中国のデータ産業が6兆7800億元に達する中、HuaweiはAIトークンの利用が1000倍に急増したと指摘
Huaweiによると、中国のAIトークン消費量は2年間で1000倍以上に増加し、同国のデータ産業は2025年に6兆7800億元へと拡大した。
この2つの数字は、同じ転換を異なる角度から示している。中国は大規模モデルの学習段階を越え、AIアプリケーションを巨大な規模で稼働させる段階へ移行している。生成される回答、ソフトウェア上の操作、データベース照会、エージェントによる判断のすべてが、拡大するトークン数に加わる。
この見出しはGoogle Newsを通じて浮上したが、基礎となる統計は中国政府のデータと業界の声明に基づく。1000倍の増加はHuaweiが独自に算出したものではなく、国家データ局が最初に報告した。
この区別は重要だ。トークン消費量はAI活動の増加を示す可能性があるが、収益、有用な成果、モデル品質を自動的に測るものではない。設計の悪いエージェントは、多数のトークンを消費しても、ほとんど成果を上げないことがある。
より強いシグナルは、利用量と産業アウトプットの組み合わせから得られる。中国では現在、数十万社のデータ関連企業が存在し、AI対応データセットへの需要が高まり、学習だけでなく推論を中心に設計された新たなインフラも整備されている。
Huawei、中国の通信事業者、クラウドプロバイダー、国内チップ企業は、そのインフラの供給をめぐって競争している。彼らの課題は、前例のないトークン通信量を、持続可能な経済性を備えた信頼できるサービスへと転換することだ。
中国のデータ産業は6兆7800億元規模の市場に
新たな業界報告書は、データサービスを補助的な技術カテゴリーとしてではなく、中国のAI経済の中核に位置付けている。
8月28日に公表された公式業界報告書によると、中国のデータ産業は2025年に6兆7800億元を生み出した。これは前年比15.7％の成長に当たる。
国家データ発展研究院は、貴陽市で開催された中国国際ビッグデータ産業博覧会でこの報告書を発表した。同研究院は中国の国家データ局の管轄下にある。
報告書によると、2025年末時点のデータ関連企業は48万2000社だった。この総数は1年前より17.9％多い。
英語での調査結果の報道によれば、データソフトウェアとデータ資源製品は4兆9900億元を生み出した。両カテゴリーを合わせると、測定対象となった産業の73.6％を占めた。
この定義は、生のデータセットを販売する企業にとどまらない。ソフトウェア、処理サービス、AI関連データ製品、新興のトークンサービスも含まれる。
したがって、この測定値を保存情報の市場価値と混同すべきではない。これは、中国のデータ経済に参加する幅広い企業群のアウトプットを推計したものだ。
6兆7800億元という数字を解釈する際には、この広がりが重要になる。この総額はAI収益のみを示すものではなく、既存のソフトウェア事業と新しいAIサービスの双方を含む。
それでも当局者は、人工知能と密接に関連する製品が業界アウトプットの70％超を占めたと述べた。このため、AI需要は同セクターの拡大において中心的な役割を担っている。
資金調達活動は、大規模言語モデル、合成シミュレーションデータ、具身知能に取り組む企業で特に活発だった。具身知能とは、ロボットや自律機械を含む物理システムにAIを組み込む考え方である。
これらの分野では、異なる種類のデータが必要になる。言語アシスタントは文書や会話に大きく依存する。一方、ロボットにはセンサー記録、空間情報、シミュレーション環境、物理的な行動から得られるフィードバックも必要だ。
報告書は、合成データを学習素材の成長源として挙げた。合成データとは、現実世界からあらゆる事例を収集せずに有用なパターンを再現するため、ソフトウェアが生成する情報のことだ。
この手法は、実データが不足している、高価である、機微情報を含む、または取得が危険な領域の不足を補う助けになり得る。一方で、精度や潜在的なモデルバイアスに関する新たな問題も生む。
博覧会そのものも、同じ拡大を反映していた。公式イベント概要によると、中国国内外の372社が参加し、登録来場者は1万6000人を超えた。
そのテーマは、データの経済的価値を引き出す道筋としてのトークンに焦点を当てていた。この表現は、大規模モデルにおける技術的な単位を、より広い商業的枠組みの中に位置付けている。
トークンとは、AIモデルが処理する小さな情報単位である。モデルに応じて、単語の断片、記号、数字、句読点を表すことがある。
トークンは、プロバイダーにとってモデル活動を測定可能な単位となる。クラウドプラットフォームは、そのカウントをキャパシティ計画、課金、サービス性能に結び付けられる。
中国のデータ産業報告書は、トークンサービスが新たなビジネスモデルを生むと主張している。目下の問題は、トークン量が意味のある経済指標になり得るかどうかだ。
この問いは、現在の議論で最も目を引く数字へと直結する。中国で報告された1日当たりのトークン消費量は、3桁以上増加している。
Huaweiのトークンに関する主張は、はるかに大きな利用形態の変化に基づく
Huaweiがトークン急増を強調するのは、AIインフラが時折行われるモデル学習から、企業やデバイス全体にわたる継続的な推論へ移行しているためだ。
Huawei Cloudの張平安会長は、貴陽でのイベントで中国のトークン消費量が1000倍以上増えたと述べた。彼はこの成長を、企業のテクノロジーシステムの変化と結び付けた。
従来の業務ソフトウェアは、人間がアプリケーションを開き、各操作を選択することを前提としている。エージェント中心のシステムでは、AIがアプリケーションやデータソースをまたいで、複数の手順を計画し実行する。
このアーキテクチャはモデル呼び出しを増幅させる。チャットボットが1つの質問に対して1つの回答を返すのに対し、エージェントは繰り返し計画を立て、情報を取得し、結果を確認し、作業を修正できる。
ただし、Huaweiはこの全国的な増加に関する当初の統計ソースではない。中国の国家データ局は、基礎となる推移を2026年の早い時期に報告していた。
1日当たりの平均トークン呼び出し数は、2024年初頭には約1000億件だった。2025年末には100兆件に達し、2026年3月には140兆件を超えた。
1000億件から140兆件超への増加は、1000倍を上回る。2025年12月から2026年3月までの増加だけでも40％超だった。
国家データ局の劉烈宏局長は、政策説明会で3月の数字を明らかにした。同時期のトークン利用レポートも、トークンを測定、価格設定、そして将来的には取引可能な単位として説明している。
Huaweiはその後、これらの政府統計を自社の商業的主張に取り込んだ。同社は通信事業者に対し、接続性の販売から、AI推論およびトークンベースのサービス提供へ転換するよう促したい考えだ。
トークン収益化に関するHuaweiの刊行物で、同社はトークンをコンピューティングインフラとビジネス需要をつなぐ橋渡しとして説明している。
商業的な理屈は明快だ。エージェントが増えれば、推論リクエストも増える。リクエストが増えれば、アクセラレーター、ストレージ、ネットワーキング、オーケストレーションソフトウェア、そして企業データへの信頼できるアクセスが必要になる。
Huaweiはこのスタックの複数の部分を供給している。同社のポートフォリオには、Ascend AIプロセッサ、クラウドサービス、ネットワーク機器、ストレージシステム、業界特化型インフラが含まれる。
同社は先進的な海外半導体技術へのアクセスに制約を受けている。こうした制約は、国内製アクセラレーターと効率的なインフラ設計の戦略的重要性を高めている。
中国で増加するトークン数は、Huaweiにとってこのインフラの需要を示す材料となる。最先端の国際的なチップへのアクセスが依然として制約される中でも、国内のAIワークロードが拡大していることを示唆する。
ただし、その表現には注意が必要だ。Huaweiは、トークン利用が1000倍に増えたことを示す独自の企業データセットを開示していない。張氏は業界イベントで、より広範な全国的傾向を引用した。
この全国合計には、多様なワークロードも含まれる。消費者向けチャット、企業向けアプリケーション、ソフトウェア開発、コンテンツ生成、検索、科学的タスク、自動化エージェントなどが含まれ得る。
公表情報は、これらのカテゴリーの完全な内訳を示していない。また、どれほどの活動がHuaweiのインフラ上で動作しているかも明らかにしていない。
それでもこの数字は、大きな方向転換を捉えている。AIシステムは、初期のチャットボット段階に比べて、はるかに多くの出力を生成・処理している。
この変化は、中国市場にサービスを提供するすべてのインフラプロバイダーに負荷をかける。競争の焦点は、ベンチマーク性能だけでなく、有用な知能を生み出す継続的なコストへと移っている。
AIエージェントは1つのリクエストを数百回のモデル呼び出しに変える
トークンの急増は、エージェントが繰り返し推論し、データを取得し、ツールを使い、自らの結果を検証することで、AIの働き方が変化していることを反映している。
従来型のチャットボットとの対話は、短い流れに従う。ユーザーがプロンプトを送信し、モデルがそのコンテキストを処理し、システムが回答を生成する。
エージェント型のタスクには、より多くの要素が関わる。システムは目標を手順に分割し、外部ツールを呼び出し、新たな情報を読み取り、計画を修正できる。
たとえば、出張に関する依頼を考えてみよう。チャットボットは一般知識に基づき、交通手段やホテルを勧められる。エージェントなら、時刻表を検索し、選択肢を比較し、規定を確認し、旅程を作成するかもしれない。
各ステップで、モデルに別のプロンプトが送られる可能性がある。ツールの結果もコンテキストに追加されるため、モデルが次の出力を生成する前に、より多くの入力トークンが生じる。
中国工程院アカデミー会員の鄭緯民氏は、これを会話するモデルから働くシステムへの移行と表現した。彼の発言はエージェント経済の分析に掲載されている。
鄭氏は、複雑なエージェントタスクが単純な回答に比べて数十倍、数百倍、さらには数千倍のトークンを消費し得ると見積もった。正確な差はワークフローに左右される。
コーディングエージェントも、別の具体例となる。リポジトリを調べ、定義を検索し、ファイルを編集し、テストを実行し、結果を提示する前に失敗を再検討する。
そのため、ユーザーから見える1つのリクエストでも、多くのモデル対話を生み出し得る。ユーザーには1つのタスクに見えても、インフラプロバイダーは長く連続する推論処理を扱う。
科学システムはさらに負荷が大きい場合がある。仮説を生成し、シミュレーションと相互作用し、実験からのフィードバックを分析し、繰り返しのサイクルを通じてアプローチを更新することがある。
上海人工知能研究所の周伯文所長は、このパターンの一形態を「environment as data」と呼んでいる。運用環境が継続的にフィードバックを生み出し、それが新たなモデル入力となる。
これは、学習開始前に用意される静的なデータセットとは異なる。システムが行動し、結果に遭遇し、その振る舞いを調整する中でデータが生まれる。
ロボットはこの仕組みを明確に示す。機械は物体を認識し、行動を選択し、その結果を観察し、その観察を次の判断に利用できる。
各ループには計算と新たなデータが必要になる。大規模な導入では、こうしたループが推論能力に対する継続的な需要へと変わり得る。
同じ変化は、より目立たない企業システムの内部でも起きている。顧客対応、不正審査、サプライチェーン計画、文書処理では、いずれもモデル呼び出しが繰り返し行われる可能性がある。
これは、トークン消費量がユーザー数より速く増え得る理由の一端を説明する。既存ユーザーが、はるかに多くの機械処理を必要とする長期的なプロセスを委任するようになるためだ。
また、インフラにおけるボトルネックも変化する。大規模モデルの訓練は、通常は導入前に、集中的な計算リソースを大量に消費する。
一方、推論需要は継続的かつ予測不能に発生する。プロバイダーは、比較的静かな時間帯に適切な稼働率を維持しながら、利用ピーク時には低遅延を実現しなければならない。
エージェントは文書、履歴、ツール出力を繰り返し取得するため、ストレージとネットワークも重要になる。プロセッサは運用システムを構成する要素の一つにすぎない。
データ品質の重要性も増す。エージェントは、不正確な記録を多くのステップで利用し、その結果に基づいて行動することで、その影響を増幅させかねない。
これはデータサービス企業にとっての機会を生む。組織には、情報を整理し、アクセスを制御し、来歴を追跡し、モデルに関連する文脈を提供するシステムが必要だ。
通信事業者にも新たな役割を与える。分散型の設備を活用すれば、ユーザー、デバイス、工場、地域の業務システムに近い場所で推論リソースをホストできる。
China Mobile、China Telecom、China Unicomはいずれも、トークンベースのサービスを模索してきた。これらの企業の参入は、ネットワーク容量をパッケージ化されたAI消費へとつなぐ経路を生み出す。
Huaweiは、その経路を支えるインフラを供給しようとしている。CambriconやHygonといった国内チップ企業も、拡大する推論ワークロードをめぐって競争している。
Alibaba、Tencent、Baiduを含むクラウドプロバイダーは、自社モデル、開発者向けプラットフォーム、企業との関係を持つ。トークン利用をアプリケーションに直接結び付けられる。
その結果は、Huawei対クラウドという単純な対立ではない。手頃で信頼性が高く、商業的に有用な推論を提供するためのインフラモデル間の競争である。
1,000倍の増加が証明しないこと
トークン量は計算活動を測定するが、その活動のどれほどが持続的な経済価値を生み出すかは示さない。
トークンカウンターは、有用な計算と無駄な計算を同じように扱う。エージェントがタスクを完了した場合も、同じことを繰り返した場合も、成果につながらない経路をたどった場合も、活動として記録する。
この限界により、トークン消費は従来のインターネットトラフィック指標に似たものとなる。トラフィックの増加は事業成長を伴うことがあるが、量だけでは収益性や顧客満足を立証できない。
モデルアーキテクチャは比較をさらに複雑にする。異なるトークナイザーは、同じ文を異なる数の単位に分割する。
推論システムは、隠れた中間トークンを生成することもある。そのため、同じタスクを完了する二つの製品でも、消費量が大きく異なる場合がある。
コンテキスト長も、数値を押し上げる要因となる。アプリケーションは、その大半がほとんど価値を追加しない場合でも、リクエストごとに長い文書や会話履歴を再送できる。
より優れたキャッシュ、検索、プロンプト設計により、出力品質を下げずに消費量を減らせる。トークン量の減少は、需要低下ではなくエンジニアリングの進歩を示す場合もある。
国家レベルの数値についても、独立して再現できるほど詳細な方法論は公表されていない。利用可能な政府の要約は合計値を示しているが、すべての報告区分を提供してはいない。
どのモデルプロバイダーがデータを提供しているのか、国内外のリクエストをどう分離しているのか、社内の企業ワークロードが推計されているのかは、なお不明だ。
6兆7,800億元という産業規模の数値にも同様の境界がある。これは生成AIの収益だけを切り出したものではなく、幅広いデータ製品やソフトウェアのカテゴリーを含む。
したがって読者は、この二つの統計を直接的な比率に結び付けるべきではない。報告されたデータ産業の生産額をトークン呼び出し数で割っても、意味のある市場価格は算出できない。
両数値は対象期間も異なる。産業合計は2025年の暦年を示す一方、最新の1日1,400兆トークンという数値は2026年3月を指す。
Huaweiの事業上の位置付けにも不確実性がある。中国のAI需要拡大はインフラ市場全体に恩恵をもたらすが、Huaweiが固定的なシェアを獲得する保証にはならない。
国内競合は、低価格、特化型アクセラレーター、オープンソフトウェア、あるいは既存のクラウド顧客との関係を通じてワークロードを獲得できる。
顧客側も、一部のインフラ需要を最適化によって削減できる。小型モデル、モデルルーティング、キャッシュ、タスク特化型システムにより、各結果に必要な計算量を減らせる。
価格競争も圧力を強める。推論価格が利用量の増加より速く下落すれば、プロバイダーははるかに多くのトークンを処理しても、それに比例した収益を得られない可能性がある。
この力学はすでに中国のモデル市場を形作っている。プロバイダーは、小型モデルやオープンウェイトモデルの効率を改善しながら、利用コストを繰り返し引き下げてきた。
安価な推論は導入を加速し、利用の好循環を生み出し得る。一方で利益率を圧縮し、規模の収益化を難しくすることもある。
エネルギーは依然として実務上の制約だ。継続的な推論には、多数の拠点にわたる電力、冷却、ネットワーク、そして高いハードウェア稼働率が必要となる。
より多くのトークンを消費する一方で過大な電力を必要とするシステムは、送電網容量や運用費による制約に直面し得る。エージェントが物理デバイスに到達するにつれ、この問題はさらに深刻になる。
セキュリティも別のコストを加える。企業システムにアクセスするエージェントには、権限制御、監査記録、隔離された実行環境、悪意ある指示への防御が必要だ。
データガバナンスも同様に重要である。企業は、AI利用を増やしたりエージェントのコンテキストを改善したりするためだけに、機密記録を公開することはできない。
こうした制約は、トークン増加を無意味にするものではない。次の段階には、生の消費量より優れた指標が必要であることを示している。
Baidu創業者のRobin Liは、代替指標の一つとして1日当たりのアクティブエージェント数を提唱している。この指標は、処理されたすべての単位ではなく、タスクを実行するエージェントを数えるものだ。
ただし、その指標にも成果の層が必要である。アクティブなエージェントでも失敗する可能性があり、人間による修正を必要とすることも、誰にも使われない結果を生成することもある。
最も強力な測定方法は、消費量を完了した業務、信頼性、ユーザー維持、経済的な節約に結び付けるものだ。公開報告はまだその水準に達していない。
真の競争は、有用な出力と低コスト計算の間にある
中国のAIインフラ競争は、最大のトークンカウンターではなく、トークン当たりに生み出される価値によって決まる。
公式統計は、中国がデータ関連の事業活動で大きな規模に達したことを示している。同時に、AI推論が従来型ソフトウェアの利用よりはるかに速く拡大していることも示している。
現在の中心的な競争は、豊富な知能という可能性と運用コストという現実の間にある。すべてのエージェントは、消費する計算資源、データ、監督を正当化しなければならない。
Huaweiの立場は統合インフラに重点を置く。同社は、国内技術スタックを求める顧客向けに、プロセッサ、ストレージ、ネットワーク、クラウドサービス、ソフトウェアを組み合わせられる。
通信事業者は別の経路を提供する。すでに全国規模のネットワーク、地域設備、請求関係、法人顧客を管理している。
パブリッククラウド企業は、成熟した開発者向けプラットフォームと広く使われるAIアプリケーションを提供する。その強みは、モデル消費を既存のソフトウェアエコシステムに接続できる点にある。
特化型チップベンダーは、より限定的なワークロードを狙える。その成功は、ソフトウェアサポート、開発者の採用、供給力、そして本番システム内での実用的な性能に左右される。
中国の政策枠組みは、この市場の各層を支えている。当局は高品質データセット、連携した計算リソース、データ流通、新たなトークンベースのサービスを奨励している。
expo coverageでも、製造業、農業、公共サービス、その他の産業にまたがるアプリケーションが取り上げられている。
こうした導入は、別のモデルベンチマークよりも重要だ。AIが実際の手順、規制、予算、物理的制約の中で運用できるかを試すことになる。
製造業向けエージェントは、設備データや生産スケジュールと連携しなければならない。医療システムには、より厳格な精度とプライバシー要件が求められる。
金融機関には監査可能性とアクセス制御が必要だ。消費者向けアプリケーションには、当初の好奇心が薄れた後も人々の利用を維持できるだけの継続的価値が必要となる。
幅広いデータ産業は、特化した記録や運用ツールを提供することで、こうした導入を支えられる。ただし市場は、データ品質と所有権に対する信頼を確立しなければならない。
トークン価格設定にも、より明確な商業基準が必要だ。あるモデルのトークンは、別のモデルのトークンと同じ能力、遅延、エネルギーコストを持つわけではない。
すべてのトークンを互換可能なものとして扱えば、重要な違いが隠れてしまう。企業の購買担当者が重視するのは、完了したタスク、エラー率、応答時間、総運用費だ。
プロバイダーは、他のサービスとともにトークンをパッケージ化して提供する可能性が高い。こうしたバンドルには、モデルアクセス、ストレージ、検索、セキュリティ制御、ネットワーク、アプリケーションソフトウェアが含まれ得る。
これはクラウドコンピューティングの進化に似ている。顧客が本格的なワークロードを、一つのプロセッサ時間単価だけを見て評価することはほとんどない。
データ移動、信頼性、開発工数、運用リスクを含む完全なシステムを検討する。AIの買い手も同様の計算をするだろう。
中国で成長するデータセクターは、国内プロバイダーにこうしたモデルを試験する大きな環境を提供する。製造基盤も、厳しい物理アプリケーションをもたらす。
それでも、規模が検証の必要性をなくすわけではない。プロバイダーは、エージェントが一貫してタスクを完了し、パイロットプログラム終了後も経済性を維持できることを示さなければならない。
報じられた1,000倍の増加は、この問いをより差し迫ったものにする。小さな非効率でも、1日1,400兆トークンにわたって繰り返されれば高コストになる。
そのため最適化は競争上の特徴となる。不要なコンテキストを減らし、タスクを効率的にルーティングし、推論の利用効率を高めるプロバイダーは優位を得られる。
これは注目すべき逆転を生む。インフラベンダーは需要増の恩恵を受ける一方、顧客は成功した成果一件当たりのトークン消費を減らす必要性をますます強めている。
勝つプラットフォームは、必ずしもすべてのタスクで利用量を最大化するわけではない。顧客がより多くの有用なタスクを導入できるほど、十分に手頃な知能を提供する。
トークン経済が機能しているかを示す三つのシグナル
次に必要な証拠は、中国の莫大なAI活動を導入、効率、完了した業務に結び付けるものである。
一つ目のシグナルは、全国トークン消費量のより詳細な内訳だ。プロバイダー、業種、ワークロード別のデータがあれば、何が実際に増加を牽引しているのかが明確になる。
企業向けエージェント主導で増加が続けば、導入に関する主張を補強する。消費者向けコンテンツ生成に集中した成長であれば、より限定的な結論を支持することになる。
方法論は見出しの数値と同じほど重要になる。一貫した報告範囲があれば、アナリストは実際の成長とデータ収集範囲の拡大を区別できる。
二つ目のシグナルは、Huawei、通信事業者、クラウドプロバイダーによる商業面の開示だ。買い手には、実証プロジェクトではなく継続的なワークロードに関する証拠が必要である。
有用な開示には、稼働中の企業導入件数、タスク完了率、顧客維持率、成果当たりの推論コストの変化が含まれる。
継続的なAIサービスに結び付いた収益成長は、トークン経済の論拠を補強する。持続的な顧客支出を伴わない大量トラフィックは、その論拠を弱める。
9月開催予定のHuawei Connect 2026は、直近の機会を提供する。製品発表や顧客事例は、Huaweiが全国的な需要をどのように導入済みサービスへ転換しているかを明らかにする可能性がある。
第三のシグナルは、国内の推論インフラ全体における効率性だ。プロバイダーが、完了したタスクのコストを下げながら、スループット、信頼性、エネルギー効率を改善できるかを注視すべきである。
進展が見られれば、国内システムが急速に拡大する需要を吸収できることが示される。一方、慢性的な不足や不安定なサービスは、トークン規模への野心と実際の提供能力との隔たりを露呈する。
競争によって、この試練はいっそう厳しくなる。Huawei、大手クラウドプロバイダー、通信事業者、チップ専門企業はいずれも、ハードウェアを十分に稼働させ続けるソフトウェアエコシステムを必要としている。
開発者の採用も、この効率性の方程式の一部である。チームがモデルのデプロイや環境間でのアプリケーション移行に苦労するなら、ハードウェアが生み出す価値は限られる。
データアクセスとトークン計測に関する標準も、採用に影響する。企業がサービスを比較したり、重要なワークフローを委ねたりするには、予測可能な計測基準が必要だ。
6.78兆元規模のデータ産業は、強固な経済基盤を提供している。トークン数の1,000倍増は、並外れた計算活動の証拠となる。
ただし、どちらの数字も単独では、中国がAIの商用化を解決したことの証明にはならない。両者を合わせて見ることで、この実験が小規模な試験導入の段階を超えたことが分かる。
開発者にとっての機会は、コンテキストや計算資源を無駄にせず、測定可能な作業を完了するエージェントを構築することにある。効率性は製品要件になりつつある。
企業の購買担当者は、プロバイダーがトークン使用量をどう算出し、企業データをどう保護し、成功した成果をどう測定するかを問うべきだ。生の利用量は、引き続き二次的な指標にとどめるべきである。
ナレッジワーカーは、エージェントが単に回答するだけでなく、どの領域で行動する権限を得るのかを注視すべきだ。その移行が、トークンの成長が日々の仕事を変えるかどうかを決める。
次のGoogle Newsの見出しは、おそらくさらに大きな数字を掲げるだろう。より重要なのは、プロバイダーがそれらのトークンによって何が達成されたのかを開示するかどうかだ。
中国は規模を実証した。次にHuaweiとその競合各社は、その規模が信頼性が高く、手頃で、検証可能な成果を生み出せることを示さなければならない。次の1,000倍増を正当化するのは、どのような完了済みの作業なのだろうか。
