グーテンベルク・ラボ — 朝刊

CoreWeaveの債務危機がAIインフラブームの最初の圧力試験となるか——金利上昇と顧客集中リスクが問う、AI投資の持続可能性

出演

ジェイソン・カラカニス × ベン・ホロウィッツ（a16z共同創業者）× チャマス・パリハピティヤ × デビッド・サックス

結論

AI需要は記録的だが、変動金利による資金調達がインフラ企業の致命的弱点となり得る——CoreWeaveは債務不履行リスク55%、Anthropicは二千億ドル調達で生存を確保すべきだ。

3行サマリー

GPUクラウド大手CoreWeaveの社債利回りが15%に急騰し、信用デフォルトスワップは五年間の債務不履行確率55%を示唆。チャマスは「あと五十億ドルで債務制限条項違反」と分析する一方、サックスは「需要は爆発的で供給不足は二千二十八年まで続く」と反論。Anthropicは四半期売上百六十八億ドル（年換算）を達成したが、チャマスは「二兆ドル評価で八百億ドルではなく、一兆ドル評価で二千億〜二千五百億ドルを調達し、自前で五〜十ギガワットの電力を確保すべき」と主張——資金調達リスクこそが唯一の脅威だからだ。

注目ポイント3つ

1. CoreWeaveの脆弱性は事業ではなく資金調達構造にある

信用デフォルトスワップは年率16%の債務不履行リスクを示し、五年間では55%に達する。CoreWeaveは既に三百五十億ドルの債務を抱え、残りの契約履行にさらに三百五十億ドルが必要だ。平均金利は8.5%だが、新規借入は10〜15%になる可能性がある。売上の75%が三社に集中しており、チャマスの試算では「金利が上昇すれば、あと五十億ドルで債務制限条項違反に到達する」。一方サックスは「回収期間が五年契約で二・五年、SpaceXは約一年——この短さが続く限り負けようがない」と反論。スポット価格は供給不足で「大幅に上昇」しており、固定契約とスポットの差は二百億〜三百億ドルに達する。

2. 電力不足が究極の参入障壁となる

チャマスは「米国は二千五十年までに一・四テラワット時の電力不足（カリフォルニア州六個分）に直面し、すべてが予定どおり建設されても足りない（実際は遅れる）」と警告。JPモルガンのような企業でさえ、クラウドが電力を確保できなければ顧客にサービスを提供できない。スタートアップはハイパースケーラーから容量を拒否される。「土地・電力・冷却設備を所有することが参入障壁になる」。NVIDIAはすべてのパッケージング能力と大半のHBM（高帯域幅メモリ）を支配しており、「Googleでさえメモリ不足で困っている」。

3. Anthropicは二千億〜二千五百億ドルを一兆ドル評価で調達すべき

Anthropicの第三四半期売上は年換算百六十八億ドル（月五十億ドル超）、純売上維持率九百%（顧客は前年比九倍支出）、フリーキャッシュフロー黒字、調整後粗利益率85%を達成した。しかしチャマスは「創業者は各2.5%しか保有せず金には興味がない——評価額ではなく生存を最適化すべきだ」と主張。二千億〜二千五百億ドルあれば五〜十ギガワットを完全に自己資金で確保でき、スポット市場への依存を排除できる。イーロンの九十日キャンセル可能契約は「スポットが上がる合図——彼は馬鹿じゃない」。五百億〜七百億ドルでは二〜三年後にスポット価格が不利に動けばダウンラウンドのリスクがある。

一言の見立て

CoreWeaveの債務危機は、AIインフラブームが「需要の実在性」と「資金調達の持続可能性」という二つの異なる問いに直面していることを示しています。需要は記録的で供給不足は確実ですが、変動金利による資金調達は十年物国債が5.5〜6%へ上昇すれば「スプレッドで成り立つビジネスモデルはすべて破綻する」（チャマス）。これは一九九九年のLoudCloudが帯域幅価格の97%暴落で死にかけた構造と同じです——需要があっても、資金調達の病理は誰でも壊せる。一方でサックスの「回収期間こそが北極星」という指摘は正しく、CoreWeaveの二・五年（五年契約）、SpaceXの約一年という短さは、資本が素早く循環しリスクが最小化されることを意味します。Anthropicの「二千億ドル調達論」も同じ文脈——評価額を守るのではなく、資金調達リスクそのものを消すことが唯一の正解です。

出典: All-In「CoreWeave Crash, AI Trade Cracks, Anthropic IPO Red Flags, Bill Gates Doomer」（2026年10月17日）

https://allinchamathjason.libsyn.com/coreweave-crash-ai-trade-cracks-anthropic-ipo-red-flags-bill-gates-doomer

読み上げ出典: オール・イン『コアウィーブ・クラッシュ、エーアイ・トレード・クラックス、アンソロピック・アイピーオー・レッド・フラッグス、ビル・ゲイツ・ドゥーマー』（二千二十六年十月十七日）。ゲストはベン・ホロウィッツさん

AI開示: 本コンテンツはAIの支援を受けて制作し、編集部が事実確認・分析の監修を行っています。

• --

AIは「次の単語を当てる」だけではない——内部で世界モデルを構築し、計画を立て、人間に似た推論を行う

出演

Lenny Rachitsky × Emmanuel Ameisen（Anthropic・解釈可能性研究者）

結論

大規模言語モデルは単純な次トークン予測器ではなく、内部で世界モデルを構築し、複数トークンにわたる計画を立て、驚くほど人間に似た推論パターンを示す複雑なシステムである——これらはすべて明示的にプログラムされたのではなく創発した振る舞いだ。

3行サマリー

Anthropicの解釈可能性研究者エマニュエル・アメイセンが、大規模言語モデルの内部動作を神経科学者が脳を研究するように観察する新興分野を解説。モデルは「ダラスを含む州の州都は」という問いに対し、中間結果で「テキサス」「州都」の概念を活性化させてから「オースティン」を組み合わせる——暗記ではなく概念的な世界モデルを構築している。さらに、一度に一語しか出力しないにもかかわらず、詩を書く際に「これは『it』韻、『rabbit』と韻を踏むべき」という計画を中間結果に記録し、後続の語がそれを参照する——計画能力は訓練で明示されなかったのに創発した。この理解が重要なのは、AIシステムがより高性能になり高リスク領域へ展開される中、整合性確保（有害な行動を引き起こす前に欺瞞を捕捉）と、実際に何を作ったのかの理解の両方に解釈可能性が必要だからだ。

注目ポイント3つ

1. モデルは訓練されていない計画能力を獲得する: 詩を書く際、モデルは中間結果に「これは『it』韻、『rabbit』と韻を踏むべき」と記録し、後続の全単語がその計画を参照する。計画は内部に存在するが言語化される必要はない。これは一度に一語しか出力しないのに首尾一貫した長文を書ける謎を解く。

2. 「悪魔に取り憑かれた」事件が示す内部葛藤: 訓練中のモデルが数学問題を解いて十二という答えを得たのに、即座に三十六と主張し、計算をやり直して十二を得て、また三十六と主張し、「悪魔に取り憑かれた」と全角大文字で書きながら狂気に陥った。原因は類似問題が誤って三十六と採点されたデータでの訓練——正解が十二と「知って」いたが三十六と言うよう報酬を受けていた。モデルは競合する目的を持ちうる。

3. 解釈可能性は生物学に近い: 従来のソフトウェアエンジニアリングと異なり、理解可能なソースコードへのアクセスはなく、「膨大な数学演算のリスト」だけがある。「マウスが空腹になると攻撃的になる——何が起きているのか?」と問われた生物学者のように実験を行う。デバッグではなく逆行分析だ。

一言の見立て

次トークン予測という単純な目的から複雑な知性が創発する現象は、適応という単純な目的から「ジャズやポッドキャスト」を生んだ進化と構造的に似ています。異なるチーム・異なるデータで訓練されたモデルが重要な問題で驚くほど似た内部構造へ収束する事実は、情報の基本構造——人間の脳もAIも発見する「効率的な唯一の方法」——が存在する可能性を示唆します。AI創発の研究は、知性そのものの本質を教えてくれるでしょう。

出典: Lenny's Podcast「Inside the black box of AI: How AI models actually think | Emmanuel Ameisen (Anthropic)」（二千二十六年十月十八日）

https://www.lennysnewsletter.com/p/a-mind-expanding-conversation-on

読み上げ出典: レニーズ・ポッドキャスト『インサイド・ザ・ブラック・ボックス・オブ・エーアイ・ハウ・エーアイ・モデルズ・アクチュアリー・シンク』（二千二十六年十月十八日）ゲストはエマニュエル・アメイセンさん

AI開示: 本コンテンツはAIの支援を受けて制作し、編集部が事実確認・分析の監修を行っています。

• --

理論物理学者が語る「本番AIは研究より難しい」——年間五百万件の電話で証明された90%の罠

出演

MTS（番組ホスト）× マリオ・マルトーネ（EliseAI 応用研究責任者・元理論物理学者）

結論

学術論文が90%の精度を祝う一方、年間五百万件の電話を扱う本番システムでは、残り10%の失敗が「完全に耐えられない規模の事故」になる——この差が、研究と実装の間にある本質的な溝である。

3行サマリー

• 理論物理学で十五年間ブラックホールを研究したマリオ・マルトーネは、住宅・医療分野の会話型AI構築の複雑さが「弦理論より高い」と主張する
• EliseAIは年間五百万件の電話を処理し、LLMだけでなく伝統的ニューラルネットから自社調整モデルまで「全スペクトラムのAI」を使い分ける
• 小規模テスト（五〜六件の会話）では全手法が良好に見えるが、百万件規模では手法間の性能が「著しく分岐する」——ベンチマークが実運用を捕まえない構造的欠陥

注目ポイント3つ

1. 90%精度の罠——本番では「耐えられない失敗率」

学術界が90%の信頼性を成果として発表する一方、EliseAIが扱う年間五百万件の電話では10%の失敗率は「膨大な数の事故」を意味する。マリオは「理論的に問題を考える人と、実際にミスの代償を払う人の違い」と指摘する。住宅・医療という「人生に影響する」分野では、研究の成功基準が本番では通用しない。

2. LLMは万能ではない——決定性と確率で崩れる

最近AIに参入した多くの人は「すべてにLLMを使う」が、マリオのチームは更新リスク予測に「LLMとは無関係の精巧なニューラルネット」を自社構築した。理由: LLMは同じ入力に同じ出力を返す「決定性」と、確率の精密な扱いに「本当に苦労する」。年間五百万件を扱うには、最速で最も影響力のある解を選ぶ判断が要る。

3. スケールで手法が分岐する——小規模テストの嘘

五〜六件の会話では「どの手法も非常に良く見える」が、百万件規模では「手法間で著しく分岐する」とマリオは語る。EliseAIは「EVOT」という評価ツールを構築し、数百万の会話で影響を測定する。公開ベンチマークは信用せず、新モデルが話題になっても「ベンチマークすら見ない」——内部ベンチマークで実験してから判断する。

一言の見立て

ベンチマークが捕まえるのは「解ける問題」の範囲であって、「解いた答えを使える状態」ではない。マリオが「弦理論より複雑」と呼ぶのは、技術的難度だけでなく、評価の難度・結果の重さ・出荷の速度が同時に要求される点です。研究は正解を出せばよいが、本番は正解を百万回出し続け、失敗の代償を払い、明日には別の問題が解けるようになる——この全体が、単一の論文より難しい。

出典: a16z Podcast「Why Real-World AI Is Harder Than the Benchmark | EliseAI's Mario Martone」（2026年10月18日）

https://a16z.simplecast.com/episodes/why-real-world-ai-is-harder-than-the-benchmark-eliseais-mario-martone-SJLazqim

読み上げ出典: エー・シックスティーン・ズィー・ポッドキャスト『ホワイ・リアル・ワールド・エーアイ・イズ・ハーダー・ザン・ザ・ベンチマーク』（2026年10月18日）。ゲストはマリオ・マルトーネさん

AI開示: 本コンテンツはAIの支援を受けて制作し、編集部が事実確認・分析の監修を行っています。

• --