マクロ抽象からミクロ具体へ ―― 投資リサーチの視座を4象限で整理し、AI時代の「つるはし売り」を見極める
このセッションの後半では、量子コンピューティングの技術解説から「リサーチの方法論」と「投資戦略」のレイヤーに話が移った。マイキー氏が示したのは「マクロ⇔ミクロ」×「抽象⇔具体」の4象限マトリクスで、リサーチの視座を整理するフレームワークである。さらに、AI投資における「学習フェーズから推論フェーズへの転換」を軸としたPick & Shovel（つるはし・シャベル）戦略が語られ、2026年3月に起きたマーケットの変化点との関連が示された。加えて、AIのコミュニケーション理論としてGriceモデルに基づくGRAIフレームワークが紹介された。
「何を調べるか」ではなく「どの抽象度で考えるか」が投資リターンを決める。
個別銘柄を追う前に、ルールメイカーとアーキテクチャの層を見よ。
セッション後半の導入で、マイキー氏は「リサーチには頭のいいやり方と悪いやり方がある」と断言した。ほとんどの個人投資家は「ミクロで具体的な情報」ばかりを追いかけている。具体的な企業名、具体的なニュース、具体的な株価。これは情報の末端に位置するものであり、そこにたどり着いた時点ですでに市場に織り込まれている。上流で考える人間は、情報が末端に流れ着く前に動いている。その上流にある視座が「マクロ抽象」と「マクロ具体」であり、これを体系化したのが4象限マトリクスだという。
マイキー氏が示したリサーチフレームワークは、縦軸に「マクロ⇔ミクロ」、横軸に「抽象⇔具体」を取った4象限である。リサーチの出発点は必ず「マクロ抽象」であり、そこから時計回り（もしくは反時計回り）に具体度を上げていく。各象限の役割は以下の通り。
世界の大きな流れ・構造変化・メガトレンド。「AIは産業構造を変える」「エネルギー転換が起きている」「地政学的にサプライチェーンが再編される」など。ここを外すとすべてのリサーチが的外れになる。
メガトレンドが具体的にどのセクター・産業・地域に影響するか。「AI投資は学習フェーズから推論フェーズに移る」「量子コンピューティングはFTQCフェーズに入った」「エネルギー政策はLNG回帰」など。ルールメイカーのレイヤー。
特定の業界・技術・ビジネスモデルの構造的優位性やポジショニング。「量子コンピューティングの5方式を横断するプラットフォームはどこか」「AI推論で電力消費が変わるメカニズム」など。アーキテクチャのレイヤー。
個別企業の銘柄分析・決算数値・株価。「IonQの2027年目標は800論理ビット」「PsiQuantumのブリスベン工場建設」など。最もわかりやすいが、最も市場に織り込み済み。ここだけ見ているのが「頭の悪いリサーチ」。
4象限の使い方：出発点はマクロ抽象。「世界で何が起きているか」を掴み、そこから「どのセクターに影響するか」（マクロ具体）→「どの構造が有利か」（ミクロ抽象）→「どの企業か」（ミクロ具体）の順に落とし込む。多くの投資家はミクロ具体から入るため、構造の変化に気づけない。マイキー氏は「ミクロ具体しか見ない人は、量子コンピューティングの個別企業名ばかり覚えて、5方式を横断するプラットフォーム企業には気づかない」と指摘した。
前半の量子コンピューティング解説はこの4象限の実演でもあった。量子コンピューティングというメガトレンド（マクロ抽象）→ NISQからFTQCへの転換（マクロ具体）→ 5方式それぞれの構造的強みとエラー訂正効率（ミクロ抽象）→ IBM、Google、IonQ、Quantinuum等の個別企業（ミクロ具体）。そして最も価値の高い発見は「ミクロ抽象」のレイヤーにある「全方式を束ねるプラットフォーム企業」だった。これがミクロ具体の個別企業よりも上位にあるのは、プラットフォームの勝者が決まれば下位の個別企業の勝敗も自動的に決まるからである。
Pick & Shovel（つるはし・シャベル）戦略とは、1849年のカリフォルニア・ゴールドラッシュに由来する投資原則である。金鉱掘り（マイナー）で儲かったのはごく少数だが、つるはしとシャベルを売ったリーバイ・ストラウス（作業ズボン）やサミュエル・ブラナン（道具店）は確実に儲かった。「金を掘る人」ではなく「金を掘る道具を売る人」に投資せよ、という考え方である。マイキー氏はこのフレームワークをAI投資に応用した。
AI投資はこれまで「学習（トレーニング）」フェーズが中心だった。大規模言語モデルを訓練するには膨大な計算能力が必要で、その計算能力を支えるGPU（NVIDIA）とデータセンター電力が「つるはし」だった。しかし2026年に入り、フェーズが「推論（インファレンス）」に移りつつある。モデルの学習はある程度完了し、次は実際にユーザーがAIを使う段階、つまり推論の段階に入ったのである。
GPU（NVIDIA H100/H200）、大規模データセンター建設、大量の電力供給。計算は集中的かつ大規模。「学習に1回数千万ドル」という世界。
エッジコンピューティング、推論用チップ、電力効率、冷却技術、ネットワークインフラ。計算は分散的かつ継続的。「1クエリあたりのコスト」が勝負。
この転換はPick & Shovelの中身を変える。学習フェーズでは「巨大なGPUクラスター」と「その電力」が道具だったが、推論フェーズでは「効率的な推論チップ」「エッジデバイス」「ネットワーク帯域」「分散電力」が道具になる。投資先もNVIDIA一強から分散し、推論用ASICを開発するスタートアップ、冷却技術を持つ企業、エッジAIのプラットフォーム企業などが新たなPick & Shovelになりうる。
Grand View Researchの推計では、AIインファレンス市場は2025年の約350億ドルから2030年に1,440億ドルへ成長する見通し（CAGR 32.7%）。学習フェーズへの設備投資（CapEx）は2024〜2025年にピークを打つとの見方が多く、2026年以降は推論用のOpEx（運用コスト）が相対的に拡大する。NVIDIAもBlackwellアーキテクチャで推論効率を前世代の30倍に改善したと発表しており、「学習→推論」シフトは業界コンセンサスとなっている。
マイキー氏はこのPick & Shovel戦略を量子コンピューティングにも適用した。量子コンピューターで金を掘ろうとしているのは各方式の個別企業（IBM、Google、IonQ等）だが、つるはしを売るのは「冷却技術」「エラー訂正ソフトウェア」「各方式を横断するプラットフォーム」を提供する企業である。前半で言及された「なんちゃらリンク」という企業は、まさに量子版のPick & Shovel企業として位置づけられる。「金鉱を掘る」のが超伝導やイオントラップの各企業で、「つるはしを売る」のがこれら全方式を統合するプラットフォーム企業だという構図である。
4象限との対応：「金鉱を掘る企業」はミクロ具体。「つるはしを売る企業」はミクロ抽象からマクロ具体にまたがる。この上位レイヤーを見つけることが4象限リサーチの真の目的であり、個別銘柄分析はその最終確認に過ぎない。
マイキー氏はセッション中に「3月の変化」に何度か言及し、マーケットのダイナミクスが変わった転換点として位置づけた。具体的には、この時期を境に市場の構造が変わり、それまでの投資の前提が通用しなくなったとされる。学習フェーズから推論フェーズへの転換が市場に認識され始めたタイミングとも重なり、AI関連銘柄の選別が本格化した時期と読み取れる。
2026年3月前後の主な出来事としては、DeepSeek R1の低コストモデルの影響が市場に浸透し始めたこと（AI投資の費用対効果への懐疑論が台頭）、Microsoftの一部データセンターリース見直し報道、欧州のAI規制法（EU AI Act）の段階施行などが挙げられる。これらが複合的に「学習フェーズの過剰投資」への反省と「推論フェーズへの選別」を促した可能性がある。ただし発言中に具体的なイベント名は示されておらず、マイキー氏が何を指していたかは文脈からの推定である。
セッション終盤で、マイキー氏はAIのコミュニケーション理論としてGRAIモデルに言及した。これはGriceの会話理論（Gricean maxims）をAIに応用したフレームワークであり、AIとの対話の質を構造的に評価・改善するために設計されたものである。
哲学者Paul Griceは1975年に、会話の参加者が暗黙に従う4つの格率を提唱した。「量の格率」（必要十分な情報を提供する）、「質の格率」（真であると信じることだけを言う）、「関連性の格率」（関連のあることだけを言う）、「様態の格率」（明瞭かつ簡潔に言う）の4つである。人間同士の会話はこれらの格率を前提として成り立っている。
GRAIモデルではこの4つの格率をAIとの対話に転用し、プロンプト設計やAI出力の評価基準として活用する。AIが「量の格率」を破る（必要以上に冗長な回答をする）のは、プロンプト設計の問題であり、ユーザー側で制御できる。「質の格率」が破れる（ハルシネーション）のはモデル側の限界だが、出典確認やファクトチェックのプロセスで補完できる。このように各格率をチェックリストとして使うことで、AIとの対話品質を体系的に向上させるのがGRAIの骨子である。
Paul Griceの協調原則は論文「Logic and Conversation」（1975年、William James Lectures）で提唱された。4つの格率（Maxims of Quantity, Quality, Relation, Manner）は語用論の基礎理論として広く引用されている。「GRAIモデル」という名称は、Gricean Framework for Responsible AI Interaction の略称と推定されるが、広く普及した名称として確立された学術文献は確認できなかった。マイキー氏独自のフレーミングの可能性がある。
| 格率 | 人間の会話 | AI対話への応用 |
|---|---|---|
| 量 | 必要十分な情報を伝える | プロンプトで出力量・粒度を指定。冗長な回答はプロンプト設計の改善で対処 |
| 質 | 真であることだけを言う | ハルシネーション対策。ファクトチェック・出典確認プロセスの組み込み |
| 関連性 | 関連のあることだけを言う | 文脈設定とRAG（検索拡張生成）。無関係な情報の混入を防ぐ |
| 様態 | 明瞭・簡潔・順序立てて言う | 出力フォーマット指定。構造化されたプロンプトテンプレートの活用 |
A（マイキー氏）：マクロ抽象の情報源は「歴史」と「理論」である。書籍が最も重要で、次にアカデミックペーパー。ニュースやSNSは「ミクロ具体」の情報源であって、マクロ抽象の材料にはならない。歴史を読んで「過去に同じ構造変化が起きたときに何が起きたか」を知ることが、メガトレンドを掴む唯一の方法。たとえば量子コンピューティングのパラダイムシフトを理解するためには、「過去のコンピューティングのパラダイムシフト（真空管→トランジスタ→IC→LSI→GPU）で何が起きたか」を知っている必要がある。
A（マイキー氏）：バリューチェーンを逆算する。「この技術が普及するために、絶対に必要になるが誰も注目していない部品・サービスは何か」を問う。AIの推論フェーズでは電力・冷却・ネットワークが確実に必要になる。量子コンピューティングでは冷却技術と方式横断プラットフォームが確実に必要になる。「確実に必要だが目立たない」ものがPick & Shovelになる。
A（マイキー氏）：セッション内では具体的なセクター名は明示されなかったが、「学習フェーズの恩恵を受けた銘柄」から「推論フェーズの恩恵を受ける銘柄」へのローテーションが有効という趣旨の発言があった。学習フェーズの銘柄はすでにバリュエーションが高く、推論フェーズの銘柄はまだ評価されていないため、期待リターンの非対称性がある。