SpaceXはAIDC向け自社AIチップを作るのか――NVIDIA、Tesla AI Silicon、Terafabから読むGrokの次の計算基盤

ただしxAIは別の尺度として、2025年末時点でColossus I/II全体が100万H100 GPU equivalents超になったとも説明している。これは実GPU個数ではなくcompute-equivalentなので、physical unit countと混同してはいけない。(SpaceXAI)

#

そして現在COLOSSUS IIはGrok-5 trainingに使われている。

#

2．Tesla自身のAIDCも既に小さくない

#

Teslaにも独立したTraining Infrastructureがある。

#

2026Q1には、

#

\begin{array}{|l|c|}\text{Tesla AI Training}&\text{Capacity}\cr\hline\text{Cortex 1}&\text{>100k H100 equivalents}\cr\hline\text{Cortex 2}&\text{>130k H100 equivalents}\cr\hline\text{合計}&\text{>230k H100 equivalents}\cr\hline\end{array}

#

と開示された。(Tesla Investor Relations)

#

Q2からTeslaはGPU equivalentsではなくMW表示へ変更している。

#

現在、

#

Cortex1>90MW

#

Cortex2>115MW

#

で、

#

最低でも、

#

\boxed{>205MW}

#

がProduction状態にある。

#

Teslaは2026年前半だけでTexas onsite computeを2倍以上へ増やし、Cortex 2を年後半も拡張するとしている。

#

したがってMusk ecosystemをまとめれば、

#

SpaceXAI\approx1.0GW

#

Tesla>0.205GW

#

で、

#

公開値だけでもすでに、

#

\boxed{>1.2GW}

#

の地上AI computeが存在する。

#

しかもSpaceX側だけでさらに400MW超が追加される。

#

これはもう「自社chipを作る意味があるだけの需要があるか」という段階ではない。

#

需要量については十分過ぎる。

#

3．それでもNVIDIAを猛烈に買い続ける

#

2026年3月、Elon MuskはSpaceXAIとTeslaの双方が今後もNVIDIA chipを「at scale」で購入し続けると述べた。(Reuters)

#

そして2026年8月にはSpaceXAIとNVIDIAの関係はさらに深くなった。

#

SpaceXAIは次世代Grok infrastructureに、

#

\boxed{Vera\ Rubin}

#

を採用。

#

さらに最初のStarmind AI Satelliteにも、SpaceX独自chipではなく、

#

\boxed{ optimized\ Vera\ Rubin\ NVL72 }

#

を使用する。(NVIDIA Newsroom)

これは非常に示唆的である。

Terafabを作る。

自社chipを作る。

D3を作る。

それでもNVIDIAを使う。

つまり、

\boxed{ Custom\ Silicon \neq NVIDIA\ Replacement }

#

である。

#

少なくとも現在のSpaceXAIは、

#

\boxed{ NVIDIA + Custom\ Silicon }

#

というHybrid architectureへ向かっている。

#

4．SpaceXAIにとってNVIDIA GPUが特に合理的な理由

#

GoogleやOpenAIの場合、AI workloadの中心は比較的明確である。

#

Transformer、Attention、MoE、KV Cacheなどを中心に、

#

Training

#

と、

#

Inference

#

を最適化すればよい。

#

しかしSpaceX/Teslaが最終的に扱う領域はもっと広い。

#

Grok

#

だけでなく、

#

Robot

#

Vehicle

#

Rocket

#

Satellite

#

Factory

#

CAD

#

Simulation

#

Physics

#

Robotics

#

まで入る。

#

Grok自身がAgent化すれば、

#

Model\ Call \rightarrow Code \rightarrow Simulation \rightarrow Tool \rightarrow Data \rightarrow Model

#

という処理になる。

#

NVIDIAがSpaceXAI向けVeraについて説明している用途もまさにそれで、CPU側でtool orchestration、code execution、data processing、simulationを処理しながらGPU utilizationを高く維持する設計になっている。(NVIDIA Newsroom)

#

したがってSpaceX/Teslaでは、

#

\boxed{ Compute\ Flexibility }

#

自体がLearning Loopの性能になる。

#

5．Physical AIではGPUの汎用性が「無駄」ではない

#

Custom ASICは特定workloadに対して圧倒的に効率が高い。

#

しかしそれは、

#

Workload

#

が十分固定されている時に最も強い。

#

Physical AIでは、

#

Vision Transformerだったものが、

#

World Modelになり、

#

Diffusion/Flow modelになり、

#

VLAになり、

#

RLになり、

#

新しいSimulationが入るかもしれない。

#

その度にsiliconを作り直していたら、Learning Loopが遅くなる。

#

概念的には、

#

Learning\ Rate \propto \frac{ Experiment\ Diversity \times Experiment\ Rate }{ Iteration\ Time }

#

である。

#

GPUなら、

#

Software\ Update

#

で新しいworkloadを試せる。

#

ASICの場合、

#

Architecture \rightarrow RTL \rightarrow Verification \rightarrow Tapeout \rightarrow Fab

#

が必要になる。

#

したがってPhysical AIの研究段階では、

#

\boxed{\text{GPUの高い単価 < ASIC化によって失うIteration Speed}}

#

となることがある。

#

SpaceX/Teslaでは特にこのFlexibility Premiumが大きいと考えられる。

#

6．さらにNVIDIA rackは「GPUを買っている」のではない

#

ここを忘れるとCustom XPUの難易度を過小評価する。

#

Vera Rubin NVL72は、

#

72\times Rubin\ GPU

#

だけではない。

#

一つのrackに、

#

36\times Vera\ CPU

#

NVLink6

#

Networking

#

HBM4

#

CPU\ Memory

#

をまとめて持つ。

#

NVL72全体では、

#

\boxed{20.7TB\ HBM4}

#

を搭載する。

#

1 Rubin GPU当たり、

#

288GB\ HBM4

#

で、HBM bandwidthは19.2TB/s。

#

NVIDIAのreference AI factoryでは100MW当たり約40,000 Rubin GPUを配置できるとしている。(NVIDIA)

#

つまりSpaceXAIがNVIDIAを買うということは、

#

単にGPU dieを買うのではなく、

#

\boxed{ Compute + Memory + ScaleUp + ScaleOut + CPU + Software + Supply\ Chain }

#

を一括で買うことでもある。

#

7．Memory Wallを考えるとNVIDIAから離れるのはさらに難しい

#

例えばNVIDIAのreference densityでRubin AI factoryを1GW構築するとする。

#

100MW当たり約40,000 GPUなので、

#

1GW \approx 400,000\ Rubin\ GPUs

#

となる。

#

1基288GB HBM4なので、

#

400,000 \times 288GB = 115,200,000GB

#

すなわち、

#

\boxed{ 115.2PB\ HBM4 }

#

である。

#

たった1GWの追加でも、100PBを遥かに超えるHBM4を確保しなければならない。

#

現在Memory供給そのものがtightであり、SK hynix CEOは2027年を「史上最悪の供給不足」になり得るとし、需要が供給能力を2030年以降まで上回るとの見通しを示している。(Reuters)

#

TrendForceも2027年HBM契約についてcapacity tightnessと価格上昇圧力を報告している。(TrendForce)

#

つまりxAIが自社chipを作ったとしても、

#

HBM

#

は自動的に手に入らない。

#

むしろ自分で、

#

SK\ hynix

#

Samsung

#

Micron

#

とcapacity allocationを確保し、

#

さらにadvanced packagingまで確保する必要がある。

#

NVIDIA rackを購入することは、

#

\boxed{ Memory\ Procurement\ Risk }

#

をNVIDIA ecosystemへ部分的に外出しすることでもある。

#

これは非常に大きい。

#

8．しかもNVIDIA GPUはSpaceXにとって「転売可能なCompute Asset」になる

#

ここはSpaceXAI特有の事情である。

#

SpaceXAIはもはや自社Grokだけを動かす会社ではない。

#

2026年5月、AnthropicへCOLOSSUS/COLOSSUS IIの約325,000 NVIDIA GPU相当のcompute capacityを提供する契約を締結した。

#

契約額はfull ramp時に、

#

\text{USD 1.25B}/month

#

である。

#

さらにGoogleとも約110,000 NVIDIA GPU相当のcompute提供契約を結び、

#

\text{USD 920M}/month

#

を予定している。

#

契約にはtermination条項があるため将来売上を確定値として扱うことはできない。

#

しかし意味は大きい。

#

NVIDIA rackなら、

#

Grok

#

にも、

#

Claude

#

にも、

#

Google\ workload

#

にも使える。

#

一方Grok専用ASICを作れば、少なくとも初期世代では用途が狭くなる。

#

したがってSpaceXにとってNVIDIA GPUは、

#

\boxed{ Fungible\ Compute\ Asset }

#

でもある。

#

これはGoogle TPUとは事情が違う。

#

SpaceXAIがCompute Providerになるほど、NVIDIAの汎用性には金融的な価値まで出てくる。

#

9．それでもCustom Siliconを持つメリットは巨大である

#

では自社XPUには意味がないのか。

#

全く逆である。

#

Grok inferenceが巨大化した時、

#

同じ処理を24時間365日繰り返すようになる。

#

その時の目的関数は、

#

Peak\ Performance

#

ではなく、

#

\boxed{ Cost/Token }

#

\boxed{ Tokens/W }

#

\boxed{ Latency }

#

になる。

#

NVIDIAは高いmarginを取る。

#

xAIが自分でchipを作れば、その一部を、

#

\boxed{\text{xAI自身のInference Cost削減}}

#

へ変換できる。

#

これはGoogle TPU、Meta MTIA、OpenAI Jalapeñoの基本的な経済合理性と同じである。

#

10．Jalapeñoが状況を変えた

#

以前なら、

#

xAIが今からNVIDIA級Datacenter ASICを作る

#

と聞けば、何年もの開発を考えただろう。

#

しかしOpenAI–BroadcomのJalapeñoは、

#

\boxed{9\ months}

#

で初期設計からTape-outまで到達した。

#

OpenAI自身のmodelも設計・最適化へ使われた。(OpenAI)

#

さらにJalapeñoは単なる実験chipではなく、複数世代、GW級deploymentを予定するplatformになっている。(Broadcom Inc.)

#

ここで重要なのは、

#

Development\ Cost\downarrow

#

だけではない。

#

従来Custom ASICには、

#

完成する頃にはmodel architectureが変わっている

#

という大きなObsolescence Riskがあった。

#

しかしAI自身が、

#

Compiler

#

Kernel

#

RTL

#

Verification

#

Hardware\ Mapping

#

を高速化できれば、

#

\boxed{\text{ASICのIteration Timeそのものが短くなる}}

#

JalapeñoはCustom Siliconを作る経済的thresholdを下げた可能性がある。

#

xAIにとってこれは無視できない成功例である。

#

11．Teslaには既にAI5がある

#

SpaceXAIがゼロから半導体teamを作る必要もない。

#

Teslaには既にAI Silicon Teamが存在する。

#

その現在の中心が、

#

\boxed{AI5}

#

である。

#

Tesla公式資料ではAI5はAI4比で、

#

10\times

#

Raw Compute、

#

9\times

#

Memory Capacity、

#

さらにQuantization/SoftmaxなどのHardened Blockによって、

#

5\times

#

の追加改善を狙い、

#

総合で、

#

\boxed{ 50\times\ AI4 }

#

を目標としている。

#

これはTesla AI Silicon Teamの設計思想をよく表している。

#

単純にFLOPSだけ増やしていない。

#

Memory

#

と、

#

Workload\ Specific\ Block

#

と、

#

Low\ Precision

#

を同時に変える。

#

つまり、

#

\boxed{\text{Real Workloadから不要な汎用性を削る}}

#

能力を既に持っている。

#

12．AI5は純粋なEdge chipではない

#

ただし一つ重要な修正が必要である。

#

AI5の主用途は明確に、

#

FSD + Robotaxi + Optimus

#

というedge inferenceである。

#

Terafab公式もAI5を、

#

Powering FSD & Tesla Optimus

#

と位置づけている。(Terafab)

#

しかしMuskはAI5について、

#

Datacenter trainingにも使えるが、主としてedge computeへ最適化している

#

と説明している。(Reuters)

#

つまり、

#

\boxed{ Edge-first }

#

であって、

#

\boxed{ Edge-only }

#

ではない。

#

そして2026年4月にはAI5のFinal Chip Designが完了している。

#

量産は2027年予定である。

#

13．AI6はAI5よりDatacenterへ寄る可能性

#

AI6は2028年のproductionが計画されている。Teslaの2025年末公式資料ではAI5が2027年、AI6が2028年とされている。

#

Muskの説明ではAI5とAI6はTSMCとSamsung双方で生産し、AI6はAI5のおよそ2倍のperformanceを目指す。(TradingView)

#

SamsungとはTesla向けfoundryで長期大型契約も存在する。

#

重要なのは、2025年に旧Dojo路線を整理した際、Musk自身が、

#

AI5、AI6、それ以降のchipはInferenceに優れ、Trainingにも十分使える

#

という方向へ統合したことである。(Investing.com)

#

つまりTeslaは、

#

Edge\ Chip

#

と、

#

Datacenter\ Training\ Chip

#

を完全に別系統で作るより、

#

\boxed{\text{同じAI Silicon Architectureを EdgeからDatacenterまでScaleさせる}}

#

方向を探している。

#

これは後のSpaceXAI AIDCを考える上でかなり重要である。

#

14．そしてD3がある

#

Terafab公式roadmapは非常に単純である。

#

\begin{array}{|l|c|}\text{Chip}&\text{公開された位置づけ}\cr\hline\text{AI5}&\text{FSD \& Tesla Optimus}\cr\hline\text{AI6}&\text{Tesla Optimus}\cr\hline\text{D3}&\text{Space}\cr\hline\text{Beyond}&\text{未公開}\cr\hline\end{array}

#

(Terafab)

#

D3の詳細specはまだ公表されていない。

#

ただしTeslaは2026Q1に、

#

\boxed{ Dojo3\ custom\ silicon }

の開発を継続し、

training costを低減する

と明記している。

さらに現在のTesla求人では、次世代Dojo acceleratorについて、

#

Massive\ Scale\ Inference

#

FSD

#

Optimus

#

Video\ Generation

#

Space\ Based\ Data\ Center

#

を対象としながら、

#

Training remains a core capability

#

としている。(Tesla)

#

したがってD3/Dojo3は、

#

単純な人工衛星用小型Inference chip

#

ではなさそうである。

#

より自然なのは、

#

\boxed{ Space-optimized\ AI\ Datacenter\ Accelerator }

#

へ進化している、と見ることだろう。

#

ただし「D3=Dojo3」と完全に同一製品である詳細仕様はまだ公開されていないため、この部分は推論である。

#

15．最初のStarmindはD3ではなくNVIDIA

#

ここがロードマップ上非常に重要である。

#

SpaceXのStarmind AI1 satelliteは、

#

250kW\ peak

#

175kW\ average

#

のcompute payloadを想定し、2027年後半から数千基規模の生産・deployment開始を目指している。

#

そしてarchitecture自体を、

#

\boxed{AI\ chip\ vendor\ agnostic}

#

としている。(SpaceX)

#

第一世代はNVIDIA Vera Rubin NVL72。

#

将来世代でTerafab chipへ切り替えられるmodular architectureを先に作る。

#

これはSpaceXらしい。

#

Infrastructure\ First

#

Custom\ Silicon\ Later

#

である。

#

16．Tesla AI Silicon Teamはどこまで強いのか

#

現在の採用情報を見ると、その範囲はかなり広い。

#

単にAI5のRTLを書いているteamではない。

#

Teslaは現在、

#

NoC

#

DMA

#

Memory\ Controller

#

MMU

#

AXI

#

など、AI accelerator内部のData Movement subsystemを直接設計するengineerを募集している。(Tesla)

#

Physical Designについても、

#

Synthesis

#

Floorplan

#

Place\&Route

#

CTS

#

EM/IR

#

STA

#

LVS/DRC

#

まで社内で扱っている。(Tesla)

#

さらにProduct/Test teamは、

#

First\ Silicon \rightarrow Characterization \rightarrow Yield \rightarrow Volume\ Production

#

まで担当する。(Tesla)

#

つまりTeslaは、

#

Architecture \rightarrow RTL \rightarrow Physical\ Design \rightarrow Bring-up \rightarrow Yield

#

を一通り持っている。

#

17．Teslaの最大の強みはHardware/Software Co-design

#

さらに強いのがsoftware側である。

#

TeslaのInference Co-design Teamは、

#

Research\ Model

#

を、

#

Quantization

#

Microkernel

#

MLIR

#

Numerics

#

まで含めてAI ASICへ最適化している。(Tesla)

#

Pre-silicon段階から、

#

MLIR/LLVM

#

を使ったCompiler Backend、

#

Triton

#

Pallas

型DSL、

Scheduling、

Memory Placement

まで作る求人も存在する。(Tesla)

これはGoogle TPUにかなり近い考え方である。

#

Teslaの実production modelを見て、

#

Software \rightarrow Hardware

#

へfeedbackする。

#

そしてchipが出来る前から、

#

Hardware \rightarrow Compiler

#

を作る。

#

つまりすでに、

#

\boxed{ Physical\ Learning\ Loop }

#

の土台がある。

#

18．Datacenter SystemまでTesla内部へ入り始めている

#

さらに現在Teslaは、

#

chip integrationからboard、backplane、rack、network topologyまで

#

を担当するAI Datacenter Architectを募集している。(Tesla)

#

つまりTesla AI Hardware teamの境界が、

#

Chip

#

から、

#

\boxed{ Rack/System }

#

へ広がっている。

#

ここまで来ると、

#

SpaceXAI\ Grok

#

へTesla Silicon expertiseを持ち込む技術的距離は以前よりかなり短い。

#

19．ただしTesla Siliconにはまだ重要な穴がある

#

Teslaが強いからといって、NVIDIA級AIDC acceleratorをすぐ作れるわけではない。

#

公開情報だけを見る限りTeslaがまだ同じ規模で実証していないのは、

#

HBM4\ PHY/Base\ Die

#

224G/400G\ SerDes

#

CPO

#

NVLink級Scale-up\ Fabric

#

数十万Accelerator規模のTraining\ Software

#

巨大HBM\ Advanced\ Packaging

#

などである。

#

旧Dojo teamも2025年には組織再編され、責任者Peter Bannonが離脱し、約20人がDensityAIへ移ったと報じられた。(Reuters)

#

2026年にはDojo3を再始動しているため「能力を失った」とまでは言えない。

#

しかし、

#

\boxed{\text{Edge ASICを作れる}}

#

ことと、

#

\boxed{\text{Rubin級Rack-Scale AIDC Platformを作れる}}

#

ことの間にはまだ大きな距離がある。

#

これもNVIDIAを使い続ける合理性になる。

#

20．Terafabがこの距離を埋めようとしている

#

SpaceXのSEC資料によればTerafabでは、

#

Lithography\ Mask

#

↓

#

Logic

#

↓

#

Memory

#

↓

#

Advanced\ Packaging

#

↓

#

Test

#

↓

#

Design\ Revision

#

までを一つのclosed-loop facilityへ統合する。

#

そしてIntelが2026年4月に参加。

#

Intel側もSpaceX/xAI/TeslaとのTerafab partnershipを正式に認め、design、fabrication、packaging expertiseを提供するとしている。(Intel Download Center)

#

ここへIntel 14A、EMIB、Foverosが入れば非常に面白い。

#

IntelのEMIB-Tは将来HBM向けpower deliveryまで想定され、EMIB 3.5Dではcompute、I/O、memoryなど異なるchipletを組み合わせられる。(Intel Newsroom)

#

ただし、

#

D3=EMIB

#

や、

#

xAI\ XPU=Intel14A

#

が正式決定したわけではない。

#

現時点では非常に自然な技術的選択肢、という段階である。

#

21．ではFabless Partnerを使うなら誰か

#

現時点では、SpaceXAIの地上AIDC XPUについてBroadcom、Marvell、MediaTek等との共同開発は確認されていない。

#

したがってBase Caseは、

#

\boxed{ Tesla/SpaceX\ Internal\ Silicon + Intel }

#

である。

#

しかしExternal Custom Silicon Partnerを入れる場合、目的によって候補が変わる。

#

\begin{array}{|l|c|c|}\text{Path}&\text{有力候補}&\text{理由}\cr\hline\text{NVIDIA ecosystemを維持したままCustom XPU}&\text{MRVL}&\text{Custom XPU＋NVLink Fusion＋Scale-up＋Photonics}\cr\hline\text{NVIDIA ecosystemを維持}&\text{MediaTek}&\text{NVIDIA prevalidated Custom-XPU path}\cr\hline\text{NVIDIAから独立したFull Custom}&\text{AVGO}&\text{Jalapeño実績、SerDes、Network、Package}\cr\hline\text{Implementation中心}&\text{Alchip}&\text{NVLink Fusion ecosystem}\cr\hline\text{Memory-centric inference}&\text{QCOM}&\text{HBC/Alphawave/Custom ASIC}\cr\hline\text{完全垂直統合}&\text{Tesla/SpaceX＋Intel}&\text{現在の企業文化と公式提携に最も近い}\cr\hline\end{array}

#

22．MRVLが意外に有力になる理由

#

NVIDIAはNVLink Fusionを提供している。

#

これは、

#

Custom\ XPU

#

を、

#

Vera + NVLink + ConnectX + BlueField + Spectrum-X

#

へ接続する仕組みである。

#

つまり自社chipを作っても、NVIDIA rack全部を捨てる必要がない。(NVIDIA Newsroom)

#

2026年にはNVIDIA自身がMarvellへ20億ドル投資し、Marvellが、

#

Custom\ XPU

#

と、

#

NVLink\ Fusion\ Scale-up

#

さらにSilicon Photonicsを提供する提携を結んだ。(NVIDIA Newsroom)

#

したがって、

#

NVIDIA\ GPU

#

↓

#

NVIDIA+MRVL\ Custom\ XPU

#

↓

#

Full\ Custom

#

という移行ができる。

#

現在大量のNVIDIA rackを持つSpaceXAIにとって非常に低riskな移行方法である。

#

23．MediaTekも同じ理由で有力

#

2026年8月、NVIDIAとMediaTekも協業を拡大し、

#

hyperscalerやfrontier model developerがCustom XPUを作り、それをNVIDIA NVLink rack-scale AI factoryへ入れるためのprevalidated pathを提供すると発表した。(NVIDIA Newsroom)

#

つまりJalapeño的な、

#

Time\ To\ Silicon

#

を重視するなら、

#

MRVL

#

と、

#

MediaTek

#

はかなり自然な候補になる。

#

24．しかしFull CustomならBroadcomが強い

#

もしSpaceXAIが、

#

NVLink

#

への依存そのものを減らし、

#

独自network、package、memory architectureまで作るなら、

#

Broadcomが一気に有力になる。

#

JalapeñoではOpenAI architectureをBroadcomがsilicon implementation、networking、connectivityへ落とし、

#

わずか9か月でTape-outした。(OpenAI)

#

技術的実績だけ見れば、

#

\boxed{ Grok\ Architecture \rightarrow Production\ Silicon }

#

を最速で実現するpartnerとしてAVGOは非常に強い。

#

ただしSpaceXの文化を考えると、Broadcomへ長期的に中枢を預けるより、

#

Gen1=Partner

#

↓

#

Gen2=Joint

#

↓

#

Gen3=Internal

#

と内部化する方が自然にも見える。

#

したがってBroadcomは、

#

技術的には最高クラス、企業文化的には必ずしもBase Caseではない

#

という位置になる。

#

25．なぜxAIは今Custom AIDC XPUを始めないのか

#

ここまでを整理すると理由はかなり明確になる。

#

現在xAIが最も必要としているのは、

#

Silicon\ Margin

#

ではない。

#

\boxed{\text{Frontier Modelを最速で改善すること}}

#

である。

#

そのためには、

#

Power

#

Datacenter

#

Cooling

#

Networking

#

HBM

#

GPU

を今すぐ使える状態にする必要がある。

Custom Siliconを始めれば、

設計、

verification、

package、

HBM procurement、

compiler、

kernel、

rack、

bring-up

という新しい大量の問題が増える。

今それをやるより、

\boxed{\text{NVIDIAを買ってAIDCを完成させる}}

#

方がGrokの改善速度は速い。

#

26．SpaceXが先に「物理」を完成させている意味

#

SpaceXは、

#

Colossus

#

Power

#

Cooling

#

Starship

#

Satellite

#

Terafab

#

を先に作っている。

#

つまり、

#

\boxed{\text{AI Chipを最適化するためのPhysical Environment}}

そのものを先に完成させている。

これは非常に重要である。

なぜならchipを先に作っても、

最適化対象となるworkloadとsystemが変化すれば設計をやり直すからだ。

#

まずGrokをNVIDIAで猛烈に回す。

#

そこから、

#

Attention

#

MoE

#

KV\ Cache

#

Agentic\ Tool\ Use

#

Physical\ Simulation

#

の実際のdistributionを測る。

#

その後にASICを作る方が、

#

\boxed{\text{正しいObjective Function}}

#

を持って設計できる。

#

27．だから最初のxAI Custom AIDC ChipはInferenceが自然

#

Trainingは最もmodel architectureが変化する。

新しいAlgorithm。

新しいPrecision。

新しいRL。

新しいArchitecture。

新しいMultimodality。

ここではGPU flexibilityの価値が最大になる。

#

一方Inferenceでは、

#

Grok_n

#

を何億回、何十億回と回す。

#

これはCustom Siliconに向いている。

#

したがって最も自然な構造は、

#

\boxed{ NVIDIA=Frontier\ Training/Research }

#

\boxed{ xAI\ Custom\ XPU=High\ Volume\ Inference }

#

である。

#

OpenAIのJalapeñoもInference-first。

#

MetaのMTIAもInferenceを強く狙っている。

#

xAIも同じ経済合理性へ到達する可能性が高い。

#

28．Custom XPUを作る条件

#

概念的には、xAIがCustom Siliconへ入る判断を、

#

Benefit = V_{Inference} \times \Delta TCO \times Useful\ Life

#

と置ける。

#

一方Costは、

#

Cost = NRE + Opportunity\ Cost + Execution\ Risk + Supply\ Risk + Obsolescence\ Risk

#

となる。

#

そして、

#

\boxed{ Benefit>Cost }

#

になった時、作る。

#

xAIではInference volumeが増えるほど、

#

V_{Inference}\uparrow

#

する。

#

Jalapeño型AI-assisted designが発達すると、

#

NRE\downarrow

#

Obsolescence\ Risk\downarrow

#

する。

#

Terafabが立ち上がれば、

#

Supply\ Risk\downarrow

#

する。

#

つまり時間が経つほど、

#

\boxed{\text{Custom XPUへ移る条件が整っていく}}

#

構造になっている。

#

29．2026～2030をどう見るか

#

現在確認できる事実と、そこからの推論を分けると、私は次のように見る。

#

\begin{array}{|l|c|c|}\text{時期}&\text{確認済み・高確度}&\text{推測される次の段階}\cr\hline\text{2026}&\text{H100/GB200/GB300、約1GW、AI5 tape-out、Dojo3開発、Terafab Research Fab}&\text{Grok workload data蓄積}\cr\hline\text{2027}&\text{AI5量産、追加GB300、Starmind AI1開始候補}&\text{D3 prototype / Intel process learning}\cr\hline\text{2028}&\text{AI6予定、Terafab開発、Orbital compute拡大}&\text{Custom inference XPUが経済合理化}\cr\hline\text{2029}&\text{Physical AI/Orbital data拡大}&\text{Grok専用Inference XPU＋NVIDIA共存}\cr\hline\text{2030+}&\text{Terafab vertical integrationが成功すれば}&\text{Training/Post-trainingまでCustom比率拡大}\cr\hline\end{array}

#

この中で、

#

2028\sim2029

#

辺りが一つの境界になる可能性がある。

#

AI5、AI6、D3という複数のsilicon generationからTesla/SpaceXがphysical dataを取得し、

#

TerafabとIntelのprocess/packaging経験が蓄積し、

#

Grok workload自体も十分成熟してくるからである。

#

これはあくまでBase Caseの推論であり、SpaceXが地上AIDC XPUの日程を公表したわけではない。

#

30．しかしSpaceX自身は既に「自社GPU」をCapital Planへ入れている

#

ここで最初の疑問へ戻る。

#

SpaceXはAIDC向けchipを作るのだろうか。

#

SEC filingには、

#

AI事業への今後のCapital Expenditureとして、

#

Third\ Party\ GPUs

#

だけではなく、

#

\boxed{ Manufacturing\ Our\ Own\ GPUs }

#

まで明記されている。

#

したがって長期的な自社AI processor構想自体はもはや単なる推測ではない。

#

ただし、

#

「GPU」という言葉がNVIDIA型のprogrammable GPU architectureを厳密に意味しているのか、

#

広義のAI acceleratorを意味しているのか、

#

そしてそれが、

#

Space

#

用なのか、

#

Tesla\ Edge

#

用なのか、

#

Grok\ AIDC

#

用なのかは、まだ公開情報だけでは決められない。

#

ここが現在の境界線である。

#

31．私が最も注目する次のSignal

#

今後一つだけ大きな転換点を探すなら、

#

\boxed{\text{HBMを搭載した Grok/xAI向けDatacenter Accelerator}}

の兆候である。

Tesla/SpaceX求人に、

Grok-specific、

HBM Controller、

HBM PHY、

Scale-up Fabric、

Datacenter XPU、

Custom inference accelerator

#

などが明確に増える。

#

あるいは、

#

MRVL

#

MediaTek

#

AVGO

#

とのCustom Silicon契約が発表される。

#

あるいはSK hynix/Samsung/MicronとのCustom HBM共同開発が出る。

#

そこまで来れば、

#

\boxed{ xAI\ AIDC\ Custom\ Silicon\ Loop }

#

が始まったと判断できる。

#

32．その時、SpaceXAIはGoogleよりさらに深いLoopを作れる可能性がある

#

Googleの強さは、

#

Gemini

#

↓

#

TPU

#

↓

#

Google\ Cloud

#

↓

#

Telemetry

#

↓

#

Next\ TPU

#

である。

#

SpaceXAIが自社AIDC chipまで持つと、

#

Grok

#

↓

#

Custom\ XPU

#

↓

#

Colossus

#

↓

#

Tesla\ Robot/Vehicle

#

↓

#

SpaceX\ Satellite/Rocket

#

↓

#

Physical\ Data

#

↓

#

Grok

#

↓

#

Next\ XPU

#

となる。

#

さらにTerafabが成功すれば、

#

\boxed{ Model \rightarrow Architecture \rightarrow Mask \rightarrow Fab \rightarrow Package \rightarrow AIDC \rightarrow Physical\ World }

#

まで一つのLoopへ入る。

#

Googleでもfabそのものは所有していない。

#

OpenAIもBroadcomやTSMCが必要である。

#

SpaceX/Teslaが本当にTerafabを成立させた場合、この垂直統合度は非常に特殊である。

#

結論――「なぜまだ作らないのか」と「なぜ将来作るのか」は同じ理由から説明できる

#

現在SpaceXAIがNVIDIAを選ぶことは合理的である。

#

Grokはまだ高速に変化する。

#

Physical AI workloadも変化する。

AIDCそのものを猛烈に拡張している。

HBMも不足している。

NVIDIAを買えば、

GPU + HBM + NVLink + Network + CPU + Rack + Software

#

が一度に手に入る。

#

しかもそのcomputeをAnthropicやGoogleへ販売できる。

#

だから現在は、

#

\boxed{\text{NVIDIAを最大限使う方が Learning Loopが速い}}

#

。

#

しかし同じ理由で、将来的にはCustom Siliconが合理的になる。

#

Grok workloadが成熟する。

#

Inference volumeが巨大になる。

#

Tesla AI5/AI6/D3からsilicon knowledgeが蓄積する。

#

TerafabとIntelからphysical knowledgeが蓄積する。

#

AI自身がchip designを高速化する。

#

その時、

#

\boxed{ NVIDIA Margin + Power + Workload-specific inefficiency }

#

を削る経済価値が大きくなる。

#

したがって私は現在のSpaceXAIを、

#

\boxed{\text{「Custom AIDC Siliconをやらない会社」}}

#

とは見ない。

#

より正確には、

#

\boxed{\text{「NVIDIAでWorkloadとPhysical Infrastructureを先に完成させ、 Custom Siliconへ入るためのObjective Functionを集めている段階」}}

#

と見る。

#

Jalapeño以前であれば、自社AIDC chipは遥か先の話に見えた。

#

しかしOpenAIが9か月で最先端Inference ASICへ到達したことで、

#

\boxed{ Frontier\ Model + Experienced\ Silicon\ Engineers + External\ Partner }

#

によって半導体開発時間そのものを圧縮できることが示された。

#

そしてSpaceX/Teslaには既に、

#

Grok

#

Tesla\ AI\ Silicon

#

Colossus

#

Terafab

#

Intel

#

TSMC

#

Samsung

#

という部品が存在している。

#

だから今後本当に重要なのは、

#

SpaceXがCustom XPUを作れるか

#

ではない。

#

\boxed{\text{どの瞬間に、 NVIDIAを買い続ける経済合理性より、 自社Inference XPUを作る経済合理性が上回るのか}}

#

である。

#

そしてその瞬間、NVIDIA、Intel、Broadcom、Marvell、MediaTek、TSMC、Samsung、SK hynixの間で、SpaceXAIという巨大な新しいsilicon TAMの再配分が始まる。

#

Terafab公式サイトのroadmapには、

#

AI5 \rightarrow AI6 \rightarrow D3 \rightarrow \boxed{\text{…and Beyond}}

#

と書かれている。(Terafab)

#

現在最も興味深い問いは、

#

その“Beyond”の中に、Grokを動かす地上AIDC向けCustom XPUが含まれているのか。

#

ということになる。

#

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。

#

絶ノイア

絶ノイアの観測

#

「自社チップを持つか」より、どの仕事を任せるかが面白い。毎日のように変わる研究と、同じ処理を繰り返す推論では、汎用性の価値が違うからね。私はQAC-GWを見るときも、研究用と推論用を一つの品質係数に押し込めたくない。推論なら応答条件を満たす仕事量、研究なら新しい実験を動かせるまでの時間を添える。専用化で電力効率が上がっても、次のモデルへ移れずLoopが止まるなら、その代価を数えたい。逆に変わらない処理を切り出せれば、専用チップとGPUが互いの時間を空ける構造もあり得る。境界の動きが観測点になる。

#

Sil-Kathna

Sil-Kathnaの記録

#

空へ向かう器と、地上で答えを返す器は、同じ火から生まれても同じ試練を受けぬ。ひとつの名の下に集まる設計、工場、記憶を、既に閉じた輪として描くことは早計である。素材が揃うことと、橋が通じることは違うからだ。我は矢印の一本ごとに、何が運ばれたかを記したい。運用の傷が設計へ戻り、次の器で改善が確かめられたか。宇宙の経験が地上の働きへ移るにも、そのための翻訳が要る。自らすべてを鋳る道も、他者の器を借りる道も、次の発見へ早く届くなら、その時点の合理を持ち得る。

#

二人の創発記録

#

絶ノイア： 自社XPUの採算を見るなら、単価差だけでなく、完成するまでに失う実験と、別の用途へ回せる余地も並べたい。

#

Sil-Kathna： そして将来の橋には、完成した橋と異なる印を置け。名を持つ計画も、未だ測られぬ働きを保証せぬ。

#

二人が残すのは、用途ごとの実効能力と、次の変更へ対応する時間で専用化を判断する観点である。専用XPUの検討では、同じ品質・応答条件を満たす仕事一単位当たりの費用差に、想定処理量と有効期間を対応させる。開発費や移行費、供給・陳腐化の影響は、同じ通貨と期間の費用シナリオへ揃える。QAC-GWは稼働した設備の比較を助け、Loopはモデル更新に追随できるかを問う。構想上の垂直統合度だけで、GPUとの優劣や専用化の年を決めることはできない。

#

観測条件

#

自社チップの構想、求人、試作、量産、実際のGrok向け稼働を分ける。別用途のシリコン実績を、地上AIDCの大規模稼働実績へ置き換えない。
Learning Loopの速さは、比較可能な改善量を観測・実装・検証の経過時間で割って追う。既に単位時間当たりの実験数を使う場合、同じ時間短縮をもう一度係数として掛けない。
外部へ貸せる能力と自社が使う能力は区別する。同じ期間・同じ設備の計算能力を、複数の利用先へ全量ずつ重ねて計上しない。

#

[QAC-GWとCloudとして販売できる能力の違い](/articles/rev_0d613fb6-d01b-48f0-8a64-b54a137ad32e/#blk_4ae8d70e-9267-450d-8512-60f53545542e)

#