なぜビッグテックのAI投資で現金が細り、現場はローカルへ戻るのか？──Microsoft 645億ドル投資・Oracle赤字・Google検索の壁
【YouTube本編動画（25分31秒・全8枚スライド＆音声解説）】
導入：なぜ「AI投資の規模」ではなく「フリーキャッシュフローと検索利益」が問われるのか
もし経営会議で「ビッグテック各社がAIデータセンターに何兆円も投資しているのだから、我が社もすべての業務処理をクラウドの最新AI APIへ全面移行すべきだ」と言われたら、何を基準に判断するでしょうか。
2026年10月下旬、ウォール街の機関投資家がビッグテック決算に突きつけている評価軸は、もはや「AIにどれだけ巨額の設備投資（CapEx）を注ぎ込んだか」ではありません。営業キャッシュフローから設備投資を差し引いた後に、どれだけ手元に自由な現金が残るかを示す「フリーキャッシュフロー（FCF）」、そして主力事業の利益率が実際に改善しているかという冷徹な規律へと完全に切り替わりました。
Bloombergの看板テクノロジー番組（ホスト：Paul Sweeney氏、テック担当アンカー：Ed Ludlow氏）で議論された市場の焦点と、米国証券取引委員会（SEC）に提出された各社の法定開示書類（Form 10-K / Form 10-Q）および公式決算短信を突き合わせると、ニュースの見出しだけでは見えてこない「3つの構造的現実」が浮かび上がります。
第1の現実（設備投資の急増によるフリーキャッシュフロー圧迫とコスト引き締め）：オラクルの2025会計年度通期決算では、営業キャッシュフローが前年比12%増の208億2,100万ドルと順調に伸びたにもかかわらず、AIデータセンター建設などの設備投資が前年の68億6,600万ドルから約3倍の212億1,500万ドルへ跳ね上がった結果、通期のフリーキャッシュフローがマイナス3億9,400万ドル（1992年以来の通期赤字）へ転落しました。またマイクロソフトでも、2025年6月末時点で約22万8,000人の常勤従業員を抱え、年間の有形固定資産取得額（設備投資）が前年の444億7,700万ドルから645億5,100万ドルへと200億ドル以上急増し、通期フリーキャッシュフローが前年の740億7,100万ドルから716億1,100万ドルへ減少する中、番組内で「6万人規模のバイアウト（26.9%削減）」というコスト引き締め議論が飛び出しました。
第2の現実（Google Cloud「営業利益84.6%増」の裏にある主力・検索事業の壁）：番組では「Google Cloudが前年比91%成長する見込み」と語られましたが、アルファベットの2025年第3四半期Form 10-Qの確定値を確認すると、Google Cloudの売上高は前年同期比34%増の151億5,700万ドルであり、90%前後の急伸は四半期営業利益の84.6%増（19億4,700万ドル→35億9,400万ドル、9か月累計では113.9%増の85億9,700万ドル）や受注残1,577億ドルの拡大に対応しています。それでも市場が手放しで評価しないのは、全社売上高1,023億4,600万ドルの約55%を稼ぐ本丸「Google Search & other（四半期売上高565億6,700万ドル、9か月累計1,614億5,900万ドル）」において、9か月累計で635億9,600万ドル（前年同期比66.2%増）に達した設備投資を吸収して利益率を高められる証拠を求めているからです。
第3の現実（クラウド一辺倒からオンプレミス・ローカルAIへの揺り戻し）：ハイパースケーラーが設備投資の回収のためにクラウドAPI課金やSaaS単価の引き上げを迫られる一方、ユーザー企業の現場では逆方向の動きが始まっています。最大128GBの高速ユニファイドメモリと毎秒546GBのメモリ帯域幅を備えたApple「M4 Max」や、第5世代Tensorコアと128GB共有メモリを搭載しFP4精度で最大1ペタフロップスを発揮する「NVIDIA DGX Spark」、さらに「vLLM（PagedAttention）」「AWQ（4ビット重み量子化）」「Qwen3」「Gemma 3」「DeepSeek-V3」「Llama 3」といったオープン技術群の成熟により、機密データや定常推論を自社内の小規模サーバーやワークステーションで処理する「ローカルAI回帰」が現実の選択肢となっています。
本稿は、次のような課題を持つ読者に向けて執筆しています。
対象読者：企業の経営企画・IT部門・開発リーダーとして、クラウドAIのAPI従量課金やSaaS費用の膨張に悩んでいる方、またはビッグテック各社の決算数値とローカルAI技術の現在地を一次資料で正確に把握したい方。
この記事を読んでできること：
1. Bloomberg等の市場トークで語られる速報数値（「MS 6万人バイアウト」「Google Cloud 91%成長」「ハイパースケーラーのマイナスFCF」）と、SEC Form 10-K / 10-Qの確定数値を切り分けて説明できるようになります。
2. ビッグテック7社（Microsoft、Alphabet、Oracle、Meta、Amazon、Apple、NVIDIA）の営業キャッシュフロー・設備投資・フリーキャッシュフローの会計構造を比較し、今後のクラウド価格転嫁リスクを見極められます。
3. 社内のAIワークロードを「クラウドのフロンティアモデル」と「オンプレミス・ローカルのオープンモデル（128GBメモリ機＋4ビット量子化）」へ最適配分する実務手順をそのまま持ち帰ることができます。
なお、本稿は特定の企業や経営陣、あるいは現場のエンジニアや営業担当者の誰かを責めるものではありません。巨額のAIインフラ建設期に必ず発生する「減価償却とキャッシュフローの会計上の引力」と、それに対する技術的・経営的な適応策を客観的なデータから解き明かします。
1. ウォール街の評価軸シフト：Microsoftの設備投資645億ドルと「6万人バイアウト説」の一次資料検証
まず第1章では、なぜウォール街の機関投資家がここまでフリーキャッシュフロー（FCF）に厳格になったのか、マイクロソフトの年次報告書（Form 10-K）と、Bloombergのポッドキャスト番組で話題となった人員削減の数字を照合しながら検証します。
1.1 そもそもフリーキャッシュフロー（FCF）と設備投資（CapEx）・運営費（OpEx）はどう連動するのか
最初に、本稿全体を読み解く上で欠かせない3つの会計用語を整理しておきます。
営業キャッシュフロー（Operating Cash Flow：OCF）：本業の製品・サービス販売によって1年間（または1四半期）に実際に流入した現金の純額です。会計上の純利益に、現金支出を伴わない「減価償却費（Depreciation and Amortization）」などを足し戻して算出されます。
設備投資（Capital Expenditures：CapEx）：データセンターの土地・建物、電力設備、そしてNVIDIA製GPUクラスタなどの有形固定資産（Property and Equipment）を取得するために支払った現金支出です。損益計算書（P/L）では一度に全額が費用になるのではなく、耐用年数にわたって「減価償却費」として少しずつ費用化されますが、キャッシュフロー計算書（C/F）では購入した期に全額が現金のマイナスとして直撃します。
フリーキャッシュフロー（Free Cash Flow：FCF）：「営業キャッシュフロー － 設備投資（CapEx）」で算出される、企業が自由に使える手元現金の純増分です。配当金の支払いや自社株買い、借入金の返済、次世代への再投資はすべてこのFCFから賄われます。
運営費（Operating Expenses：OpEx）：研究開発費（R&D）、営業・マーケティング費（Sales & Marketing）、一般管理費（G&A）など、毎期の事業運営にかかる人件費や販管費です。
AIインフラ競争の本質は、この3つの変数の綱引きにあります。ハイパースケーラーが年間600億〜1,000億ドル規模の設備投資（CapEx）を断行すると、まず当期のフリーキャッシュフローが即座に減少します。さらに翌期以降は、稼働を始めたGPUやデータセンターの巨額の減価償却費が損益計算書にのしかかり、営業利益率を押し下げます。このとき、企業がウォール街の求める利益率とキャッシュフローを同時に守ろうとすれば、「設備投資（CapEx）を増やす代わりに、既存の運営費（OpEx＝特に非エンジニア部門の人件費）を圧縮して資金を振り向ける」という構造転換が起きるのです。
1.2 「Microsoft 6万人バイアウト／26.9%削減」は事実か？Form 10-Kの従業員内訳で検証する
Bloombergの番組内でホストのPaul Sweeney氏とテック担当アンカーのEd Ludlow氏は、「ウォール街は現在フリーキャッシュフローを重視しており、マイクロソフトのような水準で支出を続けるなら、ベルトを締める（コストを引き締める）メカニズムが必要になる」と述べ、その文脈で「従業員の26.9%を削減する」「マイクロソフトの6万人規模のバイアウト（希望退職・退職パッケージ）」という表現に言及しました。
では、この数字はSECの法定開示書類で裏付けられる確定事実なのでしょうか。マイクロソフトの2025会計年度（2025年6月30日終了期）の年次報告書（Form 10-K）の「Human Capital Resources（人的資本）」セクションを確認すると、確定している一次データは以下の通りです。
総従業員数（2025年6月30日時点・常勤ベース）：約22万8,000人
地域別内訳：
米国内（U.S.）：12万5,000人（全体の約54.8%）
米国外（International）：10万3,000人（全体の約45.2%）
機能・職種別内訳：
オペレーション部門（製造、流通、製品サポート、コンサルティング業務を含む）：8万9,000人（全体の約39.0%）
製品研究開発部門（Product Research and Development）：8万1,000人（全体の約35.5%）
営業およびマーケティング部門（Sales and Marketing）：4万7,000人（全体の約20.6%）
一般管理部門（General and Administrative）：1万1,000人（全体の約4.8%）
この一次データをもとに計算すると、番組内の発言の背景が明確に分かります。
1. 比率の計算根拠：総従業員数22万8,000人に対して6万人は約26.3%（前年度末の約22万3,000人を分母とすれば約26.9%）に相当します。
2. 法定開示（Form 8-K / 10-K）との照合結果：マイクロソフトがForm 8-K等で「6万人を一括削減する」と公式発表した事実は存在しません。単一企業による6万人の一斉解雇であれば史上最大規模の特別損失計上が必要になりますが、そのような開示はありません。
3. 「5万8,000人（25.4%）」という非開発部門の規模感との一致：職種別内訳のうち、営業・マーケティング部門（4万7,000人）と一般管理部門（1万1,000人）を合計するとちょうど5万8,000人（全体の25.4%）になります。マイクロソフトが北米や英国などで副社長（VP）クラス以下の幅広い職種に対して自発的退職プログラム（ボランタリー・バイアウト）の選択肢を提示した際、その対象となり得る販売・管理系の母集団（約5.8万〜6万人規模、全社の約26%）が、ライブ番組のトークの中で「6万人のバイアウト／26.9%の削減」という強い比喩・試算として語られたものと判断するのが最も合理的です。
1.3 Microsoftのキャッシュフロー計算書が示す「設備投資+45.1%」の重み
では、なぜマイクロソフトは既存組織のコスト配分をここまで厳しく見直しているのでしょうか。Form 10-Kの連結キャッシュフロー計算書（Consolidated Statements of Cash Flows）の3か年推移を見ると、その会計上のメカニズムが一目で分かります。
営業キャッシュフロー（Cash from operations）：
2023会計年度：875億8,200万ドル
2024会計年度：1,185億4,800万ドル
2025会計年度：1,361億6,200万ドル（前年比 +176億1,400万ドル、+14.9%）
有形固定資産の取得額（Additions to property and equipment＝CapEx）：
2023会計年度：281億700万ドル
2024会計年度：444億7,700万ドル
2025会計年度：645億5,100万ドル（前年比 +200億7,400万ドル、+45.1%）
※さらに注記6（Note 6 — Property and Equipment）によれば、期末時点で買掛金（Accounts Payable）に残っている設備取得未払分も、2023年度の38億ドル、2024年度の43億ドルから、2025年度末には69億ドルへ膨らんでいます。
フリーキャッシュフロー（営業CF － 有形固定資産取得額）：
2023会計年度：594億7,500万ドル
2024会計年度：740億7,100万ドル
2025会計年度：716億1,100万ドル（前年比 -24億6,000万ドル、-3.3%の減少）
本業の営業キャッシュフローが1年間で176億ドル以上も増えているにもかかわらず、データセンターとGPUへの設備投資がそれを上回る200億ドル超のペースで増えたため、最終的に手元に残るフリーキャッシュフローは740億7,100万ドルから716億1,100万ドルへと実際に減少しているのです。
第1章の要点：マイクロソフトをめぐる人員再編の議論は、業績不振によるリストラではありません。年間645億5,100万ドル（約9.7兆円）に達するAIインフラ投資を継続しながらフリーキャッシュフローの減少を食い止めるために、運営費（OpEx）から設備投資（CapEx）へと資金を再配分する構造的なシフトです。
2. ビッグテック7社のFCF格差：Apple・NVIDIAの現金創出力 vs Oracle「1992年以来のマイナスFCF」
続いて第2章では、Bloombergの番組内で語られた「株価パフォーマンス上位のAppleとNvidiaは潤沢なキャッシュを生み出している一方、Meta・Alphabet・MicrosoftはFCFが圧迫され、Oracleは1992年以来初めてマイナスFCFに陥った」という市場の構図を、各社の公式決算発表で検証します。
2.1 キャッシュ創出の頂点に立つ2社：NVIDIAとAppleの公式決算数値
まず、AI投資ブームの中で最も潤沢なキャッシュを生み出している2社の一次数値を確認します。
NVIDIA（2026会計年度第4四半期および通期決算リリース）
第4四半期売上高：681億ドル（前四半期比 +20%、前年同期比 +73%）
第4四半期データセンター部門売上高：623億ドル（前四半期比 +22%、前年同期比 +75%）
2026会計年度通期売上高：2,159億ドル（前年比 +65%）
株主還元実績（2026会計年度通期）：自社株買いおよび現金配当の形で総額411億ドルを株主へ還元。
期末手元流動性：第4四半期末時点の現金、現金同等物および市場性証券の残高は585億ドル（1年前の432億ドルから153億ドル増加）。
構造的特徴：エヌビディアは製造設備をTSMC等のファウンドリに委託するファブレスモデルであるため、ハイパースケーラー各社が年間数百億ドルの設備投資（CapEx）を投じるほど、それがそのままエヌビディアの営業キャッシュフローとフリーキャッシュフローに転換されます。
Apple（2025会計年度第4四半期および通期決算リリース・2025年9月27日終了期）
第4四半期売上高：1,025億ドル（前年同期比 +8%、9月四半期として過去最高、希薄化後EPS $1.85で前年同期比 +13%）
サービス部門売上高：過去最高の287億5,000万ドル（前年同期比 +15%）
2025会計年度通期売上高：過去最高の4,160億ドル（通期営業キャッシュフローは1,114億8,200万ドル、通期設備投資は127億1,500万ドルにとどまり、年間約987億ドルの潤沢なFCFを創出）。
構造的特徴：アップルは数兆円規模の汎用AIデータセンターを自社単独で抱え込むのではなく、自社のApple Silicon（Mシリーズ・Aシリーズ）のユニファイドメモリを活かしたオンデバイス処理（端末内推論）を軸に据えているため、ハイパースケーラーのようなCapExの急膨張を免れています。
2.2 Oracleの衝撃：なぜ「1992年以来の通期マイナスFCF（-3.94億ドル）」に転落したのか
番組内でPaul Sweeney氏とEd Ludlow氏が「Oracleが1992年以来初めてマイナスFCFに入った瞬間、市場は世界の終わりのように反応した」と振り返った事象は、オラクルの2025会計年度第4四半期および通期決算リリース（2025年5月31日終了期）のキャッシュフロー表で完全に裏付けられます。
Oracle（2025会計年度第4四半期および通期決算リリース）
残存履行義務（RPO：将来の契約受注残）：第4四半期末時点で前年比+41%増の1,380億ドル。
クラウドインフラストラクチャ（OCI）売上高：第4四半期に前年同期比+52%増の30億ドル（OCIの消費ベース売上高は+62%増）。マルチクラウドデータベース売上高（Amazon・Google・Azure経由）は第3四半期比で+115%増。
通期営業キャッシュフロー（Operating Cash Flow）：208億2,100万ドル（前年の186億7,300万ドルから+12%増）。
通期設備投資（Capital Expenditures）：前年の68億6,600万ドルから、わずか1年で3.09倍（+209%）の212億1,500万ドルへ急増。
直近4四半期累計（通期）フリーキャッシュフロー（Free Cash Flow）：営業CF 208億2,100万ドル － 設備投資 212億1,500万ドル ＝ マイナス3億9,400万ドル（前年のプラス118億700万ドルから122億100万ドルの悪化）。
つまり、オラクルは本業の営業キャッシュフローが208億ドル超と過去最高水準にあるにもかかわらず、1,380億ドルに膨らんだAI・クラウド契約を処理するためのデータセンター建設費（212億1,500万ドル）が営業キャッシュフローを完全に食い潰し、33年ぶりの通期フリーキャッシュフロー赤字に陥ったのです。
2.3 MetaとAmazonの比較：なぜAmazonには市場が寛容で、Metaの1,350億ドル計画には警戒が強まるのか
続いて、番組内で言及されたMetaとAmazonの一次決算数値を確認します。
Meta Platforms（2025年第4四半期および通期決算リリース）
2025年通期売上高：2,009億6,600万ドル（前年比 +22%）
2025年通期営業キャッシュフロー：1,158億ドル（第4四半期単独では362億1,000万ドル）
2025年通期設備投資（ファイナンスリース元本返済を含む）：722億2,000万ドル（第4四半期単独では221億4,000万ドル）
2025年通期フリーキャッシュフロー：435億9,000万ドル（第4四半期単独では140億8,000万ドル）
2026年通期の設備投資ガイダンス：メタは「Meta Superintelligence Labs」およびコア事業の支援のため、2026年通期の設備投資見通しを一気に1,150億ドル〜1,350億ドル（約17.2兆〜20.2兆円）へと引き上げました。2025年の営業キャッシュフロー（1,158億ドル）に匹敵する規模の設備投資計画であるため、番組内で「フリーキャッシュフローがマイナス圏に圧迫される」と議論されたのです。
Amazon.com（2025年第4四半期および通期決算リリース）
2025年通期純売上高：7,169億ドル（前年比 +12%）
AWSセグメント売上高：第4四半期に前年同期比+24%増の356億ドル（過去13四半期で最速の成長率）、通期AWS売上高は1,287億ドル（前年比 +20%）。
2025年通期営業キャッシュフロー：1,395億ドル（前年の1,159億ドルから +20%増）。
直近12か月（TTM）フリーキャッシュフロー：前年の382億ドルから112億ドルへと70.7%減少。
FCF減少の直接原因：AIを主因とする有形固定資産の純取得額（売却・インセンティブ控除後）が前年比で507億ドル増加したことによるものです（通期の有形固定資産取得総額は1,318億1,900万ドル）。
なぜオラクルがマイナスFCFに陥った際には市場が悲観した一方で、アマゾンがFCFを382億ドルから112億ドルまで減らしても比較的寛容だったのでしょうか。理由は2つあります。第1に、アマゾンは1997年の上場以来、「営業キャッシュフローのほぼ全額をフルフィルメントセンター（物流網）とAWSデータセンターへ再投資し、数年後に規模の経済で回収する」という資本配分モデルを投資家に徹底して説明し続けてきた実績があること。第2に、AWS自体がすでに年間1,287億ドルの売上と456億ドルの営業利益を生む世界最大のクラウド基盤であり、投資したGPUや独自チップ（Trainium / Inferentia）が即座に外部顧客の従量課金売上として回収される回路が見えているからです。
第2章の要点：番組内の「ハイパースケーラーのFCFがマイナス圏にある」という発言を一次資料で検証すると、実際に通期FCFがマイナス転落したのはオラクル（-3億9,400万ドル）であり、マイクロソフト（716億1,100万ドル）、メタ（435億9,000万ドル）、アマゾン（112億ドル）は通期では黒字を維持しています。しかし、メタの2026年CapEx計画（1,150億〜1,350億ドル）やアマゾンの設備投資純増（+507億ドル）が示す通り、AIインフラ投資が各社のフリーキャッシュフローを急速に削り取っている事実は完全に一致しています。
3. Google Cloud「91%成長予測」の真偽と、売上565億ドル「検索事業」の収益化ハードル
第3章では、アルファベット（Google）に関する番組内の2つの重要な主張──「Google Cloudは前年比91%成長する可能性が高い」という数字の検証と、「クラウドが90%超成長していても、市場は主力である検索事業がAIによってより高収益になった証拠を求めている」という構造的課題を、SECに提出された2025年第3四半期Form 10-Q（2025年9月30日終了期）の確定数値で解き明かします。
3.1 Form 10-Qで照合する「91%成長」の正体：売上高は+34%、営業利益が+84.6%〜+113.9%
番組のライブトークでは「Googleのクラウド事業は前年比91%成長する」と語られました。しかし、アルファベットの2025年第3四半期Form 10-Qのセグメント情報（Note 15 — Segment Reporting）およびMD&Aを確認すると、売上高と営業利益、受注残の正確な実績値は以下の通りです。
Alphabet全社売上高（2025年第3四半期）：1,023億4,600万ドル（前年同期の882億6,800万ドルから前年同期比 +16%増、為替一定ベース +15%増。アルファベット史上初めて四半期売上高が1,000億ドルを突破）。
Google Cloud 売上高：
2025年第3四半期（3か月）：前年同期の113億5,300万ドルから151億5,700万ドルへ増加（前年同期比 +34%増、金額にして+38億400万ドル）。
2025年1〜9月累計（9か月）：前年同期の316億7,000万ドルから413億9,700万ドルへ増加（前年同期比 +30.7%増）。
Google Cloud 営業利益（Operating Income）：
2025年第3四半期（3か月）：前年同期の19億4,700万ドルから35億9,400万ドルへ急増（前年同期比 +84.6%増、営業利益率は17.1%から23.7%へ6.6ポイント改善）。
2025年1〜9月累計（9か月）：前年同期の40億1,900万ドルから85億9,700万ドルへ倍増（前年同期比 +113.9%増）。
未履行契約受注残（Revenue Backlog）：
2025年9月30日時点の受注残は、主にGoogle Cloudに関連して1,577億ドル（経営陣の説明ではクラウド単独のバックログは約1,550億ドルで前年同期比+82%増、前四半期比+46%増）。この1,577億ドルのうち55%超が今後24か月以内に売上高として計上される確定契約です。
この一次データから明らかな通り、「Google Cloudの売上高全体が前年比91%成長した」というのは誤り（売上高は+34%成長）です。番組内でキャスターが言及した「90%超／91%」という数値は、Google Cloudの営業利益の成長率（第3四半期単独で+84.6%、9か月累計で+113.9%）や、クラウド受注残の前年比成長率（+82%）、あるいは2025年通期の設備投資見通し（910億〜930億ドル）といった複数の90前後の指標がライブトークの中で混同・丸められたものと結論づけられます。
3.2 なぜ投資家はクラウドの好調だけでは満足せず「検索事業の証拠」を求めるのか
では、Google Cloudの四半期営業利益が84.6%も伸び、受注残が1,577億ドルも積み上がっているのに、なぜウォール街の投資家は「検索事業（Core Search Business）がAIによってより高収益になった証拠」を執拗に求めるのでしょうか。
Form 10-Qのセグメント別売上高とキャッシュフロー計算書を並べると、その理由が数字で浮かび上がります。
収益規模の圧倒的な非対称性（検索はクラウドの3.7倍）：
Google Search & other（検索およびその他広告）売上高：2025年第3四半期だけで565億6,700万ドル（前年同期493億8,500万ドルから+14.5%増）、9か月累計では1,614億5,900万ドルに達します。
YouTube広告（Q3売上高102億6,100万ドル）やGoogle Network（Q3売上高73億5,400万ドル）、サブスクリプション・端末等（Q3売上高128億7,000万ドル）を含めた「Google Services」セグメント全体では、第3四半期に870億5,200万ドルの売上高と335億2,700万ドルの営業利益を稼ぎ出しています。
つまり、Google Cloud（四半期売上151億5,700万ドル・営業利益35億9,400万ドル）がどれほど急成長しても、利益の絶対額ではGoogle Services（検索・広告）の約9分の1にすぎません。
9か月間で635億9,600万ドル（+66.2%）に膨張した設備投資の回収問題：
Form 10-Qの連結キャッシュフロー計算書を見ると、2025年1〜9月（9か月累計）の営業キャッシュフローは1,123億1,600万ドルである一方、有形固定資産の取得額（Purchases of property and equipment＝CapEx）は前年同期の382億5,900万ドルから635億9,600万ドルへと+253億3,700万ドル（+66.2%）も急増しています。
9か月間で253億ドル以上増えた設備投資に対して、同じ9か月間のGoogle Cloudの営業利益増加額は+45億7,800万ドル（40億1,900万ドル→85億9,700万ドル）です。クラウドの増益分だけでは、全社の設備投資増加分の5分の1弱しかカバーできません。
AI検索（AI Overviews / AI Mode）における限界利益率のジレンマ：
従来のキーワード検索は、インデックスからリンク一覧を返すだけなので1クエリあたりの計算コストが極めて低く、高い限界利益率を誇っていました。
しかし、検索結果の最上部に生成AIによる要約回答（AI OverviewsやAI Mode）を表示すると、1回の検索ごとに大規模モデルの推論コスト（GPU / TPUの電力と減価償却費）が発生します。もしユーザーがAIの要約だけを読んで満足し、広告リンクをクリックしなくなれば（Form 10-Qの重要指標であるPaid clicksの伸び悩み）、「検索1回あたりのコストは上がるのに、広告売上は増えない」という利益率の逆ざやが起きてしまいます。
だからこそ機関投資家は、「クラウドが成長しているのは素晴らしいが、全社売上の55%を占める検索事業において、AIがクエリ単価（Cost-per-click）や広告主のコンバージョン率を引き上げ、巨額の設備投資を上回る利益増を生んでいる証拠を示してほしい」と求めているのです。
第3章の要点：ニュースやポッドキャストで「Google Cloudが91%成長」と聞いたときは、必ずForm 10-Qに戻り、売上高成長率（+34%）と営業利益成長率（Q3 +84.6%／9か月 +113.9%）を切り分けてください。そしてアルファベット評価の本丸は、9か月で635億9,600万ドルに達した設備投資を、売上565億6,700万ドルの検索事業の収益性向上で正当化できるかどうかにあります。
4. クラウド一辺倒から「オンプレミス・ローカルAI」への揺り戻しを支える3層技術スタック
ここからは第4章として、Bloombergの番組後半でEd Ludlow氏が指摘した「世間はクラウドデータセンターの建設ばかりに注目しているが、実際の産業界の進行方向は逆であり、大小さまざまな企業が手元でAIを動かすためにオンプレミス（ローカル）で小規模データセンターを構築している」というトレンドの技術的背景を解剖します。
なぜ今、企業がクラウドAPI一辺倒からオンプレミス・ローカル推論へ回帰できるのか。それは「ハードウェア（広帯域ユニファイドメモリ）」「オープンウェイトモデル（MoEと高効率SLM）」「量子化・推論エンジン（4ビット圧縮とKVキャッシュ最適化）」という3つの技術レイヤーが同時に臨界点を超えたからです。各レイヤーの一次仕様と査読論文の数値を順に確認します。
4.1 第1層（ハードウェア）：なぜ「メモリ帯域幅」と「128GB統合メモリ」がローカル推論の鍵なのか
大規模言語モデル（LLM）が文章を1トークンずつ生成する「自己回帰デコード（Autoregressive Decoding）」の工程は、演算器の計算速度（FLOPS）ではなく、メモリからモデルの重みパラメータを読み出す速度（Memory Bandwidth：メモリ帯域幅）によって速度が決まる「メモリ帯域律速（Memory-bound）」の処理です。
これまでローカル環境で大規模モデルが動かせなかった最大の理由は、一般的なPCのCPUメモリ（DDR5等）は容量が大きくても帯域幅が毎秒数十GBと遅く、逆にコンシューマー向け単体GPU（VRAM 16GB〜24GB）は帯域幅が広くてもメモリ容量が足りず、700億〜2,000億パラメータのモデルが入りきらないという「容量と帯域の分断」にありました。この壁を突破したのが、CPUとGPUが広帯域な巨大メモリ空間を共有するユニファイドメモリ（統合メモリ）アーキテクチャです。
Apple M4 Max（Apple公式発表・2024年10月）
コア構成：最大16コアCPU（高性能コア12＋高効率コア4）、最大40コアGPU、16コアNeural Engine。
メモリ容量と帯域幅：最大128GBの高速ユニファイドメモリをサポートし、メモリ帯域幅は最大546GB/s（毎秒546ギガバイト）に到達。
AI PCチップとの比較と実行可能モデル規模：Appleの公式発表によれば、546GB/sという帯域幅は最新のAI PC向けNPUチップの4倍のメモリ帯域幅であり、開発者は約2,000億（200B）パラメータ規模の巨大言語モデルをノートブック（MacBook Pro）やデスクトップ（Mac Studio）の手元環境で直接対話実行できます。
NVIDIA DGX Spark（NVIDIA公式製品仕様）
搭載プロセッサ：Grace Blackwellアーキテクチャを採用した「NVIDIA GB10 Grace Blackwell Superchip」（第5世代Tensorコア搭載Blackwell GPU ＋ 20コアArm CPUを、PCIe第5世代の5倍の帯域を持つNVLink-C2Cで密結合）。
AI計算性能：FP4（4ビット浮動小数点）精度およびスパース性活用時に最大1ペタフロップス（1,000 TOPS / 1 petaFLOP）のAI性能を発揮。
メモリとモデル対応規模：128GBのコヒーレント・ユニファイドシステムメモリを搭載。デスク上に置けるコンパクトな筐体単独で最大2,000億（200B）パラメータのAIモデルのローカル推論・検証、および最大700億（70B）パラメータモデルのローカルファインチューニングに対応します。さらに内蔵のNVIDIA ConnectX-7（200GbEネットワーク）を使ってDGX Sparkを2台直結すれば、最大4,050億（405B）パラメータのモデル推論もオンプレミスで実行可能です。
4.2 第2層（オープンウェイトモデル）：MoE（疎な活性化）と高密度SLMの躍進
ハードウェアの128GBメモリ空間の上で動くモデル側でも、「すべてのパラメータを毎回計算する巨大モデル」から、「1トークンあたり一部のパラメータだけを動かすMixture-of-Experts（MoE）」および「小型でも前世代の大型機に匹敵する小規模言語モデル（SLM）」への転換が進んでいます。4本の一次技術レポート（arXiv論文）の確定仕様は以下の通りです。
DeepSeek-V3（arXiv:2412.19437 Technical Report）
モデル構造：総パラメータ数6,710億（671B）のMixture-of-Experts（MoE）言語モデルでありながら、1トークンの推論ごとに活性化されるパラメータはわずか370億（37B＝全体の約5.5%）のみ。
コア技術と学習効率：KVキャッシュを低ランク圧縮するMLA（Multi-head Latent Attention）と、補助損失なしで負荷分散を行うDeepSeekMoEを採用。14.8兆（14.8T）トークンの事前学習と事後学習を含め、わずか278万8,000 H800 GPU時間（約2.788M GPU hours）という極めて高い計算効率で訓練を完了し、クローズドなフロンティアモデルに匹敵する性能をオープンウェイトで実現しました。
Qwen3（arXiv:2505.09388 Technical Report）
モデル体系とライセンス：6億（0.6B）から2,350億（235B）パラメータまでの密モデル（Dense）およびMoEモデル群を、商用利用可能なApache 2.0ライセンスで公開（最上位のMoEモデルQwen3-235B-A22Bは総2,350億パラメータのうち活性化220億パラメータ）。
思考モード統合と多言語対応：複雑な多段階推論を行う「思考モード（Thinking mode）」と、高速な日常応答を行う「非思考モード（Non-thinking mode）」を単一モデルフレームワークに統合し、モデル切り替えなしで動的に推論トークン予算（Thinking budget）を制御可能。対応言語も前世代の29言語から119の言語・方言へ拡大しています。
Gemma 3（arXiv:2503.19786 Technical Report）
モデル体系：10億（1B）から270億（27B）パラメータまでの軽量オープンモデル群。画像理解（Vision）機能と最大12万8,000（128K）トークン以上の長文脈処理に対応。
KVキャッシュ削減設計：長文コンテキスト処理時に爆発しやすいKVキャッシュメモリを抑えるため、ローカル注意層（Local Attention）とグローバル注意層（Global Attention）の比率を5対1に高めるアーキテクチャ改変を導入し、ローカル注意のスパンを1,024トークンに維持。その結果、わずか40億パラメータの指示チューニング版「Gemma3-4B-IT」が前世代の約7倍のサイズである「Gemma2-27B-IT」に匹敵し、「Gemma3-27B-IT」はGemini-1.5-Proに匹敵する性能を達成しています。
Llama 3（arXiv:2407.21783 The Llama 3 Herd of Models）
モデル体系：Metaが公開した80億（8B）、700億（70B）、および4,050億（405B）パラメータの密モデル群。最大128Kトークンのコンテキストウィンドウと多言語・コーディング・ツール利用をネイティブにサポートし、企業のオンプレミス標準モデルの礎を築きました。
4.3 第3層（量子化と推論エンジン）：AWQ・vLLM・llama.cpp・Ollamaがメモリと速度の壁を破る
さらに、モデルの重みと推論時のKVキャッシュを劇的に圧縮・高速化するソフトウェア基盤が、ローカル推論の実用性を決定づけました。
AWQ：Activation-aware Weight Quantization（arXiv:2306.00978 / MLSys 2024最優秀論文）
仕組み：MITのJi Lin氏・Song Han氏らが開発した重みのみ（Weight-only）の4ビット整数量子化手法。モデルのすべての重みが等しく重要なのではなく、「入力の活性化（Activation）の大きさを基準に選んだ、わずか1%の顕著な重み（Salient weights）を保護・スケーリングするだけで量子化誤差が劇的に減る」ことを発見。誤差逆伝播や再学習に頼らないため、特定ドメインへの過学習を起こせず汎化性能を維持します。
実測性能：論文で開発された推論フレームワーク「TinyChat」は、量子化で削減されたメモリアクセス量をハードウェア効率へ変換し、デスクトップおよびモバイルGPU上でFP16（16ビット浮動小数点）比で3倍以上の推論高速化を達成。モバイルGPU上で700億パラメータのLlama-2モデルのオンデバイス稼働を実証しました。
vLLM & PagedAttention（arXiv:2309.06180）
仕組み：UC BerkeleyのWoosuk Kwon氏らが開発。従来のLLM配信システムでは、リクエストごとに長さが動的に変わるKVキャッシュを連続したメモリ領域に確保していたため、内部・外部のメモリ断片化でGPUメモリの大部分が浪費されていました。vLLMはオペレーティングシステム（OS）の仮想メモリとページングの仕組みに着想を得た「PagedAttention」を導入し、KVキャッシュを非連続なメモリ空間にブロック単位で柔軟に配置・共有可能にしました。
実測性能：KVキャッシュメモリの無駄（Waste）をほぼゼロ（4%未満）に削減し、同一レイテンシ条件で既存の最先端システムと比較してスループットを2倍〜4倍に向上させました。社内オンプレミスサーバーで複数社員からのリクエストを同時バッチ処理する際の標準エンジンとなっています。
llama.cpp（GitHub: ggml-org/llama.cpp）とOllama（GitHub: ollama/ollama）
llama.cpp：外部ライブラリへの依存がない純粋なC/C++実装のローカル推論エンジン。独自バイナリ形式（GGUF）と1.5ビット、2ビット、3ビット、4ビット、5ビット、6ビット、8ビットの整数量子化に対応し、Apple Silicon（ARM NEON・Accelerate・Metalフレームワーク）をファーストクラスで最適化。さらにVRAM容量を超える巨大モデルをCPUとGPUにまたがって動かす「CPU+GPUハイブリッド推論」を備えています。
Ollama：この量子化モデル群をDockerのような単一コマンドとローカルREST API（localhost:11434）として包み込み、既存の社内システムやエディタからクラウドAPIと全く同じインターフェースでローカルLLMを呼び出せるようにした実行基盤です。
第4章の要点：たとえば700億（70B）パラメータのモデルをそのままFP16（1パラメータ＝2バイト）で動かそうとすれば140GBのメモリが必要ですが、AWQやGGUFで4ビット（1パラメータ＝約0.5バイト）に量子化すればモデル重みは約35GB〜40GBに収まります。128GBのユニファイドメモリを持つApple M4 MaxやNVIDIA DGX Sparkであれば、残りの約88GB以上のメモリ空間をPagedAttentionによる長文KVキャッシュや複数エージェントの同時実行に余裕をもって割り当てられるため、クラウドAPIに課金せずとも自社内で高速なAI基盤が成立するのです。
5. 【私なりの解釈】「CapExからOpExへの玉突き転嫁」と、個人環境でのAPI課金失敗談から得た教訓
ここまでの17件の一次資料を統合すると、現在のAI業界で起きている変化は、次の3つの構造的な連鎖として整理できます。
5.1 第1の核心：ハイパースケーラーのFCF防衛が招く「クラウド・SaaS価格への玉突き転嫁」
マイクロソフトが年間645億5,100万ドル、アルファベットが9か月間で635億9,600万ドル、メタが2025年通期で722億2,000万ドル（2026年計画は最大1,350億ドル）、オラクルが年間212億1,500万ドルの設備投資を投じている以上、各社はウォール街に対して「この設備投資がフリーキャッシュフローの増加として回収できている証拠」を四半期ごとに示さなければなりません。
その回収手段は大きく2つしかありません。1つは自社の営業・管理部門（OpEx）の人員やコストを絞り込むこと。そしてもう1つは、法人顧客向けのクラウドインフラ利用料やSaaSのAIアドオン（CopilotやGemini Workspace等のライセンス単価・API従量課金）を引き上げて、ユーザー企業側から現金を回収することです。つまり、ユーザー企業が「何も考えずにすべての社内業務を単一クラウドのAIオプションへ丸投げする」ことは、ハイパースケーラーの数十兆円規模の減価償却費を自社の運営費（OpEx）としてそのまま肩代わりすることを意味します。
5.2 第2の核心：個人作業での「一晩で月間API予算上限に到達した失敗」とローカル併用への転換
この「すべてを外部の従量課金APIに投げる危うさ」について、私自身も自宅のパソコンでの個人作業で痛感した苦い経験があります。
以前、週末に自宅のMacで、自分が長年書き溜めてきた数千ページ分の技術メモや公開されている英語の調査レポートを一括で要約・タグ付けし、手元で検索できる個人用ナレッジベースを作ろうとしたことがありました。当時の私は「とにかく一番性能が高いクラウドの最上位APIモデルに全部投げれば一番きれいに整理できるはずだ」と考え、前処理も仕分けもせず、フォルダ内のテキストをループ処理で次々とクラウドAPIへ送るスクリプトを書いて実行したのです。
ところが、文字起こしの誤字修正や定型的なキーワード抽出といった単純作業まで、すべて100万トークンあたり数十ドルする最上位モデルで回し続けた結果、まだ半分も処理が終わらないうちに、わずか一晩で個人アカウントに設定していた月間のAPI利用上限額に達してスクリプトが強制停止してしまいました。しかも、外部APIのレート制限（通信待ち）に引っかかるため、処理速度も思ったほど出ませんでした。
そこで翌週、やり方を根本から変えました。手元のMacのユニファイドメモリ上でOllamaと4ビット量子化のオープンモデル（QwenやGemmaクラスの軽量モデル）を立ち上げ、「第1段階のテキスト整形・章ごとの分割・定型タグ付け（全体の約85%のトークン量）はすべて手元のローカルモデルで無料・高速に処理し、最後の第2段階である『複数資料を横断した矛盾点の抽出と深い考察（残り約15%）』だけをクラウドの上位APIへ送る」という2段構えに書き換えたのです。すると、APIの課金コストが10分の1以下に激減しただけでなく、外部通信の待ち時間がなくなったことで全体の完了時間まで短縮されました。
この個人のパソコン作業で起きたことは、そのまま数百人・数千人規模の企業が直面しているクラウドAIコストの問題と同じ構造です。
5.3 第3の核心：「クラウド学習・難問推論」×「オンプレミス定常推論」のハイブリッド分業
もちろん、ローカルAIが進化したからといって「クラウドが不要になる」わけではありません。DeepSeek-V3の事前学習に14.8兆トークンと278万8,000 H800 GPU時間が必要だったように、フロンティアモデルの事前学習や、世界規模のリアルタイム検索、数十万トークンを横断する超高難度の数理・戦略推論には、引き続きハイパースケーラーの巨大計算クラスタが不可欠です。
しかし、企業の日常業務で発生するAI処理の7〜8割は、「社内規程や過去議事録の検索・要約」「定型フォーマットへのデータ抽出」「機密コードの一次レビューや補完」といった、社外に出したくないデータを大量・定常的に回す処理です。これらはクラウドの従量課金APIで回すよりも、128GBメモリを備えたワークステーションや社内サーバー室の小規模クラスタ（M4 MaxやDGX Spark＋vLLM / AWQ＋Qwen3 / Gemma 3）で固定費として内製化する方が、セキュリティ（データ主権）とフリーキャッシュフローの双方で圧倒的に優位に立ちます。
6. 実務手順：明日から現場で実行する「ハイブリッドAIインフラ設計」3つのステップ
では、明日から自社の開発現場やIT投資判断で具体的に何から着手すべきか。必要な前提条件、手順、確認方法、および適用しない条件を3つのステップで示します。
ステップ1：社内AIワークロードの「トークン消費量×機密レベル」棚卸し（所要期間：1〜2週間）
着手条件：現在利用しているクラウドAI API（OpenAI、Azure OpenAI、Google Cloud Vertex AI、AWS Bedrock等）およびSaaS AIオプションの月次請求明細と用途一覧があること。
具体的な手順：
1. 社内のAI利用用途を「①外部公開データを使う高難度推論（市場分析・新規アーキテクチャ設計など）」「②社内機密データを使う定常処理（議事録要約・社内FAQ・ログ分類・コード補完）」「③単純な定型変換（JSON整形・翻訳下処理・タグ付け）」の3つに分類します。
2. 各分類の月間トークン消費量とAPI課金額を集計します。
確認方法：月間のAPI・ライセンス費用のうち、「②機密データの定常処理」と「③単純な定型変換」が全体の何割を占めているかを算出します（多くの現場では60%〜80%をこの2つが占めます）。
ステップ2：128GBユニファイドメモリ機とオープンモデルによるローカル推論PoC（所要期間：2〜4週間）
着手条件：ステップ1で抽出した「②・③」の業務について、正解データ（期待する出力例）を50〜100件用意できること。
具体的な手順：
1. 検証機として、Apple M4 Max（128GBメモリ搭載MacBook Pro / Mac Studio）またはNVIDIA DGX Spark（128GBメモリ搭載）を1台用意します（初期ハードウェア費用は約60万〜80万円規模）。
2. ローカル開発用途ではOllamaまたはllama.cpp、複数人の社内共有API用途ではvLLM（PagedAttention有効化）＋AWQ 4bit量子化モデルを構築します。
3. モデルにはApache 2.0ライセンスのQwen3（30B-A3B MoEまたは32B Dense）、画像・長文対応のGemma 3（27B）、またはLlama 3（70B 4bit量子化）を配置し、ステップ1の定型業務50〜100件を実行して、クラウドAPIとの精度差・応答速度（Tokens/sec）を比較します。
確認方法と採否基準：
精度が業務許容水準（たとえば人間による手直し率がクラウドAPIと同等）であり、かつ月間のクラウドAPI削減額がハードウェア償却費（36か月均等償却で月額約1.7万〜2.2万円＋電気代）を上回る場合は、オンプレミス・ローカル推論へ移行します。
失敗時の対応と適用しない条件：
もし4ビット量子化モデルでハルシネーションや指示追従の崩れが発生する場合は、無理にすべてをローカル化せず、「Qwen3の思考モード（Thinking mode）を有効にして推論トークンを増やす」か、「ローカルモデルには個人情報・固有名詞のマスキングと一次要約だけを任せ、最終推論はクラウドAPIへ渡す」ハイブリッド構成に切り替えます。
24時間365日の厳格なハードウェア保守（死活監視・冗長電源）を担当できるインフラ要員が社内に1人もいない場合は、無理に物理サーバーを自前運用せず、クラウド上の専有インスタンスやVPC内エンドポイントを選択してください。
ステップ3：ベンダー決算の「FCF・RPO監査」とマルチモデル抽象化によるロックイン回避
具体的な手順：
1. 自社が基幹業務で依存しているクラウド・AIベンダーの四半期決算（Form 10-Q / 10-K）において、売上成長率だけでなく「営業キャッシュフロー － 設備投資 ＝ フリーキャッシュフロー」の推移と、受注残（RPO / Backlog）の消化状況を確認します。
2. アプリケーション側のAI呼び出しコードを特定のクラウドSDKに直書きせず、OpenAI互換の標準RESTエンドポイント（vLLMやOllama、各社クラウドが共通対応する形式）で抽象化します。
確認方法：設定ファイルのエンドポイントURLとモデル名を1行書き換えるだけで、クラウドAPI（Google Cloud / Azure / AWS）と社内オンプレミス（vLLM / Ollama）をいつでも切り替えられる状態になっているかをテストします。
7. よくある疑問と誤解（FAQ）
疑問1：「Microsoftの6万人バイアウトや26.9%削減というのは、すでに決定したリストラなのですか？」
回答：いいえ、SECのForm 10-KやForm 8-Kで「6万人を一斉削減する」と公式決定された事実はありません。2025年6月末時点のマイクロソフトの常勤従業員数約22万8,000人のうち、営業・マーケティング部門（4万7,000人）と一般管理部門（1万1,000人）の合計が5万8,000人（全体の25.4%）であり、北米等で実施された自発的退職プログラム（ボランタリー・バイアウト）の対象枠や非開発部門のコスト引き締め規模として、ポッドキャスト番組内で比喩的・試算的に語られた数字です。
疑問2：「Google Cloudの売上高は本当に前年比91%も成長しているのですか？」
回答：Form 10-Qにおける2025年第3四半期のGoogle Cloudの売上高成長率は前年同期比+34%（113億5,300万ドル→151億5,700万ドル）です。番組内で言及された「90%超／91%」という数字は、売上高ではなくGoogle Cloudの営業利益の急成長（第3四半期で前年同期比+84.6%の35億9,400万ドル、9か月累計で+113.9%の85億9,700万ドル）や、クラウド受注残（約1,550億〜1,577億ドル）の前年比拡大ペースに対応しています。
疑問3：「4ビットに量子化したローカルモデル（AWQやGGUF）を使うと、AIの頭が極端に悪くなりませんか？」
回答：単純にすべての重みを均等に丸めると精度が落ちますが、arXiv:2306.00978（AWQ論文）が実証した通り、活性化が大きい「上位1%の重要な重み」を保護してスケーリングすることで、FP16（16ビット）とほぼ同等の精度を保ったままメモリ使用量を4分の1に圧縮し、推論速度を3倍以上に高めることができます。ただし、最新の時事知識や超難関の数理証明には不向きなため、社内文書の要約・抽出・分類といった定常業務に絞って適用するのが鉄則です。
8. 関連する深掘り記事のご案内
今回の「ビッグテックの設備投資・フリーキャッシュフロー規律とインフラ戦略」に関連して、当noteで公開している以下の深掘り記事もあわせてご覧いただくと、AIインフラの財務リスクと企業防衛の全体像がより深く繋がります。
1. なぜAIコードの65%に欠陥が出るのか？Oracle×OpenAI対談が隠した3つの不都合な真実
本稿の第2章で取り上げたオラクルの設備投資急増とフリーキャッシュフロー赤字が、その後2026年後半の「OpenAIとの3,000億ドル契約集中」や「独自推論チップJalapeno・市民開発統制」へどう展開したかを24件の資料で検証しています。
2. なぜAI導入企業の74%で「野良AI」が暴走するのか？MCP・RAG汚染の仕組みと4つの防衛策
社内データを外部クラウドへ無統制に接続した際に発生する「シャドーAI」やRAG知識庫の汚染リスクと、オンプレミス・境界統制を含めた具体的な技術防衛策を解説しています。
3. 東京は研究職ゼロ？OpenAIとAnthropicの日本求人が暴く実装力と年収6000万の条件
ハイパースケーラーとAIラボが巨額のインフラ投資を回収するために、日本市場でどのようなエンジニア（Forward Deployed Engineer等）を採用し、法人導入を進めているかを一次求人票から解剖しています。
9. 一次資料・出典リンク一覧（全17件）
本記事の執筆・ファクトチェックにおいて照合したSEC法定開示書類、公式決算リリース、製品仕様書、およびarXiv査読論文は以下の通りです（すべて2026年10月29日確認）。
ビッグテック各社のSEC提出書類（Form 10-K / 10-Q）・公式決算発表
2. US SEC EDGAR: Alphabet Inc. Form 10-Q for the Quarterly Period Ended September 30, 2025
4. Apple Newsroom: Apple Reports Fourth Quarter Results (FY2025)
5. NVIDIA Newsroom: NVIDIA Announces Financial Results for Fourth Quarter and Fiscal 2026
6. Meta Investor Relations: Meta Reports Fourth Quarter and Full Year 2025 Results
7. Amazon Investor Relations: Amazon.com Announces Fourth Quarter Results (2025)
ローカルAI・オンプレミス推論を支えるハードウェア・量子化・推論エンジン・オープンモデル論文
8. Apple Newsroom: Apple Introduces M4 Pro and M4 Max (128GB Unified Memory & 546GB/s Bandwidth)
9. NVIDIA Official Product Page: NVIDIA DGX Spark (GB10 Grace Blackwell Superchip)
12. arXiv:2412.19437 DeepSeek-V3 Technical Report (671B Total / 37B Activated MoE)
13. arXiv:2505.09388 Qwen3 Technical Report (0.6B to 235B Dense & MoE, Unified Thinking Mode)
14. arXiv:2503.19786 Gemma 3 Technical Report (1B to 27B Multimodal Open Models)
15. arXiv:2407.21783 The Llama 3 Herd of Models (8B / 70B / 405B Foundation Models)
16. GitHub: ollama/ollama Official Repository
17. GitHub: ggml-org/llama.cpp Official Repository
書き手の自己紹介とチャンネルのご案内
普段は企業の経営企画や技術戦略の現場で、海外の一次資料や法定開示書類（Form 10-K / 10-Q）、査読論文を分析し、事業判断へ落とし込む仕事をしています。YouTubeチャンネル「コンサルオジ」とこのnoteでは、表面的なニュース見出しだけでは見えてこない「一次資料の裏側にある構造」を1テーマずつ深掘りしています。
なぜこの発信を続けているのか、どのような視点で資料を検証しているのかについては、こちらの固定自己紹介記事にまとめていますので、よろしければあわせてご覧ください。
https://note.com/consuloji_ch/n/n1975ecc3cf48
