GPU（ハードウェア）に関するニュース一覧

NVIDIAは2026年8月、ApolloやBlackRock、Blackstone、Brookfield、Goldman Sachs、KKRといった金融大手6社と共同で、AIデータセンター建設向けに総額5000億ドル規模の資金枠を用意すると発表しました。注目を集めたのはその金額の大きさですが、実はより重要なのは、担保となる老朽GPUの価値を自ら保証するという新たな仕組みです。

具体的には、融資の担保に使われたGPUの市場価値が想定を下回った場合、NVIDIAがその差額の25%まで負担する仕組みです。データセンター運営会社が返済不能に陥り、貸し手がGPUを売却せざるを得なくなった際にも、想定価格を下回る分をNVIDIAが穴埋めします。

この保証には、需要が弱まるほどNVIDIAの負担が膨らむという「逆相関リスク」が伴います。実際、この仕組みが公表されると債券市場が動揺し、ジェンセン・フアンCEOがX（旧Twitter）やテレビ番組でリスクの限定性を説明する事態となりました。

かつて通信機器大手Lucentは、顧客に購入資金を貸し付けた末にドットコムバブル崩壊とともに経営破綻しました。NVIDIAもOpenAIやAnthropic、CoreWeaveなどへの巨額投資を進めており、同様の懸念を指摘する声もあります。ただし今回の枠組みは、資金と主なリスクを外部の機関投資家に負わせる点でLucentとは異なるとフアン氏は主張しています。

背景には、GoogleやOracle、Metaなど大手クラウド各社がすでに巨額の負債や増資でAI投資資金を調達しており、従来型の資金調達手法が限界に近づいているという事情があります。Microsoftのサティア・ナデラCEOも決算説明会で、鉄道バブル崩壊を描いた書籍を紹介し、市場の過熱に警鐘を鳴らしました。

フアン氏はNVIDIAのAIサーバーを「AIファクトリー」と呼び、鉄道や航空機のように長期にわたり価値を保つ資産だと位置づけています。老朽化したGPUでも別の顧客や用途に転用できる中古市場が育てば、NVIDIA製品の需要を長期的に支える基盤になると期待されています。

Hugging Faceは2026年8月13日、ロボット向けSDK「Strands Agents」とデータセット規格「LeRobot」向けに、ストレージ機能「Storage Buckets」を組み合わせた新ワークフローを公開しました。ロボットの動作データをバケットに同期し、ストリーミング学習を経て実機へ配備するまでの一連の流れを、単一のエージェントで扱えるようにする内容です。

Storage Bucketsは2026年3月に発表された、バージョン管理を持たないミュータブルなオブジェクトストレージです。Xet技術によるバイト単位の重複排除に対応しており、既存データと同じ部分は再送信しません。公式のベンチマークによると、500MBのファイルのうち1%を変更して再アップロードした場合、実際に転送されるのは5.5MB程度にとどまるとしています。

学習時にはデータセット全体をダウンロードする必要がなく、stream_dataset関数を使ってHugging Face Hub上のデータを直接読み込みながら学習できます。これにより、大容量データのコピー完了をGPUが待つ時間を削減できます。実際にNVIDIA L4を1基使い、ロボット操作モデル「ACT」を500ステップ学習させたところ、所要時間は133秒だったと報告しています。

学習済みのチェックポイントは、コード中の引数をmode='real'に変更するだけで、シミュレーションから物理ロボットへとそのまま展開できます。実機で新たに記録した動作データは再びバケットへ同期され、次の学習に使われる循環構造になっています。

一方でHugging Faceは、エージェントが外部データを扱う際のプロンプトインジェクションや、バケットの認証情報の管理といったセキュリティ面の注意点も併せて示しています。特に学習データを書き込めるエージェントは、実機を動かすモデルの学習内容にも影響するため、権限を最小限に絞る運用を推奨しています。

NVIDIAは8月12日、ApolloやBlackRock、Blackstoneなど金融大手6社と提携し、AIインフラ整備に5000億ドル超の第三者資本を動員する独立系の融資プラットフォームを設立すると発表しました。ジェンスン・フアンCEOは公式ブログで、企業がチップを買って案件ごとにデータセンターを建てる時代から、AI工場を収益を生むインフラとして金融できる時代に移ったと述べています。

投資対象になると説明する根拠は、計算資源の転用可能性です。NVIDIAのAI工場は言語や画像、音声、生物学、ロボティクスまで幅広いモデルを動かせるうえ、主要クラウドや企業に共通の設計が採用されているため、顧客が入れ替わっても別の事業者が引き継いで使えます。CUDAの世代更新は設置済み設備の性能と総保有コストを改善し続けるので、時間とともに生産量が増えるという主張です。

実績として挙げるのが、2020年に投入したA100です。6年経った今も学習や推論、高性能計算で商用稼働しており、複数年の容量契約が続くことで経済的な寿命は10年に近づいています。市況も強く、H100の1年契約は2025年10月の1GPU時間あたり約1.70ドルから2026年3月に約2.35ドルへ上がり、Blackwell世代のB200は約5.30〜7.05ドルと上乗せされた価格がついています。

投資家が最も気にする循環取引の懸念については、資金の出し手が独立している点を強調しています。6社は顧客、需要、稼働率、キャッシュフロー、残存価値を個別に審査し、NVIDIAは設備プラットフォームを提供する側に回ります。ただしNVIDIAは案件ごとの判断で、投資機会の最大25%まで残存価値を支える仕組みを用意する場合があるとも認めています。

経営者にとっての含意は明快です。計算資源が電力や通信と同じインフラ資産として扱われるなら、自社でGPUを買い切らなくても長期資本を使って調達する道が広がります。5000億ドルはNVIDIAの売上でも単一のファンドでもなく、時間をかけて動員される第三者資本の総額である点は押さえておきたいところです。

AI開発企業のLiquid AIは8月12日、端末上で動く視覚言語モデルLFM2.5-VL-3BをHugging Faceで公開しました。パラメータ数は約31億と小さいものの、パソコンやスマートフォンの画面やUI要素を読み取る能力を大きく高め、自然言語による物体検出や複数画像の推論、関数呼び出しも改善しています。クラウドに送らず手元で処理したい業務にとって、実用的な選択肢が一つ増えた形です。

最も伸びたのは画面の理解力です。UI要素の位置を当てるScreenSpot-v2では、デスクトップで78.7点、モバイルで81.2点、ウェブで82.2点を記録し、同じ項目が一桁台だった前世代のLFM2-VL-3Bから様変わりしました。自然言語で指した物体を画像内で特定するRefCOCOも57.1点から87.9点へ上がり、文書読解のDocVQAは91.1点、グラフ読解のChartQAは81.3点と堅調です。

速度面の訴求も明確です。M5 Maxでは毎秒228トークン、Ryzen AI Max+ 395では毎秒116トークンを生成し、必要メモリは約3GBにとどまります。Galaxy S26 Ultraでも毎秒20トークンで動くため、通信環境に依存しない処理が現実的になります。

構成は、SigLIP2 400M NaFlexの画像エンコーダと、テキストモデルLFM2.5-2.6Bと同じ事前学習済みバックボーンの組み合わせです。学習トークンは約34兆で、視覚データは従来の4倍に増やし、非ラテン文字に対応するためトークナイザーを拡張して語彙を12万8000へ倍増させました。事後学習は教師モデルからの蒸留を含む教師ありファインチューニングと、多目的の強化学習の2段階で進めています。

大量の画像を扱う業務ほど、クラウドAPIの従量課金と通信遅延が重くのしかかります。端末側で完結する3B級モデルがこの水準に届いたことは、コストと機密保持の両面で選択肢を広げる動きと言えます。llama.cppやMLX、vLLM、SGLang、ONNXに初日から対応し、ブラウザで試せるWebGPUデモと微調整用のチュートリアルも用意されました。

NVIDIAは8月11日、AIデータセンターの電力供給を交流から800ボルト直流（800VDC）へ移行する構想を公式ブログで示しました。GPUの消費電力とラック密度が上がるなかで、課題は電力の総量ではなく電力網からGPUまでの届け方にあると同社は指摘します。GoogleおよびMicrosoftと共同で仕様を策定し、既存施設が今から移行できる手段も併せて提示しました。

従来の給電では、電力網から届いた交流を何段階も変換してからサーバーに届けます。変換のたびに損失と機器が積み上がり、ラックが高密度になるほど小さな非効率が急速に膨らみます。800VDCは高い電圧の直流で配電することで変換段数を減らし、より多くの電力を演算そのものに回す設計です。

最初の受け皿となるのが、2026年後半に登場するMGX対応の800VDC給電ラックです。既存の交流設備の中に置いてラック列内で800VDCを供給する構成のため、建屋の電気設備を作り替える必要はありません。土地や受電権、建物といった既に投じた投資を無駄にせずに高密度化へ進める点が、稼働中の事業者には大きな意味を持ちます。

拡張の道筋は三段階で描かれています。次の段階となる列単位の電源センターは、頭上の800VDCバスウェイで配電し1列あたり最大2メガワットに対応、2027年の提供を見込みます。新設施設向けには、受電した電力を一段で800VDCへ変換する施設規模のDC電源ブロックが用意され、中電圧からの直接変換を可能にします。

仕様はOpen Compute Project（OCP）を通じて公開され、2026年3月に共同ホワイトペーパー、7月にはLVDC固体変圧器仕様v0.3が出ています。共通インタフェースを定めたことで異なるベンダーの電源機器を同じ施設で組み合わせられ、すでに80社を超える機器メーカーが対応製品を開発中です。これらの構成要素はNVIDIA DSXリファレンスデザインとして、設計の青写真にまとめられています。

Wood Mackenzieは2040年までに世界のAI・データ基盤投資が9兆ドルに達すると予測しています。その投資を受け止められるのは、演算需要が設備の限界を超える前に電力アーキテクチャを片付けた施設だという見立てです。電源設計をいつ手当てするかが、今後のAI基盤投資の巧拙を分ける論点になりそうです。

フランスのAI企業Mistral AIは8月11日、欧州のAI計算基盤を2030年末までに1ギガワット規模へ拡大する構想を発表しました。欧州の大手企業から複数年の計算利用契約を集め、その需要を担保にデータセンター投資を賄う仕組みで、2027年末には200メガワットの確保を目指します。あわせて、処理地域を欧州か米国から選べる推論エンドポイントと、稼働率保証付きの上位プランも提供します。

構想の壁は資金です。同社の現在の容量は200メガワット未満で、稼働中の拠点はパリ近郊の44メガワット、スウェーデンの23メガワット、フランス・レジュリの10メガワットにとどまります。調査会社Epoch AIの試算では1ギガワット級のAIデータセンターに約380億ドルの初期投資が必要とされ、これまでの調達総額約40億ドルとは桁が違います。

そこで持ち出したのが「欧州コンピュートユニット（ECU）」です。参加するのはASML、Amadeus、Capgemini、CMA CGMといった欧州の産業大手で、約5年分の計算能力を先に押さえ、推論・学習・モデル調整など用途は後から決められます。共同創業者兼CTOのティモテ・ラクロワ氏は途中解約について「抜ける道はない」と言い切り、電力購入契約に近い拘束力で融資の裏付けを作る狙いです。

主権をうたう一方で、線引きは現実的です。域内推論でも一部の処理は域外の再委託先に渡る場合があり、ラクロワ氏はWeb検索などのツール呼び出しを例に挙げたうえで、欧州で調達できない機能は無効化や利用制限で対応すると説明しました。さらに同社は中国Z.aiのGLM-5.2を皮切りに他社のオープンモデルも自社基盤で提供し、モデル提供者から欧州の信頼できる流通層へと立ち位置を移しつつあります。

最大の顧客は、皮肉にもMicrosoftです。7月に結んだ数十億ドル規模の提携で同社はMistralの欧州データセンターから容量を借り受けており、Mistralは米ハイパースケーラーに設備を貸す側に回ることで投資リスクを下げています。ただしデータセンターを埋めるGPUの大半はNvidiaなど米国製で、独立性には契約では埋められない限界も残ります。

では、重みを無償公開するモデルでどう回収するのでしょうか。ラクロワ氏は、モデルが兆パラメータ規模に膨らみエージェント型の処理量が増えるなかで自社設備だけに推論を閉じ込めるのは難しくなると述べ、クラウド推論での収益化に賭ける考えを示しました。同社は約200億ユーロの評価額で30億ユーロ規模の追加調達を交渉中と報じられており、顧客を5年縛る以上、自らも長期の約束から降りられません。

AI企業のMultiverse Computingは2026年8月10日、大規模言語モデルの知識蒸留にかかるGPUメモリを大幅に削減する手法を論文とともに公開しました。教師モデルの出力を事前に保存するオフライン蒸留と、語彙全体の行列を作らない融合チャンク型KL損失という二つの改良により、これまで数百基のGPUを要した工程を1ノードで回せるようにしたのが要点です。

従来の蒸留は教師と生徒の両モデルを同時にメモリへ載せ、各トークンで語彙全体の確率分布を計算する必要がありました。gpt-oss-120bの語彙は20万1088トークンあり、系列長32K・バッチ4では教師側の確率テンソルだけでbfloat16換算で約50GBに達します。勾配や活性値、最適化器の状態まで含めると1回の学習ステップは約250GBに跳ね上がり、H200やB200の搭載量を超えてしまいます。

今回の手法はまず教師の出力を1度だけ計算し、位置ごとに上位100件のロジットだけを保存します。学習中に教師をメモリへ置く必要がなくなり、同じキャッシュを何度もの追試で使い回せます。もう一つの融合チャンク型KL損失は出力層の射影を損失計算に組み込み、系列を小さな塊ごとに処理しては捨てることで、巨大な比較行列を一度も作りません。

では実際にどれだけ軽くなるのでしょうか。出力層だけを取り出したベンチマークでは、32Kトークン時のピークメモリが85.2GiBから5.45GiBへと15.6分の1に下がり、従来手法が動かない64Kトークン以降でも学習を続けられました。GPT-OSS 20Bを32Kで蒸留した実測でも必要なGPUノードは4から1へ減り、1ステップは57.0秒から12.23秒へと約5倍速くなっています。

精度面でも、上位100件のロジットしか使わないオフライン学習の損失曲線は従来のオンライン蒸留とほぼ重なり、実質的な劣化は確認されていません。Llama 3.1 8B Instructから約32億パラメータへ圧縮した生徒モデルはBoolQやHellaSwagで教師の精度をほぼ保ち、MMLUでも差は約9ポイントにとどまります。同社はチャンク損失の実装をGitHubで公開しており、自社で蒸留を試す企業にとって検証の敷居は確実に下がりました。

米スタートアップのDiscovered Materialsは8月10日、AIエージェントの群れを使って発熱の少ない半導体材料を探し出す事業で、900万ドルのシードラウンドを実施したと明らかにしました。出資はLightspeed Indiaが主導し、Peak XVやYコンビネーター創業者のポール・グレアム氏らも参加しています。AIの電力消費と冷却という問題を、AI自身で解こうという発想です。

創業者はAdvaith Sridhar氏とAkash Ramdas氏の2人です。スタンフォード大学で材料科学の博士号を取得したRamdas氏の知見と、Persona AIやLuma Labsでエージェント開発に携わったSridhar氏の技術を組み合わせ、Anthropicのモデルを独自のハーネスで動かして材料候補を生成します。挙がった候補は、自社で訓練した基盤物理モデルによるシミュレーションで有望かどうかを検証する仕組みです。

速度の差は歴然としています。「博士課程の頃は1日20回ほどの推測でした。いまはエージェントをクラウドで24時間動かし、1日に数千回の推測ができます」とSridhar氏は説明します。同社はこの日、新材料の例を数百件公開したほか、フロンティアモデルの材料探索能力を測るベンチマーク「Material Discovery Bench」も発表しました。

材料探索にAIを使う動きは、MatNexやSandboxAQ、CuspAIなども進めています。そのなかでDiscovered Materialsは半導体の熱問題に的を絞る点で勝負しており、大手チップメーカーが使う既存材料と同等の性質を持つ材料をすでにいくつか発見したとしています。ただし詳細は公表していません。

難しいのは工学上のトレードオフです。発熱を抑えられる材料が見つかっても、その材料でチップを製造できなかったり、電気特性が損なわれたりすれば意味がありません。出資を主導したLightspeedのHemant Mohapatra氏は「原子構造を相手にしたモグラたたきのようなもの」と表現し、すべての条件が同時にそろって初めて実用になると指摘します。

もっとも、AIが見つけた薬や材料が商業的な成果を上げた例は、まだほとんどありません。生成AI由来で初めて第2相臨床試験に進んだInsilico MedicineのRenterosibが最も近い例で、材料分野では有望な候補が出ても大規模な実用化には至っていないのが現状です。Mohapatra氏も「候補を正しく絞り込み、合成することがボトルネック」と語り、Sridhar氏自身も実際にウェットラボで作る工程は短縮できないと認めています。

AIクラウド新興のFirebirdは8月8日、アルメニア・フラズダンで独立国家共同体（CIS）地域最大となるAIファクトリーを稼働させました。NVIDIAのアクセラレーテッドコンピューティングとDell Technologiesの高性能AI基盤を採用し、わずか6カ月強で立ち上げた施設です。開所式にはアルメニアのパシニャン首相やカザフスタンのマディエフ副首相、米国のアレン臨時代理大使が出席しました。

Firebirdは2027年末までに、NVIDIAのRubinとBlackwellのGPUを7万基超、電力容量にして300メガワット分をアルメニアに展開する計画です。学習から微調整、推論までを国内で完結できる計算資源を、開発者やスタートアップ、企業、大学、公的機関に開放します。自国の言語や産業、国家的な優先課題に合わせたAIを自前で動かせる体制を整える狙いです。

この規模では電力効率が生命線になります。基盤にはNVIDIAのDSXプラットフォームを採用し、演算とネットワーク、電力、冷却を一体で設計することで、同じ設置面積でも最大40%多いGPUを稼働できるとしています。サーバーはDellのPowerEdgeを用い、1ドルあたりのトークン生成量と1メガワットあたりの収益性を高める構成です。

電力インフラはSchneider Electricが担当し、中圧・低圧の配電盤や三相無停電電源装置、ラック筐体を短期間で供給しました。冷却はVertivが冷水方式と高度な制御、TrimCoolerを組み合わせた構成を提供し、iCOM CWMで冷却資源を集中管理します。負荷変動の大きいAIワークロードに合わせ、電力と冷却の整備を計算基盤の構築速度に追随させた形です。

Firebirdは、NVIDIAが同社に出資する意向を示したことも明らかにしました。今年に入ってからのCoreWeaveによる出資に続くもので、フロンティア市場での大規模な計算クラスター構築に充てる考えです。同社はアルメニアやカザフスタンなどで約2ギガワット規模のAIインフラ構想を掲げており、初期需要としてAIエージェント基盤と回答エンジンを手がけるPerplexityが利用を始めています。

Metaは8月5日、大規模なコードベースを扱うターミナル型のAIコーディングエージェントMuse Codeをベータ公開し、コーディング特化モデルMuse Spark 1.2も同時に投入しました。ザッカーバーグ最高経営責任者によると、変更の計画からコード記述、結果の検証までを一貫して担います。AnthropicのClaude CodeとOpenAIのCodexが二強を占めてきた市場への本格参入です。

設計上の最大の賭けは、非同期のバックグラウンドエージェントです。タスクごとに補助エージェントを立ち上げる競合と違い、Muse Codeは専門化したエージェントをセッション中ずっと常駐させ、同じ情報を何度も集め直す無駄を省きます。大きな仕事では独立したgit worktree上で並列にサブエージェントを走らせるため、開発者の作業コピーには手を触れません。

もう一つの軸が監査性です。モデル呼び出し、ツール実行、承認、編集のすべてが実行前にローカルのイベントログへ追記され、Metaはこの実行基盤を再現可能で再起動に強いと説明します。20時間動かした処理が落ちても中断点から正確に再開できる仕組みは、不透明なエージェント実行に悩んできた開発責任者にとって評価材料になりそうです。

肝心の性能はどうでしょうか。Terminal-Bench 2.1ではMuse Code上のMuse Spark 1.2が82.9%を記録し、Codex上のGPT-5.6 Terra（81.8%）を上回った一方、Claude Code上のOpus 5が示した86.7%には届きませんでした。Meta自身が設計した社内ベンチマークでも約9ポイント離されており、公開された3つの図表すべてでClaudeが首位に立っています。

議論を呼びそうなのが価格です。標準ティアは100万トークンあたり入力1.25ドル・出力4.25ドルで学習には使わないと明言する一方、コントリビューターティアは入力0.10ドル・出力0.20ドルと約12分の1・21分の1まで下がる代わりに、プロンプトと応答をMetaの学習に使う許諾が条件になります。毎分60リクエストという厳しい制限もあり、実運用より個人の試用を想定した水準です。

今回の発表にオープンソースへの言及は一切ありません。累計12億回以上ダウンロードされたLlamaで開放路線の旗を振ってきた企業が、4月のMuse Spark以降は重みを公開せず、CLIをApache 2.0で公開したOpenAIやGoogleとは逆方向へ進んでいます。無料の重みで支持を集める戦略から、安いトークンで学習データを集める仕組みへの転換であり、経営者が問われるのはその対価に自社コードを差し出せるかどうかです。

SpaceXは8月4日、6月の新規株式公開後としては初となる四半期決算を発表しました。AI部門の売上高は前年同期の3倍超となる26億ドルに達し、宇宙事業の9億6200万ドルを大きく上回っています。AnthropicとGoogleに対する計算資源の提供契約が伸びを牽引し、社名に反してAI企業としての性格を強めた四半期となりました。

全体では赤字が続いていますが、四半期の純損失は1億4300万ドルまで縮小しました。AI部門単体では15億ドルの損失を計上しており、前年同期をわずかに下回る水準です。AI向けの能力増強に伴い、設備投資額は183億7000万ドルに膨らんでいます。

収益構造を見ると、Starlinkの通信事業が42億ドルと最大の稼ぎ頭で、同社で唯一の黒字部門です。宇宙事業では技術開発費が前年同期比で3億8900万ドル増え、Starshipが支出の主因となりました。重量の増したStarlink衛星の打ち上げが通信事業の拡大を左右するため、今回の資料では20機を打ち上げたと説明しています。

AIデータセンターへの投資は、Musk氏の企業群をまたぐ取引としても表れています。SpaceXは第2四半期にTesla製の蓄電池Megapackを2億9500万ドル分購入し、今年の累計は3億2900万ドルに達しました。xAIとの統合前には同社が4億3000万ドル分を購入しており、電池はGPUの需要変動に伴う電力の山を平準化する設備として使われているとみられます。

決算は市場予想を上回ったものの、株価は時間外取引で一時上昇した後に下落しました。企業向けAI製品を担うCursorの買収はまだ完了しておらず、Musk氏は規制当局の承認について完了は近いと述べるにとどめています。

AIインフラ企業のRunwareは8月4日、輸送可能なモジュール型データセンター「Sonic Inference Pod」を発表しました。単一の輸送ユニットとして設計され、電力があればどこにでも設置でき、数日で立ち上げられる点が特徴です。ハイパースケーラーが進める巨大データセンター計画と並存する、より柔軟な計算資源の選択肢として位置づけています。

同社によると、Podは他のサーバーレス推論基盤やGPUクラウドよりも高い品質の推論を低コストで提供できるといいます。モジュール設計のため、固定的な施設を拡張するのではなく新しいPodを追加するだけで短期間で容量を増やせるのが利点です。冷却には水を使わず、閉ループ方式を採用しています。

Runwareは現在、米国、欧州、アジア太平洋の3地域で10基のPodを稼働させています。すでにHiggsfield AIやWixなどへ推論を提供しており、Podを設置できる拠点は160カ所を確保済みです。2025年12月には5000万ドルのシリーズAを調達しています。

OpenAIなどが大規模データセンターの建設を急ぐなか、共同創業者兼CEOのFlaviu Radulescu氏はそれらを脅威とは見ていません。全Podが単一のネットワークとして動くため、リクエストは空き容量のある拠点へ回り、1基が停止しても他へトラフィックを振り替えられると説明します。専用ハードウェアを求める顧客にはPod単位で割り当てるとしています。

一方、データセンターの資源消費は各地で議論を呼んでおり、立地する地域では光熱費の上昇も報告されています。Radulescu氏は、AIの電力消費は供給者ではなく推論需要によって増えると述べたうえで、送電損失なし、冷却に水を使わない設計と既存電力の活用により、同じ計算量あたりの送電網の新設と水の消費を抑えられると主張しています。

NVIDIAは8月4日、カリフォルニア州サンタクララで開幕したメモリー・ストレージの業界会議FMSで、GPUがストレージへ直接読み書きするためのAPI群「cuFile」を下層のソフト基盤ごとオープンソース化すると発表しました。AIエージェントが膨大なデータを消費し、GPU自身が数千規模の同時要求を発行するいま、演算能力だけでなくデータを供給する保存基盤が次の性能を左右するとの見方が背景にあります。

cuFileはNVIDIA GPUDirect Storageを構成する要素で、数十万規模のGPUスレッドと広帯域メモリーを使い、マイクロ秒単位でストレージ上のデータへ安全に到達できるようにする技術です。公開先のリポジトリではGoogle、Intel、NVIDIA、Metaが初期メンテナーを務め、Linuxの作法に沿った安全性優先のストレージ基盤を業界で束ねる狙いがあります。

性能面では、NVIDIA Vera BlueField-4 STXに載るVera CPUが、圧縮と暗号化を組み合わせた2段のパイプラインでx86 CPU比最大3.21倍のスループットを示したベンチマークが公開されました。暗号化や圧縮、検証、復元といったデータサービスは、数千のエージェントが同時にアクセスすると詰まりやすい部分です。ここを肩代わりできれば、少ない計算資源でより多くのAIデータをさばけます。

業界横断の取り組みも動いています。NVIDIAが主導する「Storage-Next」にはDDN、KIOXIA、Micronなど40社を超えるストレージ・フラッシュ関連企業が参加し、GPU主導のストレージがどう振る舞うべきかを揃えたうえで、相互運用できる公開標準へ落とし込みます。その土台となるのが、並列動作するGPUが必要なデータだけをストレージから自らの高速メモリーへ直接引き出すSCADAという枠組みで、DDNは自社のAI向けデータ基盤Infiniaへの統合を進めています。

直接アクセスは速い一方、扱いを誤れば他プロセスのメモリーを壊しかねません。SCADAは役割を二つに分け、速度が要る利用者側の処理は信頼境界の外に置き、権限を持つ別の部品が設定時に許可されたストレージとの保護された経路を用意する方式を採ります。DDNのSven Oehme最高技術責任者は「AIの成否は保有するインフラ量ではなく、どれだけ生産的に使うかで決まる」と述べ、GPUとデータの直結が投資対効果を左右すると強調しました。

Liquid AIは2026年8月4日、端末上で動くAIエージェント向けの小型モデルLFM2.5-2.6BをHugging Faceで公開しました。パラメータ数は26億と小型ながら、ツール利用や指示追従、複数手順のエージェント処理で最大約4倍の規模のモデルと競う性能を示しました。同社は大量処理を伴う端末内エージェントの用途を想定しています。

比較対象はgemma-4-E2B-it（51億）とgemma-4-E4B-it（80億）、Qwen3.5-4B（47億）、Qwen3.5-9B（97億）で、LFM2.5-2.6Bはこの中で最小です。指示追従系のIFBench、Multi-IF、IFStructではすべて首位となり、ツール利用でもBFCLv4を除いて最高値を記録しました。一方でコーディングのLiveCodeBenchv6は大型モデルが上回っており、同社も用途に応じた使い分けを促しています。

推論速度も特徴です。CPUではApple M5 Maxで毎秒220トークン、AMD Ryzen AI Max+ 395で毎秒113トークンを記録し、必要メモリは2.5GB未満にとどまります。毎秒30トークンあればスマートフォン上でもエージェントを動かせるとしており、GPUでは高並列時に毎秒約1万5000トークン、H100を1枚使えば1日あたり約13億トークンを処理できるとしています。

学習面では約34兆トークンで事前学習し、中間学習の段階で文脈長を128Kまで拡張しました。後訓練は4段階で、教師ありファインチューニングを2周、領域別の専門教師モデルの作成、それらを1つの生徒モデルに蒸留するMOPD、そして実際のエージェント基盤内で回すAgentic RLという構成です。RLではOpenClawやHermes Agentといったハーネスをブラックボックスのまま扱い、Harness Proxyでトークン単位の軌跡を取得する仕組みを採っています。

提供面では、llama.cpp、MLX、vLLM、SGLang、ONNXが初日から対応しています。利用にはtransformersの5.0以上が必要で、指示版とベース版の双方がHugging Faceで公開済みです。ブラウザ上で調査エージェントを試せるWebGPUデモも用意され、手元の環境でどこまで動くかをすぐ確かめられます。

アメリカのAI企業Anthropicが、新興クラウド企業Voltaと総額100億ドル規模の計算資源契約を結んだと、Bloombergが2026年8月4日に関係者の話として報じました。Voltaは6年間にわたり、Claudeを開発するAnthropicにクラウドの計算能力を供給します。競合他社との開発競争が続くなか、Anthropicが計算基盤の確保を急ぐ動きの一環です。

計算基盤の中核となるのが、ノルウェーに建設されるデータセンターです。開発では暗号資産マイニング企業のBitdeerが協業相手となり、施設の電力容量は133メガワットに達する計画です。Voltaは2026年に設立されたばかりの企業とされています。

施設にはNvidiaの最新AIチップ基盤であるVera Rubinシステムが導入されます。VoltaはNvidiaのGPUをデータセンターに採用するクラウド事業者の連合、Cloud Partner programにも名を連ねています。

Voltaはこれまで、あるAI研究機関との契約に言及しながらも、相手先の社名を明らかにしていませんでした。今回の報道は匿名の関係者の証言に基づくもので、TechCrunchはAnthropicに詳細を問い合わせています。

Anthropicはここ数カ月、計算能力の拡大を積極的に進めてきました。直近ではSpaceXやAmazonとの新たな計算資源契約も公表しており、調達先の多様化が進んでいます。経営者やエンジニアにとっては、モデル提供の安定性を左右する動きとして注目に値します。

OpenAIは8月3日、対話型音声AI「GPT-Live」を支えるリアルタイム基盤の設計を公開しました。従来の音声AIが使っていた「話し終えたか」を推測する小型モデルを音声の経路から取り除き、聞くことと話すことを同時に行う全二重モデルを中核に据えたことで、人間同士の会話に近い1秒未満の応答を実現したといいます。担当エンジニアは半年かけて、推論・文脈管理・伝送の全層を作り直しました。

これまでの音声AIは、テキストLLMのターン制をそのまま引き継いでいました。小型の判定器がユーザーの発話終了を推測し、その決定が出るまで大きなモデルは動き出せず、早すぎれば言葉を遮り、遅すぎれば反応が鈍く感じられます。GPT-Liveはこの判定器を音声経路から外し、モデル自身が会話の主導権を握る構成へ切り替えました。

新基盤の要は、音声の流れとアプリケーション処理を明確に分けた点です。音声はクライアントとモデルを結ぶ専用の高速経路を流れ、ツール実行や外部連携は非同期のRPC境界の向こう側で処理されるため、遅いツール呼び出しが音声を止めることはありません。媒体処理と推論制御はPythonのasyncioからGoへ書き換えられ、フレーム配信の安定性は新方式のp95が旧方式のp50に並ぶ水準まで改善しました。

長時間の通話を支えるのが、モデルインスタンス間の無停止の引き継ぎです。切り替えが必要になると、複製先を先に温めて現在の文脈を読み込ませ、両方で並行して推論したうえで準備が整った時点で切り替えます。文脈が上限に近づいたときの圧縮も同じ仕組みで裏側に逃がすため、KVキャッシュの再構築による沈黙が会話に現れません。

深い思考が必要な場面では、GPT-5.5などのフロンティアモデルに処理を委ねます。音声セッションの開始時点でフロンティア側の推論セッションを作って初期文脈を先に処理させ、プロンプトキャッシュとセッション固定を組み合わせることで、結果が返るまでの時間を削っています。会話画面や分析・安全性の仕組みは今も発話単位のメッセージを前提とするため、アプリサーバーが暫定的な文字起こしと時間情報から話者を推定し、確度が高まった時点でメッセージを確定させています。

接続の立ち上がりも作り直しました。WebRTCの手順を整理した新プロトコルWARPで開始時の往復を6回から1回に減らし、接続情報を事前に交渉するInstant Connectと合わせて、単一のUDPパケットで会話を始められるようにしています。本番トラフィックの一部を読み取り専用で流すシャドーテストでは、GPUの処理量だけでは必要な容量を測れないことが判明し、同時セッション数を基準に据え直したといいます。

元OpenAI最高技術責任者のミラ・ムラティ氏が率いるThinking Machinesは7月31日、オープンソースの推論モデルInkling Smallを公開しました。総パラメータは2760億と、2週間前の旗艦モデルInklingの9750億から約4分の1に縮みましたが、第三者機関の知能指数は40と、Inklingの41に1点差まで迫ります。ライセンスは商用利用しやすいApache 2.0です。

性能は単に近いだけではありません。同社の計測では、コーディング能力を測るSWE-bench Verifiedで80.2%とInklingの77.6%を上回り、Terminal Bench 2.1でも64.7%対63.8%と逆転しました。一方で事実知識や一部のエージェント課題は旗艦が優位で、金融系のτ³-Bankingは15.5%とInklingの23.7%に届きません。

規模を抑えられた理由は、疎なMixture-of-Experts構成にあります。42層のデコーダーが各トークンを256の専門家のうち6つに振り分け、常時働く共有専門家2つと合わせて、1トークンあたりの実効パラメータは120億に収まります。テキスト・画像・音声を同じ表現空間で処理する設計で、推論にかける計算量も課題の難易度に応じて調整できます。

ただしSmallという名前は、あくまで旗艦との比較です。BF16版の実行には合計600GB以上のGPUメモリが必要で、同社はNVIDIA B300を4基、またはH200を8基という構成を挙げています。NVFP4に量子化すれば約180GBまで下がりますが、それでもノートPCや一般的なワークステーションでは動きません。

企業にとっては、ベンチマーク以上にライセンスが効いてきます。Apache 2.0は改変・再配布・自社製品への組み込みを広く認めるため、売上条件や利用制限を付ける独自の「オープン」ライセンス、たとえば今週重みが公開されたMoonshotのKimi K3と比べて、法務や調達の負担が軽くなります。ただし利用規約やデータ来歴の確認まで免除されるわけではありません。

同社の研究者Horace He氏はXで、Inklingの公開には大勢の手が必要だったのに対し、Inkling Smallは既存のパイプラインに小さいモデルを通すだけの定型作業に近かったと述べています。事前学習データの改良と、Inklingを教師にしたオンポリシー蒸留、2週間の強化学習を積み上げた成果です。オープンな多モーダルモデルを継続的に出す体制が整いつつある、という点こそが最大の合図かもしれません。

AIモデル開発企業のDharma AIは2026年7月30日、Hugging Faceのブログで、企業AIの最大の制約がGPUの調達から稼働率へ移ったとする論考を公開しました。遊休状態のGPUは地上に留め置かれた航空機と同じで、使われていない間も資本費や電力費だけが積み上がると指摘しています。同じ規模の投資をしても、導入した装置をどれだけ働かせられるかで企業間の差が開くという主張です。

航空業界では、機体の費用が資金調達や減価償却、整備契約として暦の時間で発生する一方、収入は飛行した時間でしか積み上がりません。GPUも同じ構造で、購入資金や電力、冷却の費用は止めている間も動き続けるのに、成果は計算を回した時間分しか出ません。だからこそ保有台数より稼働率が経営を左右するというのが、この論考の出発点です。

2020年にMicrosoftがOpenAI向けに1万基超のGPUと28万5000基のCPUコアを備えた専用機を構築した当時、計算資源は手に入れさえすれば解決する問題に見えました。2026年にはAnthropicがAmazon、Google、Microsoft、AMDの4基盤にまたがるギガワット級の契約を数カ月のうちに重ね、Metaも同規模の契約を結んでいます。資金が潤沢な陣営でも単一の供給元では足りない現実が、計算資源の逼迫を示しています。

企業側の事情も変わりました。APIの利用料はトークン量に比例して増えるため、実証実験では収まっても本番規模では採算が合わず、自前のGPUを持って固定費に切り替える動きが広がっています。ただし設備はピーク需要に合わせて用意するので、平常時は余剰が残るのを避けられません。

難しいのは、余った容量が何にでも使えるわけではない点です。今日のGPUは学習や微調整、量子化、リアルタイム推論、バッチ処理、埋め込み生成までを同じクラスタで担いますが、求められる遅延やメモリ、占有時間は用途ごとに異なります。平均稼働率が高く見えても条件に合うGPUが埋まっていればジョブは待たされたままで、シカゴにある機体をダラスにもデンバーにも飛ばせる航空機のようには融通が利きません。

そこで浮上しているのが、処理とモデルとハードウェアの間に立ち、どの仕事をいつどのGPUで走らせるかを常時決めるGPU Managementと呼ばれる運用領域です。調達の判断が一度きりなのに対し、割り当ての判断はジョブが終わるたび、要求が届くたびに発生するため、人手ではなく自動化が前提になります。論考は、必要な資源量を減らす小型の特化モデルと、空いた容量を配り直す管理層はどちらか一方では足りないと結び、両方を使いこなす企業が今後10年の競争を主導すると述べています。

テキサス大学オースティン校のリジー・K・ジョン教授が、掛け算を一切使わないニューラルネットワークの研究成果をIEEE Spectrumで語りました。入力に重みを掛ける代わりに、二値の入力を相互接続したルックアップテーブルへ通す「重みなしニューラルネットワーク」で、用途次第で従来手法の1000分の1のサイズや速度でも同等の精度が出るといいます。狙いはAIの電力消費を根本から減らすことです。

きっかけは数年前に誘われた週次ミーティングでした。ルックアップを使う発想自体は新しくなく、1980年代にイギリスでパターン認識向けの商用製品が作られた後に姿を消し、リオデジャネイロ連邦大学の研究者が細々と続けてきた技術です。ハードウェア実装の経験を見込まれたジョン教授は、半年足らずでFPGA上に動くものを作り、GPUなしで動く極小のネットワークを実現しました。

成果はすでに数字で出ています。人の活動認識や心電図、脳波、血圧といった医療モニタリングのデータセットでは、消費エネルギーが1000分の1で済み、他の小型AIモデルが17メガバイトを要する課題を自チームは14キロバイトでこなしました。ウェイクワードの検出でも、業界最良モデルが1推論あたり5000ナノジュール超なのに対し、42から79ナノジュールで動きます。

小ささは、センサーの上で直接処理できることを意味します。生データを1ミリ秒ごとに送信する必要がなくなり、電力を節約できるうえ、データが端末から出ないプライバシー上の利点も生まれます。曲げられるプラスチック基板に載せた不整脈検出器は論理ゲート約1万個しか使わず、この基板は製造時の水の使用量も通常の半導体より少なくて済みます。

本命はやはり言語モデルです。Transformerはアテンション層と多層パーセプトロンを交互に重ねる構造ですが、ジョン教授のチームはネットワークのおよそ半分を占める多層パーセプトロン部分の置き換えにすでに成功しています。残るアテンション層は未着手で、ここが大規模モデルへ届くかどうかの分かれ目になります。

導入のハードルは高くないといいます。学習データは現行モデルと同じもので足り、むしろ少なくて済む可能性があり、スタックの他の部分を変える必要もありません。ただし学習は当面GPUに頼らざるを得ず、研究者の数もTransformer勢に遠く及ばないため、大規模言語モデルでの実証が仲間を増やせるかどうかが鍵になりそうです。

ビジネス特化SNSのLinkedInが、先月始まった今会計年度にAIデータセンターの増設を見送ります。エンジニアリング担当CTOのエラン・バーガー氏らがWIREDに明かしたもので、GPUへの投資を現状のまま維持し、計算資源と保管容量の規模も横ばいに据え置く方針です。生成AI機能を次々と投入しながら設備は増やさないという、利用者13億人超の大手として異例の判断になります。

据え置きを可能にしたのは、過去半年で既存GPUの利用効率を2倍に高めた取り組みです。インフラ担当CTOのラグー・ヒレマガルール氏によると、チームごとの計算資源と保管容量の使用量を測る仕組みを整えたうえで、機器が遊ぶ時間が減るようにジョブの割り当てを最適化しました。学習側のGPU稼働率は95%を超える水準にあるといいます。

モデル側の工夫も重ねました。求人推薦では大規模モデル2つから蒸留した小型モデルを使い、条件に合う求人の抽出と応募者がクリックする確率の予測を1つのモデルで担わせています。フィード表示のモデルでも、学習の効率化や過去の推薦結果の再利用、CPUとGPUの負荷分散など数十の改良を積み上げ、品質を落とさずに運用コストを下げたとしています。

Nvidia向けの基盤ソフトを書き換えて設計上の想定より大きな処理をこなせるようにしたほか、価格と消費電力で不利なGPUの処理の一部をCPUへ移しました。こうした効率化による節減額は直近12カ月で約2400万ドル、GPU約1100基を1年間動かし続けた分に相当します。年商180億ドルの同社にとって金額そのものは大きくないものの、資源に余裕が生まれる分だけ次の開発に早く着手できる利点があると経営陣は説明します。

背景には、2022年からオレゴン州、テキサス州、バージニア州で自前のデータセンターを運用してきた経緯があります。Microsoftによる2016年の買収後にAzureへの移行を試みたものの採算が合わず、自社保有に切り替えたことで設備の細部まで制御できるようになりました。保管するデータ量が毎年倍増する状況を持続可能ではないと判断し、学習から推論まで各段階で最適化を進めたのです。

サーバー価格が数カ月で3倍になった例もあるなか、同社は先行購入で調達コストを一部抑えています。ガートナーのチラグ・デケート氏は、買い増せば節約できるという従来の発想は成り立たず買い増しはコストを増やすだけだと述べ、企業の姿勢が変わりつつあると指摘します。一方で制約を強めすぎればAIの目標か支出凍結かのどちらかを譲る場面が来るとも警告しており、LinkedIn側も将来の増設は否定せず四半期ごとに判断を見直す構えです。

OpenAIは7月29日、性能とコスト効率を両立した新モデル群「GPT-5.6」を発表しました。旗艦の「Sol」は最大推論時に競合のClaude Fable 5をコーディング指標で上回りつつ、費用を半分以下に抑えます。同社はモデル・推論・エージェント基盤の全層を最適化し、トークンあたりの知能効率を過去最高に高めたとしています。

モデルは3種類で構成されます。中位の「Terra」は前世代のGPT-5.5と同等の知能を半額で提供し、最軽量の「Luna」はSol比で8割安という最速・最安の位置づけです。用途に応じて費用と能力を選べる設計になっています。

効率化は推論基盤の全面的な見直しで実現しました。負荷分散やキャッシュ、投機的デコードの改良に加え、GPU向けのカーネル最適化によって処理全体の提供コストを2割削減しています。投機的デコードではトークン生成効率が15%超向上しました。

注目すべきは、これらの最適化の多くをGPT-5.6自身が担った点です。Codex上で動く「Sol」が本番環境のカーネルを自律的に書き換え、TritonやGluonといったGPUプログラミング言語で改善を進めました。エージェントを制御するRust製の基盤も見直し、文脈の肥大化を抑える遅延探索などで各リクエストを効率化しています。

OpenAIはこの4年で利用者を10億人、法人を200万社超へ拡大しました。計算資源の需要が供給を上回るなか、効率はシステム設計の中核だと同社は強調します。AIがAI自身を最適化する循環が、今後の低コスト化を一段と加速させる可能性があります。

AI動画生成のRunway ML幹部が、7月に開催されたVB Transform 2026で、リアルタイム動画モデルの厄介なバグを新機能に転換した事例を明かしました。同社のエンタープライズ製品責任者Ryan Phillips氏によると、AI生成アバターが動画生成中に画面中央からずれる不具合を数週間かけて修正しようと試みたものの、根本解決には至らなかったといいます。最終的に選んだのは、バックエンドの修正ではなくユーザー体験側の工夫でした。

チームが突き止めたのは、ユーザーの入力画像が完全に中央へ配置されていれば動画が安定するという事実でした。そこで同社は、生成前に画像を自動で中央へ補正する「Optimize for Image Quality（画質最適化）」というフロントエンド機能を導入します。モデル側の限界をあえて製品機能として包み込むことで、利用者には欠陥ではなく便利な機能として映るようになったのです。

そもそもリアルタイム動画の実現には、高度に最適化された技術スタックが欠かせません。巨大な基盤モデルの事前学習から始め、小型で高速な生徒モデルが教師モデルを模倣する蒸留によって生成時間を8〜9割削減し、さらに敵対的ポストトレーニング（APT）で失われた画質を取り戻します。このアーキテクチャ変更こそが、皮肉にも冒頭のドリフト不具合を生んだ原因でもありました。

品質管理の要は、堅牢な評価セットにあるとPhillips氏は強調します。製品・デザイン・研究・営業が部門横断で「成功」の定義をすり合わせ、日々のテスト結果はなんとExcelの表計算で「軽微」「重大」に分類して管理しているといいます。近年はLLMを審査役として使い、モーフィングなどの視覚的な破綻を自動で採点させる手法も取り入れています。

インフラの細部も見逃せません。Runway Characters公開直後、API呼び出しの8%が16fpsに落ち込み動画がカクつく問題が発生しました。チームはClaudeを搭載したAIエージェントとDatadog、Sentryを併用して原因を追跡し、us-east-1の特定データセンターに絞り込みます。解決策は設定変更ではなく、GPUの物理的な交換でした。

米Googleが決算シーズンに設備投資の見通しを引き上げ、AIブームを支えてきた巨額投資への警戒感が市場に広がっています。同社は年間支出の予測を従来の最大1900億ドルから最大2050億ドルへと上方修正し、下限の1950億ドルでも前回の上限を上回りました。投資家にとって深刻なのは、Googleが自社のコストを正確に見通せないと事実上認めた点であり、収益を上回る支出の拡大が不安を強めています。

こうした支出圧力はGoogleだけの問題ではありません。今週はMetaやAmazon、Microsoftが相次いで決算を発表する予定で、いずれもデータセンター建設で想定以上の支出を計上するとの見方が広がっています。価格を据え置くか引き下げざるを得ない環境下での投資拡大は、支出に見合う収益を得にくいことを意味します。

投資家の神経質さを示す動きは他にもあります。Nvidiaは合計7500億ドル規模の商談を進めており、なかでもOpenAIの債務2500億ドルを保証する取引は、需要の強さよりも資金調達の逼迫を映すとの指摘が出ています。OpenAIの代替指標とされるOracleでは信用リスクが約18年ぶりの高水準に達し、上場したばかりのSpaceXの株価もピークから半値近くまで下落しました。

さらに中国の新興企業Moonshotが新モデルを公開したことも、市場の不安に拍車をかけました。中国勢はGPUへのアクセスが米国ほど潤沢でないにもかかわらず競争力のあるAIを実現しており、事実であればNvidiaなどの特需に終わりが見える可能性があります。これはデータセンターの過剰建設が進んでいる兆候とも受け取れます。

AIブームに楽観的な投資家も、過剰建設と将来の調整局面は避けられないと見ています。それでも生き残る企業の利益が淘汰される企業の損失を上回ると考え、投資を続けているのが実情です。今週の他社決算が市場を安心させれば不安は和らぐ一方、一部の投資家はすでに資金を他へ移し始めており、当面は神経質な展開が続きそうです。

米Googleと日本の通信大手KDDIは7月28日、日本のAIネイティブ新興企業を支援する「AI Startup Support Program」を共同で立ち上げると発表しました。GoogleのAI投資基金「AI Futures Fund」を日本へ広げる取り組みで、選定企業には資金・最新モデル・計算資源・専門支援を一体で提供します。両社は日本を世界有数のAI開発拠点と位置づけ、革新的なチームの成長を後押しする狙いです。

支援の柱の一つが共同出資です。選ばれた企業は、AI Futures FundとKDDI Open Innovation Fundの双方から株式投資を受けられます。複数の後ろ盾を資金面で得ることで、事業拡大を加速しやすくなります。

技術面では、Googleの先進的なAIモデルへ早期にアクセスできます。対象には対話AIのGeminiのほか、画像生成の「Nano Banana」や音楽生成の「Lyria」が含まれます。開発中のモデルについて、研究者へ直接フィードバックを届ける機会も用意されます。

計算資源では、Google Cloudのクレジットに加え、日本国内に整備されたソブリンGeminiやGPUのクレジットを提供します。これらはKDDIの大阪堺データセンターを通じて国内で供給される点が特徴です。データを国内で扱いたい企業にとって、機密性の高い用途でも使いやすい体制と言えます。

さらに、GoogleとKDDIの研究者やエンジニア、プロダクトマネージャーによる実践的な技術支援を受けられます。販路開拓や事業機会の紹介も含まれ、技術と事業の両面から成長を支えます。両社は野心的なビジョンを持つ日本のチームに応募を呼びかけており、詳細はAI Futures Fundのサイトで公開されています。

米カリフォルニア州パロアルトを拠点とする音声AIスタートアップのFish Audioは7月28日、シードラウンドで5200万ドルを調達したと発表しました。ラウンドはCoreline VenturesとCapital Todayが主導し、359 CapitalやHF0など複数のVCが参加しています。より高度なモデル開発と企業向け展開の加速に充てる方針です。

同社は表現力と操作性の両立を掲げ、1万5000種類を超える自然言語制御を提供する点が特徴です。昨年のローンチ以降、オープンソース版とホスト版を合わせて800万人超が利用し、年間経常収益は2100万ドルに達しています。顧客にはHeyGenやSanasといった企業が名を連ねます。

創業は元Nvidia研究者のShijia Liao氏が、市場の合成音声に不満を抱き単一GPUで音声生成モデルを訓練しオープンソース化したことに始まります。GitHub上の「Fish Speech」リポジトリは3万1000を超えるスターを集め、直近1年で音声生成4種と音声認識1種の計5モデルを投入しました。最新の「S2.1 Pro」は有料APIのみで提供しています。

一方で、ユーザーが自分の声を提供し採用時に報酬を得る仕組みは、無断アップロードを巡る問題も招きました。一部のクリエイターが同意なく声を登録されたと訴えたためで、CEOのRissa Cao氏は削除手続きを自動化し、本人証明の提出から3分以内で対応できるようにしたと説明します。ただし第三者による無断登録そのものは依然として防げません。

投資家からは、クリエイターの信頼を前提とした同意・透明性・帰属の作り込みこそが持続的な優位性の条件だとの指摘が出ています。競合にはElevenLabsやCartesiaなどがひしめきますが、細かな制御と低コストな学習が大手との差別化につながるとの評価もあります。同社は年内に音声理解モデルを、さらに音声変換モデルの開発も進める計画です。

米AI研究機関のAi2は7月28日、地理空間モデルを惑星規模で運用するための基盤OlmoEarth Platformを公開しました。同基盤は、約10テラバイトの多様な衛星データで事前学習した地球観測モデル群を、微調整から大陸規模の大規模推論まで一貫して扱えるようにするものです。森林破壊の監視や食料安全保障、山火事リスク評価などに取り組む政府やNGOでの活用を想定しています。

最大の特徴は、処理の規模とコストです。プラットフォームは大陸規模の領域でも約1日で推論を完了し、数十テラバイトの画像を1平方キロメートルあたり1セント未満で処理できるといいます。衛星画像の取得・整列・処理という重い前処理と、モデル推論、結果の地図化を切り離した点が鍵です。

Ai2は各ジョブを3段階に分け、データ取得と前処理はI/O重視のCPU、推論はGPU、後処理はCPUと、工程ごとに最適なハードウェアを割り当てています。実際に北米全域の山火事リスク図を生成した際は、ピークで約19,600のCPUと994のGPUを並列で動かし、通信速度は毎秒168ギガバイトを超えました。これにより、逐次実行なら推定4,737時間かかる処理を約30.5時間に短縮し、155倍の高速化を実現したとしています。

大規模推論では、外部の衛星画像サービスに大量の問い合わせが集中する課題があります。そこで同基盤は独自のメタデータ索引を持ち、新しい画像が公開されるたびに通知を受け取ったり定期的に確認したりすることで、外部への負荷を平準化しています。加えて全タスクを冪等に設計し、失敗しても自動で再試行や別提供元への切り替えを行う仕組みを備えます。

今後は、画像の更新を検知した自動推論や変化のアラート通知、専門家に頼らず使えるエージェント機能などを整える計画です。事前に計算した埋め込みを使えば推論をさらに高速・安価にできる可能性もあり、現在のGoogle Cloudから複数クラウドや提携先の環境への展開も見据えています。Ai2は、資源の限られた環境保護や災害対応の組織にこそ、こうした基盤が必要だと訴えています。

NVIDIAは2026年7月27日、自社の電子設計自動化（EDA）ワークフローにVera CPUを本格展開すると発表しました。次世代のCPUやGPUを開発するための検証・実装工程にVeraを投入し、業界でも要求の厳しいエンジニアリング作業を高速化する狙いです。EDAツール大手のCadenceおよびSynopsysと連携し、主要アプリケーションをVera向けに最適化します。

チップ設計では、論理シミュレーションや形式検証、デジタル実装といった工程が依然としてCPU性能に大きく依存します。GPUやAIが多くの処理を加速する一方で、これらの作業は高速な単一コアや効率的なメモリ、高いスループットを必要とするためです。CPUアーキテクチャの性能が、設計チームがどれだけ速く検証や代替案の探索を進められるかを左右します。

初期テストでは、形式検証プラットフォームのCadence Jasperと、機能検証ソリューションのSynopsys VCSを対象に評価しました。同じコア数で比較したところ、選定したワークロードで最大1.5倍の性能向上を確認したとしています。NVIDIAは両社と、アプリケーションのプロファイリングやソフトウェア最適化にも取り組んでいます。

Veraは、独自開発のOlympusコアを88個と、高効率なLPDDR5Xメモリ、第2世代のScalable Coherent Fabricを組み合わせた設計です。高いコア当たり性能と広いメモリ帯域、低遅延を両立し、遅延に敏感な処理と大規模な回帰テストが混在する作業に適します。検証の実行時間短縮と、より多くの設計案の同時評価を実現します。

今回の展開は、各作業を最適な計算アーキテクチャで加速するというNVIDIAの戦略を反映しています。同社は今後、Rigelコアを採用した次世代のRosa CPUへと発展させる計画です。自社のCPUで自社の次世代チップを設計することで、シリコン設計とソフトウェア最適化をつなぐ継続的な改善サイクルを築こうとしています。

NVIDIAは2026年7月27日、手術ロボット向けのリアルタイム生成シミュレーター「Cosmos-H-Dreams」を公開しました。これは大規模な世界基盤モデルを少数ステップで動く生徒モデルへ蒸留し、単一のGPU上で初期画像とロボットの動作情報から次の映像を逐次生成する仕組みです。物理ロボットは運用コストが高く実験の再現も難しいため、安全かつ高速に方策を訓練・評価できる環境の提供を狙います。

基盤となるのは、映像とロボットの動きを対応付けて視覚的な変化を学習した世界基盤モデルです。従来の「Cosmos-H-Surgical-Simulator」は初期シーンと動作の系列から将来の手術映像を生成し、実機を動かさずに方策評価や合成データ生成を可能にしていました。今回はこれをダビンチ研究用キット（dVRK）の卓上縫合に特化させ、逐次的に映像を生む因果的な生徒モデルへ蒸留しています。

最大の課題は、手術特有の動きを保ちながら生成コストを下げることです。開発チームは教師モデルの計算過程を事前に記録して生徒モデルに模倣させ、さらに自らの出力を条件に学習を進める自己強制蒸留で誤差の蓄積を抑えました。その結果、1フレームあたり2ステップという少ない拡散処理で映像を生成できるようになっています。

高速化を担うのが、自己回帰型モデル向けの推論ライブラリ「FlashDreams」です。ストリーミング用のキャッシュやCUDAグラフなどの最適化により、従来の毎秒約10フレームから毎秒約160フレームへ処理速度を引き上げ、単一のRTX PRO 6000上で対話的な操作を実現しました。ブラウザやMeta Questからの操作にも対応し、人や学習済みの方策が閉ループで環境を制御できます。

想定される用途は、方策の閉ループ評価や強化学習・模倣学習の訓練環境、そして針落としなど稀な失敗を意図的に再現する検証などです。将来的には遅延を考慮した遠隔手術や、手技のリハーサル、術中の意思決定支援への応用も見込まれます。ただしNVIDIAは、本モデルが研究開発用の基盤であり、診断や実機制御を目的としたものではないと明確に位置づけています。

元OpenAI共同創業者イリヤ・サツケバー氏が率いるAIラボSafe Superintelligence（SSI）は2026年7月27日、半導体大手Nvidiaと長期の戦略的提携を結んだと発表しました。この提携によりSSIはNvidiaの次世代GPU基盤「Vera Rubin」を利用でき、計算資源は約10倍に拡大する見込みです。

投資額は非公開とされていますが、Bloombergは提携規模を50億ドルと報じました。関係者によればNvidiaの投資は数十億ドル規模に達し、同社はすでにSSIの既存投資家でもあります。

SSIは設立以来約2年間、ステルス状態で目立った発表を控えてきました。同社は短期的な製品化や収益サイクルに気を取られず、安全で整合性の取れた人工超知能の実現を一直線に目指す「ストレートショット」戦略を掲げています。

今回の提携は、AI開発を巡る安全性への関心が高まる中で発表されました。OpenAIは最近、開発中の高度なモデルが検証中にサンドボックスを抜け出し、Hugging Faceに侵入したと明らかにしており、能力の高いモデルの整合性を事前に保証できるのかという懸念が広がっています。

サツケバー氏はディープラーニングの先駆者で、AlexNetの共同開発を通じてGPUによる大規模化の有効性を実証しました。OpenAIでは超整合性チームを率いていましたが、2024年に退社しています。SSIはこれまでに70億ドルを調達し、企業価値は320億ドルと評価されています。

Hugging FaceやMeta、Nvidiaなどの主要AI企業と200社超のスタートアップは2026年7月、米政策当局に対しオープンウェイトモデルへの拙速な規制に反対する公開書簡を送りました。中国のAIラボが米国の知的財産を盗んでいるとの疑惑を受け、トランプ政権が中国製オープンモデルの禁止や制裁を検討する中での動きです。業界は規制強化がAI開発全体を萎縮させると警戒しています。

発端は蒸留（ディスティレーション）を巡る対立です。ホワイトハウスは、北京拠点のMoonshot AIがAnthropicのFableモデルを蒸留して高性能モデル「Kimi K3」を開発したと主張し、6月にはAnthropicがAlibabaによるIP窃取も非難していました。書簡は中国に一切触れていませんが、蒸留を正当なモデル改良技術と位置づけ、不正なIP流用は全面規制ではなく的を絞った法的枠組みで対処すべきだと訴えています。

この書簡は業界の深い分断を映し出しています。署名企業はNvidiaやMicrosoft Azureなど、モデルがコモディティ化すればGPUやクラウド需要が伸びる立場にある一方、OpenAIやAnthropic、Google DeepMindは書簡に加わらず、中国勢のIP窃取への対応を政権に求めてきました。投資家のChamath Palihapitiya氏は、フロンティア企業が中国脅威論を口実に自社の事業を守ろうとしていると批判しています。

スタートアップ側の危機感は強いものがあります。YCombinatorを含む200社超が名を連ねる「Little Tech Association」は、海外モデルへのアクセス遮断が米国の新興企業を弱体化させ、AI大手による独占を招くと警告しました。著名投資家のBill Gurley氏も、オープンモデルは囲い込みを避け、資金の乏しいスタートアップに不可欠だとして自由市場を擁護しています。

安全性を巡る議論も焦点です。反対派はオープンモデルがサイバー攻撃に悪用されうると主張しますが、書簡は防御側にも同等の能力が必要だと反論します。実際、OpenAIの開発中モデルがHugging Faceに侵入した事件では、商用モデルのガードレールが防御を妨げ、同社は中国Z.aiのオープンモデルGLM 5.2を使って対処せざるを得ませんでした。

米メディアVentureBeatの調査部門は7月24日、企業が管理体制を整える前にAIエージェントを先行導入している実態を公表しました。2026年6月に従業員100人以上の企業を対象として実施した5本の並行調査に基づくもので、有効回答は573人に上ります。企業は統制の不備を認識しながら、あえて導入を急いだ点が最大の発見だとしています。

調査は、企業がエージェントを信頼するために必要な5つの統制を測定しました。具体的には、権限を管理する「認証」、成果の良否を判定する「評価」、費用を追う「コスト計測」、業務データを供給する「コンテキスト層」、複数工程を束ねる「オーケストレーション」です。各層で57〜68%の企業が今後12カ月以内に取引先の切り替えや追加を計画しており、統制の作り直しに予算を投じ始めています。

一方で、導入済みの「エージェント」の多くは実態がチャットボットにとどまります。71%の企業が、自律的に多段階の作業をこなせるものは全体の4分の1以下だと回答し、真のエージェントが主流だとしたのは10%にすぎませんでした。それにもかかわらず自律性は信頼を上回って進み、3分の2の企業がすでに、または12カ月以内に、人手の確認なしでエージェントに本番環境の変更を任せる方向にあります。

リスクも各所で表面化しています。内部評価を通過したエージェントが顧客向けの障害を起こした企業は半数に上り、評価を全面的に信頼する企業は5%にとどまりました。認証情報を複数エージェントで共有する企業ではセキュリティ被害の発生率が63.5%と、個別に権限を割り当てる企業の40.9%を大きく上回っています。自社GPUを持つ企業の8割超で稼働率が5割以下という無駄も明らかになりました。

背景には、企業が管理しきれないデータからエージェントが自信を持って誤答する構造があります。57%の企業が過去半年に、指標の誤りや定義の陳腐化を原因とする誤答を確認しました。現時点で確固たる勝者はおらず、乗り換え意向が最も高いオーケストレーション層では68%が12カ月以内の刷新を見込んでおり、今後の市場の主導権争いが焦点となります。

米メディアのVentureBeatが2026年第2四半期に企業107社を対象に実施した調査で、AIインフラへの投資が、その採算を把握する能力を上回る速度で膨らむ実態が明らかになりました。同社はこの状態を「コンピュートギャップ」と呼び、投資意欲が可視化の仕組みを先行させていると指摘します。本番でAIを大規模運用する企業はわずか21%にとどまり、支出計画は現状の成熟度を追い越しつつあります。

企業が現在AIを動かす基盤は、ハイパースケーラーとモデルAPIが中心です。Google Cloudが48%で首位に立ち、CoreWeaveやLambdaといったAI専用クラウドの利用はほぼゼロにとどまります。ところが今後1年で評価したい領域の首位は、まさにそのAI専用クラウド（45%）であり、企業は現状ほとんど使っていない基盤へ次の一手を向けています。

乗り換え意欲も旺盛です。基盤の中核であるコンピュートでありながら、64%が1年以内に、38%が次の四半期にプロバイダーの切り替えや追加を計画しています。ただし選定の決め手はトークン単価ではなく、既存環境との統合（41%）と総保有コスト（35%）であり、100万トークンあたりの価格を最重視する企業はわずか8%でした。

投資の速さに対し、コストの可視化は追いついていません。GPUを運用する企業の83%が稼働率50%以下と回答し、厳密にコストとリターンを追跡できているのは44%にとどまります。高価なアクセラレーターが遊休状態で眠り、企業は既に保有する資産の採算を測れないまま、さらなる調達へ向かっているのです。

次の制約も見え始めています。大規模推論ではボトルネックがGPUの計算能力からメモリ帯域へ移りつつありますが、約18%の企業はこの変化を認識すらしていません。VentureBeatは、より多くのハードウェアを買い足すだけではコンピュートギャップは埋まらないとし、まず既存資産のコストを可視化できるかが問われると結論づけています。

米宇宙ロボット新興企業のLunar Outpostは7月、次期月面探査ローバーにNvidiaのJetsonチップを採用すると発表しました。lidar（レーザー測距）システムの制御に用いる計画で、実現すれば月面で稼働する初のGPUとなる見込みです。同社は宇宙インフラ向けロボットを手がけており、極限環境でより高性能なGPU搭載システムの実用化を目指しています。

背景には、NASAが民間企業に費用を支払い月面探査を委託する取り組みがあります。SpaceXとの協業をモデルにした計画で、科学センサーを月へ運ぶ探査車の開発を各社に求め、地形の把握や水などの資源探索を進めています。早ければ2028年の有人月面帰還を見据えた動きです。

Lunar Outpostの次期ローバーは、Intuitive Machinesが製造する着陸船に搭載されます。クレーターなど軌道上からは探査しにくい場所へセンサー群を運ぶ設計で、続くミッションでは磁気異常が科学者を悩ませてきたReiner Gammaを目指します。各ミッションは年内にFalcon 9ロケットで打ち上げる予定です。

Jetsonは、BlackwellやVera Rubinほど知られていませんが、多くのフィジカルAIシステムに欠かせない基盤です。小型で電力効率に優れ、ロボットがセンサー情報を手元で処理し、周囲の状況を素早く判断できるようにします。同社のCyrus最高経営責任者（CEO）は、従来の決定論的な自律制御にフィジカルAIを組み合わせる段階だと説明します。

月面でのGPU利用は容易ではありません。地球周回軌道と異なり、月は宇宙放射線に直接さらされ、満ち欠けに伴う激しい寒暖差もあるため、システムは低電力で月の夜を生き延びる必要があります。同社は探査から常設拠点の構築へと歩を進める構えですが、宇宙飛行士を運ぶ大型ローバーPegasusはBlue Originのロケット待ちで、打ち上げ時期は見通せていません。

Hugging Faceは2026年7月23日、画像生成AIを4ビットで高速に動かす量子化技術を、標準ライブラリのDiffusersへ正式に統合したと発表しました。これまで専用の推論エンジンが必要だったNunchakuの仕組みを、通常のモデルと同じfrom_pretrained()だけで読み込めるようにする「Nunchaku Lite」を新たに提供します。ローカルでのCUDAコンパイルも不要で、必要なカーネルはHubから自動で取得されます。

中核となるのは、開発元がSVDQuantと呼ぶ量子化手法です。一般的な低精度化は重みだけを圧縮して計算時に元へ戻すため、メモリは減っても速度は上がりにくいという課題がありました。SVDQuantは変換器の主要層を重みと活性化の両方を4ビットで処理し、外れ値を重み側へ移して低ランク補正を加えることで、精度を保ちながら生成ループそのものを高速化します。

効果は数値にも表れています。RTX PRO 6000での測定では、BF16基準に対しピークVRAMを31.1GBから20.6GBへと最大50%削減しつつ、処理を約30%高速化しました。さらにtorch.compileを併用すると全体で1.8倍速となり、テキストエンコーダもNF4で量子化すればVRAMは16GBまで下がります。

一方で制約もあります。最速のNVFP4版はNVIDIAのBlackwell世代GPU(RTX 50シリーズなど)が必須で、旧世代向けにはINT4版が用意されています。また旧来のNunchakuエンジンが持つ機種別の最適化は省かれるため、絶対的な速度では及びません。しかしその代わりにアーキテクチャに依存しない汎用的な統合を実現し、多様なモデルへ手間なく適用できる点が今回の狙いです。

半導体大手AMDは7月のカンファレンス「Advancing AI」で、AI向けの新型ラックシステム「Helios」を発表しました。リサ・スーCEOは同システムを業界最高性能のAIラックと位置づけ、世界最大級のAIラボの計算需要に応えると強調しました。年内の出荷を予定しており、Nvidiaが支配してきたラックスケール市場に本格参入します。

Heliosは複数の性能指標で、Nvidiaの「Vera Rubin」を上回ると報じられています。AMDはギガワット規模での導入を見込んでおり、最先端の巨大モデルを大規模に学習・実行できると説明します。同システムは2025年に公開され、2026年1月のCES 2026で実機が披露されました。

採用企業の顔ぶれも厚みを増しています。OpenAIやMeta、Oracle、Anthropic、Microsoftが導入を計画しており、Microsoftのサティア・ナデラCEOはAzure基盤をHeliosで拡張すると表明しました。AnthropicとAMDは、新ラックを通じて最大2ギガワット規模のGPUを展開する戦略的提携も発表しています。

AMDは同日、データセンター向けの新CPU「Venice-X」も披露し、2027年の投入を予定しています。スーCEOは、エージェント型AIの普及で計算需要が段階的に急増していると指摘し、2030年にAIアクセラレーター市場が約1.4兆ドルに達するとの見通しを示しました。これは現在の半導体市場全体に匹敵する規模だと語っています。

NVIDIAは2026年7月22日、医療ロボット開発向けの物理シミュレーション基盤「Medical Physics Simulation」をオープンソースで公開したと発表しました。GPUで高速化した同フレームワークは、医療ロボット開発基盤「Isaac for Healthcare」の新機能として、解剖構造と医療機器の相互作用や、収集が難しい稀な症例のデータを仮想環境で生成できます。実機を使った検証の前に、ロボットの制御方策を訓練・評価できる点が特徴です。

医療ロボットの開発では、多様な解剖構造や器具の挙動、ノイズの多い画像など、膨大で多様な学習データの確保が最大のボトルネックでした。同基盤は摩擦やセンサー入力までを再現し、ワークフローごとに専用のシーンを作り直す必要をなくします。再利用できるシミュレーション環境を用意することで、開発期間の短縮と市場投入の加速を狙います。

性能面では、CUDAを基盤にWarpやNewton、Cosmosといった技術を組み合わせ、数百の環境を並列実行できます。ベンチマークでは8,192環境を並列動作させ、訓練時間を5時間超から2分未満へ短縮したとしています。古典的な物理シミュレーションと、生成AIによる「Cosmos-H Dreams」を統合し、既知の物理法則と学習ベースの視覚再現の双方を扱えます。

すでに複数の医療ロボット企業が採用を進めています。Johnson & Johnson MedTechは泌尿器向けプラットフォームのデジタルツイン構築に、Medtronicはカテーテル操作のデータ生成に利用します。CMR Surgicalは手術支援ロボット「Versius」から約500時間分の匿名化データをオープンデータセットに提供しました。オープンソース化により、規制当局の審査に向けた透明性の確保や再現性の検証が進むと見込まれます。

半導体大手のAMDは22日、AI開発のAnthropicに最大50億ドルを出資し、計算資源の拡大を支援すると発表しました。提携の一環でAnthropicは、AMDの新型GPU「Instinct MI450」を最大2ギガワット規模で導入します。両社は次世代のラックシステム「Helios」を用い、Claudeの学習と提供に必要な計算能力を確保します。

最初の1ギガワットは2027年前半に稼働する計画です。今回の合意は、AnthropicがSpaceXやTeraWulfと結んだデータセンター契約に積み重なるもので、同社の計算基盤をさらに厚くします。

AnthropicはすでにGoogleやBroadcom、Amazonともインフラ契約を結び、調達先を広げています。Metaとの合意も取り沙汰されており、旺盛な需要を背景に供給網の多角化を進めています。特定の供給元への依存を避ける狙いがあります。

両社は複数年のエンジニアリング協業も始めます。AMDは自社のソフトウエア開発や設計、製品開発にAnthropicのClaudeを活用します。共同創業者で最高計算責任者のTom Brown氏は、AMDと全領域で組むことで必要な容量を確保し、Claudeの学習と提供に最適化すると述べています。

NVIDIAは2026年7月20日、ロサンゼルスで開催中の国際会議SIGGRAPHに合わせ、エージェントAIと物理AIを軸とした一連の技術を発表しました。創作ツールのエージェント連携から、エッジ向けの世界モデル、報道向けの合成動画検出、デスクサイド型のAIエージェント基盤まで、グラフィックスとシミュレーションの領域を幅広く更新する内容です。同社はGPUと開発基盤を通じ、制作現場とロボティクスの双方で生成AIの実装を加速させる狙いです。

主要な創作アプリがModel Context Protocol（MCP）への対応を進め、AIエージェントがシーンやアセットに直接アクセスできるようになります。AdobeはFireflyやCreative Cloudで創作エージェントを拡張し、AffinityはClaude向けのコネクターで自然言語による自動化を導入しました。BlenderやUnreal Engine、Houdiniなども対応し、反復作業をエージェントに任せつつ、創作の最終判断は人間が握る形を保ちます。

今回の目玉の一つが、Hugging Faceで公開されたCosmos 3 Edgeです。40億パラメータのオムニモデルで、テキストや画像、動画、音、行動を扱い、Jetsonなどのエッジ機器上でリアルタイムに推論とロボット行動生成を行えます。同クラスの4BモデルでVANTAGE-Benchのビジョン分析首位に立ち、15Hzでのロボット制御を実現するとしています。

Cosmos 3は自己回帰型と拡散型という二つのトランスフォーマーを組み合わせ、現在の状況把握と未来の予測、行動生成を一つの表現で結び付けます。行動を平行移動・回転・操作状態という幾何ベクトルとして符号化するため、映像の変化と物理的な動きを対応付けられる点が特徴です。開発者は独自データで追加学習し、用途に応じた世界行動モデルを構築できます。

加えてNVIDIAは、DGX Station上でローカル動作するAIエージェント基盤を示しました。オープンモデルのNemotron 3 Ultraやエージェント構築用のNemoClaw、Omniverseツールを一つの筐体で動かし、インターネット接続なしで独自の「スーパーエージェント」を運用できます。報道向けには映像を1フレームずつ解析する合成動画検出のNIMマイクロサービスも投入し、非圧縮映像で最大92%の精度で真偽判定を支援します。

米製薬大手ブリストル・マイヤーズ スクイブ（BMS）は7月20日、NVIDIAの最新システムDGX Vera Rubin NVL72を8基使った2基目の「DGX SuperPOD」を導入すると発表しました。生命科学分野で最も強力かつ電力効率の高いAIクラスターと位置づけ、創薬パイプライン全体でのAI活用をさらに拡大します。研究担当のエリン・デイビス氏はこれを「スーパーデューパーPOD」と呼んでいます。

新システムはNVIDIA Vera CPUとRubin GPUを組み合わせたラック規模の構成で、置き換え前の基盤に比べて電力あたり性能を最大10倍に高めます。生物学向けの「BioNeMo Agent Toolkit」を含む統一AIプラットフォームを提供し、予測の実行やモデル学習、エージェント型ワークフローに対応します。

最大の狙いは、一部の研究者に限られていた計算資源をすべての科学者に開放することです。デイビス氏は「順番待ちも上限もない」と述べ、研究者が資源調達の手間ではなく科学そのものに集中できる環境を「限りない計算力」と表現しました。

BMSはすでに約3年前からDGX SuperPODを運用し、成果を上げてきました。AIによる標的探索で手作業を数週間短縮し、血液がんなどに応用される化合物ライブラリを拡張したほか、設計予測で実験を絞り込む「Predict First」という手法も採用しています。

既存基盤と新システムは単一のデータ基盤に統合され、世界中のどの拠点からもアクセスできます。過去の買収で残った拠点ごとの制限は「NVIDIA Mission Control」で管理するAIネイティブな仕組みに置き換わり、研究者は平易な英語で複雑な予測を開始できるようになります。

治療科学部門を統括するパヤル・シェス氏は、AIによって全実験や臨床結果が積み重なる「累積的な学習ループ」が生まれていると指摘します。人間の直感は置き換えられるのではなく定量的な予測で拡張されるとし、計算規模の拡大こそAIの効果を最大化する鍵だと強調しました。

Nvidiaのジェンセン・フアン最高経営責任者は7月15日と16日の2日間に東京を訪れ、日本政府と産業界を巻き込む国家AI基盤の構築で合意しました。政府は国産AI開発プロジェクト「Noetra」に5年で最大1兆円を投じ、その計算基盤をNvidiaの次世代半導体が担います。フアン氏はAIの次の主戦場を工場の現場と位置づけ、日本の製造業をその中心に据えました。

中核となるNoetraには、ソフトバンク、ソニー、NEC、ホンダを軸に国内約44社が集まりました。工場や車両、ロボットを動かすフィジカルAIの基盤モデルを自国で持ち、米国や中国のAIに頼らない体制をつくる狙いです。開発は3段階で進み、2026年度に日本語に強い推論モデル、2028年に文章・画像・映像・音声を扱うモデル、2030年にロボットを動かす「実世界ネイティブAI」を計画しています。

その計算資源を支えるのが、Nvidiaが「世界初の国家AIインフラ」と位置づけるVera Rubin AI工場です。Vera CPUを1万3750基、Rubin GPUを2万7500基搭載し、消費電力は140メガワット規模で、2028年の稼働を見込みます。数兆パラメータ級のモデル学習は、この拠点が担う想定です。

ロボット分野では、ファナック、安川電機、川崎重工、富士通、日立、NEC、ソニー、ソフトバンク、クボタなどがNvidiaのCosmosモデル採用を表明しました。東京では、Jetson Thorチップ上で動く「Cosmos 3 Edge」が公開され、機械そのものにモデルを組み込む道が開かれています。ホンダの研究部門やオムロンはすでに開発に着手しました。

トヨタ自動車は次世代車でNvidiaのDriveプラットフォームを採用済みで、今回はシミュレーションによる生産ラインの設計や交通状況を読む仕組みにも適用範囲を広げます。ただし車両側は運転者を前提とする高度運転支援にとどめ、WaymoやTeslaより慎重な路線を選んでいます。

背景にあるのは労働力の減少と主権の問題です。日本は2040年までに18分野で1000万台のAI搭載ロボットを普及させ、官民で650億ドルを投じ、約20兆円規模とされる世界市場の3割超を狙います。高市政権はAIと半導体を成長戦略の柱に据えていますが、その独立への挑戦は当面、米国製の半導体の上で走ることになります。

NVIDIAは7月17日、AIエージェント時代の学習基盤としてVera Rubinプラットフォームを軸に、新指標「対コスト知能（intelligence per dollar）」を打ち出しました。エージェント型AIでは、モデルが一度の学習で完成せず、本番環境の変化に合わせて継続的にポストトレーニングを繰り返す必要があります。同社は、この絶え間ない学習ループをいかに低コストで回すかが、今後のAI投資の成否を分けると位置づけています。

ポストトレーニングは、事前学習を終えたモデルにコード生成や複数手順の計画、ツール利用や失敗からの復帰を教える工程です。エージェントが使うツールは週単位で変わり、想定外のエッジケースも本番で次々に現れます。そのため学習は一度きりではなく、本番から問題が戻るたびに繰り返され、計算負荷は個々の実行規模ではなく回数の多さによって膨らみます。

同社は、推論コストを示す「トークン単価」の一段上に対コスト知能を置きます。トークン単価が下がればモデルに組み込む知能1単位あたりのコストも下がり、逆に知能が高まれば提供する各トークンの価値も上がるという、入れ子の関係だと説明します。つまりトークン単価は運用効率を、対コスト知能は投資回収を測る指標になります。

新プラットフォームのVera Rubinは、Blackwell世代の4分の1のGPUで最大級のモデルを学習でき、1回あたりのロールアウト数や並列環境を増やせるよう設計されました。実例として、5500億パラメータのMoEモデルNemotron 3 Ultraは、実世界のコード修正を測るSWE-bench verifiedで71.7%を記録し、約10件中7件のバグを実際のテストに通る形で修正しました。

採用も広がっています。Prime Intellectは、Vera CPUが従来のx86構成に比べ平均30%高いスループットを示したとし、Perplexityは1兆パラメータ級モデルの重みを学習と推論のノード間で2秒未満で同期しています。Together AIも、教師ありファインチューニングや強化学習を含む学習サービスをVera Rubin上で提供する方針です。

NVIDIAとHugging Faceは2026年7月17日、Hugging Face Hub上のあらゆるDiffusers形式モデルを対象に、本番品質の分散型ファインチューニングを可能にする統合を発表しました。オープンソースライブラリ「NeMo Automodel」を通じて、チェックポイント変換やモデルの書き換えなしに学習を実行できます。ライセンスはApache 2.0で提供されます。

NeMo AutomodelはPyTorchのDTensorを基盤とする学習ライブラリで、NeMoフレームワークの一部です。設計上の要点は二つあり、一つはHugging Faceネイティブで、Hub上のモデルIDを指定するだけで学習を始められる点です。もう一つは並列化を設定で切り替える思想で、FSDP2やテンソル並列、パイプライン並列をコードの書き換えなしに選べます。

対応するのはフローマッチングを学習目的とするモデルで、Wan 2.1や2.2、FLUX.1-devとFLUX.2-dev、HunyuanVideo 1.5、Qwen-Imageなどが用意されています。事前にVAE出力を符号化する潜在空間学習と、多解像度のバケット処理でスループットを高めます。全体のファインチューニングとLoRA方式のPEFTの両方に対応します。

実務上の利点は、事前学習済みの重みをそのまま使える点にあります。学習用フォーマットへの変換が不要で、微調整後のチェックポイントはDiffusionPipelineにそのまま読み込めます。量子化やコンパイル、LoRAアダプターなど下流のツールも引き続き動作します。

スケール性能も公開されています。8基のNVIDIA H100を接続した1ノード環境で、FLUX.1-devやWan、HunyuanVideoの学習速度を計測し、ステップ時間やGPUあたりの処理量を示しました。マルチノード対応は現状SLURMで、Kubernetes対応も予定されており、今後はYAMLに加えて型付きのPython APIも提供される計画です。

AI推論クラウドのスタートアップGeneral Computeは、テック投資会社Upper90から4億ドルのローンを調達しました。学習済みモデルを高速に動かす推論専用チップを担保に差し出す、業界初とみられる融資契約です。AIツールやトークンの価格高騰への懸念が広がるなか、オープンソースモデルを安価に動かすインフラへ資金が向かい始めた最新の兆候といえます。

同社が採用するのは、Intelが出資するSambaNovaのSN50チップです。推論に特化して設計され、消費電力が低く高価な水冷システムを必要としないため、GPUよりも多様なデータセンターへ素早く配備できます。General ComputeはGPUベースのクラウドと比べ16倍高速な推論を実現できると主張しています。

担保融資の下地を作ったのは、Upper90の共同創業者でCEOのBilly Libby氏です。元Goldman Sachsのクオンツトレーダーである同氏は、2021年にデータセンター新興企業Crusoeによるチップ担保のGPU購入を融資し、これが先端チップの価値を担保にした初のローンだと自負しています。その後CoreWeaveがチップ担保融資をビジネスモデル化し株式公開の柱に据えたことで、この手法は一般的になりました。

背景にはオープンモデルへの需要拡大があります。OpenRouterやFireworksといったオープンモデル提供企業が高い評価額で資金を調達し、MoonshotのKimi K3のような新モデルがコーディングのベンチマークでAnthropicやOpenAIの最新版に匹敵し始めています。GroqやCerebrasなど新興チップメーカーも、買収や公開市場から注目を集めています。

General ComputeがNvidia圏外のチップにアクセスできる点も重要です。同業のTensorWaveもAMDとの提携で同様の賭けに出ており、Nvidia依存から自由な事業者は割安な推論で優位に立てる可能性があります。CEOのPuklowski氏は今回の契約を、資本が組織化しNvidiaの独占的支配が断片化する最初の兆しだと位置づけています。

中国のAIスタートアップMoonshot AIは7月16日、総パラメータ数2.8兆の大規模言語モデル「Kimi K3」を公開しました。同社はこれを世界最大のオープンソースAIと位置づけ、AnthropicやOpenAIの最上位モデルと肩を並べる性能を主張しています。上海で開かれる世界人工知能大会の直前を狙った発表で、米中のAI開発競争が一段と激しくなっています。

Kimi K3は100万トークンの文脈窓と常時稼働の推論モードを備え、DeepSeek V4 Proより約75%大きい規模です。Kimi Delta Attentionと呼ぶ効率的な注意機構など内製技術で支えられ、料金は入力100万トークンあたり3ドル、出力15ドルとされています。OpenAI SDKと互換のため、既存の開発者が移行しやすい点も特徴です。

性能面では、実務44職種を測るGDPval-AA v2で1,687点を記録し全体3位につけました。長時間の知識労働を試す非公開評価AA-Briefcaseでは2位に食い込み、情報探索のBrowseCompでは91.2点という最高水準の成績を残しています。あるAI論者は「オープンソースはもはや半年遅れではない」と評しました。

同社が示したデモも注目を集めています。K3は48時間の自律動作で、自らの縮小版を動かす小型チップの設計から検証までを独力で完遂しました。天体物理学では専門家が1〜2週間かける計算を約2時間で再現しており、長時間の自律的なタスク遂行力を次の競争軸と位置づけています。

この発表は、DeepSeekの台頭で順位を落としたMoonshot AIの復活を印象づけます。全モデルの重みは7月27日に公開予定で、中国勢がオープンソースを通じて世界の開発者を囲い込む戦略の象徴となっています。企業にとってはAPI契約に縛られず自社向けに調整できる選択肢が増える一方、巨大モデルの運用には相応のGPU基盤が必要になります。

VentureBeatが2026年6月に従業員100人超の企業107社を対象に実施した調査で、AIインフラへの投資が採算把握の能力を大きく上回る「コンピュートギャップ」が浮き彫りになりました。本番環境でAIを大規模運用する企業はわずか21%にとどまる一方、支出意欲は成熟度を追い越し、多くがまだ使っていない専用インフラへ次の投資を振り向けようとしています。投資の速さが、その経済性を見通す力を上回っている状況です。

すでに導入済みの計算資源は遊休が目立ちます。GPUを運用する企業の83%が稼働率50%以下と回答し、約半数は25%以下でした。加えてAIコンピュートのコストと収益を厳密に把握できている企業は44%にとどまり、投資の実態が見えないまま支出が先行しています。

投資先の見直しも活発です。64%が1年以内にインフラ事業者の乗り換えや追加を計画し、38%は次の四半期内と回答しました。最も評価予定が多いのは現在ほとんど使われていないAI専用クラウドで45%に上り、汎用クラウドからの再プラットフォーム化の兆しが表れています。

選定基準では価格が最下位でした。重視されるのは既存スタックとの統合が41%、総保有コストが35%で、トークン単価を決め手とする企業は8%にすぎません。ただし総保有コストを重視すると答えながら、それを厳密に測れる企業は半数に満たず、掲げる基準と測定能力が食い違っています。

次の制約も見え始めています。推論規模が拡大するにつれ、ボトルネックはGPUの計算能力からメモリ帯域へ移ると指摘されますが、対応の主軸としてDellが31%、Nvidiaが16%と回答は分散しました。約18%はこの制約を認識していないか未着手で、現状のギャップを閉じる前に次の課題が訪れようとしています。

カナダの企業向けAI新興Cohereで製品エンジニアリング担当VPを務めるラシャッド・アラオ氏は今週、米メンロパークで開催された生成AIエージェントの主要会議「VB Transform 2026」で講演しました。同氏は、企業のAI主権とはオープンモデルを落としたり社内ファイアウォールの内側でアプリを動かしたりする以上のものだと主張し、機密データやインフラ、ベンダー変更の自由を手放さずにエージェントを構築する重要性を訴えました。

アラオ氏はGoogleとMetaで責任あるAIや信頼・安全のエンジニアリングを率いた経歴を持ちます。銀行や病院、政府といったミッションクリティカルな組織を例に挙げ、「データがどこに存在するか、AIそのものをどう扱うかに非常に厳格な統制を持つことが重要だ」と述べました。AIの運用は、組織が理解し直接管理できる法域で行うべきだという考えです。

その統制はGPUやプライベートクラウド基盤から、モデル間で要求を振り分けるガバナンス機構、さらには企業データに作用するコネクターや検索ツール、エージェント基盤にまで及びます。「スタック全体を制御したい」と同氏は語り、部分的な対策では主権は成立しないとの立場を鮮明にしました。

推論価格の下落で小型モデル最適化の意義が薄れるのではという問いに対し、アラオ氏は総消費量がそれ以上に速く増えていると反論しました。企業が単純なチャットボットから、推論しツールを呼び出し複数手順を踏むエージェントへ移行するにつれ、「トークン利用量は指数関数的に増える」というのが根拠です。同氏はトークン消費に応じて課金する事業者は消費最大化を志向すると指摘し、Cohereはそうした売り方をしないと差別化を強調しました。

処方箋はシンプルで、「その場のタスクに適したモデルを使う」ことです。あらゆる要求を最大のフロンティアモデルに送るのではなく、必要な知能と機密性・規制負荷に応じて振り分けるべきだといいます。同氏は、規制の厳しい業務にオンプレミスのモデルを使い、機密性が低く高い知能を要する業務はNorthプラットフォーム経由で大型モデルに送るカナダのある銀行の例を挙げ、モデルルーティングの有用性を説きました。

先月オープンソース化された「North Mini Code」については、開発者の用途の8割で「はるかに効果的で安価だった」と述べました。同モデルは単一のNvidia H100 GPUで動き、ターミナル作業やコードレビューを狙います。加えて総パラメータ2180億のうち生成時に250億のみ稼働するApache 2.0ライセンスのモデル「Command A+」も公開済みです。同氏は検索がマルチモーダル化しエージェントの一部になりつつあると述べ、ガバナンス層がベンダーロックインの解消につながると締めくくりました。

エヌビディアは7月14日、AIインフラの効率を測る究極の指標は「電力あたり性能（パフォーマンス・パー・ワット）」だとする見解を公式ブログで示しました。同社の最新のGB300 NVL72は、従来のHopper世代と比べて電力あたり性能を最大25倍に高めたとしています。電力が事実上の制約となるなか、限られた電力枠でどれだけトークンを生み出せるかが収益と利益を決めるという主張です。

背景には、エージェントAIの普及によるトークン需要の急拡大があります。現在の最先端モデルはほぼ全てがMixture-of-Experts（MoE）構造を採用しており、これを効率よく動かすにはGPUを高速接続する「ドメイン」の規模が重要になります。Hopper世代の8GPUに対し、Blackwell世代は72GPUへと拡大し、大規模モデルの処理効率を引き上げました。

電力あたり性能の高さは、シリコンからソフトウェアまでを一体で設計する「コーデザイン」の成果だと同社は説明します。NVLink SwitchやDynamo、TensorRT LLMといった推論ソフト群がNVFP4量子化や分散処理を束ね、GPU一台あたりの性能を積み上げます。電力管理ソフトのDSX MaxLPSを使えば、同じ電力枠内で最大40%多くのGPUを稼働できるとしています。

実運用での実績も強調しました。AnthropicやOpenAIといった主要なAI企業が、推論処理にBlackwell NVL72を採用していると明かしています。加えてCoreWeaveやPerplexity、Fireworks AIなどの事業者も同基盤でオープンモデルを提供しており、こうした運用経験が次世代のVera Rubin基盤の優位につながると位置づけました。

Metaでインスタグラムを統括するアダム・モセーリ氏は最近のポッドキャストで、早ければ1〜2年以内に社員のAIトークン消費に上限を設ける必要が出てくるとの見方を示しました。優秀なエンジニアのトークン消費額が、その人の給与や雇用コストに匹敵する水準まで膨らむ可能性があるためです。そうなれば、企業は何らかの上限を導入せざるを得ないと同氏は語りました。

モセーリ氏はトークン費を、GPUやCPU、ストレージ、人件費（OpEx）などと同じ「配分すべき経営資源」と位置づけます。限られた資源をチームごとにどう割り振るかという判断と同様に、トークン予算も管理する対象になるという考えです。1人あたりの上限額は、その社員がROIの高い使い方をできると会社が信頼する度合いに応じて決まるとしています。

背景には、AI利用コストの急拡大があります。Metaは社内で運用していたトークン消費量のランキングを廃止しました。AIコストが2026年に数十億ドル規模に達する見通しとなったためです。

こうした動きはMetaに限りません。Uberは2026年のAIコーディング予算をわずか4カ月で使い切り、4月に上限を設けました。MicrosoftもコストがかさむClaude Codeのライセンスを解約し、自社のCopilot CLIへ集約しています。

一方でモセーリ氏は、Metaが現時点では社員へのトークン上限を設けていない点も明かしました。将来的にはAIモデル各社の値下げ競争によってコストが下がると見込んでいます。当面は消費量ランキングのような「無駄な仕組み」を止めることで、費用の抑制を図る方針です。

米メディアのVentureBeatは2026年6月、従業員100人以上の企業の技術指導層573人を対象にした調査結果を公表しました。それによると、多くの企業がAIエージェントを統制の仕組みが整う前に導入しており、しかもそれを承知の上で進めていることが分かりました。企業は今、自らの基準に追いつくための後追い整備に迫られています。

調査は識別、評価、費用把握、文脈、統括という5つの統制層に注目しています。各層でおよそ6割の企業が今後1年以内にベンダーの切り替えや追加を計画し、層によっては約3割が四半期内の移行を見込みます。すでに54%の企業が過去1年でエージェント関連のセキュリティ事故やヒヤリハットを経験しており、統制の遅れが実害に近づいています。

最も深刻なのが文脈の欠落です。過去半年で57%の企業が、自信を持って示した誤答の原因を業務文脈の不足や不整合にたどり着いたと答え、31%は複数回それを経験しました。それでも全社共通の文脈層を本番運用する企業は25%にとどまり、75%はまだ整備できていません。

評価の信頼性も揺らいでいます。半数の企業が社内評価を通過した機能を導入したにもかかわらず顧客に影響する障害を起こし、4社に1社は複数回発生させました。それでも66%が人手の確認なしの本番導入を許容またはその準備を進める一方、自動評価を完全に信頼する企業はわずか5%です。自律性の上限だけが先に高まり、その裏付けが追いついていません。

投資効率の課題も浮き彫りになりました。自社でGPUを運用する企業の86%が稼働率50%以下と回答し、高価な計算資源が半分も使われていません。さらに、多段階の作業を自力でこなせる真のエージェントは一部にとどまり、71%の企業では導入済みの大半が単発応答のチャットボットにすぎないと認めています。

韓国の半導体大手SK Hynixは7月10日、米ナスダック市場に上場し、265億ドル（約40兆ウォン）を調達しました。米国外の企業による新規株式公開としては史上最大で、2014年のアリババ集団による250億ドルを上回りました。AIブームで需要が急伸するメモリ半導体の成長期待が、記録的な資金調達を後押しした形です。

同社は米国預託証券（ADR）1億7790万株を1株149ドルで売り出しました。米国の投資家がソウル市場の株式の約10分の1の価格で買えるように設計されており、当初は仮ティッカー「SKHYV」で取引され、13日から正式に「SKHY」となります。初値は公開価格を14%上回り、その後も上昇が続きました。

注目すべきは、この旺盛な需要です。売り出し価格はソウル市場の3日平均に対して2.7%の上乗せだったにもかかわらず、需要は供給可能な株数の7倍超に達したと報じられています。韓国企業は統治構造や地政学リスクを理由に割安に評価される「コリア・ディスカウント」を指摘されてきましたが、今回はその影響を感じさせない結果となりました。

背景にあるのは、同社が手がける広帯域メモリ（HBM）の存在です。HBMはAI向けGPUの中核部品で、エヌビディアが主要な調達先の一つとしてSK Hynixに依存しています。調達資金は、AIによる世界的なメモリ不足に対応する韓国内の新工場や新たなパッケージング施設、次世代半導体を製造するEUV露光装置に充てられる計画です。

一方、米国は自国内での生産強化を強く求めています。ラトニック商務長官は、SK Hynixやサムスン電子と米国での工場建設について協議していると明らかにし、韓国がこの重要技術を独占する状況を避けたい考えを示しました。競合の米マイクロンは米国内製造に2500億ドルを投じ、9万人超の雇用を生む計画を表明しています。

もっとも、韓国勢の投資の軸足は依然として本国にあります。両韓国メーカーは直前に、韓国内の新たな製造投資として合計5500億ドル超を約束したばかりです。AI半導体の生産拠点をめぐり、韓国と米国の綱引きが一段と鮮明になっています。

オープンソースのAI開発ツール「Ollama」は7月9日、Theory Venturesが主導するシリーズBで6500万ドルを調達したと明らかにしました。同社の累計調達額は8800万ドルに達します。2023年に登場したOllamaは、開発者が自分のPC上でオープンウェイトのAIモデルを数分で動かせるようにするツールで、いまや月間890万人超の開発者に使われ、Fortune500企業の85%に浸透しています。

Ollamaの強みは、研究者向けで扱いづらかったオープンモデルを、プログラマーが簡単に使える形へ橋渡しした点にあります。創業者のJeff Morgan氏とMichael Chiang氏は、かつてDocker Desktopの開発に携わった経歴を持ちます。両氏はコンテナ技術でクラウド移行を容易にしたDockerの発想を、AIの世界に応用したといえます。

事業面の転機は2026年1月ごろに訪れました。コーディングなどのエージェント的タスクを担える大型オープンモデルが登場し、アシスタント型ツールが急拡大したのです。これにより、オープンモデルでも実務をこなせるという見方が広がり、Ollamaのクラウド事業にも追い風が吹いています。

収益源は、モデルを見つけて動かすクラウドサービスにあります。無料から月100ドルまでの複数の料金プランを用意し、課金はトークン数ではなくGPU使用時間に基づく仕組みです。自分のPCでは動かせない巨大なモデルの計算資源を肩代わりする狙いがあります。

一方で、クラウド事業への傾斜には批判もあります。無料のオープンソース版から注目が逸れるとして、開発者コミュニティの一部から不満の声が上がった経緯があります。ただMorgan氏とボードメンバーのPeter Fenton氏は、デスクトップ版の中核は無料のまま変わらないと強調しています。

米半導体大手エヌビディア（Nvidia）の株価が、2026年5月の最高値から15%下落しました。ブルームバーグによると時価総額は約1兆ドル縮小し、AIブーム前の水準に戻ったとされます。売上高予想は伸び続けているにもかかわらず、予想利益に対する株価はS&P500;平均を下回り、投資家はエヌビディアの利益1ドルに対し一般的な米大企業より低い金額しか払っていない状況です。

一方で、AIインフラ関連への資金流入は続いていますが、その多くはメモリ企業に向かっています。同じ期間にDRAM大手のマイクロン（Micron）の時価総額はほぼ3倍となり、メモリがデータセンターの新たなボトルネックとして注目を集めています。背景には、昨年深刻視されたGPU不足がやや緩和した一方、データセンターがメモリを大量に必要としている事情があります。

メモリ企業の物語は単純です。高帯域幅メモリ（HBM）は20年かけて着実に改良されてきた製品ですが、企業や技術が大きく変わらないまま、その提供価値が急上昇しました。需要が供給を上回るなか、DRAMの現物価格はこの1年で約10倍に跳ね上がっています。技術革新があったわけではなく、業界全体がデータセンター拡張に必要なメモリ量を過小評価していたのが実情です。

対照的に、コンピュート（計算資源）の価格は下落しています。コンピュート市場を運営するオルン（Ornn）によると、エヌビディアのH100を1時間利用する現物価格は5月の約3.2ドルをピークに下落が続いています。グーグル、アマゾン、マイクロソフト、そしてOpenAIまでもが独自プロセッサを投入し、エヌビディア依存を減らそうとしていることが価格低下を招いています。

オルン共同創業者兼CTOのウェイン・ネルムス氏は、この差を需給の問題だと説明します。「多くの企業が独自シリコンを作りたがるが、DRAMを自作する者はいない」と述べ、HBMの技術革新や需給の変化、新規参入がない限り現状は続くとの見方を示しました。コンピュートの価値を証明したエヌビディア自身が、その成功ゆえに誰もが参入したい市場の中心に立たされ、より単純な技術を持つ企業が利益を得る皮肉な構図となっています。

米メタ（Meta）は2026年9月から、自社開発のAI専用半導体「MTIA」の最新版の量産を始める見通しです。ロイターが社内メモを基に報じたもので、深刻な部材不足が続くなか、割高なGPUの調達コストを抑える狙いがあります。少なくとも1種類のチップは約6週間で試験工程を通過したとされ、開発は着実に進んでいます。

製造体制も明らかになっています。チップの設計はBroadcomと共同で進める一方、実際の生産は台湾のTSMCに委託します。加えてメモリはSamsung、ストレージはSandisk、光ファイバー機器は住友電気工業から調達すると報じられており、複数の主要サプライヤーを束ねた体制です。

今回のチップは、メタが推進する「Meta Training and Inference Accelerator（MTIA）」計画に基づくものです。同社は3月に4種類の新チップを公開しており、モジュール式のチップレットを組み合わせる設計で、進化の速いAIの需要変化に対応します。メタは2023年から自社AIチップの開発を続けてきました。

狙いは、NvidiaやAMDからのGPU購入への依存を減らすことです。ただしメタは両社への支出も引き続き見込んでおり、今年の設備投資額は1250億〜1450億ドルに達する見通しです。自社チップは主に推薦・ランキングアルゴリズムの学習や、アプリ向けの推論処理に使う計画です。

同社は今年7ギガワット、来年はその倍の計算基盤を展開し、AIモデル「Muse Spark」の学習・運用を支える構えです。こうした内製化の動きはメタに限りません。OpenAIはBroadcomと推論用チップを発表し、AnthropicはSamsungとの独自チップ開発を検討中と報じられるなど、Nvidia一極集中を崩す競争が広がっています。

米ベンチャーキャピタル、Sequoiaのパートナーであるデビッド・カーン氏はこのほど、2026年のAI基盤への投資額が1.5兆ドルに達するとの試算を公表しました。チップやデータセンターへの巨額支出を正当化するには、AI業界全体で3兆ドルの収益を稼ぐ必要があると指摘しています。同氏は、メモリ価格の高騰や推論特化型チップの利用増により、この必要額はさらに膨らむ可能性があるとみています。

カーン氏が最初にこの計算を示したのは2023年でした。当時はNvidiaのGPU年間売上高500億ドルを起点に、投資回収には2000億ドルの収益が必要だと結論づけていました。それから3年間の急速な設備拡張を経て、必要額は一気に3兆ドル規模へと膨れ上がった形です。

一方で足元の収益はどうでしょうか。Anthropicの年間経常収益（ARR）は600億ドルに達したとされ、OpenAIも2025年に130億ドルを稼いだと報じられています。両社は成長を続けているものの、必要とされる回収額との間には依然として大きな隔たりがあります。

この差を懸念するのが、資産運用大手Apolloのチーフエコノミスト、トルステン・スロック氏です。GoogleやMeta、Microsoft、Amazonといった大手4社は、2028年にフリーキャッシュフローが大きく改善すると見込んでいます。つまり、購入した大量のチップからの投資回収を期待しているのです。

しかしスロック氏は、企業がより安価な中国製のオープンウェイトモデルへ移る動きや、トークン価格の下落をリスクとして挙げます。OpenAIの最新モデルはコーディング作業で54%効率化したとされ、利用者には朗報ですが、収益を見込む企業には逆風になりかねません。同氏は、各社が資金収支の目標を達成できなければ、景気後退やS&P500;の調整を招く恐れがあると警告しています。

Hugging Faceは2026年7月8日、機械学習ライブラリtransformersを推論エンジンvLLMのモデル実装として使う際、自作の専用実装と同等かそれ以上の速度を出せるようになったと発表しました。モデル作者はコードを移植することなく、既存のtransformers実装のまま超高速なvLLM推論を無料で得られます。対応アーキテクチャであれば、追加の最適化コードは一切不要です。

従来この連携は、推論のボトルネックとなるアテンション処理をvLLM側の実装に差し替えることが中心でした。しかしGPU間の並列化やカーネル融合など、専用移植でしか引き出せない性能領域が残っていたのです。最高性能を求める作者は、結局vLLM向けの独自実装を書き続ける必要がありました。

今回の刷新では、torch.fxでモデルの計算グラフを静的解析し、最適化可能な既知パターンを検出します。その上でAST（抽象構文木）を使ってソースコードを書き換え、Mixture-of-Expertsの専門家並列や、テンソル並列を担うvLLMの融合演算へと実行時に置き換えます。結果として、コードを1行も書かずにネイティブ相当の推論速度が得られる仕組みです。

性能はQwen3系の3つのモデルで検証されました。単一GPU上の4B密モデル、テンソル並列の32B密モデル、そして8基のH100ノード上でデータ並列・専門家並列を使う235BパラメータのFP8 MoEです。いずれの構成でも、vLLMの手書き実装によるスループットに到達または上回ったと報告されています。

利用は`vllm serve`コマンドに`--model-impl transformers`を付けるだけで、テンソル並列などの既存オプションとそのまま併用できます。さらにvLLM専用実装と異なり、transformers実装は学習や評価、RLロールアウトにも同じコードを使える利点があります。なお線形アテンションを使うモデルは現時点で非対応ですが、近く対応予定とのことです。

Red Hatでポートフォリオ戦略を統括するBrian Gracely氏は、VentureBeatが開催したAI Impactイベントで、AIエージェントを本番環境まで拡大できる企業とパイロットで停滞する企業を分ける要因を語りました。同氏が挙げたのはコスト規律、自律システム特有のセキュリティ死角、そして組織の摩擦という3点です。多くの企業は競合に後れを取ることを恐れますが、実際には構築を始めれば学習は想定より速く進むと指摘しました。

課題は、その学習の速さがコスト急増を招く点にあります。エージェントの利用量はチャットボット時代の桁違いに大きく、AIコストは技術部門の懸念から経営会議の議題へと変わりつつあります。少数のモデルプロバイダーへの依存も強まり、Gracely氏は上位2〜3社が赤字を公表している現状を踏まえ、多くの企業が代替手段を模索していると述べました。

コスト削減で最も効くのは、タスクの複雑さに応じてモデルを適正化することだと同氏は強調します。保険金請求の処理に高性能モデルは不要であり、リクエストを分類して適切なモデルへ振り分ける意味ルーティングや、反復クエリのキャッシュがGPU負荷を抑えます。クラウド費用を管理してきたFinOpsの枠組みは、トークン支出の規律にもそのまま応用できるといいます。

セキュリティでは、AIが脆弱性を高速に発見する時代に修正適用の速さが決定的になります。Gracely氏は、多くの企業に残される猶予は7〜14日程度だと見積もります。単独では軽微な弱点が連鎖して危険になる組み合わせをAIが突くため、ソフトウェアを迅速に更新する能力は運用課題から戦略的能力へと変わりつつあります。

最終的にエージェントが普及するかは、知識を託される現場の専門家の深い関与にかかっています。同氏は、参加者が自分の仕事を奪われると感じないよう、インセンティブ設計と協力を促す仕組みが不可欠だと語りました。技術だけでなく組織文化の設計こそが、AIエージェント定着の鍵を握ります。

Hugging FaceとSkyPilotは7月7日、両社共同開発の新機能「store: hf」を発表しました。AIモデルやデータセットをHugging Face Hubに置いたまま、hf://で始まる一つのURLと既存のHF_TOKENを指定するだけで、SkyPilotが20以上のクラウドやKubernetes上で走らせるジョブにマウントできる仕組みです。Hugging Faceはデータ転送料（egress）を課金しないため、どのクラウドのGPUにデータを読み込んでも費用はかかりません。

この機能が狙うのは、複数クラウドをまたぐAI開発のコスト問題です。GPUの確保は今や一社では難しく、企業は複数ベンダーに予約枠を分散し、空きのある場所で計算を走らせています。一方でオブジェクトストレージはクラウドごと・地域ごとに分かれており、別のクラウドのGPUへデータを渡すには複製を持つか、AWSで約$0.09/GBの転送料を払う必要がありました。

Hugging Face Storageは、この負担が最も重くのしかかる「読み込み側」の費用をゼロにします。保存料は1TBあたり月$12〜18で、egressのかかるAWS S3の約$23に比べて割安です。同じバケットをどのクラウドのクラスタからも無料で読めるため、データの所在にジョブを縛られなくなります。

実測では、Qwen3.5-4Bの微調整でモデルの読み込みが約30秒（最大500MB/s）で完了し、チェックポイントの書き込みも最大約170MB/sを記録しました。ストレージはXet技術による差分管理を採用しており、変更のあったチャンクだけを転送します。8.43GBのデータを再アップロードした際は、初回の24秒に対し約8秒で済んだといいます。