論文の概要: The Inference Bottleneck: A Formal Model of Vertical Foreclosure in AI Markets

• arxiv url: http://arxiv.org/abs/2604.17431v1
• Date: Sun, 19 Apr 2026 13:23:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.523378
• Title: The Inference Bottleneck: A Formal Model of Vertical Foreclosure in AI Markets
• Title（参考訳）: 推論ボトルネック:AI市場における垂直フォアクロージャーの形式モデル
• Authors: Gaston Besanson,
• Abstract要約: 生成AIが商用化するにつれて、競争上の優位性はモデルトレーニングから推論、分散、ルーティングへとシフトする。 本稿では,Besanson と Celani (2026) の形式モデルとして,推論市場における垂直フォアクロージャーの形式的ゲーム理論モデルを開発する。 モデルでは、レイテンシ、スループット、コンテキスト制限、機能アクセスによるダウンストリームライバルに対するQoS(Quality-of-Service)差別と、アシスタント層インターフェースにおけるルーティングバイアスの2つのフォアクロージャメカニズムを分離する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As generative AI commercializes, competitive advantage is shifting from model training toward inference, distribution, and routing. This paper develops a formal game-theoretic model of vertical foreclosure in inference markets, as the formal-model companion to Besanson and Celani (2026). The model isolates two foreclosure mechanisms operating without predatory pricing: quality-of-service (QoS) discrimination against downstream rivals via latency, throughput, context limits, or feature access; and routing bias in assistant-layer interfaces. An extension motivated by Anthropic's April 2026 release of Claude Opus 4.7 alongside the restricted-access Claude Mythos Preview introduces a third mechanism, tier-based access discrimination, parameterized by a tier gap (tau) and partner-exclusivity (kappa). The main result gives an explicit local equilibrium characterization of the QoS gap. Under logit demand and symmetric rivals, the gap is strictly increasing in inference-quality importance (alpha) and downstream margins, and strictly decreasing in API price and rival entry elasticity. Discrimination vanishes at a joint boundary rather than at a simple threshold in alpha alone. A stylized calibration to four providers using April 2026 data treats parameter values as inputs to a comparative risk mapping, not structural estimates. The mapping suggests Google and OpenAI face conditions most conducive to foreclosure; Microsoft's realized routing bias has been voluntarily constrained by a March 2026 multi-model pivot; Anthropic shows low consumer-channel risk and elevated risk in enterprise coding-agent segments. The policy section proposes Neutral Inference, a four-pillar conduct framework: QoS parity, routing transparency, FRAND-style non-discrimination, and tier transparency with release-pathway discipline. Illustrative welfare calculations suggest net gains in the tens of billions annually.
• Abstract（参考訳）: 生成AIが商用化するにつれて、競争上の優位性はモデルトレーニングから推論、分散、ルーティングへとシフトする。 本稿では,Besanson と Celani (2026) の形式モデルとして,推論市場における垂直フォアクロージャーの形式的ゲーム理論モデルを開発する。 モデルでは、レイテンシ、スループット、コンテキスト制限、機能アクセスによるダウンストリームライバルに対するQoS(Quality-of-Service)差別と、アシスタント層インターフェースにおけるルーティングバイアスの2つのフォアクロージャメカニズムを分離する。 Anthropicが2026年4月にリリースしたClaude Opus 4.7と制限アクセスのClaude Mythos Previewは、第3のメカニズムであるティアベースのアクセス差別を導入し、ティアギャップ(タウ)とパートナの排他性(カッパ)によってパラメータ化されている。 主な結果は、QoSギャップの明示的な局所平衡特性を与える。 ロジットの需要と対称的なライバルの下では、このギャップは推論品質の重要さ(アルファ)と下流のマージンを厳密に増加させ、API価格と競合するエントリーの弾力性は厳格に低下している。 識別はアルファ単独の単純なしきい値ではなく、結合境界で消滅する。 2026年4月のデータを用いた4つのプロバイダに対するスタイリズドキャリブレーションでは、パラメータ値を構造的推定ではなく、比較リスクマッピングの入力として扱う。 Microsoftが実現したルーティングバイアスは、2026年3月のマルチモデルピボットによって自発的に制限されている。 ポリシセクションでは、QoSパリティ、ルーティング透過性、FRANDスタイルの非差別、リリースパスの規律による階層透過性という、4つの柱の行動フレームワークであるNeutral Inferenceを提案している。 比例的な福祉計算は、毎年数千億件の純利益を示唆している。

関連論文リスト

• Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
  フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。 グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。 これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。 Byz-Clip21-SGD2Mを提案する。
  論文  参考訳（メタデータ） (2026-03-24T17:39:09Z)
• k-hop Fairness: Addressing Disparities in Graph Link Prediction Beyond First-Order Neighborhoods [2.4331722417973873]
  リンク予測はグラフベースのアプリケーション、特にソーシャルレコメンデーションにおいて中心的な役割を果たす。 実世界のグラフは、しばしば構造的バイアス、特にホモフィリーを反映し、類似した属性を持つノードが接続する傾向を反映する。 我々は,ノード間の距離を条件とした不均一性を評価する,LPの公平性の構造概念である$k$-hop Fairnessを提案する。
  論文  参考訳（メタデータ） (2026-03-04T09:20:06Z)
• The Inference Bottleneck: Antitrust and Neutrality Duties in the Age of Cognitive Infrastructure [0.0]
  生成AIが商用化するにつれて、競争上の優位性は、ワンタイムモデルトレーニングから継続的推論、分散、ルーティングへとシフトする。 このエッセイは、認知インフラを、測定可能な信頼、垂直インセンティブ、識別能力を中心に構築された偽造可能な概念として定義する。 反競争的な価格を伴わずに差し押さえが利益を上げることができる、垂直関係およびプラットフォーム市場向けの上昇奴隷制のコストロジックを使用した害の理論を立案している。
  論文  参考訳（メタデータ） (2026-02-26T08:37:32Z)
• SAGE: Scalable AI Governance & Evaluation [10.238041570564395]
  textbfSAGEは、スケーラブルな評価信号として高品質な製品判断を運用するフレームワークである。 SAGEはLinkedIn Searchエコシステム内にデプロイされ、モデルバリエーションの増大を計測し、エンゲージメントメトリクスに見えない回帰を検出する、ポリシの監視に使用された。
  論文  参考訳（メタデータ） (2026-02-08T06:42:50Z)
• Generative AI as a Non-Convex Supply Shock: Market Bifurcation and Welfare Analysis [4.887749221165767]
  我々は、GenAIのコストが、市場をAIの出口と人間のセグメントに再活性化させ、-class hollow'のアウトプットを生成する方法を示す。 我々は、最適ガバナンスは、遅延フェール渋滞管理に向けたものでなければならないと結論づける。
  論文  参考訳（メタデータ） (2026-01-18T17:00:40Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• Sequential Manipulation Against Rank Aggregation: Theory and Algorithm [119.57122943187086]
  脆弱なデータ収集プロセスに対するオンライン攻撃を活用します。 ゲーム理論の観点からは、対決シナリオは分布的に堅牢なゲームとして定式化される。 提案手法は,ランクアグリゲーション手法の結果を逐次的に操作する。
  論文  参考訳（メタデータ） (2024-07-02T03:31:21Z)
• Iterative Nash Policy Optimization: Aligning LLMs with General Preferences via No-Regret Learning [55.65738319966385]
  我々は、新しいオンラインアルゴリズム、反復的ナッシュポリシー最適化(INPO)を提案する。 従来の方法とは異なり、INPOは個々の応答に対する期待される勝利率を推定する必要性を回避している。 LLaMA-3-8BベースのSFTモデルで、INPOはAlpacaEval 2.0で42.6%、Arena-Hardで37.8%の勝利率を達成した。
  論文  参考訳（メタデータ） (2024-06-30T08:00:34Z)
• G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks through Attributed Client Graph Clustering [116.4277292854053]
  Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。 FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。 本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:15:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。