Google Cloud CEOが語る「AI時代の競争優位」——TPU・Anthropic・サイバーセキュリティの全貌を知れば、AI投資の見方が変わる
2025年のAI業界における最大の競争軸のひとつは、「計算資源（コンピュート）」の確保だ。OpenAIやAnthropicといったフロンティアラボが、「コンピュート不足」を繰り返し訴える中、Googleは、まったく異なる立場に立っている。自社チップを持ち、自社モデルを動かしながら、競合他社にすらインフラを提供できる余力——その背景には何があるのか。
Google Cloud CEOのトーマス・クリアン氏が語ったインタビューの内容は、同社の戦略的優位性を理解する上で多くの示唆を含んでいる。本稿では、TPU戦略、Anthropicとの特殊な関係、第8世代チップの意義、エージェント時代のボトルネック、そして、サイバーセキュリティへの対応まで、投資家・ビジネスマン向けに整理する。
1. GoogleはなぜAIコンピュートを「余らせられる」のか
1-1. 12年の長期計画と垂直統合の力
OpenAIやAnthropicが常にコンピュート制約を訴える中、Googleは、TPUを外部のAIラボにも提供できるほどの余力を持つ。この差の根本は「長期計画」と「垂直統合」にある。
クリアン氏によれば、GoogleはAIの急成長を早期に見越し、以下の構造的対策を積み重ねてきた。
エネルギー源の多様化（グリッド依存からの脱却）
データセンター用不動産の早期確保
データセンター構築を「建設（Construction）」から「製造（Manufacturing）」へシフト（製造はスピードが段違い）
マシン展開のサイクルタイム短縮
TPUの自社設計を約12年間継続し、今年第8世代を発表
特筆すべきは、TPUの活用範囲が、AIアルゴリズムにとどまらない点だ。資本市場のアルゴリズム取引（Citadelなど）や米エネルギー省の高性能コンピューティングにも展開されており、TPUは、「AI専用チップ」から「汎用インフラ」へと進化しつつある。
1-2. 「なぜ抱え込まないのか」という問いへの答え
コンピュート需要が無限に存在するなら、なぜGoogleは、競合他社にTPUを提供するのか。この疑問に対し、クリアン氏は明快に答えた。
「資金を生み出し続けなければ、これだけの投資を継続することはできない。ベンチャーキャピタルは無限に資金を供給できない。」
Googleは、Geminiのトークンを自ら販売する場合も、他社モデルの推論にチップを提供する場合も、自社でIPを保有しているため「どの経路でも良いマージンが維持できる」と強調する。外部への提供は、単なる副業ではなく、キャッシュフローを生みながら自社の競争力を高める循環構造だ。さらに、より大きな需要プールを持つことでサプライチェーンベンダーからも有利な条件を引き出せるという副次的メリットも存在する。
2. TPUのマネタイズ構造と収益の多角化
2-1. 三つの収益モデル
GoogleがTPUから収益を得る経路は大きく三つに分類できる。
自社Geminiモデルの学習・推論への活用（トークンとチップ両方を自社が収益化）
外部AIラボへの推論インフラ提供（AnthropicやOpenAIなど。チップを収益化）
TPUの顧客データセンターへのアウトプレースメント（資本市場顧客向けなど、取引所近隣に展開）
クリアン氏は、Alphabetの設備投資の約半分がCloud向けであることを示唆し、かつその成長の大部分がGeminiと自社モデルによるものだと述べた。多角化した収益モデルは、サプライチェーンへの交渉力を高めると同時に、製品改善のフィードバックループも豊かにする。
3. 第8世代TPU——学習チップと推論チップの分離が意味するもの
3-1. AIワークロードの三つのフェーズ
今年発表予定の第8世代TPUでは、学習用（8T）と推論用（8i）という二種類のチップへの分化が実現した。この判断はAIワークロードの構造的変化を反映している。
第一フェーズ（検索・QA型）： 長い入力→短い出力。入力トークンが支配的。
第二フェーズ（コンテンツ生成型）： 短いプロンプト→大量の出力（画像・動画・音声）。出力トークンが激増。
第三フェーズ（エージェント型）： 数時間にわたるタスク実行、コンピューター操作、KVキャッシュの効率的管理が鍵。
エージェント時代のワークロードは、チップ設計に新たな要件を突きつけた。長時間タスク中のKVキャッシュ保持方法、VM（仮想マシン）の効率的な起動・停止、そして多拠点展開を可能にするAir冷却対応（8i）などがその代表例だ。
クリアン氏は、「推論チップ8iの需要は予想をはるかに上回った」と語り、推論市場の急拡大を示唆した。
3-2. TPUシステムの強みとは何か
クリアン氏は、TPUの強みを「チップ単体ではなくシステム全体」として捉える。
第8世代TPU（8T）： 9,600チップが単一の光学トーラスネットワーク上に接続。超高帯域・予測可能な低レイテンシを実現。
メモリ容量： 8T学習チップは単一システムに2ペタバイトのメモリを搭載。米国議会図書館のデジタル化資料の約100倍に相当。
ソフトウェアスタック： Jax、XLA、Pathways、PyTorchとの連携など、Google発のコンパイラ最適化技術群が積み重なる。
Goodput（有効スループット）： 実際に有効な処理量をKPIとして設計に組み込む。
トークン/ワット比： 数年前からエネルギー効率を最優先に設計。電力コスト上昇への先手対応。
4. AnthropicはGoogleの「顧客」であり「競合」でもある
4-1. プラットフォーム企業としての合理性
Googleは、シリーズ投資を通じてAnthropicの株主でもあるが、Claudeは、企業市場でGeminiと直接競合する。同時に、Anthropicは、モデルのトレーニングとサービングにGoogleのTPUインフラを利用している。
この三重の関係についてクリアン氏は、「プラットフォーム企業にとって当然の姿」と語る。同様の文脈で、Appleが、Geminiモデルの契約をしていること——AndroidというGoogleの主要エコシステムと競合するはずのAppleと協働することも——プラットフォーム企業の現実として受け入れているという。
「自社チップを持ちながら需要がある方が、持たない状況よりはるかに良い」
4-2. 容量配分という難問
ただし、TPUの配分判断は単純ではない。Anthropicだけでなく、数百のAIラボや顧客がTPUを求めている現状で、Gemini向けアロケーションとの最適バランスをどう保つか——これはSundar Pichai CEO率いる経営チームが継続的に判断する事項だとクリアン氏は説明した。
5. 10兆パラメータモデルの提供可能性
Mythosは、約10兆パラメータとされる超大規模モデルだ。これを実際に「サーブ（提供）」することは現在のインフラで可能なのか。
クリアン氏は、Googleが開発・運用してきた「分散サービング（Disaggregated Serving）」技術に言及し、「世界最大のモデルでも提供できる」と自信を示した。設計哲学として「提供できないモデルは作らない」という原則を持つとも述べた。
また、事前学習スケーリングの鈍化（Scaling Slowdown）についての質問には、「チップ設計・システム設計・容量のいずれの観点でも、そのような兆候は見ていない」と明言。スケーリング継続への強気な姿勢を崩さなかった。
6. データセンターと社会的合意の形成
AIデータセンターに対する米国全体の支持率は約20%と低いとされる。クリアン氏は、この課題に対して、Googleが取り組む複数の施策を説明した。
Behind the Meterテクノロジー： グリッドからエネルギーを取らず、逆に余剰時はグリッドへ供給
代替エネルギーへの積極投資： AI需要が生み出す新エネルギー供給機会の活用
PUE（電力使用効率）の最適化： 「100メガワットの計算に、いかに少ない電力を使うか」——業界最高水準を主張
地域分散展開： 一拠点集中を避け、多くの地域コミュニティに分散して投資・雇用を創出
社会的な合意形成においては、技術活用の「実例」を積み重ねることが重要だとクリアン氏は強調する。ドイツ最大の健康保険会社がGeminiエージェントを導入し、患者からの問い合わせ対応時間を23分から数秒に短縮しながら、一人の雇用も削減しなかった事例はその代表例だ。また、米国臨床腫瘍学会（51,000人の会員）向けに、複雑な治療ガイドライン参照を支援するAIツールも開発中だという。
7. サイバーセキュリティ——AIが「攻撃力」と「防御力」を同時に高める現実
7-1. Mythosが突きつけた問い
Anthropicは、Mythosモデルが、サイバーセキュリティ分野で高度すぎる能力を持つとして、公開を見送ったとされる。Googleは、どこをもって「Geminiを安全に公開できる限界」と判断するのか。
クリアン氏は現実的な視点を示す。「Mythosが見つける脆弱性の一部は、オープンソースモデルでも検出できる。オープンソースモデルは、敵の手に渡ることを前提にしなければならない。」つまり、クローズドモデルの管理だけでは不十分であり、防御・修復の構造そのものを強化することが急務だという。
7-2. Googleの三層防御アプローチ
Googleは、ハイパースケーラー・モデルプロバイダー・サイバーセキュリティ企業（MandiantとWiz）という三つの役割を兼ねる。その立場から、実務的な三つの対応を進めている。
脆弱性発見と修復モデルの並行開発： 人間の修復速度では発見に追いつけないため、モデルによる修復支援が不可欠
継続的レッドチーミングエージェントの導入： 月1回の手動レッドチームでは不十分。継続的な自動攻撃シミュレーションが必要
脆弱性の優先順位付けエージェント： 膨大なコードの中から「何から手をつけるか」を判断するツール
Wizの買収（当初提示額は約230億ドル）は、このサイバーセキュリティ戦略の一環として位置づけられており、Geminiとの統合により「継続的検知→優先順位付け→自動修復」という一連のフローを実現しようとしている。
8. エンジニアリング生産性とアジェンティックコーディングの現実
8-1. 生産性向上は「採用削減」を意味するのか
ブロック（Block）のJack Dorsey CEOが社員の半数削減を発表し、AIを理由の一つとして挙げた。一方、クリアン氏は、Googleがセールス・製品開発・デプロイエンジニアリングなど複数領域で採用を継続・拡大していると説明した。
「企業はそれぞれの製品・サービスへの需要に基づいて判断する。私たちは十分な需要があるので投資を続けている。」
企業ごとの戦略的文脈や製品需要が異なる以上、一律に「AI＝雇用削減」と結びつけることは難しい。
8-2. Jetski——Googleの社内コーディングハーネス
Google社内では、「Jetski」と呼ばれるコーディングツールが広く使われており、そのフィードバックがGeminiの改善ループに直結している。コードレビューへのGemini活用（セキュリティ脆弱性スキャン含む）、そして、Geminiを使った本番インシデントのトラブルシューティングまで、AIが開発サイクル全体に組み込まれている。
ただし、クリアン氏は、リスクについても率直に語った。「プロンプトを理解しても、生成されたコードのすべての挙動を説明できるわけではない」——AIがコードを生成してAIがレビューするループが深まるほど、人間の本質的な理解が薄れていくリスクは現実の課題だという。
