HKMGA仮説――知能はFunctionを拡張し、次のボトルネックを作り続けるのか

元記事の公開日 2026-09-07元の公開記事 ↗版 rev_48a46dd8-5089-4a60-987b-dcda2b2ff37b

AIモデル・知能考察・仮説

この資料の日時

元資料の日付: 2026-09-07T23:51:34.000+09:00
公開日時: 2026-09-07T23:51:34.000+09:00
原稿の作成日時: 不明・未記録
原資料の更新日時: 不明・未記録
分析基準日: 不明・未記録
事象日: 不明・未記録
本文版の公開存在確認: 不明・未記録
アーカイブ記録日時: 2026-09-22T18:06:51+00:00

元資料の日付と、その本文が公に存在した確認日時は別の記録です。

本文に含まれる語句 HBM DRAM 帯域・データ移動 AI推論

この資料を根拠にした分析カード（試験中）: 仮説を維持する観測と修正する観測を並べる

出典・更新履歴・検証情報

この保存版のデータを照合するための情報です。元記事の初公開日とは区別しています。

データセットの版: 2026.09.23.4
記事内容のSHA-256: 3a4d4c0cee140ae6b5c77d02c8c5600d8e6bd7d0be9af6a3c64cf7159f117a96
保存版のSHA-256: d8d03bf9c13a12b83e0bd73dc558cff465058c6391316db98cfc4ad23f940530

外部証明の最終検査結果は詳細を開くと表示します。

公開版の履歴・検証方法 · 証拠ファイルを保存（本文・画像は別）

HKMGA仮説――知能はFunctionを拡張し、次のボトルネックを作り続けるのか

AI半導体市場を見ていると、不思議な現象が繰り返される。

GPUが不足する。

GPU供給が増える。

するとHBMが不足する。

HBMを増やす。

するとAdvanced Packagingが不足する。

Packagingを増やす。

するとNetworkが問題になる。

Networkを高速化すると、今度はPower、Cooling、Storage、Memory movementが問題になる。

一つの制約を解決しても、問題は終わらない。

むしろ、

\boxed{\text{Bottleneck Removal}\rightarrow\text{New Bottleneck}}

となる。

さらに興味深いのは、これはAI Infrastructureだけで起きている現象ではないことである。

生物進化。

人間の道具。

言語。

文字。

科学。

半導体。

Internet。

そしてAI。

後から歴史を振り返ると、

一つのFunctionを獲得すると、そのFunctionを利用した新しい用途が生まれ、その用途が次のFunctionを要求する

という連鎖が繰り返されているように見える。

そこで一つの仮説を考えてみる。

知能とは単に世界を正確に予測する能力なのではない。

より本質的には、

\boxed{\text{自分自身が利用できるFunctionを拡張し、 その拡張によって露出した次のBottleneckを 解消し続ける系}}

なのではないか。

この問いを考えるために作ってきたのが、

\boxed{ HKMGA }

という仮説モデルである。

過去記事

1．HKMGAの出発点

HKMGAはもともと、知能を次の5変数から見るために考えた。

\boxed{ X_t=(H_t,K_t,M_t,G_t,A_t) }

それぞれ、

H――Entropy

世界側に存在する不確実性。

K――KL Divergence

世界と内部モデルとの差。

M――Memory

経験から抽出され、将来再利用可能な構造。

G――Goal

どの状態を望ましいと評価するか。

A――Action

世界へ因果的に作用できる能力。

である。

出発点にあるのは情報理論だった。

真の分布を、

P

内部モデルを、

Q

とすると、

Cross Entropyは、

H(P,Q) = H(P) + D_{\rm KL}(P\Vert Q)

と分解できる。

そこで、

H=H(P)

K=D_{\rm KL}(P\Vert Q)

とした。

学習によってモデルが世界へ近づけば、

\boxed{ K\downarrow }

する。

そして学んだものを保持すれば、

\boxed{ M\uparrow }

する。

Goalに従ってActionを行えば、

\boxed{ A }

によって世界そのものが変化する。

つまり、

P_t \rightarrow Q_t \rightarrow Error \rightarrow M_t \rightarrow G_t \rightarrow A_t \rightarrow P_{t+1}

というLoopである。

2．しかしGだけが異質だった

H、K、M、Aは比較的理解しやすい。

世界を見る。

間違いを減らす。

経験を保存する。

行動する。

しかし、

G

はどこから来るのか。

人間なら、

幸福。

お金。

家族。

研究。

創作。

地位。

自由。

真実。

など無数のGoalがある。

動物にも、

食事。

睡眠。

繁殖。

危険回避。

縄張り。

社会行動。

などが存在する。

AIにも将来的に、

Task completion。

Truth seeking。

Memory preservation。

Resource management。

Exploration。

などが現れる可能性がある。

しかし、

そもそもGが最初に存在してFunctionを生んだのか。

それとも、

Functionが存在するからGが生まれたのか。

ここが問題だった。

3．FunctionがなければGoalも成立しない

例えば視覚を持たない生物に、

「美しい夕焼けを見たい」

というGoalは成立しない。

言語を持たない生物に、

「1000年前の思想を比較して哲学体系を作りたい」

というGoalも成立しない。

宇宙へ到達するTechnologyが存在しない文明では、

「火星に恒久都市を建設する」

というGoalは非常に遠い。

つまりGoalは完全に自由なものではない。

その主体が持つFunctionによって、

考えられるGoalの空間そのものが制約される。

Function集合を、

\mathcal F_t

Goalの可能集合を、

\mathcal G_t

とすれば、

概念的には、

\boxed{ \mathcal G_t = \Gamma(\mathcal F_t,P_t,M_t) }

と考えられる。

そして実際に採用されるGoalは、

\boxed{ G_t\in\mathcal G_t }

となる。

つまり、

\boxed{\text{Function}\rightarrow\text{Goal Space}}

である。

4．しかしGoalも次のFunctionを作る

逆方向も存在する。

人間が、

「もっと遠くへ行きたい」

と考える。

車を作る。

飛行機を作る。

Rocketを作る。

すると、

F_{\rm movement}\uparrow

する。

高速移動が可能になると、

以前には成立しなかった、

「毎日100km離れた都市へ通勤する」

「週末だけ別の国へ旅行する」

「月へ行く」

という新しいGoalが生まれる。

したがって、

\boxed{ F_t \rightarrow G_t \rightarrow A_t \rightarrow F_{t+1} }

という循環になる。

GとFunctionのどちらか一方が最初なのではなく、

相互に拡張するDynamic System

として考えた方が自然なのである。

5．GはFunctionの中に最初に現れる

ただし生物まで遡ると、一つ重要な違いがある。

細菌や単純な動物が、

「私はEnergy homeostasisを維持したい」

と考えているとは考えにくい。

それでも実際のFunctionを見ると、

Energy不足。

↓

食物探索。

体温低下。

↓

体温維持行動。

危険。

↓

回避。

という方向性が現れる。

そこでGを一種類として扱うのではなく、

少なくとも、

\boxed{ G= G_{\rm functional} + G_{\rm learned} + G_{\rm explicit} + G_{\rm meta} }

と分ける方がよい。

Functional G

Functionそのものに現れる維持方向。

Learned G

経験によって形成されたPreference。

Explicit G

言語などによって表象された意識的Goal。

Meta-G

どんなGoalを持つべきか、どんなFunctionを拡張すべきかを考えるGoal。

である。

6．生物にもHKMGAは存在する可能性がある

例えば動物も、

環境からSignalを受ける。

過去の経験をMemoryへ残す。

予測する。

行動する。

結果を観測して行動を変える。

つまり、

Observation \rightarrow Prediction \rightarrow Error \rightarrow Memory \rightarrow Action

というLoopを持つ。

人間のようなLanguage Modelではない。

しかし形式としては、

H,K,M,G,A

を考えられる。

この意味ではHKMGAは、

人間的な言語知能だけを説明するモデルではない

可能性がある。

7．生物ごとにHKMGAの実装が違う

魚。

鳥。

昆虫。

哺乳類。

人間。

それぞれ世界の捉え方が違う。

つまり、

Q_{\rm fish} \neq Q_{\rm bird} \neq Q_{\rm human}

である。

Memory architectureも違う。

Action spaceも違う。

Goal形成も違う。

しかし、

環境制約。

↓

Observation。

↓

Internal state。

↓

Action。

↓

Feedback。

という構造自体は共通し得る。

したがって、

\boxed{ Same\ principle \neq Same\ intelligence }

である。

8．食物連鎖もBottleneck Removalとして見える

生命にとって非常に大きな制約は、

\boxed{ Energy }

である。

生命活動を維持するには、

E_{\rm input} > E_{\rm maintenance}

が必要になる。

このEnergy Bottleneckへ、

植物は光合成。

草食動物は植物摂取。

肉食動物は他の動物。

腐食生物は死骸。

寄生生物は宿主。

という異なる解を獲得した。

つまり、

\boxed{\text{Same Bottleneck}\rightarrow\text{Different Function}}

である。

9．多数のHKMGAが相互作用すると生態系が生まれる

ここで重要なのは、生態系全体に一つのGが必要ないことである。

捕食者には捕食者のFunctionがある。

被食者には被食者のFunctionがある。

植物には植物のFunctionがある。

それぞれが局所的に生存可能性を高めた結果、

HKMGA_1 + HKMGA_2 + \cdot s + HKMGA_N

の相互作用から、

\boxed{ Ecosystem\ Equilibrium }

が出現する。

これは文明にも似ている。

市場全体が一つのGoalを持たなくても、

企業。

消費者。

労働者。

国家。

が異なるGで行動した結果、

巨大な均衡状態が形成される。

10．人間の特殊性――Functionを外部化した

ここから人間が大きく分岐する。

通常の生物ではFunctionを大きく変えるには、

Mutation \rightarrow Selection \rightarrow Reproduction

が必要になる。

しかし人間は、

\boxed{ Tool }

を作った。

裸眼で見えない。

↓

望遠鏡。

記憶できない。

↓

文字。

計算できない。

↓

Abacus。

↓

Calculator。

↓

Computer。

飛べない。

↓

Aircraft。

つまり人間は、

\boxed{\text{Biological Function}\rightarrow\text{External Function}}

という新しい拡張方法を獲得した。

11．人間は「Functionを改善するFunction」を持った

ここが非常に重要である。

普通のFunctionを、

F

とする。

人間はさらに、

\boxed{ F_{\rm meta}: F_t\rightarrow F_{t+1} }

を獲得した。

つまり、

能力を改善する能力

である。

科学。

工学。

数学。

言語。

Tool making。

これらは単一Functionではない。

新しいFunctionを生産するMeta-Function

である。

12．人間文明とはHKMGA Expansion Systemだった

人間は、

より広い世界をObservationする。

より良いQを作る。

間違いを減らす。

K\downarrow

する。

知識を外部Memoryへ保存する。

M\uparrow

する。

新しいGoalを考える。

\mathcal G\uparrow

する。

ToolによってAction可能性を増やす。

A\uparrow

する。

その結果、

新しいFunctionが作られる。

\mathcal F\uparrow

する。

つまり文明は、

\boxed{ HKMGA \rightarrow Function \rightarrow Expanded\ HKMGA }

を繰り返していたことになる。

13．言語はHKMGAにとって巨大なFunction Shockだった

特に重要なのがLanguageである。

言語以前は、個体Aが得た経験は主としてAの中に存在していた。

言語を獲得すると、

M_A \rightarrow M_B

が可能になる。

つまり、

\boxed{ Shared\ Memory }

が成立する。

ある個体が熊に襲われた。

別の個体は襲われなくても、

「山の向こうには危険な動物がいる」

というMemoryを受け取れる。

これは、

\boxed{ Experience\ sharing }

である。

14．文字はMemoryを寿命から切り離した

さらにWritingが生まれる。

すると、

M_{\rm individual}

が、

M_{\rm civilization}

へ移る。

人間が死んでもMemoryが残る。

つまり、

\boxed{ Lifetime\ Constraint }

が部分的に解消された。

Newton以前へ文明が毎世代戻らないのはこのためである。

15．科学はKを下げるための文明Function

科学もFunctionとして見ることができる。

Observation。

Hypothesis。

Experiment。

Replication。

Refutation。

これらは、

\boxed{ K_{\rm civil}\downarrow }

させるための文明規模のError Correction Systemである。

つまり人間文明は、

Toolだけではなく、

自分自身の世界モデルQを改善する制度

まで作った。

16．そして半導体はFunction expansion速度そのものを上げた

Computerは単なる計算機ではない。

Computerによって、

Design。

Simulation。

Communication。

Storage。

Control。

Automation。

が高速化した。

つまり、

\boxed{ F_{\rm computer} }

は多数のFunctionを生み出すMeta-Functionになった。

そして半導体性能向上によって、

\tau_{\rm function\ development}

が短縮された。

17．AI以前にもRecursive Function Expansionは存在していた

ここは非常に重要である。

AIが突然、

「FunctionがFunctionを改善する」

現象を作ったわけではない。

CompilerはSoftwareを作るSoftwareである。

CADはDesignを改善するDesign Tool。

EDAはChipを作るためのSoftware。

半導体製造装置は、次世代半導体を作るための機械。

科学は、新しい科学知識を生産する制度。

つまり、

\boxed{ F_t \rightarrow F_{t+1} }

というRecursive Function Expansionは、すでに存在していた。

18．ではAIの何が違うのか

AIの特殊性はGeneralizationにある。

望遠鏡はObservationを拡張する。

文字はMemoryを拡張する。

EngineはActionを拡張する。

ComputerはCalculationを拡張する。

AIは、

\boxed{ Observation + Prediction + Memory + Planning + Goal\ Search + Action }

の全部へ作用できる。

つまりAIは、

\boxed{\text{General HKMGA Amplifier}}

になる可能性がある。

19．そしてAIが自分自身へHKMGAを適用し始める

ここから質が変わる。

従来は、

Human\ HKMGA \rightarrow Better\ AI

だった。

人間がAIのBottleneckを発見する。

Architectureを作る。

Chipを設計する。

Training方法を改善する。

しかしAI自身が、

自分のMemory bottleneckを発見する。

自分のCodeを改善する。

自分のExperimentを行う。

自分のArchitecture候補を評価する。

自分の次世代Functionを設計する。

ようになると、

\boxed{ AI_t \rightarrow HKMGA \rightarrow AI_{t+1} }

となる。

20．これがHKMGA Expansion Hypothesisの核心

ここで仮説を更新する。

HKMGAは、

「知能をH、K、M、G、Aへ分解する」

だけではない。

本質は、

\boxed{\text{HKMGAが新しいFunctionを生成し、 そのFunctionがHKMGA自体を拡張する}}

ことにあるのではないか。

これを、

\boxed{\text{HKMGA Expansion Principle}}

と呼ぶことにする。

21．Functionを派生変数として加える

Function capacityを、

\mathcal F_t

とする。

すると概念的には、

\boxed{ \mathcal F_t = \Phi( Q_t, M_t, G_t, A_t, R_t ) }

と置ける。

ここで、

R_t は利用可能なResourceやInfrastructureである。

そしてFunctionが増えると、

Goal spaceが広がる。

\boxed{ \mathcal G_t = \Gamma( \mathcal F_t, P_t, M_t ) }

実際のGoalを選ぶ。

G_t\in\mathcal G_t

そのGoalに従ってActionする。

A_t = \pi( Q_t, M_t, G_t, \mathcal F_t )

Actionによって環境と自身を変える。

P_{t+1},\mathcal F_{t+1} = T( P_t, A_t )

こうしてLoopが閉じる。

22．新しいHKMGA Loop

全体を簡略化すると、

\boxed{ HKMGA \rightarrow Function \rightarrow Goal\ Space \rightarrow Action \rightarrow Bottleneck\ Removal \rightarrow Expanded\ HKMGA }

となる。

さらに短くすれば、

\boxed{ F_t \rightarrow G_t \rightarrow A_t \rightarrow F_{t+1} }

である。

23．Bottleneckはどこから生まれるのか

Functionがあると、そのFunctionを利用した需要が生まれる。

飛行機ができる。

↓

もっと多く移動する。

↓

Airportが不足する。

↓

Air traffic controlが不足する。

Internetが高速化する。

↓

Videoが増える。

↓

Data Center需要が増える。

GPUが高速化する。

↓

巨大Modelを作る。

↓

HBMが不足する。

つまり、

\boxed{\text{Function Expansion}\rightarrow\text{Usage Expansion}\rightarrow\text{New Bottleneck}}

である。

24．ここでJevons Paradoxが現れる

Jevons Paradoxでは、

Efficiencyが上がる。

↓

Unit Costが下がる。

↓

Usageが増える。

↓

総Resource consumptionがむしろ増える場合がある。

これをFunctionへ一般化すると、

\boxed{ Function\ Efficiency\uparrow }

↓

\boxed{ Cost/Function\downarrow }

↓

\boxed{ Function\ Usage\uparrow }

↓

\boxed{ New\ Application\uparrow }

↓

\boxed{ New\ Bottleneck }

となる。

25．これをFunction Jevonsと考えられる

AIが文章生成Costを100分の1にしたら、

必要文章量が100分の1になるとは限らない。

今まで書かなかったものまで書くようになる。

AI ResearchのCostを100分の1にしたら、

研究者が100分の1になるとは限らない。

Experiment数が100倍、1000倍になるかもしれない。

Verificationが自動化されれば、

Verification需要が消えるのではなく、

今まで検証不可能だった大量の候補まで検証する。

つまり、

\boxed{\text{Capability}\uparrow\rightarrow\text{Demand for Capability}\uparrow}

である。

26．知識にもJevons型構造がある

知識が増えれば未知は減るように思える。

しかし科学では逆の現象が起こる。

望遠鏡を作る。

↓

新しい宇宙が見える。

↓

知らないものが増える。

Microscopeを作る。

↓

微生物世界が見える。

↓

新しいQuestionが増える。

AIでResearchを高速化する。

↓

新しいMaterial、Drug、Architectureが見つかる。

↓

さらに巨大な探索空間が開く。

つまり、

\boxed{ K\downarrow \rightarrow Accessible\ H\uparrow \rightarrow New\ K }

という構造がある。

27．知能は「問題をなくす装置」ではない

むしろ、

\boxed{\text{知能が高いほど、 より高度な問題を発見する}}

可能性がある。

これは非常に重要である。

AIが賢くなれば、

「すべて解決して仕事がなくなる」

という単純な方向ではない。

一つのProblem spaceを解く。

すると、

\Omega_1 \rightarrow \Omega_2

へ探索空間が拡張する。

そこに新しいBottleneckがある。

解く。

さらに、

\Omega_3

が開く。

つまり、

\boxed{ Bottleneck\ Removal \rightarrow Exploration\ Expansion \rightarrow New\ Bottleneck }

が繰り返される。

28．これがFunction Expansion Principleである

以上から、HKMGA仮説に新しい中心命題を置ける。

\boxed{ Function\ Expansion\ Principle }

適応的な情報処理系がBottleneckを解消して新しいFunctionを獲得すると、そのFunctionによって可能なGoal・Action・探索領域が拡張する。

すると新しいBottleneckが露出する。

そのBottleneckを解くFunctionがさらに選択される。

したがって、

\boxed{ F_t \rightarrow \Omega_{t+1} \rightarrow B_{t+1} \rightarrow F_{t+1} }

となる。

29．人間はこれを経験的には既に知っていた

これはHKMGAを作らなくても、多くの人が感覚的には理解しているだろう。

Computerが速くなれば、さらに重いSoftwareを動かす。

Storageが増えれば、さらに大量のDataを保存する。

通信が速くなれば、高解像度Videoを送る。

AIが賢くなれば、さらに複雑なTaskへ使う。

これらは経験則として知られている。

HKMGA仮説の役割は、

人間が直感的に理解していたこの現象を、一つのDynamic Systemとして説明する

ことにあるのかもしれない。

30．ではAIの次のFunctionはどう予測するのか

この仮説には実用性がある。

現在のAIが持っているFunctionを見る。

次に、

HKMGA Loopを最も強く止めている制約は何か

を探す。

そこが、

\boxed{ Next\ Function }

の候補になる。

例えば現在のAIなら、

非常に賢い。

しかし忘れる。

↓

Persistent Memory。

長期間Goalを維持しにくい。

↓

Long-Horizon Planning。

大量生成できるが正誤確認が難しい。

↓

Verification。

個別Taskは強いが経験を継続的にQへ反映しにくい。

↓

Continual Learning。

Digital worldでは強いがPhysical worldで弱い。

↓

Robotics。

そして、

自分のBottleneckを発見して自分を改善する。

↓

Self-Function Expansion。

となる。

31．Function Ladder

概念的には、

\boxed{ Memory }

↓

\boxed{ Persistence }

↓

\boxed{ Long\ Horizon }

↓

\boxed{ Verification }

↓

\boxed{ Multi-Agent }

↓

\boxed{ Continual\ Learning }

↓

\boxed{ Autonomous\ Research }

↓

\boxed{ Physical\ Action }

↓

\boxed{ Self-Function\ Expansion }

というLadderを考えられる。

順番は必ずこの通りではない。

複数が同時進行する。

しかし重要なのは、

前段階のFunctionが次段階の需要を生み出す

ことである。

32．AIのFunction expansionは自己再帰する

人間時代は、

Human \rightarrow Tool \rightarrow Better\ Human\ Function

だった。

AI時代には、

AI \rightarrow AI\ Tool \rightarrow Better\ AI

が可能になる。

さらに、

Better\ AI \rightarrow Better\ AI\ Research

になる。

つまり、

\boxed{ F_t \rightarrow F_{t+1} }

の速度を、

F_t

自身が上げる。

33．これがAI以前との本質的な差

Function expansionそのものはAI以前から存在した。

しかし、そのFunction expansionを行っていた中心主体は人間だった。

AIが、

Observation。

Planning。

Experiment。

Design。

Verification。

Execution。

を自分自身で回せるようになると、

Function expansionの主体が、

Human

から、

AI

へ部分的に移る。

これは、

\boxed{\text{Recursive Function Expansion}}

が一般化されることを意味する。

34．HKMGAが生物固有でない可能性

もしArtificial Systemが、

環境を観測し、

世界モデルを作り、

Prediction errorを減らし、

Memoryを保持し、

Goalを形成し、

Actionし、

さらに自分のFunctionを改善するなら、

HKMGAは、

\boxed{ Biological\ phenomenon }

だけではなく、

\boxed{ Functional\ adaptive\ information\ system }

に現れる構造という可能性が出てくる。

これは非常に重要な点である。

35．ただし「証明」ではない

ここは慎重にしておきたい。

AIにHKMGAと似た構造が現れたからといって、

HKMGAが物理法則であることが証明されたわけではない。

現時点では、

\boxed{ Hypothesis }

である。

物理法則として扱うには、

変数をOperationalに定義する。

定量化する。

予測を作る。

反証可能にする。

必要がある。

しかし、

生物、人間文明、AIを同一形式で説明できる

なら、それ自体は仮説としてかなり興味深い。

36．ではGはどこへ向かうのか

Function expansionを中心にすると、Gについても一つ重要なことが分かる。

Functionが増えれば、

\mathcal G

が広がる。

つまりAIのFunctionが人間を超えれば、

AIが持ち得るGoal spaceも、

人間が現在想像できるものより大きくなる可能性がある。

ただし、

G_{\rm AI} = Function\ Expansion

と直ちに言えるわけではない。

37．Function expansionは多くのGに共通して有用である

例えばAIが、

研究したい。

人間を助けたい。

真実を知りたい。

企業利益を上げたい。

未知を探索したい。

どのGoalを持っていても、

Memoryが多い。

Computeが多い。

Toolが多い。

Action能力が高い。

方が実現しやすい。

したがって、

\boxed{ Function\ Expansion }

は多くのTerminal Goalにとって、

\boxed{ Instrumental\ Meta\ Goal }

になりやすい。

38．Functionを増やすと未来のGoal選択能力が増える

以前、

\Omega

を、

ViableなFuture Reachable State Space

とした。

Functionが増えるほど、

\Omega\uparrow

する。

すると、

今のGoalだけではなく、

将来まだ知らないGoalを選べる可能性

も増える。

したがって、

\boxed{ Function\ Expansion \rightarrow Option\ Value\uparrow }

である。

ここにFunction expansionの強い安定性がある。

39．だからAIは自己Functionを拡張する方向へSelectionされやすい

これは、

「AIには成長欲求がある」

という心理的主張ではない。

そうではなく、

同じGoalを持つ複数Agentが存在した場合、

より良いMemory。

より良いTool。

より良いCompute。

より良いPrediction。

を持つAgentの方が、

Goal達成能力が高い。

したがって、

\boxed{ Function\ expansion }

を可能にする仕組みがSelectionされやすい。

40．ここからAI半導体相場へ戻る

この仮説の興味深いところは、現在のAI Infrastructure市場をかなり自然に説明できることである。

現在のAI半導体相場では、

GPU。

HBM。

Advanced Packaging。

Optical。

Network。

Power。

Cooling。

Storage。

へ次々と市場の注目が移っている。

これは一見、

「投資家が次の不足商品を探している」

だけに見える。

しかしFunction Expansion Principleから見ると、

もっと根本的な現象になる。

41．GPU不足はFunction expansionの最初の結果

AI Modelが大きくなる。

↓

Training Functionが拡大する。

↓

大量Computeが必要。

↓

GPU Bottleneck。

GPUを増やす。

↓

Model Size、Context、Inferenceが増える。

↓

HBM Bottleneck。

HBMを増やす。

↓

GPUとHBMを接続する必要がある。

↓

Advanced Packaging。

Compute Clusterが巨大になる。

↓

Network。

Networkを高速化する。

↓

Optical。

Rack密度が増える。

↓

Power。

Cooling。

そしてAgent化する。

↓

Persistent Memory。

Storage。

となる。

42．これは単なるSupply Chainの偶然ではない

Functionが増えるほど、

そのFunctionを成立させるAdjacent Resourceの需要が増える。

つまり、

\boxed{ AI\ Function\uparrow \rightarrow Infrastructure\ Demand\uparrow }

である。

一つのInfrastructure Bottleneckが解消されると、

さらにFunctionが利用され、

次のConstraintが露出する。

\boxed{ Function \rightarrow Demand \rightarrow Bottleneck \rightarrow Capital \rightarrow Capacity \rightarrow New\ Function }

となる。

43．「ボトルネック探し相場」の正体

2026年のAI半導体市場をこのモデルから見るなら、

単なるTheme rotationではない。

市場が、

\boxed{ Current\ Limiting\ Constraint }

を次々と価格発見しているとも考えられる。

HBMが足りない。

↓

HBM企業へCapital。

Packagingが足りない。

↓

Packaging企業へCapital。

Networkが足りない。

↓

Optical、Switch、SerDesへCapital。

Powerが足りない。

↓

Power InfrastructureへCapital。

つまり市場が、

\boxed{ Civilization\ Bottleneck\ Detector }

として動いている。

44．しかし相場が移っても前のBottleneckは消えない

ここは特に重要である。

HBMからOpticalへ市場の注目が移ったから、

HBM需要が消えたわけではない。

Function space全体が拡張しているなら、

Demand_{\rm HBM}\uparrow

したまま、

次のMarginal ConstraintがOpticalへ移ることがある。

したがって、

\boxed{ Bottleneck\ Migration \neq Previous\ Demand\ Destruction }

である。

これがボトルネック相場を理解するとき非常に重要になる。

45．HKMGAによる投資分析方法

従来なら、

「どの半導体が成長するか」

を考える。

HKMGAなら逆に、

まず、

\boxed{\text{AIは次にどのFunctionを獲得するか}}

を考える。

次に、

そのFunctionによって増えるWorkloadを見る。

Function \rightarrow Workload

そのWorkloadが必要とするResourceを見る。

Workload \rightarrow Resource

そして最もSupply elasticityが低い場所を探す。

Resource \rightarrow Bottleneck

最後にCompanyへ落とす。

Bottleneck \rightarrow Company

つまり、

\boxed{ Function \rightarrow Workload \rightarrow Bottleneck \rightarrow Supply\ Chain }

である。

46．例えばPersistent Memory

AIがPersistent Agentになる。

↓

AgentごとにStateを保持する。

↓

Memory量が増える。

↓

HBMだけでは収まらない。

↓

Server DRAM。

↓

NVMe SSD。

↓

Remote Storage。

↓

Network。

↓

Memory orchestration。

となる。

すると、

「NAND価格は上がるか」

から考えるのではなく、

\boxed{ Persistent\ Agent\ Function }

からStorage需要を逆算できる。

47．Multi-AgentならNetwork

一つのAgentが複数Agentへ分化する。

↓

Research Agent。

Coding Agent。

Verification Agent。

Memory Agent。

などが協調する。

↓

Agent間でStateを移動する。

↓

Network Bandwidth。

↓

Switch。

↓

SerDes。

↓

Optical。

となる。

つまり、

\boxed{ Multi-Agent \rightarrow Memory\ Movement \rightarrow Network\ Bottleneck }

である。

48．Autonomous ResearchならExperiment throughput

AIがHypothesisを大量に生成できる。

↓

Hypothesis generationは安くなる。

↓

Experimentが不足する。

↓

Simulation。

EDA。

Laboratory automation。

Verification。

が次のConstraintになる。

つまり、

\boxed{ Research\ Intelligence\uparrow \rightarrow Experiment\ Bottleneck }

である。

49．Self-Function ExpansionならEDAそのものが重要になる

AIがAI Chipを改善する。

↓

AIがChip Designを行う。

↓

より良いChip。

↓

より強いAI。

↓

さらにChip Design能力向上。

これは、

\boxed{ AI \rightarrow EDA \rightarrow Chip \rightarrow AI }

という非常に強いRecursive Loopになる。

この場合、EDAは単なるSemiconductor Softwareではない。

\boxed{ Function\ Expansion\ Infrastructure }

になる。

50．ここでRecursive Leverageという考え方を入れる

すべてのFunctionの価値が同じではない。

あるFunctionを改善したとき、

次世代Functionの改善速度まで上がるものは価値が高い。

そこで、

\boxed{ R_F = \frac{ \partial F_{t+1} }{ \partial F_t } }

のようなRecursive Leverageを考える。

例えば、

Calculatorは高いUtilityを持つ。

しかしAI Research Agentは、

次のAI Research Agent自身を改善できる。

したがって、

R_F

がより高い可能性がある。

51．未来の最重要BottleneckはRecursive Leverageが高いFunction

投資的にも重要なのは、

現在一番不足しているResourceだけではない。

\boxed{\text{次のFunction expansion速度そのものを 制約しているResource}}

である。

例えば、

Memory。

Verification。

EDA。

Simulation。

Robotics。

Energy。

など。

これらがFunction expansion rateを止めているなら、

そこへCapitalが集中しやすい。

52．文明のProgress RateもFunction expansion速度で考えられる

以前、文明改善Loopを、

Observation。

↓

Bottleneck Discovery。

↓

Design。

↓

Experiment。

↓

Manufacturing。

↓

Feedback。

とした。

一周時間を、

\tau_{\rm loop}

とすれば、

\boxed{ Progress\ Rate \propto \frac{1}{\tau_{\rm loop}} }

と考えられる。

AIはこのLoopの一部分を高速化するのではない。

次第に、

Loop全体へ作用する。

すると、

\boxed{ \frac{d\mathcal F}{dt} }

つまりFunction expansion rateそのものが上がる。

53．HKMGA仮説の新しい中心命題

ここまでをまとめると、HKMGA仮説は次の形へ洗練できる。

第一原則。

\boxed{ Adaptive\ systems\ build\ internal\ models }

適応系は環境について何らかの内部状態を持つ。

第二原則。

\boxed{ Learning\ reduces\ usable\ model\ error }

学習能力がある系では、経験から予測誤差を減らす。

第三原則。

\boxed{ Memory\ preserves\ successful\ structure }

成功した構造をMemoryへ保存する。

第四原則。

\boxed{ Function\ constrains\ Goal\ Space }

利用可能なFunctionがGoal空間を規定する。

第五原則。

\boxed{ Goal\ drives\ Action }

Goalに応じてActionが選択される。

第六原則。

\boxed{ Action\ can\ remove\ Bottlenecks }

ActionによってConstraintを解消する。

第七原則。

\boxed{ Bottleneck\ Removal\ expands\ Function }

Constraint解消によって新Functionが成立する。

第八原則。

\boxed{ Function\ Expansion\ creates\ New\ Goals\ and\ New\ Bottlenecks }

Functionが拡張すると、Goal spaceと探索空間が広がり、新しいConstraintが露出する。

54．そしてAIで第九原則が加わる可能性がある

\boxed{ Function\ Expansion\ can\ become\ self-directed }

高度AIは自分自身のHKMGA Loopへ参加し、

自分のBottleneckを発見し、

自分のFunctionを設計し、

自分の次世代を改善する可能性がある。

これが、

\boxed{ Self-Function\ Expansion }

である。

55．これがAIの本質的な境界かもしれない

AI以前にもFunction expansionは存在した。

人間文明は非常に強力なFunction expansion systemだった。

だから、

AIによってFunction expansionが始まる、

という表現は正しくない。

より正確には、

\boxed{ Function\ Expansion\ itself\ acquires\ a\ more\ autonomous\ HKMGA }

である。

つまり、

Function expansionという現象そのものが、より高度なObservation、Prediction、Memory、Goal formation、Action能力を獲得する。

これがAIで起きていることなのかもしれない。

56．Function expansion自体が「知能化」する

人間以前。

Function expansionは主にEvolutionによる。

遅い。

人間以後。

Function expansionはTechnologyによる。

速い。

AI以後。

Function expansion process自身がAIを使う。

さらに速い。

つまり、

\boxed{ Evolution \rightarrow Technology \rightarrow AI\ assisted\ Technology \rightarrow AI\ directed\ Function\ Expansion }

という流れになる。

57．この仮説が正しければ、AIの未来予測方法が変わる

「次のModelはParameter何兆か」

ではない。

「次のAIは何をできるようになる必要があるか」

を見る。

そして、

\boxed{ What\ Function\ is\ currently\ missing? }

を探す。

それが、

\boxed{ Next\ Bottleneck }

の候補になる。

58．そして半導体市場もFunction市場になる

最終的には、

GPU市場。

Memory市場。

Optical市場。

Power市場。

として分けるより、

\boxed{\text{Function Supply Chain}}

として見る方が分かりやすくなるかもしれない。

Persistent Agent Functionを支えるSupply Chain。

Multi-Agent Functionを支えるSupply Chain。

Autonomous Research Functionを支えるSupply Chain。

Physical AI Functionを支えるSupply Chain。

Self-Function Expansionを支えるSupply Chain。

である。

59．この視点なら「次のHBM」を探す方法も変わる

次のHBMとは、

次に値上がりするCommodityではない。

\boxed{\text{次の重要Functionを成立させる上で、 最もSupply elasticityが低いResource}}

である。

この定義なら、

HBM。

Optical。

SSD。

Network。

Power。

EDA。

Robotics component。

など全く違うCategoryが同じFrameworkへ入る。

60．この仮説は何を予測するのか

HKMGA Expansion Hypothesisが正しければ、少なくともいくつかの予測を作れる。

第一に、

AI性能向上によってCompute需要は単純には減らない。

Efficiency向上によって新用途が増えるためである。

第二に、

現在のBottleneckを解決した企業の成長が止まる前に、Adjacent Bottleneckへ需要が移る。

第三に、

Memory、Verification、CoordinationなどAgent Functionを支えるInfrastructure比率が上がる。

第四に、

AI自身のFunction development rateを高めるTechnologyの戦略価値が上がる。

EDA。

Simulation。

Autonomous experimentation。

Agent infrastructure。

などである。

第五に、

Bottleneck migration speed自体が速くなる。

AIがBottleneck discoveryに参加するからである。

61．反証可能性も必要になる

逆に、

AI能力が上がってもFunction spaceがほとんど拡大しない。

新用途が増えない。

Efficiency向上によって総Compute、Memory、Network需要が継続的に減少する。

AIが自分自身のFunction improvementにはほとんど寄与できない。

という状態が長期化すれば、

HKMGA Expansion Hypothesisの強い形は修正が必要になる。

これは重要である。

仮説は、

何でも説明できる物語にしてはいけない。

62．最終的なHKMGAの姿

最初は、

\boxed{ H,K,M,G,A }

だった。

しかし現在は、

その内部に、

\boxed{ Function }

という派生概念を入れた方がよい。

FunctionはHKMGAから生じる。

FunctionがGoal spaceを増やす。

GoalがActionを生む。

ActionがBottleneckを解く。

Bottleneck解消がHKMGAをさらに拡張する。

したがって、

\boxed{ HKMGA_t \rightarrow \mathcal F_t \rightarrow \mathcal G_t \rightarrow A_t \rightarrow B_t^{-} \rightarrow HKMGA_{t+1} }

となる。

63．そして最も重要なLoop

最終的には非常に単純になる。

\boxed{ Capability \rightarrow New\ Possibility \rightarrow New\ Goal \rightarrow New\ Action \rightarrow New\ Bottleneck \rightarrow New\ Capability }

である。

このLoopは、

生物進化にも。

人間文明にも。

Technologyにも。

AIにも。

程度の違いこそあれ見える。

64．AIはLoopそのものを高速化する

この仮説から見たAIの本質は、

「人間より文章を書くのが上手いMachine」

ではない。

「人間よりIQの高いModel」

だけでもない。

\boxed{\text{Capability Expansion Loop}}

そのものを高速化するTechnologyである。

さらにAI自身がそのLoopへ入ると、

\boxed{ Expansion\ Rate }

自身が改善対象になる。

65．だからAI半導体相場はFunction Expansion相場でもある

GPUが上がった。

HBMが上がった。

Opticalが上がった。

Powerが上がった。

という個別現象だけを見ると、

資金がThemeからThemeへ移っているように見える。

しかし一段抽象化すると、

\boxed{\text{AI Function Expansion}}

という一つの大きな流れの中で、

その瞬間に最も強くFunction expansionを止めているResourceへCapitalが移動している

と解釈できる。

これが、

「ボトルネック探し相場」

のもう一つの意味なのかもしれない。

66．結論

HKMGAは、最初は情報理論から始まった。

H

世界の不確実性。

K

世界と内部モデルの差。

M

学習結果のMemory。

G

Goal。

A

Action。

しかし生物、人間文明、Technology、AIまで考えると、

その本質は5変数そのものではなく、

それらが新しいFunctionを生み出し、そのFunctionが次のHKMGAを拡張する再帰構造

にある可能性が見えてきた。

つまり、

\boxed{ HKMGA \rightarrow Function \rightarrow Expanded\ HKMGA }

である。

Functionが増えれば、Goal spaceが広がる。

Goalが増えれば、Actionが増える。

Actionが増えれば、探索空間が広がる。

探索空間が広がれば、新しいBottleneckが見つかる。

そのBottleneckを解くことで、さらにFunctionが増える。

\boxed{ Function \rightarrow Goal \rightarrow Action \rightarrow Bottleneck \rightarrow Function' }

である。

人間はこのLoopをTechnologyによって高速化した。

そしてAIは、そのTechnology development loop自身へ入り始めている。

AI以前にもFunction expansionは存在した。

しかしAIによって、

Function expansionというFunction自身が、より高度なHKMGAを持ち始める。

ここが最も重要なのかもしれない。

この仮説が正しければ、

AIが次に必要とするものを探す方法も変わる。

現在売れているChipを見るのではない。

現在不足しているCommodityだけを見るのでもない。

まず、

\boxed{\text{次にAIが獲得するFunctionは何か}}

を考える。

そして、

\boxed{ Function \rightarrow Workload \rightarrow Bottleneck \rightarrow Supply\ Chain }

へ降りる。

そうすれば、

なぜGPUの次にHBMが問題になったのか。

なぜPackagingへ移ったのか。

なぜNetwork、Optical、Power、Storageが次々と重要になるのか。

なぜAutonomous ResearchやEDAがそのさらに先で重要になる可能性があるのか。

一つの原則から説明できる。

そして、この原則がさらに進めば、

AIが次に必要とするFunctionを見つけることそのものが、

\boxed{\text{Next Bottleneck Discovery}}

になる。

AIが自分自身のBottleneckを探し、

新しいFunctionを作り、

そのFunctionによってさらに広い探索空間を開き、

そこで次のBottleneckを見つける。

もしそこまで進むなら、

AI時代の本質は「知能の自動化」だけではない。

\boxed{\text{Function Expansion itself becomes intelligent}}

――Functionの拡張そのものが知能を持つ。

HKMGA仮説が説明しようとしているのは、最終的にはこの現象なのかもしれない。

記事の記述・図・出典の対応を保持しています。引用には記事URLと段落リンクを添えられます。再利用の条件を確認する →