τ法則のあと：霊衢と「無感遅延」——AI Agent時代、算力は何に効いているか

モデル単価が下がっても、Agent の請求が自動的に下がるわけではありません。前回は ECC（Everything Claude Code） を Harness 層として整理しました。Claude Code や Cursor Agent が複雑な工程で迷子になりにくく、権限を越えにくく、セッションをまたいで制約を覚えられるのは Harness の仕事です。ただし「どう動くか」を整えても、推論の各ラウンド、ツール呼び出し、膨らむコンテキストには、いずれも算力と時間がかかります。

今回は視点を一段下げ、前提から扱います。τ（タウ）とは何か、なぜ Agent 運用者の請求とつながるのか。ここが腹落ちすると、Agent が算力を「食う」理由、単価低下でも総額が増えるジェボンズ的な話、メモリ壁・通信壁、そして霊衢（Lingqu）が目指す「無感遅延」が一本の線で読めます。

まず τ：韬（τ）法則とは何か

近年の AI インフラ議論では、ギリシャ文字の τ（タウ）が中国語の「韬（タオ）」と並んで語られることがあります——韬（τ）法則と呼ばれる枠組みです。これは教科書に載った物理式ではなく、モアの法則の言い換えでもありません。産業界が長期の供給側トレンドを短くまとめたナラティブに近く、大意は次の三つに分けられます。

1. トランジスタ（または等価な演算単位）は、より多く・密に・安くなる。プロセスとパッケージの進化が、面積あたりの実効算力コストを長期で押し下げる。
2. 密度は「より均一で、よりスケールアウトしやすい」方向へ。ピーク FLOPS だけでなく、大規模 AI クラスタで compute・メモリ・インタコネクトをプールしやすい形が求められる。
3. 競争の焦点は「カードがあるか」から「カードが実際に働いているか」へ。公称 FLOPS は上がっても、メモリ帯域や機間通信が追いつかなければ、体感は遅く高いまま。

モアの法則（おおよそ 18〜24 か月でトランジスタ数が倍増、という古典的ストーリー）は、時間とともに集積度が上がる話です。一方、公開ホワイトペーパーで語られる韬（τ）法則は、AI 向け算力供給の持続可能性と均質化を強調します。同じ予算で有効な学習・推論トークンをどれだけ回せるか。Agent や大規模学習のような常時稼働・高帯域負荷を支えられるか。ベンダーによっては τ をコスト曲線の傾きそのものと呼ぶこともありますが、本稿では特定企業の独自定義には結びつけず、業界で通じる通俗的な意味で使います。

開発者が覚えるべき実務上の結論は、式を暗記しなくてよい、ということです。

• 供給側： 長期では同じドル（円）で買える算力・トークン枠は増えがち——「算力＝権力」が分散しうる前提。
• 需要側： Agent は算力需要を「たまに聞く」から「長時間占有＋多段ツール」へ。総額＝単価×使用量で、使用量は非線形に膨らみうる。
• システム側： τ は主に「シリコン上でいくら計算できるか」。メモリ壁・通信壁は統一バス（霊衢）とソフトスタック——さもないと「チップは速いのに利用率が低い」空転が残る。

以降の順序：Agent が算力を食う理由 → τ で単価が下がっても総額が上がる仕組み（ジェボンズ）→ メモリ壁・通信壁 → 霊衢と無感遅延 → クラウド Mac と Harness の分担。

1. 現代の AI Agent はなぜ算力に「貪欲」か

従来の Copilot 型補完は、本質的に一回限りの推論です。Claude Code、Codex CLI、Cursor Agent は、計画→ファイル読取→コマンド実行→結果確認→再計画という長時間占有型ループに変えます。ラウンドごとにコンテキストが膨らみ、毎回ウィンドウに押し込まれます。

需要の形は「ピークで一瞬」から「常駐サービス＋高頻度の小リクエスト」へ。大規模学習とは違い、本番 Agent はテール遅延も払う——モデル思考時間に加え、ツール実行、ネットワーク RTT、ディスク I/O。ECC の Skills／Instincts は無駄を削るが、必要な 50 ラウンドのコストは 50 ラウンド分残る。

2. 供給と需要：τ が単価を下げても、なぜ請求は上がるか

τ が描くコスト曲線が成り立つなら、長期では同じドルで買える推論算力は増えるはずです。矛盾は需要関数——Agent は超線形に近い。

• モデルが安いほど、チームは「リポジトリ全体のリファクタ」「フルテストマトリクス」を Agent に任せやすい；
• Harness が成熟すると、OpenHuman の auto-fetch や OpenClaw の CI トリガーのように 7×24 常駐を敢えて回す；
• コンテキストウィンドウ拡大で、入力・出力トークンが同時に膨らむ。

「算力＝権力」はスローガンではなく請求の構造です。GPU／NPU／API 枠を長期で払える者ほど、競合が踏み込めない粒度まで自動化を押せます。τ が「トークン単価」だけを下げ、「エンジニア一人あたり一日に燃やすトークン量」を下げないなら、総支出は再びピークを更新し得ます。

3. メモリ壁と通信壁：高いのはチップだけではない

学習・推論クラスタでは、ボトルネックはもはや「1枚のピーク FLOPS」だけではありません。論文とベンダーデックに繰り返し現れる「二つの壁」：

3.1 メモリ壁（Memory Wall）

加速器の演算能力の伸びは、長期的にメモリ帯域・容量の伸びを上回りがちです。GPU／NPU はデータ待ち——重み、活性化、KV キャッシュが HBM・ホストメモリ・ノード間を移動。MFU（モデル FLOPS 利用率）が上がらず、買った FLOPS の一部が空転。推論では長コンテキスト KV が VRAM を食い、バッチと並列が絞られる——「算力よりメモリが先に詰まる」。

3.2 通信壁（Communication Wall）

マルチ GPU 学習では勾配同期、テンソル並列、MoE が機内・機間リンクに依存します。

• PCIe： CPU と加速器の間——帯域・遅延・コピー语义がボトルネックになりやすい；
• NVLink 等： 同一筐体内は良好でも、跨ぎは上位ネットワーク、ソフトは依然「複数デバイス」；
• Ethernet／InfiniBand： 拡張性は高いが AllReduce 等がステップの大きな割合を占めうる（トポロジとモデル次第で三成前後とされることも——環境依存）。

コーディング Agent には別の顔もある。ノートで Agent、モデルはクラウド API、ツールはローカルまたはリモート Runner——run_terminal_cmd やリポジトリ読取のたびに RTT × 回数。NVLink とは層が違うが、同じ「遅延税」。

[アプリ] Agent / Harness（ECC）  → 無駄ラウンド削減
[システム] 統一バス／メモリ语义   → コピー・同期待ち削減
[チップ] τ 曲線下のトランジスタ密度 → ワットあたり演算増
        ↓ 三つを掛け合わせて「体感コスト」

4. 霊衢（Lingqu）と「無感遅延」：τ 法則はシステム層でどう効くか

τ が「シリコン上にいかに安く算力を積めるか」に答えるなら、霊衢／統一バス（Unified Bus） は「積んだ算力を一つのマシンのように使えるか」に答えます。公開材料の中心叙事（数値はベンダー最新版で確認）：

• 統一メモリ语义： CPU、NPU、加速器、メモリプールがアドレス空間に近づき、明示コピー・pin/unpin が減る；
• プールと共有： タスク単位でメモリ・算力を切り出し、クラスタ利用率を上げる；
• 無感遅延の目標： 物理ゼロではなく、同期・待ちをパイプラインが隠蔽し、業務が感知しない程度まで下げる。

フラッグシップモデルの学習では、公称 FLOPS × 利用率の積が効く——τ（チップ）と霊衢（インタコネクト）は乗算で、代替ではない。

Agent 本番ではクラスタを買わず API を買う。背後のインフラが効率化すれば API 単価に下振れ余地——その後ジェボンズが需要を押し戻す。

5. 算力とインタコネクトが両方下がったら、次に何が噴くか

トークンが安くなりクラスタの空転が減るとき、最初の波は「エージェント不要」ではなく、常時オン・より並列・より専門化した Agentです：

次の波は「もっと巨大な単一モデル」だけではなく、水道光熱のように常時消費される算力の応用層かもしれない——Harness が賢く使う方法を決め、バスと τ 曲線が経済性を決める。

6. まとめ：Apple Silicon、クラウド Mac、Agent 請求

Nuvcloud の読者の多くは GPU 学習クラスタより、macOS／Xcode／常駐 Agentです。それでも二点は持ち帰れます。

1. 単機にも「統一メモリ」の恩恵がある。 Apple Silicon は CPU、GPU、Neural Engine、RAM を同一パッケージに——ローカル推論や中規模モデル、一部 Agent 補助タスクで Mac mini が「ワットあたり十分」に感じられる理由の一端。
2. Agent 請求＝ API／トークン＋マシン時間＋中断コスト。 Claude Code、ECC、OpenClaw を常時オンラインのクラウド Mac miniに載せるのは、安定算力・固定出口 IP・拡張ディスクを買うこと——ノート閉蓋や家庭回線の揺れで長タスクが落ち、再実行が月額より高くつくことがある。

実務：同一 Agent タスクをローカルとクラウドで一日ずつ走らせ、総トークン・壁時計時間・再試行回数を記録し、Mac mini 料金と TCO 比較。Harness（ECC）は遠回りを減らし、クラウド Mac は中断を減らす——業界の τ と霊衢が曲線を下げ、三者の積が Agent 時代の「算力の配分」になる。