5月13日、火災と論争の期間を経て、Manusは招待コードの制限を解除し、登録を完全にオープンすると発表しました。これは、2025年3月に始まったAIエージェントブームの正式な第2段階をマークします。

ネットレッドモデルマヌス測定：氷と炎の二重の日

マヌスの公式発表によると：1。すべてのユーザーが直接登録でき、ウェイティングリストなし2。各ユーザーは1日1回無料でミッションを実行できます（300ポイント相当）。登録ユーザー全員に1，000ポイントをプレゼントします。

Manusのオープンレジストリ戦略の背後には明確なビジネスロジックがあります。

以前は、招待コードによるManusの希少性は、サーバー容量の制限という客観的要因と、インターネット時代の古典的な“トラフィック爆発”の法則の両方によるものでした。この戦略により、同社の評価額は5億ドルに達し、シリコンバレーのベンチャーキャピタルBenchmarkが主導する7500万ドルの資金調達を受けた。

1日1回無料のベーシックミッション（300ポイント）と3回の有料サブスクリプションプラン（月額19-199ドル）の組み合わせは、“ユーザー層+付加価値サービス”という成熟したビジネスモデルへの正式な移行を示しています。

オープン登録後、ユーザーのフィードバックは明らかな“断層現象”を示しています。テキサス州の教会建設計画のための19のドキュメントの自動生成から、Python仮想環境の自己構築まで、そのマルチエージェント協調アーキテクチャ（計画、実行、検証エージェントの分業）は実際に“人間のようなワークフロー”を実現している。開発者は、Manusが40分間の連続作業で実証した自己修正能力が、Cursorのようなツールの時間閾値を超えていることを観察した。

コード生成エラーの頻度、複雑なタスクへの人間の介入率の高さ、英語のインターフェースとローカリゼーションの欠如など、技術的成熟度の欠点が露呈しています。特に、Gemini 2.0のマルチモーダル機能と比較すると、Manusの動的環境適応の欠点がより顕著になります。このギャップは、GAIAベンチマークの優れたスコアにもかかわらず、実際のシナリオのロングテール問題は依然としてプリセットスクリプトに依存しており、宣伝された“自律計画”と認知バイアスがあります。

マクロ的には、マヌスが直面している真の課題は、グローバルAI巨人の戦略的圧迫です。Open AIの次期“博士課程エージェント”とGoogle Gemini 2.0のマルチモーダルツールチェーンは、エージェント開発のためのインフラストラクチャを構築しています。

対照的に、Manusの差別化パスは“垂直シナリオ浸透+ワークフローカプセル化”です。履歴書のスクリーニングからストック分析まで、ブラウザやコードエディタなどのツールチェーンを統合して200以上のシナリオをカバーする“AIパイプライン”を形成します。この“ツールセットイノベーション”は、基盤技術のオーラを欠いていますが、企業のコスト削減と効率化のニーズに近いです。

計算能力に飢えた時代：高効率モデルが“貨幣印刷機”神話を生み出す

世界のテクノロジー大手が1兆ドルを超えるパラメータサイズのAIビッグモデルを発売するために競争しているとき、コンピューティングパワー市場には一見矛盾するビジネスロジックが出現しています。モデル効率の向上は、コンピューティングパワー需要を弱めるだけでなく、業界全体をより深い“コンピューティングパワー飢餓”状態に押し上げています。この直感に反する現象の背後には、人工知能技術の進化経路と半導体産業の構造との深い結合があります。

技術反復の法則から見ると、大規模モデルの開発は“パラメータ競争”と“効率最適化”の二重スパイラルに陥っています。モデルアーキテクチャの改善とアルゴリズムの最適化は、単一の計算タスクの効率を向上させましたが、モデル性能に対する業界の極端な追求により、パラメータサイズは毎年10倍に拡大しています。Open AIの調査によると、ヘッドAIモデルのトレーニングに必要な計算能力は3-4 ヶ月ごとに倍増しており、ムーアの法則によってサポートされるチップ性能曲線をはるかに上回っています。

さらに重要なことに、モデルパラメータが1000億のしきい値を超えた後、その“インテリジェンス出現”機能は、トレーニングデータ量が同時に指数関数的に増加することを要求します。GPT-4のトレーニングデータ量はすでにテラバイトに達しており、次世代マルチモーダルモデルで処理される画像やビデオなどの非構造化データは、データスループット要件を新たなレベルに押し上げています。この“効率配当”は、半導体分野では“アンディ·ビールの法則”と呼ばれるAIのバージョンであり、ソフトウェアの進歩による性能向上は、より複雑な計算要件によって常に消費されます。

市場需要の構造変化は、コンピューティングパワー業界の根底にあるロジックを再形成しています。伝統的な汎用コンピューティングパワーとインテリジェントコンピューティングパワーの市場シェアの比較は歴史的な逆転を遂げており、中国情報通信院のデータによると、中国のインテリジェントコンピューティングパワーの規模は2022年に汎用コンピューティングパワーを上回り、2026年までに全体のコンピューティングパワー構造の65%以上を占めると予想されています。

この変化はハードウェア購入リストに直接反映されています。8つのH 100 GPUを搭載したDGXサーバーは25万ドル以上かかりますが、世界中のハイテク企業はまだ群がっています。Azure AIサービスをサポートするために、マイクロソフトは1回の注文に数万枚のNvidiaアクセラレータカードが含まれています。Tesla DojoスーパーコンピューティングフェーズIIプロジェクト計画の計算能力は100 Exaflopsに達し、30万台のA 100サーバーのクラスタサイズに相当します。

大規模モデルの工業化によってもたらされる計算能力の需要が、トレーニング側から推論側に広がっていることは注目に値する。IDCは、2026年までに世界のAI推論ワークロードがデータセンターのハッシュレート消費の60%を占めると予測しています。つまり、モデルがトレーニングされた後でも、継続的な推論はトレーニング段階で30%のハッシュレートを消費する必要があります。

飢餓の時代に、投資家はどのように時代の配当をつかむべきか？

Nvidia、Oracle、Google、Microsoft、Metaなどの人工知能概念関連企業の株価は一般的に高く、一般投資家は複数の株式を保有する資本コストが高い。対照的に、AI関連ETFは資金調達のしきい値が低く、一般的に100ドル以上で購入するという利点があります。

ETFの選択肢は豊富で、人工知能産業チェーンの上流と下流の企業をカバーしており、投資家は個々の株式を深く研究することなくリスク分散を実現し、業界発展の配当を共有することができます。また、ETFには上場停止や上場廃止のリスクがなく、弱気市場でも通常の取引が可能であり、投資家にストップロスの機会を提供します。ETFは、低いしきい値、透明な取引、豊富な選択肢、高い安定性、フロア取引のサポートなどの利点により、一般投資家や新規投資家がAI市場に参加するための理想的な選択肢となっています。

以下は、推奨せずに、市場で人気のある人工知能ETF製品の一部です。

ベンチャーキャピタリストのTomasz Tunguz氏は、投資家や大手ハイテク企業は、推論モデルとAIの急速な普及により、AIモデルの需要が今後10年間で1兆倍以上増加する可能性があると賭けていると述べました。

投資成功を祈る。