人工知能
AIハードウェアの未来を形作る新興技術
Securities.io を Google の優先ソースに追加
新しいタイプのコンピューティング
ここ数年のAI技術の指数関数的な進歩により、最大の受益者はAIハードウェアの開発者です。これは、現代のAIが主にニューラルネットワーク技術を使用し、従来のコンピュータとは全く異なる形で計算能力を利用しているためです。
強力なCPUで複雑な計算を行うのではなく、数千から数百万のシンプルな計算を並列に実行します。
(「ノーベル賞受賞成果への投資 – 人工ニューラルネットワーク、AIの基礎」でニューラルネットワークの発明と仕組みについて詳しく学べます。
これまで、グラフィックカード、すなわちGPU（Graphics Processing Units）はAI開発の主要ツールとなっており、Nvidiaなど業界リーダーの収益と利益を劇的に押し上げました (NVDA )。
AIハードウェア市場は2025年から2035年にかけて年平均成長率31.2%で非常に速く拡大し続けると予測されています。
出典: Roots Analysis
この期間には、AI計算用に再利用されたGPUが、専用に設計されたチップに徐々に置き換わることで、多くの新しいタイプのAIハードウェアが登場するでしょう。
長期的には、アプリケーション固有設計や非シリコンチップ、さらには実際の生体ニューロンを使用した、よりエキゾチックなコンピューティング形態がAIハードウェア市場に浸透してくると考えられます。
AI思考の仕組み
古典的なスーパーコンピュータとAIの根本的な違いは、データの処理方法にあります。複雑な計算を解く代わりに、ニューラルネットワークは仮想的なノードをネットワーク状に接続します。初期のニューラルネットワークは数十のノードと数百の接続しか持ちませんでしたが、ChatGPTで使用されているような現代のニューラルネットワークは、何兆もの可能な接続を持ち、人間の脳に匹敵する複雑さに達しています。
出典: Nobel Prize
この異なる計算手法には、たとえ各計算に割り当てられる計算力が比較的小さくても、数百万の操作を並列に実行できるハードウェアが必要です。
幸いなことに、これは長年にわたって運用されてきたハードウェア、すなわちGPUを用いたグラフィックレンダリング（主に3Dシミュレーションやビデオゲーム）と同様のタイプのハードウェアです。
このため、AIチップを十分に確保するレースの初期（そして現在）の勝者はGPU市場のリーダーであるNvidiaとなっています。
ますます高速になるGPU
より効率的なアルゴリズムの発明と人工知能の急速な進歩により、AIの潜在的な応用は2020年代に爆発的に広がりました。
これにより2023年に特にNvidia GPUへの需要が急増するレースがさらに激化しました。
同時に、AIの潜在的応用への期待が高まることで、より賢いAIが求められ、それにはさらに多くの計算力が必要となります。GPUを確保するだけでなく、より優れたGPUも必要とされました。
業界は応え、8年未満で性能が1000倍に向上しました。
出典: NVIDIA
続くことはできるか？
GPU性能の進歩が近い将来鈍化する兆候があります。まず、「簡単」な改善、すなわちGPUを大きくし、トランジスタを小さく密にすることは限界に近づいています。したがって、さらなる改善はより根本的な再設計とイノベーションから生まれなければなりません。
二次的な問題も業界に忍び寄っています。たとえば、はるかに高密度で高出力のGPUは大量の廃熱を生み、同じ規模で増やすとチップが溶けてしまうほどです。
この廃熱は大量の無駄電力の指標でもあります。安定したベースロード電力の確保がAI企業にとって課題となっており、大手テック企業が原子力発電所からの供給を急いで確保しようとしています。
最後に、AIコンピューティングはますます専門化されており、企業や用途ごとに異なるハードウェア要件が生まれています。したがって、すべてのAI企業が汎用GPUを使用する時代は徐々に終わりに近づいていると考えられます。
スーパGPU時代
これまで、ほとんどのAIデータセンターは何千ものGPUをリンクさせた専用サーバーで構成されてきました。
過熱と電力消費の問題に対する即時的な解決策は、個々のGPUを単に積み重ねるだけでなく、統合ハードウェアを構築することです。
その方向への大きな一歩は、Nvidiaが最近発表したGB200 NVL72です。このハードウェアは単一の巨大GPUとして機能するよう設計されており、従来の記録的なH100モデルよりもはるかに強力です。
「改善された熱効率と電力節約により、ラックに搭載できるGPU数を増やす余裕ができました—つまり、顧客向けにより多くのGPUを提供できるようになったのです。」
これによりエネルギー効率も大幅に向上し、AI業界がチップよりも先にエネルギー不足に陥るリスクを軽減します。さらに計算とエネルギー効率が向上すれば、廃熱も減少し、過熱問題の一時的な解決にもなります。
出典: Nvidia
現在、CoreWeaveは一般提供が開始されたNvidia GB200 NLV72インスタンスを提供する初のクラウドプロバイダーとなりました。
(CoreWeaveがAIソリューションを開発する企業にAIクラウドコンピューティングを提供している詳細は「CoreWeave：クラウドAIハイパースケーラー (CRWV ) 」をご覧ください。)
GPU以外のAIハードウェア
フィールドプログラマブルゲートアレイ (FPGAs)
AI開発に使用されるもう一つのハードウェアはフィールドプログラマブルゲートアレイ（FPGA）です。FPGAは特定のタスクをより効率的に実行できるよう再プログラム可能な集積回路です。構成可能な相互接続により動作します。
このため、FPGAはGPUよりも柔軟性が高く、特定の計算タイプに対して最適化の余地が大きいです。
FPGAはGPUに比べて電力効率も高く、低レイテンシ（高速応答）により、迅速なリアクションが求められる実世界のアプリケーションに非常に適しています。
しかし、FPGAは大量の電力を必要とする高度な計算を処理する能力はGPUほどではありません。
さらに、FPGAは再プログラム可能であるものの、設計・構築・プログラミングに時間と労力がかかります。これは、6か月ごとに革命的な進歩を遂げる分野において深刻な課題となります。
このため、これまでFPGAのユースケースはAIの特定のアプリケーションに集中してきましたが、一般的な開発は依然として効率は劣るものの汎用GPUに依存しています：
- リアルタイム処理：データを迅速に処理する必要があるデジタル信号処理、レーダーシステム、自律走行車、通信など。
- カスタマイズされたハードウェアアクセラレーション：構成可能なFPGAは、特定のディープラーニングタスクやHPCクラスターを、データタイプやアルゴリズムに最適化して高速化できます。
- したがって、近代的なAIデータセンターは徐々にGPUとFPGAのハイブリッドになる可能性があり、各ハードウェアが最も得意とするサブタスクに専念します。
- エッジコンピューティング：計算とストレージ機能をエンドユーザーに近い場所（車やドローンなど）に配置するケースです。このような場合、FPGAの低消費電力とコンパクトさが利点となります。
アプリケーション固有集積回路 (ASICs)
ASICは特定の計算タイプ専用に設計された回路であり、他の用途には使用できません。つまり、汎用コンピュータチップというよりも純粋な専用回路です。FPGAは時に「プログラマブルASIC」と呼ばれることもあります。
ASICをFPGAやGPUの代わりに使用する理由は、ASICが他のロジックデバイスに比べてはるかに高速であり、エネルギー効率が高く、サイズも小さいからです。
そのため、たとえば暗号通貨のマイニングでは、特定の計算に最適化されたASICマイナーが使用されています。
出典: Wevolver
しかし、ASICの設計は非常に複雑であり、設計コストを回収できるだけの頻度でタスクが繰り返される場合にのみ開発が妥当です。総じて、ASICは大量生産を前提とした場合にのみ経済的に意味があります。
カスタム設計には専門知識が必要で、広く使用されているプログラミング言語やライブラリが利用できない可能性があります。
このカスタム設計の必要性は、知的財産（IP）保護の追加的な利点にもなります。
ASICのユースケースはFPGAと類似しており、エッジコンピューティング、画像認識、通信、信号処理などが挙げられますが、より頻繁に繰り返される計算が前提です。
柔軟性がないため、単独で複雑なAIタスクをこなすには不十分ですが、AIハードウェアシステムに組み込むことで効率と速度を向上させることができます。
例えば、Etchedはトランスフォーマー計算に特化したASICを開発しています（ChatGPTの「T」）。
出典: Etched
ニューロモルフィックチップ
GPUの改良やASICの効率化だけでなく、コンピューティングそのものを根本から変える概念も研究されています。
もしニューラルネットワークを設計するなら、ハードウェアのアーキテクチャもそれに合わせるべきだという考え方です。
これがニューロモルフィックチップの概念で、ハードウェアレベルで相互接続されたニューロンのように動作し、複雑な数式や数百万の並列計算でシミュレートする代わりに実際のニューロン構造を模倣します。
このデバイスはしばしばNPUs（Neural Processing Unit）と呼ばれ、さまざまなコンポーネントを一つのユニットに統合しています。
ニューロモルフィックチップは、アナログに近い複雑な電気信号を使用することが多く、0と1の二進信号を用いる従来のフォン・ノイマン型コンピュータとは異なります。
出典: Tech Target
現在、ニューロモルフィックチップを作成するために以下のような手法が検討されています：
- 発現しつつある強誘電性を活用する、まだ十分に理解されていない現象。
- バナジウムまたはチタンを用いた活性基板。
- メムリスタの使用、新しい電子部品であり、通常の電力消費の1/800thでAIタスクを実行できます。
フォトニクスチップ
シリコンハードウェアの多くの制限を回避するもう一つの選択肢は、フォトニクスコンピュータに切り替えることです。情報を運ぶのは電子ではなく、レーザー光子です。
この方式は、過熱に対する耐性が高く、光は宇宙で最も速く移動するものという利点があります。
現在、フォトニクス部品、特にメモリの耐久性が課題となっていますが、急速に改善されています。
最近のフォトニクス分野の進展は以下の通りです：
- フェロエレクトリック高電子移動度トランジスタ（FeHEMT）、スマートフォンの通信デバイスを小型化。
- ペロブスカイト、特にCsPbBr3（セシウム・鉛・臭素）結晶、フォトニクスと「通常」のシリコンやガリウム・ヒ素基板を組み合わせ。
- 超高速レーザー書き込み、ナノエッチングでフォトニック部品を設計。
- 多層シリコンフォトニクス製造方法。
- 磁鉄鉱を用いたスピントロニクス‑フォトニクスコンピュータの創出。
実際のニューロンを使用する
AIを実際の脳に近づけるもう一つの方法は、そもそも脳自体を利用することかもしれません。
実際のニューロンで構成されたニューラルネットワークは自然界で高度に適応的でパターン認識に優れているので、人工的な文脈でも同様に機能し得るのではないでしょうか。
2025年3月、この概念はCortical LabsがCL1、初の合成生物学的インテリジェンス（SBI）を発表したことでさらに前進しました。
出典: Cortical Labs
実際のニューロンは栄養豊富な溶液内で培養され、健康に必要なすべてを供給されます。ニューロンはシリコンチップ上に成長し、電気インパルスを送受信します。
これは人工知能と自然知能の境界を本当に曖昧にします。実際のニューロンで構成されたコンピュータはまだ人工的と言えるのでしょうか？
私たちはニューロンをハードシリコンと柔らかい組織の混合であるbiOSに統合します。直接ニューロンに接続し、コードを直接デプロイして、今日最も困難な課題を解決します。
ニューロンは自己プログラミング可能で、無限に柔軟であり、40億年の進化の結果です。デジタルAIモデルが莫大なリソースを費やしてエミュレートしようとするものを、私たちは最初から持っています。
もし人間の脳が電気システムよりも量子コンピュータに近いという理論が正しければ、これは真のブレークスルーになる可能性があります（リンク）。
まだ新興技術であるものの、ヒト臓器の3Dプリンティングや機能的脳組織の3Dプリンティング、さらにオルガノイド（ミニ脳）生産といった分野の進展により、技術は後押しされるでしょう。これらはFinal SparkやBiologICといった企業が手掛けています。
脳―コンピュータ・インターフェース
AIハードウェアをさらに強化する別の方法は、頭蓋内にある脳という生体スーパーコンピュータと直接インターフェースさせることです。
当初、脳―コンピュータ・インターフェース（BCI）は主に神経系疾患を抱える人々を支援する目的で使用されると考えられています。
新しい技術によりインプラントの耐久性が向上し、侵襲性が低減することで、さらに支援が進むでしょう。
長期的には、これも機械と人間の知能の境界を曖昧にする可能性があります。AIがBCIを通じて直接私たちと対話しながら思考を補助する場合、実際に思考したのは誰なのかという哲学的問いが生まれます。
しかし、倫理的・安全性の懸念から、これはSF作品（例：Altered Carbon、Neuromancer、Cyberpunk 2077）で描かれるような遠い未来の技術と見なされています。
(本稿では「5つのベストBCI企業」でこの分野の主要企業を取り上げました。)
実際にどれだけの計算資源が必要か？
DeepSeek
長年、すべてのAI企業は「計算資源は多いほど良い」という前提で、できるだけ早く計算力を増やす競争を続けてきました。
しかし、中国のAI企業DeepSeekの圧倒的な登場により、この前提は揺らぎました。DeepSeekは競合他社の10〜100倍効率的で、同等またはそれ以上の性能をわずか3〜5%のコストで提供します。
DeepSeekがモデル効率に注力した大きな理由は、中国のAI企業がAIチップへのアクセスが制限されていたことです。発売直後に、AlibabaのQwen、Moonshot AIのKimi、ByteDanceのDoubao、BaiduのErnie Botといった他の中国企業のAIモデルが同様に高性能であることが明らかになりました。
「必要は発明の母」という格言通りです。
今後数年は、性能向上と効率向上の二本柱がAI業界を支配すると予想されます。
ただし、計算資源が増えれば必ずしも成果が向上するわけではなく、計算資源だけがAI業界での唯一の成功パスではありません。資金力のあるOpenAIのような企業は、支出にやや緩やかさが見られたかもしれません。
現時点では、ほとんどのAIは実験的設計段階にあり、適用範囲は限定的です。AIが世界中の何百万もの企業のワークフローに組み込まれるほど、AIコンピューティングの需要は増大します。
そして、コンピューティング需要が増えるほど、より効率的でエネルギー消費の少ないハードウェアへの需要も高まります。
したがって、従来のコンピューティングと同様に、AIは今後もチップの継続的な改良が求められ、AIが世界最大のエネルギー消費者の一つになる可能性があります。
EdgeAI & AI PCs
DeepSeekや他の中国製AIモデルが低い計算要件で動作できるようになったことで、AIモデル（特に「蒸留」されたもの）は巨大なギガワット規模のデータセンターではなく、ハイエンドの個人マシンでも実行可能になりました。
これは、AIコンピューティングの多くを「オンサイト」で行うべきだと主張するEdgeAIの提唱者たちを裏付けるものです。
DeepSeekがオープンソースモデルであるため、個人がAIコンピュータで実験できる道が開かれました。十分に強力でありながら、個人が購入できるほど安価で小型です。これにより、AIコンピューティング需要が減少するのではなく、AIアプリケーションの開発と利用がより分散化される可能性があります。
したがって、AI PCは2025年のPCビルドにおける新たな大きなトレンドになると予想されます。専門メディアが詳細に議論しており、どのブランドが最適かも検討されています。特にMicrosoftの(MSFT )がWindows OSや同社の他ソフトウェアにCopilotをほぼ全般的に組み込んでいることが背景です。
結論
ゲーム向けGPUから始まったAIハードウェアは急速に進化しています。AI向けに設計されたGPUから、エネルギー消費と熱生成を抑えた「スーパGPU」へと変遷しています。
次のステップは、汎用GPUとASIC、FPGAチップをさらに統合し、特定のAIタスクをより少ない電力とスペースで実行できるようにすることです。
将来的には、どの技術がAIコンピューティングの勝者になるかは、ニューロモルフィックチップ、フォトニクス、スピントロニクス、あるいはシリコン基板と相互作用する実際の生体ニューロン、さらにはAIが直接人間の脳とインターフェースするかどうかにかかっています。
これらすべての技術に共通するのは、AIの能力とそれに伴うアプリケーションの爆発的な成長が、より多く、より優れたAIハードウェアへの需要を持続的に押し上げるということです。
たとえDeepSeekのように効率的なAIモデルが市場に登場しても、AI PCへの急速な需要増加は、今後数年でAIハードウェアが需要に対して供給がやや不足する可能性が高いことを示す指標となります。
AIハードウェアのリーダー
Nvidia
NVDA 価格チャート
NVIDIAは、かつてはグラフィックカードに特化したニッチな半導体企業から、AI革命とそれに伴う膨大なハードウェア需要の最前線に立つテックジャイアントへと進化しました。
これは、NVIDIAのGPU向けに汎用プログラミングインターフェースであるCUDAを開発したことにより、ゲーム以外の用途への扉が開かれた結果です。
「研究者はGeForceというゲームカードを購入し、コンピュータに追加するだけで、実質的にパーソナルスーパーコンピュータを手に入れたと気付いたのです。分子動力学、地震処理、CT再構成、画像処理――さまざまな分野で活用されています。」Jensen Huang、Sequoiaとのインタビュー
GPUの広範な採用、特にNVIDIAハードウェアの採用は、ネットワーク効果に基づく正のフィードバックループを生み出しました。利用が増えるほどエンドユーザーとプログラマーが増え、販売が増え、研究開発予算が増え、計算速度が加速し、さらに利用が増える、という循環です。
出典: Nvidia
現在、CUDA GPUは数億台規模でインストールされています。
AIコンピューティングの進化は、CPUの線形的なムーアの法則とは異なり、指数関数的な法則に従っています。これは、GPUハードウェアが向上するだけでなく、ニューラルネットワークの学習方法が根本的に改善されたため、必要な処理能力が劇的に低減したからです。
NVIDIAはGPUとAIのリーダーであるだけでなく、量子コンピューティングの新たな成長エンジンの開発にも積極的です。
ニューラルネットワーク向けにCUDAを展開したのと同様に、Nvidiaは量子コンピューティング向けにCUDA-Qをリリースし、クラウドサービスを通じてNVIDIAの量子コンピューティング容量をレンタルできる量子クラウドシステムを提供しています。
出典: NVIDIA
これには、研究者が量子コンピュータをエミュレートできるNVIDIAのcuQuantum、量子暗号化用のcuPQC、古典コンピューティングと量子コンピューティングを統合したDGX Quantumなどの技術も含まれます。
総じて、NVIDIAはAIとAIハードウェアのリーダーとしての地位を活かし、量子コンピューティングエコシステムの構築を牽引しています。
出典: NVidia
AI、暗号通貨マイニング、そして近い将来は量子コンピューティングにおいて強固なポジションを持つNvidiaは、今後の10年間で支配的なコンピューティングハードウェア企業の一つになると見込まれます。
Nvidiaの歴史、ビジネスモデル、イノベーションの詳細は「NVIDIA (NVDA) Spotlight：グラフィックス巨人からAIタイタンへ」をご覧ください。
最新のNVIDIA情報
