数学には、正しさを自動判定できるLeanがすでにある
数学では、AIが作った内容を検証する問題は比較的単純だ。証明をLeanが理解できる形で書き終えれば、Lean自身が論理的に成立しているかを自動的に判定できる。
Leanは、証明が正しいか間違っているかを機械的に判定できる。つまり数学には、多くの企業業務にはない「無料の判定装置」に相当する仕組みがすでに存在する。
多くの企業業務では、検証の仕組み自体を先に作る必要がある
多くの企業業務には、Leanのように「この回答は正しい」と自動判定してくれる仕組みが存在しない。企業がAIの出力を機械的に確認したければ、まず業務ごとに確認方法や検証システムを作る必要がある。
検証システムの構築にも、AIが回答を生成するときと同じように計算インフラが必要になる。
データセンター需要予測が見落とす、AIの答えを確かめるための計算量
フェルマーの最終定理の事例を踏まえると、データセンター需要をどう予測するかという問題も変わってくる。
現在、複数年契約で確保されているデータセンターの計算能力は、人々がAIモデルへどれだけ多くの仕事を依頼するかという需要予測を基礎にしている。つまり、主に「AIが答えを作るために必要な計算量」が想定されている。
より大きな潜在需要となり得るのが、AIが出した答えを正しいと確認するために必要な計算量だ。現在の需要予測には、AIの出力を検証するために必要な計算資源が十分に織り込まれていない。
半導体設計と暗号では、検証に使う計算資源への需要がすでに表面化
半導体設計や暗号の分野では、設計や計算が正しいことを証明・検証する工程がもともと存在する。そのため、AIが作った結果を検証するために追加の計算資源が必要になることも、他の分野より表面化しやすい。
多くの他の業務には、数学におけるLeanのような正誤判定の仕組みが用意されていない。AIを本格的に利用するには、AIが出した結果をどう確認するかという仕組みから作らなければならない。その検証方法を構築する作業自体が、新たな計算資源を必要とする。
60億トークンを費やして得たのは、新しい数学的知識ではない。約30年前から知られている知識を、コンピューターで最後まで検証できるという確実性だった。
AIの答えが正しいと確かめるための計算コストこそ、現在のAI需要予測から抜け落ちている費用項目である。
