昨晩Metaの1日での急騰は11%超。インテルとAMDはそれぞれ約12%と10%上昇した。そのきっかけは、Metaの個人向けAIエージェント製品「Muse」が好調で、人気が持続していることだ。この件は語る価値がある。なぜなら、AI「計算（算力）」の根本ロジックを書き換えつつある可能性があるからだ。
一、Museは一体何を変えたのか
市場にある大半の消費者向けAIは、本質的には依然として“質問応答”ツールだ。文章を入力し、モデルが推論して結果を返したらそこで任務は終了。MuseはAIをチャット画面から実際の作業フローへ引き込む。つまり、目標を渡すと、手順を分解し、サイトにログインし、外部サービスを呼び出し、ページの状態を読み取り、次の一手を決める。支払い、メール送信、予定の変更などが必要になると、ユーザーの許可を取りに自分から動き、終えたらタスクが完了したかどうかをさらに確認する。
閉ループ（循環）は次の通りだ：目標を理解→計画を立てる→ツールを呼び出す→結果を観察→計画を調整→実行を継続。
従来のAIの“仕事の単位”は「1回の会話」。エージェントの“仕事の単位”は「1つの完全なタスク」。Metaはさらに、クラウド側で持続的に動く実行環境も用意している。アプリを閉じても裏で動き続ける。つまり競争の軸は、基盤モデルだけではなく、配信（ディストリビューション）入口、ユーザーデータ、そしてビジネス・エコシステムも含めて見られるようになる。Metaは膨大なユーザーの入口を握っている。いったんMuseがメール、日程、購買習慣、タスク履歴を蓄積すれば、移行コストは途方もなく高くなる。移すのはチャット履歴ではなく、まるごとの“働き方”だ。
二、なぜ今回の牽引役はCPUだったのか
過去数年、AIインフラの主戦場はGPUだった。しかし、エージェントがワークフローに入ってくると、計算構造が変わる。GPUは「考える」（目標の理解、計画の生成、ページの認識）。一方で、実際に「行う」部分――システムの実行、仮想マシンの起動、APIの呼び出し、権限の管理、タスク状態の保存――はCPUと従来型サーバーに全て乗る。
チャット型モデルの流れは、入力→推論→出力→リソース解放。エージェントの流れは、推論→CPU実行→外部応答を待つ→状態を再読み取り→再推論→再実行。長いタスクでは、そのループが何十回、何百回にも及ぶ。ブラウザ、仮想マシン、メモリ、タスク状態は継続的にオンラインである必要がある。AIの算力需要は「1トークン生成」から「タスクを完了させるための全システムリソースの実行」へと拡張される。
Museが数十億ユーザーに開放され、仮にそのうちごく一部でも同時にエージェントを走らせるだけで、莫大な数の仮想マシン、ブラウザプロセス、API呼び出しが生まれる。個人エージェントがメール、決済、アカウント権限に触れる場合、すべての人のタスクを同じ環境に詰め込むわけにはいかない。安全な隔離を強調するほど、各ユーザーに独立したリソースを割り当てる必要が高まる。エージェント時代のCPU需要は、次の3つの線から生まれる：並列数の増加、タスク時間の延長、安全隔離の強化。これが市場が改めてマルチコアサーバーCPUに注目する理由でもある。さらに、将来CPUコア需要が倍増し、CPUとGPUの比率が1:1に近づくという見方さえある。
一言で観察フレームをまとめると：推論コストが下がると、AIのボトルネックは「モデルが考えられるか」から「バックグラウンドで十分に低コストで並列実行できるか」へ移る。
三、算力需要はどう利益に変わるのか
需要は利益ではない。重要なのはMuseのユニット経済モデルだ。無料版に加えて、月20ドルと月100ドルの2段階サブスクがあり、将来は企業向けエージェント、開発者向けインターフェース、取引コミッションでも収益化できる。Museは実際の消費意図を識別でき、単一ユーザーの価値は理論上、従来の広告クリックより高い。ある機関の試算では、将来の収入が100億ドルを超える可能性もある。
ただし、エージェントのコスト構造は違う。ユーザーに仮想マシンを動かし、メモリを占有させ、ネットワークを使い、モデルを呼び出す必要がある。使えば使うほど、バックエンドのコストが高くなる。2段階サブスクも本質的にはリソース管理――タスク量の上限、呼び出し回数の上限、バックエンド稼働時間の上限――に他ならない。固定サブスクより、取引コミッションのほうがエージェントのコスト構造によりフィットする。
一方で、取引型の収益化はプラットフォーム間の衝突を引き起こしやすい。アマゾンは既にMuseを自社のアプリ内での買い物に使うことを遮断している。エージェントがユーザーに代わって検索や注文を行ってしまうと、ユーザーはレコメンドページや広告をスキップするからだ。サードパーティのプラットフォームはおそらく次の3ルートのいずれかに進む。インターフェースを開放して課金する、取引分配（レベニューシェア）を要求する、または未許可のアクセスを封じる。どのルートでも、Museのサービス範囲と利益率は圧縮される。
四、この伝導チェーンを読み解く
Metaにとって：Museは、AIの資本的支出が消費者向けの収益に転換できるかどうかの重要な試金石だ。ダウンロード数が配信を示し、完了率が価値を決め、継続課金（留保付与＝留まって払う）で収入が決まり、1タスクあたりのコストが利益を決める。
インテルにとって：GPUは“考える”役を担い、CPUは“実行する”役を担う。消費者向けエージェントが大規模に展開されれば、サーバーCPUは補助部品から、並列規模や稼働コストを左右する重要な要素になり得る。
伝導チェーン全体：消費者向けエージェントがユーザーを獲得→タスクが質問応答から継続実行へ移行→仮想マシン、ブラウザ、ツール呼び出しが急増→CPU、メモリ、ネットワーク需要が上昇→インフラコストが増大→サブスクと取引収入でユニット経済性を検証→最終的にチップ需要がサプライヤーの利益へ転化。
結局、GPUはエージェントがきちんと考えられるかを決め、CPUとシステム基盤は、十分に多くの人の代わりに同時に仕事をやり切れるかを決める。そして最終的な資本回収（リターン）は、1回のタスク完了で稼げる金額が、実行チェーン全体のコストを上回れるかどうかにかかっている。
一、Museは一体何を変えたのか
市場にある大半の消費者向けAIは、本質的には依然として“質問応答”ツールだ。文章を入力し、モデルが推論して結果を返したらそこで任務は終了。MuseはAIをチャット画面から実際の作業フローへ引き込む。つまり、目標を渡すと、手順を分解し、サイトにログインし、外部サービスを呼び出し、ページの状態を読み取り、次の一手を決める。支払い、メール送信、予定の変更などが必要になると、ユーザーの許可を取りに自分から動き、終えたらタスクが完了したかどうかをさらに確認する。
閉ループ（循環）は次の通りだ：目標を理解→計画を立てる→ツールを呼び出す→結果を観察→計画を調整→実行を継続。
従来のAIの“仕事の単位”は「1回の会話」。エージェントの“仕事の単位”は「1つの完全なタスク」。Metaはさらに、クラウド側で持続的に動く実行環境も用意している。アプリを閉じても裏で動き続ける。つまり競争の軸は、基盤モデルだけではなく、配信（ディストリビューション）入口、ユーザーデータ、そしてビジネス・エコシステムも含めて見られるようになる。Metaは膨大なユーザーの入口を握っている。いったんMuseがメール、日程、購買習慣、タスク履歴を蓄積すれば、移行コストは途方もなく高くなる。移すのはチャット履歴ではなく、まるごとの“働き方”だ。
二、なぜ今回の牽引役はCPUだったのか
過去数年、AIインフラの主戦場はGPUだった。しかし、エージェントがワークフローに入ってくると、計算構造が変わる。GPUは「考える」（目標の理解、計画の生成、ページの認識）。一方で、実際に「行う」部分――システムの実行、仮想マシンの起動、APIの呼び出し、権限の管理、タスク状態の保存――はCPUと従来型サーバーに全て乗る。
チャット型モデルの流れは、入力→推論→出力→リソース解放。エージェントの流れは、推論→CPU実行→外部応答を待つ→状態を再読み取り→再推論→再実行。長いタスクでは、そのループが何十回、何百回にも及ぶ。ブラウザ、仮想マシン、メモリ、タスク状態は継続的にオンラインである必要がある。AIの算力需要は「1トークン生成」から「タスクを完了させるための全システムリソースの実行」へと拡張される。
Museが数十億ユーザーに開放され、仮にそのうちごく一部でも同時にエージェントを走らせるだけで、莫大な数の仮想マシン、ブラウザプロセス、API呼び出しが生まれる。個人エージェントがメール、決済、アカウント権限に触れる場合、すべての人のタスクを同じ環境に詰め込むわけにはいかない。安全な隔離を強調するほど、各ユーザーに独立したリソースを割り当てる必要が高まる。エージェント時代のCPU需要は、次の3つの線から生まれる：並列数の増加、タスク時間の延長、安全隔離の強化。これが市場が改めてマルチコアサーバーCPUに注目する理由でもある。さらに、将来CPUコア需要が倍増し、CPUとGPUの比率が1:1に近づくという見方さえある。
一言で観察フレームをまとめると：推論コストが下がると、AIのボトルネックは「モデルが考えられるか」から「バックグラウンドで十分に低コストで並列実行できるか」へ移る。
三、算力需要はどう利益に変わるのか
需要は利益ではない。重要なのはMuseのユニット経済モデルだ。無料版に加えて、月20ドルと月100ドルの2段階サブスクがあり、将来は企業向けエージェント、開発者向けインターフェース、取引コミッションでも収益化できる。Museは実際の消費意図を識別でき、単一ユーザーの価値は理論上、従来の広告クリックより高い。ある機関の試算では、将来の収入が100億ドルを超える可能性もある。
ただし、エージェントのコスト構造は違う。ユーザーに仮想マシンを動かし、メモリを占有させ、ネットワークを使い、モデルを呼び出す必要がある。使えば使うほど、バックエンドのコストが高くなる。2段階サブスクも本質的にはリソース管理――タスク量の上限、呼び出し回数の上限、バックエンド稼働時間の上限――に他ならない。固定サブスクより、取引コミッションのほうがエージェントのコスト構造によりフィットする。
一方で、取引型の収益化はプラットフォーム間の衝突を引き起こしやすい。アマゾンは既にMuseを自社のアプリ内での買い物に使うことを遮断している。エージェントがユーザーに代わって検索や注文を行ってしまうと、ユーザーはレコメンドページや広告をスキップするからだ。サードパーティのプラットフォームはおそらく次の3ルートのいずれかに進む。インターフェースを開放して課金する、取引分配（レベニューシェア）を要求する、または未許可のアクセスを封じる。どのルートでも、Museのサービス範囲と利益率は圧縮される。
四、この伝導チェーンを読み解く
Metaにとって：Museは、AIの資本的支出が消費者向けの収益に転換できるかどうかの重要な試金石だ。ダウンロード数が配信を示し、完了率が価値を決め、継続課金（留保付与＝留まって払う）で収入が決まり、1タスクあたりのコストが利益を決める。
インテルにとって：GPUは“考える”役を担い、CPUは“実行する”役を担う。消費者向けエージェントが大規模に展開されれば、サーバーCPUは補助部品から、並列規模や稼働コストを左右する重要な要素になり得る。
伝導チェーン全体：消費者向けエージェントがユーザーを獲得→タスクが質問応答から継続実行へ移行→仮想マシン、ブラウザ、ツール呼び出しが急増→CPU、メモリ、ネットワーク需要が上昇→インフラコストが増大→サブスクと取引収入でユニット経済性を検証→最終的にチップ需要がサプライヤーの利益へ転化。
結局、GPUはエージェントがきちんと考えられるかを決め、CPUとシステム基盤は、十分に多くの人の代わりに同時に仕事をやり切れるかを決める。そして最終的な資本回収（リターン）は、1回のタスク完了で稼げる金額が、実行チェーン全体のコストを上回れるかどうかにかかっている。