AIチップ戦争の行方：Cerebrasが挑むNVIDIAの牙城とウェハスケールの可能性

近年、生成AI（Generative AI）や大規模言語モデル（LLM）などを中心に、AIの発展がますます加速している。そうした中、注目度が急上昇しているのが、AI専用に開発されたハードウェアの存在だ。GPUによる訓練・推論が主流ではあるものの、「GPUのアーキテクチャは本来グラフィックス用であり、AIに最適化されたわけではない」という指摘も多い。

本稿では、Cerebras（セレブラス）の共同創業者兼CEOであるAndrew Feldman（アンドリュー・フェルドマン）氏の発言を軸に、AI時代に求められる半導体アーキテクチャの要件、GPUの弱点や、ウェハスケール（Wafer Scale）チップの可能性について解説していく。また、NVIDIAの市場独占状態をどのように打破しうるのか、大きな視点からハードウェア・モデル・データといった要素を総合的に論じてみたい。

1. AI時代の新たな課題とチャンス

1-1. AIの成長と計算需要の爆発

2015年頃から現在にかけて、ディープラーニングの需要は飛躍的に伸びてきた。フェルドマン氏は「AIの新しい需要が明確に見え始めた2015年は、コンピュータ・アーキテクトにとって夢のような時期だった」と振り返る。AIの計算量（推論・学習ともに）は指数関数的に増大しており、同氏は「従来のGPUベースの方式では、膨大なデータ移動によるボトルネックが顕在化してくる」と指摘する。

現在、クラウド大手をはじめ、膨大な計算資源を投入して大規模言語モデルなどが訓練・推論されている。しかし、GPUの利用効率が非常に低い場面も多く、「GPUでの推論利用率は5〜7%にすぎず、残りの90％以上が遊んでいる」(フェルドマン氏)という見解もある。こうした大規模演算を前提とする時代には、より効率の高い専用アーキテクチャが求められているのだ。

1-2. 市場規模の拡大とインフラ課題

フェルドマン氏は、AIが今後さらに大衆化していくとき、「AI推論の需要は100倍以上に増える」と予想している。それは「多くのユーザーが、いつでもどこでもAIを利用できるようになる」世界観と重なるからだ。

一方で、その裏側にはデータセンターの電力問題や冷却設備、そしてGPUや専用プロセッサの供給問題がある。すでにNVIDIA製品の供給は大幅に逼迫しており、莫大な需要に追いついていない。結果として、他の新興プロセッサメーカーにとっては「NVIDIAから買えないなら、まずは試してみよう」と顧客が動く機会が生まれているという。「NVIDIAが納品遅れで顧客を待たせすぎる間に、顧客が新しいアーキテクチャに切り替える可能性がある」とフェルドマン氏は強調する。

2. GPUアーキテクチャの根本的課題

2-1. メモリ帯域の制約：HBM vs. SRAM

GPUはグラフィックス処理を目的として進化してきたアーキテクチャである。高速だが容量の小さいオンチップSRAMではなく、容量を優先したHBM（High Bandwidth Memory）を使う構造が中心だ。フェルドマン氏によれば、「HBMは大容量だが速度の点でSRAMに劣り、AI推論での繰り返しメモリアクセスが発生する状況は苦手」だという。

特に、大規模モデルの推論では、単語を生成するたびに膨大なパラメータ（ウェイト）をメモリから繰り返し読み込む必要がある。例えば「70億〜1000億パラメータ級のモデル推論」では、単語1つ当たり数百GB規模のデータをロードし、これを単語生成ごとに行わねばならない。HBMの帯域幅を超えたデータのやりとりは推論の遅延や効率低下の大きな原因になる。

一方、SRAMは「超高速だが容量が限られる」ため、一般的な単一チップではモデル全体を格納できないというジレンマがある。そこで、Cerebrasが開発した“ウェハスケール”という発想が活きてくる。

2-2. ウェハスケールで解決を目指す

「ウェハスケール（Wafer Scale）」とは、通常のチップ製造であれば円形のシリコンウェハを切り分けていくところを、「1枚のウェハ全体を、ほぼそのまま1つの巨大チップとして利用する」というアイデアだ。従来は「歩留まり（yield）の問題が大きすぎる」「欠陥部位があるとウェハ全体が使えない」などの理由で不可能とされてきた。

Cerebrasでは、「何十万個もの小さな演算タイルで構成し、不良があったタイル部分だけを冗長設計でカバーする」という手法を確立し、量産レベルでの歩留まりを確保することに成功した。これにより、「オンチップに大量のSRAMを搭載しながら、巨大モデルを1枚のウェハ内に収められる」可能性が生まれる。

フェルドマン氏は次のように述べる。

こうした構造こそが、NVIDIAが抱える「HBM依存」という設計上の制約を克服する大きな武器になると考えられる。

3. “Cudaロックイン”は本当に脅威か？

3-1. トレーニング vs. 推論におけるソフトウェア依存

「GPUにおけるNVIDIAの強みは、ソフトウェアスタック（CUDA）へのロックインだ」という見方は根強い。しかし、フェルドマン氏は「推論に関してはCUDAロックインなど存在しない」と断言する。

推論タスクは学習済みモデルを読み込み、実行するフローが大半のため、PyTorchやTensorFlowなどのフレームワークで書かれたモデルをコンパイルし動かすことができれば、ハードウェアの差異を吸収できるという。実際、Cerebrasのシステムでも「わずか数行の修正」でGPUからCerebrasへ移行が可能だそうだ。

3-2. 「市場シェア」という最大の防衛

一方で、「市場をほぼ独占している」という事実そのものがNVIDIAの大きな“モート（堀）”になっていると指摘する。CPU市場で長年トップだったIntelが、数多の失策にもかかわらず依然として高いシェアを保持しているように、いったんデファクトスタンダードを確立した企業は強力だ。

フェルドマン氏は「今のNVIDIAはまさにそれ。だが、その寡占状態があだとなり、供給不足や待機時間の増大で顧客の不満を引き起こす時がチャンスになる」と分析する。

4. モデル・データ・ハードウェアの進化はまだ始まったばかり

4-1. トランスフォーマーの次は必ず来る

現在の主流モデルであるトランスフォーマー（Transformer）は強力だが、フェルドマン氏は「3年後、5年後にはトランスフォーマーに依存しなくなる可能性が高い」と予測する。より効率的なアーキテクチャやアルゴリズムが登場することは必然であり、今後さらなる革新が続くだろうというのだ。

4-2. データ生成と合成データの役割

AI学習に用いるデータも、今後は合成（シミュレーション）データの比率が圧倒的に増えるという。自動運転の事例でいえば、「まっすぐ走るだけの映像」よりも「雪や雨、見通しの悪い交差点、急な飛び出し」など危険シーンのデータを膨大に作り出し、それを学習させるほうがはるかに効率的だからだ。

「パイロットの訓練で重要なのは離着陸などのレアケースであり、シミュレータを使えば現実世界で起こりにくい事例も自由に再現できる。AIモデル学習も同じだろう」とフェルドマン氏は説明する。

4-3. ハードウェアのさらなる集積化と汎用化

ハードウェアの世界でいえば、ウェハスケールは一つのアプローチだが、同氏は「ミリワット級の超小型チップ」にも未開拓の可能性があると語る。センサーと一体化した小型AIチップがローカルで推論し、必要な情報だけを送信する――といった構造があれば、IoTやロボティクスの普及に拍車がかかる。

一方で、「大規模データセンター内の計算」におけるNVIDIAのシェアはしばらくは圧倒的だろう。だが、AIが普遍的に使われる社会になるほど、「もっと安価かつ効率的」な専用アーキテクチャへのニーズも高まるため、競合プレイヤーが台頭する余地は大いにある。

5. 今後の展望とまとめ

5-1. NVIDIA支配の先に

現時点でNVIDIAはGPU市場を独占的にリードしている。しかし、Cerebrasのようなウェハスケールアーキテクチャや、Google・AWSが独自に開発する専用チップ（TPUやTrainiumなど）、その他スタートアップの台頭を見れば、次の10年でGPU一強の構図が変化する可能性は十分に考えられる。

フェルドマン氏は「今後3〜5年でNVIDIAのシェアは50〜60%ほどになる」と予測する。これは現在の“ほぼ100%”という状況からすれば、大きな変化だといえよう。

5-2. 「世界を変えるには高速かつ低コスト化が鍵」

AIは、高速化・低コスト化が進むほど新たなアプリケーションが生まれる特性を持つ。インターネットがブロードバンド化してNetflixが郵送DVDからストリーミングに急転換したように、「高速化は利用範囲を爆発的に広げる」。

5-3. AIの有用性を最大化するために

AIは莫大な電力や水資源を消費する側面もある。「だからこそ、社会的に見合うだけの価値を提供しなければならない」とフェルドマン氏は述べる。がん治療など医療分野でのブレイクスルーや、社会インフラの最適化といった場面で役立つからこそ、AIの電力消費にも理解が得られるという見方だ。

加えて、「大規模モデルが本当に実用的な付加価値を出し続けるためには、アルゴリズム・データ・ハードウェアの三位一体的な進化が必須」だと再三強調する。まだまだ開拓の余地が多いからこそ、今後数年で驚くようなブレイクスルーが続出すると考えられるのだ。

Andrew Feldman氏の語る「ウェハスケールチップ」のアプローチは、一見奇抜に思えるが、実はAI時代の最大のボトルネックである「データ転送」と「メモリ帯域問題」を根本から解決する一手として有力視されている。NVIDIAがHBM依存のGPUで圧倒的シェアを誇る現状に対し、「ユーザーからの供給不足への不満」や「専用アーキテクチャならではの効率の高さ」を武器に、新興勢力が台頭するシナリオは十分に描ける。

また、AIはまだまだアルゴリズム面でもデータ面でも成熟の余地があり、ハードウェア側の設計次第で性能やコストが数倍〜数十倍変わる可能性もある。「今のトランスフォーマーが未来永劫スタンダードになるわけではない」、「いずれモデル構造は大幅に変化する」との見解も示されている。

こうしたダイナミックな変化は、AIが社会に深く浸透していく上での避けられない歩みでもある。ハードウェアの高効率化が進むほど、さまざまな分野の人々が気軽にAIを活用できるようになる。そして、その膨大な利用がさらにハードウェアを進化させる、いわば“イノベーションの好循環”が生まれるだろう。

フェルドマン氏は「現在はまだまだ始まりに過ぎず、この先5年で新たなプレイヤーが次々と台頭する」と語る。NVIDIAも対抗策を練っており、“GPUの王者”でありながらイノベーションを怠らない姿勢を見せている。一方、新たなアーキテクチャや合成データの活用が飛躍し、社会実装が加速すれば、企業や国単位でのレースはより激化するに違いない。

いずれにせよ「AIチップ戦争」は始まったばかりであり、GPUの独走が終わるのか、それとも次世代アーキテクチャが大きくシェアを奪うのか。ウェハスケールという大胆なアプローチを武器にしたCerebrasの動向は、今後ますます目が離せないだろう。

関連記事