この記事でわかること
「データをもっと集めれば、AIの精度は上がりますか」。AI導入の相談で、必ずと言っていいほど出てくる質問です。
この問いに関係するのが、スケーリング則と呼ばれる考え方です。AIの世界で「モデルを大きくすれば性能が上がる」という方向に投資が集中してきた背景には、この経験則があります。
本記事で扱うのは、AIモデルの規模・データ量・計算量と性能の関係についての経験則です。 物理学や半導体の微細化、高分子や化学の分野でも同じ「スケーリング則」という言葉が使われますが、それらは扱いません。同じ言葉が複数の分野で使われているため検索すると別の話が混ざりますが、本記事はAIの文脈に限って説明します。
この記事で扱う主な内容は、次のとおりです。
- スケーリング則とは何か
- 何と何の関係を表しているのか
- なぜ重要視されてきたのか
- 「限界」論をどう読むか
- 経営者として、どこまで知っておけばよいか
スケーリング則とは
スケーリング則とは、AIモデルの規模・学習データの量・学習に使う計算量と、性能を表す指標との間に、一定の条件・範囲でべき乗則に近い関係が見られるという、観測から得られた経験的な関係を指します。英語ではScaling Lawsと呼ばれます。三つの要素をそれぞれ独立に増やせば必ず改善する、という単純な話ではありません。
ここで押さえておきたいのが、「則」「法則」という言葉が使われているものの、物理法則のような厳密さを持つものではないという点です。多くの実験を通じて観測されてきた傾向であり、条件が変われば当てはまり方も変わります。
とはいえ、この傾向が繰り返し確認されてきたことは、AI開発の方向性を大きく左右しました。「大きくすれば良くなる」という見通しが立つからこそ、巨額の投資が計算資源とデータの確保に向かってきた、という構図です。
スケーリング則とは わかりやすく（設備投資と生産量の関係）
もう少しイメージしやすく説明します。スケーリング則は、設備投資と生産量の関係にたとえると分かりやすいです。
工場に機械を増やせば、生産量は増えます。ただし、機械を2倍にしても生産量がきれいに2倍になるとは限りません。それでも「投資を増やせばこれくらい伸びる」という見通しが立つなら、経営判断はしやすくなります。
AIの開発でも、同じような見通しが立ちました。計算資源とデータを増やせば、性能はこれくらい伸びる。その関係が読めるからこそ、大規模な投資に踏み切れるようになりました。
そして、伸び方には特徴があります。投資を増やすほど、一単位あたりの伸びは小さくなっていきます。倍にすれば倍良くなるのではなく、良くするほど次の一歩に必要な投資が膨らむ。この形も、設備投資の感覚に近いところがあります。
ただし、たとえで表せない部分もあります。工場の生産量は数えられますが、AIの「性能」は目的によって測り方が変わります。ある指標で伸びていても、業務で使える精度が上がっているとは限りません。
何と何の関係を表しているのか
スケーリング則で扱われる要素は、主に三つです。
- モデルの規模：モデルが持つパラメータの数。大きいほど複雑な処理を表現できます。
- 学習データの量：学習に使うデータの分量。
- 計算量：学習にかける計算資源の総量。
この三つを増やすと、性能を表す指標が一定の傾向で改善していく、というのがスケーリング則の内容です。
実務上重要なのは、三つのバランスです。モデルだけを大きくしてもデータが足りなければ性能は伸びません。計算資源だけを増やしても同じです。どれか一つを増やせばよいという話ではなく、組み合わせで決まります。
なお、ここでいう性能は、保持データ上の損失など、研究で定義した評価指標を指します。業務での有用性と同じではありません。指標が改善しても、自社の業務で役に立つかどうかは、実際に試して確かめるしかありません。
なぜ重要視されてきたのか
この経験則が注目された理由は、投資判断の根拠になったことにあります。
従来のAI開発では、性能を上げるために新しい手法を考案する必要がありました。うまくいくかどうかは、やってみないと分からない。投資の見通しが立ちにくい領域でした。
これに対しスケーリング則は、「規模を増やせば、この程度は伸びる」という見通しを与えます。手法の発明を待たずに、資源の投入で前進できる。この読みやすさが、大規模言語モデルの急速な性能向上を支えてきました。
近年の生成AIの進歩には、この方向が大きく寄与しています。ただし、規模の拡大は大きな要因の一つであって、アルゴリズムの改良、データの作り方、学習方法、回答時の計算の使い方、システム面の改善なども寄与しています。
「限界」論をどう読むか
一方で、「スケーリング則は限界に近づいている」という議論も出ています。主な論点は次のとおりです。
限界を指摘する側の主張としては、学習に使える高品質なデータが枯渇しつつある、計算資源にかかる費用と電力が現実的でなくなってきた、規模を増やしても以前ほど性能が伸びなくなってきた、といった点が挙げられます。
これに対し、まだ伸びるとする側は、データの作り方や学習の工夫で改善の余地がある、規模以外の軸で性能を上げる方向がある、といった反論をしています。
どちらが正しいかを、現時点で断定することはできません。 各社が公表している情報は限られており、内部の実験結果まで公開されているわけではありません。「限界が来た」「まだ伸びる」という主張を見かけたら、誰が、何を根拠に、どの範囲について述べているのかを確認するのが安全です。
なお、近年は学習時ではなく、回答を作るときにかける計算量を増やすという方向も注目されています。時間をかけて考えさせることで精度を上げる考え方で、推論モデルとはで扱うモデルがこれにあたります。規模の拡大とは別の軸として整理されることが多い話題です。
経営者として、どこまで知っておけばよいか
この経験則そのものは、モデルを開発する側の話です。ただし、AI活用を判断する立場としては、次の五点を押さえておくと、業界の情報を読み解きやすくなります。
第一に、これはモデル開発の話であって、自社のAI導入に直接当てはまるものではないということ。「データを増やせば自社のAIの精度が上がる」という話とは、別の文脈です。
第二に、自社のデータを増やす判断は、別の基準で行うこと。自社で学習させる場合は、データの量・質・業務の実態をどれだけ代表しているかのすべてが関係します。量だけを増やしても、偏りが残れば効果は限られます。この論点はデータセットとはで整理しています。
第三に、伸びは逓減すること。投資を倍にしても効果が倍になるわけではありません。どこで打ち切るかを決めておく必要があります。
第四に、「限界」論に振り回されないこと。断定的な情報は、根拠と範囲を確認する。すでに使える技術で何ができるかのほうが、経営判断には直接効きます。
第五に、指標と業務での有用性は別だということ。一般的な性能評価が上がっても、自社の業務で使えるかは実際に試すしかありません。
「もっとデータを増やせば良くなる」と期待する経営者への、私の伝え方
AI導入の支援では、期待した精度が出ないとき、経営者から「もっとデータを増やせば良くなるのではないですか」と言われることがあります。
確かに、効く場合はあります。苦情の事例が数件しかなく、AIが特徴をつかめないのなら、事例を増やす意味はある。しかし、データは多ければ多いほどよい、とは限りません。
私は最初に、こう質問します。
「今のAIは、どのような案件で間違えていますか。その間違いは、本当にデータ不足が原因でしょうか」
原因を確かめずに追加すると、費用と作業だけが増えて、精度はほとんど変わらない。古い情報や誤った判断が混ざって、かえって悪化することさえあります。
見分けたいのは、データが少ない問題と、基準が曖昧な問題です。
同じ内容を、ある担当者は「請求」、別の担当者は「苦情」と分類していたとします。この状態でデータを増やしても、増えるのは統一されていない判断です。曖昧な基準で作られたデータを大量に増やしても、曖昧さが大規模になるだけ。必要なのは収集より先に、分類の境界と優先順位、正解を決める責任者を確定することです。
過去データの中身も見ます。誤って分類された記録、古い料金にもとづく回答、廃止された業務ルール。整理せずに追加すれば、AIは古い運用や担当者の癖まで学びます。
だから私は、経営者へこう説明しています。
「AIにとっては、1万件の未整理データより、500件の確認済みデータのほうが役立つ場合があります」
件数の内訳も確認します。1万件の問い合わせがあっても、9,500件が一般的な質問で、重大な苦情が50件なら、全体の多さは安心材料になりません。必要なのは通常データの上積みではなく、間違いが起きている部分のデータを重点的に補うことです。
そもそも、原因がデータ以外にあることも少なくありません。顧客の契約状況を見なければ判断できない問い合わせに、問い合わせ本文だけを渡していれば、何万件学習させても正しく分類できません。この場合はデータ追加より、契約情報を入力へ加えるほうが効きます。
費用の比較も忘れません。データは集めればすぐ使えるわけではなく、機密情報の除去、正解ラベルの付与、複数人での確認と、現場の専門家の時間を食います。数千件を整備するより、確信の持てない案件を人間へ戻す設計のほうが、安くて安全な場合もあります。
追加が有効だと判断したら、誤りの多い種類に絞って確認済みのデータを少量足し、前後で正答率・重大な見逃し・修正時間を測ります。効けば同じ方針で続け、効かなければデータ以外の原因を見直します。
私は経営者へ、最後にこう伝えています。
「データはAIの教材です。教材を増やす前に、内容が正しいか、教えたいことが含まれているかを確認してください」
「もっと多く」ではなく、「どのデータを、何のために増やすか」まで決める。それが、データへの投資を成果へつなげる条件だと考えています。
スケーリング則についてよくある質問
スケーリング則とはどういう意味ですか？
AIモデルの規模・学習データの量・計算量と、性能を表す指標との間に、一定の条件・範囲でべき乗則に近い関係が見られるという経験的な関係を指します。多くの実験から観測された傾向であり、物理法則のような厳密さを持つものではありません。
スケーリング則の読み方は？
「スケーリングそく」と読みます。英語ではScaling Lawsで、スケーリング法則と表記されることもあります。
物理学のスケーリング則とは違うのですか？
別の概念です。物理学や半導体の微細化、高分子などの分野でも同じ言葉が使われますが、扱う対象も内容も異なります。本記事はAIモデルの規模と性能の関係に限った説明です。
スケーリング則は限界に来ているのですか？
現時点で断定することはできません。データの枯渇や費用の問題を指摘する見方と、まだ改善の余地があるとする見方の両方があります。各社が公表している情報は限られているため、主張を見かけたら根拠と範囲を確認するのが安全です。
自社のAIもデータを増やせば精度が上がりますか？
スケーリング則はモデル開発の文脈の話で、そのまま当てはまるわけではありません。自社で学習させる場合は、データの量・質・業務の実態をどれだけ代表しているかのすべてが関係します。偏ったデータを増やしても、その偏りが強まるだけになることがあります。
関連記事と「AI戦略」に関するご案内
スケーリング則とは、AIモデルの規模・データ量・計算量と性能の関係についての経験則です。生成AIの急速な性能向上を支えてきた考え方ですが、物理法則のような厳密さを持つものではありません。
経営判断としての勘所は、この議論に振り回されず、すでに使える技術で何ができるかを見ることです。限界論の行方は、自社のAI活用の可否を左右しません。
回答時に計算をかける新しい方向は推論モデルとはで、学習データの整え方はデータセットとはで、多様な用途に使えるモデルの考え方は基盤モデルとはで、それぞれ整理しています。大規模言語モデルそのものはLLMとはをご覧ください。
AI活用を個別用語の理解で終わらせず、経営課題や業務改善につなげたい場合は、中小企業社長のためのAI戦略活用完全ガイドで全体像を確認できます。
確認日：2026年7月29日（スケーリング則に関する各社の公開情報を参照）
