計算資源のボトルネック：2026年、AI動画生成がいまだに高価な理由

数か月に一度、決まって同じ問いが投げかけられる。テキスト生成のコストは誤差の範囲と言えるほど安くなり、画像生成もそれに続いた。ならばなぜ、10秒のAI動画クリップにはいまだに実際のお金がかかるのか、と。答えはベンダーが利益率を守るための陰謀などではない。単純な算数の問題だ。動画生成は、テキストや画像とはコストカーブ上でまったく異なる位置に立っている。それは拡散モデルとトランスフォーマーが実際にどう動作するかに根ざした理由によるものであり、さらに2026年半ば時点で本物のキャパシティ不足に陥っているハードウェアのサプライチェーンがそれに拍車をかけている。この両方の事情を理解して初めて、主要ラボが提示する秒あたりの動画料金——1セントの何分の一ではなく数十セント単位——が、ローンチ期特有の一時的なプレミアムではないことが見えてくる。それはむしろ、ゆっくりとしか下がらないコストの床に近い。

FLOPsで見る桁違いの差

まず、1回の生成が実際にどれだけの浮動小数点演算(FLOPs)を消費するかから見ていこう。拡散モデルパイプラインを対象とした学術的なFLOPs分析では、1枚の画像生成呼び出しにおけるデノイズ1ステップあたりの計算量はおよそ10GFLOPs、収束までの典型的なステップ数は20〜50とされる——つまり1枚の完成画像あたり合計で10²〜10³GFLOPsのオーダーだ。これに対して動画拡散モデルを分析すると、1回の動画生成呼び出しは桁違いに高く、よく引用されるFLOPs比較では画像1枚の実に約10,000倍という数字が挙がる。直感的に予想しがちな10倍や100倍どころではない。この差は誤差の範囲などではなく、コンシューマー向けGPUが1秒足らずで処理できるリクエストと、データセンター級アクセラレータを数分間占有するリクエストとの違いそのものだ。

この差を生む要因は2つあり、互いに置き換わるものではなく積み重なるものだという点が重要だ。1つ目は単純なフレーム数。秒間24フレームの5秒クリップは120枚の個別画像であり、それぞれが独自のデノイズパスを必要とする。動画特有の要素が何もなくても、これだけで2桁分の掛け算になる。2つ目、そしてしばしば過小評価されているのが時間的一貫性(temporal consistency)だ。各フレームを独立に生成してつなぎ合わせる素朴な手法もあり得るが、それは初期のAI動画を特徴づけたチラつきや顔が溶けるようなアーティファクトを生む。現代のモデルは代わりに時間軸方向にもアテンション機構を走らせ、隣接フレームの情報を参照しながら各フレームを生成することで顔や物体、照明の一貫性を保つ——そしてアテンションは系列長に対して線形以上に悪化するスケーリングを持つ。より多くのフレームを1つの一貫した生成にまとめることは、フレーム数に比例した計算量が増えるだけでなく、それらすべてのフレーム間の関係性を処理する計算量まで増やすことになる。

それをドルに換算すると

FLOPsをGPU時間に翻訳すると、数字は一気に具体性を帯びる。NVIDIAのH100やH200のようなデータセンター級アクセラレータは、2026年時点のスポット/卸売クラウド容量では時間あたりおよそ1〜3ドルでレンタルでき、一部の大手ハイパースケーラーのオンデマンド料金では時間あたり12ドル近くまで上がる。スポット価格の場合、H100クラスのカードで30秒のクリップを生成するには専用計算資源で4〜6分程度かかり、生の計算コストだけを見れば完成動画1秒あたり1桁台のセント——消費者が目にする価格とは程遠い水準になる。この生の計算コストと表示価格との差自体が示唆的だ。主要動画ラボの公開API料金——Soraの標準720p出力で1秒あたり約0.10ドル、Klingのクレジット制プランは8〜10ドルのエントリー層から従量無制限の128ドルUltra層までスケールし、Runwayは秒課金ではなくサブスクリプションクレジット制を採る——はいずれも、秒あたりの限界ハードウェアコストを大きく上回る。この差は純粋な利益率ではない。他のどのテキストモデルよりも小さいインストールベースに償却される研究開発費、有料ユーザーの画面に届かない失敗・再試行生成、そして今や標準装備となりつつある必須のアップスケーリング/エンハンス処理をカバーしている——業界の推定では、稼働中の動画エンドポイントの大多数がすでにデフォルトで何らかの生成後アップスケーリングを走らせており、これがほとんどのユーザーには明細に載らない第2の計算集約的なステージを追加している。

解像度はこれをさらに増幅させる。同じハードウェアで出力解像度を2倍にすると、レンダリング時間もおおむね2倍になる。Kling 3.0のようなモデルで実現している2026年の新機能である4K動画生成が、多くの無料/エントリープランがデフォルトとする720p層より明らかに時間がかかり、明らかに高くつくのはそのためだ。これらの階層設定は恣意的なものではなく、アクセラレータが映像1秒あたりに実際に計算しなければならないピクセル数にかなり直接的に対応している。

供給側の事情:アルゴリズムだけでなくGPUと電力の問題

仮にすべての動画ラボがフレームあたりの計算量を削減する方法を見つけたとしても、2026年の動画生成市場はもう1つの、まったく別の制約に直面し続けることになる——今日の価格帯で需要を満たすだけのデータセンター級GPUと電力キャパシティが、そもそも足りていないのだ。理論上もっと安い価格を実現するのに必要な分など、なおさら足りない。データセンター向けGPUのリードタイムは今年に入って36〜52週間まで伸び、ハイエンド帯では需要が供給を本物の意味で上回っている——中国の買い手だけでH200クラスのチップを200万個超発注しているという報道は、世界の手持ち在庫が数十万個規模にとどまることを考えれば、このミスマッチの規模を物語っている。NVIDIAのロードマップはHopper世代からBlackwell世代へと進んでいるが、新しいアーキテクチャ世代が供給を有意に緩和できるだけの量産水準に達するには何年もかかる。しかも動画拡散モデルはメモリ帯域幅に強く依存する性質を持つ(動画生成は生のFLOPs以上に高帯域幅メモリのスループットに支えられており、これが広いメモリバスを持つH100/H200クラスのカードが安価な代替品を不釣り合いなほど上回る理由の一端でもある)ため、動画ラボが必要とする特定のチップこそが、まさに最も供給が逼迫しているチップなのだ。

2026年になって新たに顕在化し、チップ不足以上に長期化しそうなボトルネックが電力だ。アナリストは今や、AIインフラの制約要因をGPU不足ではなく電力不足だと表現するようになっている。Gartnerは2027年までにAIデータセンターの約40%が電力制約に直面すると予測しており、新規データセンター容量を稼働させるために必要な高圧トランスや配電盤のリードタイムは、市場によっては12〜18か月から最大36〜48か月にまで伸びている。GPUは、それを大規模に稼働させるための地域電力網をアップグレードする速度よりも速く製造できてしまう。このミスマッチが意味するのは、動画生成のキャパシティ——テキストや画像生成より多くの出力あたりGPU時間を必要とするぶん、より多くの出力あたり電力を必要とする——が、チップ生産ほどの速度では拡大していない電力インフラの奪い合いに参戦しているということだ。

なぜテキスト生成並みの価格にはすぐに収束しないのか

動画の価格設定も、テキストや画像生成がすでに歩んだ道――ローンチ時は高価で、その後数年でモデルが効率化しハードウェアが安くなるにつれてコモディティ化していく――を単純になぞるだろうと考えたくなる。実際、その一部は起きるだろう。デノイズステップを数十から一桁台に削る蒸留技術、より効率的な時間軸アテンションのアーキテクチャ、類似フレーム間で計算を再利用する賢いキャッシュ戦略はいずれも活発な研究分野であり、それぞれの小さな進歩が秒あたりコストを着実に押し下げる。しかし動画生成が追いかけている目標は固定されていない――フレームあたりの計算コストが下がれば下がるほど、ユーザーは解像度、クリップの長さ、フレームレート、マルチショットの複雑さを押し上げ、その節約分を吸収してしまう。これは画像モデルにおいて、フォトリアリズムの向上が効率化の恩恵を価格低下ではなく品質向上に食いつぶしたのとまったく同じ構図だ。そこに電力とチップの供給制約を重ねれば、今後1〜2年の現実的な見通しは「動画がテキスト並みに安くなる」ではなく、秒あたりコストがじわじわと下がり続けるというものになる。それを決めるのは各社のアルゴリズム上の巧妙さよりも、業界全体を支える物理インフラをどれだけ速く構築できるかにかかっている。