間の費用は約9.17ドル、モデルを加えると9.73ドルで、他の費用と失敗損失を負担できる余地は約15.27ドルです。成功率80%は仮定であり、評価スコアから導いたものではありません。

確認に25分かかると、同じ条件の費用は約26.39ドルになります。推論が安価でも採算は失われます。時間の節約がそのまま現金支出の減少になるわけでもありません。人員再配置、処理量増加、追加採用の回避などを通じて実現する必要があります。

したがって重要な指標は、エージェントが長く動けること自体ではなく、完了した業務一件に必要な人間の介入時間です。

トークン、請求額、計算量、メモリーは別の指標です

トークン15倍を半導体需要15倍に置き換えると、中間の変換を見落とします。

指標	測るもの	トークンと乖離する理由
論理的トークン	全呼び出しの入力・出力合計	再利用した入力も合計に含まれ得る
実際の請求額	入力・キャッシュ・出力料金に基づく支出	割引、定額料金、小型モデルの利用が影響
物理的な計算	実際に行う演算	モデル構造・規模、再利用、効率が異なる
メモリーとストレージ	モデル・状態・データの容量と帯域	同時実行数、文脈長、保持時間、保存階層に左右される

仕事の構成を固定した例では、トークンが15倍になり、一トークン当たりの計算が80%減れば、計算需要は3倍です。95%減なら0.75倍です。計算は15×0.20と15×0.05です。いずれも感応度であり、将来の効率改善率の予測ではありません。

単価の低下で利用が広がっても、総支出が必ず増えるわけではありません。他の条件が同じなら、数量増加が値下がりを十分に上回る必要があります。低価格で新しく可能になる仕事と、既存の仕事を少ない演算で終える効果を同時に見ます。

同時実行も別の要素です。一日の利用量が同じでも、始業時に集中すれば必要設備が増えます。逆に、遅延を許容する夜間業務をまとめれば稼働率が高まり、新設投資が遅れる場合があります。エージェント数に24時間を掛けても、自動的に需要が生まれるわけではありません。

メモリー需要はHBMだけでなく階層全体で考えます

AIはモデルの重みに加え、過去の文脈から得た中間計算結果も保持します。注意機構で再利用する状態は一般にKVキャッシュと呼ばれます。長時間の仕事と多数の同時利用者は、その保存場所と取得速度の重要性を高め得ます。

ただし、すべてを高価な高帯域幅メモリー、HBMに置き続ける必要はありません。NVIDIAが2026年3月に発表したSTXとCMXは、文脈のための追加ストレージ階層を示しています。文脈容量の拡大と既存GPUの利用効率向上が狙いです。会社の性能数値は特定構成の比較であり、業界全体の実測改善率ではありません。⁷

7月に初稿、8月に改訂版が公開されたHyMCache研究、A CXL Memory Rack for Multi-Turn LLM Servingは、DRAMとSSDを組み合わせた状態再利用を検討しています。ある比較では、性能の一部と引き換えにDRAMを大きく減らしました。研究結果であって大規模商用採用の証拠ではありませんが、トークン増加を特定メモリーの同率増加へ置き換えられない反例です。⁸

韓国投資家に有効な仮説は、HBMの消滅か必ず急増するかの二者択一ではありません。高速なHBM、サーバーDRAM、大容量の企業向けSSDがどう役割を分け、メーカーが各層で利益を得るかです。保存文書量とトークン量も同じではありません。同じ資料を繰り返し読めば、トークンが増えても元データの保存量はほとんど増えない場合があります。

韓国株では四つの異なる利益構造を分けます

以下は事業への露出を比較する調査順序であり、現在株価を反映した買い順位ではありません。

企業	関連する事業	利益転換を確認する指標	仮説が弱まる条件
SK hynix（000660）	HBM、サーバーDRAM、企業向けSSD	製品別数量・平均価格・高付加価値比率、投資後の現金収支	顧客の効率化が数量増を相殺、供給増で価格下落
Samsung Electronics（005930）	三つのメモリー層への広い露出	顧客別量産、歩留まり、製品構成、他事業の損益	技術改善が採算へつながらない、他事業の損失拡大
LS ELECTRIC（010120）	データセンターの配電・電力設備	受注、納期、受注残の売上化、案件利益、現金回収	既存設備の活用にとどまる、新設遅延や取消し
Samsung SDS（018260）	企業データ接続、運用・統制、業務基盤	有料反復利用、契約更新、モデル費控除後利益、外部顧客	再販売費と統合作業の人件費が収入を吸収

SK hynix：HBM以外の需要も確認します

SK hynixの8月26日の製品紹介には、HBM、サーバーDRAM、企業向けSSDが含まれます。階層が分化する際に、複数の経路で対応できる構成です。ただし、展示されたすべての製品が同時期・同規模で売上に貢献する意味ではありません。⁹

AIと名付けた売上総額より、製品別の数量と価格を確認します。HBMが伸びても、サーバーDRAMやNANDの価格が弱ければ全体への効果は変わります。営業キャッシュフローも、設備投資と運転資金を差し引いて確認する必要があります。

この仮説に直接つながる調査対象ですが、直接的な恩恵と割安さは別です。供給優位が既に株価へ十分織り込まれていれば、好況でも期待収益は低くなり得ます。

Samsung Electronics：幅広さと相殺要因を同時に見ます

Samsungは7月30日の第2四半期決算で、下期のエージェントAI普及とサーバーDRAM、企業向けSSD、HBM需要を結びつけました。供給企業も同様の需要仮説を立てている証拠です。ただし、経営陣の見通しであって将来需給の独立した実証ではありません。¹⁰

多様なメモリー製品への露出はありますが、株主利益は顧客認定後の量産採算、歩留まり、製品構成で変わります。連結では、他の半導体事業や消費者向け事業の損益も影響します。

Astra発売をそのまま利益予想へ足すべきではありません。既に想定したAI投資を超える追加需要がどれだけあり、数量・価格・採算のどこを変えるかを確認します。新しい説明が既存注文を言い換えただけなら、追加利益ではありません。

LS ELECTRIC：トークンではなく建設と受注に投資します

LS ELECTRICは8月24日、北米AIデータセンター向け電力設備契約の拡大を発表し、変更後の総額を約2,309億ウォンとしました。既存契約に全額を上乗せできる新規受注額ではありません。データセンターとの事業関係は確認できますが、Astra発表前の契約なのでAstraの効果には帰属できません。¹¹

事務業務の推論が既存設備の稼働率を上げるだけなら、新たな電力設備の注文はすぐに増えません。持続的需要が、資金調達と電力接続を確保した建設へつながる必要があります。高金利や工事遅延は、長期需要の成長と共存します。

新規受注、受注残の売上化、案件利益、現金回収の順に調べます。トークンが処理されるたびに収益を得る企業として評価すると、設備企業固有の時間差と実行リスクを見落とします。

Samsung SDS：モデル販売より運用責任が重要です

Samsung SDSのFabriXは、複数モデルと企業システムを接続し、エージェントの作成・運用・統制を支援する基盤を掲げています。Brity Copilotはメールや会議にAIを組み込みます。データ、権限、運用責任を担える点は、オフィス利用の拡大につながり得ます。¹²¹³

一方、最先端モデル企業も企業向け製品とデータ接続を直接拡大しています。単なるチャット画面やモデル利用権の再販売は価格競争を受けやすくなります。既存システムの例外処理、権限、監査記録、障害対応を担い、契約更新を得られる場合に防御力が生じるという判断です。²⁵

有料利用が増えても、モデル原価と統合人件費がより速く増えれば利益は改善しません。外部顧客の反復契約、構築後の維持率、推論費を差し引いた利益率を求める必要があります。今回の製品資料だけで、AI事業独立の利益率を推計することはできません。

産業の見通しが正しくても株価は下がり得ます

株価変化倍率＝一株利益の変化倍率×評価倍率の変化。

一株利益が30%増えても、株価収益率が20倍から15倍へ下がると、株価は1.30×15÷20＝0.975倍、2.5%下落します。特定銘柄の現状ではなく計算例です。同じ定義・期間の利益を比べる仮定です。

メモリー企業の最高四半期利益を4倍し、恒常的な利益として扱うべきではありません。供給増、価格正常化、減価償却、投資と現金収支を反映します。設備契約額の全額が即座に利益になるわけでもなく、ソフトウェアは再販売原価控除後で評価します。

本稿は当日の株価と市場予想を全銘柄について検証した個別評価レポートではありません。未確認の目標株価や買い水準は示しません。購入には、現在の企業価値が織り込む成長率を逆算し、新規受注と反復利用がその期待を超えるかを比較する必要があります。

メモリー企業を先に調べる理由は、特定の業務アプリの勝者を選ばずに複数モデルの普及へ露出できることです。ただし、モデル間の分散はメモリー景気の分散ではありません。韓国の二大メーカーを両方持っても、AI設備投資とメモリー価格の共通リスクは残ります。

2026年第4四半期からは、発売より反復利用と介入時間を見ます

2026年第4四半期と2027年第1四半期を観測期間とします。これは調査計画であり、導入時期を約束する予測ではありません。

観測対象	仮説を強める証拠	判断を引き下げる証拠
非開発職の有料利用	同じ導入集団で反復業務と有料利用が継続増加	アカウントは増えるが試用後に活動低下
業務単位の採算	完了一件当たりの確認・再作業時間が減少	検証に元の業務と同程度の時間が必要
物理的インフラ	キャッシュやモデル混用後も計算・文脈保存需要が増加	論理トークンのみ増え、物理資源は横ばい
韓国メモリー	想定外の追加注文が数量・価格・利益へ反映	既存注文の言い換え、在庫増と価格低下
電力設備と企業ソフト	受注の現金化、更新率と利益率の改善	工事遅延、低利益の再販売、一回限りの構築中心

二四半期にわたり非開発職の反復利用と採算が確認できなければ、次の需要波が近いという時期判断を遅らせるべきです。利用が増えても効率化が設備需要を相殺するなら、ソフトウェア導入仮説は維持しつつ半導体への効果を引き下げます。セキュリティー事故で権限付与が後退したり、人間の復旧作業が常態化したりする場合も重要な反証です。

Astraが広げ得るのは、長い回答より完成した仕事の市場です。韓国株の買い根拠になるのは、その可能性が反復支出を生み、既に織り込まれた期待を超える企業の現金収支として確認されたときです。

情報確認日：2026年9月11日。製品・企業資料は発表主体の説明であり、独立した本番検証と区別しました。使用量、費用、株価の感応度は筆者の仮定に基づきます。個別事情を考慮した投資助言ではありません。

出典

OpenAI, GPT-6 Astra, 2026年9月。評価条件とStandard API料金。 ↩︎ ↩︎ ↩︎
OpenAI, ChatGPT Financial Services, 2026年9月10日。 ↩︎ ↩︎ ↩︎
OpenAI, Put data to work, 2026年9月10日。 ↩︎ ↩︎
Baiほか, How Do AI Agents Spend Your Money?, 初稿2026年4月24日、改訂4月29日。要旨に基づき、事務業務全体へ一般化していません。 ↩︎
OpenAI, Agents API, 2026年9月10日。 ↩︎ ↩︎
Anthropic, How we built our multi-agent research system, 2025年6月13日。 ↩︎
NVIDIA, BlueField-4 STX, 2026年3月16日。 ↩︎
Jangほか, A CXL Memory Rack for Multi-Turn LLM Serving, 初稿2026年7月20日、v3は8月5日。研究と商用採用を区別。 ↩︎
SK hynix, DTF 2026, 2026年8月26日。 ↩︎
Samsung, 2026年第2四半期決算, 2026年7月30日。 ↩︎
LS ELECTRIC, 電力設備契約発表, 2026年8月24日。変更後総額であり全額追加ではありません。 ↩︎
Samsung SDS, FabriX, 2026年9月11日確認。 ↩︎
Samsung SDS, AI Agent, 2026年9月11日確認。 ↩︎

Astra以降：ループ型トランスフォーマーがAIインフラ経済をどう変えるか

Tue, 08 Sep 2026 18:00:00 +0900

同一のニューラルネットワークを繰り返し通過させることで、小規模モデルはより難しい問題を解けるようになるのか。Lablup CEOシン・ジョンギュはAstra以降のループ型トランスフォーマーに関するFacebook考察でこの問いに再び向き合っている。アーキテクチャの問いの背後には、インフラ上の意思決定が潜んでいる——アクセラレータとメモリをどれだけ調達し、どう運用するかという問題だ。

公開研究は、保存された重みを固定したまま共有の計算ブロックを繰り返し実行することで、モデルが問題解決能力を向上できることを示している。しかし繰り返しは時間とエネルギーを消費する。モデルが小さくなっても、サービング費用が自動的に安くなるわけではない。

本稿はシンの考察を起点とした独立分析であり、原論文とモデルカードで補足している。Astraに関するエッセイの解釈と公的に確立された事実を切り分け、業界への含意は条件付き分析として扱う。情報源は2026年9月8日時点で確認済み。

Astraの成果はアーキテクチャを開示していない

OpenAIの9月3日の発表はGPT-6 Astraのリリースと性能向上を確認している。しかし、ここで参照した発表文とシステムカードは、ループ型トランスフォーマーのアーキテクチャ、再帰回数、総パラメータ数およびアクティブパラメータ数を開示していない。

そのため、AstraとHuginn型設計との関連を既定事実として扱わない。エッセイに登場する10T/1Tのサイズ主張やAGI引用も、本分析の前提から除外する。性能の向上だけでは内部アーキテクチャを特定できない。

それでも再帰を検討する理由は十分ある。公開モデルはすでに、保存パラメータ容量と推論計算量を独立して変化させる試みを示している。その展開はフロンティアモデルの非公開設計に依存せずに評価できる。

より多く保存することと、より長く計算することは別の選択肢だ

パラメータとは学習時に調整される数値的な重みを指す。モデルを大きくすると、通常は保存量が増える。Mixture of Experts（MoE）は各入力に対して一部のエキスパートモジュールを選択し、総モデル容量に対して実行する計算量を抑えることを目指す。

MoEはSwitch Transformerだけが起源ではない。2017年のスパース・ゲーテッドMoE論文は、スケールでのルーティングと学習を簡略化した2021年のSwitch Transformerに先行する。また、総パラメータ数が多いことは必ずしも層が増えることを意味しない。

Chain-of-thought（CoT）は中間トークンを生成し、後続の計算のためにコンテキストを拡張する。ループ型モデルは内部状態を共有重みのブロックに再び通す。中間計算はすべてのステップで単語に変換される必要はない。これらのアプローチを組み合わせることも可能だ。

各アプローチが何を増やすかを比較すると、トレードオフが明確になる。

アプローチ	増えるもの	潜在的なコスト
モデルの大規模化	重みまたはエキスパート容量	ストレージ、アクティブ計算、通信
Chain-of-thought	中間推論トークン	生成時間、コンテキストとキャッシュ
再帰的な深さ	共有ブロックの通過回数	繰り返し計算、レイテンシ、状態管理

これは概念的な比較だ。実際の経済性は、同一精度・入力長・ハードウェア条件での実測値が必要になる。

発話前に考える研究は異なるメカニズムを使っている

Pause tokensは回答前に追加の計算を提供する。Quiet-STaRは後続トークンの予測を助ける中間的な根拠を生成することを学習する。その名称は非言語的な連続状態推論の使用を証明するものではない。

Coconutは最終的な隠れ状態を単語に変換せずに入力として返す。言語に確定する前に、内部表現の中で可能性を保持し続けることを探求する。これは人間の意識や継続的に動作する自律的思考の証拠ではない。

再帰的な深さの研究には2018年のUniversal Transformerがあり、変換を繰り返して位置ごとに計算を異なって割り当てられる。難しいのは有用な繰り返しを学習させることだ。共有ブロックは異なる段階の状態を処理しなければならず、次のパスが結果を改善しなければならない。層の役割の衝突は有用な直感ではあるが、すべての失敗に対する普遍的な説明ではない。

層をコピーすることと同一重みを共有することは異なる

UpstageのSOLAR 10.7BはDepth Up-Scaling（DUS）を導入した。既存の層をコピーし、一部を除去して深いモデルに接続し、学習を継続する。同一の初期値から始まったコピーは異なる重みを持つようになる。結果として得られるモデルはより多くのパラメータを保存する。

一方、再帰型モデルは同一の重みを共有し続ける。DUSは事前学習を再利用してより深いモデルを構築し、ループは保存された重みを対応して増やすことなく実行の深さを増す。両者を同じメモリ節約技術として扱うと、コストモデルが誤ったものになる。

HuginnとOuroの数値は比較条件とともに読む必要がある

GeipiingらによるHuginn研究](https://arxiv.org/abs/2502.05171)は入力処理、再帰コア、出力処理を分離する。コアは繰り返し実行によって内部状態を洗練させる。著者らは800BトークンでトレーニングされたパラメータサイズのQ3.5Bモデルを研究し、再帰的な計算量が増えるにつれて推論タスクの性能が向上したことを報告した。

アブストラクトにある50Bという数値は注意が必要だ。これは50Bパラメータと同等の計算負荷までの改善を説明するものであり、すべてのタスクで50Bモデルの品質を保証するわけではなく、同コストでその品質が得られるとも言っていない。少ない重みでより多くの計算を使うことは研究成果であり、サービス経済性は別途実測が必要になる。

OuroはByteDanceと共同研究者によって2025年10月に公開された。論文は1.4Bと2.6Bのモデルファミリーをカバーし、ベンチマークで最大12Bのモデルとの比較を報告している。しかし公式のOuro-1.4Bモデルカードは、その特定のモデルが従来の3〜4Bモデルに匹敵すると説明している。1.4Bが常に12Bを置き換えると言えば、比較を過大評価することになる。

パラメータ数は学習データ量、再帰回数、評価タスクと合わせて読む必要がある。見かけ上の推論効率は、相当な事前学習投資を前提としている場合もある。

保存される重みが少なくなってもメモリのボトルネックはなくならない

例示的な計算を考えてみよう。3.5Bパラメータを1パラメータあたり2バイトで保存すると、重みだけで約7GBを必要とする。その重みを繰り返し使っても、ストレージ要件が再帰回数分だけ増えるわけではない。これは算術であり、HuginnのGPUメモリ使用量の実測値ではない。

推論の総メモリには、過去のコンテキストを再利用するためのKVキャッシュ、中間状態、実行ワークスペースも含まれる。NVIDIAの推論最適化ガイドは重みとKVキャッシュを主要なメモリ構成要素として区別している。コンテキストが長くなり、同時リクエストが増えるほどキャッシュの圧迫は高まる。再帰ステップ間でキャッシュを共有できるかどうかは設計によって異なる。

重みの再利用はデータ移動の削減とも異なる。重みが高速なオンチップメモリに留まれない場合、次のパスでHBMから再び読み込む必要が生じる可能性がある。繰り返しは計算に加えて帯域幅の需要も増やす可能性がある。メモリ階層と実装を検討せずに、ループがHBM不要の根拠だとは言えない。

早期終了による節約はソフトウェアが実現しなければならない

Mixture-of-Recursions（MoR）はトークンごとに再帰の深さを変え、ある深さでまだアクティブなトークンを中心に計算とキャッシュを管理する。目的は、簡単なトークンに計算を費やすのではなく、難しいトークンに集中させることだ。

サービングはこれを難しくする。リクエスト間で再帰要件が異なると、バッチング効率が下がる可能性がある。スケジューラは早期完了によって解放されたリソースを他のワークに使えるようにする必要がある。これは特定の商用製品での実測結果ではなく、予想される運用上の課題だ。

Ouroモデルカードは具体的な例を与えてくれる。このモデルは早期終了をサポートするが、カードにはvLLMがこの機能をサポートしておらず、設定された完全な再帰回数を実行すると記載されている。アーキテクチャ上の機能がサービングエンジンで自動的に実装されるわけではない。

これはLablupのようなAIインフラソフトウェア企業に具体的な問いを与える——プラットフォームは再帰の深さが異なるジョブをバッチ処理し、キャッシュを再利用し、同等品質での完了時間とエネルギーコストを削減できるのか。これはLablupがすでにその機能をサポートしているとか、収益成長を実証しているという主張ではなく、機会を評価するための問いだ。

韓国の半導体にはリソース節約と利用拡大の両方の可能性がある

以下は収益予測ではなく、ループ型モデルが広く普及した場合の条件付きシナリオだ。

条件	考えられる業界への影響	必要なエビデンス
同等品質でより少ない重みとキャッシュ	リクエストあたりのメモリ圧迫の低下	同一コンテキスト・同時実行数でのメモリ実測
難しい問題への再帰の増加	アクセラレータ時間とエネルギー需要の増大	タスク成功あたりのGPU時間とエネルギー
コスト低下が利用拡大を促進	集約インフラ需要の安定または増加	実際の顧客利用状況と購買計画
再帰とキャッシュ管理がバッチング効率を低下させる	商用化の遅延	同一レイテンシ目標でのスループット

Samsung ElectronicsやSK hynixのようなメモリサプライヤーにとって、集約需要はリクエストあたりのリソースとリクエスト数の両方に依存する。効率化が採用を促進する可能性はあるが、その成長が節約分を上回ると仮定することはできない。この分析だけではHBM需要や企業の収益予測を修正するには不十分だ。

より有用な比較は、1回の成功したタスクを完了するコストだ。繰り返しに時間がかかりすぎる、またはリトライが頻繁であれば、ベンチマークスコアが高くても高コストになり得る。逆に、最初の試みの成功率が十分に向上するなら、追加の計算がトータルコストを下げる可能性もある。

次のテストはパラメータ数ではなくタスクコストだ

産業的なケースを検証するには、同一精度での総メモリ・完了時間・エネルギー・同時スループットの比較が必要だ。簡単な質問に対する平均値と同様に、テールレイテンシも重要になる。再帰を増やしても品質が改善されなくなる場合、またはバッチング損失がリソース節約を上回る場合、商用化の論拠は弱まる。

アーキテクチャのさらなる開示によって、AstraがこのリサーチラインナップのQ中に属するかどうかが確立されるかもしれない。その一方で、検証可能な変化は確かに存在する——インフラ計画は保存モデルのサイズと並んで、各問題にどれだけ長く計算し、いつ止めるかを考慮しなければならない。その柔軟性を実際のコスト削減に転換することは、ハードウェアとソフトウェア双方の共同テストだ。