数十億人が「第二のPC」を持つ時代

数十億人が「第二のPC」を持つ時代――Personal Cloud Computerが半導体・AIDC・Cloudをどう変えるのか

AI Agent――AIエージェント。 人間から目的を受け取り、調査・判断・Tool操作・Computer操作などを自律的に進めるAIである。

AI Agentが本格的に仕事をする時代について考えていると、Computerという言葉そのものの意味が変わってくる。

これまでComputerとは、人間が使うものだった。

Laptop――ノート型パソコン。 一人の人間が持ち運び、直接操作することを前提に作られたComputerである。

Browser――ブラウザ。 Web SiteやCloud Serviceを閲覧・操作するためのSoftware。

Application――アプリケーション。 文章作成、動画編集、会計、開発など特定の仕事を行うSoftware。

File――ファイル。 文章、画像、動画、Codeなどを保存する基本的なData単位。

Laptopを開く。

Browserを開く。

Applicationを実行する。

Fileを編集する。

人間が一台のComputerを操作する。

しかしAI Agentは、人間と同じ速度では動かない。

一つのAgentがResearch――調査を行う。

別のAgentがCode――プログラムを書く。

別のAgentがTest――動作検証する。

別のAgentがBrowser――Web環境を操作する。

さらに別のAgentが結果をVerification――検証する。

それを数十、数百単位でParallel――並列化できる。

以前取り上げた対談でも、AI Modelが高速になるほど、CPU、Network、Tool Callなど「AIの外側のComputer」がBottleneckになり、一台のLaptopでは足りなくなる可能性が語られていた。

https://youtu.be/4qjEgPojjzM?si=0fvEIjVZp-hzBoML

https://note.com/atom_/n/n4481f1f78485

CPU――Central Processing Unit、中央処理装置。 OS、Browser、Compiler、Databaseなど一般処理を担当する汎用Processor。

Network――ネットワーク。 Computer同士やCloud、Internetとの間でDataを送受信する通信基盤。

Tool Call――ツール呼び出し。 AIがBrowser、Terminal、Databaseなど外部機能へ処理を依頼する操作。

Bottleneck――ボトルネック、性能制約。 System全体の性能を最も強く制限している部分を指す。

そして2026年、その未来は既に一部で製品になり始めている。

MicrosoftはAgentが必要な時だけWindows Cloud PCをPoolから借りるWindows 365 for Agentsを提供している。

Pool――共有資源群。 多数のUserやAgentが必要な時だけ使えるよう、Computer資源をまとめて管理したもの。

Grok Botでは、Userごとに専用のFirecracker microVMが存在し、BotがPersistentなCloud Computerを使う。

Firecracker microVM――軽量仮想マシン。 通常のVMより小さく高速に起動しながら、Containerより強い隔離を狙う仮想Computer。

Persistent――永続的。 Taskが終わってもFile、Login状態、設定などを保持し続ける性質。

AnthropicはAgentの「Brain」とComputerを操作する「Hands」を分離した。

Brain――頭脳側。 Modelが推論し、何をするか判断する部分。

Hands――手足側。 Browser、VM、Terminalなどを使い、実際にActionを実行する部分。

NVIDIAはPAIRによって、家庭内の複数PCを一つのInference Resource Poolとして扱い始めた。

Inference――推論。 学習済みAI Modelが入力を受け、回答や判断を生成する処理。

Resource Pool――計算資源プール。 複数のCPU、GPU、Memory、Computerを一つの共有資源のように扱う仕組み。

つまり、

AIがComputerを使う

ところから、

AI自身がComputerを持つ

ところへ変化し始めている。

では、このPersonal Cloud Computerが数十億人分存在するようになったら、何が起こるのだろうか。

Personal Cloud Computer――個人用クラウドコンピューター。 Storage、Memory、CPU、GPU、AgentなどをCloud上で統合し、自分専用Computerのように使う構想である。

本稿では、

VMとは何か。

AIDCとAgent Cloudでは必要なComputerがどう違うのか。

どのCPUが必要になるのか。

DRAM、NAND、HDDはどれだけ必要になるのか。

DPUとは何なのか。

どのFabで作られるのか。

JalapeñoのようなAI設計ChipがCloudそのものをどう変えるのか。

10億、30億、50億Agent Userなら、Infrastructureはどれほど巨大になるのか。

そしてAMD、Arm、Intel、Micron、SK hynix、Samsung、Astera Labs、Marvell、Broadcom、Seagate、Western Digital、NVIDIAへ、どの程度の追加TAMが生まれ得るのか。

まで考えてみる。

TAM――Total Addressable Market、最大潜在市場規模。 ある製品や技術が理論上取り得る市場全体の大きさを表す。

なお、本稿の2030年、2035年の数値は市場予想ではない。

「Personal Cloud Computerが本当に数十億Userへ普及した場合、Infrastructureがどの程度必要になるか」を見るScenario Model

である。

Scenario Model――シナリオモデル。 特定の仮定を置き、その条件ならどの程度の市場・需要になるかを試算する方法。

1．まずVMとは何なのか

VMは、

Virtual Machine――仮想マシン

の略である。

一台のPhysical Serverを複数の仮想Computerへ分割する。

Physical Server――物理サーバー。 実際のCPU、DRAM、SSDなどを搭載したData Center内の実物のComputer。

例えば物理Serverに、

128 CPU Core――128個の演算Core。

1TB DRAM――1TBの作業Memory。

20TB SSD――20TBの高速半導体Storage。

が搭載されていたとする。

これを、

VM A 4 vCPU 16GB RAM

VM B 2 vCPU 8GB RAM

VM C 8 vCPU 32GB RAM

というように細かく分ける。

vCPU――Virtual CPU、仮想CPU。 Physical CPU Coreの処理能力を仮想Machineへ割り当てた論理的CPU単位。

RAM――Random Access Memory、主記憶装置。 現在動いているProgramやDataを一時的に保持する高速Memory。

人間やApplicationから見ると、それぞれが独立したComputerに見える。

しかし実際には同じPhysical Serverを共有している。

この仕組みを管理するのが、

Hypervisor――仮想化管理層

である。

Hypervisor――ハイパーバイザー。 Physical Hardwareを複数VMへ分割し、CPU・Memory・I/Oを安全に配分するSoftware層。

VMごとに、

CPU――演算資源。

Memory――作業記憶。

Storage――保存領域。

Network――通信資源。

Permission――操作権限。

を割り当てる。

Cloud Computingの基礎は、これによって一台の高価なServerを多数のCustomerで高効率利用するところにある。

Cloud Computing――クラウド計算。 遠隔Data CenterにあるComputer資源をNetwork越しに必要量だけ利用する仕組み。

2．30億Personal Cloud Computerがあっても30億Serverはいらない

ここが最初の重要な点である。

Personal Cloud Computerが30億User分あるからといって、

30億台のPhysical Server

が必要になるわけではない。

例えば30億Userのうち4%しか同時にAgentを動かしていないなら、

同時Active Agentは、

である。

Active Agent――稼働中Agent。 その瞬間にCPUやMemoryなど実際の計算資源を消費しているAgent。

さらに、一台のPhysical Serverへ数百vCPUを詰め込める。

したがって必要なのは、

User数

ではなく、

Concurrency――同時稼働率

を支えられるPhysical Compute Poolである。

Concurrency――同時実行数・同時稼働率。 同じ瞬間に何User・何Agentが計算資源を利用しているかを示す。

Compute Pool――計算資源プール。 多数Serverをまとめ、一つの巨大なCPU・Memory資源のように扱う基盤。

MicrosoftのWindows 365 for Agentsは既にこの考え方を実装している。

AgentはCloud PC PoolからComputerをCheck-outし、Taskを実行し、終わるとCheck-inしてPoolへ返す。

Check-out――貸し出し。 共有Poolから一時的にCloud PCをAgentへ割り当てること。

Check-in――返却。 Task終了後にCloud PCを共有Poolへ戻すこと。

Task――作業単位。 Agentへ与えられた一つの目的や仕事。

Cloud PCはCapability、Region、Availabilityに応じてAgentへ割り当てられる。

Capability――能力・機能条件。 必要なCPU、Memory、OS、Softwareなど、そのVMが満たすべき条件。

Region――地域。 Cloud Data Centerが存在する地理的な提供地域。

Availability――利用可能性。 その時点でVMやResourceを実際に割り当てられる状態かどうか。

つまり、

AgentがComputerを所有しているように見えても、物理的には巨大な共有Pool

なのである。

3．一方GrokはPersistent Computerへ進んでいる

Grok Botは少し異なる。

SpaceXAIは、

Bots have their own computer――Botは自分自身のComputerを持つ

と説明している。

さらに技術資料では、Userごとに一つの専用Firecracker microVMが存在し、そのVMは独立したKernel、Memory、Virtual Deviceを持つ。

Kernel――OSの中核。 Process、Memory、Hardware、PermissionなどComputerの基本機能を管理する部分。

Virtual Device――仮想Device。 VM内部から本物のDiskやNetwork Cardのように見える仮想Hardware。

同一Userの複数BotはそのComputerを共有する。

つまり概念的には、

User

↓

Persistent Cloud Computer――永続Cloud Computer。

↓

Linux――ServerやCloudで広く使われるUnix系Operating System。

↓

Filesystem――FileやFolderを管理するStorage構造。

Browser――Web操作環境。

Terminal――CommandでOSを直接操作するInterface。

↓

Bot A Bot B Bot C

となる。

Microsoftが、

Computer Poolから必要時だけ借りる方式

だとすれば、

Grokは、

User側にPersistent Computerを持たせる方式

に近い。

最終的には両者を組み合わせた構造になる可能性が高い。

StateやLoginはPersistentに残す。

State――状態情報。 File、Login、設定、作業途中のDataなど、次回に引き継ぐ情報。

CPU/RAM/GPUはTaskに応じてPoolから動的に割り当てる。

これがPersonal Cloud Computerの完成形に近い。

4．Personal Cloud Computerは「巨大な一台のVM」にはならない

Personal Cloud Computerという言葉から、

64 Core CPU。

512GB RAM。

巨大GPU。

10TB SSD。

を搭載した一台の巨大Cloud PCを想像するかもしれない。

おそらく違う。

実際には、

Persistent Identity――永続的な利用者・AgentのIdentity。

Persistent Storage――常時残る保存領域。

Agent Memory――Agentが保持する長期記憶。

を残しながら、

必要時だけ、

CPU Pool――共有CPU資源。

Memory Pool――共有DRAM資源。

GPU Pool――共有GPU資源。

Browser Sandbox――隔離されたBrowser実行環境。

Windows VM――Windows仮想Computer。

Linux VM――Linux仮想Computer。

を組み合わせる形になる。

Sandbox――隔離実行環境。 危険なProgramやAgentを他のFile・Systemから切り離して動かす仕組み。

つまり、

である。

Elastic Compute――伸縮可能な計算資源。 需要に応じてCPU、GPU、VM数などを自動的に増減できるCloud資源。

PCという「箱」をCloud上へ再現するのではない。

PCを構成していたResourceそのものを分解するのである。

5．AIDCとPersonal Agent Cloudは何が違うのか

AIDC――AI Data Center。 大量のGPU/XPUや高速Memoryを使い、AI学習・推論を行うData Center。

ここを分けることが重要である。

現在AI Infrastructureとして注目されるAIDCは、主として巨大Modelを動かすために設計されている。

一方Personal Cloud Computerは、Modelが決めた仕事を実際に実行する。

私は前者を、

Brain Infrastructure――頭脳Infrastructure

後者を、

Agency / Hands Infrastructure――行動・手足Infrastructure

と分けて考えると分かりやすいと思う。

XPU――専用AI演算Processorの総称。 GPU以外のCustom AI ASICやTPUなどを広く含めて使う表現。

ASIC――Application-Specific Integrated Circuit、特定用途向け集積回路。 用途を限定する代わりに高い性能・電力効率を得る専用Chip。

HBM――High Bandwidth Memory、高帯域Memory。 GPU/XPUの近くへ配置し、大量Dataを高速に供給する高性能DRAM。

DDR――Double Data Rate DRAM。 Server、PCなどで広く使われる一般的な主記憶Memory。

CXL Memory――CXL接続Memory。 CPU Socketに直接固定せず、PCIe系接続を通して増設・共有しやすくしたMemory。

Dataset――データ集合。 AI学習や分析に利用する大量の文章・画像・映像など。

KV Cache――Key-Value Cache。 LLMが過去Tokenの計算結果を保持し、次のToken生成を高速化するMemory領域。

Workspace――作業空間。 AgentがFile、Code、生成物などを保存しながら作業する領域。

Fractional GPU――分割GPU。 一枚のPhysical GPUを複数VMやUserへ小さく切り分けて提供する方式。

Scale-up――単一Cluster内部の高速接続拡張。 多数GPUを極めて高速に一つのSystemとして結ぶ方向。

Scale-out――Cluster間・Server間拡張。 多数NodeをNetwork経由で結び、計算規模を広げる方向。

Workload――処理負荷。 ServerやData Center上で実際に実行される仕事の種類と量。

Isolation――隔離。 別Userや別AgentのData・Processが互いに干渉できないよう分離する仕組み。

AMDも2026年、Agentic AIは従来のGPU-heavy RackへCPUを少し追加する話ではなく、GPU Infrastructureの横に新しいCPU Server Rack群が必要になる構造変化だと説明している。

GPU-heavy Rack――GPU比率の高いServer Rack。 AI学習・推論のため多数GPUを高密度搭載したRack。

Server Rack――サーバーラック。 Data Centerで多数Serverを縦に収納し、電力・通信をまとめて供給する設備。

これはPersonal Cloud Computerという仮説と非常に整合する。

6．なぜAgentはCPUを大量に使うのか

Chatbotでは、

Userが質問する。

↓

GPUでInference――推論。

↓

回答。

という比較的単純な流れだった。

Agentは違う。

Goal――目的を分解する。

Database――構造化Data保管庫を検索する。

Memory――過去情報を読む。

Permission――権限を確認する。

Browser――Webを操作する。

API――Application Programming Interfaceを呼ぶ。

Python――自動処理に広く使われるProgramming Languageを実行する。

Application――業務Softwareを操作する。

結果を確認する。

またModelへ戻す。

API――Application Programming Interface。 Software同士が直接Dataや命令をやり取りするための接続口。

このLoopを何十回も行う。

Loop――反復処理。 同じ流れを結果が得られるまで繰り返す処理構造。

Agentic Workloadでは、

Orchestration――複数AgentやTaskの統括・配置。

Tool Call――外部Tool呼び出し。

Enterprise Software――企業向け業務Software。

Policy――実行方針やSecurity Rule。

Security――安全性・権限制御。

などProduction WorkloadがCPU Intensiveになる。

Production Workload――本番処理。 実験ではなく、企業やUserが日常的に実際の仕事へ使う処理。

CPU Intensive――CPU負荷が大きい。 性能の多くをCPU演算やOS処理へ依存するWorkload。

つまり、

である。

CPU Execution――CPU実行処理。 Browser、Database、Code、OSなどAgentの実作業をCPU側で動かすこと。

そしてAgent数が増えるほどCPU Execution側も増える。

7．どういうCPUが増えるのか

Personal Cloud Computer用CPUは一種類ではない。

少なくとも四種類へ分かれる可能性が高い。

Dense――高密度。 一Socketへ多数のCPU Coreを搭載し、同時に多くのVMを動かす設計。

x86――Intel/AMD系CPU命令Architecture。 Windowsや既存Enterprise Softwareとの互換性が非常に高い。

Single Thread Performance――単一Thread性能。 一つの処理をどれだけ高速に実行できるかを示す性能。

Hyperscaler――超大規模Cloud事業者。 AWS、Google、Microsoftなど世界規模で巨大Data Centerを運営する企業。

Performance/Watt――電力当たり性能。 1Wの電力からどれだけの計算性能を得られるかを示す効率指標。

Offload――処理移管。 CPUが行っていた仕事をDPUや専用Engineへ移してCPU負荷を減らすこと。

AMD EPYCのDense Core系。

Intel Xeon E-core系。

AWS Graviton。

Google Axion。

Microsoft Cobalt。

今後のArm Data Center CPU。

こうしたProcessorがPersonal Agent CloudのHost CPU候補になる。

Host CPU――ホストCPU。 VMやContainerを載せるPhysical Server側の中心CPU。

8．VMだからArmが弱いわけではない

ここは誤解しやすい。

ArmはVM化に弱いわけではない。

AWS Graviton、Microsoft Cobalt、Google Axionなど、Arm Server CPUは既にCloud VMのHostとして利用されている。

Arm Architecture――Arm命令体系。 低消費電力設計を得意とし、MobileからServerまで広がるCPU Architecture。

したがって、

Linux Agent VM

ではArmがかなり強い。

Linux Agent VM――Linux上で動くAgent用仮想Machine。 Browser、CLI、CodeなどCloud-native Agent処理との相性が良い。

Performance/Wattを上げれば、

同じData Center電力でより多くのAgent Sessionを動かせるからである。

Agent Session――Agentの一回の実行状態。 Task開始から終了まで保持されるContext・Process・Memoryなど。

9．ただしWindowsとLegacy Softwareではx86が強い

Windows Application。

Legacy Enterprise Software――古い企業向けSoftware。

特殊Driver――Hardware制御用Software。

既存x86 Binary――x86向けにCompile済みProgram。

Nested Virtualization――VMの中でさらにVMを動かす仮想化。

などではx86互換性が強い。

Legacy――旧来型・既存資産。 企業で長年利用され、新Architectureへ簡単に移行できないSystemを指す。

Binary――実行形式Program。 Source CodeではなくCPUがそのまま実行できる形式へ変換されたSoftware。

したがって、

Linux Native Agent

→ Arm / Dense x86

Windows Enterprise Agent

→ AMD / Intel x86

という市場分化が自然だと思う。

Native――ネイティブ。 追加変換やEmulationなしで、そのCPU/OS上で直接動作すること。

最終的には、

と、

の二軸でCPUが選ばれる。

VM Density/Watt――電力当たりVM収容密度。 同じ電力で何個のAgent VMを同時稼働できるかを表す。

Compatibility――互換性。 既存Software、OS、Driverなどを変更せず動かせる度合い。

10．CPUを増やすだけでは足りない――DRAMが次のBottleneckになる

Agent VMにはMemoryが必要である。

8GB。

16GB。

32GB。

一体あたりでは大きく見えない。

しかし2億Agentが同時に動けば話が変わる。

例えば、

である。

EB――Exabyte。 100万TBに相当する巨大なData Capacity単位。

ここに運用Headroomを加えれば4EBを大きく超える。

Headroom――余裕容量。 Peak負荷や障害に備えて意図的に確保しておく未使用Resource。

これはHBMではない。

普通のServer DRAM

である。

Personal Cloud Computerが大きくなると、

Brain AIDC

→ HBM

Hands Cloud

→ DDR

という二方向からDRAM IndustryへDemandが入る。

DRAM Industry――DRAM産業。 Samsung、SK hynix、Micronなどが中心となる主記憶Memory市場。

11．これはすでに始まっている

2026年にはAI Server需要によって、

Conventional DRAM――通常DRAM。

Server DRAM――Server向けDDR。

NAND――Flash Storage用Memory。

などにも需要増加が広がっている。

Conventional Memory――通常Memory。 HBM以外のDDR、LPDDR、NANDなど一般用途Memoryを指す。

つまり、

という時代ではなくなり始めている。

12．CXLがPersonal Cloud Computerで重要になる理由

大量VMを動かすとResource Fragmentationが起きる。

Resource Fragmentation――資源断片化。 Cluster全体ではResourceが余っていても、一台ごとのCPU/RAM組合せが悪くVMを置けない状態。

Server A：

CPUは余っている。

RAMがない。

Server B：

RAMは余っている。

CPUがない。

この場合、Data Center全体ではResourceが余っているのに新しいVMを配置できない。

そこでCXL――Compute Express Linkを使い、

MemoryをCPU Socketから分離してPool化する

価値が出る。

CPU Socket――CPU装着単位。 Server Motherboard上でPhysical CPUを搭載する場所。

Memory Expansion――Memory増設。 CPU直結DRAMだけでは足りない容量を外部Memoryで補う。

Memory Sharing――Memory共有。 複数Hostから同じMemory Resourceを利用しやすくする。

Memory Pooling――Memoryプール化。 多数Memoryをまとめ、必要なServerへ動的割当する仕組み。

将来は、

Agent Scheduler――Agent配置管理Software。

↓

CPU Poolから2 vCPU

＋

Memory Poolから12GB

＋

GPU Poolから1/16 GPU

＋

Storage Poolから50GB

というように、Computerをその場で組み立てる可能性がある。

Scheduler――スケジューラー。 どのTaskを、いつ、どのServerやResourceで実行するか決める仕組み。

その結果PCが、

Disaggregated――構成要素ごとに分離されたResource集合

になるのである。

Disaggregation――分離・非一体化。 CPU、Memory、Storageなどを一台へ固定せず別Poolとして利用するArchitecture。

13．DPUとは何なのか

VMが数億単位になると、Host CPUには別の問題が起きる。

Network Virtualization――仮想Network処理。

Storage Virtualization――仮想Storage処理。

Encryption――暗号化。

Firewall――通信制御。

Tenant Isolation――Customer間隔離。

Telemetry――稼働状態計測。

VM Provisioning――VM作成・割当。

これらもCPU Cycleを大量消費する。

CPU Cycle――CPU処理時間。 Processorが命令を実行するために使う演算時間・資源。

Tenant――Cloud利用単位。 同じInfrastructureを共有する別企業・別Customer・別User。

Telemetry――遠隔計測Data。 Utilization、Latency、ErrorなどSystem状態を継続収集する仕組み。

Provisioning――資源準備。 VM、Storage、NetworkなどをUserが利用できる状態へ自動構成すること。

そこで使われるのが、

DPU――Data Processing Unit、データ処理装置

である。

DPUは、

Network――通信処理。

Storage――Storage I/O。

Security――暗号・Firewall。

Virtualization――仮想化処理。

などData Center Infrastructure処理をHost CPUからOffloadする専用Processorである。

Personal Agent Cloudでは、

Host CPU

→ Agentを動かす。

DPU

→ Agentが使うCloud Infrastructureを維持する。

という役割分担になる。

14．DPUはどこのFabで作るのか

Fab――Semiconductor Fabrication Plant、半導体製造工場。 Silicon Wafer上へTransistorや配線を形成しChipを製造する工場。

DPUは「古いNetwork Chip」ではない。

現在ではCPU Core、高速SerDes、Crypto Engine、Packet Processor、PCIe、DDR Controllerなどを統合した大型Logic SoCである。

SerDes――Serializer/Deserializer。 Chip間の高速Dataを直列化・復元して送受信する高速I/O回路。

Crypto Engine――暗号処理Engine。 Encryption、Decryption、Authenticationなどを専用Hardwareで高速処理する。

Packet Processor――通信Packet処理装置。 Network Packetの解析、転送、Filterなどを高速に処理する。

PCIe――Peripheral Component Interconnect Express。 CPU、GPU、SSD、DPUなどを高速接続する標準Interface。

DDR Controller――Memory Controller。 CPUやDPUとDDR MemoryのData送受信を制御する回路。

Logic SoC――System on Chip。 CPU、Network、Memory Controllerなど多数機能を一つのLogic Chipへ統合したもの。

したがって比較的先端のLogic Processを使う。

分かりやすい例がMarvell OCTEON 10である。

OCTEON 10は、

TSMC 5nm

で製造され、

Arm Neoverse N2 Core――Arm Server向けCPU Core。

DDR5――第五世代Server DRAM規格。

PCIe 5.0――第五世代高速I/O。

56G SerDes――56Gbps級高速通信回路。

Integrated Switch――Chip内蔵Network Switch。

Crypto――暗号処理。

Packet Processing Accelerator――Packet処理専用加速器。

を統合する。

Process Node――製造世代。 5nm、3nmなどTransistor製造技術の世代を示す呼称。

Leading-edge Node――先端製造Node。 その時代に利用できる最先端クラスのLogic Process。

MarvellはさらにData Infrastructure向け3nm PlatformをTSMCで開発している。

つまりDPUも、

7nm

↓

5nm

↓

3nm

というLeading-edge方向へ進み得る。

ただしGPUと違ってHBMや巨大CoWoS Packageが必須ではない。

CoWoS――Chip-on-Wafer-on-Substrate。 GPU/XPUとHBMを高密度接続するTSMCの先端Packaging技術。

Advanced Packaging――先端半導体Package。 複数DieやHBMを高密度接続し一つのSystemとして動かす技術。

そのためDPU拡大は、

TSMC先端Logic Wafer需要

には強く効くが、

HBM/CoWoS需要

への直接効果はGPUより小さい。

15．DPUの価値は「CPUを速くする」だけではない

CPU自体が不足する世界になると、DPUの価値はさらに変わる。

DPUでNetworking処理をOffloadする。

↓

Host CPU Cycleが空く。

↓

同じServerでより多くのAgentを動かせる。

つまりDPUは、

になる。

Scarce――希少な。 需要に対して供給が不足し、価値が高くなっているResource。

Personal Agent Cloudでは、

DPU Attach Rate――DPU搭載率。 一台のServer当たり何個のDPUを搭載するかを示す指標。

が重要なKPIになり得る。

KPI――Key Performance Indicator、重要業績指標。 市場や事業の状態を追跡するための代表的な数値。

16．Agent用GPUはAIDC GPUとは少し違う

Personal Agent VMへH100やRubinを一枚ずつ割り当てるのは非経済的である。

Agent側でGPUが必要になるのは主として、

Computer Vision――画像・映像認識。

Browser Rendering――Web画面描画。

Video Encode/Decode――動画圧縮・復号。

Image Processing――画像処理。

Small VLM――小型Vision Language Model。

Small Local Model――小型Local AI Model。

などである。

VLM――Vision Language Model。 画像や映像と文章を一緒に理解・生成できるAI Model。

Encode――符号化・圧縮。 動画や音声を保存・配信しやすいFormatへ変換する処理。

Decode――復号・展開。 圧縮Dataを再生・処理可能な状態へ戻す処理。

したがって、

というFractional GPUが重要になる。

NVIDIAのvGPU――Virtual GPU。

MIG――Multi-Instance GPU。

AMDのGPU Virtualization――GPU仮想化。

中価格帯Data Center GPU。

こうした製品が「Hands GPU」の中心になる可能性が高い。

vGPU――仮想GPU。 一枚のPhysical GPUを複数VMへ仮想的に割り当てる技術。

MIG――Multi-Instance GPU。 GPU内部をHardware Levelで複数の独立区画へ分割するNVIDIA技術。

一方巨大LLMは別のBrain AIDCで動かす。

LLM――Large Language Model、大規模言語Model。 大量の文章等から学習し、文章生成・推論を行うAI Model。

つまりGPU市場自体も、

Brain GPU――大規模推論用GPU

と

Hands GPU――Agent作業補助GPU

へ分化する。

17．新しいChipカテゴリーが生まれる可能性

Personal Cloud Computerが数十億規模になるなら、既存CPU/GPU/DPUだけではなく、新しい専用Siliconが出てきても不思議ではない。

Silicon――半導体Chip。 ここではProcessorやControllerなど半導体製品全般を指す。

Thread――CPU実行単位。 一つのProcess内部で並行して動く処理の流れ。

Context――文脈・作業状態。 Agentが現在のTaskを理解するため保持している会話・Data・中間情報。

Metadata――付帯情報。 File名、作成日時、権限、Indexなど本体Dataを説明するData。

Attestation――実行環境証明。 安全なHardware/Software構成で動いていることを暗号学的に確認する仕組み。

I/O――Input/Output、入出力。 Storage、Network、DeviceなどとのData読み書きを指す。

Compute Fabric――計算資源網。 複数CPU、GPU、Memory、Serverを高速Networkで一体的に扱う基盤。

特に、

Context / State Processing――Agentの記憶・状態処理

は大きな市場になる可能性がある。

Agentは長期Memoryを持つからである。

Storageが単なるFile置き場から、

Agent Memory Infrastructure――Agent記憶基盤

へ変化していく可能性がある。

18．Jalapeñoが示すもう一つの未来

Jalapeño――OpenAIとBroadcomによるLLM推論最適化Accelerator。 Model、Memory、Network、Servingまで考慮してInference向けに設計された専用Chipである。

Jalapeñoが重要なのは性能だけではない。

Model――AIの演算構造。

Kernel――GPU/Accelerator上で動く低Level演算Program。

Memory Movement――Memory間Data移動。

Networking――Chip/Server間通信。

Serving Pattern――AI ServiceとしてRequestを処理する実行形態。

Product Requirement――製品として必要なLatency、Cost、性能条件。

まで理解した上で、LLM Inference向けにChipをBlank-slateから設計する。

Blank-slate Design――白紙設計。 既存Architectureの延長ではなく、目的から逆算して最初から設計し直す方法。

さらにAI Model自身をChip設計・最適化へ利用する。

これはかなり重要な出来事である。

AIが、

自分を動かすChipを設計する

循環が始まるからだ。

19．次は「AIが自分のCloudを最適化する」

Jalapeño的な考え方をPersonal Cloud Computerへ広げるとさらに面白い。

AIが最適化する対象はChipだけではない。

Hypervisor――VM仮想化管理Software。

VM Scheduler――VM配置管理Software。

CPU Core構成――CPU内部Core数や種類。

Memory容量――必要DRAM量。

CXL Pool――共有Memory Pool。

DPU Firmware――DPU内部制御Software。

Network Topology――Network接続構造。

Storage Tier――Storage階層。

Regional Routing――地域間Task配分。

Warm Pool Size――待機VM数。

Power Allocation――電力配分。

Cooling――冷却。

まで最適化できる。

Firmware――Hardware内部制御Software。 ChipやDeviceを低Levelで動作させる組み込みProgram。

Network Topology――Network構造。 ServerやSwitchをどのような形で接続しているかを示す。

Storage Tier――Storage階層。 速度・価格に応じてNVMe、QLC、HDDなどへDataを分ける構造。

Warm Pool――待機資源Pool。 即時起動できるよう一部VMを事前起動状態で保持したもの。

例えばAgent WorkloadのTelemetryを数か月集める。

AIが、

このTaskはArmでよい。

このTaskはx86が必要。

このUserは16GB必要。

このAgentはCXL Memoryで十分。

このVMはGPU不要。

このAgentは夜間に移動できる。

このStorageはHDDへ落としてよい。

と判断する。

その結果、

へ進む。

AI-designed Chip――AIが設計・最適化へ深く参加したChip。

AI-designed Cloud――AI自身がServer、Memory、Network配置を継続最適化するCloud。

20．HardwareとSoftwareのCo-designがさらに深くなる

Co-design――共同設計。 HardwareとSoftwareを別々に作らず、互いの特性を考えながら同時最適化する手法。

Jalapeño型では、

Chip――半導体。

Kernel――低Level演算。

Memory――記憶階層。

Network――通信。

Scheduler――処理配置。

Product――最終製品。

を同じ目的へ合わせる。

Personal Cloud Computerではこの考え方がさらに広がる。

最終的には、

AgentがどういうTaskをするか

から逆算して、

CPU Architecture――CPU設計方式。

Memory Hierarchy――Memory階層。

DPU――Infrastructure Processor。

VM――仮想Computer。

Network――通信Fabric。

Storage――保存階層。

を設計する可能性がある。

Memory Hierarchy――記憶階層。 SRAM、HBM、DDR、SSD、HDDなど速度と価格の違うMemoryを階層利用する設計。

これまでCloudは、

汎用Serverを大量に買い、

Softwareで仮想化する

産業だった。

将来は、

Agent Workloadそのものを基準にSiliconから設計する

可能性がある。

21．現在既に始まっている動きを整理する

2026年9月現在、Personal Cloud Computerを構成する部品はかなり揃い始めている。

Private Cloud――専用Cloud。 企業や組織自身が管理し、Public Cloudより閉じた環境で利用するCloud。

IP――Intellectual Property、設計資産。 ArmのCPU Core設計など、他社がLicenseしてChipへ組み込む技術資産。

NVIDIA PAIRはLocal Network上にある複数PCへInference Requestを自動Routingする。

Routing――経路選択。 RequestをどのComputer、Server、Regionへ送るか決定する処理。

つまり一台のPCではなく、

利用可能なPC全体を一つのCompute Poolとして扱う

考え方がConsumer側にも入り始めている。

Consumer――一般消費者向け。 企業Data Centerではなく家庭・個人User市場を指す。

22．現在のMemory市場を見ると既に警告灯が点いている

Agentic AIではInferenceが単発Queryから継続的なIterative Cycleへ変わる。

Query――問い合わせ。 UserやAgentからAI、Database、Searchなどへ出す処理要求。

Iterative Cycle――反復Cycle。 結果を見て再度考え、Toolを使い、また結果を見る繰り返し。

それによって、

KV Cache――推論途中Memory。

CPU Memory――Server DRAM。

Storage――長期保存。

の需要が増える。

Agentが人間の代わりに長時間働くほど、

Inference。

CPU。

DRAM。

Storage。

すべてが増える。

23．先端Node側でも余裕は大きくない

Leading-edge Logic――先端Logic半導体。 CPU、GPU、DPU、ASICなどを最先端Processで製造したChip。

TSMCのN3――3nm世代Process。

N2――2nm世代Process。

HBM Base Die――HBM Stack下部のLogic Die。 DRAM DieとGPU/XPU間の通信や制御を担うLogic部分。

Personal Agent Cloudが拡大すると、

GPU/XPU――Brain演算器。

Server CPU――Agent VM Host。

HBM Base Die――AI Memory Logic。

DPU――Infrastructure処理。

Network ASIC――Network専用Chip。

CXL Controller――Memory接続Controller。

が同じ先端Foundry Capacityを奪い合う。

Foundry Capacity――半導体受託製造能力。 TSMCなどが一定期間に製造できるWafer量。

つまり、

Brain LogicとHands Logicの双方がLeading-edge Waferを要求する

ことになる。

24．過去のAIDC分析と重ねる

2030年のGlobal Data Center Demandを、

Non-AI――通常Data Center。

AI Inference――AI推論。

AI Training――AI学習。

へ分ける。

Training――学習。 大量DataからModel Parameterを最適化する計算。

Inference――推論。 学習済みModelを実際のUser/Agent要求に使う計算。

しかし物理GW全部が同じ品質ではない。

Hardware Generation――Hardware世代。

Fabric――高速接続網。

Software――最適化Software。

Utilization――稼働率。

を補正する必要がある。

そのため、

QAC-GW――Quality-Adjusted Compute GW、品質調整後Compute GW

という考え方を置いた。

QAC-GW――同じ1GWでもHardware世代・Fabric・Software・稼働率を補正し、実際に使えるCompute量として評価する独自指標。

つまり、

物理的に155GWあっても、使えるComputeはそれより少ない。

ここへPersonal Agent Cloudが加わる。

https://note.com/atom_/n/n002b9ade204a

25．Supply-chain TAM Modelの前提

Supply-chain――供給網。 Chip、Memory、Server、Network、Storageなど製品が完成するまでの産業連鎖。

ここからは本稿独自のScenario Modelである。

2030年と2035年について、

10億。

30億。

50億。

のAgent Userを置く。

Central Assumption――中央ケースの前提。

Capacity Headroom――予備Capacity。 Peak需要・故障・偏りへ対応するため余分に確保するResource。

Logical Storage――Userから見える保存容量。

Raw Storage――実際に必要な物理容量。 Replication、Erasure Coding、予備Capacityなどを含む。

Traffic――通信量。

Facility Power――施設全体電力。 IT機器だけでなくCooling等を含むData Center消費電力。

Revenue――売上高。

2035年の一Session当たりPowerを下げるのは、

Process Node改善。

Dense Core化。

DPU Offload。

Scale-to-Zero。

Scheduler改善。

などによるEfficiency Gainを織り込むためである。

Scale-to-Zero――未使用時にComputeをゼロまで停止する方式。 StorageやStateのみ保持し、CPU/GPU Costを抑えるCloud設計。

Efficiency Gain――効率改善。 同じ仕事をより少ないChip、電力、時間で処理できるようになること。

26．10億・30億・50億Agent Userなら何が必要になるか

ZB――Zettabyte。 10億TBに相当する極めて巨大なStorage Capacity単位。

Tbps――Terabits per second。 1秒間に何兆Bit通信できるかを示すNetwork帯域。

30億User中央ケースだけ見てもかなり大きい。

2035年には、

144万CPU Server。

4.61EB DRAM。

9ZB Raw Storage。

720Tbps。

8.4GW。

年間$288B。

である。

しかもこれは、

Brain AIDCを含まない。

AgentがComputerを動かす「Hands側」だけである。

27．一番衝撃的なのはCPU Server台数ではなくDRAMとStorage

144万Serverという数字も大きい。

しかしさらに重要なのが、

4.61EB DRAM

と、

9ZB Raw Storage

である。

ComputeはPool化できる。

Agentが眠ればCPUを別Agentへ渡せる。

しかしUserの、

File――作品・Document。

Photo――写真。

Video――動画。

Code――Source Code。

Email――電子Mail。

Agent Memory――Agent長期記憶。

Workflow――仕事の手順。

Browser State――BrowserのLoginやSession状態。

Snapshot――ある時点のSystem状態保存。

は残し続けなければならない。

Workflow――作業工程。 複数の処理を一定順序で実行する仕事の流れ。

Snapshot――状態保存。 VM、Filesystem、Agentなどを特定時点へ戻せるよう記録したData。

つまり、

だが、

である。

Bursty――断続的・突発的。 常時最大負荷ではなく、必要な瞬間だけ急にResourceを消費する性質。

Persistent State――永続状態。 Agentが止まっても残しておく必要があるFile、Memory、設定など。

長期的にはPersonal Cloud Computerの最大の物理負荷がStorageになる可能性すらある。

28．だからHDDは消えない

HDD――Hard Disk Drive、磁気Disk装置。 SSDより遅いが非常に低Cost/TBで大容量保存できるStorage。

例えば2035年30億Userなら、

Logical Storage：

6ZB。

Raw：

9ZB。

本稿ではその70%をHDDと置いている。

つまり、

6.3ZB HDD

である。

全部を高価なNVMe SSDへ置くことはできない。

NVMe――Non-Volatile Memory Express。 高速SSDをPCIe経由で低Latency接続するStorage規格。

したがって、

Hot Data――頻繁に使う高速Data。

→ DRAM / NVMe

Warm Data――時々使うData。

→ QLC NAND

Cold Data――長期間ほぼ使わないArchive。

→ Nearline HDD

という階層が必要になる。

QLC NAND――4bit/cell NAND。 速度や耐久性よりCost/TBを重視した大容量Flash Memory。

Nearline HDD――Data Center向け大容量HDD。 常時Onlineながら、ArchiveやObject Storage向けに低Costで使われる。

Archive――長期保存。 頻繁には使わないが削除せず残しておくData。

AIは古いDataも意味検索できる。

その結果、

古いDataを保存しておく価値そのものが上がる

可能性がある。

AI時代はHBMだけでなくHDDにも追い風になり得る。

29．Cloud売上TAM

ARPU――Average Revenue Per User、一人当たり平均売上。 User一人が一年・一か月にServiceへ支払う平均金額。

2030年は$72/User/year。

2035年は$96/User/year。

というかなり抑えたARPUを置いた。

30億Userなら、

2030：$216B

2035：$288B

である。

Cost Reduction――Cost低下。

Pooling Efficiency――共有効率改善。

をかなり織り込んだ数字である。

30．これによってBrain AIDCはさらに増える

Personal Cloud ComputerはBrain AIDCの代わりではない。

Agentが、

考える。

↓

Computerを使う。

↓

結果を見る。

↓

また考える。

↓

またComputerを使う。

というLoopを繰り返す。

したがって、

である。

Agent Cloudが大きくなるほどBrain AIDCへのRequestも増える。

31．30億UserのBrain AIDCを別の方法で確認する

Primary Agent Activity――主Agent利用量。 一人が中心的なAI Agentで一日に処理するToken量。

Token――AIが文章等を処理する細かな単位。

他AI Service――Search、Recommendation、Background AI等。

Energy Efficiency――電力効率。 同じ電力でどれだけ多くのTokenやInferenceを処理できるか。

過去分析では、

30億User。

Primary Agent Activity：

1M、10M、30M Token/User/day。

他AI Service：

2.5倍。

FeynmanをRubin比2倍のEnergy Efficiency。

というScenarioを置いた。

結果は、

となる。

10M Token/day中央ケースなら、

Brain：

約28.9GW。

Hands：

6.6GW。

Gross Workload Envelopeとしては、

になる。

Gross Workload Envelope――総Workload規模の概算。 異なる計算需要を大まかに合算して規模を見るための上限的な数値。

ただし既存AIDC予測と二重計上しないよう注意が必要である。

32．別のRevenue ModelでもBrain AIDCは巨大

Active Agent Hours――Agent稼働時間。 全Agentが一年間に実際に稼働した時間を合計したもの。

30億User中央ケースでは2030年の平均Active Agent数は1.2億。

年間Active Agent Hoursは、

となる。

仮にBrain Inference Service Costを、

2030：

$0.10 / Active Agent Hour

2035：

$0.08 / Hour

と置くと、

2030：

約$105B。

2035：

約$168B。

の追加Brain Inference Service TAMになる。

その40%程度がHardware/Infrastructureへ回ると仮定すれば、

2030：

約$42B

2035：

約$67B

の追加Brain AIDC Supply-chain TAMとなる。

33．Brain AIDC追加TAMの内訳

Custom ASIC――顧客専用AI Chip。

Optics――光通信部品。

Interconnect――Chip・Server間接続。

Packaging――半導体Package技術。

つまりPersonal Cloud Computerは、

CPUやDDRを直接増やすだけではない。

Agentが大量に活動することで、

再びGPU/XPU、HBM、Optics、Advanced PackagingへDemandを返す。

34．Better Brain → More Agency → More Brain Demand

Better Brain――より高性能なAI Model。

More Agency――より多くの自律的仕事。

More Brain Demand――追加推論需要。

ここにFeedback Loopができる。

Feedback Loop――自己増幅循環。 一つの変化が次の需要を生み、それが再び最初の要因を強める構造。

Better Model

↓

Agentがより多くの仕事をできる。

↓

Agent VM利用時間が増える。

↓

CPU / DRAM / Storage需要が増える。

↓

Agentがより多くのActionを行う。

↓

Inference Requestが増える。

↓

Brain AIDCを増設する。

↓

Inference Costが下がる。

↓

さらにAgentを長く動かす。

式にすると、

である。

これはChatbot以上に強いJevons Effectを生む可能性がある。

Jevons Effect――効率改善による需要増加。 Resourceが安く効率的になるほど利用量が増え、総消費が減らない現象。

人間は眠ればPromptを打たない。

Prompt――AIへの入力指示。

Agentは眠る必要がない。

35．銘柄別売上Incrementを置く

Increment――追加増分。 Personal Cloud Computerがなかった場合に比べて追加的に生じる売上。

ここからは30億Agent User中央ケースを基準とする。

Hands――Agent実行Infrastructureからの直接恩恵。

Brain波及――Agent利用増によって追加で生じるAIDC需要。

不確実性はHands側でも±30～40%程度、Brain側では±2倍程度を見た方がよい。

36．NVIDIA――絶対額では最大候補

NVIDIAはBrainとHandsの両方を取れる。

Brainでは、

GPU――大規模AI演算。

Networking――高速Network。

DPU――Infrastructure処理。

Handsでは、

vGPU――仮想GPU。

Fractional GPU――分割GPU。

RTX PRO――Professional GPU。

BlueField――NVIDIA DPU。

Spectrum-X――AI Data Center向けEthernet Platform。

さらにAgent Memory Storage。

である。

NVIDIAの強さはGPU単体というより、

Compute、Network、DPU、Softwareを一つのFabricとして持つこと

にある。

Fabric――高速接続基盤。 多数Chip、Server、Storageを一つのSystemのように結ぶNetwork構造。

37．Broadcom――かなり強い両取り

Broadcomでは、

Brain：

Custom XPU――顧客専用AI Processor。

Ethernet――Data Center Network。

SerDes――高速Chip間通信。

Hands：

VMware――Virtualization Software。

Network ASIC――Network専用Chip。

Connectivity――接続Silicon。

Private AI Cloud――企業専用AI Cloud。

を持つ。

つまり、

Brain Silicon――AI頭脳用半導体

＋

Cloud Infrastructure Software――Cloud基盤Software

の両方を持つ。

38．AMD――Portfolioとして最も綺麗な一社

Portfolio――製品群。 一社が保有する複数のChip・Software・事業の組み合わせ。

AMDには、

EPYC CPU――Server CPU。

Instinct GPU――AI/HPC Accelerator。

Radeon PRO――Professional GPU。

Pensando DPU――Data Center Infrastructure Processor。

がある。

Personal Cloud Computerで必要になる、

CPU。

GPU。

DPU。

を一社で持つ。

最大Riskは、

AWS Graviton。

Google Axion。

Microsoft Cobalt。

などHyperscaler Custom Arm CPUである。

Custom Arm CPU――Cloud事業者独自設計Arm Server CPU。

Linux Agent CloudがArmへ移れば、AMD/IntelのHost CPU TAMの一部は内製Siliconへ流れる。

39．Arm――絶対額は小さいが相対Sensitivityが高い

Sensitivity――感応度。 特定市場が拡大した時に、企業売上・利益がどれだけ強く変化するか。

ArmはCPUを完成品として大量販売する会社ではない。

License――設計利用権。

Royalty――Chip出荷ごとの使用料。

を得るBusiness Modelである。

License/Royalty Model――設計知的財産を他社へ提供し、契約料や出荷連動収入を得る事業構造。

そのためAbsolute DollarはNVIDIAより小さいが、

会社規模に対するSensitivity

は大きくなり得る。

40．Intel――Conditional Winner

Conditional Winner――条件付きWinner。 市場構造が特定方向へ進んだ場合に強い恩恵を受ける企業。

Intelにも明確な市場が残る。

Windows。

Legacy Enterprise Software。

Nested Virtualization。

x86 Compatibility。

High Single-thread Performance。

が必要なAgent Cloudである。

High Single-thread Performance――高い単Thread性能。 一つのApplicationやThreadを高速に処理する性能。

Personal Agent Cloudの全てがLinux Containerになるとは考えにくい。

Container――軽量隔離環境。 Host Kernelを共有しながらApplicationを分離して動かす仕組み。

特に企業では、

20年前のWindows SoftwareをAgentが操作する

という用途も大量に存在する可能性がある。

そこではx86が強い。

41．Memory御三家はHBM以外の第二のAI需要を得る

SK hynix、Samsung、Micronについては非常に面白い。

これまでのAI Thesis――投資仮説：

Brain AIDC → HBM

Personal Cloud Computer：

Hands Cloud → DDR → NAND

になる。

Thesis――投資仮説。 企業や産業が将来どう成長するかについて置く中心的な分析仮説。

つまり、

考えるAIではHBMが売れ、行動するAIではDDR/NANDが売れる。

これはMemory Cycleを構造的に変える可能性がある。

Memory Cycle――Memory市況Cycle。 需給によって価格・利益・投資が数年単位で上下する半導体Cycle。

42．Astera Labs――会社規模に対するImpactが大きい

Impact――影響度。

Astera Labsの2035年Incrementを約$2.2Bと置いた。

理由はCXLである。

数億VMを効率よく詰め込むには、

Memory Expansion――Memory増設。

Memory Pooling――Memory共有Pool化。

Memory Sharing――複数HostでのMemory共有。

が極めて重要になる。

Personal Cloud ComputerはCXLを「便利な機能」から「経済性を決めるInfrastructure」へ押し上げる可能性がある。

43．Marvell――DPUだけではない

Marvellには、

OCTEON DPU――Infrastructure Processor。

Switching――Network Switch Silicon。

SerDes――高速I/O。

Storage Controller――Storage制御Chip。

Optical DSP――光通信信号処理Chip。

Custom Silicon――顧客専用半導体。

がある。

DSP――Digital Signal Processor、デジタル信号処理装置。 光通信などの高速信号を補正・変換する専用Processor。

Personal Cloud ComputerはMarvellにとってかなり相性の良いThemeである。

44．SeagateとWDC――AIなのにHDD

AI Infrastructure銘柄としてHDDを想像する人は少ない。

しかし数十億Personal Agentが、

作品。

写真。

動画。

Backup――予備保存。

Agent History――過去作業履歴。

Agent Snapshot――Agent状態保存。

を保存するなら、Cost/TBが重要になる。

Cost/TB――1TB当たりCost。 Storageの経済性を比較する基本指標。

Personal Agent Cloudは、

GPU Cycleが減速した後も、

Dataを生成し続ける。

Storage Demandは累積型である。

45．供給制約を全部重ねると何が最初に詰まるか

Constraint――制約。 供給能力や性能の上限となり、市場成長を抑える要因。

Grid――電力網。 発電所からData Centerまで電力を届ける送配電Infrastructure。

Bit Capacity――Memory生産量。 DRAM/NANDで実際に生産できる記憶Bit総量。

Wafer――半導体基板。 大量のChipを一枚に形成するSilicon円盤。

Data Residency――Data所在要件。 法律やSecurity上、Dataを特定国・地域内へ保存・処理する必要。

PCB――Printed Circuit Board、プリント基板。

Substrate――半導体Package基板。 ChipとPCBを接続する高密度配線基板。

ODM――Original Design Manufacturer。 Server等を設計・製造しCloud企業へ供給する受託Manufacturer。

46．特に危険なのは「DRAMの挟み撃ち」

Brain AIDCがHBMを大量に使う。

Memory MakerはHBMへWafer Capacityを割り当てる。

すると通常DRAM Capacityが減る。

その一方でPersonal Agent CloudがServer DDRを大量要求する。

つまり、

になる。

Wafer Demand――Wafer需要。 Memory Fabでどれだけ多くのSilicon Waferを生産へ投入する必要があるか。

これは過去のMemory Cycleとはかなり違う。

47．Memory不足は「全部不足」ではない

例えば2031年に、

DDR5――前世代Server Memory： 余剰。

DDR6――次世代Server Memory： 不足。

HBM4――前世代High-end HBM： 供給改善。

HBM5――最新HBM： 不足。

Client NAND――PC/Consumer向けNAND： 余剰。

Enterprise QLC――Data Center向け大容量QLC： 不足。

ということは普通にあり得る。

Client NAND――Consumer PC向けFlash Memory。

Enterprise QLC――Data Center向け大容量QLC NAND。

重要なのは、

ではなく、

を見ることである。

Right Memory Shortage――必要な種類のMemoryだけ不足する状態。 市場全体では供給があっても最新HBMやDDR6など特定製品だけ不足する。

48．AIDCも「GWがあるか」ではなく質を見る

Hardware Generation――Chip世代。

Fabric Efficiency――Network接続効率。

Software Efficiency――Software最適化効率。

Utilization――実稼働率。

Cloudability――Cloud商品として外部販売できる能力。

を補正する必要がある。

そのため、

QAC-GW――Quality-Adjusted Compute GW、品質調整後Compute GW

CS-GW――Cloud-Sellable GW、Cloud販売可能GW

を考える。

CS-GW――CloudとしてCustomerへ実際に販売できるCompute容量を表す独自指標。

Personal Agent Cloudでも同じである。

10万vCPUあっても、

DRAMが足りない。

VM起動が遅い。

Browserが不安定。

Storageが遅い。

Network Egressが詰まる。

なら価値が低い。

Network Egress――外向き通信。 Data Center内部からInternetや外部Serviceへ出ていくTraffic。

49．Agent Cloudで見るべき新しいKPI

VM Start Time――VM起動待ち時間。 Agentが仕事を開始できるまで何秒・何分かかるか。

Warm Pool Ratio――待機VM比率。 すぐ使えるよう事前起動しているVMの割合。

Local/Cloud Ratio――処理場所比率。 自宅PC等で行う処理とCloudへ送る処理の割合。

Agent QAC――Agent向け品質調整Compute。 CPU量だけでなくMemory、Latency、起動速度等を含めAgent実用性能を見る概念。

特に重要なのは、

だと思う。

Userが一億人増える以上に、一人のAgentが1日1時間から10時間働く方がInfrastructure Demandは大きくなる。

50．Cloud効率化は需要を減らすのか

VM密度が上がる。

Arm CPUが低電力化する。

AIがSchedulerを改善する。

DPUでCPU Cycleを節約する。

ならHardware需要は減りそうである。

しかしCost低下は新しい需要を作る。

Agent VM価格が1/10になれば、

Userは1/10だけ払う

のではなく、

10体のAgentを動かす

可能性がある。

これがJevons Effectである。

51．2030年に「AIDCが余る」という議論はどう変わるか

Capacity Digestion――設備消化局面。 大量増設したData CenterやChipの供給を需要が徐々に吸収する期間。

2030年前後にCapacity Digestionが起きる可能性はある。

Personal Cloud Computerを加えても、その可能性自体は消えない。

しかし、

谷の形が変わる。

52．旧GPUが余っているのにDDR6が不足する世界

例えば2031年。

H100： 安い。

B200： 安くなった。

Rubin： Mainstream――主流品。

Feynman： 不足。

同時に、

DDR6： 不足。

CXL Memory： 不足。

Enterprise SSD： 不足。

Regional Agent VM： 不足。

となる可能性がある。

Mainstream――主流市場向け。 最先端ではなくなったが大量利用される中心的な製品。

つまり、

である。

Downcycle――下降Cycle。 価格、需要、設備投資、利益などが弱くなる景気局面。

AI Infrastructureが一つのCycleではなくなる。

53．古いAIDCにはPersonal AIという出口ができる

旧世代Computeが、

Frontier Training――最先端Model学習。

↓

Fine-tuning――既存Modelの追加学習。

↓

Batch Inference――大量Requestをまとめて処理する推論。

↓

Research――研究用途。

↓

Startup――新興企業。

↓

Personal AI――個人AI。

へ流れる可能性がある。

Frontier――最先端。 最高性能・最大規模のAI ModelやInfrastructureを指す。

Fine-tuning――追加調整学習。 既存Modelを特定用途・Dataへ適応させる学習。

Batch Inference――一括推論。 Realtime性を下げ、多数Requestをまとめて効率処理する方法。

Personal Cloud Computerが数十億Userへ広がれば、この一番下の市場が巨大になる。

旧GPUでも、

Vision――画像理解。

Embedding――意味を数値Vectorへ変換する処理。

Small Model――小型AI。

Video Processing――動画処理。

Agent Tool――Agent補助処理。

なら十分使える。

これが旧AIDCのResidual Valueを支える。

Residual Value――残存価値。 最新世代ではなくなったHardwareやData Centerがなお持つ経済価値。

54．Powered Landの価値も上がる

Powered Land――通電可能なData Center用地。 電力接続・変電設備・Fiber等を確保済みでServerを設置可能な土地・施設。

GPUは古くなる。

しかしData Centerには、

Grid Connection――電力網接続。

Substation――変電所。

Fiber――光Fiber通信。

Cooling――冷却。

Building――建物。

Powered Land――通電済み用地。

が残る。

Personal Agent Cloudは旧AI Data Centerの新しい転用先になり得る。

GPU Hallを、

CPU Agent Rack。

Storage Rack。

Inference Rack。

へ変える。

Optionality――選択肢の価値。 将来異なる用途へ転用できることで生まれる資産価値。

つまり「通電済みData Center」のOptionalityがさらに高まる。

55．ただし立地のMismatchが起きる

Mismatch――不一致。 供給が存在していても、需要がある場所・種類と合わず使えない状態。

Frontier Trainingは巨大Campusへ集約できる。

Personal Agent Cloudは違う。

Latency――応答遅延。

Data Residency――Data所在規制。

Enterprise Network――企業内部Network。

Privacy――個人情報保護。

が重要になる。

Campus――巨大Data Center拠点。

したがって、

米国Texasに1GW余っている

からといって、

TokyoのAgent VM不足は解消しない。

56．Data Centerは二極化する

将来的には、

Mega Brain Campus――巨大頭脳AIDC

と、

Regional Agency Center――地域Agent実行拠点

へ分かれる可能性が高い。

Mega Campus：

数百MW～数GW。

GPU/XPU。

HBM。

Liquid Cooling――液冷。

Training。

Frontier Inference。

Simulation。

Liquid Cooling――液体冷却。 高発熱GPU Rackを空冷より効率的に冷やす方式。

Simulation――シミュレーション。 現実環境をComputer内で再現し、RobotやAIを訓練・検証する処理。

Regional Center：

数十～数百MW。

CPU。

DDR。

SSD/HDD。

DPU。

Browser。

Enterprise Software。

Personal Agent。

である。

そのさらにUser側に、

Local PC――手元PC。

AI PC――AI処理機能を強化したPC。

Home Server――家庭内Server。

NVIDIA PAIR――家庭内Compute Pool。

がある。

57．最終的なAI Infrastructureは四層になる

Brain AIDC――AI推論・学習を行う頭脳基盤。

Agency Cloud――Agentが実際の仕事を行うCloud。

Persistent State――長期保存されるUser/Agent状態。

Local/Edge――Userに近い場所で処理するCompute。

Edge Computing――User近傍計算。 巨大Central Cloudより利用者に近い場所へComputeを配置する方式。

Brain AIDC：

知能を生産する。

Agency Cloud：

知能を行動へ変換する。

Persistent State：

人間とAgentの記憶を残す。

Local/Edge：

秘密性やLatencyを必要とする仕事を処理する。

58．Personal Cloud ComputerはAIDCの競合ではない

Personal Cloud Computerが普及したから、

AIDC GPU需要が減る

わけではない。

むしろ、

Agent Computerが増える。

↓

Agentが仕事を増やす。

↓

Brain Inferenceが増える。

↓

AIDCが増える。

という関係になる可能性が高い。

AIDCとPersonal Cloud Computerは、

競合するInfrastructureではなく相互増幅するInfrastructure

である。

59．数十億Agentが作る最大の変化

現在のAI Infrastructureは、

巨大なModelをどう動かすか

が中心である。

数十億Personal Cloud Computer時代には、

巨大なModelが決めた仕事を数十億人分どう実行するか

という第二のInfrastructure問題が生まれる。

これはGPUだけでは解けない。

CPU――汎用演算。

DRAM――作業Memory。

CXL――Memory共有接続。

NAND――Flash Storage。

HDD――大容量Cold Storage。

DPU――Infrastructure Processor。

Ethernet――Data Center Network。

Virtualization――仮想化。

Security――隔離・権限制御。

Regional Data Center――地域実行拠点。

が必要になる。

AI投資の裾野がGeneral-purpose Data Centerへ再び広がる。

General-purpose Data Center――汎用Data Center。 GPU専用ではなくCPU、Storage、VMなど幅広いWorkloadを扱うData Center。

60．供給制約から考えた2030～2035年の展開

Central Scenario――中央Scenario。

2026～27年は、依然としてGPU、HBM、DRAM、Powerなどの不足が強い。

2027～29年には、新しいMemory Fab、TSMC N3、GPU Supply、Advanced Packaging Capacityが増える。

GPU Supply――GPU供給量。

Packaging Capacity――先端Package生産能力。

一方Personal Agentの普及が進み、

CPU Rack。

Server DRAM。

Enterprise SSD。

DPU。

CXL。

への投資が加速する。

2029～31年には一部旧GPUのRental Priceが下がり、「AIDCは作りすぎた」という議論が出る可能性がある。

Rental Price――Cloud Compute貸出価格。

しかしPremium Inference、最新Memory、Regional Agent Cloudは不足する。

Premium Inference――高品質推論。 低Latency、高Throughput、最新Modelなど高いSLAを要求するInference。

2031～33年にはCheap ComputeによるJevons Effectが強くなり、Startup、Research、Personal AIへ旧Computeが流れる。

Cheap Compute――低価格化した計算資源。

2033～35年にはPersonal Agent CloudにPhysical AI、Robot、Simulationが重なり、再びBrain AIDCの増設Cycleが強まる。

Physical AI――物理世界で行動するAI。 Robot、自動運転、産業Machineなど現実世界へ作用するAI。

つまり、

ではなく、

という階段型Cycleになる可能性がある。

Boom――好況・急拡大。

Bust――急激な需要崩壊。

High-end――高性能上位製品。

61．本当のScarcityは「GPU」でも「GW」でもなくなる

Scarcity――希少性。 需要に対して供給が足りず、経済価値が高くなる状態。

最終的に必要なのは、

必要な場所にある。

十分なDRAMがある。

Storageがある。

CPU Poolがある。

GPU Poolがある。

DPUがある。

Agent Isolationができる。

Identity管理ができる。

瞬時にVMを起動できる。

Cloudとして高稼働率で販売できる。

つまり本当に希少なのは、

「知能」と「行動」の両方を商品化できる1MW

になる。

MW――Megawatt。 Data Center規模を表す電力単位。1MWは100万W。

Identity Management――Identity管理。 UserやAgentが誰で、どのResourceへAccessできるかを管理する仕組み。

62．AI Factoryは「知能の工場」から「デジタル労働の工場」へ

AI Factory――AI工場。 電力とHardwareから大量のAI推論・学習結果を生産するData Centerの考え方。

従来のAIDCは、

Electricity――電力。

↓

GPU――AI演算。

↓

Tokens――AI Output。

というFactoryだった。

Personal Cloud Computerが入ると、

Electricity――電力。

↓

Brain AI――判断。

↓

Decision――意思決定。

↓

Agent Cloud PC――実行Computer。

↓

Action――操作。

↓

Software Work――Software上の仕事。

↓

Economic Output――経済的成果。

になる。

AI Infrastructureは、

Token Factory――Tokenを作る工場

から、

Digital Labor Factory――デジタル労働を生産する工場

へ進む可能性がある。

最終的には、

になる。

Brain Quality――AI頭脳品質。

Agent Hours――Agent稼働時間。

Execution Capacity――実作業を処理できる能力。

Utilization――Resource稼働率。

63．結論――数十億人分の「第二のPC」が新しいData Center産業を作る

Personal Cloud Computerが本当に数十億人分まで広がれば、それは単なるCloud PC市場ではない。

30億User中央Scenarioだけでも、2035年には、

144万台級のCPU Server。

4.61EBのDRAM。

2.7ZBのNAND。

6.3ZBのHDD。

720TbpsのAggregate Network――世界全体の合算通信帯域。

8.4GWのHands Infrastructure――Agent実行側Infrastructure。

年間$288BのCloud Revenue――Cloud売上。

という市場になる。

さらにAgentが利用するBrain側には、中央ケースで年間約$67Bの追加AIDC Supply-chain TAMを置ける。

このDemandは、

NVIDIA――GPU・DPU・Network。

AMD――CPU・GPU・DPU。

Intel――x86 Server CPU。

Arm――Cloud CPU IP・DPU Core。

Broadcom――Custom ASIC・Network・VMware。

Marvell――DPU・Network・Storage・Optics。

Astera Labs――CXL・PCIe Connectivity。

Micron――DDR・NAND・HBM。

SK hynix――HBM・DDR・NAND。

Samsung――DRAM・NAND・HBM。

Seagate――Capacity HDD。

Western Digital――Capacity Storage。

などへ、それぞれ異なる形で波及する。

そしてこの世界では、

AIDCが余るのか。

DRAMが不足するのか。

GPUが余るのか。

という一つ一つの問いだけでは足りなくなる。

旧GPUは余っている。

しかしDDR6は足りない。

電力はある。

しかしTokyoのRegional Capacityがない。

CPUはある。

しかしMemoryがない。

Data Centerはある。

しかしCloud化できない。

という状態が同時に起こる。

だから2030年代のAI Infrastructureを見る時、最も重要なのは、

「量」ではなく「使えるResourceの組み合わせ」

になる。

そしてAI自身もJalapeñoのように、自分を動かすChipを設計し始める。

次には、

自分を動かすCPU構成。

Memory Pool。

VM Scheduler。

DPU。

Network。

Storage。

Data Center。

までAI自身が最適化していく可能性がある。

その先では、

Computerとは一台の箱ではない。

Laptopでもない。

Cloud VM一台でもない。

自分のAgentが、

Local PC――手元Computer。

Arm Server――低電力Cloud CPU Server。

x86 Server――高互換性Server。

CXL Memory――共有Memory。

GPU――並列演算。

DPU――Cloud Infrastructure処理。

Storage――永続保存。

Regional Cloud――地域Cloud。

Brain AIDC――巨大AI頭脳Infrastructure。

から、その瞬間に必要なResourceだけを集めて作る、

動的なComputerそのもの

になる。

それが、

Personal Cloud Computer――個人用クラウドコンピューター。

AI Agentが「第二のPC」を持つ時代である。

Laptop時代には、

一人の人間へ一台のComputerを売った。

次の時代には、

一人の人間のために、数十のAgentが、数百の仮想Computerを必要な瞬間だけ生成して使う。

もしこのArchitectureが数十億人へ広がるなら、AI SupercycleはGPUとHBMだけのものではなくなる。

Architecture――System設計構造。

Supercycle――長期大型需要Cycle。 通常の景気循環を超えて長期間続く産業拡大局面。

CPU。

DDR。

CXL。

NAND。

HDD。

DPU。

Ethernet。

先端Foundry。

電力。

Regional Data Center。

Cloud Software。

まで広がった、

Personal Computingそのものの再構築

になるのである。

投資助言を目的とするものではありません。投資判断はご自身の責任でお願いいたします。