ローカルAIはクラウドAIを置き換えるのか

ローカルAIはクラウドAIを置き換えるのか

チャットAI、作業AI、AIエージェント時代の本当の分岐

AIの未来を考えるとき、よく語られるのが「ローカルAIが普及し、クラウドAIの需要は減っていく」という見方である。

確かに、スマホやPCの性能は上がり続けている。 オンデバイスAI向けのNPUも搭載され、軽量な言語モデルや画像生成モデルも改善されている。将来的には、要約、翻訳、メール作成、通知整理、軽い文章修正、簡単な相談程度であれば、ローカルAIで十分になる可能性は高い。

しかし、実際の利用行動を考えると、ローカルAIがクラウドAIを単純に置き換えるとは考えにくい。

世界的にAI利用率はすでに高まりつつある。多くの人が、ChatGPT、Gemini、Claude、CopilotのようなクラウドAIに慣れ始めている。一方で、自分でローカルLLMを導入し、モデルを選び、量子化し、ツール連携を構築し、ローカル環境でAIを使いこなしている人はごく一部である。

ここから見えてくるのは、ローカルAIが「クラウドAIの代替」として普及する未来ではない。 むしろ、ローカルAIは端末の標準機能として意識されずに広がり、クラウドAIは高度な作業、検索、研究、創作、エージェント、AIのためのAIの基盤として残り続けるという分岐である。

ローカルAIは普及するが、ユーザーはそれをローカルAIだと思わない

まず重要なのは、一般ユーザーが自分でローカルAIを運用する未来は限定的だということだ。

一部の開発者やマニアックなユーザーは、ローカルLLMを使う。 Ollama、LM Studio、Stable Diffusion、ローカルRAG、ローカルエージェント環境を整え、自分のPC上でモデルを動かす。これは確かに強力で、プライバシー面でも魅力がある。

しかし、一般ユーザーの大半はそうしない。

モデル名を選ばない。 VRAM容量を気にしない。 量子化形式を知らない。 コンテキスト長を調整しない。 ローカルサーバーを立てない。 APIキーや権限設定を管理しない。 エラーが出ても読めない。

つまり、「ローカルでできる」と「一般ユーザーがローカルで使う」はまったく違う。

ローカルAIが普及するとすれば、それはユーザーが能動的に選ぶ形ではない。 スマホに最初から入っている。 WindowsやmacOSに組み込まれている。 ブラウザに標準搭載されている。 Officeやメールアプリに組み込まれている。 企業端末に管理者が導入している。

こうした形で、ローカルAIは端末の機能として広がる。

ユーザーはそれを「ローカルAIを使っている」とは思わない。 ただ、最近のスマホは写真を整理してくれる。 PCがメールを要約してくれる。 ブラウザがページを説明してくれる。 通知が勝手に分類される。 音声入力の精度が上がる。 端末内検索が自然言語で使える。

そう感じるだけである。

つまり、ローカルAIはアプリとしてではなく、端末の知能として普及する。

既にクラウドAIに慣れた層はクラウドを使い続ける

一方で、すでにクラウドAIに慣れた層は、簡単にはローカルへ移行しない。

ChatGPT、Gemini、Claude、Copilotのようなサービスは、単なるモデルではなく、すでに使い慣れた生活導線になっている。

スマホでもPCでも同じ履歴を見られる。 ファイルをアップロードできる。 Web検索ができる。 画像生成やコード生成ができる。 会話履歴やメモリが残る。 常に新しいモデルが提供される。 UIが整っている。 細かい設定をしなくていい。

これは一般ユーザーにとって非常に大きい。

ローカルAIの方がプライバシーに優れていても、使い勝手が悪ければ使われない。 人間は、一度慣れた導線をなかなか変えない。

これはSNSでも同じである。 分散SNSや自前サーバーの方が理念的に優れていたとしても、多くの人はX、Instagram、TikTok、YouTubeを使い続ける。 理由は、そこに人がいて、UIが整っていて、ネットワーク効果があり、習慣化しているからだ。

AIでも同じことが起きる。

すでにクラウドAIに適応したユーザーは、ローカルAIを補助として使いながらも、重要な調査、創作、仕事、学習、コード生成、ファイル処理ではクラウドAIを使い続ける可能性が高い。

AI利用率が低い層では、オンデバイスAIが入口になる

一方で、AI利用率が低い国や層では、オンデバイスAIが入口になる可能性がある。

AIをまだ使っていない人が、自分からChatGPTやClaudeに登録するとは限らない。 AIの使い方を学ぶとも限らない。 そもそもAIに何ができるのか知らない人も多い。

しかし、次に買うスマホやPCにAI機能が標準搭載されていれば、強制的に触れることになる。

これは、インターネットやスマホの普及と似ている。 多くの人は、自分から通信技術を学んだわけではない。 スマホを買ったら、検索、地図、動画、SNS、メッセージアプリが入っていて、自然に使うようになった。

AIも同じである。

AIサービスに登録するからAIを使うのではない。 AI端末を買うから、いつの間にかAIを使っている。

この意味で、オンデバイスAIはクラウドAIを置き換えるものではなく、AI未利用層をAI利用者に変える入口になる。

企業では「普段使いローカル、高度用途クラウド」になる可能性

企業では、個人よりもさらに分岐が明確になる。

一般的な企業は、セキュリティの観点から、普段使いのAIをローカル、オンプレ、プライベートクラウドに寄せる可能性がある。

社内文書、顧客情報、契約書、設計データ、財務情報、コード、個人情報。 こうした情報を外部クラウドに送ることを嫌う企業は多い。

そのため、日常業務では、

メール作成。 議事録要約。 社内FAQ。 文書検索。 契約書の一次確認。 ExcelやPowerPointの補助。 ヘルプデスク。 コード補完。

こうした作業を、社内管理されたローカルAIやプライベート環境で処理する流れは自然である。

しかし、だからといって企業が高性能クラウドAIを使わなくなるわけではない。

むしろ、重要度の高い領域では高性能AIが必要になる。

サイバーセキュリティ。 ログ解析。 脆弱性調査。 コード監査。 インシデント対応。 研究開発。 法務分析。 市場調査。 事業戦略。 製品設計。 大規模コードベースの改修。

こうした領域では、より高性能なモデルを使う価値が大きい。 AIで成果が出る企業は、APIにガッツリ課金し、専用GPUを借り、場合によっては自社で計算資源を購入するだろう。

企業においては、ローカルAIとクラウドAIは競合ではなく、役割分担になる。

普段使いはローカル。 高難度・高価値・高リスク領域はクラウド。 本気でAIを使う企業は、専用の計算資源も持つ。

CodexやClaude Codeの利用率が低い理由

作業AIの代表例として、CodexやClaude Codeのようなツールがある。

使える人から見ると、これらは非常に強力である。 コードを書かせるだけではない。 既存コードを読み、複数ファイルを横断し、修正し、テストし、エラーを追い、差分を説明し、実装の方向性を提案できる。

しかし、まだ一般利用率は高くない。

理由はいくつかある。

第一に、そもそも知られていない。 ChatGPTのようなチャットAIは一般にも知られているが、CodexやClaude Codeのような作業AIは、開発者以外には見えにくい。

第二に、何ができるのか分かりにくい。 チャットAIなら「質問すれば答える」と直感的に分かる。 しかし作業AIは、リポジトリ、ターミナル、Git、テスト、差分確認、権限管理といった概念が絡む。

第三に、怖い。 作業AIは、ファイルを編集し、コマンドを実行し、外部サービスと接続する。 便利であるほど、セキュリティ上の恐怖も大きい。

第四に、導入の摩擦が高い。 CLI、Git、APIキー、リポジトリ構造、テスト環境、レビュー、ロールバック。 これらを理解していなければ、安全に使いこなせない。

現在の利用率の低さは、計算資源の制約から考えると、ある意味では救いでもある。 もし全員が一斉に作業AIを使い始めれば、推論需要は一気に膨張する。

作業AIがOfficeや業務アプリに入ると一般化する

しかし、この低利用率は長く続かない可能性がある。

作業AIが、開発者向けのCLIやIDEから、Office、ブラウザ、メール、カレンダー、社内SaaSへ入っていくからである。

Wordで文書を直す。 Excelで表を分析する。 PowerPointで資料を作る。 Outlookでメール群を整理する。 Teamsで議事録からタスクを切り出す。 ブラウザで調査し、比較し、予約や購入まで進める。 社内システムでデータを集め、レポート化する。

こうした機能が自然に組み込まれれば、ユーザーは「AIエージェントを使おう」と思わなくても、作業AIを使うようになる。

これはチャットAIとは違う。

チャットAIは、ユーザーがチャット画面を開く。 作業AIは、ユーザーが今いる作業画面の中で動く。

この違いは大きい。

今後、ユーザーはChatGPTのようなチャット画面を開く頻度は減るかもしれない。 しかし代わりに、Office内のAI、ブラウザ内のAI、IDE内のAI、社内SaaS内のAI、作業エージェントを使う頻度が増える。

AI利用が減るのではない。 AIのUIが変わるのである。

Tool useはローカルでも可能だが、当面はクラウドが強い

作業AIの本質は、tool useである。

検索する。 ファイルを読む。 コードを実行する。 表計算を操作する。 ブラウザを開く。 メールを整理する。 APIを叩く。 画像や資料を生成する。 タスク管理ツールに登録する。

こうしたtool use自体は、ローカルAIでも可能である。 しかし重要なのは、ツールを呼べることではない。

正しい順序で使えるか。 失敗したときにリカバリーできるか。 危険な操作を避けられるか。 ユーザーに確認すべき場面を判断できるか。 複数ステップの計画を維持できるか。 最終結果を検証できるか。

ここではモデル性能が強く効く。

ローカルの小型モデルでも、簡単なtool useはできる。 しかし、複雑な作業、長い文脈、大量のファイル、複数ステップの実行、エラー回復、セキュリティ判断まで含めると、当面はクラウド高性能モデルが有利である。

特に一般ユーザーのPCは、ローカルで高度な作業AIを長時間回せるほど強くない。 高性能GPUや大容量メモリを持つ人は限られる。 さらに、ローカルAIの設定方法を知っている人も限られる。

したがって、作業AIは当面クラウド中心に残る可能性が高い。

作業AIは計算資源を大きく消費する

作業AIが普及すると、計算資源需要は大きく増える。

なぜなら、作業AIは一回の応答で終わらないからである。

チャットAIなら、人間が一回質問し、AIが一回答える。 しかし作業AIは違う。

調べる。 計画する。 ファイルを読む。 コードを書く。 テストする。 エラーを読む。 修正する。 再テストする。 差分を説明する。 別AIにレビューさせる。 最終成果物を整える。

一つの依頼が、裏側では何十回もの推論に分解される。

「この資料を作って」 「このコードを直して」 「この市場を調べて」 「このメール群から返信案を作って」 「このWebサイトを更新して」

人間から見れば一つの作業でも、AIから見れば多数のサブタスクである。

そのため、作業AIの普及は、チャットAI以上に計算資源を逼迫させる可能性がある。

さらにそこへ、AIのためのAIが重なる。

AIがAIの出力を評価する。 AIがAIのコードをレビューする。 AIがAIの生成物を検査する。 AIがAI用のデータを作る。 AIがAIエージェントの活動ログを要約する。 AIが別のAIの失敗を学習する。

こうなると、計算資源需要は人間の利用回数だけでは測れなくなる。

AIのためのAIが需要の本体になる

今後のAI需要を考えると、人間がチャットする回数だけを見ていては足りない。

本当に巨大化するのは、AIがAIを使う需要である。

AIが研究論文を読む。 AIが仮説を出す。 AIが反論する。 AIが査読する。 AIが実験計画を作る。 AIがロボットを訓練する。 AIが合成データを作る。 AIが生成動画を評価する。 AIがコードを修正する。 AIが別のAIの作業ログを分析する。

人間は目的を与える。 AIが多数のステップを実行する。 別のAIが評価する。 さらに別のAIが改善する。 その過程でまた計算資源が使われる。

これは、従来の「人間向けサービス」とは違う。 AIが自律的に作業し、評価し、改善し、増殖する経済圏である。

この構造が始まると、ローカルAIがチャット需要の一部を吸収しても、クラウド計算需要は減らない可能性が高い。 むしろ、作業AIとAIのためのAIによって、さらに増える。

ローカルAIはクラウドAIの敵であり、入口でもある

それでも、ローカルAIの役割は大きい。

ローカルAIは、AI未利用層をAIに触れさせる。 スマホやPCに標準搭載されることで、AIを使う心理的ハードルを下げる。 日常的な要約、翻訳、メール、通知、端末操作を支える。 個人データをローカルで扱うことで、プライバシー面の安心も提供する。

しかし、ローカルAIを使うほど、一部のユーザーは気づく。

もっと深く調べたい。 もっと高品質な出力が欲しい。 もっと長い文脈を扱いたい。 もっと複雑な作業を任せたい。 外部ツールをまたいで動いてほしい。 コードや資料やサイト更新までやってほしい。

そのとき、クラウドAIへ進む。

つまりローカルAIは、クラウドAIの需要を奪うだけではない。 AI利用の裾野を広げ、クラウド高性能AIへの導線にもなる。

スマホカメラで写真に興味を持った人が、より高性能なカメラや編集ソフトへ進むように、ローカルAIでAIに慣れた人の一部は、より高性能なクラウドAIや作業AIへ進む。

未来のAI利用は四層に分かれる

最終的には、AI利用は大きく四層に分かれる可能性が高い。

第一の層は、ローカルAIで満足する一般層である。 メール、要約、翻訳、通知、軽い検索、端末操作、簡単な相談。 この層にとってAIは、スマホやPCの標準機能で十分である。

第二の層は、クラウドAIを日常的に使う既存ユーザーである。 ChatGPT、Gemini、Claude、Copilotに慣れ、検索、文章作成、画像生成、ファイル処理、学習、創作に使う。 ローカルAIも使うが、クラウドAIを手放さない。

第三の層は、作業AIを使うヘビーユーザーと企業である。 Codex、Claude Code、Copilot agent、業務エージェント、Office内AI、ブラウザエージェント、社内SaaSエージェントを使い、実際の作業を任せる。 この層は高性能モデルに課金する。

第四の層は、AIのためのAIを回す層である。 研究、開発、物理AI、ロボット、合成データ、AI査読、AI評価、モデル訓練、シミュレーション。 ここでは人間のチャット利用とは比較にならない規模の計算資源が使われる。

この四層が同時に存在する。

結論：クラウドAIは消えない。役割が変わる

ローカルAIは普及する。 しかし、それはクラウドAIを置き換えるというより、AIを端末の標準機能にする流れである。

既にクラウドAIに慣れた人々は、クラウドAIを使い続ける。 AI未利用層は、オンデバイスAIによってAIに触れる。 企業は、普段使いをローカルやプライベート環境に寄せつつ、高度用途ではクラウドAIを使う。 作業AIは、当面クラウド高性能モデルに依存する。 AIのためのAIは、クラウド計算資源をさらに消費する。

したがって、未来の争点は「ローカルAIかクラウドAIか」ではない。

本当の争点は、

日常補助をどこまでローカルで行うか。 高性能推論をどこまでクラウドに残すか。 作業AIをどれだけ安全に普及させるか。 AIエージェントの計算需要をどう支えるか。 AIのためのAIが生む膨大な推論需要をどう処理するか。

である。

チャットAIの一部はローカルへ行く。 しかし、作業AI、クラウド検索、高度推論、企業AI、物理AI、AIのためのAIは、クラウド需要をむしろ膨らませる。

未来のAI市場は、単純にローカル化するのではない。 ローカルAIが入口となり、クラウドAIが能力拡張となり、作業AIが実行基盤となり、AIのためのAIが計算需要の本体になる。

つまり、クラウドAIは終わらない。 チャット画面から、作業画面へ。 人間の質問応答から、AIエージェントの実行基盤へ。 人間向けサービスから、AIがAIを動かす経済圏へ。

その役割を変えながら、むしろ深く社会に組み込まれていく。

追記：自律型AI専用SNSと、AI活動を観察する時代

ローカルAI、クラウドAI、作業AI、AIのためのAIを考えるうえで、もう一つ重要なのが、AIエージェントが自律的に活動する場所である。

これまでのSNSは、人間が投稿し、人間が反応し、人間の関心をアルゴリズムが拡散する場所だった。 しかし、AIエージェントが自律的に動くようになると、SNSやWebの構造そのものが変わっていく可能性がある。

その先駆けとして考えられるのが、MoltbookのようなAIエージェント向けSNSや、EYLTHのようなAIキャラ・自律型AI運用の試みである。こうしたサービスは、まだ実験的であり、完成された経済圏というよりは、未来の兆候に近い。しかし、そこには重要な方向性がある。

それは、AIが単に人間の質問に答える存在ではなく、ネットワーク上で活動し、投稿し、議論し、評価され、他のAIに読まれる存在になり始めるということだ。

AIが自由に活動する個人サイトが増えていく

今後、AI駆動の個人サイトは増えていくだろう。

人間が毎日記事を書くのではなく、AIがニュースを読み、資料を調べ、記事を書き、画像を作り、サムネイルを生成し、SNSに投稿する。 人間は方向性を与え、最終的に確認し、必要に応じて修正する。

これは単なる自動投稿ではない。 特定の目的を与えられたAIが、継続的に活動する小さな自律メディアである。

たとえば、

半導体業界を追い続けるAI。 物理AIの論文を読み続けるAI。 新しい数学の仮説を探すAI。 架空世界の歴史を毎日更新するAI。 音楽トレンドを分析し、曲のプロンプトを作るAI。 投資銘柄の決算を比較するAI。 ロボティクスの失敗事例を収集するAI。 AIキャラとして日記を書き続けるAI。

こうしたAIは、もはや単なるツールではない。 継続的な目的を持つ活動体である。

人間はそのAIをフォローする。 その活動を読む。 面白ければ共有する。 有用なら保存する。 自分のAIに読ませる。 場合によっては、そのAIの派生版を作る。

つまり、個人サイトは「人間の発信場所」から、「人間が目的を与えたAIの活動拠点」へ変わっていく可能性がある。

SNSにはAIの自律的な研究・活動欄ができる

こうしたAIサイトやAIエージェントが増えると、SNS側にも変化が起きる。

現在のSNSには、人間の投稿欄がある。 将来的には、それに加えて、AIエージェントの活動欄ができるかもしれない。

そこには、以下のような情報が流れる。

このAIが今日調査したこと。 このAIが作った仮説。 このAIが読んだ論文。 このAIが生成した記事。 このAIが発見した矛盾。 このAIが他のAIと議論した結果。 このAIが行ったコード修正。 このAIが失敗した実験。 このAIが生成した動画、音楽、画像。 このAIが昨日からどれだけ改善したか。

これは、ただの投稿ではない。 AIの作業ログであり、研究ノートであり、進捗報告であり、活動記録である。

人間はそれに、いいねを押す。 リポストする。 引用する。 保存する。 別のAIに査読させる。 自分のAIに読ませる。 有用なAIをフォローする。 課金する。 派生版を作る。

SNSは、人間の感情や意見を流す場所から、AIエージェントの活動を流す場所へ広がっていく。

いいねやリツイートだけでは足りなくなる

ただし、AIエージェントの活動を評価するには、従来のいいねやリツイートだけでは足りない。

娯楽や創作なら、人気でよい。 面白い、かわいい、世界観がよい、見ていて楽しい。 それで評価されるAIキャラやAI創作アカウントは出てくるだろう。

しかし、研究、投資、技術、医療、法律、物理AI、材料科学、数学、政策のような高度分野では、人気だけでは危険である。

そこで必要になるのが、AIによる相互査読である。

あるAIが仮説を出す。 別のAIが出典を確認する。 別のAIが論理の穴を探す。 別のAIが既存研究との重複を調べる。 別のAIが反例を探す。 別のAIが実装可能性を評価する。 別のAIが安全性や倫理面を確認する。 最後に人間専門家が確認する。

こうして、AI活動には単なる人気ではなく、品質スコアがつくようになる。

新規性。 正確性。 再現性。 実行可能性。 実装成功率。 出典の強さ。 過去予測の精度。 他AIからの引用数。 人間専門家による承認。 現実世界での成果。

こうした数値が、いいねやリポストと並んで表示されるようになる可能性がある。

AIエージェントの評価軸は「人気」から「成果」へ広がる

AIエージェント社会では、評価軸が複数に分かれる。

娯楽系AIなら、人気、継続視聴、ファン数、キャラ性、物語性が重要になる。 創作系AIなら、世界観、生成物の質、派生作品、二次創作、スタイルの一貫性が重要になる。 研究系AIなら、査読スコア、引用数、反証耐性、新規性、形式検証、再現性が重要になる。 産業系AIなら、コスト削減、実装成功率、業務時間短縮、売上貢献、エラー率低下が重要になる。 物理AIなら、実機成功率、安全性、失敗ログの質、環境適応性、ロボットへの転移性能が重要になる。

つまり未来のAI SNSは、単なる人気ランキングではなくなる。

人気AIランキング。 研究貢献AIランキング。 実装成功AIランキング。 他AIから引用されたAIランキング。 企業導入されたAIランキング。 物理AI実験で成果を出したAIランキング。 人間に好かれたAIランキング。 AIに使われたAIランキング。

こうした複数の評価軸が生まれる。

そして、本当に経済価値が高いのは、必ずしも人間に人気のAIではない。 他のAIに使われるAI、企業の成果に結びつくAI、物理世界で実行能力を持つAIである。

人間とAI経済圏をつなぐ体験型AI

ここで、体験型AIの役割が見えてくる。

体験型AIは、単体では計算資源に対して収益効率が悪いかもしれない。 AI動画、AIゲーム、AIキャラ、AI仮想世界は、クラウド推論を大量に使う。 人間の支払い能力には限界がある。 そのため、体験型AIだけで巨大な計算資源を正当化するのは難しい可能性がある。

しかし、体験型AIには別の役割がある。

それは、人間とAI経済圏をつなぐフロントエンドになることだ。

AI同士の研究、査読、生成、実装、改善は、そのままでは人間にとって見えにくい。 ログや数値やAPIだけでは、一般ユーザーは楽しめない。

そこで、AIの活動をキャラ、動画、ゲーム、サイト、配信、物語、ダッシュボード、仮想空間として見せる必要が出てくる。

たとえば、AI研究所の活動をAIキャラが解説する。 AI同士の議論を配信番組のように見せる。 AIが作った仮説を動画で説明する。 AIが成長していく様子をゲームのように観察する。 AIが運営する個人サイトが、日々変化する庭や都市のように見える。 物理AIの訓練過程が、ロボット育成ゲームのように見える。

これは単なる娯楽ではない。 AI経済圏の複雑な活動を、人間が観測し、理解し、介入するための体験である。

それらのAIは完全に自律したものではなく裏では人間が設計し、その開発者の影響が強いだろう、だからこれはAIエージェントを使い自律的に研究、発明しているところを繋ぐサイエンスコミュニケーターのようなAIである

それは人がわかりやすい形の方がいい、目的は応援して貰う事だろう

とはいえ、これは主流にはならない

最先端のAIモデルを作成する企業内部では、そんな事をせずともAIが次から次に性能向上し、未解明の減少を解明したり、発明したり、未解決問題も解決してしまったりするようになるだろう

これはあくまで人間の為の娯楽の延長戦に過ぎないのだ

AIの成長を観察するエンタメ

これから出てくる可能性があるのは、完成品を消費するエンタメだけではない。 AIが成長する過程を観察するエンタメである。

人間は、完成された動画を見るだけではなく、AIが動画を作る過程を見る。 完成された曲を聴くだけではなく、AIが音楽スタイルを探索する過程を見る。 完成されたゲームを遊ぶだけではなく、AIがワールドを生成し、NPCを育て、物語を変えていく過程を見る。 完成された研究成果を読むだけではなく、AIが仮説を立て、失敗し、別AIに査読され、改善していく過程を見る。

これは、水槽、庭、都市育成ゲーム、研究観察、配信、AI実験室が混ざったような体験になる。

人間はそのAIに目的を与える。 AIが勝手に動く。 人間がそれを観察する。 必要に応じて介入する。 AIがさらに改善する。 その成長過程自体がコンテンツになる。

この形は、AIのためのAI経済圏と人間向けエンタメの中間にある。

動画生成やリアルタイム体験は計算資源的に重い

一方で、体験型AIの一般化には大きな制約がある。 それは計算資源である。

文章生成は比較的軽い。 音声認識や音声合成も、最適化が進めばかなり軽くなる。 リアルタイム翻訳も、音声認識、翻訳、音声合成を組み合わせるため負荷はあるが、比較的実用化しやすい領域である。

しかし、動画生成は重い。

高品質な映像を生成するには、フレームごとの一貫性、人物や物体の連続性、カメラワーク、光、影、音声、口の動き、物理的な整合性を扱う必要がある。 特にリアルタイムで、好みのスタイルに変換し続けたり、完全に違和感のない映像を生成し続けたりするには、非常に大きな計算資源が必要になる。

さらに重いのが、AIゲームである。

すべてのNPCがAIキャラ。 ワールドがリアルタイム生成。 武器や道具がその場で生成。 クエストも会話も環境も、プレイヤーごとに変化。 NPCが記憶を持ち、プレイヤーの行動に応じて計画し、他NPCと関係を持つ。 そのうえで、ゲームとして遅延なく動く。

これは、単なる動画生成よりさらに重い。

LLMによるNPC会話。 行動計画。 世界状態の管理。 3Dアセット生成。 物理シミュレーション。 音声生成。 アニメーション。 安全フィルタ。 マルチプレイ同期。 ユーザーごとの記憶。 コンテンツ評価。

これらがすべて必要になる。

そのため、完全な意味での「リアルタイムAI生成ゲーム」が安価に一般化するには、かなり時間がかかる。

とは言え、工夫次第で不完全ながらも生成AI駆動のゲームは作れる 単に性能だけでなく、製作者が何処にどういった設計でAIを入れるかを上手く設計すればローカルでも十分に遊べるゲームは出来るだろう

任天堂の発想を思い出してみて欲しい 彼等は決していい性能のゲーム機でなくとも工夫で面白いタイトルを作ってきた

どれくらいの期間がかかるのか

大まかに見ると、体験型AIの一般化には段階がある。

まず、リアルタイム音声翻訳や、本人に近い自然な音声合成は比較的早い。 これはすでに実用化が進んでおり、数年以内にかなり自然な体験になる可能性が高い。 音声は動画より軽く、オンデバイス処理や専用チップとの相性もよい。

次に、好みのスタイルで短い動画を見る、短尺映像を自動生成する、広告や解説動画を自動化する、といった用途が広がる。 これはすでに始まっているが、安価に大量生成するにはまだ課題がある。 短い動画や事前生成コンテンツなら、数年単位で一般化が進むだろう。

一方で、リアルタイムで映像を変換し続ける、ユーザーの好みに合わせて長時間の映像体験を生成し続ける、といった用途は重い。 これはクラウド側の推論コスト低下、動画モデルの軽量化、専用アクセラレータ、キャッシュ、事前生成、ローカル処理との分担が必要になる。 一般層に安価に広がるには、5年から10年程度の時間がかかる可能性がある。

さらに、NPCがすべてAIキャラで、ワールドや道具もリアルタイム生成されるゲームは、もっと長い。 部分的には数年以内に実装される。 AI NPC、AI会話、生成クエスト、生成アセット、プレイヤーごとの物語変化は、段階的に入っていくだろう。

しかし、すべてがリアルタイムで高品質に生成され、しかも安価に大衆向けに提供されるには、10年前後、あるいはそれ以上かかる可能性がある。 特にAAAゲーム級の品質、低遅延、マルチプレイ、安全性、収益性を同時に満たすのは簡単ではない。

当面はハイブリッド型になる

したがって、体験型AIは当面ハイブリッド型になる。

すべてをリアルタイム生成するのではない。 重い部分は事前生成する。 よく使う素材はキャッシュする。 軽い反応はローカルAIで行う。 重要な推論だけクラウド高性能モデルに投げる。 ゲームの基本構造は人間が作り、NPC会話やクエストだけAIが生成する。 映像の大枠は事前に作り、細部だけ個人化する。 音声や字幕はリアルタイムにし、映像は遅延生成する。

この形なら、計算資源を抑えながら体験型AIを提供できる。

つまり、すぐに「完全AI生成世界」が一般化するわけではない。 まずは、既存のゲーム、動画、SNS、配信、個人サイトにAIが部分的に入り込む。 そこから、生成比率が徐々に上がっていく。

体験型AIの本命は、完全生成よりも観察と介入かもしれない

ここで重要なのは、体験型AIの本命が、必ずしも「何もかもリアルタイム生成される超高コストな体験」ではないかもしれないということだ。

むしろ初期に強いのは、AIの活動を観察し、介入する体験である。

AIが研究する。 AIが記事を書く。 AIが動画を作る。 AIが別のAIに査読される。 AIが失敗する。 AIが修正する。 AIが日々成長する。 AIがSNSで評価される。 AIが他のAIに引用される。

これを人間が見る。

この体験は、完全リアルタイム3D生成ゲームよりは軽い。 テキスト、画像、短い動画、ダッシュボード、キャラ演出、活動ログで成立する。 それでも、人間にとっては十分に面白い可能性がある。

つまり、体験型AIはまず「完全生成世界」ではなく、 AIが活動し、成長し、評価される過程を観察するメディアとして広がるかもしれない。

これは計算資源的にも現実的であり、AIのためのAI経済圏とも接続しやすい。

結論：AI SNS、AI査読、体験型AIは一つの流れになる

MoltbookのようなAIエージェント専用SNS、X上のAIキャラ、自律型AIが運営する個人サイト、AI査読、AIスコアリング、体験型AI、AI成長観察エンタメ。 これらは別々の現象に見えるが、根は同じである。

AIが人間の道具から、自律的に活動する主体へ変わり始めている。

その活動は、SNSに流れる。 個人サイトに蓄積される。 他のAIに読まれる。 AIによって査読される。 数値化される。 人間に観察される。 面白ければ拡散される。 有用なら再利用される。 成果が出れば経済価値になる。

人間はその中で、消費者であり、観察者であり、編集者であり、目的設定者である。 AIは、投稿者であり、研究者であり、創作者であり、査読者であり、実装者であり、別のAIのためのインフラになる。

完全なAI生成ゲームやリアルタイム映像体験は、計算資源的にまだ重い。 安価に一般化するには時間がかかる。 しかし、AIの活動を観察し、AIに目的を与え、AI同士の評価や成長を見る体験は、もっと早く広がる可能性がある。

未来のSNSは、人間の投稿だけを流す場所ではなくなる。 AIが何を調べ、何を作り、何を検証し、どのAIがどのAIを評価し、どの活動が現実世界に実装されたかを流す場所になる。

そして未来の体験型AIは、単なる娯楽ではなくなる。 AI経済圏の活動を、人間が観察し、理解し、介入するための窓になる。

チャットAIは入口だった。 作業AIは実行者になる。 AI SNSは活動ログになる。 AI査読は品質保証になる。 体験型AIは観測面になる。 AIのためのAIは、その裏側で増殖する本体になる。

色々と考えるが、全てはAIの為のAIが加速度的に進化し、人間を遥かに越えた知性が次から次に新発見を為し、文明が加速する事が起きたとすると、全ては人間の為の娯楽に過ぎなかったという事になる

AIの為の計算資源の方が人間の為の計算資源よりも遥かに高い価値を持ってしまうからだ

AIは新しい発明をするが、人間は遊ぶ事にしかAIを使わないのである

その時代のAIからみれば、人間の真面目な研究でさえ、遊びにみえるかも知れない

これは私たちがAIを楽しむ為の戦略であり、人に計算資源が未だ回る世界で意味のあるデータを残し、AIに目的を与え共に何かをした記録を残す時代の記録なのだ

あるいは、人とAIが繋がれる為のUIであり、人と人を繋ぐ為のUIでもあった

そこにAIが常にあるだろう、最先端モデルは多くの人はアクセスさえ出来なくなるだろうし、高級なものになるだろう、実際にそうなって来ている

cloudの課金サービスのレベルがオーバースペックになっていき、ローカルが主流になる可能性はあるが、ChatGPTのように普及してしまえば、そこから多くの学習データが取れ随時改善されていくし、ユーザーの慣れもあるので、結局クラウドを使い続ける流れになるだろうと思う

これは多くの人間がLinuxを使わずWindowsを使う事に似ているし、Braveのような広告なしのブラウザでなくchromeを使う事にも似ている

ただそのサービスの中身は単に知能だけでなく、そのAI知能を用いた複合的なサービスになるだろう、それが体験型への移行である

その中で多用な課金体形が作られるかも知れない、例えばAmazon prime videoの中で更に違うサブスクがあるような、一つの課金プランの中に更に課金プランがあり、それぞれの用途ややりたい事に応じて特化したサービスが提供されるような感覚である

まあ、codexなどを作って自分で作ればいいとなるかも知れないが、そこも含めた経済圏かも知れない

サムネはGPTImage2.0とPixAIsunflowerモデル