推論時計算（Test-Time Compute / Inference-time Scaling）とは、AIモデルがユーザーの指示に対して回答を生成する瞬間（推論時）に追加の計算リソースと時間（思考ステップ）を割くことで、出力の精度や問題解決能力を劇的に向上させる技術アプローチだ。
2024年に登場したOpenAIの「o1」シリーズやDeepSeekの「R1」などに代表される、近年のAI能力急上昇を支える最大の核心技術となっている。
1. 従来の Scaling Law との違い
これまでのAI進化の主流と、推論時計算による新しいパラダイムの違いは「いつ計算パワー（FLOPs）を投入するか」にある。
人間の脳でいう「システム1」と「システム2」の移行
• 従来のLLM（システム1 / 直感的・高速）：パラメータ内に蓄積された知識から、次の単語を即座に予測してスムーズに「即答」する（瞬時に口をついて出る会話）。
• 推論時計算（システム2 / 論理的・遅い思考）：回答を出す前に、内部で「Chain of Thought（思考の連鎖）」を生成し、間違えていれば自己修正し、複数の解法を試行錯誤してから最終回答を出力する。
2. 推論時計算を可能にする技術的メカニズム
単に回答を遅くするのではなく、推論時の計算量を有効活用するために主に以下の手法が組み合わされている。
① プロセス報酬モデル（Process-supervised Reward Models: PRM）：
最終的な正解/不正解だけでなく、「途中式や思考ステップの1行ごと」に妥当性を判定する審査モデル。
② 木探索（Tree Search / Monte Carlo Tree Search）：
囲碁AI（AlphaGo）のように、解の可能性（選択肢の枝）を何通りも推測し、失敗しそうな思考ルートを途中で破棄して最善の論理展開を探索する。
③ 自己修正（Self-Correction）と再試行:：
生成したプログラムコードや数式を内部で検証し、矛盾やエラーを検知したら自動で修正をループさせる。
3. AGI達成に向けた「3つの決定的な意味」
なぜ推論時計算が2027年頃のAGI到達においてそれほど重視されるのか、理由は主に3点ある。
① 「データ枯渇問題」の回避と自己生成（Self-Play）
従来のアプローチは「インターネット上の人間が書いた文章」が足りなくなる「データ壁（Data Wall）」に直面していた。
しかし、推論時計算で高度な思考を回すモデルは、自ら正しい試行錯誤を行い、高品質な論理データ（合成データ）を自家生成できる。
lphaZeroが人間対局データなしで囲碁の頂点に立ったように、言語分野でもモデルが自走して賢くなるサイクルが成立する。
② 「時間と計算量の等価交換（Buying Time with Compute）」
従来モデルでは「難解な国際数学オリンピックの問題」や「数万行のシステムコード設計」に対して一発で正解を出すのは困難だった。
推論時計算のスケール則により、「計算量を100倍投入して10分間考えさせれば、人間の天才PhDが数日かける難問を解ける」という柔軟な能力拡張（テストタイム・スケーリング）が可能になる。
③ 「自動AI研究者（Autonomous AI Researcher）」の完成
Leopold Aschenbrenner氏らのAGIシナリオにおいて、最重要マイルストーンは「AIが自分でAIの研究開発を行えること」だ。
推論時計算によって「数時間自律的に試行錯誤し、実験を回し、コードのバグを修正する能力」が解放されると、人間が介入せずとも24時間365日ペースでAIが自らのアルゴリズムを改善する「知能爆発（Intelligence Explosion）」の条件が整う。
なお、推論時計算（テスト時計算）を使用している代表的な生成AIには、回答を返す前に内部で深く思考するOpenAIのo1やo3シリーズ、高度な推論を行う最新のAstra、およびAnthropicのClaudeの推論強化モデルなどがある。
また、GoogleはGeminiシリーズにおいて、回答の前に内部で深く思考し、検証や自己修正を繰り返す「Deep Think（ディープシンク）」モードがある。これを使うと、確かにチョットしたチャット形式の質問でも回答までの時間は30秒から1分くらいかかるが、回答の精度は大分向上する。