カバー画像： ネットワークサーバーとケーブル。写真提供：Piotr Cichosz（Pexels、無料利用可）。

インターネットは偉大な平等化装置になるはずだった——中央集権化されておらず、許可なしに誰でも自由に公開、接続、構築できるネットワーク。1990年代から2000年代初頭の一時期、それは確かにそうだった。しかしその後、プラットフォームが台頭し、アルゴリズムがすべてを掌握し、オープンウェブはデジタルライフの縮小しつつある片隅に追いやられた。

現在、同じシナリオが人工知能の分野で繰り返されている——ただ今回は速度が速く、その規模はプラットフォーム時代をリハーサルに過ぎなくさせるものだ。

2026年のAI産業は12社にも満たない企業によって支配されており、そのうちの4社——NVIDIA、Amazon、Google、Microsoft——がスタックのあらゆる重要レイヤーで重要なインフラを所有している。チップ、クラウドコンピューティング、基盤モデル、学習データ——それぞれのレイヤーは1社か2社のプレーヤーによって支配されている。その結果、テクノロジー業界の歴史上、最も集中した市場が生まれている。

これは必然ではない。技術的な必要性でもない。これは選択だ——そして私たちにはまだ異なる選択をする時間がある。

2026年のAI中央集権化の実態

ハードウェアのボトルネック

物理層から見ていこう。すべてのAIモデル——チャットボット、画像生成器、エージェント——はGPU上で動作する。そして、事実上すべてのモデルを動かすGPUを製造しているのは1社だけだ。

英国競争市場庁（CMA）の2025年9月のAI基盤モデル更新報告書によると、NVIDIAは2026年初頭現在、AIチップ市場の約92%を支配している。同規模の代替ソースは存在しない。AMDのMIシリーズアクセラレーターは市場のごく一部を占めるに過ぎない。Cerebras、Groq、SambaNova、Tenstorrentなどのスタートアップが専門的な代替チップを生産しているが、それらの総出荷量はNVIDIAのボリュームと比較すれば無視できるほどだ。

これは単なる市場シェアの統計ではない。AIを学習または展開したいと考えるすべての企業、研究機関、政府はNVIDIAを通過しなければならないことを意味する。同社は、最新チップの割り当てを誰が、どの価格で、どのような条件で取得するかを決定する。需要が供給を上回ると——2023年以来これが標準だ——顧客はすでに支払いを済ませたハードウェアを数ヶ月待つことになる。

CMAの分析は、「AIバリューチェーンの集中が既存企業による垂直統合を促進し、競争を制限し、ボトムアップのイノベーションを阻害する可能性がある」と指摘している。

計算リソースの料金所

チップを入手できたとしても、それを実行する場所が必要だ。AIワークロードをホストするクラウドコンピューティング市場は、3社によって支配されている：Amazon Web Services（31%）、Microsoft Azure（26%）、Google Cloud（11%）（Synergy Research Groupの2026年第1四半期データ）。これら3社で世界のクラウドインフラ支出の68%を占める。

AIに特化すると、集中度はさらに極端になる。MicrosoftはOpenAIとの深い提携を通じて、最も広く展開されている基盤モデルの主要な計算リソースプロバイダーとなっている。Googleは自社のモデルを自社のクラウド上で実行する。AmazonはNVIDIAハードウェアと独自のTrainiumおよびInferentiaチップを組み合わせて提供している。

AI製品を構築するスタートアップにとって、クラウドプロバイダーは最大のリスクになり得る。競合他社が同時に顧客でもある場合、価格は一夜にして変わる可能性がある。依存している機能が、数週間の通知期間で非推奨になることもある。

Bloombergの推計によると、4大テクノロジー企業——NVIDIA、Amazon、Google、Microsoft——は2023年から2026年の間に合計6500億ドルをAIインフラの設備投資に投じた。これは他の誰も太刀打ちできない投資額だ。ビッグテックの計算能力とそれ以外の組織の間のギャップは、単なる差ではなく——峡谷である。

データの堀

データはAIの原材料だ。しかし、最も豊富なデータソースは、計算リソースを支配しているのと同じ企業によって管理されている。

Googleは検索データ、YouTubeのトランスクリプト、Google Docsを所有する。MetaはFacebookとInstagramを所有する。MicrosoftはLinkedInとGitHubを所有する。AmazonはショッピングデータとAWSの利用テレメトリーを所有する。これらは単なる大規模データセットではなく——独占的で、絶えず更新され、法的に保護されている。

新規参入者は構造的な不利益を被る。OpenAIのGPTモデルはウェブデータ——その多くは公開されているCommon Crawlコーパスから——で学習されている。しかし、高品質なデータはますますペイウォールと利用規約の制限の背後に閉じ込められている。

Reuters Instituteによると、2025年には米国の主要ニュースサイトの79%がOpenAIのウェブクローラーをブロックした。かつては学習に自由に利用できたRedditのデータは、現在は有料契約を通じてのみライセンス供与されている。ウォール・ストリート・ジャーナルの親会社であるDow Jonesは2025年10月、Perplexity AIを著作権侵害で訴え、「ライセンスなしに情報を大量に摂取することは認められない」と主張した。学習データをめぐる法的環境は、オープンからプロプライエタリへと移行しつつあり——既存のデータの堀を持つ大手企業が最も恩恵を受けている。

ハーバード大学ケネディスクールのベルファーセンターは2026年1月の分析で、「生成AI市場はしばしば少数の大企業が支配する勝者総取りの環境として特徴づけられる。この見方には一定の真実があるが、実際の力学はより微妙だ。この分野は見出しが示唆するよりも競争的かもしれない」と指摘している。しかし、このより慎重な評価でさえ、基盤となるレイヤー——計算リソースとデータ——は依然として高度に集中していることを認めている。

モデルの複占

これらのレイヤーの上に、モデルレイヤーがある。プロプライエタリなフロンティアモデルの分野では、2つの名前が支配的だ：OpenAIとGoogle DeepMindだ。Anthropicは明確な第3位だが、差は大きい。

フロンティアモデルの学習コストは、それ自体が参入障壁となっている。GPT-4の学習には1億ドルから1億5000万ドルかかったと推定されている。Google DeepMindのGemini Ultraは、約6億5000万ドルを要したと報じられている。2027年までに、次世代モデルの学習コストは1回あたり8億ドルを超える可能性があるという推定もある。フロンティアモデル競争に参入するコストはもはやビジネス上の決定ではなく——国家レベルの投資判断である。

オープンソースモデルはこの集中化を部分的に相殺してきた。MetaのLlama 3は広く使用されている。Mistralのモデルは特定のベンチマークでGPT-4と競合する。DeepSeek-V3はわずか560万ドルの学習費用で、ビッグテックの支出のごく一部でフロンティアレベルのモデルを構築できることを実証した。しかし、オープンモデルも同じハードウェアとクラウドインフラに依存している。AWSからリースしたNVIDIAハードウェア上で動作するオープンモデルは、ソフトウェア層では自由だが、その下のすべての層では captive（依存）状態にある。

なぜ中央集権化が進歩を制限するのか

AIの中央集権化は単なる市場構造の問題ではない。それは、AIが何をできるか、誰がその恩恵を受けるか、そしてテクノロジーがどのように進化するかに直接的な影響を与える。

イノベーションのボトルネック。 1社がGPU供給を支配すると、AI研究のペースはその企業の生産能力と割り当て優先順位に左右される。3社のクラウドプロバイダーが計算リソースへのアクセスを支配すると、AIアプリケーションの多様性は、それらのプロバイダーがサポートを選択する範囲に制限される。CMAの「ボトムアップのイノベーションの抑制」に関する懸念は理論上のものではなく——インフラの門番が誰が参加できるかを決定する市場を描写している。

単一障害点。 単一のエコシステムのデータで学習されたモデルは、そのエコシステムのバイアスと盲点を継承する。もしGoogleのモデルが支配的になれば、AIシステムに組み込まれる世界観はGoogleの世界観になる。もしNVIDIAのCUDAプラットフォームがGPUコンピューティングへの唯一の viable な経路であれば、業界全体のソフトウェアスタックは同社のCUDA互換性への継続的な投資に依存することになる。これらはいかなるコーポレートガバナンスでも完全に緩和できない構造的リスクだ。

説明責任のない権力。 AIインフラを支配する企業は民主的な説明責任を負わない。それらは公的機関と同じ透明性要件の対象ではない。NVIDIAはGPU割り当て基準を公開しない。OpenAIは安全性テストの方法論を開示しない。Googleはモデル学習データのフィルタリング方法を明らかにしない。これらは公共的な結果を伴う私的な決定であり——市民が関与するメカニズムは存在しない。

オックスフォード大学のRest of Worldプロジェクトは2026年1月の報告書で、このダイナミクスを「シリコン主権者」（silicon sovereigns）の台頭として描写した——AIインフラに関する私企業の決定が、世界のその他の地域に対するガバナンスとして事実上機能するようになった状態だ。独自のAIサプライチェーンを持たない国々は、影響力を行使できない企業のロードマップにますます依存するようになっている。

なぜ単純な解決策ではうまくいかないのか

中央集権化への本能的な反応は「分散化しよう」というものだ。しかし、分散化はチェックボックスではない——スタックのすべてのレイヤーで実装されなければならない設計思想だ。そして、善意の試みの多くは、1つのレイヤーだけに対処し、他のレイヤーを集中化したままにすることで失敗する。

AIコンピューティングのブロックチェーントークンモデル。 いくつかのプロジェクトが、GPU所有者がアイドル容量をレンタルできる分散型計算リソース市場を創出しようと試みている。Akash Network、Render Networkなどは分散型コンピューティングのマーケットプレイスを提供している。理論上は解決策のように聞こえる。実際には、これらのネットワークは計算需要のごく一部しか処理していない。分散型GPUネットワークのレイテンシ、信頼性、一貫性は、学習ワークロードにおいて集中型データセンターに及ばない。推論においては、これらのネットワークはより良好に機能するが、依然としてニッチな存在だ。

オープンなインフラのないオープンウェイトモデル。 モデルのウェイトをオープンソースとして公開することは価値があるが——システムを分散化することにはならない。AWS上で実行されるオープンウェイトモデルは、依然としてAWSに依存している。真の分散化には、すべてのレイヤー——ハードウェア、計算リソース、データ、ソフトウェア——が独立して制御可能であることが必要だ。

連合学習とオンデバイスAI。 AppleやGoogleなどは、データをローカルで処理するオンデバイスAIに投資してきた。このアーキテクチャは本質的にクラウドベースのAIよりも分散化されている。しかし、オンデバイスモデルの能力は限られており、それらのモデルの学習は依然として集中型インフラ上で行われる。ユーザーのデバイスは推論エンドポイントであり、モデル開発の参加者ではない。

これらのアプローチは間違ってはいない——不完全なだけだ。ハードウェアと計算リソースのレイヤーに対処しない分散化は、最も重要な依存関係を変更しないまま残す。

インターネットをモデルとして

当初のインターネットは、現在のAIスタックに欠けている4つの特性を備えていたために、分散型システムとして成功した。

許可のないイノベーション。 誰もが中央機関の承認を求めることなく、新しいプロトコル、サービス、アプリケーションを開発できた。ウェブ、電子メール、VoIPはすべてこのようにして生まれた。今日のAIはすべてのレイヤーで許可を必要とする——クラウドプロバイダーの承認、GPUの割り当て、APIアクセス、データライセンス。

モジュラーアーキテクチャとオープンスタンダード。 TCP/IP、HTTP、SMTP、DNS——これらのオープンスタンダードは、各レイヤーが独立して発展できるモジュラーシステムを創出した。AIにはインフラストラクチャレイヤーにTCP/IP相当のものがない。CUDAはプロプライエタリだ。主要なモデルアーキテクチャはプロプライエタリだ。競合するサービスが使用するAPIでさえ、標準プロトコルが存在しない。

リソースの分散所有。 インターネットモデルでは、個人ユーザーが自分のコンピューターを所有し、ISPは独立しており、データは自分が管理するサーバーに存在した。AIモデルでは、ユーザーは何も所有しない——推論を実行するハードウェアも、モデルのウェイトも、モデルの振る舞いを形成した学習データも。

コモンズ（共有財）に基づく基盤リソースの開発。 インターネットの重要なプロトコルは、単一の企業ではなく、IETF、W3C、ICANNといったオープンコミュニティによって開発された。AIにおける最も近い対応物——オープンソースモデルコミュニティ——は、モデル以下のすべてのレイヤーでプロプライエタリなインフラに依存している。

インターネットの分散化は偶然ではなかった。それは、インフラの集中管理が、そのインフラが可能にするものすべての集中管理につながることを理解していたエンジニアと研究者による、意図的な設計上の選択の結果だった。AIは同じ哲学で構築されておらず、その結果は市場構造に明確に表れている。

分散化への対抗潮流

中央集権化の傾向を逆転させるための真摯な取り組みが存在し、それらは真剣に検討する価値がある。

オープンウェイトフロンティアモデル。 MetaのLlama 3、DeepSeek-V3、Mistral Largeは、多くのベンチマークでオープンウェイトモデルがプロプライエタリな代替品と競争できることを実証した。DeepSeekのブレークスルー——560万ドルの学習コストでGPT-4クラスの性能を達成——は、フロンティアAIへの資本障壁が絶対的なものではないことを示した点で特に重要だった。

分散型ファインチューニングプラットフォーム。 ChutesやFedMLは、開発者が分散型計算インフラ上でモデルをファインチューニングできるプラットフォームを提供している。まだ初期段階だが、これらのプラットフォームは、モデルカスタマイズ——おそらくAIがビジネスに最大の価値を生み出す領域——が集中型インフラを必要としないモデルを代表している。

ピアツーピアAI推論。 Exo、Ollamaなどのツールは、コンシューマーハードウェア上でモデルを実行することを可能にする。MacBook Proは現在、700億パラメータのモデルを使用可能な速度でローカル実行できる。これはプロダクション規模のワークロードではクラウド推論に及ばないが、プロバイダーのAPIに依存しないAI利用のための経路を創出する。

データ協同組合。 Data Provenance InitiativeやCommon Corpusなどのプロジェクトは、既存企業からのライセンスを必要としない、公的に管理されたデータセットを構築している。その理念は、学習データはインターネットプロトコルと同様に、コモンズ（共有財）であるべきだ——それを摂取する企業によって管理されるのではなく、貢献するコミュニティによって統治されるべきだというものだ。

分散型AI研究。 Nous ResearchやEleutherAIは、分散型でコミュニティ主導のAI研究組織の例だ。これらのグループは、企業の研究開発構造の外部でモデル、ベンチマーク、技術を開発している。それらの成果——Open LLM LeaderboardやPileデータセットを含む——は、より広範なオープンソースAIコミュニティのインフラストラクチャとなっている。

真の分散化に必要なもの

AIがプラットフォーム時代よりも当初のインターネットに近い道を歩むことを望むなら、いくつかのことが起こる必要がある——そしてそれらはスタックの特定のレイヤーで起こる必要がある。

ハードウェアレイヤーでの競争。 AIチップ市場におけるNVIDIAの92%のシェアは、AIスタック全体で最も集中した単一地点だ。 viableな代替手段の出現——AMDのMIシリーズ、GroqやCerebrasなどのスタートアップ、そしてクラウドプロバイダーによる専用推論チップの可能性——は、最も重要な長期的変化となる可能性がある。92対5ではなく70対30の意味のある競争が実現するだけでも、市場のダイナミクスは劇的に変化するだろう。

GPU代替品のためのオープンコンパイラとソフトウェアスタック。 NVIDIAの支配力は、開発者をNVIDIAハードウェアにロックインするプロプライエタリなソフトウェアプラットフォームCUDAによって強化されている。OpenCLやSYCLなどのオープンな代替手段は存在するが、CUDAのエコシステムの成熟度には及ばない。複数のハードウェアベンダーによってサポートされる真にオープンなGPUプログラミング標準は、スイッチングコストを削減し、ハードウェアレイヤーでの競争を可能にする。LLVMのオープンスタンダードMLIRフレームワークは有望な方向性だが、より広範な業界採用が必要だ。

データを堀ではなくコモンズに。 AIを学習するデータは、私たち全員によって生み出されている——公開されるすべてのウェブページ、書かれるすべてのコメント、アップロードされるすべての画像。このデータをそれをスクレイピングする企業の排他的財産として扱うことは、技術的な必然ではなく政策上の選択だ。データ協同組合、公開学習データセット、学習データの集合的所有権を認める法的枠組みは、力のバランスを変える可能性がある。欧州連合のデータガバナンス法と提案されたAI責任指令は、データ共有とアルゴリズム的説明責任のための枠組みを創出することで、この方向への一歩を踏み出している。

インフラレベルでの規制介入。 CMAのAI基盤モデルに関する作業文書は、AIバリューチェーンにおける垂直統合のリスクを具体的に特定した点で注目に値する。AIインフラ——チップ、クラウドコンピューティング、学習データ——を、アクセス要件の対象となる公益事業または必須施設として扱う規制枠組みは、現在の政策からの大きな逸脱となる。特定のプラットフォームを特定の義務の対象となる「 gatekeeper（ gatekeeper ）」に指定するEUのデジタル市場法は、このアプローチの部分的なモデルを提供している。

ボトムアップのインフラ投資。 ビッグテックによる2023年から2026年までの6500億ドルのAIインフラ支出は、公的投資によって一致されていない。国立AI研究クラウド、大学向け公共GPUクラスター、政府資金によるオープンモデル開発は、単一企業によって支配されないインフラを創出する。米国の国家AI研究リソース（NAIRR）パイロットプログラムはこの方向への一歩だが、その3000万ドルの予算は企業支出と比較すれば無視できる。韓国は2027年までに9.4兆ウォン（約70億ドル）をAIインフラに投資する計画を立てており、より適切な規模のモデルを提供している。

分散化が意味するもの、意味しないもの

AIにおける分散化が何を意味するのか——そして何を意味しないのかを正確に理解する必要がある。

分散化は、すべてのAIアプリケーションがローカルハードウェアで実行されなければならないことを意味しない。スケール、効率、能力の理由から、クラウドAIは引き続き支配的だろう。目標は集中型インフラを排除することではなく、スタックのすべてのレイヤーに複数の独立した選択肢が存在することを確保することだ——どのプロバイダーも gatekeeper になれないように。

分散化は、すべてのモデルがオープンソースでなければならないことを意味しない。プロプライエタリモデルはオープンモデルと共存し、両方のモデルが健全なエコシステムの一部となり得る。目標は、AI開発のデフォルト状態が許可のないイノベーションであり、 gatekeeper によって管理されたアクセスではないことを確保することだ。

分散化は、AIのインフラ——チップ、クラウド、データ——が、集中化ではなく制御を分散する方法で組織されるべきであることを意味する。これは反企業的な立場ではない。これはプロイノベーションの立場だ。歴史上最もダイナミックなテクノロジーエコシステム——インターネット、パソコン、ウェブ——は分散型の管理構造の上に構築された。テクノロジーにおいて最も集中した市場——メインフレーム時代、モバイルアプリの複占——は、より遅いイノベーションとより高い参入障壁を生み出した。

結論：分かれ道

2026年のAI産業は、2000年代中期にインターネット産業が直面したものと同様の分かれ道に立っている。一方の道はさらなる中央集権化へと続く——AIのフルスタックが少数の企業によって支配され、イノベーションに許可が必要で、技術の利益が公共の価値ではなく市場支配力に従って分配される世界。もう一方の道は、より分散化されたアーキテクチャへと続く——各レイヤーで複数のプロバイダーが競争し、オープンスタンダードが相互運用性を可能にし、AIの基盤が企業の堀の集合ではなくコモンズである世界。

最初の道は最も抵抗の少ない道だ。意図的な行動が取られなければ、これがデフォルトの結果である。政策立案者からも、技術者からも、一般市民からも何も必要としない。

2番目の道には努力が必要だ。AIインフラを essential リソースとして扱う規制枠組み。オープンインフラへの公共投資。オープンソースのハードウェアおよびソフトウェアスタックへの技術的貢献。ロックインの方が収益性が高い場合でも、相互運用性を選択する企業の決断。

しかし、2番目の道こそが、より広範な人間のニーズに応えるAI産業——スタックを支配する企業のニーズだけでなく——へとつながる道だ。

問題は、2026年のAIが中央集権化されるか分散化されるかではない。問題は、窓が閉じる前に、誰が代替案を構築するための作業を行うかだ。

参考文献