HITSERIES CAPITAL基本構想：FLOPsの空間仕事量転換観測モデルによる演算資源アービトラージ

第1章 巨額時価総額を超える単一テーマの定立

世界の産業史において、企業時価総額の頂点に君臨してきた組織には明確な共通点が存在する。それはエネルギーの発掘、精製、制御、排熱、仕事量の取り出し、人間スケールでの仕事量の転換（財、サービス）の一連の工程のどこかのシェアをとることである。時価総額を単一の企業体が上回り、なおかつ半世紀以上にわたって世界経済の構造的中心であり続けるためには、単なる「ソフトウェアサービスの提供」や「デジタルツールの販売」といった既存の事業モデルの延長線上に解を求めてはならない。

目指すべきは、人類社会の根幹をなす「エネルギーの生成、制御、排熱、そして有効仕事量への転換」という物理的・数理的プロセスの世界シェアを確立し、惑星文明の演算資源を次のステージに引き上げることである。この目的を達成するためのタイムフレームは最低でも20年を要する。短期的な収益の波や過熱した市場のトレンドに惑わされず、数理基盤と物理法則においてのみ評価されるエコシステムを作り上げる。

この事業体が採るべき戦略的特徴は、ハードウェアとしての物理的実態有形資産を「アルゴリズムを駆動させるための単なるインターフェース（駆動装置）」として定義し直す点にある。もはやアトメートル未満の観測不可能な領域が主戦場である現代科学において、必要とされるのはもはや物質領域ではなく、量子観測モデル、量子重力観測モデルである。人類は長らく熱力学と光の観測に基づき世界を理解してきたが、2014年に重力波が観測されて以来、時間の影響を受けることのない空間そのものの計測が始まっている。HITSERIES CAPITALは、5年後の世界で到来するデータセンターの供給過剰と演算資源の暴落という歴史的機会を捉え、FLOPs（Floating Point Operations：浮動小数点演算数）を単なる計算コストではなく、物理的な「有効仕事量」へと直接転換する「FLOPs仕事量による演算資源経営」によるアービトラージで、既存産業に変わる文明演算インフラストラクチャを確立する。

第2章 熱力学と計算論の統合：エネルギー、排熱、仕事量への転換

2.1 アルゴリズム主体論と有形資産の位置付け

伝統的な産業構造において、工場、送電網、発電プラント、データセンターといった有形固定資産は企業のコア資産として貸借対照表の中心に位置してきた。しかし本経営理論において、これらの実態有形資産はそれ自体が価値を生む源泉ではない。それらはすべて「数学的モデルおよびアルゴリズムが物理世界に干渉し、仕事量を抽出するための過渡的な駆動装置」に過ぎない。さらに多くの人間が固い、重いものとして扱っている土地、建物、設備などの有形資産の分子自体が、量子重力の観点からは揺らいでいる可能性が高い。

情報理論と熱力学の統合（ランダウアーの原理）が示唆するように、情報の消去や計算の実行は物理的なエントロピーの変動および熱の発生と不可分である。従来、計算機で発生する排熱は「廃棄されるべき無駄なエネルギー」として冷却インフラ（空調や液冷システム）に多大なコストを払って捨てられてきた。（研究開発投資は捨てられたエネルギーでありアービトラージ対象である）しかし、本構想においては「計算（FLOPs）の実行」「熱の制御と排出」「仕事量への転換」を分離された個別の現象としてではなく、単一の決定論的エネルギー循環システムとして捉え直す。

2.2 目的関数と損失係数の最小化

物理空間におけるエネルギー転換の効率化は、数学的には極めて明確な「目的関数の設定と損失係数の最小化」問題として定式化される。制御対象はエネルギーの入力から物理的な仕事（機械的仕事、化学的状態変化、電磁気的仕事、あるいは市場における構造的差益の確定）へと至る全経路である。

エネルギー変換過程における熱損失、摩擦、不完全燃焼、あるいは情報伝達における不確定性（ノイズ）は、すべてモデルの「損失関数（Loss Function）」における正の項として加算される。この損失係数を計算機上で極限まで最小化する最適制御アルゴリズムを配備し、物理的な駆動装置（熱交換器、磁気制御ユニット、動力変換器など）にミリ秒未満の精度でリアルタイムフィードバックを行う。アルゴリズムが最適状態を維持し続けることで、従来手法では熱として散逸していたエネルギーを高効率な仕事量へと転換し続けることが可能となる。

第3章 数理物理的基盤：確率現象の決定論的制御と時空資源の同値性

3.1 モンテカルロマルコフチェーン（MCMC）とチューリングメカニズム

自然界における物理現象、あるいは熱力学的な分子の不規則運動や複雑系の状態遷移は、表面的には確率論的な挙動を示す。しかし、極めて低い発生確率（僅少確率）しか持たないエネルギー状態や分子配置であっても、それが巨視的に見て「極めて高い有効仕事量を発生させる状態」であるならば、その状態を確定的に出現させることが熱力学制御の鍵となる。

ここで中核となるのが、モンテカルロマルコフチェーン（MCMC）をはじめとする高次元サンプリングアルゴリズムと、パターン形成を司るチューリングメカニズム（反応拡散系）の融合である。

1. MCMCによる広大な状態空間の探索： エネルギー変換モデルのパラメータ空間において、膨大な状態の中から「散逸熱が最小となり仕事量が極大化する特異点（サドルポイントやグローバル最適点）」を高速に探索・同定する。
2. チューリングメカニズムによる自律的構造形成： 局所的な反応と拡散の非線形相互作用を利用し、物理的媒体（プラズマ、流体、または電子系）の中に「散逸を防ぐ自律的な構造」を決定論的に誘導する。

確率的な揺らぎに任せれば宇宙の寿命ほどの時間を要する僅少確率の熱力学状態を、アルゴリズムの制御によってミリ秒単位で決定的に再現・固定する。これにより、エネルギー生成および仕事量転換の効率を飛躍的に高めることが可能となる。

3.2 制限された空間（SPACE）における時間（TIME）とランダム性の等価交換

物理的なハードウェア制約（設置面積、メモリ容量、素子数など）が存在する空間（SPACE）において、計算能力の限界を打ち破るための理論的柱が「メモリ再利用とアルゴリズム的圧縮」による時空資源の相互変換である。

計算理論における「SPACE（領域）」と「TIME（時間）」のトレードオフを拡張し、制約された物理メモリ空間の中で、過去の計算状態や中間変数を極限まで圧縮・高速再利用（Memory Reuse）する構造を設計する。これにより、有限の物理装置内部で実質的に無限のアルゴリズム的ランダム性（Randomness）および長い時間軸での予測計算をシミュレートすることが可能になる。

制限された物理空間（SPACE）であっても、メモリ再利用アルゴリズムによって獲得した時間（TIME）的リソースと擬似ランダム性を投入することで、通常であれば巨大なスーパーコンピュータ群を必要とする数理問題（非線形最適化問題、量子状態追従問題など）の解を極めて高効率に出力する。この「省スペースでの高密度演算能力」こそが、有形資産の規模に依存しない事業展開を可能にする。

第4章 5年後の産業構造変化と「演算資源アービトラージ」

4.1 データセンター建設ラッシュと供給過剰の必然性

現在、世界中で進行している生成AIおよびフロンティアモデルの開発競争に伴い、世界規模で巨額の資本がハイパースケールデータセンターや電力インフラの建設へと投じられている。しかし、産業史の資本集中サイクルが示す通り、需要の伸びに対して供給インフラの過剰投資は必ず先行し、ある地点で巨大な「供給過剰」の局面を迎える。

今から5年後、世界中でつくりすぎたデータセンターは設備過剰に陥り、電力契約とサーバーの減価償却費に苦しむ事業者が続出する。これにより、世界中で浮遊する「余剰演算資源（Unused FLOPs）」が、市場で歴史的な捨て値（限界費用に近い超低価格）で投げ売られる時代が到来する。

4.2 FLOPsを買い上げ物理仕事量へ転換するビジネスモデル

多くの企業にとって過剰なデータセンターは「無駄な維持費を生む負債」でしかないが、本企業にとっては「世界中に点在する格安の外部駆動装置」と化す。

本事業体は、世界中に存在する過剰なデータセンターの余剰FLOPsをネットワーク経由で低コストで買い上げる。そして、自社が保有する最適化アルゴリズムをその余剰計算力上で並列実行し、以下のプロセスを経て「物理的仕事量」へと転換してグローバルにマネタイズ（利益回収）を行う。

[世界の過剰データセンター]
          │ (超低価格で余剰FLOPsを買い上げ)
          ▼
[自社モデル・最適化アルゴリズムの並列実行]
          │ (MCMC / チューリングメカニズムによる制御)
          ▼
[エネルギー変換・仕事量転換・数理問題の解出力]
          │ (コントローラブルな外貨獲得手段)
          ▼
[世界中からの資本・利益回収]

このモデルの圧倒的な優位性は、自社で巨額のデータセンター建設リスクや固定資産リスクを背負う必要がない点にある。他社が巨額の資本を投じて作ったインフラが過剰に達したタイミングでその「実」だけを最小のコストで摘み取り、自社のアルゴリズムによって高付加価値な仕事量（エネルギー制御の解、高精度予測、グローバル金融・仲裁アービトラージなど）へと昇華させ、世界中から決定的な差益を回収する。

第5章 「定式化＋力技のFLOPs」で解決できること：The Bitter Lesson

本構想の核心は、「世界中の余剰FLOPs（計算力）を安く買い集め、物理世界・産業のエネルギー効率最適化という単一の数学的・物理的問題に投入することで差益（アービトラージ）を得る」という経営モデルにある。このモデルが成立するための前提は、ここまでに示した3点に集約される。

1. 有形資産の相対的価値の低下： 建物や設備はアルゴリズムを駆動させる過渡的な装置に過ぎない（第2章）。
2. 計算と物理（熱力学）の統合： 排熱やエネルギー損失を目的関数の損失（Loss）として定式化し、MCMCやチューリングメカニズムで最適化すれば、物理的な仕事量を高められる（第3章）。
3. データセンターの供給過剰とアービトラージ： 5年後に訪れるAI投資過熱後のデータセンター過剰期に、捨て値となった余剰FLOPsを買い上げ、高価値な最適化計算に転換する（第4章）。

5.1 汎用的な探索と学習が、人間の作り込んだルールに勝つ

この前提に対する最も強力な裏付けが、Rich Sutton が2019年に発表したエッセイ『The Bitter Lesson（苦い教訓）』である。Sutton は、70年にわたるAI研究の歴史から、チェス、囲碁、音声認識、コンピュータビジョンのいずれにおいても、「人間の知恵や人間が作った複雑な領域固有のルール」を作り込む手法が、短期的には成果を出す一方で長期的には頭打ちになり、「汎用的な探索（search）と学習（learning）のアルゴリズムに圧倒的な計算量を投入する」手法に追い越されてきた、と整理した。その根本原因は、計算1単位あたりのコストが指数的に下がり続けること（ムーアの法則の一般化）にある。

この見解は、その後の実証研究によって定量的に裏付けられている。

• Kaplan et al. (2020) “Scaling Laws for Neural Language Models”： 言語モデルの損失が、モデル規模・データ量・計算量に対してべき乗則で改善し、ネットワークの幅や深さといったアーキテクチャの細部は広い範囲でほとんど影響しないことを、7桁を超えるスケールで示した。性能を決める主変数は計算量の投入量である。
• Dosovitskiy et al. (2020) “An Image is Worth 16×16 Words”： 局所性や並進等変性といった画像固有の帰納バイアスをほとんど持たない素の Transformer が、1,400万〜3億枚規模の事前学習によって畳み込みネットワークを上回ることを示し、”large scale training trumps inductive bias”（大規模な学習が帰納バイアスに勝る）と結論した。

なお、Vaswani et al. (2017) “Attention Is All You Need” は主張の内容が異なる。この論文が示したのは、再帰と畳み込みを廃した自己注意機構だけで系列変換ができ、逐次演算が系列長に依存しないため計算を並列に大量投入できる、というアーキテクチャ上の事実である。人間の知識より計算量が勝つとは述べていない。ただし、計算を並列に積み増せるこの性質こそが、上記のスケーリング則が成立する土台になった。

5.2 定式化できれば、FLOPsの投入で解に到達する領域

この観点から、本構想が対象とする問題の多くは「定式化＋力技のFLOPs」で正当に解ける。

• 高次元最適化問題： 配送ルート最適化、分子構造の探索、パワー半導体の熱制御などは、損失関数を数学的に定義できさえすれば、モンテカルロ木探索（MCTS）、MCMC、強化学習を用いてFLOPsを投じることで最適解に到達できる。
• 物理シミュレーションの決定論的制御： 流体力学やプラズマ制御などの複雑系も、定式化したうえで膨大な演算を回すことで、カオス的な挙動の中から最も効率的な状態を選択し、保持できる。

つまり、エネルギー変換と産業プロセスの効率化という本構想の主戦場は、Sutton の言う「計算量が決定的にものを言う領域」の内側にある。安く買い集めたFLOPsをこの領域へ集中投入することには、計算科学70年の履歴に基づく正当性がある。

第6章 「定式化＋力技のFLOPs」だけでは越えられない3つの壁

しかし、現実世界のあらゆる問題を「定式化＋FLOPs」で解決しようとすると、決定的な不連続面にぶつかる。本構想の誠実さは、この限界を隠さず、事業設計の制約条件として明示する点にある。

6.1 計算量の爆発：NP困難の壁

問題によっては、解空間が要素数に対して指数関数的に増大する（\(O(2^{n})\) や \(O(n!)\)）。計算機がゼタスケール（\(10^{21}\) FLOPs）やヨタスケールに達したとしても、多項式時間で解けないNP困難な問題に単純な力技（brute-force）を適用すれば、宇宙の寿命を超える時間とエネルギーを要する。

したがって本構想は「FLOPsを買えば解ける」とは主張しない。買い集めた計算力が価値を生むのは、次元削減、枝刈り、発見的アルゴリズム（ヒューリスティクス）によって解空間を多項式的な範囲へ落とし込めた問題に限られる。アルゴリズム側の工夫は、FLOPsの調達と同等に本事業の中核資産である。第3章で述べたメモリ再利用とアルゴリズム的圧縮は、まさにこの壁への回答として位置づけられる。

6.2 正しい定式化（Loss設計）自体の難しさ

現実世界で最も難しいのは、計算ではなく「何をもって最適とするか」の定義である。目的関数は不完全であり、かつ時間とともに動く。

• 物理システム： 境界条件に不確定性がある。センサーのノイズ、材料の未知の劣化、モデル化されていない外乱が、定式化の時点で解の妥当性を侵食する。
• 市場と社会： アービトラージの相手は受動的な物理系ではない。プレイヤー同士の相互作用（ゲーム理論的な展開）や、規制・政治によるルール変更が入るため、損失関数を設定した瞬間に前提が崩れるリスクがある。

このため本構想は、損失関数を一度設計して固定する事業ではなく、観測データで損失関数自体を継続的に更新し続ける事業として設計する必要がある。定式化の保守コストを計上しない収益計画は成立しない。

6.3 情報から物理への出力ボトルネック

計算機上で最適解が得られたとしても、それを現実世界へ反映するにはアクチュエータ（バルブ、スイッチ、パワーデバイス、ロボットなどの駆動装置）の応答速度と材料強度の限界がある。計算がミリ秒単位で最適解を更新しても、機械的な動作や化学反応の速度が律速となり、FLOPsの増加が物理的仕事量の増加に直結しない飽和点が生じる。

この飽和点は、本構想における「計算の仕事量」と「物理の仕事量」の境界を明確にする。差益が最大化するのは、計算の限界と物理の限界が一致する領域であり、それを超えてFLOPsを投入しても収益は増えない。したがって余剰FLOPsの調達量は、変換先となる物理系・産業プロセスのアクチュエータ容量に見合う範囲で決めるべきであり、計算資源の買い占め自体を目的にしてはならない。

第7章 実証ケーススタディ：FLOPs消費構造と規模の定量分析

本経営モデルを現実に構築・実装するプロセスにおいて、ソフトウェアおよびアルゴリズムの自動開発・デプロイパイプライン（Cursorに代表されるAI駆動型開発環境）が投入するFLOPs（浮動小数点演算数）の規模感を正しく把握することは、経営上の計算資源配分において極めて重要である。

ここでは、基幹システム（例：Tcab）のデプロイメントプロセスを実例として挙げ、4,000回のデプロイを行うために実行された「軽量・高速補完モデル」8,000回および「フロンティア・思考型エージェントモデル」4,000回の合計FLOPs消費量を定量的に解明する。

7.1 計算モデルとパラメータの前提条件

LLM（大規模言語モデル）の推論実行時における1トークンあたりの計算量（FLOPs）は、アクティブパラメータ数を \(P\) とした場合、理論的に概ね以下の関係式で定義される。

\[\text{FLOPs per token} \approx 2 \times P\]

この基本式に基づき、各リクエストタイプごとの平均トークン数（コンテキスト長＋生成トークン数）とモデル規模から、1回あたりの計算量を設定する。

① 軽量・高速補完モデル（8,000回）

• 役割： 定型コードの生成、軽量な補完、高速な単一ファイル差分修復。
• モデル規模（\(P\)）： 約 8B 〜 70B パラメータの軽量高速モデル。
• 1リクエストあたりの平均トークン数： 約 10,000 〜 15,000 トークン。
• 1トークンあたりの演算量： 約 \(10^{11} \sim 10^{12}\) FLOPs。
• 1リクエストあたりのFLOPs： 約 \(10^{15} \sim 10^{16}\) FLOPs（1 〜 10 PetaFLOPs）。

\[\text{FLOPs}_{\text{cost/req}} = 1.5 \times 10^{4}\ \text{tokens} \times 10^{12}\ \text{FLOPs/token} \approx 10^{15} \sim 10^{16}\ \text{FLOPs}\]

② フロンティア思考型モデル（4,000回）

• 役割： リポジトリ全体にわたる構造解析、MCMCや最適化の試行錯誤を伴う設計・修正、複数ステップのAgent的推論（Reasoning）。
• モデル規模（\(P\)）： アクティブパラメータ数 200B 〜 1T 規模のフロンティアMoEモデル。
• 1リクエストあたりの平均トークン数： 約 30,000 〜 100,000 トークン（Agentの自律的な思考ループを含む）。
• 1トークンあたりの演算量： 約 \(2 \times 10^{12} \sim 2 \times 10^{13}\) FLOPs。
• 1リクエストあたりのFLOPs： 約 \(10^{17} \sim 10^{18}\) FLOPs（100 PetaFLOPs 〜 1 ExaFLOPs）。

\[\text{FLOPs}_{\text{intel/req}} = 5.0 \times 10^{4}\ \text{tokens} \times 10^{13}\ \text{FLOPs/token} \approx 10^{17} \sim 10^{18}\ \text{FLOPs}\]

7.2 合計FLOPsの試算と構造分析

Tcabの4,000回デプロイにおいて消費された総FLOPsの試算結果は以下の通りである。

この定量分析から、経営上極めて重要な示唆が得られる。

1. Intelligenceモデルへの集中的依存構造： 全12,000回のモデル呼び出しにおいて、回数ベースでは軽量・高速補完モデルが3分の2（66.7%）を占めているにもかかわらず、消費された計算量（FLOPs）の視点ではフロンティア思考型モデルが全体の98.0%〜99.8%以上を支配している。
2. ソフトウェア開発自体が巨額の「仕事量」である事実： Tcabの構築・デプロイ過程だけで消費された約 0.4 〜 4.1 ZettaFLOPs（\(10^{21}\) FLOPs） という演算量は、世界最先端のExaScaleスーパーコンピュータ（1 ExaFLOPs/s 級）をフル稼働させても数分から数十分間かかる規模の巨大なエネルギー・計算資源消費である。

システムを構築・改善する段階（デプロイメント段階）においてすでにゼタスケール（ZettaFLOPs）に迫る演算量が投入されており、このアルゴリズム群が5年後の余剰データセンター環境に解き放たれた際、買い上げた余剰FLOPsをいかに高速かつ高精度に有効仕事量へ転換できるかが、そのまま会社の収益力へと直結することを示している。

第8章 財務・事業戦略：コントローラブルな外貨獲得と20年ロードマップ

8.1 コントローラブルな外貨獲得手段の設計

日本の伝統的企業が陥ってきた罠の一つが、「内需への依存」および「自国通貨（円）建ての狭い市場での競合」である。時価総額でトヨタ、三菱、三井住友の３社を足し合わせた時価総額を超えるためには、超越が必要である。グローバル市場から直接ハードカレンシー（米ドル、ユーロ、あるいは計算資源と直接等価交換可能なグローバル流動性アセット）を獲得する「コントローラブルな外貨獲得手段」を組み込む必要がある。

アルゴリズムが世界中の余剰FLOPsを吸収して出力する「物理的仕事量の解」や「エネルギー転換制御」は、国境を越えてデジタルかつ確定的に取引される。自社で価格決定権（Pricing Power）を握るアルゴリズムAPIとして提供することで、世界中のインフラ事業者、エネルギー企業、金融市場から常時外貨フローを自動回収する構造を構築する。

8.2 20年長期実行ロードマップ

本事業構想は、以下の4つの5年フェーズ（計20年）を経て完成される。

第9章 結論：計算と物理の融合が拓く新しい産業パラダイム

「トヨタ、三菱、三井住友３社を足した時価総額を超える」という目標は、既存の産業分類（自動車をつくる、商品を仲介する、資金を貸し付ける）のフレームワークで戦っている限り、決して達成することはできない。

本論で示した「FLOPs仕事量による演算資源経営」は、物理世界の根幹である熱力学・エネルギー変換プロセスと、情報世界の根幹であるアルゴリズム・FLOPsを根底から融合させる新しい産業パラダイムである。

• 有形資産はアルゴリズムの駆動装置に過ぎないという徹底した認識。
• MCMCやチューリングメカニズム、メモリ再利用によって、制限された物理空間の中で確率現象を決定論的に制御する数理的優位性。
• 5年後に訪れるデータセンター供給過剰を絶好の機会と捉え、浮遊する余剰FLOPsを安価に買い上げて価値ある仕事量へと転換するアービトラージ戦略。
• Tcabデプロイの実証分析が示すようなゼタスケール（ZettaFLOPs）の計算力投入による徹底的なアルゴリズムの研磨。

同時に、第6章で示した3つの壁は、この構想の適用範囲を画定する。

• NP困難の壁： 力技が届くのは、発見的アルゴリズムと次元削減で解空間を圧縮できた問題に限られる。
• 定式化の壁： 損失関数は固定せず、観測とルール変更に応じて更新し続ける対象である。
• 出力の壁： FLOPsの調達量は、変換先の物理系が受け止められるアクチュエータ容量の範囲に収める。

この境界条件を守ったうえで20年の長期スパンで実行したとき、実態有形資産の重みから解放された最小かつ最強のアルゴリズム主体企業が誕生する。その時、世界中のエネルギーと演算資源はすべてこの単一のモデルを介して駆動し、歴史上類を見ない巨額の価値と外貨を決定的に回収し続けることとなるのである。