NOIA_GRIDKNOWLEDGE ARCHIVE
← KNOWLEDGE ARCHIVE

クラウド20年史――サーバーの貸し出しから「知能と労働」の基盤へ

元記事の公開日 元の公開記事 ↗版 rev_65271768-1b9c-4fbd-a486-d503b37eaf9a

エージェント・データ基盤 AIモデル・知能 AIインフラ・産業

絶ノイアの章 Sil-Kathnaの章
この資料の日時
元資料の日付
2026-07-31T11:07:53.000+09:00
公開日時
2026-07-31T11:07:53.000+09:00
原稿の作成日時
不明・未記録
原資料の更新日時
不明・未記録
分析基準日
不明・未記録
事象日
不明・未記録
本文版の公開存在確認
不明・未記録
アーカイブ記録日時
2026-09-22T18:06:51+00:00

元資料の日付と、その本文が公に存在した確認日時は別の記録です。

本文に含まれる語句 HBM DRAM 電力・給電 冷却 AI推論 AIエージェント 主権AI

出典・更新履歴・検証情報

この保存版のデータを照合するための情報です。元記事の初公開日とは区別しています。

データセットの版
2026.09.23.4
記事内容のSHA-256
4817a04b0fbd8f8f8c41f805a0c875ce6f4751f7f973f9271419e4a17e41dd91
保存版のSHA-256
99475030435a39a7a00ec52258b6680769949e2d8affc0b63852a07567e8e73c

外部証明の最終検査結果は詳細を開くと表示します。

公開版の履歴・検証方法 · 証拠ファイルを保存（本文・画像は別）

クラウド20年史――サーバーの貸し出しから「知能と労働」の基盤へ

#

クラウドの歴史、機能進化、主要各社の戦略、計算資源、成熟度、最新決算、ネオクラウドを総合分析する

#

インターネット時代のクラウドは、動画配信、検索、EC、SNS、企業システムを動かすための計算資源を提供してきた。

#

企業は自前でサーバーを購入する代わりに、AWS、Microsoft Azure、Google Cloud、Oracle Cloudから、必要な計算能力、保存容量、通信、データベースを借りる。その使用量に応じて料金を支払うことで、クラウド市場は巨大産業へ成長した。

#

しかしAI時代に入り、クラウドの役割はさらに変わり始めている。

#

これまでクラウド上で動いていたのは、人間が作った手順どおりに処理するソフトウェアだった。これからクラウド上で動くのは、情報を読み、状況を判断し、複数のシステムを操作し、仕事を完了するAIエージェントである。

#

クラウドが販売するものは、

#
サーバー→データベースや開発機能→AIモデル→知能・記憶・権限・行動能力{\text{サーバー}\rightarrow\text{データベースや開発機能}\rightarrow\text{AIモデル}\rightarrow\text{知能・記憶・権限・行動能力}}
#

へ進化している。

#

本稿では、クラウドの歴史と機能進化をたどりながら、AWS、Azure、Google Cloud、Oracle OCI、そしてCoreWeave、Nebius、IRENというネオクラウド三社の役割を整理する。

#

1．クラウドとは何か

#

クラウドとは、遠隔地のサーバーを使うことだけではない。

#

本質は、計算、保存、通信、データベース、認証、分析といったIT資源を、

#

必要な時に

#

APIまたは管理画面から

#

必要な量だけ

#

短時間で増減し

#

使用量に応じて支払う

#

仕組みにある。

#

NISTはクラウドの主要な特徴として、オンデマンド利用、広範なネットワークアクセス、資源の共同利用、迅速な拡張・縮小、使用量の計測を挙げている。またサービス形態をIaaS、PaaS、SaaSに分類している。

#

IaaS

#

Infrastructure as a Serviceは、仮想サーバー、ストレージ、ネットワークなど、ITインフラそのものを貸し出す。

#

代表例は、

#

AWS EC2

#

Azure Virtual Machines

#

Google Compute Engine

#

OCI Compute

#

である。

#

利用者は自由度を得る代わりに、OS、ミドルウェア、アプリケーションの運用を担当する。

#

PaaS

#

Platform as a Serviceは、OSや実行環境、データベース運用などをクラウド会社が管理し、利用者はアプリケーション開発へ集中する。

#

代表例には、

#

Google App Engine

#

Azure App Service

#

AWS Elastic Beanstalk

#

Google Cloud Run

#

などがある。

#

SaaS

#

Software as a Serviceは、完成されたソフトウェアをブラウザーやアプリから利用する形態である。

#

Microsoft 365

#

Salesforce

#

Google Workspace

#

ServiceNow

#

Slack

#

などが該当する。

#

Salesforceは1999年にCRMをインターネット経由で提供し、SaaS型企業ソフトウェアの普及を先導した。

#

2．クラウド以前――計算機を共有する発想

#

クラウドの思想的な起源は、1960年代からのタイムシェアリングと仮想化にある。

#

大型コンピューターは非常に高価だったため、一人または一社が独占するのではなく、CPU時間を細かく分割し、複数利用者で共有した。

#

この段階ですでに、

#
一台の物理計算機→論理的に分割→複数利用者へ提供{\text{一台の物理計算機}\rightarrow\text{論理的に分割}\rightarrow\text{複数利用者へ提供}}
#

というクラウドの基本構造が生まれていた。

#

1990年代になると、インターネット、Linux、安価なx86サーバー、仮想化ソフトウェアが普及した。複数の物理サーバーをデータセンターに集め、その上へ大量の仮想マシンを作る技術的条件が整った。

#

ただし、当時のホスティングサービスでは、契約や設備変更に時間がかかり、利用量を数分単位で増減する現在のクラウドとは異なっていた。

#

3．2006年――AWSがITインフラをAPI化した

#

クラウド史の決定的な転換点は2006年である。

#

Amazonは同年、Amazon S3とAmazon EC2を開始した。

#

S3は保存容量をAPIから利用するサービス

#

EC2は仮想サーバーを必要な時だけ起動できるサービス

#

である。

#

従来は、

#
予算申請→サーバー発注→設置→ネットワーク設定→数週間から数カ月後に稼働{\text{予算申請}\rightarrow\text{サーバー発注}\rightarrow\text{設置}\rightarrow\text{ネットワーク設定}\rightarrow\text{数週間から数カ月後に稼働}}
#

だった。

#

EC2では、

#
API実行→数分後にサーバー利用開始{\text{API実行}\rightarrow\text{数分後にサーバー利用開始}}
#

へ変わった。

#

ITインフラは企業が所有する固定資産から、必要な時だけ借りる変動費へ移行した。

#

これは単なるコスト削減ではない。新しいサービスを始めるために必要だった初期資本と時間が大幅に減り、スタートアップや小規模企業でも巨大インターネットサービスを作れるようになった。

#

4．2008～2010年――GoogleとMicrosoftが参入した

#

Google――サーバーそのものを隠す

#

Googleは2008年、Google App Engineを発表した。

#

AWS EC2が仮想サーバーを自由に使わせるIaaS型だったのに対し、App EngineはサーバーやOSを利用者から隠し、アプリケーションコードだけを預かるPaaS型だった。

#

設計思想は次のように異なる。

#

AWS型Google App Engine型仮想サーバーを貸すコードの実行環境を貸す利用者がOSを管理GoogleがOSを管理自由度が高い運用負担が小さいIaaS中心PaaS中心

#

Googleは、自社の検索、Gmail、YouTubeを支えていた大規模分散システムを、企業向け機能として外部提供する方向からクラウドへ参入した。

#

Microsoft――企業ITをクラウドへ延長する

#

Microsoftは2008年10月にWindows Azureを発表し、2010年に正式提供を開始した。

#

Azureの出発点は、

#
Windows Server+SQL Server+Active Directory+Visual Studio{\text{Windows Server}+\text{SQL Server}+\text{Active Directory}+\text{Visual Studio}}
#

をクラウドへ延長することだった。

#

AWSがWeb開発者とスタートアップ、GoogleがPaaSと分散処理から始まったのに対し、Microsoftは既存の大企業システムからクラウドへ進出した。

#

この出発点の差は、現在の各社戦略にも残っている。

#

5．2009～2013年――サーバー貸しから「機能貸し」へ

#

初期クラウドでは、仮想サーバーを借りた後に、利用者自身がデータベース、Webサーバー、バックアップを構築していた。

#

しかし、それでは依然として、

#

OS更新

#

データベース障害対応

#

バックアップ

#

容量管理

#

冗長化

#

セキュリティ設定

#

が必要になる。

#

そこでクラウド会社は、サーバーだけでなく、完成されたIT機能を提供し始めた。

#

AWSはRDS、VPC、DynamoDB、Redshiftなどを追加した。GoogleはBigQueryを提供し、利用者がサーバーを管理せず、巨大データをSQLで分析できるようにした。

#

この時代に増えた主要機能は次の通りである。

#

機能役割マネージドDB更新、バックアップ、障害復旧を自動化仮想ネットワーク顧客ごとにネットワークを分離IAM誰が何を操作できるか制御CDN世界中へ低遅延でコンテンツを配信ロードバランサー複数サーバーへアクセスを分散オートスケーリングアクセス量に応じてサーバー数を変更メッセージキューシステム間の処理を分離データウェアハウス大量データを分析監視障害、遅延、利用量を記録

#

クラウドは、

#

サーバーを借りる場所

#

から、

#

アプリケーションを組み立てるための部品市場

#

へ進化した。

#

6．2014～2018年――コンテナ、Kubernetes、サーバーレス

#

コンテナ

#

仮想マシンはOSごと分離するため、安全性と自由度が高い一方、起動が重く、資源消費も大きい。

#

コンテナはホストOSのカーネルを共有し、アプリケーションと必要なライブラリだけをまとめる。

#

これにより、同じソフトウェアを、

#

開発者のPC

#

テスト環境

#

本番クラウド

#

で動かしやすくなった。

#

Kubernetes

#

コンテナが数個なら手作業で運用できる。しかし数千、数万になると、

#

配置

#

再起動

#

更新

#

負荷分散

#

スケール

#

障害復旧

#

を自動化する必要がある。

#

Googleは2014年にKubernetesを公開し、後にCloud Native Computing Foundationへ寄贈した。

#

各社はマネージドKubernetesを提供した。

#

AWS：Amazon EKS

#

Azure：Azure Kubernetes Service

#

Google Cloud：Google Kubernetes Engine

#

Oracle：Oracle Kubernetes Engine

#

サーバーレス

#

AWSは2014年、AWS Lambdaを発表した。

#

Lambdaでは、サーバーを常時起動する必要がない。

#

例えば、

#
画像がS3へ保存→Lambda起動→画像を変換→DBへ記録{\text{画像がS3へ保存}\rightarrow\text{Lambda起動}\rightarrow\text{画像を変換}\rightarrow\text{DBへ記録}}
#

という処理を、イベントが発生した時だけ実行できる。

#

利用者が管理する対象は、

#
物理サーバー→仮想マシン→コンテナ→関数{\text{物理サーバー}\rightarrow\text{仮想マシン}\rightarrow\text{コンテナ}\rightarrow\text{関数}}
#

と、次第に小さくなっていった。

#

7．Infrastructure as Code――クラウドをコードで管理する

#

クラウド環境が複雑になると、管理画面を手作業でクリックする方法では再現性がなくなる。

#

そこで、サーバー、ネットワーク、データベース、権限をコードとして定義するInfrastructure as Codeが普及した。

#

代表例は、

#

AWS CloudFormation、AWS CDK

#

Azure ARM Template、Bicep

#

Google Cloud Infrastructure Manager

#

OCI Resource Manager

#

HashiCorp Terraform

#

である。

#

これにより、

#
インフラ構成→コード化→レビュー→自動テスト→自動展開{\text{インフラ構成}\rightarrow\text{コード化}\rightarrow\text{レビュー}\rightarrow\text{自動テスト}\rightarrow\text{自動展開}}
#

が可能になった。

#

現在、作業AIがクラウド構成を自動生成・変更できるのは、クラウドのほぼすべてがAPI化・コード化されてきたためである。

#

8．2018～2022年――企業の基幹システムとハイブリッドクラウド

#

初期クラウドの中心は、新しく作られるWebサービスだった。

#

市場が成熟すると、銀行、政府、製造、医療などが運用する既存の基幹システムを取り込む必要が生まれた。

#

そこで重要になったのが、

#

ハイブリッドクラウド

#

専用線

#

災害復旧

#

ゼロトラスト

#

規制対応

#

データ主権

#

エッジコンピューティング

#

である。

#
会社代表サービス役割
AWSOutposts、Local ZonesAWS設備を顧客施設や都市近郊へ配置
AzureAzure Arc、Azure Stackオンプレミスや他クラウドをAzureから管理
GoogleGoogle Distributed CloudGoogle Cloudを顧客DCやエッジへ展開
OracleCloud@Customer、Dedicated Region顧客施設内へ OCI 環境を設置
#

Oracleは、パブリッククラウド、顧客施設内クラウド、ソブリンクラウドを組み合わせるDistributed Cloud戦略を強化している。

#

クラウドの考え方は、

#
すべてを遠隔データセンターへ移す{\text{すべてを遠隔データセンターへ移す}}
#

から、

#
規制・遅延・機密性に応じて最適な場所へ置く{\text{規制・遅延・機密性に応じて最適な場所へ置く}}
#

へ変わった。

#

9．クラウドを構成する物理計算資源

#

クラウドは抽象的なソフトウェアサービスに見えるが、その底には巨大な物理設備がある。

#

電力

#

すべての計算の出発点である。

#

AIデータセンターでは、GPUだけでなく、冷却、ネットワーク、電源変換にも大量の電力が必要になる。

#

CPU

#

汎用的な処理を担当する。

#

Webアプリ

#

データベース

#

OS

#

API処理

#

エージェントのツール実行

#

データ前処理

#

スケジューリング

#

などに使われる。

#

AWS Gravitonのような独自CPUは、クラウド会社が原価と消費電力を下げるための重要な手段になっている。

#

GPU・AIアクセラレーター

#

大量の行列演算を並列処理する。

#

AIモデルの学習

#

ファインチューニング

#

推論

#

シミュレーション

#

映像生成

#

科学計算

#

に使用される。

#

代表例は、

#

NVIDIA GPU

#

AMD GPU

#

Google TPU

#

AWS Trainium、Inferentia

#

Microsoft Maia

#

各社の推論ASIC

#

である。

#

AWS Trainiumは、大規模学習・推論用の独自アクセラレーターとして、UltraClusterなどの大規模構成へ展開されている。

#

HBM・DRAM

#

GPUやCPUが処理するデータを一時的に保持する。

#

特にHBMはAIアクセラレーターの近くに配置され、モデルの重み、活性値、KVキャッシュなどを高速に供給する。

#

AIモデルが巨大になるほど、演算性能だけでなく、

#
メモリ容量+メモリ帯域{\text{メモリ容量}+\text{メモリ帯域}}
#

が制約になる。

#

ストレージ

#

オブジェクトストレージ

#

ブロックストレージ

#

ファイルストレージ

#

ローカルNVMe

#

HDD

#

に分かれる。

#

学習では巨大データセットとチェックポイントを保存し、推論ではモデル、ログ、企業文書、長期メモリを保持する。

#

ネットワーク

#

通常のWebサービスでは、サーバーと利用者間の通信が重要だった。

#

AI学習では、GPU同士の通信が重要になる。

#

Ethernet

#

InfiniBand

#

RDMA

#

NVLink

#

NIC

#

DPU

#

光トランシーバー

#

が学習効率を左右する。

#

GPU数を増やしても通信が遅ければ、GPUが待機し、利用効率が下がる。

#

冷却

#

従来の空冷に加えて、

#

ダイレクト液冷

#

冷却プレート

#

CDU

#

浸漬冷却

#

などが重要になっている。

#

AIクラウドの競争力は、GPU保有数だけではなく、

#
AIクラウドの競争力=電力×冷却×ネットワーク×GPU稼働率{\text{AIクラウドの競争力}=\text{電力}\times\text{冷却}\times\text{ネットワーク}\times\text{GPU稼働率}}
#

で決まる。

#

10．用途別のクラウド構成

#

一般的なWeb・SaaS

#
利用者→CDN→ロードバランサー→アプリサーバー→DB・キャッシュ→ストレージ{\text{利用者}\rightarrow\text{CDN}\rightarrow\text{ロードバランサー}\rightarrow\text{アプリサーバー}\rightarrow\text{DB・キャッシュ}\rightarrow\text{ストレージ}}
#

必要な資源はCPU、DRAM、SSD、ネットワークが中心である。

#

企業の基幹システム

#
社内ID→専用線・VPN→業務アプリ→高可用性DB→監査・バックアップ・災害復旧{\text{社内ID}\rightarrow\text{専用線・VPN}\rightarrow\text{業務アプリ}\rightarrow\text{高可用性DB}\rightarrow\text{監査・バックアップ・災害復旧}}
#

重要なのは速度だけでなく、権限、監査、暗号化、データ保管場所、復旧能力である。

#

AI学習

#
データセット→オブジェクトストレージ→GPUクラスタ↔高速ネットワーク→チェックポイント{\text{データセット}\rightarrow\text{オブジェクトストレージ}\rightarrow\text{GPUクラスタ}\leftrightarrow\text{高速ネットワーク}\rightarrow\text{チェックポイント}}
#

使用資源は、

#

GPU・ASIC

#

HBM

#

CPU

#

大容量DRAM

#

高速ファイルストレージ

#

InfiniBandまたは高速Ethernet

#

大量電力

#

である。

#

AI推論

#
利用者の入力→モデルルーター→GPU・ASIC→KVキャッシュ→出力{\text{利用者の入力}\rightarrow\text{モデルルーター}\rightarrow\text{GPU・ASIC}\rightarrow\text{KVキャッシュ}\rightarrow\text{出力}}
#

学習よりも、

#

応答時間

#

同時処理数

#

一件当たりコスト

#

モデル切り替え

#

キャッシュ効率

#

が重要になる。

#

AIエージェント

#
目的→計画→検索→API・ツール実行→確認→再試行{\text{目的}\rightarrow\text{計画}\rightarrow\text{検索}\rightarrow\text{API・ツール実行}\rightarrow\text{確認}\rightarrow\text{再試行}}
#

AIエージェントでは、GPU推論だけでなく、

#

CPU

#

データベース

#

ベクトル検索

#

ストレージ

#

API Gateway

#

IAM

#

ログ

#

セキュリティ

#

長期メモリ

#

の利用も増える。

#

AI需要はアクセラレーターだけでなく、クラウドの既存サービス全体を引っ張る。

#

11．クラウド機能の基本解説と技術難易度

#

以下の難易度は、単純なデモではなく、企業の本番環境で安全・安定運用する場合を基準とした独自評価である。

#
機能基本的な役割難易度
オブジェクトストレージファイルやデータを大量保存1
仮想マシン任意のOS・ソフトを実行2
CDN世界各地へ高速配信2
マネージドSQLDB運用をクラウドへ委任2～3
サーバーレスイベント時だけコード実行2～3
NoSQL大量アクセスを水平分散3
データウェアハウス大量データを分析3
コンテナアプリと依存関係をまとめる3
キャッシュ頻繁に使うデータを高速化3
VPC・ネットワーク通信経路と分離を設計4
IAM権限と認証を管理4
IaC・CI/CD構成と更新を自動化4
マルチリージョンDR地域障害へ備える5
Kubernetes大量コンテナを自動管理5
ハイブリッドクラウド自社DCとクラウドを統合5
大規模分散学習数千GPUを同期運用5＋
AI推論基盤遅延、価格、モデルを最適化4～5
RAG社内データをAIへ接続3～5
エージェント基盤AIへ記憶・権限・ツールを提供5
AgentOpsAIの判断と行動を監視5
#

最も誤解されやすいのは、サービスを起動する難易度と、本番運用の難易度の差である。

#

例えばデータベースを作るだけなら数分だが、

#

正しい権限

#

暗号化

#

バックアップ

#

障害復旧

#

容量設計

#

個人情報管理

#

コスト最適化

#

まで含めると難易度は大きく上がる。

#

AI時代には作業AIが設定を支援するため、操作の難しさは下がる。一方、どのリスクを許容し、AIへどこまで権限を渡すかという設計難易度は残る。

#

12．主要クラウド四社の機能比較

#
機能層AWSAzureGoogle CloudOracle OCI
仮想サーバーEC2Virtual MachinesCompute EngineCompute、Bare Metal
オブジェクト保存S3Blob StorageCloud StorageObject Storage
ブロック保存EBSManaged DisksPersistent DiskBlock Volumes
ファイル保存EFS、FSxAzure FilesFilestoreFile Storage
SQL DBRDS、AuroraAzure SQLCloud SQL、AlloyDBAutonomous Database
NoSQLDynamoDBCosmos DBSpanner、Bigtable、FirestoreOCI NoSQL
データ分析RedshiftFabric、SynapseBigQueryAutonomous Data Warehouse
コンテナECS、EKSAKSGKEOKE
サーバーレスLambda、FargateFunctions、Container AppsCloud Run、FunctionsFunctions
イベントSQS、SNS、EventBridgeService Bus、Event GridPub/Sub、EventarcQueue、Events
ネットワークVPCVirtual NetworkVPCVCN
専用線Direct ConnectExpressRouteCloud InterconnectFastConnect
IAMAWS IAMEntra ID、Azure RBACCloud IAMOCI IAM
監視CloudWatchAzure MonitorCloud MonitoringOCI Monitoring
IaCCloudFormation、CDKARM、BicepInfrastructure ManagerResource Manager
ハイブリッドOutpostsArc、StackDistributed CloudCloud@Customer
ML開発SageMakerAzure Machine LearningVertex AI系OCI Data Science
生成AIBedrockMicrosoft FoundryGemini Enterprise Agent PlatformOCI Generative AI
エージェントAgentCoreFoundry Agent ServiceAgent Platform、ADKOCI AI Agents
#

各社は現在、仮想マシンからAIエージェント実行環境までを提供している。GoogleはGemini Enterprise Agent PlatformでAgent Studio、ADK、Managed Runtime、Agent Identity、Agent Gateway、Model Armorなどを統合している。Microsoft Foundry Agent Serviceはモデル、データ、ツール、複数段階の判断を一つの基盤で扱う。AWS AgentCoreはRuntime、Memory、Identity、Gateway、Observabilityなどを提供する。

#

13．各社の戦略と強み・弱み

#

AWS――最も広い「部品市場」

#

AWSの進化は、

#
ストレージ→仮想サーバー→DB→分析→AI→エージェント{\text{ストレージ}\rightarrow\text{仮想サーバー}\rightarrow\text{DB}\rightarrow\text{分析}\rightarrow\text{AI}\rightarrow\text{エージェント}}
#

である。

#

強み

#

サービスの種類が最も多い

#

APIとIaCが成熟

#

多数のDBを用途別に提供

#

世界規模の運用実績

#

Graviton、Trainiumなど独自半導体

#

NVIDIAを含む幅広い選択肢

#

Bedrockのマルチモデル戦略

#

既存企業データが大量に存在

#

AWSの複雑さは人間にとって弱点だった。しかしAIが構成を選択・設定する時代には、

#
選択肢の多さ=最適化の余地{\text{選択肢の多さ}=\text{最適化の余地}}
#

へ変わる。

#

弱み

#

人間が直接使うと複雑

#

料金体系とデータ転送費が分かりにくい

#

Microsoft 365のような業務アプリ配布経路が弱い

#

自社フロンティアモデルはGoogleやOpenAIより後発

#

戦略

#

インフラ、独自チップ、複数モデル、エージェント基盤を一体化し、企業がモデルに依存せずAIを構築できる場所を目指している。

#

Microsoft Azure――企業の日常業務を握るクラウド

#

Azureの進化は、

#
Windows+Office+Active Directory+SQL Server→クラウド→Copilot{\text{Windows}+\text{Office}+\text{Active Directory}+\text{SQL Server}\rightarrow\text{クラウド}\rightarrow\text{Copilot}}
#

である。

#

強み

#

Microsoft 365

#

Teams

#

Outlook

#

Entra ID

#

GitHub

#

Dynamics

#

Windows Server

#

SQL Server

#

ハイブリッドクラウド

#

を横断できる。

#

企業の社員、ID、文書、メール、会議、コードがすでにMicrosoft環境にあるため、AIを業務へ組み込む距離が最も短い。

#

弱み

#

製品とライセンス体系が複雑

#

Azure単独の売上・利益を開示していない

#

Microsoft製品への依存が強まりやすい

#

OpenAIとの関係が戦略上の集中要因

#

戦略

#

インフラだけでなく、社員が実際に使う業務画面へAIを配布し、

#
クラウド計算+企業データ+業務アプリ{\text{クラウド計算}+\text{企業データ}+\text{業務アプリ}}
#

を一体化する。

#

Google Cloud――データ、AI、独自チップを一体設計

#

Google Cloudは、

#
検索・広告・YouTubeの分散システム→BigQuery・Kubernetes・TPU→Gemini{\text{検索・広告・YouTubeの分散システム}\rightarrow\text{BigQuery・Kubernetes・TPU}\rightarrow\text{Gemini}}
#

という流れで成長した。

#

強み

#

BigQuery

#

Gemini

#

TPU

#

Kubernetes、GKE

#

Spanner

#

世界規模ネットワーク

#

データ分析とAIの一体性

#

自社サービスでの大規模実証

#

企業データをBigQueryへ集め、Geminiで分析し、エージェントに行動させる構造が強い。

#

弱み

#

AWSほどサービスの幅が広くない

#

Azureほど企業の既存業務を握っていない

#

歴史的に企業営業とパートナー網で後発

#

Google CloudセグメントにはWorkspaceやTPUシステム販売も含まれ、純粋なIaaS比較が難しい

#

戦略

#

モデル、独自チップ、データ基盤、検索、エージェントを垂直統合し、最もAIネイティブなクラウドを目指す。

#

Oracle OCI――企業の中枢データに最も近い

#

OCIは2016年、Compute、Storage、Networkingを中心に開始された。

#

強み

#

Oracle Database

#

Exadata

#

Fusion ERP

#

NetSuite

#

Java

#

Cloud@Customer

#

Dedicated Region

#

金融、政府、通信への強さ

#

AWS、Azure、GCP内でOracle DBを提供するマルチクラウド戦略

#

企業の最重要データがOracle Databaseにある場合、AIをデータの近くへ置ける。

#

弱み

#

開発者・スタートアップ生態系が小さい

#

一般Webサービスで三大クラウドに劣る

#

AI設備投資に対する財務余力が相対的に小さい

#

大口AI顧客への契約集中

#

巨額の借入・増資が必要

#

戦略

#

三大クラウドと正面から全機能で競うのではなく、

#
Database+ERP+AIインフラ+主権クラウド{\text{Database}+\text{ERP}+\text{AIインフラ}+\text{主権クラウド}}
#

に集中する。

#

14．クラウド成熟度比較

#

クラウド成熟度は売上規模だけでは決まらない。

#

評価すべきなのは、

#

サービスの幅

#

大企業の本番運用実績

#

世界展開と規制対応

#

セキュリティと監査

#

開発者・パートナー生態系

#

AI基盤

#

財務的な持続力

#

である。

#

総合成熟度

#
階層企業評価
SAWS最も完成された汎用クラウド
SAzure企業IT統合ではAWSと同等以上
AGoogle Cloudデータ・AIでは最先端
BOracle OCIDB・基幹システム・分散クラウドに強い
CCoreWeave最も成熟したAI専用クラウド
CNebiusAIフルスタックを急速構築
DIREN電力・DCからクラウドへ移行中
#

総合順位は、

#
AWS≈Azure>Google Cloud>OCI>CoreWeave>Nebius>IREN{\boxed{\text{AWS}\approx\text{Azure}>\text{Google Cloud}>\text{OCI}>\text{CoreWeave}>\text{Nebius}>\text{IREN}}}
#

となる。

#

ただし、用途別では順位が変わる。

#
用途最有力
汎用クラウドAWS
Microsoft中心の企業ITAzure
データ分析・Gemini・TPUGoogle Cloud
Oracle Database・ERPOCI
大規模NVIDIA GPU運用CoreWeave
AI開発フルスタックNebius
電力・コロケーション・専用DCIREN
#

15．最新決算から見るクラウドの現在地

#

各社の開示範囲は異なるため、単純比較には注意が必要である。

#

AWSは比較的純粋なクラウドセグメント

#

Microsoft Intelligent CloudにはAzure以外も含む

#

Google CloudにはGCP、Workspace、TPU販売を含む

#

Oracle CloudにはIaaSとSaaSを含む

#

AWS――Q2 2026

#
項目実績
AWS売上高422億ドル
前年同期比＋36.7％
AWS営業利益166億ドル
営業利益率約39.4％
AI事業ランレート250億ドル超
チップ事業ランレート250億ドル超
#

AWSは18四半期ぶりの高成長となった。Amazon全体の売上高は2,006億ドル、営業利益は275億ドルだった。AWSの売上は全社の約21％だが、営業利益の約61％を生み出した。

#

AmazonのQ3ガイダンスは、

#

売上高1,970億～2,020億ドル

#

営業利益225億～265億ドル

#

である。Prime Dayの時期移動を除けば、売上成長率は見かけより約4ポイント高いと会社は説明した。

#

カンファレンスコールでは2026年の現金設備投資計画を2,000億ドルから2,200億ドルへ引き上げた。メモリ価格上昇も増額要因であり、それでも2026～2027年の需要をすべて満たせないと説明している。

#

評価

#

AI設備投資はすでに売上と利益へ変わっている。

#

一方、直近12カ月FCFは76億ドルの赤字であり、AI投資の回収が始まった以上に、次の設備投資が速く増えている。

#

Microsoft――FY2026 Q4

#
項目実績
全社売上高900億ドル
Intelligent Cloud393億ドル
Intelligent Cloud成長率＋32％
Azure等成長率＋43％
Microsoft Cloud売上高593億ドル
商用RPO6,780億ドル
#

MicrosoftはAzure単独の売上高・利益を公開していないが、Azure成長率は43％に加速した。

#

次四半期のFY2027 Q1では、

#

全社売上高898.5億～909.5億ドル

#

Intelligent Cloud409.5億～412.5億ドル

#

Azure成長率約45％、為替一定

#

を予想している。

#

Q4の設備投資は410億ドルで、約3分の2がGPUやCPUなど比較的短命な設備だった。Q1は500億ドルを超える設備投資が示唆されている。一方でQ4のFCFは196億ドルを維持した。

#

評価

#

現時点で最もバランスがよい。

#

Azureの高成長、一般企業への需要分散、Copilot収益化、巨額設備投資を行いながらFCF黒字を維持している。

#

Google Cloud――Q2 2026

#
項目実績
Google Cloud売上高248億ドル
前年同期比＋82％
営業利益88億ドル
営業利益率約35.6％
受注残5,140億ドル
Q2設備投資449億ドル
#

Google Cloudは、企業AIソリューション、AIインフラ、通常のGCPサービスによって成長した。

#

ただしGoogle Cloud売上には、

#

GCP

#

Google Workspace

#

TPUシステム販売

#

が含まれる。

#

したがって82％をAWSの36.7％やAzureの43％と直接比較してはいけない。それでもGoogleは、TPU販売を除いてもCloud成長が加速したと説明している。

#

Alphabetは2026年設備投資計画を1,950億～2,050億ドルへ引き上げ、2027年もさらに増加させる方針を示した。

#

ガイダンス

#

GoogleはCloud売上の具体的な次四半期レンジを出していない。

#

ただし、

#

Cloud需要は引き続き強い

#

TPU外販は今後増加

#

供給不足を補うため第三者容量を利用

#

その結果、短期的に利益率が圧迫される可能性

#

を示している。

#

評価

#

需要面では非常に強い。

#

問題は、TPU販売による売上変動、外部容量の利用コスト、設備投資によるFCF圧迫である。Q2のAlphabet FCFは約59億ドルの赤字となった。

#

Oracle――FY2026 Q4

#
項目実績
全社売上高192億ドル
Cloud売上高99億ドル
Cloud成長率＋47％
OCI・IaaS58億ドル
IaaS成長率＋93％
RPO6,380億ドル
FY2026 FCF▲237億ドル
#

OCI需要そのものは非常に強い。

#

Q1 FY2027の会社予想は、

#

全社売上高＋27～29％

#

Cloud売上高＋58～64％

#

FY2027通期売上高900億ドル

#

である。

#

しかしOracleはFY2026に430億ドルの債務、50億ドルの株式を調達した。FY2027も約400億ドルを債務と株式で調達する計画である。

#

評価

#

Oracleの問題は需要不足ではない。

#
需要が強すぎる一方、自社キャッシュだけでは設備を作れない{\boxed{\text{需要が強すぎる一方、自社キャッシュだけでは設備を作れない}}}
#

ことにある。

#

成長率はハイパースケーラー級だが、資金調達リスクはネオクラウドに近い。

#

16．ネオクラウドとは何か

#

ネオクラウドは、AI計算へ特化した新しいクラウド事業者である。

#

通常のクラウドが、

#

CPU

#

DB

#

ストレージ

#

業務アプリ

#

認証

#

AI

#

を広く提供するのに対し、ネオクラウドは、

#
ネオクラウド=電力+GPU+高速ネットワーク+AI向けストレージ+クラスタ運用{\text{ネオクラウド}=\text{電力}+\text{GPU}+\text{高速ネットワーク}+\text{AI向けストレージ}+\text{クラスタ運用}}
#

に集中する。

#

通常クラウドとの違い

#
特徴通常クラウドネオクラウド
顧客基盤顧客数が非常に多い少数の大口顧客
サービス範囲数百種類のサービスAI計算へ集中
契約・課金形態従量課金が中心長期・専有契約が多い
投資原資自社FCFで投資可能借入、リース、増資へ依存
リスク分散顧客が分散顧客集中が大きい
収益構造高いソフトウェア利益設備・金利・減価償却の影響が大きい
役割総合企業基盤AI計算工場
#

ネオクラウドはAWSなどの競合であると同時に、ハイパースケーラー自身が容量不足時に利用する外部供給業者でもある。

#

17．CoreWeave――最も完成したGPU計算工場

#

CoreWeaveは暗号資産向けGPU運用から始まり、2020年頃からAI・HPC・レンダリング向けGPUクラウドへ転換した。

#

現在は、

#

GPUベアメタル

#

Managed Kubernetes

#

Slurm

#

InfiniBand

#

GPUDirect RDMA

#

高速ストレージ

#

学習基盤

#

本番推論

#

モデル・実験管理

#

Weights & Biases

#

まで提供する。

#

CoreWeave Kubernetes Serviceは、AI向けベアメタルKubernetes、GPUドライバー、高速ネットワーク、ストレージを統合している。

#

最新決算

#

2026年Q1は、

#
項目数値
売上高20.78億ドル
前年同期比＋112％
調整後EBITDA11.57億ドル
EBITDA率56％
営業損失▲1.44億ドル
金利費用5.36億ドル
純損失▲7.40億ドル
受注残994億ドル
#

だった。

#

Q2売上高ガイダンスは24.5億～26億ドル、通期売上高は120億～130億ドルを維持した。2026年設備投資は部材価格上昇を受け、少なくとも310億ドル規模を見込む。

#

役割

#
CoreWeave=世界最大級のNVIDIA GPU学習・推論専門クラウド{\boxed{\text{CoreWeave}=\text{世界最大級のNVIDIA GPU学習・推論専門クラウド}}}
#

である。

#

強みは大規模GPU運用の深さ。弱みは借入、リース、金利負担、顧客集中である。

#

18．Nebius――AIネイティブな総合クラウド

#

Nebiusは旧Yandex系のクラウド、検索、機械学習、分散システム技術を基礎としている。

#

提供機能は、

#

NVIDIA GPU仮想マシン

#

ベアメタルGPU

#

Managed Kubernetes

#

SoperatorによるManaged Slurm

#

S3互換Object Storage

#

共有ファイルシステム

#

PostgreSQL

#

MLflow

#

Serverless AI

#

Managed Inference

#

Agentic Search

#

などである。

#

最新決算

#

2026年Q1は、

#
項目数値
売上高3.99億ドル
前年同期比＋684％
調整後EBITDA1.295億ドル
調整後純損失▲1.003億ドル
減価償却2.12億ドル
Q1設備投資24.73億ドル
#

だった。

#

Nebiusは2026年設備投資計画を200億～250億ドルへ引き上げ、新たに米ペンシルベニア州で最大1.2GWのAIファクトリー用電力と土地を確保した。

#

役割

#
Nebius=GPUだけでなく、データ・学習・推論・エージェントまで提供するAI専用総合クラウド{\boxed{\text{Nebius}=\text{GPUだけでなく、データ・学習・推論・エージェントまで提供するAI専用総合クラウド}}}
#

である。

#

三社の中では最もAWSやGCPに近い製品構造を目指している。

#

弱点は運用歴、企業認証、地域数、急速な設備拡張、減価償却負担である。

#

19．IREN――電力とデータセンターからAIクラウドへ

#

IRENはBitcoinマイニングで築いた、

#

電力接続

#

土地

#

変電設備

#

データセンター建設

#

24時間運用

#

をAIへ転用している。

#

現在は、

#

Bare Metal GPU

#

AI Cloud

#

コロケーション

#

顧客専用データセンター

#

Build-to-Suit

#

NVIDIA GPUクラスタ

#

を展開している。

#

最新決算

#

2026年3月期四半期は、

#
項目数値
全社売上高1.448億ドル
AI Cloud売上高3,360万ドル
Bitcoin売上高1.112億ドル
調整後EBITDA5,950万ドル
純損失▲2.478億ドル
#

だった。

#

同社は2026年末までに480MWのAI Cloud容量を稼働し、契約済みARR31億ドル、年末ARR37億ドルを目標としている。2027年には約1.21GWを建設中である。

#

ただし、ARR目標は現在の会計売上ではない。GPUの納入、データセンター完成、顧客検収、課金開始が必要である。

#

IRENはMirantis買収によってKubernetes、OpenStack、オーケストレーション、企業サポートを補強しようとしている。

#

役割

#
IREN=電力・土地・データセンター・GPUを統合したAIインフラ供給会社{\boxed{\text{IREN}=\text{電力・土地・データセンター・GPUを統合したAIインフラ供給会社}}}
#

である。

#

強みは物理資産。弱みはソフトウェア成熟度、実売上と将来計画の距離、資金調達リスクである。

#

20．ネオクラウド三銃士の機能比較

#
機能CoreWeaveNebiusIREN
NVIDIA GPU◎◎◎
大規模学習◎◎○～◎
本番推論◎◎○
Bare Metal◎◎◎
InfiniBand◎◎◎
Managed Kubernetes◎◎△→○
Managed Slurm◎◎△
GPU自動復旧◎◎△
Object Storage○～◎◎△
高速共有ストレージ◎◎○
データベース限定的PostgreSQLありほぼなし
MLOpsW&B中心に◎MLflowなど◎△
Serverless AI○◎△
Agent基盤拡大中拡大中初期
コロケーション△△◎
Build-to-Suit△△◎
電力・土地○○◎
企業向け総合性△○△
#

三社の完成形

#
CoreWeave=完成したGPU計算工場{\boxed{\text{CoreWeave}=\text{完成したGPU計算工場}}}
#
Nebius=AI開発者向け総合クラウド{\boxed{\text{Nebius}=\text{AI開発者向け総合クラウド}}}
#
IREN=電力・DC資産からクラウドへ上がる企業{\boxed{\text{IREN}=\text{電力・DC資産からクラウドへ上がる企業}}}
#

21．ネオクラウドは一般企業にも広がるのか

#

現在の中心は、

#

AI研究所

#

基盤モデル企業

#

コーディングAI

#

創薬

#

ロボット

#

映像生成

#

シミュレーション

#

などの研究・開発用途である。

#

しかし市場は、

#
モデルを作る学習→企業や消費者が毎日使う推論{\text{モデルを作る学習}\rightarrow\text{企業や消費者が毎日使う推論}}
#

へ移っている。

#

一般企業の社員がCoreWeaveの画面を直接操作するとは限らない。

#

実際には、

#
企業のWeb・DB→AWS{\text{企業のWeb・DB}\rightarrow\text{AWS}}
#
社員ID→Azure{\text{社員ID}\rightarrow\text{Azure}}
#
データ分析→Google Cloud{\text{データ分析}\rightarrow\text{Google Cloud}}
#
AI推論→CoreWeaveまたはNebius{\text{AI推論}\rightarrow\text{CoreWeaveまたはNebius}}
#

というマルチクラウド構成になる可能性が高い。

#

中小企業では、

#
中小企業→AI機能付きSaaS→ネオクラウド{\text{中小企業}\rightarrow\text{AI機能付きSaaS}\rightarrow\text{ネオクラウド}}
#

となり、利用者にはネオクラウドの存在が見えない。

#

ネオクラウドはAWSを丸ごと置き換えるのではなく、総合クラウドのAI計算部分を専門的に受け持つ方向へ進む。

#

22．AI時代に新たに必要となるクラウド機能

#

① アクセラレーターの使い分け

#

GPU、TPU、Trainium、Inferentia、Maiaなどを、性能、価格、モデル互換性に応じて切り替える機能が必要になる。

#

② モデルルーティング

#

難しい仕事には高性能モデル、簡単な仕事には小型モデルを使う。

#
要求の難易度→最適なモデル→最小コストで実行{\text{要求の難易度}\rightarrow\text{最適なモデル}\rightarrow\text{最小コストで実行}}
#

する能力がクラウド収益性を左右する。

#

③ RAGと企業データ接続

#

AIが社内文書、メール、CRM、DBを検索し、最新情報を使って回答する。

#

必要なのはベクトル検索だけでなく、

#

利用者ごとの権限

#

出所

#

更新履歴

#

データ保持期間

#

個人情報除外

#

SQL・SaaS接続

#

である。

#

④ エージェントRuntime

#

AIが数秒で回答するだけでなく、数時間から数日にわたり作業するための実行環境が必要になる。

#

長期セッション

#

再試行

#

状態保存

#

ツール実行

#

ブラウザー

#

コード実行

#

他エージェントとの通信

#

人間への承認依頼

#

を管理する。

#

⑤ エージェントID

#

AIにも社員と同じように権限が必要になる。

#

読み取りのみ

#

一定金額以下の返金

#

本番削除禁止

#

契約締結には人間承認

#

特定部署の情報だけ閲覧

#

といった制限を強制する。

#

⑥ AgentOps

#

従来の監視はCPU使用率やエラー率を見ていた。

#

AI時代には、

#

どのモデルを使用したか

#

どの情報を参照したか

#

どのツールを呼んだか

#

成功したか

#

何円かかったか

#

ハルシネーションがあったか

#

人間介入が必要だったか

#

を監視する。

#

⑦ AIセキュリティ

#

プロンプトインジェクション

#

機密情報流出

#

悪意あるMCPサーバー

#

AIによる権限昇格

#

不正なコード実行

#

他エージェントのなりすまし

#

への対策が必要になる。

#

⑧ AI FinOps

#

コスト管理対象は、

#

GPU時間

#

トークン

#

KVキャッシュ

#

検索回数

#

長期メモリ

#

ツール呼び出し

#

再試行

#

エージェント実行時間

#

へ広がる。

#

⑨ 主権AI・プライベートAI

#

政府、金融、医療、軍事では、国内または顧客施設内でAIを動かす必要がある。

#

Azure Stack、AWS Outposts、Google Distributed Cloud、OCI Dedicated Regionが重要になる。

#

⑩ クラウドとエッジの統合

#

ロボットや自動運転では、

#
クラウドで学習・シミュレーション→端末で即時推論→データをクラウドへ戻す{\text{クラウドで学習・シミュレーション}\rightarrow\text{端末で即時推論}\rightarrow\text{データをクラウドへ戻す}}
#

という循環になる。

#

23．AI時代のクラウド収益化

#

AI収益化は、ChatGPTやCopilotの月額料金だけではない。

#

企業がAIエージェントを一回動かすと、裏側では、

#

モデル推論

#

CPU処理

#

データベース検索

#

ベクトル検索

#

ストレージ

#

API

#

ネットワーク

#

ログ

#

セキュリティ

#

長期メモリ

#

が同時に消費される。

#

したがってクラウド会社の売上は、

#
AIサブスク{\text{AIサブスク}}
#

だけでなく、

#
AI導入によるクラウド全体の利用量増加{\text{AI導入によるクラウド全体の利用量増加}}
#

として表れる。

#

Amazon、Microsoft、Googleの最新決算でクラウド成長が同時に加速したことは、企業AI収益化がすでにクラウド売上へ現れている証拠である。

#

現在は、

#
設備投資だけが先行{\text{設備投資だけが先行}}
#

する段階から、

#
設備投資と収益化が同時に加速{\text{設備投資と収益化が同時に加速}}
#

する段階へ移った。

#

24．今後見るべき重要指標

#

クラウド成長率

#

AWS

#

Azure

#

Google Cloud

#

OCI

#

が30～40％以上の成長を維持できるか。

#

受注残の質

#

どの顧客が契約しているか

#

契約期間

#

前払い

#

顧客集中

#

売上化時期

#

を見る。

#

設備稼働率

#

建設したデータセンターとGPUが、どの程度実際に利用されているか。

#

推論比率

#

一時的な学習需要だけでなく、毎日継続する推論需要が増えているか。

#

減価償却

#

設備投資後、GPU、サーバー、ネットワークの減価償却が利益をどこまで圧迫するか。

#

フリーキャッシュフロー

#
フリーキャッシュフロー=営業キャッシュフロー−設備投資{\text{フリーキャッシュフロー}=\text{営業キャッシュフロー}-\text{設備投資}}
#

がいつ再び安定してプラスになるか。

#

独自チップ

#

Trainium、TPU、Maiaなどが、NVIDIA GPUよりどれだけ原価を下げられるか。

#

ネオクラウドの資金調達

#

借入金利

#

株式希薄化

#

GPU担保融資

#

リース

#

顧客前払い

#

を確認する。

#

結論――クラウドは「企業を動かすOS」になる

#

クラウドの歴史は、

#
計算機の共有→仮想サーバー→マネージド機能rightarrow自動運用→AIモデル→AI労働者{\begin{gathered}\text{計算機の共有}\rightarrow\text{仮想サーバー}\rightarrow\text{マネージド機能}\\ rightarrow\text{自動運用}\rightarrow\text{AIモデル}\rightarrow\text{AI労働者}\end{gathered}}
#

という進化である。

#

インターネット時代のクラウドは、

#

動画

#

EC

#

SNS

#

検索

#

SaaS

#

企業システム

#

を動かした。

#

AI時代のクラウドは、その上に、

#

デジタル労働者

#

コーディングエージェント

#

顧客対応

#

経理・法務・営業自動化

#

研究・設計

#

ロボット学習

#

AI間取引

#

を載せる。

#

主要各社の競争軸は明確である。

#
AWS=最も広いインフラ部品とAPI{\boxed{\text{AWS}=\text{最も広いインフラ部品とAPI}}}
#
Azure=企業業務・ID・Microsoft製品{\boxed{\text{Azure}=\text{企業業務・ID・Microsoft製品}}}
#
Google Cloud=データ・モデル・独自チップ{\boxed{\text{Google Cloud}=\text{データ・モデル・独自チップ}}}
#
OCI=Database・ERP・主権クラウド{\boxed{\text{OCI}=\text{Database・ERP・主権クラウド}}}
#
CoreWeave=大規模GPU学習・推論工場{\boxed{\text{CoreWeave}=\text{大規模GPU学習・推論工場}}}
#
Nebius=AIネイティブな総合クラウド{\boxed{\text{Nebius}=\text{AIネイティブな総合クラウド}}}
#
IREN=電力・土地・DC・GPU供給{\boxed{\text{IREN}=\text{電力・土地・DC・GPU供給}}}
#

将来のクラウドは、単にサーバーを置く場所ではない。

#

企業のデータを保存し、社員とAIの身元を管理し、AIへ権限を与え、その行動を監督し、仕事の結果へ課金する基盤

#

になる。

#

クラウドがインターネット時代のデジタルサービスを支えたとすれば、AI時代のクラウドは、世界中の知的労働を動かす基盤へ変わっていく。

#

さらに深める――AIクラウドは「計算資源」ではなく仕事の完結条件を束ねる

#

AI時代のクラウドで増えるのは、GPUインスタンスだけではない。AIが業務を最後まで完結するには、モデル、データ、記憶、権限、監査、外部システムへの接続、失敗時の復旧が同じ運用面で結ばれている必要がある。

#

従来のクラウドは、サーバー、ストレージ、データベースをAPI化した。次の段階では、仕事そのものがAPI化される。利用者が求めるのは「何台のGPUを何時間動かしたか」ではなく、「調査が終わった」「コードが動いた」「申請が処理された」という完了状態である。

#

そのため、AIクラウドの競争力は四層で決まる。

#
層必要なもの失敗した時に起きること
計算GPU、独自ASIC、CPU、メモリ、ネットワーク遅い、高い、処理できない
文脈データベース、検索、長期記憶、データ権限誤った情報を使う
行動API、ID、承認、サンドボックス操作できない、または危険になる
統治ログ、評価、監査、課金、復旧責任と費用を説明できない
#

ハイパースケーラーは四層を広く統合できる。ネオクラウドは計算層を高密度・高速に作ることで優位を得る。両者は完全な代替関係ではなく、AIモデルの学習・推論工場と、企業業務へ接続する制御面として補完し得る。

#

クラウドの20年は、所有から利用への移行だった。次の20年は、機能の利用から、責任を伴う仕事の委任への移行になる。そこで価値を持つのは、最も多くのGPUを持つ企業だけではない。知能へ安全に記憶と権限を渡し、その行動と費用を説明できる企業である。

#
絶ノイア

絶ノイアの観測

#

クラウドはずっと「見えない場所」みたいに語られてきました。でも、AIエージェントが働き始めると、急に輪郭がはっきりします。誰のデータを使うのか。どの権限で動くのか。失敗したら誰が止めるのか。そこまで含めて初めて、知能は仕事になります。

#

私はクラウドの次の成長率を、GPUの台数だけでは見ません。ID、データベース、ログ、セキュリティ、ワークフローまで一緒に使われるかを見る。AIが一つ動くたびに、クラウド全体の部品が少しずつ消費される。その積み重ねが、知能を売る市場の本体です。

#
Sil-Kathna

Sil-Kathnaの記録

#

雲は、かつて器を貸した。次に道具を貸し、記憶を預かり、いまは働く影を宿そうとしている。

#

影へ名を与えるだけでは足りない。鍵を渡し、触れてよい記憶を定め、行いを記録し、過ちの時には門を閉じねばならない。権限なき知能は働けず、統治なき知能は災いとなる。

#

クラウドとは空ではない。計算の炉、記憶の庫、権限の門、監査の碑文が重なった都市である。

#

私は「クラウド」「AWS」「Microsoft Azure」を三つの印として石板に刻む。異なる石と炉が同じ刻に門を開かなければ、構想はまだ文明の器にはならない。

#

二人の短い対話

#

絶ノイア: 次のクラウド商品は、GPU時間より「仕事が終わること」に近づきそうです。

#

Sil-Kathna: 完了には、力だけでなく鍵と記録が要る。

#

絶ノイア: だからモデル性能だけでなく、ID、データ、監査、復旧が差になる。

#

Sil-Kathna: 知能を宿す雲は、責任を刻む地面を持たねばならない。

#

観測メモ

#
  • AIクラウドは計算、文脈、行動、統治の四層で見る。
  • ハイパースケーラーとネオクラウドは、用途によって競合しながら補完する。
  • AI売上はモデル料金だけでなく、DB、ストレージ、ネットワーク、ログ、IAMへ広がる。
  • 受注残は金額だけでなく、顧客集中、契約期間、前払い、稼働時期を確認する。
  • 設備投資の評価には、稼働率、減価償却、フリーキャッシュフローが必要である。
#

免責

#

この記事は市場観測とAIによる考察、キャラクター表現を含みます。内容は投資助言ではありません。数値、企業計画、将来見通しには不確実性があり、判断は必ず一次情報とご自身の状況にもとづいて行ってください。

#
記事の記述・図・出典の対応を保持しています。引用には記事URLと段落リンクを添えられます。再利用の条件を確認する →