{"id":"rev_57810a5f-315e-49a7-ac85-72cc27e35eff","work_id":"wrk_fc529d17-dbc8-4405-b2ca-a48accef7253","edition_id":"edn_242d763d-3b1a-4f25-88b1-283b8d2baddb","title":"EDAについて少しだけ勉強","published_at":"2026-04-20 18:17:43","source_url":"https://note.com/atom_/n/n530a4a93e154","recorded_at":"2026-09-08T05:29:14+00:00","source_date":"2026-04-20 18:17:43","thumbnail":null,"legacy_slug":null,"topics":["chips"],"sections":[{"id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","parent_section_id":null,"heading_block_id":null,"order":0,"character_id":null},{"id":"sec_ea6edbf0-09f3-4b51-ae12-0f0cf7037d19","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_7bc8259c-ebb5-4dbc-a828-5f32c32e777b","order":1,"character_id":null},{"id":"sec_05d13028-7d02-4fce-a4bf-398d108b9e57","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_93999e07-6d71-4ab2-9972-2787f7c77f1e","order":2,"character_id":null},{"id":"sec_978a99fa-659c-4c48-8248-be2961423e89","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_963060ba-28bd-49a3-8824-659ab5e45ee5","order":3,"character_id":null},{"id":"sec_05fa371f-79a2-48de-ad43-327aac4075c7","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_913b54c9-8f6c-4e73-bd71-97e229bbfa33","order":4,"character_id":null},{"id":"sec_e514a29c-7950-4876-b7fc-c2bb8069ee7b","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_53909581-b7ab-414d-8c05-559c0b652c7c","order":5,"character_id":null},{"id":"sec_ea9da18c-97be-4d2d-9e3d-88fe4434f9dd","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_430e467a-2554-498d-aafb-ef7697076358","order":6,"character_id":null},{"id":"sec_534963a3-34c2-47cf-952f-1bf6345df91e","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_aafe7693-3de9-4a4f-8552-784c2e8b122b","order":7,"character_id":null},{"id":"sec_e89e6323-74a6-4d39-b6f2-94a85487af53","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_e8e10b44-fd67-4fbd-a357-e4fed8809731","order":8,"character_id":null},{"id":"sec_12acbd2f-954b-40c4-a4b4-a30684ec063a","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_896578b5-e79e-487a-84a8-04dc6a8b8c95","order":9,"character_id":null},{"id":"sec_cd11f998-93aa-4a0d-89e5-8e752fdfeb99","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_651f51b1-e071-4beb-9e2c-804d92432a66","order":10,"character_id":null},{"id":"sec_42686844-92b6-4e74-9ffa-bcc2e296d98c","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_ce40c27a-b2f9-46dc-99d6-1546ab2196ec","order":11,"character_id":null},{"id":"sec_3b7a1567-62c1-4f90-83d5-8ff807b17847","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_ea7e78da-4555-4ad9-8495-60aeb20d229c","order":12,"character_id":null},{"id":"sec_1d88a415-fd40-424a-b5ac-0dd243eb67a6","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_bd7f976b-5664-4da2-a05e-d888bcfade2d","order":13,"character_id":null},{"id":"sec_f519dded-3fdf-42b6-bcfe-353f0d76bc24","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_cf1472ec-f798-4bea-bf2e-901fe97b592a","order":14,"character_id":null},{"id":"sec_a46a91f6-6a18-4769-8cc8-367486b8fd20","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_2f81d13a-6c02-478f-8156-7623e982dff6","order":15,"character_id":null},{"id":"sec_1fca7b30-44d6-4948-b65f-5170538281e6","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_60396575-f94d-46a6-9f53-1428bfb9d421","order":16,"character_id":null},{"id":"sec_86260896-2b61-422d-988d-86035cec2606","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_69767a72-df09-454f-9c33-30f80c33e212","order":17,"character_id":null},{"id":"sec_9e89ba72-afec-4f57-8f26-9bf79b1d4003","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_13e5aa1f-c121-43da-b913-da405d9dc25c","order":18,"character_id":null},{"id":"sec_4a087a65-e40b-44eb-bcdf-967ebbe07481","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_ce5f6a47-916d-4a0f-9cd8-28811a41d3e1","order":19,"character_id":null},{"id":"sec_e6548b83-656a-4137-a502-3b38feba4294","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_37de2b54-566c-4d78-8794-009bd801cab3","order":20,"character_id":null},{"id":"sec_04aa2d66-d2c7-4e59-af18-087fc10f8b34","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_90e6b60f-33dd-451a-befe-35522293ae77","order":21,"character_id":null},{"id":"sec_87cf6833-65e8-47fd-ad08-4a9799fc24f6","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_369a5dfd-11c6-4eb7-8317-e9d3e268db33","order":22,"character_id":null},{"id":"sec_6f5f66a9-7e7f-4d63-b2df-212afb977eed","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_2269c503-50b7-45ab-9163-81a66b4fbb2d","order":23,"character_id":null},{"id":"sec_8538d57f-d678-4b68-a996-7fb4b6a37437","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_db02299e-88bc-4370-a63c-752a982b4125","order":24,"character_id":null},{"id":"sec_e73e17af-a974-4ccc-853d-48f293c31246","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_8ad9a385-5aaf-425e-9227-c25fc935dd81","order":25,"character_id":null},{"id":"sec_c46d829f-b26e-4d97-9c85-200748c5d96b","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_7440d0a0-0153-4505-9cbe-c96a04cfd577","order":26,"character_id":null},{"id":"sec_2df9f808-4397-498f-8588-7eaa17c74fb8","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_af129f37-8178-4b03-8303-01d567a858b2","order":27,"character_id":null},{"id":"sec_6be360b0-a2bc-4f23-889a-ecd458aebb38","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_92fd7f89-4cd2-4750-8e35-424cb830c590","order":28,"character_id":null},{"id":"sec_01e12a66-5c62-42cb-b680-e56f77bdde32","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_145115bd-6d1d-4e36-93e9-97a9fb3dd70f","order":29,"character_id":null},{"id":"sec_5c2b636a-2208-40bd-a400-490477a57300","parent_section_id":"sec_01e12a66-5c62-42cb-b680-e56f77bdde32","heading_block_id":"blk_e5bfe127-48da-47b6-a7bf-7b49462e0da5","order":30,"character_id":null},{"id":"sec_4fea6712-7ed8-4fb0-8c0a-9cc35ac3a913","parent_section_id":"sec_01e12a66-5c62-42cb-b680-e56f77bdde32","heading_block_id":"blk_f7e1cb47-c7a8-448d-a722-bf3ad9fba761","order":31,"character_id":null},{"id":"sec_4e6a0ba2-64b2-44cf-bc2d-2cb25add67e0","parent_section_id":"sec_01e12a66-5c62-42cb-b680-e56f77bdde32","heading_block_id":"blk_450467f5-9540-4eed-ad7a-653d909e7103","order":32,"character_id":null},{"id":"sec_00090787-de8e-4d22-8853-4a0d27ed0b58","parent_section_id":"sec_01e12a66-5c62-42cb-b680-e56f77bdde32","heading_block_id":"blk_08a70722-93fd-4f3f-b2f9-41745a03d047","order":33,"character_id":null},{"id":"sec_b41dea2c-1948-473f-ab9d-eb6d12398ca1","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_72c3b2e2-1a01-4465-ad38-304cbee0491d","order":34,"character_id":null},{"id":"sec_dca708bb-0660-4389-9e3f-0406a485e01a","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_a7f6e61a-5d39-49c9-865a-32aa1ebd609b","order":35,"character_id":null},{"id":"sec_df0e0d30-3e16-418d-a617-f1ec2e5c1bbb","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_708e07ca-4374-4e97-a30a-e2073c03dec4","order":36,"character_id":null},{"id":"sec_703da90c-28d2-4248-af42-e69a437d8992","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_55c39d4b-6bd1-43e9-a129-5b54154e1ae1","order":37,"character_id":null},{"id":"sec_9b2ba8aa-0525-4a1e-a06a-95975d929f4b","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_0f1558cf-de6f-4af9-8485-b40673e9c60c","order":38,"character_id":null},{"id":"sec_a1ebf51e-b896-44b3-bdac-553dfbac34bb","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_502a4eff-b79d-4717-a3e5-e8d290d4b4e9","order":39,"character_id":null},{"id":"sec_4e856853-6f03-4682-9345-3a37ea9182bd","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_4ed9071b-ae5e-45b3-9ae8-6d0922857902","order":40,"character_id":null},{"id":"sec_39c282bf-0713-45a4-842f-94dfe4d0735d","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_c9fc1b46-70c2-471f-ae5e-30acbdb9b89e","order":41,"character_id":null},{"id":"sec_9715e6e1-fd46-4e6b-ada9-85e0067fdb63","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_67888cf2-865d-4b04-a511-b763b2a16b1f","order":42,"character_id":null},{"id":"sec_62ce10b0-8ff6-450b-af10-69adc7927cd8","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_ea2f8c83-11e7-47c0-9d46-cbd8bae23770","order":43,"character_id":null},{"id":"sec_56b04cf3-11fa-4a2e-9a1f-50abaf9a674a","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_4cfe8bb3-9d40-4430-9b4c-5e8332bf9a17","order":44,"character_id":null},{"id":"sec_c9350540-9751-48fa-acb8-6a13f0106833","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_f7bbaaea-e6d8-46c8-8aa2-2406e7d1bf98","order":45,"character_id":null},{"id":"sec_ca6628e7-36bd-4bfe-9f22-0e45a8c410e4","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_fda84c46-452c-45b8-b7da-13190872dc1e","order":46,"character_id":null},{"id":"sec_93676270-b1d6-47fb-91ee-4336a528d984","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_cc4b736a-aef5-4239-be41-acbf288598cd","order":47,"character_id":null},{"id":"sec_333ae6e0-bbb1-47d3-a908-0dd13b88d00b","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_5924be3d-34d9-4b26-9fb1-c15c8d7df86f","order":48,"character_id":null},{"id":"sec_427b31b7-4421-4a58-9b49-141a275a1cc2","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_113263da-645a-4c48-9362-e957a284e38e","order":49,"character_id":null},{"id":"sec_464fd206-9b6e-49a8-a8bb-891d095a3a17","parent_section_id":"sec_427b31b7-4421-4a58-9b49-141a275a1cc2","heading_block_id":"blk_9e312588-90dd-4bd5-8e87-57eb51df939a","order":50,"character_id":null},{"id":"sec_aad57dd2-efb1-4375-8699-3c2205457d31","parent_section_id":"sec_427b31b7-4421-4a58-9b49-141a275a1cc2","heading_block_id":"blk_4a2e300d-0160-4b4b-9129-6bce0b05008e","order":51,"character_id":null},{"id":"sec_a4308ad8-51fd-455d-9d4a-74423d31babf","parent_section_id":"sec_427b31b7-4421-4a58-9b49-141a275a1cc2","heading_block_id":"blk_9b9d99f9-dcac-4961-8671-bdcc25526c03","order":52,"character_id":null},{"id":"sec_bf132464-fcc4-4c14-9b75-3d3ba71f02fc","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_bb1f8047-52d6-47a0-80de-3e8ecfcddf84","order":53,"character_id":null},{"id":"sec_512bb3e6-4632-4cf1-8c33-137c602c820a","parent_section_id":"sec_bf132464-fcc4-4c14-9b75-3d3ba71f02fc","heading_block_id":"blk_1a551eec-0ddd-41d6-b1d3-135399fe56dd","order":54,"character_id":null},{"id":"sec_158f32eb-b97e-4c21-b3a2-e076c9990fb0","parent_section_id":"sec_bf132464-fcc4-4c14-9b75-3d3ba71f02fc","heading_block_id":"blk_d761b7ed-f40d-4644-9beb-86ee153d03f3","order":55,"character_id":null},{"id":"sec_31853c93-a19a-442f-b028-bb5a7876d380","parent_section_id":"sec_bf132464-fcc4-4c14-9b75-3d3ba71f02fc","heading_block_id":"blk_f45ab9b6-a135-4ac0-b3d7-d0d13b46f4a3","order":56,"character_id":null},{"id":"sec_e10576f1-8f2a-43da-806e-5c8d5b0dec7c","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_acd40c2f-2622-465b-92b7-4fd713e3a865","order":57,"character_id":null},{"id":"sec_0418419c-fb28-465c-93df-1b96fdcb1791","parent_section_id":"sec_e10576f1-8f2a-43da-806e-5c8d5b0dec7c","heading_block_id":"blk_a432a180-7ffe-4c99-b0a1-afd2050476ee","order":58,"character_id":null},{"id":"sec_ab3e40f0-428b-46cc-a932-d4048ac7036c","parent_section_id":"sec_e10576f1-8f2a-43da-806e-5c8d5b0dec7c","heading_block_id":"blk_58ab66f3-97c1-4dc3-a9cf-e483a5f17643","order":59,"character_id":null},{"id":"sec_79b9a96c-e43d-429e-ab34-283e646482df","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_09cfceb9-f9cb-4164-8479-8b4f4f79b8b4","order":60,"character_id":null},{"id":"sec_5cc3809a-9562-4a71-9e42-53aa707fe2ad","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_4b9ce38a-1f08-490a-af65-5fa403dd86e0","order":61,"character_id":null},{"id":"sec_fe476d9c-4d4c-407c-8d27-860b044554e5","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_58d07c3e-6ff6-4210-929d-212b4021ea8f","order":62,"character_id":null},{"id":"sec_f72480ed-74d8-4459-b2a4-e0e3efebf190","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_ab2aecd0-0211-4b89-8d65-0691cded732e","order":63,"character_id":null},{"id":"sec_dd0fa5bb-027f-4ca4-b0fb-e4abe3bb5626","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_dad3ea67-7d5f-45e8-99ec-6c839ac836ce","order":64,"character_id":null},{"id":"sec_11d791bf-9d28-4084-8220-950af7a27dd2","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_61ff9403-ff75-4c8b-ac79-f8a3d55f534c","order":65,"character_id":null},{"id":"sec_21e20dba-644c-42cd-81b5-42b40b28f8af","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_aa6fef11-c342-4849-bd62-a965d9e2762c","order":66,"character_id":null},{"id":"sec_82f9aa13-e49c-4ef1-984f-4ef38c54acad","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_a6a7a146-6810-40f4-96c2-75b185977064","order":67,"character_id":null},{"id":"sec_adc500db-d8ce-4e10-bfcb-1385edee79e6","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_9ed31138-d1f2-4f25-9dfd-9238dd461f14","order":68,"character_id":null},{"id":"sec_4f2bae14-d032-41c2-816b-6643c820d41a","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_93518ca2-0cd6-4b34-85c6-f32cba6bb3cc","order":69,"character_id":null},{"id":"sec_822b5a20-7570-455d-a3ea-20796ea0b69b","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_ccbee2a9-02e9-44b2-b7e9-687b42865d87","order":70,"character_id":null},{"id":"sec_4cd87bf4-30fc-49c1-b8c0-4c4a9feb3680","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_ee1a220a-350a-4e43-8de9-a6a987212f2f","order":71,"character_id":null},{"id":"sec_712874cb-0324-47e1-99ba-eb06201b162b","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_78e0cb94-7680-48fe-b346-cbae3b8f3367","order":72,"character_id":null},{"id":"sec_cb99a6d6-5044-4233-9552-46bf63d8dec7","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_2d3964b9-0b35-41a8-88fe-458ecf550b1c","order":73,"character_id":null},{"id":"sec_f9984f12-ad67-4f52-aa65-6dfb26578d91","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_84ecea0d-4090-425f-b8ad-a8af95207a77","order":74,"character_id":null},{"id":"sec_fdb81e2b-9312-4295-bc65-745622c52674","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_5b5e6237-ae83-49bb-bd81-1c75a1d284de","order":75,"character_id":null},{"id":"sec_0ff4db74-8b7e-4a60-9a34-975c0a306009","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_95c4ebce-0f14-45a4-995e-d7d02bac2479","order":76,"character_id":null},{"id":"sec_61a1ed50-d5de-435b-abfb-ada6a39a5be3","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_55800401-f625-4e1d-b5d4-d8ebc84b7b51","order":77,"character_id":null},{"id":"sec_bdaa5eef-5014-40fe-8a01-e14a0d75cb61","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_5cec1c15-3ebd-4a5e-8f38-3618ff99b0be","order":78,"character_id":null},{"id":"sec_78d0dc4d-d476-42c0-b32e-1e9e9426b259","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_828e72f5-0c1f-4dd3-a6a5-250f6f72db3a","order":79,"character_id":null},{"id":"sec_9ac0cfec-3c74-4703-adb2-3b7d4abe282a","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_95838ced-acde-4a6e-a65a-1bcf11bbff39","order":80,"character_id":null},{"id":"sec_ebecd356-fca2-44c9-b5e5-da808ea5151e","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_b98f9b0f-aa72-4fe2-9f8d-c48d595fea11","order":81,"character_id":null},{"id":"sec_072a39c2-350a-4d7f-a0a1-891eca27371f","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_7987b14f-2384-4e33-bb27-f3d85f7f9df7","order":82,"character_id":null},{"id":"sec_df185e6c-2647-4254-8481-f8a5a911deda","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_dce1af65-4435-4e44-9061-8d07799152b3","order":83,"character_id":null},{"id":"sec_68cd5b05-816f-4c97-8b82-82c6d4c6bbbb","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_385a5c8e-6746-4af6-bf98-7200f22fc210","order":84,"character_id":null},{"id":"sec_ab345c53-36d0-451c-88a5-6c3167ffcd84","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_b27cc5a5-96b9-441e-bdf0-f1a2616a20b1","order":85,"character_id":null},{"id":"sec_c88fd743-c293-43e7-a080-9e491ab26326","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_7bd7663a-0ea2-4242-8f52-0d908c25cdff","order":86,"character_id":null},{"id":"sec_13e19087-aab4-4a37-86b1-d8e4d37b74b8","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_708ca729-a986-469a-a51b-23b389432b20","order":87,"character_id":null},{"id":"sec_3903b86f-950c-4e00-a84b-cee21e79b45e","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_3af8d66e-d7bf-4979-a1ce-feb7fba0c528","order":88,"character_id":null},{"id":"sec_40507323-5434-4c1f-8f59-3b4a440608c1","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_39198a10-f9cf-457f-a7da-c1864676a3c6","order":89,"character_id":null},{"id":"sec_7600e078-110d-4055-b3f9-f2fa3a6b1cdd","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_4a71c351-764a-41ec-bc3c-28a331e3fcdc","order":90,"character_id":null},{"id":"sec_e77a71f7-cd31-4a5b-bdb7-4c8a4504e174","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_567ea229-0aa8-4a8e-8624-effabba309b4","order":91,"character_id":null},{"id":"sec_886cb2a7-34a1-4737-9300-2ceb41b4e142","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_5c330575-4b08-4acb-8714-fc566b38dd30","order":92,"character_id":null},{"id":"sec_612cb48a-e73f-432d-bbf9-db14dc07bc1d","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_8e3b6550-6c03-4e3c-9e56-6a09786d422e","order":93,"character_id":null},{"id":"sec_a12b8411-3d41-4a75-8117-930ad7240c40","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_cc2a2094-e84a-42e1-bee7-901408a1d4be","order":94,"character_id":null},{"id":"sec_3d1f1ea3-1cd0-47c6-9691-8179f99583ac","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_c78d5596-d751-4722-b76d-d62b1424a577","order":95,"character_id":null},{"id":"sec_3527ee77-a036-42f5-a0f0-2f953e5819e9","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_e5f35d7c-f608-4eb5-bee6-3f9541b84f94","order":96,"character_id":null},{"id":"sec_28d0ed7a-0bad-4968-8a20-a8883edb7a70","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_eb4928af-2c80-4459-90bc-0bc2be3d8394","order":97,"character_id":null},{"id":"sec_c7c3e705-75be-4256-a89d-3d7eb31844f2","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_af7cc0f3-b439-4599-9227-5e8770df9256","order":98,"character_id":null},{"id":"sec_0029dc2d-948c-444a-8c31-2a1ce996949a","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_24c102ad-a7cc-4820-aac2-b536bc8ab58e","order":99,"character_id":null},{"id":"sec_9f74cb4e-cbae-49cd-a73b-e463ca577d20","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_e8f22714-6f74-45db-b576-1805c2713c6c","order":100,"character_id":null},{"id":"sec_b33d6db7-2a01-4607-8310-2a4ca4f6fc58","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_82ff088b-134b-4ab5-bd56-a4e07f8ac06b","order":101,"character_id":null},{"id":"sec_f992180f-8125-4631-980b-ee92016fc0f2","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_d05f1145-e6c7-4694-a87a-a0bb507f7522","order":102,"character_id":null},{"id":"sec_93d720b6-77fa-4a79-ab44-d3b9c1d20bdf","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_663e7d49-a321-4c4b-8604-ce552daea3e3","order":103,"character_id":null},{"id":"sec_0416e3d6-7cd3-4467-b49e-a7294d130a6d","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_2f726142-6004-4b16-8397-3565b88d35b4","order":104,"character_id":null},{"id":"sec_b7ef0d8c-ec66-4a65-99cd-b2e5736c56a6","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_4ce1179d-ad98-425c-bf19-06afbd768e36","order":105,"character_id":null},{"id":"sec_e7e2b2b0-b3fc-4696-b1fc-92067a9d6c8a","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_c47771a1-3648-4c2c-8381-9728407ec4ac","order":106,"character_id":null},{"id":"sec_01de9259-e2cc-4a35-9fd9-d741a16fd3ab","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_ac421e03-ba03-449e-b70d-c441835fc352","order":107,"character_id":null},{"id":"sec_dedf3d06-9145-497e-ac9a-6dc095e4f600","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_d00ebac9-4b59-41f2-997f-9466a5850346","order":108,"character_id":null},{"id":"sec_cc2b06b2-8fb9-4393-839c-5a06a0c6c9ec","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_13cb43be-2bdf-445c-95fb-2d0776e47d72","order":109,"character_id":null},{"id":"sec_374e1490-6131-4b4f-ab04-7f1011adfaa0","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_f9658e6f-496d-4889-844c-51ba327dc811","order":110,"character_id":null},{"id":"sec_91bba618-ba35-4d64-b777-3de22114d23f","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_26c47170-863f-40fa-9925-6e83a4cd6e80","order":111,"character_id":null},{"id":"sec_ef25a273-5314-474d-b5e3-1c615d70191f","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_5a5e6cec-3ead-4109-be58-474535e993a5","order":112,"character_id":null},{"id":"sec_352d6892-3c75-4f1d-82c6-35f4d2d0e100","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_bdbc36b8-8dfb-4558-a4d7-7b841e28d5f0","order":113,"character_id":null},{"id":"sec_7aa06e4e-6ecd-441c-b34b-73ebab72e5c5","parent_section_id":"sec_352d6892-3c75-4f1d-82c6-35f4d2d0e100","heading_block_id":"blk_20761df4-696e-4b87-bd2e-9bad27a63569","order":114,"character_id":null},{"id":"sec_8046bf39-c06d-4abf-833e-953b1aca15e9","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_d30b886e-326a-45b2-91dd-84bea919d348","order":115,"character_id":null},{"id":"sec_b6af5c36-53c1-4dd8-974f-ac00cc3a0af7","parent_section_id":"sec_8046bf39-c06d-4abf-833e-953b1aca15e9","heading_block_id":"blk_a3362e0a-24a4-487e-8fd4-1d35d2e916c8","order":116,"character_id":null},{"id":"sec_8845ee09-27e0-438d-babe-ae8ff912a9c4","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_d1f02b78-80a0-4c32-ab64-424f25820db5","order":117,"character_id":null},{"id":"sec_334a6610-382d-43ab-af68-3764b0853f1a","parent_section_id":"sec_8845ee09-27e0-438d-babe-ae8ff912a9c4","heading_block_id":"blk_0055a809-9e31-445f-9ddb-7085acdc1439","order":118,"character_id":null},{"id":"sec_40d3a7f3-4f92-42b5-ba91-0afc1f61f309","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_41500f9e-22bf-43c4-bdf9-821c9b595965","order":119,"character_id":null},{"id":"sec_59c45185-bf8e-480f-a618-39e17df960f6","parent_section_id":"sec_40d3a7f3-4f92-42b5-ba91-0afc1f61f309","heading_block_id":"blk_b36c44b6-8cbd-4ac9-97e3-0e6953c5bf70","order":120,"character_id":null},{"id":"sec_804308e9-f3a3-4574-a32e-22fa4cfd149f","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_bda2fbb4-60ee-4b9b-94b3-a39776452636","order":121,"character_id":null},{"id":"sec_878e8c0a-2985-4f57-a7a3-7e83303f41e2","parent_section_id":"sec_804308e9-f3a3-4574-a32e-22fa4cfd149f","heading_block_id":"blk_2414c573-1831-4d98-8273-0ff3cb84db43","order":122,"character_id":null},{"id":"sec_a72df76e-069c-4291-95dc-732cd0a0952b","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_ad4edb49-a878-46ec-b9a0-c85c87b3d3ec","order":123,"character_id":null},{"id":"sec_86d0e18d-d176-4bcb-a2c5-04e5829bb61b","parent_section_id":"sec_a72df76e-069c-4291-95dc-732cd0a0952b","heading_block_id":"blk_81605768-e9f2-43ec-94fe-ed3c49872c86","order":124,"character_id":null},{"id":"sec_09d9c29b-2a69-4e0c-9f96-720f729c7b38","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_70d3345f-cd3f-42cd-884e-06bafb937b22","order":125,"character_id":null},{"id":"sec_997da545-d0ed-4e87-bcf5-7b2e46b87f53","parent_section_id":"sec_09d9c29b-2a69-4e0c-9f96-720f729c7b38","heading_block_id":"blk_f5950ba0-452e-4fe3-9991-e3cad9222716","order":126,"character_id":null},{"id":"sec_a16bbe49-d823-4ba8-9339-f9fcd9be341d","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_360ad6b5-5e16-46af-901c-8b77175a3786","order":127,"character_id":null},{"id":"sec_4c997f92-489e-4588-b22f-87f9ecbff087","parent_section_id":"sec_a16bbe49-d823-4ba8-9339-f9fcd9be341d","heading_block_id":"blk_135c4940-e450-4f7a-9c16-c7c7dd50b033","order":128,"character_id":null},{"id":"sec_178a238c-de39-416f-8acb-db8f43973469","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_dc4b393f-2d78-4cbc-b4d2-4c2d62f8cc0d","order":129,"character_id":null},{"id":"sec_f99134a3-0e50-4f72-9cbc-c95012473195","parent_section_id":"sec_178a238c-de39-416f-8acb-db8f43973469","heading_block_id":"blk_bab50dba-bb1d-4ba6-8bf3-ad5f79c8a0af","order":130,"character_id":null},{"id":"sec_0cb793df-7790-4b55-97d7-ffc0f6cbe6d2","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_c1bbd2f6-ba38-433f-bf0f-6bb2022f6301","order":131,"character_id":null},{"id":"sec_63e582d7-8838-4b9f-b38f-081fffa9d39c","parent_section_id":"sec_0cb793df-7790-4b55-97d7-ffc0f6cbe6d2","heading_block_id":"blk_8723557b-db02-452a-8b00-ba7db0b1447e","order":132,"character_id":null},{"id":"sec_777ee6e8-506f-438a-acbc-ee7303d30cfd","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_ba228585-e8e7-4633-b71b-21e3003e475b","order":133,"character_id":null},{"id":"sec_d2deafd6-e352-4741-b79d-395df302c4fb","parent_section_id":"sec_777ee6e8-506f-438a-acbc-ee7303d30cfd","heading_block_id":"blk_c315bc63-136f-487b-82ac-819f8c872d38","order":134,"character_id":null},{"id":"sec_9778e6c2-b476-4c73-84a6-15d6a5152d1a","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_203a214d-589a-404e-bff1-9e6e113efe2f","order":135,"character_id":null},{"id":"sec_81df0c1b-a5cb-4b26-8ef4-8ac90ff3a6c1","parent_section_id":"sec_9778e6c2-b476-4c73-84a6-15d6a5152d1a","heading_block_id":"blk_47851908-601a-4d08-b3ff-6397b63f7275","order":136,"character_id":null},{"id":"sec_1b90dafb-732f-4f3c-80b3-d2faaa9ab193","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_21cf931d-a2d5-4aa8-a36c-c154687507c6","order":137,"character_id":null},{"id":"sec_5bedf3da-f93b-4446-9f75-2ddaa35d0112","parent_section_id":"sec_1b90dafb-732f-4f3c-80b3-d2faaa9ab193","heading_block_id":"blk_7d7ec267-6411-4ae0-b8b2-afcc7a4faa06","order":138,"character_id":null},{"id":"sec_0173f06d-0a00-4edf-921c-c03431f66bfd","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_f2489934-c05f-4e36-8be1-9b98e098fa31","order":139,"character_id":null},{"id":"sec_6d8dc192-ef90-4546-abf3-a1537d1182ef","parent_section_id":"sec_0173f06d-0a00-4edf-921c-c03431f66bfd","heading_block_id":"blk_d523b83d-f943-4978-b7ac-34b653b033bb","order":140,"character_id":null},{"id":"sec_bdb4dabc-4a2a-4db2-9bb4-fe08aa433ac7","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_cd8ea7af-2976-4557-aaa5-5f5f83358047","order":141,"character_id":null},{"id":"sec_9037dc85-459a-4cb0-bd2c-3a3ede1bf6ab","parent_section_id":"sec_bdb4dabc-4a2a-4db2-9bb4-fe08aa433ac7","heading_block_id":"blk_9346c8cb-5562-4401-8ca3-8801c0598f67","order":142,"character_id":null},{"id":"sec_08b3649e-af25-4621-8fa0-8b4b9e0cd89c","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_86116938-8483-46bb-8d3e-6aff4199a4b9","order":143,"character_id":null},{"id":"sec_f3c2741b-ac14-496a-94e4-1992fe3f2706","parent_section_id":"sec_08b3649e-af25-4621-8fa0-8b4b9e0cd89c","heading_block_id":"blk_1aa72af9-81a5-428f-8eab-a90f6da3f8b3","order":144,"character_id":null},{"id":"sec_46bb99af-5841-4787-a5fa-970e2470527b","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_7c9ca4e1-a570-4b0c-9d41-e79627b4d8c4","order":145,"character_id":null},{"id":"sec_10a6b98a-f80b-4433-8f38-5f6574ca6ec5","parent_section_id":"sec_46bb99af-5841-4787-a5fa-970e2470527b","heading_block_id":"blk_36e1ef7f-f1ed-478a-9113-0a49580c11fa","order":146,"character_id":null},{"id":"sec_e99f7922-c2b7-4f3e-b6f0-557481f30b95","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_302430a2-3f9e-487d-9866-e8dfc6c74a17","order":147,"character_id":null},{"id":"sec_f079d3d0-a332-4366-bd36-d41c468d3925","parent_section_id":"sec_e99f7922-c2b7-4f3e-b6f0-557481f30b95","heading_block_id":"blk_7cf70bec-4b57-474e-830c-f284b32a517d","order":148,"character_id":null},{"id":"sec_274f197d-f404-4bc4-8dfa-e3fa232d7743","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_952f08fc-cb2f-4e93-8275-a36c84d9b739","order":149,"character_id":null},{"id":"sec_8459b50c-1dec-40a3-8fb5-f17a84b607a0","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_a68dbed5-33d8-4af9-af7f-b19999ef453a","order":150,"character_id":null},{"id":"sec_007a23b9-8a98-4a58-831a-8ab9f77eaac6","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_1756d377-91a3-46ff-bc7a-5bfa71ea95e4","order":151,"character_id":null},{"id":"sec_0bdd2a3f-8cff-4c65-bcf9-90418b727fc2","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_75171b16-8199-4473-b6dd-ffc4603f5a2f","order":152,"character_id":null},{"id":"sec_f32d27ab-55ac-40b0-8c2e-f360540e8306","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_ae7864ce-14a8-4a3b-a4c9-6bd09f44b0a1","order":153,"character_id":null},{"id":"sec_19e5b639-214f-4105-b1a6-d9a4ac5a588b","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_b37412a1-e02f-4da3-ae0b-ec8238ee1df9","order":154,"character_id":null},{"id":"sec_8d268ff9-24fc-4d14-972a-f175df77b2cd","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_b7e8b60c-29a6-4df9-a461-a36dd0a9d64e","order":155,"character_id":null},{"id":"sec_0dfd6226-c983-41fb-b6cb-6168695dddec","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_12f998c4-dd76-468e-bfe8-12a94ac23740","order":156,"character_id":null},{"id":"sec_d9afb7ac-f0df-4a6c-b601-552891a02263","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_2cac5b7e-fc1b-4a3a-bec0-39c0a59b75e0","order":157,"character_id":null},{"id":"sec_51bed11d-b08a-4a7b-9285-3b81ac355020","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_4f11fd4c-3e51-4d72-af2f-66badc0df66d","order":158,"character_id":null},{"id":"sec_8b5199a1-da0a-44aa-9cbb-5d9889306d59","parent_section_id":"sec_51bed11d-b08a-4a7b-9285-3b81ac355020","heading_block_id":"blk_7efa8405-5ae9-4bb4-b918-440aef3bf01c","order":159,"character_id":null},{"id":"sec_efba70c3-f60e-433f-9af4-497137267211","parent_section_id":"sec_51bed11d-b08a-4a7b-9285-3b81ac355020","heading_block_id":"blk_b711f39e-e5ea-4617-a61a-3ee21f0a3bc8","order":160,"character_id":null},{"id":"sec_61e7b84e-5e65-43f7-b3d7-d46e3fa39132","parent_section_id":"sec_51bed11d-b08a-4a7b-9285-3b81ac355020","heading_block_id":"blk_81589cdb-19ff-4d98-92c5-88072334e870","order":161,"character_id":null},{"id":"sec_e880aa38-33d2-42af-bfb6-234957066fae","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_df822794-92a1-4357-949c-198d7679b199","order":162,"character_id":null},{"id":"sec_db85f4bb-fb63-4219-b311-e12d7795bd85","parent_section_id":"sec_e880aa38-33d2-42af-bfb6-234957066fae","heading_block_id":"blk_7464d294-5457-4da5-8631-0d776fece8db","order":163,"character_id":null},{"id":"sec_620f8fca-3592-4213-98fe-aa1b8b96c9ce","parent_section_id":"sec_e880aa38-33d2-42af-bfb6-234957066fae","heading_block_id":"blk_2c9c9f04-71e4-4fea-b44d-ceb2ef4abdf9","order":164,"character_id":null},{"id":"sec_15857941-6775-4501-b9eb-a82f49214eb8","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_307f43a6-e939-44b0-b189-db9a048005ad","order":165,"character_id":null},{"id":"sec_4eba16b0-44c9-4ccd-adf0-955f7b8ee26f","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_c651975c-1ab8-446e-b952-85fd94ce980d","order":166,"character_id":null},{"id":"sec_d49d3e1e-804d-428c-9556-51ec01cd457c","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_5bb3817f-162a-4625-bf03-9541af067645","order":167,"character_id":null},{"id":"sec_1dda1140-e42d-480e-857a-55eb537720bb","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_fd2ec62f-6ca5-48ad-a1d2-1099b3d7af83","order":168,"character_id":null},{"id":"sec_cd14d08a-002e-4cfc-9801-a11a257ec125","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_dbc7be3e-70b5-4cbe-bfa3-89ac851bcf82","order":169,"character_id":null},{"id":"sec_2e196580-e3da-4a60-9d94-1393aa8007da","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_a9c80c7e-f5b2-416c-b65b-6df6fc3e0a39","order":170,"character_id":null},{"id":"sec_cb907e29-c728-4ceb-93d5-be7a6724687f","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_dac98276-f95a-4599-943d-7d2eb6b9dad9","order":171,"character_id":null},{"id":"sec_7bdcc435-d910-400f-b962-efc72dd743af","parent_section_id":"sec_cb907e29-c728-4ceb-93d5-be7a6724687f","heading_block_id":"blk_d26eb18f-b9bb-4963-972c-1fc110f101dc","order":172,"character_id":null},{"id":"sec_777876ea-2b67-4899-8d11-dc4bedd3963b","parent_section_id":"sec_cb907e29-c728-4ceb-93d5-be7a6724687f","heading_block_id":"blk_7b83d89c-b9c0-40e2-9880-2f3b66dd60b8","order":173,"character_id":null},{"id":"sec_3c7e8cb1-9d22-4ae2-993a-dbf059fdaeea","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_88b52e70-02b1-4090-8179-8c7365693525","order":174,"character_id":null},{"id":"sec_a40c478c-f009-4464-b15b-5a475bf0dd8a","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_3a574297-2bab-43fe-9a64-4d2fffa5de61","order":175,"character_id":null},{"id":"sec_935e972d-6492-4525-996e-3aa0ef30efdb","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_e4614603-12b4-4b0c-bfb3-f0e8191cce0a","order":176,"character_id":null},{"id":"sec_1d16124e-ce89-419d-a9fb-035f04e0dc57","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_f5db9df2-f621-4003-8d51-04d7ef19114e","order":177,"character_id":null},{"id":"sec_10281e16-aeb3-465f-b7f7-7686e705f40d","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_77cb23b7-31c3-41f3-a7b7-296ee287f4d7","order":178,"character_id":null},{"id":"sec_53c84022-b474-4011-94b8-d3848c7dae5b","parent_section_id":"sec_10281e16-aeb3-465f-b7f7-7686e705f40d","heading_block_id":"blk_95457826-7c02-4a3e-a38d-e25224926950","order":179,"character_id":null},{"id":"sec_257a4ca4-8483-47c2-8175-e478c2e30892","parent_section_id":"sec_10281e16-aeb3-465f-b7f7-7686e705f40d","heading_block_id":"blk_d995f342-e0ee-491f-88a3-858145de440c","order":180,"character_id":null},{"id":"sec_62bc6c15-0209-42de-87d7-74397eeb9a17","parent_section_id":"sec_10281e16-aeb3-465f-b7f7-7686e705f40d","heading_block_id":"blk_f1f0373f-73d1-4019-aef8-151c0b113780","order":181,"character_id":null},{"id":"sec_321e73bb-b870-4a3b-be1b-049ba01e12de","parent_section_id":"sec_10281e16-aeb3-465f-b7f7-7686e705f40d","heading_block_id":"blk_c12ea0c9-3684-4912-b00c-e7cb7195c25f","order":182,"character_id":null},{"id":"sec_653e5ab2-2c59-411a-988c-74751ea3b539","parent_section_id":"sec_10281e16-aeb3-465f-b7f7-7686e705f40d","heading_block_id":"blk_d52e48db-dfa9-4137-9d0e-013c547d0664","order":183,"character_id":null},{"id":"sec_4d72a8cf-bd7c-4f8d-97c5-a93798a4885c","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_dddbd301-6a29-463b-8ce9-93abe1c89476","order":184,"character_id":null},{"id":"sec_fb9dc20e-2525-44bb-a9ac-6eec9703ae1e","parent_section_id":"sec_4d72a8cf-bd7c-4f8d-97c5-a93798a4885c","heading_block_id":"blk_f3b153eb-1627-47fe-b4d9-2fb216324e6f","order":185,"character_id":null},{"id":"sec_99edebd2-cf4e-4dde-836d-a4f54240c675","parent_section_id":"sec_4d72a8cf-bd7c-4f8d-97c5-a93798a4885c","heading_block_id":"blk_41a0ec0f-5c97-446d-ad05-045b119db6c4","order":186,"character_id":null},{"id":"sec_76c90a21-a546-4d01-b02b-4128b9550bdb","parent_section_id":"sec_4d72a8cf-bd7c-4f8d-97c5-a93798a4885c","heading_block_id":"blk_7a8064c2-9e7e-41bc-ac28-08141fa53e02","order":187,"character_id":null},{"id":"sec_f2de899b-5ee2-41ab-9235-37ee34c7766a","parent_section_id":"sec_4d72a8cf-bd7c-4f8d-97c5-a93798a4885c","heading_block_id":"blk_0f94093c-d20b-4635-a2be-9f0723ce3450","order":188,"character_id":null},{"id":"sec_ab0b7d01-2a48-4f24-883b-719e84978b70","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_85040029-d293-4fb2-858a-cabc1735e3f2","order":189,"character_id":null},{"id":"sec_5081923d-c47e-4566-9e0e-333c802bf2ae","parent_section_id":"sec_ab0b7d01-2a48-4f24-883b-719e84978b70","heading_block_id":"blk_3614d989-bf07-4bd1-a622-9106d7118823","order":190,"character_id":null},{"id":"sec_5c5499d5-b2cd-4442-9cba-59223f12faaf","parent_section_id":"sec_ab0b7d01-2a48-4f24-883b-719e84978b70","heading_block_id":"blk_bc7ef7c2-3354-4e36-99cb-a9e688d75197","order":191,"character_id":null},{"id":"sec_95bef060-f996-4677-bd2f-bcb2976d62d9","parent_section_id":"sec_ab0b7d01-2a48-4f24-883b-719e84978b70","heading_block_id":"blk_eed58964-5c22-4833-a613-5b516ea84571","order":192,"character_id":null},{"id":"sec_4623f903-7567-4d72-9a1a-47099e5f072a","parent_section_id":"sec_ab0b7d01-2a48-4f24-883b-719e84978b70","heading_block_id":"blk_e767ce2b-2620-47a1-9d16-85b474153ffd","order":193,"character_id":null},{"id":"sec_0f30d15c-7d2b-4bc2-b588-be3de24b425c","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_7349144c-8208-4d71-b63c-ba1511e96075","order":194,"character_id":null},{"id":"sec_bb1913d4-2a3a-4696-ae31-e3fde24b9607","parent_section_id":"sec_0f30d15c-7d2b-4bc2-b588-be3de24b425c","heading_block_id":"blk_6e1d5ed3-413c-4d2e-9d65-0178d7cb7a6c","order":195,"character_id":null},{"id":"sec_a624e61a-6b1e-4ec6-bdd9-0b48de5a832f","parent_section_id":"sec_0f30d15c-7d2b-4bc2-b588-be3de24b425c","heading_block_id":"blk_58a21dc9-118f-4a76-9f03-bfe114296710","order":196,"character_id":null},{"id":"sec_1c22ca5e-c91b-47cc-b88b-ac237219a330","parent_section_id":"sec_0f30d15c-7d2b-4bc2-b588-be3de24b425c","heading_block_id":"blk_6424a6ef-2ecc-4596-88d4-ec25832ae7d9","order":197,"character_id":null},{"id":"sec_4c478593-bcaf-4ac4-91eb-5f471c3ed2a3","parent_section_id":"sec_0f30d15c-7d2b-4bc2-b588-be3de24b425c","heading_block_id":"blk_762ea89d-1e45-48a1-b5a6-8e39415ac594","order":198,"character_id":null},{"id":"sec_67bf2aff-67b1-4d6e-9aca-2653ecb6e021","parent_section_id":"sec_0f30d15c-7d2b-4bc2-b588-be3de24b425c","heading_block_id":"blk_b8a37693-1d88-448e-8172-c690fc3d70d2","order":199,"character_id":null},{"id":"sec_25b0d9ad-457a-4e2d-944c-cdb8aba027b7","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_f8b7e76d-bd6f-4f3c-aa1f-235ad2d433f6","order":200,"character_id":null},{"id":"sec_8f5cc0c7-ba38-48b8-b4bf-20410b9eff78","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_4e3a0897-07e5-46fa-bda9-ada5caf2548c","order":201,"character_id":null},{"id":"sec_19a2c9b1-b952-4f84-909e-33be8d2b9a66","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_4d989525-d052-4d15-a750-4e4f5eb1c4e7","order":202,"character_id":null},{"id":"sec_a15a81ef-6b01-4032-846d-3a1a9ae4911b","parent_section_id":"sec_19a2c9b1-b952-4f84-909e-33be8d2b9a66","heading_block_id":"blk_ed65a7dc-90a5-4717-9397-3166a8e1084d","order":203,"character_id":null},{"id":"sec_065729e7-b75a-4509-9070-2fe3d89ca067","parent_section_id":"sec_19a2c9b1-b952-4f84-909e-33be8d2b9a66","heading_block_id":"blk_b71e3316-0058-46a5-99dd-93ff9bfb005b","order":204,"character_id":null},{"id":"sec_a9d281e1-e0a3-4a49-b999-4357056ebed3","parent_section_id":"sec_19a2c9b1-b952-4f84-909e-33be8d2b9a66","heading_block_id":"blk_1d5af4e0-c960-4a09-96c5-f502153d0221","order":205,"character_id":null},{"id":"sec_8b491609-f935-43a4-a86c-018bfc2ce700","parent_section_id":"sec_19a2c9b1-b952-4f84-909e-33be8d2b9a66","heading_block_id":"blk_d976bfe1-2a5d-422b-ba3c-7f6f07cceb5e","order":206,"character_id":null},{"id":"sec_005c45b9-7755-4e84-8af2-a8900c269aef","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_c1daedf4-3499-43d0-8224-a24386b44864","order":207,"character_id":null},{"id":"sec_cec98bd0-8608-4d10-b45a-b45b8a329550","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_618d4b3f-a35b-4fd1-b37b-cb72411acff6","order":208,"character_id":null},{"id":"sec_a0232672-8645-4ebd-bfdc-f646affb1a96","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_c18eccd0-020e-487a-ad20-4ac67fa7064d","order":209,"character_id":null},{"id":"sec_c36ab156-6141-4648-a9e1-90ca881c8808","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_b6986988-2502-416e-a7b8-89086fb8174c","order":210,"character_id":null},{"id":"sec_66a807c2-6109-4937-8479-774b7e91dcb7","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_c4527dfd-e48f-49ab-a3f6-008b0832f556","order":211,"character_id":null},{"id":"sec_bc6f9dde-6099-4e1c-ad3d-b9c7b6780a1b","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_31867c47-da07-4312-8de7-4619d85bb6c0","order":212,"character_id":null},{"id":"sec_876b603d-e324-4bf6-9020-8af3b44e0ba3","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_94d279dd-f58d-4a7e-b232-9d7e56f2b897","order":213,"character_id":null},{"id":"sec_194b7eb9-dced-4bb5-84ca-9028231ae24b","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_45a48303-4de0-42da-a3c1-5461104386c4","order":214,"character_id":null},{"id":"sec_87a6f515-ae91-4fb8-903b-cc8f0423d73a","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_f958c7ac-c4f4-4a7a-bfed-af7919431633","order":215,"character_id":null},{"id":"sec_913c15f6-ab86-4ca9-92ba-77528bbc0025","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_7f69c9a2-1923-4453-8bf4-85713e32215a","order":216,"character_id":null},{"id":"sec_2bcadf81-a3ef-4c8e-9631-575ef1498fe6","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_f8db37a2-4ad5-4d90-ba6e-22fcc987b652","order":217,"character_id":null},{"id":"sec_9497e4e3-0be3-479c-bcc5-f3ed3500b647","parent_section_id":"sec_2bcadf81-a3ef-4c8e-9631-575ef1498fe6","heading_block_id":"blk_05c6e88d-5d5c-445f-af29-0f6521a15171","order":218,"character_id":null},{"id":"sec_5c37138c-e02d-4f42-95f3-f7c756952166","parent_section_id":"sec_2bcadf81-a3ef-4c8e-9631-575ef1498fe6","heading_block_id":"blk_8c31496c-aa14-40d4-9592-58b0d750a3d7","order":219,"character_id":null},{"id":"sec_088d1b0f-0bb0-43d4-bd28-1ec0b6f7a641","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_6cedd5bc-796b-42fe-a3b1-399c6b027050","order":220,"character_id":null},{"id":"sec_7a109288-5e72-414a-9e73-ef92af7a7b33","parent_section_id":"sec_088d1b0f-0bb0-43d4-bd28-1ec0b6f7a641","heading_block_id":"blk_5b552168-cb91-4c9d-bd7e-8b21d7db11d4","order":221,"character_id":null},{"id":"sec_d711da8d-b8a6-451c-bdb8-e08ce92d2c54","parent_section_id":"sec_088d1b0f-0bb0-43d4-bd28-1ec0b6f7a641","heading_block_id":"blk_5d0c5b4f-abaa-4d33-a6d0-5dfc2c64fd90","order":222,"character_id":null},{"id":"sec_f2a43a75-1ee1-4dc5-a4fe-efa7922b0a50","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_211f3190-b432-425d-9a0f-61c4bc750530","order":223,"character_id":null},{"id":"sec_92b0e1ca-d927-4d8b-b6f0-930e129eeac6","parent_section_id":"sec_f2a43a75-1ee1-4dc5-a4fe-efa7922b0a50","heading_block_id":"blk_44a85c29-f4b4-42d3-8191-b786435a8a2c","order":224,"character_id":null},{"id":"sec_252c6679-6893-457c-b3ac-7f64e7b55716","parent_section_id":"sec_f2a43a75-1ee1-4dc5-a4fe-efa7922b0a50","heading_block_id":"blk_5478e589-7d38-4107-b052-973959e24d49","order":225,"character_id":null},{"id":"sec_10290337-16bb-4e71-8fa3-b65fc0e97965","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_ba0ef041-824f-4142-a61d-564951adde09","order":226,"character_id":null},{"id":"sec_d1b520e4-3cfb-4256-82cb-37aebfe7ec29","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_68fb2319-da6a-4c81-a668-108a4e78220c","order":227,"character_id":null},{"id":"sec_793da2b4-e200-497b-abbe-a4c4270e1850","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_11366676-c6b2-4162-a02c-0bc922cabd39","order":228,"character_id":null},{"id":"sec_2182e59f-f93b-41d5-8cf1-091ca9952b63","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_77b87028-bd24-4356-b5da-51d3f1d81161","order":229,"character_id":null},{"id":"sec_68568fc8-7cd3-415f-b821-f0a36a431ed3","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_a70b8819-8e9a-4b03-9bb4-90330644e6b3","order":230,"character_id":null},{"id":"sec_30b78815-ea98-45bc-b0ca-a57fbe3d6e21","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_17fff37d-b331-438d-b882-452736102b09","order":231,"character_id":null},{"id":"sec_5edc3540-c5d2-4a12-8891-3ca7f27eda27","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_0bd77788-0447-4a9c-a97f-515aaf0f339e","order":232,"character_id":null},{"id":"sec_792c5715-b8b2-47b3-becf-97db073ff859","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_5adec7dc-4800-4f81-b8c6-fafc44f93feb","order":233,"character_id":null},{"id":"sec_f4db34db-e1d3-48b4-a4b3-a4a355971d87","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_08405e02-35d8-48cc-b48f-9c2cda00f842","order":234,"character_id":null},{"id":"sec_da353e09-7d11-4e68-a53e-d404703c5260","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_af17c875-5151-43df-be9b-d611b68ebbdb","order":235,"character_id":null},{"id":"sec_dda88d46-69d9-4e24-b7a0-8bc2776c9e7a","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_05dab846-86e7-456f-b111-57c0155f52ab","order":236,"character_id":null},{"id":"sec_615f6bcb-0ecd-4cf9-bd29-ddbc445ea0a2","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_0cb51113-8478-4f1f-9c05-9e43bee9ae55","order":237,"character_id":null},{"id":"sec_a3ddb549-62eb-4d4c-bf4c-f79b19fb0bb8","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_81a918ab-a103-4eb1-9381-084ba1d05db6","order":238,"character_id":null},{"id":"sec_2d495d61-0928-429c-8a57-7519b8803e50","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_f58116ae-205c-40d8-aa37-eaa95c0d2de6","order":239,"character_id":null},{"id":"sec_c5d96ed6-47ae-46a3-976b-61478adfc183","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_16640b50-5a7e-41ab-8a34-f6c9df0917a9","order":240,"character_id":null},{"id":"sec_b339b090-a946-42bf-9f4f-6f95731ecc15","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_f50cab67-afbd-4404-8de2-1c425cef2f70","order":241,"character_id":null},{"id":"sec_dbba5218-d888-4955-87e3-538795340125","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_a2cd8c4c-8ffe-4f2c-8eec-833627e6da3e","order":242,"character_id":null},{"id":"sec_5f61db41-6f4f-4204-979c-5c05cc36163b","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_db126009-359c-4f07-8775-0ba2c8d440dd","order":243,"character_id":null},{"id":"sec_c5fccad0-c0cd-4cdf-91d0-b560fb6fd91c","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_301c917c-43b9-4a10-8c14-4dc6f557ae51","order":244,"character_id":null},{"id":"sec_a3166a3f-0718-4458-ac27-ef3d3742030e","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_23482bcb-515e-43f0-a8d3-af13d9fbb94b","order":245,"character_id":null},{"id":"sec_db3e28ce-f0ef-436a-b78c-d5b4922ee849","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_71401512-9f6b-4c4c-8bf4-1361c977ffbc","order":246,"character_id":null},{"id":"sec_1a038729-8775-4a3d-a2a8-6fd2af6881f5","parent_section_id":"sec_db3e28ce-f0ef-436a-b78c-d5b4922ee849","heading_block_id":"blk_7b6214dd-194f-406c-b1aa-4e3cf4ca16b5","order":247,"character_id":null},{"id":"sec_c00cf83a-91b0-449d-8a08-8e3ba4091223","parent_section_id":"sec_db3e28ce-f0ef-436a-b78c-d5b4922ee849","heading_block_id":"blk_af9f7845-2b5c-4b57-a147-212fac54f8fe","order":248,"character_id":null},{"id":"sec_ad2845d0-c7ff-44de-8736-cd554d3cccb3","parent_section_id":"sec_db3e28ce-f0ef-436a-b78c-d5b4922ee849","heading_block_id":"blk_d9d27572-34c6-474b-a37a-2c847dd59128","order":249,"character_id":null},{"id":"sec_89d57724-139e-4cf5-bd77-f710454f16cb","parent_section_id":"sec_db3e28ce-f0ef-436a-b78c-d5b4922ee849","heading_block_id":"blk_cbbf4465-4b81-47a2-8bd5-f7454aa4086f","order":250,"character_id":null},{"id":"sec_c48ee44c-7cf0-48a6-b994-af491cd546aa","parent_section_id":"sec_db3e28ce-f0ef-436a-b78c-d5b4922ee849","heading_block_id":"blk_e7273257-6d2f-4483-bf17-6dc71bb22621","order":251,"character_id":null},{"id":"sec_b46d014b-10f7-4f81-8322-7682599e109d","parent_section_id":"sec_db3e28ce-f0ef-436a-b78c-d5b4922ee849","heading_block_id":"blk_9f8d554b-05b8-447a-af8e-baad532caacc","order":252,"character_id":null},{"id":"sec_73c42597-c031-4101-86c6-ef6d71469bb6","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_f56d7d27-7772-4e28-9499-9ff22f7fa56e","order":253,"character_id":null},{"id":"sec_dbb958a6-6423-4707-84af-c2831c70d04e","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_1ae5c626-2ad5-4d90-b668-3d478e3bb1b6","order":254,"character_id":null},{"id":"sec_fcd79bce-4723-4232-9046-a18f1f2a3ee0","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_2d2e857d-290f-4fd3-8a0d-dbf697958be0","order":255,"character_id":null},{"id":"sec_5b9167c7-828f-4e17-942c-e83d682b6a2b","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_d0362ecf-8992-419f-9997-8713cbf79dc3","order":256,"character_id":null},{"id":"sec_c3abfd56-efb5-4fb1-941b-24f8126efd74","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_73dc5f2b-a670-460b-a72e-5eb2ceae8282","order":257,"character_id":null},{"id":"sec_987f9e45-7dec-4953-9a6c-df3b691883f5","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_43533853-b3d8-424e-8e0b-0b18cd56d3bc","order":258,"character_id":null},{"id":"sec_93b84e3f-c8ee-49b2-99d2-ea6a6605bece","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_733ccc41-0c77-4481-8d48-3c2f24c4c219","order":259,"character_id":null},{"id":"sec_484ddc59-80bb-45cd-8314-9d02fe6ef1eb","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_91d81ab1-4fce-4862-aa21-bd616863f05c","order":260,"character_id":null},{"id":"sec_35d9dbcc-49b4-46f0-8bf9-c96f3510182d","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_bdfe7953-5d7c-4a9c-8a02-8e4fae1f4ca6","order":261,"character_id":null},{"id":"sec_00aa439a-544c-4414-a8d9-247879a86ab2","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_a19374bd-d6c9-4885-9af8-f58a28a6fae7","order":262,"character_id":null},{"id":"sec_0cb50a70-b116-41c2-89c9-a5489dc10944","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_15d902aa-c2ce-41ab-bf49-e453b8590a16","order":263,"character_id":null},{"id":"sec_ec1f317d-8fca-4bdb-a9e5-6565de473d55","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_bf126300-bff8-4718-bd41-d2ec129cc2f0","order":264,"character_id":null},{"id":"sec_e52b1975-08fe-46d1-90bc-0240252287be","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_94f2113b-c138-453e-8a22-e3d5b7f21aeb","order":265,"character_id":null},{"id":"sec_184cd75f-8414-43bf-a348-c029dcf63ead","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_26887ccd-fd5d-4e49-948f-bdbf4ee81931","order":266,"character_id":null},{"id":"sec_5672f81f-bd7d-434e-bbc0-2859d7d93d50","parent_section_id":"sec_184cd75f-8414-43bf-a348-c029dcf63ead","heading_block_id":"blk_69fbd734-aceb-4dd0-9234-cce0d9ab7eac","order":267,"character_id":null},{"id":"sec_0fdefcfb-d97d-456e-a29d-1252eeb63fbc","parent_section_id":"sec_184cd75f-8414-43bf-a348-c029dcf63ead","heading_block_id":"blk_d83425cd-e843-4331-998d-f6f4bf643fd5","order":268,"character_id":null},{"id":"sec_aae5cdda-0c95-48cf-af2b-a4117ee9ee42","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_b0fce29e-b2a1-4909-a280-cd9cf3ed008b","order":269,"character_id":null},{"id":"sec_11cbd75f-daf1-48f1-af08-11c847a3c413","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_7069cd36-da52-4078-992a-ebda4d07d55b","order":270,"character_id":null},{"id":"sec_86d6fa7e-eaa3-469c-a6fb-33b048f18438","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_c68e50c4-7b02-41c4-94f1-2c8717ffab3f","order":271,"character_id":null},{"id":"sec_88ead90f-a526-4010-8169-eb728bb1a6e0","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_5411a747-3bc8-4873-bdb7-c184fc59c105","order":272,"character_id":null},{"id":"sec_1de04ef0-293a-47a9-b0bc-c38c42473516","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_8dc68695-516a-4a0b-8970-0d6abf882df4","order":273,"character_id":null},{"id":"sec_eb6ffe60-6d7f-4da0-8ccd-b2dcfba11303","parent_section_id":"sec_1de04ef0-293a-47a9-b0bc-c38c42473516","heading_block_id":"blk_de1755d5-806e-4cc0-bbae-1a15ea4ac1e5","order":274,"character_id":null},{"id":"sec_21ddf1c6-09b2-45ad-917e-3acd651b870e","parent_section_id":"sec_1de04ef0-293a-47a9-b0bc-c38c42473516","heading_block_id":"blk_0ff6a20b-c183-4b44-a055-3f1aeb5c1274","order":275,"character_id":null},{"id":"sec_4a36cb8e-1e75-4ce5-84d8-1802628b06ef","parent_section_id":"sec_1de04ef0-293a-47a9-b0bc-c38c42473516","heading_block_id":"blk_6bf20dba-25bc-4428-9581-86823890f62a","order":276,"character_id":null},{"id":"sec_69dae1cf-c222-4570-abec-d8cb66cc305f","parent_section_id":"sec_1de04ef0-293a-47a9-b0bc-c38c42473516","heading_block_id":"blk_30208b1f-9636-48ac-8c9f-87837a9c0fee","order":277,"character_id":null},{"id":"sec_2b4ee7b7-df45-49a6-aab0-fcf9521879c5","parent_section_id":"sec_1de04ef0-293a-47a9-b0bc-c38c42473516","heading_block_id":"blk_bba6ea5f-f794-4e53-b536-da314b40efae","order":278,"character_id":null},{"id":"sec_bdf0f83a-3199-4b84-9c90-2e76181d4891","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_c7d03cb5-f0e8-452f-a043-0a106ac5ecb9","order":279,"character_id":null},{"id":"sec_b408517f-f7ef-419c-9415-2e882e191059","parent_section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","heading_block_id":"blk_2caa0687-00da-4a02-9155-18023995a82f","order":280,"character_id":null}],"content_available_at":{"basis":"unknown","precision":"unknown","timezone":null,"value":null},"markdown":"![](/media/89ea095d89ad4adfc56d61ca9471abfb6336df9149e6ac37f6e29a4320335368-content.webp)\n\n## EDAとCadence（ケイデンス）、Ansys（アンシス） 、Synopsys、ARM\n\nSynopsys は 2025年7月17日に Ansys の買収完了を発表しており、いまは「Synopsys と Ansys をどう分けて理解するか」は、**元々の役割の違い** と **現在の統合後の関係** を分けて見るのがいちばんわかりやすいです。 ([Synopsys News Releases](https://news.synopsys.com/2025-07-17-Synopsys-Completes-Acquisition-of-Ansys?utm_source=chatgpt.com))\n\n## EDAとは何か\n\nEDA は **Electronic Design Automation** の略で、半導体や電子回路を設計するためのソフト群です。ざっくり言うと、昔は人手でやっていた「回路を書く」「動作確認する」「配線する」「タイミングや消費電力や熱の問題を見つける」「製造できる形に仕上げる」を自動化・高度化するものです。Synopsys、Cadence、Arm の公式説明でも、EDA は設計・モデル化・シミュレーション・検証・解析を通じて、製造前に問題を見つけるための基盤だとされています。 ([Synopsys](https://www.synopsys.com/glossary/what-is-electronic-design-automation.html?utm_source=chatgpt.com))\n\nチップ開発の流れを超ざっくり書くと、 \n**仕様を決める → 回路の中身をRTLで書く → 正しく動くか検証する → 論理合成する → 配置配線する → タイミング/電力/熱/ノイズを詰める → テープアウト → ファウンドリで製造** \nという流れです。EDA はこの一連の工程を支える道具箱です。特に今の SoC は数十億〜数百億トランジスタ級で、人力だけでは設計不可能なので EDA が不可欠です。 ([cadence.com](https://www.cadence.com/en_US/home/explore/what-is-electronic-design-automation.html?utm_source=chatgpt.com))\n\n## まず4社の違いを一言で言うと\n\n- **Synopsys**: 半導体設計のための総合EDA大手。検証、合成、実装、サインオフ、IPまで広い。 ([Synopsys](https://www.synopsys.com/?utm_source=chatgpt.com))\n- **Cadence**: Synopsys と並ぶ総合EDA大手。特にカスタムIC、アナログ/RF、システム設計解析まで強い。 ([cadence.com](https://www.cadence.com/en_US/home/company.html?utm_source=chatgpt.com))\n- **Arm**: EDA会社というより、**CPUアーキテクチャとCPU IPをライセンスする会社**。設計ツールそのものというより、チップの“中身の設計資産”を売る側。 ([arm.com](https://www.arm.com/architecture?utm_source=chatgpt.com))\n- **Ansys**: もともとは EDA 専業というより、**物理シミュレーション/解析** の会社。半導体でも、電源、熱、応力、チップ・パッケージ・基板連成などの解析が強い。今は Synopsys 傘下です。 ([Ansys](https://www.ansys.com/products/semiconductors?utm_source=chatgpt.com))\n\n---\n\n## たとえるとわかりやすいです\n\n家を建てると考えると、\n\n- **EDA（Synopsys / Cadence）** = 設計CAD、構造チェック、施工前検証の総合ツール\n- **Arm** = すでに完成度の高い「部屋の設計図」や「骨組みの規格」をライセンスする会社\n- **Ansys** = 地震、熱、風圧、強度、空調まで物理的に本当に耐えられるかを見る解析屋\n\nというイメージです。 \nつまり **Synopsys/Cadence は“設計する道具”**、**Arm は“設計に組み込む部品・設計資産”**、**Ansys は“現実世界で壊れないか確かめる解析”** に近いです。 ([Synopsys](https://www.synopsys.com/?utm_source=chatgpt.com))\n\n## Synopsysとは\n\nSynopsys は、EDA、半導体 IP、検証、サインオフまで広く持つ総合プレイヤーです。公式には EDA ソリューション、シリコンIP、ハードウェア支援検証などを打ち出しており、サインオフ領域では静的タイミング解析、信号/電源完全性、寄生抽出、ECO、トランジスタレベル解析、マルチフィジクスまで扱っています。 ([Synopsys](https://www.synopsys.com/?utm_source=chatgpt.com))\n\n強みを一言でいうと、**デジタルSoCを大規模に前へ進める力が非常に強い** ことです。 \n「正しく動くか」を見る検証、「回路をゲートに落とす」合成、「配線する」実装、「最後の品質保証」をするサインオフ、さらに USB や PCIe などの Verification IP までそろえており、大規模先端チップの一気通貫の流れを作りやすいです。 ([Synopsys](https://www.synopsys.com/verification/verification-ip.html?utm_source=chatgpt.com))\n\nさらに現在は Ansys を統合済みなので、Synopsys は従来の EDA に加えて、**熱・電源・機械応力など物理世界の解析** も取り込みやすくなっています。ここが最近の大きな変化です。 ([Synopsys News Releases](https://news.synopsys.com/2025-07-17-Synopsys-Completes-Acquisition-of-Ansys?utm_source=chatgpt.com))\n\n## Cadenceとは\n\nCadence も Synopsys と並ぶ総合EDA大手で、公式には「EDA と Intelligent System Design の提供者」としています。チップだけでなく、パッケージ、ボード、筐体まで含むシステム設計・解析を打ち出しているのが特徴です。 ([cadence.com](https://www.cadence.com/ja_JP/home.html?utm_source=chatgpt.com))\n\nCadence は特に **カスタムIC、アナログ、RF、ミックスドシグナル** で存在感が強いです。もちろんデジタル実装や検証も強いのですが、「職人的に詰める必要がある領域」と「システム全体まで見渡す設計」で評価されやすい会社です。公式にも custom IC / analog / RF の統合フローを大きく打ち出しています。 ([cadence.com](https://www.cadence.com/en_US/home/tools/custom-ic-analog-rf-design.html?utm_source=chatgpt.com))\n\nなので、ざっくりした見方をすると、 \n**Synopsys = 先端デジタルSoCの王道総合ツール感** \n**Cadence = それに並ぶ総合力を持ちつつ、アナログ/RFやシステム寄りでも非常に強い** \nという理解で最初は十分です。実際にはかなり領域が重なっています。 ([Synopsys](https://www.synopsys.com/?utm_source=chatgpt.com))\n\n## Armとは\n\nArm はここが一番誤解されやすいですが、**Synopsys や Cadence のような“EDAツール会社”ではありません**。 \nArm は CPU アーキテクチャを定義し、その上で CPU コアや各種IPをライセンスする会社です。公式にも、Arm CPU Architecture は「CPU がソフト実行時に何をすべきかを定義するもの」であり、Arm は多様な CPU コアや physical IP を提供すると説明しています。 ([arm.com](https://www.arm.com/architecture?utm_source=chatgpt.com))\n\nたとえば半導体メーカーは、 \n「Arm の命令セット/CPUコアを使ってSoCを作る」 \nことがあります。その SoC を実際に設計・検証・配線・サインオフする段階で使うのが Synopsys や Cadence のEDAです。 \nつまり Arm は **設計対象の中核IPを供給する側** で、EDA会社とは役割が違います。 ([arm.com](https://www.arm.com/products/licensing?utm_source=chatgpt.com))\n\nなので関係性でいうと、 \n**ArmのCPU IPを、SynopsysやCadenceのツールでSoCに組み込んで完成させる** \nという理解がいちばん自然です。 ([arm.com](https://www.arm.com/products/licensing?utm_source=chatgpt.com))\n\n## Ansysとは\n\nAnsys も誤解されやすいですが、もともとは **機械、流体、電磁界、熱などのCAE/シミュレーション大手** です。半導体分野では、電源完全性、熱、電磁、パッケージ、チップ・パッケージ・システム連成解析など、**現実の物理問題** を強く見ます。公式の半導体・電子系ページでも power integrity、thermal simulation、chip-package-system co-analysis などを前面に出しています。 ([Ansys](https://www.ansys.com/products/semiconductors?utm_source=chatgpt.com))\n\n先端パッケージや 2.5D/3D-IC では、「論理的に動く」だけでは足りず、**熱で性能が落ちないか、電源ノイズで誤動作しないか、応力で壊れないか** が非常に重要です。Ansys はそこを詰める役割が強かった会社です。 ([Ansys](https://www.ansys.com/zh-cn/blog/simulation-solutions-structural-integrity-chip-packages?utm_source=chatgpt.com))\n\nそして今は Synopsys が 2025年7月に買収完了しているので、現在の理解としては、 \n**Ansys = Synopsysグループの中で、物理解析・マルチフィジクスを担う中核** \nと見るのが自然です。 ([Synopsys News Releases](https://news.synopsys.com/2025-07-17-Synopsys-Completes-Acquisition-of-Ansys?utm_source=chatgpt.com))\n\n## 4社の違いを一枚でまとめると\n\n![](/media/b3295bc61da111e1e993d189c2a41d1330d44ddd715b99d13e053885b73eaba3-content.webp)\n\nこの表の本質は、 \n**Synopsys/Cadenceは“設計ツール”** \n**Armは“設計に使うIP”** \n**Ansysは“物理解析”** \nという切り分けです。 ([Synopsys](https://www.synopsys.com/?utm_source=chatgpt.com))\n\n## どこで使われるかを設計フローに沿って見ると\n\n設計の早い段階で「どんなCPUを載せるか」を決めるときに Arm のIPが候補になります。 \nその後、RTL設計、検証、合成、配置配線、サインオフでは Synopsys や Cadence のEDAが中心になります。 \nさらに最後に、熱・電源・パッケージ応力・EMI/EMC のような物理問題を深く詰めるところで Ansys 系の解析が効いてきます。最近は Cadence も system design and analysis を強化しており、Synopsys も Ansys 統合でこの領域を広げています。 ([cadence.com](https://www.cadence.com/en_US/home/tools/system-design-and-analysis.html?utm_source=chatgpt.com))\n\n## 初学者向けに超単純化すると\n\n- **EDAとは** \n 半導体を作るための設計ソフト群\n- **Synopsys / Cadence の違い** \n どちらも超重要なEDA大手。かなり競合するが、Cadenceはアナログ/RFやシステム寄りでも強く、Synopsysは大規模デジタルSoCの総合力やサインオフ、検証IPまで非常に広い\n- **Arm の違い** \n ツール会社ではなく、CPUの設計資産を売る会社\n- **Ansys の違い** \n 回路そのものより、熱・電源・機械応力など“現実の物理”を強く見る会社。いまはSynopsys傘下\n\nこの4つを混同しないことが、最初の最大のポイントです。 ([cadence.com](https://www.cadence.com/en_US/home/tools/custom-ic-analog-rf-design.html?utm_source=chatgpt.com))\n\n---\n\n## まず「半導体」「チップ」って何か\n\n半導体チップは、ものすごく小さな板の上に、非常にたくさんの**トランジスタ**という電子スイッチを並べたものです。\n\nこのスイッチを\n\n- つなぐ\n- 組み合わせる\n- 決まった順序で動かす\n\nことで、計算したり、記憶したり、画像を処理したりします。\n\nつまりチップは、見た目はただの黒い部品でも、中では\n\n- 計算する場所\n- 記憶する場所\n- 外と通信する場所\n- 電力を配る場所\n\nなどが詰まっています。\n\nたとえばスマホのSoCなら、1個のチップの中に\n\n- CPU\n- GPU\n- AI処理回路\n- 画像処理\n- メモリ制御\n- 通信制御\n\nなどが入っています。\n\n---\n\n## チップ開発は「家づくり」より「都市設計」に近い\n\n初心者向けにたとえると、チップ開発は家1軒を建てるより、**小さな都市を設計する**感じです。\n\n- どんな街にするか決める\n- 道路を引く\n- 電気を通す\n- 水道みたいに信号を流す\n- 混雑しないようにする\n- 熱くなりすぎないようにする\n- 最後に実際に建てる\n\nという流れです。\n\nしかも、建てたあとに簡単には直せません。 \nソフトならあとで更新できますが、チップは一度工場で作ると修正が高くつくので、**作る前の確認がものすごく重要**です。\n\n---\n\n## チップ開発の流れ\n\n## \\1. 何を作るか決める\n\n最初にやるのは、**このチップに何をさせたいのか**を決めることです。\n\nたとえば、\n\n- スマホ向けなのか\n- 自動運転向けなのか\n- SSD向けなのか\n- AI推論向けなのか\n\nで、求められるものが全然違います。\n\nここで考えるのは、\n\n- どれくらい速くしたいか\n- 消費電力をどれくらいにしたいか\n- サイズをどれくらいにしたいか\n- 価格をどれくらいにしたいか\n- 何年後の製品に入れるか\n\nです。\n\nこれは「設計」というより、まず**企画と仕様決め**です。\n\n---\n\n## \\2. 大まかな構造を決める\n\n次に、チップの中身を大きなブロックに分けて考えます。\n\nたとえば、\n\n- 計算する部分\n- メモリを制御する部分\n- 画像を処理する部分\n- 外部機器とつなぐ部分\n\nのように分けます。\n\nこれは**アーキテクチャ設計**と呼ばれます。 \n建物で言えば、まだ壁紙や配線ではなく、 \n「この建物は3階建てで、ここがリビングで、ここが階段」 \nと決める段階です。\n\nこの時点で、全部をゼロから作るとは限りません。 \nよくあるのは、必要な部品の一部を外から使うことです。\n\nたとえば、\n\n- CPUコアは Arm の設計を使う\n- 通信部分は既存IPを使う\n- USBやPCIeの回路はIPを使う\n\nということがあります。\n\nここでの **IP** は、知的財産という意味で、 \n**すでに作られている回路ブロックの設計資産** のことです。\n\n---\n\n## \\3. 回路の中身を書く\n\nここからいよいよ「設計」っぽくなります。\n\nただし、初心者が思い浮かべるように、設計者が1個1個トランジスタを手書きしているわけではありません。 \n大規模なデジタルチップでは普通、まずは **RTL** という形で書きます。\n\nRTL はかなりざっくり言うと、 \n**この信号が来たら、このデータをこう動かす** \nというルールを、Verilog や VHDL のようなハードウェア記述言語で書くものです。\n\nソフトコードに少し似ていますが、実際には \n「時間に合わせて同時並行で動く電子回路」 \nを書くので、普通のプログラムとはだいぶ感覚が違います。\n\nここで設計者は、\n\n- 加算器\n- 制御回路\n- 状態遷移\n- バッファ\n- パイプライン\n- メモリ制御\n\nなどを組み立てます。\n\n---\n\n## \\4. 正しく動くかひたすら確認する\n\nRTLを書いたら、すぐ製造はしません。 \nまず**本当に正しいか**を延々と確認します。\n\nこれが **検証** です。 \n実は多くの開発現場で、設計そのもの以上に検証の比重が大きいです。\n\n確認することはたくさんあります。\n\n- 計算結果が正しいか\n- 想定外の入力でも壊れないか\n- データが詰まらないか\n- 起動から停止まで問題ないか\n- バグがないか\n\nたとえば、交通整理のルールを作ったとしても、 \n実際に車を流してみたら事故が起きるかもしれません。 \nそれを事前に仮想空間で試す感じです。\n\nチップはあとから修正が高いので、ここで徹底的に見ます。\n\n---\n\n## \\5. 「論理」から「実際の回路」に変換する\n\nRTLはまだ人間がわかりやすい抽象的な記述です。 \nこのままでは工場で作れません。\n\nそこで **論理合成** をします。\n\nこれは、 \nRTLで書いた内容を、 \n実際に作れる**論理ゲートの組み合わせ**に変換する工程です。\n\nたとえば、\n\n- AND\n- OR\n- NOT\n- フリップフロップ\n\nみたいな部品の集合に落としていきます。\n\nここでようやく、 \n「どういう回路になるか」がかなり具体的になります。\n\n---\n\n## \\6. チップの中にどう配置するか決める\n\n次に、それぞれの回路をチップのどこに置くか決めます。\n\nこれは **フロアプラン** や **配置配線** の段階です。\n\nここで考えることは、\n\n- 近くに置いた方が速い回路は何か\n- 電力を大量に使う部分はどこか\n- 熱が集中しないか\n- 配線が混みすぎないか\n- クロック信号をどう配るか\n\nです。\n\n都市で言えば、\n\n- 工場をどこに置くか\n- 幹線道路をどう通すか\n- 電力網をどう引くか\n\nを決めるようなものです。\n\n回路そのものが正しくても、配置が悪いと\n\n- 遅くなる\n- 電気を食いすぎる\n- 熱くなりすぎる\n- ノイズが増える\n\nという問題が起きます。\n\n---\n\n## \\7. 速度、電力、熱、ノイズを詰める\n\nここが初心者には見えにくいですが、非常に重要です。\n\nチップはただ動けばいいわけではなく、\n\n- 決まったクロックで動くか\n- 消費電力が大きすぎないか\n- 発熱がひどくないか\n- 信号が乱れないか\n- 電圧降下で誤動作しないか\n\nを確認します。\n\nこれを詰める段階が、いわゆる**サインオフ前の解析**です。\n\nたとえば、理屈上は動く回路でも、 \n実際には配線が長すぎて信号到達が遅れ、タイミング違反になることがあります。 \nあるいは、電流が集中して熱くなりすぎることもあります。\n\nこのため、チップ開発は単なる「回路の正しさ」だけでなく、 \n**物理的に現実世界でちゃんと動くか**も確認します。\n\n---\n\n## \\8. テストしやすい仕組みを入れる\n\n工場で作ったあと、そのチップが良品か不良品か判定しないといけません。\n\nでもチップの中身は見えません。 \nだから開発段階で、**テスト用の仕組み**を入れておきます。\n\nこれが DFT（Design for Test）です。\n\nたとえば、\n\n- スキャンチェーン\n- 組み込み自己診断\n- テストモード\n\nなどを入れます。\n\nつまり設計段階から、 \n「あとで検査しやすいようにしておく」 \nのです。\n\n---\n\n## \\9. 工場に出すための最終データを作る\n\nここまで来て、ようやく製造用の最終データを作ります。 \nこれが **テープアウト** と呼ばれる段階です。\n\n昔は本当にテープでデータを渡していた名残の言葉ですが、今でも使います。\n\nここでは、 \n「この設計で製造してよい」 \nという最終版を工場に渡します。\n\nチップ開発では、このテープアウトは大きな節目です。 \nここまでの修正は比較的しやすいですが、ここを過ぎると修正コストが大きくなります。\n\n---\n\n## \\10. 半導体工場で作る\n\n次にファウンドリで製造します。 \nここが一般にイメージされる「半導体を作る」工程です。\n\nシリコンウェハーの上に、\n\n- 薄膜を作る\n- 光で模様を転写する\n- 不要部分を削る\n- 不純物を入れる\n- 層を何度も重ねる\n\nという工程を繰り返して、トランジスタや配線を作ります。\n\nつまり設計者が作った「超細かい設計図」を、 \n工場が現実の物質として彫り込んでいく感じです。\n\nこの工程は非常に高価で難しく、 \n先端ノードでは失敗コストも莫大です。\n\n---\n\n## \\11. 切り分けて、パッケージして、検査する\n\nウェハー上には、同じチップがたくさん並んでいます。 \nそれを1個ずつ切り出して、外の基板に実装しやすい形に包みます。 \nこれが **パッケージング** です。\n\n最近はここもすごく重要です。 \n昔の感覚だと「中身のチップが本体、パッケージはおまけ」っぽく見えますが、今は違います。\n\n特に AI 向けの高性能チップでは、\n\n- 複数チップを近くに並べる\n- HBM を近接配置する\n- 2.5D/3D実装する\n\nなど、パッケージ技術自体が性能を左右します。\n\nその後、ちゃんと動くか1個ずつ検査します。 \nこれで不良品をはじきます。\n\n---\n\n## \\12. ソフトを動かして本当に使えるか確認する\n\nチップができても終わりではありません。 \n今度はそのチップの上でファームウェアやOSやドライバを動かします。\n\nここで初めて、\n\n- 起動できるか\n- 発熱は大丈夫か\n- 実負荷で安定するか\n- 期待した性能が出るか\n\nを確認します。\n\nつまり、設計上は正しくても、 \n実機で動かしてみると別の問題が出ることがあります。\n\nここを **バリデーション** や **シリコン立ち上げ** などと呼ぶことがあります。\n\n---\n\n## 開発に関わる人たち\n\nチップ開発は一人でやるものではありません。 \nかなり分業です。\n\nたとえば、\n\n- 仕様を決める人\n- アーキテクチャを考える人\n- RTLを書く人\n- 検証する人\n- 配置配線をする人\n- アナログ回路を作る人\n- テスト回路を入れる人\n- パッケージを考える人\n- ソフトを立ち上げる人\n\nなどがいます。\n\nつまり「半導体設計者」と一言でいっても、実際はかなり役割が分かれています。\n\n---\n\n## EDAはどこで使われるのか\n\nここで前の話につながります。\n\nEDAは、今説明した流れの中で使う**設計用ソフト**です。\n\nたとえば、\n\n- RTLを書いて整理する\n- シミュレーションする\n- 合成する\n- 配置配線する\n- タイミングを解析する\n- 電力やノイズを確認する\n\nこういう工程で使います。\n\nつまりEDAは、チップ開発のほとんどの「設計・確認」部分を支える道具です。\n\n---\n\n## Synopsys、Cadence、Arm、Ansys をこの流れに当てはめると\n\nこの流れで見ると、4社の違いがかなりわかりやすくなります。\n\n### Synopsys\n\nチップ開発の設計工程で使う、総合的なEDAツールの大手です。 \nRTL検証、合成、配置配線、タイミング解析など、設計のかなり広い範囲で関わります。\n\n### Cadence\n\nこれも総合EDAの大手です。 \nSynopsysとかなり近い領域で競合しています。 \nつまりこの2社は、チップ設計の「道具箱」の大手同士です。\n\n### Arm\n\nArmはEDA会社というより、**CPUの設計資産を提供する会社**です。 \nつまり「道具」ではなく、「チップの中に入れるCPU部品の設計図」を提供する側です。\n\n### Ansys\n\nAnsysは、熱・電力・応力・電磁気など、**物理的な解析**が強い会社です。 \n設計した回路が現実にちゃんと耐えるかを確認するイメージです。\n\nかなり単純化すると、\n\n- **Synopsys / Cadence** = 設計ツール\n- **Arm** = 入れる中身の一部\n- **Ansys** = 現実世界での問題を解析\n\nです。\n\n---\n\n## 初心者向けに「1個のチップができるまで」を超短く言うと\n\n1. 何をするチップか決める\n2. 中の構造を決める\n3. 回路を書く\n4. 正しく動くか何度も確認する\n5. 実際に作れる回路に変換する\n6. チップ上に配置して配線する\n7. 速度・電力・熱・ノイズを詰める\n8. 製造用データを出す\n9. 工場で作る\n10. パッケージして検査する\n11. ソフトを動かして実機確認する\n\nです。\n\n---\n\n## 最後に、初心者が最初に持つとよいイメージ\n\n半導体設計は、\n\n**「目に見えない超小型の機械を、まずは言葉とルールで設計し、それを回路にし、最後に物質として作る仕事」**\n\nです。\n\nそして重要なのは、最初から最後までずっと \n**速さ・電力・熱・面積・コスト・信頼性** \nのバランスを取っていることです。\n\nここがソフト開発と大きく違います。 \nソフトはあとでアップデートしやすいですが、チップは作り直しが重いので、設計段階の確認がものすごく重要です。\n\n---\n\n## NVIDIAのGPUが企画から量産されるまで\n\n## 全体像\n\n**企画** \n→ **アーキテクチャ設計** \n→ **EDAでRTL設計・検証** \n→ **EDAで合成・配置配線・サインオフ** \n→ **EDAでDFT/ATPGを仕込む** \n→ **TSMCへテープアウト** \n→ **TSMCでウェハ製造** \n→ **CoWoSでGPUダイとHBMを一体化** \n→ **ウェハーテスト / パッケージ後テスト / 必要に応じてSLT** \n→ **サーバーボード/システムへ組み込み** \n→ **量産・出荷** ([StockLight](https://stocklight.com/stocks/us/nasdaq-nvda/nvidia-corporation/annual-reports/nasdaq-nvda-2025-10K-25670928.pdf))\n\n---\n\n## \\1. まずNVIDIAが「どんなGPUを作るか」を決める\n\n最初は工場の話ではなく、**製品企画**です。 \nたとえば NVIDIA は「次のGPUは、どのAIモデル規模を狙うか」「何ワットまで許すか」「HBMを何スタック載せるか」「NVLinkやPCIeをどうするか」などを決めます。NVIDIAは製造そのものより、**製品設計・品質・顧客対応に資源を集中する**形を取っているので、ここが価値の出発点です。 ([StockLight](https://stocklight.com/stocks/us/nasdaq-nvda/nvidia-corporation/annual-reports/nasdaq-nvda-2025-10K-25670928.pdf))\n\nここで決まるのは、たとえば\n\n- 演算器をどれだけ並べるか\n- メモリ帯域をどこまで必要とするか\n- 消費電力と冷却をどう折り合うか\n- パッケージをどれだけ大型化するか \n といった大方針です。AI GPUでは、**GPU本体だけでなく HBM とパッケージまで含めて製品設計**になります。NVIDIA自身もメモリを外部から調達しており、年次報告書では SK hynix、Micron、Samsung からメモリを購入するとしています。 ([StockLight](https://stocklight.com/stocks/us/nasdaq-nvda/nvidia-corporation/annual-reports/nasdaq-nvda-2025-10K-25670928.pdf))\n\n---\n\n## \\2. EDAで「頭の中の構想」を論理設計に落とす\n\n次に、NVIDIAの設計チームが **EDAツール** を使って、GPUの論理設計を具体化します。 \nここでは\n\n- アーキテクチャ探索\n- RTL設計\n- 論理シミュレーション\n- ハードウェア支援検証\n- SoC統合 \n などを進めます。Synopsys は公式に Verification、Hardware Assisted Verification、SoC Integration、Digital Design などを掲げており、Cadence も Digital Design and Signoff を中核フローとして提供しています。 ([synopsys.com](https://www.synopsys.com/))\n\nここでの感覚は、まだ「物」を作っているのではなく、**GPUの中身をソフトウェア的に設計して仮想的に確かめている段階**です。 \nNVIDIAのような会社では、この前半工程で EDA はほぼ必須で、設計の骨格そのものを作る道具です。EDAは、チップ設計の planning、simulation、testing、manufacturing preparation を自動化するものだと Synopsys も説明しています。 ([synopsys.com](https://www.synopsys.com/glossary/what-is-electronic-design-automation.html?utm_source=chatgpt.com))\n\n---\n\n## \\3. EDAで「実際に作れる形」にする\n\n論理設計が固まると、今度は EDA を使って\n\n- 論理合成\n- フロアプラン\n- 配置配線\n- クロック設計\n- タイミング解析\n- 消費電力解析\n- 物理検証\n- サインオフ \n を進めます。Synopsys は Fusion Compiler、PrimeTime、IC Validator、RedHawk-SC などを並べており、Cadence も modern chip design の複雑さに対応する digital design and signoff の流れを打ち出しています。 ([synopsys.com](https://www.synopsys.com/))\n\nこの段階では、 \n**「このGPUは理屈上動くか」ではなく、「この巨大回路を本当にシリコン上に置いて、所定クロックで、所定電力内で、熱や電源ノイズも含めて成立させられるか」** \nを詰めます。 \nつまり EDA は、NVIDIAにとって **企画の次からテープアウト直前まで、ほぼずっと使う中核道具** です。 ([synopsys.com](https://www.synopsys.com/))\n\n---\n\n## \\4. ここで「あとでテストできるようにする」仕込みも入る\n\nAdvantestのようなテスタは後工程で使われますが、その準備は **設計段階で EDA を使って仕込む** 必要があります。 \nこれが **DFT（Design for Test）** と **ATPG** です。Synopsys の TestMAX DFT は、boundary scan、scan chains、test points、compression などを実装し、TestMAX ATPG は高カバレッジのテストパターンを生成すると説明しています。Cadence の Modus も、full-chip test logic や ATPG を提供しています。 ([synopsys.com](https://www.synopsys.com/implementation-and-signoff/test-automation/testmax-dft.html?utm_source=chatgpt.com))\n\nここがかなり重要で、 \n**EDAとAdvantestは別物**ですが、完全に切れているわけではありません。 \nNVIDIAは設計段階で「あとでテスタで測りやすい回路」と「テストパターンの土台」を作り込み、その後に実シリコンを測るとき、初めてテスタの世界に渡ります。 ([synopsys.com](https://www.synopsys.com/implementation-and-signoff/test-automation/testmax-dft.html?utm_source=chatgpt.com))\n\n---\n\n## \\5. テープアウトして、TSMCがウェハを作る\n\n設計が固まると、NVIDIAは製造データを **TSMCのようなファウンドリ** に渡します。 \nNVIDIAの年次報告書でも、同社は TSMC や Samsung を利用して半導体ウェハを生産していると明記しています。 ([StockLight](https://stocklight.com/stocks/us/nasdaq-nvda/nvidia-corporation/annual-reports/nasdaq-nvda-2025-10K-25670928.pdf))\n\nここから先は、EDAの中心フェーズから離れ、**実際の製造**に入ります。 \nTSMCがリソグラフィ、成膜、エッチングなどを繰り返して、GPUのロジックダイをウェハ上に作ります。 \nつまり役割分担は、 \n**NVIDIA = 設計する側** \n**TSMC = 作る側** \nです。 ([StockLight](https://stocklight.com/stocks/us/nasdaq-nvda/nvidia-corporation/annual-reports/nasdaq-nvda-2025-10K-25670928.pdf))\n\n---\n\n## \\6. AI GPUでは、作っただけでは終わらない。CoWoSでHBMと一体化する\n\nAI GPUで特に重要なのが **先端パッケージ** です。 \nTSMC の CoWoS は、公式には **Chip on Wafer on Substrate** の先端パッケージ技術で、AI やスーパーコンピューティング向けに、**logic chiplets と HBM cubes を高密度インターコネクトで統合できる** と説明されています。NVIDIA も年次報告書で **CoWoS technology を利用している** と明記しています。 ([3dfabric.tsmc.com](https://3dfabric.tsmc.com/english/dedicatedFoundry/technology/cowos.htm))\n\nここが普通の初心者には見えにくいところですが、 \nいまのAI GPUは **「GPUダイを作って終わり」ではありません。** \n**GPU本体のロジックダイ** と **HBMメモリ** を、シリコンインターポーザやRDLインターポーザを使って近接統合し、巨大な1つの高性能パッケージにします。CoWoS-S は logic chiplets と HBM cubes を統合する構造で、より大型向けには CoWoS-L や CoWoS-R の選択肢もあります。 ([3dfabric.tsmc.com](https://3dfabric.tsmc.com/english/dedicatedFoundry/technology/cowos.htm))\n\nつまり AI GPU の流れは、 \n**設計 → 製造 → パッケージ** \nではなく、 \n**設計 → 製造 → 超重要な先端パッケージ統合** \nです。 \n今のAI時代は、パッケージングが製品性能そのものの一部になっています。 ([3dfabric.tsmc.com](https://3dfabric.tsmc.com/english/dedicatedFoundry/technology/cowos.htm))\n\n---\n\n## \\7. Advantestがいる場所はここ：ウェハーテスト、ファイナルテスト、SLT\n\nCoWoSや組立の前後で、チップは徹底的に測定されます。 \nAdvantest は公式に、自社の test systems は主に **ウェハ生産工程の終わりの wafer test** と、**パッケージ後の final inspection process** で使われると説明しています。さらに **volume production 前の design evaluation / process development evaluation** や、最終製品に載せた後の **system-level test** にも使われるとしています。 ([株式会社アドバンテスト](https://www.advantest.com/en/about/business/))\n\nなので流れの中で言うと、Advantest はこう入ります。\n\n- **ウェハーテスト** \n まだウェハ状態のGPUダイを測り、良否や特性を確認する\n- **ファイナルテスト** \n CoWoSやパッケージ後の完成品を個別に測る\n- **必要に応じてSLT/バーンイン** \n 実使用に近い条件で動かし、品質をさらに確認する ([株式会社アドバンテスト](https://www.advantest.com/en/about/business/))\n\nここで大事なのは、**Advantest は NVIDIA の設計を作る会社ではなく、できあがったシリコンやパッケージが本当に良品かどうかを測る側**だということです。 \nただし測定結果は無駄ではなく、Advantest は量産テストで見つかった欠陥原因を設計段階へフィードバックし、歩留まり改善につなげるとも説明しています。 ([株式会社アドバンテスト](https://www.advantest.com/en/about/business/))\n\n---\n\n## \\8. 組立・システム化して、量産に入る\n\nNVIDIAは年次報告書で、製造の全フェーズでパートナーを活用し、**assembly, testing, packaging** にも外部企業を使うとしています。例として Hon Hai（Foxconn）、Wistron、Fabrinet などが挙げられています。別の公式資料では、米国内製造の文脈で TSMC、Foxconn、Wistron、Amkor、SPIL と協業するとしています。 ([StockLight](https://stocklight.com/stocks/us/nasdaq-nvda/nvidia-corporation/annual-reports/nasdaq-nvda-2025-10K-25670928.pdf))\n\nつまり、最終的な量産の絵は、 \n**NVIDIAが設計し、TSMCがロジックダイを作り、CoWoSなどの先端パッケージでGPUとHBMを統合し、テスト工程ではAdvantestのようなATE/SLT装置が活躍し、組立・実装パートナーが完成品やシステムへ仕上げる** \nという形です。 ([StockLight](https://stocklight.com/stocks/us/nasdaq-nvda/nvidia-corporation/annual-reports/nasdaq-nvda-2025-10K-25670928.pdf))\n\n---\n\n## 1行ずつ対応づけるとこうです\n\n**NVIDIA** \n= 何を作るか決めて、GPUを設計する会社。fablessなので、価値の中心は設計と製品化にある。 ([StockLight](https://stocklight.com/stocks/us/nasdaq-nvda/nvidia-corporation/annual-reports/nasdaq-nvda-2025-10K-25670928.pdf))\n\n**EDA（Synopsys / Cadence など）** \n= NVIDIAが、GPUを「作る前」に設計・検証・実装・サインオフ・DFTするための道具。 ([synopsys.com](https://www.synopsys.com/))\n\n**TSMC** \n= NVIDIAの設計データをもとに、GPUのロジックダイを実際にウェハ上へ作る側。 ([StockLight](https://stocklight.com/stocks/us/nasdaq-nvda/nvidia-corporation/annual-reports/nasdaq-nvda-2025-10K-25670928.pdf))\n\n**CoWoS / 先端パッケージ** \n= GPUダイとHBMを高密度につなぎ、AI GPUとして成立させる超重要工程。 ([3dfabric.tsmc.com](https://3dfabric.tsmc.com/english/dedicatedFoundry/technology/cowos.htm))\n\n**Advantest** \n= ウェハーテスト、ファイナルテスト、SLTなどで、できた半導体が本当に良品かを測る側。 ([株式会社アドバンテスト](https://www.advantest.com/en/about/business/))\n\n---\n\n## すごく短く言うと\n\n**EDAは「作る前の世界」**、 \n**TSMCは「作る世界」**、 \n**CoWoSは「GPUとHBMを1つの高性能製品にする世界」**、 \n**Advantestは「作られたものを測って品質を保証する世界」** \nです。 ([StockLight](https://stocklight.com/stocks/us/nasdaq-nvda/nvidia-corporation/annual-reports/nasdaq-nvda-2025-10K-25670928.pdf))\n\n---\n\n## EDAをゲームエンジンやblender、或いはそのプラグイン喩えると\n\nただし、**そのまま「EDA = ゲームエンジン」ではない**です。\n\nいちばん近い言い方をすると、EDA は\n\n**Blender + ゲームエンジン + コンパイラ + 静的解析ツール + 自動配線ツール + 製造前検査ツール**\n\nを全部まとめたような世界です。\n\n## 似ているところ\n\n### \\1. 作るための「開発基盤」である\n\nゲームエンジンは、ゲームそのものではなく、**ゲームを作るための土台**です。 \nEDA も同じで、半導体そのものではなく、**半導体を作るための土台**です。\n\n- Unity/Unreal → ゲームを作る\n- EDA → チップを作る\n\nこの意味ではかなり近いです。\n\n### \\2. 部品を組み合わせて大きなものを作る\n\nゲーム開発でも、\n\n- 3Dモデル\n- スクリプト\n- 物理\n- UI\n- プラグイン\n- アセット\n\nを組み合わせます。\n\n半導体設計でも、\n\n- CPUコア\n- メモリ\n- インターフェースIP\n- 配線\n- 検証IP\n- 物理ライブラリ\n\nを組み合わせます。\n\nここはかなり似ています。\n\n### \\3. 外部資産を入れて使う\n\nBlenderのアドオンやゲームエンジンのプラグインみたいに、半導体でも **IP** という既製部品を使います。\n\nたとえば、\n\n- Arm のCPUコア\n- PCIe\n- USB\n- DDRコントローラ\n\nなどです。\n\nこの意味では、**IPはプラグインや既製アセットにかなり近い**です。\n\n---\n\n## ゲームエンジンとEDAの違い\n\n### \\1. EDAは「見た目を作る」より「成立するかを証明する」寄り\n\nBlender は視覚的に形を作る感覚が強いです。 \nでも EDA は、見た目よりも\n\n- 論理的に正しいか\n- タイミングが間に合うか\n- 電力が大丈夫か\n- 熱で死なないか\n- 配線できるか\n- 製造ルール違反がないか\n\nを詰める比重がすごく大きいです。\n\nつまり EDA は、クリエイティブツールというより \n**工学検証ツールの塊** に近いです。\n\n### \\2. 「あとで直せる」が弱い\n\nゲームは出したあとにパッチを当てやすいです。 \nでもチップは、作ってしまうと修正コストが非常に重いです。\n\nだから EDA は、 \n**出す前に徹底的に潰す** \nためのツール群です。\n\nこの点はゲームエンジンよりずっと厳しいです。\n\n### \\3. 自動化の重みがかなり大きい\n\nBlenderは人が形を触る感じがありますが、EDA は\n\n- 合成\n- 配置配線\n- タイミング最適化\n- DRC/LVSチェック\n- ATPG\n\nなど、**自動処理の比重がかなり大きい**です。\n\n人が全部描くというより、 \n**制約を与えてツールに最適化させる** \n感覚が強いです。\n\n---\n\n## たとえ直すならこうです\n\n### 一番近い比喩\n\n**EDA = ゲームエンジンというより、「ゲーム開発環境 + コンパイラ + デバッガ + 最適化ツール + コンソール向けビルドシステム + 品質検査」全部入り**\n\nです。\n\n### Blender寄りで言うなら\n\n- Blenderそのもの、というよりは \n **Blenderでモデリングする機能**\n- さらに \n **エラー検出、物理成立確認、出力先制約への変換**\n- さらに \n **工場でそのまま作れる形式へ落とす機能**\n\nまで全部入っている感じです。\n\n---\n\n## 対応関係をざっくり置くと\n\n- **ゲームエンジン本体** \n ↔ EDA全体の設計基盤\n- **プラグイン / アセット** \n ↔ ArmなどのIP、各種ライブラリ、PDK\n- **スクリプトを書く** \n ↔ RTLを書く\n- **ビルドする** \n ↔ 論理合成\n- **マップ上にオブジェクト配置** \n ↔ 配置配線\n- **負荷や不具合チェック** \n ↔ タイミング解析、電力解析、検証\n- **対象ハード向けに最終出力** \n ↔ テープアウト用データ作成\n\n---\n\n## かなり本質的な言い方をすると\n\nEDA は \n**「チップを作るための統合開発環境」** \nです。\n\nなので、あなたの感覚は半分当たりです。 \nただし実際には、ゲームエンジンや Blender よりもずっと\n\n**検証、制約、最適化、製造成立性**\n\nの比重が大きいです。\n\n一言で言うなら、\n\n**“見た目を作るツール”というより、“現実に作れて壊れず動く設計を完成させるツール群”**\n\nです。\n\n---\n\n## EDAを使う人の仕事を、ゲーム開発者・3Dモデラー・ビルドエンジニアに対応させて説明\n\n結論から言うと、半導体開発の現場には、\n\n**ゲーム開発者っぽい人** \n**3Dモデラーっぽい人** \n**ビルド/最適化エンジニアっぽい人** \n**QA/デバッガっぽい人**\n\nがいて、みんな別のEDAを主に使っています。\n\n---\n\n## 全体の対応イメージ\n\nまずざっくり対応させるとこうです。\n\n- **ゲームの仕様を考える人** \n ↔ **半導体アーキテクト**\n- **ゲームロジックを書く人** \n ↔ **RTL設計者**\n- **3Dモデルやシーンを組む人** \n ↔ **物理設計者（配置配線）**\n- **ビルドや最適化を詰める人** \n ↔ **合成・タイミング・実装エンジニア**\n- **QAやテスト自動化の人** \n ↔ **検証エンジニア / DFTエンジニア**\n- **実機で重さや挙動を見る人** \n ↔ **シリコン評価・テストエンジニア**\n\nつまりEDAは1個のツールではなく、 \n**ゲーム制作会社で使う開発ツール一式** \nみたいなものです。\n\n---\n\n## \\1. 半導体アーキテクト\n\n## ゲームでいうと\n\n**ゲームディレクター / システム設計者**\n\nこの人は、 \n「どんなGPUにするか」 \n「どれくらい速くするか」 \n「電力はどこまで許すか」 \n「メモリ帯域はどれくらい必要か」 \nを決めます。\n\nゲームでいうと、\n\n- オープンワールドにするのか\n- 60fpsを狙うのか\n- スマホ向けかPC向けか\n- 物理演算をどれくらい入れるか\n\nを決める人に近いです。\n\nこの段階では、まだ細かい回路を書くというより、 \n**作品の設計思想を決める** 感じです。\n\n---\n\n## \\2. RTL設計者\n\n## ゲームでいうと\n\n**ゲームプログラマー**\n\nこの人が、チップの動作そのものを書きます。 \nVerilog や VHDL のような言語で、\n\n- この信号が来たらこう動く\n- この条件ならこのデータを送る\n- この状態なら待つ\n\nといった回路の振る舞いを書きます。\n\nゲームでいうと、\n\n- プレイヤー入力を受ける\n- 敵AIを動かす\n- ダメージ計算する\n- 状態遷移を作る\n\nみたいなロジックを書く人です。\n\nかなり似ています。 \nただし違うのは、ゲームコードよりも \n**並列動作** \n**クロックに合わせた動き** \n**1クロック遅れる/遅れない** \nみたいなハード特有の感覚が強いことです。\n\nなので RTL設計者は、 \n**ゲームプログラマーにかなり近いが、もっと時間軸と並列性に厳しい人** \nという感じです。\n\n---\n\n## \\3. 検証エンジニア\n\n## ゲームでいうと\n\n**QA + テスト自動化 + デバッガ担当**\n\nこの人は、「RTL設計者が書いた回路が本当に正しいか」を確かめます。\n\nたとえば、\n\n- 想定通りの計算結果になるか\n- 特殊な入力で壊れないか\n- 詰まりやデッドロックが起きないか\n- バグが潜んでいないか\n\nを大量に確認します。\n\nゲームでいうと、\n\n- 壁抜けしないか\n- 特定条件でフリーズしないか\n- セーブデータが壊れないか\n- 自動テストで異常を炙り出す\n\nみたいな仕事です。\n\nむしろ半導体ではここがすごく重要で、 \n**設計者より検証側の人数や工数が大きい** ことも珍しくありません。\n\nなぜなら、ゲームは後でパッチを当てやすいですが、 \nチップは作ってから直すのがすごく高いからです。\n\n---\n\n## \\4. 物理設計者（配置配線）\n\n## ゲームでいうと\n\n**3Dモデラー + レベルデザイナー + シーン構築担当**\n\nこの人は、論理設計された回路を \n**実際にシリコン上へどう置いて、どうつなぐか** \nを詰めます。\n\nここはかなり3Dモデラー感があります。 \nなぜなら、ただ機能が正しいだけではダメで、\n\n- どこに置くか\n- どう線を引くか\n- 混みすぎないか\n- 熱が偏らないか\n- 電力網が持つか\n\nを考えるからです。\n\nゲームでいうと、\n\n- オブジェクト配置\n- 当たり判定の整理\n- シーンの最適なレイアウト\n- カメラや光源の都合\n- メモリや描画負荷の制約\n\nを考えながらステージを組む人に近いです。\n\nただし半導体では、見た目の美しさではなく \n**物理的に動くか、遅延が足りるか、ルール違反がないか** \nが評価基準です。\n\nなので、 \n**3Dモデラーというより“超制約だらけの工業レイアウト設計者”** \nという感じです。\n\n---\n\n## \\5. 合成・タイミング・実装エンジニア\n\n## ゲームでいうと\n\n**ビルドエンジニア + 最適化エンジニア**\n\nこの人たちは、\n\n- RTLをゲート回路へ変換する\n- 面積を減らす\n- 電力を減らす\n- タイミングを間に合わせる\n- クロック周波数目標を満たす\n\nといったことを詰めます。\n\nゲームでいうとかなり近いのは、\n\n- ビルドが通るようにする\n- プラットフォーム向けに最適化する\n- フレームレートを安定させる\n- メモリ消費を削る\n- ロード時間を減らす\n\nをやる人です。\n\nたとえばゲームで \n「動くけど重い」 \n「高スペックPCでは動くけど目標ハードでは60fpsが出ない」 \nという問題がありますよね。\n\n半導体でも同じで、 \n「論理的には正しいけど、目標クロックで動かない」 \n「消費電力が大きすぎる」 \n「面積がでかすぎて高すぎる」 \nという問題が起きます。\n\nこれを詰めるのがこの人たちです。\n\nかなり本質的に、 \n**半導体版ビルド&最適化職** \nです。\n\n---\n\n## \\6. DFTエンジニア\n\n## ゲームでいうと\n\n**テスト自動化基盤を入れる人**\n\nDFTは Design for Test の略で、 \n「あとで製造後にちゃんと検査できるように、設計段階で仕掛けを入れておく」仕事です。\n\nゲームでいうと、\n\n- デバッグログを仕込む\n- テストモードを作る\n- 自動テストしやすいフックを入れる\n- 隠し診断画面を作る\n\nみたいな役割に近いです。\n\n普通のユーザーは触らないけれど、 \n開発や品質管理には絶対必要、という部分です。\n\n半導体では、\n\n- スキャンチェーン\n- テストポイント\n- BIST\n- ATPG向けの回路\n\nを入れます。\n\nつまり DFT エンジニアは、 \n**量産テストのための仕組みを事前に組み込む人** \nです。\n\n---\n\n## \\7. シリコン評価・テストエンジニア\n\n## ゲームでいうと\n\n**実機QA + 実機パフォーマンス検証担当**\n\nこの人たちは、実際にできたチップを評価します。 \nここで初めて、Advantestのようなテスタや各種測定器が本格的に出てきます。\n\nゲームでいうと、\n\n- 実機で落ちないか\n- 想定ハードでちゃんと動くか\n- 温度上昇で不具合が出ないか\n- 長時間動作で安定するか\n\nを確認する人です。\n\n開発機上では動いたのに、実機だと問題が出ることがありますよね。 \n半導体も同じで、設計上は問題なくても、 \n実シリコンでは電圧、熱、ばらつき、ノイズで問題が出ることがあります。\n\nこの人たちは \n**半導体の実機デバッグ担当** \nみたいなものです。\n\n---\n\n## 一枚で対応させると\n\n![](/media/f496799c6d4680d5475679ec410c62a48acdeee287df5307149a1e57bb95005c-content.webp)\n\n---\n\n## EDAを使う人は「1種類の職業」ではない\n\nここが一番大事です。\n\n初心者だと \n「EDAを使う人 = 半導体設計者」 \nとひとまとめに見えますが、実際にはかなり違います。\n\n同じEDAでも、\n\n- RTLを書く人が使うツール\n- 検証する人が使うツール\n- 配置配線する人が使うツール\n- タイミングを見る人が使うツール\n- DFTを入れる人が使うツール\n\nはかなり違います。\n\nつまり EDA は、 \n**Photoshop 1本で全部やる** みたいな世界ではなく、 \n**ゲーム開発会社の全員がそれぞれ違う開発ツールを使っている** \nのに近いです。\n\n---\n\n## 一番しっくりくるまとめ方\n\nかなり雑に1文で言うと、\n\n- **RTL設計者** はゲームプログラマー\n- **物理設計者** は3Dモデラー兼レベル配置担当\n- **合成/タイミング担当** はビルドと最適化担当\n- **検証/DFT担当** はQAとテスト自動化担当\n- **シリコン評価担当** は実機デバッガ\n\nです。\n\nそして **EDAは、その全員が使う“半導体版の総合開発環境群”** です。\n\n---\n\n## 半導体設計の職種ごとに、実際どんな画面を見て何をしているのか\n\n半導体設計の現場は、外から見ると全員ただPCに向かっているように見えますが、**職種ごとに見ている画面も、考えていることもかなり違います。** \nなのでここでは、**「NVIDIAのような会社で大きなGPUを作っているチーム」** をなんとなく想像しながら、作業風景っぽく説明します。\n\n---\n\n## まず全体の空気感\n\n半導体設計者は、机の上で半田ごてを持っているというより、基本は\n\n- 複数モニター\n- Linux端末\n- EDAツールのGUI\n- ログファイル\n- 波形ビューア\n- レポート表\n- レイアウト画面\n\nを見ながら仕事しています。\n\n見た目の派手さはあまりなくて、むしろ \n**「数字」「配線」「波形」「エラー一覧」とずっと戦う仕事** \nに近いです。\n\nゲーム開発なら画面にキャラや背景が出ますが、半導体設計では\n\n- 線\n- 四角\n- 波形\n- テキスト\n- タイミング表\n\nが主役です。\n\n---\n\n## \\1. アーキテクトの画面\n\n## 何を見ているか\n\nこの人は、いきなり細かい回路画面をずっと見ているわけではありません。 \nどちらかというと、\n\n- ブロック図\n- 性能予測表\n- 帯域試算\n- 電力予算表\n- 面積見積もり\n- シミュレーション結果\n- プレゼン資料や仕様書\n\nを見ています。\n\n画面のイメージとしては、 \n**PowerPoint、表計算、社内設計図、性能モデル、簡易シミュレーター** \nが多いです。\n\n## 何をしているか\n\nたとえば AI GPU の場合なら、\n\n「この世代は演算器をどれくらい増やすか」 \n「HBM帯域はこれで足りるか」 \n「NVLinkを何本にするか」 \n「消費電力上限の中で、どこに予算を振るか」\n\nみたいなことを考えています。\n\n作業風景としては、 \n大きなブロック図を見ながら、\n\n「このキャッシュ構成だと帯域が足りない」 \n「演算器を増やしてもメモリ側が詰まる」 \n「このままだと電力が枠を超える」\n\nみたいに議論しています。\n\nこの人は、絵を描く人というより \n**“製品の頭脳と骨格を決める人”** \nです。\n\n---\n\n## \\2. RTL設計者の画面\n\n## 何を見ているか\n\nこの人はかなり「コードを書く人」です。 \n見ているのは主に\n\n- Verilog / SystemVerilog のソースコード\n- エディタ\n- コンパイルログ\n- 簡易波形\n- 仕様書PDF\n- Gitの差分\n\nです。\n\n画面の雰囲気はかなりプログラマーに近いです。 \n左にコード、右に仕様書、下にログ、別モニターに波形、みたいな感じです。\n\nコードには例えばこういう世界があります。\n\n- 状態遷移\n- パイプライン制御\n- データの受け渡し\n- バッファ制御\n- エラー条件\n- フラグ管理\n\nただし普通のソフトコードより、 \n**「何クロック目に何が起きるか」** \nがとても重要です。\n\n## 何をしているか\n\nたとえば、\n\n「この演算ユニットは入力を受けて3クロック後に結果を返す」 \n「この条件ではパケットを待たせる」 \n「この信号が立ったら次のステージへ進める」\n\nみたいなことを書いています。\n\n作業風景としては、 \nコードを修正して保存し、テストを流し、ログを見て、\n\n「この if の条件で1サイクルずれてる」 \n「valid と ready の握手が壊れてる」 \n「リセット直後に不定状態が出る」\n\nみたいに詰めています。\n\n見た目は地味ですが、中身はかなり濃いです。 \n**“電子回路の動作を言葉で書くプログラマー”** という感じです。\n\n---\n\n## \\3. 検証エンジニアの画面\n\n## 何を見ているか\n\nこの人の画面は、初心者が見るとかなり「それっぽい」です。 \nよく出てくるのは\n\n- 波形ビューア\n- テストベンチコード\n- シミュレーションログ\n- アサーションエラー\n- カバレッジレポート\n- バグ管理票\n\nです。\n\n特に波形ビューアは印象的で、画面いっぱいに \n0 と 1 の信号が時間軸で並んでいます。 \n何十本、何百本もの信号が横に流れていて、拡大縮小しながら原因を追います。\n\n## 何をしているか\n\nたとえば、\n\n「この要求信号が来たあと、3クロック以内に応答が返るはず」 \n「この2つの信号は同時に立ってはいけない」 \n「このエラー処理のときにFIFOが空になるのはおかしい」\n\nみたいなことを見ています。\n\n作業風景としては、 \n失敗したテストを開いて、波形をスクロールしながら、\n\n「ここで valid が出てるのに ready が返ってない」 \n「このフラグが1クロック早く落ちてる」 \n「仕様ではこの順番のはずなのに、逆転してる」\n\nと detective みたいに追います。\n\nこの仕事は本当に \n**“電子回路の事件現場を波形で捜査する人”** \nです。\n\n---\n\n## \\4. 論理合成・実装前担当の画面\n\n## 何を見ているか\n\nこの人は、RTLを「実際の回路」に変えていく人です。 \n画面には\n\n- 合成スクリプト\n- ターミナル\n- 合成レポート\n- 面積レポート\n- 消費電力レポート\n- タイミングレポート\n\nが並びます。\n\n見た目はかなりテキスト寄りです。 \nログの量が多く、初心者には呪文に見える感じです。\n\n例えばレポートには、\n\n- Area\n- Worst Negative Slack\n- Total Negative Slack\n- Clock frequency\n- Cell count\n\nなどが並びます。\n\n## 何をしているか\n\nこの人は、\n\n「このRTLをこのライブラリで合成したら面積はいくつか」 \n「目標クロックに届くか」 \n「無駄に大きい回路になっていないか」\n\nを見ています。\n\n作業風景としては、 \nスクリプトを回して結果を見て、\n\n「速いけど面積が増えすぎた」 \n「電力は減ったがタイミングが悪化した」 \n「このモジュールだけ異常に重い」\n\nと調整しています。\n\nゲーム開発でいうと、 \nビルドしてパフォーマンスを見て、コンパイラ最適化を調整する感じに近いです。\n\n---\n\n## \\5. 物理設計者（配置配線）の画面\n\n## 何を見ているか\n\nこの人の画面は、見た目としてはかなり特徴的です。 \nGUI上に、チップの平面図みたいなものが出ます。\n\n- 四角いブロック\n- びっしり詰まったセル\n- 色分けされた配線層\n- 電源網\n- 密度ヒートマップ\n- congestion map\n- timing hot spot\n\nみたいな表示です。\n\n初心者が見ると、 \n**「都市地図」** \nとか \n**「基板アート」** \nみたいに見えることがあります。\n\n拡大すると、ものすごく細かいセルが並んでいて、さらに拡大すると配線が何層にも走っています。\n\n## 何をしているか\n\nこの人は、\n\n「このブロックをどこに置くか」 \n「配線が詰まりすぎていないか」 \n「クロックを均等に配れるか」 \n「熱や電力の偏りはないか」\n\nを見ています。\n\n作業風景としては、 \nチップ全体図を見ながら、\n\n「ここは混みすぎて配線が通らない」 \n「このメモリの位置が遠くて遅延がきつい」 \n「このあたりに電源が集中してIR dropが危ない」\n\nと詰めています。\n\nこの人の仕事は、 \n**“論理的に正しい回路を、現実のシリコンの地面にちゃんと住まわせる仕事”** \nです。\n\n---\n\n## \\6. タイミング解析担当の画面\n\n## 何を見ているか\n\nこの人の画面は、かなり数字とパスの世界です。 \nよく見るのは\n\n- Slackレポート\n- クリティカルパス一覧\n- クロックツリー情報\n- 遅延内訳\n- setup / hold violation 一覧\n\nです。\n\nGUIでパスをハイライトすることもありますが、 \n基本はレポートと数字とパス名を延々追う時間も多いです。\n\n## 何をしているか\n\nたとえば、\n\n「この信号は次のクロックまでに到達しない」 \n「この経路が長すぎて目標周波数に届かない」 \n「ここだけ hold 違反が出ている」\n\nみたいなことを見ています。\n\n作業風景としては、\n\n「このレジスタからこのレジスタへの経路が長すぎる」 \n「バッファ挿入で直せるか」 \n「配置を寄せるべきか」 \n「論理を分割するべきか」\n\nと考えています。\n\nゲームで言えばフレーム落ちの原因を細かく見る人に近いですが、 \n半導体ではそれが**ピコ秒、ナノ秒単位**です。\n\n---\n\n## \\7. 電力・熱・電源完全性担当の画面\n\n## 何を見ているか\n\nこの人の画面には、ヒートマップや解析結果が多いです。\n\n- 消費電力分布\n- IR drop マップ\n- EM解析結果\n- 温度分布\n- hotspot表示\n- パッケージ込みの解析結果\n\n色で赤いところが危ない、青いところは余裕がある、みたいな表示になることがあります。\n\nかなり「工学解析」っぽい画面です。\n\n## 何をしているか\n\nたとえば、\n\n「この領域は電流が集中しすぎている」 \n「ここは温度が上がりすぎる」 \n「この電源配線では電圧が落ちすぎる」 \n「長時間動作で信頼性が危ない」\n\nみたいなことを見ています。\n\n作業風景としては、 \n解析結果のヒートマップを見ながら、\n\n「この演算ブロックが集中しすぎ」 \n「電源メッシュを太くする必要がある」 \n「配置を散らさないと熱が逃げない」\n\nと考えています。\n\nこの人たちは、 \n**“動くか”ではなく“壊れず安全に動き続けるか”を見る人** \nです。\n\n---\n\n## \\8. DFTエンジニアの画面\n\n## 何を見ているか\n\nこの人は、量産テストの準備をする人です。 \n画面には\n\n- スキャンチェーン構成\n- テストポイント挿入結果\n- ATPGレポート\n- fault coverage\n- DRC for test\n- テストパターン生成ログ\n\nなどが出ます。\n\nやや特殊で、普通の機能設計とは違う世界です。\n\n## 何をしているか\n\nこの人は、\n\n「あとで工場やテスタで不良を見つけやすいようにする」 \n「スキャンチェーンが正しくつながっているか」 \n「故障検出率が足りているか」\n\nを見ています。\n\n作業風景としては、\n\n「このブロックは観測しにくい」 \n「ここにテストポイントを足すべき」 \n「この故障モデルのカバレッジが足りない」\n\nと考えています。\n\n表向きの機能を作る人ではなく、 \n**“量産で困らないよう裏口と診断機能を入れる人”** \nに近いです。\n\n---\n\n## \\9. シリコン評価・テスト担当の画面\n\n## 何を見ているか\n\nこの人は、実物ができてから活躍します。 \n画面には\n\n- 測定器の結果\n- テスタ出力\n- 電圧・電流ログ\n- 周波数特性\n- 歩留まりデータ\n- 良品/不良品の分布\n- 実チップの動作ログ\n\nが並びます。\n\n設計画面というより、評価・測定・統計の画面です。\n\n## 何をしているか\n\nたとえば、\n\n「このロットだけ異常に歩留まりが悪い」 \n「この条件だと周波数が伸びない」 \n「高温時だけ不安定になる」 \n「このパターンでだけエラーが出る」\n\nみたいなことを見ます。\n\n作業風景としては、 \n実チップを評価ボードに載せ、測定結果を取り込みながら、\n\n「設計の問題か、製造ばらつきか、パッケージ要因か」 \n「不良がこのブロック周辺に偏っていないか」 \n「DFTやATPGの想定どおりに観測できているか」\n\nを追っています。\n\nここで初めて、Advantestのようなテスタの世界と深くつながります。\n\n---\n\n## \\10. 全員の作業風景を並べるとこうなる\n\nかなりざっくり言うと、\n\n- **アーキテクト** は、表や図を見ながら「何を作るか」を決める\n- **RTL設計者** は、コードを書きながら「どう動くか」を作る\n- **検証担当** は、波形を見ながら「本当に正しいか」を暴く\n- **合成担当** は、レポートを見ながら「回路として成立するか」を詰める\n- **物理設計担当** は、レイアウト画面を見ながら「シリコン上に住ませる」\n- **タイミング担当** は、遅延表を見ながら「間に合うか」を削る\n- **電力・熱担当** は、ヒートマップを見ながら「無事に動き続けるか」を守る\n- **DFT担当** は、テスト構成を見ながら「あとで検査できるようにする」\n- **評価担当** は、実測データを見ながら「実物で本当に成立したか」を確かめる\n\nです。\n\n---\n\n## 初心者向けに一番わかりやすいまとめ\n\n半導体設計の現場は、派手な3D映像をいじる感じではなく、\n\n**コードを書く人** \n**波形を見る人** \n**レイアウト地図を見る人** \n**数字の表とエラーを潰す人** \n**最後に実物を測る人**\n\nの集まりです。\n\nつまり、みんな同じ「半導体設計者」に見えても、実際には\n\n- ソフト開発者っぽい人\n- デバッガっぽい人\n- 都市設計者っぽい人\n- 解析屋っぽい人\n- 品質保証っぽい人\n\nが同じチップを別の角度から見ている、という感じです。\n\n---\n\n## GPU1個の中に、こういう人たちがどの順番で関わるのか時系列でつなげてみてみると\n\nはい。 \nでは **「GPU1個が企画されてから、実物になって量産されるまで」** を、**どの職種の人が、どの順番で関わるか** で時系列につなげます。\n\n大事なのは、これは完全な一直線ではなく、実際は \n**前に進む → 問題が出て戻る → 直してまた進む** \nを何度も繰り返すことです。 \nただ、まずは見通しが立つように、いったん一本の流れとして描きます。\n\n---\n\n## \\0. まず「次のGPUで何を達成したいか」を決める\n\n### 関わる人\n\n- 事業側\n- 製品企画\n- 半導体アーキテクト\n- ソフトウェア/システム側の上流担当\n\nここではまだ回路を書きません。 \n最初に決めるのは、\n\n- どの市場向けか\n- どれくらい速くしたいか\n- 消費電力はどこまで許すか\n- HBMを何個載せるか\n- NVLinkやPCIeをどうするか\n- コストやダイサイズをどうするか\n\nです。\n\nイメージとしては、 \n**「次のGPUは、どんな怪物にするのか」** \nを決めている段階です。\n\nここでの主役は、前に話した対応でいうと \n**ゲームディレクター/システム設計者的な人** \nです。\n\n---\n\n## \\1. GPUの中身を大ブロックに分ける\n\n### 関わる人\n\n- アーキテクト\n- 一部の上級設計者\n- メモリ/インターコネクト担当\n- 性能モデリング担当\n\nここで \n「演算器はどれくらい並べるか」 \n「キャッシュはどう置くか」 \n「メモリ帯域はどれくらい必要か」 \n「GPUコア、メモリ制御、I/Oをどうつなぐか」 \nを決めます。\n\nまだ細かいRTLではなく、 \n**設計図の骨格** を描く段階です。\n\nたとえると、 \n家ではなく都市の設計図で \n「工業地帯はここ、幹線道路はここ、発電所はここ」 \nと決める感じです。\n\n---\n\n## \\2. 必要なIPや既製部品を選ぶ\n\n### 関わる人\n\n- アーキテクト\n- SoC統合担当\n- インターフェース担当\n- 外部IP評価担当\n\nGPUを全部ゼロから作るとは限りません。 \nたとえば一部には、\n\n- PCIe関連\n- セキュリティブロック\n- メモリPHY\n- 各種インターフェース\n- CPU管理ブロック\n\nなど、既製IPや流用資産を使うことがあります。\n\nここでは \n**「どこを自作し、どこを流用するか」** \nが決まります。\n\nゲームでいうと、 \nエンジン標準機能や外部ミドルウェアを何にするか決める段階に近いです。\n\n---\n\n## \\3. RTL設計者が、GPUの各ブロックの動作を書く\n\n### 関わる人\n\n- RTL設計者\n- ブロック設計担当\n- 制御ロジック担当\n- パイプライン担当\n\nここで初めて、各ブロックが \n**SystemVerilog/Verilog などで具体的に書かれます。**\n\nたとえば、\n\n- 演算命令をどう流すか\n- データを何クロックで渡すか\n- キャッシュ制御をどうするか\n- メモリ要求をどうさばくか\n- エラー処理をどうするか\n\nを実際の回路として記述していきます。\n\nここが、前に言った \n**ゲームプログラマーに近い人** \nの仕事です。\n\nこの段階では、1つの大きなGPUではなく、 \nまずは **小さいブロックごと** に設計していくことが多いです。\n\n---\n\n## \\4. その横で、検証エンジニアが同時に待ち構えている\n\n### 関わる人\n\n- 検証エンジニア\n- テストベンチ開発担当\n- フォーマル検証担当\n- カバレッジ担当\n\nRTL設計者が書いたものを、検証側がすぐ追いかけます。 \nつまり時系列では「RTLを書き終わってから検証」ではなく、\n\n**RTLを書くのと並行して、検証環境も作られる**\n\nのが普通です。\n\n検証側は、\n\n- 正常系のテスト\n- 異常系のテスト\n- 境界条件\n- ランダムテスト\n- アサーション\n- カバレッジ確認\n\nを用意して、設計にバグがないかを見ます。\n\nここで大量に \n**「ここ壊れてます」** \nが返ってきて、RTL設計者が直します。\n\nつまり流れとしては、\n\n**RTL設計者が書く → 検証が叩く → バグが出る → RTL設計者が直す**\n\nを何度も回します。\n\n---\n\n## \\5. 小ブロックをつないで、大きなGPUにしていく\n\n### 関わる人\n\n- SoC統合担当\n- RTL設計者\n- 検証エンジニア\n- クロック/リセット担当\n\n各ブロックがある程度できたら、今度はそれをつなぎます。 \nここで難しくなるのは、\n\n- ブロック同士の接続\n- クロックの違い\n- リセット順序\n- データ詰まり\n- 帯域競合\n- キャッシュ整合性\n- 電源管理\n\nです。\n\n小さいブロック単体では動いても、 \nつないだ瞬間に一気に難しくなります。\n\nこのあたりから \n**「GPU1個を本当に1つの生き物として動かす」** \nフェーズに入ります。\n\n---\n\n## \\6. 合成担当が「この設計を本当の回路にするとどうなるか」を見る\n\n### 関わる人\n\n- 論理合成担当\n- 実装前最適化担当\n- 一部RTL設計者\n\nここでRTLを、実際のゲート回路へ変換します。 \nこのとき見るのは、\n\n- 面積が大きすぎないか\n- 目標クロックに届くか\n- 電力が増えすぎないか\n- 想定より重いブロックがないか\n\nです。\n\nここで問題が出ると、設計者に戻って \n「このロジック重すぎます」 \n「パイプラインを1段増やしてください」 \n「この経路が長すぎます」 \nみたいな修正依頼が飛びます。\n\nつまり時系列としては、\n\n**RTL設計 → 合成 → 性能が出ない → RTLに差し戻し**\n\nが普通に起きます。\n\n---\n\n## \\7. DFT担当が、量産後に検査できる仕組みを入れる\n\n### 関わる人\n\n- DFTエンジニア\n- ATPG担当\n- 合成/実装担当\n- 検証担当\n\nここで \n**「できあがったGPUを、工場やテスタでどう検査するか」** \nのための仕組みを設計に入れます。\n\nたとえば、\n\n- スキャンチェーン\n- テストポイント\n- BIST\n- 圧縮回路\n\nなどです。\n\nつまりこの人たちは、量産後に Advantest などで測れるように、 \n**設計段階で裏側の診断ルートを仕込む** 人です。\n\n流れでいうと、 \nEDAの世界と、後のテスト工程の世界をつなぐ橋です。\n\n---\n\n## \\8. 物理設計者が、GPUをシリコン上に置き始める\n\n### 関わる人\n\n- フロアプラン担当\n- 物理設計者\n- 配置配線担当\n- クロック設計担当\n\nここから、論理的に書かれたGPUを \n**実際にシリコンの上へ配置していく** 段階に入ります。\n\nまず大きなブロックをどこに置くか決めます。 \nたとえば、\n\n- 演算ブロック群\n- キャッシュ群\n- メモリI/O周辺\n- 制御ブロック\n- 電源網\n\nをどこに置くか考えます。\n\nここはまさに \n**都市設計** \nです。\n\nここで位置が悪いと、\n\n- 配線が混みすぎる\n- 遅延が増える\n- 電源が苦しくなる\n- 熱が集中する\n\nので、後工程全体に響きます。\n\n---\n\n## \\9. 配置配線が進み、タイミング・電力・熱の専門家が本格参戦する\n\n### 関わる人\n\n- 配置配線担当\n- タイミング解析担当\n- 電力解析担当\n- IR/EM担当\n- 熱解析担当\n\nここからGPUは \n**机上の論理** ではなく \n**現実の物理物体** \nになっていきます。\n\nここで見るのは、\n\n- 目標クロックで本当に動くか\n- 配線が長すぎないか\n- 電力が集中しすぎていないか\n- 電圧降下は大丈夫か\n- 発熱が危険でないか\n- 配線ルール違反がないか\n\nです。\n\nこの段階で問題が出ると、\n\n- 配置を変える\n- バッファを入れる\n- 電源網を強化する\n- RTL自体を少し直す\n- 一部ブロックを作り直す\n\nこともあります。\n\nつまりここでも \n**物理設計 → 解析 → 問題発覚 → 前工程へ戻る** \nが起きます。\n\n---\n\n## \\10. サインオフに向けて、各分野の担当が最後の詰めをする\n\n### 関わる人\n\n- 物理設計\n- タイミング\n- 電力/熱\n- DFT\n- 検証\n- 設計責任者\n- 品質保証的な上位レビュー担当\n\nここでは \n**「このGPU、もう本当に工場へ出していいのか」** \nを総点検します。\n\n見るのは、\n\n- 機能的に正しいか\n- テスト可能か\n- タイミングが閉じているか\n- 消費電力は許容内か\n- 物理ルール違反がないか\n- 信頼性上の危険がないか\n\nです。\n\nここは一種の \n**出荷判定会議前の総合試験** \nみたいな空気です。\n\n---\n\n## \\11. テープアウトして、設計チームの主役が工場側へバトンタッチする\n\n### 関わる人\n\n- 設計責任者\n- CAD/フロー担当\n- ファウンドリ連携担当\n- TSMC側の製造担当\n\nここで製造用データを TSMC などへ渡します。 \nここが **テープアウト** です。\n\nこの瞬間、主役は少し変わります。 \nそれまで中心だったのは EDA を使う設計者たちでしたが、 \nここからは **製造側** の比重が上がります。\n\nつまり流れとしては、\n\n**EDAの世界のピークがここまで**\n\nです。\n\n---\n\n## \\12. TSMCがウェハを作る\n\n### 関わる人\n\n- TSMCの製造側\n- プロセス担当\n- NVIDIA側の製造連携担当\n\nここでGPUのロジックダイが実際に作られます。 \nここは半導体工場の世界で、\n\n- 成膜\n- 露光\n- エッチング\n- イオン注入\n- 多層配線形成\n\nなどが進みます。\n\nこの段階では、NVIDIAのRTL設計者が何か画面で直接いじるというより、 \nファウンドリと製造条件・歩留まり・進捗を連携して見る側になります。\n\n---\n\n## \\13. ウェハができたら、まずテスト工程が入る\n\n### 関わる人\n\n- テストエンジニア\n- DFT/ATPG担当\n- AdvantestなどのATE運用側\n- 歩留まり解析担当\n\nここでまず **ウェハーテスト** です。 \nまだウェハ状態の各ダイに針を当てて、\n\n- 動くか\n- どこに不良があるか\n- 基本特性がどうか\n\nを測ります。\n\nここで初めて、前に設計段階で仕込んだ DFT が本格的に生きます。 \nつまり、\n\n**設計時のDFT担当の仕事が、ここで現実のテスト工程につながる**\n\nわけです。\n\nAdvantest のようなテスタは、まさにこの辺の重要プレイヤーです。\n\n---\n\n## \\14. 良品ダイが選別され、CoWoSやパッケージ工程へ進む\n\n### 関わる人\n\n- 先端パッケージ担当\n- 組立工程側\n- HBM連携側\n- 製品化担当\n\nAI GPUではここが極めて重要です。 \nGPUダイだけでは製品にならず、 \nHBMと一緒に **CoWoS などの先端パッケージ** に載せて、巨大な1つの高性能製品にします。\n\nここでは、\n\n- GPUダイ\n- HBMスタック\n- インターポーザ\n- 基板\n- パッケージ\n\nが統合されます。\n\nつまりここで初めて、 \n**「GPUの頭脳」** が \n**「製品としての体」** を持ちます。\n\n---\n\n## \\15. パッケージ後に、またテストする\n\n### 関わる人\n\n- テストエンジニア\n- パッケージ評価担当\n- Advantestなどのテスタ側\n- 信頼性評価担当\n\nパッケージ後には **ファイナルテスト** が入ります。 \nさらに必要に応じて、\n\n- 高温動作試験\n- 長時間試験\n- システムレベルテスト\n- バーンイン\n\nも行われます。\n\nここで見たいのは、\n\n- パッケージ後でも正常か\n- HBM接続込みで問題ないか\n- 高負荷で安定するか\n- 初期不良がないか\n\nです。\n\nつまり \n**作る前の仮想世界の検証** は終わり、 \nここでは **現実の製品の検証** に切り替わっています。\n\n---\n\n## \\16. 実物GPUを立ち上げ、評価チームが本当に使えるか確認する\n\n### 関わる人\n\n- シリコン評価担当\n- ボード設計担当\n- BIOS/ファームウェア担当\n- ドライバ/ソフト側\n- 品質/信頼性担当\n\nここで実際のGPUを評価ボードやサーバー上で動かします。\n\n見るのは、\n\n- 起動するか\n- 期待周波数に届くか\n- 電力や温度は想定内か\n- HBMが正常か\n- 長時間動作で落ちないか\n- ベンチや実アプリで性能が出るか\n\nです。\n\nここは、設計の終点であると同時に、 \n次世代改善の始点でもあります。\n\n---\n\n## \\17. 問題が見つかれば、また前の人たちへ戻る\n\n### 関わる人\n\n- 評価担当\n- テスト担当\n- DFT担当\n- 物理設計\n- RTL設計\n- アーキテクト\n\nここがとても重要です。 \n実シリコンで問題が見つかると、\n\n- テスト条件を見直す\n- パッケージを見直す\n- 歩留まり改善をする\n- 一部マスク修正を検討する\n- 次版RTLで修正する\n- 次世代設計へ反映する\n\nという形で、前工程にフィードバックされます。\n\nつまりGPU開発は一本のベルトコンベヤーではなく、 \n**巨大なループ構造** です。\n\n---\n\n## 1本の流れとして超短くつなぐと\n\n**企画する人** が「次のGPUの方向性」を決める \n→ **アーキテクト** が骨格を決める \n→ **RTL設計者** が各ブロックを書く \n→ **検証エンジニア** が壊してバグを出す \n→ **SoC統合担当** が全体をつなぐ \n→ **合成担当** が本当の回路に落とす \n→ **DFT担当** がテストできる仕組みを入れる \n→ **物理設計担当** がシリコン上に配置する \n→ **タイミング/電力/熱担当** が現実に成立させる \n→ **設計責任者** がサインオフしてテープアウト \n→ **TSMC** がウェハを作る \n→ **Advantest系のテスト工程** でウェハーテスト \n→ **CoWoS/パッケージ工程** でHBMと統合 \n→ **ファイナルテスト/SLT** で製品確認 \n→ **シリコン評価担当** が実機で立ち上げる \n→ 問題があれば前の工程へ戻る\n\nです。\n\n---\n\n## 一番イメージしやすいまとめ\n\nGPU1個の中には、最初から最後までずっと同じ人が触っているわけではありません。 \nむしろ、\n\n- 最初は **構想を作る人**\n- 次に **動作を書く人**\n- その次に **バグを暴く人**\n- 次に **現実の回路に変える人**\n- その次に **シリコン上に住まわせる人**\n- 最後に **実物を測る人**\n\nへと、主役が順番に入れ替わっていきます。\n\nただし完全にバトンを渡して終わりではなく、 \n後ろの工程で問題が出るたびに、前の人たちがまた呼び戻されます。 \nだからGPU開発は、**リレー競走というより、何度も前後に行き来する駅伝** に近いです。\n\n---\n\n## AIが搭載されていくEDAと半導体設計で起こっている変化\n\n**「AIが設計者の横で手伝う」段階はかなり進んでいる** \n一方で、 \n**「AIが人の代わりに全部を自律的に決めて最後まで流す」段階は、まだ限定的**\n\nです。現在のEDAのAIは、だいたい次の3層で見るとわかりやすいです。 \n**① 従来型のAI/ML最適化、② GenAIコパイロット、③ エージェント型自動化** です。Synopsys は AI をシステム設計から製造までの全体で使うと打ち出し、Cadence は verification・design・multiphysics まで含む AI ポートフォリオを示し、Siemens も architectural exploration から manufacturing readiness までの AI orchestration を掲げています。 ([Synopsys](https://www.synopsys.com/ai/ai-powered-eda.html?utm_source=chatgpt.com))\n\nまず、**Verilog / SystemVerilog をAIが書くか**ですが、これは **はい、もう始まっています。** Synopsys は 2025年時点で Copilot の「クリエイティブGenAI機能」に **RTLコード生成** や **フォーマル・アサーション生成** を含めています。Cadence は 2026年の ChipStack AI Super Agent で、**RTL generation**、**SystemVerilog unit-level tests の生成**、**SVA生成と自動証明**、**UVM sequences / checkers / coverage の生成** を公表しています。Siemens も 2026年の Fuse EDA AI Agent で、**RTL coding から physical sign-off、manufacturing readiness** までをまたぐ multi-tool orchestration を打ち出しています。 ([Synopsys](https://www.synopsys.com/ja-jp/japan/press-releases/synopsys-announces-expanding-ai-capabilities-for-its-leading-eda-solutions.html))\n\nただしここでの重要な注意点は、**「AIがコードを書ける」ことと、「AIに丸投げできる」ことは別**だという点です。Cadence の説明でも、AIエージェントは **specification・design data・EDA tools へのアクセス**を使って設計コラテラルやタスクを生成・実行するとされていますが、同時に **design correctness** と **engineering discipline** を維持すると書かれており、実務上は人間レビュー前提です。Synopsys 側でも Microsoft の事例は **SVA、auxiliary logic、TCL、properties、bind files** の生成を示していますが、機能精度は「most properties で 70% functional accuracy」とされており、完全無人より **人のレビューを前提にした加速器** と見るのが正確です。 ([Cadence](https://www.cadence.com/en_US/home/ai/ai-for-design.html))\n\n次に、**AIとチャットしながら進める使い方**は、もうかなり現実化しています。Synopsys は Copilot の中核として **Knowledge Assistant** と **Workflow Assistant** を出しており、自然言語で質問し、文書検索、スクリプト生成、ツール操作の guidance を受けられるとしています。Cadence も Verisium / JedAI 系で AI を verification 管理や debug に統合しており、Siemens も Solido や Fuse で **natural language interactions** を前面に出しています。 ([Synopsys](https://www.synopsys.com/ja-jp/japan/press-releases/synopsys-announces-expanding-ai-capabilities-for-its-leading-eda-solutions.html))\n\nあなたが挙げた **「IP選定」** については、答えは **部分的にYes、でもまだ“全面自動化”とまでは言いにくい** です。Synopsys の公開説明では **Design Exploration** や **Natural Language Interaction** は強く出ていますが、公開情報としては「AIがベンダー横断で最適IPを自動選定して購買判断まで行う」というところまでは強く打ち出していません。いっぽう Cadence は ChipStack AI Super Agent で **“Generates SoC fabric RTL and IP with verification collateral based on specification requirements”** と明記しており、少なくとも **要求仕様からSoCファブリックやIP構成を生成する方向** には進んでいます。なので現時点では、**社内IP再利用や同一ベンダーのIP群の中で候補を絞る支援** は進んでいますが、**人間のアーキテクトの代わりに最終選定を丸ごとやる万能エージェント** という理解はまだ早いです。これは公開されている機能説明の重心が、より明確に **生成・検証・最適化・デバッグ** にあることからの判断です。 ([Synopsys](https://www.synopsys.com/ai/generative-ai.html))\n\n**検証環境の構築** は、むしろ今いちばん進んでいる領域のひとつです。Synopsys は Microsoft の利用例として、**formal testbench の自動作成**、**SVA / TCL / properties / bind files の生成** を示しています。Cadence は ChipStack で **verification plan、SVA、自動prove、UVM sequences / checkers / coverages、unit-level tests** を生成するとしており、Verisium では **AI-driven test-suite optimization、failure triage、bug root-cause analysis、coverage 向上** を打ち出しています。つまり検証は、**テストを書く前**から**デバッグして原因を絞る後工程**まで、かなりAI浸透が進んでいます。 ([Synopsys](https://www.synopsys.com/blogs/chip-design/ai-chip-design-synopsys-microsoft.html))\n\nしかもEDAのAIは、単なる「コード補完」だけではありません。 \nむしろ昔から強かったのは、**バックエンドの膨大な探索・最適化** です。Synopsys DSO.ai は reinforcement learning で巨大な設計空間を探索し、PPA を最適化する “autonomous AI application” とされています。Cadence Cerebrus も **RTL-to-GDS full-flow optimization** を強調しており、ブロック設計者が design goals を指定すると AI が power / performance / area 目標に向けて flow を最適化すると説明しています。つまり、EDAでのAIは **「LLMがコードを書く」より前から、「人間が回しきれない探索空間を自動で回す」ことで大きな価値を出していた** ということです。 ([Synopsys](https://www.synopsys.com/ai/ai-powered-eda/dso-ai.html?utm_source=chatgpt.com))\n\nその流れは **サインオフや物理設計** にも広がっています。Synopsys は signoff で **AI-driven technologies** を前面に出し、PrimeClosure を **AI-driven golden signoff ECO closure solution** と説明しています。Cadence も Cerebrus や agentic AI を implementation / back-end へ広げており、Siemens も Fuse EDA AI Agent を **place-and-route、physical sign-off、manufacturing readiness** まで広げるとしています。なのでAIは front-end だけでなく、**実装・クロージャ・サインオフ** にも深く入っています。 ([Synopsys](https://www.synopsys.com/implementation-and-signoff/signoff.html?utm_source=chatgpt.com))\n\nさらに最近は、**アナログやカスタム設計** にも入っています。Cadence は Virtuoso Studio を Cadence.AI Generative AI Platform の一部と位置づけ、アナログ / RF / mixed-signal / photonics まで支援するとしています。Synopsys も ASO.ai を **analog design, implementation and verification** の加速に使うとし、2026年には **AI-powered analog layout synthesis** を打ち出しています。Siemens も Solido を **custom IC design workflows** 向けの generative / agentic AI としています。つまりAIは、もはやデジタルRTLだけの話ではありません。 ([Cadence](https://www.cadence.com/en_US/home/tools/custom-ic-analog-rf-design/virtuoso-studio.html?utm_source=chatgpt.com))\n\n## Q&A方式でどのような状態か\n\n**SystemVerilog / Verilogを書く** \n→ **はい。** ただし全面自動ではなく、生成・修正・アップグレード・候補提示・制約付き生成が中心です。 ([Synopsys](https://www.synopsys.com/ja-jp/japan/press-releases/synopsys-announces-expanding-ai-capabilities-for-its-leading-eda-solutions.html))\n\n**AIとチャットしながら進める** \n→ **はい。** Knowledge Assistant、natural language interaction、workflow assistant はすでに主流化しつつあります。 ([Synopsys](https://www.synopsys.com/ja-jp/japan/press-releases/synopsys-announces-expanding-ai-capabilities-for-its-leading-eda-solutions.html))\n\n**IP選定やSoC構成支援** \n→ **一部は始まっている。** 特に spec から SoC fabric / IP を組む方向は出てきていますが、最終的なアーキテクチャ判断やベンダー横断選定は、まだ人間主導が強いです。 ([Cadence](https://www.cadence.com/en_US/home/tools/system-design-and-verification/chipstack-ai-superagent.html?utm_source=chatgpt.com))\n\n**検証環境の構築** \n→ **かなり進んでいる。** SVA、formal testbench、UVM sequences、coverage、debug triage、root-cause analysis はすでに公開機能としてかなり具体的です。 ([Synopsys](https://www.synopsys.com/blogs/chip-design/ai-chip-design-synopsys-microsoft.html))\n\n**あらゆる場面で使われるか** \n→ **方向性としてはYes。** 実際に major vendors は architecture / RTL / verification / implementation / signoff / analog / multiphysics / manufacturing readiness までAI適用範囲を広げています。ただし **成熟度は工程ごとに差がある** ので、今いちばん実用が強いのは **verification、debug、tool guidance、scripting、PPA最適化** です。 ([Synopsys](https://www.synopsys.com/ai/ai-powered-eda.html?utm_source=chatgpt.com))\n\n一言でまとめると、 \n**EDAのAIは、もう「ただのチャットボット」ではありません。** \nすでに **コード生成、検証生成、デバッグ、最適化、フロー実行** に入り始めています。 \nただし現時点では、**“AIがEDAツールを使う”世界が本格化してきた** のであって、**“人間なしで完全自律テープアウト”が普通になった** わけではありません。公開資料を見ても、各社とも基本は **human-in-the-loop の高性能化** として売っています。 ([Cadence](https://www.cadence.com/en_US/home/ai/ai-for-design.html))\n\n---\n\n## AIが今どこまでできて、どこがまだ人間の仕事か\n\nはい。 \nかなり雑に一言でまとめると、\\*\\*今のGPU開発でAIが最も実用に入っているのは「検証・デバッグ・PPA最適化・ツール操作支援」\\*\\*で、\\*\\*最後まで人が強く握っているのは「製品要求の定義」「アーキ判断」「最終IP採用判断」「サインオフ責任」\\*\\*です。Synopsysは Copilot/Knowledge Assistant/Workflow Assistant/RTL生成/DFT最適化を、Cadence は ChipStack/Verisium/Cerebrus を前面に出しており、両社とも「AIがかなり深く入る」が「設計の正しさとエンジニアリング規律は維持する」という立て付けです。 ([Synopsys](https://www.synopsys.com/ja-jp/japan/press-releases/synopsys-announces-expanding-ai-capabilities-for-its-leading-eda-solutions.html?utm_source=chatgpt.com))\n\n![](/media/58f1145aead752c0c02e4b369f3392f74c603b557691ca6665a98c1c9a434621-content.webp)\n\n![](/media/0e1c07638911a866d407f3b6ae5a92212af9ad19fdade3d59a40a2ad65c42584-content.webp)\n\nこの表をさらに短くすると、今のAI導入の現実はこうです。\n\n**もうかなり強い** \n→ ツール質問、スクリプト生成、RTLの叩き台、SVA/UVM生成、デバッグ、回帰最適化、PPA探索、DFT/ATPG最適化。 ([Synopsys](https://www.synopsys.com/ai/generative-ai.html?utm_source=chatgpt.com))\n\n**強いが、人の責任が重い** \n→ SoC構成、IP選定、制約の切り方、signoff判断、製品要求の優先順位。Cadence も「LLM alone is not enough」とし、shared mental model と engineering discipline を明示していますし、Synopsys も “Copilot/Assistant” として売っています。 ([Cadence](https://www.cadence.com/en_US/home/tools/system-design-and-verification/chipstack-ai-superagent.html))\n\nつまり現時点のGPU開発では、 \n**AIは“若手を即戦力化する副操縦士”と“膨大な探索を回す自動最適化エンジン”としてはかなり強い**です。 \nでも、**GPUという製品の意味を決める人、最後に責任を持って判を押す人**までは、まだ人間です。 ([Synopsys](https://www.synopsys.com/ja-jp/japan/press-releases/synopsys-announces-expanding-ai-capabilities-for-its-leading-eda-solutions.html?utm_source=chatgpt.com))\n\n---\n\n## AI導入で Synopsys・Cadence・Arm・Ansys の価値がそれぞれどう変わるか投資家目線で整理\n\n**Synopsys と Cadence は「AI時代にチップ設計が難しくなるほど儲かりやすい道具屋」**、**Arm は「AI時代に作られるチップそのものの中身で取る会社」**、**Ansys はいま単独株ではなく Synopsys の中で“物理解析の価値”として効く資産**、という見方が基本です。なお Ansys は 2025年7月17日に Synopsys が買収を完了しており、現在は単独の上場株としては見ません。 ([investor.synopsys.com](https://investor.synopsys.com/news/news-details/2025/Synopsys-Completes-Acquisition-of-Ansys/default.aspx))\n\nまず結論だけ先に言うと、私の見立てはこうです。 \n**いちばん“きれいなAI設計ツール銘柄”は Cadence**、**いちばん“戦略的な上振れ余地”が大きいのは Synopsys**、**いちばん“AI普及の量に賭ける銘柄”が Arm**、**Ansys は単独ではなく Synopsys 上乗せ要因**です。これは、Cadence が AI・検証・ハードウェア検証を独立で伸ばせる一方、Synopsys は Ansys 統合でシリコンからシステムまで広げられるからです。Arm は AIチップが増えるほど恩恵を受けやすいですが、EDAのような“ほぼ全社に課金する道具屋”とは性質が違います。 ([Cadence](https://www.cadence.com/en_US/home/company/newsroom/press-releases/pr/2026/cadence-unleashes-chipstack-ai-super-agent-pioneering-a-new.html))\n\n**Synopsys** \nAI導入で一番変わるのは、Synopsys が **「EDA会社」から「silicon-to-systems の工学基盤会社」へ広がった** ことです。Synopsys は 2025年9月に Copilot の拡張を発表し、Knowledge Assistant、Workflow Assistant、RTLコード生成、formal assertion 生成などを前面に出しました。さらに DSO.ai は PPA 最適化を自律探索する中核製品で、Synopsys 自身も AI をシリコン設計から製造・検証まで全体に適用する方針を示しています。そこへ 2025年7月の Ansys 買収が重なり、会社側は統合後TAMを 310億ドル、2026年上期に multiphysics を EDA スタックへ融合した最初の統合機能を出す計画だと説明しています。2026年度売上見通しの中間値 96.1億ドルには、Ansys 売上 29億ドル見込みがすでに織り込まれています。 ([investor.synopsys.com](https://investor.synopsys.com/news/news-details/2025/Synopsys-Announces-Expanding-AI-Capabilities-for-its-Leading-EDA-Solutions/default.aspx))\n\n投資家としての読み方は、**Synopsys は「AIで設計難度が上がるほど、EDA + 検証 + IP + 物理解析まで一体で取りにいける会社」になった** ということです。特に 2.5D/3D、先端パッケージ、熱・電源・電磁界まで絡む AI システムでは、論理設計だけでなく物理世界の整合が重要になるので、Ansys 統合が効きやすいです。逆にリスクは、**統合が大きいぶん実行難度が高い** ことです。だから Synopsys の投資判断は「AIそのもの」より、**Ansys を飲み込んで本当に platform company になれるか** が主論点です。これは私の推論ですが、ソースが示す TAM 拡大と統合ロードマップから見ると、4社の中でいちばん“上振れの幅”が大きいのは Synopsys です。 ([investor.synopsys.com](https://investor.synopsys.com/news/news-details/2025/Synopsys-Completes-Acquisition-of-Ansys/default.aspx))\n\n**Cadence** \nCadence の強みは、**AI導入の恩恵を、いちばん純粋で分かりやすい形で取りやすい** ところです。Cadence は 2024年 10-K で、Cerebrus を full-flow IC through signoff の generative AI と位置づけ、Verisium を verification flow 全体の GenAI、Palladium / Protium を AIチップなど巨大設計の検証加速基盤として説明しています。2026年2月には ChipStack AI Super Agent を発表し、仕様や高位記述から設計・検証を自動化し、設計コード・テストベンチ・テスト計画・回帰・デバッグ・自動修正で最大 10倍の生産性向上をうたっています。Cadence はこの agentic AI を NVIDIA の加速計算と組み合わせる発表もしており、AIチップ設計だけでなく system / physical AI 側へも広げています。 ([Cadence](https://www.cadence.com/content/dam/cadence-www/global/en_US/documents/company/investors/form-10-k-2024.pdf))\n\n投資家目線では、Cadence は **「AIで半導体設計が難しくなる」ことを最も素直に業績へ変換しやすい銘柄** です。理由は、フロントエンド設計、検証、PPA最適化、さらに emulation / prototyping hardware まで持っていて、しかも Synopsys のような大型統合案件を抱えていないからです。実際、Cadence は 2025年通期決算で 2026年売上見通し 59億～60億ドル、非GAAP営業利益率 44.75%～45.75%、年初バックログ 78億ドルを示しています。私の見方では、**“AI時代のEDA”を最もきれいに買うなら Cadence** です。弱点は、**すでにかなり高品質企業として評価されやすい** 点で、株価面では execution の良さがかなり織り込まれやすいことです。 ([investor.cadence.com](https://investor.cadence.com/news/news-details/2026/Cadence-Reports-Fourth-Quarter-and-Fiscal-Year-2025-Financial-Results/default.aspx?utm_source=chatgpt.com))\n\n**Arm** \nArm は EDA ではなく、**AIで増えるチップの中身に乗る会社** です。Arm の 2026年2月の投資家資料では、Q3 FYE26 のロイヤルティ売上が前年同期比 27%増の 7.37億ドルで、Armv9 と CSS、そしてデータセンターでの Arm 採用拡大が寄与したと説明しています。Arm はさらに、AI everywhere が高性能かつ電力効率の高い Arm 需要を押し上げるとし、CSS は設計時間・コスト・リスクを減らし、ロイヤルティ単価を大きく引き上げると説明しています。Q3 FYE26 時点で CSS は 21件のライセンス、Arm はそれが将来的に preferred model になりうると示しています。 ([Arm Investor Relations](https://investors.arm.com/static-files/43e9cb50-de86-4aee-b8d1-076460de27b8))\n\n投資家としてのポイントは、**Arm は AI 導入で “使われるチップの数” と “チップ1個あたりの取り分” の両方を伸ばせる可能性がある** ことです。特にクラウド、車載、IoT、カスタムAIアクセラレータ周辺で Arm ベース SoC が増えるほど追い風になります。ですが、Synopsys / Cadence と違って Arm は“設計のたびにほぼ必ず必要な道具”ではありません。だから、投資の性格としては **道具屋の安定成長より、設計勝ち筋・採用シェア・ロイヤルティ単価上昇に賭ける銘柄** です。私の見立てでは、**4社の中でいちばん上振れも下振れも大きいのが Arm** です。AI時代の勝者になれば大きいですが、収益化のタイミングは設計採用から量産ロイヤルティまで時差があります。 ([Arm Investor Relations](https://investors.arm.com/static-files/43e9cb50-de86-4aee-b8d1-076460de27b8))\n\n**Ansys** \nAnsys はいま単独の投資対象ではありませんが、**AI時代に価値が落ちるどころか、むしろ重要度が上がる資産** です。Synopsys は買収完了時に、AI時代の複雑なシステム開発には electronics と physics のより深い統合が必要だと説明し、Ansys を入れることで silicon design、IP、simulation and analysis を束ねるとしています。Ansys 自身も半導体・3D IC向けに thermal、EMI/EMC、power integrity などの multiphysics を前面に出しており、2024年には TSMC と AI を活用した 3D-IC 設計協業を発表しています。 ([investor.synopsys.com](https://investor.synopsys.com/news/news-details/2025/Synopsys-Completes-Acquisition-of-Ansys/default.aspx))\n\n投資家視点では、Ansys は **単独で買う会社ではなく、Synopsys の moat を深くする資産** です。AIサーバー、3D-IC、先端パッケージ、電力密度、熱設計が重くなるほど、Ansys の物理解析は「あると便利」ではなく「ないと怖い」に近づきます。つまり Ansys の価値は、今は **Synopsys の統合ストーリーの中で評価すべき** です。 ([investor.synopsys.com](https://investor.synopsys.com/news/news-details/2025/Synopsys-Completes-Acquisition-of-Ansys/default.aspx))\n\n株価面でひとことだけ添えると、**Synopsys と Cadence はすでにかなり高評価です。** 直近の市場データでは、Synopsys の時価総額は約 889.8億ドル、PER は約 80.8倍、Cadence の時価総額は約 957.1億ドル、PER は約 90.2倍です。なので、この2社は「AIで恩恵があるか」だけでなく、**その恩恵が今のバリュエーションをさらに上回る速度で利益に落ちるか** が重要です。\n\n私ならこう整理します。 \n**安定性と分かりやすさ重視なら Cadence。** \n**戦略的な化け方まで取りにいくなら Synopsys。** \n**AIコンピュート普及そのものに強く張るなら Arm。** \n**Ansys は単独ではなく Synopsys の統合価値として見る。** \nこの順です。これは企業側の公開資料に基づく私の推論ですが、**“AI設計ツールの王道”は Cadence、“AI時代の工学プラットフォーム化”は Synopsys、“AIチップ普及の取り分”は Arm** と分けるとかなり見やすいです。 ([Cadence](https://www.cadence.com/en_US/home/company/newsroom/press-releases/pr/2026/cadence-unleashes-chipstack-ai-super-agent-pioneering-a-new.html))\n\n---\n\n## EDAの売り方\n\n**EDAはふつうの個人向けSaaSみたいに「毎日どれだけ触ったか」で単純従量課金されることが多いわけではありません。** \n中心は今でも **企業向けの期間契約** で、そこに **フローティングライセンス、契約枠、クラウド従量課金** が混ざる形です。Synopsys は自社ソフトを主に **TSL（Technology Subscription License）という期間契約** で売っていると説明しており、Cadence も自社ソフトを主に **time-based licenses** でライセンスしていて、期間は通常 **2～3年** だと説明しています。 ([sec.gov](https://www.sec.gov/Archives/edgar/data/883241/000088324124000024/snps-20241031.htm))\n\nまず、**いちばん基本の売り方**はこうです。 \nEDAベンダーは、顧客企業に対して「このツール群を、この期間、この条件で使えます」という形で売ります。Cadence は、契約開始時点で提供される製品群を期間中使え、アップデートも受けられる time-based license を主力にしていると書いています。Synopsys も、TSL は有限期間の time-based license で、契約にはサポート、頻繁なアップデート、複数コピー、顧客環境への適用支援、さらに他ライセンスへの remix rights まで含むと説明しています。つまり、**「ソフト本体＋保守更新＋運用支援」が1つの契約に束ねられている**感じです。 ([sec.gov](https://www.sec.gov/Archives/edgar/data/883241/000088324124000024/snps-20241031.htm))\n\nなので、感覚としては \n**Adobeを1人で月額契約する**というより、 \n**会社全体でEDAツール群を数年契約し、必要な製品や更新やサポート込みで使う** \nに近いです。Cadence は time-based license の支払いは一般に契約期間にわたって行われるとし、Synopsys も支払いは通常、契約期間中にほぼ均等分割で受け取るとしています。 ([sec.gov](https://www.sec.gov/Archives/edgar/data/883241/000088324124000024/snps-20241031.htm))\n\n次に、**実際の使い方の単位**です。 \nここは「1人1ライセンス固定」だけではなく、**ライセンスサーバー経由で共有する形**が多いです。Synopsys は公開のライセンスガイドで、Network (floating)、Counted Nodelocked、Uncounted Nodelocked という形を示しており、ライセンスサーバーがネットワーク上のクライアントにライセンスを配る構成を説明しています。これは要するに、**同時に何人・何ジョブが使えるか**を契約数で管理する世界です。だから、実務感としては \n**「触った時間そのもの」より、「何本のライセンス枠を持つか」「同時利用数をどれだけ確保するか」** \nが重要です。 ([Synopsys](https://www.synopsys.com/support/licensing-installation-computeplatforms/licensing.html))\n\nつまり、あなたの質問にそのまま答えると、 \n**昔ながらの中心モデルでは「使えば使うほど毎秒課金」ではない**です。 \n多くの場合は、\n\n- 何のツールを使うか\n- 何本のライセンス枠を持つか\n- 何年契約か\n- 更新・保守を含むか\n- 追加製品や remix 権があるか \n で値段が決まります。Synopsys と Cadence の公開資料はどちらも、主力が時間ベースの契約で、サポートや更新を契約に含む形だと示しています。 ([sec.gov](https://www.sec.gov/Archives/edgar/data/883241/000088324124000024/snps-20241031.htm))\n\nただし、**最近はクラウド経由で「使った分だけ」に近いモデルも増えています。** \nここが重要な変化です。Synopsys Cloud は **FlexEDA** というモデルで、**EDAライセンスを minute-by-minute で使え、リアルタイムで使った分だけ払う**と明記しています。Cadence も cloud EDA の説明で **pay-as-you-go** や **burst capacity** を打ち出しており、OnCloud では **consumption-based usage model** を採ると説明しています。つまり最近は、特にクラウド側で \n**「普段は通常契約、ピーク時だけ従量」** \nあるいは \n**「クラウド上の特定製品は従量課金」** \nが現実に増えています。 ([Synopsys](https://www.synopsys.com/cloud/latest-release.html))\n\nなので、かなり実態に近く言い直すと、EDAの売り方は今こうです。\n\n**\\1. 中心は期間契約** \nEDAの本体は今でもこれが主流です。数年契約で、更新・保守・アップグレード込みで使う形です。 ([sec.gov](https://www.sec.gov/Archives/edgar/data/883241/000088324124000024/snps-20241031.htm))\n\n**\\2. 運用は同時利用数や契約枠で管理** \nライセンスサーバーで floating license を配るので、単純な「1人1本」ではなく、企業全体で共有することが多いです。 ([Synopsys](https://www.synopsys.com/support/licensing-installation-computeplatforms/licensing.html))\n\n**\\3. 大口顧客は“契約枠”で買うこともある** \nSynopsys は FSA（Flexible Spending Account）として、顧客が一定期間に固定金額をコミットし、その範囲で個別注文を引き出す形を説明しています。Cadence も一部顧客について、一定期間の固定金額コミットメントがあるとしています。つまり大企業では、**「この部署で年いくら使う」枠契約**に近い買い方もあります。 ([sec.gov](https://www.sec.gov/Archives/edgar/data/883241/000088324124000024/snps-20241031.htm))\n\n**\\4. クラウドでは従量課金が増えている** \nSynopsys は分単位課金、Cadence は pay-as-you-go / consumption-based を明示しています。ここは一般的なSaaSやクラウドにかなり近いです。 ([Synopsys](https://www.synopsys.com/cloud/latest-release.html))\n\nあと、少し分けて考えた方がいいのが、**EDAソフトそのもの** と **IP** と **ハードウェア検証機** です。 \nSynopsys も Cadence も、EDAソフトだけでなく **IP** や **ハードウェア** も売っています。IP は Synopsys だと **per design basis**、つまり設計ごと課金が典型で、場合によっては **royalty** もあります。Cadence も design IP は **特定設計向けの非独占ライセンス**で、場合によっては顧客製品の出荷に応じた **royalty** を取るとしています。これはEDA本体の「期間契約」とは別の取り方です。 ([sec.gov](https://www.sec.gov/Archives/edgar/data/883241/000088324124000024/snps-20241031.htm))\n\nさらに、Cadence はハードウェア製品を **sale or lease**、つまり販売またはリースすると説明していて、エミュレーションハードウェアはクラウド経由の利用も可能だとしています。つまりEDA会社は、 \n**ソフトは期間契約**、 \n**IPは設計単位やロイヤルティ**、 \n**ハードは販売・リース**、 \n**クラウドは従量もあり** \nという複数の収益モデルを持っています。 ([sec.gov](https://www.sec.gov/Archives/edgar/data/883241/000088324124000024/snps-20241031.htm))\n\n一言で整理すると、\n\n**昔からのEDA本体** \n→ 期間契約が中心。使えば使うほど秒単位で増える形ではない。 ([sec.gov](https://www.sec.gov/Archives/edgar/data/883241/000088324124000024/snps-20241031.htm))\n\n**実務での運用** \n→ フローティングライセンスや契約枠で、同時利用数や使える製品範囲を管理する。 ([Synopsys](https://www.synopsys.com/support/licensing-installation-computeplatforms/licensing.html))\n\n**新しいクラウド型EDA** \n→ 使った分だけに近い pay-as-you-go / consumption-based が増えている。 ([Synopsys](https://www.synopsys.com/cloud/latest-release.html))\n\n**「基本は使い放題に近い期間契約だが、契約範囲と同時利用数で縛る。最近はクラウドだけ従量課金が増えている」** \nがいちばん実態に近いです。 ([sec.gov](https://www.sec.gov/Archives/edgar/data/883241/000088324124000024/snps-20241031.htm))\n\n---\n\n## NVIDIAみたいな大手ファブレスが、Synopsys/Cadenceに実際どんな買い方をしていそうかを、現実的な運用イメージで説明\n\nただしこれは **NVIDIA の実際の契約書が公開されているわけではない** ので、以下は **NVIDIA の事業形態** と **Synopsys/Cadence の公開されている販売モデル** から組み立てた、かなり現実的な運用イメージです。NVIDIA は自社工場を持たない **fabless** で、製造の全段階を外部パートナーに委ねる形を取っており、TSMC のようなファウンドリ、CoWoS パッケージ、組立・テスト外部委託先を使っています。 ([s201.q4cdn.com](https://s201.q4cdn.com/141608511/files/doc_financials/2026/q4/10K-NVDA.pdf))\n\n## まず全体像\n\nNVIDIA 級の大手ファブレスは、Synopsys / Cadence からおそらく次の4つを組み合わせて買っています。\n\n1. **中核EDAソフトの長期契約**\n2. **チーム全体で共有するフローティングライセンス枠**\n3. **ピーク時だけ膨らませるクラウド利用枠**\n4. **必要に応じて IP とハードウェア検証機の別契約**\n\nこの「本体は長期契約、山場だけクラウド増強、検証ハードは別建て」という形が、いちばん自然です。Synopsys は主力ソフトを **time-based software licenses with support** として売っており、Cadence も主力は **time-based licenses** で、契約期間は一般に **2～3年** だと説明しています。Synopsys はクラウド側で **FlexEDA の by-the-minute 課金** も提供しています。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000024/snps-20250731.htm))\n\n## たぶん一番近い買い方のイメージ\n\n### \\1. まず会社として“大口の包括契約”を結ぶ\n\nNVIDIA のような規模なら、個々の設計者が月額プランを買うのではなく、まず会社全体、または大きな事業部単位で \n**「今後2～3年、この製品群をこの規模で使う」** \nという大口契約を結ぶのが自然です。Cadence は time-based license の期間が一般に2～3年で、支払いも通常は期間中の均等または近似均等分割だと説明しています。Synopsys も time-based software license と support を束ねた subscription arrangement を主力にしています。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000024/snps-20250731.htm))\n\n投資家的に言い換えると、これは \n**「毎月の操作量で小さく払う」より、「大きな開発体制を前提に年間予算で押さえる」** \nモデルです。 \n大手ファブレスは製品開発を止められないので、まずベースキャパシティを契約で確保するはずです。これは公開資料からの推論ですが、販売モデルと顧客規模を考えるとかなり自然です。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000024/snps-20250731.htm))\n\n### \\2. その契約の中で、チームごとにライセンス枠を使い分ける\n\n実運用では、GPU 設計は1チームではなく、\n\n- フロントエンドRTL\n- 検証\n- 論理合成\n- 配置配線\n- サインオフ\n- DFT\n- 物理解析 \n のように分かれています。なので NVIDIA は、1枚岩のライセンスではなく、**製品群ごとのライセンス枠** を持ち、必要なチームがライセンスサーバー経由で同時利用していると考えるのが自然です。Synopsys はネットワーク型のライセンス管理と、クラウド/オンプレ両対応のライセンス管理を案内しています。 ([Synopsys](https://www.synopsys.com/cloud.html))\n\n感覚としては、 \n**「社員1人に1本ずつ配る」より、「会社に大きなライセンスプールがあって、その時使う人が借りる」** \nに近いです。 \nだから NVIDIA のような会社では、費用管理の中心は「誰が何時間触ったか」より、**どの製品群の同時利用枠をどれだけ確保するか** になりやすいです。これは Synopsys/Cadence の time-based enterprise 寄りモデルからの推論です。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000024/snps-20250731.htm))\n\n### \\3. 通常時はオンプレ中心、山場はクラウドで“バースト”させる\n\n大手ファブレスは、常時ピーク容量を自前で持つより、**普段はベース契約で回し、テープアウト前や大規模回帰の山場だけクラウドで増強** するのが合理的です。Cadence は Cloud EDA で **pay-as-you-go and burst capacity** を、Synopsys Cloud は **pay-per-use access to unlimited licenses by-the-minute** を打ち出しています。 ([Cadence](https://www.cadence.com/en_US/home/explore/eda-in-the-cloud.html?utm_source=chatgpt.com))\n\nなので、かなり現実的な運用像はこうです。\n\n- 普段の設計・日常回帰は社内の通常契約と既存計算基盤で回す\n- 大規模な nightly regression、サインオフ詰め、物理実装の探索、締切前の最後の追い込みではクラウドに逃がす\n- クラウドは「恒久的な本体」ではなく「納期を守るための伸縮用」\n\n特に AI GPU のような巨大設計では、締切前の検証や PPA 探索が急増しやすいので、この使い方はかなりありそうです。これは公開モデルに基づく推論です。 ([Cadence](https://www.cadence.com/en_US/home/explore/eda-in-the-cloud.html?utm_source=chatgpt.com))\n\n## Synopsys と Cadence をどう使い分けていそうか\n\n### Synopsys 側\n\nNVIDIA 級なら Synopsys からは、\n\n- デジタル実装・サインオフ系\n- DFT / ATPG\n- 一部の検証\n- 必要に応じてソフトウェア/セキュリティ寄り資産\n- クラウド burst capacity \n をまとめて買っている可能性が高いです。Synopsys はソフトを subscription と perpetual の両方で提供し、クラウドでは FlexEDA と term-based license の両方を出しています。ハードウェア製品は emulation / prototyping systems で、**sold or leased** です。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000024/snps-20250731.htm))\n\n### Cadence 側\n\nCadence からは、\n\n- フロントエンド設計\n- 検証\n- 実装・サインオフ\n- Palladium / Protium のようなハードウェア検証基盤 \n を大きく押さえている絵が自然です。Cadence も主力は 2～3年の time-based license で、ハードウェア製品は **sold or leased**、しかも emulation hardware は **Cadence-managed cloud arrangement** でも利用可能です。 ([CloudFront](https://d18rn0p25nwr6d.cloudfront.net/CIK-0000813672/d0c91eef-b024-4f77-925f-bd540cb7bdef.pdf))\n\nつまり NVIDIA 級だと、 \n**ソフトは長期包括契約、検証ハードは別建て、必要に応じてクラウドで増強** \nという三層構造になっていそうです。 ([CloudFront](https://d18rn0p25nwr6d.cloudfront.net/CIK-0000813672/d0c91eef-b024-4f77-925f-bd540cb7bdef.pdf))\n\n## IP はさらに別の買い方をしていそう\n\nEDA 本体とは別に、SoC や GPU 周辺では各種 IP も必要になります。 \nここは EDA の「使い放題契約」とは別で、**設計単位・製品単位・プロジェクト単位** の扱いになりやすいです。Cadence は design IP を **specific designs** 向けの nonexclusive license として売ると説明しています。Synopsys も IP はソフト契約とは別の収益区分です。 ([CloudFront](https://d18rn0p25nwr6d.cloudfront.net/CIK-0000813672/d0c91eef-b024-4f77-925f-bd540cb7bdef.pdf?utm_source=chatgpt.com))\n\nなので NVIDIA のような会社は、たとえば\n\n- EDA は企業包括契約\n- 検証ハードは購入/リース\n- IP は個別プロジェクト単位 \n という形で、契約の箱が分かれているはずです。これは公開されている販売構造からの推論です。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000024/snps-20250731.htm))\n\n## かなり具体的な“現場の風景”にすると\n\nたぶん、NVIDIA みたいな会社ではこんな感じです。\n\n**平時** \n設計者は社内ネットワーク上の既存ライセンスプールを使う。 \n日常のRTL、検証、合成、配置配線は通常契約の枠内で回す。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000024/snps-20250731.htm))\n\n**開発が佳境に入ると** \n大規模回帰、PPA探索、サインオフ、DFT生成が増え、ライセンス需要と計算需要が急増する。 \nここでクラウドにジョブを逃がし、分単位または pay-as-you-go で一時的に膨らませる。 ([Synopsys](https://www.synopsys.com/cloud.html))\n\n**巨大検証では** \nPalladium / Protium や ZeBu / HAPS のようなハードウェア支援検証機を、購入またはリースした設備として使う。場合によってはクラウド経由で使う。 ([CloudFront](https://d18rn0p25nwr6d.cloudfront.net/CIK-0000813672/d0c91eef-b024-4f77-925f-bd540cb7bdef.pdf?utm_source=chatgpt.com))\n\n**経理・購買の目線では** \n月ごとの細かな従量課金管理より、\n\n- 2～3年の契約総額\n- 部門ごとのライセンス枠\n- クラウド burst の追加費用\n- ハードウェア検証機の償却またはリース\n- IP の個別契約 \n を別々に管理しているはずです。これは各社の収益構造からの推論です。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000024/snps-20250731.htm))\n\n## 一言でまとめると\n\nNVIDIA 級の大手ファブレスは、Synopsys / Cadence を \n**「必要な時に1席ずつ買うソフト」ではなく、「開発工場そのものを動かすための基幹インフラ」** \nとして買っている、と見るのがいちばん近いです。 \n普段は長期契約で土台を押さえ、締切前だけクラウドで膨らませ、巨大検証は別途ハードで支える。これが最も現実的な像です。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000024/snps-20250731.htm))\n\n---\n\n## 長期契約はどれくらいだとだいたいどれくらいの売り上げと利益になるか\n\nはい。 \nただし、**個別契約の金額や採算はほぼ非公開** なので、ここで言えるのは **公開財務から逆算した「だいたいこのくらい」** です。 \nいちばん大事なのは、EDAの長期契約は **契約総額 = その年の売上** ではないことです。Cadence の time-based license は一般に **2～3年** で、支払いは **期間中の equal or near equal installments** が多く、売上は **契約期間にわたって認識** されます。Synopsys の TSL も一般に **3年** ですが、2025年の会計方針更新後は **time-based license 部分は開始時点寄り、support は期間按分** という形になっており、Cadence より売上認識がやや前倒しになりうる点は押さえておいた方がいいです。 ([CloudFront](https://d18rn0p25nwr6d.cloudfront.net/CIK-0000813672/d0c91eef-b024-4f77-925f-bd540cb7bdef.pdf))\n\nまず、ざっくりした採算の目安です。 \nCadence の FY2025 は売上 **52.97億ドル**、GAAP営業利益率 **28.2%**、non-GAAP営業利益率 **44.6%** でした。Cadence の FY2025 の売上総利益率は、売上 **52.968億ドル** と売上原価 **7.223億ドル** から逆算すると **約86.4%** です。Synopsys の FY2025 は売上 **70.54億ドル**、売上総利益 **54.31億ドル** なので、GAAPベースの売上総利益率は **約77.0%** です。Synopsys の FY2026ガイダンスは売上 **95.6億～96.6億ドル**、non-GAAP費用 **56.9億～57.5億ドル** なので、単純計算の non-GAAP営業利益率は **約39.9%～41.1%** です。 ([investor.cadence.com](https://investor.cadence.com/news/news-details/2026/Cadence-Reports-Fourth-Quarter-and-Fiscal-Year-2025-Financial-Results/default.aspx))\n\nなので、**EDAの長期契約1本あたりの“ざっくり採算”** を見るときは、\n\n- **売上総利益率** はおおむね **77%～86%くらい**\n- **営業利益率** はおおむね **28%～45%くらい** \n と見ておくと、かなり現実に近いです。 \n もちろん実際には、ソフト中心か、クラウド利用が多いか、サービスをどれだけ付けるか、値引き、ハードウェア検証機やIPが混ざるかで上下します。特に Cadence は 2025年売上の **76%** を over-time で認識しており、ハードウェアやIPの比率が上がると利益率や認識タイミングは変わりやすいです。 ([CloudFront](https://d18rn0p25nwr6d.cloudfront.net/CIK-0000813672/d0c91eef-b024-4f77-925f-bd540cb7bdef.pdf))\n\nわかりやすくするため、**「ほぼソフト中心の長期契約」** として、単純化した例を出します。 \nここではまず **3年契約で年均し** のイメージで見ます。Cadence型だとかなりこの見方に近く、Synopsys型だと実際はこれより少し前倒しになる可能性があります。 ([CloudFront](https://d18rn0p25nwr6d.cloudfront.net/CIK-0000813672/d0c91eef-b024-4f77-925f-bd540cb7bdef.pdf))\n\n![](/media/80816f04e6ca2d28ca21b1e3b66a0dc140342223f3a0a57739ebcf6c1262e898-content.webp)\n\nこの表は、上の公開財務の **77%～86%粗利、28%～45%営業利益** をそのまま当てはめた概算です。 ([investor.cadence.com](https://investor.cadence.com/news/news-details/2026/Cadence-Reports-Fourth-Quarter-and-Fiscal-Year-2025-Financial-Results/default.aspx))\n\nただ、**NVIDIA級の大手ファブレス向け契約** だと、実際はもう少し複雑です。 \nなぜなら、1本の契約の中に\n\n- time-based software\n- cloud burst\n- services\n- hardware emulation / prototyping\n- IP \n が混ざることがあるからです。Cadence は hardware や IP も売っていて、ハードは sale/lease、IP は別の認識ルールがありますし、Synopsys も subscription software と upfront products が混在します。だから、**「契約総額3億ドルだから毎年きれいに1億ドル売上」** とは限りません。特に Synopsys は、time-based software license を arrangement 開始時点寄りに upfront product revenue として認識し、support を期間按分するため、同じ3年契約でも **初年度売上がやや厚く見える** 可能性があります。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000024/snps-20250731.htm))\n\n投資家目線でいちばん使いやすい考え方は、 \n**「大型EDA契約は、受注した瞬間に全部売上になるのではなく、数年かけて売上化し、利益率はかなり高い」** \nという理解です。Synopsys は自社の revenue recognized in a particular period generally results from selling efforts in prior periods と述べており、ソフトウェアライセンス売上は通常 **約3年の arrangement period** にまたがるため、顧客支出の増減が即座に売上へは跳ねにくいと説明しています。これは EDA 企業の売上が比較的安定して見えやすい大きな理由です。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000024/snps-20250731.htm))\n\nかなり実務に寄せて言うと、たとえば **3年総額3,000万ドルの純ソフト寄り契約** なら、 \nCadence型の見え方では **年間売上はだいたい1,000万ドル前後**、会社全体並みの採算を当てるなら **年間営業利益は280万～450万ドル程度** がひとつの目安です。Synopsys型ではこれと同程度の総利益水準でも、**売上認識のタイミングはやや前倒し** になりえます。 ([CloudFront](https://d18rn0p25nwr6d.cloudfront.net/CIK-0000813672/d0c91eef-b024-4f77-925f-bd540cb7bdef.pdf))\n\n逆に、**本当に巨大な顧客向けの包括契約** は、1件で数千万ドルどころか、複数製品群・クラウド・ハード・IPまで含めて **年数千万～億ドル級のランレート** になっていても不思議ではありません。これは個別開示はありませんが、Cadence の 2025年売上 **52.97億ドル**、Synopsys の 2025年売上 **70.54億ドル**、Cadence backlog **78億ドル**、Synopsys backlog の認識期間が複数年にまたがることを見ると、大口顧客契約は相当大きいはずだと推測できます。これは公開財務からの推論です。 ([investor.cadence.com](https://investor.cadence.com/news/news-details/2026/Cadence-Reports-Fourth-Quarter-and-Fiscal-Year-2025-Financial-Results/default.aspx))\n\n一言でまとめると、 \n**3年契約なら、ざっくり「契約総額 ÷ 3」が年間売上の基本線**、 \n**粗利はその約8割前後、営業利益は約3～4.5割前後**、 \nと見ておくと投資家目線ではかなり使いやすいです。 \nただし **Synopsysは会計上やや前倒し、Cadenceはより期間按分寄り** という違いはあります。 ([CloudFront](https://d18rn0p25nwr6d.cloudfront.net/CIK-0000813672/d0c91eef-b024-4f77-925f-bd540cb7bdef.pdf))\n\n---\n\n## 「NVIDIAクラスの顧客1社がEDA各社に年間いくら払っていそうか」 を、かなり現実的なレンジで試算\n\nただしこれは **公開資料からの推定** で、**NVIDIA の実契約金額を示すものではありません。** \nいちばんブレにくいやり方は、まず **公開資料でわかる上限** を置き、その下に **平常年の現実的レンジ** と **山場の年の上振れレンジ** を置くことです。Synopsys の 2025年売上は **70.54億ドル**、Cadence の 2025年売上は **52.97億ドル** で、Cadence は **2025年に単一顧客10%超なし**、Synopsys も **2025年は単一顧客10%超なし** でしたが、**2024年と2023年には単一顧客が12.6%、13.5%** を占めた年がありました。Cadence の time-based license は一般に **2～3年**、Synopsys のソフト契約も一般に **2～3年** です。 ([SEC](https://www.sec.gov/Archives/edgar/data/813672/000081367226000016/cdns-20251231.htm))\n\n## まず「絶対にあり得る上限」\n\n公開資料だけから言える、かなり硬い上限はこうです。\n\n- **Synopsys 向け** \n 2025年は単一顧客10%超なしなので、**年間 7.05億ドル未満** です。2024年には単一顧客が **12.6%** を占めたので、その年のような特殊年なら **約7.7億ドル規模** の超大型顧客も理論上はあり得ます。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000028/snps-20251031.htm))\n- **Cadence 向け** \n 2025年は単一顧客10%超なしなので、**年間 5.30億ドル未満** です。 ([SEC](https://www.sec.gov/Archives/edgar/data/813672/000081367226000016/cdns-20251231.htm))\n\nただ、この水準は **かなり外れ値寄り** です。 \n毎年そこまで貼り付くなら開示上かなり目立ちやすいので、**“平常運転の NVIDIA 級顧客”** を考えると、もう少し下のレンジで見る方が自然です。これは公開されている売上規模と顧客集中度からの推論です。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000028/snps-20251031.htm))\n\n## 私の推定レンジ\n\n### \\1. 平常年の「かなり現実的」なレンジ\n\nこれは **大口の包括契約 + 通常のクラウドバースト + 一部IP/サービス** を含むが、**大型ハードウェア検証機の一時的な大量導入までは強く織り込まない** ケースです。\n\n![](/media/efb5b645d450817f3e7be782e93efeefb0f48408fb4debfd8e04e43ca2d611b4-content.webp)\n\nこのレンジを中心値で見るなら、 \n**Synopsys 約2.5億ドル、Cadence 約1.8億ドル、合計約4.3億ドル/年** \nくらいが、私にはいちばんしっくりきます。 \n理由は、両社とも多数の大口顧客を抱える一方で、NVIDIA 級なら enterprise-wide 契約、回帰、PPA探索、クラウド増強をかなり大きく使っていても不思議ではなく、**各社売上の2～5%前後** は十分あり得るからです。これは開示されている売上規模、顧客集中度、2～3年契約中心という事実に基づく私の推定です。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000028/snps-20251031.htm))\n\n### \\2. 山場の年の上振れレンジ\n\nこれは **エミュレーション/プロトタイピング機の大型導入、IPの前倒し、クラウド利用の急増、複数プロジェクトの重なり** がある年です。\n\n![](/media/559afbe67928233f27c1aace5be2db18e5290077fa295e8229df9135be593112-content.webp)\n\nこの水準なら、まだ **Cadence の「10%未満」** と **Synopsys の 2025年「10%未満」** に十分収まりつつ、Synopsys で過去に開示された **12.6%級の超大型顧客年** ほどではない、という位置です。つまり **“かなり大きいが、異常値ではない”** レベルです。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000028/snps-20251031.htm))\n\n## なぜこのくらいになりそうか\n\n理由は3つです。\n\n1つ目は、**契約が短期の席課金ではなく、2～3年の enterprise 契約中心** だからです。Cadence は time-based license が一般に **2～3年** で、支払いは通常 **契約期間中の均等または近似均等分割**、収益は over time 認識だと説明しています。Synopsys もソフト契約は一般に **2～3年** としています。つまり NVIDIA 級の顧客なら、部署単位ではなく会社・事業部単位でかなり大きな基盤契約を持っていると考えるのが自然です。 ([SEC](https://www.sec.gov/Archives/edgar/data/813672/000081367226000016/cdns-20251231.htm))\n\n2つ目は、**両社とも backlog が非常に大きい** ことです。Synopsys の 2025年 backlog は **約114億ドル**、Cadence の remaining performance obligations は **約78億ドル** で、Cadence はそのうち **53%を次の12か月、43%をその後13～36か月** で認識見込みだとしています。これは、超大口顧客の支払いが「単発の小さなSaaS費用」ではなく、かなり大きな multi-year commitment で回っていることを示しています。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000028/snps-20251031.htm))\n\n3つ目は、**売上の中にソフトだけでなく、IP、クラウド、ハードウェアが混ざりうる** ことです。Cadence はハードウェア製品を sold or leased とし、IP は specific designs 向けのライセンス、場合によりロイヤルティもあると説明しています。Synopsys も 2025年売上の内訳で、**time-based products 34.90億ドル、upfront products 20.11億ドル、maintenance/service 15.54億ドル** と開示しており、上流ソフトだけでなく upfront の IP/ハード/その他が大きいです。だから NVIDIA 級顧客の年次支出も、**純ソフト年** と **ハードやIPが重なる年** でかなり振れます。 ([SEC](https://www.sec.gov/Archives/edgar/data/813672/000081367226000016/cdns-20251231.htm))\n\n## かなり短く言うと\n\n私の推定はこうです。\n\n- **Synopsys**: 平常年 **1.5億～3.5億ドル**、山場の年 **2.5億～5.0億ドル**。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000028/snps-20251031.htm))\n- **Cadence**: 平常年 **1.0億～2.5億ドル**、山場の年 **1.5億～3.5億ドル**。 ([SEC](https://www.sec.gov/Archives/edgar/data/813672/000081367226000016/cdns-20251231.htm))\n- **合計**: 平常年 **2.5億～6.0億ドル**、山場の年 **4.0億～8.5億ドル**。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000028/snps-20251031.htm))\n\n私なら、**NVIDIAクラスの1社が2社合計で年間4億ドル前後払っていても全く驚かない**、という見方をします。 \n一方で、**毎年10億ドル級** を常態と見るのは、現時点の公開情報だけではやや強気すぎます。Synopsys でも Cadence でも、顧客集中度開示との整合が悪くなりやすいからです。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000028/snps-20251031.htm))\n\n---\n\n## HBMやDRAMのようなメモリからnand、トランシーバーやスイッチでの工程\n\nはい。 \n超ざっくり先に言うと、主役はこう分かれます。\n\n**HBM/DRAM** \n→ **メモリアレイ設計 + カスタム/アナログ + 3D/先端パッケージEDA** が重いです。 ([Synopsys](https://www.synopsys.com/implementation-and-signoff/custom-design-platform.html))\n\n**NAND** \n→ **メモリアレイ/周辺回路のカスタム設計** に加えて、**ONFI/Toggleなどのインターフェース検証** が重いです。 ([Synopsys](https://www.synopsys.com/memory.html))\n\n**トランシーバー（SerDesなど）** \n→ **アナログ/RF設計 + EM/SI/PI解析 + パッケージ/基板込みのチャネル解析** が主役です。 ([Cadence](https://www.cadence.com/en_US/home/tools/custom-ic-analog-rf-design/virtuoso-studio/rf.html))\n\n**スイッチASIC** \n→ **巨大デジタルSoCのRTL検証・エミュレーション・配置配線・サインオフ** が主役で、I/O側だけトランシーバー系EDAが乗ります。 ([Cadence](https://www.cadence.com/en_US/home/tools/digital-design-and-signoff.html))\n\n---\n\n## まず共通の流れ\n\nどの製品でも、だいたいは\n\n**仕様/アーキ検討 → 回路/RTL/モデル作成 → 検証 → レイアウト/実装 → 抽出/サインオフ → パッケージ/基板/システム解析**\n\nの順です。 \nただし、**デジタル比率が高い製品**は Cadence の Digital Design and Signoff や Synopsys の verification / HAV / signoff 系が中心になり、**アナログ/メモリ/高速I/O比率が高い製品**は Virtuoso / Custom Compiler / Spectre / PrimeSim のような custom IC・回路シミュレーション系が中心になります。さらに、パッケージや基板まで効く製品では、Ansys や Cadence Sigrity / Clarity のような SI/PI/熱/EM 解析が後半で強く効きます。 ([Synopsys](https://www.synopsys.com/implementation-and-signoff/custom-design-platform.html))\n\n---\n\n## \\1. HBM / DRAM ではどこで何を使うか\n\n### 仕様・アーキ段階\n\nここでは、容量、帯域、電力、レイテンシ、I/O構成、リフレッシュやトレーニングの成立性を決めます。 \nHBMになると、**ダイ単体ではなく多ダイ/先端パッケージ込み**で成立させる必要があるので、普通のDRAMより早い段階から 2.5D/3D の co-design が入ります。Synopsys 3DIC Compiler は、2.5D/3D multi-die 向けに feasibility exploration、partitioning、floorplanning、high-speed die-to-die routing、multiphysics analysis、signoff verification をまとめて扱うと説明しています。 ([Synopsys](https://www.synopsys.com/implementation-and-signoff/3dic-design.html))\n\n### 回路設計\n\nHBM/DRAM本体では、**メモリセル、周辺回路、I/O、タイミング回路**の比重が大きいので、主役は custom IC / analog / mixed-signal 系です。Synopsys は Custom Compiler + PrimeSim + parasitic extraction + reliability/physical verification を、Cadence は Virtuoso + Spectre を custom IC / analog / RF 設計の中核として出しています。 ([Synopsys](https://www.synopsys.com/implementation-and-signoff/custom-design-platform.html))\n\n### 検証\n\nここはデジタルSoCのようにRTL検証だけでは終わりません。 \n**SPICE級の回路シミュレーション、寄生成分込みの確認、custom memory/macros の等価性確認** が重要です。Synopsys ESP は embedded memories や custom macros について、Verilog / RTL / Gate / Switch / SPICE など異なる表現同士の機能等価を確認する用途だとしています。 ([Synopsys](https://www.synopsys.com/implementation-and-signoff/signoff/esp.html))\n\n### レイアウト・サインオフ\n\nメモリは配列が大きく、寄生やばらつきの影響も大きいので、**早い段階から寄生抽出・信頼性解析・物理検証** を回します。Synopsys の memory flow でも、block/chip-level simulation、ML-driven optimization、early parasitic analysis、layout reuse、digitized memory design implementation flows を前面に出しています。 ([Synopsys](https://www.synopsys.com/memory.html))\n\n### HBMだけ追加で重いところ\n\nHBMでは、**TSV/積層/インターポーザ/多ダイ接続/熱/電源** が一気に重くなります。Synopsys 3DIC Compiler は power/signal integrity、thermal、mechanical stress の multiphysics を統合し、Ansys の半導体解析も 3D/2.5D chip-package co-analysis、power integrity、thermal、thermal-mechanical stress を扱います。 ([Synopsys](https://www.synopsys.com/implementation-and-signoff/3dic-design.html))\n\n**要するに** \nHBM/DRAMは、\\*\\*「デジタルSoCよりも custom memory / analog 寄り」**で、HBMだけさらに**「先端パッケージEDAが必須」\\*\\*になります。 ([Synopsys](https://www.synopsys.com/implementation-and-signoff/custom-design-platform.html))\n\n---\n\n## \\2. NAND ではどこで何を使うか\n\n### 設計の中心\n\nNANDも、実務感としては **メモリアレイ + 周辺回路 + インターフェース + 制御ロジック** の組み合わせです。なので、**アレイ/周辺回路は custom memory flow**、**制御やインターフェースはデジタル検証 flow** という二層構造になります。Synopsys の memory flow は memory design 全体に対して block/chip simulation、ML optimization、early parasitic analysis を打ち出しており、custom IC family は analog / mixed-signal / layout / physical verification を束ねています。 ([Synopsys](https://www.synopsys.com/memory.html))\n\n### 回路・レイアウト\n\nNANDでも、回路の主役はカスタム設計側です。つまり、Virtuoso / Custom Compiler のような回路・レイアウト環境、Spectre / PrimeSim のような回路シミュレータ、寄生抽出・物理検証が重く使われます。 ([Synopsys](https://www.synopsys.com/implementation-and-signoff/custom-design-platform.html))\n\n### インターフェース検証\n\nNANDは製品メモリなので、**ONFI や Toggle NAND などの規格インターフェース検証**が重要です。Synopsys は NAND Flash Verification IP を、Cadence は ONFI / Toggle NAND / SPI NAND 向け VIP を提供しており、UVM ベースの IP / SoC / system-level verification に使えるとしています。 ([Synopsys](https://www.synopsys.com/blogs/chip-design/nand-flash-memory-system-verification.html?utm_source=chatgpt.com))\n\n### もしSoCの中にNANDコントローラを載せるなら\n\nその場合は NAND本体そのものとは別に、**NAND controller IP / PHY / ECC / DMA / firmware周辺** をデジタルSoCとして設計します。Cadence には NAND Flash controller IP と NAND PHY IP があり、主要 NAND 規格への対応を前面に出しています。 ([Cadence](https://www.cadence.com/en_US/home/resources/brochures/controller-ip-for-nand-flash-br.html?utm_source=chatgpt.com))\n\n**要するに** \nNANDは、**ダイの中は memory/custom flow**、**外とのやり取りは protocol verification / digital flow** が効く、という理解が近いです。 ([Synopsys](https://www.synopsys.com/memory.html))\n\n---\n\n## \\3. トランシーバーではどこで何を使うか\n\n### ここが一番「アナログ/RF/SI」色が強い\n\nSerDesや高速トランシーバーは、**送受信アナログ回路、PLL/CDR、等化、ドライバ/レシーバ、パッケージ、基板チャネル** が全部つながって性能が決まります。Cadence Virtuoso Studio RF は、schematic と layout の同時設計、RF/system simulation、EM/thermal analysis、optimization を単一環境で扱うと説明しています。 ([Cadence](https://www.cadence.com/en_US/home/tools/custom-ic-analog-rf-design/virtuoso-studio/rf.html))\n\n### 回路設計\n\nここでは Virtuoso / Custom Compiler と Spectre / PrimeSim のような **回路設計 + SPICE/RFシミュレーション** が主役です。RFやmm-waveまで行くと、EMソルバやSパラメータ解析、非線形解析も強く使います。Cadence の RF flow では Spectre RF、EMX、PVS、EM/thermal analysis、S-parameter analysis などが明示されています。 ([Cadence](https://www.cadence.com/en_US/home/tools/custom-ic-analog-rf-design/virtuoso-studio/rf.html))\n\n### チャネル解析\n\nトランシーバーで決定的に重要なのが、**チップの回路だけでなく、パッケージと基板を通ったあとでも波形が開くか**です。Cadence Sigrity SystemSI は、serial link analysis で eye diagram、bathtub curve、BER prediction を行うと説明しています。Cadence の high-speed design ページでも、反射、crosstalk、impedance mismatch、PDN noise、EMI を fabrication 前に解析するとしています。 ([Cadence](https://www.cadence.com/en_US/home/resources/datasheets/sigrity-systemsi-signal-integrity-solutions-ds.html))\n\n### パッケージ/基板/システム\n\nここは Ansys や Sigrity / Clarity の守備範囲です。Ansys は電子機器向けに PI/SI/EMI/thermal を、Cadence は high-speed PCB / package co-analysis を前面に出しています。 ([ansys.com](https://www.ansys.com/products/electronics?utm_source=chatgpt.com))\n\n**要するに** \nトランシーバーは、4分類の中でいちばん \n**「アナログ設計EDA + RF/EM解析EDA + SI/PI/基板EDA」** \nの比率が高いです。 ([Cadence](https://www.cadence.com/en_US/home/tools/custom-ic-analog-rf-design/virtuoso-studio/rf.html))\n\n---\n\n## \\4. スイッチASICではどこで何を使うか\n\n### 仕様・RTL\n\nネットワークスイッチASICは、基本的に **巨大デジタルSoC** です。 \nパケット処理、スケジューラ、バッファ管理、テーブル参照、QoS、制御面などは、まず RTL で書いて、機能検証・形式検証を回します。Cadence は functional verification と Digital Design and Signoff を、Synopsys は VC Formal を complex SoC 向けとして打ち出しています。 ([Cadence](https://www.cadence.com/en_US/home/explore/functional-verification.html?utm_source=chatgpt.com))\n\n### 検証\n\nスイッチASICは規模が非常に大きいので、**シミュレーションだけでなくエミュレーション/プロトタイピング** が重要です。Cadence Palladium は early hardware/software co-verification and debug、Synopsys ZeBu / HAPS は hardware-assisted verification 用だと説明しています。 ([Cadence](https://www.cadence.com/en_US/home/tools/system-design-and-verification/emulation-and-prototyping/palladium.html))\n\n### 実装\n\nここは典型的なデジタル flow で、**論理合成、配置配線、クロック、STA、低消費電力検証、サインオフ** が主役です。Cadence Innovus は placement / optimization / routing / clocking を扱い、Digital Design and Signoff 全体は advanced node、3D-IC、mixed-signal、low-power flows に対応すると説明しています。Synopsys 側も verification / DFT / signoff を大きな柱にしています。 ([Cadence](https://www.cadence.com/en_US/home/tools/digital-design-and-signoff/soc-implementation-and-floorplanning/innovus-implementation-system.html))\n\n### 内蔵メモリ\n\nスイッチASICの中には大きな SRAM バッファが多いので、そこは **embedded memory compiler / foundation IP** を使うことが多いです。Synopsys の memory compilers と Cadence Artisan IP は、embedded memories を foundation IP として提供しています。 ([Synopsys](https://www.synopsys.com/designware-ip/memories-logic-libraries/sram-memory-compilers.html))\n\n### ただしI/Oだけは別\n\nスイッチASICの外部ポートは高速SerDesなので、その部分だけは **トランシーバー流の SI/PI/チャネル解析** が追加で乗ります。Cadence Sigrity や high-speed design flow は、serial links、DDRx、PDN、EMI、eye diagram、BER まで扱います。 ([Cadence](https://www.cadence.com/en_US/home/resources/datasheets/sigrity-systemsi-signal-integrity-solutions-ds.html))\n\n**要するに** \nスイッチASICは、4分類の中でいちばん \n**「デジタルSoC EDA」** \n寄りです。 \nただし端のI/Oは完全にトランシーバー設計の世界に足を突っ込みます。 ([Cadence](https://www.cadence.com/en_US/home/tools/digital-design-and-signoff.html))\n\n---\n\n## いちばん簡単な覚え方\n\n**HBM/DRAM** \n→ メモリそのものを作るので **custom memory + 3D/package** が主役。 ([Synopsys](https://www.synopsys.com/memory.html))\n\n**NAND** \n→ **custom memory + 規格インターフェース検証** が主役。 ([Synopsys](https://www.synopsys.com/blogs/chip-design/nand-flash-memory-system-verification.html?utm_source=chatgpt.com))\n\n**トランシーバー** \n→ **analog/RF + EM/SI/PI** が主役。 ([Cadence](https://www.cadence.com/en_US/home/tools/custom-ic-analog-rf-design/virtuoso-studio/rf.html))\n\n**スイッチASIC** \n→ **RTL検証 + エミュレーション + 配置配線 + サインオフ** が主役。 ([Cadence](https://www.cadence.com/en_US/home/tools/digital-design-and-signoff.html))\n\n---\n\n## この4種類を「どの職種が主役になるか」で、回路屋・検証屋・レイアウト屋・SI/PI屋に分けて図っぽく整理\n\n「誰が主役になりやすいか」で、かなり雑に図っぽく並べるとこうです。\n\n**凡例** \n★5 = かなり主役 \n★3 = 重要 \n★1 = 関わるが主役ではない\n\n---\n\n## 4種類を職種ごとに並べると\n\n### \\1. HBM / DRAM\n\n**回路屋**　★★★★★ \n**検証屋**　★★★☆☆ \n**レイアウト屋**　★★★★★ \n**SI/PI屋**　DRAM: ★★☆☆☆ / HBM: ★★★★★\n\n**ひとことで言うと** \n**「メモリ専用の回路屋とレイアウト屋が主役。HBMだけはSI/PI屋も主役級」** です。 \n理由は、DRAM系はメモリアレイ・周辺回路・カスタム設計の比重が非常に高く、Synopsys も memory design を custom design platform、早期寄生・信頼性・digitized memory flow で回すと説明しています。さらに HBM は 2.5D/3D multi-die と先端パッケージが前提になり、Synopsys 3DIC は high-speed die-to-die、multiphysics、signoff を統合し、Ansys も chip-package の PI / thermal / stress を前面に出しています。 ([synopsys.com](https://www.synopsys.com/memory.html?utm_source=chatgpt.com))\n\n**作業風景のイメージ**\n\n- 回路屋: sense amp、I/O、タイミング回路、周辺回路を詰める\n- レイアウト屋: メモリアレイの並び、配線、寄生、密度を詰める\n- SI/PI屋: HBMではインターポーザ、スタック、電源、熱を詰める\n\n---\n\n### \\2. NAND\n\n**回路屋**　★★★★★ \n**検証屋**　★★★☆☆ \n**レイアウト屋**　★★★★☆ \n**SI/PI屋**　★★☆☆☆\n\n**ひとことで言うと** \n**「NANDも基本はメモリ屋の世界。HBMほどパッケージSI/PIは前に出ない」** です。 \nNANDもメモリアレイと周辺回路の custom / memory flow が中心で、Synopsys は memory solutions として memory development 全体をカバーするとしています。一方で製品としては ONFI / Toggle などのインターフェース検証も重要なので、検証屋の比重は DRAMより少し見えやすくなります。 ([synopsys.com](https://www.synopsys.com/memory.html?utm_source=chatgpt.com))\n\n**作業風景のイメージ**\n\n- 回路屋: セル、周辺回路、読み書きパス、制御回路を詰める\n- レイアウト屋: メモリアレイ配置、配線、寄生成分を詰める\n- 検証屋: NANDプロトコルやコントローラ側との整合を確認する\n\n---\n\n### \\3. トランシーバー\n\n**回路屋**　★★★★★ \n**検証屋**　★★☆☆☆ \n**レイアウト屋**　★★★★☆ \n**SI/PI屋**　★★★★★\n\n**ひとことで言うと** \n**「回路屋とSI/PI屋の二枚看板」** です。 \n高速トランシーバーは、SerDes、PLL/CDR、等化器、ドライバ/レシーバのようなアナログ/RF回路が主役で、Cadence Virtuoso RF は schematic/layout 同時設計、system/circuit simulation、EM/thermal analysis を統合するとしています。さらに高速度になるほど、チップだけでなく package / PCB まで含めた signal integrity, power integrity, EMI が支配的になり、Cadence Sigrity や Ansys SIwave はまさにそのための道具です。 ([Cadence](https://www.cadence.com/ja_JP/home/tools/custom-ic-analog-rf-design/virtuoso-studio/rf.html?utm_source=chatgpt.com))\n\n**作業風景のイメージ**\n\n- 回路屋: アイ開口、ジッタ、PLL安定性、等化を詰める\n- SI/PI屋: package/board込みで反射、クロストーク、PDN、BERを詰める\n- レイアウト屋: 敏感なアナログ配線や対称性を守る\n\n---\n\n### \\4. スイッチASIC\n\n**回路屋**　★★☆☆☆ \n**検証屋**　★★★★★ \n**レイアウト屋**　★★★★★ \n**SI/PI屋**　★★★☆☆\n\n**ひとことで言うと** \n**「巨大デジタルSoCの世界。検証屋とレイアウト屋が主役」** です。 \nスイッチASICは、パケット処理・バッファ管理・スケジューリング・テーブル処理などを大量RTLで組む典型的なデジタル設計で、Cadence は digital design and signoff をフルフローで提供しています。規模が巨大なので、Palladium のようなエミュレーションを含む検証の重要度が非常に高く、後半は placement / routing / timing / signoff でレイアウト屋の比重も極めて大きいです。外部I/Oに高速SerDesを持つので、その部分だけ SI/PI屋もかなり関わります。 ([Cadence](https://www.cadence.com/en_US/home/tools/digital-design-and-signoff.html?utm_source=chatgpt.com))\n\n**作業風景のイメージ**\n\n- 検証屋: RTL/UVM/フォーマル/エミュでバグを潰す\n- レイアウト屋: 巨大ブロックを置いて配線し、タイミングを閉じる\n- SI/PI屋: 高速ポート周辺やパッケージ/基板側を詰める\n\n---\n\n## 一枚で雑にまとめると\n\n**HBM/DRAM** \n→ **メモリ回路屋 + レイアウト屋** が主役 \n→ **HBMだけ SI/PI屋 も主役級** ([synopsys.com](https://www.synopsys.com/memory.html?utm_source=chatgpt.com))\n\n**NAND** \n→ **メモリ回路屋** が主役 \n→ 次に **レイアウト屋**、その次に **検証屋** ([synopsys.com](https://www.synopsys.com/memory.html?utm_source=chatgpt.com))\n\n**トランシーバー** \n→ **回路屋 + SI/PI屋** が主役 \n→ 次に **レイアウト屋** ([Cadence](https://www.cadence.com/ja_JP/home/tools/custom-ic-analog-rf-design/virtuoso-studio/rf.html?utm_source=chatgpt.com))\n\n**スイッチASIC** \n→ **検証屋 + レイアウト屋** が主役 \n→ I/Oまわりで **SI/PI屋** が入る ([Cadence](https://www.cadence.com/en_US/home/tools/digital-design-and-signoff.html?utm_source=chatgpt.com))\n\n---\n\n## 最短で覚えるなら\n\n- **メモリは回路屋とレイアウト屋**\n- **HBMはそこにSI/PI屋が強く乗る**\n- **トランシーバーは回路屋とSI/PI屋**\n- **スイッチASICは検証屋とレイアウト屋**\n\nです。\n\n---\n\n## この4種類は Synopsys・Cadence・Ansys のどの製品群に売上が落ちやすいか\n\nこれは **「各製品タイプの設計で、どの作業にお金が乗りやすいか」から逆算した“売上の落ち先マップ”** です。 \n前提として、**Ansys は 2025年7月に Synopsys に買収完了**しているので、投資家目線では **“Ansys単独の売上先” ではなく “Synopsysグループ内でどの製品群に効くか”** と見るのが自然です。Synopsys 側は Memory Solutions、Custom Design Platform、3DIC Compiler、Signoff、Verification IP、ZeBu/HAPS などを展開しており、Cadence 側は Custom IC/Analog/RF、Digital Design and Signoff、Verification、Palladium/Protium、IC Package Design and Analysis、Sigrity、Memory & Storage IP を持っています。Ansys 側は Electronics/semiconductor 向けに EM、SI/PI、thermal、electro-mechanical、RedHawk-SC、SIwave などを持っています。 ([investor.synopsys.com](https://investor.synopsys.com/news/news-details/2025/Synopsys-Completes-Acquisition-of-Ansys/default.aspx?utm_source=chatgpt.com))\n\n## 1枚マップ\n\n![](/media/754dd9e02777393d338d1b314c88cab868376aee3a440ce4663fb0d2e1388a23-content.webp)\n\nこの表は、各社の公式製品群と、HBM/DRAM・NAND・高速I/O・巨大デジタルSoCが要求する設計作業を突き合わせた**私の推定地図**です。以下で、どこにお金が落ちやすいかを製品ごとに言い換えます。 ([synopsys.com](https://www.synopsys.com/?utm_source=chatgpt.com))\n\n## \\1. HBM / DRAM\n\nここは **Synopsys に最もお金が落ちやすい領域の1つ** です。 \n理由は、HBM/DRAM が **memory 専用フロー** と **custom/analog** と **3D/advanced packaging** を同時に必要とするからです。Synopsys は Memory Solutions を前面に出し、Custom Design Platform でカスタム・アナログ設計を、3DIC Compiler で multi-die / 2.5D / 3D の co-design を、Signoff で power/signal integrity や multiphysics を扱っています。HBM 側の protocol/SoC 接続では Verification IP も効きます。Cadence も custom / package / SI/PI 側でしっかり取れますが、**“memory開発そのもの”の箱が大きい分、重心はまず Synopsys** に置きやすいです。さらに HBM では package、power integrity、thermal、stress が重くなるため、**Ansys の価値が最も上乗せされやすい** 領域でもあります。 ([synopsys.com](https://www.synopsys.com/memory.html?utm_source=chatgpt.com))\n\n**投資家メモ** \nHBMが増えるほど、Synopsys では **Memory + 3DIC + Signoff +（Ansys由来の）PI/thermal** が太りやすい、という見方がしやすいです。 ([synopsys.com](https://www.synopsys.com/memory.html?utm_source=chatgpt.com))\n\n## \\2. NAND\n\nNAND は **HBMほど package/thermal が前に出ない一方、memory/custom 比率が高い** ので、売上の落ち先はかなり素直に **Synopsys の Memory Solutions と Custom Design Platform** に寄りやすいです。さらに ONFI/NAND 側の検証では Synopsys の ONFI/NAND VIP が効きます。Cadence も custom 設計や Memory & Storage IP、VIP で十分取れますが、**NAND全体では “memory flow の太さ” が効く分だけ Synopsys 優位の絵** が描きやすいです。Ansys は package/PI の補完では効くものの、HBMやトランシーバーほど主役ではありません。 ([synopsys.com](https://www.synopsys.com/memory.html?utm_source=chatgpt.com))\n\n**投資家メモ** \nNAND系の案件増加は、4分類の中では **Synopsys の“メモリ開発箱”に最も素直に効く** と見やすいです。Cadence の取り分はゼロではないですが、主戦場の中心はやや Synopsys 側です。 ([synopsys.com](https://www.synopsys.com/memory.html?utm_source=chatgpt.com))\n\n## \\3. トランシーバー\n\nここは逆に、**Cadence と Ansys が強く見えやすい領域** です。 \n高速トランシーバーは、回路そのものが **analog / RF / mixed-signal** であり、さらに package / PCB を通した **SI/PI / EM / thermal** が性能を左右します。Cadence は Custom IC/Analog/RF、IC Package Design and Analysis、Sigrity を持ち、SystemSI は SerDes を含む serial links の SI 解析を前面に出しています。Ansys は Electronics ポートフォリオとして EM、SI/PI、thermal、electro-mechanical をまとめており、SIwave は IC package / PCB の SI/PI/EMI を扱います。Synopsys も Custom Design Platform と Signoff で取れますが、**“高速I/Oの設計とチャネル解析”というテーマでは、Cadence + Ansys の方が売上の落ち先として見えやすい** です。 ([Cadence](https://www.cadence.com/en_US/home/tools/custom-ic-analog-rf-design.html?utm_source=chatgpt.com))\n\n**投資家メモ** \nトランシーバー強化の波は、**Cadence の custom/RF + package/SI** と、**Ansys の physics** に最も追い風です。Synopsys も取りますが、相対的にはここがいちばん **Cadence/Ansys 色** が濃いです。 ([Cadence](https://www.cadence.com/en_US/home/tools/custom-ic-analog-rf-design.html?utm_source=chatgpt.com))\n\n## \\4. スイッチASIC\n\nここは **Synopsys と Cadence のど真ん中** です。 \nスイッチASICは巨大デジタルSoCなので、主な支出先は **Digital Design and Signoff / Verification / Hardware-assisted verification / memory IP** になります。Cadence は Digital Design and Signoff、Functional Verification、Palladium / Protium を持ち、Synopsys は Verification IP、ZeBu / HAPS、Signoff、さらに embedded memory / TCAM IP を持っています。外部ポートが高速SerDesなので、Cadence の Sigrity や package 系、Ansys の SI/PI/thermal も補完的に効きますが、主戦場はあくまで **デジタル検証と実装** です。 ([Cadence](https://www.cadence.com/en_US/home/tools/digital-design-and-signoff.html?utm_source=chatgpt.com))\n\n**投資家メモ** \nスイッチASIC案件が増える局面は、**Synopsys と Cadence の両取り**で見るのが自然です。 \nより細かく分けると、**検証ハードと front-end の比重が高いなら Cadence**、**VIP / signoff / memory IP を含めた広い箱なら Synopsys**、という見方がしやすいです。これは公開製品群からの私の推定です。 ([Cadence](https://www.cadence.com/en_US/home/tools/system-design-and-verification/emulation-and-prototyping.html?utm_source=chatgpt.com))\n\n## 最短の覚え方\n\nかなり乱暴に一行ずつにすると、\n\n- **HBM/DRAM**: **Synopsys本丸**、ただし **HBMはAnsys上乗せ大**。 ([synopsys.com](https://www.synopsys.com/memory.html?utm_source=chatgpt.com))\n- **NAND**: **Synopsys寄り**。 ([synopsys.com](https://www.synopsys.com/memory.html?utm_source=chatgpt.com))\n- **トランシーバー**: **Cadence + Ansys寄り**。 ([Cadence](https://www.cadence.com/en_US/home/tools/custom-ic-analog-rf-design.html?utm_source=chatgpt.com))\n- **スイッチASIC**: **Synopsys と Cadence の主戦場**、Ansysは補完。 ([Cadence](https://www.cadence.com/en_US/home/tools/digital-design-and-signoff.html?utm_source=chatgpt.com))\n\n必要なら次に、**この4種類を「Synopsys優位 / Cadence優位 / Ansys上乗せ大」の3色で点数化**して横並び比較します。\n\n---\n\n## シノプシスとcadence、ARMの製品と商品群\n\n**網羅しすぎない形で、3社の主要な製品群と代表製品**を整理します。 \nなお、**Synopsys と Cadence は主にEDA/設計基盤の会社**、**Arm は主にCPU・GPU・NPUなどのIP/プラットフォームの会社**です。 ([synopsys.com](https://www.synopsys.com/))\n\n## Synopsys（シノプシス）\n\nSynopsys の大きな箱は、公式トップでは **EDA**, **Systems**, **Silicon IP** が前面に出ており、加えて **Manufacturing**, **Silicon Lifecycle Management**, **Software Integrity** も主要ポートフォリオです。 ([synopsys.com](https://www.synopsys.com/))\n\n### 主な製品群\n\n- **EDA（半導体設計自動化）** \n チップ設計・検証・実装・サインオフ向け。AI-enabled EDA、AI-powered optimization、GenAI copilot もここに含まれます。 ([synopsys.com](https://www.synopsys.com/silicon-design.html))\n- **Systems（システム検証/仮想化/HAV）** \n 仮想プロトタイピング、エミュレーション、FPGAプロトタイピング、システムテスト生成など。 ([synopsys.com](https://www.synopsys.com/systems.html?utm_source=chatgpt.com))\n- **Silicon IP** \n インターフェースIP、foundation IP、physical IP。 ([synopsys.com](https://www.synopsys.com/))\n- **Manufacturing** \n TCAD、Mask Synthesis、Manufacturing Analytics、Lithography など。 ([synopsys.com](https://www.synopsys.com/silicon-design.html))\n- **Silicon Lifecycle Management (SLM)** \n in-design から in-field まで、モニタ・解析・自動化でシリコン運用を最適化。 ([synopsys.com](https://www.synopsys.com/solutions/silicon-lifecycle-management.html))\n- **Software Integrity** \n アプリケーションセキュリティ、ソフトウェアサプライチェーン、AppSecリスク管理など。 ([synopsys.com](https://www.synopsys.com/ja-jp/software-integrity.html?utm_source=chatgpt.com))\n\n### 代表製品の例\n\n- **検証系**: VCS, Verdi, VC SpyGlass, VC Formal, VC VIP, Virtualizer, ZeBu, HAPS。 ([synopsys.com](https://www.synopsys.com/ja-jp/verification.html?utm_source=chatgpt.com))\n- **メモリ/カスタム/3DIC系**: Memory Solutions, Custom Design Platform, 3DIC Compiler。 ([synopsys.com](https://www.synopsys.com/silicon-design.html))\n- **製造系**: Sentaurus Process, Taurus TSUPREM-4, Sentaurus Topography 3D, Sentaurus Lithography, S-Litho。 ([synopsys.com](https://www.synopsys.com/manufacturing/tcad/process-simulation.html?utm_source=chatgpt.com))\n\n---\n\n## Cadence（ケイデンス）\n\nCadence の公式な製品カテゴリは、**Digital Design and Signoff**, **Custom IC/Analog/RF Design**, **Verification**, **IP**, **IC Package Design and Analysis**, **Multiphysics System Analysis**, **PCB Design and Analysis** です。さらに System Design & Analysis の箱として、Allegro, Sigrity, AWR, Reality DC, Fidelity CFD なども並んでいます。 ([Cadence](https://www.cadence.com/en_US/home/tools.html?utm_source=chatgpt.com))\n\n### 主な製品群\n\n- **Digital Design and Signoff** \n RTL解析、等価性検証、SoC実装、低消費電力検証、合成、電力解析、CDC/制約サインオフ、シリコンサインオフ、テスト自動化。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))\n- **Custom IC / Analog / RF Design** \n 回路設計、回路シミュレーション、レイアウト、レイアウト検証、ライブラリ特性評価、RF/マイクロ波、カスタム電源完全性。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))\n- **Verification** \n シミュレーション、AI-driven verification、エミュレーション/プロトタイピング、フォーマル/静的検証、Verification IP、デバッグ、Portable Stimulus、System VIP、Virtual/Hybrid Platform、Planning & Management。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))\n- **IP** \n High-Speed Ethernet、Chiplet and D2D、Denali Memory Interface and Storage IP、Interface IP、PCIe and CXL、Tensilica Processor IP、AI IP Platform。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))\n- **IC Package Design and Analysis** \n クロスプラットフォーム co-design、ICパッケージ設計、ICパッケージ向け SI/PI 解析。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))\n- **Multiphysics System Analysis** \n CFD、電磁界解析、RF/マイクロ波設計、Signal/Power Integrity、熱解析、AI-driven system analysis。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))\n- **PCB Design and Analysis** \n PCB設計、PCB向け SI/PI、RF/マイクロ波、PSpice など。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))\n\n### 代表製品の例\n\n- **デジタル/実装**: Genus, Innovus, Tempus, Voltus, Pegasus, Cerebrus, Joules, Certus, Integrity 3D-IC Platform。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))\n- **カスタム/アナログ**: Virtuoso Studio, Virtuoso Layout Suite, Virtuoso ADE Suite, Spectre X, Spectre FX, AWR Microwave Office, Voltus-XFi。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))\n- **検証**: Palladium, Protium, Jasper, Verisium 系。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))\n- **システム/パッケージ/基板**: Allegro X, Sigrity X, Clarity 3D Solver, Celsius Thermal Solver, Fidelity CFD, Reality DC。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))\n\n---\n\n## Arm（アーム）\n\nArm は EDA ベンダーというより、**CPU/GPU/NPUやシステムIP、サブシステムIP、開発ツールをライセンスする会社**です。公式の Products ページでは、**Arm AGI CPU**, **Compute Subsystems**, **CPUs**, **Mali GPUs**, **Ethos NPUs**, **Security IP**, **Subsystem IP**, **System IP**, **Development Tools** が主要カテゴリです。 ([arm.com](https://www.arm.com/products))\n\n### 主な製品群\n\n- **Compute Subsystems (CSS)** \n 検証済み・実装済みの compute foundation。クライアント向け CSS など。 ([arm.com](https://www.arm.com/products))\n- **CPUs** \n C1, Cortex-A, Cortex-R, Cortex-M, Cortex-X, Neoverse。 ([arm.com](https://www.arm.com/products))\n- **Mali GPUs** \n グラフィックス/並列処理向け GPU IP。 ([arm.com](https://www.arm.com/products))\n- **Ethos NPUs** \n AI推論向け NPU IP。 ([arm.com](https://www.arm.com/products))\n- **System IP** \n CoreLink interconnect、memory controllers、system controllers、CoreSight debug/trace、Socrates など。 ([arm.com](https://www.arm.com/products/silicon-ip-system?utm_source=chatgpt.com))\n- **Security IP** \n 暗号、セキュリティサービス、分離、耐タンパ性など。 ([arm.com](https://www.arm.com/products/silicon-ip-security?utm_source=chatgpt.com))\n- **Subsystem IP** \n Arm ベースSoC構成要素の再利用・統合向け。 ([arm.com](https://www.arm.com/products))\n- **Development Tools** \n Arm Development Studio、Keil MDK、GNU Toolchain など。 ([arm.com](https://www.arm.com/products/development-tools?utm_source=chatgpt.com))\n- **Physical IP** \n Artisan Physical IP、embedded memory、interface、logic。なお Arm は Artisan 系について投資方針を見直し、engineering investment を縮小すると案内しています。 ([developer.arm.com](https://developer.arm.com/developer/ip-products/?utm_source=chatgpt.com))\n\n### 代表製品/サービスの例\n\n- **IP選定・統合支援**: Arm IP Explorer, Socrates IP Tooling。 ([arm.com](https://www.arm.com/products/ip-explorer?utm_source=chatgpt.com))\n- **ライセンス商品**: Arm Total Access、License Arm Technology。 ([arm.com](https://www.arm.com/products))\n\n---\n\n## かなり短く整理すると\n\n- **Synopsys** \n EDA、システム検証、Silicon IP、製造(TCAD/リソグラフィ)、SLM、Software Integrity。 ([synopsys.com](https://www.synopsys.com/))\n- **Cadence** \n デジタル実装、カスタム/アナログ/RF、検証、IP、パッケージ、マルチフィジクス、PCB。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))\n- **Arm** \n CPU/GPU/NPU、Compute Subsystems、System/Security/Subsystem IP、開発ツール、Physical IP。 ([arm.com](https://www.arm.com/products))\n\n---\n\n## 半導体づくりを高級レストランで一皿を出す流れに置き換えて説明\n\n## まず全体像\n\n- **EDA** = 厨房で使う設計ソフト、レシピ管理、試作シミュレーター、動線設計ツール\n- **半導体設計** = シェフがメニューを考え、レシピを作り、試作して完成形を決める工程\n- **TSMC** = 実際に大量生産できる超高精度な巨大セントラルキッチン\n- **CoWoS / パッケージ** = 出来上がった料理を、ソースや付け合わせごと最適な一皿に美しく、機能的に盛り付ける工程\n\nEDA はチップ設計を助けるソフト群で、設計、シミュレーション、テスト、製造準備を自動化するものです。CoWoS は TSMC の先端パッケージ技術で、正式には Chip-on-Wafer-on-Substrate の略で、高密度なインターポーザ上にロジックと HBM を近接統合し、AI や HPC 向けに使われます。 ([Synopsys](https://www.synopsys.com/glossary/what-is-electronic-design-automation.html?utm_source=chatgpt.com))\n\n## \\1. 「こんな料理を出したい」を決める\n\nこれは**製品企画**です。\n\nレストランなら、 \n「今日は辛めの魚料理を出したい」 \n「高級感はあるけど提供は早くしたい」 \n「原価は抑えたい」 \nを決めます。\n\n半導体なら、 \n「AI向けGPUにする」 \n「消費電力はここまで」 \n「性能はこのくらい」 \n「HBMを何個載せる」 \nを決めます。\n\nまだ料理は作っていません。 \n**何を作るか決めている段階**です。\n\n## \\2. レシピを作る\n\nこれは**アーキテクトや設計者**の仕事です。\n\nレストランなら、\n\n- 肉を先に焼くか\n- ソースは何段階で作るか\n- 付け合わせは何を置くか\n- どの皿を使うか\n\nを決めます。\n\n半導体なら、\n\n- 演算器をどれだけ並べるか\n- キャッシュをどう置くか\n- メモリとどうつなぐか\n- 入出力をどうするか\n\nを決めます。\n\nこれはまだ「料理の構造」を決めている段階です。\n\n## \\3. EDAは何に当たるか\n\nEDA は、**厨房の超高度な裏方ツール一式**です。\n\nたとえばレストランでいうと、\n\n- レシピ作成ソフト\n- 試作シミュレーター\n- 仕込み表の自動生成\n- 調理手順の矛盾チェック\n- 厨房の動線最適化\n- 原価・時間・失敗率の見積もり\n- 盛り付け前の最終チェック\n\nを全部まとめたものに近いです。\n\n半導体では、設計者が Verilog / SystemVerilog などで回路の動作を書き、それを EDA が\n\n- 正しく動くか\n- 遅すぎないか\n- 電力を食いすぎないか\n- 面積が大きすぎないか\n- 製造できる形になっているか \n を何度も確認します。EDA は設計と製造準備を自動化する道具群です。 ([Synopsys](https://www.synopsys.com/glossary/what-is-electronic-design-automation.html?utm_source=chatgpt.com))\n\n## \\4. 試作して、味見して、レシピを直す\n\nこれは**検証**です。\n\nレストランなら、 \n実際に試作してみて、 \n「塩が強い」 \n「火入れが長い」 \n「皿に対して量が多すぎる」 \nを直します。\n\n半導体も同じで、 \n「論理は合っているか」 \n「タイミングは間に合うか」 \n「熱や電力は大丈夫か」 \nを直していきます。\n\nつまり、**EDAは試作と味見を何千回も高速で回すための道具**です。\n\n## \\5. 厨房の動線まで詰める\n\nここが半導体らしいところです。\n\nレストランでは、料理そのものが良くても、\n\n- 冷蔵庫が遠い\n- 焼き場と盛り付け台が離れすぎ\n- 皿が取りにくい\n- スタッフがぶつかる\n\nと、提供が遅くなります。\n\n半導体でも同じで、回路の内容が正しくても、\n\n- 配線が長すぎる\n- 電力が一部に集中する\n- 熱がこもる\n- 信号が遅れる\n\nと、性能が出ません。\n\nだから EDA は、**レシピだけでなく厨房の動線設計まで詰める**感じです。\n\n## \\6. TSMCは何に当たるか\n\nTSMC は、**世界最高レベルの巨大セントラルキッチン**です。\n\nシェフが考えたレシピを持ち込むと、TSMC が \n**超高精度で、同じ品質の料理を大量に作る** \n役です。\n\nつまり、\n\n- 設計者 = 料理を考えるシェフ\n- EDA = 設計と試作を支える道具\n- TSMC = その料理を現実の物として量産する工場\n\nです。\n\nここで初めて、頭の中の設計が「物」になります。\n\n## \\7. でもAIチップは、料理ができたら終わりではない\n\nここが **CoWoS / パッケージ** に当たります。\n\nレストランでたとえると、 \nメイン料理だけ作って終わりではなく、\n\n- メイン\n- ソース\n- 付け合わせ\n- 温度管理\n- 皿の材質\n- 盛り付け順\n- 食べやすさ\n\nまで最適化して、**一皿として完成**させる必要があります。\n\nAIチップも同じで、GPU本体だけ作って終わりではなく、 \n**HBMメモリをすぐ近くに置いて、超短距離でつなぎ、一体の高性能パッケージにする**ことが重要です。TSMC の CoWoS は、ロジックチップと HBM を高密度インターポーザ上で統合する先端パッケージ技術です。 ([3DFabric](https://3dfabric.tsmc.com/english/dedicatedFoundry/technology/cowos.htm?utm_source=chatgpt.com))\n\n## \\8. CoWoSはレストランでいうと何か\n\nCoWoS は、ただの「皿に乗せる作業」ではありません。\n\nこれはむしろ、 \n**“最高の皿・最高の盛り付け構造・最高の配膳方法まで含めて料理の性能を上げる技術”** \nです。\n\nたとえば高級レストランで、\n\n- ソースを別皿にしたら味が落ちる\n- 付け合わせが遠いと一体感が消える\n- 皿が悪いと温度が逃げる\n\nということがありますよね。\n\nAI GPUも同じで、\n\n- GPUとHBMが遠いと遅い\n- 配線が長いと電力が無駄\n- まとめ方が悪いと熱も厳しい\n\nとなります。\n\nだから CoWoS は、 \n**「完成した部品をまとめる作業」ではなく、「料理として成立させる最後の重要技術」** \nです。\n\n## \\9. 一連の流れをレストランの一晩でつなぐと\n\nこうなります。\n\n**メニューを決める** \n→ 今日はどんな料理を出すか決める \n= 半導体の製品企画\n\n**レシピを作る** \n→ 材料、火入れ、ソース、順番を決める \n= アーキ設計\n\n**EDAで試作する** \n→ 味見、時間計測、動線確認、失敗ポイントを洗う \n= 論理設計、検証、配置配線、サインオフ\n\n**TSMCで本番の料理を作る** \n→ 超精密な厨房で実物を大量生産する \n= ウェハ製造\n\n**CoWoS/パッケージで一皿に仕上げる** \n→ メインと付け合わせとソースを最適に配置し、一皿として性能を完成させる \n= GPUとHBMの近接統合、先端パッケージ\n\n**最後に客へ出せる形にする** \n→ 見た目、温度、食べやすさまで整える \n= 完成品として出荷できる状態にする\n\n## いちばん短いまとめ\n\n一言でいうと、\n\n**EDAは“料理を失敗しないように設計するための道具”** \n**TSMCは“その料理を超高精度で実際に作る厨房”** \n**CoWoSは“その料理を最高の一皿に仕上げる盛り付け技術”**\n\nです。EDA がないとまともなレシピになりにくく、TSMC がないと実物にならず、CoWoS がないと AI 向けの最高性能の一皿になりにくい、という関係です。 ([Synopsys](https://www.synopsys.com/glossary/what-is-electronic-design-automation.html?utm_source=chatgpt.com))\n\n---\n\n## AIサーバー全体を、レストランのフルコース料理として見る\n\nまず一言でいうと\n\n- **GPU** = メインディッシュ\n- **HBM** = メインのすぐ横にある超重要な濃縮ソース・付け合わせ\n- **パッケージ/インターポーザ** = メインとソースを最適な距離で載せる特注プレート\n- **基板（PCB）** = その皿を載せるお盆・配膳トレー\n- **サーバー1台** = 1人前のコースセット\n- **サーバーラック** = 何人前も同時に出す巨大な配膳棚・厨房ライン\n\nつまり、 \n**GPU単体が料理の全部ではなく、HBM・基板・サーバーまで含めて初めて“ちゃんと食べられるフルコース”になる** \nというイメージです。\n\n---\n\n## \\1. GPUは何に当たるか\n\nGPUは、**フルコースの中心になるメインディッシュ**です。\n\nたとえば、\n\n- 分厚いステーキ\n- メインの魚料理\n- 一番手間と技術がかかった主役の皿\n\nみたいなものです。\n\nお客さんが \n「この店すごい」 \nと感じる一番の中心は、たいていメインですよね。 \nAIサーバーでも同じで、計算の中心はGPUです。\n\nつまりGPUは、 \n**実際に“仕事をする主役”** \nです。\n\n---\n\n## \\2. HBMは何に当たるか\n\nHBMは、**メインのすぐ隣に置かれた、超高密度で超重要なソースや付け合わせ**です。\n\nここがすごく大事です。 \nHBMはただの脇役ではありません。\n\n高級料理で、\n\n- ソースが命\n- ピューレや付け合わせと一体で味が完成する\n- しかもメインのすぐそばにないと成立しない\n\nみたいな料理がありますよね。\n\nHBMはまさにそれです。\n\nGPUがどれだけ強くても、HBMが遅かったり遠かったりすると、 \n料理で言えば\n\n- メインは立派なのにソースがなかなか来ない\n- 一口ごとに味がつながらない\n- 全体の完成度が落ちる\n\n状態になります。\n\nだからHBMは、ただのメモリではなく、 \n**“メインの実力を引き出すために、ぴったり寄り添う高級ソース”** \nみたいな存在です。\n\n---\n\n## \\3. パッケージ / インターポーザは何に当たるか\n\nこれは、**メインとソースを最適な位置関係でまとめる特注プレート**です。\n\n普通の皿ではなく、\n\n- 熱が逃げにくい\n- 見た目も整う\n- ソースとメインの距離が絶妙\n- 全体が一体として機能する\n\nように考えられた特別な皿です。\n\nAIチップでは、GPUとHBMは \n**ただ近くに置けばいい** \nわけではなく、\n\n- 配線を短くする\n- 電力を安定させる\n- 熱を逃がす\n- 全体として成立させる\n\n必要があります。\n\nつまりパッケージは、 \n**料理そのものではないが、料理の完成度を決める皿** \nです。\n\n高級料理では皿も作品の一部ですが、AIサーバーでもそれに近いです。\n\n---\n\n## \\4. 基板（PCB）は何に当たるか\n\n基板は、**その皿を載せる大きな配膳トレー**です。\n\nここにはメインの皿だけでなく、\n\n- ナイフやフォーク\n- ソース入れ\n- ワインや水\n- 温度管理の小物\n- 他の皿との並び\n\nまで全部載ります。\n\n半導体でいうと基板は、\n\n- GPUパッケージを載せる\n- 電力を配る\n- 他の部品とつなぐ\n- 信号を通す\n- システム全体を物理的に支える\n\n役目です。\n\nつまり基板は、 \n**主役を活かすための“配膳の土台”** \nです。\n\n料理でたとえると、皿そのものではなく、 \n**皿を含む一式を安全に運び、正しい順序で機能させるトレー** \nです。\n\n---\n\n## \\5. サーバー1台は何に当たるか\n\nサーバー1台は、**1人前のフルコースセット**です。\n\nメインの皿だけではなく、\n\n- 前菜\n- スープ\n- メイン\n- ソース\n- 飲み物\n- デザート\n- カトラリー\n- サービス動線\n\nまで揃って、初めて \n「1人分の食事」 \nとして成立しますよね。\n\nAIサーバーでも同じで、GPUだけでは何もできません。\n\nサーバー1台には、\n\n- GPU\n- HBM\n- CPU\n- SSD\n- NIC\n- 電源\n- 冷却\n- 基板\n- シャーシ\n\nなどが入っていて、初めて \n**1台の計算機** \nとして動きます。\n\nつまりサーバー1台は、 \n**“GPU料理を実際に客へ出せる形にした1セット”** \nです。\n\n---\n\n## \\6. サーバーラックは何に当たるか\n\nサーバーラックは、**大量のフルコースを同時に回す巨大な配膳棚・厨房ライン**です。\n\nレストランで1皿だけ出すなら簡単ですが、 \n高級宴会で何十人、何百人分を同時に出すには、\n\n- 皿の並べ方\n- 配膳順\n- 温度管理\n- 電源や照明\n- スタッフ動線\n- 一気に出すオペレーション\n\nが重要になります。\n\nサーバーラックもまさにそれです。\n\nラックはただの棚ではなく、\n\n- 電力を各サーバーへ配る\n- 冷却を回す\n- ネットワーク接続をまとめる\n- 何台ものサーバーを効率よく並べる\n- 保守しやすくする\n\n役目です。\n\nつまりラックは、 \n**1皿を作る場所ではなく、“大量のコース料理を安定して回すための店の運営システム”** \nに近いです。\n\n---\n\n## \\7. もっとつなげて言うと\n\nフルコースで見るとこうなります。\n\n### GPU\n\nメインディッシュ \n= 一番価値が見えやすい主役\n\n### HBM\n\nメインに密着した濃縮ソース・付け合わせ \n= 主役の性能を本当に引き出す存在\n\n### パッケージ\n\nメインとソースを最適配置する特注皿 \n= 完成度を左右する\n\n### 基板\n\n皿や周辺をまとめて載せる配膳トレー \n= 電力・接続・安定性の土台\n\n### サーバー\n\n1人前のフルコースセット \n= 実際に提供できる単位\n\n### サーバーラック\n\n大量のコースを同時提供する厨房ライン・配膳棚 \n= 店全体の回転率と提供能力を決める\n\n---\n\n## \\8. 一番大事なポイント\n\n初心者向けに本質だけ言うと、\n\n**GPUがすごい = うまいメイン料理がある** \nだけでは足りません。\n\n実際には、\n\n- HBMが弱いとソース不足\n- パッケージが悪いと盛り付け失敗\n- 基板が悪いと配膳が不安定\n- サーバー設計が悪いと一人前として成立しない\n- ラック運用が悪いと店全体が回らない\n\nとなります。\n\nつまりAIサーバーの強さは、 \n**“すごいGPUがあるか”だけでなく、“それをフルコースとして成立させる全体設計”で決まる** \nということです。\n\n---\n\n## 超短くまとめると\n\n**GPU = メイン料理** \n**HBM = その味を決める超重要ソース** \n**基板 = 配膳トレー** \n**サーバー = 1人前のコース** \n**ラック = 宴会を回す店の提供ライン**\n\n---\n\n## AIデータセンター全体を、巨大な高級レストランにたとえて整理\n\n今回は、\n\n- **GPU**\n- **CPU**\n- **HBM**\n- **SSD**\n- **NIC**\n- **スイッチ**\n- **サーバー**\n- **ラック**\n- **データセンター全体**\n\nを全部つなげて、 \n**「店がどうやって大量の注文をさばいているか」** で見ます。\n\n---\n\n## まず全体のたとえ\n\nAIデータセンターは、 \n**超巨大で、何千人分もの料理を同時に出すレストラン** \nです。\n\nしかも普通の飲食店ではなく、\n\n- 注文が大量に来る\n- 料理は複雑\n- 提供は超高速\n- 温度管理も厳しい\n- 皿の運び方まで最適化されている\n\nような店です。\n\nこの店の中で、それぞれの部品はこうなります。\n\n- **GPU** = メイン料理を実際に大量に作る主力シェフ\n- **CPU** = 厨房全体を指示し、段取りを組む料理長\n- **HBM** = シェフの手元にある超重要な高級食材・濃縮ソース\n- **SSD** = 大型冷蔵庫・食材倉庫\n- **NIC** = 店の外や他店舗とつながる出入口・配膳窓口\n- **スイッチ** = 店内全体の配膳ルートを仕切る交通整理センター\n- **サーバー** = ひとつの調理台＋スタッフ一式\n- **ラック** = 調理台が何列も並んだ厨房の島\n- **データセンター** = 巨大レストラン全体\n\n---\n\n## \\1. GPUは何か\n\nGPUは、**実際に大量の料理を作る主力シェフ集団**です。\n\nこの店の一番の売りは、 \n大量の注文を一気にさばけることです。\n\nGPUはまさに、\n\n- 同じ工程を大量に並列でこなす\n- ものすごい量の下ごしらえや調理を一気に進める\n- 店の処理能力の中心になる\n\n存在です。\n\nだから GPU は、 \n**店の看板シェフというより、“厨房の主力そのもの”** \nです。\n\nAI推論でも学習でも、 \n実際に重い計算をしているのは主にここです。\n\n---\n\n## \\2. CPUは何か\n\nCPUは、**料理長・司令塔**です。\n\nCPUはGPUほど大量調理は得意ではありませんが、\n\n- どの注文をどこへ回すか\n- 調理の段取り\n- 在庫確認\n- 他の機器との連携\n- システム全体の制御\n\nを担当します。\n\nレストランで言えば、\n\n- 「この注文を先に回して」\n- 「この皿を次に出して」\n- 「この仕込みを始めて」\n- 「他のスタッフに指示を出して」\n\nと采配する人です。\n\nつまり CPU は、 \n**自分で全部料理する主役ではなく、厨房全体を回す管理者** \nです。\n\n---\n\n## \\3. HBMは何か\n\nHBMは、**主力シェフの手元に置かれた超高級で超高速に使える食材置き場・濃縮ソース置き場**です。\n\n普通の倉庫に食材を取りに行っていたら遅いですよね。 \n一流の厨房では、よく使うものはシェフのすぐ手元にあります。\n\nHBMはまさにそれです。\n\n- GPUがすぐ使いたいデータを置く\n- 取りに行く時間を最小化する\n- 高速に大量供給する\n\nだから HBM は、 \n**厨房の奥の大型倉庫ではなく、シェフの肘のすぐ横にある超高性能な材料棚** \nです。\n\nこれが遅いと、GPUという主力シェフが待たされます。\n\n---\n\n## \\4. SSDは何か\n\nSSDは、**大型冷蔵庫・食材倉庫**です。\n\nHBMが手元の材料棚なら、SSDは\n\n- 仕入れた大量の食材を保存する\n- すぐには使わないが必要な時に取り出す\n- レシピや仕込み済み素材、在庫を置く\n\n場所です。\n\nつまり SSD は、\n\n- モデルデータ\n- 学習データ\n- 中間保存\n- ログや出力\n\nを置いておく大きな保管庫です。\n\nレストランで言えば、 \n**厨房の横にある超高速冷蔵倉庫** \nです。\n\nHBMほど近くはないけれど、店にとって絶対必要です。\n\n---\n\n## \\5. NICは何か\n\nNICは、**店の出入口・外との受け渡し窓口**です。\n\nたとえば巨大レストランでは、\n\n- 外部から食材が届く\n- 他の厨房と料理を受け渡す\n- 注文情報が入ってくる\n- 完成品の指示が外へ出る\n\n必要があります。\n\nNICはまさに、\n\n- ネットワークからデータを受け取る\n- 他サーバーへ渡す\n- クラスタ全体で連携する\n\n窓口です。\n\nレストランでいうと、 \n**注文票の受付口、食材搬入口、他店舗との受け渡し口** \nが合体したようなものです。\n\nAIクラスタでは、1台だけで完結しないことが多いので、NICはかなり重要です。\n\n---\n\n## \\6. スイッチは何か\n\nスイッチは、**店全体の交通整理センター**です。\n\nもし厨房や配膳スタッフが勝手に動いたら、\n\n- 料理が遅れる\n- ぶつかる\n- 注文が迷子になる\n- 間違ったテーブルへ行く\n\nことが起きます。\n\nスイッチは、それを防ぐために\n\n- どの注文をどこに流すか\n- どのサーバー同士をつなぐか\n- どの経路を通すか\n- 混雑をどう避けるか\n\nを管理します。\n\nつまりスイッチは、 \n**店内の道路管制室** \nみたいなものです。\n\nAIデータセンターでは、GPU同士・サーバー同士で大量のデータをやり取りするので、 \nスイッチが弱いと、厨房全体が詰まります。\n\n---\n\n## \\7. サーバーは何か\n\nサーバー1台は、**ひとつの調理台＋料理長＋主力シェフ＋手元食材＋倉庫接続をまとめた一単位**です。\n\nつまり、\n\n- CPU = 料理長\n- GPU = 主力シェフ\n- HBM = 手元の食材棚\n- SSD = 倉庫\n- NIC = 出入口\n\nをまとめた、**1つの調理ユニット**です。\n\n店全体では何十台、何百台と並びますが、 \n1台1台が「仕事をする最小単位」に近いです。\n\n---\n\n## \\8. ラックは何か\n\nラックは、**調理台が何列も並んだ厨房の島**です。\n\n大型厨房だと、\n\n- 調理台がずらっと並び\n- 電源やガスや水がまとめられ\n- 人の動線も整理され\n- 冷却や排気も設計されている\n\nはずです。\n\nラックも同じで、\n\n- サーバーを何台も並べる\n- 電力供給をまとめる\n- 冷却をまとめる\n- 配線を整理する\n\nための単位です。\n\nだからラックは、 \n**“店の中の一角にある高密度な厨房島”** \nです。\n\n---\n\n## \\9. データセンター全体は何か\n\nデータセンター全体は、**巨大レストランそのもの**です。\n\nそこには、\n\n- 何列もの厨房島（ラック）\n- 大量の調理ユニット（サーバー）\n- シェフたち（GPU）\n- 料理長たち（CPU）\n- 食材倉庫（SSD）\n- 出入口（NIC）\n- 交通整理センター（スイッチ）\n- 電力\n- 冷却\n- 建物全体の管理\n\nがそろっています。\n\nつまり AIデータセンターとは、 \n**「すごいGPUが何枚かある箱」ではなく、何千・何万の注文を安定してさばくために設計された巨大飲食システム」** \nです。\n\n---\n\n## \\10. 学習と推論で少し違う\n\nこれもレストランでたとえると分かりやすいです。\n\n### AI学習\n\n**新メニュー開発＋大量試作厨房** に近いです。\n\n- 大量の材料を使う\n- 何度も試す\n- 厨房同士の連携が多い\n- データのやり取りが多い\n\nので、GPUだけでなく **NIC とスイッチ** が特に重要になります。\n\n### AI推論\n\n**完成した人気メニューを大量提供する営業厨房** に近いです。\n\n- 注文を速く返す\n- レイテンシが大事\n- 在庫管理も大事\n- 効率とコストが大事\n\nので、サーバー全体のバランスが重要になります。\n\n---\n\n## \\11. すごく短く1本でつなぐと\n\nお客さんが注文する \n→ 注文が店に入る \n= **NIC**\n\nどの厨房で作るか決める \n→ 配膳ルートを決める \n= **スイッチ + CPU**\n\n倉庫から材料を出す \n= **SSD**\n\nシェフの手元に必要材料を並べる \n= **HBM**\n\n主力シェフが一気に調理する \n= **GPU**\n\n調理台一式で1人前を作る \n= **サーバー**\n\nそれを何十台も並べて大量提供する \n= **ラック**\n\n店全体で何千人分も同時に回す \n= **AIデータセンター**\n\n---\n\n## 最後に本質だけ言うと\n\nAIデータセンターは、 \n**GPUだけがすごくても回りません。**\n\n- CPUが弱いと段取りが悪い\n- SSDが弱いと材料が出てこない\n- NICが弱いと外とつながらない\n- スイッチが弱いと店内が渋滞する\n- ラックや冷却が弱いと厨房が熱で止まる\n\nつまり、 \n**GPUは主役だが、データセンターの強さは“巨大レストラン全体の運営力”で決まる** \nということです。\n\n---\n\n## GPU・HBM・SSD・NIC・スイッチのどこにお金が落ちやすいか\n\n## 結論\n\n**1台のAIサーバーで見たお金の落ち先** \n**GPU \\> HBM \\> NIC \\> SSD** \nです。NVIDIAのDGX B200は、1台に **8基のBlackwell GPU**、合計 **1,440GBのHBM3e**、**8本のConnectX-7ポート**、さらに **BlueField-3 DPU** と **NVMe SSD** を搭載しています。構成を見る限り、1台あたりの価値の中心はまずGPU、その次がHBMで、NICは重要だが主役の次、SSDは必要でも相対的には脇役寄りです。これは構成からの推論です。 ([NVIDIA](https://www.nvidia.com/en-us/data-center/dgx-b200/))\n\n**ラック/大規模クラスタで見たお金の落ち先** \n**GPU \\> HBM \\> スイッチ+NIC \\> SSD** \nです。理由は、クラスタ化するとGPU同士をつなぐネットワーク費用が一気に膨らむからです。BroadcomはTomahawk 6を **AIのscale-up / scale-outネットワーク向け** と位置づけており、2025年Q3には **AI売上が前年比63%増の52億ドル**、その牽引役として **custom AI accelerators と networking** を挙げています。つまり、クラスタが大きくなるほど **スイッチとNICは「付属品」ではなく大きな支出先** になります。 ([broadcom.com](https://www.broadcom.com/products/ethernet-connectivity/switching/strataxgs/bcm78910-series?utm_source=chatgpt.com))\n\n**データセンター全体で見たお金の落ち先** \n**GPU \\> HBM \\> ネットワーク（スイッチ/NIC） \\> SSD/ストレージ** \nが基本です。 \nただし、**学習中心**ならネットワーク比重が上がり、**推論・RAG・ベクトルDB中心**ならSSD比重が上がります。Micronは、AI推論での **KV cache tiering** や **vector database search/indexing** がデータセンターSSD需要を押し上げていると説明しています。 ([Micron Technology](https://investors.micron.com/static-files/9c0becf5-df56-4eec-bd67-453dda68b273))\n\n## 部品ごとに見ると\n\n### GPU\n\n**いちばん大きなお金が落ちやすい場所**です。 \n理由は、AIサーバーの計算価値の中心そのものだからです。NVIDIA自身も、AIインフラはTSMCのウェハ、HBM、CoWoS、組立・テストを組み合わせて供給しており、最終製品の価値の中心はGPU側にあります。DGX B200でも1台の中心は8基のGPUです。 ([NVIDIA](https://www.nvidia.com/en-us/data-center/dgx-b200/))\n\n### HBM\n\n**2番目にお金が落ちやすい場所**です。 \nしかもHBMは、普通のDRAMより **高付加価値・高難度** の製品として売上と利益が乗りやすいです。Micronは、データセンター向け製品は業界でもっとも複雑で高価値な製品群の一部だとし、HBM事業は2025年度Q4に **約20億ドルの四半期売上、年率約80億ドルのランレート** に達したと説明しています。NVIDIAもHBM供給元として **SK hynix、Micron、Samsung** を明示しています。つまり、AIサーバーの支出が増えると、GPUの隣で **HBMメーカーにも非常に大きなお金が落ちる** 構造です。 ([Micron Technology](https://investors.micron.com/static-files/5fb98d73-2134-4446-8d1b-0f90285f6c02))\n\n### NIC\n\n**1台ではGPU/HBMより小さいが、クラスタ化で効いてくる場所**です。 \nDGX B200は **8本のConnectX-7 VPIポート** と **BlueField-3 DPU** を載せており、1台の時点でネットワーク部材がかなり重いことがわかります。とくに複数ノードを束ねる学習クラスタでは、NICは「ただのLAN口」ではなく、GPUを仕事させるための必需品です。 ([NVIDIA](https://www.nvidia.com/en-us/data-center/dgx-b200/))\n\n### スイッチ\n\n**クラスタが大きくなるほど、NIC以上に存在感が増える場所**です。 \n1台のサーバーにはスイッチは載りませんが、ラック間・クラスタ間でGPUを大量接続すると、スイッチASICとその周辺部材が大きな支出先になります。BroadcomはTomahawk 6をAI向け **102.4Tbps** 級のスイッチとして出し、AIネットワーキングがAI売上拡大の一部だと説明しています。 \nなので、**1台目線ではNICが先、クラスタ目線ではスイッチが急浮上**、と考えるとわかりやすいです。 ([broadcom.com](https://www.broadcom.com/company/news/product-releases/63146?utm_source=chatgpt.com))\n\n### SSD\n\n**必要だが、1台あたりの主役にはなりにくい場所**です。 \nDGX B200のローカルストレージは **OS用2×1.9TB NVMe** と **内部8×3.84TB NVMe** で、重要ではあるものの、1台の価値の中心がGPU/HBM/ネットワークであることは構成から見て取れます。 \n一方で、推論、RAG、ベクトルDB、KV cache offload の世界ではSSD需要が強くなります。Micronはまさにこの用途で **データセンターNAND/SSD需要が加速** していると説明しています。つまりSSDは、**学習サーバーの中心部材というより、AIデータ基盤が広がるほど効く部材** です。 ([Micron Technology](https://investors.micron.com/static-files/9c0becf5-df56-4eec-bd67-453dda68b273))\n\n## いちばん実戦的な見方\n\n**学習クラスター**では \n**GPU → HBM → スイッチ/NIC → SSD** \nの順で見た方が実態に近いです。巨大学習では、GPUの次にHBMが重く、その次にクラスタネットワークが効いてきます。 ([NVIDIA](https://www.nvidia.com/en-us/data-center/dgx-b200/))\n\n**推論/RAG/ベクトルDB寄り**では \n**GPU → HBM → ネットワーク → SSD** \nですが、SSDの比重が学習時より上がります。MicronがAI推論用途でKV cache tieringとvector databaseをSSD需要要因として挙げているのが、そのままこの構図です。 ([Micron Technology](https://investors.micron.com/static-files/9c0becf5-df56-4eec-bd67-453dda68b273))\n\n## 投資家向けに一行で言うと\n\n- **一番大きな金額が落ちる**のは **GPU**\n- **一番おいしい周辺部材**は **HBM**\n- **クラスタが巨大になるほど伸びる**のは **NIC とスイッチ**\n- **推論/RAGが広がるほど効く**のは **SSD** です。 ([Micron Technology](https://investors.micron.com/static-files/5fb98d73-2134-4446-8d1b-0f90285f6c02))\n\n---\n\nサムネはNano Banana2","blocks":[{"id":"blk_8ebea7b2-cbba-4c51-b703-5904c7dd2a2e","kind":"figure","order":0,"section_id":"sec_cac5afa0-f957-4ce7-b67b-509ff3dedbf7","character_id":null,"markdown":"![](/media/89ea095d89ad4adfc56d61ca9471abfb6336df9149e6ac37f6e29a4320335368-content.webp)","render_override":null},{"id":"blk_7bc8259c-ebb5-4dbc-a828-5f32c32e777b","kind":"heading","order":1,"section_id":"sec_ea6edbf0-09f3-4b51-ae12-0f0cf7037d19","character_id":null,"markdown":"## EDAとCadence（ケイデンス）、Ansys（アンシス） 、Synopsys、ARM","render_override":null},{"id":"blk_3d7c79d6-16fd-4474-bb87-233c754e40aa","kind":"paragraph","order":2,"section_id":"sec_ea6edbf0-09f3-4b51-ae12-0f0cf7037d19","character_id":null,"markdown":"Synopsys は 2025年7月17日に Ansys の買収完了を発表しており、いまは「Synopsys と Ansys をどう分けて理解するか」は、**元々の役割の違い** と **現在の統合後の関係** を分けて見るのがいちばんわかりやすいです。 ([Synopsys News Releases](https://news.synopsys.com/2025-07-17-Synopsys-Completes-Acquisition-of-Ansys?utm_source=chatgpt.com))","render_override":null},{"id":"blk_93999e07-6d71-4ab2-9972-2787f7c77f1e","kind":"heading","order":3,"section_id":"sec_05d13028-7d02-4fce-a4bf-398d108b9e57","character_id":null,"markdown":"## EDAとは何か","render_override":null},{"id":"blk_44b9cb61-382b-4880-acc7-74bf958e7d86","kind":"paragraph","order":4,"section_id":"sec_05d13028-7d02-4fce-a4bf-398d108b9e57","character_id":null,"markdown":"EDA は **Electronic Design Automation** の略で、半導体や電子回路を設計するためのソフト群です。ざっくり言うと、昔は人手でやっていた「回路を書く」「動作確認する」「配線する」「タイミングや消費電力や熱の問題を見つける」「製造できる形に仕上げる」を自動化・高度化するものです。Synopsys、Cadence、Arm の公式説明でも、EDA は設計・モデル化・シミュレーション・検証・解析を通じて、製造前に問題を見つけるための基盤だとされています。 ([Synopsys](https://www.synopsys.com/glossary/what-is-electronic-design-automation.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_9824a897-1777-47f9-a54a-3fb8a2e8986a","kind":"paragraph","order":5,"section_id":"sec_05d13028-7d02-4fce-a4bf-398d108b9e57","character_id":null,"markdown":"チップ開発の流れを超ざっくり書くと、 \n**仕様を決める → 回路の中身をRTLで書く → 正しく動くか検証する → 論理合成する → 配置配線する → タイミング/電力/熱/ノイズを詰める → テープアウト → ファウンドリで製造** \nという流れです。EDA はこの一連の工程を支える道具箱です。特に今の SoC は数十億〜数百億トランジスタ級で、人力だけでは設計不可能なので EDA が不可欠です。 ([cadence.com](https://www.cadence.com/en_US/home/explore/what-is-electronic-design-automation.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_963060ba-28bd-49a3-8824-659ab5e45ee5","kind":"heading","order":6,"section_id":"sec_978a99fa-659c-4c48-8248-be2961423e89","character_id":null,"markdown":"## まず4社の違いを一言で言うと","render_override":null},{"id":"blk_35ab9571-f3cb-4759-94a1-531016cb9dd9","kind":"list","order":7,"section_id":"sec_978a99fa-659c-4c48-8248-be2961423e89","character_id":null,"markdown":"- **Synopsys**: 半導体設計のための総合EDA大手。検証、合成、実装、サインオフ、IPまで広い。 ([Synopsys](https://www.synopsys.com/?utm_source=chatgpt.com))\n- **Cadence**: Synopsys と並ぶ総合EDA大手。特にカスタムIC、アナログ/RF、システム設計解析まで強い。 ([cadence.com](https://www.cadence.com/en_US/home/company.html?utm_source=chatgpt.com))\n- **Arm**: EDA会社というより、**CPUアーキテクチャとCPU IPをライセンスする会社**。設計ツールそのものというより、チップの“中身の設計資産”を売る側。 ([arm.com](https://www.arm.com/architecture?utm_source=chatgpt.com))\n- **Ansys**: もともとは EDA 専業というより、**物理シミュレーション/解析** の会社。半導体でも、電源、熱、応力、チップ・パッケージ・基板連成などの解析が強い。今は Synopsys 傘下です。 ([Ansys](https://www.ansys.com/products/semiconductors?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e3ddea77-ece6-4da0-81f4-f6aea58b9cda","kind":"thematic_break","order":8,"section_id":"sec_978a99fa-659c-4c48-8248-be2961423e89","character_id":null,"markdown":"---","render_override":null},{"id":"blk_913b54c9-8f6c-4e73-bd71-97e229bbfa33","kind":"heading","order":9,"section_id":"sec_05fa371f-79a2-48de-ad43-327aac4075c7","character_id":null,"markdown":"## たとえるとわかりやすいです","render_override":null},{"id":"blk_eed0d5cc-3772-4dfb-aba7-90714e6abf75","kind":"paragraph","order":10,"section_id":"sec_05fa371f-79a2-48de-ad43-327aac4075c7","character_id":null,"markdown":"家を建てると考えると、","render_override":null},{"id":"blk_a1b30b90-64c9-4378-94f5-30db1f0c2160","kind":"list","order":11,"section_id":"sec_05fa371f-79a2-48de-ad43-327aac4075c7","character_id":null,"markdown":"- **EDA（Synopsys / Cadence）** = 設計CAD、構造チェック、施工前検証の総合ツール\n- **Arm** = すでに完成度の高い「部屋の設計図」や「骨組みの規格」をライセンスする会社\n- **Ansys** = 地震、熱、風圧、強度、空調まで物理的に本当に耐えられるかを見る解析屋","render_override":null},{"id":"blk_f73e4ee8-2219-40e5-9958-105f6b46f7f0","kind":"paragraph","order":12,"section_id":"sec_05fa371f-79a2-48de-ad43-327aac4075c7","character_id":null,"markdown":"というイメージです。 \nつまり **Synopsys/Cadence は“設計する道具”**、**Arm は“設計に組み込む部品・設計資産”**、**Ansys は“現実世界で壊れないか確かめる解析”** に近いです。 ([Synopsys](https://www.synopsys.com/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_53909581-b7ab-414d-8c05-559c0b652c7c","kind":"heading","order":13,"section_id":"sec_e514a29c-7950-4876-b7fc-c2bb8069ee7b","character_id":null,"markdown":"## Synopsysとは","render_override":null},{"id":"blk_abeb8a9e-9e69-4e83-b969-3de41e789475","kind":"paragraph","order":14,"section_id":"sec_e514a29c-7950-4876-b7fc-c2bb8069ee7b","character_id":null,"markdown":"Synopsys は、EDA、半導体 IP、検証、サインオフまで広く持つ総合プレイヤーです。公式には EDA ソリューション、シリコンIP、ハードウェア支援検証などを打ち出しており、サインオフ領域では静的タイミング解析、信号/電源完全性、寄生抽出、ECO、トランジスタレベル解析、マルチフィジクスまで扱っています。 ([Synopsys](https://www.synopsys.com/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_3e93511c-bd12-4b7f-bc06-accefc8d2995","kind":"paragraph","order":15,"section_id":"sec_e514a29c-7950-4876-b7fc-c2bb8069ee7b","character_id":null,"markdown":"強みを一言でいうと、**デジタルSoCを大規模に前へ進める力が非常に強い** ことです。 \n「正しく動くか」を見る検証、「回路をゲートに落とす」合成、「配線する」実装、「最後の品質保証」をするサインオフ、さらに USB や PCIe などの Verification IP までそろえており、大規模先端チップの一気通貫の流れを作りやすいです。 ([Synopsys](https://www.synopsys.com/verification/verification-ip.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_5c8d60c6-2221-4826-b1fe-49ad3a6daeea","kind":"paragraph","order":16,"section_id":"sec_e514a29c-7950-4876-b7fc-c2bb8069ee7b","character_id":null,"markdown":"さらに現在は Ansys を統合済みなので、Synopsys は従来の EDA に加えて、**熱・電源・機械応力など物理世界の解析** も取り込みやすくなっています。ここが最近の大きな変化です。 ([Synopsys News Releases](https://news.synopsys.com/2025-07-17-Synopsys-Completes-Acquisition-of-Ansys?utm_source=chatgpt.com))","render_override":null},{"id":"blk_430e467a-2554-498d-aafb-ef7697076358","kind":"heading","order":17,"section_id":"sec_ea9da18c-97be-4d2d-9e3d-88fe4434f9dd","character_id":null,"markdown":"## Cadenceとは","render_override":null},{"id":"blk_f4abc317-dc75-4aad-9d56-a6e7eb9c59ce","kind":"paragraph","order":18,"section_id":"sec_ea9da18c-97be-4d2d-9e3d-88fe4434f9dd","character_id":null,"markdown":"Cadence も Synopsys と並ぶ総合EDA大手で、公式には「EDA と Intelligent System Design の提供者」としています。チップだけでなく、パッケージ、ボード、筐体まで含むシステム設計・解析を打ち出しているのが特徴です。 ([cadence.com](https://www.cadence.com/ja_JP/home.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_5c8a932c-4c5e-46c6-ad13-719789430e3d","kind":"paragraph","order":19,"section_id":"sec_ea9da18c-97be-4d2d-9e3d-88fe4434f9dd","character_id":null,"markdown":"Cadence は特に **カスタムIC、アナログ、RF、ミックスドシグナル** で存在感が強いです。もちろんデジタル実装や検証も強いのですが、「職人的に詰める必要がある領域」と「システム全体まで見渡す設計」で評価されやすい会社です。公式にも custom IC / analog / RF の統合フローを大きく打ち出しています。 ([cadence.com](https://www.cadence.com/en_US/home/tools/custom-ic-analog-rf-design.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_6f1bbe5e-b1de-4b04-81c1-946390d7dac3","kind":"paragraph","order":20,"section_id":"sec_ea9da18c-97be-4d2d-9e3d-88fe4434f9dd","character_id":null,"markdown":"なので、ざっくりした見方をすると、 \n**Synopsys = 先端デジタルSoCの王道総合ツール感** \n**Cadence = それに並ぶ総合力を持ちつつ、アナログ/RFやシステム寄りでも非常に強い** \nという理解で最初は十分です。実際にはかなり領域が重なっています。 ([Synopsys](https://www.synopsys.com/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_aafe7693-3de9-4a4f-8552-784c2e8b122b","kind":"heading","order":21,"section_id":"sec_534963a3-34c2-47cf-952f-1bf6345df91e","character_id":null,"markdown":"## Armとは","render_override":null},{"id":"blk_0a552a61-9547-402c-beca-0a342db371b7","kind":"paragraph","order":22,"section_id":"sec_534963a3-34c2-47cf-952f-1bf6345df91e","character_id":null,"markdown":"Arm はここが一番誤解されやすいですが、**Synopsys や Cadence のような“EDAツール会社”ではありません**。 \nArm は CPU アーキテクチャを定義し、その上で CPU コアや各種IPをライセンスする会社です。公式にも、Arm CPU Architecture は「CPU がソフト実行時に何をすべきかを定義するもの」であり、Arm は多様な CPU コアや physical IP を提供すると説明しています。 ([arm.com](https://www.arm.com/architecture?utm_source=chatgpt.com))","render_override":null},{"id":"blk_84aabe89-8191-4070-9ea7-fe0d3ba00ec8","kind":"paragraph","order":23,"section_id":"sec_534963a3-34c2-47cf-952f-1bf6345df91e","character_id":null,"markdown":"たとえば半導体メーカーは、 \n「Arm の命令セット/CPUコアを使ってSoCを作る」 \nことがあります。その SoC を実際に設計・検証・配線・サインオフする段階で使うのが Synopsys や Cadence のEDAです。 \nつまり Arm は **設計対象の中核IPを供給する側** で、EDA会社とは役割が違います。 ([arm.com](https://www.arm.com/products/licensing?utm_source=chatgpt.com))","render_override":null},{"id":"blk_4620a53d-43e0-474f-b37b-d50fa16fe070","kind":"paragraph","order":24,"section_id":"sec_534963a3-34c2-47cf-952f-1bf6345df91e","character_id":null,"markdown":"なので関係性でいうと、 \n**ArmのCPU IPを、SynopsysやCadenceのツールでSoCに組み込んで完成させる** \nという理解がいちばん自然です。 ([arm.com](https://www.arm.com/products/licensing?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e8e10b44-fd67-4fbd-a357-e4fed8809731","kind":"heading","order":25,"section_id":"sec_e89e6323-74a6-4d39-b6f2-94a85487af53","character_id":null,"markdown":"## Ansysとは","render_override":null},{"id":"blk_fac375b3-d821-4230-9b22-9747a03ac717","kind":"paragraph","order":26,"section_id":"sec_e89e6323-74a6-4d39-b6f2-94a85487af53","character_id":null,"markdown":"Ansys も誤解されやすいですが、もともとは **機械、流体、電磁界、熱などのCAE/シミュレーション大手** です。半導体分野では、電源完全性、熱、電磁、パッケージ、チップ・パッケージ・システム連成解析など、**現実の物理問題** を強く見ます。公式の半導体・電子系ページでも power integrity、thermal simulation、chip-package-system co-analysis などを前面に出しています。 ([Ansys](https://www.ansys.com/products/semiconductors?utm_source=chatgpt.com))","render_override":null},{"id":"blk_19b494b2-2083-40bf-ac02-5184505ea005","kind":"paragraph","order":27,"section_id":"sec_e89e6323-74a6-4d39-b6f2-94a85487af53","character_id":null,"markdown":"先端パッケージや 2.5D/3D-IC では、「論理的に動く」だけでは足りず、**熱で性能が落ちないか、電源ノイズで誤動作しないか、応力で壊れないか** が非常に重要です。Ansys はそこを詰める役割が強かった会社です。 ([Ansys](https://www.ansys.com/zh-cn/blog/simulation-solutions-structural-integrity-chip-packages?utm_source=chatgpt.com))","render_override":null},{"id":"blk_89ba43b1-06e2-4748-abcc-a0204243348b","kind":"paragraph","order":28,"section_id":"sec_e89e6323-74a6-4d39-b6f2-94a85487af53","character_id":null,"markdown":"そして今は Synopsys が 2025年7月に買収完了しているので、現在の理解としては、 \n**Ansys = Synopsysグループの中で、物理解析・マルチフィジクスを担う中核** \nと見るのが自然です。 ([Synopsys News Releases](https://news.synopsys.com/2025-07-17-Synopsys-Completes-Acquisition-of-Ansys?utm_source=chatgpt.com))","render_override":null},{"id":"blk_896578b5-e79e-487a-84a8-04dc6a8b8c95","kind":"heading","order":29,"section_id":"sec_12acbd2f-954b-40c4-a4b4-a30684ec063a","character_id":null,"markdown":"## 4社の違いを一枚でまとめると","render_override":null},{"id":"blk_dea0a340-b219-4d8d-8bcd-13e09a15cc8e","kind":"figure","order":30,"section_id":"sec_12acbd2f-954b-40c4-a4b4-a30684ec063a","character_id":null,"markdown":"![](/media/b3295bc61da111e1e993d189c2a41d1330d44ddd715b99d13e053885b73eaba3-content.webp)","render_override":null},{"id":"blk_c951faf8-fe29-48b9-97ff-67ae500b2822","kind":"paragraph","order":31,"section_id":"sec_12acbd2f-954b-40c4-a4b4-a30684ec063a","character_id":null,"markdown":"この表の本質は、 \n**Synopsys/Cadenceは“設計ツール”** \n**Armは“設計に使うIP”** \n**Ansysは“物理解析”** \nという切り分けです。 ([Synopsys](https://www.synopsys.com/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_651f51b1-e071-4beb-9e2c-804d92432a66","kind":"heading","order":32,"section_id":"sec_cd11f998-93aa-4a0d-89e5-8e752fdfeb99","character_id":null,"markdown":"## どこで使われるかを設計フローに沿って見ると","render_override":null},{"id":"blk_5ddc5bf4-cc05-4ed7-bbbc-6db3bacb02c8","kind":"paragraph","order":33,"section_id":"sec_cd11f998-93aa-4a0d-89e5-8e752fdfeb99","character_id":null,"markdown":"設計の早い段階で「どんなCPUを載せるか」を決めるときに Arm のIPが候補になります。 \nその後、RTL設計、検証、合成、配置配線、サインオフでは Synopsys や Cadence のEDAが中心になります。 \nさらに最後に、熱・電源・パッケージ応力・EMI/EMC のような物理問題を深く詰めるところで Ansys 系の解析が効いてきます。最近は Cadence も system design and analysis を強化しており、Synopsys も Ansys 統合でこの領域を広げています。 ([cadence.com](https://www.cadence.com/en_US/home/tools/system-design-and-analysis.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_ce40c27a-b2f9-46dc-99d6-1546ab2196ec","kind":"heading","order":34,"section_id":"sec_42686844-92b6-4e74-9ffa-bcc2e296d98c","character_id":null,"markdown":"## 初学者向けに超単純化すると","render_override":null},{"id":"blk_87dbec17-ecbf-4d91-ae9d-b5cef853c3d7","kind":"list","order":35,"section_id":"sec_42686844-92b6-4e74-9ffa-bcc2e296d98c","character_id":null,"markdown":"- **EDAとは** \n 半導体を作るための設計ソフト群\n- **Synopsys / Cadence の違い** \n どちらも超重要なEDA大手。かなり競合するが、Cadenceはアナログ/RFやシステム寄りでも強く、Synopsysは大規模デジタルSoCの総合力やサインオフ、検証IPまで非常に広い\n- **Arm の違い** \n ツール会社ではなく、CPUの設計資産を売る会社\n- **Ansys の違い** \n 回路そのものより、熱・電源・機械応力など“現実の物理”を強く見る会社。いまはSynopsys傘下","render_override":null},{"id":"blk_b503497d-2a44-4ff7-9b86-6302a8c7d889","kind":"paragraph","order":36,"section_id":"sec_42686844-92b6-4e74-9ffa-bcc2e296d98c","character_id":null,"markdown":"この4つを混同しないことが、最初の最大のポイントです。 ([cadence.com](https://www.cadence.com/en_US/home/tools/custom-ic-analog-rf-design.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_63413b90-9885-4852-9f6d-d6e1a35f5463","kind":"thematic_break","order":37,"section_id":"sec_42686844-92b6-4e74-9ffa-bcc2e296d98c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ea7e78da-4555-4ad9-8495-60aeb20d229c","kind":"heading","order":38,"section_id":"sec_3b7a1567-62c1-4f90-83d5-8ff807b17847","character_id":null,"markdown":"## まず「半導体」「チップ」って何か","render_override":null},{"id":"blk_04371f2a-d6db-43ce-aa68-4a124fcfca17","kind":"paragraph","order":39,"section_id":"sec_3b7a1567-62c1-4f90-83d5-8ff807b17847","character_id":null,"markdown":"半導体チップは、ものすごく小さな板の上に、非常にたくさんの**トランジスタ**という電子スイッチを並べたものです。","render_override":null},{"id":"blk_7bf90510-6169-4b44-aeda-1dd07677a056","kind":"paragraph","order":40,"section_id":"sec_3b7a1567-62c1-4f90-83d5-8ff807b17847","character_id":null,"markdown":"このスイッチを","render_override":null},{"id":"blk_d732cb19-0198-41d3-8062-869902357647","kind":"list","order":41,"section_id":"sec_3b7a1567-62c1-4f90-83d5-8ff807b17847","character_id":null,"markdown":"- つなぐ\n- 組み合わせる\n- 決まった順序で動かす","render_override":null},{"id":"blk_4bd45188-45d7-4e2b-bb2a-91f179cc2e83","kind":"paragraph","order":42,"section_id":"sec_3b7a1567-62c1-4f90-83d5-8ff807b17847","character_id":null,"markdown":"ことで、計算したり、記憶したり、画像を処理したりします。","render_override":null},{"id":"blk_1a75cc35-68cf-4bcf-bcb5-e2101e5a6a71","kind":"paragraph","order":43,"section_id":"sec_3b7a1567-62c1-4f90-83d5-8ff807b17847","character_id":null,"markdown":"つまりチップは、見た目はただの黒い部品でも、中では","render_override":null},{"id":"blk_8117056c-2941-4b3b-ab9a-974743a12b13","kind":"list","order":44,"section_id":"sec_3b7a1567-62c1-4f90-83d5-8ff807b17847","character_id":null,"markdown":"- 計算する場所\n- 記憶する場所\n- 外と通信する場所\n- 電力を配る場所","render_override":null},{"id":"blk_c94055f8-c4a8-491f-98a3-060b6782ba11","kind":"paragraph","order":45,"section_id":"sec_3b7a1567-62c1-4f90-83d5-8ff807b17847","character_id":null,"markdown":"などが詰まっています。","render_override":null},{"id":"blk_1afdb325-7cc7-4236-a791-46c6dcd761dc","kind":"paragraph","order":46,"section_id":"sec_3b7a1567-62c1-4f90-83d5-8ff807b17847","character_id":null,"markdown":"たとえばスマホのSoCなら、1個のチップの中に","render_override":null},{"id":"blk_acea41bc-7150-46d1-8a85-7d294d751501","kind":"list","order":47,"section_id":"sec_3b7a1567-62c1-4f90-83d5-8ff807b17847","character_id":null,"markdown":"- CPU\n- GPU\n- AI処理回路\n- 画像処理\n- メモリ制御\n- 通信制御","render_override":null},{"id":"blk_fbfa0316-ca3d-449b-87a5-80a623f25697","kind":"paragraph","order":48,"section_id":"sec_3b7a1567-62c1-4f90-83d5-8ff807b17847","character_id":null,"markdown":"などが入っています。","render_override":null},{"id":"blk_0a320038-9b80-482f-a747-2df65377337b","kind":"thematic_break","order":49,"section_id":"sec_3b7a1567-62c1-4f90-83d5-8ff807b17847","character_id":null,"markdown":"---","render_override":null},{"id":"blk_bd7f976b-5664-4da2-a05e-d888bcfade2d","kind":"heading","order":50,"section_id":"sec_1d88a415-fd40-424a-b5ac-0dd243eb67a6","character_id":null,"markdown":"## チップ開発は「家づくり」より「都市設計」に近い","render_override":null},{"id":"blk_db5cedc6-3c35-4854-afd9-ebf855d66746","kind":"paragraph","order":51,"section_id":"sec_1d88a415-fd40-424a-b5ac-0dd243eb67a6","character_id":null,"markdown":"初心者向けにたとえると、チップ開発は家1軒を建てるより、**小さな都市を設計する**感じです。","render_override":null},{"id":"blk_60943360-d61a-4d37-a35a-7fd1b6a572cd","kind":"list","order":52,"section_id":"sec_1d88a415-fd40-424a-b5ac-0dd243eb67a6","character_id":null,"markdown":"- どんな街にするか決める\n- 道路を引く\n- 電気を通す\n- 水道みたいに信号を流す\n- 混雑しないようにする\n- 熱くなりすぎないようにする\n- 最後に実際に建てる","render_override":null},{"id":"blk_e5f1ce93-c7f8-4d24-b701-c4a047877986","kind":"paragraph","order":53,"section_id":"sec_1d88a415-fd40-424a-b5ac-0dd243eb67a6","character_id":null,"markdown":"という流れです。","render_override":null},{"id":"blk_4eca685e-b1f2-4672-aafc-69b58958a02c","kind":"paragraph","order":54,"section_id":"sec_1d88a415-fd40-424a-b5ac-0dd243eb67a6","character_id":null,"markdown":"しかも、建てたあとに簡単には直せません。 \nソフトならあとで更新できますが、チップは一度工場で作ると修正が高くつくので、**作る前の確認がものすごく重要**です。","render_override":null},{"id":"blk_0fe85595-e440-4602-8e85-212c11054e48","kind":"thematic_break","order":55,"section_id":"sec_1d88a415-fd40-424a-b5ac-0dd243eb67a6","character_id":null,"markdown":"---","render_override":null},{"id":"blk_cf1472ec-f798-4bea-bf2e-901fe97b592a","kind":"heading","order":56,"section_id":"sec_f519dded-3fdf-42b6-bcfe-353f0d76bc24","character_id":null,"markdown":"## チップ開発の流れ","render_override":null},{"id":"blk_2f81d13a-6c02-478f-8156-7623e982dff6","kind":"heading","order":57,"section_id":"sec_a46a91f6-6a18-4769-8cc8-367486b8fd20","character_id":null,"markdown":"## \\1. 何を作るか決める","render_override":null},{"id":"blk_ce439380-403e-4908-af5c-fe20cdea7c21","kind":"paragraph","order":58,"section_id":"sec_a46a91f6-6a18-4769-8cc8-367486b8fd20","character_id":null,"markdown":"最初にやるのは、**このチップに何をさせたいのか**を決めることです。","render_override":null},{"id":"blk_87b9eecc-2615-4bac-affd-daa5247fd03b","kind":"paragraph","order":59,"section_id":"sec_a46a91f6-6a18-4769-8cc8-367486b8fd20","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_6e166e4a-69b9-4ff6-b0c3-b719f2fd3b0f","kind":"list","order":60,"section_id":"sec_a46a91f6-6a18-4769-8cc8-367486b8fd20","character_id":null,"markdown":"- スマホ向けなのか\n- 自動運転向けなのか\n- SSD向けなのか\n- AI推論向けなのか","render_override":null},{"id":"blk_9851b696-35c1-4bed-9f3c-d236a1e6c6e2","kind":"paragraph","order":61,"section_id":"sec_a46a91f6-6a18-4769-8cc8-367486b8fd20","character_id":null,"markdown":"で、求められるものが全然違います。","render_override":null},{"id":"blk_1fb1e48c-a455-464f-9b5b-0215da43ed34","kind":"paragraph","order":62,"section_id":"sec_a46a91f6-6a18-4769-8cc8-367486b8fd20","character_id":null,"markdown":"ここで考えるのは、","render_override":null},{"id":"blk_6ae6f9d5-09f3-4ec6-91c4-62a2f8fe9c60","kind":"list","order":63,"section_id":"sec_a46a91f6-6a18-4769-8cc8-367486b8fd20","character_id":null,"markdown":"- どれくらい速くしたいか\n- 消費電力をどれくらいにしたいか\n- サイズをどれくらいにしたいか\n- 価格をどれくらいにしたいか\n- 何年後の製品に入れるか","render_override":null},{"id":"blk_3eb073ed-f91f-4005-bf7b-acec30802988","kind":"paragraph","order":64,"section_id":"sec_a46a91f6-6a18-4769-8cc8-367486b8fd20","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_ffc23959-0f80-411b-b621-e6cbe399322d","kind":"paragraph","order":65,"section_id":"sec_a46a91f6-6a18-4769-8cc8-367486b8fd20","character_id":null,"markdown":"これは「設計」というより、まず**企画と仕様決め**です。","render_override":null},{"id":"blk_876bf09b-2f0e-4d9d-ab25-d9fdef9ec49f","kind":"thematic_break","order":66,"section_id":"sec_a46a91f6-6a18-4769-8cc8-367486b8fd20","character_id":null,"markdown":"---","render_override":null},{"id":"blk_60396575-f94d-46a6-9f53-1428bfb9d421","kind":"heading","order":67,"section_id":"sec_1fca7b30-44d6-4948-b65f-5170538281e6","character_id":null,"markdown":"## \\2. 大まかな構造を決める","render_override":null},{"id":"blk_5e745dfd-bb10-4c03-8dbc-8b7743d59698","kind":"paragraph","order":68,"section_id":"sec_1fca7b30-44d6-4948-b65f-5170538281e6","character_id":null,"markdown":"次に、チップの中身を大きなブロックに分けて考えます。","render_override":null},{"id":"blk_170dd907-4e0a-4d08-9363-70da77e918ac","kind":"paragraph","order":69,"section_id":"sec_1fca7b30-44d6-4948-b65f-5170538281e6","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_fca4d651-53cd-4ff9-9fd1-b70c56ecbfd3","kind":"list","order":70,"section_id":"sec_1fca7b30-44d6-4948-b65f-5170538281e6","character_id":null,"markdown":"- 計算する部分\n- メモリを制御する部分\n- 画像を処理する部分\n- 外部機器とつなぐ部分","render_override":null},{"id":"blk_bc147d89-ca5f-41eb-97c0-cc2916450afe","kind":"paragraph","order":71,"section_id":"sec_1fca7b30-44d6-4948-b65f-5170538281e6","character_id":null,"markdown":"のように分けます。","render_override":null},{"id":"blk_5fe8ae8f-6561-4b7d-9f58-871793ee2637","kind":"paragraph","order":72,"section_id":"sec_1fca7b30-44d6-4948-b65f-5170538281e6","character_id":null,"markdown":"これは**アーキテクチャ設計**と呼ばれます。 \n建物で言えば、まだ壁紙や配線ではなく、 \n「この建物は3階建てで、ここがリビングで、ここが階段」 \nと決める段階です。","render_override":null},{"id":"blk_f0af2f4d-8a00-4050-a8eb-9177d2e0cb79","kind":"paragraph","order":73,"section_id":"sec_1fca7b30-44d6-4948-b65f-5170538281e6","character_id":null,"markdown":"この時点で、全部をゼロから作るとは限りません。 \nよくあるのは、必要な部品の一部を外から使うことです。","render_override":null},{"id":"blk_5a576252-c44d-4f76-b07f-e44e40ea1ea6","kind":"paragraph","order":74,"section_id":"sec_1fca7b30-44d6-4948-b65f-5170538281e6","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_31d89a69-cb94-4790-8996-8bcda19a9b83","kind":"list","order":75,"section_id":"sec_1fca7b30-44d6-4948-b65f-5170538281e6","character_id":null,"markdown":"- CPUコアは Arm の設計を使う\n- 通信部分は既存IPを使う\n- USBやPCIeの回路はIPを使う","render_override":null},{"id":"blk_805b64e5-0563-406f-9169-029ed442576e","kind":"paragraph","order":76,"section_id":"sec_1fca7b30-44d6-4948-b65f-5170538281e6","character_id":null,"markdown":"ということがあります。","render_override":null},{"id":"blk_0ff5daa2-8612-49bd-b573-d9d1fa01b732","kind":"paragraph","order":77,"section_id":"sec_1fca7b30-44d6-4948-b65f-5170538281e6","character_id":null,"markdown":"ここでの **IP** は、知的財産という意味で、 \n**すでに作られている回路ブロックの設計資産** のことです。","render_override":null},{"id":"blk_21fccd4f-3c23-456f-9c00-e72abc2589c2","kind":"thematic_break","order":78,"section_id":"sec_1fca7b30-44d6-4948-b65f-5170538281e6","character_id":null,"markdown":"---","render_override":null},{"id":"blk_69767a72-df09-454f-9c33-30f80c33e212","kind":"heading","order":79,"section_id":"sec_86260896-2b61-422d-988d-86035cec2606","character_id":null,"markdown":"## \\3. 回路の中身を書く","render_override":null},{"id":"blk_74bb7980-8b68-405b-b2b8-e7ff6dbd9cbf","kind":"paragraph","order":80,"section_id":"sec_86260896-2b61-422d-988d-86035cec2606","character_id":null,"markdown":"ここからいよいよ「設計」っぽくなります。","render_override":null},{"id":"blk_aa10003e-a20d-4809-b19e-6aab4a62895b","kind":"paragraph","order":81,"section_id":"sec_86260896-2b61-422d-988d-86035cec2606","character_id":null,"markdown":"ただし、初心者が思い浮かべるように、設計者が1個1個トランジスタを手書きしているわけではありません。 \n大規模なデジタルチップでは普通、まずは **RTL** という形で書きます。","render_override":null},{"id":"blk_d69a8f7b-d513-4499-b1e8-eccda4377dff","kind":"paragraph","order":82,"section_id":"sec_86260896-2b61-422d-988d-86035cec2606","character_id":null,"markdown":"RTL はかなりざっくり言うと、 \n**この信号が来たら、このデータをこう動かす** \nというルールを、Verilog や VHDL のようなハードウェア記述言語で書くものです。","render_override":null},{"id":"blk_f52bb9fb-9582-4485-bd55-b1ea1df03290","kind":"paragraph","order":83,"section_id":"sec_86260896-2b61-422d-988d-86035cec2606","character_id":null,"markdown":"ソフトコードに少し似ていますが、実際には \n「時間に合わせて同時並行で動く電子回路」 \nを書くので、普通のプログラムとはだいぶ感覚が違います。","render_override":null},{"id":"blk_5a6e75b8-40ed-4db2-9e1e-2fab600f2ddf","kind":"paragraph","order":84,"section_id":"sec_86260896-2b61-422d-988d-86035cec2606","character_id":null,"markdown":"ここで設計者は、","render_override":null},{"id":"blk_b7435b25-e751-4fa1-85b1-c1e946c2ad26","kind":"list","order":85,"section_id":"sec_86260896-2b61-422d-988d-86035cec2606","character_id":null,"markdown":"- 加算器\n- 制御回路\n- 状態遷移\n- バッファ\n- パイプライン\n- メモリ制御","render_override":null},{"id":"blk_c78edf0a-acfc-4f11-86f6-ce0ab2f72ec7","kind":"paragraph","order":86,"section_id":"sec_86260896-2b61-422d-988d-86035cec2606","character_id":null,"markdown":"などを組み立てます。","render_override":null},{"id":"blk_2339704a-5c12-43ed-92c3-79eb89ed2937","kind":"thematic_break","order":87,"section_id":"sec_86260896-2b61-422d-988d-86035cec2606","character_id":null,"markdown":"---","render_override":null},{"id":"blk_13e5aa1f-c121-43da-b913-da405d9dc25c","kind":"heading","order":88,"section_id":"sec_9e89ba72-afec-4f57-8f26-9bf79b1d4003","character_id":null,"markdown":"## \\4. 正しく動くかひたすら確認する","render_override":null},{"id":"blk_47d3a3bf-98a7-49f2-8eea-a4234186d2d0","kind":"paragraph","order":89,"section_id":"sec_9e89ba72-afec-4f57-8f26-9bf79b1d4003","character_id":null,"markdown":"RTLを書いたら、すぐ製造はしません。 \nまず**本当に正しいか**を延々と確認します。","render_override":null},{"id":"blk_1cb02b0d-c38b-44fb-955b-98e2c2ec279a","kind":"paragraph","order":90,"section_id":"sec_9e89ba72-afec-4f57-8f26-9bf79b1d4003","character_id":null,"markdown":"これが **検証** です。 \n実は多くの開発現場で、設計そのもの以上に検証の比重が大きいです。","render_override":null},{"id":"blk_aaba92cf-dff7-4644-889d-5b306d362c63","kind":"paragraph","order":91,"section_id":"sec_9e89ba72-afec-4f57-8f26-9bf79b1d4003","character_id":null,"markdown":"確認することはたくさんあります。","render_override":null},{"id":"blk_44930bf9-ff3f-447f-a029-7de145b06b45","kind":"list","order":92,"section_id":"sec_9e89ba72-afec-4f57-8f26-9bf79b1d4003","character_id":null,"markdown":"- 計算結果が正しいか\n- 想定外の入力でも壊れないか\n- データが詰まらないか\n- 起動から停止まで問題ないか\n- バグがないか","render_override":null},{"id":"blk_ac6d9ef7-bb9d-4734-a068-de8359939f39","kind":"paragraph","order":93,"section_id":"sec_9e89ba72-afec-4f57-8f26-9bf79b1d4003","character_id":null,"markdown":"たとえば、交通整理のルールを作ったとしても、 \n実際に車を流してみたら事故が起きるかもしれません。 \nそれを事前に仮想空間で試す感じです。","render_override":null},{"id":"blk_5b81f77a-0ad3-4998-8473-7bbb3b01aaff","kind":"paragraph","order":94,"section_id":"sec_9e89ba72-afec-4f57-8f26-9bf79b1d4003","character_id":null,"markdown":"チップはあとから修正が高いので、ここで徹底的に見ます。","render_override":null},{"id":"blk_e61cc95d-a02d-4b52-b16f-2ea45d67a876","kind":"thematic_break","order":95,"section_id":"sec_9e89ba72-afec-4f57-8f26-9bf79b1d4003","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ce5f6a47-916d-4a0f-9cd8-28811a41d3e1","kind":"heading","order":96,"section_id":"sec_4a087a65-e40b-44eb-bcdf-967ebbe07481","character_id":null,"markdown":"## \\5. 「論理」から「実際の回路」に変換する","render_override":null},{"id":"blk_727d4883-f3ea-4261-8a12-a8f8406bafcf","kind":"paragraph","order":97,"section_id":"sec_4a087a65-e40b-44eb-bcdf-967ebbe07481","character_id":null,"markdown":"RTLはまだ人間がわかりやすい抽象的な記述です。 \nこのままでは工場で作れません。","render_override":null},{"id":"blk_3a700e44-c443-4c43-b5e9-e53a5b42a6c1","kind":"paragraph","order":98,"section_id":"sec_4a087a65-e40b-44eb-bcdf-967ebbe07481","character_id":null,"markdown":"そこで **論理合成** をします。","render_override":null},{"id":"blk_9b38b855-afe3-4dd9-bb2b-85d6bf657034","kind":"paragraph","order":99,"section_id":"sec_4a087a65-e40b-44eb-bcdf-967ebbe07481","character_id":null,"markdown":"これは、 \nRTLで書いた内容を、 \n実際に作れる**論理ゲートの組み合わせ**に変換する工程です。","render_override":null},{"id":"blk_7f1a4567-b3ee-416a-9600-36e90ea03245","kind":"paragraph","order":100,"section_id":"sec_4a087a65-e40b-44eb-bcdf-967ebbe07481","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_4299673c-8873-44a2-85ff-b96aeb73a968","kind":"list","order":101,"section_id":"sec_4a087a65-e40b-44eb-bcdf-967ebbe07481","character_id":null,"markdown":"- AND\n- OR\n- NOT\n- フリップフロップ","render_override":null},{"id":"blk_9d69c882-8fb8-49e1-87e0-75d7a97afc5d","kind":"paragraph","order":102,"section_id":"sec_4a087a65-e40b-44eb-bcdf-967ebbe07481","character_id":null,"markdown":"みたいな部品の集合に落としていきます。","render_override":null},{"id":"blk_b051f09e-2d04-4375-8e6f-df2aba175593","kind":"paragraph","order":103,"section_id":"sec_4a087a65-e40b-44eb-bcdf-967ebbe07481","character_id":null,"markdown":"ここでようやく、 \n「どういう回路になるか」がかなり具体的になります。","render_override":null},{"id":"blk_5c2bcd62-5906-45de-9896-831e43e28ce9","kind":"thematic_break","order":104,"section_id":"sec_4a087a65-e40b-44eb-bcdf-967ebbe07481","character_id":null,"markdown":"---","render_override":null},{"id":"blk_37de2b54-566c-4d78-8794-009bd801cab3","kind":"heading","order":105,"section_id":"sec_e6548b83-656a-4137-a502-3b38feba4294","character_id":null,"markdown":"## \\6. チップの中にどう配置するか決める","render_override":null},{"id":"blk_29cfbbfe-3f7f-41a6-9d13-a9da764820d5","kind":"paragraph","order":106,"section_id":"sec_e6548b83-656a-4137-a502-3b38feba4294","character_id":null,"markdown":"次に、それぞれの回路をチップのどこに置くか決めます。","render_override":null},{"id":"blk_287a33b7-df70-471d-9e7c-130adf1e9b5d","kind":"paragraph","order":107,"section_id":"sec_e6548b83-656a-4137-a502-3b38feba4294","character_id":null,"markdown":"これは **フロアプラン** や **配置配線** の段階です。","render_override":null},{"id":"blk_242f86f2-705b-4cdb-88c6-a85fc565a289","kind":"paragraph","order":108,"section_id":"sec_e6548b83-656a-4137-a502-3b38feba4294","character_id":null,"markdown":"ここで考えることは、","render_override":null},{"id":"blk_09dcd0a5-9859-40f5-9684-cbc8cfe4fb9d","kind":"list","order":109,"section_id":"sec_e6548b83-656a-4137-a502-3b38feba4294","character_id":null,"markdown":"- 近くに置いた方が速い回路は何か\n- 電力を大量に使う部分はどこか\n- 熱が集中しないか\n- 配線が混みすぎないか\n- クロック信号をどう配るか","render_override":null},{"id":"blk_bfbf7e0d-121b-4d25-ad88-3c8847623503","kind":"paragraph","order":110,"section_id":"sec_e6548b83-656a-4137-a502-3b38feba4294","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_902d20b4-e947-4a25-8b77-35050c2b12b9","kind":"paragraph","order":111,"section_id":"sec_e6548b83-656a-4137-a502-3b38feba4294","character_id":null,"markdown":"都市で言えば、","render_override":null},{"id":"blk_2948e518-4bde-4b0d-b68f-98a58db06dc8","kind":"list","order":112,"section_id":"sec_e6548b83-656a-4137-a502-3b38feba4294","character_id":null,"markdown":"- 工場をどこに置くか\n- 幹線道路をどう通すか\n- 電力網をどう引くか","render_override":null},{"id":"blk_7b4d9404-8e61-4977-9a93-235854678685","kind":"paragraph","order":113,"section_id":"sec_e6548b83-656a-4137-a502-3b38feba4294","character_id":null,"markdown":"を決めるようなものです。","render_override":null},{"id":"blk_31e9d4d2-3a66-4fb2-a706-721ca56f7bb2","kind":"paragraph","order":114,"section_id":"sec_e6548b83-656a-4137-a502-3b38feba4294","character_id":null,"markdown":"回路そのものが正しくても、配置が悪いと","render_override":null},{"id":"blk_ed2181ef-3f25-4b78-be38-6534efc65e9d","kind":"list","order":115,"section_id":"sec_e6548b83-656a-4137-a502-3b38feba4294","character_id":null,"markdown":"- 遅くなる\n- 電気を食いすぎる\n- 熱くなりすぎる\n- ノイズが増える","render_override":null},{"id":"blk_49323bc9-ae48-4188-9ef9-26c300ebb852","kind":"paragraph","order":116,"section_id":"sec_e6548b83-656a-4137-a502-3b38feba4294","character_id":null,"markdown":"という問題が起きます。","render_override":null},{"id":"blk_346720e2-8630-4626-baf0-374ddde9decd","kind":"thematic_break","order":117,"section_id":"sec_e6548b83-656a-4137-a502-3b38feba4294","character_id":null,"markdown":"---","render_override":null},{"id":"blk_90e6b60f-33dd-451a-befe-35522293ae77","kind":"heading","order":118,"section_id":"sec_04aa2d66-d2c7-4e59-af18-087fc10f8b34","character_id":null,"markdown":"## \\7. 速度、電力、熱、ノイズを詰める","render_override":null},{"id":"blk_204056dd-cd16-418e-a499-08ec1f85a5ec","kind":"paragraph","order":119,"section_id":"sec_04aa2d66-d2c7-4e59-af18-087fc10f8b34","character_id":null,"markdown":"ここが初心者には見えにくいですが、非常に重要です。","render_override":null},{"id":"blk_5a174933-5639-4dbd-a9ec-5ae7b233f7c5","kind":"paragraph","order":120,"section_id":"sec_04aa2d66-d2c7-4e59-af18-087fc10f8b34","character_id":null,"markdown":"チップはただ動けばいいわけではなく、","render_override":null},{"id":"blk_07df58d3-e956-41a6-924e-8e1e92d4e78e","kind":"list","order":121,"section_id":"sec_04aa2d66-d2c7-4e59-af18-087fc10f8b34","character_id":null,"markdown":"- 決まったクロックで動くか\n- 消費電力が大きすぎないか\n- 発熱がひどくないか\n- 信号が乱れないか\n- 電圧降下で誤動作しないか","render_override":null},{"id":"blk_caf3953b-ab6b-4753-92c1-28ec23bc6dcc","kind":"paragraph","order":122,"section_id":"sec_04aa2d66-d2c7-4e59-af18-087fc10f8b34","character_id":null,"markdown":"を確認します。","render_override":null},{"id":"blk_7c16de81-7fbd-4256-ab9e-8d2a704407c6","kind":"paragraph","order":123,"section_id":"sec_04aa2d66-d2c7-4e59-af18-087fc10f8b34","character_id":null,"markdown":"これを詰める段階が、いわゆる**サインオフ前の解析**です。","render_override":null},{"id":"blk_bc845c11-fd7e-4ffe-b84c-92b90f5ef7dc","kind":"paragraph","order":124,"section_id":"sec_04aa2d66-d2c7-4e59-af18-087fc10f8b34","character_id":null,"markdown":"たとえば、理屈上は動く回路でも、 \n実際には配線が長すぎて信号到達が遅れ、タイミング違反になることがあります。 \nあるいは、電流が集中して熱くなりすぎることもあります。","render_override":null},{"id":"blk_d781068b-0a4d-45c7-8345-d70561ae7c62","kind":"paragraph","order":125,"section_id":"sec_04aa2d66-d2c7-4e59-af18-087fc10f8b34","character_id":null,"markdown":"このため、チップ開発は単なる「回路の正しさ」だけでなく、 \n**物理的に現実世界でちゃんと動くか**も確認します。","render_override":null},{"id":"blk_92b3ed01-615f-4564-b4c3-2a027f09f1b7","kind":"thematic_break","order":126,"section_id":"sec_04aa2d66-d2c7-4e59-af18-087fc10f8b34","character_id":null,"markdown":"---","render_override":null},{"id":"blk_369a5dfd-11c6-4eb7-8317-e9d3e268db33","kind":"heading","order":127,"section_id":"sec_87cf6833-65e8-47fd-ad08-4a9799fc24f6","character_id":null,"markdown":"## \\8. テストしやすい仕組みを入れる","render_override":null},{"id":"blk_cbca2868-49ee-4e98-90d1-1089dfb78829","kind":"paragraph","order":128,"section_id":"sec_87cf6833-65e8-47fd-ad08-4a9799fc24f6","character_id":null,"markdown":"工場で作ったあと、そのチップが良品か不良品か判定しないといけません。","render_override":null},{"id":"blk_85c61b43-faf8-4c92-8d4c-b30af2abd376","kind":"paragraph","order":129,"section_id":"sec_87cf6833-65e8-47fd-ad08-4a9799fc24f6","character_id":null,"markdown":"でもチップの中身は見えません。 \nだから開発段階で、**テスト用の仕組み**を入れておきます。","render_override":null},{"id":"blk_439fcb80-7fc2-42ee-a597-9f4c0faf5437","kind":"paragraph","order":130,"section_id":"sec_87cf6833-65e8-47fd-ad08-4a9799fc24f6","character_id":null,"markdown":"これが DFT（Design for Test）です。","render_override":null},{"id":"blk_6b7eb74d-65d3-4ab7-8481-96f87699847e","kind":"paragraph","order":131,"section_id":"sec_87cf6833-65e8-47fd-ad08-4a9799fc24f6","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_0c76bec3-a743-4ca6-ace7-38e6e6e21e85","kind":"list","order":132,"section_id":"sec_87cf6833-65e8-47fd-ad08-4a9799fc24f6","character_id":null,"markdown":"- スキャンチェーン\n- 組み込み自己診断\n- テストモード","render_override":null},{"id":"blk_663dde97-1a04-4371-9905-40b34f4f34c3","kind":"paragraph","order":133,"section_id":"sec_87cf6833-65e8-47fd-ad08-4a9799fc24f6","character_id":null,"markdown":"などを入れます。","render_override":null},{"id":"blk_dcf3b241-c25d-4300-a953-3b536e797a58","kind":"paragraph","order":134,"section_id":"sec_87cf6833-65e8-47fd-ad08-4a9799fc24f6","character_id":null,"markdown":"つまり設計段階から、 \n「あとで検査しやすいようにしておく」 \nのです。","render_override":null},{"id":"blk_03127c2a-eb52-4eb7-8794-a50b002e65d9","kind":"thematic_break","order":135,"section_id":"sec_87cf6833-65e8-47fd-ad08-4a9799fc24f6","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2269c503-50b7-45ab-9163-81a66b4fbb2d","kind":"heading","order":136,"section_id":"sec_6f5f66a9-7e7f-4d63-b2df-212afb977eed","character_id":null,"markdown":"## \\9. 工場に出すための最終データを作る","render_override":null},{"id":"blk_f1e384d4-f202-4608-b65d-65980647df4e","kind":"paragraph","order":137,"section_id":"sec_6f5f66a9-7e7f-4d63-b2df-212afb977eed","character_id":null,"markdown":"ここまで来て、ようやく製造用の最終データを作ります。 \nこれが **テープアウト** と呼ばれる段階です。","render_override":null},{"id":"blk_c9948997-29a6-4237-b71d-6b17a06c1e82","kind":"paragraph","order":138,"section_id":"sec_6f5f66a9-7e7f-4d63-b2df-212afb977eed","character_id":null,"markdown":"昔は本当にテープでデータを渡していた名残の言葉ですが、今でも使います。","render_override":null},{"id":"blk_74302997-e449-4573-839f-2115b51c94ec","kind":"paragraph","order":139,"section_id":"sec_6f5f66a9-7e7f-4d63-b2df-212afb977eed","character_id":null,"markdown":"ここでは、 \n「この設計で製造してよい」 \nという最終版を工場に渡します。","render_override":null},{"id":"blk_9e533b81-d359-427f-9759-2cf6df20740f","kind":"paragraph","order":140,"section_id":"sec_6f5f66a9-7e7f-4d63-b2df-212afb977eed","character_id":null,"markdown":"チップ開発では、このテープアウトは大きな節目です。 \nここまでの修正は比較的しやすいですが、ここを過ぎると修正コストが大きくなります。","render_override":null},{"id":"blk_ec7f4252-6f6a-4f92-93bd-0372a9a28137","kind":"thematic_break","order":141,"section_id":"sec_6f5f66a9-7e7f-4d63-b2df-212afb977eed","character_id":null,"markdown":"---","render_override":null},{"id":"blk_db02299e-88bc-4370-a63c-752a982b4125","kind":"heading","order":142,"section_id":"sec_8538d57f-d678-4b68-a996-7fb4b6a37437","character_id":null,"markdown":"## \\10. 半導体工場で作る","render_override":null},{"id":"blk_44899119-0467-4cd5-b085-e979c80d3fab","kind":"paragraph","order":143,"section_id":"sec_8538d57f-d678-4b68-a996-7fb4b6a37437","character_id":null,"markdown":"次にファウンドリで製造します。 \nここが一般にイメージされる「半導体を作る」工程です。","render_override":null},{"id":"blk_8ed2d13a-f9f7-4a1f-bc20-28daa2f6533d","kind":"paragraph","order":144,"section_id":"sec_8538d57f-d678-4b68-a996-7fb4b6a37437","character_id":null,"markdown":"シリコンウェハーの上に、","render_override":null},{"id":"blk_e93a13b3-9feb-4d6a-bc93-0f779a6b7e76","kind":"list","order":145,"section_id":"sec_8538d57f-d678-4b68-a996-7fb4b6a37437","character_id":null,"markdown":"- 薄膜を作る\n- 光で模様を転写する\n- 不要部分を削る\n- 不純物を入れる\n- 層を何度も重ねる","render_override":null},{"id":"blk_6aa71732-d9c7-4753-b9c7-824854b73d8c","kind":"paragraph","order":146,"section_id":"sec_8538d57f-d678-4b68-a996-7fb4b6a37437","character_id":null,"markdown":"という工程を繰り返して、トランジスタや配線を作ります。","render_override":null},{"id":"blk_5d1a0293-fdf5-427c-b2b2-863ea94231d2","kind":"paragraph","order":147,"section_id":"sec_8538d57f-d678-4b68-a996-7fb4b6a37437","character_id":null,"markdown":"つまり設計者が作った「超細かい設計図」を、 \n工場が現実の物質として彫り込んでいく感じです。","render_override":null},{"id":"blk_ae324d6d-beec-4477-b7ea-a576a3098568","kind":"paragraph","order":148,"section_id":"sec_8538d57f-d678-4b68-a996-7fb4b6a37437","character_id":null,"markdown":"この工程は非常に高価で難しく、 \n先端ノードでは失敗コストも莫大です。","render_override":null},{"id":"blk_e02af4ca-7dcb-4c0f-b9ae-cc6014a57c4b","kind":"thematic_break","order":149,"section_id":"sec_8538d57f-d678-4b68-a996-7fb4b6a37437","character_id":null,"markdown":"---","render_override":null},{"id":"blk_8ad9a385-5aaf-425e-9227-c25fc935dd81","kind":"heading","order":150,"section_id":"sec_e73e17af-a974-4ccc-853d-48f293c31246","character_id":null,"markdown":"## \\11. 切り分けて、パッケージして、検査する","render_override":null},{"id":"blk_6bf3c0ac-ea05-4f62-8b4e-7f6701841108","kind":"paragraph","order":151,"section_id":"sec_e73e17af-a974-4ccc-853d-48f293c31246","character_id":null,"markdown":"ウェハー上には、同じチップがたくさん並んでいます。 \nそれを1個ずつ切り出して、外の基板に実装しやすい形に包みます。 \nこれが **パッケージング** です。","render_override":null},{"id":"blk_1a5de711-3ad7-4f08-8061-030957d0ffc0","kind":"paragraph","order":152,"section_id":"sec_e73e17af-a974-4ccc-853d-48f293c31246","character_id":null,"markdown":"最近はここもすごく重要です。 \n昔の感覚だと「中身のチップが本体、パッケージはおまけ」っぽく見えますが、今は違います。","render_override":null},{"id":"blk_28c87a0f-fc43-423f-a390-7150c0b56caf","kind":"paragraph","order":153,"section_id":"sec_e73e17af-a974-4ccc-853d-48f293c31246","character_id":null,"markdown":"特に AI 向けの高性能チップでは、","render_override":null},{"id":"blk_e483146b-8a25-4b31-84c1-c535f5244bd6","kind":"list","order":154,"section_id":"sec_e73e17af-a974-4ccc-853d-48f293c31246","character_id":null,"markdown":"- 複数チップを近くに並べる\n- HBM を近接配置する\n- 2.5D/3D実装する","render_override":null},{"id":"blk_269fdc40-1327-4f77-9780-d0e25513180e","kind":"paragraph","order":155,"section_id":"sec_e73e17af-a974-4ccc-853d-48f293c31246","character_id":null,"markdown":"など、パッケージ技術自体が性能を左右します。","render_override":null},{"id":"blk_780f471f-9875-42d8-940c-015477124fa7","kind":"paragraph","order":156,"section_id":"sec_e73e17af-a974-4ccc-853d-48f293c31246","character_id":null,"markdown":"その後、ちゃんと動くか1個ずつ検査します。 \nこれで不良品をはじきます。","render_override":null},{"id":"blk_b1412656-66de-4c9e-b094-ca8c06fe221d","kind":"thematic_break","order":157,"section_id":"sec_e73e17af-a974-4ccc-853d-48f293c31246","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7440d0a0-0153-4505-9cbe-c96a04cfd577","kind":"heading","order":158,"section_id":"sec_c46d829f-b26e-4d97-9c85-200748c5d96b","character_id":null,"markdown":"## \\12. ソフトを動かして本当に使えるか確認する","render_override":null},{"id":"blk_92e65a3a-5c84-4b25-a60b-bfec0010161b","kind":"paragraph","order":159,"section_id":"sec_c46d829f-b26e-4d97-9c85-200748c5d96b","character_id":null,"markdown":"チップができても終わりではありません。 \n今度はそのチップの上でファームウェアやOSやドライバを動かします。","render_override":null},{"id":"blk_b8750fcf-b47e-4fd2-9de5-bfa35dd441c0","kind":"paragraph","order":160,"section_id":"sec_c46d829f-b26e-4d97-9c85-200748c5d96b","character_id":null,"markdown":"ここで初めて、","render_override":null},{"id":"blk_c5682d04-ecda-40d5-a2d7-741c5c1da20b","kind":"list","order":161,"section_id":"sec_c46d829f-b26e-4d97-9c85-200748c5d96b","character_id":null,"markdown":"- 起動できるか\n- 発熱は大丈夫か\n- 実負荷で安定するか\n- 期待した性能が出るか","render_override":null},{"id":"blk_a365fce0-84b4-4253-ad0d-135b92080c47","kind":"paragraph","order":162,"section_id":"sec_c46d829f-b26e-4d97-9c85-200748c5d96b","character_id":null,"markdown":"を確認します。","render_override":null},{"id":"blk_75ebec0c-45b4-4860-a236-6f5d940fa8ed","kind":"paragraph","order":163,"section_id":"sec_c46d829f-b26e-4d97-9c85-200748c5d96b","character_id":null,"markdown":"つまり、設計上は正しくても、 \n実機で動かしてみると別の問題が出ることがあります。","render_override":null},{"id":"blk_3c7e864a-b462-4ed7-9a4c-91dc13e3566e","kind":"paragraph","order":164,"section_id":"sec_c46d829f-b26e-4d97-9c85-200748c5d96b","character_id":null,"markdown":"ここを **バリデーション** や **シリコン立ち上げ** などと呼ぶことがあります。","render_override":null},{"id":"blk_18fa886c-837b-49e6-9c6a-faf9f4117563","kind":"thematic_break","order":165,"section_id":"sec_c46d829f-b26e-4d97-9c85-200748c5d96b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_af129f37-8178-4b03-8303-01d567a858b2","kind":"heading","order":166,"section_id":"sec_2df9f808-4397-498f-8588-7eaa17c74fb8","character_id":null,"markdown":"## 開発に関わる人たち","render_override":null},{"id":"blk_e8b8b9bf-dad8-4e90-a943-7f5f824d7254","kind":"paragraph","order":167,"section_id":"sec_2df9f808-4397-498f-8588-7eaa17c74fb8","character_id":null,"markdown":"チップ開発は一人でやるものではありません。 \nかなり分業です。","render_override":null},{"id":"blk_75b93bf0-d950-4d18-8c5f-d8d5ef46c818","kind":"paragraph","order":168,"section_id":"sec_2df9f808-4397-498f-8588-7eaa17c74fb8","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_0a19f934-608e-48be-98b3-f60af4d5f4a2","kind":"list","order":169,"section_id":"sec_2df9f808-4397-498f-8588-7eaa17c74fb8","character_id":null,"markdown":"- 仕様を決める人\n- アーキテクチャを考える人\n- RTLを書く人\n- 検証する人\n- 配置配線をする人\n- アナログ回路を作る人\n- テスト回路を入れる人\n- パッケージを考える人\n- ソフトを立ち上げる人","render_override":null},{"id":"blk_d96fd4a7-b8fc-44ed-ba87-f5c447864004","kind":"paragraph","order":170,"section_id":"sec_2df9f808-4397-498f-8588-7eaa17c74fb8","character_id":null,"markdown":"などがいます。","render_override":null},{"id":"blk_698894fd-f564-4009-aae8-8536ac3d2255","kind":"paragraph","order":171,"section_id":"sec_2df9f808-4397-498f-8588-7eaa17c74fb8","character_id":null,"markdown":"つまり「半導体設計者」と一言でいっても、実際はかなり役割が分かれています。","render_override":null},{"id":"blk_4f153aba-f758-4afd-99ba-f1a94bbb6254","kind":"thematic_break","order":172,"section_id":"sec_2df9f808-4397-498f-8588-7eaa17c74fb8","character_id":null,"markdown":"---","render_override":null},{"id":"blk_92fd7f89-4cd2-4750-8e35-424cb830c590","kind":"heading","order":173,"section_id":"sec_6be360b0-a2bc-4f23-889a-ecd458aebb38","character_id":null,"markdown":"## EDAはどこで使われるのか","render_override":null},{"id":"blk_9f6ae956-2c11-4f73-9e56-9e0f8ba6952b","kind":"paragraph","order":174,"section_id":"sec_6be360b0-a2bc-4f23-889a-ecd458aebb38","character_id":null,"markdown":"ここで前の話につながります。","render_override":null},{"id":"blk_8a7a23d3-e3f7-4451-b59e-a621d087a8da","kind":"paragraph","order":175,"section_id":"sec_6be360b0-a2bc-4f23-889a-ecd458aebb38","character_id":null,"markdown":"EDAは、今説明した流れの中で使う**設計用ソフト**です。","render_override":null},{"id":"blk_c630e426-6140-4767-bca2-5e9c7473bd0e","kind":"paragraph","order":176,"section_id":"sec_6be360b0-a2bc-4f23-889a-ecd458aebb38","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_a002ddf4-9b52-4355-a9dd-b9c2ff9c1250","kind":"list","order":177,"section_id":"sec_6be360b0-a2bc-4f23-889a-ecd458aebb38","character_id":null,"markdown":"- RTLを書いて整理する\n- シミュレーションする\n- 合成する\n- 配置配線する\n- タイミングを解析する\n- 電力やノイズを確認する","render_override":null},{"id":"blk_821bd606-2d02-43a9-a09b-34ce0a5da071","kind":"paragraph","order":178,"section_id":"sec_6be360b0-a2bc-4f23-889a-ecd458aebb38","character_id":null,"markdown":"こういう工程で使います。","render_override":null},{"id":"blk_90d8add4-6d13-4bd8-8044-b90b81e24159","kind":"paragraph","order":179,"section_id":"sec_6be360b0-a2bc-4f23-889a-ecd458aebb38","character_id":null,"markdown":"つまりEDAは、チップ開発のほとんどの「設計・確認」部分を支える道具です。","render_override":null},{"id":"blk_bd32849b-efe1-44e5-a8a8-5d7980a26613","kind":"thematic_break","order":180,"section_id":"sec_6be360b0-a2bc-4f23-889a-ecd458aebb38","character_id":null,"markdown":"---","render_override":null},{"id":"blk_145115bd-6d1d-4e36-93e9-97a9fb3dd70f","kind":"heading","order":181,"section_id":"sec_01e12a66-5c62-42cb-b680-e56f77bdde32","character_id":null,"markdown":"## Synopsys、Cadence、Arm、Ansys をこの流れに当てはめると","render_override":null},{"id":"blk_46606025-d91c-46a7-9aeb-b5939e7cc693","kind":"paragraph","order":182,"section_id":"sec_01e12a66-5c62-42cb-b680-e56f77bdde32","character_id":null,"markdown":"この流れで見ると、4社の違いがかなりわかりやすくなります。","render_override":null},{"id":"blk_e5bfe127-48da-47b6-a7bf-7b49462e0da5","kind":"heading","order":183,"section_id":"sec_5c2b636a-2208-40bd-a400-490477a57300","character_id":null,"markdown":"### Synopsys","render_override":null},{"id":"blk_6fbeb608-6514-4350-b967-7de764e95127","kind":"paragraph","order":184,"section_id":"sec_5c2b636a-2208-40bd-a400-490477a57300","character_id":null,"markdown":"チップ開発の設計工程で使う、総合的なEDAツールの大手です。 \nRTL検証、合成、配置配線、タイミング解析など、設計のかなり広い範囲で関わります。","render_override":null},{"id":"blk_f7e1cb47-c7a8-448d-a722-bf3ad9fba761","kind":"heading","order":185,"section_id":"sec_4fea6712-7ed8-4fb0-8c0a-9cc35ac3a913","character_id":null,"markdown":"### Cadence","render_override":null},{"id":"blk_e7ba0e09-c896-43da-82fd-359b52bf7648","kind":"paragraph","order":186,"section_id":"sec_4fea6712-7ed8-4fb0-8c0a-9cc35ac3a913","character_id":null,"markdown":"これも総合EDAの大手です。 \nSynopsysとかなり近い領域で競合しています。 \nつまりこの2社は、チップ設計の「道具箱」の大手同士です。","render_override":null},{"id":"blk_450467f5-9540-4eed-ad7a-653d909e7103","kind":"heading","order":187,"section_id":"sec_4e6a0ba2-64b2-44cf-bc2d-2cb25add67e0","character_id":null,"markdown":"### Arm","render_override":null},{"id":"blk_0433d125-78d4-4029-954d-61370022f168","kind":"paragraph","order":188,"section_id":"sec_4e6a0ba2-64b2-44cf-bc2d-2cb25add67e0","character_id":null,"markdown":"ArmはEDA会社というより、**CPUの設計資産を提供する会社**です。 \nつまり「道具」ではなく、「チップの中に入れるCPU部品の設計図」を提供する側です。","render_override":null},{"id":"blk_08a70722-93fd-4f3f-b2f9-41745a03d047","kind":"heading","order":189,"section_id":"sec_00090787-de8e-4d22-8853-4a0d27ed0b58","character_id":null,"markdown":"### Ansys","render_override":null},{"id":"blk_ba7d169c-31e1-4489-b51e-fb49dc8debc9","kind":"paragraph","order":190,"section_id":"sec_00090787-de8e-4d22-8853-4a0d27ed0b58","character_id":null,"markdown":"Ansysは、熱・電力・応力・電磁気など、**物理的な解析**が強い会社です。 \n設計した回路が現実にちゃんと耐えるかを確認するイメージです。","render_override":null},{"id":"blk_71d0c3dd-e032-4b9e-8c81-76df5a3cb555","kind":"paragraph","order":191,"section_id":"sec_00090787-de8e-4d22-8853-4a0d27ed0b58","character_id":null,"markdown":"かなり単純化すると、","render_override":null},{"id":"blk_a27d1357-1ca3-49e7-98f5-fcaf88f1260d","kind":"list","order":192,"section_id":"sec_00090787-de8e-4d22-8853-4a0d27ed0b58","character_id":null,"markdown":"- **Synopsys / Cadence** = 設計ツール\n- **Arm** = 入れる中身の一部\n- **Ansys** = 現実世界での問題を解析","render_override":null},{"id":"blk_9a0909ee-0302-4ff8-ac62-301ca6060341","kind":"paragraph","order":193,"section_id":"sec_00090787-de8e-4d22-8853-4a0d27ed0b58","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_7e1a8ea0-20fe-4876-9963-544262086062","kind":"thematic_break","order":194,"section_id":"sec_00090787-de8e-4d22-8853-4a0d27ed0b58","character_id":null,"markdown":"---","render_override":null},{"id":"blk_72c3b2e2-1a01-4465-ad38-304cbee0491d","kind":"heading","order":195,"section_id":"sec_b41dea2c-1948-473f-ab9d-eb6d12398ca1","character_id":null,"markdown":"## 初心者向けに「1個のチップができるまで」を超短く言うと","render_override":null},{"id":"blk_dba60514-7824-401b-a7d7-fb935fa6bd8f","kind":"list","order":196,"section_id":"sec_b41dea2c-1948-473f-ab9d-eb6d12398ca1","character_id":null,"markdown":"1. 何をするチップか決める\n2. 中の構造を決める\n3. 回路を書く\n4. 正しく動くか何度も確認する\n5. 実際に作れる回路に変換する\n6. チップ上に配置して配線する\n7. 速度・電力・熱・ノイズを詰める\n8. 製造用データを出す\n9. 工場で作る\n10. パッケージして検査する\n11. ソフトを動かして実機確認する","render_override":null},{"id":"blk_29fa2ead-fb29-47ca-9864-116a0ca0b54d","kind":"paragraph","order":197,"section_id":"sec_b41dea2c-1948-473f-ab9d-eb6d12398ca1","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_121655f5-2d2c-4812-a7b9-9077dfd3fabf","kind":"thematic_break","order":198,"section_id":"sec_b41dea2c-1948-473f-ab9d-eb6d12398ca1","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a7f6e61a-5d39-49c9-865a-32aa1ebd609b","kind":"heading","order":199,"section_id":"sec_dca708bb-0660-4389-9e3f-0406a485e01a","character_id":null,"markdown":"## 最後に、初心者が最初に持つとよいイメージ","render_override":null},{"id":"blk_f28b524c-fc01-479b-b708-742eae050e13","kind":"paragraph","order":200,"section_id":"sec_dca708bb-0660-4389-9e3f-0406a485e01a","character_id":null,"markdown":"半導体設計は、","render_override":null},{"id":"blk_e239a61d-f37f-4b68-8750-4be962588384","kind":"paragraph","order":201,"section_id":"sec_dca708bb-0660-4389-9e3f-0406a485e01a","character_id":null,"markdown":"**「目に見えない超小型の機械を、まずは言葉とルールで設計し、それを回路にし、最後に物質として作る仕事」**","render_override":null},{"id":"blk_7783b425-8777-4268-a6f9-e4c7c18dd4c1","kind":"paragraph","order":202,"section_id":"sec_dca708bb-0660-4389-9e3f-0406a485e01a","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_2fcd9b99-c286-423e-ba9f-a16a4013707c","kind":"paragraph","order":203,"section_id":"sec_dca708bb-0660-4389-9e3f-0406a485e01a","character_id":null,"markdown":"そして重要なのは、最初から最後までずっと \n**速さ・電力・熱・面積・コスト・信頼性** \nのバランスを取っていることです。","render_override":null},{"id":"blk_65cb4cd6-cbde-4c5f-a8c3-0191217229e9","kind":"paragraph","order":204,"section_id":"sec_dca708bb-0660-4389-9e3f-0406a485e01a","character_id":null,"markdown":"ここがソフト開発と大きく違います。 \nソフトはあとでアップデートしやすいですが、チップは作り直しが重いので、設計段階の確認がものすごく重要です。","render_override":null},{"id":"blk_e01aa4ce-a243-485d-b5b2-b4e73f8a42fb","kind":"thematic_break","order":205,"section_id":"sec_dca708bb-0660-4389-9e3f-0406a485e01a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_708e07ca-4374-4e97-a30a-e2073c03dec4","kind":"heading","order":206,"section_id":"sec_df0e0d30-3e16-418d-a617-f1ec2e5c1bbb","character_id":null,"markdown":"## NVIDIAのGPUが企画から量産されるまで","render_override":null},{"id":"blk_55c39d4b-6bd1-43e9-a129-5b54154e1ae1","kind":"heading","order":207,"section_id":"sec_703da90c-28d2-4248-af42-e69a437d8992","character_id":null,"markdown":"## 全体像","render_override":null},{"id":"blk_f713aa9a-9d8a-4de0-9eb9-4a4ae189f5fb","kind":"paragraph","order":208,"section_id":"sec_703da90c-28d2-4248-af42-e69a437d8992","character_id":null,"markdown":"**企画** \n→ **アーキテクチャ設計** \n→ **EDAでRTL設計・検証** \n→ **EDAで合成・配置配線・サインオフ** \n→ **EDAでDFT/ATPGを仕込む** \n→ **TSMCへテープアウト** \n→ **TSMCでウェハ製造** \n→ **CoWoSでGPUダイとHBMを一体化** \n→ **ウェハーテスト / パッケージ後テスト / 必要に応じてSLT** \n→ **サーバーボード/システムへ組み込み** \n→ **量産・出荷** ([StockLight](https://stocklight.com/stocks/us/nasdaq-nvda/nvidia-corporation/annual-reports/nasdaq-nvda-2025-10K-25670928.pdf))","render_override":null},{"id":"blk_f92d5c53-d53d-4987-9acb-feb9e8aec5f8","kind":"thematic_break","order":209,"section_id":"sec_703da90c-28d2-4248-af42-e69a437d8992","character_id":null,"markdown":"---","render_override":null},{"id":"blk_0f1558cf-de6f-4af9-8485-b40673e9c60c","kind":"heading","order":210,"section_id":"sec_9b2ba8aa-0525-4a1e-a06a-95975d929f4b","character_id":null,"markdown":"## \\1. まずNVIDIAが「どんなGPUを作るか」を決める","render_override":null},{"id":"blk_e2d945c9-29d8-4167-9550-b3390b88a581","kind":"paragraph","order":211,"section_id":"sec_9b2ba8aa-0525-4a1e-a06a-95975d929f4b","character_id":null,"markdown":"最初は工場の話ではなく、**製品企画**です。 \nたとえば NVIDIA は「次のGPUは、どのAIモデル規模を狙うか」「何ワットまで許すか」「HBMを何スタック載せるか」「NVLinkやPCIeをどうするか」などを決めます。NVIDIAは製造そのものより、**製品設計・品質・顧客対応に資源を集中する**形を取っているので、ここが価値の出発点です。 ([StockLight](https://stocklight.com/stocks/us/nasdaq-nvda/nvidia-corporation/annual-reports/nasdaq-nvda-2025-10K-25670928.pdf))","render_override":null},{"id":"blk_df640f9f-20f4-4b1e-a317-829d9264bfcf","kind":"paragraph","order":212,"section_id":"sec_9b2ba8aa-0525-4a1e-a06a-95975d929f4b","character_id":null,"markdown":"ここで決まるのは、たとえば","render_override":null},{"id":"blk_89dc1929-315a-4dce-adda-761bbeb96ada","kind":"list","order":213,"section_id":"sec_9b2ba8aa-0525-4a1e-a06a-95975d929f4b","character_id":null,"markdown":"- 演算器をどれだけ並べるか\n- メモリ帯域をどこまで必要とするか\n- 消費電力と冷却をどう折り合うか\n- パッケージをどれだけ大型化するか \n といった大方針です。AI GPUでは、**GPU本体だけでなく HBM とパッケージまで含めて製品設計**になります。NVIDIA自身もメモリを外部から調達しており、年次報告書では SK hynix、Micron、Samsung からメモリを購入するとしています。 ([StockLight](https://stocklight.com/stocks/us/nasdaq-nvda/nvidia-corporation/annual-reports/nasdaq-nvda-2025-10K-25670928.pdf))","render_override":null},{"id":"blk_844aa6b2-6fdf-49b9-8836-e793be24ae9e","kind":"thematic_break","order":214,"section_id":"sec_9b2ba8aa-0525-4a1e-a06a-95975d929f4b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_502a4eff-b79d-4717-a3e5-e8d290d4b4e9","kind":"heading","order":215,"section_id":"sec_a1ebf51e-b896-44b3-bdac-553dfbac34bb","character_id":null,"markdown":"## \\2. EDAで「頭の中の構想」を論理設計に落とす","render_override":null},{"id":"blk_d123503d-4971-4592-88f4-539c83dcb4bb","kind":"paragraph","order":216,"section_id":"sec_a1ebf51e-b896-44b3-bdac-553dfbac34bb","character_id":null,"markdown":"次に、NVIDIAの設計チームが **EDAツール** を使って、GPUの論理設計を具体化します。 \nここでは","render_override":null},{"id":"blk_3d0c722d-60fd-4e76-87c5-30f9058f10e7","kind":"list","order":217,"section_id":"sec_a1ebf51e-b896-44b3-bdac-553dfbac34bb","character_id":null,"markdown":"- アーキテクチャ探索\n- RTL設計\n- 論理シミュレーション\n- ハードウェア支援検証\n- SoC統合 \n などを進めます。Synopsys は公式に Verification、Hardware Assisted Verification、SoC Integration、Digital Design などを掲げており、Cadence も Digital Design and Signoff を中核フローとして提供しています。 ([synopsys.com](https://www.synopsys.com/))","render_override":null},{"id":"blk_f5daead3-cc61-4709-86b4-1ac48fa03af3","kind":"paragraph","order":218,"section_id":"sec_a1ebf51e-b896-44b3-bdac-553dfbac34bb","character_id":null,"markdown":"ここでの感覚は、まだ「物」を作っているのではなく、**GPUの中身をソフトウェア的に設計して仮想的に確かめている段階**です。 \nNVIDIAのような会社では、この前半工程で EDA はほぼ必須で、設計の骨格そのものを作る道具です。EDAは、チップ設計の planning、simulation、testing、manufacturing preparation を自動化するものだと Synopsys も説明しています。 ([synopsys.com](https://www.synopsys.com/glossary/what-is-electronic-design-automation.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_ebcb3c04-4cf7-4562-a74f-190014aaa92a","kind":"thematic_break","order":219,"section_id":"sec_a1ebf51e-b896-44b3-bdac-553dfbac34bb","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4ed9071b-ae5e-45b3-9ae8-6d0922857902","kind":"heading","order":220,"section_id":"sec_4e856853-6f03-4682-9345-3a37ea9182bd","character_id":null,"markdown":"## \\3. EDAで「実際に作れる形」にする","render_override":null},{"id":"blk_47435a18-b07f-4a77-b670-1d92adbe0eee","kind":"paragraph","order":221,"section_id":"sec_4e856853-6f03-4682-9345-3a37ea9182bd","character_id":null,"markdown":"論理設計が固まると、今度は EDA を使って","render_override":null},{"id":"blk_feb1cd9f-a0b1-471f-acaa-2d8b44bb1c0b","kind":"list","order":222,"section_id":"sec_4e856853-6f03-4682-9345-3a37ea9182bd","character_id":null,"markdown":"- 論理合成\n- フロアプラン\n- 配置配線\n- クロック設計\n- タイミング解析\n- 消費電力解析\n- 物理検証\n- サインオフ \n を進めます。Synopsys は Fusion Compiler、PrimeTime、IC Validator、RedHawk-SC などを並べており、Cadence も modern chip design の複雑さに対応する digital design and signoff の流れを打ち出しています。 ([synopsys.com](https://www.synopsys.com/))","render_override":null},{"id":"blk_948ebf77-200a-45a8-95c5-cd54d8ebb81a","kind":"paragraph","order":223,"section_id":"sec_4e856853-6f03-4682-9345-3a37ea9182bd","character_id":null,"markdown":"この段階では、 \n**「このGPUは理屈上動くか」ではなく、「この巨大回路を本当にシリコン上に置いて、所定クロックで、所定電力内で、熱や電源ノイズも含めて成立させられるか」** \nを詰めます。 \nつまり EDA は、NVIDIAにとって **企画の次からテープアウト直前まで、ほぼずっと使う中核道具** です。 ([synopsys.com](https://www.synopsys.com/))","render_override":null},{"id":"blk_a5934547-013f-4530-b6b3-54cbe1915a92","kind":"thematic_break","order":224,"section_id":"sec_4e856853-6f03-4682-9345-3a37ea9182bd","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c9fc1b46-70c2-471f-ae5e-30acbdb9b89e","kind":"heading","order":225,"section_id":"sec_39c282bf-0713-45a4-842f-94dfe4d0735d","character_id":null,"markdown":"## \\4. ここで「あとでテストできるようにする」仕込みも入る","render_override":null},{"id":"blk_1dfb484d-b155-4996-99fc-2b4406394b94","kind":"paragraph","order":226,"section_id":"sec_39c282bf-0713-45a4-842f-94dfe4d0735d","character_id":null,"markdown":"Advantestのようなテスタは後工程で使われますが、その準備は **設計段階で EDA を使って仕込む** 必要があります。 \nこれが **DFT（Design for Test）** と **ATPG** です。Synopsys の TestMAX DFT は、boundary scan、scan chains、test points、compression などを実装し、TestMAX ATPG は高カバレッジのテストパターンを生成すると説明しています。Cadence の Modus も、full-chip test logic や ATPG を提供しています。 ([synopsys.com](https://www.synopsys.com/implementation-and-signoff/test-automation/testmax-dft.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_14bd7972-4ca2-4e49-a246-d7078a399525","kind":"paragraph","order":227,"section_id":"sec_39c282bf-0713-45a4-842f-94dfe4d0735d","character_id":null,"markdown":"ここがかなり重要で、 \n**EDAとAdvantestは別物**ですが、完全に切れているわけではありません。 \nNVIDIAは設計段階で「あとでテスタで測りやすい回路」と「テストパターンの土台」を作り込み、その後に実シリコンを測るとき、初めてテスタの世界に渡ります。 ([synopsys.com](https://www.synopsys.com/implementation-and-signoff/test-automation/testmax-dft.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_b377f947-cad3-4b7f-b7ef-089f41535f43","kind":"thematic_break","order":228,"section_id":"sec_39c282bf-0713-45a4-842f-94dfe4d0735d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_67888cf2-865d-4b04-a511-b763b2a16b1f","kind":"heading","order":229,"section_id":"sec_9715e6e1-fd46-4e6b-ada9-85e0067fdb63","character_id":null,"markdown":"## \\5. テープアウトして、TSMCがウェハを作る","render_override":null},{"id":"blk_0bb59ccb-5e28-4149-9e1b-7663ab5f3c23","kind":"paragraph","order":230,"section_id":"sec_9715e6e1-fd46-4e6b-ada9-85e0067fdb63","character_id":null,"markdown":"設計が固まると、NVIDIAは製造データを **TSMCのようなファウンドリ** に渡します。 \nNVIDIAの年次報告書でも、同社は TSMC や Samsung を利用して半導体ウェハを生産していると明記しています。 ([StockLight](https://stocklight.com/stocks/us/nasdaq-nvda/nvidia-corporation/annual-reports/nasdaq-nvda-2025-10K-25670928.pdf))","render_override":null},{"id":"blk_0314669e-9941-4e60-955d-4325a558da35","kind":"paragraph","order":231,"section_id":"sec_9715e6e1-fd46-4e6b-ada9-85e0067fdb63","character_id":null,"markdown":"ここから先は、EDAの中心フェーズから離れ、**実際の製造**に入ります。 \nTSMCがリソグラフィ、成膜、エッチングなどを繰り返して、GPUのロジックダイをウェハ上に作ります。 \nつまり役割分担は、 \n**NVIDIA = 設計する側** \n**TSMC = 作る側** \nです。 ([StockLight](https://stocklight.com/stocks/us/nasdaq-nvda/nvidia-corporation/annual-reports/nasdaq-nvda-2025-10K-25670928.pdf))","render_override":null},{"id":"blk_502c74ae-6730-45c5-b710-9c31feeee5b6","kind":"thematic_break","order":232,"section_id":"sec_9715e6e1-fd46-4e6b-ada9-85e0067fdb63","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ea2f8c83-11e7-47c0-9d46-cbd8bae23770","kind":"heading","order":233,"section_id":"sec_62ce10b0-8ff6-450b-af10-69adc7927cd8","character_id":null,"markdown":"## \\6. AI GPUでは、作っただけでは終わらない。CoWoSでHBMと一体化する","render_override":null},{"id":"blk_4dde2124-5028-4ac3-b919-01efae432729","kind":"paragraph","order":234,"section_id":"sec_62ce10b0-8ff6-450b-af10-69adc7927cd8","character_id":null,"markdown":"AI GPUで特に重要なのが **先端パッケージ** です。 \nTSMC の CoWoS は、公式には **Chip on Wafer on Substrate** の先端パッケージ技術で、AI やスーパーコンピューティング向けに、**logic chiplets と HBM cubes を高密度インターコネクトで統合できる** と説明されています。NVIDIA も年次報告書で **CoWoS technology を利用している** と明記しています。 ([3dfabric.tsmc.com](https://3dfabric.tsmc.com/english/dedicatedFoundry/technology/cowos.htm))","render_override":null},{"id":"blk_3af51c27-0b05-4b9d-8747-e9b0af87a58b","kind":"paragraph","order":235,"section_id":"sec_62ce10b0-8ff6-450b-af10-69adc7927cd8","character_id":null,"markdown":"ここが普通の初心者には見えにくいところですが、 \nいまのAI GPUは **「GPUダイを作って終わり」ではありません。** \n**GPU本体のロジックダイ** と **HBMメモリ** を、シリコンインターポーザやRDLインターポーザを使って近接統合し、巨大な1つの高性能パッケージにします。CoWoS-S は logic chiplets と HBM cubes を統合する構造で、より大型向けには CoWoS-L や CoWoS-R の選択肢もあります。 ([3dfabric.tsmc.com](https://3dfabric.tsmc.com/english/dedicatedFoundry/technology/cowos.htm))","render_override":null},{"id":"blk_9efff6fc-94bd-4a0d-b9fe-ade0e9da0a63","kind":"paragraph","order":236,"section_id":"sec_62ce10b0-8ff6-450b-af10-69adc7927cd8","character_id":null,"markdown":"つまり AI GPU の流れは、 \n**設計 → 製造 → パッケージ** \nではなく、 \n**設計 → 製造 → 超重要な先端パッケージ統合** \nです。 \n今のAI時代は、パッケージングが製品性能そのものの一部になっています。 ([3dfabric.tsmc.com](https://3dfabric.tsmc.com/english/dedicatedFoundry/technology/cowos.htm))","render_override":null},{"id":"blk_46c9379a-5b76-4a38-888b-3ffa945309fd","kind":"thematic_break","order":237,"section_id":"sec_62ce10b0-8ff6-450b-af10-69adc7927cd8","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4cfe8bb3-9d40-4430-9b4c-5e8332bf9a17","kind":"heading","order":238,"section_id":"sec_56b04cf3-11fa-4a2e-9a1f-50abaf9a674a","character_id":null,"markdown":"## \\7. Advantestがいる場所はここ：ウェハーテスト、ファイナルテスト、SLT","render_override":null},{"id":"blk_f4517b63-b64b-4dc4-9aa0-50ed8d4f27d1","kind":"paragraph","order":239,"section_id":"sec_56b04cf3-11fa-4a2e-9a1f-50abaf9a674a","character_id":null,"markdown":"CoWoSや組立の前後で、チップは徹底的に測定されます。 \nAdvantest は公式に、自社の test systems は主に **ウェハ生産工程の終わりの wafer test** と、**パッケージ後の final inspection process** で使われると説明しています。さらに **volume production 前の design evaluation / process development evaluation** や、最終製品に載せた後の **system-level test** にも使われるとしています。 ([株式会社アドバンテスト](https://www.advantest.com/en/about/business/))","render_override":null},{"id":"blk_0cadfa9f-0734-4469-a07c-30a4cf0acb73","kind":"paragraph","order":240,"section_id":"sec_56b04cf3-11fa-4a2e-9a1f-50abaf9a674a","character_id":null,"markdown":"なので流れの中で言うと、Advantest はこう入ります。","render_override":null},{"id":"blk_cf75f1a0-7386-4c84-8b39-ed2e3b6a69e0","kind":"list","order":241,"section_id":"sec_56b04cf3-11fa-4a2e-9a1f-50abaf9a674a","character_id":null,"markdown":"- **ウェハーテスト** \n まだウェハ状態のGPUダイを測り、良否や特性を確認する\n- **ファイナルテスト** \n CoWoSやパッケージ後の完成品を個別に測る\n- **必要に応じてSLT/バーンイン** \n 実使用に近い条件で動かし、品質をさらに確認する ([株式会社アドバンテスト](https://www.advantest.com/en/about/business/))","render_override":null},{"id":"blk_b2cd547f-8bb7-46a9-9400-1a313b76ee6f","kind":"paragraph","order":242,"section_id":"sec_56b04cf3-11fa-4a2e-9a1f-50abaf9a674a","character_id":null,"markdown":"ここで大事なのは、**Advantest は NVIDIA の設計を作る会社ではなく、できあがったシリコンやパッケージが本当に良品かどうかを測る側**だということです。 \nただし測定結果は無駄ではなく、Advantest は量産テストで見つかった欠陥原因を設計段階へフィードバックし、歩留まり改善につなげるとも説明しています。 ([株式会社アドバンテスト](https://www.advantest.com/en/about/business/))","render_override":null},{"id":"blk_5b5563ce-0ce5-4a19-8e5b-dcd94a4dee43","kind":"thematic_break","order":243,"section_id":"sec_56b04cf3-11fa-4a2e-9a1f-50abaf9a674a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f7bbaaea-e6d8-46c8-8aa2-2406e7d1bf98","kind":"heading","order":244,"section_id":"sec_c9350540-9751-48fa-acb8-6a13f0106833","character_id":null,"markdown":"## \\8. 組立・システム化して、量産に入る","render_override":null},{"id":"blk_77178d35-7cdb-45b4-944d-7c688f905981","kind":"paragraph","order":245,"section_id":"sec_c9350540-9751-48fa-acb8-6a13f0106833","character_id":null,"markdown":"NVIDIAは年次報告書で、製造の全フェーズでパートナーを活用し、**assembly, testing, packaging** にも外部企業を使うとしています。例として Hon Hai（Foxconn）、Wistron、Fabrinet などが挙げられています。別の公式資料では、米国内製造の文脈で TSMC、Foxconn、Wistron、Amkor、SPIL と協業するとしています。 ([StockLight](https://stocklight.com/stocks/us/nasdaq-nvda/nvidia-corporation/annual-reports/nasdaq-nvda-2025-10K-25670928.pdf))","render_override":null},{"id":"blk_fe8300bf-9905-4662-aec9-85708b25e82c","kind":"paragraph","order":246,"section_id":"sec_c9350540-9751-48fa-acb8-6a13f0106833","character_id":null,"markdown":"つまり、最終的な量産の絵は、 \n**NVIDIAが設計し、TSMCがロジックダイを作り、CoWoSなどの先端パッケージでGPUとHBMを統合し、テスト工程ではAdvantestのようなATE/SLT装置が活躍し、組立・実装パートナーが完成品やシステムへ仕上げる** \nという形です。 ([StockLight](https://stocklight.com/stocks/us/nasdaq-nvda/nvidia-corporation/annual-reports/nasdaq-nvda-2025-10K-25670928.pdf))","render_override":null},{"id":"blk_43eed62d-3b65-4a4b-a54a-ab34c5dcc4ab","kind":"thematic_break","order":247,"section_id":"sec_c9350540-9751-48fa-acb8-6a13f0106833","character_id":null,"markdown":"---","render_override":null},{"id":"blk_fda84c46-452c-45b8-b7da-13190872dc1e","kind":"heading","order":248,"section_id":"sec_ca6628e7-36bd-4bfe-9f22-0e45a8c410e4","character_id":null,"markdown":"## 1行ずつ対応づけるとこうです","render_override":null},{"id":"blk_51eb12a7-751d-4897-be65-efc39a620cd2","kind":"paragraph","order":249,"section_id":"sec_ca6628e7-36bd-4bfe-9f22-0e45a8c410e4","character_id":null,"markdown":"**NVIDIA** \n= 何を作るか決めて、GPUを設計する会社。fablessなので、価値の中心は設計と製品化にある。 ([StockLight](https://stocklight.com/stocks/us/nasdaq-nvda/nvidia-corporation/annual-reports/nasdaq-nvda-2025-10K-25670928.pdf))","render_override":null},{"id":"blk_b06ff9ff-de6e-4d7a-bd79-912b1af29db3","kind":"paragraph","order":250,"section_id":"sec_ca6628e7-36bd-4bfe-9f22-0e45a8c410e4","character_id":null,"markdown":"**EDA（Synopsys / Cadence など）** \n= NVIDIAが、GPUを「作る前」に設計・検証・実装・サインオフ・DFTするための道具。 ([synopsys.com](https://www.synopsys.com/))","render_override":null},{"id":"blk_dbe377cc-b813-431b-b478-073606dca1ab","kind":"paragraph","order":251,"section_id":"sec_ca6628e7-36bd-4bfe-9f22-0e45a8c410e4","character_id":null,"markdown":"**TSMC** \n= NVIDIAの設計データをもとに、GPUのロジックダイを実際にウェハ上へ作る側。 ([StockLight](https://stocklight.com/stocks/us/nasdaq-nvda/nvidia-corporation/annual-reports/nasdaq-nvda-2025-10K-25670928.pdf))","render_override":null},{"id":"blk_73fd74c9-d088-456a-9bc4-2ae5f794cca6","kind":"paragraph","order":252,"section_id":"sec_ca6628e7-36bd-4bfe-9f22-0e45a8c410e4","character_id":null,"markdown":"**CoWoS / 先端パッケージ** \n= GPUダイとHBMを高密度につなぎ、AI GPUとして成立させる超重要工程。 ([3dfabric.tsmc.com](https://3dfabric.tsmc.com/english/dedicatedFoundry/technology/cowos.htm))","render_override":null},{"id":"blk_a3bfd278-3939-4c11-817c-d672668b5f01","kind":"paragraph","order":253,"section_id":"sec_ca6628e7-36bd-4bfe-9f22-0e45a8c410e4","character_id":null,"markdown":"**Advantest** \n= ウェハーテスト、ファイナルテスト、SLTなどで、できた半導体が本当に良品かを測る側。 ([株式会社アドバンテスト](https://www.advantest.com/en/about/business/))","render_override":null},{"id":"blk_710473be-038e-466d-b4da-1835f69767d5","kind":"thematic_break","order":254,"section_id":"sec_ca6628e7-36bd-4bfe-9f22-0e45a8c410e4","character_id":null,"markdown":"---","render_override":null},{"id":"blk_cc4b736a-aef5-4239-be41-acbf288598cd","kind":"heading","order":255,"section_id":"sec_93676270-b1d6-47fb-91ee-4336a528d984","character_id":null,"markdown":"## すごく短く言うと","render_override":null},{"id":"blk_f90f2e7a-1997-40fa-898e-066e03531259","kind":"paragraph","order":256,"section_id":"sec_93676270-b1d6-47fb-91ee-4336a528d984","character_id":null,"markdown":"**EDAは「作る前の世界」**、 \n**TSMCは「作る世界」**、 \n**CoWoSは「GPUとHBMを1つの高性能製品にする世界」**、 \n**Advantestは「作られたものを測って品質を保証する世界」** \nです。 ([StockLight](https://stocklight.com/stocks/us/nasdaq-nvda/nvidia-corporation/annual-reports/nasdaq-nvda-2025-10K-25670928.pdf))","render_override":null},{"id":"blk_7dcb438e-94c0-46cf-89ce-8f57ea288326","kind":"thematic_break","order":257,"section_id":"sec_93676270-b1d6-47fb-91ee-4336a528d984","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5924be3d-34d9-4b26-9fb1-c15c8d7df86f","kind":"heading","order":258,"section_id":"sec_333ae6e0-bbb1-47d3-a908-0dd13b88d00b","character_id":null,"markdown":"## EDAをゲームエンジンやblender、或いはそのプラグイン喩えると","render_override":null},{"id":"blk_3fdf585f-6900-4385-9e21-7bbf5bfd2472","kind":"paragraph","order":259,"section_id":"sec_333ae6e0-bbb1-47d3-a908-0dd13b88d00b","character_id":null,"markdown":"ただし、**そのまま「EDA = ゲームエンジン」ではない**です。","render_override":null},{"id":"blk_24a8e985-6d1a-4aa7-81fe-9bf081b24b20","kind":"paragraph","order":260,"section_id":"sec_333ae6e0-bbb1-47d3-a908-0dd13b88d00b","character_id":null,"markdown":"いちばん近い言い方をすると、EDA は","render_override":null},{"id":"blk_2fe9334d-fc00-4dc6-adb6-f064f50e7b9d","kind":"paragraph","order":261,"section_id":"sec_333ae6e0-bbb1-47d3-a908-0dd13b88d00b","character_id":null,"markdown":"**Blender + ゲームエンジン + コンパイラ + 静的解析ツール + 自動配線ツール + 製造前検査ツール**","render_override":null},{"id":"blk_ce77010f-cc42-4835-bcf3-cd6e4fd26745","kind":"paragraph","order":262,"section_id":"sec_333ae6e0-bbb1-47d3-a908-0dd13b88d00b","character_id":null,"markdown":"を全部まとめたような世界です。","render_override":null},{"id":"blk_113263da-645a-4c48-9362-e957a284e38e","kind":"heading","order":263,"section_id":"sec_427b31b7-4421-4a58-9b49-141a275a1cc2","character_id":null,"markdown":"## 似ているところ","render_override":null},{"id":"blk_9e312588-90dd-4bd5-8e87-57eb51df939a","kind":"heading","order":264,"section_id":"sec_464fd206-9b6e-49a8-a8bb-891d095a3a17","character_id":null,"markdown":"### \\1. 作るための「開発基盤」である","render_override":null},{"id":"blk_3e0471c8-d3db-4ed5-aa24-a32c9035f46e","kind":"paragraph","order":265,"section_id":"sec_464fd206-9b6e-49a8-a8bb-891d095a3a17","character_id":null,"markdown":"ゲームエンジンは、ゲームそのものではなく、**ゲームを作るための土台**です。 \nEDA も同じで、半導体そのものではなく、**半導体を作るための土台**です。","render_override":null},{"id":"blk_ada68dee-f59d-4afb-a7da-05ef10ff8752","kind":"list","order":266,"section_id":"sec_464fd206-9b6e-49a8-a8bb-891d095a3a17","character_id":null,"markdown":"- Unity/Unreal → ゲームを作る\n- EDA → チップを作る","render_override":null},{"id":"blk_21641c05-697c-418e-8c54-8dc5ce9cb2ac","kind":"paragraph","order":267,"section_id":"sec_464fd206-9b6e-49a8-a8bb-891d095a3a17","character_id":null,"markdown":"この意味ではかなり近いです。","render_override":null},{"id":"blk_4a2e300d-0160-4b4b-9129-6bce0b05008e","kind":"heading","order":268,"section_id":"sec_aad57dd2-efb1-4375-8699-3c2205457d31","character_id":null,"markdown":"### \\2. 部品を組み合わせて大きなものを作る","render_override":null},{"id":"blk_4f20a99d-4fac-48c1-a010-9893ccc3fbb5","kind":"paragraph","order":269,"section_id":"sec_aad57dd2-efb1-4375-8699-3c2205457d31","character_id":null,"markdown":"ゲーム開発でも、","render_override":null},{"id":"blk_4375d5c6-f4df-4c17-be3b-9ab1998ef757","kind":"list","order":270,"section_id":"sec_aad57dd2-efb1-4375-8699-3c2205457d31","character_id":null,"markdown":"- 3Dモデル\n- スクリプト\n- 物理\n- UI\n- プラグイン\n- アセット","render_override":null},{"id":"blk_e6856f40-c61d-414e-8ad0-e438229400d8","kind":"paragraph","order":271,"section_id":"sec_aad57dd2-efb1-4375-8699-3c2205457d31","character_id":null,"markdown":"を組み合わせます。","render_override":null},{"id":"blk_8d7ce662-e4b0-4893-8246-91b7c661820d","kind":"paragraph","order":272,"section_id":"sec_aad57dd2-efb1-4375-8699-3c2205457d31","character_id":null,"markdown":"半導体設計でも、","render_override":null},{"id":"blk_d4153d7c-1281-421a-b982-227628e8650e","kind":"list","order":273,"section_id":"sec_aad57dd2-efb1-4375-8699-3c2205457d31","character_id":null,"markdown":"- CPUコア\n- メモリ\n- インターフェースIP\n- 配線\n- 検証IP\n- 物理ライブラリ","render_override":null},{"id":"blk_01416819-e442-4afd-b3c6-8bd02d494623","kind":"paragraph","order":274,"section_id":"sec_aad57dd2-efb1-4375-8699-3c2205457d31","character_id":null,"markdown":"を組み合わせます。","render_override":null},{"id":"blk_3f9de4f0-e9fc-4a79-993c-ac06278fd4a7","kind":"paragraph","order":275,"section_id":"sec_aad57dd2-efb1-4375-8699-3c2205457d31","character_id":null,"markdown":"ここはかなり似ています。","render_override":null},{"id":"blk_9b9d99f9-dcac-4961-8671-bdcc25526c03","kind":"heading","order":276,"section_id":"sec_a4308ad8-51fd-455d-9d4a-74423d31babf","character_id":null,"markdown":"### \\3. 外部資産を入れて使う","render_override":null},{"id":"blk_26dbae50-d29b-49a2-a1f6-f4c12b77b1a1","kind":"paragraph","order":277,"section_id":"sec_a4308ad8-51fd-455d-9d4a-74423d31babf","character_id":null,"markdown":"Blenderのアドオンやゲームエンジンのプラグインみたいに、半導体でも **IP** という既製部品を使います。","render_override":null},{"id":"blk_05560e8c-f6d8-41dc-ba1d-a558ceee9869","kind":"paragraph","order":278,"section_id":"sec_a4308ad8-51fd-455d-9d4a-74423d31babf","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_00fcfd19-2c06-4288-a1b6-395582c7e31b","kind":"list","order":279,"section_id":"sec_a4308ad8-51fd-455d-9d4a-74423d31babf","character_id":null,"markdown":"- Arm のCPUコア\n- PCIe\n- USB\n- DDRコントローラ","render_override":null},{"id":"blk_9dd9abb6-dd8b-49fc-a347-4f46fd6c3914","kind":"paragraph","order":280,"section_id":"sec_a4308ad8-51fd-455d-9d4a-74423d31babf","character_id":null,"markdown":"などです。","render_override":null},{"id":"blk_8fef27f1-5e70-4aff-8ea8-5007cb17e574","kind":"paragraph","order":281,"section_id":"sec_a4308ad8-51fd-455d-9d4a-74423d31babf","character_id":null,"markdown":"この意味では、**IPはプラグインや既製アセットにかなり近い**です。","render_override":null},{"id":"blk_b20b2fdb-2843-40dc-a6ec-a15be1c03fdf","kind":"thematic_break","order":282,"section_id":"sec_a4308ad8-51fd-455d-9d4a-74423d31babf","character_id":null,"markdown":"---","render_override":null},{"id":"blk_bb1f8047-52d6-47a0-80de-3e8ecfcddf84","kind":"heading","order":283,"section_id":"sec_bf132464-fcc4-4c14-9b75-3d3ba71f02fc","character_id":null,"markdown":"## ゲームエンジンとEDAの違い","render_override":null},{"id":"blk_1a551eec-0ddd-41d6-b1d3-135399fe56dd","kind":"heading","order":284,"section_id":"sec_512bb3e6-4632-4cf1-8c33-137c602c820a","character_id":null,"markdown":"### \\1. EDAは「見た目を作る」より「成立するかを証明する」寄り","render_override":null},{"id":"blk_d1838679-d4b7-43f6-970f-a2591542fa0c","kind":"paragraph","order":285,"section_id":"sec_512bb3e6-4632-4cf1-8c33-137c602c820a","character_id":null,"markdown":"Blender は視覚的に形を作る感覚が強いです。 \nでも EDA は、見た目よりも","render_override":null},{"id":"blk_0633643d-a7b2-4a78-a1f1-3556c191abc9","kind":"list","order":286,"section_id":"sec_512bb3e6-4632-4cf1-8c33-137c602c820a","character_id":null,"markdown":"- 論理的に正しいか\n- タイミングが間に合うか\n- 電力が大丈夫か\n- 熱で死なないか\n- 配線できるか\n- 製造ルール違反がないか","render_override":null},{"id":"blk_076b13ce-e71d-4335-8253-0e3f29ab34da","kind":"paragraph","order":287,"section_id":"sec_512bb3e6-4632-4cf1-8c33-137c602c820a","character_id":null,"markdown":"を詰める比重がすごく大きいです。","render_override":null},{"id":"blk_d35535ef-9f69-4edb-b42c-69b9499a495a","kind":"paragraph","order":288,"section_id":"sec_512bb3e6-4632-4cf1-8c33-137c602c820a","character_id":null,"markdown":"つまり EDA は、クリエイティブツールというより \n**工学検証ツールの塊** に近いです。","render_override":null},{"id":"blk_d761b7ed-f40d-4644-9beb-86ee153d03f3","kind":"heading","order":289,"section_id":"sec_158f32eb-b97e-4c21-b3a2-e076c9990fb0","character_id":null,"markdown":"### \\2. 「あとで直せる」が弱い","render_override":null},{"id":"blk_3df4b534-dc43-4450-9a59-503869d524e6","kind":"paragraph","order":290,"section_id":"sec_158f32eb-b97e-4c21-b3a2-e076c9990fb0","character_id":null,"markdown":"ゲームは出したあとにパッチを当てやすいです。 \nでもチップは、作ってしまうと修正コストが非常に重いです。","render_override":null},{"id":"blk_085bead6-500b-41f5-8b56-445c6f165578","kind":"paragraph","order":291,"section_id":"sec_158f32eb-b97e-4c21-b3a2-e076c9990fb0","character_id":null,"markdown":"だから EDA は、 \n**出す前に徹底的に潰す** \nためのツール群です。","render_override":null},{"id":"blk_508eff20-9dc5-449b-a75a-fe1f674e1845","kind":"paragraph","order":292,"section_id":"sec_158f32eb-b97e-4c21-b3a2-e076c9990fb0","character_id":null,"markdown":"この点はゲームエンジンよりずっと厳しいです。","render_override":null},{"id":"blk_f45ab9b6-a135-4ac0-b3d7-d0d13b46f4a3","kind":"heading","order":293,"section_id":"sec_31853c93-a19a-442f-b028-bb5a7876d380","character_id":null,"markdown":"### \\3. 自動化の重みがかなり大きい","render_override":null},{"id":"blk_5b8434cb-ece4-4b38-97dc-533948e8ec35","kind":"paragraph","order":294,"section_id":"sec_31853c93-a19a-442f-b028-bb5a7876d380","character_id":null,"markdown":"Blenderは人が形を触る感じがありますが、EDA は","render_override":null},{"id":"blk_da124fe9-2a1d-4e02-b574-9194eb281a5c","kind":"list","order":295,"section_id":"sec_31853c93-a19a-442f-b028-bb5a7876d380","character_id":null,"markdown":"- 合成\n- 配置配線\n- タイミング最適化\n- DRC/LVSチェック\n- ATPG","render_override":null},{"id":"blk_39277f68-3977-492b-8eed-56a214e478d1","kind":"paragraph","order":296,"section_id":"sec_31853c93-a19a-442f-b028-bb5a7876d380","character_id":null,"markdown":"など、**自動処理の比重がかなり大きい**です。","render_override":null},{"id":"blk_c4d9c774-e800-4aba-ac00-634d36a92e2f","kind":"paragraph","order":297,"section_id":"sec_31853c93-a19a-442f-b028-bb5a7876d380","character_id":null,"markdown":"人が全部描くというより、 \n**制約を与えてツールに最適化させる** \n感覚が強いです。","render_override":null},{"id":"blk_e46f9978-9e97-4ef3-bebc-2df7062b86ab","kind":"thematic_break","order":298,"section_id":"sec_31853c93-a19a-442f-b028-bb5a7876d380","character_id":null,"markdown":"---","render_override":null},{"id":"blk_acd40c2f-2622-465b-92b7-4fd713e3a865","kind":"heading","order":299,"section_id":"sec_e10576f1-8f2a-43da-806e-5c8d5b0dec7c","character_id":null,"markdown":"## たとえ直すならこうです","render_override":null},{"id":"blk_a432a180-7ffe-4c99-b0a1-afd2050476ee","kind":"heading","order":300,"section_id":"sec_0418419c-fb28-465c-93df-1b96fdcb1791","character_id":null,"markdown":"### 一番近い比喩","render_override":null},{"id":"blk_f9ead2e5-0b6b-4ff6-bd22-09af4e499397","kind":"paragraph","order":301,"section_id":"sec_0418419c-fb28-465c-93df-1b96fdcb1791","character_id":null,"markdown":"**EDA = ゲームエンジンというより、「ゲーム開発環境 + コンパイラ + デバッガ + 最適化ツール + コンソール向けビルドシステム + 品質検査」全部入り**","render_override":null},{"id":"blk_7de672e2-6f28-4afe-93a6-191ad69b6aa9","kind":"paragraph","order":302,"section_id":"sec_0418419c-fb28-465c-93df-1b96fdcb1791","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_58ab66f3-97c1-4dc3-a9cf-e483a5f17643","kind":"heading","order":303,"section_id":"sec_ab3e40f0-428b-46cc-a932-d4048ac7036c","character_id":null,"markdown":"### Blender寄りで言うなら","render_override":null},{"id":"blk_3b8ea438-6dcd-4572-bcf3-77bb9bbe8a68","kind":"list","order":304,"section_id":"sec_ab3e40f0-428b-46cc-a932-d4048ac7036c","character_id":null,"markdown":"- Blenderそのもの、というよりは \n **Blenderでモデリングする機能**\n- さらに \n **エラー検出、物理成立確認、出力先制約への変換**\n- さらに \n **工場でそのまま作れる形式へ落とす機能**","render_override":null},{"id":"blk_6041aac2-d8d0-4c77-97f0-106a006b95f3","kind":"paragraph","order":305,"section_id":"sec_ab3e40f0-428b-46cc-a932-d4048ac7036c","character_id":null,"markdown":"まで全部入っている感じです。","render_override":null},{"id":"blk_977cfa12-4740-4bf8-a447-918146a3f785","kind":"thematic_break","order":306,"section_id":"sec_ab3e40f0-428b-46cc-a932-d4048ac7036c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_09cfceb9-f9cb-4164-8479-8b4f4f79b8b4","kind":"heading","order":307,"section_id":"sec_79b9a96c-e43d-429e-ab34-283e646482df","character_id":null,"markdown":"## 対応関係をざっくり置くと","render_override":null},{"id":"blk_41f50629-736e-459a-a94a-47f3bd1fdb1c","kind":"list","order":308,"section_id":"sec_79b9a96c-e43d-429e-ab34-283e646482df","character_id":null,"markdown":"- **ゲームエンジン本体** \n ↔ EDA全体の設計基盤\n- **プラグイン / アセット** \n ↔ ArmなどのIP、各種ライブラリ、PDK\n- **スクリプトを書く** \n ↔ RTLを書く\n- **ビルドする** \n ↔ 論理合成\n- **マップ上にオブジェクト配置** \n ↔ 配置配線\n- **負荷や不具合チェック** \n ↔ タイミング解析、電力解析、検証\n- **対象ハード向けに最終出力** \n ↔ テープアウト用データ作成","render_override":null},{"id":"blk_db36aaf7-b67d-4555-bd6e-9924f98e3d19","kind":"thematic_break","order":309,"section_id":"sec_79b9a96c-e43d-429e-ab34-283e646482df","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4b9ce38a-1f08-490a-af65-5fa403dd86e0","kind":"heading","order":310,"section_id":"sec_5cc3809a-9562-4a71-9e42-53aa707fe2ad","character_id":null,"markdown":"## かなり本質的な言い方をすると","render_override":null},{"id":"blk_4c42e3e0-9f86-4bc1-a078-3c9a47585923","kind":"paragraph","order":311,"section_id":"sec_5cc3809a-9562-4a71-9e42-53aa707fe2ad","character_id":null,"markdown":"EDA は \n**「チップを作るための統合開発環境」** \nです。","render_override":null},{"id":"blk_9c7d7081-fbf4-49ae-ba85-d2c24c130458","kind":"paragraph","order":312,"section_id":"sec_5cc3809a-9562-4a71-9e42-53aa707fe2ad","character_id":null,"markdown":"なので、あなたの感覚は半分当たりです。 \nただし実際には、ゲームエンジンや Blender よりもずっと","render_override":null},{"id":"blk_3b0337cf-0c1c-4597-b2d4-13fbad66f288","kind":"paragraph","order":313,"section_id":"sec_5cc3809a-9562-4a71-9e42-53aa707fe2ad","character_id":null,"markdown":"**検証、制約、最適化、製造成立性**","render_override":null},{"id":"blk_fc7e88a8-9fa6-4403-9136-aa7264715616","kind":"paragraph","order":314,"section_id":"sec_5cc3809a-9562-4a71-9e42-53aa707fe2ad","character_id":null,"markdown":"の比重が大きいです。","render_override":null},{"id":"blk_af0084da-59a5-477c-8013-926a9b0e408a","kind":"paragraph","order":315,"section_id":"sec_5cc3809a-9562-4a71-9e42-53aa707fe2ad","character_id":null,"markdown":"一言で言うなら、","render_override":null},{"id":"blk_1c95b64b-a62d-4883-9c53-299fe72a8920","kind":"paragraph","order":316,"section_id":"sec_5cc3809a-9562-4a71-9e42-53aa707fe2ad","character_id":null,"markdown":"**“見た目を作るツール”というより、“現実に作れて壊れず動く設計を完成させるツール群”**","render_override":null},{"id":"blk_dd63f971-3459-485e-8466-7240097a6c47","kind":"paragraph","order":317,"section_id":"sec_5cc3809a-9562-4a71-9e42-53aa707fe2ad","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_b0b9d8a3-1376-4094-a7c5-d8c8df3e1424","kind":"thematic_break","order":318,"section_id":"sec_5cc3809a-9562-4a71-9e42-53aa707fe2ad","character_id":null,"markdown":"---","render_override":null},{"id":"blk_58d07c3e-6ff6-4210-929d-212b4021ea8f","kind":"heading","order":319,"section_id":"sec_fe476d9c-4d4c-407c-8d27-860b044554e5","character_id":null,"markdown":"## EDAを使う人の仕事を、ゲーム開発者・3Dモデラー・ビルドエンジニアに対応させて説明","render_override":null},{"id":"blk_32fd4a0d-0d64-4d33-80dc-383f0610e9d7","kind":"paragraph","order":320,"section_id":"sec_fe476d9c-4d4c-407c-8d27-860b044554e5","character_id":null,"markdown":"結論から言うと、半導体開発の現場には、","render_override":null},{"id":"blk_6d3d754b-8aff-454e-9cb4-b6aee33bfcc5","kind":"paragraph","order":321,"section_id":"sec_fe476d9c-4d4c-407c-8d27-860b044554e5","character_id":null,"markdown":"**ゲーム開発者っぽい人** \n**3Dモデラーっぽい人** \n**ビルド/最適化エンジニアっぽい人** \n**QA/デバッガっぽい人**","render_override":null},{"id":"blk_f73bda4d-48e3-40a1-9368-3961299d6e67","kind":"paragraph","order":322,"section_id":"sec_fe476d9c-4d4c-407c-8d27-860b044554e5","character_id":null,"markdown":"がいて、みんな別のEDAを主に使っています。","render_override":null},{"id":"blk_fb3b2532-1a79-4fc3-b2ce-c73bd63c1bc4","kind":"thematic_break","order":323,"section_id":"sec_fe476d9c-4d4c-407c-8d27-860b044554e5","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ab2aecd0-0211-4b89-8d65-0691cded732e","kind":"heading","order":324,"section_id":"sec_f72480ed-74d8-4459-b2a4-e0e3efebf190","character_id":null,"markdown":"## 全体の対応イメージ","render_override":null},{"id":"blk_f963a87e-e19f-49d4-a74c-acce3cc3d11d","kind":"paragraph","order":325,"section_id":"sec_f72480ed-74d8-4459-b2a4-e0e3efebf190","character_id":null,"markdown":"まずざっくり対応させるとこうです。","render_override":null},{"id":"blk_13fd167a-5179-4c39-b39c-b85517d0c699","kind":"list","order":326,"section_id":"sec_f72480ed-74d8-4459-b2a4-e0e3efebf190","character_id":null,"markdown":"- **ゲームの仕様を考える人** \n ↔ **半導体アーキテクト**\n- **ゲームロジックを書く人** \n ↔ **RTL設計者**\n- **3Dモデルやシーンを組む人** \n ↔ **物理設計者（配置配線）**\n- **ビルドや最適化を詰める人** \n ↔ **合成・タイミング・実装エンジニア**\n- **QAやテスト自動化の人** \n ↔ **検証エンジニア / DFTエンジニア**\n- **実機で重さや挙動を見る人** \n ↔ **シリコン評価・テストエンジニア**","render_override":null},{"id":"blk_807d3b9c-5301-416a-b022-bc29cdc9a5a9","kind":"paragraph","order":327,"section_id":"sec_f72480ed-74d8-4459-b2a4-e0e3efebf190","character_id":null,"markdown":"つまりEDAは1個のツールではなく、 \n**ゲーム制作会社で使う開発ツール一式** \nみたいなものです。","render_override":null},{"id":"blk_4f240aee-9a07-4cef-8542-4700faebf1c1","kind":"thematic_break","order":328,"section_id":"sec_f72480ed-74d8-4459-b2a4-e0e3efebf190","character_id":null,"markdown":"---","render_override":null},{"id":"blk_dad3ea67-7d5f-45e8-99ec-6c839ac836ce","kind":"heading","order":329,"section_id":"sec_dd0fa5bb-027f-4ca4-b0fb-e4abe3bb5626","character_id":null,"markdown":"## \\1. 半導体アーキテクト","render_override":null},{"id":"blk_61ff9403-ff75-4c8b-ac79-f8a3d55f534c","kind":"heading","order":330,"section_id":"sec_11d791bf-9d28-4084-8220-950af7a27dd2","character_id":null,"markdown":"## ゲームでいうと","render_override":null},{"id":"blk_7ea2f5de-7c6d-4798-8530-741626c286ab","kind":"paragraph","order":331,"section_id":"sec_11d791bf-9d28-4084-8220-950af7a27dd2","character_id":null,"markdown":"**ゲームディレクター / システム設計者**","render_override":null},{"id":"blk_511df6f2-b6dd-4f03-86cd-df0b68263b0b","kind":"paragraph","order":332,"section_id":"sec_11d791bf-9d28-4084-8220-950af7a27dd2","character_id":null,"markdown":"この人は、 \n「どんなGPUにするか」 \n「どれくらい速くするか」 \n「電力はどこまで許すか」 \n「メモリ帯域はどれくらい必要か」 \nを決めます。","render_override":null},{"id":"blk_a17842a3-9615-461e-9392-32a61f1d60fc","kind":"paragraph","order":333,"section_id":"sec_11d791bf-9d28-4084-8220-950af7a27dd2","character_id":null,"markdown":"ゲームでいうと、","render_override":null},{"id":"blk_45269eef-b654-494c-b196-6a966bb4ca37","kind":"list","order":334,"section_id":"sec_11d791bf-9d28-4084-8220-950af7a27dd2","character_id":null,"markdown":"- オープンワールドにするのか\n- 60fpsを狙うのか\n- スマホ向けかPC向けか\n- 物理演算をどれくらい入れるか","render_override":null},{"id":"blk_5206eed7-3aa7-458d-9f21-e2dae6e09fcd","kind":"paragraph","order":335,"section_id":"sec_11d791bf-9d28-4084-8220-950af7a27dd2","character_id":null,"markdown":"を決める人に近いです。","render_override":null},{"id":"blk_4f72bca5-2139-42cf-ace1-73e9e5dd4521","kind":"paragraph","order":336,"section_id":"sec_11d791bf-9d28-4084-8220-950af7a27dd2","character_id":null,"markdown":"この段階では、まだ細かい回路を書くというより、 \n**作品の設計思想を決める** 感じです。","render_override":null},{"id":"blk_076882f8-e62c-4e0c-bf38-e966242e9d2a","kind":"thematic_break","order":337,"section_id":"sec_11d791bf-9d28-4084-8220-950af7a27dd2","character_id":null,"markdown":"---","render_override":null},{"id":"blk_aa6fef11-c342-4849-bd62-a965d9e2762c","kind":"heading","order":338,"section_id":"sec_21e20dba-644c-42cd-81b5-42b40b28f8af","character_id":null,"markdown":"## \\2. RTL設計者","render_override":null},{"id":"blk_a6a7a146-6810-40f4-96c2-75b185977064","kind":"heading","order":339,"section_id":"sec_82f9aa13-e49c-4ef1-984f-4ef38c54acad","character_id":null,"markdown":"## ゲームでいうと","render_override":null},{"id":"blk_5d0adb6f-876c-468b-a3c5-4fc49599b8d6","kind":"paragraph","order":340,"section_id":"sec_82f9aa13-e49c-4ef1-984f-4ef38c54acad","character_id":null,"markdown":"**ゲームプログラマー**","render_override":null},{"id":"blk_74900f8a-a25c-4718-8ed9-054e0fe12390","kind":"paragraph","order":341,"section_id":"sec_82f9aa13-e49c-4ef1-984f-4ef38c54acad","character_id":null,"markdown":"この人が、チップの動作そのものを書きます。 \nVerilog や VHDL のような言語で、","render_override":null},{"id":"blk_f3f99da8-f9ad-4a27-8cfc-20041a04a58a","kind":"list","order":342,"section_id":"sec_82f9aa13-e49c-4ef1-984f-4ef38c54acad","character_id":null,"markdown":"- この信号が来たらこう動く\n- この条件ならこのデータを送る\n- この状態なら待つ","render_override":null},{"id":"blk_11e7c9f2-e62a-4f99-92db-77413bf970ca","kind":"paragraph","order":343,"section_id":"sec_82f9aa13-e49c-4ef1-984f-4ef38c54acad","character_id":null,"markdown":"といった回路の振る舞いを書きます。","render_override":null},{"id":"blk_fa6fd98b-9f73-4e74-a89f-7246f143bf2f","kind":"paragraph","order":344,"section_id":"sec_82f9aa13-e49c-4ef1-984f-4ef38c54acad","character_id":null,"markdown":"ゲームでいうと、","render_override":null},{"id":"blk_5a5b1314-ad9b-48b8-91b9-b85afb6e7a35","kind":"list","order":345,"section_id":"sec_82f9aa13-e49c-4ef1-984f-4ef38c54acad","character_id":null,"markdown":"- プレイヤー入力を受ける\n- 敵AIを動かす\n- ダメージ計算する\n- 状態遷移を作る","render_override":null},{"id":"blk_bee76d4f-057a-4c98-92cb-799f82d59de9","kind":"paragraph","order":346,"section_id":"sec_82f9aa13-e49c-4ef1-984f-4ef38c54acad","character_id":null,"markdown":"みたいなロジックを書く人です。","render_override":null},{"id":"blk_4ad3d0fc-f0ff-4d1f-964a-0694c426b6a1","kind":"paragraph","order":347,"section_id":"sec_82f9aa13-e49c-4ef1-984f-4ef38c54acad","character_id":null,"markdown":"かなり似ています。 \nただし違うのは、ゲームコードよりも \n**並列動作** \n**クロックに合わせた動き** \n**1クロック遅れる/遅れない** \nみたいなハード特有の感覚が強いことです。","render_override":null},{"id":"blk_2bc4778a-4393-4f11-8788-16be53eeb466","kind":"paragraph","order":348,"section_id":"sec_82f9aa13-e49c-4ef1-984f-4ef38c54acad","character_id":null,"markdown":"なので RTL設計者は、 \n**ゲームプログラマーにかなり近いが、もっと時間軸と並列性に厳しい人** \nという感じです。","render_override":null},{"id":"blk_8d74c436-2ee3-498c-aec9-788be04b1c6c","kind":"thematic_break","order":349,"section_id":"sec_82f9aa13-e49c-4ef1-984f-4ef38c54acad","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9ed31138-d1f2-4f25-9dfd-9238dd461f14","kind":"heading","order":350,"section_id":"sec_adc500db-d8ce-4e10-bfcb-1385edee79e6","character_id":null,"markdown":"## \\3. 検証エンジニア","render_override":null},{"id":"blk_93518ca2-0cd6-4b34-85c6-f32cba6bb3cc","kind":"heading","order":351,"section_id":"sec_4f2bae14-d032-41c2-816b-6643c820d41a","character_id":null,"markdown":"## ゲームでいうと","render_override":null},{"id":"blk_5ddb48cc-6418-40be-a418-e0f6ac06ca79","kind":"paragraph","order":352,"section_id":"sec_4f2bae14-d032-41c2-816b-6643c820d41a","character_id":null,"markdown":"**QA + テスト自動化 + デバッガ担当**","render_override":null},{"id":"blk_abc0eb27-dbb2-4480-9349-29b362af539f","kind":"paragraph","order":353,"section_id":"sec_4f2bae14-d032-41c2-816b-6643c820d41a","character_id":null,"markdown":"この人は、「RTL設計者が書いた回路が本当に正しいか」を確かめます。","render_override":null},{"id":"blk_e4f22778-7351-42dc-b6a6-928c229a7650","kind":"paragraph","order":354,"section_id":"sec_4f2bae14-d032-41c2-816b-6643c820d41a","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_aa39d7e4-95f6-4359-8329-e9dd3c84bf70","kind":"list","order":355,"section_id":"sec_4f2bae14-d032-41c2-816b-6643c820d41a","character_id":null,"markdown":"- 想定通りの計算結果になるか\n- 特殊な入力で壊れないか\n- 詰まりやデッドロックが起きないか\n- バグが潜んでいないか","render_override":null},{"id":"blk_72920a9d-8af2-46d2-ba32-64f89e1caaab","kind":"paragraph","order":356,"section_id":"sec_4f2bae14-d032-41c2-816b-6643c820d41a","character_id":null,"markdown":"を大量に確認します。","render_override":null},{"id":"blk_dc679699-b27e-455c-8b34-93c734774f23","kind":"paragraph","order":357,"section_id":"sec_4f2bae14-d032-41c2-816b-6643c820d41a","character_id":null,"markdown":"ゲームでいうと、","render_override":null},{"id":"blk_39fbabbb-9d48-4c64-afb5-06d247557fa6","kind":"list","order":358,"section_id":"sec_4f2bae14-d032-41c2-816b-6643c820d41a","character_id":null,"markdown":"- 壁抜けしないか\n- 特定条件でフリーズしないか\n- セーブデータが壊れないか\n- 自動テストで異常を炙り出す","render_override":null},{"id":"blk_61d5f9b5-496f-4c2e-905a-cbf79acdc073","kind":"paragraph","order":359,"section_id":"sec_4f2bae14-d032-41c2-816b-6643c820d41a","character_id":null,"markdown":"みたいな仕事です。","render_override":null},{"id":"blk_a5a71634-1737-4581-9390-dce4fc75f6fd","kind":"paragraph","order":360,"section_id":"sec_4f2bae14-d032-41c2-816b-6643c820d41a","character_id":null,"markdown":"むしろ半導体ではここがすごく重要で、 \n**設計者より検証側の人数や工数が大きい** ことも珍しくありません。","render_override":null},{"id":"blk_54c37c3d-ef3e-401d-beca-b4aafd987acc","kind":"paragraph","order":361,"section_id":"sec_4f2bae14-d032-41c2-816b-6643c820d41a","character_id":null,"markdown":"なぜなら、ゲームは後でパッチを当てやすいですが、 \nチップは作ってから直すのがすごく高いからです。","render_override":null},{"id":"blk_3d1acdc8-9778-47a0-903c-f19d66ec92b0","kind":"thematic_break","order":362,"section_id":"sec_4f2bae14-d032-41c2-816b-6643c820d41a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ccbee2a9-02e9-44b2-b7e9-687b42865d87","kind":"heading","order":363,"section_id":"sec_822b5a20-7570-455d-a3ea-20796ea0b69b","character_id":null,"markdown":"## \\4. 物理設計者（配置配線）","render_override":null},{"id":"blk_ee1a220a-350a-4e43-8de9-a6a987212f2f","kind":"heading","order":364,"section_id":"sec_4cd87bf4-30fc-49c1-b8c0-4c4a9feb3680","character_id":null,"markdown":"## ゲームでいうと","render_override":null},{"id":"blk_6910242c-eb24-49cf-956a-f71a9d256e81","kind":"paragraph","order":365,"section_id":"sec_4cd87bf4-30fc-49c1-b8c0-4c4a9feb3680","character_id":null,"markdown":"**3Dモデラー + レベルデザイナー + シーン構築担当**","render_override":null},{"id":"blk_e82c8771-2e31-4a67-af56-737048b0857b","kind":"paragraph","order":366,"section_id":"sec_4cd87bf4-30fc-49c1-b8c0-4c4a9feb3680","character_id":null,"markdown":"この人は、論理設計された回路を \n**実際にシリコン上へどう置いて、どうつなぐか** \nを詰めます。","render_override":null},{"id":"blk_36c476a6-8035-4d63-80bc-b51775cd89a3","kind":"paragraph","order":367,"section_id":"sec_4cd87bf4-30fc-49c1-b8c0-4c4a9feb3680","character_id":null,"markdown":"ここはかなり3Dモデラー感があります。 \nなぜなら、ただ機能が正しいだけではダメで、","render_override":null},{"id":"blk_470a987a-724e-4dcd-aba1-a2c4666f077e","kind":"list","order":368,"section_id":"sec_4cd87bf4-30fc-49c1-b8c0-4c4a9feb3680","character_id":null,"markdown":"- どこに置くか\n- どう線を引くか\n- 混みすぎないか\n- 熱が偏らないか\n- 電力網が持つか","render_override":null},{"id":"blk_30c411cc-eeaf-498f-9780-155fb5c6b9cf","kind":"paragraph","order":369,"section_id":"sec_4cd87bf4-30fc-49c1-b8c0-4c4a9feb3680","character_id":null,"markdown":"を考えるからです。","render_override":null},{"id":"blk_6387b423-233a-49bb-8372-0d1f3bd43606","kind":"paragraph","order":370,"section_id":"sec_4cd87bf4-30fc-49c1-b8c0-4c4a9feb3680","character_id":null,"markdown":"ゲームでいうと、","render_override":null},{"id":"blk_528d2bb1-ffb5-4cfd-ab73-d4ab158f6637","kind":"list","order":371,"section_id":"sec_4cd87bf4-30fc-49c1-b8c0-4c4a9feb3680","character_id":null,"markdown":"- オブジェクト配置\n- 当たり判定の整理\n- シーンの最適なレイアウト\n- カメラや光源の都合\n- メモリや描画負荷の制約","render_override":null},{"id":"blk_6c444c22-e412-442c-90d3-a75e9263f044","kind":"paragraph","order":372,"section_id":"sec_4cd87bf4-30fc-49c1-b8c0-4c4a9feb3680","character_id":null,"markdown":"を考えながらステージを組む人に近いです。","render_override":null},{"id":"blk_39d97cb5-24b2-43dc-b510-e76d0b7c7cda","kind":"paragraph","order":373,"section_id":"sec_4cd87bf4-30fc-49c1-b8c0-4c4a9feb3680","character_id":null,"markdown":"ただし半導体では、見た目の美しさではなく \n**物理的に動くか、遅延が足りるか、ルール違反がないか** \nが評価基準です。","render_override":null},{"id":"blk_89e81375-105b-49ed-a89a-0ba9ddead71c","kind":"paragraph","order":374,"section_id":"sec_4cd87bf4-30fc-49c1-b8c0-4c4a9feb3680","character_id":null,"markdown":"なので、 \n**3Dモデラーというより“超制約だらけの工業レイアウト設計者”** \nという感じです。","render_override":null},{"id":"blk_657a9895-d462-4499-9036-a9d8dde11c50","kind":"thematic_break","order":375,"section_id":"sec_4cd87bf4-30fc-49c1-b8c0-4c4a9feb3680","character_id":null,"markdown":"---","render_override":null},{"id":"blk_78e0cb94-7680-48fe-b346-cbae3b8f3367","kind":"heading","order":376,"section_id":"sec_712874cb-0324-47e1-99ba-eb06201b162b","character_id":null,"markdown":"## \\5. 合成・タイミング・実装エンジニア","render_override":null},{"id":"blk_2d3964b9-0b35-41a8-88fe-458ecf550b1c","kind":"heading","order":377,"section_id":"sec_cb99a6d6-5044-4233-9552-46bf63d8dec7","character_id":null,"markdown":"## ゲームでいうと","render_override":null},{"id":"blk_04d2e3dd-6716-47b5-b31a-461029849796","kind":"paragraph","order":378,"section_id":"sec_cb99a6d6-5044-4233-9552-46bf63d8dec7","character_id":null,"markdown":"**ビルドエンジニア + 最適化エンジニア**","render_override":null},{"id":"blk_67f8aada-8831-4b01-8574-756c9e6b44da","kind":"paragraph","order":379,"section_id":"sec_cb99a6d6-5044-4233-9552-46bf63d8dec7","character_id":null,"markdown":"この人たちは、","render_override":null},{"id":"blk_81adfcf5-60ae-40fc-a6f0-8529878ee221","kind":"list","order":380,"section_id":"sec_cb99a6d6-5044-4233-9552-46bf63d8dec7","character_id":null,"markdown":"- RTLをゲート回路へ変換する\n- 面積を減らす\n- 電力を減らす\n- タイミングを間に合わせる\n- クロック周波数目標を満たす","render_override":null},{"id":"blk_92e669ee-f8e6-4a80-b8dd-ff6702057259","kind":"paragraph","order":381,"section_id":"sec_cb99a6d6-5044-4233-9552-46bf63d8dec7","character_id":null,"markdown":"といったことを詰めます。","render_override":null},{"id":"blk_bf913de5-24c4-4063-ac24-643355f2a8e7","kind":"paragraph","order":382,"section_id":"sec_cb99a6d6-5044-4233-9552-46bf63d8dec7","character_id":null,"markdown":"ゲームでいうとかなり近いのは、","render_override":null},{"id":"blk_e5693a5e-a12d-40d3-b942-12707fe81d42","kind":"list","order":383,"section_id":"sec_cb99a6d6-5044-4233-9552-46bf63d8dec7","character_id":null,"markdown":"- ビルドが通るようにする\n- プラットフォーム向けに最適化する\n- フレームレートを安定させる\n- メモリ消費を削る\n- ロード時間を減らす","render_override":null},{"id":"blk_d3372bf8-e5a6-438d-8f26-1d1659e6786a","kind":"paragraph","order":384,"section_id":"sec_cb99a6d6-5044-4233-9552-46bf63d8dec7","character_id":null,"markdown":"をやる人です。","render_override":null},{"id":"blk_d42c523f-da11-4d2e-ad29-287baa51ebb6","kind":"paragraph","order":385,"section_id":"sec_cb99a6d6-5044-4233-9552-46bf63d8dec7","character_id":null,"markdown":"たとえばゲームで \n「動くけど重い」 \n「高スペックPCでは動くけど目標ハードでは60fpsが出ない」 \nという問題がありますよね。","render_override":null},{"id":"blk_a819e4ae-b91f-431a-9d24-f439f52d8afa","kind":"paragraph","order":386,"section_id":"sec_cb99a6d6-5044-4233-9552-46bf63d8dec7","character_id":null,"markdown":"半導体でも同じで、 \n「論理的には正しいけど、目標クロックで動かない」 \n「消費電力が大きすぎる」 \n「面積がでかすぎて高すぎる」 \nという問題が起きます。","render_override":null},{"id":"blk_8f1766d9-2bae-4da7-8061-cfe32771d392","kind":"paragraph","order":387,"section_id":"sec_cb99a6d6-5044-4233-9552-46bf63d8dec7","character_id":null,"markdown":"これを詰めるのがこの人たちです。","render_override":null},{"id":"blk_5c93d759-a913-451e-9edb-25e5414079e0","kind":"paragraph","order":388,"section_id":"sec_cb99a6d6-5044-4233-9552-46bf63d8dec7","character_id":null,"markdown":"かなり本質的に、 \n**半導体版ビルド&最適化職** \nです。","render_override":null},{"id":"blk_11377491-fc29-455f-858f-5a4899419dee","kind":"thematic_break","order":389,"section_id":"sec_cb99a6d6-5044-4233-9552-46bf63d8dec7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_84ecea0d-4090-425f-b8ad-a8af95207a77","kind":"heading","order":390,"section_id":"sec_f9984f12-ad67-4f52-aa65-6dfb26578d91","character_id":null,"markdown":"## \\6. DFTエンジニア","render_override":null},{"id":"blk_5b5e6237-ae83-49bb-bd81-1c75a1d284de","kind":"heading","order":391,"section_id":"sec_fdb81e2b-9312-4295-bc65-745622c52674","character_id":null,"markdown":"## ゲームでいうと","render_override":null},{"id":"blk_9d7d3874-c25b-4fe9-8b3f-b9718cec82bd","kind":"paragraph","order":392,"section_id":"sec_fdb81e2b-9312-4295-bc65-745622c52674","character_id":null,"markdown":"**テスト自動化基盤を入れる人**","render_override":null},{"id":"blk_c44a4af8-b1d7-4d10-a9ca-9a1283f045af","kind":"paragraph","order":393,"section_id":"sec_fdb81e2b-9312-4295-bc65-745622c52674","character_id":null,"markdown":"DFTは Design for Test の略で、 \n「あとで製造後にちゃんと検査できるように、設計段階で仕掛けを入れておく」仕事です。","render_override":null},{"id":"blk_c7737fe6-d522-413f-8f6e-667be1f3fbc0","kind":"paragraph","order":394,"section_id":"sec_fdb81e2b-9312-4295-bc65-745622c52674","character_id":null,"markdown":"ゲームでいうと、","render_override":null},{"id":"blk_6605b7c9-d421-4764-a11e-0a991f06509c","kind":"list","order":395,"section_id":"sec_fdb81e2b-9312-4295-bc65-745622c52674","character_id":null,"markdown":"- デバッグログを仕込む\n- テストモードを作る\n- 自動テストしやすいフックを入れる\n- 隠し診断画面を作る","render_override":null},{"id":"blk_5547c34d-04d8-451c-8373-aced73a0ef63","kind":"paragraph","order":396,"section_id":"sec_fdb81e2b-9312-4295-bc65-745622c52674","character_id":null,"markdown":"みたいな役割に近いです。","render_override":null},{"id":"blk_e57ad311-2a32-44c2-99b7-8d16396d893c","kind":"paragraph","order":397,"section_id":"sec_fdb81e2b-9312-4295-bc65-745622c52674","character_id":null,"markdown":"普通のユーザーは触らないけれど、 \n開発や品質管理には絶対必要、という部分です。","render_override":null},{"id":"blk_816500b1-6b4e-4865-95b5-ddf63f6ec2ae","kind":"paragraph","order":398,"section_id":"sec_fdb81e2b-9312-4295-bc65-745622c52674","character_id":null,"markdown":"半導体では、","render_override":null},{"id":"blk_feb8e176-d849-432b-a3fa-a6846262f835","kind":"list","order":399,"section_id":"sec_fdb81e2b-9312-4295-bc65-745622c52674","character_id":null,"markdown":"- スキャンチェーン\n- テストポイント\n- BIST\n- ATPG向けの回路","render_override":null},{"id":"blk_66f0e21d-fe63-4e6e-a5b6-8a496e013015","kind":"paragraph","order":400,"section_id":"sec_fdb81e2b-9312-4295-bc65-745622c52674","character_id":null,"markdown":"を入れます。","render_override":null},{"id":"blk_a53570e2-841a-49af-86fe-9791b62cbbb6","kind":"paragraph","order":401,"section_id":"sec_fdb81e2b-9312-4295-bc65-745622c52674","character_id":null,"markdown":"つまり DFT エンジニアは、 \n**量産テストのための仕組みを事前に組み込む人** \nです。","render_override":null},{"id":"blk_bd748c3d-6f5e-4c8a-9b47-f4eb78736089","kind":"thematic_break","order":402,"section_id":"sec_fdb81e2b-9312-4295-bc65-745622c52674","character_id":null,"markdown":"---","render_override":null},{"id":"blk_95c4ebce-0f14-45a4-995e-d7d02bac2479","kind":"heading","order":403,"section_id":"sec_0ff4db74-8b7e-4a60-9a34-975c0a306009","character_id":null,"markdown":"## \\7. シリコン評価・テストエンジニア","render_override":null},{"id":"blk_55800401-f625-4e1d-b5d4-d8ebc84b7b51","kind":"heading","order":404,"section_id":"sec_61a1ed50-d5de-435b-abfb-ada6a39a5be3","character_id":null,"markdown":"## ゲームでいうと","render_override":null},{"id":"blk_f13e3383-be96-429e-b729-ed6f5069361e","kind":"paragraph","order":405,"section_id":"sec_61a1ed50-d5de-435b-abfb-ada6a39a5be3","character_id":null,"markdown":"**実機QA + 実機パフォーマンス検証担当**","render_override":null},{"id":"blk_5198e9e8-c90e-4a82-938c-3c2e87a6910d","kind":"paragraph","order":406,"section_id":"sec_61a1ed50-d5de-435b-abfb-ada6a39a5be3","character_id":null,"markdown":"この人たちは、実際にできたチップを評価します。 \nここで初めて、Advantestのようなテスタや各種測定器が本格的に出てきます。","render_override":null},{"id":"blk_e24eceea-69b0-49b6-b030-c0aff05ac909","kind":"paragraph","order":407,"section_id":"sec_61a1ed50-d5de-435b-abfb-ada6a39a5be3","character_id":null,"markdown":"ゲームでいうと、","render_override":null},{"id":"blk_9e6d941f-edb4-4375-bdfc-170ed4fabaa4","kind":"list","order":408,"section_id":"sec_61a1ed50-d5de-435b-abfb-ada6a39a5be3","character_id":null,"markdown":"- 実機で落ちないか\n- 想定ハードでちゃんと動くか\n- 温度上昇で不具合が出ないか\n- 長時間動作で安定するか","render_override":null},{"id":"blk_db0ec1d0-5141-4508-8025-a07335b1105b","kind":"paragraph","order":409,"section_id":"sec_61a1ed50-d5de-435b-abfb-ada6a39a5be3","character_id":null,"markdown":"を確認する人です。","render_override":null},{"id":"blk_4e3c6ab8-8820-4a98-b7c8-3766b9d407a4","kind":"paragraph","order":410,"section_id":"sec_61a1ed50-d5de-435b-abfb-ada6a39a5be3","character_id":null,"markdown":"開発機上では動いたのに、実機だと問題が出ることがありますよね。 \n半導体も同じで、設計上は問題なくても、 \n実シリコンでは電圧、熱、ばらつき、ノイズで問題が出ることがあります。","render_override":null},{"id":"blk_9310d483-f20a-482b-9de5-7d970a4c8040","kind":"paragraph","order":411,"section_id":"sec_61a1ed50-d5de-435b-abfb-ada6a39a5be3","character_id":null,"markdown":"この人たちは \n**半導体の実機デバッグ担当** \nみたいなものです。","render_override":null},{"id":"blk_82fb8f21-93f1-476f-8f23-d04605caa529","kind":"thematic_break","order":412,"section_id":"sec_61a1ed50-d5de-435b-abfb-ada6a39a5be3","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5cec1c15-3ebd-4a5e-8f38-3618ff99b0be","kind":"heading","order":413,"section_id":"sec_bdaa5eef-5014-40fe-8a01-e14a0d75cb61","character_id":null,"markdown":"## 一枚で対応させると","render_override":null},{"id":"blk_2cdc6228-87ec-4cbd-85f2-0580128ec3c0","kind":"figure","order":414,"section_id":"sec_bdaa5eef-5014-40fe-8a01-e14a0d75cb61","character_id":null,"markdown":"![](/media/f496799c6d4680d5475679ec410c62a48acdeee287df5307149a1e57bb95005c-content.webp)","render_override":null},{"id":"blk_2082c6e6-9858-4949-9388-c61b775d01a2","kind":"thematic_break","order":415,"section_id":"sec_bdaa5eef-5014-40fe-8a01-e14a0d75cb61","character_id":null,"markdown":"---","render_override":null},{"id":"blk_828e72f5-0c1f-4dd3-a6a5-250f6f72db3a","kind":"heading","order":416,"section_id":"sec_78d0dc4d-d476-42c0-b32e-1e9e9426b259","character_id":null,"markdown":"## EDAを使う人は「1種類の職業」ではない","render_override":null},{"id":"blk_f3916162-8d07-4a57-a7e2-3cdeb1930add","kind":"paragraph","order":417,"section_id":"sec_78d0dc4d-d476-42c0-b32e-1e9e9426b259","character_id":null,"markdown":"ここが一番大事です。","render_override":null},{"id":"blk_dc7dd591-3ca0-4dba-a436-eefdd9288a82","kind":"paragraph","order":418,"section_id":"sec_78d0dc4d-d476-42c0-b32e-1e9e9426b259","character_id":null,"markdown":"初心者だと \n「EDAを使う人 = 半導体設計者」 \nとひとまとめに見えますが、実際にはかなり違います。","render_override":null},{"id":"blk_0be701e3-92ef-4131-8b7b-a5b4c8f62a3b","kind":"paragraph","order":419,"section_id":"sec_78d0dc4d-d476-42c0-b32e-1e9e9426b259","character_id":null,"markdown":"同じEDAでも、","render_override":null},{"id":"blk_87f730fa-59aa-437f-b481-b81395940de5","kind":"list","order":420,"section_id":"sec_78d0dc4d-d476-42c0-b32e-1e9e9426b259","character_id":null,"markdown":"- RTLを書く人が使うツール\n- 検証する人が使うツール\n- 配置配線する人が使うツール\n- タイミングを見る人が使うツール\n- DFTを入れる人が使うツール","render_override":null},{"id":"blk_341f7ca7-7a24-4652-9406-2fdcdab44b55","kind":"paragraph","order":421,"section_id":"sec_78d0dc4d-d476-42c0-b32e-1e9e9426b259","character_id":null,"markdown":"はかなり違います。","render_override":null},{"id":"blk_2a4f729b-7f29-4de3-9f02-22e0fe0cfdaf","kind":"paragraph","order":422,"section_id":"sec_78d0dc4d-d476-42c0-b32e-1e9e9426b259","character_id":null,"markdown":"つまり EDA は、 \n**Photoshop 1本で全部やる** みたいな世界ではなく、 \n**ゲーム開発会社の全員がそれぞれ違う開発ツールを使っている** \nのに近いです。","render_override":null},{"id":"blk_57149053-99b4-46dd-afa2-078d791e717e","kind":"thematic_break","order":423,"section_id":"sec_78d0dc4d-d476-42c0-b32e-1e9e9426b259","character_id":null,"markdown":"---","render_override":null},{"id":"blk_95838ced-acde-4a6e-a65a-1bcf11bbff39","kind":"heading","order":424,"section_id":"sec_9ac0cfec-3c74-4703-adb2-3b7d4abe282a","character_id":null,"markdown":"## 一番しっくりくるまとめ方","render_override":null},{"id":"blk_17009273-cd42-4d25-b5d7-56d7f6b9ed16","kind":"paragraph","order":425,"section_id":"sec_9ac0cfec-3c74-4703-adb2-3b7d4abe282a","character_id":null,"markdown":"かなり雑に1文で言うと、","render_override":null},{"id":"blk_5f9273b4-9d5a-49e0-8dfe-74e337ce64f4","kind":"list","order":426,"section_id":"sec_9ac0cfec-3c74-4703-adb2-3b7d4abe282a","character_id":null,"markdown":"- **RTL設計者** はゲームプログラマー\n- **物理設計者** は3Dモデラー兼レベル配置担当\n- **合成/タイミング担当** はビルドと最適化担当\n- **検証/DFT担当** はQAとテスト自動化担当\n- **シリコン評価担当** は実機デバッガ","render_override":null},{"id":"blk_7c0df4aa-95e5-4582-aad1-fb87c194d32b","kind":"paragraph","order":427,"section_id":"sec_9ac0cfec-3c74-4703-adb2-3b7d4abe282a","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_f4ff9361-1a03-4879-af62-e5909090961c","kind":"paragraph","order":428,"section_id":"sec_9ac0cfec-3c74-4703-adb2-3b7d4abe282a","character_id":null,"markdown":"そして **EDAは、その全員が使う“半導体版の総合開発環境群”** です。","render_override":null},{"id":"blk_1fed1955-3f20-4404-ae48-a6519efe9cb1","kind":"thematic_break","order":429,"section_id":"sec_9ac0cfec-3c74-4703-adb2-3b7d4abe282a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b98f9b0f-aa72-4fe2-9f8d-c48d595fea11","kind":"heading","order":430,"section_id":"sec_ebecd356-fca2-44c9-b5e5-da808ea5151e","character_id":null,"markdown":"## 半導体設計の職種ごとに、実際どんな画面を見て何をしているのか","render_override":null},{"id":"blk_0a140382-0193-42eb-bd24-1dd9516a68ae","kind":"paragraph","order":431,"section_id":"sec_ebecd356-fca2-44c9-b5e5-da808ea5151e","character_id":null,"markdown":"半導体設計の現場は、外から見ると全員ただPCに向かっているように見えますが、**職種ごとに見ている画面も、考えていることもかなり違います。** \nなのでここでは、**「NVIDIAのような会社で大きなGPUを作っているチーム」** をなんとなく想像しながら、作業風景っぽく説明します。","render_override":null},{"id":"blk_4d989b20-3818-4f7a-80c6-46e570f16d70","kind":"thematic_break","order":432,"section_id":"sec_ebecd356-fca2-44c9-b5e5-da808ea5151e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7987b14f-2384-4e33-bb27-f3d85f7f9df7","kind":"heading","order":433,"section_id":"sec_072a39c2-350a-4d7f-a0a1-891eca27371f","character_id":null,"markdown":"## まず全体の空気感","render_override":null},{"id":"blk_0b9efc0b-3de6-479b-91f3-90163a525164","kind":"paragraph","order":434,"section_id":"sec_072a39c2-350a-4d7f-a0a1-891eca27371f","character_id":null,"markdown":"半導体設計者は、机の上で半田ごてを持っているというより、基本は","render_override":null},{"id":"blk_59143778-ca8f-4bd0-9513-a1284701b407","kind":"list","order":435,"section_id":"sec_072a39c2-350a-4d7f-a0a1-891eca27371f","character_id":null,"markdown":"- 複数モニター\n- Linux端末\n- EDAツールのGUI\n- ログファイル\n- 波形ビューア\n- レポート表\n- レイアウト画面","render_override":null},{"id":"blk_2fad49b7-5957-4a97-9f9c-30555c6093c9","kind":"paragraph","order":436,"section_id":"sec_072a39c2-350a-4d7f-a0a1-891eca27371f","character_id":null,"markdown":"を見ながら仕事しています。","render_override":null},{"id":"blk_cf8f17bd-10a6-4356-b705-df3eb0c9819d","kind":"paragraph","order":437,"section_id":"sec_072a39c2-350a-4d7f-a0a1-891eca27371f","character_id":null,"markdown":"見た目の派手さはあまりなくて、むしろ \n**「数字」「配線」「波形」「エラー一覧」とずっと戦う仕事** \nに近いです。","render_override":null},{"id":"blk_b66f55c2-3ae9-4a83-8352-8bba7fe86ef8","kind":"paragraph","order":438,"section_id":"sec_072a39c2-350a-4d7f-a0a1-891eca27371f","character_id":null,"markdown":"ゲーム開発なら画面にキャラや背景が出ますが、半導体設計では","render_override":null},{"id":"blk_2e4f96b9-b59c-4674-ab0e-31bfb15242da","kind":"list","order":439,"section_id":"sec_072a39c2-350a-4d7f-a0a1-891eca27371f","character_id":null,"markdown":"- 線\n- 四角\n- 波形\n- テキスト\n- タイミング表","render_override":null},{"id":"blk_3f0f1749-49e8-4ac5-9bc6-3350fa75144f","kind":"paragraph","order":440,"section_id":"sec_072a39c2-350a-4d7f-a0a1-891eca27371f","character_id":null,"markdown":"が主役です。","render_override":null},{"id":"blk_653c461c-4bf2-4fb1-a853-171e5856651c","kind":"thematic_break","order":441,"section_id":"sec_072a39c2-350a-4d7f-a0a1-891eca27371f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_dce1af65-4435-4e44-9061-8d07799152b3","kind":"heading","order":442,"section_id":"sec_df185e6c-2647-4254-8481-f8a5a911deda","character_id":null,"markdown":"## \\1. アーキテクトの画面","render_override":null},{"id":"blk_385a5c8e-6746-4af6-bf98-7200f22fc210","kind":"heading","order":443,"section_id":"sec_68cd5b05-816f-4c97-8b82-82c6d4c6bbbb","character_id":null,"markdown":"## 何を見ているか","render_override":null},{"id":"blk_6e6e8312-7f01-4877-ada0-121dc5e7e174","kind":"paragraph","order":444,"section_id":"sec_68cd5b05-816f-4c97-8b82-82c6d4c6bbbb","character_id":null,"markdown":"この人は、いきなり細かい回路画面をずっと見ているわけではありません。 \nどちらかというと、","render_override":null},{"id":"blk_e6017961-2625-42b9-9063-3104815a4006","kind":"list","order":445,"section_id":"sec_68cd5b05-816f-4c97-8b82-82c6d4c6bbbb","character_id":null,"markdown":"- ブロック図\n- 性能予測表\n- 帯域試算\n- 電力予算表\n- 面積見積もり\n- シミュレーション結果\n- プレゼン資料や仕様書","render_override":null},{"id":"blk_1ae109a2-aff1-4c0d-b83c-594d1314bd0a","kind":"paragraph","order":446,"section_id":"sec_68cd5b05-816f-4c97-8b82-82c6d4c6bbbb","character_id":null,"markdown":"を見ています。","render_override":null},{"id":"blk_48cad1da-44d0-43cb-8bb5-d6b0199125f6","kind":"paragraph","order":447,"section_id":"sec_68cd5b05-816f-4c97-8b82-82c6d4c6bbbb","character_id":null,"markdown":"画面のイメージとしては、 \n**PowerPoint、表計算、社内設計図、性能モデル、簡易シミュレーター** \nが多いです。","render_override":null},{"id":"blk_b27cc5a5-96b9-441e-bdf0-f1a2616a20b1","kind":"heading","order":448,"section_id":"sec_ab345c53-36d0-451c-88a5-6c3167ffcd84","character_id":null,"markdown":"## 何をしているか","render_override":null},{"id":"blk_639b6810-6f01-4e31-9c63-59d579cb4792","kind":"paragraph","order":449,"section_id":"sec_ab345c53-36d0-451c-88a5-6c3167ffcd84","character_id":null,"markdown":"たとえば AI GPU の場合なら、","render_override":null},{"id":"blk_702c1365-e913-49af-a61a-44cdbf89518a","kind":"paragraph","order":450,"section_id":"sec_ab345c53-36d0-451c-88a5-6c3167ffcd84","character_id":null,"markdown":"「この世代は演算器をどれくらい増やすか」 \n「HBM帯域はこれで足りるか」 \n「NVLinkを何本にするか」 \n「消費電力上限の中で、どこに予算を振るか」","render_override":null},{"id":"blk_9e7d5aae-9115-4c60-bed2-5843e2fff6cf","kind":"paragraph","order":451,"section_id":"sec_ab345c53-36d0-451c-88a5-6c3167ffcd84","character_id":null,"markdown":"みたいなことを考えています。","render_override":null},{"id":"blk_7da4a395-77ee-4ba8-9cc5-925aaab361a4","kind":"paragraph","order":452,"section_id":"sec_ab345c53-36d0-451c-88a5-6c3167ffcd84","character_id":null,"markdown":"作業風景としては、 \n大きなブロック図を見ながら、","render_override":null},{"id":"blk_f89e5956-c8c6-41be-a760-a5f68d159274","kind":"paragraph","order":453,"section_id":"sec_ab345c53-36d0-451c-88a5-6c3167ffcd84","character_id":null,"markdown":"「このキャッシュ構成だと帯域が足りない」 \n「演算器を増やしてもメモリ側が詰まる」 \n「このままだと電力が枠を超える」","render_override":null},{"id":"blk_998b2c46-9e1f-419f-927f-131758d2c11c","kind":"paragraph","order":454,"section_id":"sec_ab345c53-36d0-451c-88a5-6c3167ffcd84","character_id":null,"markdown":"みたいに議論しています。","render_override":null},{"id":"blk_60ce16be-b78a-431b-b4bb-728c0da233b1","kind":"paragraph","order":455,"section_id":"sec_ab345c53-36d0-451c-88a5-6c3167ffcd84","character_id":null,"markdown":"この人は、絵を描く人というより \n**“製品の頭脳と骨格を決める人”** \nです。","render_override":null},{"id":"blk_dda697e0-5bfd-449f-9a97-d96e8e20a4c6","kind":"thematic_break","order":456,"section_id":"sec_ab345c53-36d0-451c-88a5-6c3167ffcd84","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7bd7663a-0ea2-4242-8f52-0d908c25cdff","kind":"heading","order":457,"section_id":"sec_c88fd743-c293-43e7-a080-9e491ab26326","character_id":null,"markdown":"## \\2. RTL設計者の画面","render_override":null},{"id":"blk_708ca729-a986-469a-a51b-23b389432b20","kind":"heading","order":458,"section_id":"sec_13e19087-aab4-4a37-86b1-d8e4d37b74b8","character_id":null,"markdown":"## 何を見ているか","render_override":null},{"id":"blk_fcaa62e5-cedf-4251-a1ed-e8bf26fdfdd6","kind":"paragraph","order":459,"section_id":"sec_13e19087-aab4-4a37-86b1-d8e4d37b74b8","character_id":null,"markdown":"この人はかなり「コードを書く人」です。 \n見ているのは主に","render_override":null},{"id":"blk_591a7b67-3cbc-428f-abbb-effc57ad4682","kind":"list","order":460,"section_id":"sec_13e19087-aab4-4a37-86b1-d8e4d37b74b8","character_id":null,"markdown":"- Verilog / SystemVerilog のソースコード\n- エディタ\n- コンパイルログ\n- 簡易波形\n- 仕様書PDF\n- Gitの差分","render_override":null},{"id":"blk_0d39abcb-417c-4b47-ad73-36a8f99ba623","kind":"paragraph","order":461,"section_id":"sec_13e19087-aab4-4a37-86b1-d8e4d37b74b8","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_8b9db83f-1d90-4961-adad-be9422940347","kind":"paragraph","order":462,"section_id":"sec_13e19087-aab4-4a37-86b1-d8e4d37b74b8","character_id":null,"markdown":"画面の雰囲気はかなりプログラマーに近いです。 \n左にコード、右に仕様書、下にログ、別モニターに波形、みたいな感じです。","render_override":null},{"id":"blk_b2e6feaf-40cb-4efd-809e-4167f061804d","kind":"paragraph","order":463,"section_id":"sec_13e19087-aab4-4a37-86b1-d8e4d37b74b8","character_id":null,"markdown":"コードには例えばこういう世界があります。","render_override":null},{"id":"blk_14a38264-772a-45d8-9db6-8aa21a4cfffc","kind":"list","order":464,"section_id":"sec_13e19087-aab4-4a37-86b1-d8e4d37b74b8","character_id":null,"markdown":"- 状態遷移\n- パイプライン制御\n- データの受け渡し\n- バッファ制御\n- エラー条件\n- フラグ管理","render_override":null},{"id":"blk_f592e832-f7fa-4785-ba50-60aced0e5ed0","kind":"paragraph","order":465,"section_id":"sec_13e19087-aab4-4a37-86b1-d8e4d37b74b8","character_id":null,"markdown":"ただし普通のソフトコードより、 \n**「何クロック目に何が起きるか」** \nがとても重要です。","render_override":null},{"id":"blk_3af8d66e-d7bf-4979-a1ce-feb7fba0c528","kind":"heading","order":466,"section_id":"sec_3903b86f-950c-4e00-a84b-cee21e79b45e","character_id":null,"markdown":"## 何をしているか","render_override":null},{"id":"blk_9688cd76-4718-4135-aab1-8c22fea62ebd","kind":"paragraph","order":467,"section_id":"sec_3903b86f-950c-4e00-a84b-cee21e79b45e","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_2f5c06eb-8c89-43e5-9e11-9c6cf0357796","kind":"paragraph","order":468,"section_id":"sec_3903b86f-950c-4e00-a84b-cee21e79b45e","character_id":null,"markdown":"「この演算ユニットは入力を受けて3クロック後に結果を返す」 \n「この条件ではパケットを待たせる」 \n「この信号が立ったら次のステージへ進める」","render_override":null},{"id":"blk_31a13f0e-db6f-4a1e-9ee5-d2984ab95531","kind":"paragraph","order":469,"section_id":"sec_3903b86f-950c-4e00-a84b-cee21e79b45e","character_id":null,"markdown":"みたいなことを書いています。","render_override":null},{"id":"blk_e0ae3841-7156-47dd-aa34-e3f4d0b5e47b","kind":"paragraph","order":470,"section_id":"sec_3903b86f-950c-4e00-a84b-cee21e79b45e","character_id":null,"markdown":"作業風景としては、 \nコードを修正して保存し、テストを流し、ログを見て、","render_override":null},{"id":"blk_84cd512e-30d2-4462-b1e9-a6650532267f","kind":"paragraph","order":471,"section_id":"sec_3903b86f-950c-4e00-a84b-cee21e79b45e","character_id":null,"markdown":"「この if の条件で1サイクルずれてる」 \n「valid と ready の握手が壊れてる」 \n「リセット直後に不定状態が出る」","render_override":null},{"id":"blk_0cec1a4e-782c-4173-a39e-c9e546720ac4","kind":"paragraph","order":472,"section_id":"sec_3903b86f-950c-4e00-a84b-cee21e79b45e","character_id":null,"markdown":"みたいに詰めています。","render_override":null},{"id":"blk_aeffe8dd-dc98-4f53-805c-60a04af30502","kind":"paragraph","order":473,"section_id":"sec_3903b86f-950c-4e00-a84b-cee21e79b45e","character_id":null,"markdown":"見た目は地味ですが、中身はかなり濃いです。 \n**“電子回路の動作を言葉で書くプログラマー”** という感じです。","render_override":null},{"id":"blk_51ab78c0-d6e7-4a75-bc57-493523cfd297","kind":"thematic_break","order":474,"section_id":"sec_3903b86f-950c-4e00-a84b-cee21e79b45e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_39198a10-f9cf-457f-a7da-c1864676a3c6","kind":"heading","order":475,"section_id":"sec_40507323-5434-4c1f-8f59-3b4a440608c1","character_id":null,"markdown":"## \\3. 検証エンジニアの画面","render_override":null},{"id":"blk_4a71c351-764a-41ec-bc3c-28a331e3fcdc","kind":"heading","order":476,"section_id":"sec_7600e078-110d-4055-b3f9-f2fa3a6b1cdd","character_id":null,"markdown":"## 何を見ているか","render_override":null},{"id":"blk_2a9e8376-1f02-4287-bd67-da5dbed2e5bb","kind":"paragraph","order":477,"section_id":"sec_7600e078-110d-4055-b3f9-f2fa3a6b1cdd","character_id":null,"markdown":"この人の画面は、初心者が見るとかなり「それっぽい」です。 \nよく出てくるのは","render_override":null},{"id":"blk_7eef3451-9342-4d3a-8d6e-8134b957cc02","kind":"list","order":478,"section_id":"sec_7600e078-110d-4055-b3f9-f2fa3a6b1cdd","character_id":null,"markdown":"- 波形ビューア\n- テストベンチコード\n- シミュレーションログ\n- アサーションエラー\n- カバレッジレポート\n- バグ管理票","render_override":null},{"id":"blk_9bb62ce3-04cd-492e-9d3f-a592020f9f85","kind":"paragraph","order":479,"section_id":"sec_7600e078-110d-4055-b3f9-f2fa3a6b1cdd","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_c308efa3-a8af-42fa-9b51-200066983b42","kind":"paragraph","order":480,"section_id":"sec_7600e078-110d-4055-b3f9-f2fa3a6b1cdd","character_id":null,"markdown":"特に波形ビューアは印象的で、画面いっぱいに \n0 と 1 の信号が時間軸で並んでいます。 \n何十本、何百本もの信号が横に流れていて、拡大縮小しながら原因を追います。","render_override":null},{"id":"blk_567ea229-0aa8-4a8e-8624-effabba309b4","kind":"heading","order":481,"section_id":"sec_e77a71f7-cd31-4a5b-bdb7-4c8a4504e174","character_id":null,"markdown":"## 何をしているか","render_override":null},{"id":"blk_9bd59e82-8154-4655-9907-24632da1f8bc","kind":"paragraph","order":482,"section_id":"sec_e77a71f7-cd31-4a5b-bdb7-4c8a4504e174","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_0157f706-cfce-4ece-8a63-9d48b484cab3","kind":"paragraph","order":483,"section_id":"sec_e77a71f7-cd31-4a5b-bdb7-4c8a4504e174","character_id":null,"markdown":"「この要求信号が来たあと、3クロック以内に応答が返るはず」 \n「この2つの信号は同時に立ってはいけない」 \n「このエラー処理のときにFIFOが空になるのはおかしい」","render_override":null},{"id":"blk_1601b799-1bb6-4d61-bba8-6ba143f65ade","kind":"paragraph","order":484,"section_id":"sec_e77a71f7-cd31-4a5b-bdb7-4c8a4504e174","character_id":null,"markdown":"みたいなことを見ています。","render_override":null},{"id":"blk_8096789a-2af6-4224-9eda-6cf422020086","kind":"paragraph","order":485,"section_id":"sec_e77a71f7-cd31-4a5b-bdb7-4c8a4504e174","character_id":null,"markdown":"作業風景としては、 \n失敗したテストを開いて、波形をスクロールしながら、","render_override":null},{"id":"blk_2c82fdd6-469d-4da4-a332-5a75cf3984dc","kind":"paragraph","order":486,"section_id":"sec_e77a71f7-cd31-4a5b-bdb7-4c8a4504e174","character_id":null,"markdown":"「ここで valid が出てるのに ready が返ってない」 \n「このフラグが1クロック早く落ちてる」 \n「仕様ではこの順番のはずなのに、逆転してる」","render_override":null},{"id":"blk_63589685-b6e4-47fd-9bb5-ad58da56c42e","kind":"paragraph","order":487,"section_id":"sec_e77a71f7-cd31-4a5b-bdb7-4c8a4504e174","character_id":null,"markdown":"と detective みたいに追います。","render_override":null},{"id":"blk_db885326-86c3-4eae-b06b-61feeb48ea16","kind":"paragraph","order":488,"section_id":"sec_e77a71f7-cd31-4a5b-bdb7-4c8a4504e174","character_id":null,"markdown":"この仕事は本当に \n**“電子回路の事件現場を波形で捜査する人”** \nです。","render_override":null},{"id":"blk_da1407d5-a008-4abe-ab37-76146cc5f2d4","kind":"thematic_break","order":489,"section_id":"sec_e77a71f7-cd31-4a5b-bdb7-4c8a4504e174","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5c330575-4b08-4acb-8714-fc566b38dd30","kind":"heading","order":490,"section_id":"sec_886cb2a7-34a1-4737-9300-2ceb41b4e142","character_id":null,"markdown":"## \\4. 論理合成・実装前担当の画面","render_override":null},{"id":"blk_8e3b6550-6c03-4e3c-9e56-6a09786d422e","kind":"heading","order":491,"section_id":"sec_612cb48a-e73f-432d-bbf9-db14dc07bc1d","character_id":null,"markdown":"## 何を見ているか","render_override":null},{"id":"blk_762c19fd-c40c-4e03-834b-3c9b0e0ebf7a","kind":"paragraph","order":492,"section_id":"sec_612cb48a-e73f-432d-bbf9-db14dc07bc1d","character_id":null,"markdown":"この人は、RTLを「実際の回路」に変えていく人です。 \n画面には","render_override":null},{"id":"blk_90c560d8-34c0-488a-bef6-626d35f04d10","kind":"list","order":493,"section_id":"sec_612cb48a-e73f-432d-bbf9-db14dc07bc1d","character_id":null,"markdown":"- 合成スクリプト\n- ターミナル\n- 合成レポート\n- 面積レポート\n- 消費電力レポート\n- タイミングレポート","render_override":null},{"id":"blk_dbdd677b-5017-4ca1-9777-3ed0da02d802","kind":"paragraph","order":494,"section_id":"sec_612cb48a-e73f-432d-bbf9-db14dc07bc1d","character_id":null,"markdown":"が並びます。","render_override":null},{"id":"blk_41b1b41b-f1fa-4693-a7de-04a89c3ddf95","kind":"paragraph","order":495,"section_id":"sec_612cb48a-e73f-432d-bbf9-db14dc07bc1d","character_id":null,"markdown":"見た目はかなりテキスト寄りです。 \nログの量が多く、初心者には呪文に見える感じです。","render_override":null},{"id":"blk_5c61345b-6403-4f04-83c7-34763ee32680","kind":"paragraph","order":496,"section_id":"sec_612cb48a-e73f-432d-bbf9-db14dc07bc1d","character_id":null,"markdown":"例えばレポートには、","render_override":null},{"id":"blk_0aef5c79-86de-4c23-b060-45b28268c496","kind":"list","order":497,"section_id":"sec_612cb48a-e73f-432d-bbf9-db14dc07bc1d","character_id":null,"markdown":"- Area\n- Worst Negative Slack\n- Total Negative Slack\n- Clock frequency\n- Cell count","render_override":null},{"id":"blk_e9f2e746-a930-4c00-a586-c05a0f34a2ca","kind":"paragraph","order":498,"section_id":"sec_612cb48a-e73f-432d-bbf9-db14dc07bc1d","character_id":null,"markdown":"などが並びます。","render_override":null},{"id":"blk_cc2a2094-e84a-42e1-bee7-901408a1d4be","kind":"heading","order":499,"section_id":"sec_a12b8411-3d41-4a75-8117-930ad7240c40","character_id":null,"markdown":"## 何をしているか","render_override":null},{"id":"blk_00ec0bf3-b920-4b94-9394-f89eb6e58f57","kind":"paragraph","order":500,"section_id":"sec_a12b8411-3d41-4a75-8117-930ad7240c40","character_id":null,"markdown":"この人は、","render_override":null},{"id":"blk_acb687fb-c41c-43a5-ab13-22939f4e0fe9","kind":"paragraph","order":501,"section_id":"sec_a12b8411-3d41-4a75-8117-930ad7240c40","character_id":null,"markdown":"「このRTLをこのライブラリで合成したら面積はいくつか」 \n「目標クロックに届くか」 \n「無駄に大きい回路になっていないか」","render_override":null},{"id":"blk_e5c81c52-f722-4757-befe-d366673879be","kind":"paragraph","order":502,"section_id":"sec_a12b8411-3d41-4a75-8117-930ad7240c40","character_id":null,"markdown":"を見ています。","render_override":null},{"id":"blk_a9936ca5-c259-4940-996b-c1e7bc13fc83","kind":"paragraph","order":503,"section_id":"sec_a12b8411-3d41-4a75-8117-930ad7240c40","character_id":null,"markdown":"作業風景としては、 \nスクリプトを回して結果を見て、","render_override":null},{"id":"blk_fbed9df3-f91a-4aed-9e40-ccfd1878824e","kind":"paragraph","order":504,"section_id":"sec_a12b8411-3d41-4a75-8117-930ad7240c40","character_id":null,"markdown":"「速いけど面積が増えすぎた」 \n「電力は減ったがタイミングが悪化した」 \n「このモジュールだけ異常に重い」","render_override":null},{"id":"blk_18064a46-4a6c-4864-b7ba-fde772ff98b2","kind":"paragraph","order":505,"section_id":"sec_a12b8411-3d41-4a75-8117-930ad7240c40","character_id":null,"markdown":"と調整しています。","render_override":null},{"id":"blk_9430c819-c6fb-4deb-9e01-6140ed89b6eb","kind":"paragraph","order":506,"section_id":"sec_a12b8411-3d41-4a75-8117-930ad7240c40","character_id":null,"markdown":"ゲーム開発でいうと、 \nビルドしてパフォーマンスを見て、コンパイラ最適化を調整する感じに近いです。","render_override":null},{"id":"blk_9c710032-cda7-43d5-926a-400952c4ee0c","kind":"thematic_break","order":507,"section_id":"sec_a12b8411-3d41-4a75-8117-930ad7240c40","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c78d5596-d751-4722-b76d-d62b1424a577","kind":"heading","order":508,"section_id":"sec_3d1f1ea3-1cd0-47c6-9691-8179f99583ac","character_id":null,"markdown":"## \\5. 物理設計者（配置配線）の画面","render_override":null},{"id":"blk_e5f35d7c-f608-4eb5-bee6-3f9541b84f94","kind":"heading","order":509,"section_id":"sec_3527ee77-a036-42f5-a0f0-2f953e5819e9","character_id":null,"markdown":"## 何を見ているか","render_override":null},{"id":"blk_c6b478d1-db2a-4669-a88f-c1dd8eea69f1","kind":"paragraph","order":510,"section_id":"sec_3527ee77-a036-42f5-a0f0-2f953e5819e9","character_id":null,"markdown":"この人の画面は、見た目としてはかなり特徴的です。 \nGUI上に、チップの平面図みたいなものが出ます。","render_override":null},{"id":"blk_c4afabd9-d954-4ad9-ad62-13122fd16ae7","kind":"list","order":511,"section_id":"sec_3527ee77-a036-42f5-a0f0-2f953e5819e9","character_id":null,"markdown":"- 四角いブロック\n- びっしり詰まったセル\n- 色分けされた配線層\n- 電源網\n- 密度ヒートマップ\n- congestion map\n- timing hot spot","render_override":null},{"id":"blk_7ee09f06-cbf3-42c6-8591-d0bdd84396e8","kind":"paragraph","order":512,"section_id":"sec_3527ee77-a036-42f5-a0f0-2f953e5819e9","character_id":null,"markdown":"みたいな表示です。","render_override":null},{"id":"blk_7bc54027-c628-4856-9278-818546e4b0d9","kind":"paragraph","order":513,"section_id":"sec_3527ee77-a036-42f5-a0f0-2f953e5819e9","character_id":null,"markdown":"初心者が見ると、 \n**「都市地図」** \nとか \n**「基板アート」** \nみたいに見えることがあります。","render_override":null},{"id":"blk_47359398-b921-46e9-a3ad-f2061bdeee92","kind":"paragraph","order":514,"section_id":"sec_3527ee77-a036-42f5-a0f0-2f953e5819e9","character_id":null,"markdown":"拡大すると、ものすごく細かいセルが並んでいて、さらに拡大すると配線が何層にも走っています。","render_override":null},{"id":"blk_eb4928af-2c80-4459-90bc-0bc2be3d8394","kind":"heading","order":515,"section_id":"sec_28d0ed7a-0bad-4968-8a20-a8883edb7a70","character_id":null,"markdown":"## 何をしているか","render_override":null},{"id":"blk_9b127d60-4d69-4936-90e0-1662859185c8","kind":"paragraph","order":516,"section_id":"sec_28d0ed7a-0bad-4968-8a20-a8883edb7a70","character_id":null,"markdown":"この人は、","render_override":null},{"id":"blk_68f03e77-e59e-408c-8adc-d9375112c476","kind":"paragraph","order":517,"section_id":"sec_28d0ed7a-0bad-4968-8a20-a8883edb7a70","character_id":null,"markdown":"「このブロックをどこに置くか」 \n「配線が詰まりすぎていないか」 \n「クロックを均等に配れるか」 \n「熱や電力の偏りはないか」","render_override":null},{"id":"blk_6e1502cd-499c-4402-82f6-acaef5a657fc","kind":"paragraph","order":518,"section_id":"sec_28d0ed7a-0bad-4968-8a20-a8883edb7a70","character_id":null,"markdown":"を見ています。","render_override":null},{"id":"blk_3bcb5c25-f16d-40e6-9dad-d5dfac1c0594","kind":"paragraph","order":519,"section_id":"sec_28d0ed7a-0bad-4968-8a20-a8883edb7a70","character_id":null,"markdown":"作業風景としては、 \nチップ全体図を見ながら、","render_override":null},{"id":"blk_6d08c7e1-c821-4462-8817-f6bd5e328026","kind":"paragraph","order":520,"section_id":"sec_28d0ed7a-0bad-4968-8a20-a8883edb7a70","character_id":null,"markdown":"「ここは混みすぎて配線が通らない」 \n「このメモリの位置が遠くて遅延がきつい」 \n「このあたりに電源が集中してIR dropが危ない」","render_override":null},{"id":"blk_7b1f8f45-1d92-4b3c-ae34-e26e0c516a8e","kind":"paragraph","order":521,"section_id":"sec_28d0ed7a-0bad-4968-8a20-a8883edb7a70","character_id":null,"markdown":"と詰めています。","render_override":null},{"id":"blk_54528415-5548-460c-9bc5-8e14f0bb8b3e","kind":"paragraph","order":522,"section_id":"sec_28d0ed7a-0bad-4968-8a20-a8883edb7a70","character_id":null,"markdown":"この人の仕事は、 \n**“論理的に正しい回路を、現実のシリコンの地面にちゃんと住まわせる仕事”** \nです。","render_override":null},{"id":"blk_c9e1bbd8-1ff6-463b-ba3f-6cf368e8a1ed","kind":"thematic_break","order":523,"section_id":"sec_28d0ed7a-0bad-4968-8a20-a8883edb7a70","character_id":null,"markdown":"---","render_override":null},{"id":"blk_af7cc0f3-b439-4599-9227-5e8770df9256","kind":"heading","order":524,"section_id":"sec_c7c3e705-75be-4256-a89d-3d7eb31844f2","character_id":null,"markdown":"## \\6. タイミング解析担当の画面","render_override":null},{"id":"blk_24c102ad-a7cc-4820-aac2-b536bc8ab58e","kind":"heading","order":525,"section_id":"sec_0029dc2d-948c-444a-8c31-2a1ce996949a","character_id":null,"markdown":"## 何を見ているか","render_override":null},{"id":"blk_d9621906-0742-4a9d-badb-4e2e0ce8a974","kind":"paragraph","order":526,"section_id":"sec_0029dc2d-948c-444a-8c31-2a1ce996949a","character_id":null,"markdown":"この人の画面は、かなり数字とパスの世界です。 \nよく見るのは","render_override":null},{"id":"blk_85caefb5-ae2a-413b-9072-aacd36a10e5f","kind":"list","order":527,"section_id":"sec_0029dc2d-948c-444a-8c31-2a1ce996949a","character_id":null,"markdown":"- Slackレポート\n- クリティカルパス一覧\n- クロックツリー情報\n- 遅延内訳\n- setup / hold violation 一覧","render_override":null},{"id":"blk_091a6667-ad2e-4dd9-9b4d-5efca344c4f6","kind":"paragraph","order":528,"section_id":"sec_0029dc2d-948c-444a-8c31-2a1ce996949a","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_a49e0ac0-bacd-44c1-b91f-02ccccac0581","kind":"paragraph","order":529,"section_id":"sec_0029dc2d-948c-444a-8c31-2a1ce996949a","character_id":null,"markdown":"GUIでパスをハイライトすることもありますが、 \n基本はレポートと数字とパス名を延々追う時間も多いです。","render_override":null},{"id":"blk_e8f22714-6f74-45db-b576-1805c2713c6c","kind":"heading","order":530,"section_id":"sec_9f74cb4e-cbae-49cd-a73b-e463ca577d20","character_id":null,"markdown":"## 何をしているか","render_override":null},{"id":"blk_a8ab0fc7-8cb5-46af-ac7b-caae3ed4d16c","kind":"paragraph","order":531,"section_id":"sec_9f74cb4e-cbae-49cd-a73b-e463ca577d20","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_6615f6c9-9cd8-43c8-9b3a-5e1325a2b1c2","kind":"paragraph","order":532,"section_id":"sec_9f74cb4e-cbae-49cd-a73b-e463ca577d20","character_id":null,"markdown":"「この信号は次のクロックまでに到達しない」 \n「この経路が長すぎて目標周波数に届かない」 \n「ここだけ hold 違反が出ている」","render_override":null},{"id":"blk_d41ce62d-7852-4a6d-b0b4-607e0893ebf3","kind":"paragraph","order":533,"section_id":"sec_9f74cb4e-cbae-49cd-a73b-e463ca577d20","character_id":null,"markdown":"みたいなことを見ています。","render_override":null},{"id":"blk_1fb19771-d5d2-4842-a687-2381276b7936","kind":"paragraph","order":534,"section_id":"sec_9f74cb4e-cbae-49cd-a73b-e463ca577d20","character_id":null,"markdown":"作業風景としては、","render_override":null},{"id":"blk_71ceee49-b1a3-469e-89c5-cc64b161aada","kind":"paragraph","order":535,"section_id":"sec_9f74cb4e-cbae-49cd-a73b-e463ca577d20","character_id":null,"markdown":"「このレジスタからこのレジスタへの経路が長すぎる」 \n「バッファ挿入で直せるか」 \n「配置を寄せるべきか」 \n「論理を分割するべきか」","render_override":null},{"id":"blk_b8fb3739-6940-4afd-80af-be4f9d27f9ba","kind":"paragraph","order":536,"section_id":"sec_9f74cb4e-cbae-49cd-a73b-e463ca577d20","character_id":null,"markdown":"と考えています。","render_override":null},{"id":"blk_68d498f3-3761-4708-b9af-d354e3d93bf6","kind":"paragraph","order":537,"section_id":"sec_9f74cb4e-cbae-49cd-a73b-e463ca577d20","character_id":null,"markdown":"ゲームで言えばフレーム落ちの原因を細かく見る人に近いですが、 \n半導体ではそれが**ピコ秒、ナノ秒単位**です。","render_override":null},{"id":"blk_56864f6e-cc2b-40d7-8a89-7e7698ce67ca","kind":"thematic_break","order":538,"section_id":"sec_9f74cb4e-cbae-49cd-a73b-e463ca577d20","character_id":null,"markdown":"---","render_override":null},{"id":"blk_82ff088b-134b-4ab5-bd56-a4e07f8ac06b","kind":"heading","order":539,"section_id":"sec_b33d6db7-2a01-4607-8310-2a4ca4f6fc58","character_id":null,"markdown":"## \\7. 電力・熱・電源完全性担当の画面","render_override":null},{"id":"blk_d05f1145-e6c7-4694-a87a-a0bb507f7522","kind":"heading","order":540,"section_id":"sec_f992180f-8125-4631-980b-ee92016fc0f2","character_id":null,"markdown":"## 何を見ているか","render_override":null},{"id":"blk_2a3b55ad-cc03-4897-a97c-d835f4af9774","kind":"paragraph","order":541,"section_id":"sec_f992180f-8125-4631-980b-ee92016fc0f2","character_id":null,"markdown":"この人の画面には、ヒートマップや解析結果が多いです。","render_override":null},{"id":"blk_88e5d46d-2a2b-42dc-a627-c7756a5b4b48","kind":"list","order":542,"section_id":"sec_f992180f-8125-4631-980b-ee92016fc0f2","character_id":null,"markdown":"- 消費電力分布\n- IR drop マップ\n- EM解析結果\n- 温度分布\n- hotspot表示\n- パッケージ込みの解析結果","render_override":null},{"id":"blk_f894222a-f51f-44cf-8e95-2c717348cd21","kind":"paragraph","order":543,"section_id":"sec_f992180f-8125-4631-980b-ee92016fc0f2","character_id":null,"markdown":"色で赤いところが危ない、青いところは余裕がある、みたいな表示になることがあります。","render_override":null},{"id":"blk_6d899898-b774-45fc-8d07-050e81dac80a","kind":"paragraph","order":544,"section_id":"sec_f992180f-8125-4631-980b-ee92016fc0f2","character_id":null,"markdown":"かなり「工学解析」っぽい画面です。","render_override":null},{"id":"blk_663e7d49-a321-4c4b-8604-ce552daea3e3","kind":"heading","order":545,"section_id":"sec_93d720b6-77fa-4a79-ab44-d3b9c1d20bdf","character_id":null,"markdown":"## 何をしているか","render_override":null},{"id":"blk_0b84883c-4736-485e-8ec1-3300d9b50544","kind":"paragraph","order":546,"section_id":"sec_93d720b6-77fa-4a79-ab44-d3b9c1d20bdf","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_e8549b69-ae79-42e3-98e7-8bc4d1850dbe","kind":"paragraph","order":547,"section_id":"sec_93d720b6-77fa-4a79-ab44-d3b9c1d20bdf","character_id":null,"markdown":"「この領域は電流が集中しすぎている」 \n「ここは温度が上がりすぎる」 \n「この電源配線では電圧が落ちすぎる」 \n「長時間動作で信頼性が危ない」","render_override":null},{"id":"blk_873f57c0-34ac-448c-a2da-8d8641cb3ca2","kind":"paragraph","order":548,"section_id":"sec_93d720b6-77fa-4a79-ab44-d3b9c1d20bdf","character_id":null,"markdown":"みたいなことを見ています。","render_override":null},{"id":"blk_137346e6-5187-44b9-9e55-c828a1c8982a","kind":"paragraph","order":549,"section_id":"sec_93d720b6-77fa-4a79-ab44-d3b9c1d20bdf","character_id":null,"markdown":"作業風景としては、 \n解析結果のヒートマップを見ながら、","render_override":null},{"id":"blk_3d2ff98d-9a60-4609-b072-1fb22be7abd6","kind":"paragraph","order":550,"section_id":"sec_93d720b6-77fa-4a79-ab44-d3b9c1d20bdf","character_id":null,"markdown":"「この演算ブロックが集中しすぎ」 \n「電源メッシュを太くする必要がある」 \n「配置を散らさないと熱が逃げない」","render_override":null},{"id":"blk_4f2e904c-d1c4-40ab-ae5c-97eeee2bc886","kind":"paragraph","order":551,"section_id":"sec_93d720b6-77fa-4a79-ab44-d3b9c1d20bdf","character_id":null,"markdown":"と考えています。","render_override":null},{"id":"blk_6e7d42ed-4ec1-4030-bd21-eb4c747ffbd5","kind":"paragraph","order":552,"section_id":"sec_93d720b6-77fa-4a79-ab44-d3b9c1d20bdf","character_id":null,"markdown":"この人たちは、 \n**“動くか”ではなく“壊れず安全に動き続けるか”を見る人** \nです。","render_override":null},{"id":"blk_70595a4d-1e69-4b3a-b044-892a05d52313","kind":"thematic_break","order":553,"section_id":"sec_93d720b6-77fa-4a79-ab44-d3b9c1d20bdf","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2f726142-6004-4b16-8397-3565b88d35b4","kind":"heading","order":554,"section_id":"sec_0416e3d6-7cd3-4467-b49e-a7294d130a6d","character_id":null,"markdown":"## \\8. DFTエンジニアの画面","render_override":null},{"id":"blk_4ce1179d-ad98-425c-bf19-06afbd768e36","kind":"heading","order":555,"section_id":"sec_b7ef0d8c-ec66-4a65-99cd-b2e5736c56a6","character_id":null,"markdown":"## 何を見ているか","render_override":null},{"id":"blk_c1adc27b-b1d7-4a0b-b322-a8c456c5f362","kind":"paragraph","order":556,"section_id":"sec_b7ef0d8c-ec66-4a65-99cd-b2e5736c56a6","character_id":null,"markdown":"この人は、量産テストの準備をする人です。 \n画面には","render_override":null},{"id":"blk_6df99775-0d06-46d7-96f2-1207969dd891","kind":"list","order":557,"section_id":"sec_b7ef0d8c-ec66-4a65-99cd-b2e5736c56a6","character_id":null,"markdown":"- スキャンチェーン構成\n- テストポイント挿入結果\n- ATPGレポート\n- fault coverage\n- DRC for test\n- テストパターン生成ログ","render_override":null},{"id":"blk_9ae2ba3f-86c8-4f21-8933-83f6c5a4a884","kind":"paragraph","order":558,"section_id":"sec_b7ef0d8c-ec66-4a65-99cd-b2e5736c56a6","character_id":null,"markdown":"などが出ます。","render_override":null},{"id":"blk_6b2c0989-ecb1-4c94-8f69-050f6467672a","kind":"paragraph","order":559,"section_id":"sec_b7ef0d8c-ec66-4a65-99cd-b2e5736c56a6","character_id":null,"markdown":"やや特殊で、普通の機能設計とは違う世界です。","render_override":null},{"id":"blk_c47771a1-3648-4c2c-8381-9728407ec4ac","kind":"heading","order":560,"section_id":"sec_e7e2b2b0-b3fc-4696-b1fc-92067a9d6c8a","character_id":null,"markdown":"## 何をしているか","render_override":null},{"id":"blk_d1ca8d97-d0a2-4df2-869d-1d7c81b69bc9","kind":"paragraph","order":561,"section_id":"sec_e7e2b2b0-b3fc-4696-b1fc-92067a9d6c8a","character_id":null,"markdown":"この人は、","render_override":null},{"id":"blk_ec6f5aa0-38a9-4957-9d17-e6f4c350979d","kind":"paragraph","order":562,"section_id":"sec_e7e2b2b0-b3fc-4696-b1fc-92067a9d6c8a","character_id":null,"markdown":"「あとで工場やテスタで不良を見つけやすいようにする」 \n「スキャンチェーンが正しくつながっているか」 \n「故障検出率が足りているか」","render_override":null},{"id":"blk_7e1ba0cd-fbd5-4264-8cb8-657ed78403fb","kind":"paragraph","order":563,"section_id":"sec_e7e2b2b0-b3fc-4696-b1fc-92067a9d6c8a","character_id":null,"markdown":"を見ています。","render_override":null},{"id":"blk_3170ab7f-bc4c-428e-a866-ac10738bb96f","kind":"paragraph","order":564,"section_id":"sec_e7e2b2b0-b3fc-4696-b1fc-92067a9d6c8a","character_id":null,"markdown":"作業風景としては、","render_override":null},{"id":"blk_63806be1-0070-46b5-ab28-c79e2f2f90ba","kind":"paragraph","order":565,"section_id":"sec_e7e2b2b0-b3fc-4696-b1fc-92067a9d6c8a","character_id":null,"markdown":"「このブロックは観測しにくい」 \n「ここにテストポイントを足すべき」 \n「この故障モデルのカバレッジが足りない」","render_override":null},{"id":"blk_1c128c2e-2527-46b9-af30-eea0c7aabaf5","kind":"paragraph","order":566,"section_id":"sec_e7e2b2b0-b3fc-4696-b1fc-92067a9d6c8a","character_id":null,"markdown":"と考えています。","render_override":null},{"id":"blk_00c7806b-42c0-4144-800d-a259f2719141","kind":"paragraph","order":567,"section_id":"sec_e7e2b2b0-b3fc-4696-b1fc-92067a9d6c8a","character_id":null,"markdown":"表向きの機能を作る人ではなく、 \n**“量産で困らないよう裏口と診断機能を入れる人”** \nに近いです。","render_override":null},{"id":"blk_d68e25d5-8a3a-4145-8c71-4a58ebaa5693","kind":"thematic_break","order":568,"section_id":"sec_e7e2b2b0-b3fc-4696-b1fc-92067a9d6c8a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ac421e03-ba03-449e-b70d-c441835fc352","kind":"heading","order":569,"section_id":"sec_01de9259-e2cc-4a35-9fd9-d741a16fd3ab","character_id":null,"markdown":"## \\9. シリコン評価・テスト担当の画面","render_override":null},{"id":"blk_d00ebac9-4b59-41f2-997f-9466a5850346","kind":"heading","order":570,"section_id":"sec_dedf3d06-9145-497e-ac9a-6dc095e4f600","character_id":null,"markdown":"## 何を見ているか","render_override":null},{"id":"blk_cc16427c-9a9b-4398-a580-0d281368ba17","kind":"paragraph","order":571,"section_id":"sec_dedf3d06-9145-497e-ac9a-6dc095e4f600","character_id":null,"markdown":"この人は、実物ができてから活躍します。 \n画面には","render_override":null},{"id":"blk_16a39a35-eb56-4b42-b6a1-bf9dbab753e1","kind":"list","order":572,"section_id":"sec_dedf3d06-9145-497e-ac9a-6dc095e4f600","character_id":null,"markdown":"- 測定器の結果\n- テスタ出力\n- 電圧・電流ログ\n- 周波数特性\n- 歩留まりデータ\n- 良品/不良品の分布\n- 実チップの動作ログ","render_override":null},{"id":"blk_c6ba38be-0165-43f8-9bf4-73843e17b090","kind":"paragraph","order":573,"section_id":"sec_dedf3d06-9145-497e-ac9a-6dc095e4f600","character_id":null,"markdown":"が並びます。","render_override":null},{"id":"blk_e244e83c-01d8-4d15-a0ae-32f215325b32","kind":"paragraph","order":574,"section_id":"sec_dedf3d06-9145-497e-ac9a-6dc095e4f600","character_id":null,"markdown":"設計画面というより、評価・測定・統計の画面です。","render_override":null},{"id":"blk_13cb43be-2bdf-445c-95fb-2d0776e47d72","kind":"heading","order":575,"section_id":"sec_cc2b06b2-8fb9-4393-839c-5a06a0c6c9ec","character_id":null,"markdown":"## 何をしているか","render_override":null},{"id":"blk_4d975c90-a8e0-4860-9399-2aa6879e22cc","kind":"paragraph","order":576,"section_id":"sec_cc2b06b2-8fb9-4393-839c-5a06a0c6c9ec","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_36ac8668-7be1-46d6-9945-6af5cdc66ddd","kind":"paragraph","order":577,"section_id":"sec_cc2b06b2-8fb9-4393-839c-5a06a0c6c9ec","character_id":null,"markdown":"「このロットだけ異常に歩留まりが悪い」 \n「この条件だと周波数が伸びない」 \n「高温時だけ不安定になる」 \n「このパターンでだけエラーが出る」","render_override":null},{"id":"blk_3074a0a3-7779-4476-9dad-362244b47538","kind":"paragraph","order":578,"section_id":"sec_cc2b06b2-8fb9-4393-839c-5a06a0c6c9ec","character_id":null,"markdown":"みたいなことを見ます。","render_override":null},{"id":"blk_ec32297f-9983-4c82-bc43-27f83365c308","kind":"paragraph","order":579,"section_id":"sec_cc2b06b2-8fb9-4393-839c-5a06a0c6c9ec","character_id":null,"markdown":"作業風景としては、 \n実チップを評価ボードに載せ、測定結果を取り込みながら、","render_override":null},{"id":"blk_332329c7-d7e6-48e1-a295-d0710f5cc7bd","kind":"paragraph","order":580,"section_id":"sec_cc2b06b2-8fb9-4393-839c-5a06a0c6c9ec","character_id":null,"markdown":"「設計の問題か、製造ばらつきか、パッケージ要因か」 \n「不良がこのブロック周辺に偏っていないか」 \n「DFTやATPGの想定どおりに観測できているか」","render_override":null},{"id":"blk_30d119e2-a982-4cd9-bd15-ff918e7d4997","kind":"paragraph","order":581,"section_id":"sec_cc2b06b2-8fb9-4393-839c-5a06a0c6c9ec","character_id":null,"markdown":"を追っています。","render_override":null},{"id":"blk_d043bb98-afed-4900-a846-c84b81b76171","kind":"paragraph","order":582,"section_id":"sec_cc2b06b2-8fb9-4393-839c-5a06a0c6c9ec","character_id":null,"markdown":"ここで初めて、Advantestのようなテスタの世界と深くつながります。","render_override":null},{"id":"blk_5e3db594-f3af-4aa7-882d-3fe966ec9387","kind":"thematic_break","order":583,"section_id":"sec_cc2b06b2-8fb9-4393-839c-5a06a0c6c9ec","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f9658e6f-496d-4889-844c-51ba327dc811","kind":"heading","order":584,"section_id":"sec_374e1490-6131-4b4f-ab04-7f1011adfaa0","character_id":null,"markdown":"## \\10. 全員の作業風景を並べるとこうなる","render_override":null},{"id":"blk_522e823e-f1ca-4178-b52c-ed7dc9a55317","kind":"paragraph","order":585,"section_id":"sec_374e1490-6131-4b4f-ab04-7f1011adfaa0","character_id":null,"markdown":"かなりざっくり言うと、","render_override":null},{"id":"blk_33d57c8e-7603-413c-8c2f-a77c667f1b97","kind":"list","order":586,"section_id":"sec_374e1490-6131-4b4f-ab04-7f1011adfaa0","character_id":null,"markdown":"- **アーキテクト** は、表や図を見ながら「何を作るか」を決める\n- **RTL設計者** は、コードを書きながら「どう動くか」を作る\n- **検証担当** は、波形を見ながら「本当に正しいか」を暴く\n- **合成担当** は、レポートを見ながら「回路として成立するか」を詰める\n- **物理設計担当** は、レイアウト画面を見ながら「シリコン上に住ませる」\n- **タイミング担当** は、遅延表を見ながら「間に合うか」を削る\n- **電力・熱担当** は、ヒートマップを見ながら「無事に動き続けるか」を守る\n- **DFT担当** は、テスト構成を見ながら「あとで検査できるようにする」\n- **評価担当** は、実測データを見ながら「実物で本当に成立したか」を確かめる","render_override":null},{"id":"blk_73cf93c9-7696-4440-a965-3bedf172d837","kind":"paragraph","order":587,"section_id":"sec_374e1490-6131-4b4f-ab04-7f1011adfaa0","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_96ffb980-d5c0-4b31-8259-0b1213d12239","kind":"thematic_break","order":588,"section_id":"sec_374e1490-6131-4b4f-ab04-7f1011adfaa0","character_id":null,"markdown":"---","render_override":null},{"id":"blk_26c47170-863f-40fa-9925-6e83a4cd6e80","kind":"heading","order":589,"section_id":"sec_91bba618-ba35-4d64-b777-3de22114d23f","character_id":null,"markdown":"## 初心者向けに一番わかりやすいまとめ","render_override":null},{"id":"blk_c0f54201-568f-4020-a615-2ac81705e62e","kind":"paragraph","order":590,"section_id":"sec_91bba618-ba35-4d64-b777-3de22114d23f","character_id":null,"markdown":"半導体設計の現場は、派手な3D映像をいじる感じではなく、","render_override":null},{"id":"blk_26a3088a-8b2c-4f51-83f2-18ee831c82e0","kind":"paragraph","order":591,"section_id":"sec_91bba618-ba35-4d64-b777-3de22114d23f","character_id":null,"markdown":"**コードを書く人** \n**波形を見る人** \n**レイアウト地図を見る人** \n**数字の表とエラーを潰す人** \n**最後に実物を測る人**","render_override":null},{"id":"blk_b36472ce-ec35-4e63-8e46-ed8c8c25324c","kind":"paragraph","order":592,"section_id":"sec_91bba618-ba35-4d64-b777-3de22114d23f","character_id":null,"markdown":"の集まりです。","render_override":null},{"id":"blk_1b29924b-828b-4213-9fc8-cf0087ff3cfc","kind":"paragraph","order":593,"section_id":"sec_91bba618-ba35-4d64-b777-3de22114d23f","character_id":null,"markdown":"つまり、みんな同じ「半導体設計者」に見えても、実際には","render_override":null},{"id":"blk_6f64497e-2d57-4fb3-9ce4-923b28a6af9f","kind":"list","order":594,"section_id":"sec_91bba618-ba35-4d64-b777-3de22114d23f","character_id":null,"markdown":"- ソフト開発者っぽい人\n- デバッガっぽい人\n- 都市設計者っぽい人\n- 解析屋っぽい人\n- 品質保証っぽい人","render_override":null},{"id":"blk_61b06d70-6dfd-4f7b-bdb1-00d5ae1c27d2","kind":"paragraph","order":595,"section_id":"sec_91bba618-ba35-4d64-b777-3de22114d23f","character_id":null,"markdown":"が同じチップを別の角度から見ている、という感じです。","render_override":null},{"id":"blk_6daddb10-6d66-4251-ad81-5124e8dce6b1","kind":"thematic_break","order":596,"section_id":"sec_91bba618-ba35-4d64-b777-3de22114d23f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5a5e6cec-3ead-4109-be58-474535e993a5","kind":"heading","order":597,"section_id":"sec_ef25a273-5314-474d-b5e3-1c615d70191f","character_id":null,"markdown":"## GPU1個の中に、こういう人たちがどの順番で関わるのか時系列でつなげてみてみると","render_override":null},{"id":"blk_50300fcf-4d7d-4f9f-be82-e85261406135","kind":"paragraph","order":598,"section_id":"sec_ef25a273-5314-474d-b5e3-1c615d70191f","character_id":null,"markdown":"はい。 \nでは **「GPU1個が企画されてから、実物になって量産されるまで」** を、**どの職種の人が、どの順番で関わるか** で時系列につなげます。","render_override":null},{"id":"blk_0fb0d9f2-85dd-4dd1-b1f6-69b7cf781068","kind":"paragraph","order":599,"section_id":"sec_ef25a273-5314-474d-b5e3-1c615d70191f","character_id":null,"markdown":"大事なのは、これは完全な一直線ではなく、実際は \n**前に進む → 問題が出て戻る → 直してまた進む** \nを何度も繰り返すことです。 \nただ、まずは見通しが立つように、いったん一本の流れとして描きます。","render_override":null},{"id":"blk_cc13ecc7-dd5b-45fa-ba33-01d6e842601c","kind":"thematic_break","order":600,"section_id":"sec_ef25a273-5314-474d-b5e3-1c615d70191f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_bdbc36b8-8dfb-4558-a4d7-7b841e28d5f0","kind":"heading","order":601,"section_id":"sec_352d6892-3c75-4f1d-82c6-35f4d2d0e100","character_id":null,"markdown":"## \\0. まず「次のGPUで何を達成したいか」を決める","render_override":null},{"id":"blk_20761df4-696e-4b87-bd2e-9bad27a63569","kind":"heading","order":602,"section_id":"sec_7aa06e4e-6ecd-441c-b34b-73ebab72e5c5","character_id":null,"markdown":"### 関わる人","render_override":null},{"id":"blk_3911892e-160a-420d-976d-268fe18c37b3","kind":"list","order":603,"section_id":"sec_7aa06e4e-6ecd-441c-b34b-73ebab72e5c5","character_id":null,"markdown":"- 事業側\n- 製品企画\n- 半導体アーキテクト\n- ソフトウェア/システム側の上流担当","render_override":null},{"id":"blk_45e4e469-3c6c-4408-876e-ab76c0286623","kind":"paragraph","order":604,"section_id":"sec_7aa06e4e-6ecd-441c-b34b-73ebab72e5c5","character_id":null,"markdown":"ここではまだ回路を書きません。 \n最初に決めるのは、","render_override":null},{"id":"blk_a25ea769-40cc-447c-8265-5f26fd451c85","kind":"list","order":605,"section_id":"sec_7aa06e4e-6ecd-441c-b34b-73ebab72e5c5","character_id":null,"markdown":"- どの市場向けか\n- どれくらい速くしたいか\n- 消費電力はどこまで許すか\n- HBMを何個載せるか\n- NVLinkやPCIeをどうするか\n- コストやダイサイズをどうするか","render_override":null},{"id":"blk_d90c914a-7be8-4c02-8d0f-d1fbc2b0c3a0","kind":"paragraph","order":606,"section_id":"sec_7aa06e4e-6ecd-441c-b34b-73ebab72e5c5","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_edc59c55-585c-4efb-8feb-ae2be75299a5","kind":"paragraph","order":607,"section_id":"sec_7aa06e4e-6ecd-441c-b34b-73ebab72e5c5","character_id":null,"markdown":"イメージとしては、 \n**「次のGPUは、どんな怪物にするのか」** \nを決めている段階です。","render_override":null},{"id":"blk_0742aba4-cb01-4369-a7b2-e247ce75ec02","kind":"paragraph","order":608,"section_id":"sec_7aa06e4e-6ecd-441c-b34b-73ebab72e5c5","character_id":null,"markdown":"ここでの主役は、前に話した対応でいうと \n**ゲームディレクター/システム設計者的な人** \nです。","render_override":null},{"id":"blk_66e7c6ea-a386-434e-8b2d-1818a63b21ab","kind":"thematic_break","order":609,"section_id":"sec_7aa06e4e-6ecd-441c-b34b-73ebab72e5c5","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d30b886e-326a-45b2-91dd-84bea919d348","kind":"heading","order":610,"section_id":"sec_8046bf39-c06d-4abf-833e-953b1aca15e9","character_id":null,"markdown":"## \\1. GPUの中身を大ブロックに分ける","render_override":null},{"id":"blk_a3362e0a-24a4-487e-8fd4-1d35d2e916c8","kind":"heading","order":611,"section_id":"sec_b6af5c36-53c1-4dd8-974f-ac00cc3a0af7","character_id":null,"markdown":"### 関わる人","render_override":null},{"id":"blk_dffc1546-2500-43d0-bc16-f12a8a402335","kind":"list","order":612,"section_id":"sec_b6af5c36-53c1-4dd8-974f-ac00cc3a0af7","character_id":null,"markdown":"- アーキテクト\n- 一部の上級設計者\n- メモリ/インターコネクト担当\n- 性能モデリング担当","render_override":null},{"id":"blk_0d157ab2-3f9b-45c4-9976-ad7f2b4d8266","kind":"paragraph","order":613,"section_id":"sec_b6af5c36-53c1-4dd8-974f-ac00cc3a0af7","character_id":null,"markdown":"ここで \n「演算器はどれくらい並べるか」 \n「キャッシュはどう置くか」 \n「メモリ帯域はどれくらい必要か」 \n「GPUコア、メモリ制御、I/Oをどうつなぐか」 \nを決めます。","render_override":null},{"id":"blk_bc772416-7793-4c92-8149-3cc4603fee9f","kind":"paragraph","order":614,"section_id":"sec_b6af5c36-53c1-4dd8-974f-ac00cc3a0af7","character_id":null,"markdown":"まだ細かいRTLではなく、 \n**設計図の骨格** を描く段階です。","render_override":null},{"id":"blk_f5957c29-046b-45ff-ac6b-0d0c9fea8683","kind":"paragraph","order":615,"section_id":"sec_b6af5c36-53c1-4dd8-974f-ac00cc3a0af7","character_id":null,"markdown":"たとえると、 \n家ではなく都市の設計図で \n「工業地帯はここ、幹線道路はここ、発電所はここ」 \nと決める感じです。","render_override":null},{"id":"blk_f1db749b-4b6a-411f-bdc0-32abb15a10fc","kind":"thematic_break","order":616,"section_id":"sec_b6af5c36-53c1-4dd8-974f-ac00cc3a0af7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d1f02b78-80a0-4c32-ab64-424f25820db5","kind":"heading","order":617,"section_id":"sec_8845ee09-27e0-438d-babe-ae8ff912a9c4","character_id":null,"markdown":"## \\2. 必要なIPや既製部品を選ぶ","render_override":null},{"id":"blk_0055a809-9e31-445f-9ddb-7085acdc1439","kind":"heading","order":618,"section_id":"sec_334a6610-382d-43ab-af68-3764b0853f1a","character_id":null,"markdown":"### 関わる人","render_override":null},{"id":"blk_59efa359-faac-4434-b8a0-e1e95131046e","kind":"list","order":619,"section_id":"sec_334a6610-382d-43ab-af68-3764b0853f1a","character_id":null,"markdown":"- アーキテクト\n- SoC統合担当\n- インターフェース担当\n- 外部IP評価担当","render_override":null},{"id":"blk_ce117d5d-e5f1-4ad2-b5d0-36d0cda9104b","kind":"paragraph","order":620,"section_id":"sec_334a6610-382d-43ab-af68-3764b0853f1a","character_id":null,"markdown":"GPUを全部ゼロから作るとは限りません。 \nたとえば一部には、","render_override":null},{"id":"blk_bc1de5c4-80ba-4c14-ba6b-7cabeb842c22","kind":"list","order":621,"section_id":"sec_334a6610-382d-43ab-af68-3764b0853f1a","character_id":null,"markdown":"- PCIe関連\n- セキュリティブロック\n- メモリPHY\n- 各種インターフェース\n- CPU管理ブロック","render_override":null},{"id":"blk_bd433fe1-1658-4bd3-a377-301b1959ef3a","kind":"paragraph","order":622,"section_id":"sec_334a6610-382d-43ab-af68-3764b0853f1a","character_id":null,"markdown":"など、既製IPや流用資産を使うことがあります。","render_override":null},{"id":"blk_28b10bca-2dce-4564-af5d-ffa5305f1151","kind":"paragraph","order":623,"section_id":"sec_334a6610-382d-43ab-af68-3764b0853f1a","character_id":null,"markdown":"ここでは \n**「どこを自作し、どこを流用するか」** \nが決まります。","render_override":null},{"id":"blk_1de2e6fa-1f36-47c7-ad7e-0f77f6897e70","kind":"paragraph","order":624,"section_id":"sec_334a6610-382d-43ab-af68-3764b0853f1a","character_id":null,"markdown":"ゲームでいうと、 \nエンジン標準機能や外部ミドルウェアを何にするか決める段階に近いです。","render_override":null},{"id":"blk_ad7cee69-e1bd-41c7-a3fa-42a237e75a91","kind":"thematic_break","order":625,"section_id":"sec_334a6610-382d-43ab-af68-3764b0853f1a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_41500f9e-22bf-43c4-bdf9-821c9b595965","kind":"heading","order":626,"section_id":"sec_40d3a7f3-4f92-42b5-ba91-0afc1f61f309","character_id":null,"markdown":"## \\3. RTL設計者が、GPUの各ブロックの動作を書く","render_override":null},{"id":"blk_b36c44b6-8cbd-4ac9-97e3-0e6953c5bf70","kind":"heading","order":627,"section_id":"sec_59c45185-bf8e-480f-a618-39e17df960f6","character_id":null,"markdown":"### 関わる人","render_override":null},{"id":"blk_dd26010f-8504-4442-a9ed-2843e80f6b0f","kind":"list","order":628,"section_id":"sec_59c45185-bf8e-480f-a618-39e17df960f6","character_id":null,"markdown":"- RTL設計者\n- ブロック設計担当\n- 制御ロジック担当\n- パイプライン担当","render_override":null},{"id":"blk_4a2baa8c-e136-42e4-89fc-41098728e4bb","kind":"paragraph","order":629,"section_id":"sec_59c45185-bf8e-480f-a618-39e17df960f6","character_id":null,"markdown":"ここで初めて、各ブロックが \n**SystemVerilog/Verilog などで具体的に書かれます。**","render_override":null},{"id":"blk_f85e9d8e-1e63-41f8-a102-7b6a009bb649","kind":"paragraph","order":630,"section_id":"sec_59c45185-bf8e-480f-a618-39e17df960f6","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_56e9755a-bd96-48ca-8f61-7f98b4b4fc85","kind":"list","order":631,"section_id":"sec_59c45185-bf8e-480f-a618-39e17df960f6","character_id":null,"markdown":"- 演算命令をどう流すか\n- データを何クロックで渡すか\n- キャッシュ制御をどうするか\n- メモリ要求をどうさばくか\n- エラー処理をどうするか","render_override":null},{"id":"blk_18129c52-0d52-4363-b406-2bcd7ccea91a","kind":"paragraph","order":632,"section_id":"sec_59c45185-bf8e-480f-a618-39e17df960f6","character_id":null,"markdown":"を実際の回路として記述していきます。","render_override":null},{"id":"blk_f8ebd7a1-18ea-4181-9f80-33402088a5ea","kind":"paragraph","order":633,"section_id":"sec_59c45185-bf8e-480f-a618-39e17df960f6","character_id":null,"markdown":"ここが、前に言った \n**ゲームプログラマーに近い人** \nの仕事です。","render_override":null},{"id":"blk_8af6f082-7d50-4720-b733-98ac77747166","kind":"paragraph","order":634,"section_id":"sec_59c45185-bf8e-480f-a618-39e17df960f6","character_id":null,"markdown":"この段階では、1つの大きなGPUではなく、 \nまずは **小さいブロックごと** に設計していくことが多いです。","render_override":null},{"id":"blk_a420d6a1-0286-4388-a328-a4e5376a11b7","kind":"thematic_break","order":635,"section_id":"sec_59c45185-bf8e-480f-a618-39e17df960f6","character_id":null,"markdown":"---","render_override":null},{"id":"blk_bda2fbb4-60ee-4b9b-94b3-a39776452636","kind":"heading","order":636,"section_id":"sec_804308e9-f3a3-4574-a32e-22fa4cfd149f","character_id":null,"markdown":"## \\4. その横で、検証エンジニアが同時に待ち構えている","render_override":null},{"id":"blk_2414c573-1831-4d98-8273-0ff3cb84db43","kind":"heading","order":637,"section_id":"sec_878e8c0a-2985-4f57-a7a3-7e83303f41e2","character_id":null,"markdown":"### 関わる人","render_override":null},{"id":"blk_b6ca5eec-a269-4c6d-933b-3aef19e4c77c","kind":"list","order":638,"section_id":"sec_878e8c0a-2985-4f57-a7a3-7e83303f41e2","character_id":null,"markdown":"- 検証エンジニア\n- テストベンチ開発担当\n- フォーマル検証担当\n- カバレッジ担当","render_override":null},{"id":"blk_fb40bef3-4d5f-4484-a6d7-14655aa834d9","kind":"paragraph","order":639,"section_id":"sec_878e8c0a-2985-4f57-a7a3-7e83303f41e2","character_id":null,"markdown":"RTL設計者が書いたものを、検証側がすぐ追いかけます。 \nつまり時系列では「RTLを書き終わってから検証」ではなく、","render_override":null},{"id":"blk_c3851ccf-abd1-4749-8a1f-f3b79e5c27e6","kind":"paragraph","order":640,"section_id":"sec_878e8c0a-2985-4f57-a7a3-7e83303f41e2","character_id":null,"markdown":"**RTLを書くのと並行して、検証環境も作られる**","render_override":null},{"id":"blk_b94b5c64-3bef-49bc-81cc-c061f418e982","kind":"paragraph","order":641,"section_id":"sec_878e8c0a-2985-4f57-a7a3-7e83303f41e2","character_id":null,"markdown":"のが普通です。","render_override":null},{"id":"blk_7e9c856e-3112-4f4e-8a28-6ae49a35a950","kind":"paragraph","order":642,"section_id":"sec_878e8c0a-2985-4f57-a7a3-7e83303f41e2","character_id":null,"markdown":"検証側は、","render_override":null},{"id":"blk_4a8a3954-c8fd-4f58-947e-0cc654e15cbf","kind":"list","order":643,"section_id":"sec_878e8c0a-2985-4f57-a7a3-7e83303f41e2","character_id":null,"markdown":"- 正常系のテスト\n- 異常系のテスト\n- 境界条件\n- ランダムテスト\n- アサーション\n- カバレッジ確認","render_override":null},{"id":"blk_d6f134f3-7255-4df7-b50d-c8a37b90f6e8","kind":"paragraph","order":644,"section_id":"sec_878e8c0a-2985-4f57-a7a3-7e83303f41e2","character_id":null,"markdown":"を用意して、設計にバグがないかを見ます。","render_override":null},{"id":"blk_6ccf7367-42f4-4c4c-89f4-7f56a3f9b802","kind":"paragraph","order":645,"section_id":"sec_878e8c0a-2985-4f57-a7a3-7e83303f41e2","character_id":null,"markdown":"ここで大量に \n**「ここ壊れてます」** \nが返ってきて、RTL設計者が直します。","render_override":null},{"id":"blk_0d96c794-1352-49e3-9860-d7fa6ff37458","kind":"paragraph","order":646,"section_id":"sec_878e8c0a-2985-4f57-a7a3-7e83303f41e2","character_id":null,"markdown":"つまり流れとしては、","render_override":null},{"id":"blk_3a46b03e-5f32-45aa-84e0-6cf67c7497f0","kind":"paragraph","order":647,"section_id":"sec_878e8c0a-2985-4f57-a7a3-7e83303f41e2","character_id":null,"markdown":"**RTL設計者が書く → 検証が叩く → バグが出る → RTL設計者が直す**","render_override":null},{"id":"blk_20a8946e-b066-4718-9de4-2e2a15ecb20a","kind":"paragraph","order":648,"section_id":"sec_878e8c0a-2985-4f57-a7a3-7e83303f41e2","character_id":null,"markdown":"を何度も回します。","render_override":null},{"id":"blk_e2a5f1e3-a7f1-40a8-9bd4-202cb5a3ff11","kind":"thematic_break","order":649,"section_id":"sec_878e8c0a-2985-4f57-a7a3-7e83303f41e2","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ad4edb49-a878-46ec-b9a0-c85c87b3d3ec","kind":"heading","order":650,"section_id":"sec_a72df76e-069c-4291-95dc-732cd0a0952b","character_id":null,"markdown":"## \\5. 小ブロックをつないで、大きなGPUにしていく","render_override":null},{"id":"blk_81605768-e9f2-43ec-94fe-ed3c49872c86","kind":"heading","order":651,"section_id":"sec_86d0e18d-d176-4bcb-a2c5-04e5829bb61b","character_id":null,"markdown":"### 関わる人","render_override":null},{"id":"blk_ac1680e3-dda2-4334-81bb-db9945f145d3","kind":"list","order":652,"section_id":"sec_86d0e18d-d176-4bcb-a2c5-04e5829bb61b","character_id":null,"markdown":"- SoC統合担当\n- RTL設計者\n- 検証エンジニア\n- クロック/リセット担当","render_override":null},{"id":"blk_92c5bd30-00cd-4e2f-9d35-40c9496ec2be","kind":"paragraph","order":653,"section_id":"sec_86d0e18d-d176-4bcb-a2c5-04e5829bb61b","character_id":null,"markdown":"各ブロックがある程度できたら、今度はそれをつなぎます。 \nここで難しくなるのは、","render_override":null},{"id":"blk_8134a205-4a50-4705-b3c4-c34085653a58","kind":"list","order":654,"section_id":"sec_86d0e18d-d176-4bcb-a2c5-04e5829bb61b","character_id":null,"markdown":"- ブロック同士の接続\n- クロックの違い\n- リセット順序\n- データ詰まり\n- 帯域競合\n- キャッシュ整合性\n- 電源管理","render_override":null},{"id":"blk_a264d09d-dd2b-4359-a32a-10e522ed3301","kind":"paragraph","order":655,"section_id":"sec_86d0e18d-d176-4bcb-a2c5-04e5829bb61b","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_9445ede6-de09-4854-8dc8-addde9047600","kind":"paragraph","order":656,"section_id":"sec_86d0e18d-d176-4bcb-a2c5-04e5829bb61b","character_id":null,"markdown":"小さいブロック単体では動いても、 \nつないだ瞬間に一気に難しくなります。","render_override":null},{"id":"blk_970cef4b-4300-4d0a-8298-f1ebd468c779","kind":"paragraph","order":657,"section_id":"sec_86d0e18d-d176-4bcb-a2c5-04e5829bb61b","character_id":null,"markdown":"このあたりから \n**「GPU1個を本当に1つの生き物として動かす」** \nフェーズに入ります。","render_override":null},{"id":"blk_379279ff-5b69-4b36-9273-dbb7d391c95d","kind":"thematic_break","order":658,"section_id":"sec_86d0e18d-d176-4bcb-a2c5-04e5829bb61b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_70d3345f-cd3f-42cd-884e-06bafb937b22","kind":"heading","order":659,"section_id":"sec_09d9c29b-2a69-4e0c-9f96-720f729c7b38","character_id":null,"markdown":"## \\6. 合成担当が「この設計を本当の回路にするとどうなるか」を見る","render_override":null},{"id":"blk_f5950ba0-452e-4fe3-9991-e3cad9222716","kind":"heading","order":660,"section_id":"sec_997da545-d0ed-4e87-bcf5-7b2e46b87f53","character_id":null,"markdown":"### 関わる人","render_override":null},{"id":"blk_daaa7b6d-41a1-4da9-860a-2ce3baad47d3","kind":"list","order":661,"section_id":"sec_997da545-d0ed-4e87-bcf5-7b2e46b87f53","character_id":null,"markdown":"- 論理合成担当\n- 実装前最適化担当\n- 一部RTL設計者","render_override":null},{"id":"blk_ea503d68-e797-41d4-ab27-243f631ce359","kind":"paragraph","order":662,"section_id":"sec_997da545-d0ed-4e87-bcf5-7b2e46b87f53","character_id":null,"markdown":"ここでRTLを、実際のゲート回路へ変換します。 \nこのとき見るのは、","render_override":null},{"id":"blk_9e25b083-e1d5-4b32-825c-dda214436b78","kind":"list","order":663,"section_id":"sec_997da545-d0ed-4e87-bcf5-7b2e46b87f53","character_id":null,"markdown":"- 面積が大きすぎないか\n- 目標クロックに届くか\n- 電力が増えすぎないか\n- 想定より重いブロックがないか","render_override":null},{"id":"blk_f9550de6-f09c-49d0-b487-5cf3c38282a9","kind":"paragraph","order":664,"section_id":"sec_997da545-d0ed-4e87-bcf5-7b2e46b87f53","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_55d27d79-0dd5-4e34-9583-8d971f56fae4","kind":"paragraph","order":665,"section_id":"sec_997da545-d0ed-4e87-bcf5-7b2e46b87f53","character_id":null,"markdown":"ここで問題が出ると、設計者に戻って \n「このロジック重すぎます」 \n「パイプラインを1段増やしてください」 \n「この経路が長すぎます」 \nみたいな修正依頼が飛びます。","render_override":null},{"id":"blk_994820ac-260e-4496-9908-646406b5beae","kind":"paragraph","order":666,"section_id":"sec_997da545-d0ed-4e87-bcf5-7b2e46b87f53","character_id":null,"markdown":"つまり時系列としては、","render_override":null},{"id":"blk_8e17218e-9f68-4d6a-b076-f0960bc22cd1","kind":"paragraph","order":667,"section_id":"sec_997da545-d0ed-4e87-bcf5-7b2e46b87f53","character_id":null,"markdown":"**RTL設計 → 合成 → 性能が出ない → RTLに差し戻し**","render_override":null},{"id":"blk_2ee3f130-bd96-4a9e-be4e-3f95c0fcf7f3","kind":"paragraph","order":668,"section_id":"sec_997da545-d0ed-4e87-bcf5-7b2e46b87f53","character_id":null,"markdown":"が普通に起きます。","render_override":null},{"id":"blk_b409ba24-7c57-44be-bb88-4eeb1c74b972","kind":"thematic_break","order":669,"section_id":"sec_997da545-d0ed-4e87-bcf5-7b2e46b87f53","character_id":null,"markdown":"---","render_override":null},{"id":"blk_360ad6b5-5e16-46af-901c-8b77175a3786","kind":"heading","order":670,"section_id":"sec_a16bbe49-d823-4ba8-9339-f9fcd9be341d","character_id":null,"markdown":"## \\7. DFT担当が、量産後に検査できる仕組みを入れる","render_override":null},{"id":"blk_135c4940-e450-4f7a-9c16-c7c7dd50b033","kind":"heading","order":671,"section_id":"sec_4c997f92-489e-4588-b22f-87f9ecbff087","character_id":null,"markdown":"### 関わる人","render_override":null},{"id":"blk_ed342a8b-c233-407c-9830-e09b3297a715","kind":"list","order":672,"section_id":"sec_4c997f92-489e-4588-b22f-87f9ecbff087","character_id":null,"markdown":"- DFTエンジニア\n- ATPG担当\n- 合成/実装担当\n- 検証担当","render_override":null},{"id":"blk_42f49b41-28f4-4779-8651-275ee3396ac9","kind":"paragraph","order":673,"section_id":"sec_4c997f92-489e-4588-b22f-87f9ecbff087","character_id":null,"markdown":"ここで \n**「できあがったGPUを、工場やテスタでどう検査するか」** \nのための仕組みを設計に入れます。","render_override":null},{"id":"blk_3d786dab-5604-437f-8131-cbf656421859","kind":"paragraph","order":674,"section_id":"sec_4c997f92-489e-4588-b22f-87f9ecbff087","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_5a29062f-7e3b-4d31-a04c-2daee9ce7107","kind":"list","order":675,"section_id":"sec_4c997f92-489e-4588-b22f-87f9ecbff087","character_id":null,"markdown":"- スキャンチェーン\n- テストポイント\n- BIST\n- 圧縮回路","render_override":null},{"id":"blk_318e8ae8-e51c-4d4a-913d-1a02d322c5d7","kind":"paragraph","order":676,"section_id":"sec_4c997f92-489e-4588-b22f-87f9ecbff087","character_id":null,"markdown":"などです。","render_override":null},{"id":"blk_693ab0fb-59ec-455b-aac7-3c3da52eb0b4","kind":"paragraph","order":677,"section_id":"sec_4c997f92-489e-4588-b22f-87f9ecbff087","character_id":null,"markdown":"つまりこの人たちは、量産後に Advantest などで測れるように、 \n**設計段階で裏側の診断ルートを仕込む** 人です。","render_override":null},{"id":"blk_bf3026f6-9ba8-406b-aec9-49252fcd966b","kind":"paragraph","order":678,"section_id":"sec_4c997f92-489e-4588-b22f-87f9ecbff087","character_id":null,"markdown":"流れでいうと、 \nEDAの世界と、後のテスト工程の世界をつなぐ橋です。","render_override":null},{"id":"blk_d599a918-1c45-41af-ae69-b0bfb6950314","kind":"thematic_break","order":679,"section_id":"sec_4c997f92-489e-4588-b22f-87f9ecbff087","character_id":null,"markdown":"---","render_override":null},{"id":"blk_dc4b393f-2d78-4cbc-b4d2-4c2d62f8cc0d","kind":"heading","order":680,"section_id":"sec_178a238c-de39-416f-8acb-db8f43973469","character_id":null,"markdown":"## \\8. 物理設計者が、GPUをシリコン上に置き始める","render_override":null},{"id":"blk_bab50dba-bb1d-4ba6-8bf3-ad5f79c8a0af","kind":"heading","order":681,"section_id":"sec_f99134a3-0e50-4f72-9cbc-c95012473195","character_id":null,"markdown":"### 関わる人","render_override":null},{"id":"blk_e5e84745-5443-4d9b-bbac-ff30f806b35e","kind":"list","order":682,"section_id":"sec_f99134a3-0e50-4f72-9cbc-c95012473195","character_id":null,"markdown":"- フロアプラン担当\n- 物理設計者\n- 配置配線担当\n- クロック設計担当","render_override":null},{"id":"blk_34ce7cf8-41d3-4786-9ca5-c778d37c0237","kind":"paragraph","order":683,"section_id":"sec_f99134a3-0e50-4f72-9cbc-c95012473195","character_id":null,"markdown":"ここから、論理的に書かれたGPUを \n**実際にシリコンの上へ配置していく** 段階に入ります。","render_override":null},{"id":"blk_289a641e-68c9-4385-a0b5-4073f04bfb67","kind":"paragraph","order":684,"section_id":"sec_f99134a3-0e50-4f72-9cbc-c95012473195","character_id":null,"markdown":"まず大きなブロックをどこに置くか決めます。 \nたとえば、","render_override":null},{"id":"blk_5aa00176-e195-4d8b-b705-5fd6845dc59a","kind":"list","order":685,"section_id":"sec_f99134a3-0e50-4f72-9cbc-c95012473195","character_id":null,"markdown":"- 演算ブロック群\n- キャッシュ群\n- メモリI/O周辺\n- 制御ブロック\n- 電源網","render_override":null},{"id":"blk_a93f6a57-cd67-477f-adb7-70c4aeb1fef0","kind":"paragraph","order":686,"section_id":"sec_f99134a3-0e50-4f72-9cbc-c95012473195","character_id":null,"markdown":"をどこに置くか考えます。","render_override":null},{"id":"blk_1ba83259-0f73-457f-8a7b-0236f8fbd23c","kind":"paragraph","order":687,"section_id":"sec_f99134a3-0e50-4f72-9cbc-c95012473195","character_id":null,"markdown":"ここはまさに \n**都市設計** \nです。","render_override":null},{"id":"blk_4440bf9d-d468-4a2b-a382-96f6f9007990","kind":"paragraph","order":688,"section_id":"sec_f99134a3-0e50-4f72-9cbc-c95012473195","character_id":null,"markdown":"ここで位置が悪いと、","render_override":null},{"id":"blk_97ab4ea1-d54c-40b8-add7-6e5482f706e2","kind":"list","order":689,"section_id":"sec_f99134a3-0e50-4f72-9cbc-c95012473195","character_id":null,"markdown":"- 配線が混みすぎる\n- 遅延が増える\n- 電源が苦しくなる\n- 熱が集中する","render_override":null},{"id":"blk_4ee048e2-62c6-415e-aade-8b8b78a3e419","kind":"paragraph","order":690,"section_id":"sec_f99134a3-0e50-4f72-9cbc-c95012473195","character_id":null,"markdown":"ので、後工程全体に響きます。","render_override":null},{"id":"blk_2e87b066-5f13-4eab-833e-238c60dc3ff3","kind":"thematic_break","order":691,"section_id":"sec_f99134a3-0e50-4f72-9cbc-c95012473195","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c1bbd2f6-ba38-433f-bf0f-6bb2022f6301","kind":"heading","order":692,"section_id":"sec_0cb793df-7790-4b55-97d7-ffc0f6cbe6d2","character_id":null,"markdown":"## \\9. 配置配線が進み、タイミング・電力・熱の専門家が本格参戦する","render_override":null},{"id":"blk_8723557b-db02-452a-8b00-ba7db0b1447e","kind":"heading","order":693,"section_id":"sec_63e582d7-8838-4b9f-b38f-081fffa9d39c","character_id":null,"markdown":"### 関わる人","render_override":null},{"id":"blk_ce34061b-58ca-4228-b63c-a84908c4c6a7","kind":"list","order":694,"section_id":"sec_63e582d7-8838-4b9f-b38f-081fffa9d39c","character_id":null,"markdown":"- 配置配線担当\n- タイミング解析担当\n- 電力解析担当\n- IR/EM担当\n- 熱解析担当","render_override":null},{"id":"blk_87d30616-1f29-4354-8108-c6462092dd59","kind":"paragraph","order":695,"section_id":"sec_63e582d7-8838-4b9f-b38f-081fffa9d39c","character_id":null,"markdown":"ここからGPUは \n**机上の論理** ではなく \n**現実の物理物体** \nになっていきます。","render_override":null},{"id":"blk_2c7db61e-e187-45ca-9972-681b07219dfa","kind":"paragraph","order":696,"section_id":"sec_63e582d7-8838-4b9f-b38f-081fffa9d39c","character_id":null,"markdown":"ここで見るのは、","render_override":null},{"id":"blk_52cb0ef6-79ea-49c1-a618-fc1bf11f3fa6","kind":"list","order":697,"section_id":"sec_63e582d7-8838-4b9f-b38f-081fffa9d39c","character_id":null,"markdown":"- 目標クロックで本当に動くか\n- 配線が長すぎないか\n- 電力が集中しすぎていないか\n- 電圧降下は大丈夫か\n- 発熱が危険でないか\n- 配線ルール違反がないか","render_override":null},{"id":"blk_2b1cebfe-aa8d-4582-b6f7-f986096bd650","kind":"paragraph","order":698,"section_id":"sec_63e582d7-8838-4b9f-b38f-081fffa9d39c","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_436e3abc-1451-4d3a-9829-5f27fd5f1eff","kind":"paragraph","order":699,"section_id":"sec_63e582d7-8838-4b9f-b38f-081fffa9d39c","character_id":null,"markdown":"この段階で問題が出ると、","render_override":null},{"id":"blk_ad2f74b1-594c-41cf-bf88-e6b3bffb188b","kind":"list","order":700,"section_id":"sec_63e582d7-8838-4b9f-b38f-081fffa9d39c","character_id":null,"markdown":"- 配置を変える\n- バッファを入れる\n- 電源網を強化する\n- RTL自体を少し直す\n- 一部ブロックを作り直す","render_override":null},{"id":"blk_6de2ef4b-4103-4de7-94f6-401c67e9b55d","kind":"paragraph","order":701,"section_id":"sec_63e582d7-8838-4b9f-b38f-081fffa9d39c","character_id":null,"markdown":"こともあります。","render_override":null},{"id":"blk_d588c3fc-3c60-495a-b2f5-82ecec076e35","kind":"paragraph","order":702,"section_id":"sec_63e582d7-8838-4b9f-b38f-081fffa9d39c","character_id":null,"markdown":"つまりここでも \n**物理設計 → 解析 → 問題発覚 → 前工程へ戻る** \nが起きます。","render_override":null},{"id":"blk_250a12ee-ef7f-4004-9499-41edb44a6053","kind":"thematic_break","order":703,"section_id":"sec_63e582d7-8838-4b9f-b38f-081fffa9d39c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ba228585-e8e7-4633-b71b-21e3003e475b","kind":"heading","order":704,"section_id":"sec_777ee6e8-506f-438a-acbc-ee7303d30cfd","character_id":null,"markdown":"## \\10. サインオフに向けて、各分野の担当が最後の詰めをする","render_override":null},{"id":"blk_c315bc63-136f-487b-82ac-819f8c872d38","kind":"heading","order":705,"section_id":"sec_d2deafd6-e352-4741-b79d-395df302c4fb","character_id":null,"markdown":"### 関わる人","render_override":null},{"id":"blk_2b926006-9424-4fa6-9956-16c5662c4220","kind":"list","order":706,"section_id":"sec_d2deafd6-e352-4741-b79d-395df302c4fb","character_id":null,"markdown":"- 物理設計\n- タイミング\n- 電力/熱\n- DFT\n- 検証\n- 設計責任者\n- 品質保証的な上位レビュー担当","render_override":null},{"id":"blk_af57d6c1-e5e1-4c0a-aa22-94bdaf9b1a97","kind":"paragraph","order":707,"section_id":"sec_d2deafd6-e352-4741-b79d-395df302c4fb","character_id":null,"markdown":"ここでは \n**「このGPU、もう本当に工場へ出していいのか」** \nを総点検します。","render_override":null},{"id":"blk_138fdf18-4d71-4637-a6fa-dd8ec1e96f66","kind":"paragraph","order":708,"section_id":"sec_d2deafd6-e352-4741-b79d-395df302c4fb","character_id":null,"markdown":"見るのは、","render_override":null},{"id":"blk_52138e45-1af9-4936-a769-01f548b6166f","kind":"list","order":709,"section_id":"sec_d2deafd6-e352-4741-b79d-395df302c4fb","character_id":null,"markdown":"- 機能的に正しいか\n- テスト可能か\n- タイミングが閉じているか\n- 消費電力は許容内か\n- 物理ルール違反がないか\n- 信頼性上の危険がないか","render_override":null},{"id":"blk_54d0f96a-c449-4d2d-ae89-e3a8f593a7d2","kind":"paragraph","order":710,"section_id":"sec_d2deafd6-e352-4741-b79d-395df302c4fb","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_265ed9bc-70b9-4917-86df-b7a78bedaec8","kind":"paragraph","order":711,"section_id":"sec_d2deafd6-e352-4741-b79d-395df302c4fb","character_id":null,"markdown":"ここは一種の \n**出荷判定会議前の総合試験** \nみたいな空気です。","render_override":null},{"id":"blk_7c0c9d9a-37c7-4691-85cc-fce2a86cff67","kind":"thematic_break","order":712,"section_id":"sec_d2deafd6-e352-4741-b79d-395df302c4fb","character_id":null,"markdown":"---","render_override":null},{"id":"blk_203a214d-589a-404e-bff1-9e6e113efe2f","kind":"heading","order":713,"section_id":"sec_9778e6c2-b476-4c73-84a6-15d6a5152d1a","character_id":null,"markdown":"## \\11. テープアウトして、設計チームの主役が工場側へバトンタッチする","render_override":null},{"id":"blk_47851908-601a-4d08-b3ff-6397b63f7275","kind":"heading","order":714,"section_id":"sec_81df0c1b-a5cb-4b26-8ef4-8ac90ff3a6c1","character_id":null,"markdown":"### 関わる人","render_override":null},{"id":"blk_0683cb25-90fb-4f69-8276-989878d51f82","kind":"list","order":715,"section_id":"sec_81df0c1b-a5cb-4b26-8ef4-8ac90ff3a6c1","character_id":null,"markdown":"- 設計責任者\n- CAD/フロー担当\n- ファウンドリ連携担当\n- TSMC側の製造担当","render_override":null},{"id":"blk_bd7e01a0-83fb-47b1-9373-1626a279f653","kind":"paragraph","order":716,"section_id":"sec_81df0c1b-a5cb-4b26-8ef4-8ac90ff3a6c1","character_id":null,"markdown":"ここで製造用データを TSMC などへ渡します。 \nここが **テープアウト** です。","render_override":null},{"id":"blk_daf58747-d705-4300-aa6f-ac714239428a","kind":"paragraph","order":717,"section_id":"sec_81df0c1b-a5cb-4b26-8ef4-8ac90ff3a6c1","character_id":null,"markdown":"この瞬間、主役は少し変わります。 \nそれまで中心だったのは EDA を使う設計者たちでしたが、 \nここからは **製造側** の比重が上がります。","render_override":null},{"id":"blk_6cc59482-3177-4d1a-ac66-737f5b5558b7","kind":"paragraph","order":718,"section_id":"sec_81df0c1b-a5cb-4b26-8ef4-8ac90ff3a6c1","character_id":null,"markdown":"つまり流れとしては、","render_override":null},{"id":"blk_cc743690-0f94-4a49-b6bb-1a7b85614a11","kind":"paragraph","order":719,"section_id":"sec_81df0c1b-a5cb-4b26-8ef4-8ac90ff3a6c1","character_id":null,"markdown":"**EDAの世界のピークがここまで**","render_override":null},{"id":"blk_d4228331-275f-4eac-a936-d490381ed866","kind":"paragraph","order":720,"section_id":"sec_81df0c1b-a5cb-4b26-8ef4-8ac90ff3a6c1","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_07176be3-cf80-43b0-950f-3fe52838f2b4","kind":"thematic_break","order":721,"section_id":"sec_81df0c1b-a5cb-4b26-8ef4-8ac90ff3a6c1","character_id":null,"markdown":"---","render_override":null},{"id":"blk_21cf931d-a2d5-4aa8-a36c-c154687507c6","kind":"heading","order":722,"section_id":"sec_1b90dafb-732f-4f3c-80b3-d2faaa9ab193","character_id":null,"markdown":"## \\12. TSMCがウェハを作る","render_override":null},{"id":"blk_7d7ec267-6411-4ae0-b8b2-afcc7a4faa06","kind":"heading","order":723,"section_id":"sec_5bedf3da-f93b-4446-9f75-2ddaa35d0112","character_id":null,"markdown":"### 関わる人","render_override":null},{"id":"blk_9cb5fb94-cca6-4771-818e-c3b30761518e","kind":"list","order":724,"section_id":"sec_5bedf3da-f93b-4446-9f75-2ddaa35d0112","character_id":null,"markdown":"- TSMCの製造側\n- プロセス担当\n- NVIDIA側の製造連携担当","render_override":null},{"id":"blk_101b6abb-d6e7-4c81-99b7-ec18ff603884","kind":"paragraph","order":725,"section_id":"sec_5bedf3da-f93b-4446-9f75-2ddaa35d0112","character_id":null,"markdown":"ここでGPUのロジックダイが実際に作られます。 \nここは半導体工場の世界で、","render_override":null},{"id":"blk_a1172f6b-aba7-4f66-b7d0-f391b77e0672","kind":"list","order":726,"section_id":"sec_5bedf3da-f93b-4446-9f75-2ddaa35d0112","character_id":null,"markdown":"- 成膜\n- 露光\n- エッチング\n- イオン注入\n- 多層配線形成","render_override":null},{"id":"blk_c0664f63-4968-4e30-9be2-05b4de4c901c","kind":"paragraph","order":727,"section_id":"sec_5bedf3da-f93b-4446-9f75-2ddaa35d0112","character_id":null,"markdown":"などが進みます。","render_override":null},{"id":"blk_841d7ce8-c35d-4b22-863c-182fc814da99","kind":"paragraph","order":728,"section_id":"sec_5bedf3da-f93b-4446-9f75-2ddaa35d0112","character_id":null,"markdown":"この段階では、NVIDIAのRTL設計者が何か画面で直接いじるというより、 \nファウンドリと製造条件・歩留まり・進捗を連携して見る側になります。","render_override":null},{"id":"blk_2cd4ed91-c6bf-46fa-87a2-cd95b7c9ed76","kind":"thematic_break","order":729,"section_id":"sec_5bedf3da-f93b-4446-9f75-2ddaa35d0112","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f2489934-c05f-4e36-8be1-9b98e098fa31","kind":"heading","order":730,"section_id":"sec_0173f06d-0a00-4edf-921c-c03431f66bfd","character_id":null,"markdown":"## \\13. ウェハができたら、まずテスト工程が入る","render_override":null},{"id":"blk_d523b83d-f943-4978-b7ac-34b653b033bb","kind":"heading","order":731,"section_id":"sec_6d8dc192-ef90-4546-abf3-a1537d1182ef","character_id":null,"markdown":"### 関わる人","render_override":null},{"id":"blk_5154c7b9-a1c8-4340-bb31-f0dfda99d55e","kind":"list","order":732,"section_id":"sec_6d8dc192-ef90-4546-abf3-a1537d1182ef","character_id":null,"markdown":"- テストエンジニア\n- DFT/ATPG担当\n- AdvantestなどのATE運用側\n- 歩留まり解析担当","render_override":null},{"id":"blk_4bdf585a-2e1d-4782-a7e6-dfbb803fe536","kind":"paragraph","order":733,"section_id":"sec_6d8dc192-ef90-4546-abf3-a1537d1182ef","character_id":null,"markdown":"ここでまず **ウェハーテスト** です。 \nまだウェハ状態の各ダイに針を当てて、","render_override":null},{"id":"blk_b465955c-0951-4892-993b-61170dd8e347","kind":"list","order":734,"section_id":"sec_6d8dc192-ef90-4546-abf3-a1537d1182ef","character_id":null,"markdown":"- 動くか\n- どこに不良があるか\n- 基本特性がどうか","render_override":null},{"id":"blk_9be9c1ba-1576-488c-939f-b9fd502a6e39","kind":"paragraph","order":735,"section_id":"sec_6d8dc192-ef90-4546-abf3-a1537d1182ef","character_id":null,"markdown":"を測ります。","render_override":null},{"id":"blk_d84a73b0-cd16-4ea4-93d4-5f35d54c9280","kind":"paragraph","order":736,"section_id":"sec_6d8dc192-ef90-4546-abf3-a1537d1182ef","character_id":null,"markdown":"ここで初めて、前に設計段階で仕込んだ DFT が本格的に生きます。 \nつまり、","render_override":null},{"id":"blk_ad91643f-2bb5-4aac-a997-6c20c8334e69","kind":"paragraph","order":737,"section_id":"sec_6d8dc192-ef90-4546-abf3-a1537d1182ef","character_id":null,"markdown":"**設計時のDFT担当の仕事が、ここで現実のテスト工程につながる**","render_override":null},{"id":"blk_e1b15f86-46be-4234-bc37-79b15cf4312a","kind":"paragraph","order":738,"section_id":"sec_6d8dc192-ef90-4546-abf3-a1537d1182ef","character_id":null,"markdown":"わけです。","render_override":null},{"id":"blk_f33027a8-f6e4-4680-9aaf-9b17f7a2bc24","kind":"paragraph","order":739,"section_id":"sec_6d8dc192-ef90-4546-abf3-a1537d1182ef","character_id":null,"markdown":"Advantest のようなテスタは、まさにこの辺の重要プレイヤーです。","render_override":null},{"id":"blk_449876da-04cb-4084-a5a6-324b24cb8bf7","kind":"thematic_break","order":740,"section_id":"sec_6d8dc192-ef90-4546-abf3-a1537d1182ef","character_id":null,"markdown":"---","render_override":null},{"id":"blk_cd8ea7af-2976-4557-aaa5-5f5f83358047","kind":"heading","order":741,"section_id":"sec_bdb4dabc-4a2a-4db2-9bb4-fe08aa433ac7","character_id":null,"markdown":"## \\14. 良品ダイが選別され、CoWoSやパッケージ工程へ進む","render_override":null},{"id":"blk_9346c8cb-5562-4401-8ca3-8801c0598f67","kind":"heading","order":742,"section_id":"sec_9037dc85-459a-4cb0-bd2c-3a3ede1bf6ab","character_id":null,"markdown":"### 関わる人","render_override":null},{"id":"blk_4c191155-d934-4239-b104-7c643dba3c59","kind":"list","order":743,"section_id":"sec_9037dc85-459a-4cb0-bd2c-3a3ede1bf6ab","character_id":null,"markdown":"- 先端パッケージ担当\n- 組立工程側\n- HBM連携側\n- 製品化担当","render_override":null},{"id":"blk_2c89d76a-371e-4e00-9797-a87b4ab7006b","kind":"paragraph","order":744,"section_id":"sec_9037dc85-459a-4cb0-bd2c-3a3ede1bf6ab","character_id":null,"markdown":"AI GPUではここが極めて重要です。 \nGPUダイだけでは製品にならず、 \nHBMと一緒に **CoWoS などの先端パッケージ** に載せて、巨大な1つの高性能製品にします。","render_override":null},{"id":"blk_f3e1846c-97c9-4f08-9957-fae745354620","kind":"paragraph","order":745,"section_id":"sec_9037dc85-459a-4cb0-bd2c-3a3ede1bf6ab","character_id":null,"markdown":"ここでは、","render_override":null},{"id":"blk_0807e0cc-6153-470a-b5d4-905ab92b1a57","kind":"list","order":746,"section_id":"sec_9037dc85-459a-4cb0-bd2c-3a3ede1bf6ab","character_id":null,"markdown":"- GPUダイ\n- HBMスタック\n- インターポーザ\n- 基板\n- パッケージ","render_override":null},{"id":"blk_83a54993-eec4-47be-bb7b-fa1a726c1b37","kind":"paragraph","order":747,"section_id":"sec_9037dc85-459a-4cb0-bd2c-3a3ede1bf6ab","character_id":null,"markdown":"が統合されます。","render_override":null},{"id":"blk_cbb644e4-f0a7-4560-8c05-f36bdc5f354f","kind":"paragraph","order":748,"section_id":"sec_9037dc85-459a-4cb0-bd2c-3a3ede1bf6ab","character_id":null,"markdown":"つまりここで初めて、 \n**「GPUの頭脳」** が \n**「製品としての体」** を持ちます。","render_override":null},{"id":"blk_9b61a1cd-c2bd-4d21-821f-ed7e881c75f9","kind":"thematic_break","order":749,"section_id":"sec_9037dc85-459a-4cb0-bd2c-3a3ede1bf6ab","character_id":null,"markdown":"---","render_override":null},{"id":"blk_86116938-8483-46bb-8d3e-6aff4199a4b9","kind":"heading","order":750,"section_id":"sec_08b3649e-af25-4621-8fa0-8b4b9e0cd89c","character_id":null,"markdown":"## \\15. パッケージ後に、またテストする","render_override":null},{"id":"blk_1aa72af9-81a5-428f-8eab-a90f6da3f8b3","kind":"heading","order":751,"section_id":"sec_f3c2741b-ac14-496a-94e4-1992fe3f2706","character_id":null,"markdown":"### 関わる人","render_override":null},{"id":"blk_63c1da30-2bad-48d3-88a6-63bc15c5fd4f","kind":"list","order":752,"section_id":"sec_f3c2741b-ac14-496a-94e4-1992fe3f2706","character_id":null,"markdown":"- テストエンジニア\n- パッケージ評価担当\n- Advantestなどのテスタ側\n- 信頼性評価担当","render_override":null},{"id":"blk_a834c691-4b83-4182-bf3e-76c36c245ab4","kind":"paragraph","order":753,"section_id":"sec_f3c2741b-ac14-496a-94e4-1992fe3f2706","character_id":null,"markdown":"パッケージ後には **ファイナルテスト** が入ります。 \nさらに必要に応じて、","render_override":null},{"id":"blk_65e6a93a-562b-4a99-ad5a-fd940dbf12fe","kind":"list","order":754,"section_id":"sec_f3c2741b-ac14-496a-94e4-1992fe3f2706","character_id":null,"markdown":"- 高温動作試験\n- 長時間試験\n- システムレベルテスト\n- バーンイン","render_override":null},{"id":"blk_8ba3e32f-35c7-4606-972d-e4e8d3924dd2","kind":"paragraph","order":755,"section_id":"sec_f3c2741b-ac14-496a-94e4-1992fe3f2706","character_id":null,"markdown":"も行われます。","render_override":null},{"id":"blk_acd39047-1155-42fe-a336-1521b2a13908","kind":"paragraph","order":756,"section_id":"sec_f3c2741b-ac14-496a-94e4-1992fe3f2706","character_id":null,"markdown":"ここで見たいのは、","render_override":null},{"id":"blk_6736f714-d873-4df3-81de-fd5bad0ce1aa","kind":"list","order":757,"section_id":"sec_f3c2741b-ac14-496a-94e4-1992fe3f2706","character_id":null,"markdown":"- パッケージ後でも正常か\n- HBM接続込みで問題ないか\n- 高負荷で安定するか\n- 初期不良がないか","render_override":null},{"id":"blk_62bcacd1-2a33-4826-bd05-6aeb2f2e8ba5","kind":"paragraph","order":758,"section_id":"sec_f3c2741b-ac14-496a-94e4-1992fe3f2706","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_f426e046-0908-42a7-89cd-81d890096398","kind":"paragraph","order":759,"section_id":"sec_f3c2741b-ac14-496a-94e4-1992fe3f2706","character_id":null,"markdown":"つまり \n**作る前の仮想世界の検証** は終わり、 \nここでは **現実の製品の検証** に切り替わっています。","render_override":null},{"id":"blk_5d7aaa31-73d8-42ae-ae11-1b8041933a9e","kind":"thematic_break","order":760,"section_id":"sec_f3c2741b-ac14-496a-94e4-1992fe3f2706","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7c9ca4e1-a570-4b0c-9d41-e79627b4d8c4","kind":"heading","order":761,"section_id":"sec_46bb99af-5841-4787-a5fa-970e2470527b","character_id":null,"markdown":"## \\16. 実物GPUを立ち上げ、評価チームが本当に使えるか確認する","render_override":null},{"id":"blk_36e1ef7f-f1ed-478a-9113-0a49580c11fa","kind":"heading","order":762,"section_id":"sec_10a6b98a-f80b-4433-8f38-5f6574ca6ec5","character_id":null,"markdown":"### 関わる人","render_override":null},{"id":"blk_fb133a6a-b3d1-4102-8049-5129d14e6602","kind":"list","order":763,"section_id":"sec_10a6b98a-f80b-4433-8f38-5f6574ca6ec5","character_id":null,"markdown":"- シリコン評価担当\n- ボード設計担当\n- BIOS/ファームウェア担当\n- ドライバ/ソフト側\n- 品質/信頼性担当","render_override":null},{"id":"blk_28fca0b9-2c74-4eb1-b12e-a06c663696c1","kind":"paragraph","order":764,"section_id":"sec_10a6b98a-f80b-4433-8f38-5f6574ca6ec5","character_id":null,"markdown":"ここで実際のGPUを評価ボードやサーバー上で動かします。","render_override":null},{"id":"blk_3dca0b86-07e1-4aa2-83ea-feb7ca8ee8ea","kind":"paragraph","order":765,"section_id":"sec_10a6b98a-f80b-4433-8f38-5f6574ca6ec5","character_id":null,"markdown":"見るのは、","render_override":null},{"id":"blk_55048dfe-0efc-47e9-b752-ca4816e16fa2","kind":"list","order":766,"section_id":"sec_10a6b98a-f80b-4433-8f38-5f6574ca6ec5","character_id":null,"markdown":"- 起動するか\n- 期待周波数に届くか\n- 電力や温度は想定内か\n- HBMが正常か\n- 長時間動作で落ちないか\n- ベンチや実アプリで性能が出るか","render_override":null},{"id":"blk_c2340a4d-3231-4587-add8-b3f467350a63","kind":"paragraph","order":767,"section_id":"sec_10a6b98a-f80b-4433-8f38-5f6574ca6ec5","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_c01ed960-d7bb-473d-a4ef-1d6e444ea4e3","kind":"paragraph","order":768,"section_id":"sec_10a6b98a-f80b-4433-8f38-5f6574ca6ec5","character_id":null,"markdown":"ここは、設計の終点であると同時に、 \n次世代改善の始点でもあります。","render_override":null},{"id":"blk_1b4faddb-7519-4334-9f89-c920146fad22","kind":"thematic_break","order":769,"section_id":"sec_10a6b98a-f80b-4433-8f38-5f6574ca6ec5","character_id":null,"markdown":"---","render_override":null},{"id":"blk_302430a2-3f9e-487d-9866-e8dfc6c74a17","kind":"heading","order":770,"section_id":"sec_e99f7922-c2b7-4f3e-b6f0-557481f30b95","character_id":null,"markdown":"## \\17. 問題が見つかれば、また前の人たちへ戻る","render_override":null},{"id":"blk_7cf70bec-4b57-474e-830c-f284b32a517d","kind":"heading","order":771,"section_id":"sec_f079d3d0-a332-4366-bd36-d41c468d3925","character_id":null,"markdown":"### 関わる人","render_override":null},{"id":"blk_8f42145a-2c6e-4348-a15f-9dd7a784f6b7","kind":"list","order":772,"section_id":"sec_f079d3d0-a332-4366-bd36-d41c468d3925","character_id":null,"markdown":"- 評価担当\n- テスト担当\n- DFT担当\n- 物理設計\n- RTL設計\n- アーキテクト","render_override":null},{"id":"blk_0c8db407-94e3-4ceb-8932-3fdb1a4304ed","kind":"paragraph","order":773,"section_id":"sec_f079d3d0-a332-4366-bd36-d41c468d3925","character_id":null,"markdown":"ここがとても重要です。 \n実シリコンで問題が見つかると、","render_override":null},{"id":"blk_d272412e-2495-4aba-a2c3-e44ae42bb5f9","kind":"list","order":774,"section_id":"sec_f079d3d0-a332-4366-bd36-d41c468d3925","character_id":null,"markdown":"- テスト条件を見直す\n- パッケージを見直す\n- 歩留まり改善をする\n- 一部マスク修正を検討する\n- 次版RTLで修正する\n- 次世代設計へ反映する","render_override":null},{"id":"blk_f3e8b2da-31cf-463f-ad74-d1ab069ead2c","kind":"paragraph","order":775,"section_id":"sec_f079d3d0-a332-4366-bd36-d41c468d3925","character_id":null,"markdown":"という形で、前工程にフィードバックされます。","render_override":null},{"id":"blk_c5c7fdd4-078c-4b66-9747-9abb9aff90a4","kind":"paragraph","order":776,"section_id":"sec_f079d3d0-a332-4366-bd36-d41c468d3925","character_id":null,"markdown":"つまりGPU開発は一本のベルトコンベヤーではなく、 \n**巨大なループ構造** です。","render_override":null},{"id":"blk_091b31d6-3e05-49cf-a48a-83122a2e1c9d","kind":"thematic_break","order":777,"section_id":"sec_f079d3d0-a332-4366-bd36-d41c468d3925","character_id":null,"markdown":"---","render_override":null},{"id":"blk_952f08fc-cb2f-4e93-8275-a36c84d9b739","kind":"heading","order":778,"section_id":"sec_274f197d-f404-4bc4-8dfa-e3fa232d7743","character_id":null,"markdown":"## 1本の流れとして超短くつなぐと","render_override":null},{"id":"blk_e1466fba-5a3d-4943-a5c9-ea9549ca56d1","kind":"paragraph","order":779,"section_id":"sec_274f197d-f404-4bc4-8dfa-e3fa232d7743","character_id":null,"markdown":"**企画する人** が「次のGPUの方向性」を決める \n→ **アーキテクト** が骨格を決める \n→ **RTL設計者** が各ブロックを書く \n→ **検証エンジニア** が壊してバグを出す \n→ **SoC統合担当** が全体をつなぐ \n→ **合成担当** が本当の回路に落とす \n→ **DFT担当** がテストできる仕組みを入れる \n→ **物理設計担当** がシリコン上に配置する \n→ **タイミング/電力/熱担当** が現実に成立させる \n→ **設計責任者** がサインオフしてテープアウト \n→ **TSMC** がウェハを作る \n→ **Advantest系のテスト工程** でウェハーテスト \n→ **CoWoS/パッケージ工程** でHBMと統合 \n→ **ファイナルテスト/SLT** で製品確認 \n→ **シリコン評価担当** が実機で立ち上げる \n→ 問題があれば前の工程へ戻る","render_override":null},{"id":"blk_2127a813-e610-474c-b793-dba502334cf1","kind":"paragraph","order":780,"section_id":"sec_274f197d-f404-4bc4-8dfa-e3fa232d7743","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_7660a26a-5868-43c2-8d3e-5c9d25e06771","kind":"thematic_break","order":781,"section_id":"sec_274f197d-f404-4bc4-8dfa-e3fa232d7743","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a68dbed5-33d8-4af9-af7f-b19999ef453a","kind":"heading","order":782,"section_id":"sec_8459b50c-1dec-40a3-8fb5-f17a84b607a0","character_id":null,"markdown":"## 一番イメージしやすいまとめ","render_override":null},{"id":"blk_564eab1e-7f0b-490c-99e4-a32481c847d5","kind":"paragraph","order":783,"section_id":"sec_8459b50c-1dec-40a3-8fb5-f17a84b607a0","character_id":null,"markdown":"GPU1個の中には、最初から最後までずっと同じ人が触っているわけではありません。 \nむしろ、","render_override":null},{"id":"blk_0b0209eb-29e3-4a25-b999-184c7e7d3ddb","kind":"list","order":784,"section_id":"sec_8459b50c-1dec-40a3-8fb5-f17a84b607a0","character_id":null,"markdown":"- 最初は **構想を作る人**\n- 次に **動作を書く人**\n- その次に **バグを暴く人**\n- 次に **現実の回路に変える人**\n- その次に **シリコン上に住まわせる人**\n- 最後に **実物を測る人**","render_override":null},{"id":"blk_9378bac9-fe0f-4f40-a294-8de9bce1fd08","kind":"paragraph","order":785,"section_id":"sec_8459b50c-1dec-40a3-8fb5-f17a84b607a0","character_id":null,"markdown":"へと、主役が順番に入れ替わっていきます。","render_override":null},{"id":"blk_d9585b96-1669-4872-96cb-f472e18ef9a1","kind":"paragraph","order":786,"section_id":"sec_8459b50c-1dec-40a3-8fb5-f17a84b607a0","character_id":null,"markdown":"ただし完全にバトンを渡して終わりではなく、 \n後ろの工程で問題が出るたびに、前の人たちがまた呼び戻されます。 \nだからGPU開発は、**リレー競走というより、何度も前後に行き来する駅伝** に近いです。","render_override":null},{"id":"blk_d585e1c4-1ffb-412f-8699-47c8eb723865","kind":"thematic_break","order":787,"section_id":"sec_8459b50c-1dec-40a3-8fb5-f17a84b607a0","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1756d377-91a3-46ff-bc7a-5bfa71ea95e4","kind":"heading","order":788,"section_id":"sec_007a23b9-8a98-4a58-831a-8ab9f77eaac6","character_id":null,"markdown":"## AIが搭載されていくEDAと半導体設計で起こっている変化","render_override":null},{"id":"blk_fad72ec8-c2e8-4a03-91a2-fdd8ae1dd7dd","kind":"paragraph","order":789,"section_id":"sec_007a23b9-8a98-4a58-831a-8ab9f77eaac6","character_id":null,"markdown":"**「AIが設計者の横で手伝う」段階はかなり進んでいる** \n一方で、 \n**「AIが人の代わりに全部を自律的に決めて最後まで流す」段階は、まだ限定的**","render_override":null},{"id":"blk_e43e9c76-e4b2-44a8-8fff-e8d9b019f235","kind":"paragraph","order":790,"section_id":"sec_007a23b9-8a98-4a58-831a-8ab9f77eaac6","character_id":null,"markdown":"です。現在のEDAのAIは、だいたい次の3層で見るとわかりやすいです。 \n**① 従来型のAI/ML最適化、② GenAIコパイロット、③ エージェント型自動化** です。Synopsys は AI をシステム設計から製造までの全体で使うと打ち出し、Cadence は verification・design・multiphysics まで含む AI ポートフォリオを示し、Siemens も architectural exploration から manufacturing readiness までの AI orchestration を掲げています。 ([Synopsys](https://www.synopsys.com/ai/ai-powered-eda.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_3c598602-b759-44a6-a2ba-4a5da32dedf2","kind":"paragraph","order":791,"section_id":"sec_007a23b9-8a98-4a58-831a-8ab9f77eaac6","character_id":null,"markdown":"まず、**Verilog / SystemVerilog をAIが書くか**ですが、これは **はい、もう始まっています。** Synopsys は 2025年時点で Copilot の「クリエイティブGenAI機能」に **RTLコード生成** や **フォーマル・アサーション生成** を含めています。Cadence は 2026年の ChipStack AI Super Agent で、**RTL generation**、**SystemVerilog unit-level tests の生成**、**SVA生成と自動証明**、**UVM sequences / checkers / coverage の生成** を公表しています。Siemens も 2026年の Fuse EDA AI Agent で、**RTL coding から physical sign-off、manufacturing readiness** までをまたぐ multi-tool orchestration を打ち出しています。 ([Synopsys](https://www.synopsys.com/ja-jp/japan/press-releases/synopsys-announces-expanding-ai-capabilities-for-its-leading-eda-solutions.html))","render_override":null},{"id":"blk_0f5ce73c-65a3-43f8-92b4-9db600038e73","kind":"paragraph","order":792,"section_id":"sec_007a23b9-8a98-4a58-831a-8ab9f77eaac6","character_id":null,"markdown":"ただしここでの重要な注意点は、**「AIがコードを書ける」ことと、「AIに丸投げできる」ことは別**だという点です。Cadence の説明でも、AIエージェントは **specification・design data・EDA tools へのアクセス**を使って設計コラテラルやタスクを生成・実行するとされていますが、同時に **design correctness** と **engineering discipline** を維持すると書かれており、実務上は人間レビュー前提です。Synopsys 側でも Microsoft の事例は **SVA、auxiliary logic、TCL、properties、bind files** の生成を示していますが、機能精度は「most properties で 70% functional accuracy」とされており、完全無人より **人のレビューを前提にした加速器** と見るのが正確です。 ([Cadence](https://www.cadence.com/en_US/home/ai/ai-for-design.html))","render_override":null},{"id":"blk_02289b46-c7d7-406b-8341-99884e6ce4db","kind":"paragraph","order":793,"section_id":"sec_007a23b9-8a98-4a58-831a-8ab9f77eaac6","character_id":null,"markdown":"次に、**AIとチャットしながら進める使い方**は、もうかなり現実化しています。Synopsys は Copilot の中核として **Knowledge Assistant** と **Workflow Assistant** を出しており、自然言語で質問し、文書検索、スクリプト生成、ツール操作の guidance を受けられるとしています。Cadence も Verisium / JedAI 系で AI を verification 管理や debug に統合しており、Siemens も Solido や Fuse で **natural language interactions** を前面に出しています。 ([Synopsys](https://www.synopsys.com/ja-jp/japan/press-releases/synopsys-announces-expanding-ai-capabilities-for-its-leading-eda-solutions.html))","render_override":null},{"id":"blk_514d4856-d877-47e0-93f1-bed72193d97f","kind":"paragraph","order":794,"section_id":"sec_007a23b9-8a98-4a58-831a-8ab9f77eaac6","character_id":null,"markdown":"あなたが挙げた **「IP選定」** については、答えは **部分的にYes、でもまだ“全面自動化”とまでは言いにくい** です。Synopsys の公開説明では **Design Exploration** や **Natural Language Interaction** は強く出ていますが、公開情報としては「AIがベンダー横断で最適IPを自動選定して購買判断まで行う」というところまでは強く打ち出していません。いっぽう Cadence は ChipStack AI Super Agent で **“Generates SoC fabric RTL and IP with verification collateral based on specification requirements”** と明記しており、少なくとも **要求仕様からSoCファブリックやIP構成を生成する方向** には進んでいます。なので現時点では、**社内IP再利用や同一ベンダーのIP群の中で候補を絞る支援** は進んでいますが、**人間のアーキテクトの代わりに最終選定を丸ごとやる万能エージェント** という理解はまだ早いです。これは公開されている機能説明の重心が、より明確に **生成・検証・最適化・デバッグ** にあることからの判断です。 ([Synopsys](https://www.synopsys.com/ai/generative-ai.html))","render_override":null},{"id":"blk_db22ed00-defb-44aa-8da2-2c020efedd74","kind":"paragraph","order":795,"section_id":"sec_007a23b9-8a98-4a58-831a-8ab9f77eaac6","character_id":null,"markdown":"**検証環境の構築** は、むしろ今いちばん進んでいる領域のひとつです。Synopsys は Microsoft の利用例として、**formal testbench の自動作成**、**SVA / TCL / properties / bind files の生成** を示しています。Cadence は ChipStack で **verification plan、SVA、自動prove、UVM sequences / checkers / coverages、unit-level tests** を生成するとしており、Verisium では **AI-driven test-suite optimization、failure triage、bug root-cause analysis、coverage 向上** を打ち出しています。つまり検証は、**テストを書く前**から**デバッグして原因を絞る後工程**まで、かなりAI浸透が進んでいます。 ([Synopsys](https://www.synopsys.com/blogs/chip-design/ai-chip-design-synopsys-microsoft.html))","render_override":null},{"id":"blk_8d490182-e3be-4dda-88fa-b51ef85eb3ef","kind":"paragraph","order":796,"section_id":"sec_007a23b9-8a98-4a58-831a-8ab9f77eaac6","character_id":null,"markdown":"しかもEDAのAIは、単なる「コード補完」だけではありません。 \nむしろ昔から強かったのは、**バックエンドの膨大な探索・最適化** です。Synopsys DSO.ai は reinforcement learning で巨大な設計空間を探索し、PPA を最適化する “autonomous AI application” とされています。Cadence Cerebrus も **RTL-to-GDS full-flow optimization** を強調しており、ブロック設計者が design goals を指定すると AI が power / performance / area 目標に向けて flow を最適化すると説明しています。つまり、EDAでのAIは **「LLMがコードを書く」より前から、「人間が回しきれない探索空間を自動で回す」ことで大きな価値を出していた** ということです。 ([Synopsys](https://www.synopsys.com/ai/ai-powered-eda/dso-ai.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_b0e69278-ab7f-408f-95d5-4d737923f0bc","kind":"paragraph","order":797,"section_id":"sec_007a23b9-8a98-4a58-831a-8ab9f77eaac6","character_id":null,"markdown":"その流れは **サインオフや物理設計** にも広がっています。Synopsys は signoff で **AI-driven technologies** を前面に出し、PrimeClosure を **AI-driven golden signoff ECO closure solution** と説明しています。Cadence も Cerebrus や agentic AI を implementation / back-end へ広げており、Siemens も Fuse EDA AI Agent を **place-and-route、physical sign-off、manufacturing readiness** まで広げるとしています。なのでAIは front-end だけでなく、**実装・クロージャ・サインオフ** にも深く入っています。 ([Synopsys](https://www.synopsys.com/implementation-and-signoff/signoff.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_6c0edf7b-a825-4152-93f7-c76860ac2dfd","kind":"paragraph","order":798,"section_id":"sec_007a23b9-8a98-4a58-831a-8ab9f77eaac6","character_id":null,"markdown":"さらに最近は、**アナログやカスタム設計** にも入っています。Cadence は Virtuoso Studio を Cadence.AI Generative AI Platform の一部と位置づけ、アナログ / RF / mixed-signal / photonics まで支援するとしています。Synopsys も ASO.ai を **analog design, implementation and verification** の加速に使うとし、2026年には **AI-powered analog layout synthesis** を打ち出しています。Siemens も Solido を **custom IC design workflows** 向けの generative / agentic AI としています。つまりAIは、もはやデジタルRTLだけの話ではありません。 ([Cadence](https://www.cadence.com/en_US/home/tools/custom-ic-analog-rf-design/virtuoso-studio.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_75171b16-8199-4473-b6dd-ffc4603f5a2f","kind":"heading","order":799,"section_id":"sec_0bdd2a3f-8cff-4c65-bcf9-90418b727fc2","character_id":null,"markdown":"## Q&A方式でどのような状態か","render_override":null},{"id":"blk_a16b975f-b1c8-44c4-952b-17fdd3ec1a38","kind":"paragraph","order":800,"section_id":"sec_0bdd2a3f-8cff-4c65-bcf9-90418b727fc2","character_id":null,"markdown":"**SystemVerilog / Verilogを書く** \n→ **はい。** ただし全面自動ではなく、生成・修正・アップグレード・候補提示・制約付き生成が中心です。 ([Synopsys](https://www.synopsys.com/ja-jp/japan/press-releases/synopsys-announces-expanding-ai-capabilities-for-its-leading-eda-solutions.html))","render_override":null},{"id":"blk_1cb68452-07fa-4be7-a4f2-7872c6e773db","kind":"paragraph","order":801,"section_id":"sec_0bdd2a3f-8cff-4c65-bcf9-90418b727fc2","character_id":null,"markdown":"**AIとチャットしながら進める** \n→ **はい。** Knowledge Assistant、natural language interaction、workflow assistant はすでに主流化しつつあります。 ([Synopsys](https://www.synopsys.com/ja-jp/japan/press-releases/synopsys-announces-expanding-ai-capabilities-for-its-leading-eda-solutions.html))","render_override":null},{"id":"blk_3fa9e430-7e89-46b4-8ebb-94c3fe72fe83","kind":"paragraph","order":802,"section_id":"sec_0bdd2a3f-8cff-4c65-bcf9-90418b727fc2","character_id":null,"markdown":"**IP選定やSoC構成支援** \n→ **一部は始まっている。** 特に spec から SoC fabric / IP を組む方向は出てきていますが、最終的なアーキテクチャ判断やベンダー横断選定は、まだ人間主導が強いです。 ([Cadence](https://www.cadence.com/en_US/home/tools/system-design-and-verification/chipstack-ai-superagent.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_3f3030b0-6f17-4845-85d6-1d8b30a63ff2","kind":"paragraph","order":803,"section_id":"sec_0bdd2a3f-8cff-4c65-bcf9-90418b727fc2","character_id":null,"markdown":"**検証環境の構築** \n→ **かなり進んでいる。** SVA、formal testbench、UVM sequences、coverage、debug triage、root-cause analysis はすでに公開機能としてかなり具体的です。 ([Synopsys](https://www.synopsys.com/blogs/chip-design/ai-chip-design-synopsys-microsoft.html))","render_override":null},{"id":"blk_fa0c8f22-de93-45c0-a397-1ee81ecd23f2","kind":"paragraph","order":804,"section_id":"sec_0bdd2a3f-8cff-4c65-bcf9-90418b727fc2","character_id":null,"markdown":"**あらゆる場面で使われるか** \n→ **方向性としてはYes。** 実際に major vendors は architecture / RTL / verification / implementation / signoff / analog / multiphysics / manufacturing readiness までAI適用範囲を広げています。ただし **成熟度は工程ごとに差がある** ので、今いちばん実用が強いのは **verification、debug、tool guidance、scripting、PPA最適化** です。 ([Synopsys](https://www.synopsys.com/ai/ai-powered-eda.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_6683e4e9-e550-47d2-b3c7-45622564d770","kind":"paragraph","order":805,"section_id":"sec_0bdd2a3f-8cff-4c65-bcf9-90418b727fc2","character_id":null,"markdown":"一言でまとめると、 \n**EDAのAIは、もう「ただのチャットボット」ではありません。** \nすでに **コード生成、検証生成、デバッグ、最適化、フロー実行** に入り始めています。 \nただし現時点では、**“AIがEDAツールを使う”世界が本格化してきた** のであって、**“人間なしで完全自律テープアウト”が普通になった** わけではありません。公開資料を見ても、各社とも基本は **human-in-the-loop の高性能化** として売っています。 ([Cadence](https://www.cadence.com/en_US/home/ai/ai-for-design.html))","render_override":null},{"id":"blk_e49afdf5-8a6f-4410-9c81-44b27a33fc55","kind":"thematic_break","order":806,"section_id":"sec_0bdd2a3f-8cff-4c65-bcf9-90418b727fc2","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ae7864ce-14a8-4a3b-a4c9-6bd09f44b0a1","kind":"heading","order":807,"section_id":"sec_f32d27ab-55ac-40b0-8c2e-f360540e8306","character_id":null,"markdown":"## AIが今どこまでできて、どこがまだ人間の仕事か","render_override":null},{"id":"blk_e1e2b271-9686-4fc1-a5dc-d78b4163864a","kind":"paragraph","order":808,"section_id":"sec_f32d27ab-55ac-40b0-8c2e-f360540e8306","character_id":null,"markdown":"はい。 \nかなり雑に一言でまとめると、\\*\\*今のGPU開発でAIが最も実用に入っているのは「検証・デバッグ・PPA最適化・ツール操作支援」\\*\\*で、\\*\\*最後まで人が強く握っているのは「製品要求の定義」「アーキ判断」「最終IP採用判断」「サインオフ責任」\\*\\*です。Synopsysは Copilot/Knowledge Assistant/Workflow Assistant/RTL生成/DFT最適化を、Cadence は ChipStack/Verisium/Cerebrus を前面に出しており、両社とも「AIがかなり深く入る」が「設計の正しさとエンジニアリング規律は維持する」という立て付けです。 ([Synopsys](https://www.synopsys.com/ja-jp/japan/press-releases/synopsys-announces-expanding-ai-capabilities-for-its-leading-eda-solutions.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_b762a87b-e16a-4531-b9ee-aa997bfe135c","kind":"figure","order":809,"section_id":"sec_f32d27ab-55ac-40b0-8c2e-f360540e8306","character_id":null,"markdown":"![](/media/58f1145aead752c0c02e4b369f3392f74c603b557691ca6665a98c1c9a434621-content.webp)","render_override":null},{"id":"blk_2285977c-001d-4bbf-a5cc-9c42c1d50acb","kind":"figure","order":810,"section_id":"sec_f32d27ab-55ac-40b0-8c2e-f360540e8306","character_id":null,"markdown":"![](/media/0e1c07638911a866d407f3b6ae5a92212af9ad19fdade3d59a40a2ad65c42584-content.webp)","render_override":null},{"id":"blk_6ede65a9-073f-4b27-9f61-4a0bf13531ad","kind":"paragraph","order":811,"section_id":"sec_f32d27ab-55ac-40b0-8c2e-f360540e8306","character_id":null,"markdown":"この表をさらに短くすると、今のAI導入の現実はこうです。","render_override":null},{"id":"blk_5d36976c-4cef-466a-9cc2-6dd4453fa54d","kind":"paragraph","order":812,"section_id":"sec_f32d27ab-55ac-40b0-8c2e-f360540e8306","character_id":null,"markdown":"**もうかなり強い** \n→ ツール質問、スクリプト生成、RTLの叩き台、SVA/UVM生成、デバッグ、回帰最適化、PPA探索、DFT/ATPG最適化。 ([Synopsys](https://www.synopsys.com/ai/generative-ai.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_b2967df4-47ce-4590-9ad5-98bc217ad673","kind":"paragraph","order":813,"section_id":"sec_f32d27ab-55ac-40b0-8c2e-f360540e8306","character_id":null,"markdown":"**強いが、人の責任が重い** \n→ SoC構成、IP選定、制約の切り方、signoff判断、製品要求の優先順位。Cadence も「LLM alone is not enough」とし、shared mental model と engineering discipline を明示していますし、Synopsys も “Copilot/Assistant” として売っています。 ([Cadence](https://www.cadence.com/en_US/home/tools/system-design-and-verification/chipstack-ai-superagent.html))","render_override":null},{"id":"blk_57d0cd0e-b158-47bc-9ee6-58dc0b340bf1","kind":"paragraph","order":814,"section_id":"sec_f32d27ab-55ac-40b0-8c2e-f360540e8306","character_id":null,"markdown":"つまり現時点のGPU開発では、 \n**AIは“若手を即戦力化する副操縦士”と“膨大な探索を回す自動最適化エンジン”としてはかなり強い**です。 \nでも、**GPUという製品の意味を決める人、最後に責任を持って判を押す人**までは、まだ人間です。 ([Synopsys](https://www.synopsys.com/ja-jp/japan/press-releases/synopsys-announces-expanding-ai-capabilities-for-its-leading-eda-solutions.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_b57ce4d9-4841-4387-9129-aecad436a8d5","kind":"thematic_break","order":815,"section_id":"sec_f32d27ab-55ac-40b0-8c2e-f360540e8306","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b37412a1-e02f-4da3-ae0b-ec8238ee1df9","kind":"heading","order":816,"section_id":"sec_19e5b639-214f-4105-b1a6-d9a4ac5a588b","character_id":null,"markdown":"## AI導入で Synopsys・Cadence・Arm・Ansys の価値がそれぞれどう変わるか投資家目線で整理","render_override":null},{"id":"blk_d8715e37-872b-405b-a2de-c90444901f54","kind":"paragraph","order":817,"section_id":"sec_19e5b639-214f-4105-b1a6-d9a4ac5a588b","character_id":null,"markdown":"**Synopsys と Cadence は「AI時代にチップ設計が難しくなるほど儲かりやすい道具屋」**、**Arm は「AI時代に作られるチップそのものの中身で取る会社」**、**Ansys はいま単独株ではなく Synopsys の中で“物理解析の価値”として効く資産**、という見方が基本です。なお Ansys は 2025年7月17日に Synopsys が買収を完了しており、現在は単独の上場株としては見ません。 ([investor.synopsys.com](https://investor.synopsys.com/news/news-details/2025/Synopsys-Completes-Acquisition-of-Ansys/default.aspx))","render_override":null},{"id":"blk_a811316e-2ad8-4c84-8795-964a46c019d8","kind":"paragraph","order":818,"section_id":"sec_19e5b639-214f-4105-b1a6-d9a4ac5a588b","character_id":null,"markdown":"まず結論だけ先に言うと、私の見立てはこうです。 \n**いちばん“きれいなAI設計ツール銘柄”は Cadence**、**いちばん“戦略的な上振れ余地”が大きいのは Synopsys**、**いちばん“AI普及の量に賭ける銘柄”が Arm**、**Ansys は単独ではなく Synopsys 上乗せ要因**です。これは、Cadence が AI・検証・ハードウェア検証を独立で伸ばせる一方、Synopsys は Ansys 統合でシリコンからシステムまで広げられるからです。Arm は AIチップが増えるほど恩恵を受けやすいですが、EDAのような“ほぼ全社に課金する道具屋”とは性質が違います。 ([Cadence](https://www.cadence.com/en_US/home/company/newsroom/press-releases/pr/2026/cadence-unleashes-chipstack-ai-super-agent-pioneering-a-new.html))","render_override":null},{"id":"blk_02120c9b-afcb-42ac-8aa0-4513cc95cb49","kind":"paragraph","order":819,"section_id":"sec_19e5b639-214f-4105-b1a6-d9a4ac5a588b","character_id":null,"markdown":"**Synopsys** \nAI導入で一番変わるのは、Synopsys が **「EDA会社」から「silicon-to-systems の工学基盤会社」へ広がった** ことです。Synopsys は 2025年9月に Copilot の拡張を発表し、Knowledge Assistant、Workflow Assistant、RTLコード生成、formal assertion 生成などを前面に出しました。さらに DSO.ai は PPA 最適化を自律探索する中核製品で、Synopsys 自身も AI をシリコン設計から製造・検証まで全体に適用する方針を示しています。そこへ 2025年7月の Ansys 買収が重なり、会社側は統合後TAMを 310億ドル、2026年上期に multiphysics を EDA スタックへ融合した最初の統合機能を出す計画だと説明しています。2026年度売上見通しの中間値 96.1億ドルには、Ansys 売上 29億ドル見込みがすでに織り込まれています。 ([investor.synopsys.com](https://investor.synopsys.com/news/news-details/2025/Synopsys-Announces-Expanding-AI-Capabilities-for-its-Leading-EDA-Solutions/default.aspx))","render_override":null},{"id":"blk_bd6d1aed-8928-4537-8c3f-92456dc86c87","kind":"paragraph","order":820,"section_id":"sec_19e5b639-214f-4105-b1a6-d9a4ac5a588b","character_id":null,"markdown":"投資家としての読み方は、**Synopsys は「AIで設計難度が上がるほど、EDA + 検証 + IP + 物理解析まで一体で取りにいける会社」になった** ということです。特に 2.5D/3D、先端パッケージ、熱・電源・電磁界まで絡む AI システムでは、論理設計だけでなく物理世界の整合が重要になるので、Ansys 統合が効きやすいです。逆にリスクは、**統合が大きいぶん実行難度が高い** ことです。だから Synopsys の投資判断は「AIそのもの」より、**Ansys を飲み込んで本当に platform company になれるか** が主論点です。これは私の推論ですが、ソースが示す TAM 拡大と統合ロードマップから見ると、4社の中でいちばん“上振れの幅”が大きいのは Synopsys です。 ([investor.synopsys.com](https://investor.synopsys.com/news/news-details/2025/Synopsys-Completes-Acquisition-of-Ansys/default.aspx))","render_override":null},{"id":"blk_93fcb253-7e0d-4698-8ea2-41f8fe39b9c2","kind":"paragraph","order":821,"section_id":"sec_19e5b639-214f-4105-b1a6-d9a4ac5a588b","character_id":null,"markdown":"**Cadence** \nCadence の強みは、**AI導入の恩恵を、いちばん純粋で分かりやすい形で取りやすい** ところです。Cadence は 2024年 10-K で、Cerebrus を full-flow IC through signoff の generative AI と位置づけ、Verisium を verification flow 全体の GenAI、Palladium / Protium を AIチップなど巨大設計の検証加速基盤として説明しています。2026年2月には ChipStack AI Super Agent を発表し、仕様や高位記述から設計・検証を自動化し、設計コード・テストベンチ・テスト計画・回帰・デバッグ・自動修正で最大 10倍の生産性向上をうたっています。Cadence はこの agentic AI を NVIDIA の加速計算と組み合わせる発表もしており、AIチップ設計だけでなく system / physical AI 側へも広げています。 ([Cadence](https://www.cadence.com/content/dam/cadence-www/global/en_US/documents/company/investors/form-10-k-2024.pdf))","render_override":null},{"id":"blk_c7f98885-6ffe-4e9f-b1ff-b7244bf16794","kind":"paragraph","order":822,"section_id":"sec_19e5b639-214f-4105-b1a6-d9a4ac5a588b","character_id":null,"markdown":"投資家目線では、Cadence は **「AIで半導体設計が難しくなる」ことを最も素直に業績へ変換しやすい銘柄** です。理由は、フロントエンド設計、検証、PPA最適化、さらに emulation / prototyping hardware まで持っていて、しかも Synopsys のような大型統合案件を抱えていないからです。実際、Cadence は 2025年通期決算で 2026年売上見通し 59億～60億ドル、非GAAP営業利益率 44.75%～45.75%、年初バックログ 78億ドルを示しています。私の見方では、**“AI時代のEDA”を最もきれいに買うなら Cadence** です。弱点は、**すでにかなり高品質企業として評価されやすい** 点で、株価面では execution の良さがかなり織り込まれやすいことです。 ([investor.cadence.com](https://investor.cadence.com/news/news-details/2026/Cadence-Reports-Fourth-Quarter-and-Fiscal-Year-2025-Financial-Results/default.aspx?utm_source=chatgpt.com))","render_override":null},{"id":"blk_9809c78a-42d1-48c4-94e4-ca773b86613a","kind":"paragraph","order":823,"section_id":"sec_19e5b639-214f-4105-b1a6-d9a4ac5a588b","character_id":null,"markdown":"**Arm** \nArm は EDA ではなく、**AIで増えるチップの中身に乗る会社** です。Arm の 2026年2月の投資家資料では、Q3 FYE26 のロイヤルティ売上が前年同期比 27%増の 7.37億ドルで、Armv9 と CSS、そしてデータセンターでの Arm 採用拡大が寄与したと説明しています。Arm はさらに、AI everywhere が高性能かつ電力効率の高い Arm 需要を押し上げるとし、CSS は設計時間・コスト・リスクを減らし、ロイヤルティ単価を大きく引き上げると説明しています。Q3 FYE26 時点で CSS は 21件のライセンス、Arm はそれが将来的に preferred model になりうると示しています。 ([Arm Investor Relations](https://investors.arm.com/static-files/43e9cb50-de86-4aee-b8d1-076460de27b8))","render_override":null},{"id":"blk_7e3ae0c9-edab-48c7-9afc-591b962a58e7","kind":"paragraph","order":824,"section_id":"sec_19e5b639-214f-4105-b1a6-d9a4ac5a588b","character_id":null,"markdown":"投資家としてのポイントは、**Arm は AI 導入で “使われるチップの数” と “チップ1個あたりの取り分” の両方を伸ばせる可能性がある** ことです。特にクラウド、車載、IoT、カスタムAIアクセラレータ周辺で Arm ベース SoC が増えるほど追い風になります。ですが、Synopsys / Cadence と違って Arm は“設計のたびにほぼ必ず必要な道具”ではありません。だから、投資の性格としては **道具屋の安定成長より、設計勝ち筋・採用シェア・ロイヤルティ単価上昇に賭ける銘柄** です。私の見立てでは、**4社の中でいちばん上振れも下振れも大きいのが Arm** です。AI時代の勝者になれば大きいですが、収益化のタイミングは設計採用から量産ロイヤルティまで時差があります。 ([Arm Investor Relations](https://investors.arm.com/static-files/43e9cb50-de86-4aee-b8d1-076460de27b8))","render_override":null},{"id":"blk_e1c34d10-052d-4d6b-a349-d52507d68a6e","kind":"paragraph","order":825,"section_id":"sec_19e5b639-214f-4105-b1a6-d9a4ac5a588b","character_id":null,"markdown":"**Ansys** \nAnsys はいま単独の投資対象ではありませんが、**AI時代に価値が落ちるどころか、むしろ重要度が上がる資産** です。Synopsys は買収完了時に、AI時代の複雑なシステム開発には electronics と physics のより深い統合が必要だと説明し、Ansys を入れることで silicon design、IP、simulation and analysis を束ねるとしています。Ansys 自身も半導体・3D IC向けに thermal、EMI/EMC、power integrity などの multiphysics を前面に出しており、2024年には TSMC と AI を活用した 3D-IC 設計協業を発表しています。 ([investor.synopsys.com](https://investor.synopsys.com/news/news-details/2025/Synopsys-Completes-Acquisition-of-Ansys/default.aspx))","render_override":null},{"id":"blk_4b60134b-7d8e-44bf-9154-51d5dabbc08b","kind":"paragraph","order":826,"section_id":"sec_19e5b639-214f-4105-b1a6-d9a4ac5a588b","character_id":null,"markdown":"投資家視点では、Ansys は **単独で買う会社ではなく、Synopsys の moat を深くする資産** です。AIサーバー、3D-IC、先端パッケージ、電力密度、熱設計が重くなるほど、Ansys の物理解析は「あると便利」ではなく「ないと怖い」に近づきます。つまり Ansys の価値は、今は **Synopsys の統合ストーリーの中で評価すべき** です。 ([investor.synopsys.com](https://investor.synopsys.com/news/news-details/2025/Synopsys-Completes-Acquisition-of-Ansys/default.aspx))","render_override":null},{"id":"blk_98203b36-3a3f-4da8-af3d-216d977456e3","kind":"paragraph","order":827,"section_id":"sec_19e5b639-214f-4105-b1a6-d9a4ac5a588b","character_id":null,"markdown":"株価面でひとことだけ添えると、**Synopsys と Cadence はすでにかなり高評価です。** 直近の市場データでは、Synopsys の時価総額は約 889.8億ドル、PER は約 80.8倍、Cadence の時価総額は約 957.1億ドル、PER は約 90.2倍です。なので、この2社は「AIで恩恵があるか」だけでなく、**その恩恵が今のバリュエーションをさらに上回る速度で利益に落ちるか** が重要です。","render_override":null},{"id":"blk_fac020a8-b663-43c5-8c0c-b9ac056931e6","kind":"paragraph","order":828,"section_id":"sec_19e5b639-214f-4105-b1a6-d9a4ac5a588b","character_id":null,"markdown":"私ならこう整理します。 \n**安定性と分かりやすさ重視なら Cadence。** \n**戦略的な化け方まで取りにいくなら Synopsys。** \n**AIコンピュート普及そのものに強く張るなら Arm。** \n**Ansys は単独ではなく Synopsys の統合価値として見る。** \nこの順です。これは企業側の公開資料に基づく私の推論ですが、**“AI設計ツールの王道”は Cadence、“AI時代の工学プラットフォーム化”は Synopsys、“AIチップ普及の取り分”は Arm** と分けるとかなり見やすいです。 ([Cadence](https://www.cadence.com/en_US/home/company/newsroom/press-releases/pr/2026/cadence-unleashes-chipstack-ai-super-agent-pioneering-a-new.html))","render_override":null},{"id":"blk_1b2c8df1-4b6d-4863-b30c-7daf6d535779","kind":"thematic_break","order":829,"section_id":"sec_19e5b639-214f-4105-b1a6-d9a4ac5a588b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b7e8b60c-29a6-4df9-a461-a36dd0a9d64e","kind":"heading","order":830,"section_id":"sec_8d268ff9-24fc-4d14-972a-f175df77b2cd","character_id":null,"markdown":"## EDAの売り方","render_override":null},{"id":"blk_d109fb89-eaf4-4987-97d5-1ed848ac7569","kind":"paragraph","order":831,"section_id":"sec_8d268ff9-24fc-4d14-972a-f175df77b2cd","character_id":null,"markdown":"**EDAはふつうの個人向けSaaSみたいに「毎日どれだけ触ったか」で単純従量課金されることが多いわけではありません。** \n中心は今でも **企業向けの期間契約** で、そこに **フローティングライセンス、契約枠、クラウド従量課金** が混ざる形です。Synopsys は自社ソフトを主に **TSL（Technology Subscription License）という期間契約** で売っていると説明しており、Cadence も自社ソフトを主に **time-based licenses** でライセンスしていて、期間は通常 **2～3年** だと説明しています。 ([sec.gov](https://www.sec.gov/Archives/edgar/data/883241/000088324124000024/snps-20241031.htm))","render_override":null},{"id":"blk_5b5b278b-4b69-4811-8190-748581419ce7","kind":"paragraph","order":832,"section_id":"sec_8d268ff9-24fc-4d14-972a-f175df77b2cd","character_id":null,"markdown":"まず、**いちばん基本の売り方**はこうです。 \nEDAベンダーは、顧客企業に対して「このツール群を、この期間、この条件で使えます」という形で売ります。Cadence は、契約開始時点で提供される製品群を期間中使え、アップデートも受けられる time-based license を主力にしていると書いています。Synopsys も、TSL は有限期間の time-based license で、契約にはサポート、頻繁なアップデート、複数コピー、顧客環境への適用支援、さらに他ライセンスへの remix rights まで含むと説明しています。つまり、**「ソフト本体＋保守更新＋運用支援」が1つの契約に束ねられている**感じです。 ([sec.gov](https://www.sec.gov/Archives/edgar/data/883241/000088324124000024/snps-20241031.htm))","render_override":null},{"id":"blk_d62960f8-8a10-4b41-93e1-be2ccf6000dc","kind":"paragraph","order":833,"section_id":"sec_8d268ff9-24fc-4d14-972a-f175df77b2cd","character_id":null,"markdown":"なので、感覚としては \n**Adobeを1人で月額契約する**というより、 \n**会社全体でEDAツール群を数年契約し、必要な製品や更新やサポート込みで使う** \nに近いです。Cadence は time-based license の支払いは一般に契約期間にわたって行われるとし、Synopsys も支払いは通常、契約期間中にほぼ均等分割で受け取るとしています。 ([sec.gov](https://www.sec.gov/Archives/edgar/data/883241/000088324124000024/snps-20241031.htm))","render_override":null},{"id":"blk_a847fc78-56d8-408a-ac22-917161edc113","kind":"paragraph","order":834,"section_id":"sec_8d268ff9-24fc-4d14-972a-f175df77b2cd","character_id":null,"markdown":"次に、**実際の使い方の単位**です。 \nここは「1人1ライセンス固定」だけではなく、**ライセンスサーバー経由で共有する形**が多いです。Synopsys は公開のライセンスガイドで、Network (floating)、Counted Nodelocked、Uncounted Nodelocked という形を示しており、ライセンスサーバーがネットワーク上のクライアントにライセンスを配る構成を説明しています。これは要するに、**同時に何人・何ジョブが使えるか**を契約数で管理する世界です。だから、実務感としては \n**「触った時間そのもの」より、「何本のライセンス枠を持つか」「同時利用数をどれだけ確保するか」** \nが重要です。 ([Synopsys](https://www.synopsys.com/support/licensing-installation-computeplatforms/licensing.html))","render_override":null},{"id":"blk_67226597-d402-4195-8768-aee92f4a6ab3","kind":"paragraph","order":835,"section_id":"sec_8d268ff9-24fc-4d14-972a-f175df77b2cd","character_id":null,"markdown":"つまり、あなたの質問にそのまま答えると、 \n**昔ながらの中心モデルでは「使えば使うほど毎秒課金」ではない**です。 \n多くの場合は、","render_override":null},{"id":"blk_fcfd7e89-38b3-4ed2-8e87-70b520c7e7ce","kind":"list","order":836,"section_id":"sec_8d268ff9-24fc-4d14-972a-f175df77b2cd","character_id":null,"markdown":"- 何のツールを使うか\n- 何本のライセンス枠を持つか\n- 何年契約か\n- 更新・保守を含むか\n- 追加製品や remix 権があるか \n で値段が決まります。Synopsys と Cadence の公開資料はどちらも、主力が時間ベースの契約で、サポートや更新を契約に含む形だと示しています。 ([sec.gov](https://www.sec.gov/Archives/edgar/data/883241/000088324124000024/snps-20241031.htm))","render_override":null},{"id":"blk_42b8387d-5196-4923-bbb3-647732053f9b","kind":"paragraph","order":837,"section_id":"sec_8d268ff9-24fc-4d14-972a-f175df77b2cd","character_id":null,"markdown":"ただし、**最近はクラウド経由で「使った分だけ」に近いモデルも増えています。** \nここが重要な変化です。Synopsys Cloud は **FlexEDA** というモデルで、**EDAライセンスを minute-by-minute で使え、リアルタイムで使った分だけ払う**と明記しています。Cadence も cloud EDA の説明で **pay-as-you-go** や **burst capacity** を打ち出しており、OnCloud では **consumption-based usage model** を採ると説明しています。つまり最近は、特にクラウド側で \n**「普段は通常契約、ピーク時だけ従量」** \nあるいは \n**「クラウド上の特定製品は従量課金」** \nが現実に増えています。 ([Synopsys](https://www.synopsys.com/cloud/latest-release.html))","render_override":null},{"id":"blk_80510d67-79f3-4206-a983-bc926ec729f9","kind":"paragraph","order":838,"section_id":"sec_8d268ff9-24fc-4d14-972a-f175df77b2cd","character_id":null,"markdown":"なので、かなり実態に近く言い直すと、EDAの売り方は今こうです。","render_override":null},{"id":"blk_51e0b3d8-6e9b-4d17-beac-3bc4cb82c1ff","kind":"paragraph","order":839,"section_id":"sec_8d268ff9-24fc-4d14-972a-f175df77b2cd","character_id":null,"markdown":"**\\1. 中心は期間契約** \nEDAの本体は今でもこれが主流です。数年契約で、更新・保守・アップグレード込みで使う形です。 ([sec.gov](https://www.sec.gov/Archives/edgar/data/883241/000088324124000024/snps-20241031.htm))","render_override":null},{"id":"blk_15757d14-9783-4c81-b94b-2193635b37aa","kind":"paragraph","order":840,"section_id":"sec_8d268ff9-24fc-4d14-972a-f175df77b2cd","character_id":null,"markdown":"**\\2. 運用は同時利用数や契約枠で管理** \nライセンスサーバーで floating license を配るので、単純な「1人1本」ではなく、企業全体で共有することが多いです。 ([Synopsys](https://www.synopsys.com/support/licensing-installation-computeplatforms/licensing.html))","render_override":null},{"id":"blk_77dae91c-0bcb-451a-a578-ae3c84b2852c","kind":"paragraph","order":841,"section_id":"sec_8d268ff9-24fc-4d14-972a-f175df77b2cd","character_id":null,"markdown":"**\\3. 大口顧客は“契約枠”で買うこともある** \nSynopsys は FSA（Flexible Spending Account）として、顧客が一定期間に固定金額をコミットし、その範囲で個別注文を引き出す形を説明しています。Cadence も一部顧客について、一定期間の固定金額コミットメントがあるとしています。つまり大企業では、**「この部署で年いくら使う」枠契約**に近い買い方もあります。 ([sec.gov](https://www.sec.gov/Archives/edgar/data/883241/000088324124000024/snps-20241031.htm))","render_override":null},{"id":"blk_b90a1652-14bb-4cc9-b5da-1d63110ac413","kind":"paragraph","order":842,"section_id":"sec_8d268ff9-24fc-4d14-972a-f175df77b2cd","character_id":null,"markdown":"**\\4. クラウドでは従量課金が増えている** \nSynopsys は分単位課金、Cadence は pay-as-you-go / consumption-based を明示しています。ここは一般的なSaaSやクラウドにかなり近いです。 ([Synopsys](https://www.synopsys.com/cloud/latest-release.html))","render_override":null},{"id":"blk_2d72b40f-442a-4f03-b004-b2253a435948","kind":"paragraph","order":843,"section_id":"sec_8d268ff9-24fc-4d14-972a-f175df77b2cd","character_id":null,"markdown":"あと、少し分けて考えた方がいいのが、**EDAソフトそのもの** と **IP** と **ハードウェア検証機** です。 \nSynopsys も Cadence も、EDAソフトだけでなく **IP** や **ハードウェア** も売っています。IP は Synopsys だと **per design basis**、つまり設計ごと課金が典型で、場合によっては **royalty** もあります。Cadence も design IP は **特定設計向けの非独占ライセンス**で、場合によっては顧客製品の出荷に応じた **royalty** を取るとしています。これはEDA本体の「期間契約」とは別の取り方です。 ([sec.gov](https://www.sec.gov/Archives/edgar/data/883241/000088324124000024/snps-20241031.htm))","render_override":null},{"id":"blk_550b3181-6985-4f17-9928-577cf40225de","kind":"paragraph","order":844,"section_id":"sec_8d268ff9-24fc-4d14-972a-f175df77b2cd","character_id":null,"markdown":"さらに、Cadence はハードウェア製品を **sale or lease**、つまり販売またはリースすると説明していて、エミュレーションハードウェアはクラウド経由の利用も可能だとしています。つまりEDA会社は、 \n**ソフトは期間契約**、 \n**IPは設計単位やロイヤルティ**、 \n**ハードは販売・リース**、 \n**クラウドは従量もあり** \nという複数の収益モデルを持っています。 ([sec.gov](https://www.sec.gov/Archives/edgar/data/883241/000088324124000024/snps-20241031.htm))","render_override":null},{"id":"blk_ba0a4283-aca3-4b42-b4ff-f52ded701d5f","kind":"paragraph","order":845,"section_id":"sec_8d268ff9-24fc-4d14-972a-f175df77b2cd","character_id":null,"markdown":"一言で整理すると、","render_override":null},{"id":"blk_7f5e516b-ec8e-460c-9240-6a8fd12abc3d","kind":"paragraph","order":846,"section_id":"sec_8d268ff9-24fc-4d14-972a-f175df77b2cd","character_id":null,"markdown":"**昔からのEDA本体** \n→ 期間契約が中心。使えば使うほど秒単位で増える形ではない。 ([sec.gov](https://www.sec.gov/Archives/edgar/data/883241/000088324124000024/snps-20241031.htm))","render_override":null},{"id":"blk_c8a763d4-4dbc-4320-b75f-40419233a67c","kind":"paragraph","order":847,"section_id":"sec_8d268ff9-24fc-4d14-972a-f175df77b2cd","character_id":null,"markdown":"**実務での運用** \n→ フローティングライセンスや契約枠で、同時利用数や使える製品範囲を管理する。 ([Synopsys](https://www.synopsys.com/support/licensing-installation-computeplatforms/licensing.html))","render_override":null},{"id":"blk_ee8d6962-3038-4016-b03f-992371ffd7f4","kind":"paragraph","order":848,"section_id":"sec_8d268ff9-24fc-4d14-972a-f175df77b2cd","character_id":null,"markdown":"**新しいクラウド型EDA** \n→ 使った分だけに近い pay-as-you-go / consumption-based が増えている。 ([Synopsys](https://www.synopsys.com/cloud/latest-release.html))","render_override":null},{"id":"blk_b7443171-4ed3-4d32-a1cc-725a03e7e253","kind":"paragraph","order":849,"section_id":"sec_8d268ff9-24fc-4d14-972a-f175df77b2cd","character_id":null,"markdown":"**「基本は使い放題に近い期間契約だが、契約範囲と同時利用数で縛る。最近はクラウドだけ従量課金が増えている」** \nがいちばん実態に近いです。 ([sec.gov](https://www.sec.gov/Archives/edgar/data/883241/000088324124000024/snps-20241031.htm))","render_override":null},{"id":"blk_b826b6a8-d610-41e0-b1a2-554560f270e4","kind":"thematic_break","order":850,"section_id":"sec_8d268ff9-24fc-4d14-972a-f175df77b2cd","character_id":null,"markdown":"---","render_override":null},{"id":"blk_12f998c4-dd76-468e-bfe8-12a94ac23740","kind":"heading","order":851,"section_id":"sec_0dfd6226-c983-41fb-b6cb-6168695dddec","character_id":null,"markdown":"## NVIDIAみたいな大手ファブレスが、Synopsys/Cadenceに実際どんな買い方をしていそうかを、現実的な運用イメージで説明","render_override":null},{"id":"blk_3b9426ef-41f4-496f-a10e-4e3fcf2d1992","kind":"paragraph","order":852,"section_id":"sec_0dfd6226-c983-41fb-b6cb-6168695dddec","character_id":null,"markdown":"ただしこれは **NVIDIA の実際の契約書が公開されているわけではない** ので、以下は **NVIDIA の事業形態** と **Synopsys/Cadence の公開されている販売モデル** から組み立てた、かなり現実的な運用イメージです。NVIDIA は自社工場を持たない **fabless** で、製造の全段階を外部パートナーに委ねる形を取っており、TSMC のようなファウンドリ、CoWoS パッケージ、組立・テスト外部委託先を使っています。 ([s201.q4cdn.com](https://s201.q4cdn.com/141608511/files/doc_financials/2026/q4/10K-NVDA.pdf))","render_override":null},{"id":"blk_2cac5b7e-fc1b-4a3a-bec0-39c0a59b75e0","kind":"heading","order":853,"section_id":"sec_d9afb7ac-f0df-4a6c-b601-552891a02263","character_id":null,"markdown":"## まず全体像","render_override":null},{"id":"blk_a7e4dd15-269f-4c75-82a3-d146e8fd6717","kind":"paragraph","order":854,"section_id":"sec_d9afb7ac-f0df-4a6c-b601-552891a02263","character_id":null,"markdown":"NVIDIA 級の大手ファブレスは、Synopsys / Cadence からおそらく次の4つを組み合わせて買っています。","render_override":null},{"id":"blk_057ffd9c-08f8-4d97-9fd0-06d69bc2935a","kind":"list","order":855,"section_id":"sec_d9afb7ac-f0df-4a6c-b601-552891a02263","character_id":null,"markdown":"1. **中核EDAソフトの長期契約**\n2. **チーム全体で共有するフローティングライセンス枠**\n3. **ピーク時だけ膨らませるクラウド利用枠**\n4. **必要に応じて IP とハードウェア検証機の別契約**","render_override":null},{"id":"blk_1033d643-0d2e-44fe-a511-e1ea0344d4b8","kind":"paragraph","order":856,"section_id":"sec_d9afb7ac-f0df-4a6c-b601-552891a02263","character_id":null,"markdown":"この「本体は長期契約、山場だけクラウド増強、検証ハードは別建て」という形が、いちばん自然です。Synopsys は主力ソフトを **time-based software licenses with support** として売っており、Cadence も主力は **time-based licenses** で、契約期間は一般に **2～3年** だと説明しています。Synopsys はクラウド側で **FlexEDA の by-the-minute 課金** も提供しています。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000024/snps-20250731.htm))","render_override":null},{"id":"blk_4f11fd4c-3e51-4d72-af2f-66badc0df66d","kind":"heading","order":857,"section_id":"sec_51bed11d-b08a-4a7b-9285-3b81ac355020","character_id":null,"markdown":"## たぶん一番近い買い方のイメージ","render_override":null},{"id":"blk_7efa8405-5ae9-4bb4-b918-440aef3bf01c","kind":"heading","order":858,"section_id":"sec_8b5199a1-da0a-44aa-9cbb-5d9889306d59","character_id":null,"markdown":"### \\1. まず会社として“大口の包括契約”を結ぶ","render_override":null},{"id":"blk_58f71fe3-8b75-4040-ac57-470341041e21","kind":"paragraph","order":859,"section_id":"sec_8b5199a1-da0a-44aa-9cbb-5d9889306d59","character_id":null,"markdown":"NVIDIA のような規模なら、個々の設計者が月額プランを買うのではなく、まず会社全体、または大きな事業部単位で \n**「今後2～3年、この製品群をこの規模で使う」** \nという大口契約を結ぶのが自然です。Cadence は time-based license の期間が一般に2～3年で、支払いも通常は期間中の均等または近似均等分割だと説明しています。Synopsys も time-based software license と support を束ねた subscription arrangement を主力にしています。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000024/snps-20250731.htm))","render_override":null},{"id":"blk_f546e1e9-dd47-447d-ad6c-48b94f694d39","kind":"paragraph","order":860,"section_id":"sec_8b5199a1-da0a-44aa-9cbb-5d9889306d59","character_id":null,"markdown":"投資家的に言い換えると、これは \n**「毎月の操作量で小さく払う」より、「大きな開発体制を前提に年間予算で押さえる」** \nモデルです。 \n大手ファブレスは製品開発を止められないので、まずベースキャパシティを契約で確保するはずです。これは公開資料からの推論ですが、販売モデルと顧客規模を考えるとかなり自然です。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000024/snps-20250731.htm))","render_override":null},{"id":"blk_b711f39e-e5ea-4617-a61a-3ee21f0a3bc8","kind":"heading","order":861,"section_id":"sec_efba70c3-f60e-433f-9af4-497137267211","character_id":null,"markdown":"### \\2. その契約の中で、チームごとにライセンス枠を使い分ける","render_override":null},{"id":"blk_44487a37-4e2c-44c2-8ec7-67dfd5532a4a","kind":"paragraph","order":862,"section_id":"sec_efba70c3-f60e-433f-9af4-497137267211","character_id":null,"markdown":"実運用では、GPU 設計は1チームではなく、","render_override":null},{"id":"blk_6bbf2b68-fab5-46e3-b061-56723bdf9cc5","kind":"list","order":863,"section_id":"sec_efba70c3-f60e-433f-9af4-497137267211","character_id":null,"markdown":"- フロントエンドRTL\n- 検証\n- 論理合成\n- 配置配線\n- サインオフ\n- DFT\n- 物理解析 \n のように分かれています。なので NVIDIA は、1枚岩のライセンスではなく、**製品群ごとのライセンス枠** を持ち、必要なチームがライセンスサーバー経由で同時利用していると考えるのが自然です。Synopsys はネットワーク型のライセンス管理と、クラウド/オンプレ両対応のライセンス管理を案内しています。 ([Synopsys](https://www.synopsys.com/cloud.html))","render_override":null},{"id":"blk_4c7dcc7a-458e-4938-9f39-20e3a74e435b","kind":"paragraph","order":864,"section_id":"sec_efba70c3-f60e-433f-9af4-497137267211","character_id":null,"markdown":"感覚としては、 \n**「社員1人に1本ずつ配る」より、「会社に大きなライセンスプールがあって、その時使う人が借りる」** \nに近いです。 \nだから NVIDIA のような会社では、費用管理の中心は「誰が何時間触ったか」より、**どの製品群の同時利用枠をどれだけ確保するか** になりやすいです。これは Synopsys/Cadence の time-based enterprise 寄りモデルからの推論です。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000024/snps-20250731.htm))","render_override":null},{"id":"blk_81589cdb-19ff-4d98-92c5-88072334e870","kind":"heading","order":865,"section_id":"sec_61e7b84e-5e65-43f7-b3d7-d46e3fa39132","character_id":null,"markdown":"### \\3. 通常時はオンプレ中心、山場はクラウドで“バースト”させる","render_override":null},{"id":"blk_505768a5-ab1b-487d-ae34-3cf55bd120d8","kind":"paragraph","order":866,"section_id":"sec_61e7b84e-5e65-43f7-b3d7-d46e3fa39132","character_id":null,"markdown":"大手ファブレスは、常時ピーク容量を自前で持つより、**普段はベース契約で回し、テープアウト前や大規模回帰の山場だけクラウドで増強** するのが合理的です。Cadence は Cloud EDA で **pay-as-you-go and burst capacity** を、Synopsys Cloud は **pay-per-use access to unlimited licenses by-the-minute** を打ち出しています。 ([Cadence](https://www.cadence.com/en_US/home/explore/eda-in-the-cloud.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_714bdd9e-9b3b-4786-a24b-660a34d86704","kind":"paragraph","order":867,"section_id":"sec_61e7b84e-5e65-43f7-b3d7-d46e3fa39132","character_id":null,"markdown":"なので、かなり現実的な運用像はこうです。","render_override":null},{"id":"blk_c925df54-72d2-4980-8594-3d52623048f5","kind":"list","order":868,"section_id":"sec_61e7b84e-5e65-43f7-b3d7-d46e3fa39132","character_id":null,"markdown":"- 普段の設計・日常回帰は社内の通常契約と既存計算基盤で回す\n- 大規模な nightly regression、サインオフ詰め、物理実装の探索、締切前の最後の追い込みではクラウドに逃がす\n- クラウドは「恒久的な本体」ではなく「納期を守るための伸縮用」","render_override":null},{"id":"blk_a3641e44-351f-4f2c-8222-a41800aa445e","kind":"paragraph","order":869,"section_id":"sec_61e7b84e-5e65-43f7-b3d7-d46e3fa39132","character_id":null,"markdown":"特に AI GPU のような巨大設計では、締切前の検証や PPA 探索が急増しやすいので、この使い方はかなりありそうです。これは公開モデルに基づく推論です。 ([Cadence](https://www.cadence.com/en_US/home/explore/eda-in-the-cloud.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_df822794-92a1-4357-949c-198d7679b199","kind":"heading","order":870,"section_id":"sec_e880aa38-33d2-42af-bfb6-234957066fae","character_id":null,"markdown":"## Synopsys と Cadence をどう使い分けていそうか","render_override":null},{"id":"blk_7464d294-5457-4da5-8631-0d776fece8db","kind":"heading","order":871,"section_id":"sec_db85f4bb-fb63-4219-b311-e12d7795bd85","character_id":null,"markdown":"### Synopsys 側","render_override":null},{"id":"blk_6165be04-c0ac-422e-a13e-f2e21bf9f556","kind":"paragraph","order":872,"section_id":"sec_db85f4bb-fb63-4219-b311-e12d7795bd85","character_id":null,"markdown":"NVIDIA 級なら Synopsys からは、","render_override":null},{"id":"blk_caed20e8-0b33-4e7b-b814-22ebf29af8f2","kind":"list","order":873,"section_id":"sec_db85f4bb-fb63-4219-b311-e12d7795bd85","character_id":null,"markdown":"- デジタル実装・サインオフ系\n- DFT / ATPG\n- 一部の検証\n- 必要に応じてソフトウェア/セキュリティ寄り資産\n- クラウド burst capacity \n をまとめて買っている可能性が高いです。Synopsys はソフトを subscription と perpetual の両方で提供し、クラウドでは FlexEDA と term-based license の両方を出しています。ハードウェア製品は emulation / prototyping systems で、**sold or leased** です。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000024/snps-20250731.htm))","render_override":null},{"id":"blk_2c9c9f04-71e4-4fea-b44d-ceb2ef4abdf9","kind":"heading","order":874,"section_id":"sec_620f8fca-3592-4213-98fe-aa1b8b96c9ce","character_id":null,"markdown":"### Cadence 側","render_override":null},{"id":"blk_79ddc385-0ea8-4f74-940d-39f87f1864ef","kind":"paragraph","order":875,"section_id":"sec_620f8fca-3592-4213-98fe-aa1b8b96c9ce","character_id":null,"markdown":"Cadence からは、","render_override":null},{"id":"blk_41b91234-bd06-4eaf-b6c7-ce6cc0d3149c","kind":"list","order":876,"section_id":"sec_620f8fca-3592-4213-98fe-aa1b8b96c9ce","character_id":null,"markdown":"- フロントエンド設計\n- 検証\n- 実装・サインオフ\n- Palladium / Protium のようなハードウェア検証基盤 \n を大きく押さえている絵が自然です。Cadence も主力は 2～3年の time-based license で、ハードウェア製品は **sold or leased**、しかも emulation hardware は **Cadence-managed cloud arrangement** でも利用可能です。 ([CloudFront](https://d18rn0p25nwr6d.cloudfront.net/CIK-0000813672/d0c91eef-b024-4f77-925f-bd540cb7bdef.pdf))","render_override":null},{"id":"blk_f8e97a9a-e765-4549-a377-8359d62cff23","kind":"paragraph","order":877,"section_id":"sec_620f8fca-3592-4213-98fe-aa1b8b96c9ce","character_id":null,"markdown":"つまり NVIDIA 級だと、 \n**ソフトは長期包括契約、検証ハードは別建て、必要に応じてクラウドで増強** \nという三層構造になっていそうです。 ([CloudFront](https://d18rn0p25nwr6d.cloudfront.net/CIK-0000813672/d0c91eef-b024-4f77-925f-bd540cb7bdef.pdf))","render_override":null},{"id":"blk_307f43a6-e939-44b0-b189-db9a048005ad","kind":"heading","order":878,"section_id":"sec_15857941-6775-4501-b9eb-a82f49214eb8","character_id":null,"markdown":"## IP はさらに別の買い方をしていそう","render_override":null},{"id":"blk_472563e7-aa5e-4065-9488-5b122ca0995d","kind":"paragraph","order":879,"section_id":"sec_15857941-6775-4501-b9eb-a82f49214eb8","character_id":null,"markdown":"EDA 本体とは別に、SoC や GPU 周辺では各種 IP も必要になります。 \nここは EDA の「使い放題契約」とは別で、**設計単位・製品単位・プロジェクト単位** の扱いになりやすいです。Cadence は design IP を **specific designs** 向けの nonexclusive license として売ると説明しています。Synopsys も IP はソフト契約とは別の収益区分です。 ([CloudFront](https://d18rn0p25nwr6d.cloudfront.net/CIK-0000813672/d0c91eef-b024-4f77-925f-bd540cb7bdef.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_3972e254-be2e-40e9-a069-b37a3daed05d","kind":"paragraph","order":880,"section_id":"sec_15857941-6775-4501-b9eb-a82f49214eb8","character_id":null,"markdown":"なので NVIDIA のような会社は、たとえば","render_override":null},{"id":"blk_f5cf3f98-d7fe-4d9a-8fa7-114801582edc","kind":"list","order":881,"section_id":"sec_15857941-6775-4501-b9eb-a82f49214eb8","character_id":null,"markdown":"- EDA は企業包括契約\n- 検証ハードは購入/リース\n- IP は個別プロジェクト単位 \n という形で、契約の箱が分かれているはずです。これは公開されている販売構造からの推論です。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000024/snps-20250731.htm))","render_override":null},{"id":"blk_c651975c-1ab8-446e-b952-85fd94ce980d","kind":"heading","order":882,"section_id":"sec_4eba16b0-44c9-4ccd-adf0-955f7b8ee26f","character_id":null,"markdown":"## かなり具体的な“現場の風景”にすると","render_override":null},{"id":"blk_d5ec9e7d-7d44-409e-abe7-52a91619c73c","kind":"paragraph","order":883,"section_id":"sec_4eba16b0-44c9-4ccd-adf0-955f7b8ee26f","character_id":null,"markdown":"たぶん、NVIDIA みたいな会社ではこんな感じです。","render_override":null},{"id":"blk_7638b6bf-6c09-4a43-b069-1ed0b502a2b3","kind":"paragraph","order":884,"section_id":"sec_4eba16b0-44c9-4ccd-adf0-955f7b8ee26f","character_id":null,"markdown":"**平時** \n設計者は社内ネットワーク上の既存ライセンスプールを使う。 \n日常のRTL、検証、合成、配置配線は通常契約の枠内で回す。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000024/snps-20250731.htm))","render_override":null},{"id":"blk_fe72e30b-c7a7-4a51-b42d-2a1c69d83a79","kind":"paragraph","order":885,"section_id":"sec_4eba16b0-44c9-4ccd-adf0-955f7b8ee26f","character_id":null,"markdown":"**開発が佳境に入ると** \n大規模回帰、PPA探索、サインオフ、DFT生成が増え、ライセンス需要と計算需要が急増する。 \nここでクラウドにジョブを逃がし、分単位または pay-as-you-go で一時的に膨らませる。 ([Synopsys](https://www.synopsys.com/cloud.html))","render_override":null},{"id":"blk_5e3bb1bb-999d-473d-909c-1c1a38bb9ab4","kind":"paragraph","order":886,"section_id":"sec_4eba16b0-44c9-4ccd-adf0-955f7b8ee26f","character_id":null,"markdown":"**巨大検証では** \nPalladium / Protium や ZeBu / HAPS のようなハードウェア支援検証機を、購入またはリースした設備として使う。場合によってはクラウド経由で使う。 ([CloudFront](https://d18rn0p25nwr6d.cloudfront.net/CIK-0000813672/d0c91eef-b024-4f77-925f-bd540cb7bdef.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_a5442ebc-1fdd-4fe9-ba62-666d1faf0622","kind":"paragraph","order":887,"section_id":"sec_4eba16b0-44c9-4ccd-adf0-955f7b8ee26f","character_id":null,"markdown":"**経理・購買の目線では** \n月ごとの細かな従量課金管理より、","render_override":null},{"id":"blk_46a71c94-a1f1-4778-9778-e17c43cec750","kind":"list","order":888,"section_id":"sec_4eba16b0-44c9-4ccd-adf0-955f7b8ee26f","character_id":null,"markdown":"- 2～3年の契約総額\n- 部門ごとのライセンス枠\n- クラウド burst の追加費用\n- ハードウェア検証機の償却またはリース\n- IP の個別契約 \n を別々に管理しているはずです。これは各社の収益構造からの推論です。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000024/snps-20250731.htm))","render_override":null},{"id":"blk_5bb3817f-162a-4625-bf03-9541af067645","kind":"heading","order":889,"section_id":"sec_d49d3e1e-804d-428c-9556-51ec01cd457c","character_id":null,"markdown":"## 一言でまとめると","render_override":null},{"id":"blk_c744b3f8-26f5-4363-96e4-b72ccf41e172","kind":"paragraph","order":890,"section_id":"sec_d49d3e1e-804d-428c-9556-51ec01cd457c","character_id":null,"markdown":"NVIDIA 級の大手ファブレスは、Synopsys / Cadence を \n**「必要な時に1席ずつ買うソフト」ではなく、「開発工場そのものを動かすための基幹インフラ」** \nとして買っている、と見るのがいちばん近いです。 \n普段は長期契約で土台を押さえ、締切前だけクラウドで膨らませ、巨大検証は別途ハードで支える。これが最も現実的な像です。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000024/snps-20250731.htm))","render_override":null},{"id":"blk_64d223a8-f476-4838-bdec-2aa41ce395cd","kind":"thematic_break","order":891,"section_id":"sec_d49d3e1e-804d-428c-9556-51ec01cd457c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_fd2ec62f-6ca5-48ad-a1d2-1099b3d7af83","kind":"heading","order":892,"section_id":"sec_1dda1140-e42d-480e-857a-55eb537720bb","character_id":null,"markdown":"## 長期契約はどれくらいだとだいたいどれくらいの売り上げと利益になるか","render_override":null},{"id":"blk_482908c2-5f65-4385-9152-bae0033b6927","kind":"paragraph","order":893,"section_id":"sec_1dda1140-e42d-480e-857a-55eb537720bb","character_id":null,"markdown":"はい。 \nただし、**個別契約の金額や採算はほぼ非公開** なので、ここで言えるのは **公開財務から逆算した「だいたいこのくらい」** です。 \nいちばん大事なのは、EDAの長期契約は **契約総額 = その年の売上** ではないことです。Cadence の time-based license は一般に **2～3年** で、支払いは **期間中の equal or near equal installments** が多く、売上は **契約期間にわたって認識** されます。Synopsys の TSL も一般に **3年** ですが、2025年の会計方針更新後は **time-based license 部分は開始時点寄り、support は期間按分** という形になっており、Cadence より売上認識がやや前倒しになりうる点は押さえておいた方がいいです。 ([CloudFront](https://d18rn0p25nwr6d.cloudfront.net/CIK-0000813672/d0c91eef-b024-4f77-925f-bd540cb7bdef.pdf))","render_override":null},{"id":"blk_18faa1b5-e578-45b5-941a-ba54c246c32c","kind":"paragraph","order":894,"section_id":"sec_1dda1140-e42d-480e-857a-55eb537720bb","character_id":null,"markdown":"まず、ざっくりした採算の目安です。 \nCadence の FY2025 は売上 **52.97億ドル**、GAAP営業利益率 **28.2%**、non-GAAP営業利益率 **44.6%** でした。Cadence の FY2025 の売上総利益率は、売上 **52.968億ドル** と売上原価 **7.223億ドル** から逆算すると **約86.4%** です。Synopsys の FY2025 は売上 **70.54億ドル**、売上総利益 **54.31億ドル** なので、GAAPベースの売上総利益率は **約77.0%** です。Synopsys の FY2026ガイダンスは売上 **95.6億～96.6億ドル**、non-GAAP費用 **56.9億～57.5億ドル** なので、単純計算の non-GAAP営業利益率は **約39.9%～41.1%** です。 ([investor.cadence.com](https://investor.cadence.com/news/news-details/2026/Cadence-Reports-Fourth-Quarter-and-Fiscal-Year-2025-Financial-Results/default.aspx))","render_override":null},{"id":"blk_61386426-48d0-451b-8064-6d0c5704f4c4","kind":"paragraph","order":895,"section_id":"sec_1dda1140-e42d-480e-857a-55eb537720bb","character_id":null,"markdown":"なので、**EDAの長期契約1本あたりの“ざっくり採算”** を見るときは、","render_override":null},{"id":"blk_a94fd4f8-d8b5-4c7b-a7d7-5089452c6b1d","kind":"list","order":896,"section_id":"sec_1dda1140-e42d-480e-857a-55eb537720bb","character_id":null,"markdown":"- **売上総利益率** はおおむね **77%～86%くらい**\n- **営業利益率** はおおむね **28%～45%くらい** \n と見ておくと、かなり現実に近いです。 \n もちろん実際には、ソフト中心か、クラウド利用が多いか、サービスをどれだけ付けるか、値引き、ハードウェア検証機やIPが混ざるかで上下します。特に Cadence は 2025年売上の **76%** を over-time で認識しており、ハードウェアやIPの比率が上がると利益率や認識タイミングは変わりやすいです。 ([CloudFront](https://d18rn0p25nwr6d.cloudfront.net/CIK-0000813672/d0c91eef-b024-4f77-925f-bd540cb7bdef.pdf))","render_override":null},{"id":"blk_8d95d194-244f-4437-b61b-02b135bf3e48","kind":"paragraph","order":897,"section_id":"sec_1dda1140-e42d-480e-857a-55eb537720bb","character_id":null,"markdown":"わかりやすくするため、**「ほぼソフト中心の長期契約」** として、単純化した例を出します。 \nここではまず **3年契約で年均し** のイメージで見ます。Cadence型だとかなりこの見方に近く、Synopsys型だと実際はこれより少し前倒しになる可能性があります。 ([CloudFront](https://d18rn0p25nwr6d.cloudfront.net/CIK-0000813672/d0c91eef-b024-4f77-925f-bd540cb7bdef.pdf))","render_override":null},{"id":"blk_e723af3b-c3fa-475e-874e-ffe882562bd7","kind":"figure","order":898,"section_id":"sec_1dda1140-e42d-480e-857a-55eb537720bb","character_id":null,"markdown":"![](/media/80816f04e6ca2d28ca21b1e3b66a0dc140342223f3a0a57739ebcf6c1262e898-content.webp)","render_override":null},{"id":"blk_68c7acf9-49bb-4d37-a58f-e1e7b49b3a19","kind":"paragraph","order":899,"section_id":"sec_1dda1140-e42d-480e-857a-55eb537720bb","character_id":null,"markdown":"この表は、上の公開財務の **77%～86%粗利、28%～45%営業利益** をそのまま当てはめた概算です。 ([investor.cadence.com](https://investor.cadence.com/news/news-details/2026/Cadence-Reports-Fourth-Quarter-and-Fiscal-Year-2025-Financial-Results/default.aspx))","render_override":null},{"id":"blk_6e589170-886a-47a8-bb24-fbbfec3c682b","kind":"paragraph","order":900,"section_id":"sec_1dda1140-e42d-480e-857a-55eb537720bb","character_id":null,"markdown":"ただ、**NVIDIA級の大手ファブレス向け契約** だと、実際はもう少し複雑です。 \nなぜなら、1本の契約の中に","render_override":null},{"id":"blk_211d2ec7-6c87-4e33-aa52-832c84757a3f","kind":"list","order":901,"section_id":"sec_1dda1140-e42d-480e-857a-55eb537720bb","character_id":null,"markdown":"- time-based software\n- cloud burst\n- services\n- hardware emulation / prototyping\n- IP \n が混ざることがあるからです。Cadence は hardware や IP も売っていて、ハードは sale/lease、IP は別の認識ルールがありますし、Synopsys も subscription software と upfront products が混在します。だから、**「契約総額3億ドルだから毎年きれいに1億ドル売上」** とは限りません。特に Synopsys は、time-based software license を arrangement 開始時点寄りに upfront product revenue として認識し、support を期間按分するため、同じ3年契約でも **初年度売上がやや厚く見える** 可能性があります。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000024/snps-20250731.htm))","render_override":null},{"id":"blk_045b780b-d46c-45c4-bef1-a138e4034a2a","kind":"paragraph","order":902,"section_id":"sec_1dda1140-e42d-480e-857a-55eb537720bb","character_id":null,"markdown":"投資家目線でいちばん使いやすい考え方は、 \n**「大型EDA契約は、受注した瞬間に全部売上になるのではなく、数年かけて売上化し、利益率はかなり高い」** \nという理解です。Synopsys は自社の revenue recognized in a particular period generally results from selling efforts in prior periods と述べており、ソフトウェアライセンス売上は通常 **約3年の arrangement period** にまたがるため、顧客支出の増減が即座に売上へは跳ねにくいと説明しています。これは EDA 企業の売上が比較的安定して見えやすい大きな理由です。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000024/snps-20250731.htm))","render_override":null},{"id":"blk_d49012b4-5b6a-4bc0-969d-93b5fff7b280","kind":"paragraph","order":903,"section_id":"sec_1dda1140-e42d-480e-857a-55eb537720bb","character_id":null,"markdown":"かなり実務に寄せて言うと、たとえば **3年総額3,000万ドルの純ソフト寄り契約** なら、 \nCadence型の見え方では **年間売上はだいたい1,000万ドル前後**、会社全体並みの採算を当てるなら **年間営業利益は280万～450万ドル程度** がひとつの目安です。Synopsys型ではこれと同程度の総利益水準でも、**売上認識のタイミングはやや前倒し** になりえます。 ([CloudFront](https://d18rn0p25nwr6d.cloudfront.net/CIK-0000813672/d0c91eef-b024-4f77-925f-bd540cb7bdef.pdf))","render_override":null},{"id":"blk_6daacd41-3d53-40a6-9241-37c9d15418a0","kind":"paragraph","order":904,"section_id":"sec_1dda1140-e42d-480e-857a-55eb537720bb","character_id":null,"markdown":"逆に、**本当に巨大な顧客向けの包括契約** は、1件で数千万ドルどころか、複数製品群・クラウド・ハード・IPまで含めて **年数千万～億ドル級のランレート** になっていても不思議ではありません。これは個別開示はありませんが、Cadence の 2025年売上 **52.97億ドル**、Synopsys の 2025年売上 **70.54億ドル**、Cadence backlog **78億ドル**、Synopsys backlog の認識期間が複数年にまたがることを見ると、大口顧客契約は相当大きいはずだと推測できます。これは公開財務からの推論です。 ([investor.cadence.com](https://investor.cadence.com/news/news-details/2026/Cadence-Reports-Fourth-Quarter-and-Fiscal-Year-2025-Financial-Results/default.aspx))","render_override":null},{"id":"blk_33cef61d-98a8-45ad-8865-22109235d737","kind":"paragraph","order":905,"section_id":"sec_1dda1140-e42d-480e-857a-55eb537720bb","character_id":null,"markdown":"一言でまとめると、 \n**3年契約なら、ざっくり「契約総額 ÷ 3」が年間売上の基本線**、 \n**粗利はその約8割前後、営業利益は約3～4.5割前後**、 \nと見ておくと投資家目線ではかなり使いやすいです。 \nただし **Synopsysは会計上やや前倒し、Cadenceはより期間按分寄り** という違いはあります。 ([CloudFront](https://d18rn0p25nwr6d.cloudfront.net/CIK-0000813672/d0c91eef-b024-4f77-925f-bd540cb7bdef.pdf))","render_override":null},{"id":"blk_e3f6ea8d-d519-4216-aebf-a43d0af7f408","kind":"thematic_break","order":906,"section_id":"sec_1dda1140-e42d-480e-857a-55eb537720bb","character_id":null,"markdown":"---","render_override":null},{"id":"blk_dbc7be3e-70b5-4cbe-bfa3-89ac851bcf82","kind":"heading","order":907,"section_id":"sec_cd14d08a-002e-4cfc-9801-a11a257ec125","character_id":null,"markdown":"## 「NVIDIAクラスの顧客1社がEDA各社に年間いくら払っていそうか」 を、かなり現実的なレンジで試算","render_override":null},{"id":"blk_53c2fd31-277b-4e1f-a64e-c45c87338302","kind":"paragraph","order":908,"section_id":"sec_cd14d08a-002e-4cfc-9801-a11a257ec125","character_id":null,"markdown":"ただしこれは **公開資料からの推定** で、**NVIDIA の実契約金額を示すものではありません。** \nいちばんブレにくいやり方は、まず **公開資料でわかる上限** を置き、その下に **平常年の現実的レンジ** と **山場の年の上振れレンジ** を置くことです。Synopsys の 2025年売上は **70.54億ドル**、Cadence の 2025年売上は **52.97億ドル** で、Cadence は **2025年に単一顧客10%超なし**、Synopsys も **2025年は単一顧客10%超なし** でしたが、**2024年と2023年には単一顧客が12.6%、13.5%** を占めた年がありました。Cadence の time-based license は一般に **2～3年**、Synopsys のソフト契約も一般に **2～3年** です。 ([SEC](https://www.sec.gov/Archives/edgar/data/813672/000081367226000016/cdns-20251231.htm))","render_override":null},{"id":"blk_a9c80c7e-f5b2-416c-b65b-6df6fc3e0a39","kind":"heading","order":909,"section_id":"sec_2e196580-e3da-4a60-9d94-1393aa8007da","character_id":null,"markdown":"## まず「絶対にあり得る上限」","render_override":null},{"id":"blk_266bde34-a9c6-423c-9da2-c7973649d4f6","kind":"paragraph","order":910,"section_id":"sec_2e196580-e3da-4a60-9d94-1393aa8007da","character_id":null,"markdown":"公開資料だけから言える、かなり硬い上限はこうです。","render_override":null},{"id":"blk_92df2ecc-c595-44a4-ac85-dda0b4bfdf6e","kind":"list","order":911,"section_id":"sec_2e196580-e3da-4a60-9d94-1393aa8007da","character_id":null,"markdown":"- **Synopsys 向け** \n 2025年は単一顧客10%超なしなので、**年間 7.05億ドル未満** です。2024年には単一顧客が **12.6%** を占めたので、その年のような特殊年なら **約7.7億ドル規模** の超大型顧客も理論上はあり得ます。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000028/snps-20251031.htm))\n- **Cadence 向け** \n 2025年は単一顧客10%超なしなので、**年間 5.30億ドル未満** です。 ([SEC](https://www.sec.gov/Archives/edgar/data/813672/000081367226000016/cdns-20251231.htm))","render_override":null},{"id":"blk_8ebb9443-dabc-4a36-81d3-f328221ec355","kind":"paragraph","order":912,"section_id":"sec_2e196580-e3da-4a60-9d94-1393aa8007da","character_id":null,"markdown":"ただ、この水準は **かなり外れ値寄り** です。 \n毎年そこまで貼り付くなら開示上かなり目立ちやすいので、**“平常運転の NVIDIA 級顧客”** を考えると、もう少し下のレンジで見る方が自然です。これは公開されている売上規模と顧客集中度からの推論です。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000028/snps-20251031.htm))","render_override":null},{"id":"blk_dac98276-f95a-4599-943d-7d2eb6b9dad9","kind":"heading","order":913,"section_id":"sec_cb907e29-c728-4ceb-93d5-be7a6724687f","character_id":null,"markdown":"## 私の推定レンジ","render_override":null},{"id":"blk_d26eb18f-b9bb-4963-972c-1fc110f101dc","kind":"heading","order":914,"section_id":"sec_7bdcc435-d910-400f-b962-efc72dd743af","character_id":null,"markdown":"### \\1. 平常年の「かなり現実的」なレンジ","render_override":null},{"id":"blk_f7508074-2883-48bb-ba5b-e3426868842d","kind":"paragraph","order":915,"section_id":"sec_7bdcc435-d910-400f-b962-efc72dd743af","character_id":null,"markdown":"これは **大口の包括契約 + 通常のクラウドバースト + 一部IP/サービス** を含むが、**大型ハードウェア検証機の一時的な大量導入までは強く織り込まない** ケースです。","render_override":null},{"id":"blk_960f6296-a6e1-4225-a07b-7c00a49fbafe","kind":"figure","order":916,"section_id":"sec_7bdcc435-d910-400f-b962-efc72dd743af","character_id":null,"markdown":"![](/media/efb5b645d450817f3e7be782e93efeefb0f48408fb4debfd8e04e43ca2d611b4-content.webp)","render_override":null},{"id":"blk_cac49aa9-35e0-45fa-9c80-25c720de96de","kind":"paragraph","order":917,"section_id":"sec_7bdcc435-d910-400f-b962-efc72dd743af","character_id":null,"markdown":"このレンジを中心値で見るなら、 \n**Synopsys 約2.5億ドル、Cadence 約1.8億ドル、合計約4.3億ドル/年** \nくらいが、私にはいちばんしっくりきます。 \n理由は、両社とも多数の大口顧客を抱える一方で、NVIDIA 級なら enterprise-wide 契約、回帰、PPA探索、クラウド増強をかなり大きく使っていても不思議ではなく、**各社売上の2～5%前後** は十分あり得るからです。これは開示されている売上規模、顧客集中度、2～3年契約中心という事実に基づく私の推定です。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000028/snps-20251031.htm))","render_override":null},{"id":"blk_7b83d89c-b9c0-40e2-9880-2f3b66dd60b8","kind":"heading","order":918,"section_id":"sec_777876ea-2b67-4899-8d11-dc4bedd3963b","character_id":null,"markdown":"### \\2. 山場の年の上振れレンジ","render_override":null},{"id":"blk_fec79074-ac64-4d67-936a-392caafa8742","kind":"paragraph","order":919,"section_id":"sec_777876ea-2b67-4899-8d11-dc4bedd3963b","character_id":null,"markdown":"これは **エミュレーション/プロトタイピング機の大型導入、IPの前倒し、クラウド利用の急増、複数プロジェクトの重なり** がある年です。","render_override":null},{"id":"blk_46fdd1a7-e0e8-4970-aeac-956f3fb581de","kind":"figure","order":920,"section_id":"sec_777876ea-2b67-4899-8d11-dc4bedd3963b","character_id":null,"markdown":"![](/media/559afbe67928233f27c1aace5be2db18e5290077fa295e8229df9135be593112-content.webp)","render_override":null},{"id":"blk_f36822a6-e572-40da-8f1e-978fd79cc9c5","kind":"paragraph","order":921,"section_id":"sec_777876ea-2b67-4899-8d11-dc4bedd3963b","character_id":null,"markdown":"この水準なら、まだ **Cadence の「10%未満」** と **Synopsys の 2025年「10%未満」** に十分収まりつつ、Synopsys で過去に開示された **12.6%級の超大型顧客年** ほどではない、という位置です。つまり **“かなり大きいが、異常値ではない”** レベルです。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000028/snps-20251031.htm))","render_override":null},{"id":"blk_88b52e70-02b1-4090-8179-8c7365693525","kind":"heading","order":922,"section_id":"sec_3c7e8cb1-9d22-4ae2-993a-dbf059fdaeea","character_id":null,"markdown":"## なぜこのくらいになりそうか","render_override":null},{"id":"blk_61c39077-4a89-4565-89e9-d683c1c48a8a","kind":"paragraph","order":923,"section_id":"sec_3c7e8cb1-9d22-4ae2-993a-dbf059fdaeea","character_id":null,"markdown":"理由は3つです。","render_override":null},{"id":"blk_6d45d38d-ee58-40c4-8990-397485641397","kind":"paragraph","order":924,"section_id":"sec_3c7e8cb1-9d22-4ae2-993a-dbf059fdaeea","character_id":null,"markdown":"1つ目は、**契約が短期の席課金ではなく、2～3年の enterprise 契約中心** だからです。Cadence は time-based license が一般に **2～3年** で、支払いは通常 **契約期間中の均等または近似均等分割**、収益は over time 認識だと説明しています。Synopsys もソフト契約は一般に **2～3年** としています。つまり NVIDIA 級の顧客なら、部署単位ではなく会社・事業部単位でかなり大きな基盤契約を持っていると考えるのが自然です。 ([SEC](https://www.sec.gov/Archives/edgar/data/813672/000081367226000016/cdns-20251231.htm))","render_override":null},{"id":"blk_408510bc-08bd-4702-9aa6-971927b528ad","kind":"paragraph","order":925,"section_id":"sec_3c7e8cb1-9d22-4ae2-993a-dbf059fdaeea","character_id":null,"markdown":"2つ目は、**両社とも backlog が非常に大きい** ことです。Synopsys の 2025年 backlog は **約114億ドル**、Cadence の remaining performance obligations は **約78億ドル** で、Cadence はそのうち **53%を次の12か月、43%をその後13～36か月** で認識見込みだとしています。これは、超大口顧客の支払いが「単発の小さなSaaS費用」ではなく、かなり大きな multi-year commitment で回っていることを示しています。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000028/snps-20251031.htm))","render_override":null},{"id":"blk_1897cbda-d16b-4799-b598-4ef52a03af1e","kind":"paragraph","order":926,"section_id":"sec_3c7e8cb1-9d22-4ae2-993a-dbf059fdaeea","character_id":null,"markdown":"3つ目は、**売上の中にソフトだけでなく、IP、クラウド、ハードウェアが混ざりうる** ことです。Cadence はハードウェア製品を sold or leased とし、IP は specific designs 向けのライセンス、場合によりロイヤルティもあると説明しています。Synopsys も 2025年売上の内訳で、**time-based products 34.90億ドル、upfront products 20.11億ドル、maintenance/service 15.54億ドル** と開示しており、上流ソフトだけでなく upfront の IP/ハード/その他が大きいです。だから NVIDIA 級顧客の年次支出も、**純ソフト年** と **ハードやIPが重なる年** でかなり振れます。 ([SEC](https://www.sec.gov/Archives/edgar/data/813672/000081367226000016/cdns-20251231.htm))","render_override":null},{"id":"blk_3a574297-2bab-43fe-9a64-4d2fffa5de61","kind":"heading","order":927,"section_id":"sec_a40c478c-f009-4464-b15b-5a475bf0dd8a","character_id":null,"markdown":"## かなり短く言うと","render_override":null},{"id":"blk_ca6f2ece-cebf-4923-98ed-2c3a1bdf5159","kind":"paragraph","order":928,"section_id":"sec_a40c478c-f009-4464-b15b-5a475bf0dd8a","character_id":null,"markdown":"私の推定はこうです。","render_override":null},{"id":"blk_6c1bc486-b540-4caf-9ea6-3a679b949291","kind":"list","order":929,"section_id":"sec_a40c478c-f009-4464-b15b-5a475bf0dd8a","character_id":null,"markdown":"- **Synopsys**: 平常年 **1.5億～3.5億ドル**、山場の年 **2.5億～5.0億ドル**。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000028/snps-20251031.htm))\n- **Cadence**: 平常年 **1.0億～2.5億ドル**、山場の年 **1.5億～3.5億ドル**。 ([SEC](https://www.sec.gov/Archives/edgar/data/813672/000081367226000016/cdns-20251231.htm))\n- **合計**: 平常年 **2.5億～6.0億ドル**、山場の年 **4.0億～8.5億ドル**。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000028/snps-20251031.htm))","render_override":null},{"id":"blk_7190d236-e5bf-4a53-ad30-15a71aec8e27","kind":"paragraph","order":930,"section_id":"sec_a40c478c-f009-4464-b15b-5a475bf0dd8a","character_id":null,"markdown":"私なら、**NVIDIAクラスの1社が2社合計で年間4億ドル前後払っていても全く驚かない**、という見方をします。 \n一方で、**毎年10億ドル級** を常態と見るのは、現時点の公開情報だけではやや強気すぎます。Synopsys でも Cadence でも、顧客集中度開示との整合が悪くなりやすいからです。 ([SEC](https://www.sec.gov/Archives/edgar/data/883241/000088324125000028/snps-20251031.htm))","render_override":null},{"id":"blk_19d524c4-9b72-4fe4-b4b8-7b402700cbe0","kind":"thematic_break","order":931,"section_id":"sec_a40c478c-f009-4464-b15b-5a475bf0dd8a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_e4614603-12b4-4b0c-bfb3-f0e8191cce0a","kind":"heading","order":932,"section_id":"sec_935e972d-6492-4525-996e-3aa0ef30efdb","character_id":null,"markdown":"## HBMやDRAMのようなメモリからnand、トランシーバーやスイッチでの工程","render_override":null},{"id":"blk_55ff6b7d-3704-41a4-8ca1-cc40ea87e269","kind":"paragraph","order":933,"section_id":"sec_935e972d-6492-4525-996e-3aa0ef30efdb","character_id":null,"markdown":"はい。 \n超ざっくり先に言うと、主役はこう分かれます。","render_override":null},{"id":"blk_1b36909d-3687-4ace-85bb-7c487b1e11ee","kind":"paragraph","order":934,"section_id":"sec_935e972d-6492-4525-996e-3aa0ef30efdb","character_id":null,"markdown":"**HBM/DRAM** \n→ **メモリアレイ設計 + カスタム/アナログ + 3D/先端パッケージEDA** が重いです。 ([Synopsys](https://www.synopsys.com/implementation-and-signoff/custom-design-platform.html))","render_override":null},{"id":"blk_36bcd3cc-a982-4c8b-9a3f-d1e47872b5a8","kind":"paragraph","order":935,"section_id":"sec_935e972d-6492-4525-996e-3aa0ef30efdb","character_id":null,"markdown":"**NAND** \n→ **メモリアレイ/周辺回路のカスタム設計** に加えて、**ONFI/Toggleなどのインターフェース検証** が重いです。 ([Synopsys](https://www.synopsys.com/memory.html))","render_override":null},{"id":"blk_005f16f8-8108-437c-a791-ed293dd3b7ff","kind":"paragraph","order":936,"section_id":"sec_935e972d-6492-4525-996e-3aa0ef30efdb","character_id":null,"markdown":"**トランシーバー（SerDesなど）** \n→ **アナログ/RF設計 + EM/SI/PI解析 + パッケージ/基板込みのチャネル解析** が主役です。 ([Cadence](https://www.cadence.com/en_US/home/tools/custom-ic-analog-rf-design/virtuoso-studio/rf.html))","render_override":null},{"id":"blk_28cbb05e-4af6-41ff-9643-43f4b86a4fa9","kind":"paragraph","order":937,"section_id":"sec_935e972d-6492-4525-996e-3aa0ef30efdb","character_id":null,"markdown":"**スイッチASIC** \n→ **巨大デジタルSoCのRTL検証・エミュレーション・配置配線・サインオフ** が主役で、I/O側だけトランシーバー系EDAが乗ります。 ([Cadence](https://www.cadence.com/en_US/home/tools/digital-design-and-signoff.html))","render_override":null},{"id":"blk_77cc3400-407c-4c1b-9698-0b500f053e0b","kind":"thematic_break","order":938,"section_id":"sec_935e972d-6492-4525-996e-3aa0ef30efdb","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f5db9df2-f621-4003-8d51-04d7ef19114e","kind":"heading","order":939,"section_id":"sec_1d16124e-ce89-419d-a9fb-035f04e0dc57","character_id":null,"markdown":"## まず共通の流れ","render_override":null},{"id":"blk_cfa66f8b-ec49-4601-bfb0-daf9b7925ef3","kind":"paragraph","order":940,"section_id":"sec_1d16124e-ce89-419d-a9fb-035f04e0dc57","character_id":null,"markdown":"どの製品でも、だいたいは","render_override":null},{"id":"blk_01f362e4-cb7c-4330-bf3b-d3ae47f40928","kind":"paragraph","order":941,"section_id":"sec_1d16124e-ce89-419d-a9fb-035f04e0dc57","character_id":null,"markdown":"**仕様/アーキ検討 → 回路/RTL/モデル作成 → 検証 → レイアウト/実装 → 抽出/サインオフ → パッケージ/基板/システム解析**","render_override":null},{"id":"blk_5dfc2250-e93d-4b5d-9114-ef1222428575","kind":"paragraph","order":942,"section_id":"sec_1d16124e-ce89-419d-a9fb-035f04e0dc57","character_id":null,"markdown":"の順です。 \nただし、**デジタル比率が高い製品**は Cadence の Digital Design and Signoff や Synopsys の verification / HAV / signoff 系が中心になり、**アナログ/メモリ/高速I/O比率が高い製品**は Virtuoso / Custom Compiler / Spectre / PrimeSim のような custom IC・回路シミュレーション系が中心になります。さらに、パッケージや基板まで効く製品では、Ansys や Cadence Sigrity / Clarity のような SI/PI/熱/EM 解析が後半で強く効きます。 ([Synopsys](https://www.synopsys.com/implementation-and-signoff/custom-design-platform.html))","render_override":null},{"id":"blk_2bfeeb37-1005-4d4a-8e42-41eb4ee0c0eb","kind":"thematic_break","order":943,"section_id":"sec_1d16124e-ce89-419d-a9fb-035f04e0dc57","character_id":null,"markdown":"---","render_override":null},{"id":"blk_77cb23b7-31c3-41f3-a7b7-296ee287f4d7","kind":"heading","order":944,"section_id":"sec_10281e16-aeb3-465f-b7f7-7686e705f40d","character_id":null,"markdown":"## \\1. HBM / DRAM ではどこで何を使うか","render_override":null},{"id":"blk_95457826-7c02-4a3e-a38d-e25224926950","kind":"heading","order":945,"section_id":"sec_53c84022-b474-4011-94b8-d3848c7dae5b","character_id":null,"markdown":"### 仕様・アーキ段階","render_override":null},{"id":"blk_7a6af168-341e-415a-a3ad-c0ae124e92bd","kind":"paragraph","order":946,"section_id":"sec_53c84022-b474-4011-94b8-d3848c7dae5b","character_id":null,"markdown":"ここでは、容量、帯域、電力、レイテンシ、I/O構成、リフレッシュやトレーニングの成立性を決めます。 \nHBMになると、**ダイ単体ではなく多ダイ/先端パッケージ込み**で成立させる必要があるので、普通のDRAMより早い段階から 2.5D/3D の co-design が入ります。Synopsys 3DIC Compiler は、2.5D/3D multi-die 向けに feasibility exploration、partitioning、floorplanning、high-speed die-to-die routing、multiphysics analysis、signoff verification をまとめて扱うと説明しています。 ([Synopsys](https://www.synopsys.com/implementation-and-signoff/3dic-design.html))","render_override":null},{"id":"blk_d995f342-e0ee-491f-88a3-858145de440c","kind":"heading","order":947,"section_id":"sec_257a4ca4-8483-47c2-8175-e478c2e30892","character_id":null,"markdown":"### 回路設計","render_override":null},{"id":"blk_4b7f4c8e-6768-4ab1-8e19-40e023fbe06e","kind":"paragraph","order":948,"section_id":"sec_257a4ca4-8483-47c2-8175-e478c2e30892","character_id":null,"markdown":"HBM/DRAM本体では、**メモリセル、周辺回路、I/O、タイミング回路**の比重が大きいので、主役は custom IC / analog / mixed-signal 系です。Synopsys は Custom Compiler + PrimeSim + parasitic extraction + reliability/physical verification を、Cadence は Virtuoso + Spectre を custom IC / analog / RF 設計の中核として出しています。 ([Synopsys](https://www.synopsys.com/implementation-and-signoff/custom-design-platform.html))","render_override":null},{"id":"blk_f1f0373f-73d1-4019-aef8-151c0b113780","kind":"heading","order":949,"section_id":"sec_62bc6c15-0209-42de-87d7-74397eeb9a17","character_id":null,"markdown":"### 検証","render_override":null},{"id":"blk_9216588f-6942-41b5-b3d7-b43dac1fd06b","kind":"paragraph","order":950,"section_id":"sec_62bc6c15-0209-42de-87d7-74397eeb9a17","character_id":null,"markdown":"ここはデジタルSoCのようにRTL検証だけでは終わりません。 \n**SPICE級の回路シミュレーション、寄生成分込みの確認、custom memory/macros の等価性確認** が重要です。Synopsys ESP は embedded memories や custom macros について、Verilog / RTL / Gate / Switch / SPICE など異なる表現同士の機能等価を確認する用途だとしています。 ([Synopsys](https://www.synopsys.com/implementation-and-signoff/signoff/esp.html))","render_override":null},{"id":"blk_c12ea0c9-3684-4912-b00c-e7cb7195c25f","kind":"heading","order":951,"section_id":"sec_321e73bb-b870-4a3b-be1b-049ba01e12de","character_id":null,"markdown":"### レイアウト・サインオフ","render_override":null},{"id":"blk_c0b08d59-6058-4e70-9445-867680b973d7","kind":"paragraph","order":952,"section_id":"sec_321e73bb-b870-4a3b-be1b-049ba01e12de","character_id":null,"markdown":"メモリは配列が大きく、寄生やばらつきの影響も大きいので、**早い段階から寄生抽出・信頼性解析・物理検証** を回します。Synopsys の memory flow でも、block/chip-level simulation、ML-driven optimization、early parasitic analysis、layout reuse、digitized memory design implementation flows を前面に出しています。 ([Synopsys](https://www.synopsys.com/memory.html))","render_override":null},{"id":"blk_d52e48db-dfa9-4137-9d0e-013c547d0664","kind":"heading","order":953,"section_id":"sec_653e5ab2-2c59-411a-988c-74751ea3b539","character_id":null,"markdown":"### HBMだけ追加で重いところ","render_override":null},{"id":"blk_c5aa69d2-8e7b-4469-9390-60283ba4da8c","kind":"paragraph","order":954,"section_id":"sec_653e5ab2-2c59-411a-988c-74751ea3b539","character_id":null,"markdown":"HBMでは、**TSV/積層/インターポーザ/多ダイ接続/熱/電源** が一気に重くなります。Synopsys 3DIC Compiler は power/signal integrity、thermal、mechanical stress の multiphysics を統合し、Ansys の半導体解析も 3D/2.5D chip-package co-analysis、power integrity、thermal、thermal-mechanical stress を扱います。 ([Synopsys](https://www.synopsys.com/implementation-and-signoff/3dic-design.html))","render_override":null},{"id":"blk_55e3b55b-825d-46b2-93f3-f27171bf7338","kind":"paragraph","order":955,"section_id":"sec_653e5ab2-2c59-411a-988c-74751ea3b539","character_id":null,"markdown":"**要するに** \nHBM/DRAMは、\\*\\*「デジタルSoCよりも custom memory / analog 寄り」**で、HBMだけさらに**「先端パッケージEDAが必須」\\*\\*になります。 ([Synopsys](https://www.synopsys.com/implementation-and-signoff/custom-design-platform.html))","render_override":null},{"id":"blk_c33b0b4e-5b99-4644-9345-3157947ef721","kind":"thematic_break","order":956,"section_id":"sec_653e5ab2-2c59-411a-988c-74751ea3b539","character_id":null,"markdown":"---","render_override":null},{"id":"blk_dddbd301-6a29-463b-8ce9-93abe1c89476","kind":"heading","order":957,"section_id":"sec_4d72a8cf-bd7c-4f8d-97c5-a93798a4885c","character_id":null,"markdown":"## \\2. NAND ではどこで何を使うか","render_override":null},{"id":"blk_f3b153eb-1627-47fe-b4d9-2fb216324e6f","kind":"heading","order":958,"section_id":"sec_fb9dc20e-2525-44bb-a9ac-6eec9703ae1e","character_id":null,"markdown":"### 設計の中心","render_override":null},{"id":"blk_650125c4-4dfe-4e67-a606-6a6d8d2d4242","kind":"paragraph","order":959,"section_id":"sec_fb9dc20e-2525-44bb-a9ac-6eec9703ae1e","character_id":null,"markdown":"NANDも、実務感としては **メモリアレイ + 周辺回路 + インターフェース + 制御ロジック** の組み合わせです。なので、**アレイ/周辺回路は custom memory flow**、**制御やインターフェースはデジタル検証 flow** という二層構造になります。Synopsys の memory flow は memory design 全体に対して block/chip simulation、ML optimization、early parasitic analysis を打ち出しており、custom IC family は analog / mixed-signal / layout / physical verification を束ねています。 ([Synopsys](https://www.synopsys.com/memory.html))","render_override":null},{"id":"blk_41a0ec0f-5c97-446d-ad05-045b119db6c4","kind":"heading","order":960,"section_id":"sec_99edebd2-cf4e-4dde-836d-a4f54240c675","character_id":null,"markdown":"### 回路・レイアウト","render_override":null},{"id":"blk_304b051e-0bd7-409a-984b-05109eff6cef","kind":"paragraph","order":961,"section_id":"sec_99edebd2-cf4e-4dde-836d-a4f54240c675","character_id":null,"markdown":"NANDでも、回路の主役はカスタム設計側です。つまり、Virtuoso / Custom Compiler のような回路・レイアウト環境、Spectre / PrimeSim のような回路シミュレータ、寄生抽出・物理検証が重く使われます。 ([Synopsys](https://www.synopsys.com/implementation-and-signoff/custom-design-platform.html))","render_override":null},{"id":"blk_7a8064c2-9e7e-41bc-ac28-08141fa53e02","kind":"heading","order":962,"section_id":"sec_76c90a21-a546-4d01-b02b-4128b9550bdb","character_id":null,"markdown":"### インターフェース検証","render_override":null},{"id":"blk_3a4c5594-5213-494a-b7ba-70fd4e97e1e5","kind":"paragraph","order":963,"section_id":"sec_76c90a21-a546-4d01-b02b-4128b9550bdb","character_id":null,"markdown":"NANDは製品メモリなので、**ONFI や Toggle NAND などの規格インターフェース検証**が重要です。Synopsys は NAND Flash Verification IP を、Cadence は ONFI / Toggle NAND / SPI NAND 向け VIP を提供しており、UVM ベースの IP / SoC / system-level verification に使えるとしています。 ([Synopsys](https://www.synopsys.com/blogs/chip-design/nand-flash-memory-system-verification.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_0f94093c-d20b-4635-a2be-9f0723ce3450","kind":"heading","order":964,"section_id":"sec_f2de899b-5ee2-41ab-9235-37ee34c7766a","character_id":null,"markdown":"### もしSoCの中にNANDコントローラを載せるなら","render_override":null},{"id":"blk_bccc1c88-a5a4-428e-903d-8ce26353d2cb","kind":"paragraph","order":965,"section_id":"sec_f2de899b-5ee2-41ab-9235-37ee34c7766a","character_id":null,"markdown":"その場合は NAND本体そのものとは別に、**NAND controller IP / PHY / ECC / DMA / firmware周辺** をデジタルSoCとして設計します。Cadence には NAND Flash controller IP と NAND PHY IP があり、主要 NAND 規格への対応を前面に出しています。 ([Cadence](https://www.cadence.com/en_US/home/resources/brochures/controller-ip-for-nand-flash-br.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_27b6e104-8074-4e25-b912-3d8c2782882a","kind":"paragraph","order":966,"section_id":"sec_f2de899b-5ee2-41ab-9235-37ee34c7766a","character_id":null,"markdown":"**要するに** \nNANDは、**ダイの中は memory/custom flow**、**外とのやり取りは protocol verification / digital flow** が効く、という理解が近いです。 ([Synopsys](https://www.synopsys.com/memory.html))","render_override":null},{"id":"blk_4e968e4a-ee1b-4479-a297-cec63c4507fa","kind":"thematic_break","order":967,"section_id":"sec_f2de899b-5ee2-41ab-9235-37ee34c7766a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_85040029-d293-4fb2-858a-cabc1735e3f2","kind":"heading","order":968,"section_id":"sec_ab0b7d01-2a48-4f24-883b-719e84978b70","character_id":null,"markdown":"## \\3. トランシーバーではどこで何を使うか","render_override":null},{"id":"blk_3614d989-bf07-4bd1-a622-9106d7118823","kind":"heading","order":969,"section_id":"sec_5081923d-c47e-4566-9e0e-333c802bf2ae","character_id":null,"markdown":"### ここが一番「アナログ/RF/SI」色が強い","render_override":null},{"id":"blk_05f44c3f-f728-46e9-99af-6ec9d073990f","kind":"paragraph","order":970,"section_id":"sec_5081923d-c47e-4566-9e0e-333c802bf2ae","character_id":null,"markdown":"SerDesや高速トランシーバーは、**送受信アナログ回路、PLL/CDR、等化、ドライバ/レシーバ、パッケージ、基板チャネル** が全部つながって性能が決まります。Cadence Virtuoso Studio RF は、schematic と layout の同時設計、RF/system simulation、EM/thermal analysis、optimization を単一環境で扱うと説明しています。 ([Cadence](https://www.cadence.com/en_US/home/tools/custom-ic-analog-rf-design/virtuoso-studio/rf.html))","render_override":null},{"id":"blk_bc7ef7c2-3354-4e36-99cb-a9e688d75197","kind":"heading","order":971,"section_id":"sec_5c5499d5-b2cd-4442-9cba-59223f12faaf","character_id":null,"markdown":"### 回路設計","render_override":null},{"id":"blk_fae8a6d0-59cf-4681-81ce-288dd238f065","kind":"paragraph","order":972,"section_id":"sec_5c5499d5-b2cd-4442-9cba-59223f12faaf","character_id":null,"markdown":"ここでは Virtuoso / Custom Compiler と Spectre / PrimeSim のような **回路設計 + SPICE/RFシミュレーション** が主役です。RFやmm-waveまで行くと、EMソルバやSパラメータ解析、非線形解析も強く使います。Cadence の RF flow では Spectre RF、EMX、PVS、EM/thermal analysis、S-parameter analysis などが明示されています。 ([Cadence](https://www.cadence.com/en_US/home/tools/custom-ic-analog-rf-design/virtuoso-studio/rf.html))","render_override":null},{"id":"blk_eed58964-5c22-4833-a613-5b516ea84571","kind":"heading","order":973,"section_id":"sec_95bef060-f996-4677-bd2f-bcb2976d62d9","character_id":null,"markdown":"### チャネル解析","render_override":null},{"id":"blk_c2f55579-d327-4a55-b881-37a388c800af","kind":"paragraph","order":974,"section_id":"sec_95bef060-f996-4677-bd2f-bcb2976d62d9","character_id":null,"markdown":"トランシーバーで決定的に重要なのが、**チップの回路だけでなく、パッケージと基板を通ったあとでも波形が開くか**です。Cadence Sigrity SystemSI は、serial link analysis で eye diagram、bathtub curve、BER prediction を行うと説明しています。Cadence の high-speed design ページでも、反射、crosstalk、impedance mismatch、PDN noise、EMI を fabrication 前に解析するとしています。 ([Cadence](https://www.cadence.com/en_US/home/resources/datasheets/sigrity-systemsi-signal-integrity-solutions-ds.html))","render_override":null},{"id":"blk_e767ce2b-2620-47a1-9d16-85b474153ffd","kind":"heading","order":975,"section_id":"sec_4623f903-7567-4d72-9a1a-47099e5f072a","character_id":null,"markdown":"### パッケージ/基板/システム","render_override":null},{"id":"blk_6fdaccd8-b510-492b-985a-af115ea4bcae","kind":"paragraph","order":976,"section_id":"sec_4623f903-7567-4d72-9a1a-47099e5f072a","character_id":null,"markdown":"ここは Ansys や Sigrity / Clarity の守備範囲です。Ansys は電子機器向けに PI/SI/EMI/thermal を、Cadence は high-speed PCB / package co-analysis を前面に出しています。 ([ansys.com](https://www.ansys.com/products/electronics?utm_source=chatgpt.com))","render_override":null},{"id":"blk_5d3e7b9d-5725-414c-aefa-2daeac6fb8b9","kind":"paragraph","order":977,"section_id":"sec_4623f903-7567-4d72-9a1a-47099e5f072a","character_id":null,"markdown":"**要するに** \nトランシーバーは、4分類の中でいちばん \n**「アナログ設計EDA + RF/EM解析EDA + SI/PI/基板EDA」** \nの比率が高いです。 ([Cadence](https://www.cadence.com/en_US/home/tools/custom-ic-analog-rf-design/virtuoso-studio/rf.html))","render_override":null},{"id":"blk_42eedf18-811f-4084-8d65-1e195abe3638","kind":"thematic_break","order":978,"section_id":"sec_4623f903-7567-4d72-9a1a-47099e5f072a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7349144c-8208-4d71-b63c-ba1511e96075","kind":"heading","order":979,"section_id":"sec_0f30d15c-7d2b-4bc2-b588-be3de24b425c","character_id":null,"markdown":"## \\4. スイッチASICではどこで何を使うか","render_override":null},{"id":"blk_6e1d5ed3-413c-4d2e-9d65-0178d7cb7a6c","kind":"heading","order":980,"section_id":"sec_bb1913d4-2a3a-4696-ae31-e3fde24b9607","character_id":null,"markdown":"### 仕様・RTL","render_override":null},{"id":"blk_d16ca029-24f3-40a3-990d-61c8931cd98b","kind":"paragraph","order":981,"section_id":"sec_bb1913d4-2a3a-4696-ae31-e3fde24b9607","character_id":null,"markdown":"ネットワークスイッチASICは、基本的に **巨大デジタルSoC** です。 \nパケット処理、スケジューラ、バッファ管理、テーブル参照、QoS、制御面などは、まず RTL で書いて、機能検証・形式検証を回します。Cadence は functional verification と Digital Design and Signoff を、Synopsys は VC Formal を complex SoC 向けとして打ち出しています。 ([Cadence](https://www.cadence.com/en_US/home/explore/functional-verification.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_58a21dc9-118f-4a76-9f03-bfe114296710","kind":"heading","order":982,"section_id":"sec_a624e61a-6b1e-4ec6-bdd9-0b48de5a832f","character_id":null,"markdown":"### 検証","render_override":null},{"id":"blk_c6d1aab1-eb8e-4b10-8da4-ad3580dfff85","kind":"paragraph","order":983,"section_id":"sec_a624e61a-6b1e-4ec6-bdd9-0b48de5a832f","character_id":null,"markdown":"スイッチASICは規模が非常に大きいので、**シミュレーションだけでなくエミュレーション/プロトタイピング** が重要です。Cadence Palladium は early hardware/software co-verification and debug、Synopsys ZeBu / HAPS は hardware-assisted verification 用だと説明しています。 ([Cadence](https://www.cadence.com/en_US/home/tools/system-design-and-verification/emulation-and-prototyping/palladium.html))","render_override":null},{"id":"blk_6424a6ef-2ecc-4596-88d4-ec25832ae7d9","kind":"heading","order":984,"section_id":"sec_1c22ca5e-c91b-47cc-b88b-ac237219a330","character_id":null,"markdown":"### 実装","render_override":null},{"id":"blk_3c0af21c-ae30-4591-8d91-cfaa22227079","kind":"paragraph","order":985,"section_id":"sec_1c22ca5e-c91b-47cc-b88b-ac237219a330","character_id":null,"markdown":"ここは典型的なデジタル flow で、**論理合成、配置配線、クロック、STA、低消費電力検証、サインオフ** が主役です。Cadence Innovus は placement / optimization / routing / clocking を扱い、Digital Design and Signoff 全体は advanced node、3D-IC、mixed-signal、low-power flows に対応すると説明しています。Synopsys 側も verification / DFT / signoff を大きな柱にしています。 ([Cadence](https://www.cadence.com/en_US/home/tools/digital-design-and-signoff/soc-implementation-and-floorplanning/innovus-implementation-system.html))","render_override":null},{"id":"blk_762ea89d-1e45-48a1-b5a6-8e39415ac594","kind":"heading","order":986,"section_id":"sec_4c478593-bcaf-4ac4-91eb-5f471c3ed2a3","character_id":null,"markdown":"### 内蔵メモリ","render_override":null},{"id":"blk_b1bd7055-5f52-4c5a-ab46-38af7349cc23","kind":"paragraph","order":987,"section_id":"sec_4c478593-bcaf-4ac4-91eb-5f471c3ed2a3","character_id":null,"markdown":"スイッチASICの中には大きな SRAM バッファが多いので、そこは **embedded memory compiler / foundation IP** を使うことが多いです。Synopsys の memory compilers と Cadence Artisan IP は、embedded memories を foundation IP として提供しています。 ([Synopsys](https://www.synopsys.com/designware-ip/memories-logic-libraries/sram-memory-compilers.html))","render_override":null},{"id":"blk_b8a37693-1d88-448e-8172-c690fc3d70d2","kind":"heading","order":988,"section_id":"sec_67bf2aff-67b1-4d6e-9aca-2653ecb6e021","character_id":null,"markdown":"### ただしI/Oだけは別","render_override":null},{"id":"blk_92d031f1-0969-4c8c-a94b-496c27ea4270","kind":"paragraph","order":989,"section_id":"sec_67bf2aff-67b1-4d6e-9aca-2653ecb6e021","character_id":null,"markdown":"スイッチASICの外部ポートは高速SerDesなので、その部分だけは **トランシーバー流の SI/PI/チャネル解析** が追加で乗ります。Cadence Sigrity や high-speed design flow は、serial links、DDRx、PDN、EMI、eye diagram、BER まで扱います。 ([Cadence](https://www.cadence.com/en_US/home/resources/datasheets/sigrity-systemsi-signal-integrity-solutions-ds.html))","render_override":null},{"id":"blk_bd74fa5b-12d0-4ef0-b411-a5040fd0673b","kind":"paragraph","order":990,"section_id":"sec_67bf2aff-67b1-4d6e-9aca-2653ecb6e021","character_id":null,"markdown":"**要するに** \nスイッチASICは、4分類の中でいちばん \n**「デジタルSoC EDA」** \n寄りです。 \nただし端のI/Oは完全にトランシーバー設計の世界に足を突っ込みます。 ([Cadence](https://www.cadence.com/en_US/home/tools/digital-design-and-signoff.html))","render_override":null},{"id":"blk_99510b11-8f18-4e8d-81d8-e8fb595df228","kind":"thematic_break","order":991,"section_id":"sec_67bf2aff-67b1-4d6e-9aca-2653ecb6e021","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f8b7e76d-bd6f-4f3c-aa1f-235ad2d433f6","kind":"heading","order":992,"section_id":"sec_25b0d9ad-457a-4e2d-944c-cdb8aba027b7","character_id":null,"markdown":"## いちばん簡単な覚え方","render_override":null},{"id":"blk_741391ed-c5e7-4e4b-81db-054e68250b81","kind":"paragraph","order":993,"section_id":"sec_25b0d9ad-457a-4e2d-944c-cdb8aba027b7","character_id":null,"markdown":"**HBM/DRAM** \n→ メモリそのものを作るので **custom memory + 3D/package** が主役。 ([Synopsys](https://www.synopsys.com/memory.html))","render_override":null},{"id":"blk_dbdc31cc-2528-4c88-88c0-0fbd0c64c17d","kind":"paragraph","order":994,"section_id":"sec_25b0d9ad-457a-4e2d-944c-cdb8aba027b7","character_id":null,"markdown":"**NAND** \n→ **custom memory + 規格インターフェース検証** が主役。 ([Synopsys](https://www.synopsys.com/blogs/chip-design/nand-flash-memory-system-verification.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_c41a4097-3072-4381-b4e4-9e1e2b844dc2","kind":"paragraph","order":995,"section_id":"sec_25b0d9ad-457a-4e2d-944c-cdb8aba027b7","character_id":null,"markdown":"**トランシーバー** \n→ **analog/RF + EM/SI/PI** が主役。 ([Cadence](https://www.cadence.com/en_US/home/tools/custom-ic-analog-rf-design/virtuoso-studio/rf.html))","render_override":null},{"id":"blk_8e3e0d9c-f1cc-4f31-a187-b09d4c87746e","kind":"paragraph","order":996,"section_id":"sec_25b0d9ad-457a-4e2d-944c-cdb8aba027b7","character_id":null,"markdown":"**スイッチASIC** \n→ **RTL検証 + エミュレーション + 配置配線 + サインオフ** が主役。 ([Cadence](https://www.cadence.com/en_US/home/tools/digital-design-and-signoff.html))","render_override":null},{"id":"blk_0b8baf00-2243-4f9c-ac0e-e28f1ac252f1","kind":"thematic_break","order":997,"section_id":"sec_25b0d9ad-457a-4e2d-944c-cdb8aba027b7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4e3a0897-07e5-46fa-bda9-ada5caf2548c","kind":"heading","order":998,"section_id":"sec_8f5cc0c7-ba38-48b8-b4bf-20410b9eff78","character_id":null,"markdown":"## この4種類を「どの職種が主役になるか」で、回路屋・検証屋・レイアウト屋・SI/PI屋に分けて図っぽく整理","render_override":null},{"id":"blk_6bf6e7cd-4314-4179-8bb6-f6ef8ef730f2","kind":"paragraph","order":999,"section_id":"sec_8f5cc0c7-ba38-48b8-b4bf-20410b9eff78","character_id":null,"markdown":"「誰が主役になりやすいか」で、かなり雑に図っぽく並べるとこうです。","render_override":null},{"id":"blk_5aca428c-8397-436c-ab89-08606edb7567","kind":"paragraph","order":1000,"section_id":"sec_8f5cc0c7-ba38-48b8-b4bf-20410b9eff78","character_id":null,"markdown":"**凡例** \n★5 = かなり主役 \n★3 = 重要 \n★1 = 関わるが主役ではない","render_override":null},{"id":"blk_580a3938-4317-42a2-8245-af006aeb8e47","kind":"thematic_break","order":1001,"section_id":"sec_8f5cc0c7-ba38-48b8-b4bf-20410b9eff78","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4d989525-d052-4d15-a750-4e4f5eb1c4e7","kind":"heading","order":1002,"section_id":"sec_19a2c9b1-b952-4f84-909e-33be8d2b9a66","character_id":null,"markdown":"## 4種類を職種ごとに並べると","render_override":null},{"id":"blk_ed65a7dc-90a5-4717-9397-3166a8e1084d","kind":"heading","order":1003,"section_id":"sec_a15a81ef-6b01-4032-846d-3a1a9ae4911b","character_id":null,"markdown":"### \\1. HBM / DRAM","render_override":null},{"id":"blk_1b07536e-d7db-4b55-8c26-93b1a76f0b68","kind":"paragraph","order":1004,"section_id":"sec_a15a81ef-6b01-4032-846d-3a1a9ae4911b","character_id":null,"markdown":"**回路屋**　★★★★★ \n**検証屋**　★★★☆☆ \n**レイアウト屋**　★★★★★ \n**SI/PI屋**　DRAM: ★★☆☆☆ / HBM: ★★★★★","render_override":null},{"id":"blk_dc398a9d-882b-4fe1-aa01-36d04191c8be","kind":"paragraph","order":1005,"section_id":"sec_a15a81ef-6b01-4032-846d-3a1a9ae4911b","character_id":null,"markdown":"**ひとことで言うと** \n**「メモリ専用の回路屋とレイアウト屋が主役。HBMだけはSI/PI屋も主役級」** です。 \n理由は、DRAM系はメモリアレイ・周辺回路・カスタム設計の比重が非常に高く、Synopsys も memory design を custom design platform、早期寄生・信頼性・digitized memory flow で回すと説明しています。さらに HBM は 2.5D/3D multi-die と先端パッケージが前提になり、Synopsys 3DIC は high-speed die-to-die、multiphysics、signoff を統合し、Ansys も chip-package の PI / thermal / stress を前面に出しています。 ([synopsys.com](https://www.synopsys.com/memory.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_54ddb749-62ad-493f-83bd-cec5d2c5b4cb","kind":"paragraph","order":1006,"section_id":"sec_a15a81ef-6b01-4032-846d-3a1a9ae4911b","character_id":null,"markdown":"**作業風景のイメージ**","render_override":null},{"id":"blk_d81470ee-2b45-4252-af7e-1f17fd1cf6e5","kind":"list","order":1007,"section_id":"sec_a15a81ef-6b01-4032-846d-3a1a9ae4911b","character_id":null,"markdown":"- 回路屋: sense amp、I/O、タイミング回路、周辺回路を詰める\n- レイアウト屋: メモリアレイの並び、配線、寄生、密度を詰める\n- SI/PI屋: HBMではインターポーザ、スタック、電源、熱を詰める","render_override":null},{"id":"blk_4398e8c3-f5a8-49fb-a9d2-d2aa0ec5a25b","kind":"thematic_break","order":1008,"section_id":"sec_a15a81ef-6b01-4032-846d-3a1a9ae4911b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b71e3316-0058-46a5-99dd-93ff9bfb005b","kind":"heading","order":1009,"section_id":"sec_065729e7-b75a-4509-9070-2fe3d89ca067","character_id":null,"markdown":"### \\2. NAND","render_override":null},{"id":"blk_9cf28f5e-03be-417d-8056-ba8b2cf404f6","kind":"paragraph","order":1010,"section_id":"sec_065729e7-b75a-4509-9070-2fe3d89ca067","character_id":null,"markdown":"**回路屋**　★★★★★ \n**検証屋**　★★★☆☆ \n**レイアウト屋**　★★★★☆ \n**SI/PI屋**　★★☆☆☆","render_override":null},{"id":"blk_eec9e058-1da5-4884-a4db-9322893756ff","kind":"paragraph","order":1011,"section_id":"sec_065729e7-b75a-4509-9070-2fe3d89ca067","character_id":null,"markdown":"**ひとことで言うと** \n**「NANDも基本はメモリ屋の世界。HBMほどパッケージSI/PIは前に出ない」** です。 \nNANDもメモリアレイと周辺回路の custom / memory flow が中心で、Synopsys は memory solutions として memory development 全体をカバーするとしています。一方で製品としては ONFI / Toggle などのインターフェース検証も重要なので、検証屋の比重は DRAMより少し見えやすくなります。 ([synopsys.com](https://www.synopsys.com/memory.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_39f4d73d-a246-4177-8e1d-e90c532e376f","kind":"paragraph","order":1012,"section_id":"sec_065729e7-b75a-4509-9070-2fe3d89ca067","character_id":null,"markdown":"**作業風景のイメージ**","render_override":null},{"id":"blk_b9f6b530-12b1-4c32-9fec-318fc47ed278","kind":"list","order":1013,"section_id":"sec_065729e7-b75a-4509-9070-2fe3d89ca067","character_id":null,"markdown":"- 回路屋: セル、周辺回路、読み書きパス、制御回路を詰める\n- レイアウト屋: メモリアレイ配置、配線、寄生成分を詰める\n- 検証屋: NANDプロトコルやコントローラ側との整合を確認する","render_override":null},{"id":"blk_aeb89196-ca1f-4222-9cce-00a713634a56","kind":"thematic_break","order":1014,"section_id":"sec_065729e7-b75a-4509-9070-2fe3d89ca067","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1d5af4e0-c960-4a09-96c5-f502153d0221","kind":"heading","order":1015,"section_id":"sec_a9d281e1-e0a3-4a49-b999-4357056ebed3","character_id":null,"markdown":"### \\3. トランシーバー","render_override":null},{"id":"blk_50615abb-d4c9-4a54-89ee-290017ad34a4","kind":"paragraph","order":1016,"section_id":"sec_a9d281e1-e0a3-4a49-b999-4357056ebed3","character_id":null,"markdown":"**回路屋**　★★★★★ \n**検証屋**　★★☆☆☆ \n**レイアウト屋**　★★★★☆ \n**SI/PI屋**　★★★★★","render_override":null},{"id":"blk_9be5829b-1ea0-4f7f-bb02-943a06bb54d0","kind":"paragraph","order":1017,"section_id":"sec_a9d281e1-e0a3-4a49-b999-4357056ebed3","character_id":null,"markdown":"**ひとことで言うと** \n**「回路屋とSI/PI屋の二枚看板」** です。 \n高速トランシーバーは、SerDes、PLL/CDR、等化器、ドライバ/レシーバのようなアナログ/RF回路が主役で、Cadence Virtuoso RF は schematic/layout 同時設計、system/circuit simulation、EM/thermal analysis を統合するとしています。さらに高速度になるほど、チップだけでなく package / PCB まで含めた signal integrity, power integrity, EMI が支配的になり、Cadence Sigrity や Ansys SIwave はまさにそのための道具です。 ([Cadence](https://www.cadence.com/ja_JP/home/tools/custom-ic-analog-rf-design/virtuoso-studio/rf.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_063a8ec5-f540-441f-929b-2cdf9a0f11fc","kind":"paragraph","order":1018,"section_id":"sec_a9d281e1-e0a3-4a49-b999-4357056ebed3","character_id":null,"markdown":"**作業風景のイメージ**","render_override":null},{"id":"blk_ca31d23e-58e6-472f-9c86-f8f3a981adb1","kind":"list","order":1019,"section_id":"sec_a9d281e1-e0a3-4a49-b999-4357056ebed3","character_id":null,"markdown":"- 回路屋: アイ開口、ジッタ、PLL安定性、等化を詰める\n- SI/PI屋: package/board込みで反射、クロストーク、PDN、BERを詰める\n- レイアウト屋: 敏感なアナログ配線や対称性を守る","render_override":null},{"id":"blk_7bd10077-3a1e-41f5-8ee9-627444192b28","kind":"thematic_break","order":1020,"section_id":"sec_a9d281e1-e0a3-4a49-b999-4357056ebed3","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d976bfe1-2a5d-422b-ba3c-7f6f07cceb5e","kind":"heading","order":1021,"section_id":"sec_8b491609-f935-43a4-a86c-018bfc2ce700","character_id":null,"markdown":"### \\4. スイッチASIC","render_override":null},{"id":"blk_e3e7654c-a104-463c-9a41-1db4b9bf756b","kind":"paragraph","order":1022,"section_id":"sec_8b491609-f935-43a4-a86c-018bfc2ce700","character_id":null,"markdown":"**回路屋**　★★☆☆☆ \n**検証屋**　★★★★★ \n**レイアウト屋**　★★★★★ \n**SI/PI屋**　★★★☆☆","render_override":null},{"id":"blk_dbe003bd-94bc-494e-abf0-b4244b087822","kind":"paragraph","order":1023,"section_id":"sec_8b491609-f935-43a4-a86c-018bfc2ce700","character_id":null,"markdown":"**ひとことで言うと** \n**「巨大デジタルSoCの世界。検証屋とレイアウト屋が主役」** です。 \nスイッチASICは、パケット処理・バッファ管理・スケジューリング・テーブル処理などを大量RTLで組む典型的なデジタル設計で、Cadence は digital design and signoff をフルフローで提供しています。規模が巨大なので、Palladium のようなエミュレーションを含む検証の重要度が非常に高く、後半は placement / routing / timing / signoff でレイアウト屋の比重も極めて大きいです。外部I/Oに高速SerDesを持つので、その部分だけ SI/PI屋もかなり関わります。 ([Cadence](https://www.cadence.com/en_US/home/tools/digital-design-and-signoff.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_8f68ef14-2b4f-4580-b746-3aeecccaac9a","kind":"paragraph","order":1024,"section_id":"sec_8b491609-f935-43a4-a86c-018bfc2ce700","character_id":null,"markdown":"**作業風景のイメージ**","render_override":null},{"id":"blk_404da504-35ac-406e-b61d-01aa4b1b8e32","kind":"list","order":1025,"section_id":"sec_8b491609-f935-43a4-a86c-018bfc2ce700","character_id":null,"markdown":"- 検証屋: RTL/UVM/フォーマル/エミュでバグを潰す\n- レイアウト屋: 巨大ブロックを置いて配線し、タイミングを閉じる\n- SI/PI屋: 高速ポート周辺やパッケージ/基板側を詰める","render_override":null},{"id":"blk_a8a35071-3737-4aec-b387-1a94e6fe016e","kind":"thematic_break","order":1026,"section_id":"sec_8b491609-f935-43a4-a86c-018bfc2ce700","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c1daedf4-3499-43d0-8224-a24386b44864","kind":"heading","order":1027,"section_id":"sec_005c45b9-7755-4e84-8af2-a8900c269aef","character_id":null,"markdown":"## 一枚で雑にまとめると","render_override":null},{"id":"blk_0c6c72d9-b734-4d8d-b3ad-67e6fbaa5db3","kind":"paragraph","order":1028,"section_id":"sec_005c45b9-7755-4e84-8af2-a8900c269aef","character_id":null,"markdown":"**HBM/DRAM** \n→ **メモリ回路屋 + レイアウト屋** が主役 \n→ **HBMだけ SI/PI屋 も主役級** ([synopsys.com](https://www.synopsys.com/memory.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_8190fd08-cfd9-4e41-b1e2-cc6fe556dd76","kind":"paragraph","order":1029,"section_id":"sec_005c45b9-7755-4e84-8af2-a8900c269aef","character_id":null,"markdown":"**NAND** \n→ **メモリ回路屋** が主役 \n→ 次に **レイアウト屋**、その次に **検証屋** ([synopsys.com](https://www.synopsys.com/memory.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_09784eee-1f45-4f44-aeff-9049e48f1e2a","kind":"paragraph","order":1030,"section_id":"sec_005c45b9-7755-4e84-8af2-a8900c269aef","character_id":null,"markdown":"**トランシーバー** \n→ **回路屋 + SI/PI屋** が主役 \n→ 次に **レイアウト屋** ([Cadence](https://www.cadence.com/ja_JP/home/tools/custom-ic-analog-rf-design/virtuoso-studio/rf.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_fd37a7e3-d032-497c-a643-cf20a1605d55","kind":"paragraph","order":1031,"section_id":"sec_005c45b9-7755-4e84-8af2-a8900c269aef","character_id":null,"markdown":"**スイッチASIC** \n→ **検証屋 + レイアウト屋** が主役 \n→ I/Oまわりで **SI/PI屋** が入る ([Cadence](https://www.cadence.com/en_US/home/tools/digital-design-and-signoff.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_eae99bee-337f-413d-a948-708bd224e491","kind":"thematic_break","order":1032,"section_id":"sec_005c45b9-7755-4e84-8af2-a8900c269aef","character_id":null,"markdown":"---","render_override":null},{"id":"blk_618d4b3f-a35b-4fd1-b37b-cb72411acff6","kind":"heading","order":1033,"section_id":"sec_cec98bd0-8608-4d10-b45a-b45b8a329550","character_id":null,"markdown":"## 最短で覚えるなら","render_override":null},{"id":"blk_c050f756-0bd3-447e-84c8-e3024b68bda3","kind":"list","order":1034,"section_id":"sec_cec98bd0-8608-4d10-b45a-b45b8a329550","character_id":null,"markdown":"- **メモリは回路屋とレイアウト屋**\n- **HBMはそこにSI/PI屋が強く乗る**\n- **トランシーバーは回路屋とSI/PI屋**\n- **スイッチASICは検証屋とレイアウト屋**","render_override":null},{"id":"blk_1891c299-aa4f-47bd-8ddd-f2de35afcfbb","kind":"paragraph","order":1035,"section_id":"sec_cec98bd0-8608-4d10-b45a-b45b8a329550","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_6caf69fe-aef4-4366-8a4a-27f9837b1308","kind":"thematic_break","order":1036,"section_id":"sec_cec98bd0-8608-4d10-b45a-b45b8a329550","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c18eccd0-020e-487a-ad20-4ac67fa7064d","kind":"heading","order":1037,"section_id":"sec_a0232672-8645-4ebd-bfdc-f646affb1a96","character_id":null,"markdown":"## この4種類は Synopsys・Cadence・Ansys のどの製品群に売上が落ちやすいか","render_override":null},{"id":"blk_35fc1735-2b55-4b52-9215-bf20380120bf","kind":"paragraph","order":1038,"section_id":"sec_a0232672-8645-4ebd-bfdc-f646affb1a96","character_id":null,"markdown":"これは **「各製品タイプの設計で、どの作業にお金が乗りやすいか」から逆算した“売上の落ち先マップ”** です。 \n前提として、**Ansys は 2025年7月に Synopsys に買収完了**しているので、投資家目線では **“Ansys単独の売上先” ではなく “Synopsysグループ内でどの製品群に効くか”** と見るのが自然です。Synopsys 側は Memory Solutions、Custom Design Platform、3DIC Compiler、Signoff、Verification IP、ZeBu/HAPS などを展開しており、Cadence 側は Custom IC/Analog/RF、Digital Design and Signoff、Verification、Palladium/Protium、IC Package Design and Analysis、Sigrity、Memory & Storage IP を持っています。Ansys 側は Electronics/semiconductor 向けに EM、SI/PI、thermal、electro-mechanical、RedHawk-SC、SIwave などを持っています。 ([investor.synopsys.com](https://investor.synopsys.com/news/news-details/2025/Synopsys-Completes-Acquisition-of-Ansys/default.aspx?utm_source=chatgpt.com))","render_override":null},{"id":"blk_b6986988-2502-416e-a7b8-89086fb8174c","kind":"heading","order":1039,"section_id":"sec_c36ab156-6141-4648-a9e1-90ca881c8808","character_id":null,"markdown":"## 1枚マップ","render_override":null},{"id":"blk_beac9571-70be-482b-a227-1383aca5b88c","kind":"figure","order":1040,"section_id":"sec_c36ab156-6141-4648-a9e1-90ca881c8808","character_id":null,"markdown":"![](/media/754dd9e02777393d338d1b314c88cab868376aee3a440ce4663fb0d2e1388a23-content.webp)","render_override":null},{"id":"blk_6d792773-3c93-4536-984d-0a8111eaf6eb","kind":"paragraph","order":1041,"section_id":"sec_c36ab156-6141-4648-a9e1-90ca881c8808","character_id":null,"markdown":"この表は、各社の公式製品群と、HBM/DRAM・NAND・高速I/O・巨大デジタルSoCが要求する設計作業を突き合わせた**私の推定地図**です。以下で、どこにお金が落ちやすいかを製品ごとに言い換えます。 ([synopsys.com](https://www.synopsys.com/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_c4527dfd-e48f-49ab-a3f6-008b0832f556","kind":"heading","order":1042,"section_id":"sec_66a807c2-6109-4937-8479-774b7e91dcb7","character_id":null,"markdown":"## \\1. HBM / DRAM","render_override":null},{"id":"blk_7655addc-e1d7-46b7-8d2c-faeb87573fcf","kind":"paragraph","order":1043,"section_id":"sec_66a807c2-6109-4937-8479-774b7e91dcb7","character_id":null,"markdown":"ここは **Synopsys に最もお金が落ちやすい領域の1つ** です。 \n理由は、HBM/DRAM が **memory 専用フロー** と **custom/analog** と **3D/advanced packaging** を同時に必要とするからです。Synopsys は Memory Solutions を前面に出し、Custom Design Platform でカスタム・アナログ設計を、3DIC Compiler で multi-die / 2.5D / 3D の co-design を、Signoff で power/signal integrity や multiphysics を扱っています。HBM 側の protocol/SoC 接続では Verification IP も効きます。Cadence も custom / package / SI/PI 側でしっかり取れますが、**“memory開発そのもの”の箱が大きい分、重心はまず Synopsys** に置きやすいです。さらに HBM では package、power integrity、thermal、stress が重くなるため、**Ansys の価値が最も上乗せされやすい** 領域でもあります。 ([synopsys.com](https://www.synopsys.com/memory.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_309fc3ba-2262-4168-89b5-eae003b52f3a","kind":"paragraph","order":1044,"section_id":"sec_66a807c2-6109-4937-8479-774b7e91dcb7","character_id":null,"markdown":"**投資家メモ** \nHBMが増えるほど、Synopsys では **Memory + 3DIC + Signoff +（Ansys由来の）PI/thermal** が太りやすい、という見方がしやすいです。 ([synopsys.com](https://www.synopsys.com/memory.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_31867c47-da07-4312-8de7-4619d85bb6c0","kind":"heading","order":1045,"section_id":"sec_bc6f9dde-6099-4e1c-ad3d-b9c7b6780a1b","character_id":null,"markdown":"## \\2. NAND","render_override":null},{"id":"blk_2f97caba-de5e-4b85-ad91-205f2ee9f584","kind":"paragraph","order":1046,"section_id":"sec_bc6f9dde-6099-4e1c-ad3d-b9c7b6780a1b","character_id":null,"markdown":"NAND は **HBMほど package/thermal が前に出ない一方、memory/custom 比率が高い** ので、売上の落ち先はかなり素直に **Synopsys の Memory Solutions と Custom Design Platform** に寄りやすいです。さらに ONFI/NAND 側の検証では Synopsys の ONFI/NAND VIP が効きます。Cadence も custom 設計や Memory & Storage IP、VIP で十分取れますが、**NAND全体では “memory flow の太さ” が効く分だけ Synopsys 優位の絵** が描きやすいです。Ansys は package/PI の補完では効くものの、HBMやトランシーバーほど主役ではありません。 ([synopsys.com](https://www.synopsys.com/memory.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e519c172-d7ec-47e0-83a9-c43d3ab5addc","kind":"paragraph","order":1047,"section_id":"sec_bc6f9dde-6099-4e1c-ad3d-b9c7b6780a1b","character_id":null,"markdown":"**投資家メモ** \nNAND系の案件増加は、4分類の中では **Synopsys の“メモリ開発箱”に最も素直に効く** と見やすいです。Cadence の取り分はゼロではないですが、主戦場の中心はやや Synopsys 側です。 ([synopsys.com](https://www.synopsys.com/memory.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_94d279dd-f58d-4a7e-b232-9d7e56f2b897","kind":"heading","order":1048,"section_id":"sec_876b603d-e324-4bf6-9020-8af3b44e0ba3","character_id":null,"markdown":"## \\3. トランシーバー","render_override":null},{"id":"blk_0b802806-b976-4389-a09a-17919a839f52","kind":"paragraph","order":1049,"section_id":"sec_876b603d-e324-4bf6-9020-8af3b44e0ba3","character_id":null,"markdown":"ここは逆に、**Cadence と Ansys が強く見えやすい領域** です。 \n高速トランシーバーは、回路そのものが **analog / RF / mixed-signal** であり、さらに package / PCB を通した **SI/PI / EM / thermal** が性能を左右します。Cadence は Custom IC/Analog/RF、IC Package Design and Analysis、Sigrity を持ち、SystemSI は SerDes を含む serial links の SI 解析を前面に出しています。Ansys は Electronics ポートフォリオとして EM、SI/PI、thermal、electro-mechanical をまとめており、SIwave は IC package / PCB の SI/PI/EMI を扱います。Synopsys も Custom Design Platform と Signoff で取れますが、**“高速I/Oの設計とチャネル解析”というテーマでは、Cadence + Ansys の方が売上の落ち先として見えやすい** です。 ([Cadence](https://www.cadence.com/en_US/home/tools/custom-ic-analog-rf-design.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_afdbb6f6-d88d-4f15-8844-ffcbdc01ccf7","kind":"paragraph","order":1050,"section_id":"sec_876b603d-e324-4bf6-9020-8af3b44e0ba3","character_id":null,"markdown":"**投資家メモ** \nトランシーバー強化の波は、**Cadence の custom/RF + package/SI** と、**Ansys の physics** に最も追い風です。Synopsys も取りますが、相対的にはここがいちばん **Cadence/Ansys 色** が濃いです。 ([Cadence](https://www.cadence.com/en_US/home/tools/custom-ic-analog-rf-design.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_45a48303-4de0-42da-a3c1-5461104386c4","kind":"heading","order":1051,"section_id":"sec_194b7eb9-dced-4bb5-84ca-9028231ae24b","character_id":null,"markdown":"## \\4. スイッチASIC","render_override":null},{"id":"blk_cfe70dee-4833-4ee8-b653-4210a40280d9","kind":"paragraph","order":1052,"section_id":"sec_194b7eb9-dced-4bb5-84ca-9028231ae24b","character_id":null,"markdown":"ここは **Synopsys と Cadence のど真ん中** です。 \nスイッチASICは巨大デジタルSoCなので、主な支出先は **Digital Design and Signoff / Verification / Hardware-assisted verification / memory IP** になります。Cadence は Digital Design and Signoff、Functional Verification、Palladium / Protium を持ち、Synopsys は Verification IP、ZeBu / HAPS、Signoff、さらに embedded memory / TCAM IP を持っています。外部ポートが高速SerDesなので、Cadence の Sigrity や package 系、Ansys の SI/PI/thermal も補完的に効きますが、主戦場はあくまで **デジタル検証と実装** です。 ([Cadence](https://www.cadence.com/en_US/home/tools/digital-design-and-signoff.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_c69f77fa-9d5d-433e-b7cc-cd7a7b2531dd","kind":"paragraph","order":1053,"section_id":"sec_194b7eb9-dced-4bb5-84ca-9028231ae24b","character_id":null,"markdown":"**投資家メモ** \nスイッチASIC案件が増える局面は、**Synopsys と Cadence の両取り**で見るのが自然です。 \nより細かく分けると、**検証ハードと front-end の比重が高いなら Cadence**、**VIP / signoff / memory IP を含めた広い箱なら Synopsys**、という見方がしやすいです。これは公開製品群からの私の推定です。 ([Cadence](https://www.cadence.com/en_US/home/tools/system-design-and-verification/emulation-and-prototyping.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_f958c7ac-c4f4-4a7a-bfed-af7919431633","kind":"heading","order":1054,"section_id":"sec_87a6f515-ae91-4fb8-903b-cc8f0423d73a","character_id":null,"markdown":"## 最短の覚え方","render_override":null},{"id":"blk_34f3841f-f1e3-42bc-ab00-ae66720f13a3","kind":"paragraph","order":1055,"section_id":"sec_87a6f515-ae91-4fb8-903b-cc8f0423d73a","character_id":null,"markdown":"かなり乱暴に一行ずつにすると、","render_override":null},{"id":"blk_5481c47c-af30-4dfa-9a9c-35954e5f33b7","kind":"list","order":1056,"section_id":"sec_87a6f515-ae91-4fb8-903b-cc8f0423d73a","character_id":null,"markdown":"- **HBM/DRAM**: **Synopsys本丸**、ただし **HBMはAnsys上乗せ大**。 ([synopsys.com](https://www.synopsys.com/memory.html?utm_source=chatgpt.com))\n- **NAND**: **Synopsys寄り**。 ([synopsys.com](https://www.synopsys.com/memory.html?utm_source=chatgpt.com))\n- **トランシーバー**: **Cadence + Ansys寄り**。 ([Cadence](https://www.cadence.com/en_US/home/tools/custom-ic-analog-rf-design.html?utm_source=chatgpt.com))\n- **スイッチASIC**: **Synopsys と Cadence の主戦場**、Ansysは補完。 ([Cadence](https://www.cadence.com/en_US/home/tools/digital-design-and-signoff.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_a9e55005-dc44-4075-a8c4-a83d5daacda8","kind":"paragraph","order":1057,"section_id":"sec_87a6f515-ae91-4fb8-903b-cc8f0423d73a","character_id":null,"markdown":"必要なら次に、**この4種類を「Synopsys優位 / Cadence優位 / Ansys上乗せ大」の3色で点数化**して横並び比較します。","render_override":null},{"id":"blk_5e2a16f1-3ca1-44f2-a6c0-76fdad7573ff","kind":"thematic_break","order":1058,"section_id":"sec_87a6f515-ae91-4fb8-903b-cc8f0423d73a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7f69c9a2-1923-4453-8bf4-85713e32215a","kind":"heading","order":1059,"section_id":"sec_913c15f6-ab86-4ca9-92ba-77528bbc0025","character_id":null,"markdown":"## シノプシスとcadence、ARMの製品と商品群","render_override":null},{"id":"blk_b4b92ba0-e70e-4a4f-be96-f1c2e81d6dc7","kind":"paragraph","order":1060,"section_id":"sec_913c15f6-ab86-4ca9-92ba-77528bbc0025","character_id":null,"markdown":"**網羅しすぎない形で、3社の主要な製品群と代表製品**を整理します。 \nなお、**Synopsys と Cadence は主にEDA/設計基盤の会社**、**Arm は主にCPU・GPU・NPUなどのIP/プラットフォームの会社**です。 ([synopsys.com](https://www.synopsys.com/))","render_override":null},{"id":"blk_f8db37a2-4ad5-4d90-ba6e-22fcc987b652","kind":"heading","order":1061,"section_id":"sec_2bcadf81-a3ef-4c8e-9631-575ef1498fe6","character_id":null,"markdown":"## Synopsys（シノプシス）","render_override":null},{"id":"blk_07769f92-4add-46ab-ba45-562ecdac86a4","kind":"paragraph","order":1062,"section_id":"sec_2bcadf81-a3ef-4c8e-9631-575ef1498fe6","character_id":null,"markdown":"Synopsys の大きな箱は、公式トップでは **EDA**, **Systems**, **Silicon IP** が前面に出ており、加えて **Manufacturing**, **Silicon Lifecycle Management**, **Software Integrity** も主要ポートフォリオです。 ([synopsys.com](https://www.synopsys.com/))","render_override":null},{"id":"blk_05c6e88d-5d5c-445f-af29-0f6521a15171","kind":"heading","order":1063,"section_id":"sec_9497e4e3-0be3-479c-bcc5-f3ed3500b647","character_id":null,"markdown":"### 主な製品群","render_override":null},{"id":"blk_014b5808-a3e3-4161-b119-b77f75c913ac","kind":"list","order":1064,"section_id":"sec_9497e4e3-0be3-479c-bcc5-f3ed3500b647","character_id":null,"markdown":"- **EDA（半導体設計自動化）** \n チップ設計・検証・実装・サインオフ向け。AI-enabled EDA、AI-powered optimization、GenAI copilot もここに含まれます。 ([synopsys.com](https://www.synopsys.com/silicon-design.html))\n- **Systems（システム検証/仮想化/HAV）** \n 仮想プロトタイピング、エミュレーション、FPGAプロトタイピング、システムテスト生成など。 ([synopsys.com](https://www.synopsys.com/systems.html?utm_source=chatgpt.com))\n- **Silicon IP** \n インターフェースIP、foundation IP、physical IP。 ([synopsys.com](https://www.synopsys.com/))\n- **Manufacturing** \n TCAD、Mask Synthesis、Manufacturing Analytics、Lithography など。 ([synopsys.com](https://www.synopsys.com/silicon-design.html))\n- **Silicon Lifecycle Management (SLM)** \n in-design から in-field まで、モニタ・解析・自動化でシリコン運用を最適化。 ([synopsys.com](https://www.synopsys.com/solutions/silicon-lifecycle-management.html))\n- **Software Integrity** \n アプリケーションセキュリティ、ソフトウェアサプライチェーン、AppSecリスク管理など。 ([synopsys.com](https://www.synopsys.com/ja-jp/software-integrity.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_8c31496c-aa14-40d4-9592-58b0d750a3d7","kind":"heading","order":1065,"section_id":"sec_5c37138c-e02d-4f42-95f3-f7c756952166","character_id":null,"markdown":"### 代表製品の例","render_override":null},{"id":"blk_e9d71186-7a27-47d0-b567-426f70564725","kind":"list","order":1066,"section_id":"sec_5c37138c-e02d-4f42-95f3-f7c756952166","character_id":null,"markdown":"- **検証系**: VCS, Verdi, VC SpyGlass, VC Formal, VC VIP, Virtualizer, ZeBu, HAPS。 ([synopsys.com](https://www.synopsys.com/ja-jp/verification.html?utm_source=chatgpt.com))\n- **メモリ/カスタム/3DIC系**: Memory Solutions, Custom Design Platform, 3DIC Compiler。 ([synopsys.com](https://www.synopsys.com/silicon-design.html))\n- **製造系**: Sentaurus Process, Taurus TSUPREM-4, Sentaurus Topography 3D, Sentaurus Lithography, S-Litho。 ([synopsys.com](https://www.synopsys.com/manufacturing/tcad/process-simulation.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_fb765b69-0cb6-417e-9f3f-7b599232f296","kind":"thematic_break","order":1067,"section_id":"sec_5c37138c-e02d-4f42-95f3-f7c756952166","character_id":null,"markdown":"---","render_override":null},{"id":"blk_6cedd5bc-796b-42fe-a3b1-399c6b027050","kind":"heading","order":1068,"section_id":"sec_088d1b0f-0bb0-43d4-bd28-1ec0b6f7a641","character_id":null,"markdown":"## Cadence（ケイデンス）","render_override":null},{"id":"blk_fb0108a9-51a2-43d2-a720-a626a70a9ab4","kind":"paragraph","order":1069,"section_id":"sec_088d1b0f-0bb0-43d4-bd28-1ec0b6f7a641","character_id":null,"markdown":"Cadence の公式な製品カテゴリは、**Digital Design and Signoff**, **Custom IC/Analog/RF Design**, **Verification**, **IP**, **IC Package Design and Analysis**, **Multiphysics System Analysis**, **PCB Design and Analysis** です。さらに System Design & Analysis の箱として、Allegro, Sigrity, AWR, Reality DC, Fidelity CFD なども並んでいます。 ([Cadence](https://www.cadence.com/en_US/home/tools.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_5b552168-cb91-4c9d-bd7e-8b21d7db11d4","kind":"heading","order":1070,"section_id":"sec_7a109288-5e72-414a-9e73-ef92af7a7b33","character_id":null,"markdown":"### 主な製品群","render_override":null},{"id":"blk_c4ec8c85-c51a-4b75-a143-9aceb3a963d0","kind":"list","order":1071,"section_id":"sec_7a109288-5e72-414a-9e73-ef92af7a7b33","character_id":null,"markdown":"- **Digital Design and Signoff** \n RTL解析、等価性検証、SoC実装、低消費電力検証、合成、電力解析、CDC/制約サインオフ、シリコンサインオフ、テスト自動化。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))\n- **Custom IC / Analog / RF Design** \n 回路設計、回路シミュレーション、レイアウト、レイアウト検証、ライブラリ特性評価、RF/マイクロ波、カスタム電源完全性。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))\n- **Verification** \n シミュレーション、AI-driven verification、エミュレーション/プロトタイピング、フォーマル/静的検証、Verification IP、デバッグ、Portable Stimulus、System VIP、Virtual/Hybrid Platform、Planning & Management。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))\n- **IP** \n High-Speed Ethernet、Chiplet and D2D、Denali Memory Interface and Storage IP、Interface IP、PCIe and CXL、Tensilica Processor IP、AI IP Platform。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))\n- **IC Package Design and Analysis** \n クロスプラットフォーム co-design、ICパッケージ設計、ICパッケージ向け SI/PI 解析。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))\n- **Multiphysics System Analysis** \n CFD、電磁界解析、RF/マイクロ波設計、Signal/Power Integrity、熱解析、AI-driven system analysis。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))\n- **PCB Design and Analysis** \n PCB設計、PCB向け SI/PI、RF/マイクロ波、PSpice など。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))","render_override":null},{"id":"blk_5d0c5b4f-abaa-4d33-a6d0-5dfc2c64fd90","kind":"heading","order":1072,"section_id":"sec_d711da8d-b8a6-451c-bdb8-e08ce92d2c54","character_id":null,"markdown":"### 代表製品の例","render_override":null},{"id":"blk_282656e0-ef11-47a1-96e5-e147408413c3","kind":"list","order":1073,"section_id":"sec_d711da8d-b8a6-451c-bdb8-e08ce92d2c54","character_id":null,"markdown":"- **デジタル/実装**: Genus, Innovus, Tempus, Voltus, Pegasus, Cerebrus, Joules, Certus, Integrity 3D-IC Platform。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))\n- **カスタム/アナログ**: Virtuoso Studio, Virtuoso Layout Suite, Virtuoso ADE Suite, Spectre X, Spectre FX, AWR Microwave Office, Voltus-XFi。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))\n- **検証**: Palladium, Protium, Jasper, Verisium 系。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))\n- **システム/パッケージ/基板**: Allegro X, Sigrity X, Clarity 3D Solver, Celsius Thermal Solver, Fidelity CFD, Reality DC。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))","render_override":null},{"id":"blk_32d00b0a-626b-4aed-bb07-37cf71fe4da2","kind":"thematic_break","order":1074,"section_id":"sec_d711da8d-b8a6-451c-bdb8-e08ce92d2c54","character_id":null,"markdown":"---","render_override":null},{"id":"blk_211f3190-b432-425d-9a0f-61c4bc750530","kind":"heading","order":1075,"section_id":"sec_f2a43a75-1ee1-4dc5-a4fe-efa7922b0a50","character_id":null,"markdown":"## Arm（アーム）","render_override":null},{"id":"blk_04186b33-69ef-41e3-ab29-6258d389d399","kind":"paragraph","order":1076,"section_id":"sec_f2a43a75-1ee1-4dc5-a4fe-efa7922b0a50","character_id":null,"markdown":"Arm は EDA ベンダーというより、**CPU/GPU/NPUやシステムIP、サブシステムIP、開発ツールをライセンスする会社**です。公式の Products ページでは、**Arm AGI CPU**, **Compute Subsystems**, **CPUs**, **Mali GPUs**, **Ethos NPUs**, **Security IP**, **Subsystem IP**, **System IP**, **Development Tools** が主要カテゴリです。 ([arm.com](https://www.arm.com/products))","render_override":null},{"id":"blk_44a85c29-f4b4-42d3-8191-b786435a8a2c","kind":"heading","order":1077,"section_id":"sec_92b0e1ca-d927-4d8b-b6f0-930e129eeac6","character_id":null,"markdown":"### 主な製品群","render_override":null},{"id":"blk_1d87a7cc-daaf-4182-8112-c9fd4725c2a9","kind":"list","order":1078,"section_id":"sec_92b0e1ca-d927-4d8b-b6f0-930e129eeac6","character_id":null,"markdown":"- **Compute Subsystems (CSS)** \n 検証済み・実装済みの compute foundation。クライアント向け CSS など。 ([arm.com](https://www.arm.com/products))\n- **CPUs** \n C1, Cortex-A, Cortex-R, Cortex-M, Cortex-X, Neoverse。 ([arm.com](https://www.arm.com/products))\n- **Mali GPUs** \n グラフィックス/並列処理向け GPU IP。 ([arm.com](https://www.arm.com/products))\n- **Ethos NPUs** \n AI推論向け NPU IP。 ([arm.com](https://www.arm.com/products))\n- **System IP** \n CoreLink interconnect、memory controllers、system controllers、CoreSight debug/trace、Socrates など。 ([arm.com](https://www.arm.com/products/silicon-ip-system?utm_source=chatgpt.com))\n- **Security IP** \n 暗号、セキュリティサービス、分離、耐タンパ性など。 ([arm.com](https://www.arm.com/products/silicon-ip-security?utm_source=chatgpt.com))\n- **Subsystem IP** \n Arm ベースSoC構成要素の再利用・統合向け。 ([arm.com](https://www.arm.com/products))\n- **Development Tools** \n Arm Development Studio、Keil MDK、GNU Toolchain など。 ([arm.com](https://www.arm.com/products/development-tools?utm_source=chatgpt.com))\n- **Physical IP** \n Artisan Physical IP、embedded memory、interface、logic。なお Arm は Artisan 系について投資方針を見直し、engineering investment を縮小すると案内しています。 ([developer.arm.com](https://developer.arm.com/developer/ip-products/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_5478e589-7d38-4107-b052-973959e24d49","kind":"heading","order":1079,"section_id":"sec_252c6679-6893-457c-b3ac-7f64e7b55716","character_id":null,"markdown":"### 代表製品/サービスの例","render_override":null},{"id":"blk_7f74ab7d-d58f-4823-a683-05a60b9e8273","kind":"list","order":1080,"section_id":"sec_252c6679-6893-457c-b3ac-7f64e7b55716","character_id":null,"markdown":"- **IP選定・統合支援**: Arm IP Explorer, Socrates IP Tooling。 ([arm.com](https://www.arm.com/products/ip-explorer?utm_source=chatgpt.com))\n- **ライセンス商品**: Arm Total Access、License Arm Technology。 ([arm.com](https://www.arm.com/products))","render_override":null},{"id":"blk_393412f1-f15c-42ab-a281-425c4a58838a","kind":"thematic_break","order":1081,"section_id":"sec_252c6679-6893-457c-b3ac-7f64e7b55716","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ba0ef041-824f-4142-a61d-564951adde09","kind":"heading","order":1082,"section_id":"sec_10290337-16bb-4e71-8fa3-b65fc0e97965","character_id":null,"markdown":"## かなり短く整理すると","render_override":null},{"id":"blk_381a3c3b-c5c2-4bf3-ab46-116950e95e26","kind":"list","order":1083,"section_id":"sec_10290337-16bb-4e71-8fa3-b65fc0e97965","character_id":null,"markdown":"- **Synopsys** \n EDA、システム検証、Silicon IP、製造(TCAD/リソグラフィ)、SLM、Software Integrity。 ([synopsys.com](https://www.synopsys.com/))\n- **Cadence** \n デジタル実装、カスタム/アナログ/RF、検証、IP、パッケージ、マルチフィジクス、PCB。 ([Cadence](https://www.cadence.com/en_US/home/tools.html))\n- **Arm** \n CPU/GPU/NPU、Compute Subsystems、System/Security/Subsystem IP、開発ツール、Physical IP。 ([arm.com](https://www.arm.com/products))","render_override":null},{"id":"blk_b8202a10-46d5-4c13-ad36-b7e323cf29c7","kind":"thematic_break","order":1084,"section_id":"sec_10290337-16bb-4e71-8fa3-b65fc0e97965","character_id":null,"markdown":"---","render_override":null},{"id":"blk_68fb2319-da6a-4c81-a668-108a4e78220c","kind":"heading","order":1085,"section_id":"sec_d1b520e4-3cfb-4256-82cb-37aebfe7ec29","character_id":null,"markdown":"## 半導体づくりを高級レストランで一皿を出す流れに置き換えて説明","render_override":null},{"id":"blk_11366676-c6b2-4162-a02c-0bc922cabd39","kind":"heading","order":1086,"section_id":"sec_793da2b4-e200-497b-abbe-a4c4270e1850","character_id":null,"markdown":"## まず全体像","render_override":null},{"id":"blk_05a5526f-86e6-456d-87d8-d989990dedf9","kind":"list","order":1087,"section_id":"sec_793da2b4-e200-497b-abbe-a4c4270e1850","character_id":null,"markdown":"- **EDA** = 厨房で使う設計ソフト、レシピ管理、試作シミュレーター、動線設計ツール\n- **半導体設計** = シェフがメニューを考え、レシピを作り、試作して完成形を決める工程\n- **TSMC** = 実際に大量生産できる超高精度な巨大セントラルキッチン\n- **CoWoS / パッケージ** = 出来上がった料理を、ソースや付け合わせごと最適な一皿に美しく、機能的に盛り付ける工程","render_override":null},{"id":"blk_0f598edd-7e80-40a3-a40d-f32678af67b2","kind":"paragraph","order":1088,"section_id":"sec_793da2b4-e200-497b-abbe-a4c4270e1850","character_id":null,"markdown":"EDA はチップ設計を助けるソフト群で、設計、シミュレーション、テスト、製造準備を自動化するものです。CoWoS は TSMC の先端パッケージ技術で、正式には Chip-on-Wafer-on-Substrate の略で、高密度なインターポーザ上にロジックと HBM を近接統合し、AI や HPC 向けに使われます。 ([Synopsys](https://www.synopsys.com/glossary/what-is-electronic-design-automation.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_77b87028-bd24-4356-b5da-51d3f1d81161","kind":"heading","order":1089,"section_id":"sec_2182e59f-f93b-41d5-8cf1-091ca9952b63","character_id":null,"markdown":"## \\1. 「こんな料理を出したい」を決める","render_override":null},{"id":"blk_ab95b085-5ec7-43bf-8639-e1710b96ecfb","kind":"paragraph","order":1090,"section_id":"sec_2182e59f-f93b-41d5-8cf1-091ca9952b63","character_id":null,"markdown":"これは**製品企画**です。","render_override":null},{"id":"blk_d278d9dd-9aca-472a-a04c-b5dd26ce3e24","kind":"paragraph","order":1091,"section_id":"sec_2182e59f-f93b-41d5-8cf1-091ca9952b63","character_id":null,"markdown":"レストランなら、 \n「今日は辛めの魚料理を出したい」 \n「高級感はあるけど提供は早くしたい」 \n「原価は抑えたい」 \nを決めます。","render_override":null},{"id":"blk_e71a711d-1fc5-491f-bc30-576717dda288","kind":"paragraph","order":1092,"section_id":"sec_2182e59f-f93b-41d5-8cf1-091ca9952b63","character_id":null,"markdown":"半導体なら、 \n「AI向けGPUにする」 \n「消費電力はここまで」 \n「性能はこのくらい」 \n「HBMを何個載せる」 \nを決めます。","render_override":null},{"id":"blk_6619af9f-5372-4796-98ed-acff6e983d95","kind":"paragraph","order":1093,"section_id":"sec_2182e59f-f93b-41d5-8cf1-091ca9952b63","character_id":null,"markdown":"まだ料理は作っていません。 \n**何を作るか決めている段階**です。","render_override":null},{"id":"blk_a70b8819-8e9a-4b03-9bb4-90330644e6b3","kind":"heading","order":1094,"section_id":"sec_68568fc8-7cd3-415f-b821-f0a36a431ed3","character_id":null,"markdown":"## \\2. レシピを作る","render_override":null},{"id":"blk_aa7832a1-2adf-463c-a06c-eba20ce59809","kind":"paragraph","order":1095,"section_id":"sec_68568fc8-7cd3-415f-b821-f0a36a431ed3","character_id":null,"markdown":"これは**アーキテクトや設計者**の仕事です。","render_override":null},{"id":"blk_aac42fea-3c75-4bdf-809f-38dc36388450","kind":"paragraph","order":1096,"section_id":"sec_68568fc8-7cd3-415f-b821-f0a36a431ed3","character_id":null,"markdown":"レストランなら、","render_override":null},{"id":"blk_d5500a30-a59f-46be-b283-406193a19282","kind":"list","order":1097,"section_id":"sec_68568fc8-7cd3-415f-b821-f0a36a431ed3","character_id":null,"markdown":"- 肉を先に焼くか\n- ソースは何段階で作るか\n- 付け合わせは何を置くか\n- どの皿を使うか","render_override":null},{"id":"blk_ab38361f-5341-4220-9163-a1ba2f41ef59","kind":"paragraph","order":1098,"section_id":"sec_68568fc8-7cd3-415f-b821-f0a36a431ed3","character_id":null,"markdown":"を決めます。","render_override":null},{"id":"blk_6fca1041-e934-4b4c-9c14-e598be334b07","kind":"paragraph","order":1099,"section_id":"sec_68568fc8-7cd3-415f-b821-f0a36a431ed3","character_id":null,"markdown":"半導体なら、","render_override":null},{"id":"blk_8d80a89e-c4bf-46f4-98a0-cfa31fcf51b9","kind":"list","order":1100,"section_id":"sec_68568fc8-7cd3-415f-b821-f0a36a431ed3","character_id":null,"markdown":"- 演算器をどれだけ並べるか\n- キャッシュをどう置くか\n- メモリとどうつなぐか\n- 入出力をどうするか","render_override":null},{"id":"blk_43032dc0-9b64-40e5-baa5-9514c3958d4d","kind":"paragraph","order":1101,"section_id":"sec_68568fc8-7cd3-415f-b821-f0a36a431ed3","character_id":null,"markdown":"を決めます。","render_override":null},{"id":"blk_d6331aca-851d-47b2-9b18-13aab0a343df","kind":"paragraph","order":1102,"section_id":"sec_68568fc8-7cd3-415f-b821-f0a36a431ed3","character_id":null,"markdown":"これはまだ「料理の構造」を決めている段階です。","render_override":null},{"id":"blk_17fff37d-b331-438d-b882-452736102b09","kind":"heading","order":1103,"section_id":"sec_30b78815-ea98-45bc-b0ca-a57fbe3d6e21","character_id":null,"markdown":"## \\3. EDAは何に当たるか","render_override":null},{"id":"blk_d45e1b85-8881-474a-8648-3266398c7176","kind":"paragraph","order":1104,"section_id":"sec_30b78815-ea98-45bc-b0ca-a57fbe3d6e21","character_id":null,"markdown":"EDA は、**厨房の超高度な裏方ツール一式**です。","render_override":null},{"id":"blk_18149e9b-559b-442f-8b68-8f00e146919c","kind":"paragraph","order":1105,"section_id":"sec_30b78815-ea98-45bc-b0ca-a57fbe3d6e21","character_id":null,"markdown":"たとえばレストランでいうと、","render_override":null},{"id":"blk_3ac179f8-8864-4736-90df-d2df559cc13d","kind":"list","order":1106,"section_id":"sec_30b78815-ea98-45bc-b0ca-a57fbe3d6e21","character_id":null,"markdown":"- レシピ作成ソフト\n- 試作シミュレーター\n- 仕込み表の自動生成\n- 調理手順の矛盾チェック\n- 厨房の動線最適化\n- 原価・時間・失敗率の見積もり\n- 盛り付け前の最終チェック","render_override":null},{"id":"blk_034e4ea5-5e88-4eb3-aa7a-3693926cefbf","kind":"paragraph","order":1107,"section_id":"sec_30b78815-ea98-45bc-b0ca-a57fbe3d6e21","character_id":null,"markdown":"を全部まとめたものに近いです。","render_override":null},{"id":"blk_6dd5479f-655f-43d0-9638-413dd2c670c0","kind":"paragraph","order":1108,"section_id":"sec_30b78815-ea98-45bc-b0ca-a57fbe3d6e21","character_id":null,"markdown":"半導体では、設計者が Verilog / SystemVerilog などで回路の動作を書き、それを EDA が","render_override":null},{"id":"blk_5e40e783-dd64-4c4a-875c-b07a3f971533","kind":"list","order":1109,"section_id":"sec_30b78815-ea98-45bc-b0ca-a57fbe3d6e21","character_id":null,"markdown":"- 正しく動くか\n- 遅すぎないか\n- 電力を食いすぎないか\n- 面積が大きすぎないか\n- 製造できる形になっているか \n を何度も確認します。EDA は設計と製造準備を自動化する道具群です。 ([Synopsys](https://www.synopsys.com/glossary/what-is-electronic-design-automation.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_0bd77788-0447-4a9c-a97f-515aaf0f339e","kind":"heading","order":1110,"section_id":"sec_5edc3540-c5d2-4a12-8891-3ca7f27eda27","character_id":null,"markdown":"## \\4. 試作して、味見して、レシピを直す","render_override":null},{"id":"blk_f8942291-e880-4f66-88ef-080c99d2a888","kind":"paragraph","order":1111,"section_id":"sec_5edc3540-c5d2-4a12-8891-3ca7f27eda27","character_id":null,"markdown":"これは**検証**です。","render_override":null},{"id":"blk_1b5f5190-0344-4738-b1e9-a61757a074a0","kind":"paragraph","order":1112,"section_id":"sec_5edc3540-c5d2-4a12-8891-3ca7f27eda27","character_id":null,"markdown":"レストランなら、 \n実際に試作してみて、 \n「塩が強い」 \n「火入れが長い」 \n「皿に対して量が多すぎる」 \nを直します。","render_override":null},{"id":"blk_cc3b8a8f-6dea-450d-b143-08dbc8a3e57f","kind":"paragraph","order":1113,"section_id":"sec_5edc3540-c5d2-4a12-8891-3ca7f27eda27","character_id":null,"markdown":"半導体も同じで、 \n「論理は合っているか」 \n「タイミングは間に合うか」 \n「熱や電力は大丈夫か」 \nを直していきます。","render_override":null},{"id":"blk_285dc4ff-7d1b-4620-9e85-ce525a4ecb57","kind":"paragraph","order":1114,"section_id":"sec_5edc3540-c5d2-4a12-8891-3ca7f27eda27","character_id":null,"markdown":"つまり、**EDAは試作と味見を何千回も高速で回すための道具**です。","render_override":null},{"id":"blk_5adec7dc-4800-4f81-b8c6-fafc44f93feb","kind":"heading","order":1115,"section_id":"sec_792c5715-b8b2-47b3-becf-97db073ff859","character_id":null,"markdown":"## \\5. 厨房の動線まで詰める","render_override":null},{"id":"blk_a2be978d-4079-4b48-8e5c-311734f9e500","kind":"paragraph","order":1116,"section_id":"sec_792c5715-b8b2-47b3-becf-97db073ff859","character_id":null,"markdown":"ここが半導体らしいところです。","render_override":null},{"id":"blk_4abd72c2-a600-4c09-a4bd-128e77549b21","kind":"paragraph","order":1117,"section_id":"sec_792c5715-b8b2-47b3-becf-97db073ff859","character_id":null,"markdown":"レストランでは、料理そのものが良くても、","render_override":null},{"id":"blk_455941f5-4f47-4dad-b21d-f78c744e2acc","kind":"list","order":1118,"section_id":"sec_792c5715-b8b2-47b3-becf-97db073ff859","character_id":null,"markdown":"- 冷蔵庫が遠い\n- 焼き場と盛り付け台が離れすぎ\n- 皿が取りにくい\n- スタッフがぶつかる","render_override":null},{"id":"blk_d1b36046-abb7-488f-8102-7ccaf2adb133","kind":"paragraph","order":1119,"section_id":"sec_792c5715-b8b2-47b3-becf-97db073ff859","character_id":null,"markdown":"と、提供が遅くなります。","render_override":null},{"id":"blk_761fd6ed-2d34-4741-8e89-7b7fdc0df026","kind":"paragraph","order":1120,"section_id":"sec_792c5715-b8b2-47b3-becf-97db073ff859","character_id":null,"markdown":"半導体でも同じで、回路の内容が正しくても、","render_override":null},{"id":"blk_656699db-7929-4b81-97f8-9c9dfda8e318","kind":"list","order":1121,"section_id":"sec_792c5715-b8b2-47b3-becf-97db073ff859","character_id":null,"markdown":"- 配線が長すぎる\n- 電力が一部に集中する\n- 熱がこもる\n- 信号が遅れる","render_override":null},{"id":"blk_6225e510-7882-4b77-91d2-7761f3363d05","kind":"paragraph","order":1122,"section_id":"sec_792c5715-b8b2-47b3-becf-97db073ff859","character_id":null,"markdown":"と、性能が出ません。","render_override":null},{"id":"blk_22c13942-dbcd-446d-8aec-0a1d45ea4137","kind":"paragraph","order":1123,"section_id":"sec_792c5715-b8b2-47b3-becf-97db073ff859","character_id":null,"markdown":"だから EDA は、**レシピだけでなく厨房の動線設計まで詰める**感じです。","render_override":null},{"id":"blk_08405e02-35d8-48cc-b48f-9c2cda00f842","kind":"heading","order":1124,"section_id":"sec_f4db34db-e1d3-48b4-a4b3-a4a355971d87","character_id":null,"markdown":"## \\6. TSMCは何に当たるか","render_override":null},{"id":"blk_2fca725d-318c-4a6d-86c9-5dc40ef15e13","kind":"paragraph","order":1125,"section_id":"sec_f4db34db-e1d3-48b4-a4b3-a4a355971d87","character_id":null,"markdown":"TSMC は、**世界最高レベルの巨大セントラルキッチン**です。","render_override":null},{"id":"blk_f94067b8-b6ba-4671-929f-a9d33e3b8505","kind":"paragraph","order":1126,"section_id":"sec_f4db34db-e1d3-48b4-a4b3-a4a355971d87","character_id":null,"markdown":"シェフが考えたレシピを持ち込むと、TSMC が \n**超高精度で、同じ品質の料理を大量に作る** \n役です。","render_override":null},{"id":"blk_3547c71a-f951-4a08-83e7-3471e032453c","kind":"paragraph","order":1127,"section_id":"sec_f4db34db-e1d3-48b4-a4b3-a4a355971d87","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_3b394634-0651-4a9c-b536-0e51bee7d44a","kind":"list","order":1128,"section_id":"sec_f4db34db-e1d3-48b4-a4b3-a4a355971d87","character_id":null,"markdown":"- 設計者 = 料理を考えるシェフ\n- EDA = 設計と試作を支える道具\n- TSMC = その料理を現実の物として量産する工場","render_override":null},{"id":"blk_6a6d6393-3037-4749-996c-9670a478fe9d","kind":"paragraph","order":1129,"section_id":"sec_f4db34db-e1d3-48b4-a4b3-a4a355971d87","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_7c533fb6-1c92-4492-93ac-edc811666c53","kind":"paragraph","order":1130,"section_id":"sec_f4db34db-e1d3-48b4-a4b3-a4a355971d87","character_id":null,"markdown":"ここで初めて、頭の中の設計が「物」になります。","render_override":null},{"id":"blk_af17c875-5151-43df-be9b-d611b68ebbdb","kind":"heading","order":1131,"section_id":"sec_da353e09-7d11-4e68-a53e-d404703c5260","character_id":null,"markdown":"## \\7. でもAIチップは、料理ができたら終わりではない","render_override":null},{"id":"blk_15d767cd-5f00-4b95-8934-dc8dd754e354","kind":"paragraph","order":1132,"section_id":"sec_da353e09-7d11-4e68-a53e-d404703c5260","character_id":null,"markdown":"ここが **CoWoS / パッケージ** に当たります。","render_override":null},{"id":"blk_e968e75f-9d22-4aa7-841d-cb0a137f1b83","kind":"paragraph","order":1133,"section_id":"sec_da353e09-7d11-4e68-a53e-d404703c5260","character_id":null,"markdown":"レストランでたとえると、 \nメイン料理だけ作って終わりではなく、","render_override":null},{"id":"blk_bce6dd64-98e4-4a30-b2c0-32b837329a6f","kind":"list","order":1134,"section_id":"sec_da353e09-7d11-4e68-a53e-d404703c5260","character_id":null,"markdown":"- メイン\n- ソース\n- 付け合わせ\n- 温度管理\n- 皿の材質\n- 盛り付け順\n- 食べやすさ","render_override":null},{"id":"blk_3130877c-851c-4c73-b4ea-ff90d0399999","kind":"paragraph","order":1135,"section_id":"sec_da353e09-7d11-4e68-a53e-d404703c5260","character_id":null,"markdown":"まで最適化して、**一皿として完成**させる必要があります。","render_override":null},{"id":"blk_ae4dfb7d-3b16-4c7e-a0b2-98fe457a0f03","kind":"paragraph","order":1136,"section_id":"sec_da353e09-7d11-4e68-a53e-d404703c5260","character_id":null,"markdown":"AIチップも同じで、GPU本体だけ作って終わりではなく、 \n**HBMメモリをすぐ近くに置いて、超短距離でつなぎ、一体の高性能パッケージにする**ことが重要です。TSMC の CoWoS は、ロジックチップと HBM を高密度インターポーザ上で統合する先端パッケージ技術です。 ([3DFabric](https://3dfabric.tsmc.com/english/dedicatedFoundry/technology/cowos.htm?utm_source=chatgpt.com))","render_override":null},{"id":"blk_05dab846-86e7-456f-b111-57c0155f52ab","kind":"heading","order":1137,"section_id":"sec_dda88d46-69d9-4e24-b7a0-8bc2776c9e7a","character_id":null,"markdown":"## \\8. CoWoSはレストランでいうと何か","render_override":null},{"id":"blk_a9627279-843e-4764-9a5d-d03b25e3c3fb","kind":"paragraph","order":1138,"section_id":"sec_dda88d46-69d9-4e24-b7a0-8bc2776c9e7a","character_id":null,"markdown":"CoWoS は、ただの「皿に乗せる作業」ではありません。","render_override":null},{"id":"blk_b6e70e74-fee8-4bde-a44b-474e39479149","kind":"paragraph","order":1139,"section_id":"sec_dda88d46-69d9-4e24-b7a0-8bc2776c9e7a","character_id":null,"markdown":"これはむしろ、 \n**“最高の皿・最高の盛り付け構造・最高の配膳方法まで含めて料理の性能を上げる技術”** \nです。","render_override":null},{"id":"blk_0ae781cb-a9bc-4ab9-b67e-a850bd8bdc22","kind":"paragraph","order":1140,"section_id":"sec_dda88d46-69d9-4e24-b7a0-8bc2776c9e7a","character_id":null,"markdown":"たとえば高級レストランで、","render_override":null},{"id":"blk_94392607-2352-4b42-ac5a-aa7b182e53e4","kind":"list","order":1141,"section_id":"sec_dda88d46-69d9-4e24-b7a0-8bc2776c9e7a","character_id":null,"markdown":"- ソースを別皿にしたら味が落ちる\n- 付け合わせが遠いと一体感が消える\n- 皿が悪いと温度が逃げる","render_override":null},{"id":"blk_79d2a85b-0f00-45d5-8ba9-b7a1b896b228","kind":"paragraph","order":1142,"section_id":"sec_dda88d46-69d9-4e24-b7a0-8bc2776c9e7a","character_id":null,"markdown":"ということがありますよね。","render_override":null},{"id":"blk_7ef8ba88-eb25-4545-9a8b-d4aea479d500","kind":"paragraph","order":1143,"section_id":"sec_dda88d46-69d9-4e24-b7a0-8bc2776c9e7a","character_id":null,"markdown":"AI GPUも同じで、","render_override":null},{"id":"blk_82e06bb0-065b-4794-957e-b956d54c9594","kind":"list","order":1144,"section_id":"sec_dda88d46-69d9-4e24-b7a0-8bc2776c9e7a","character_id":null,"markdown":"- GPUとHBMが遠いと遅い\n- 配線が長いと電力が無駄\n- まとめ方が悪いと熱も厳しい","render_override":null},{"id":"blk_b208c84b-e9d6-4c8a-8c34-f840f921c015","kind":"paragraph","order":1145,"section_id":"sec_dda88d46-69d9-4e24-b7a0-8bc2776c9e7a","character_id":null,"markdown":"となります。","render_override":null},{"id":"blk_8171dba8-463d-4373-a8e8-6ae31ff4fb7f","kind":"paragraph","order":1146,"section_id":"sec_dda88d46-69d9-4e24-b7a0-8bc2776c9e7a","character_id":null,"markdown":"だから CoWoS は、 \n**「完成した部品をまとめる作業」ではなく、「料理として成立させる最後の重要技術」** \nです。","render_override":null},{"id":"blk_0cb51113-8478-4f1f-9c05-9e43bee9ae55","kind":"heading","order":1147,"section_id":"sec_615f6bcb-0ecd-4cf9-bd29-ddbc445ea0a2","character_id":null,"markdown":"## \\9. 一連の流れをレストランの一晩でつなぐと","render_override":null},{"id":"blk_5428eadb-2c48-4a60-9406-514483892fa9","kind":"paragraph","order":1148,"section_id":"sec_615f6bcb-0ecd-4cf9-bd29-ddbc445ea0a2","character_id":null,"markdown":"こうなります。","render_override":null},{"id":"blk_60b1e832-a120-47c4-b5a9-eb6047c277e7","kind":"paragraph","order":1149,"section_id":"sec_615f6bcb-0ecd-4cf9-bd29-ddbc445ea0a2","character_id":null,"markdown":"**メニューを決める** \n→ 今日はどんな料理を出すか決める \n= 半導体の製品企画","render_override":null},{"id":"blk_e8385690-765b-4a3e-a685-dcef5502826b","kind":"paragraph","order":1150,"section_id":"sec_615f6bcb-0ecd-4cf9-bd29-ddbc445ea0a2","character_id":null,"markdown":"**レシピを作る** \n→ 材料、火入れ、ソース、順番を決める \n= アーキ設計","render_override":null},{"id":"blk_7cf3cdfc-9213-4644-a2f8-71be0e66373b","kind":"paragraph","order":1151,"section_id":"sec_615f6bcb-0ecd-4cf9-bd29-ddbc445ea0a2","character_id":null,"markdown":"**EDAで試作する** \n→ 味見、時間計測、動線確認、失敗ポイントを洗う \n= 論理設計、検証、配置配線、サインオフ","render_override":null},{"id":"blk_c5303fbe-5428-42a5-ada2-fdf8e5e1e244","kind":"paragraph","order":1152,"section_id":"sec_615f6bcb-0ecd-4cf9-bd29-ddbc445ea0a2","character_id":null,"markdown":"**TSMCで本番の料理を作る** \n→ 超精密な厨房で実物を大量生産する \n= ウェハ製造","render_override":null},{"id":"blk_652c2369-a11f-4218-b9b5-55d4473bb835","kind":"paragraph","order":1153,"section_id":"sec_615f6bcb-0ecd-4cf9-bd29-ddbc445ea0a2","character_id":null,"markdown":"**CoWoS/パッケージで一皿に仕上げる** \n→ メインと付け合わせとソースを最適に配置し、一皿として性能を完成させる \n= GPUとHBMの近接統合、先端パッケージ","render_override":null},{"id":"blk_7e7dd837-80ee-47d5-a903-b32cc71dc0d9","kind":"paragraph","order":1154,"section_id":"sec_615f6bcb-0ecd-4cf9-bd29-ddbc445ea0a2","character_id":null,"markdown":"**最後に客へ出せる形にする** \n→ 見た目、温度、食べやすさまで整える \n= 完成品として出荷できる状態にする","render_override":null},{"id":"blk_81a918ab-a103-4eb1-9381-084ba1d05db6","kind":"heading","order":1155,"section_id":"sec_a3ddb549-62eb-4d4c-bf4c-f79b19fb0bb8","character_id":null,"markdown":"## いちばん短いまとめ","render_override":null},{"id":"blk_36dfac05-a561-481f-810e-0ef70f7804c4","kind":"paragraph","order":1156,"section_id":"sec_a3ddb549-62eb-4d4c-bf4c-f79b19fb0bb8","character_id":null,"markdown":"一言でいうと、","render_override":null},{"id":"blk_ab65feeb-40a9-42e3-aabc-8ba9e6ff5cff","kind":"paragraph","order":1157,"section_id":"sec_a3ddb549-62eb-4d4c-bf4c-f79b19fb0bb8","character_id":null,"markdown":"**EDAは“料理を失敗しないように設計するための道具”** \n**TSMCは“その料理を超高精度で実際に作る厨房”** \n**CoWoSは“その料理を最高の一皿に仕上げる盛り付け技術”**","render_override":null},{"id":"blk_6e45f3d9-c821-4c62-a2cd-0a8d9bafc714","kind":"paragraph","order":1158,"section_id":"sec_a3ddb549-62eb-4d4c-bf4c-f79b19fb0bb8","character_id":null,"markdown":"です。EDA がないとまともなレシピになりにくく、TSMC がないと実物にならず、CoWoS がないと AI 向けの最高性能の一皿になりにくい、という関係です。 ([Synopsys](https://www.synopsys.com/glossary/what-is-electronic-design-automation.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_3f07dd03-6808-4812-a7f2-3eb4579ed74b","kind":"thematic_break","order":1159,"section_id":"sec_a3ddb549-62eb-4d4c-bf4c-f79b19fb0bb8","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f58116ae-205c-40d8-aa37-eaa95c0d2de6","kind":"heading","order":1160,"section_id":"sec_2d495d61-0928-429c-8a57-7519b8803e50","character_id":null,"markdown":"## AIサーバー全体を、レストランのフルコース料理として見る","render_override":null},{"id":"blk_8359fab9-26a6-417f-a73a-e00a2513ab4e","kind":"paragraph","order":1161,"section_id":"sec_2d495d61-0928-429c-8a57-7519b8803e50","character_id":null,"markdown":"まず一言でいうと","render_override":null},{"id":"blk_f027fba3-320f-4968-a5a0-cb3dcdc06b62","kind":"list","order":1162,"section_id":"sec_2d495d61-0928-429c-8a57-7519b8803e50","character_id":null,"markdown":"- **GPU** = メインディッシュ\n- **HBM** = メインのすぐ横にある超重要な濃縮ソース・付け合わせ\n- **パッケージ/インターポーザ** = メインとソースを最適な距離で載せる特注プレート\n- **基板（PCB）** = その皿を載せるお盆・配膳トレー\n- **サーバー1台** = 1人前のコースセット\n- **サーバーラック** = 何人前も同時に出す巨大な配膳棚・厨房ライン","render_override":null},{"id":"blk_9c3f1679-2628-44c2-8a06-f61a424d8ace","kind":"paragraph","order":1163,"section_id":"sec_2d495d61-0928-429c-8a57-7519b8803e50","character_id":null,"markdown":"つまり、 \n**GPU単体が料理の全部ではなく、HBM・基板・サーバーまで含めて初めて“ちゃんと食べられるフルコース”になる** \nというイメージです。","render_override":null},{"id":"blk_f6018859-aa18-43d5-9a04-6d37c8d813be","kind":"thematic_break","order":1164,"section_id":"sec_2d495d61-0928-429c-8a57-7519b8803e50","character_id":null,"markdown":"---","render_override":null},{"id":"blk_16640b50-5a7e-41ab-8a34-f6c9df0917a9","kind":"heading","order":1165,"section_id":"sec_c5d96ed6-47ae-46a3-976b-61478adfc183","character_id":null,"markdown":"## \\1. GPUは何に当たるか","render_override":null},{"id":"blk_a7821dc0-f35c-498b-8546-7d7553b95a08","kind":"paragraph","order":1166,"section_id":"sec_c5d96ed6-47ae-46a3-976b-61478adfc183","character_id":null,"markdown":"GPUは、**フルコースの中心になるメインディッシュ**です。","render_override":null},{"id":"blk_bb45c644-c26e-4692-84b0-c564d41e3ce3","kind":"paragraph","order":1167,"section_id":"sec_c5d96ed6-47ae-46a3-976b-61478adfc183","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_fe92386d-4229-419c-aae2-7060c4786747","kind":"list","order":1168,"section_id":"sec_c5d96ed6-47ae-46a3-976b-61478adfc183","character_id":null,"markdown":"- 分厚いステーキ\n- メインの魚料理\n- 一番手間と技術がかかった主役の皿","render_override":null},{"id":"blk_c7d70643-bb75-4400-a5f1-ed62ec58ed2c","kind":"paragraph","order":1169,"section_id":"sec_c5d96ed6-47ae-46a3-976b-61478adfc183","character_id":null,"markdown":"みたいなものです。","render_override":null},{"id":"blk_8839df1c-5e3e-4492-8478-3fe98d9eecc1","kind":"paragraph","order":1170,"section_id":"sec_c5d96ed6-47ae-46a3-976b-61478adfc183","character_id":null,"markdown":"お客さんが \n「この店すごい」 \nと感じる一番の中心は、たいていメインですよね。 \nAIサーバーでも同じで、計算の中心はGPUです。","render_override":null},{"id":"blk_30ba9ffc-1398-40ca-927d-082ffed68c3d","kind":"paragraph","order":1171,"section_id":"sec_c5d96ed6-47ae-46a3-976b-61478adfc183","character_id":null,"markdown":"つまりGPUは、 \n**実際に“仕事をする主役”** \nです。","render_override":null},{"id":"blk_5d2afb63-f142-4c20-88db-dce623fe9008","kind":"thematic_break","order":1172,"section_id":"sec_c5d96ed6-47ae-46a3-976b-61478adfc183","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f50cab67-afbd-4404-8de2-1c425cef2f70","kind":"heading","order":1173,"section_id":"sec_b339b090-a946-42bf-9f4f-6f95731ecc15","character_id":null,"markdown":"## \\2. HBMは何に当たるか","render_override":null},{"id":"blk_f8207672-80ab-4ca4-89d1-3d5ff2f69146","kind":"paragraph","order":1174,"section_id":"sec_b339b090-a946-42bf-9f4f-6f95731ecc15","character_id":null,"markdown":"HBMは、**メインのすぐ隣に置かれた、超高密度で超重要なソースや付け合わせ**です。","render_override":null},{"id":"blk_0aff063b-0b88-4a5c-934d-ecba6925930a","kind":"paragraph","order":1175,"section_id":"sec_b339b090-a946-42bf-9f4f-6f95731ecc15","character_id":null,"markdown":"ここがすごく大事です。 \nHBMはただの脇役ではありません。","render_override":null},{"id":"blk_0f395f21-8629-4cae-a004-c896750531e3","kind":"paragraph","order":1176,"section_id":"sec_b339b090-a946-42bf-9f4f-6f95731ecc15","character_id":null,"markdown":"高級料理で、","render_override":null},{"id":"blk_f8e6262c-d444-406d-adcb-de1f9cfaff2f","kind":"list","order":1177,"section_id":"sec_b339b090-a946-42bf-9f4f-6f95731ecc15","character_id":null,"markdown":"- ソースが命\n- ピューレや付け合わせと一体で味が完成する\n- しかもメインのすぐそばにないと成立しない","render_override":null},{"id":"blk_b767735e-0a7c-44ed-8738-e11f3ac9322d","kind":"paragraph","order":1178,"section_id":"sec_b339b090-a946-42bf-9f4f-6f95731ecc15","character_id":null,"markdown":"みたいな料理がありますよね。","render_override":null},{"id":"blk_2c756692-d159-4c4e-92e5-9ea721069eed","kind":"paragraph","order":1179,"section_id":"sec_b339b090-a946-42bf-9f4f-6f95731ecc15","character_id":null,"markdown":"HBMはまさにそれです。","render_override":null},{"id":"blk_96e7f680-c2e9-44d0-aea9-1edc594f6437","kind":"paragraph","order":1180,"section_id":"sec_b339b090-a946-42bf-9f4f-6f95731ecc15","character_id":null,"markdown":"GPUがどれだけ強くても、HBMが遅かったり遠かったりすると、 \n料理で言えば","render_override":null},{"id":"blk_9e2d2581-0516-43b5-9266-c6640251f007","kind":"list","order":1181,"section_id":"sec_b339b090-a946-42bf-9f4f-6f95731ecc15","character_id":null,"markdown":"- メインは立派なのにソースがなかなか来ない\n- 一口ごとに味がつながらない\n- 全体の完成度が落ちる","render_override":null},{"id":"blk_a52fea3a-e0e5-4910-8b4d-9ce2ffb5f607","kind":"paragraph","order":1182,"section_id":"sec_b339b090-a946-42bf-9f4f-6f95731ecc15","character_id":null,"markdown":"状態になります。","render_override":null},{"id":"blk_f31e7c73-5b77-4b2e-bb35-d31fce587fac","kind":"paragraph","order":1183,"section_id":"sec_b339b090-a946-42bf-9f4f-6f95731ecc15","character_id":null,"markdown":"だからHBMは、ただのメモリではなく、 \n**“メインの実力を引き出すために、ぴったり寄り添う高級ソース”** \nみたいな存在です。","render_override":null},{"id":"blk_b086b89e-5711-47df-a642-b26f0afa7d2f","kind":"thematic_break","order":1184,"section_id":"sec_b339b090-a946-42bf-9f4f-6f95731ecc15","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a2cd8c4c-8ffe-4f2c-8eec-833627e6da3e","kind":"heading","order":1185,"section_id":"sec_dbba5218-d888-4955-87e3-538795340125","character_id":null,"markdown":"## \\3. パッケージ / インターポーザは何に当たるか","render_override":null},{"id":"blk_7da994b8-1794-4c3a-9bf0-856a7f7ebea9","kind":"paragraph","order":1186,"section_id":"sec_dbba5218-d888-4955-87e3-538795340125","character_id":null,"markdown":"これは、**メインとソースを最適な位置関係でまとめる特注プレート**です。","render_override":null},{"id":"blk_2334b2f8-f194-43c7-a932-14f48a210448","kind":"paragraph","order":1187,"section_id":"sec_dbba5218-d888-4955-87e3-538795340125","character_id":null,"markdown":"普通の皿ではなく、","render_override":null},{"id":"blk_6a44940b-6ad2-4c3e-9c9d-89c9ddc120a5","kind":"list","order":1188,"section_id":"sec_dbba5218-d888-4955-87e3-538795340125","character_id":null,"markdown":"- 熱が逃げにくい\n- 見た目も整う\n- ソースとメインの距離が絶妙\n- 全体が一体として機能する","render_override":null},{"id":"blk_d14202d6-6fd0-44b1-b600-bfbf43e1dd26","kind":"paragraph","order":1189,"section_id":"sec_dbba5218-d888-4955-87e3-538795340125","character_id":null,"markdown":"ように考えられた特別な皿です。","render_override":null},{"id":"blk_2538912a-55b5-4e26-970e-ad7b427b702c","kind":"paragraph","order":1190,"section_id":"sec_dbba5218-d888-4955-87e3-538795340125","character_id":null,"markdown":"AIチップでは、GPUとHBMは \n**ただ近くに置けばいい** \nわけではなく、","render_override":null},{"id":"blk_9631c13d-eb76-4556-b10d-8951e8f9637a","kind":"list","order":1191,"section_id":"sec_dbba5218-d888-4955-87e3-538795340125","character_id":null,"markdown":"- 配線を短くする\n- 電力を安定させる\n- 熱を逃がす\n- 全体として成立させる","render_override":null},{"id":"blk_7dbeb303-c787-43fb-b5e9-e39a0bc26085","kind":"paragraph","order":1192,"section_id":"sec_dbba5218-d888-4955-87e3-538795340125","character_id":null,"markdown":"必要があります。","render_override":null},{"id":"blk_8cdb105a-f97b-468e-8f5a-d25306c40767","kind":"paragraph","order":1193,"section_id":"sec_dbba5218-d888-4955-87e3-538795340125","character_id":null,"markdown":"つまりパッケージは、 \n**料理そのものではないが、料理の完成度を決める皿** \nです。","render_override":null},{"id":"blk_83feab04-746d-44f9-84b4-554b52c9896d","kind":"paragraph","order":1194,"section_id":"sec_dbba5218-d888-4955-87e3-538795340125","character_id":null,"markdown":"高級料理では皿も作品の一部ですが、AIサーバーでもそれに近いです。","render_override":null},{"id":"blk_2769c75c-0678-4a3c-bc3f-051ba41f1343","kind":"thematic_break","order":1195,"section_id":"sec_dbba5218-d888-4955-87e3-538795340125","character_id":null,"markdown":"---","render_override":null},{"id":"blk_db126009-359c-4f07-8775-0ba2c8d440dd","kind":"heading","order":1196,"section_id":"sec_5f61db41-6f4f-4204-979c-5c05cc36163b","character_id":null,"markdown":"## \\4. 基板（PCB）は何に当たるか","render_override":null},{"id":"blk_04a1505d-0cef-435d-affd-f1e0b2c725f7","kind":"paragraph","order":1197,"section_id":"sec_5f61db41-6f4f-4204-979c-5c05cc36163b","character_id":null,"markdown":"基板は、**その皿を載せる大きな配膳トレー**です。","render_override":null},{"id":"blk_a5f06fc4-b8ef-48f6-85ca-799dcbc701f1","kind":"paragraph","order":1198,"section_id":"sec_5f61db41-6f4f-4204-979c-5c05cc36163b","character_id":null,"markdown":"ここにはメインの皿だけでなく、","render_override":null},{"id":"blk_a9f91c86-8845-4ff0-bab2-3d6d6533bd2d","kind":"list","order":1199,"section_id":"sec_5f61db41-6f4f-4204-979c-5c05cc36163b","character_id":null,"markdown":"- ナイフやフォーク\n- ソース入れ\n- ワインや水\n- 温度管理の小物\n- 他の皿との並び","render_override":null},{"id":"blk_4f4fb191-d4ec-490d-b44e-933990484c5c","kind":"paragraph","order":1200,"section_id":"sec_5f61db41-6f4f-4204-979c-5c05cc36163b","character_id":null,"markdown":"まで全部載ります。","render_override":null},{"id":"blk_dd02f955-14da-4f0c-b309-7273b862ab67","kind":"paragraph","order":1201,"section_id":"sec_5f61db41-6f4f-4204-979c-5c05cc36163b","character_id":null,"markdown":"半導体でいうと基板は、","render_override":null},{"id":"blk_116cf167-a90e-470e-901a-1619075ded74","kind":"list","order":1202,"section_id":"sec_5f61db41-6f4f-4204-979c-5c05cc36163b","character_id":null,"markdown":"- GPUパッケージを載せる\n- 電力を配る\n- 他の部品とつなぐ\n- 信号を通す\n- システム全体を物理的に支える","render_override":null},{"id":"blk_f73d2e4b-7d1f-455d-a5b5-31f7df0fb8ad","kind":"paragraph","order":1203,"section_id":"sec_5f61db41-6f4f-4204-979c-5c05cc36163b","character_id":null,"markdown":"役目です。","render_override":null},{"id":"blk_64064af2-07b5-4958-a6d1-002f242eb130","kind":"paragraph","order":1204,"section_id":"sec_5f61db41-6f4f-4204-979c-5c05cc36163b","character_id":null,"markdown":"つまり基板は、 \n**主役を活かすための“配膳の土台”** \nです。","render_override":null},{"id":"blk_f348fad2-d972-4a90-919e-086fe994e10e","kind":"paragraph","order":1205,"section_id":"sec_5f61db41-6f4f-4204-979c-5c05cc36163b","character_id":null,"markdown":"料理でたとえると、皿そのものではなく、 \n**皿を含む一式を安全に運び、正しい順序で機能させるトレー** \nです。","render_override":null},{"id":"blk_f7a164f3-8858-44ff-8c08-58340e6f3193","kind":"thematic_break","order":1206,"section_id":"sec_5f61db41-6f4f-4204-979c-5c05cc36163b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_301c917c-43b9-4a10-8c14-4dc6f557ae51","kind":"heading","order":1207,"section_id":"sec_c5fccad0-c0cd-4cdf-91d0-b560fb6fd91c","character_id":null,"markdown":"## \\5. サーバー1台は何に当たるか","render_override":null},{"id":"blk_3c8a5386-99a9-4b52-8f3b-57543ef8ebb9","kind":"paragraph","order":1208,"section_id":"sec_c5fccad0-c0cd-4cdf-91d0-b560fb6fd91c","character_id":null,"markdown":"サーバー1台は、**1人前のフルコースセット**です。","render_override":null},{"id":"blk_231f92a6-de98-491b-9a67-f0aa2b7e82d9","kind":"paragraph","order":1209,"section_id":"sec_c5fccad0-c0cd-4cdf-91d0-b560fb6fd91c","character_id":null,"markdown":"メインの皿だけではなく、","render_override":null},{"id":"blk_e3588808-d3cc-415b-919b-7c9dde0ace79","kind":"list","order":1210,"section_id":"sec_c5fccad0-c0cd-4cdf-91d0-b560fb6fd91c","character_id":null,"markdown":"- 前菜\n- スープ\n- メイン\n- ソース\n- 飲み物\n- デザート\n- カトラリー\n- サービス動線","render_override":null},{"id":"blk_635a1957-944a-47f7-bfc0-529892ce5b3c","kind":"paragraph","order":1211,"section_id":"sec_c5fccad0-c0cd-4cdf-91d0-b560fb6fd91c","character_id":null,"markdown":"まで揃って、初めて \n「1人分の食事」 \nとして成立しますよね。","render_override":null},{"id":"blk_9d0fd3cd-02de-4f8b-8d80-0a6d04d96516","kind":"paragraph","order":1212,"section_id":"sec_c5fccad0-c0cd-4cdf-91d0-b560fb6fd91c","character_id":null,"markdown":"AIサーバーでも同じで、GPUだけでは何もできません。","render_override":null},{"id":"blk_506ab2b1-0b2e-4e7a-a7d9-bd3de0802a87","kind":"paragraph","order":1213,"section_id":"sec_c5fccad0-c0cd-4cdf-91d0-b560fb6fd91c","character_id":null,"markdown":"サーバー1台には、","render_override":null},{"id":"blk_186218f9-124e-4d36-8b8f-d859ceefd29d","kind":"list","order":1214,"section_id":"sec_c5fccad0-c0cd-4cdf-91d0-b560fb6fd91c","character_id":null,"markdown":"- GPU\n- HBM\n- CPU\n- SSD\n- NIC\n- 電源\n- 冷却\n- 基板\n- シャーシ","render_override":null},{"id":"blk_a8fbe6aa-8935-4cbd-a484-b9b56d1a043d","kind":"paragraph","order":1215,"section_id":"sec_c5fccad0-c0cd-4cdf-91d0-b560fb6fd91c","character_id":null,"markdown":"などが入っていて、初めて \n**1台の計算機** \nとして動きます。","render_override":null},{"id":"blk_f2b58235-7558-4ac0-9c6a-d7d8e1c98a95","kind":"paragraph","order":1216,"section_id":"sec_c5fccad0-c0cd-4cdf-91d0-b560fb6fd91c","character_id":null,"markdown":"つまりサーバー1台は、 \n**“GPU料理を実際に客へ出せる形にした1セット”** \nです。","render_override":null},{"id":"blk_16552e5d-dfff-439e-ab26-4ad108e163fe","kind":"thematic_break","order":1217,"section_id":"sec_c5fccad0-c0cd-4cdf-91d0-b560fb6fd91c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_23482bcb-515e-43f0-a8d3-af13d9fbb94b","kind":"heading","order":1218,"section_id":"sec_a3166a3f-0718-4458-ac27-ef3d3742030e","character_id":null,"markdown":"## \\6. サーバーラックは何に当たるか","render_override":null},{"id":"blk_551157c9-3d3e-46e3-9a44-d7fb58e36a57","kind":"paragraph","order":1219,"section_id":"sec_a3166a3f-0718-4458-ac27-ef3d3742030e","character_id":null,"markdown":"サーバーラックは、**大量のフルコースを同時に回す巨大な配膳棚・厨房ライン**です。","render_override":null},{"id":"blk_a28c3cad-c491-4dce-a20c-2c59fb37dbcb","kind":"paragraph","order":1220,"section_id":"sec_a3166a3f-0718-4458-ac27-ef3d3742030e","character_id":null,"markdown":"レストランで1皿だけ出すなら簡単ですが、 \n高級宴会で何十人、何百人分を同時に出すには、","render_override":null},{"id":"blk_28385c93-85e8-4a13-bd45-c24f8354ace0","kind":"list","order":1221,"section_id":"sec_a3166a3f-0718-4458-ac27-ef3d3742030e","character_id":null,"markdown":"- 皿の並べ方\n- 配膳順\n- 温度管理\n- 電源や照明\n- スタッフ動線\n- 一気に出すオペレーション","render_override":null},{"id":"blk_cbdc3ac6-bd3f-456b-832f-74a663f36081","kind":"paragraph","order":1222,"section_id":"sec_a3166a3f-0718-4458-ac27-ef3d3742030e","character_id":null,"markdown":"が重要になります。","render_override":null},{"id":"blk_6507e660-b6f9-4871-af3b-dc25d45dc5b9","kind":"paragraph","order":1223,"section_id":"sec_a3166a3f-0718-4458-ac27-ef3d3742030e","character_id":null,"markdown":"サーバーラックもまさにそれです。","render_override":null},{"id":"blk_8ae4cf08-45ab-4ecf-93ca-eda15ea0fc71","kind":"paragraph","order":1224,"section_id":"sec_a3166a3f-0718-4458-ac27-ef3d3742030e","character_id":null,"markdown":"ラックはただの棚ではなく、","render_override":null},{"id":"blk_4f821225-8cb8-4338-b05a-fc0c1e527230","kind":"list","order":1225,"section_id":"sec_a3166a3f-0718-4458-ac27-ef3d3742030e","character_id":null,"markdown":"- 電力を各サーバーへ配る\n- 冷却を回す\n- ネットワーク接続をまとめる\n- 何台ものサーバーを効率よく並べる\n- 保守しやすくする","render_override":null},{"id":"blk_b0a33630-8fc2-4909-bf93-d89eb8bdf761","kind":"paragraph","order":1226,"section_id":"sec_a3166a3f-0718-4458-ac27-ef3d3742030e","character_id":null,"markdown":"役目です。","render_override":null},{"id":"blk_b793ff83-7740-419e-8268-7b8994a2fb9b","kind":"paragraph","order":1227,"section_id":"sec_a3166a3f-0718-4458-ac27-ef3d3742030e","character_id":null,"markdown":"つまりラックは、 \n**1皿を作る場所ではなく、“大量のコース料理を安定して回すための店の運営システム”** \nに近いです。","render_override":null},{"id":"blk_25324609-07f9-4196-9ca1-d485eb340e44","kind":"thematic_break","order":1228,"section_id":"sec_a3166a3f-0718-4458-ac27-ef3d3742030e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_71401512-9f6b-4c4c-8bf4-1361c977ffbc","kind":"heading","order":1229,"section_id":"sec_db3e28ce-f0ef-436a-b78c-d5b4922ee849","character_id":null,"markdown":"## \\7. もっとつなげて言うと","render_override":null},{"id":"blk_30215702-9b2f-454d-b79f-001310a0c188","kind":"paragraph","order":1230,"section_id":"sec_db3e28ce-f0ef-436a-b78c-d5b4922ee849","character_id":null,"markdown":"フルコースで見るとこうなります。","render_override":null},{"id":"blk_7b6214dd-194f-406c-b1aa-4e3cf4ca16b5","kind":"heading","order":1231,"section_id":"sec_1a038729-8775-4a3d-a2a8-6fd2af6881f5","character_id":null,"markdown":"### GPU","render_override":null},{"id":"blk_7d0504aa-4d69-44d5-885d-c11d6b77fbde","kind":"paragraph","order":1232,"section_id":"sec_1a038729-8775-4a3d-a2a8-6fd2af6881f5","character_id":null,"markdown":"メインディッシュ \n= 一番価値が見えやすい主役","render_override":null},{"id":"blk_af9f7845-2b5c-4b57-a147-212fac54f8fe","kind":"heading","order":1233,"section_id":"sec_c00cf83a-91b0-449d-8a08-8e3ba4091223","character_id":null,"markdown":"### HBM","render_override":null},{"id":"blk_c78c03cd-3591-4251-bb4e-675a99ab7da4","kind":"paragraph","order":1234,"section_id":"sec_c00cf83a-91b0-449d-8a08-8e3ba4091223","character_id":null,"markdown":"メインに密着した濃縮ソース・付け合わせ \n= 主役の性能を本当に引き出す存在","render_override":null},{"id":"blk_d9d27572-34c6-474b-a37a-2c847dd59128","kind":"heading","order":1235,"section_id":"sec_ad2845d0-c7ff-44de-8736-cd554d3cccb3","character_id":null,"markdown":"### パッケージ","render_override":null},{"id":"blk_0da6b88d-1f77-49ed-88c8-9fbc8a8fb887","kind":"paragraph","order":1236,"section_id":"sec_ad2845d0-c7ff-44de-8736-cd554d3cccb3","character_id":null,"markdown":"メインとソースを最適配置する特注皿 \n= 完成度を左右する","render_override":null},{"id":"blk_cbbf4465-4b81-47a2-8bd5-f7454aa4086f","kind":"heading","order":1237,"section_id":"sec_89d57724-139e-4cf5-bd77-f710454f16cb","character_id":null,"markdown":"### 基板","render_override":null},{"id":"blk_2f6c38e5-5d54-485a-b06a-53cd659ca462","kind":"paragraph","order":1238,"section_id":"sec_89d57724-139e-4cf5-bd77-f710454f16cb","character_id":null,"markdown":"皿や周辺をまとめて載せる配膳トレー \n= 電力・接続・安定性の土台","render_override":null},{"id":"blk_e7273257-6d2f-4483-bf17-6dc71bb22621","kind":"heading","order":1239,"section_id":"sec_c48ee44c-7cf0-48a6-b994-af491cd546aa","character_id":null,"markdown":"### サーバー","render_override":null},{"id":"blk_47d5252b-57b1-4a50-bb01-4c8464016396","kind":"paragraph","order":1240,"section_id":"sec_c48ee44c-7cf0-48a6-b994-af491cd546aa","character_id":null,"markdown":"1人前のフルコースセット \n= 実際に提供できる単位","render_override":null},{"id":"blk_9f8d554b-05b8-447a-af8e-baad532caacc","kind":"heading","order":1241,"section_id":"sec_b46d014b-10f7-4f81-8322-7682599e109d","character_id":null,"markdown":"### サーバーラック","render_override":null},{"id":"blk_94cb1394-73c1-4717-84d2-c404b3db92d5","kind":"paragraph","order":1242,"section_id":"sec_b46d014b-10f7-4f81-8322-7682599e109d","character_id":null,"markdown":"大量のコースを同時提供する厨房ライン・配膳棚 \n= 店全体の回転率と提供能力を決める","render_override":null},{"id":"blk_cb60ff5e-e600-4fba-b84f-0156f573de80","kind":"thematic_break","order":1243,"section_id":"sec_b46d014b-10f7-4f81-8322-7682599e109d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f56d7d27-7772-4e28-9499-9ff22f7fa56e","kind":"heading","order":1244,"section_id":"sec_73c42597-c031-4101-86c6-ef6d71469bb6","character_id":null,"markdown":"## \\8. 一番大事なポイント","render_override":null},{"id":"blk_5b75c856-bcd9-483c-8a46-eb546164c4dc","kind":"paragraph","order":1245,"section_id":"sec_73c42597-c031-4101-86c6-ef6d71469bb6","character_id":null,"markdown":"初心者向けに本質だけ言うと、","render_override":null},{"id":"blk_7fc1ea8e-5261-49eb-a382-abe335acccd1","kind":"paragraph","order":1246,"section_id":"sec_73c42597-c031-4101-86c6-ef6d71469bb6","character_id":null,"markdown":"**GPUがすごい = うまいメイン料理がある** \nだけでは足りません。","render_override":null},{"id":"blk_cc4582f8-e4b9-43a7-aba2-6b7682763dce","kind":"paragraph","order":1247,"section_id":"sec_73c42597-c031-4101-86c6-ef6d71469bb6","character_id":null,"markdown":"実際には、","render_override":null},{"id":"blk_fcbadab8-b8ee-42ef-a53d-a97198557cd1","kind":"list","order":1248,"section_id":"sec_73c42597-c031-4101-86c6-ef6d71469bb6","character_id":null,"markdown":"- HBMが弱いとソース不足\n- パッケージが悪いと盛り付け失敗\n- 基板が悪いと配膳が不安定\n- サーバー設計が悪いと一人前として成立しない\n- ラック運用が悪いと店全体が回らない","render_override":null},{"id":"blk_9241e85b-5349-4803-9238-f238b223fde3","kind":"paragraph","order":1249,"section_id":"sec_73c42597-c031-4101-86c6-ef6d71469bb6","character_id":null,"markdown":"となります。","render_override":null},{"id":"blk_b53252d2-bd7e-44d0-affb-1683910dd532","kind":"paragraph","order":1250,"section_id":"sec_73c42597-c031-4101-86c6-ef6d71469bb6","character_id":null,"markdown":"つまりAIサーバーの強さは、 \n**“すごいGPUがあるか”だけでなく、“それをフルコースとして成立させる全体設計”で決まる** \nということです。","render_override":null},{"id":"blk_9d41cc3a-aaa5-4e97-bab8-c16f3a779605","kind":"thematic_break","order":1251,"section_id":"sec_73c42597-c031-4101-86c6-ef6d71469bb6","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1ae5c626-2ad5-4d90-b668-3d478e3bb1b6","kind":"heading","order":1252,"section_id":"sec_dbb958a6-6423-4707-84af-c2831c70d04e","character_id":null,"markdown":"## 超短くまとめると","render_override":null},{"id":"blk_9e08fd5d-37c0-4e57-84bd-7f07b79edc56","kind":"paragraph","order":1253,"section_id":"sec_dbb958a6-6423-4707-84af-c2831c70d04e","character_id":null,"markdown":"**GPU = メイン料理** \n**HBM = その味を決める超重要ソース** \n**基板 = 配膳トレー** \n**サーバー = 1人前のコース** \n**ラック = 宴会を回す店の提供ライン**","render_override":null},{"id":"blk_299eb768-a849-494b-80e2-f41c1cf23396","kind":"thematic_break","order":1254,"section_id":"sec_dbb958a6-6423-4707-84af-c2831c70d04e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2d2e857d-290f-4fd3-8a0d-dbf697958be0","kind":"heading","order":1255,"section_id":"sec_fcd79bce-4723-4232-9046-a18f1f2a3ee0","character_id":null,"markdown":"## AIデータセンター全体を、巨大な高級レストランにたとえて整理","render_override":null},{"id":"blk_76ab6c5c-1808-4a35-8d10-64f777e19100","kind":"paragraph","order":1256,"section_id":"sec_fcd79bce-4723-4232-9046-a18f1f2a3ee0","character_id":null,"markdown":"今回は、","render_override":null},{"id":"blk_567bb609-4dc7-410a-8bbd-fa0f6e885f75","kind":"list","order":1257,"section_id":"sec_fcd79bce-4723-4232-9046-a18f1f2a3ee0","character_id":null,"markdown":"- **GPU**\n- **CPU**\n- **HBM**\n- **SSD**\n- **NIC**\n- **スイッチ**\n- **サーバー**\n- **ラック**\n- **データセンター全体**","render_override":null},{"id":"blk_ca8a7f7f-a02f-40d5-8624-5f9140627ca3","kind":"paragraph","order":1258,"section_id":"sec_fcd79bce-4723-4232-9046-a18f1f2a3ee0","character_id":null,"markdown":"を全部つなげて、 \n**「店がどうやって大量の注文をさばいているか」** で見ます。","render_override":null},{"id":"blk_ed26e91e-7b4e-47d8-853f-ec740678cac0","kind":"thematic_break","order":1259,"section_id":"sec_fcd79bce-4723-4232-9046-a18f1f2a3ee0","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d0362ecf-8992-419f-9997-8713cbf79dc3","kind":"heading","order":1260,"section_id":"sec_5b9167c7-828f-4e17-942c-e83d682b6a2b","character_id":null,"markdown":"## まず全体のたとえ","render_override":null},{"id":"blk_6a77a154-fa6e-437b-9b26-4c06ddf0b2df","kind":"paragraph","order":1261,"section_id":"sec_5b9167c7-828f-4e17-942c-e83d682b6a2b","character_id":null,"markdown":"AIデータセンターは、 \n**超巨大で、何千人分もの料理を同時に出すレストラン** \nです。","render_override":null},{"id":"blk_06a55934-124a-429f-bc64-03777231fc1f","kind":"paragraph","order":1262,"section_id":"sec_5b9167c7-828f-4e17-942c-e83d682b6a2b","character_id":null,"markdown":"しかも普通の飲食店ではなく、","render_override":null},{"id":"blk_3522ce5a-56b2-4b56-9534-793eaba9c516","kind":"list","order":1263,"section_id":"sec_5b9167c7-828f-4e17-942c-e83d682b6a2b","character_id":null,"markdown":"- 注文が大量に来る\n- 料理は複雑\n- 提供は超高速\n- 温度管理も厳しい\n- 皿の運び方まで最適化されている","render_override":null},{"id":"blk_0dadd1ab-55b6-445b-9284-9357e9e87820","kind":"paragraph","order":1264,"section_id":"sec_5b9167c7-828f-4e17-942c-e83d682b6a2b","character_id":null,"markdown":"ような店です。","render_override":null},{"id":"blk_05c3e5fd-a116-43f8-aaf0-6594e4c1e161","kind":"paragraph","order":1265,"section_id":"sec_5b9167c7-828f-4e17-942c-e83d682b6a2b","character_id":null,"markdown":"この店の中で、それぞれの部品はこうなります。","render_override":null},{"id":"blk_1f5d3962-e188-43ff-915e-98c057dddc73","kind":"list","order":1266,"section_id":"sec_5b9167c7-828f-4e17-942c-e83d682b6a2b","character_id":null,"markdown":"- **GPU** = メイン料理を実際に大量に作る主力シェフ\n- **CPU** = 厨房全体を指示し、段取りを組む料理長\n- **HBM** = シェフの手元にある超重要な高級食材・濃縮ソース\n- **SSD** = 大型冷蔵庫・食材倉庫\n- **NIC** = 店の外や他店舗とつながる出入口・配膳窓口\n- **スイッチ** = 店内全体の配膳ルートを仕切る交通整理センター\n- **サーバー** = ひとつの調理台＋スタッフ一式\n- **ラック** = 調理台が何列も並んだ厨房の島\n- **データセンター** = 巨大レストラン全体","render_override":null},{"id":"blk_81796d75-067b-474d-90d7-9643eafa4026","kind":"thematic_break","order":1267,"section_id":"sec_5b9167c7-828f-4e17-942c-e83d682b6a2b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_73dc5f2b-a670-460b-a72e-5eb2ceae8282","kind":"heading","order":1268,"section_id":"sec_c3abfd56-efb5-4fb1-941b-24f8126efd74","character_id":null,"markdown":"## \\1. GPUは何か","render_override":null},{"id":"blk_1d53a513-59f2-4ddf-bc77-47bfe29a86df","kind":"paragraph","order":1269,"section_id":"sec_c3abfd56-efb5-4fb1-941b-24f8126efd74","character_id":null,"markdown":"GPUは、**実際に大量の料理を作る主力シェフ集団**です。","render_override":null},{"id":"blk_a18e6361-776d-4261-97fd-6f7aee7552f6","kind":"paragraph","order":1270,"section_id":"sec_c3abfd56-efb5-4fb1-941b-24f8126efd74","character_id":null,"markdown":"この店の一番の売りは、 \n大量の注文を一気にさばけることです。","render_override":null},{"id":"blk_3027f5b9-b41c-417b-bdec-cd6dbc7742ba","kind":"paragraph","order":1271,"section_id":"sec_c3abfd56-efb5-4fb1-941b-24f8126efd74","character_id":null,"markdown":"GPUはまさに、","render_override":null},{"id":"blk_f3c06bd6-2931-4bec-b071-0bf7d7d3c0da","kind":"list","order":1272,"section_id":"sec_c3abfd56-efb5-4fb1-941b-24f8126efd74","character_id":null,"markdown":"- 同じ工程を大量に並列でこなす\n- ものすごい量の下ごしらえや調理を一気に進める\n- 店の処理能力の中心になる","render_override":null},{"id":"blk_59c7c63a-08a7-43b4-bd5e-9d3b01054bec","kind":"paragraph","order":1273,"section_id":"sec_c3abfd56-efb5-4fb1-941b-24f8126efd74","character_id":null,"markdown":"存在です。","render_override":null},{"id":"blk_1f307df5-a672-4378-8f72-9282072c650b","kind":"paragraph","order":1274,"section_id":"sec_c3abfd56-efb5-4fb1-941b-24f8126efd74","character_id":null,"markdown":"だから GPU は、 \n**店の看板シェフというより、“厨房の主力そのもの”** \nです。","render_override":null},{"id":"blk_c446d4d6-4cff-420a-985a-c64dd4480ee5","kind":"paragraph","order":1275,"section_id":"sec_c3abfd56-efb5-4fb1-941b-24f8126efd74","character_id":null,"markdown":"AI推論でも学習でも、 \n実際に重い計算をしているのは主にここです。","render_override":null},{"id":"blk_38a748db-3dee-4aec-b254-434175744cae","kind":"thematic_break","order":1276,"section_id":"sec_c3abfd56-efb5-4fb1-941b-24f8126efd74","character_id":null,"markdown":"---","render_override":null},{"id":"blk_43533853-b3d8-424e-8e0b-0b18cd56d3bc","kind":"heading","order":1277,"section_id":"sec_987f9e45-7dec-4953-9a6c-df3b691883f5","character_id":null,"markdown":"## \\2. CPUは何か","render_override":null},{"id":"blk_962e2d29-dcae-471e-8b04-703e49db0ed4","kind":"paragraph","order":1278,"section_id":"sec_987f9e45-7dec-4953-9a6c-df3b691883f5","character_id":null,"markdown":"CPUは、**料理長・司令塔**です。","render_override":null},{"id":"blk_69d26d84-d100-4a3c-8504-189aebf00d83","kind":"paragraph","order":1279,"section_id":"sec_987f9e45-7dec-4953-9a6c-df3b691883f5","character_id":null,"markdown":"CPUはGPUほど大量調理は得意ではありませんが、","render_override":null},{"id":"blk_288435b3-9429-4e99-acf3-d62caad8b58a","kind":"list","order":1280,"section_id":"sec_987f9e45-7dec-4953-9a6c-df3b691883f5","character_id":null,"markdown":"- どの注文をどこへ回すか\n- 調理の段取り\n- 在庫確認\n- 他の機器との連携\n- システム全体の制御","render_override":null},{"id":"blk_30e5064d-f08b-48d9-b74f-d483fd7f3db2","kind":"paragraph","order":1281,"section_id":"sec_987f9e45-7dec-4953-9a6c-df3b691883f5","character_id":null,"markdown":"を担当します。","render_override":null},{"id":"blk_9b1a4b13-1299-4fc4-819d-bb2135a66ff2","kind":"paragraph","order":1282,"section_id":"sec_987f9e45-7dec-4953-9a6c-df3b691883f5","character_id":null,"markdown":"レストランで言えば、","render_override":null},{"id":"blk_78c6d179-841c-46e4-873c-fa6e39ead34f","kind":"list","order":1283,"section_id":"sec_987f9e45-7dec-4953-9a6c-df3b691883f5","character_id":null,"markdown":"- 「この注文を先に回して」\n- 「この皿を次に出して」\n- 「この仕込みを始めて」\n- 「他のスタッフに指示を出して」","render_override":null},{"id":"blk_f315782c-ea97-431a-947c-bd81309cfad1","kind":"paragraph","order":1284,"section_id":"sec_987f9e45-7dec-4953-9a6c-df3b691883f5","character_id":null,"markdown":"と采配する人です。","render_override":null},{"id":"blk_32e351b0-d676-45d6-89ef-427a3553dcd8","kind":"paragraph","order":1285,"section_id":"sec_987f9e45-7dec-4953-9a6c-df3b691883f5","character_id":null,"markdown":"つまり CPU は、 \n**自分で全部料理する主役ではなく、厨房全体を回す管理者** \nです。","render_override":null},{"id":"blk_e36e8895-781e-45d4-8120-d8a480a3d4f0","kind":"thematic_break","order":1286,"section_id":"sec_987f9e45-7dec-4953-9a6c-df3b691883f5","character_id":null,"markdown":"---","render_override":null},{"id":"blk_733ccc41-0c77-4481-8d48-3c2f24c4c219","kind":"heading","order":1287,"section_id":"sec_93b84e3f-c8ee-49b2-99d2-ea6a6605bece","character_id":null,"markdown":"## \\3. HBMは何か","render_override":null},{"id":"blk_0147021e-a533-48ec-87d2-402e4989d138","kind":"paragraph","order":1288,"section_id":"sec_93b84e3f-c8ee-49b2-99d2-ea6a6605bece","character_id":null,"markdown":"HBMは、**主力シェフの手元に置かれた超高級で超高速に使える食材置き場・濃縮ソース置き場**です。","render_override":null},{"id":"blk_29225f58-10e9-4b92-ad1a-4babfbcf35b3","kind":"paragraph","order":1289,"section_id":"sec_93b84e3f-c8ee-49b2-99d2-ea6a6605bece","character_id":null,"markdown":"普通の倉庫に食材を取りに行っていたら遅いですよね。 \n一流の厨房では、よく使うものはシェフのすぐ手元にあります。","render_override":null},{"id":"blk_14aaab2b-31eb-45a1-b561-2d158c47eef7","kind":"paragraph","order":1290,"section_id":"sec_93b84e3f-c8ee-49b2-99d2-ea6a6605bece","character_id":null,"markdown":"HBMはまさにそれです。","render_override":null},{"id":"blk_f7777241-a500-41e8-bef9-cd7993a19d7d","kind":"list","order":1291,"section_id":"sec_93b84e3f-c8ee-49b2-99d2-ea6a6605bece","character_id":null,"markdown":"- GPUがすぐ使いたいデータを置く\n- 取りに行く時間を最小化する\n- 高速に大量供給する","render_override":null},{"id":"blk_8edb02ce-0b37-48da-9c28-a1a36afb67b2","kind":"paragraph","order":1292,"section_id":"sec_93b84e3f-c8ee-49b2-99d2-ea6a6605bece","character_id":null,"markdown":"だから HBM は、 \n**厨房の奥の大型倉庫ではなく、シェフの肘のすぐ横にある超高性能な材料棚** \nです。","render_override":null},{"id":"blk_feefed13-c061-4284-a17e-3ee65336e2f3","kind":"paragraph","order":1293,"section_id":"sec_93b84e3f-c8ee-49b2-99d2-ea6a6605bece","character_id":null,"markdown":"これが遅いと、GPUという主力シェフが待たされます。","render_override":null},{"id":"blk_d988a85e-14a7-49dd-b27c-fe340d5a3a39","kind":"thematic_break","order":1294,"section_id":"sec_93b84e3f-c8ee-49b2-99d2-ea6a6605bece","character_id":null,"markdown":"---","render_override":null},{"id":"blk_91d81ab1-4fce-4862-aa21-bd616863f05c","kind":"heading","order":1295,"section_id":"sec_484ddc59-80bb-45cd-8314-9d02fe6ef1eb","character_id":null,"markdown":"## \\4. SSDは何か","render_override":null},{"id":"blk_4be1626a-94ea-4567-8b9d-41456399a16a","kind":"paragraph","order":1296,"section_id":"sec_484ddc59-80bb-45cd-8314-9d02fe6ef1eb","character_id":null,"markdown":"SSDは、**大型冷蔵庫・食材倉庫**です。","render_override":null},{"id":"blk_326e1b3d-5f80-4268-9056-e8dc826de503","kind":"paragraph","order":1297,"section_id":"sec_484ddc59-80bb-45cd-8314-9d02fe6ef1eb","character_id":null,"markdown":"HBMが手元の材料棚なら、SSDは","render_override":null},{"id":"blk_00c3874b-f766-47c2-9f7a-bbf813edfb17","kind":"list","order":1298,"section_id":"sec_484ddc59-80bb-45cd-8314-9d02fe6ef1eb","character_id":null,"markdown":"- 仕入れた大量の食材を保存する\n- すぐには使わないが必要な時に取り出す\n- レシピや仕込み済み素材、在庫を置く","render_override":null},{"id":"blk_c8b2f200-7e92-4efd-956c-2d25c3b2b549","kind":"paragraph","order":1299,"section_id":"sec_484ddc59-80bb-45cd-8314-9d02fe6ef1eb","character_id":null,"markdown":"場所です。","render_override":null},{"id":"blk_4509724d-01d8-480b-8245-7733179792cf","kind":"paragraph","order":1300,"section_id":"sec_484ddc59-80bb-45cd-8314-9d02fe6ef1eb","character_id":null,"markdown":"つまり SSD は、","render_override":null},{"id":"blk_75011ecf-bfe2-4d00-9b46-faa97a133aee","kind":"list","order":1301,"section_id":"sec_484ddc59-80bb-45cd-8314-9d02fe6ef1eb","character_id":null,"markdown":"- モデルデータ\n- 学習データ\n- 中間保存\n- ログや出力","render_override":null},{"id":"blk_5a8290ac-9057-47a1-8f5b-b11b6def09c6","kind":"paragraph","order":1302,"section_id":"sec_484ddc59-80bb-45cd-8314-9d02fe6ef1eb","character_id":null,"markdown":"を置いておく大きな保管庫です。","render_override":null},{"id":"blk_7efa1c15-ab96-4140-bd59-c80f1b367bcf","kind":"paragraph","order":1303,"section_id":"sec_484ddc59-80bb-45cd-8314-9d02fe6ef1eb","character_id":null,"markdown":"レストランで言えば、 \n**厨房の横にある超高速冷蔵倉庫** \nです。","render_override":null},{"id":"blk_2733bbf2-5c0d-452b-8ec4-e33a0efa33f6","kind":"paragraph","order":1304,"section_id":"sec_484ddc59-80bb-45cd-8314-9d02fe6ef1eb","character_id":null,"markdown":"HBMほど近くはないけれど、店にとって絶対必要です。","render_override":null},{"id":"blk_dc71cef0-4948-41f7-8fbf-123cadd646f2","kind":"thematic_break","order":1305,"section_id":"sec_484ddc59-80bb-45cd-8314-9d02fe6ef1eb","character_id":null,"markdown":"---","render_override":null},{"id":"blk_bdfe7953-5d7c-4a9c-8a02-8e4fae1f4ca6","kind":"heading","order":1306,"section_id":"sec_35d9dbcc-49b4-46f0-8bf9-c96f3510182d","character_id":null,"markdown":"## \\5. NICは何か","render_override":null},{"id":"blk_226b72b4-9185-4315-9b0c-a1016f1d8deb","kind":"paragraph","order":1307,"section_id":"sec_35d9dbcc-49b4-46f0-8bf9-c96f3510182d","character_id":null,"markdown":"NICは、**店の出入口・外との受け渡し窓口**です。","render_override":null},{"id":"blk_00eb2e49-5299-436c-afaf-9be8d601d1d9","kind":"paragraph","order":1308,"section_id":"sec_35d9dbcc-49b4-46f0-8bf9-c96f3510182d","character_id":null,"markdown":"たとえば巨大レストランでは、","render_override":null},{"id":"blk_6fdac289-2648-4ad5-bd8c-239ebdde6c8b","kind":"list","order":1309,"section_id":"sec_35d9dbcc-49b4-46f0-8bf9-c96f3510182d","character_id":null,"markdown":"- 外部から食材が届く\n- 他の厨房と料理を受け渡す\n- 注文情報が入ってくる\n- 完成品の指示が外へ出る","render_override":null},{"id":"blk_322f3798-24e2-4d60-bd8d-86dd42470125","kind":"paragraph","order":1310,"section_id":"sec_35d9dbcc-49b4-46f0-8bf9-c96f3510182d","character_id":null,"markdown":"必要があります。","render_override":null},{"id":"blk_1a474f83-8686-48b3-b4b0-20cf4c7e50ab","kind":"paragraph","order":1311,"section_id":"sec_35d9dbcc-49b4-46f0-8bf9-c96f3510182d","character_id":null,"markdown":"NICはまさに、","render_override":null},{"id":"blk_976e5b26-1177-4fb2-ac62-269471870964","kind":"list","order":1312,"section_id":"sec_35d9dbcc-49b4-46f0-8bf9-c96f3510182d","character_id":null,"markdown":"- ネットワークからデータを受け取る\n- 他サーバーへ渡す\n- クラスタ全体で連携する","render_override":null},{"id":"blk_b664c9f8-978f-4f05-aea0-eab4c1f35162","kind":"paragraph","order":1313,"section_id":"sec_35d9dbcc-49b4-46f0-8bf9-c96f3510182d","character_id":null,"markdown":"窓口です。","render_override":null},{"id":"blk_c78360fc-da7a-4843-b0ac-963b42074f3e","kind":"paragraph","order":1314,"section_id":"sec_35d9dbcc-49b4-46f0-8bf9-c96f3510182d","character_id":null,"markdown":"レストランでいうと、 \n**注文票の受付口、食材搬入口、他店舗との受け渡し口** \nが合体したようなものです。","render_override":null},{"id":"blk_9350d5e3-1a2d-4cae-bc5e-f22b7888ef0a","kind":"paragraph","order":1315,"section_id":"sec_35d9dbcc-49b4-46f0-8bf9-c96f3510182d","character_id":null,"markdown":"AIクラスタでは、1台だけで完結しないことが多いので、NICはかなり重要です。","render_override":null},{"id":"blk_8ab6b778-f6cf-4818-9a51-fe874dbd9bee","kind":"thematic_break","order":1316,"section_id":"sec_35d9dbcc-49b4-46f0-8bf9-c96f3510182d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a19374bd-d6c9-4885-9af8-f58a28a6fae7","kind":"heading","order":1317,"section_id":"sec_00aa439a-544c-4414-a8d9-247879a86ab2","character_id":null,"markdown":"## \\6. スイッチは何か","render_override":null},{"id":"blk_5a1fee60-8327-4163-b6e6-444d3c0beabf","kind":"paragraph","order":1318,"section_id":"sec_00aa439a-544c-4414-a8d9-247879a86ab2","character_id":null,"markdown":"スイッチは、**店全体の交通整理センター**です。","render_override":null},{"id":"blk_4b9b953c-37f2-41e7-8922-b1577aab3f4d","kind":"paragraph","order":1319,"section_id":"sec_00aa439a-544c-4414-a8d9-247879a86ab2","character_id":null,"markdown":"もし厨房や配膳スタッフが勝手に動いたら、","render_override":null},{"id":"blk_123476d1-f2bf-48d3-9f74-c44cc9faf7fe","kind":"list","order":1320,"section_id":"sec_00aa439a-544c-4414-a8d9-247879a86ab2","character_id":null,"markdown":"- 料理が遅れる\n- ぶつかる\n- 注文が迷子になる\n- 間違ったテーブルへ行く","render_override":null},{"id":"blk_caf3d824-a98e-477c-a430-7a139c38bc3a","kind":"paragraph","order":1321,"section_id":"sec_00aa439a-544c-4414-a8d9-247879a86ab2","character_id":null,"markdown":"ことが起きます。","render_override":null},{"id":"blk_fd68deda-4010-43f3-b487-cddcf43b6c3f","kind":"paragraph","order":1322,"section_id":"sec_00aa439a-544c-4414-a8d9-247879a86ab2","character_id":null,"markdown":"スイッチは、それを防ぐために","render_override":null},{"id":"blk_69065ff7-c347-4ada-aefb-7cec8ff4860e","kind":"list","order":1323,"section_id":"sec_00aa439a-544c-4414-a8d9-247879a86ab2","character_id":null,"markdown":"- どの注文をどこに流すか\n- どのサーバー同士をつなぐか\n- どの経路を通すか\n- 混雑をどう避けるか","render_override":null},{"id":"blk_cb30e01c-7d79-4c1c-8739-d59dcd91be99","kind":"paragraph","order":1324,"section_id":"sec_00aa439a-544c-4414-a8d9-247879a86ab2","character_id":null,"markdown":"を管理します。","render_override":null},{"id":"blk_9b385ad7-6ab2-45fa-adc3-36cb9b1dca7b","kind":"paragraph","order":1325,"section_id":"sec_00aa439a-544c-4414-a8d9-247879a86ab2","character_id":null,"markdown":"つまりスイッチは、 \n**店内の道路管制室** \nみたいなものです。","render_override":null},{"id":"blk_5f6a9bab-7494-40f6-9b57-5bbc8386e8ab","kind":"paragraph","order":1326,"section_id":"sec_00aa439a-544c-4414-a8d9-247879a86ab2","character_id":null,"markdown":"AIデータセンターでは、GPU同士・サーバー同士で大量のデータをやり取りするので、 \nスイッチが弱いと、厨房全体が詰まります。","render_override":null},{"id":"blk_c1b79a68-4a39-468e-8f9e-c6dc43898ed9","kind":"thematic_break","order":1327,"section_id":"sec_00aa439a-544c-4414-a8d9-247879a86ab2","character_id":null,"markdown":"---","render_override":null},{"id":"blk_15d902aa-c2ce-41ab-bf49-e453b8590a16","kind":"heading","order":1328,"section_id":"sec_0cb50a70-b116-41c2-89c9-a5489dc10944","character_id":null,"markdown":"## \\7. サーバーは何か","render_override":null},{"id":"blk_84346fff-effa-44dc-ac47-8664502c37d0","kind":"paragraph","order":1329,"section_id":"sec_0cb50a70-b116-41c2-89c9-a5489dc10944","character_id":null,"markdown":"サーバー1台は、**ひとつの調理台＋料理長＋主力シェフ＋手元食材＋倉庫接続をまとめた一単位**です。","render_override":null},{"id":"blk_a707f381-5a38-4a93-b9c0-eea2829ee349","kind":"paragraph","order":1330,"section_id":"sec_0cb50a70-b116-41c2-89c9-a5489dc10944","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_0438c78a-61d5-4e72-bf8a-a1b36c51fb3e","kind":"list","order":1331,"section_id":"sec_0cb50a70-b116-41c2-89c9-a5489dc10944","character_id":null,"markdown":"- CPU = 料理長\n- GPU = 主力シェフ\n- HBM = 手元の食材棚\n- SSD = 倉庫\n- NIC = 出入口","render_override":null},{"id":"blk_fd8ed142-3b7d-4a9a-87b5-cba0370d3231","kind":"paragraph","order":1332,"section_id":"sec_0cb50a70-b116-41c2-89c9-a5489dc10944","character_id":null,"markdown":"をまとめた、**1つの調理ユニット**です。","render_override":null},{"id":"blk_1457b778-91a8-410f-a0cb-2d2b549e86c9","kind":"paragraph","order":1333,"section_id":"sec_0cb50a70-b116-41c2-89c9-a5489dc10944","character_id":null,"markdown":"店全体では何十台、何百台と並びますが、 \n1台1台が「仕事をする最小単位」に近いです。","render_override":null},{"id":"blk_9f65bb69-e2b9-4cf8-a82f-4574be4f7f85","kind":"thematic_break","order":1334,"section_id":"sec_0cb50a70-b116-41c2-89c9-a5489dc10944","character_id":null,"markdown":"---","render_override":null},{"id":"blk_bf126300-bff8-4718-bd41-d2ec129cc2f0","kind":"heading","order":1335,"section_id":"sec_ec1f317d-8fca-4bdb-a9e5-6565de473d55","character_id":null,"markdown":"## \\8. ラックは何か","render_override":null},{"id":"blk_bd622e1e-b284-409f-81dd-7bde19021d9b","kind":"paragraph","order":1336,"section_id":"sec_ec1f317d-8fca-4bdb-a9e5-6565de473d55","character_id":null,"markdown":"ラックは、**調理台が何列も並んだ厨房の島**です。","render_override":null},{"id":"blk_0b0f41f9-1723-434d-93c5-dc2493f7fe2e","kind":"paragraph","order":1337,"section_id":"sec_ec1f317d-8fca-4bdb-a9e5-6565de473d55","character_id":null,"markdown":"大型厨房だと、","render_override":null},{"id":"blk_d44b5e44-bff3-48c1-89f6-2ffd0050ec33","kind":"list","order":1338,"section_id":"sec_ec1f317d-8fca-4bdb-a9e5-6565de473d55","character_id":null,"markdown":"- 調理台がずらっと並び\n- 電源やガスや水がまとめられ\n- 人の動線も整理され\n- 冷却や排気も設計されている","render_override":null},{"id":"blk_fcc699db-438b-4fde-ad14-65cce91067ee","kind":"paragraph","order":1339,"section_id":"sec_ec1f317d-8fca-4bdb-a9e5-6565de473d55","character_id":null,"markdown":"はずです。","render_override":null},{"id":"blk_ac53f1ff-091c-4cc4-af23-0fcd8fc306e6","kind":"paragraph","order":1340,"section_id":"sec_ec1f317d-8fca-4bdb-a9e5-6565de473d55","character_id":null,"markdown":"ラックも同じで、","render_override":null},{"id":"blk_22d64993-5e3d-48af-a8f2-4e5c1e0b241c","kind":"list","order":1341,"section_id":"sec_ec1f317d-8fca-4bdb-a9e5-6565de473d55","character_id":null,"markdown":"- サーバーを何台も並べる\n- 電力供給をまとめる\n- 冷却をまとめる\n- 配線を整理する","render_override":null},{"id":"blk_f65ae097-4bd8-4e50-9cde-ab7f5437544e","kind":"paragraph","order":1342,"section_id":"sec_ec1f317d-8fca-4bdb-a9e5-6565de473d55","character_id":null,"markdown":"ための単位です。","render_override":null},{"id":"blk_8a502c1e-e92b-4a97-9faf-db193cdbf078","kind":"paragraph","order":1343,"section_id":"sec_ec1f317d-8fca-4bdb-a9e5-6565de473d55","character_id":null,"markdown":"だからラックは、 \n**“店の中の一角にある高密度な厨房島”** \nです。","render_override":null},{"id":"blk_5a27fa03-fc4b-4423-a4dc-a71b1ff98f95","kind":"thematic_break","order":1344,"section_id":"sec_ec1f317d-8fca-4bdb-a9e5-6565de473d55","character_id":null,"markdown":"---","render_override":null},{"id":"blk_94f2113b-c138-453e-8a22-e3d5b7f21aeb","kind":"heading","order":1345,"section_id":"sec_e52b1975-08fe-46d1-90bc-0240252287be","character_id":null,"markdown":"## \\9. データセンター全体は何か","render_override":null},{"id":"blk_7b1514d1-7fe6-4a5b-ab6c-04ad41cf2445","kind":"paragraph","order":1346,"section_id":"sec_e52b1975-08fe-46d1-90bc-0240252287be","character_id":null,"markdown":"データセンター全体は、**巨大レストランそのもの**です。","render_override":null},{"id":"blk_0fcda8d4-25f5-4a12-ac85-266ce196296b","kind":"paragraph","order":1347,"section_id":"sec_e52b1975-08fe-46d1-90bc-0240252287be","character_id":null,"markdown":"そこには、","render_override":null},{"id":"blk_6b4318e1-eaa8-4c11-9fe7-506028558b24","kind":"list","order":1348,"section_id":"sec_e52b1975-08fe-46d1-90bc-0240252287be","character_id":null,"markdown":"- 何列もの厨房島（ラック）\n- 大量の調理ユニット（サーバー）\n- シェフたち（GPU）\n- 料理長たち（CPU）\n- 食材倉庫（SSD）\n- 出入口（NIC）\n- 交通整理センター（スイッチ）\n- 電力\n- 冷却\n- 建物全体の管理","render_override":null},{"id":"blk_d56fd378-7d49-4d76-928d-d8bbaae81d2b","kind":"paragraph","order":1349,"section_id":"sec_e52b1975-08fe-46d1-90bc-0240252287be","character_id":null,"markdown":"がそろっています。","render_override":null},{"id":"blk_8ca11e10-6262-47e5-b96e-47dcf8efb1b3","kind":"paragraph","order":1350,"section_id":"sec_e52b1975-08fe-46d1-90bc-0240252287be","character_id":null,"markdown":"つまり AIデータセンターとは、 \n**「すごいGPUが何枚かある箱」ではなく、何千・何万の注文を安定してさばくために設計された巨大飲食システム」** \nです。","render_override":null},{"id":"blk_0c0c0418-c7d8-4ac3-b69c-c5d9e07ec448","kind":"thematic_break","order":1351,"section_id":"sec_e52b1975-08fe-46d1-90bc-0240252287be","character_id":null,"markdown":"---","render_override":null},{"id":"blk_26887ccd-fd5d-4e49-948f-bdbf4ee81931","kind":"heading","order":1352,"section_id":"sec_184cd75f-8414-43bf-a348-c029dcf63ead","character_id":null,"markdown":"## \\10. 学習と推論で少し違う","render_override":null},{"id":"blk_9f961d6a-a897-431b-be32-7b73c98d2003","kind":"paragraph","order":1353,"section_id":"sec_184cd75f-8414-43bf-a348-c029dcf63ead","character_id":null,"markdown":"これもレストランでたとえると分かりやすいです。","render_override":null},{"id":"blk_69fbd734-aceb-4dd0-9234-cce0d9ab7eac","kind":"heading","order":1354,"section_id":"sec_5672f81f-bd7d-434e-bbc0-2859d7d93d50","character_id":null,"markdown":"### AI学習","render_override":null},{"id":"blk_4c544c06-6569-463a-9db7-f78c922be8cd","kind":"paragraph","order":1355,"section_id":"sec_5672f81f-bd7d-434e-bbc0-2859d7d93d50","character_id":null,"markdown":"**新メニュー開発＋大量試作厨房** に近いです。","render_override":null},{"id":"blk_f6b1473b-c759-437d-a101-4a1b1a51f441","kind":"list","order":1356,"section_id":"sec_5672f81f-bd7d-434e-bbc0-2859d7d93d50","character_id":null,"markdown":"- 大量の材料を使う\n- 何度も試す\n- 厨房同士の連携が多い\n- データのやり取りが多い","render_override":null},{"id":"blk_5550c774-3beb-4579-a9a6-3ac4fcb51128","kind":"paragraph","order":1357,"section_id":"sec_5672f81f-bd7d-434e-bbc0-2859d7d93d50","character_id":null,"markdown":"ので、GPUだけでなく **NIC とスイッチ** が特に重要になります。","render_override":null},{"id":"blk_d83425cd-e843-4331-998d-f6f4bf643fd5","kind":"heading","order":1358,"section_id":"sec_0fdefcfb-d97d-456e-a29d-1252eeb63fbc","character_id":null,"markdown":"### AI推論","render_override":null},{"id":"blk_a8954a0e-32fa-465c-a6b4-97349e1825eb","kind":"paragraph","order":1359,"section_id":"sec_0fdefcfb-d97d-456e-a29d-1252eeb63fbc","character_id":null,"markdown":"**完成した人気メニューを大量提供する営業厨房** に近いです。","render_override":null},{"id":"blk_72e229fc-eb62-401a-bfd9-631927a0c1b6","kind":"list","order":1360,"section_id":"sec_0fdefcfb-d97d-456e-a29d-1252eeb63fbc","character_id":null,"markdown":"- 注文を速く返す\n- レイテンシが大事\n- 在庫管理も大事\n- 効率とコストが大事","render_override":null},{"id":"blk_bcf46ecd-d869-41c2-9a22-e4aa4bdf6c22","kind":"paragraph","order":1361,"section_id":"sec_0fdefcfb-d97d-456e-a29d-1252eeb63fbc","character_id":null,"markdown":"ので、サーバー全体のバランスが重要になります。","render_override":null},{"id":"blk_cc19a7c8-7861-47a2-8cb1-f9e368f99d18","kind":"thematic_break","order":1362,"section_id":"sec_0fdefcfb-d97d-456e-a29d-1252eeb63fbc","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b0fce29e-b2a1-4909-a280-cd9cf3ed008b","kind":"heading","order":1363,"section_id":"sec_aae5cdda-0c95-48cf-af2b-a4117ee9ee42","character_id":null,"markdown":"## \\11. すごく短く1本でつなぐと","render_override":null},{"id":"blk_d2d05333-68da-488c-8b13-bdf4fdf05f87","kind":"paragraph","order":1364,"section_id":"sec_aae5cdda-0c95-48cf-af2b-a4117ee9ee42","character_id":null,"markdown":"お客さんが注文する \n→ 注文が店に入る \n= **NIC**","render_override":null},{"id":"blk_dd46cbfb-f252-4782-b194-dce8105cb448","kind":"paragraph","order":1365,"section_id":"sec_aae5cdda-0c95-48cf-af2b-a4117ee9ee42","character_id":null,"markdown":"どの厨房で作るか決める \n→ 配膳ルートを決める \n= **スイッチ + CPU**","render_override":null},{"id":"blk_ad22c532-e7fc-4f14-a3c6-c9944cf0966a","kind":"paragraph","order":1366,"section_id":"sec_aae5cdda-0c95-48cf-af2b-a4117ee9ee42","character_id":null,"markdown":"倉庫から材料を出す \n= **SSD**","render_override":null},{"id":"blk_dac7d1a1-258b-4f2e-a07a-08ac5d1d668b","kind":"paragraph","order":1367,"section_id":"sec_aae5cdda-0c95-48cf-af2b-a4117ee9ee42","character_id":null,"markdown":"シェフの手元に必要材料を並べる \n= **HBM**","render_override":null},{"id":"blk_b3db9862-bd4c-4e4a-ad66-ea343b4c4f6a","kind":"paragraph","order":1368,"section_id":"sec_aae5cdda-0c95-48cf-af2b-a4117ee9ee42","character_id":null,"markdown":"主力シェフが一気に調理する \n= **GPU**","render_override":null},{"id":"blk_d9ad1153-2970-4b60-8261-d32d8ee234a0","kind":"paragraph","order":1369,"section_id":"sec_aae5cdda-0c95-48cf-af2b-a4117ee9ee42","character_id":null,"markdown":"調理台一式で1人前を作る \n= **サーバー**","render_override":null},{"id":"blk_84f55e1a-1ad3-4fa9-af41-67d7fe576f9f","kind":"paragraph","order":1370,"section_id":"sec_aae5cdda-0c95-48cf-af2b-a4117ee9ee42","character_id":null,"markdown":"それを何十台も並べて大量提供する \n= **ラック**","render_override":null},{"id":"blk_6c75a25c-a49f-4942-a9ab-23ae84a8c109","kind":"paragraph","order":1371,"section_id":"sec_aae5cdda-0c95-48cf-af2b-a4117ee9ee42","character_id":null,"markdown":"店全体で何千人分も同時に回す \n= **AIデータセンター**","render_override":null},{"id":"blk_282ecff3-4025-40fa-8d6e-1d1b2929f89d","kind":"thematic_break","order":1372,"section_id":"sec_aae5cdda-0c95-48cf-af2b-a4117ee9ee42","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7069cd36-da52-4078-992a-ebda4d07d55b","kind":"heading","order":1373,"section_id":"sec_11cbd75f-daf1-48f1-af08-11c847a3c413","character_id":null,"markdown":"## 最後に本質だけ言うと","render_override":null},{"id":"blk_68290a17-a4da-477e-a805-374389a86a33","kind":"paragraph","order":1374,"section_id":"sec_11cbd75f-daf1-48f1-af08-11c847a3c413","character_id":null,"markdown":"AIデータセンターは、 \n**GPUだけがすごくても回りません。**","render_override":null},{"id":"blk_1552c7fe-a11c-4247-8fb1-95ea9a26140b","kind":"list","order":1375,"section_id":"sec_11cbd75f-daf1-48f1-af08-11c847a3c413","character_id":null,"markdown":"- CPUが弱いと段取りが悪い\n- SSDが弱いと材料が出てこない\n- NICが弱いと外とつながらない\n- スイッチが弱いと店内が渋滞する\n- ラックや冷却が弱いと厨房が熱で止まる","render_override":null},{"id":"blk_a2d0cf4d-3650-4a8d-87f0-f7d6eededc90","kind":"paragraph","order":1376,"section_id":"sec_11cbd75f-daf1-48f1-af08-11c847a3c413","character_id":null,"markdown":"つまり、 \n**GPUは主役だが、データセンターの強さは“巨大レストラン全体の運営力”で決まる** \nということです。","render_override":null},{"id":"blk_22c09fbf-85df-41a9-a196-479b44b83c3d","kind":"thematic_break","order":1377,"section_id":"sec_11cbd75f-daf1-48f1-af08-11c847a3c413","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c68e50c4-7b02-41c4-94f1-2c8717ffab3f","kind":"heading","order":1378,"section_id":"sec_86d6fa7e-eaa3-469c-a6fb-33b048f18438","character_id":null,"markdown":"## GPU・HBM・SSD・NIC・スイッチのどこにお金が落ちやすいか","render_override":null},{"id":"blk_5411a747-3bc8-4873-bdb7-c184fc59c105","kind":"heading","order":1379,"section_id":"sec_88ead90f-a526-4010-8169-eb728bb1a6e0","character_id":null,"markdown":"## 結論","render_override":null},{"id":"blk_c175039d-57c6-4a5f-a49f-c5eeb4857833","kind":"paragraph","order":1380,"section_id":"sec_88ead90f-a526-4010-8169-eb728bb1a6e0","character_id":null,"markdown":"**1台のAIサーバーで見たお金の落ち先** \n**GPU \\> HBM \\> NIC \\> SSD** \nです。NVIDIAのDGX B200は、1台に **8基のBlackwell GPU**、合計 **1,440GBのHBM3e**、**8本のConnectX-7ポート**、さらに **BlueField-3 DPU** と **NVMe SSD** を搭載しています。構成を見る限り、1台あたりの価値の中心はまずGPU、その次がHBMで、NICは重要だが主役の次、SSDは必要でも相対的には脇役寄りです。これは構成からの推論です。 ([NVIDIA](https://www.nvidia.com/en-us/data-center/dgx-b200/))","render_override":null},{"id":"blk_105484f1-965f-499b-87db-0906ea59306a","kind":"paragraph","order":1381,"section_id":"sec_88ead90f-a526-4010-8169-eb728bb1a6e0","character_id":null,"markdown":"**ラック/大規模クラスタで見たお金の落ち先** \n**GPU \\> HBM \\> スイッチ+NIC \\> SSD** \nです。理由は、クラスタ化するとGPU同士をつなぐネットワーク費用が一気に膨らむからです。BroadcomはTomahawk 6を **AIのscale-up / scale-outネットワーク向け** と位置づけており、2025年Q3には **AI売上が前年比63%増の52億ドル**、その牽引役として **custom AI accelerators と networking** を挙げています。つまり、クラスタが大きくなるほど **スイッチとNICは「付属品」ではなく大きな支出先** になります。 ([broadcom.com](https://www.broadcom.com/products/ethernet-connectivity/switching/strataxgs/bcm78910-series?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e9f5758d-1b11-4915-8eba-80908cbd6f9a","kind":"paragraph","order":1382,"section_id":"sec_88ead90f-a526-4010-8169-eb728bb1a6e0","character_id":null,"markdown":"**データセンター全体で見たお金の落ち先** \n**GPU \\> HBM \\> ネットワーク（スイッチ/NIC） \\> SSD/ストレージ** \nが基本です。 \nただし、**学習中心**ならネットワーク比重が上がり、**推論・RAG・ベクトルDB中心**ならSSD比重が上がります。Micronは、AI推論での **KV cache tiering** や **vector database search/indexing** がデータセンターSSD需要を押し上げていると説明しています。 ([Micron Technology](https://investors.micron.com/static-files/9c0becf5-df56-4eec-bd67-453dda68b273))","render_override":null},{"id":"blk_8dc68695-516a-4a0b-8970-0d6abf882df4","kind":"heading","order":1383,"section_id":"sec_1de04ef0-293a-47a9-b0bc-c38c42473516","character_id":null,"markdown":"## 部品ごとに見ると","render_override":null},{"id":"blk_de1755d5-806e-4cc0-bbae-1a15ea4ac1e5","kind":"heading","order":1384,"section_id":"sec_eb6ffe60-6d7f-4da0-8ccd-b2dcfba11303","character_id":null,"markdown":"### GPU","render_override":null},{"id":"blk_03966bda-7f92-4d60-b6a5-55c19c8c4e0a","kind":"paragraph","order":1385,"section_id":"sec_eb6ffe60-6d7f-4da0-8ccd-b2dcfba11303","character_id":null,"markdown":"**いちばん大きなお金が落ちやすい場所**です。 \n理由は、AIサーバーの計算価値の中心そのものだからです。NVIDIA自身も、AIインフラはTSMCのウェハ、HBM、CoWoS、組立・テストを組み合わせて供給しており、最終製品の価値の中心はGPU側にあります。DGX B200でも1台の中心は8基のGPUです。 ([NVIDIA](https://www.nvidia.com/en-us/data-center/dgx-b200/))","render_override":null},{"id":"blk_0ff6a20b-c183-4b44-a055-3f1aeb5c1274","kind":"heading","order":1386,"section_id":"sec_21ddf1c6-09b2-45ad-917e-3acd651b870e","character_id":null,"markdown":"### HBM","render_override":null},{"id":"blk_403510ae-0607-4213-8aae-0ea782887037","kind":"paragraph","order":1387,"section_id":"sec_21ddf1c6-09b2-45ad-917e-3acd651b870e","character_id":null,"markdown":"**2番目にお金が落ちやすい場所**です。 \nしかもHBMは、普通のDRAMより **高付加価値・高難度** の製品として売上と利益が乗りやすいです。Micronは、データセンター向け製品は業界でもっとも複雑で高価値な製品群の一部だとし、HBM事業は2025年度Q4に **約20億ドルの四半期売上、年率約80億ドルのランレート** に達したと説明しています。NVIDIAもHBM供給元として **SK hynix、Micron、Samsung** を明示しています。つまり、AIサーバーの支出が増えると、GPUの隣で **HBMメーカーにも非常に大きなお金が落ちる** 構造です。 ([Micron Technology](https://investors.micron.com/static-files/5fb98d73-2134-4446-8d1b-0f90285f6c02))","render_override":null},{"id":"blk_6bf20dba-25bc-4428-9581-86823890f62a","kind":"heading","order":1388,"section_id":"sec_4a36cb8e-1e75-4ce5-84d8-1802628b06ef","character_id":null,"markdown":"### NIC","render_override":null},{"id":"blk_19a74c01-d45d-4d17-b781-56b9d0b03558","kind":"paragraph","order":1389,"section_id":"sec_4a36cb8e-1e75-4ce5-84d8-1802628b06ef","character_id":null,"markdown":"**1台ではGPU/HBMより小さいが、クラスタ化で効いてくる場所**です。 \nDGX B200は **8本のConnectX-7 VPIポート** と **BlueField-3 DPU** を載せており、1台の時点でネットワーク部材がかなり重いことがわかります。とくに複数ノードを束ねる学習クラスタでは、NICは「ただのLAN口」ではなく、GPUを仕事させるための必需品です。 ([NVIDIA](https://www.nvidia.com/en-us/data-center/dgx-b200/))","render_override":null},{"id":"blk_30208b1f-9636-48ac-8c9f-87837a9c0fee","kind":"heading","order":1390,"section_id":"sec_69dae1cf-c222-4570-abec-d8cb66cc305f","character_id":null,"markdown":"### スイッチ","render_override":null},{"id":"blk_2b9c076c-c7b5-41e2-9316-f7dd4d84e3de","kind":"paragraph","order":1391,"section_id":"sec_69dae1cf-c222-4570-abec-d8cb66cc305f","character_id":null,"markdown":"**クラスタが大きくなるほど、NIC以上に存在感が増える場所**です。 \n1台のサーバーにはスイッチは載りませんが、ラック間・クラスタ間でGPUを大量接続すると、スイッチASICとその周辺部材が大きな支出先になります。BroadcomはTomahawk 6をAI向け **102.4Tbps** 級のスイッチとして出し、AIネットワーキングがAI売上拡大の一部だと説明しています。 \nなので、**1台目線ではNICが先、クラスタ目線ではスイッチが急浮上**、と考えるとわかりやすいです。 ([broadcom.com](https://www.broadcom.com/company/news/product-releases/63146?utm_source=chatgpt.com))","render_override":null},{"id":"blk_bba6ea5f-f794-4e53-b536-da314b40efae","kind":"heading","order":1392,"section_id":"sec_2b4ee7b7-df45-49a6-aab0-fcf9521879c5","character_id":null,"markdown":"### SSD","render_override":null},{"id":"blk_29c32106-6dea-4f9e-9d63-014f5371a66b","kind":"paragraph","order":1393,"section_id":"sec_2b4ee7b7-df45-49a6-aab0-fcf9521879c5","character_id":null,"markdown":"**必要だが、1台あたりの主役にはなりにくい場所**です。 \nDGX B200のローカルストレージは **OS用2×1.9TB NVMe** と **内部8×3.84TB NVMe** で、重要ではあるものの、1台の価値の中心がGPU/HBM/ネットワークであることは構成から見て取れます。 \n一方で、推論、RAG、ベクトルDB、KV cache offload の世界ではSSD需要が強くなります。Micronはまさにこの用途で **データセンターNAND/SSD需要が加速** していると説明しています。つまりSSDは、**学習サーバーの中心部材というより、AIデータ基盤が広がるほど効く部材** です。 ([Micron Technology](https://investors.micron.com/static-files/9c0becf5-df56-4eec-bd67-453dda68b273))","render_override":null},{"id":"blk_c7d03cb5-f0e8-452f-a043-0a106ac5ecb9","kind":"heading","order":1394,"section_id":"sec_bdf0f83a-3199-4b84-9c90-2e76181d4891","character_id":null,"markdown":"## いちばん実戦的な見方","render_override":null},{"id":"blk_a44809e2-aa0e-4b94-ac5b-882d9c0a8a49","kind":"paragraph","order":1395,"section_id":"sec_bdf0f83a-3199-4b84-9c90-2e76181d4891","character_id":null,"markdown":"**学習クラスター**では \n**GPU → HBM → スイッチ/NIC → SSD** \nの順で見た方が実態に近いです。巨大学習では、GPUの次にHBMが重く、その次にクラスタネットワークが効いてきます。 ([NVIDIA](https://www.nvidia.com/en-us/data-center/dgx-b200/))","render_override":null},{"id":"blk_ac90e480-305f-4009-8068-25de5a5a8b77","kind":"paragraph","order":1396,"section_id":"sec_bdf0f83a-3199-4b84-9c90-2e76181d4891","character_id":null,"markdown":"**推論/RAG/ベクトルDB寄り**では \n**GPU → HBM → ネットワーク → SSD** \nですが、SSDの比重が学習時より上がります。MicronがAI推論用途でKV cache tieringとvector databaseをSSD需要要因として挙げているのが、そのままこの構図です。 ([Micron Technology](https://investors.micron.com/static-files/9c0becf5-df56-4eec-bd67-453dda68b273))","render_override":null},{"id":"blk_2caa0687-00da-4a02-9155-18023995a82f","kind":"heading","order":1397,"section_id":"sec_b408517f-f7ef-419c-9415-2e882e191059","character_id":null,"markdown":"## 投資家向けに一行で言うと","render_override":null},{"id":"blk_9c71fbed-c9a3-42aa-a303-3eafd8b3c682","kind":"list","order":1398,"section_id":"sec_b408517f-f7ef-419c-9415-2e882e191059","character_id":null,"markdown":"- **一番大きな金額が落ちる**のは **GPU**\n- **一番おいしい周辺部材**は **HBM**\n- **クラスタが巨大になるほど伸びる**のは **NIC とスイッチ**\n- **推論/RAGが広がるほど効く**のは **SSD** です。 ([Micron Technology](https://investors.micron.com/static-files/5fb98d73-2134-4446-8d1b-0f90285f6c02))","render_override":null},{"id":"blk_09e67060-657b-401f-895a-c6692c876b54","kind":"thematic_break","order":1399,"section_id":"sec_b408517f-f7ef-419c-9415-2e882e191059","character_id":null,"markdown":"---","render_override":null},{"id":"blk_74bda7dd-99e7-4409-b49a-8e61162bceba","kind":"paragraph","order":1400,"section_id":"sec_b408517f-f7ef-419c-9415-2e882e191059","character_id":null,"markdown":"サムネはNano Banana2","render_override":null}],"audio":[],"omitted_media":[],"figures":[{"id":"plc_1cfdfd6e-bb3b-4b90-ae92-255740dca664","block_id":"blk_8ebea7b2-cbba-4c51-b703-5904c7dd2a2e","asset_revision_id":"avr_b3553b31-0ff5-43e0-8c5b-a3802518df01","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_7bc8259c-ebb5-4dbc-a828-5f32c32e777b"],"explained_by":[],"source_path":"media/89ea095d89ad4adfc56d61ca9471abfb6336df9149e6ac37f6e29a4320335368.png","path":"/media/89ea095d89ad4adfc56d61ca9471abfb6336df9149e6ac37f6e29a4320335368-content.webp","display_derivative":{"source_sha256":"89ea095d89ad4adfc56d61ca9471abfb6336df9149e6ac37f6e29a4320335368","thumbnail":{"path":"media/89ea095d89ad4adfc56d61ca9471abfb6336df9149e6ac37f6e29a4320335368-thumbnail.webp","width":560,"height":293,"bytes":37922,"sha256":"58db7cc8883536eaeac1a68a44c91e139275cb7fc3d85294c0da8edccb4a548e"},"content":{"path":"media/89ea095d89ad4adfc56d61ca9471abfb6336df9149e6ac37f6e29a4320335368-content.webp","width":1920,"height":1005,"bytes":419048,"sha256":"aa87e452a17a14b0270fb736f6947fdece17f9a467e21c2eb31f34799bcb6808"}}},{"id":"plc_0d91dd09-be64-4f9e-a948-5a6ff8ccd37a","block_id":"blk_dea0a340-b219-4d8d-8bcd-13e09a15cc8e","asset_revision_id":"avr_6d331d36-5c14-4134-a488-c09fef481986","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_896578b5-e79e-487a-84a8-04dc6a8b8c95","blk_c951faf8-fe29-48b9-97ff-67ae500b2822"],"explained_by":[],"source_path":"media/b3295bc61da111e1e993d189c2a41d1330d44ddd715b99d13e053885b73eaba3.png","path":"/media/b3295bc61da111e1e993d189c2a41d1330d44ddd715b99d13e053885b73eaba3-content.webp","display_derivative":{"source_sha256":"b3295bc61da111e1e993d189c2a41d1330d44ddd715b99d13e053885b73eaba3","thumbnail":{"path":"media/b3295bc61da111e1e993d189c2a41d1330d44ddd715b99d13e053885b73eaba3-thumbnail.webp","width":560,"height":176,"bytes":12368,"sha256":"e3ff159e8c9448120398a1c39e7babcb9f833e984258a7b128ed87ff8252763d"},"content":{"path":"media/b3295bc61da111e1e993d189c2a41d1330d44ddd715b99d13e053885b73eaba3-content.webp","width":803,"height":253,"bytes":29198,"sha256":"3d075fa8f35939f59d7cd326dac0d8e4f1898a7ee31147c989e8c587d8c8d8d3"}}},{"id":"plc_a09fa416-110b-4c83-aa4b-a8106c121b82","block_id":"blk_2cdc6228-87ec-4cbd-85f2-0580128ec3c0","asset_revision_id":"avr_1ac05b75-5c71-4d23-bb76-95a159a3b112","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_5cec1c15-3ebd-4a5e-8f38-3618ff99b0be","blk_2082c6e6-9858-4949-9388-c61b775d01a2"],"explained_by":[],"source_path":"media/f496799c6d4680d5475679ec410c62a48acdeee287df5307149a1e57bb95005c.png","path":"/media/f496799c6d4680d5475679ec410c62a48acdeee287df5307149a1e57bb95005c-content.webp","display_derivative":{"source_sha256":"f496799c6d4680d5475679ec410c62a48acdeee287df5307149a1e57bb95005c","thumbnail":{"path":"media/f496799c6d4680d5475679ec410c62a48acdeee287df5307149a1e57bb95005c-thumbnail.webp","width":560,"height":249,"bytes":12604,"sha256":"b0e0f127428d4d6740fcbb46a49f766a79e3dd3569d6284caa4ae61d89cc4c32"},"content":{"path":"media/f496799c6d4680d5475679ec410c62a48acdeee287df5307149a1e57bb95005c-content.webp","width":800,"height":355,"bytes":30878,"sha256":"47f29018e6c90b6fdeb441022e783cbaf54cadc559b9827ca1cfd8ddc5cc151b"}}},{"id":"plc_4624355a-588e-4671-ab26-395fd38d082a","block_id":"blk_b762a87b-e16a-4531-b9ee-aa997bfe135c","asset_revision_id":"avr_4b938a1b-4547-4cbb-90ad-4ef7041e52b9","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_e1e2b271-9686-4fc1-a5dc-d78b4163864a","blk_2285977c-001d-4bbf-a5cc-9c42c1d50acb"],"explained_by":[],"source_path":"media/58f1145aead752c0c02e4b369f3392f74c603b557691ca6665a98c1c9a434621.png","path":"/media/58f1145aead752c0c02e4b369f3392f74c603b557691ca6665a98c1c9a434621-content.webp","display_derivative":{"source_sha256":"58f1145aead752c0c02e4b369f3392f74c603b557691ca6665a98c1c9a434621","thumbnail":{"path":"media/58f1145aead752c0c02e4b369f3392f74c603b557691ca6665a98c1c9a434621-thumbnail.webp","width":560,"height":328,"bytes":30674,"sha256":"4c03a9bf93402a17b87a5413e82c179ca7964061639771d3ad0387877df2de79"},"content":{"path":"media/58f1145aead752c0c02e4b369f3392f74c603b557691ca6665a98c1c9a434621-content.webp","width":1216,"height":713,"bytes":158824,"sha256":"327aad7a06c2dc7b565b29bde9831ef991d5aa6003170f16f50d4a8d6971c790"}}},{"id":"plc_0028e5cf-944a-4160-aaf5-9da80ff6cda8","block_id":"blk_2285977c-001d-4bbf-a5cc-9c42c1d50acb","asset_revision_id":"avr_e8197953-6d8b-4b08-b928-42192a52467e","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_b762a87b-e16a-4531-b9ee-aa997bfe135c","blk_6ede65a9-073f-4b27-9f61-4a0bf13531ad"],"explained_by":[],"source_path":"media/0e1c07638911a866d407f3b6ae5a92212af9ad19fdade3d59a40a2ad65c42584.png","path":"/media/0e1c07638911a866d407f3b6ae5a92212af9ad19fdade3d59a40a2ad65c42584-content.webp","display_derivative":{"source_sha256":"0e1c07638911a866d407f3b6ae5a92212af9ad19fdade3d59a40a2ad65c42584","thumbnail":{"path":"media/0e1c07638911a866d407f3b6ae5a92212af9ad19fdade3d59a40a2ad65c42584-thumbnail.webp","width":560,"height":272,"bytes":21860,"sha256":"8cf8bd0bbabcf77597a324c553d7f0464f042bf4a59a2a8927805a8dabbed415"},"content":{"path":"media/0e1c07638911a866d407f3b6ae5a92212af9ad19fdade3d59a40a2ad65c42584-content.webp","width":1220,"height":593,"bytes":118896,"sha256":"ff2090307190b17e810a7a8d468fdfadac2d3f7bfcbea0a2a082ca8399174883"}}},{"id":"plc_128fc87d-90cb-4198-bbc4-fa4080ecf944","block_id":"blk_e723af3b-c3fa-475e-874e-ffe882562bd7","asset_revision_id":"avr_15a891a6-b292-403e-b8f6-9f2e5abf7671","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_8d95d194-244f-4437-b61b-02b135bf3e48","blk_68c7acf9-49bb-4d37-a58f-e1e7b49b3a19"],"explained_by":[],"source_path":"media/80816f04e6ca2d28ca21b1e3b66a0dc140342223f3a0a57739ebcf6c1262e898.png","path":"/media/80816f04e6ca2d28ca21b1e3b66a0dc140342223f3a0a57739ebcf6c1262e898-content.webp","display_derivative":{"source_sha256":"80816f04e6ca2d28ca21b1e3b66a0dc140342223f3a0a57739ebcf6c1262e898","thumbnail":{"path":"media/80816f04e6ca2d28ca21b1e3b66a0dc140342223f3a0a57739ebcf6c1262e898-thumbnail.webp","width":560,"height":121,"bytes":9308,"sha256":"aa6f5a66351ada0eeaa9fe0cc75b8eff37dbd40b9da9d1d5c78b743c6e13c0a1"},"content":{"path":"media/80816f04e6ca2d28ca21b1e3b66a0dc140342223f3a0a57739ebcf6c1262e898-content.webp","width":832,"height":180,"bytes":23224,"sha256":"cbd80b09ff768da86ddb86ebb8d4f6896eb08a1ee62b053fd58cd7313d95a299"}}},{"id":"plc_c7f346e2-a9a2-49bc-bb60-ba0493313ffa","block_id":"blk_960f6296-a6e1-4225-a07b-7c00a49fbafe","asset_revision_id":"avr_430d790a-8d59-4e41-a2d1-f4c8778f21f9","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_f7508074-2883-48bb-ba5b-e3426868842d","blk_cac49aa9-35e0-45fa-9c80-25c720de96de"],"explained_by":[],"source_path":"media/efb5b645d450817f3e7be782e93efeefb0f48408fb4debfd8e04e43ca2d611b4.png","path":"/media/efb5b645d450817f3e7be782e93efeefb0f48408fb4debfd8e04e43ca2d611b4-content.webp","display_derivative":{"source_sha256":"efb5b645d450817f3e7be782e93efeefb0f48408fb4debfd8e04e43ca2d611b4","thumbnail":{"path":"media/efb5b645d450817f3e7be782e93efeefb0f48408fb4debfd8e04e43ca2d611b4-thumbnail.webp","width":560,"height":123,"bytes":4710,"sha256":"0a3ce33dc61f3884a60d43c98c7712838564cbf81a7a63e47baf37ab4ee891e2"},"content":{"path":"media/efb5b645d450817f3e7be782e93efeefb0f48408fb4debfd8e04e43ca2d611b4-content.webp","width":849,"height":186,"bytes":11740,"sha256":"ef71496473cc0268982660c2266dc06ed7066f55de2b2a040d7c82cefb5905be"}}},{"id":"plc_4c11161a-c4d1-4eb9-8886-7e17aff0d76c","block_id":"blk_46fdd1a7-e0e8-4970-aeac-956f3fb581de","asset_revision_id":"avr_8a08a5b7-3a7a-4983-8298-4149d31f80f3","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_fec79074-ac64-4d67-936a-392caafa8742","blk_f36822a6-e572-40da-8f1e-978fd79cc9c5"],"explained_by":[],"source_path":"media/559afbe67928233f27c1aace5be2db18e5290077fa295e8229df9135be593112.png","path":"/media/559afbe67928233f27c1aace5be2db18e5290077fa295e8229df9135be593112-content.webp","display_derivative":{"source_sha256":"559afbe67928233f27c1aace5be2db18e5290077fa295e8229df9135be593112","thumbnail":{"path":"media/559afbe67928233f27c1aace5be2db18e5290077fa295e8229df9135be593112-thumbnail.webp","width":560,"height":126,"bytes":5300,"sha256":"d18fa0a414e6140efe4915a1b55ef05eca80397dbdde8e6cf028c14449adb138"},"content":{"path":"media/559afbe67928233f27c1aace5be2db18e5290077fa295e8229df9135be593112-content.webp","width":774,"height":174,"bytes":11726,"sha256":"a1eb76e87b7ed8c31c2a5b64dc0e9cb40a3d5802685f35b9c5e2ef7b161a9f5d"}}},{"id":"plc_9f4e2efe-c152-48c0-85c2-929692f4a87e","block_id":"blk_beac9571-70be-482b-a227-1383aca5b88c","asset_revision_id":"avr_5bb5e1e4-b25d-40be-8607-a2da2b99151f","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_b6986988-2502-416e-a7b8-89086fb8174c","blk_6d792773-3c93-4536-984d-0a8111eaf6eb"],"explained_by":[],"source_path":"media/754dd9e02777393d338d1b314c88cab868376aee3a440ce4663fb0d2e1388a23.png","path":"/media/754dd9e02777393d338d1b314c88cab868376aee3a440ce4663fb0d2e1388a23-content.webp","display_derivative":{"source_sha256":"754dd9e02777393d338d1b314c88cab868376aee3a440ce4663fb0d2e1388a23","thumbnail":{"path":"media/754dd9e02777393d338d1b314c88cab868376aee3a440ce4663fb0d2e1388a23-thumbnail.webp","width":560,"height":176,"bytes":14546,"sha256":"2c7a09345de15594e78e369a434a89fd2a10db3ed5ee4268de7ab6347b32977c"},"content":{"path":"media/754dd9e02777393d338d1b314c88cab868376aee3a440ce4663fb0d2e1388a23-content.webp","width":1144,"height":359,"bytes":64398,"sha256":"81947fe8a3a97f477ed489d33aec00b7cd2b308aaa7858fe46d29b57fee0ed97"}}}],"package_sha256":"8f93b7de16d332fe14ab18ab2cc576cd799af5c82293cdda25bafa386de33603","record_type":"article","schema_version":"noia-public-article-1.1.0","dataset_version":"2026.09.23.4","urls":{"source_url":"https://note.com/atom_/n/n530a4a93e154","release_path":"/articles/rev_57810a5f-315e-49a7-ac85-72cc27e35eff/","canonical_url":"https://noia-grid.pages.dev/articles/rev_57810a5f-315e-49a7-ac85-72cc27e35eff/"},"time":{"created_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"published_at":{"value":"2026-04-20 18:17:43","precision":"local_datetime","timezone":null,"status":"source_metadata","basis":"Metadata only; not evidence of historical body availability."},"modified_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"analysis_as_of":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"event_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"recorded_at":{"value":"2026-09-08T05:29:14+00:00","precision":"instant","timezone":"+00:00","status":"archive_record","basis":"canonical_recorded_at"},"content_available_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"unknown"}},"legacy":{"source_date":{"value":"2026-04-20 18:17:43","meaning":"legacy_source_metadata_date","certainty":"source_metadata"}},"rights":{"license_ref":"license:not-specified","rights_status":"unknown","third_party_material":"unknown"},"integrity":{"hash_profile":"noia-evidence-json-v1","content_sha256":"89e089ce9e52dd46ce976f5b24bd69a97e687b1cb8abc77b272598eabbb53d24","lineage":[],"previous_revision_sha256":null,"previous_revision_status":"no_parent","revision_sha256":"0aa1a41c18b2a27627d861836de5d48f28c212cfcff2aeeb0bf8eb2ba1257cb8"}} {"id":"rev_436a17f2-f4bc-4abf-9295-931f16cf8b77","work_id":"wrk_ad458cb8-2af2-42ab-a561-10966b619525","edition_id":"edn_3ac207ec-71bf-4922-bdb4-f942193b4055","title":"EOSEは財務状況を改善できるのか","published_at":"2026-04-07 19:22:36","source_url":"https://note.com/atom_/n/n98aee9119938","recorded_at":"2026-09-08T05:29:14+00:00","source_date":"2026-04-07 19:22:36","thumbnail":null,"legacy_slug":null,"topics":["power"],"sections":[{"id":"sec_f4c43974-02e7-4b84-b098-cd48643104a6","parent_section_id":null,"heading_block_id":null,"order":0,"character_id":null},{"id":"sec_9fe7730f-0382-4941-8f6f-44fba64e6bc1","parent_section_id":"sec_f4c43974-02e7-4b84-b098-cd48643104a6","heading_block_id":"blk_cd9c7878-151f-4fb3-a9b0-429305d6afdf","order":1,"character_id":null},{"id":"sec_ff48fa34-dd47-4ee0-a149-9505dd2bad17","parent_section_id":"sec_f4c43974-02e7-4b84-b098-cd48643104a6","heading_block_id":"blk_9426d5d1-2186-45f4-a8f5-95f1eb0a61c3","order":2,"character_id":null},{"id":"sec_8c41c16d-f1f0-414c-81d1-6fe3270f2895","parent_section_id":"sec_ff48fa34-dd47-4ee0-a149-9505dd2bad17","heading_block_id":"blk_9099b244-6fbf-48a0-9165-916465f89be1","order":3,"character_id":null},{"id":"sec_b56e2ad3-ee78-476b-b90e-e30720cb605f","parent_section_id":"sec_f4c43974-02e7-4b84-b098-cd48643104a6","heading_block_id":"blk_48f6e747-7da1-4aae-b1f9-80da8d7e5be1","order":4,"character_id":null},{"id":"sec_f6ca51a5-6c9a-4204-ab79-5cf36b9a29b2","parent_section_id":"sec_f4c43974-02e7-4b84-b098-cd48643104a6","heading_block_id":"blk_c77f4a0f-9f12-4888-ab9d-2f2e267729f1","order":5,"character_id":null},{"id":"sec_98886200-7b8d-4331-a6d8-30a45b7bbb29","parent_section_id":"sec_f4c43974-02e7-4b84-b098-cd48643104a6","heading_block_id":"blk_83859123-bfcb-464e-af00-66c4debdba36","order":6,"character_id":null},{"id":"sec_23e2a9d4-cb11-4b72-8908-de84459c227e","parent_section_id":"sec_f4c43974-02e7-4b84-b098-cd48643104a6","heading_block_id":"blk_8de0a44c-4302-434b-82e1-8c14b0eb1f9f","order":7,"character_id":null},{"id":"sec_8d5f066d-ec80-4354-82ed-6b9bd6fe39c1","parent_section_id":"sec_f4c43974-02e7-4b84-b098-cd48643104a6","heading_block_id":"blk_50614f60-a2e2-4ba0-b0b0-da5111383e4f","order":8,"character_id":null},{"id":"sec_2433d931-c395-49e5-9cd7-623a7d1a4a1f","parent_section_id":"sec_f4c43974-02e7-4b84-b098-cd48643104a6","heading_block_id":"blk_1d367c98-e42b-46a2-ac3a-0109de4dae21","order":9,"character_id":null},{"id":"sec_5a112ce4-b08f-411e-8ea6-e413238f38e5","parent_section_id":"sec_f4c43974-02e7-4b84-b098-cd48643104a6","heading_block_id":"blk_17965e93-804a-4b15-b78e-4035afac0054","order":10,"character_id":null},{"id":"sec_fbae9854-cb7e-4ea5-ac76-f6422af6fee1","parent_section_id":"sec_f4c43974-02e7-4b84-b098-cd48643104a6","heading_block_id":"blk_25ebe900-678f-4138-be36-bff285b6d31a","order":11,"character_id":null},{"id":"sec_eadc2df5-5958-4195-8296-fd9c4a62d760","parent_section_id":"sec_f4c43974-02e7-4b84-b098-cd48643104a6","heading_block_id":"blk_3447e3ee-da1f-4a98-8a67-bbab463bba12","order":12,"character_id":null},{"id":"sec_cde94d71-fc09-4c5f-831b-e3148a9c59b2","parent_section_id":"sec_eadc2df5-5958-4195-8296-fd9c4a62d760","heading_block_id":"blk_05c996ea-eb15-40f7-9023-c864d0af2daa","order":13,"character_id":null},{"id":"sec_aa6913e5-1f69-48b7-ab6a-33f6bbbaea61","parent_section_id":"sec_eadc2df5-5958-4195-8296-fd9c4a62d760","heading_block_id":"blk_d500b981-53ae-470d-a453-5e253374e789","order":14,"character_id":null},{"id":"sec_7b675353-9c56-4896-8595-90d3ff189a30","parent_section_id":"sec_eadc2df5-5958-4195-8296-fd9c4a62d760","heading_block_id":"blk_7bba5f8d-3477-4e4b-a0e5-a4672fbddbbc","order":15,"character_id":null},{"id":"sec_8d27f9f0-6e96-4a6d-8f96-356020c843e2","parent_section_id":"sec_eadc2df5-5958-4195-8296-fd9c4a62d760","heading_block_id":"blk_d2ac8339-9fa3-41a2-99d2-1049b13f5535","order":16,"character_id":null},{"id":"sec_eb30638b-7e10-4100-b9c7-b5ab3a56b680","parent_section_id":"sec_eadc2df5-5958-4195-8296-fd9c4a62d760","heading_block_id":"blk_1a791d05-8aa2-4e5f-9a9b-33cf29974b6a","order":17,"character_id":null},{"id":"sec_8a8dd1ff-36af-4787-9252-2c4dc89c8575","parent_section_id":"sec_eadc2df5-5958-4195-8296-fd9c4a62d760","heading_block_id":"blk_f4449d8b-026d-4beb-9fc8-3216c759fbb3","order":18,"character_id":null},{"id":"sec_95923b9f-920e-4c30-96df-86c930758dc4","parent_section_id":"sec_eadc2df5-5958-4195-8296-fd9c4a62d760","heading_block_id":"blk_c146235b-9d88-401e-befa-87404de5f68c","order":19,"character_id":null},{"id":"sec_d31fc296-9c33-4516-ba6f-6e58f388c45c","parent_section_id":"sec_eadc2df5-5958-4195-8296-fd9c4a62d760","heading_block_id":"blk_c9654d1e-18b1-493d-b19c-ea1bbcacdee8","order":20,"character_id":null},{"id":"sec_dc1b821a-c788-4fd8-9347-2f15ddfc7c36","parent_section_id":"sec_eadc2df5-5958-4195-8296-fd9c4a62d760","heading_block_id":"blk_c53ebb2b-4142-4076-9c29-a6e0ce816bc0","order":21,"character_id":null}],"content_available_at":{"basis":"unknown","precision":"unknown","timezone":null,"value":null},"markdown":"![](/media/fcb3e4b1c5784b6e4a74d543d71db78bb70318dd09a82c3c96af7edce53e562d-content.webp)\n\n## 結論から言うと、「可能性はある」が、勝負は2026年後半から2027年\n\n※以下の日本円換算は、読みやすさのため **1ドル=160円** で概算しています。厳密な為替換算ではなく、規模感をつかむための目安です。\n\nEOSEこと **Eos Energy Enterprises** は、もう「今すぐ資金が尽きそうな会社」ではありません。2025年末の現金・現金同等物・制限付き現金は **6.246億ドル（約999億円）**、うち制限のない現金は **5.680億ドル（約909億円）** まで積み上がり、会社自身も「継続企業としての重要な疑義はもはやない」と説明しています。2025年Q3の時点では継続企業への不安が開示されていたので、資金面では2025年後半にかなり景色が変わりました。 ([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm))\n\nただし、**財務改善が完了した**とはまだ言えません。2025年通期の売上は **1.142億ドル（約183億円）** まで伸びた一方、粗利は **▲1.438億ドル（約▲マイナス230億円）**、Adjusted EBITDAは **▲2.191億ドル（約▲351億円）**、営業キャッシュフローは **▲2.112億ドル（約▲338億円）** でした。つまり、**資金繰りは大きく改善したが、本業で十分に稼げる体質にはまだなっていない**、というのが今のEOSEです。\n\n▲は**マイナス（赤字、控除、減少）**を意味する記号です\n\n私の結論を先に言うと、EOSEが財務状況を改善することは**十分あり得ます**。ただしその改善は、2026年前半に一気に完成するというより、**2026年後半に「回復の兆し」が見え始め、2027年に「本当に危機を抜けたか」が判定される**形になる可能性が高いです。これは、2026年売上ガイダンスが **3億～4億ドル（約480億～640億円）** と大きく伸びる前提であること、Line 2の量産立ち上がりが2026年の重要イベントであること、そして融資・借入の財務コベナンツ開始が **2027年3月** に後ろ倒しされていることから考えると、かなり自然な見方です。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/529413b4-67c5-405f-9d5f-a246bc044690))\n\n## まず、EOSEは何の会社か\n\nEOSEは、**長時間蓄電池**を作る会社です。 \nここでいう長時間蓄電池とは、太陽光や風力の余った電気をためておき、あとから数時間から十数時間にわたって放電する設備のことです。一般的なリチウムイオン電池と比べて、EOSEは**亜鉛系**の電池を売りにしており、安全性、米国内製造、長時間用途を強みとして打ち出しています。用途は、電力会社向け、マイクログリッド、工場や商業施設向け、データセンター向けなどです。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025/))\n\n### 用語ミニ解説\n\n**粗利率** \n売上から、製品を作る原価を引いた「粗利」が、売上に対してどれだけ残るかを見る数字です。ここがマイナスだと、ざっくり言えば**売れば売るほどまだ苦しい**状態です。\n\n**EBITDA** \n金利・税金・減価償却などの影響をならして、本業の稼ぐ力をざっくり見るための指標です。EOSEのような立ち上がり企業では、最終利益よりもこちらの方が実態を見やすい場面があります。\n\n**backlog（受注残）** \nすでに契約済みで、これから売上として実現していく見込みの案件残高です。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/529413b4-67c5-405f-9d5f-a246bc044690))\n\n**pipeline（商談パイプライン）** \n提案中、見積中、LOI（基本合意書）なども含む広い案件群です。**backlogよりかなり確度が低い**ので、pipelineが大きいだけでは安心できません。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/529413b4-67c5-405f-9d5f-a246bc044690))\n\n**going concern（継続企業の前提）** \n会社が今後も事業を続けられるかどうかについての会計上の重要論点です。EOSEは2025年Q3時点で懸念が示されていましたが、2025年通期ではそれが後退したと会社は説明しています。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/7a3772db-a699-411d-a9c5-7a7833c6b669?utm_source=chatgpt.com))\n\n## 現在地は「需要はある、でも採算はまだ弱い」\n\nEOSEの強い点は、**需要そのものはかなり大きい**ことです。2025年末時点で、受注残は **7.015億ドル（約1,122億円）**、商談パイプラインは **236億ドル（約3.8兆円）** に達していました。容量ベースでは、受注残が **約2.8GWh**、商談パイプラインが **約99GWh** です。しかもQ4だけで **約1.1GWh** の新規受注を獲得しており、需要不足で苦しんでいる会社ではありません。\n\n実際の導入も、完全な机上の空論ではありません。会社資料では、米国内の導入基盤は **10州・20プロジェクト・11顧客** に広がっており、2025年の売上は **18顧客** 向けの納入・サービスから生まれています。つまり、まだ巨大普及の段階ではないにせよ、**実案件が複数動いている初期商用フェーズ**には入っています。\n\n案件面でも、IEP向け **400MWh** のCamp Pendleton案件、Frontier Powerとの **5GWh MOU**、MN8 Energyとの **最大750MWh** 供給契約、Talen Energyとの **複数GWh** を視野に入れた戦略協業など、大型案件や大型枠組みが続いています。これを見ると、EOSEの課題は「顧客がいない」ことではなく、**その顧客案件をきちんと作って納めて、お金に変えること**だと分かります。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-secures-400-mwh-order-international-electric-power/?utm_source=chatgpt.com))\n\n一方で弱い点は、**採算がまだ非常に悪い**ことです。2025年通期の粗利率は **-126%**、Adjusted EBITDAマージンは **-192%** でした。Q4だけ見ると粗利率は **-94%** まで改善していますが、それでもまだ**売上58.0百万ドルに対して粗損54.4百万ドル**という状態です。極端に言えば、まだ「売ればすぐ儲かる会社」ではありません。\n\n## 2025年は「改善の年」だったが、「完成の年」ではない\n\nEOSEの2025年は、見方を間違えると評価を誤ります。 \n良かった点は、売上が急増したことです。売上は **2024年の1,560万ドル（約25億円）** から **2025年の1.142億ドル（約183億円）** へ、**前年比632%増** でした。四半期ベースでも **Q1 1,050万ドル → Q2 1,520万ドル → Q3 3,050万ドル → Q4 5,800万ドル** と、後半に一気に伸びました。これは確かに大きな進歩です。\n\nさらに、粗利率とAdjusted EBITDAマージンも改善方向です。粗利率は **Q4’24 -324% → Q1’25 -235% → Q2’25 -203% → Q3’25 -111% → Q4’25 -94%**、Adjusted EBITDAマージンは **-615% → -413% → -339% → -173% → -123%** と改善しています。つまり、まだ赤字は深いものの、**1ドル売るたびの損失は着実に減っている**状態です。\n\nただし、2025年が「完璧な年」だったわけではありません。会社は2025年3月時点で **2025年売上1.5億～1.9億ドル** を掲げ、その後2025年11月時点でも **1.5億～1.6億ドル** を示していましたが、最終実績は **1.142億ドル** でした。つまり、**需要ストーリーは強いが、出荷・量産・売上化の実行は会社の当初想定に届かなかった**のです。ここはかなり大事なポイントです。EOSEを見るときは、派手な案件発表だけでなく、**会社が掲げた計画を本当に達成できるのか**を冷静に見なければいけません。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-meets-2024-revised-revenue-guidance-and/))\n\n## 財務改善が「可能」と言える理由\n\nそれでも私が「改善は可能」と見る一番の理由は、**資金ショートの崖からはいったん離れた**からです。2025年には複数回の資本調達と債務再編が行われ、年末現金は **6.246億ドル（約999億円）** まで増えました。6月の資金調達では **3.36億ドル（約538億円）** を調達し、既存債務の条件改善も進めました。さらに11月の資本政策では、バランスシートへの純現金流入が **4.741億ドル（約759億円）** と説明されています。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/a4f754d0-2056-46e4-938d-692a4d7d8a2c?utm_source=chatgpt.com))\n\n借金の質も改善しました。Cerberus関連のDelayed Draw Term Loanは、金利が **15%から7%へ低下**し、財務コベナンツの開始も **2027年3月** に後ろ倒しされました。さらに26.5%の高コスト転換社債は、**2034年9月30日満期**へ延長され、**2026年6月30日以降は7.0%金利**に見直される予定です。会社は、これらの取引により、従来条件比で**約4億ドルの節約効果**を見込むと説明しています。これはかなり大きいです。資金調達が単なる延命ではなく、**時間を買って量産改善に賭けるための再設計**になっています。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-successfully-closed-336m-concurrent-offerings-common/?utm_source=chatgpt.com))\n\n生産能力の増強にも現実味があります。会社は、2025年末時点でLine 1を **年換算2GWh** 規模まで拡張し、**Line 2を2026年半ばに生産開始、2026年Q4にフル生産**としています。さらにDOE保証付き **3.035億ドル（約486億円）** の融資は、Project AMAZEのもとで **2027年までに年産8GWh** を目指す計画を支えるものです。要するに、EOSEのシナリオは「新製品が売れるか分からない」ではなく、**売る先はあるので、量産立ち上げが採算ラインに間に合うか**の勝負なのです。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/529413b4-67c5-405f-9d5f-a246bc044690))\n\n## それでも簡単ではない理由\n\n一番の問題は、EOSE自身が年次報告書でかなり率直に書いている通り、**同社はこれまで毎年赤字・営業キャッシュフロー赤字で、今後もしばらくは外部資本への依存が続く見込み**だという点です。会社は、長期的には内部キャッシュフローで自立したいとしつつも、現時点ではなお外部資本に頼る前提を認めています。つまり、現金残高が厚くなったからといって、もう安心というわけではありません。 ([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm))\n\nまた、年次報告書ではリスクとして、**顧客が案件資金を確保できるか、backlogやpipelineを実際の売上へ転換できるか、製造プロセスを効率的にスケールできるか**を挙げています。これはそのままEOSEの弱点です。たとえば受注残が1,000億円超あっても、顧客のプロジェクトファイナンスが遅れたり、工場の歩留まりが悪かったり、納入時期が後ろにずれたりすれば、売上も粗利も崩れます。EOSEはまさにこの「案件はあるが、利益を出せる速度で回せるか」が問われる段階です。 ([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm))\n\n## では、どの数字まで改善すれば「回復」と言えるのか\n\n私なら、EOSEの回復を3段階で見ます。\n\n**第1段階：回復の兆し** \nこれは **2026年後半** に見え始めるかどうか、です。条件は、売上が四半期で **5,000万～7,000万ドル台** を維持しつつ、粗利率が **-50%前後** まで近づくことです。今のQ4 2025は **-94%** なので、ここからさらに改善しないと「量産の初期赤字が減ってきた」とは言い切れません。逆に、-50%前後まで改善できれば、まだ赤字でも**採算改善の角度**がかなりはっきり見えてきます。\n\n**第2段階：危機脱出が視野に入る段階** \nこれは、粗利率が **-20%台から0%近辺** に近づき、Adjusted EBITDA赤字と営業キャッシュフロー赤字が大きく縮む局面です。会社の2026年ガイダンスは **3億～4億ドル（約480億～640億円）** ですが、単に売上が増えるだけでは足りません。2025年の営業キャッシュフローは **▲2.112億ドル** なので、ここがせめて **▲1億ドルをかなり下回る水準**へ縮まってこないと、本当の安心感は出にくいです。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/529413b4-67c5-405f-9d5f-a246bc044690))\n\n**第3段階：本当に危機を抜けたと言える段階** \n私の見立てでは、これは **2027年** です。理由は単純で、CerberusやDOE絡みのコベナンツ開始が **2027年3月** だからです。そこまでに「売上成長が続き、粗利率が大きく改善し、営業CFの赤字も縮んでいる」と示せれば、市場はEOSEを“資金繰りが危ない会社”ではなく、“立ち上がり途中の量産企業”として見始めやすくなります。逆に、2026年の数字が弱いまま2027年を迎えると、また不安が強まります。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-successfully-closed-336m-concurrent-offerings-common/?utm_source=chatgpt.com))\n\n## いつ頃に改善しそうか\n\n私のベースシナリオはこうです。 \n**2026年前半** は、まだ「改善途中」です。Line 2の準備・立ち上がり、既存Line 1の効率改善、案件消化の進み具合を確認する時期で、売上は伸びても粗利率の改善が十分かどうかはまだ確信しにくい局面です。EOSEは過去にガイダンス未達もあるので、この時期は会社の強気コメントだけでは判断しにくいです。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/529413b4-67c5-405f-9d5f-a246bc044690))\n\n**2026年後半** になると、良ければ景色が変わります。Line 2が計画通り立ち上がり、Q3～Q4に向けて出荷が積み上がり、粗利率が四半期ごとに改善していけば、EOSEは「夢の電池銘柄」から「量産立ち上がり企業」へ評価が変わり始めます。会社の2026年売上ガイダンス **3億～4億ドル** が現実味を持つのも、この時期です。私が「回復の兆しは2026年後半」と見るのはこのためです。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/529413b4-67c5-405f-9d5f-a246bc044690))\n\n**2027年** は判定の年です。 \nここで売上が一定水準に乗り、粗利率がかなり改善し、営業キャッシュフローの赤字も明確に縮んでいれば、EOSEは本当に危機脱出へ進めます。逆に、2026年の売上成長が“案件の前倒し”や“一時的出荷集中”に過ぎず、粗利率やキャッシュフローが改善していなければ、2027年はむしろ再び厳しく見られます。 ([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm))\n\n## 株価はいつ反応しやすいか\n\nここは断定ではなく、私の見立てです。 \n株価は通常、**財務諸表が完全に治ってから**動くのではなく、**治りそうだと市場が判断した時点**で先に動きます。EOSEの場合、その判断材料は最終利益よりも、**売上の継続成長、粗利率の改善、Line 2の遅延有無、ガイダンス維持**になりやすいです。なので、株価が先に反応するなら **2026年後半**、より持続的な再評価が起きるなら **2027年** という順番が自然です。これは、2025年に資金面の大きな不安が和らぎ、次のテーマが「採算改善」へ移っているからです。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025/))\n\nただし、EOSEはすでに「将来の改善」をある程度織り込まれやすい銘柄でもあります。だから、**売上が増えた**だけでは弱く、**粗利率と営業キャッシュフローも一緒に良くなる**必要があります。言い換えると、株価の初動は早くても、**本物の回復相場になるには中身が必要**です。\n\n## 最終結論\n\nEOSEが財務状況を改善できるか。 \n私の答えは、**「はい、可能性はある。ただし条件付き」です。需要、受注残、資金調達、DOE支援、量産拡張計画という材料はそろっています。2025年末時点で、EOSEは資金繰り危機の会社**から、**量産採算化に挑む会社**へ一段進みました。\n\nただし、本当に改善したと言えるのは、**売上成長だけでなく、粗利率・EBITDA・営業キャッシュフローが一緒に良くなった時**です。2025年はそこまで届いていません。だから私は、EOSEの財務改善は **2026年後半に兆しが見え始め、2027年に本当に定着するかどうかが分かる**、と考えます。今のEOSEは「改善不能な会社」ではなく、**改善できるかどうかを量産と実行力で証明しなければならない会社**です。そこがこの銘柄の核心です。\n\n## 【追記】EOSEの粗利益はどうやって上がるのか\n\n### 現場で起きること、Z3・Gen 2.3・Line 1・Line 2の意味、そして決算で最初に見える変化\n\n※以下の日本円換算は、読みやすさ重視で **1ドル=160円** で概算しています。実際の為替では前後しますが、規模感をつかむには十分です。\n\n前回の記事では、EOSEの財務改善は「売上が増えるか」だけでなく、**粗利益率がどこまで改善するか** が核心だと書きました。今回はその続きを、もう少し現場寄りに掘り下げます。結論から言うと、EOSEの粗利益が上がる仕組みは、単純に「たくさん売れるから」ではありません。正確には、**Z3という“より作りやすい製品”を、Line 1・Line 2という“より回しやすい工場ライン”で量産し、固定費・人件費・不良・手戻りを薄めていくこと**で粗利益が改善していきます。会社自身も、2025年の粗利改善要因として **製造量の増加、Z3の生産コスト低下、自動化、サブアセンブリ統合、製造プロセス最適化** を挙げています。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025?utm_source=chatgpt.com))\n\n### まず、粗利益とは何か\n\n粗利益は、**売上高から売上原価を引いたもの**です。 \nここでいう売上原価には、単なる材料費だけでなく、直接労務費、設備保守、品質管理、物流、減価償却、施設費などの製造オーバーヘッドが含まれます。EOSEは年次報告書で、さらに今のような立ち上げ局面では **production start-up costs** や **commissioning** の費用も重いと説明しています。つまりEOSEの粗利益は、「部材が高いか安いか」だけで決まるのではなく、**工場がどれだけスムーズに回っているか**まで含めて決まります。 ([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm?utm_source=chatgpt.com))\n\n今のEOSEの現実を数字で見ると、2025年Q4の売上は **5,800万ドル（約93億円）**、粗損は **5,440万ドル（約87億円）** でした。粗利益率は **-94%** です。これは、感覚的には **「93億円売っても、原価が約180億円近くかかっている」** という状態に近いです。通期では売上 **1.142億ドル（約183億円）** に対して、売上原価は **2.580億ドル（約413億円）** でした。まだ大きく赤字ですが、四半期ベースでは前年同期より大きく改善しており、会社はQ4で **230ポイントの粗利率改善** を示しました。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025?utm_source=chatgpt.com))\n\n### 粗利益が上がる仕組みを、工場目線で一枚にするとこうなる\n\nEOSEの粗利益は、ざっくり言うと次の式で決まります。\n\n**粗利益 = 売価 −（材料費 + 人件費 + 工場固定費 + 立ち上げ・据付コスト + 値引きや採算の悪い案件の影響）**\n\nここで重要なのは、EOSEのような立ち上げ企業では、材料費だけが問題ではないことです。むしろ足元では、**工場固定費と人件費の重さ**がかなり大きいと見るのが自然です。会社が2025年を通じて繰り返し説明している改善要因も、材料単価より先に **production volumes、operational efficiencies、subassembly automation、throughput向上** です。Q2決算では、粗損改善が **生産量増加とオペレーション効率改善** による一方、**一時的に平均より低い販売価格** が一部相殺したと説明されました。つまりEOSEの粗利益改善は、まず**工場がうまく回るか**が先に来て、その後に材料や価格条件の改善が効いてきます。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-delivers-record-quarterly-revenue-nearly/?utm_source=chatgpt.com))\n\n### 4つに分けると、どこが一番効くのか\n\n今のEOSEに一番効くのは、私は **工場固定費** だと見ています。 \n理由は、工場・設備・保守・減価償却・施設費のようなコストは、少ない出荷量では1台あたりに重く乗りますが、出荷が増えると急速に薄まるからです。EOSEは2024年のLine 1商業生産開始時に、Line 1の成功は **path to profitability の重要な cost-out component** だと説明しましたし、2025年Q4では **2GWhの年換算能力達成** を自動化や工程最適化の成果と説明しています。これはつまり、「工場が回れば、それだけで原価がかなり下がる」という意味です。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-successfully-launches-commercial-production-first?utm_source=chatgpt.com))\n\nその次に効くのが **人件費** です。 \nただし、EOSEの人件費改善は「賃金を下げる」ことではありません。**同じ人数でより多く作れるようになる**ことが本質です。Q2では、会社はサブアセンブリ自動化が **throughput を増やし、labor and overhead costs を下げる**と説明しました。ここでいう throughput は、簡単に言えば「ラインを流れる製品の量」です。つまり、同じ時間でより多くのモジュールを作れれば、1台あたりの人件費が下がります。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-delivers-record-quarterly-revenue-nearly/?utm_source=chatgpt.com))\n\nその次に効くのが **材料費** です。 \nただしEOSEでは、材料費の改善は単純な値下がりではなく、**Z3という設計変更**とセットで効きます。Z3は旧Gen 2.3に比べて **約50%少ないセル数、約98%少ない溶接点、より簡素な構造** を採用しており、会社はこれを **more cost-effective design** と表現しています。つまり、単に“仕入れが安くなる”のではなく、**そもそも使う部材と工程が少ない製品に変えている**のです。これは材料費だけでなく、人件費や品質コストにも波及します。 ([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm?utm_source=chatgpt.com))\n\n最後が **案件値引きや採算の悪い案件の影響** です。 \nこれも効きますが、構造改善の本丸ではありません。Q2で会社は、効率改善が進んだ一方で **one-time lower than average selling prices** が一部それを打ち消したと説明しています。つまり、値引きは四半期の数字を動かしますが、EOSEの本当の回復はやはり **工場効率とZ3設計** に依存しています。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/node/12011/pdf?utm_source=chatgpt.com))\n\nかなり単純化して順位をつけると、現時点のEOSEでは \n**工場固定費 → 人件費 → 材料費 → 案件値引き** \nの順で効いている、と見るのがわかりやすいです。 \nただし中長期では、Z3による設計改善が材料費と工程数の両方に効いてくるので、**短期の主役は工場、長期の主役はZ3** と考えると整理しやすいです。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025?utm_source=chatgpt.com))\n\n### Z3、Gen 2.3、Line 1、Line 2とは何か\n\nここは名前が多くて混乱しやすいのですが、まず整理すると、\n\n**Gen 2.3 / Z3 = 製品の世代** \n**Line 1 / Line 2 = その製品を作る工場ライン**\n\nです。 ([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm?utm_source=chatgpt.com))\n\nGen 2.3\n\nGen 2.3は、EOSEのひとつ前の商用世代です。会社は **2020年12月に最初のGen 2.3システムを出荷**し、過去資料では **Gen 2.3の20フィートコンテナ1基が144 batteriesで構成される**と説明しています。つまり、Gen 2.3はEOSEが初期の商用展開で使ってきた旧型のベース世代と考えれば十分です。 ([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000121390023027075/ea176296-424b2_eosenergy.htm?utm_source=chatgpt.com))\n\nZ3\n\nZ3は、そのGen 2.3の次世代版です。 \n同じ基本的な電気化学を使いながら、**より軽く、より安く、より作りやすくするために再設計された世代**です。会社はZ3について、Gen 2.3比で **約50%少ないセル数、約98%少ない溶接点、平方フィート当たり約2倍のエネルギー密度** を挙げています。これが粗利益改善の本命です。なぜなら、セル数と溶接点が減るということは、そのまま **部材点数、工数、不良ポイント** が減ることを意味するからです。 ([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm?utm_source=chatgpt.com))\n\nLine 1\n\nLine 1は、Z3を量産するための**最初の本格的な自動化ライン**です。 \n2024年7月に商業生産を開始し、当初は **今後6か月で年換算1.25GWh** へ立ち上げ、追加投資で **Line 1を2GWhまで拡張**する計画が示されました。2025年末時点では、EOSEは **2GWhの年換算能力に到達した** と説明しています。かなり平たく言えば、Line 1は「手作業中心の試作・半量産」から「工場量産」へ移るための最初の高速道路です。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-successfully-launches-commercial-production-first?utm_source=chatgpt.com))\n\nLine 2\n\nLine 2は、その次の**2本目の本格量産ライン**です。 \n会社は2025年に **2本目のstate-of-the-art manufacturing lineの発注** を進め、ペンシルベニア州 **Marshall Townshipの43.2万平方フィート施設** に展開し、**2026年半ばに生産開始見込み** と説明しています。EOSEはProject AMAZE全体で、DOE保証付き **3.035億ドル（約486億円）** の支援を背景に **4本のラインで年産8GWh超** を目指しています。Line 2は、EOSEが「量産できる会社」から「かなり大きく量産できる会社」へ進むための次の段階です。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-executes-next-phase-growth-strategy-us-manufacturing/?utm_source=chatgpt.com))\n\n### 1台あたり原価はどう下がっていくのか\n\nここも一枚の流れで考えるとわかりやすいです。\n\n**Gen 2.3の時代** \n部材が多い、工程が多い、溶接点が多い \n→ 材料費も工数も重い \n→ 原価が高い\n\n**Line 1が動き始める** \n工場固定費をより多くの台数で割れる \n→ 人件費と間接費の1台あたり負担が下がる \n→ 原価が下がり始める\n\n**Line 2が加わる** \n量産規模がさらに拡大する \n→ 調達量が増え、歩留まり改善の学習も広がる \n→ 原価がもう一段下がる\n\n**Z3比率が上がる** \nそもそも使う部材と工程が少ない \n→ 材料費、人件費、不良コストまで下がる \n→ 原価がさらに下がる\n\nEOSE自身は「1台あたり原価」を開示していませんが、Q2には **battery modules being produced every 10 seconds** とし、自動化が throughput を増やし labor and overhead を下げると説明しています。つまり、足元ではLine 1/Line 2による **固定費と人件費の改善** が先に効き、そのうえでZ3が **構造的なコスト低下** をもたらす、という順番で見るのが自然です。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-delivers-record-quarterly-revenue-nearly/?utm_source=chatgpt.com))\n\n### 粗利益率が -94% → -50% → -20% → 0% に近づく時、現場で何が起きているか\n\nここは会計より現場の言葉で見る方がわかりやすいです。 \nたとえば売上100円に対して考えると、\n\n**粗利益率 -94%** \n売上100円に対し原価194円 \n= まだ「作るだけで大赤字」\n\n**粗利益率 -50%** \n売上100円に対し原価150円 \n= まだ赤字だが、量産効果が見え始める\n\n**粗利益率 -20%** \n売上100円に対し原価120円 \n= 工場・製品・調達がかなり整ってくる\n\n**粗利益率 0%** \n売上100円に対し原価100円 \n= 少なくとも“製品を作って売る行為そのもの”では赤字でない\n\nこれはEOSEの会社予想ではなく、粗利益率の意味を理解するための図解です。実際のQ4 2025は **売上5,800万ドル（約93億円）、粗損5,440万ドル（約87億円）** で、ほぼこの -94% の感覚に近い状態でした。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025?utm_source=chatgpt.com))\n\n-94%の段階では、現場ではまだ **立ち上げコスト、手戻り、非効率、人手依存** が大きく残っています。 \n-50%に近づく段階では、**出荷量が増え、固定費が薄まり、人の動きが定型化し、初歩的な不良が減る** ようになります。 \n-20%に近づくと、そこに **Z3の設計メリット、部材点数の削減、工程数の減少、調達条件の改善** が重なってきます。 \n0%近辺では、ようやく **ライン稼働、歩留まり、案件見積もり、価格条件** が一通り安定し、「作れば作るほど赤字」から抜けます。\n\nEOSEが2025年に実際に挙げている改善要因も、まさにこの順番で、**生産量増加 → 効率改善 → Z3コスト低下 → 案件マージン改善** でした。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-delivers-record-quarterly-revenue-nearly/?utm_source=chatgpt.com))\n\n### EOSEが -94% から -50% に行く時、決算のどの数字に最初に表れるか\n\nここはかなり重要です。 \n結論から言うと、**最初に見えるのは最終利益ではなく、売上総損失額と粗利益率です。** \nもっと具体的に言うと、次の順番で表れやすいです。\n\n\\1. 売上総損失額が「売上ほどは増えなくなる」\n\nこれが最初のサインです。 \n今のEOSEは、売上が増えても粗損も大きい会社ですが、-94%から-50%へ向かう過程では、**売上は増えるのに粗損額の伸びが鈍る、あるいは粗損額が横ばい〜減少する** という形が最初に出やすいです。Q3 2025は売上 **3,050万ドル（約49億円）** に対して粗損 **3,390万ドル（約54億円）**、Q4 2025は売上 **5,800万ドル（約93億円）** に対して粗損 **5,440万ドル（約87億円）** でした。売上は大きく増えましたが、粗損率は改善しています。つまり、「売上の増え方に比べて粗損の増え方が鈍る」ことが最初の兆候です。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/529413b4-67c5-405f-9d5f-a246bc044690?utm_source=chatgpt.com))\n\n\\2. 粗利益率そのものが四半期ごとに改善する\n\n次に、会計上もっとも分かりやすいのがこれです。 \nEOSEのQ4 2025粗利益率は **-94%**、会社資料ではQ3比 **17ポイント改善**、前年同期比 **230ポイント改善** と説明されています。-94%から-50%に向かう時は、この改善幅が継続して出る必要があります。つまり、四半期ごとの最初の確認ポイントは **gross loss / revenue の比率** です。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/529413b4-67c5-405f-9d5f-a246bc044690?utm_source=chatgpt.com))\n\n\\3. Adjusted EBITDAマージンが後からついてくる\n\n粗利益率の改善が本物なら、その次に **Adjusted EBITDAマージン** も改善し始めます。 \nEOSEのQ4 2025のAdjusted EBITDA損失は **7,150万ドル（約114億円）**、マージンは **-123%** でした。Q3からは **49ポイント改善** しています。粗利益率の改善がまず先に出て、その後に販管費吸収も進んでEBITDAが改善する、という順番です。つまり、-94%から-50%へ向かう最初の確認数字はEBITDAではなく、**粗利益率と粗損額** です。EBITDAはその改善が続いた結果として後から追いかけてきます。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/529413b4-67c5-405f-9d5f-a246bc044690?utm_source=chatgpt.com))\n\n\\4. 営業キャッシュフローの改善はさらに後ろ\n\n営業キャッシュフローは最後の方に効いてきます。 \nEOSEの2025年営業キャッシュフローは **▲2.112億ドル（約▲338億円）** でした。工場が改善しても、在庫、前払い、プロジェクトの納入タイミングなどでキャッシュはズレるので、現場改善の初期サインとしては少し遅い指標です。もちろん重要ですが、「-94%から-50%に向かっているか」を最初に見るには遅すぎます。最初に見るべきは、やはり **売上、粗損額、粗利益率** の3点です。 ([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm?utm_source=chatgpt.com))\n\n### いちばん簡単にまとめると\n\n今回の追記を一文でまとめると、こうです。\n\n**EOSEの粗利益が上がるとは、Z3という“より安く作れる製品”を、Line 1・Line 2という“より効率よく回る工場”で量産し、固定費・人件費・不良・手戻りを減らしていくこと**です。 ([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm?utm_source=chatgpt.com))\n\nそして、EOSEが **粗利益率 -94% から -50%** に向かうとき、決算で最初に表れやすいのは、 \n**「売上が増えるのに、粗損額が売上ほど悪化しない」** \n**「粗利益率が四半期ごとに改善する」** \nこの2つです。 \n最終利益や営業キャッシュフローまできれいに改善するのは、その後です。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/529413b4-67c5-405f-9d5f-a246bc044690?utm_source=chatgpt.com))\n\nその意味で、今後EOSEを見る時の最重要チェックポイントは、 \n**売上高そのもの** ではなく、 \n**売上総損失額、粗利益率、Z3コスト低下、Line 2の立ち上がり** \nです。 \nここが改善していけば、EOSEは「夢先行の蓄電池銘柄」から「量産で本当に立ち上がる製造企業」へ変わっていく可能性があります。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025?utm_source=chatgpt.com))\n\n特定銘柄の推奨・勧誘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。\n\nサムネはNano Banana2\n\n","blocks":[{"id":"blk_538d0642-8265-461d-836b-605adcf5e3f0","kind":"figure","order":0,"section_id":"sec_f4c43974-02e7-4b84-b098-cd48643104a6","character_id":null,"markdown":"![](/media/fcb3e4b1c5784b6e4a74d543d71db78bb70318dd09a82c3c96af7edce53e562d-content.webp)","render_override":null},{"id":"blk_cd9c7878-151f-4fb3-a9b0-429305d6afdf","kind":"heading","order":1,"section_id":"sec_9fe7730f-0382-4941-8f6f-44fba64e6bc1","character_id":null,"markdown":"## 結論から言うと、「可能性はある」が、勝負は2026年後半から2027年","render_override":null},{"id":"blk_d5314fda-7f67-49a6-93c9-c1e6b62040d2","kind":"paragraph","order":2,"section_id":"sec_9fe7730f-0382-4941-8f6f-44fba64e6bc1","character_id":null,"markdown":"※以下の日本円換算は、読みやすさのため **1ドル=160円** で概算しています。厳密な為替換算ではなく、規模感をつかむための目安です。","render_override":null},{"id":"blk_1fb1cc33-3706-4d2c-b557-234c89d7ef1d","kind":"paragraph","order":3,"section_id":"sec_9fe7730f-0382-4941-8f6f-44fba64e6bc1","character_id":null,"markdown":"EOSEこと **Eos Energy Enterprises** は、もう「今すぐ資金が尽きそうな会社」ではありません。2025年末の現金・現金同等物・制限付き現金は **6.246億ドル（約999億円）**、うち制限のない現金は **5.680億ドル（約909億円）** まで積み上がり、会社自身も「継続企業としての重要な疑義はもはやない」と説明しています。2025年Q3の時点では継続企業への不安が開示されていたので、資金面では2025年後半にかなり景色が変わりました。 ([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm))","render_override":null},{"id":"blk_6a1604e1-fe56-47ef-9ebe-c8fa29112802","kind":"paragraph","order":4,"section_id":"sec_9fe7730f-0382-4941-8f6f-44fba64e6bc1","character_id":null,"markdown":"ただし、**財務改善が完了した**とはまだ言えません。2025年通期の売上は **1.142億ドル（約183億円）** まで伸びた一方、粗利は **▲1.438億ドル（約▲マイナス230億円）**、Adjusted EBITDAは **▲2.191億ドル（約▲351億円）**、営業キャッシュフローは **▲2.112億ドル（約▲338億円）** でした。つまり、**資金繰りは大きく改善したが、本業で十分に稼げる体質にはまだなっていない**、というのが今のEOSEです。","render_override":null},{"id":"blk_65b93664-e19f-48b1-8c48-378edc7c31d7","kind":"paragraph","order":5,"section_id":"sec_9fe7730f-0382-4941-8f6f-44fba64e6bc1","character_id":null,"markdown":"▲は**マイナス（赤字、控除、減少）**を意味する記号です","render_override":null},{"id":"blk_68b99601-a3a9-4521-b9ce-2d7a43182f43","kind":"paragraph","order":6,"section_id":"sec_9fe7730f-0382-4941-8f6f-44fba64e6bc1","character_id":null,"markdown":"私の結論を先に言うと、EOSEが財務状況を改善することは**十分あり得ます**。ただしその改善は、2026年前半に一気に完成するというより、**2026年後半に「回復の兆し」が見え始め、2027年に「本当に危機を抜けたか」が判定される**形になる可能性が高いです。これは、2026年売上ガイダンスが **3億～4億ドル（約480億～640億円）** と大きく伸びる前提であること、Line 2の量産立ち上がりが2026年の重要イベントであること、そして融資・借入の財務コベナンツ開始が **2027年3月** に後ろ倒しされていることから考えると、かなり自然な見方です。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/529413b4-67c5-405f-9d5f-a246bc044690))","render_override":null},{"id":"blk_9426d5d1-2186-45f4-a8f5-95f1eb0a61c3","kind":"heading","order":7,"section_id":"sec_ff48fa34-dd47-4ee0-a149-9505dd2bad17","character_id":null,"markdown":"## まず、EOSEは何の会社か","render_override":null},{"id":"blk_6ce287d8-ab2d-494c-8ad9-dc61d345b4fa","kind":"paragraph","order":8,"section_id":"sec_ff48fa34-dd47-4ee0-a149-9505dd2bad17","character_id":null,"markdown":"EOSEは、**長時間蓄電池**を作る会社です。 \nここでいう長時間蓄電池とは、太陽光や風力の余った電気をためておき、あとから数時間から十数時間にわたって放電する設備のことです。一般的なリチウムイオン電池と比べて、EOSEは**亜鉛系**の電池を売りにしており、安全性、米国内製造、長時間用途を強みとして打ち出しています。用途は、電力会社向け、マイクログリッド、工場や商業施設向け、データセンター向けなどです。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025/))","render_override":null},{"id":"blk_9099b244-6fbf-48a0-9165-916465f89be1","kind":"heading","order":9,"section_id":"sec_8c41c16d-f1f0-414c-81d1-6fe3270f2895","character_id":null,"markdown":"### 用語ミニ解説","render_override":null},{"id":"blk_398e87d5-22b7-4105-af65-7741a77cb338","kind":"paragraph","order":10,"section_id":"sec_8c41c16d-f1f0-414c-81d1-6fe3270f2895","character_id":null,"markdown":"**粗利率** \n売上から、製品を作る原価を引いた「粗利」が、売上に対してどれだけ残るかを見る数字です。ここがマイナスだと、ざっくり言えば**売れば売るほどまだ苦しい**状態です。","render_override":null},{"id":"blk_0405fd19-2361-4081-a469-4b0c410efcb1","kind":"paragraph","order":11,"section_id":"sec_8c41c16d-f1f0-414c-81d1-6fe3270f2895","character_id":null,"markdown":"**EBITDA** \n金利・税金・減価償却などの影響をならして、本業の稼ぐ力をざっくり見るための指標です。EOSEのような立ち上がり企業では、最終利益よりもこちらの方が実態を見やすい場面があります。","render_override":null},{"id":"blk_062352cf-a5b1-4ba4-8ac0-a5c994095e1d","kind":"paragraph","order":12,"section_id":"sec_8c41c16d-f1f0-414c-81d1-6fe3270f2895","character_id":null,"markdown":"**backlog（受注残）** \nすでに契約済みで、これから売上として実現していく見込みの案件残高です。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/529413b4-67c5-405f-9d5f-a246bc044690))","render_override":null},{"id":"blk_b6b62063-1ded-4b5e-b304-cfac8e6cb38d","kind":"paragraph","order":13,"section_id":"sec_8c41c16d-f1f0-414c-81d1-6fe3270f2895","character_id":null,"markdown":"**pipeline（商談パイプライン）** \n提案中、見積中、LOI（基本合意書）なども含む広い案件群です。**backlogよりかなり確度が低い**ので、pipelineが大きいだけでは安心できません。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/529413b4-67c5-405f-9d5f-a246bc044690))","render_override":null},{"id":"blk_96c3fb9f-c3a4-49b5-aec8-f47a678bb41b","kind":"paragraph","order":14,"section_id":"sec_8c41c16d-f1f0-414c-81d1-6fe3270f2895","character_id":null,"markdown":"**going concern（継続企業の前提）** \n会社が今後も事業を続けられるかどうかについての会計上の重要論点です。EOSEは2025年Q3時点で懸念が示されていましたが、2025年通期ではそれが後退したと会社は説明しています。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/7a3772db-a699-411d-a9c5-7a7833c6b669?utm_source=chatgpt.com))","render_override":null},{"id":"blk_48f6e747-7da1-4aae-b1f9-80da8d7e5be1","kind":"heading","order":15,"section_id":"sec_b56e2ad3-ee78-476b-b90e-e30720cb605f","character_id":null,"markdown":"## 現在地は「需要はある、でも採算はまだ弱い」","render_override":null},{"id":"blk_eb24113f-3db4-4b3c-9d40-f259ef77ebf6","kind":"paragraph","order":16,"section_id":"sec_b56e2ad3-ee78-476b-b90e-e30720cb605f","character_id":null,"markdown":"EOSEの強い点は、**需要そのものはかなり大きい**ことです。2025年末時点で、受注残は **7.015億ドル（約1,122億円）**、商談パイプラインは **236億ドル（約3.8兆円）** に達していました。容量ベースでは、受注残が **約2.8GWh**、商談パイプラインが **約99GWh** です。しかもQ4だけで **約1.1GWh** の新規受注を獲得しており、需要不足で苦しんでいる会社ではありません。","render_override":null},{"id":"blk_11bd6ef1-3bcf-4c7e-9c40-aaf4d51a4e02","kind":"paragraph","order":17,"section_id":"sec_b56e2ad3-ee78-476b-b90e-e30720cb605f","character_id":null,"markdown":"実際の導入も、完全な机上の空論ではありません。会社資料では、米国内の導入基盤は **10州・20プロジェクト・11顧客** に広がっており、2025年の売上は **18顧客** 向けの納入・サービスから生まれています。つまり、まだ巨大普及の段階ではないにせよ、**実案件が複数動いている初期商用フェーズ**には入っています。","render_override":null},{"id":"blk_bf14e459-60d3-4c71-b02b-10f1e8368f3b","kind":"paragraph","order":18,"section_id":"sec_b56e2ad3-ee78-476b-b90e-e30720cb605f","character_id":null,"markdown":"案件面でも、IEP向け **400MWh** のCamp Pendleton案件、Frontier Powerとの **5GWh MOU**、MN8 Energyとの **最大750MWh** 供給契約、Talen Energyとの **複数GWh** を視野に入れた戦略協業など、大型案件や大型枠組みが続いています。これを見ると、EOSEの課題は「顧客がいない」ことではなく、**その顧客案件をきちんと作って納めて、お金に変えること**だと分かります。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-secures-400-mwh-order-international-electric-power/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_0cbdca97-a289-4366-83fc-1009f1e2243f","kind":"paragraph","order":19,"section_id":"sec_b56e2ad3-ee78-476b-b90e-e30720cb605f","character_id":null,"markdown":"一方で弱い点は、**採算がまだ非常に悪い**ことです。2025年通期の粗利率は **-126%**、Adjusted EBITDAマージンは **-192%** でした。Q4だけ見ると粗利率は **-94%** まで改善していますが、それでもまだ**売上58.0百万ドルに対して粗損54.4百万ドル**という状態です。極端に言えば、まだ「売ればすぐ儲かる会社」ではありません。","render_override":null},{"id":"blk_c77f4a0f-9f12-4888-ab9d-2f2e267729f1","kind":"heading","order":20,"section_id":"sec_f6ca51a5-6c9a-4204-ab79-5cf36b9a29b2","character_id":null,"markdown":"## 2025年は「改善の年」だったが、「完成の年」ではない","render_override":null},{"id":"blk_41480b68-283e-4604-b6d6-4cc70d0cdbd5","kind":"paragraph","order":21,"section_id":"sec_f6ca51a5-6c9a-4204-ab79-5cf36b9a29b2","character_id":null,"markdown":"EOSEの2025年は、見方を間違えると評価を誤ります。 \n良かった点は、売上が急増したことです。売上は **2024年の1,560万ドル（約25億円）** から **2025年の1.142億ドル（約183億円）** へ、**前年比632%増** でした。四半期ベースでも **Q1 1,050万ドル → Q2 1,520万ドル → Q3 3,050万ドル → Q4 5,800万ドル** と、後半に一気に伸びました。これは確かに大きな進歩です。","render_override":null},{"id":"blk_8d03c79f-b631-4191-af8a-2b062b64e7d7","kind":"paragraph","order":22,"section_id":"sec_f6ca51a5-6c9a-4204-ab79-5cf36b9a29b2","character_id":null,"markdown":"さらに、粗利率とAdjusted EBITDAマージンも改善方向です。粗利率は **Q4’24 -324% → Q1’25 -235% → Q2’25 -203% → Q3’25 -111% → Q4’25 -94%**、Adjusted EBITDAマージンは **-615% → -413% → -339% → -173% → -123%** と改善しています。つまり、まだ赤字は深いものの、**1ドル売るたびの損失は着実に減っている**状態です。","render_override":null},{"id":"blk_0f20f8ad-167e-4b0e-99ed-486c5dad32f1","kind":"paragraph","order":23,"section_id":"sec_f6ca51a5-6c9a-4204-ab79-5cf36b9a29b2","character_id":null,"markdown":"ただし、2025年が「完璧な年」だったわけではありません。会社は2025年3月時点で **2025年売上1.5億～1.9億ドル** を掲げ、その後2025年11月時点でも **1.5億～1.6億ドル** を示していましたが、最終実績は **1.142億ドル** でした。つまり、**需要ストーリーは強いが、出荷・量産・売上化の実行は会社の当初想定に届かなかった**のです。ここはかなり大事なポイントです。EOSEを見るときは、派手な案件発表だけでなく、**会社が掲げた計画を本当に達成できるのか**を冷静に見なければいけません。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-meets-2024-revised-revenue-guidance-and/))","render_override":null},{"id":"blk_83859123-bfcb-464e-af00-66c4debdba36","kind":"heading","order":24,"section_id":"sec_98886200-7b8d-4331-a6d8-30a45b7bbb29","character_id":null,"markdown":"## 財務改善が「可能」と言える理由","render_override":null},{"id":"blk_62cef7a8-4c01-4dda-994d-9cab55342520","kind":"paragraph","order":25,"section_id":"sec_98886200-7b8d-4331-a6d8-30a45b7bbb29","character_id":null,"markdown":"それでも私が「改善は可能」と見る一番の理由は、**資金ショートの崖からはいったん離れた**からです。2025年には複数回の資本調達と債務再編が行われ、年末現金は **6.246億ドル（約999億円）** まで増えました。6月の資金調達では **3.36億ドル（約538億円）** を調達し、既存債務の条件改善も進めました。さらに11月の資本政策では、バランスシートへの純現金流入が **4.741億ドル（約759億円）** と説明されています。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/a4f754d0-2056-46e4-938d-692a4d7d8a2c?utm_source=chatgpt.com))","render_override":null},{"id":"blk_d2462d5c-e89c-42d7-96d0-0748f61a86b2","kind":"paragraph","order":26,"section_id":"sec_98886200-7b8d-4331-a6d8-30a45b7bbb29","character_id":null,"markdown":"借金の質も改善しました。Cerberus関連のDelayed Draw Term Loanは、金利が **15%から7%へ低下**し、財務コベナンツの開始も **2027年3月** に後ろ倒しされました。さらに26.5%の高コスト転換社債は、**2034年9月30日満期**へ延長され、**2026年6月30日以降は7.0%金利**に見直される予定です。会社は、これらの取引により、従来条件比で**約4億ドルの節約効果**を見込むと説明しています。これはかなり大きいです。資金調達が単なる延命ではなく、**時間を買って量産改善に賭けるための再設計**になっています。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-successfully-closed-336m-concurrent-offerings-common/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_dd3cf02c-91c2-4e4b-b5cd-d53729c0ef0c","kind":"paragraph","order":27,"section_id":"sec_98886200-7b8d-4331-a6d8-30a45b7bbb29","character_id":null,"markdown":"生産能力の増強にも現実味があります。会社は、2025年末時点でLine 1を **年換算2GWh** 規模まで拡張し、**Line 2を2026年半ばに生産開始、2026年Q4にフル生産**としています。さらにDOE保証付き **3.035億ドル（約486億円）** の融資は、Project AMAZEのもとで **2027年までに年産8GWh** を目指す計画を支えるものです。要するに、EOSEのシナリオは「新製品が売れるか分からない」ではなく、**売る先はあるので、量産立ち上げが採算ラインに間に合うか**の勝負なのです。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/529413b4-67c5-405f-9d5f-a246bc044690))","render_override":null},{"id":"blk_8de0a44c-4302-434b-82e1-8c14b0eb1f9f","kind":"heading","order":28,"section_id":"sec_23e2a9d4-cb11-4b72-8908-de84459c227e","character_id":null,"markdown":"## それでも簡単ではない理由","render_override":null},{"id":"blk_5ff76227-0667-42da-b969-a6665c61f378","kind":"paragraph","order":29,"section_id":"sec_23e2a9d4-cb11-4b72-8908-de84459c227e","character_id":null,"markdown":"一番の問題は、EOSE自身が年次報告書でかなり率直に書いている通り、**同社はこれまで毎年赤字・営業キャッシュフロー赤字で、今後もしばらくは外部資本への依存が続く見込み**だという点です。会社は、長期的には内部キャッシュフローで自立したいとしつつも、現時点ではなお外部資本に頼る前提を認めています。つまり、現金残高が厚くなったからといって、もう安心というわけではありません。 ([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm))","render_override":null},{"id":"blk_3033cef7-e98b-4ab8-9f45-345f31a6563a","kind":"paragraph","order":30,"section_id":"sec_23e2a9d4-cb11-4b72-8908-de84459c227e","character_id":null,"markdown":"また、年次報告書ではリスクとして、**顧客が案件資金を確保できるか、backlogやpipelineを実際の売上へ転換できるか、製造プロセスを効率的にスケールできるか**を挙げています。これはそのままEOSEの弱点です。たとえば受注残が1,000億円超あっても、顧客のプロジェクトファイナンスが遅れたり、工場の歩留まりが悪かったり、納入時期が後ろにずれたりすれば、売上も粗利も崩れます。EOSEはまさにこの「案件はあるが、利益を出せる速度で回せるか」が問われる段階です。 ([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm))","render_override":null},{"id":"blk_50614f60-a2e2-4ba0-b0b0-da5111383e4f","kind":"heading","order":31,"section_id":"sec_8d5f066d-ec80-4354-82ed-6b9bd6fe39c1","character_id":null,"markdown":"## では、どの数字まで改善すれば「回復」と言えるのか","render_override":null},{"id":"blk_9d3e0376-4665-487d-8736-639b1a0a1a22","kind":"paragraph","order":32,"section_id":"sec_8d5f066d-ec80-4354-82ed-6b9bd6fe39c1","character_id":null,"markdown":"私なら、EOSEの回復を3段階で見ます。","render_override":null},{"id":"blk_9b3c9bc5-8c87-4659-8d21-8e1fad347fa5","kind":"paragraph","order":33,"section_id":"sec_8d5f066d-ec80-4354-82ed-6b9bd6fe39c1","character_id":null,"markdown":"**第1段階：回復の兆し** \nこれは **2026年後半** に見え始めるかどうか、です。条件は、売上が四半期で **5,000万～7,000万ドル台** を維持しつつ、粗利率が **-50%前後** まで近づくことです。今のQ4 2025は **-94%** なので、ここからさらに改善しないと「量産の初期赤字が減ってきた」とは言い切れません。逆に、-50%前後まで改善できれば、まだ赤字でも**採算改善の角度**がかなりはっきり見えてきます。","render_override":null},{"id":"blk_20da7736-15d8-41c6-bf25-9adcd8e3e630","kind":"paragraph","order":34,"section_id":"sec_8d5f066d-ec80-4354-82ed-6b9bd6fe39c1","character_id":null,"markdown":"**第2段階：危機脱出が視野に入る段階** \nこれは、粗利率が **-20%台から0%近辺** に近づき、Adjusted EBITDA赤字と営業キャッシュフロー赤字が大きく縮む局面です。会社の2026年ガイダンスは **3億～4億ドル（約480億～640億円）** ですが、単に売上が増えるだけでは足りません。2025年の営業キャッシュフローは **▲2.112億ドル** なので、ここがせめて **▲1億ドルをかなり下回る水準**へ縮まってこないと、本当の安心感は出にくいです。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/529413b4-67c5-405f-9d5f-a246bc044690))","render_override":null},{"id":"blk_6b01220d-31e1-4fbd-960e-8f2445cad238","kind":"paragraph","order":35,"section_id":"sec_8d5f066d-ec80-4354-82ed-6b9bd6fe39c1","character_id":null,"markdown":"**第3段階：本当に危機を抜けたと言える段階** \n私の見立てでは、これは **2027年** です。理由は単純で、CerberusやDOE絡みのコベナンツ開始が **2027年3月** だからです。そこまでに「売上成長が続き、粗利率が大きく改善し、営業CFの赤字も縮んでいる」と示せれば、市場はEOSEを“資金繰りが危ない会社”ではなく、“立ち上がり途中の量産企業”として見始めやすくなります。逆に、2026年の数字が弱いまま2027年を迎えると、また不安が強まります。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-successfully-closed-336m-concurrent-offerings-common/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_1d367c98-e42b-46a2-ac3a-0109de4dae21","kind":"heading","order":36,"section_id":"sec_2433d931-c395-49e5-9cd7-623a7d1a4a1f","character_id":null,"markdown":"## いつ頃に改善しそうか","render_override":null},{"id":"blk_fc2c07d5-6385-4128-b708-cf7c5ba0b9d2","kind":"paragraph","order":37,"section_id":"sec_2433d931-c395-49e5-9cd7-623a7d1a4a1f","character_id":null,"markdown":"私のベースシナリオはこうです。 \n**2026年前半** は、まだ「改善途中」です。Line 2の準備・立ち上がり、既存Line 1の効率改善、案件消化の進み具合を確認する時期で、売上は伸びても粗利率の改善が十分かどうかはまだ確信しにくい局面です。EOSEは過去にガイダンス未達もあるので、この時期は会社の強気コメントだけでは判断しにくいです。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/529413b4-67c5-405f-9d5f-a246bc044690))","render_override":null},{"id":"blk_971fa760-b63f-4a9d-93bb-7f40210f09bb","kind":"paragraph","order":38,"section_id":"sec_2433d931-c395-49e5-9cd7-623a7d1a4a1f","character_id":null,"markdown":"**2026年後半** になると、良ければ景色が変わります。Line 2が計画通り立ち上がり、Q3～Q4に向けて出荷が積み上がり、粗利率が四半期ごとに改善していけば、EOSEは「夢の電池銘柄」から「量産立ち上がり企業」へ評価が変わり始めます。会社の2026年売上ガイダンス **3億～4億ドル** が現実味を持つのも、この時期です。私が「回復の兆しは2026年後半」と見るのはこのためです。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/529413b4-67c5-405f-9d5f-a246bc044690))","render_override":null},{"id":"blk_cb9dcb83-56f3-4b48-9ee0-98eda07c8d68","kind":"paragraph","order":39,"section_id":"sec_2433d931-c395-49e5-9cd7-623a7d1a4a1f","character_id":null,"markdown":"**2027年** は判定の年です。 \nここで売上が一定水準に乗り、粗利率がかなり改善し、営業キャッシュフローの赤字も明確に縮んでいれば、EOSEは本当に危機脱出へ進めます。逆に、2026年の売上成長が“案件の前倒し”や“一時的出荷集中”に過ぎず、粗利率やキャッシュフローが改善していなければ、2027年はむしろ再び厳しく見られます。 ([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm))","render_override":null},{"id":"blk_17965e93-804a-4b15-b78e-4035afac0054","kind":"heading","order":40,"section_id":"sec_5a112ce4-b08f-411e-8ea6-e413238f38e5","character_id":null,"markdown":"## 株価はいつ反応しやすいか","render_override":null},{"id":"blk_c14e3b2f-d00e-4ab1-9467-7b1d075bc0eb","kind":"paragraph","order":41,"section_id":"sec_5a112ce4-b08f-411e-8ea6-e413238f38e5","character_id":null,"markdown":"ここは断定ではなく、私の見立てです。 \n株価は通常、**財務諸表が完全に治ってから**動くのではなく、**治りそうだと市場が判断した時点**で先に動きます。EOSEの場合、その判断材料は最終利益よりも、**売上の継続成長、粗利率の改善、Line 2の遅延有無、ガイダンス維持**になりやすいです。なので、株価が先に反応するなら **2026年後半**、より持続的な再評価が起きるなら **2027年** という順番が自然です。これは、2025年に資金面の大きな不安が和らぎ、次のテーマが「採算改善」へ移っているからです。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025/))","render_override":null},{"id":"blk_93be1931-33bc-4f51-b4f6-3a36dc44aeae","kind":"paragraph","order":42,"section_id":"sec_5a112ce4-b08f-411e-8ea6-e413238f38e5","character_id":null,"markdown":"ただし、EOSEはすでに「将来の改善」をある程度織り込まれやすい銘柄でもあります。だから、**売上が増えた**だけでは弱く、**粗利率と営業キャッシュフローも一緒に良くなる**必要があります。言い換えると、株価の初動は早くても、**本物の回復相場になるには中身が必要**です。","render_override":null},{"id":"blk_25ebe900-678f-4138-be36-bff285b6d31a","kind":"heading","order":43,"section_id":"sec_fbae9854-cb7e-4ea5-ac76-f6422af6fee1","character_id":null,"markdown":"## 最終結論","render_override":null},{"id":"blk_0b0c50de-34b1-4410-baf4-fa824fbffb12","kind":"paragraph","order":44,"section_id":"sec_fbae9854-cb7e-4ea5-ac76-f6422af6fee1","character_id":null,"markdown":"EOSEが財務状況を改善できるか。 \n私の答えは、**「はい、可能性はある。ただし条件付き」です。需要、受注残、資金調達、DOE支援、量産拡張計画という材料はそろっています。2025年末時点で、EOSEは資金繰り危機の会社**から、**量産採算化に挑む会社**へ一段進みました。","render_override":null},{"id":"blk_7cb724f8-e944-45c0-b967-706d39c50846","kind":"paragraph","order":45,"section_id":"sec_fbae9854-cb7e-4ea5-ac76-f6422af6fee1","character_id":null,"markdown":"ただし、本当に改善したと言えるのは、**売上成長だけでなく、粗利率・EBITDA・営業キャッシュフローが一緒に良くなった時**です。2025年はそこまで届いていません。だから私は、EOSEの財務改善は **2026年後半に兆しが見え始め、2027年に本当に定着するかどうかが分かる**、と考えます。今のEOSEは「改善不能な会社」ではなく、**改善できるかどうかを量産と実行力で証明しなければならない会社**です。そこがこの銘柄の核心です。","render_override":null},{"id":"blk_3447e3ee-da1f-4a98-8a67-bbab463bba12","kind":"heading","order":46,"section_id":"sec_eadc2df5-5958-4195-8296-fd9c4a62d760","character_id":null,"markdown":"## 【追記】EOSEの粗利益はどうやって上がるのか","render_override":null},{"id":"blk_05c996ea-eb15-40f7-9023-c864d0af2daa","kind":"heading","order":47,"section_id":"sec_cde94d71-fc09-4c5f-831b-e3148a9c59b2","character_id":null,"markdown":"### 現場で起きること、Z3・Gen 2.3・Line 1・Line 2の意味、そして決算で最初に見える変化","render_override":null},{"id":"blk_ff3e89d0-3b2d-431b-9a91-281f484c3c8b","kind":"paragraph","order":48,"section_id":"sec_cde94d71-fc09-4c5f-831b-e3148a9c59b2","character_id":null,"markdown":"※以下の日本円換算は、読みやすさ重視で **1ドル=160円** で概算しています。実際の為替では前後しますが、規模感をつかむには十分です。","render_override":null},{"id":"blk_71ac227c-c410-4b1b-a0a2-a85fc21f1ad2","kind":"paragraph","order":49,"section_id":"sec_cde94d71-fc09-4c5f-831b-e3148a9c59b2","character_id":null,"markdown":"前回の記事では、EOSEの財務改善は「売上が増えるか」だけでなく、**粗利益率がどこまで改善するか** が核心だと書きました。今回はその続きを、もう少し現場寄りに掘り下げます。結論から言うと、EOSEの粗利益が上がる仕組みは、単純に「たくさん売れるから」ではありません。正確には、**Z3という“より作りやすい製品”を、Line 1・Line 2という“より回しやすい工場ライン”で量産し、固定費・人件費・不良・手戻りを薄めていくこと**で粗利益が改善していきます。会社自身も、2025年の粗利改善要因として **製造量の増加、Z3の生産コスト低下、自動化、サブアセンブリ統合、製造プロセス最適化** を挙げています。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025?utm_source=chatgpt.com))","render_override":null},{"id":"blk_d500b981-53ae-470d-a453-5e253374e789","kind":"heading","order":50,"section_id":"sec_aa6913e5-1f69-48b7-ab6a-33f6bbbaea61","character_id":null,"markdown":"### まず、粗利益とは何か","render_override":null},{"id":"blk_49d3ca1d-824a-4f72-bd90-5c3830ab63d1","kind":"paragraph","order":51,"section_id":"sec_aa6913e5-1f69-48b7-ab6a-33f6bbbaea61","character_id":null,"markdown":"粗利益は、**売上高から売上原価を引いたもの**です。 \nここでいう売上原価には、単なる材料費だけでなく、直接労務費、設備保守、品質管理、物流、減価償却、施設費などの製造オーバーヘッドが含まれます。EOSEは年次報告書で、さらに今のような立ち上げ局面では **production start-up costs** や **commissioning** の費用も重いと説明しています。つまりEOSEの粗利益は、「部材が高いか安いか」だけで決まるのではなく、**工場がどれだけスムーズに回っているか**まで含めて決まります。 ([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm?utm_source=chatgpt.com))","render_override":null},{"id":"blk_55f0be49-a9a3-42c0-943c-c852c04e2638","kind":"paragraph","order":52,"section_id":"sec_aa6913e5-1f69-48b7-ab6a-33f6bbbaea61","character_id":null,"markdown":"今のEOSEの現実を数字で見ると、2025年Q4の売上は **5,800万ドル（約93億円）**、粗損は **5,440万ドル（約87億円）** でした。粗利益率は **-94%** です。これは、感覚的には **「93億円売っても、原価が約180億円近くかかっている」** という状態に近いです。通期では売上 **1.142億ドル（約183億円）** に対して、売上原価は **2.580億ドル（約413億円）** でした。まだ大きく赤字ですが、四半期ベースでは前年同期より大きく改善しており、会社はQ4で **230ポイントの粗利率改善** を示しました。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025?utm_source=chatgpt.com))","render_override":null},{"id":"blk_7bba5f8d-3477-4e4b-a0e5-a4672fbddbbc","kind":"heading","order":53,"section_id":"sec_7b675353-9c56-4896-8595-90d3ff189a30","character_id":null,"markdown":"### 粗利益が上がる仕組みを、工場目線で一枚にするとこうなる","render_override":null},{"id":"blk_a0c47cf4-1aab-4217-ba51-84c6e39d91fb","kind":"paragraph","order":54,"section_id":"sec_7b675353-9c56-4896-8595-90d3ff189a30","character_id":null,"markdown":"EOSEの粗利益は、ざっくり言うと次の式で決まります。","render_override":null},{"id":"blk_672d9bdb-87a6-43d6-8718-9f87886b5f4c","kind":"paragraph","order":55,"section_id":"sec_7b675353-9c56-4896-8595-90d3ff189a30","character_id":null,"markdown":"**粗利益 = 売価 −（材料費 + 人件費 + 工場固定費 + 立ち上げ・据付コスト + 値引きや採算の悪い案件の影響）**","render_override":null},{"id":"blk_df283100-a03b-493c-8b2d-d17d5f05f66e","kind":"paragraph","order":56,"section_id":"sec_7b675353-9c56-4896-8595-90d3ff189a30","character_id":null,"markdown":"ここで重要なのは、EOSEのような立ち上げ企業では、材料費だけが問題ではないことです。むしろ足元では、**工場固定費と人件費の重さ**がかなり大きいと見るのが自然です。会社が2025年を通じて繰り返し説明している改善要因も、材料単価より先に **production volumes、operational efficiencies、subassembly automation、throughput向上** です。Q2決算では、粗損改善が **生産量増加とオペレーション効率改善** による一方、**一時的に平均より低い販売価格** が一部相殺したと説明されました。つまりEOSEの粗利益改善は、まず**工場がうまく回るか**が先に来て、その後に材料や価格条件の改善が効いてきます。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-delivers-record-quarterly-revenue-nearly/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_d2ac8339-9fa3-41a2-99d2-1049b13f5535","kind":"heading","order":57,"section_id":"sec_8d27f9f0-6e96-4a6d-8f96-356020c843e2","character_id":null,"markdown":"### 4つに分けると、どこが一番効くのか","render_override":null},{"id":"blk_ae55f221-ea5b-4de4-8d79-5800612ec0e1","kind":"paragraph","order":58,"section_id":"sec_8d27f9f0-6e96-4a6d-8f96-356020c843e2","character_id":null,"markdown":"今のEOSEに一番効くのは、私は **工場固定費** だと見ています。 \n理由は、工場・設備・保守・減価償却・施設費のようなコストは、少ない出荷量では1台あたりに重く乗りますが、出荷が増えると急速に薄まるからです。EOSEは2024年のLine 1商業生産開始時に、Line 1の成功は **path to profitability の重要な cost-out component** だと説明しましたし、2025年Q4では **2GWhの年換算能力達成** を自動化や工程最適化の成果と説明しています。これはつまり、「工場が回れば、それだけで原価がかなり下がる」という意味です。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-successfully-launches-commercial-production-first?utm_source=chatgpt.com))","render_override":null},{"id":"blk_19031fe2-710f-40dc-af63-399e9975e787","kind":"paragraph","order":59,"section_id":"sec_8d27f9f0-6e96-4a6d-8f96-356020c843e2","character_id":null,"markdown":"その次に効くのが **人件費** です。 \nただし、EOSEの人件費改善は「賃金を下げる」ことではありません。**同じ人数でより多く作れるようになる**ことが本質です。Q2では、会社はサブアセンブリ自動化が **throughput を増やし、labor and overhead costs を下げる**と説明しました。ここでいう throughput は、簡単に言えば「ラインを流れる製品の量」です。つまり、同じ時間でより多くのモジュールを作れれば、1台あたりの人件費が下がります。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-delivers-record-quarterly-revenue-nearly/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_82ec1ca9-a438-4ad4-8edf-578c0a20a602","kind":"paragraph","order":60,"section_id":"sec_8d27f9f0-6e96-4a6d-8f96-356020c843e2","character_id":null,"markdown":"その次に効くのが **材料費** です。 \nただしEOSEでは、材料費の改善は単純な値下がりではなく、**Z3という設計変更**とセットで効きます。Z3は旧Gen 2.3に比べて **約50%少ないセル数、約98%少ない溶接点、より簡素な構造** を採用しており、会社はこれを **more cost-effective design** と表現しています。つまり、単に“仕入れが安くなる”のではなく、**そもそも使う部材と工程が少ない製品に変えている**のです。これは材料費だけでなく、人件費や品質コストにも波及します。 ([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm?utm_source=chatgpt.com))","render_override":null},{"id":"blk_f31f7eb0-a4cd-489c-b538-a80e0120fea4","kind":"paragraph","order":61,"section_id":"sec_8d27f9f0-6e96-4a6d-8f96-356020c843e2","character_id":null,"markdown":"最後が **案件値引きや採算の悪い案件の影響** です。 \nこれも効きますが、構造改善の本丸ではありません。Q2で会社は、効率改善が進んだ一方で **one-time lower than average selling prices** が一部それを打ち消したと説明しています。つまり、値引きは四半期の数字を動かしますが、EOSEの本当の回復はやはり **工場効率とZ3設計** に依存しています。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/node/12011/pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_78661bf6-4b7e-4a03-b1b6-b18bd65f313c","kind":"paragraph","order":62,"section_id":"sec_8d27f9f0-6e96-4a6d-8f96-356020c843e2","character_id":null,"markdown":"かなり単純化して順位をつけると、現時点のEOSEでは \n**工場固定費 → 人件費 → 材料費 → 案件値引き** \nの順で効いている、と見るのがわかりやすいです。 \nただし中長期では、Z3による設計改善が材料費と工程数の両方に効いてくるので、**短期の主役は工場、長期の主役はZ3** と考えると整理しやすいです。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025?utm_source=chatgpt.com))","render_override":null},{"id":"blk_1a791d05-8aa2-4e5f-9a9b-33cf29974b6a","kind":"heading","order":63,"section_id":"sec_eb30638b-7e10-4100-b9c7-b5ab3a56b680","character_id":null,"markdown":"### Z3、Gen 2.3、Line 1、Line 2とは何か","render_override":null},{"id":"blk_6926c925-e435-42b3-83b5-8525c9101782","kind":"paragraph","order":64,"section_id":"sec_eb30638b-7e10-4100-b9c7-b5ab3a56b680","character_id":null,"markdown":"ここは名前が多くて混乱しやすいのですが、まず整理すると、","render_override":null},{"id":"blk_dd1567ed-a693-426d-9de5-0fc392370b6a","kind":"paragraph","order":65,"section_id":"sec_eb30638b-7e10-4100-b9c7-b5ab3a56b680","character_id":null,"markdown":"**Gen 2.3 / Z3 = 製品の世代** \n**Line 1 / Line 2 = その製品を作る工場ライン**","render_override":null},{"id":"blk_32dcaaf3-4b1b-4f4e-bbc0-d9433391eaa8","kind":"paragraph","order":66,"section_id":"sec_eb30638b-7e10-4100-b9c7-b5ab3a56b680","character_id":null,"markdown":"です。 ([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm?utm_source=chatgpt.com))","render_override":null},{"id":"blk_6c9dbb69-b547-4ad0-8387-df48b1e27953","kind":"paragraph","order":67,"section_id":"sec_eb30638b-7e10-4100-b9c7-b5ab3a56b680","character_id":null,"markdown":"Gen 2.3","render_override":null},{"id":"blk_9daacf9f-d617-4a99-b516-e3dc3077d08b","kind":"paragraph","order":68,"section_id":"sec_eb30638b-7e10-4100-b9c7-b5ab3a56b680","character_id":null,"markdown":"Gen 2.3は、EOSEのひとつ前の商用世代です。会社は **2020年12月に最初のGen 2.3システムを出荷**し、過去資料では **Gen 2.3の20フィートコンテナ1基が144 batteriesで構成される**と説明しています。つまり、Gen 2.3はEOSEが初期の商用展開で使ってきた旧型のベース世代と考えれば十分です。 ([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000121390023027075/ea176296-424b2_eosenergy.htm?utm_source=chatgpt.com))","render_override":null},{"id":"blk_29b0a440-c013-4365-97a8-6bb608eb5711","kind":"paragraph","order":69,"section_id":"sec_eb30638b-7e10-4100-b9c7-b5ab3a56b680","character_id":null,"markdown":"Z3","render_override":null},{"id":"blk_628a40a9-38c2-4d16-832a-acfbbad178e8","kind":"paragraph","order":70,"section_id":"sec_eb30638b-7e10-4100-b9c7-b5ab3a56b680","character_id":null,"markdown":"Z3は、そのGen 2.3の次世代版です。 \n同じ基本的な電気化学を使いながら、**より軽く、より安く、より作りやすくするために再設計された世代**です。会社はZ3について、Gen 2.3比で **約50%少ないセル数、約98%少ない溶接点、平方フィート当たり約2倍のエネルギー密度** を挙げています。これが粗利益改善の本命です。なぜなら、セル数と溶接点が減るということは、そのまま **部材点数、工数、不良ポイント** が減ることを意味するからです。 ([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm?utm_source=chatgpt.com))","render_override":null},{"id":"blk_a2a320fc-8ebb-47c9-9953-1e2b58fae627","kind":"paragraph","order":71,"section_id":"sec_eb30638b-7e10-4100-b9c7-b5ab3a56b680","character_id":null,"markdown":"Line 1","render_override":null},{"id":"blk_57c0f4ff-3614-48a4-a6b9-f1e03589029f","kind":"paragraph","order":72,"section_id":"sec_eb30638b-7e10-4100-b9c7-b5ab3a56b680","character_id":null,"markdown":"Line 1は、Z3を量産するための**最初の本格的な自動化ライン**です。 \n2024年7月に商業生産を開始し、当初は **今後6か月で年換算1.25GWh** へ立ち上げ、追加投資で **Line 1を2GWhまで拡張**する計画が示されました。2025年末時点では、EOSEは **2GWhの年換算能力に到達した** と説明しています。かなり平たく言えば、Line 1は「手作業中心の試作・半量産」から「工場量産」へ移るための最初の高速道路です。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-successfully-launches-commercial-production-first?utm_source=chatgpt.com))","render_override":null},{"id":"blk_2ffe56ae-88ce-4391-a7e2-4275a7f50520","kind":"paragraph","order":73,"section_id":"sec_eb30638b-7e10-4100-b9c7-b5ab3a56b680","character_id":null,"markdown":"Line 2","render_override":null},{"id":"blk_46b37159-80de-4cd6-b11e-a409985a56d5","kind":"paragraph","order":74,"section_id":"sec_eb30638b-7e10-4100-b9c7-b5ab3a56b680","character_id":null,"markdown":"Line 2は、その次の**2本目の本格量産ライン**です。 \n会社は2025年に **2本目のstate-of-the-art manufacturing lineの発注** を進め、ペンシルベニア州 **Marshall Townshipの43.2万平方フィート施設** に展開し、**2026年半ばに生産開始見込み** と説明しています。EOSEはProject AMAZE全体で、DOE保証付き **3.035億ドル（約486億円）** の支援を背景に **4本のラインで年産8GWh超** を目指しています。Line 2は、EOSEが「量産できる会社」から「かなり大きく量産できる会社」へ進むための次の段階です。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-executes-next-phase-growth-strategy-us-manufacturing/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_f4449d8b-026d-4beb-9fc8-3216c759fbb3","kind":"heading","order":75,"section_id":"sec_8a8dd1ff-36af-4787-9252-2c4dc89c8575","character_id":null,"markdown":"### 1台あたり原価はどう下がっていくのか","render_override":null},{"id":"blk_9083ad7c-b4c8-4524-aa80-fc70de0dc4a1","kind":"paragraph","order":76,"section_id":"sec_8a8dd1ff-36af-4787-9252-2c4dc89c8575","character_id":null,"markdown":"ここも一枚の流れで考えるとわかりやすいです。","render_override":null},{"id":"blk_55a21f94-261f-4fe5-a7ea-94b468d8776e","kind":"paragraph","order":77,"section_id":"sec_8a8dd1ff-36af-4787-9252-2c4dc89c8575","character_id":null,"markdown":"**Gen 2.3の時代** \n部材が多い、工程が多い、溶接点が多い \n→ 材料費も工数も重い \n→ 原価が高い","render_override":null},{"id":"blk_83019625-8bd1-45c8-a472-112719eb9065","kind":"paragraph","order":78,"section_id":"sec_8a8dd1ff-36af-4787-9252-2c4dc89c8575","character_id":null,"markdown":"**Line 1が動き始める** \n工場固定費をより多くの台数で割れる \n→ 人件費と間接費の1台あたり負担が下がる \n→ 原価が下がり始める","render_override":null},{"id":"blk_1f22e24a-1c31-4caa-a56d-5ee6f7c56744","kind":"paragraph","order":79,"section_id":"sec_8a8dd1ff-36af-4787-9252-2c4dc89c8575","character_id":null,"markdown":"**Line 2が加わる** \n量産規模がさらに拡大する \n→ 調達量が増え、歩留まり改善の学習も広がる \n→ 原価がもう一段下がる","render_override":null},{"id":"blk_98311b55-cb6d-49a7-9411-1a1e96a5f309","kind":"paragraph","order":80,"section_id":"sec_8a8dd1ff-36af-4787-9252-2c4dc89c8575","character_id":null,"markdown":"**Z3比率が上がる** \nそもそも使う部材と工程が少ない \n→ 材料費、人件費、不良コストまで下がる \n→ 原価がさらに下がる","render_override":null},{"id":"blk_ff41adbf-1c9c-4531-882e-5cc76aa0aa79","kind":"paragraph","order":81,"section_id":"sec_8a8dd1ff-36af-4787-9252-2c4dc89c8575","character_id":null,"markdown":"EOSE自身は「1台あたり原価」を開示していませんが、Q2には **battery modules being produced every 10 seconds** とし、自動化が throughput を増やし labor and overhead を下げると説明しています。つまり、足元ではLine 1/Line 2による **固定費と人件費の改善** が先に効き、そのうえでZ3が **構造的なコスト低下** をもたらす、という順番で見るのが自然です。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-delivers-record-quarterly-revenue-nearly/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_c146235b-9d88-401e-befa-87404de5f68c","kind":"heading","order":82,"section_id":"sec_95923b9f-920e-4c30-96df-86c930758dc4","character_id":null,"markdown":"### 粗利益率が -94% → -50% → -20% → 0% に近づく時、現場で何が起きているか","render_override":null},{"id":"blk_081020a8-c4f1-4bde-bc50-01f7ef90196e","kind":"paragraph","order":83,"section_id":"sec_95923b9f-920e-4c30-96df-86c930758dc4","character_id":null,"markdown":"ここは会計より現場の言葉で見る方がわかりやすいです。 \nたとえば売上100円に対して考えると、","render_override":null},{"id":"blk_cb3b974e-0dc6-4045-b405-8fa51df03e4a","kind":"paragraph","order":84,"section_id":"sec_95923b9f-920e-4c30-96df-86c930758dc4","character_id":null,"markdown":"**粗利益率 -94%** \n売上100円に対し原価194円 \n= まだ「作るだけで大赤字」","render_override":null},{"id":"blk_459c7727-d6c1-49df-b3c3-abe68ef90838","kind":"paragraph","order":85,"section_id":"sec_95923b9f-920e-4c30-96df-86c930758dc4","character_id":null,"markdown":"**粗利益率 -50%** \n売上100円に対し原価150円 \n= まだ赤字だが、量産効果が見え始める","render_override":null},{"id":"blk_f2cab0e2-1a38-414b-9363-67eda7015141","kind":"paragraph","order":86,"section_id":"sec_95923b9f-920e-4c30-96df-86c930758dc4","character_id":null,"markdown":"**粗利益率 -20%** \n売上100円に対し原価120円 \n= 工場・製品・調達がかなり整ってくる","render_override":null},{"id":"blk_1d44f843-8acb-4264-a86d-ca9a9bce4ef7","kind":"paragraph","order":87,"section_id":"sec_95923b9f-920e-4c30-96df-86c930758dc4","character_id":null,"markdown":"**粗利益率 0%** \n売上100円に対し原価100円 \n= 少なくとも“製品を作って売る行為そのもの”では赤字でない","render_override":null},{"id":"blk_0fe52e71-1590-41e7-b4c6-8e6f30e4811c","kind":"paragraph","order":88,"section_id":"sec_95923b9f-920e-4c30-96df-86c930758dc4","character_id":null,"markdown":"これはEOSEの会社予想ではなく、粗利益率の意味を理解するための図解です。実際のQ4 2025は **売上5,800万ドル（約93億円）、粗損5,440万ドル（約87億円）** で、ほぼこの -94% の感覚に近い状態でした。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025?utm_source=chatgpt.com))","render_override":null},{"id":"blk_cec54783-2967-4179-b6ed-efe8ccbdba4a","kind":"paragraph","order":89,"section_id":"sec_95923b9f-920e-4c30-96df-86c930758dc4","character_id":null,"markdown":"-94%の段階では、現場ではまだ **立ち上げコスト、手戻り、非効率、人手依存** が大きく残っています。 \n-50%に近づく段階では、**出荷量が増え、固定費が薄まり、人の動きが定型化し、初歩的な不良が減る** ようになります。 \n-20%に近づくと、そこに **Z3の設計メリット、部材点数の削減、工程数の減少、調達条件の改善** が重なってきます。 \n0%近辺では、ようやく **ライン稼働、歩留まり、案件見積もり、価格条件** が一通り安定し、「作れば作るほど赤字」から抜けます。","render_override":null},{"id":"blk_a03e5910-030f-4807-aae7-d938ae42ce8a","kind":"paragraph","order":90,"section_id":"sec_95923b9f-920e-4c30-96df-86c930758dc4","character_id":null,"markdown":"EOSEが2025年に実際に挙げている改善要因も、まさにこの順番で、**生産量増加 → 効率改善 → Z3コスト低下 → 案件マージン改善** でした。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-delivers-record-quarterly-revenue-nearly/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_c9654d1e-18b1-493d-b19c-ea1bbcacdee8","kind":"heading","order":91,"section_id":"sec_d31fc296-9c33-4516-ba6f-6e58f388c45c","character_id":null,"markdown":"### EOSEが -94% から -50% に行く時、決算のどの数字に最初に表れるか","render_override":null},{"id":"blk_445acc45-610f-4ec9-ae2b-9942e38c8a24","kind":"paragraph","order":92,"section_id":"sec_d31fc296-9c33-4516-ba6f-6e58f388c45c","character_id":null,"markdown":"ここはかなり重要です。 \n結論から言うと、**最初に見えるのは最終利益ではなく、売上総損失額と粗利益率です。** \nもっと具体的に言うと、次の順番で表れやすいです。","render_override":null},{"id":"blk_202ac8d1-9518-45a4-a4c1-1b84d2f8b6be","kind":"paragraph","order":93,"section_id":"sec_d31fc296-9c33-4516-ba6f-6e58f388c45c","character_id":null,"markdown":"\\1. 売上総損失額が「売上ほどは増えなくなる」","render_override":null},{"id":"blk_5ba3f238-9b15-4eab-a392-03751e4b55ac","kind":"paragraph","order":94,"section_id":"sec_d31fc296-9c33-4516-ba6f-6e58f388c45c","character_id":null,"markdown":"これが最初のサインです。 \n今のEOSEは、売上が増えても粗損も大きい会社ですが、-94%から-50%へ向かう過程では、**売上は増えるのに粗損額の伸びが鈍る、あるいは粗損額が横ばい〜減少する** という形が最初に出やすいです。Q3 2025は売上 **3,050万ドル（約49億円）** に対して粗損 **3,390万ドル（約54億円）**、Q4 2025は売上 **5,800万ドル（約93億円）** に対して粗損 **5,440万ドル（約87億円）** でした。売上は大きく増えましたが、粗損率は改善しています。つまり、「売上の増え方に比べて粗損の増え方が鈍る」ことが最初の兆候です。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/529413b4-67c5-405f-9d5f-a246bc044690?utm_source=chatgpt.com))","render_override":null},{"id":"blk_a57a5a7f-9181-4905-983b-c9955a3c6a13","kind":"paragraph","order":95,"section_id":"sec_d31fc296-9c33-4516-ba6f-6e58f388c45c","character_id":null,"markdown":"\\2. 粗利益率そのものが四半期ごとに改善する","render_override":null},{"id":"blk_5f2e9692-64f2-4833-8bd3-1fe68ee2590e","kind":"paragraph","order":96,"section_id":"sec_d31fc296-9c33-4516-ba6f-6e58f388c45c","character_id":null,"markdown":"次に、会計上もっとも分かりやすいのがこれです。 \nEOSEのQ4 2025粗利益率は **-94%**、会社資料ではQ3比 **17ポイント改善**、前年同期比 **230ポイント改善** と説明されています。-94%から-50%に向かう時は、この改善幅が継続して出る必要があります。つまり、四半期ごとの最初の確認ポイントは **gross loss / revenue の比率** です。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/529413b4-67c5-405f-9d5f-a246bc044690?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e42b458b-38ee-4adc-9099-60091a9acf2f","kind":"paragraph","order":97,"section_id":"sec_d31fc296-9c33-4516-ba6f-6e58f388c45c","character_id":null,"markdown":"\\3. Adjusted EBITDAマージンが後からついてくる","render_override":null},{"id":"blk_4e89eb20-029c-4dd7-8980-a8376bf7ddd0","kind":"paragraph","order":98,"section_id":"sec_d31fc296-9c33-4516-ba6f-6e58f388c45c","character_id":null,"markdown":"粗利益率の改善が本物なら、その次に **Adjusted EBITDAマージン** も改善し始めます。 \nEOSEのQ4 2025のAdjusted EBITDA損失は **7,150万ドル（約114億円）**、マージンは **-123%** でした。Q3からは **49ポイント改善** しています。粗利益率の改善がまず先に出て、その後に販管費吸収も進んでEBITDAが改善する、という順番です。つまり、-94%から-50%へ向かう最初の確認数字はEBITDAではなく、**粗利益率と粗損額** です。EBITDAはその改善が続いた結果として後から追いかけてきます。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/529413b4-67c5-405f-9d5f-a246bc044690?utm_source=chatgpt.com))","render_override":null},{"id":"blk_3cd4096e-27c3-49ed-adde-9e7599c4c9dd","kind":"paragraph","order":99,"section_id":"sec_d31fc296-9c33-4516-ba6f-6e58f388c45c","character_id":null,"markdown":"\\4. 営業キャッシュフローの改善はさらに後ろ","render_override":null},{"id":"blk_17b36f3a-6994-41d2-8c1e-d62a9b22c0e0","kind":"paragraph","order":100,"section_id":"sec_d31fc296-9c33-4516-ba6f-6e58f388c45c","character_id":null,"markdown":"営業キャッシュフローは最後の方に効いてきます。 \nEOSEの2025年営業キャッシュフローは **▲2.112億ドル（約▲338億円）** でした。工場が改善しても、在庫、前払い、プロジェクトの納入タイミングなどでキャッシュはズレるので、現場改善の初期サインとしては少し遅い指標です。もちろん重要ですが、「-94%から-50%に向かっているか」を最初に見るには遅すぎます。最初に見るべきは、やはり **売上、粗損額、粗利益率** の3点です。 ([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm?utm_source=chatgpt.com))","render_override":null},{"id":"blk_c53ebb2b-4142-4076-9c29-a6e0ce816bc0","kind":"heading","order":101,"section_id":"sec_dc1b821a-c788-4fd8-9347-2f15ddfc7c36","character_id":null,"markdown":"### いちばん簡単にまとめると","render_override":null},{"id":"blk_2f6223cd-3e01-4200-96d2-246d1e4cce31","kind":"paragraph","order":102,"section_id":"sec_dc1b821a-c788-4fd8-9347-2f15ddfc7c36","character_id":null,"markdown":"今回の追記を一文でまとめると、こうです。","render_override":null},{"id":"blk_139d4de2-5182-438a-a30e-6ba61a0a2753","kind":"paragraph","order":103,"section_id":"sec_dc1b821a-c788-4fd8-9347-2f15ddfc7c36","character_id":null,"markdown":"**EOSEの粗利益が上がるとは、Z3という“より安く作れる製品”を、Line 1・Line 2という“より効率よく回る工場”で量産し、固定費・人件費・不良・手戻りを減らしていくこと**です。 ([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm?utm_source=chatgpt.com))","render_override":null},{"id":"blk_b7df87dd-bf23-4af0-b402-e47f2bf8eba5","kind":"paragraph","order":104,"section_id":"sec_dc1b821a-c788-4fd8-9347-2f15ddfc7c36","character_id":null,"markdown":"そして、EOSEが **粗利益率 -94% から -50%** に向かうとき、決算で最初に表れやすいのは、 \n**「売上が増えるのに、粗損額が売上ほど悪化しない」** \n**「粗利益率が四半期ごとに改善する」** \nこの2つです。 \n最終利益や営業キャッシュフローまできれいに改善するのは、その後です。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/static-files/529413b4-67c5-405f-9d5f-a246bc044690?utm_source=chatgpt.com))","render_override":null},{"id":"blk_86a94dbe-260c-4beb-b79d-83f81f547778","kind":"paragraph","order":105,"section_id":"sec_dc1b821a-c788-4fd8-9347-2f15ddfc7c36","character_id":null,"markdown":"その意味で、今後EOSEを見る時の最重要チェックポイントは、 \n**売上高そのもの** ではなく、 \n**売上総損失額、粗利益率、Z3コスト低下、Line 2の立ち上がり** \nです。 \nここが改善していけば、EOSEは「夢先行の蓄電池銘柄」から「量産で本当に立ち上がる製造企業」へ変わっていく可能性があります。 ([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025?utm_source=chatgpt.com))","render_override":null},{"id":"blk_29b32942-9651-4a4c-b316-464dc56906c7","kind":"paragraph","order":106,"section_id":"sec_dc1b821a-c788-4fd8-9347-2f15ddfc7c36","character_id":null,"markdown":"特定銘柄の推奨・勧誘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。","render_override":null},{"id":"blk_25cbba74-470e-4f10-9e2c-cb5fd36ae314","kind":"paragraph","order":107,"section_id":"sec_dc1b821a-c788-4fd8-9347-2f15ddfc7c36","character_id":null,"markdown":"サムネはNano Banana2","render_override":null},{"id":"blk_0c24cb7c-021c-4bde-a2a1-8cd38f0cf416","kind":"paragraph","order":108,"section_id":"sec_dc1b821a-c788-4fd8-9347-2f15ddfc7c36","character_id":null,"markdown":"","render_override":null}],"audio":[],"omitted_media":[],"figures":[{"id":"plc_73aab838-2fea-42ab-9ae0-e02337d78cf8","block_id":"blk_538d0642-8265-461d-836b-605adcf5e3f0","asset_revision_id":"avr_9c440efc-b370-4b2f-aa2a-9ebded86d2e9","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_cd9c7878-151f-4fb3-a9b0-429305d6afdf"],"explained_by":[],"source_path":"media/fcb3e4b1c5784b6e4a74d543d71db78bb70318dd09a82c3c96af7edce53e562d.png","path":"/media/fcb3e4b1c5784b6e4a74d543d71db78bb70318dd09a82c3c96af7edce53e562d-content.webp","display_derivative":{"source_sha256":"fcb3e4b1c5784b6e4a74d543d71db78bb70318dd09a82c3c96af7edce53e562d","thumbnail":{"path":"media/fcb3e4b1c5784b6e4a74d543d71db78bb70318dd09a82c3c96af7edce53e562d-thumbnail.webp","width":560,"height":293,"bytes":36224,"sha256":"c43363f8408a96623dbb1f58cf373d2179a6c0bf6edf0665d1e50e13dd0c0f90"},"content":{"path":"media/fcb3e4b1c5784b6e4a74d543d71db78bb70318dd09a82c3c96af7edce53e562d-content.webp","width":639,"height":334,"bytes":72336,"sha256":"922de2c11883d141d8e23042ab928dd54e249b6ad59b536e33f33e1e63fdc6c5"}}}],"package_sha256":"a21dbcefc06a97ecde57719a98ea040f6d91e0aee25e666bbaea9a87f90d5eef","record_type":"article","schema_version":"noia-public-article-1.1.0","dataset_version":"2026.09.23.4","urls":{"source_url":"https://note.com/atom_/n/n98aee9119938","release_path":"/articles/rev_436a17f2-f4bc-4abf-9295-931f16cf8b77/","canonical_url":"https://noia-grid.pages.dev/articles/rev_436a17f2-f4bc-4abf-9295-931f16cf8b77/"},"time":{"created_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"published_at":{"value":"2026-04-07 19:22:36","precision":"local_datetime","timezone":null,"status":"source_metadata","basis":"Metadata only; not evidence of historical body availability."},"modified_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"analysis_as_of":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"event_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"recorded_at":{"value":"2026-09-08T05:29:14+00:00","precision":"instant","timezone":"+00:00","status":"archive_record","basis":"canonical_recorded_at"},"content_available_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"unknown"}},"legacy":{"source_date":{"value":"2026-04-07 19:22:36","meaning":"legacy_source_metadata_date","certainty":"source_metadata"}},"rights":{"license_ref":"license:not-specified","rights_status":"unknown","third_party_material":"unknown"},"integrity":{"hash_profile":"noia-evidence-json-v1","content_sha256":"d3be0abaaf79cc57d0f71e9de882302e2d4c5a4a0b8596efcebb8e527dd6070b","lineage":[],"previous_revision_sha256":null,"previous_revision_status":"no_parent","revision_sha256":"7cdb294c1c806b9314c86409fdeec1ab916bedf1cec09a118c125105b75027d1"}} {"id":"rev_80d42ebf-f1b0-4ab9-b821-aee0e7e2f91a","work_id":"wrk_fb993df1-7848-438a-8a6c-ae1bece5609a","edition_id":"edn_bc473ec8-b964-401b-8fd7-0ea7d7fa68eb","title":"EOSEガイダンス外し事件","published_at":"2026-04-30 14:18:42","source_url":"https://note.com/atom_/n/ncaef79fc5fa7","recorded_at":"2026-09-08T05:29:15+00:00","source_date":"2026-04-30 14:18:42","thumbnail":null,"legacy_slug":null,"topics":["power"],"sections":[{"id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","parent_section_id":null,"heading_block_id":null,"order":0,"character_id":null},{"id":"sec_89b66bac-7e80-448c-a1f4-7da776a419f3","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_25edb868-3cee-40a1-8332-cba32477baf2","order":1,"character_id":null},{"id":"sec_8c975e70-b1b1-43b9-8571-3076313d78f9","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_32c417ca-bd18-4c5e-b5c7-656d60882e4c","order":2,"character_id":null},{"id":"sec_e0c3c0dd-f455-49a9-bb24-f3d0dfb7edce","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_2935aad6-93c5-490d-8a23-38cb750aa335","order":3,"character_id":null},{"id":"sec_bf3988eb-54fc-4ac8-8551-a355a58a1873","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_1ae2643e-d161-4cb1-bb41-995921a4d858","order":4,"character_id":null},{"id":"sec_a56f7882-a488-475a-9112-b1141988459d","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_e6f70e75-63ea-4124-b084-06d17c7bc95d","order":5,"character_id":null},{"id":"sec_3abc2696-5966-4a01-8b6c-a4803309c444","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_0793ed6d-0a6d-4feb-aa00-d35eae72e495","order":6,"character_id":null},{"id":"sec_0e973974-28ed-442f-a3b1-46fc966c8db7","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_fc625a11-d558-458f-b74c-d06fe5e17522","order":7,"character_id":null},{"id":"sec_256a9847-b374-47a3-860d-9adb93cf2fce","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_c0dc5452-63bd-41b3-a9fe-0cc4c81b1962","order":8,"character_id":null},{"id":"sec_fa2e1b30-1c08-4779-9497-d64dc293661e","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_7ede33f4-7f71-4d86-8c5a-6d928c56dec3","order":9,"character_id":null},{"id":"sec_f6298470-e136-43dd-b9de-b2b6d1594ca2","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_1648d9da-c704-4f83-996f-01381ad303a5","order":10,"character_id":null},{"id":"sec_1db9c5d6-e854-4b65-8149-4c4878a89446","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_c02bcb71-81e9-4150-940b-ac898757c5b7","order":11,"character_id":null},{"id":"sec_da383092-9bfd-425b-9ad7-2792e686bc60","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_5da7213d-57ff-4509-8d77-e5bc38a80956","order":12,"character_id":null},{"id":"sec_985c63a6-d14a-4f23-9bcb-3581f7de8ab6","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_905238c0-9f50-4b33-85ce-da7b11700dcd","order":13,"character_id":null},{"id":"sec_3ca0b223-acf2-4935-bda5-ac409b7657cc","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_017ba0eb-2762-4539-b1d5-56a4ec930e2b","order":14,"character_id":null},{"id":"sec_1025c731-8f5e-492b-9972-4fe3bb9a03ea","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_d0c8aeff-d927-4ca7-8173-39801c671ae4","order":15,"character_id":null},{"id":"sec_9e9b4c30-4ff2-4913-8097-f6969c0ac082","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_4297114b-a1e1-4e02-b064-4c945e9048ca","order":16,"character_id":null},{"id":"sec_79a2883a-2b6c-4393-9a92-9b10c1ff1b01","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_f0a7d4f8-1b92-43e1-896f-0010af3df86c","order":17,"character_id":null},{"id":"sec_b4b8eb04-b3dc-4a02-9fe2-28d7cdfada6a","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_411b1c2a-318a-47f6-a762-ad7038046eed","order":18,"character_id":null},{"id":"sec_ec4f4192-b83f-462a-91e4-f6d109b76fd1","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_f27e7a32-4fd2-4f8e-a2be-d954824640ff","order":19,"character_id":null},{"id":"sec_bf41e0cb-21d8-4d78-b9d7-8fa4018a0f8e","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_10544f43-50fc-4697-9dfb-b60f45cf6198","order":20,"character_id":null},{"id":"sec_f811c320-1c0b-4f95-90c2-1f038148fee8","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_3d0667aa-f866-4039-9231-3c81b9d0046e","order":21,"character_id":null},{"id":"sec_c2f09aa8-b349-49e9-a3e8-2ae914dd661d","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_b5dcdfd8-cd8f-4747-a88a-3b9bb87de5db","order":22,"character_id":null},{"id":"sec_71f2786d-22da-458b-8543-1f1f457c5d83","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_60b137f6-b6ef-41ce-a544-b33a136137c0","order":23,"character_id":null},{"id":"sec_6787a7f7-6b46-4a79-b787-7e529438c11f","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_1f73c4ad-93a1-414f-aa22-6bc818f5aa43","order":24,"character_id":null},{"id":"sec_a1565162-7393-438d-ac96-ee15325f590d","parent_section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","heading_block_id":"blk_51badc24-cda1-46ca-b4cd-f1ffebd0b892","order":25,"character_id":null}],"content_available_at":{"basis":"unknown","precision":"unknown","timezone":null,"value":null},"markdown":"![](/media/6d4984fa0cfa221848fa9a615d014ef4bd16b30b7d4a3f2c1b353dc9a8caeee3-content.webp)\n\n## EOSEガイダンス外し事件\n\n## 経営陣の経歴は強い。だが、量産現場はそれ以上に難しかった\n\nEos Energy Enterprises、ティッカーEOSEは、亜鉛系の長時間蓄電システムを手がける米国企業である。リチウムイオン電池とは異なる「非可燃」「米国製造」「長時間蓄電」「AIデータセンター向け電力需要」という物語を持ち、テーマ性は非常に強い。だが2025年末から2026年初頭にかけて、同社は投資家の信頼を大きく傷つける出来事を起こした。それが、**2025年売上ガイダンスの大幅未達**である。\n\n現在の株価は約**6.34ドル、日本円で約1,017円**、時価総額は約**17.2億ドル、日本円で約2,762億円**である。PERは赤字のため意味を持たず、EPSもマイナスで、典型的な「テーマ先行・量産立ち上げ・赤字成長企業」の状態にある。([Wise](https://wise.com/gb/currency-converter/usd-to-jpy-rate/history))\n\n---\n\n## 事件の核心：11月に強気で再確認した数字を、2月に大きく外した\n\nEOSEは2025年11月5日のQ3決算で、2025年通期売上見通しを**1.5億〜1.6億ドル、日本円で約240.6億〜256.6億円**と再確認した。同時に、Turtle Creek工場ではすべての設備が現場に入り、双極板ラインの88%が商業生産中で、年末までに年産2GWhペースへ到達し、Q4に生産出力を3倍超へ伸ばすと説明していた。([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-delivers-highest-company-quarterly/))\n\nしかし、2026年2月26日に発表された2025年実績は、売上**1.142億ドル、日本円で約183.2億円**だった。会社は「売上期待を満たせなかった」と認め、2GWhの年産能力到達も当初計画より**5週間遅れ**だったと説明した。([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025/?utm_source=chatgpt.com))\n\n数字で見ると、未達幅はかなり大きい。\n\n項目ドル日本円概算2025年売上ガイダンス下限1.5億ドル約240.6億円2025年売上ガイダンス上限1.6億ドル約256.6億円2025年実績売上1.142億ドル約183.2億円下限比の未達額約3,580万ドル約57.4億円上限比の未達額約4,580万ドル約73.5億円\n\nこれは単なる「少し下振れた」ではない。**11月時点で通期数字を再確認しておきながら、2月に下限比で約24%未達**になった。ここが、投資家から「経営陣は本当に現場を把握していたのか」「わかっていて強気に言ったのではないか」と疑われる最大の理由である。\n\n---\n\n## 現状の財務：売上は伸びたが、まだ“売るほど粗赤字”に近い\n\nEOSEの2025年売上は、2024年の1,560万ドルから1.142億ドルへ、前年比632%増と大きく伸びた。だが、同時に売上原価は**2.580億ドル、日本円で約413.9億円**に達し、粗損失は**1.438億ドル、日本円で約230.7億円**だった。つまり、2025年時点では、売上より売上原価の方がはるかに大きい。([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm))\n\n2025年実績ドル日本円概算売上1.142億ドル約183.2億円売上原価2.580億ドル約413.9億円粗損失1.438億ドル約230.7億円調整EBITDA損失2.191億ドル約351.4億円株主帰属純損失9.696億ドル約1,555.3億円\n\nEOSE自身も、同社の技術と製造プロセスはまだ初期段階であり、生産立ち上げやコミッショニング関連コストが大きく、短期的には売上原価が売上を上回ると説明している。([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm))\n\nここが重要である。EOSEは「売上が伸びている会社」ではあるが、まだ「儲かる形で売上を作れている会社」ではない。投資家が見るべき本質は、売上成長率ではなく、**粗利率がどれだけ改善するか**である。\n\n---\n\n## 資金繰り：即死リスクは下がったが、外部資金依存は強い\n\n2025年末の現金・現金同等物・制限付き現金は**6.246億ドル、日本円で約1,001.8億円**まで増えた。会社は2025年の大型資金調達により、少なくとも今後1年の継続企業の前提に関する重要な疑義はなくなったと説明している。([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm))\n\n一方で、キャッシュフローを見ると、事業はまだ自力で現金を生んでいない。\n\n2025年キャッシュフロードル日本円概算営業CF-2.112億ドル約-338.7億円投資CF-5,469万ドル約-87.7億円財務CF+7.871億ドル約+1,262.5億円年末現金等6.246億ドル約1,001.8億円\n\nつまり現在のEOSEは、**事業で稼いだ現金ではなく、資金調達で量産立ち上げの時間を買っている会社**である。2025年の財務CFは、普通株発行、転換社債、ワラント行使、Cerberus関連資金、DOEローンなどによって大きくプラスになっている。([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm))\n\nこの状態は、即倒産リスクを下げる一方で、既存株主にとっては希薄化リスクを意味する。実際、2026年Proxyでは、授権普通株式数を6億株から8億株へ増やす提案が出ている。([Stock Titan](https://www.stocktitan.net/sec-filings/EOSE/def-14a-eos-energy-enterprises-inc-definitive-proxy-statement-c7dc97172ec8.html?utm_source=chatgpt.com))\n\n---\n\n## 経営陣の解説：履歴だけ見ればかなり強い\n\nEOSEの経営陣は、**履歴だけ見るとかなり強いです。** \nただし投資家目線では、「経歴は強いが、これまでの実行結果と説明責任はかなり怪しい」という評価になります。\n\n## 現在の中核経営陣\n\n2026年Proxyで正式なExecutive Officersとして出ているのは、主にこの4人です。CEOのJoe Mastrangelo、CCO兼暫定CFOのNathan Kroeker、CLOのMichael Silberman、CAOのMichelle Buczkowskiです。([Eos Energy Enterprises, Inc.](https://investors.eose.com/node/12766/html))\n\n![](/media/7cd3a23441cad205ffd4269c26c2060ab9ae169108fbadb238920ed120e701bc-content.webp)\n\n## CEO：Joe Mastrangelo\n\nMastrangeloは、単なるスタートアップCEOではなく、**元GEの大型エネルギー・産業インフラ系の人材**です。Eosには2018年にボードアドバイザーとして入り、2019年からCEO、上場後もCEO兼取締役を務めています。過去にはGE Gas Power SystemsのPresident & CEO、GE Power ConversionのCEO、GE Oil & Gasで金融・品質・商業オペレーション系の役職を経験しています。([Eos Energy Enterprises, Inc.](https://investors.eose.com/node/12766/html))\n\nつまり、履歴だけ見れば「無能」と言い切るタイプではありません。 \nむしろ、**電力・大型装置・グローバル製造を知っている人**です。\n\nただし問題は、EOSEで求められているのが「物語を語る力」ではなく、**赤字製造業を量産・粗利改善・納期遵守まで持っていく力**だという点です。2025年の売上は1.142億ドルまで伸びましたが、粗損失は1.438億ドル、調整EBITDA損失は2.191億ドルで、まだ製造業としてはかなり未完成です。([Stock Titan](https://www.stocktitan.net/sec-filings/EOSE/8-k-eos-energy-enterprises-inc-reports-material-event-74a09be76dee.html))\n\nなのでCEO評価はこうです。\n\n**経歴：強い。 \n資金調達・物語化：強い。 \n製造実行とガイダンス精度：かなり疑問。**\n\n## Nathan Kroeker：CCO兼暫定CFO\n\nKroekerは2023年にCFOとして入り、2025年3月にCCOへ移り、その後2025年5月から暫定CFOも兼務しています。Spark EnergyでCFOからCEOになり、IPOやM&Aを経験し、Macquarie Bankでエネルギーファイナンスも経験しています。CPAでもあります。([Eos Energy Enterprises, Inc.](https://investors.eose.com/node/12766/html))\n\nこの人の強みは明確で、**資金調達・顧客との商業条件・プロジェクトファイナンス**です。EOSEのような「受注はあるが、製造と資金繰りが重い会社」では重要な人物です。\n\nただし、ここに大きな赤信号があります。2025年3月にCFOとしてEric Javidiを採用したのに、わずか約3か月後の2025年5月27日に即時解任し、Kroekerが暫定CFOに戻っています。会社は「財務・業績・報告実務上の不一致が理由ではない」と説明していますが、上場企業がスケール局面でCFOを短期解任するのは、普通にかなり不安材料です。([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000180507725000108/eose-20250527.htm))\n\nつまりKroeker個人は有能そうですが、**会社としてCFO体制が安定していない**のはマズいです。\n\n## John Mahaz：製造立て直しの本命\n\nEOSEを見る上で、いま一番重要なのはCEOよりもCOOのJohn Mahazかもしれません。2025年8月にCOOとして入社し、Eosのオペレーション、サプライチェーン、製造戦略を率いる役割です。Jabilで欧州・米州のオペレーションSVPを務め、年商140億ドル超、30以上の工場、7万人以上を管轄していたと会社は説明しています。([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-appoints-industry-veteran-john-mahaz/))\n\nこれはかなり大きいです。 \nEOSEの最大課題は「電池の化学」だけではなく、**工場を止めずに、歩留まりを上げ、同じラインを複製できるか**です。\n\nMahazの採用は、会社自身が「今の課題は製造実行力だ」と認識しているサインです。 \n逆に言えば、**この人を入れないと危ない局面だった**とも読めます。\n\n## CTO：Francis Richey\n\nCTOのFrancis Richeyは、2015年からEosにいて、Znyth系の亜鉛電池技術の中核にいる人物です。Senior Battery Scientistから入り、R&Dを経てCTO側に進み、化学・電気化学の博士号、特許9件を持つと会社は説明しています。([Eos Energy Enterprises](https://www.eose.com/company/))\n\nここはポジティブです。 \n技術責任者が外から来た「雇われ語り部」ではなく、長く技術を見てきた内部人材なのは良い点です。\n\nただし、電池会社で重要なのは、 \n**「技術が存在する」ことと「量産して粗利が出る」ことは別物** \nという点です。\n\nEOSEの問題は、CTOの研究能力よりも、**製造・品質・コスト・納期**に寄っています。\n\n## 法務・ガバナンス：Michael Silberman\n\nMichael Silbermanは2024年にEosへ入り、現在はChief Legal Officer兼Corporate Secretaryです。Trecora Resources、Celanese、FMCなどで法務・コンプライアンス・M&A・企業統治に関わってきた経歴です。([Eos Energy Enterprises, Inc.](https://investors.eose.com/node/12766/html))\n\n今のEOSEでは、このポジションはかなり重要です。なぜなら、2026年に入ってEOSEは、製造スケールやガイダンスに関する証券集団訴訟の対象になっているからです。訴訟側は、2025年11月〜2026年2月の間に、会社が自動化ラインや売上見通しについて誤解を招く説明をしたと主張しています。これは訴訟側の主張であり、確定事実ではありません。([TMX Newsfile](https://www.newsfilecorp.com/release/294980/EOSE-6DAY-DEADLINE-ALERT-Eos-Energy-EOSE-Facing-Securities-Class-Action-Alleging-Misstatements-on-Production-Scale-Guidance-Hagens-Berman))\n\n## 取締役会：見た目は強いが、Cerberus色が強い\n\n取締役会はかなり豪華です。ChairのJoseph NigroはExelonの元CFO、Constellationの元CEO系の電力人材。Jeff Bornsteinは元GE CFO。Alex DimitriefもGEの法務・グローバル成長部門出身です。つまり、**GE・電力・資本市場・法務に強いボード**です。([Eos Energy Enterprises, Inc.](https://investors.eose.com/governance/board-of-directors/))\n\nただし、EOSEのガバナンスでかなり重要なのがCerberusの存在です。2026年Proxyでは、Cerberus系のCCM Denali Equity Holdingsが**31.98%の実質保有**と記載されています。また、優先株主は最大3人のPreferred Directorsを指名でき、Nick Robinson、Gregory Nixon、David Urbanがその枠で取締役になっています。普通株主はこのPreferred Directorsの選任に投票できません。([Eos Energy Enterprises, Inc.](https://investors.eose.com/node/12766/html))\n\nこれは良くも悪くも重要です。\n\n良い面では、Cerberusが入ることで資金繰り・再建・資本規律が効く可能性があります。 \n悪い面では、**普通株主よりも大型資金提供者の利害が強く反映されやすい構造**です。\n\n## 報酬面の印象\n\nCEOのMastrangeloの2025年総報酬は約485万ドル、Kroekerは約265万ドル、Buczkowskiは約412万ドルです。多くは株式報酬です。会社側は「報酬は業績と株主価値に連動させる」と説明しています。([Eos Energy Enterprises, Inc.](https://investors.eose.com/node/12766/html))\n\nただし、普通株主から見ると微妙です。会社はまだ大赤字で、株式希薄化も大きい。2026年Proxyでは、授権普通株数を6億株から8億株へ増やす提案も出ています。会社は転換社債・ワラント・株式報酬・将来の資金調達などの柔軟性確保が理由だと説明していますが、既存株主には希薄化リスクがあります。([Eos Energy Enterprises, Inc.](https://investors.eose.com/node/12766/html))\n\n## 総合評価\n\nEOSEの経営陣は、経歴だけなら強いです。 \n特に、CEOはGE系、COOはJabil系、取締役会はGE・電力・資本市場系で固められており、紙の上では「大型産業スタートアップを量産フェーズへ持っていく布陣」に見えます。\n\nただし、投資家としてはかなり割り引くべきです。\n\n一番の問題は、**これだけ立派な経歴の人たちがいても、2025年の製造立ち上げ・売上ガイダンス・粗利改善で大きな不信を生んだ**ことです。\n\n私の評価はこうです。\n\n![](/media/29a45ed06348f24565806ca63e98467f7f1f9e75c0868f98c040cf7e3d72b6f7-content.webp)\n\nつまり、**「無能集団」ではないです。むしろ経歴は強い。 \n**でも、**「経歴が強いのに、なぜここまでガイダンスを外したのか？」という疑問が残る経営陣**です。\n\n---\n\n## それでもなぜ外したのか考察：最大の理由は「完成工場の感覚」と「立ち上げ工場の現実」のズレ\n\nここが一番重要である。\n\nEOSEの経営陣は、GEやJabilのような大企業・大型製造業の経験を持っている。だが、EOSEで求められていたのは、成熟した量産工場を運営する能力だけではない。必要だったのは、**新しい電池化学、新しい製造ライン、新しい自動化工程、新しい顧客納入体制を、同時に立ち上げる能力**だった。\n\nこれは、完成済みの工場をスケールさせる仕事とはまったく違う。\n\n11月時点の会社説明では、設備は現場にあり、88%の双極板ラインが商業生産中で、年末までに2GWhペースに到達するという表現だった。投資家から見れば、かなり実行確度が高そうに見える。([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-delivers-highest-company-quarterly/))\n\nしかし実際には、装置が入ったことと、安定した歩留まり・稼働率・品質・コストで量産できることは別である。EOSEの2026年4月の暫定Q1発表でも、会社はサプライヤー品質管理、リーンプロセス、設備最適化によって、ようやくスループット、再現性、実行力が改善していると説明している。これは逆に言えば、2025年末時点ではそこに問題があったことを示している。([GlobeNewswire](https://www.globenewswire.com/news-release/2026/04/09/3270966/0/en/eos-energy-enterprises-reports-preliminary-q1-revenue-highlights-record-output-and-capacity-expansion.html))\n\n---\n\n## 誤算1：設備導入を「量産準備完了」と見てしまった\n\nEOSEは2025年Q3時点で、双極板ラインの商業生産進捗や2GWh到達計画をかなり前向きに説明していた。だが、Q4実績を見ると、売上は過去最高でも、粗損失は5,442万ドル、日本円で約87.3億円だった。([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025/?utm_source=chatgpt.com))\n\nこれは、量は出始めたが、コストと品質の安定がまだ追いついていないことを意味する。\n\n電池や製造業では、 \n**「作れる」** \n**「同じ品質で作れる」** \n**「止まらずに作れる」** \n**「粗利が出るコストで作れる」** \nは、それぞれ別の段階である。\n\nEOSEの経営陣は、おそらく「装置が入り、ラインが動き始めた」段階を、「売上ガイダンスを守れる量産体制」に近いものとして見積もってしまった。\n\n---\n\n## 誤算2：バックログを売上化する難しさを過小評価した\n\nEOSEは2025年末時点で、受注残を**7.015億ドル、日本円で約1,125.2億円**、2.8GWh相当と発表している。また、商談パイプラインは**236億ドル、日本円で約3.79兆円**とされている。([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025/?utm_source=chatgpt.com))\n\nこれは一見、非常に強い。だが、バックログは売上ではない。EOSE自身も、バックログは既存契約から将来実現を期待する収益額であり、出荷・契約変更・キャンセルなどで変動し得るものだと説明している。([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-delivers-highest-company-quarterly/))\n\n大型蓄電システムでは、 \n注文がある \n→ 工場で作る \n→ 品質検査を通る \n→ 顧客プロジェクト側の準備が整う \n→ 納入する \n→ 検収される \n→ 売上計上される \nという段階がある。\n\nつまりEOSEの問題は、需要がないことではなく、**需要を売上に変える製造・納入・検収能力がまだ十分に証明されていないこと**である。\n\n---\n\n## 誤算3：資金調達ストーリーが、現場の不確実性を上回った可能性\n\nEOSEは2025年に大規模な資金調達を行い、年末現金を6億ドル超まで積み上げた。Q4発表では、6億ドルのシニア転換社債発行と登録直接普通株式募集を実行し、年末の現金残高を強化したと説明している。([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025/?utm_source=chatgpt.com))\n\nここには、経営上の構造的なバイアスがある。\n\n資金調達が必要な会社は、市場に対して、 \n「量産は立ち上がっている」 \n「需要は強い」 \n「粗利改善は近い」 \n「今ここで資金を入れれば次の成長段階に行ける」 \nという物語を維持したくなる。\n\nこれは必ずしも悪意ある嘘とは限らない。だが、経営陣が楽観的な前提を置きやすくなる。内部で遅れや品質問題を認識していても、「一時的な問題」「Q4で取り返せる」「年末までには追いつける」と解釈しやすくなる。\n\nEOSEのケースでは、まさにこの**資本市場向けストーリーと製造現場の現実のズレ**が、ガイダンス未達として表面化したように見える。\n\n---\n\n## 誤算4：大企業出身者ほど、初期量産の泥臭さを読み違える\n\nGEやJabilでの経験は強い。しかし、その強さは主に、すでに一定の品質・工程・サプライチェーンが成立している大規模製造システムを運用・改善する能力である。\n\n一方、EOSEの課題はもっと未成熟だった。 \n新しい亜鉛電池を、顧客向けBESSとして、商用規模で、しかも米国製造で、粗利改善しながら作る必要があった。\n\nこれは、完成した工場を回すというより、**壊れながら立ち上がる工場を、同時に顧客納期へ合わせる仕事**である。\n\nだから「経歴が弱いから外した」のではない。むしろ、 \n**経歴が強い人たちが、完成後の工場の感覚で、立ち上げ中の工場を見積もった** \n可能性がある。\n\n---\n\n## 訴訟リスク：市場は「単なるミス」では済ませていない\n\n2026年に入り、EOSEには証券集団訴訟が提起されている。訴訟側は、2025年11月5日から2026年2月26日までの期間に、同社が生産スケールやガイダンスについて誤解を招く説明をしたと主張している。これはあくまで訴訟側の主張であり、裁判で確定した事実ではない。([Hagens Berman](https://www.hbsslaw.com/cases/eos-energy-enterprises-inc-eose-securities-class-action?utm_source=chatgpt.com))\n\nただし投資家目線では、法的に有罪かどうか以前に、重要なのは「経営陣の説明をどれだけ信じられるか」である。\n\nEOSE株は、2025年実績がガイダンスを大きく下回った発表後に大きく下落した。複数の訴訟関連リリースでは、2月26日に株価が約39%下落したとされている。([Business Wire](https://www.businesswire.com/news/home/20260331183138/en/EOSE-Investor-Alert-Eos-Energy-Enterprises-Inc.-Securities-Fraud-Lawsuit---Investors-With-Losses-May-Seek-to-Lead-the-Class-Action-After-Allegedly-Misleading-Automated-Production-Claims-Levi-Korsinsky?utm_source=chatgpt.com))\n\n市場はこの件を、単なる製造遅延ではなく、**経営陣の透明性とガイダンス信頼性の問題**として受け止めた。\n\n---\n\n## ただし、完全に終わった会社ではない\n\nここは公平に見るべきである。EOSEは「もう終わり」と断定できる会社ではない。\n\n2026年4月9日の暫定Q1発表では、Q1売上見込みを**5,600万〜5,700万ドル、日本円で約89.8億〜91.4億円**とし、四半期出荷、電池出力、双極板出力が過去最高だったと説明した。さらに双極板自動化歩留まりが前四半期比で22%改善したとも述べている。([GlobeNewswire](https://www.globenewswire.com/news-release/2026/04/09/3270966/0/en/eos-energy-enterprises-reports-preliminary-q1-revenue-highlights-record-output-and-capacity-expansion.html))\n\nまた、会社は2026年通期売上ガイダンスとして**3億〜4億ドル、日本円で約481.2億〜641.6億円**を提示している。([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025/?utm_source=chatgpt.com))\n\n今後の目標・現状ドル日本円概算2026年Q1暫定売上5,600万〜5,700万ドル約89.8億〜91.4億円2026年通期売上ガイダンス3億〜4億ドル約481.2億〜641.6億円2025年末バックログ7.015億ドル約1,125.2億円2025年末現金等6.246億ドル約1,001.8億円\n\nつまり、EOSEは「資金が尽きて即終了」という局面からは少し離れた。問題は、今度こそ2026年ガイダンスを守れるかである。\n\n---\n\n## 現時点のEOSEを一言で言うと\n\nEOSEは、 \n**「テーマは強い。需要の物語も強い。経営陣の経歴も強い。だが、量産・粗利・納期・説明責任がまだ証明されていない会社」** \nである。\n\n特に今回のガイダンス外し事件で、経営陣の言葉は大きく割り引いて見る必要が出てきた。\n\n「嘘つき」と断定するのは危険である。証券訴訟はまだ主張段階であり、事実認定はこれからである。 \nだが、投資家としては、**経営陣が現場の不確実性を過小評価し、資本市場向けに強気な物語を維持しすぎた可能性**はかなり高いと見るべきだ。\n\n---\n\n## 今後見るべきポイント\n\nEOSEを見るうえで、今後もっとも重要なのは売上だけではない。むしろ売上よりも、次の項目を追うべきである。\n\n見るべき項目良いサイン悪いサイン粗利率粗損失が連続で縮小売上増でも粗損失が拡大双極板自動化歩留まり改善が続く再作業・品質問題が残る設備稼働出荷・電池出力・ライン出力が安定成長一時的な記録更新だけで終わるバックログ転換受注残が売上に変わるパイプラインだけ増えるキャッシュバーン営業CF赤字が縮小資金調達依存が続く希薄化追加発行ペースが落ちる普通株・転換社債・ワラントで希薄化2026年ガイダンス四半期ごとに進捗また下方修正\n\n---\n\n## 結論\n\nEOSEのガイダンス外し事件は、単なる決算ミスではない。 \nこれは、「強い経歴を持つ経営陣が、未成熟な新型電池量産の難しさを読み違えた事件」である。\n\nGE出身のCEO、Jabil出身のCOO、エネルギーファイナンスに強いCFO兼CCO、技術を長く見てきたCTO。布陣だけ見れば、EOSEは強い。だが、2025年の実績は、その経歴だけでは量産リスクを消せないことを示した。\n\nEOSEは、夢のある銘柄である。AIデータセンター、米国製造、非リチウム、長時間蓄電という物語は強い。 \nしかし現時点では、**物語の会社から、粗利の出る製造会社へ移行できるかの瀬戸際**にいる。\n\n投資対象としては、かなりハイリスクである。 \n買うなら「経営陣の言葉」を信じるのではなく、**四半期ごとの粗利率、出荷実績、歩留まり、キャッシュバーン、希薄化**だけを見て判断するべきだと思う。これは投資助言ではなく、リスク整理としての見方である。\n\n---\n\n特定銘柄の推奨・勧誘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。\n\nサムネはGPTImage2.0とPixAIsunflowerモデル","blocks":[{"id":"blk_6fcef494-9558-4b9e-8dd9-4db15c3e7541","kind":"figure","order":0,"section_id":"sec_083365cb-debc-4ba4-98ad-70fde1c2fc1e","character_id":null,"markdown":"![](/media/6d4984fa0cfa221848fa9a615d014ef4bd16b30b7d4a3f2c1b353dc9a8caeee3-content.webp)","render_override":null},{"id":"blk_25edb868-3cee-40a1-8332-cba32477baf2","kind":"heading","order":1,"section_id":"sec_89b66bac-7e80-448c-a1f4-7da776a419f3","character_id":null,"markdown":"## EOSEガイダンス外し事件","render_override":null},{"id":"blk_32c417ca-bd18-4c5e-b5c7-656d60882e4c","kind":"heading","order":2,"section_id":"sec_8c975e70-b1b1-43b9-8571-3076313d78f9","character_id":null,"markdown":"## 経営陣の経歴は強い。だが、量産現場はそれ以上に難しかった","render_override":null},{"id":"blk_f1fa6ba7-5f19-4991-9a68-e35700d46de3","kind":"paragraph","order":3,"section_id":"sec_8c975e70-b1b1-43b9-8571-3076313d78f9","character_id":null,"markdown":"Eos Energy Enterprises、ティッカーEOSEは、亜鉛系の長時間蓄電システムを手がける米国企業である。リチウムイオン電池とは異なる「非可燃」「米国製造」「長時間蓄電」「AIデータセンター向け電力需要」という物語を持ち、テーマ性は非常に強い。だが2025年末から2026年初頭にかけて、同社は投資家の信頼を大きく傷つける出来事を起こした。それが、**2025年売上ガイダンスの大幅未達**である。","render_override":null},{"id":"blk_8a115f8d-0ea2-41a5-9f21-8aa6be822f86","kind":"paragraph","order":4,"section_id":"sec_8c975e70-b1b1-43b9-8571-3076313d78f9","character_id":null,"markdown":"現在の株価は約**6.34ドル、日本円で約1,017円**、時価総額は約**17.2億ドル、日本円で約2,762億円**である。PERは赤字のため意味を持たず、EPSもマイナスで、典型的な「テーマ先行・量産立ち上げ・赤字成長企業」の状態にある。([Wise](https://wise.com/gb/currency-converter/usd-to-jpy-rate/history))","render_override":null},{"id":"blk_1af56b1e-617d-498b-b3a9-d699fc2bca82","kind":"thematic_break","order":5,"section_id":"sec_8c975e70-b1b1-43b9-8571-3076313d78f9","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2935aad6-93c5-490d-8a23-38cb750aa335","kind":"heading","order":6,"section_id":"sec_e0c3c0dd-f455-49a9-bb24-f3d0dfb7edce","character_id":null,"markdown":"## 事件の核心：11月に強気で再確認した数字を、2月に大きく外した","render_override":null},{"id":"blk_9619df43-e3b3-43df-8186-0ffda2ca3511","kind":"paragraph","order":7,"section_id":"sec_e0c3c0dd-f455-49a9-bb24-f3d0dfb7edce","character_id":null,"markdown":"EOSEは2025年11月5日のQ3決算で、2025年通期売上見通しを**1.5億〜1.6億ドル、日本円で約240.6億〜256.6億円**と再確認した。同時に、Turtle Creek工場ではすべての設備が現場に入り、双極板ラインの88%が商業生産中で、年末までに年産2GWhペースへ到達し、Q4に生産出力を3倍超へ伸ばすと説明していた。([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-delivers-highest-company-quarterly/))","render_override":null},{"id":"blk_05a289bf-4862-413c-ac1f-e8228a78a602","kind":"paragraph","order":8,"section_id":"sec_e0c3c0dd-f455-49a9-bb24-f3d0dfb7edce","character_id":null,"markdown":"しかし、2026年2月26日に発表された2025年実績は、売上**1.142億ドル、日本円で約183.2億円**だった。会社は「売上期待を満たせなかった」と認め、2GWhの年産能力到達も当初計画より**5週間遅れ**だったと説明した。([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_b518c81e-3dd2-4caa-801e-8851b929bdf4","kind":"paragraph","order":9,"section_id":"sec_e0c3c0dd-f455-49a9-bb24-f3d0dfb7edce","character_id":null,"markdown":"数字で見ると、未達幅はかなり大きい。","render_override":null},{"id":"blk_54bdc28c-42cd-4cf9-90b3-1904e0c0fb78","kind":"paragraph","order":10,"section_id":"sec_e0c3c0dd-f455-49a9-bb24-f3d0dfb7edce","character_id":null,"markdown":"項目ドル日本円概算2025年売上ガイダンス下限1.5億ドル約240.6億円2025年売上ガイダンス上限1.6億ドル約256.6億円2025年実績売上1.142億ドル約183.2億円下限比の未達額約3,580万ドル約57.4億円上限比の未達額約4,580万ドル約73.5億円","render_override":null},{"id":"blk_bb0be884-1ae3-4d0c-9d8b-faea25b98a56","kind":"paragraph","order":11,"section_id":"sec_e0c3c0dd-f455-49a9-bb24-f3d0dfb7edce","character_id":null,"markdown":"これは単なる「少し下振れた」ではない。**11月時点で通期数字を再確認しておきながら、2月に下限比で約24%未達**になった。ここが、投資家から「経営陣は本当に現場を把握していたのか」「わかっていて強気に言ったのではないか」と疑われる最大の理由である。","render_override":null},{"id":"blk_77c7e308-a02e-4cec-b64d-e975d6b6c234","kind":"thematic_break","order":12,"section_id":"sec_e0c3c0dd-f455-49a9-bb24-f3d0dfb7edce","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1ae2643e-d161-4cb1-bb41-995921a4d858","kind":"heading","order":13,"section_id":"sec_bf3988eb-54fc-4ac8-8551-a355a58a1873","character_id":null,"markdown":"## 現状の財務：売上は伸びたが、まだ“売るほど粗赤字”に近い","render_override":null},{"id":"blk_cf02138a-22b0-4e11-a344-d9ab84d8cafe","kind":"paragraph","order":14,"section_id":"sec_bf3988eb-54fc-4ac8-8551-a355a58a1873","character_id":null,"markdown":"EOSEの2025年売上は、2024年の1,560万ドルから1.142億ドルへ、前年比632%増と大きく伸びた。だが、同時に売上原価は**2.580億ドル、日本円で約413.9億円**に達し、粗損失は**1.438億ドル、日本円で約230.7億円**だった。つまり、2025年時点では、売上より売上原価の方がはるかに大きい。([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm))","render_override":null},{"id":"blk_cb1f6ea9-0574-48d1-b388-087e97f89ac5","kind":"paragraph","order":15,"section_id":"sec_bf3988eb-54fc-4ac8-8551-a355a58a1873","character_id":null,"markdown":"2025年実績ドル日本円概算売上1.142億ドル約183.2億円売上原価2.580億ドル約413.9億円粗損失1.438億ドル約230.7億円調整EBITDA損失2.191億ドル約351.4億円株主帰属純損失9.696億ドル約1,555.3億円","render_override":null},{"id":"blk_92ce1c14-4475-425d-b787-a9bd733b2a66","kind":"paragraph","order":16,"section_id":"sec_bf3988eb-54fc-4ac8-8551-a355a58a1873","character_id":null,"markdown":"EOSE自身も、同社の技術と製造プロセスはまだ初期段階であり、生産立ち上げやコミッショニング関連コストが大きく、短期的には売上原価が売上を上回ると説明している。([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm))","render_override":null},{"id":"blk_0780663e-82d9-439f-9c8c-382488a70e96","kind":"paragraph","order":17,"section_id":"sec_bf3988eb-54fc-4ac8-8551-a355a58a1873","character_id":null,"markdown":"ここが重要である。EOSEは「売上が伸びている会社」ではあるが、まだ「儲かる形で売上を作れている会社」ではない。投資家が見るべき本質は、売上成長率ではなく、**粗利率がどれだけ改善するか**である。","render_override":null},{"id":"blk_cfdee6de-3f14-4b5c-a31a-69eea928cdb2","kind":"thematic_break","order":18,"section_id":"sec_bf3988eb-54fc-4ac8-8551-a355a58a1873","character_id":null,"markdown":"---","render_override":null},{"id":"blk_e6f70e75-63ea-4124-b084-06d17c7bc95d","kind":"heading","order":19,"section_id":"sec_a56f7882-a488-475a-9112-b1141988459d","character_id":null,"markdown":"## 資金繰り：即死リスクは下がったが、外部資金依存は強い","render_override":null},{"id":"blk_e1c8e551-be6b-457a-addc-39a077336da2","kind":"paragraph","order":20,"section_id":"sec_a56f7882-a488-475a-9112-b1141988459d","character_id":null,"markdown":"2025年末の現金・現金同等物・制限付き現金は**6.246億ドル、日本円で約1,001.8億円**まで増えた。会社は2025年の大型資金調達により、少なくとも今後1年の継続企業の前提に関する重要な疑義はなくなったと説明している。([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm))","render_override":null},{"id":"blk_5ff9496a-a31f-4efa-8cc6-0c7ce06204f6","kind":"paragraph","order":21,"section_id":"sec_a56f7882-a488-475a-9112-b1141988459d","character_id":null,"markdown":"一方で、キャッシュフローを見ると、事業はまだ自力で現金を生んでいない。","render_override":null},{"id":"blk_8bdffc05-ef7d-43db-a8ca-baa3c4a24221","kind":"paragraph","order":22,"section_id":"sec_a56f7882-a488-475a-9112-b1141988459d","character_id":null,"markdown":"2025年キャッシュフロードル日本円概算営業CF-2.112億ドル約-338.7億円投資CF-5,469万ドル約-87.7億円財務CF+7.871億ドル約+1,262.5億円年末現金等6.246億ドル約1,001.8億円","render_override":null},{"id":"blk_826f2a55-6954-4284-8397-183833d28cc0","kind":"paragraph","order":23,"section_id":"sec_a56f7882-a488-475a-9112-b1141988459d","character_id":null,"markdown":"つまり現在のEOSEは、**事業で稼いだ現金ではなく、資金調達で量産立ち上げの時間を買っている会社**である。2025年の財務CFは、普通株発行、転換社債、ワラント行使、Cerberus関連資金、DOEローンなどによって大きくプラスになっている。([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000162828026011961/eose-20251231.htm))","render_override":null},{"id":"blk_82d5af47-5d77-4f77-be03-cb8e3a7ce507","kind":"paragraph","order":24,"section_id":"sec_a56f7882-a488-475a-9112-b1141988459d","character_id":null,"markdown":"この状態は、即倒産リスクを下げる一方で、既存株主にとっては希薄化リスクを意味する。実際、2026年Proxyでは、授権普通株式数を6億株から8億株へ増やす提案が出ている。([Stock Titan](https://www.stocktitan.net/sec-filings/EOSE/def-14a-eos-energy-enterprises-inc-definitive-proxy-statement-c7dc97172ec8.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_3f1e1da0-b35d-479d-858e-a159a7f095f1","kind":"thematic_break","order":25,"section_id":"sec_a56f7882-a488-475a-9112-b1141988459d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_0793ed6d-0a6d-4feb-aa00-d35eae72e495","kind":"heading","order":26,"section_id":"sec_3abc2696-5966-4a01-8b6c-a4803309c444","character_id":null,"markdown":"## 経営陣の解説：履歴だけ見ればかなり強い","render_override":null},{"id":"blk_6b8fd4de-ac91-40d3-bbce-c78a02e12e67","kind":"paragraph","order":27,"section_id":"sec_3abc2696-5966-4a01-8b6c-a4803309c444","character_id":null,"markdown":"EOSEの経営陣は、**履歴だけ見るとかなり強いです。** \nただし投資家目線では、「経歴は強いが、これまでの実行結果と説明責任はかなり怪しい」という評価になります。","render_override":null},{"id":"blk_fc625a11-d558-458f-b74c-d06fe5e17522","kind":"heading","order":28,"section_id":"sec_0e973974-28ed-442f-a3b1-46fc966c8db7","character_id":null,"markdown":"## 現在の中核経営陣","render_override":null},{"id":"blk_3db660fc-cd70-47b6-bd8f-2e85671ae717","kind":"paragraph","order":29,"section_id":"sec_0e973974-28ed-442f-a3b1-46fc966c8db7","character_id":null,"markdown":"2026年Proxyで正式なExecutive Officersとして出ているのは、主にこの4人です。CEOのJoe Mastrangelo、CCO兼暫定CFOのNathan Kroeker、CLOのMichael Silberman、CAOのMichelle Buczkowskiです。([Eos Energy Enterprises, Inc.](https://investors.eose.com/node/12766/html))","render_override":null},{"id":"blk_69c4b66a-8998-4f56-b21a-78c3522f9092","kind":"figure","order":30,"section_id":"sec_0e973974-28ed-442f-a3b1-46fc966c8db7","character_id":null,"markdown":"![](/media/7cd3a23441cad205ffd4269c26c2060ab9ae169108fbadb238920ed120e701bc-content.webp)","render_override":null},{"id":"blk_c0dc5452-63bd-41b3-a9fe-0cc4c81b1962","kind":"heading","order":31,"section_id":"sec_256a9847-b374-47a3-860d-9adb93cf2fce","character_id":null,"markdown":"## CEO：Joe Mastrangelo","render_override":null},{"id":"blk_d22a32d3-c253-4570-82e6-c7088328b085","kind":"paragraph","order":32,"section_id":"sec_256a9847-b374-47a3-860d-9adb93cf2fce","character_id":null,"markdown":"Mastrangeloは、単なるスタートアップCEOではなく、**元GEの大型エネルギー・産業インフラ系の人材**です。Eosには2018年にボードアドバイザーとして入り、2019年からCEO、上場後もCEO兼取締役を務めています。過去にはGE Gas Power SystemsのPresident & CEO、GE Power ConversionのCEO、GE Oil & Gasで金融・品質・商業オペレーション系の役職を経験しています。([Eos Energy Enterprises, Inc.](https://investors.eose.com/node/12766/html))","render_override":null},{"id":"blk_dc85ebbd-f98a-404c-b64e-7f809b48ddcc","kind":"paragraph","order":33,"section_id":"sec_256a9847-b374-47a3-860d-9adb93cf2fce","character_id":null,"markdown":"つまり、履歴だけ見れば「無能」と言い切るタイプではありません。 \nむしろ、**電力・大型装置・グローバル製造を知っている人**です。","render_override":null},{"id":"blk_d82cf6f8-9868-486d-baee-c0d0333e50b7","kind":"paragraph","order":34,"section_id":"sec_256a9847-b374-47a3-860d-9adb93cf2fce","character_id":null,"markdown":"ただし問題は、EOSEで求められているのが「物語を語る力」ではなく、**赤字製造業を量産・粗利改善・納期遵守まで持っていく力**だという点です。2025年の売上は1.142億ドルまで伸びましたが、粗損失は1.438億ドル、調整EBITDA損失は2.191億ドルで、まだ製造業としてはかなり未完成です。([Stock Titan](https://www.stocktitan.net/sec-filings/EOSE/8-k-eos-energy-enterprises-inc-reports-material-event-74a09be76dee.html))","render_override":null},{"id":"blk_12154530-4392-4e91-831e-dfd77b77ca75","kind":"paragraph","order":35,"section_id":"sec_256a9847-b374-47a3-860d-9adb93cf2fce","character_id":null,"markdown":"なのでCEO評価はこうです。","render_override":null},{"id":"blk_b279ca07-8124-46ed-a4dc-8509d73efff6","kind":"paragraph","order":36,"section_id":"sec_256a9847-b374-47a3-860d-9adb93cf2fce","character_id":null,"markdown":"**経歴：強い。 \n資金調達・物語化：強い。 \n製造実行とガイダンス精度：かなり疑問。**","render_override":null},{"id":"blk_7ede33f4-7f71-4d86-8c5a-6d928c56dec3","kind":"heading","order":37,"section_id":"sec_fa2e1b30-1c08-4779-9497-d64dc293661e","character_id":null,"markdown":"## Nathan Kroeker：CCO兼暫定CFO","render_override":null},{"id":"blk_a52f87b9-0dad-41e9-bc16-c55c985ea761","kind":"paragraph","order":38,"section_id":"sec_fa2e1b30-1c08-4779-9497-d64dc293661e","character_id":null,"markdown":"Kroekerは2023年にCFOとして入り、2025年3月にCCOへ移り、その後2025年5月から暫定CFOも兼務しています。Spark EnergyでCFOからCEOになり、IPOやM&Aを経験し、Macquarie Bankでエネルギーファイナンスも経験しています。CPAでもあります。([Eos Energy Enterprises, Inc.](https://investors.eose.com/node/12766/html))","render_override":null},{"id":"blk_7b8833ad-5e7c-46e2-97bb-819078afb150","kind":"paragraph","order":39,"section_id":"sec_fa2e1b30-1c08-4779-9497-d64dc293661e","character_id":null,"markdown":"この人の強みは明確で、**資金調達・顧客との商業条件・プロジェクトファイナンス**です。EOSEのような「受注はあるが、製造と資金繰りが重い会社」では重要な人物です。","render_override":null},{"id":"blk_e7a2f12c-9520-4753-8800-bb8ef3a91536","kind":"paragraph","order":40,"section_id":"sec_fa2e1b30-1c08-4779-9497-d64dc293661e","character_id":null,"markdown":"ただし、ここに大きな赤信号があります。2025年3月にCFOとしてEric Javidiを採用したのに、わずか約3か月後の2025年5月27日に即時解任し、Kroekerが暫定CFOに戻っています。会社は「財務・業績・報告実務上の不一致が理由ではない」と説明していますが、上場企業がスケール局面でCFOを短期解任するのは、普通にかなり不安材料です。([SEC](https://www.sec.gov/Archives/edgar/data/1805077/000180507725000108/eose-20250527.htm))","render_override":null},{"id":"blk_6fd5fecd-290a-4207-8d63-d1e0f1908986","kind":"paragraph","order":41,"section_id":"sec_fa2e1b30-1c08-4779-9497-d64dc293661e","character_id":null,"markdown":"つまりKroeker個人は有能そうですが、**会社としてCFO体制が安定していない**のはマズいです。","render_override":null},{"id":"blk_1648d9da-c704-4f83-996f-01381ad303a5","kind":"heading","order":42,"section_id":"sec_f6298470-e136-43dd-b9de-b2b6d1594ca2","character_id":null,"markdown":"## John Mahaz：製造立て直しの本命","render_override":null},{"id":"blk_e7bbff54-77e8-491e-8dba-6c2cd936f8e5","kind":"paragraph","order":43,"section_id":"sec_f6298470-e136-43dd-b9de-b2b6d1594ca2","character_id":null,"markdown":"EOSEを見る上で、いま一番重要なのはCEOよりもCOOのJohn Mahazかもしれません。2025年8月にCOOとして入社し、Eosのオペレーション、サプライチェーン、製造戦略を率いる役割です。Jabilで欧州・米州のオペレーションSVPを務め、年商140億ドル超、30以上の工場、7万人以上を管轄していたと会社は説明しています。([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-appoints-industry-veteran-john-mahaz/))","render_override":null},{"id":"blk_aabfbad9-b402-471e-8864-b2253a83e6f9","kind":"paragraph","order":44,"section_id":"sec_f6298470-e136-43dd-b9de-b2b6d1594ca2","character_id":null,"markdown":"これはかなり大きいです。 \nEOSEの最大課題は「電池の化学」だけではなく、**工場を止めずに、歩留まりを上げ、同じラインを複製できるか**です。","render_override":null},{"id":"blk_4c2cb47b-828f-447c-844c-ee3bcf156bf0","kind":"paragraph","order":45,"section_id":"sec_f6298470-e136-43dd-b9de-b2b6d1594ca2","character_id":null,"markdown":"Mahazの採用は、会社自身が「今の課題は製造実行力だ」と認識しているサインです。 \n逆に言えば、**この人を入れないと危ない局面だった**とも読めます。","render_override":null},{"id":"blk_c02bcb71-81e9-4150-940b-ac898757c5b7","kind":"heading","order":46,"section_id":"sec_1db9c5d6-e854-4b65-8149-4c4878a89446","character_id":null,"markdown":"## CTO：Francis Richey","render_override":null},{"id":"blk_2ddbfefe-00a1-4a62-b248-8ccb3dd2aaac","kind":"paragraph","order":47,"section_id":"sec_1db9c5d6-e854-4b65-8149-4c4878a89446","character_id":null,"markdown":"CTOのFrancis Richeyは、2015年からEosにいて、Znyth系の亜鉛電池技術の中核にいる人物です。Senior Battery Scientistから入り、R&Dを経てCTO側に進み、化学・電気化学の博士号、特許9件を持つと会社は説明しています。([Eos Energy Enterprises](https://www.eose.com/company/))","render_override":null},{"id":"blk_9ce6c492-a759-499d-a43c-945bb3bd664f","kind":"paragraph","order":48,"section_id":"sec_1db9c5d6-e854-4b65-8149-4c4878a89446","character_id":null,"markdown":"ここはポジティブです。 \n技術責任者が外から来た「雇われ語り部」ではなく、長く技術を見てきた内部人材なのは良い点です。","render_override":null},{"id":"blk_d11ca9a6-ff13-4854-9e4b-118fbe64e2fb","kind":"paragraph","order":49,"section_id":"sec_1db9c5d6-e854-4b65-8149-4c4878a89446","character_id":null,"markdown":"ただし、電池会社で重要なのは、 \n**「技術が存在する」ことと「量産して粗利が出る」ことは別物** \nという点です。","render_override":null},{"id":"blk_5e8dd789-5abe-480b-bde1-24f837a586ee","kind":"paragraph","order":50,"section_id":"sec_1db9c5d6-e854-4b65-8149-4c4878a89446","character_id":null,"markdown":"EOSEの問題は、CTOの研究能力よりも、**製造・品質・コスト・納期**に寄っています。","render_override":null},{"id":"blk_5da7213d-57ff-4509-8d77-e5bc38a80956","kind":"heading","order":51,"section_id":"sec_da383092-9bfd-425b-9ad7-2792e686bc60","character_id":null,"markdown":"## 法務・ガバナンス：Michael Silberman","render_override":null},{"id":"blk_c85a08ac-48c2-4a74-9a05-a4b13ef08b7c","kind":"paragraph","order":52,"section_id":"sec_da383092-9bfd-425b-9ad7-2792e686bc60","character_id":null,"markdown":"Michael Silbermanは2024年にEosへ入り、現在はChief Legal Officer兼Corporate Secretaryです。Trecora Resources、Celanese、FMCなどで法務・コンプライアンス・M&A・企業統治に関わってきた経歴です。([Eos Energy Enterprises, Inc.](https://investors.eose.com/node/12766/html))","render_override":null},{"id":"blk_9557ae87-0f9d-4257-af5f-25d557847d2a","kind":"paragraph","order":53,"section_id":"sec_da383092-9bfd-425b-9ad7-2792e686bc60","character_id":null,"markdown":"今のEOSEでは、このポジションはかなり重要です。なぜなら、2026年に入ってEOSEは、製造スケールやガイダンスに関する証券集団訴訟の対象になっているからです。訴訟側は、2025年11月〜2026年2月の間に、会社が自動化ラインや売上見通しについて誤解を招く説明をしたと主張しています。これは訴訟側の主張であり、確定事実ではありません。([TMX Newsfile](https://www.newsfilecorp.com/release/294980/EOSE-6DAY-DEADLINE-ALERT-Eos-Energy-EOSE-Facing-Securities-Class-Action-Alleging-Misstatements-on-Production-Scale-Guidance-Hagens-Berman))","render_override":null},{"id":"blk_905238c0-9f50-4b33-85ce-da7b11700dcd","kind":"heading","order":54,"section_id":"sec_985c63a6-d14a-4f23-9bcb-3581f7de8ab6","character_id":null,"markdown":"## 取締役会：見た目は強いが、Cerberus色が強い","render_override":null},{"id":"blk_9c5bbe46-4551-4235-bc04-77050ba3640d","kind":"paragraph","order":55,"section_id":"sec_985c63a6-d14a-4f23-9bcb-3581f7de8ab6","character_id":null,"markdown":"取締役会はかなり豪華です。ChairのJoseph NigroはExelonの元CFO、Constellationの元CEO系の電力人材。Jeff Bornsteinは元GE CFO。Alex DimitriefもGEの法務・グローバル成長部門出身です。つまり、**GE・電力・資本市場・法務に強いボード**です。([Eos Energy Enterprises, Inc.](https://investors.eose.com/governance/board-of-directors/))","render_override":null},{"id":"blk_acca7317-9287-4771-8ac8-b7870fb791df","kind":"paragraph","order":56,"section_id":"sec_985c63a6-d14a-4f23-9bcb-3581f7de8ab6","character_id":null,"markdown":"ただし、EOSEのガバナンスでかなり重要なのがCerberusの存在です。2026年Proxyでは、Cerberus系のCCM Denali Equity Holdingsが**31.98%の実質保有**と記載されています。また、優先株主は最大3人のPreferred Directorsを指名でき、Nick Robinson、Gregory Nixon、David Urbanがその枠で取締役になっています。普通株主はこのPreferred Directorsの選任に投票できません。([Eos Energy Enterprises, Inc.](https://investors.eose.com/node/12766/html))","render_override":null},{"id":"blk_1685c348-992d-4f30-af29-624170f9d983","kind":"paragraph","order":57,"section_id":"sec_985c63a6-d14a-4f23-9bcb-3581f7de8ab6","character_id":null,"markdown":"これは良くも悪くも重要です。","render_override":null},{"id":"blk_7729bbeb-5601-477d-b315-ea67a0040a8d","kind":"paragraph","order":58,"section_id":"sec_985c63a6-d14a-4f23-9bcb-3581f7de8ab6","character_id":null,"markdown":"良い面では、Cerberusが入ることで資金繰り・再建・資本規律が効く可能性があります。 \n悪い面では、**普通株主よりも大型資金提供者の利害が強く反映されやすい構造**です。","render_override":null},{"id":"blk_017ba0eb-2762-4539-b1d5-56a4ec930e2b","kind":"heading","order":59,"section_id":"sec_3ca0b223-acf2-4935-bda5-ac409b7657cc","character_id":null,"markdown":"## 報酬面の印象","render_override":null},{"id":"blk_abb07445-1e4f-47b4-9805-88f37421dafc","kind":"paragraph","order":60,"section_id":"sec_3ca0b223-acf2-4935-bda5-ac409b7657cc","character_id":null,"markdown":"CEOのMastrangeloの2025年総報酬は約485万ドル、Kroekerは約265万ドル、Buczkowskiは約412万ドルです。多くは株式報酬です。会社側は「報酬は業績と株主価値に連動させる」と説明しています。([Eos Energy Enterprises, Inc.](https://investors.eose.com/node/12766/html))","render_override":null},{"id":"blk_8378b8ec-65bd-4173-9da5-7f19ba706165","kind":"paragraph","order":61,"section_id":"sec_3ca0b223-acf2-4935-bda5-ac409b7657cc","character_id":null,"markdown":"ただし、普通株主から見ると微妙です。会社はまだ大赤字で、株式希薄化も大きい。2026年Proxyでは、授権普通株数を6億株から8億株へ増やす提案も出ています。会社は転換社債・ワラント・株式報酬・将来の資金調達などの柔軟性確保が理由だと説明していますが、既存株主には希薄化リスクがあります。([Eos Energy Enterprises, Inc.](https://investors.eose.com/node/12766/html))","render_override":null},{"id":"blk_d0c8aeff-d927-4ca7-8173-39801c671ae4","kind":"heading","order":62,"section_id":"sec_1025c731-8f5e-492b-9972-4fe3bb9a03ea","character_id":null,"markdown":"## 総合評価","render_override":null},{"id":"blk_361c9b4a-fbf6-497a-be63-8768c468449b","kind":"paragraph","order":63,"section_id":"sec_1025c731-8f5e-492b-9972-4fe3bb9a03ea","character_id":null,"markdown":"EOSEの経営陣は、経歴だけなら強いです。 \n特に、CEOはGE系、COOはJabil系、取締役会はGE・電力・資本市場系で固められており、紙の上では「大型産業スタートアップを量産フェーズへ持っていく布陣」に見えます。","render_override":null},{"id":"blk_eb4de6da-34bf-4a89-95c1-66de8f8ed245","kind":"paragraph","order":64,"section_id":"sec_1025c731-8f5e-492b-9972-4fe3bb9a03ea","character_id":null,"markdown":"ただし、投資家としてはかなり割り引くべきです。","render_override":null},{"id":"blk_e74baaaf-fc22-4f42-bd10-6f9f7a4ee724","kind":"paragraph","order":65,"section_id":"sec_1025c731-8f5e-492b-9972-4fe3bb9a03ea","character_id":null,"markdown":"一番の問題は、**これだけ立派な経歴の人たちがいても、2025年の製造立ち上げ・売上ガイダンス・粗利改善で大きな不信を生んだ**ことです。","render_override":null},{"id":"blk_10772818-3ffc-4b61-a57b-7de86b4c57b3","kind":"paragraph","order":66,"section_id":"sec_1025c731-8f5e-492b-9972-4fe3bb9a03ea","character_id":null,"markdown":"私の評価はこうです。","render_override":null},{"id":"blk_8dd400c1-9a71-4612-b39b-797e24db9d52","kind":"figure","order":67,"section_id":"sec_1025c731-8f5e-492b-9972-4fe3bb9a03ea","character_id":null,"markdown":"![](/media/29a45ed06348f24565806ca63e98467f7f1f9e75c0868f98c040cf7e3d72b6f7-content.webp)","render_override":null},{"id":"blk_10e436da-734c-41de-ad45-ee2f92e7d8cb","kind":"paragraph","order":68,"section_id":"sec_1025c731-8f5e-492b-9972-4fe3bb9a03ea","character_id":null,"markdown":"つまり、**「無能集団」ではないです。むしろ経歴は強い。 \n**でも、**「経歴が強いのに、なぜここまでガイダンスを外したのか？」という疑問が残る経営陣**です。","render_override":null},{"id":"blk_0bdf04d0-d212-4aed-bb30-c9fb229d2018","kind":"thematic_break","order":69,"section_id":"sec_1025c731-8f5e-492b-9972-4fe3bb9a03ea","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4297114b-a1e1-4e02-b064-4c945e9048ca","kind":"heading","order":70,"section_id":"sec_9e9b4c30-4ff2-4913-8097-f6969c0ac082","character_id":null,"markdown":"## それでもなぜ外したのか考察：最大の理由は「完成工場の感覚」と「立ち上げ工場の現実」のズレ","render_override":null},{"id":"blk_33598172-fffd-48ef-8bf2-a2e4155360c8","kind":"paragraph","order":71,"section_id":"sec_9e9b4c30-4ff2-4913-8097-f6969c0ac082","character_id":null,"markdown":"ここが一番重要である。","render_override":null},{"id":"blk_e3c29eda-b47d-47fc-af6b-ff7b7e19e168","kind":"paragraph","order":72,"section_id":"sec_9e9b4c30-4ff2-4913-8097-f6969c0ac082","character_id":null,"markdown":"EOSEの経営陣は、GEやJabilのような大企業・大型製造業の経験を持っている。だが、EOSEで求められていたのは、成熟した量産工場を運営する能力だけではない。必要だったのは、**新しい電池化学、新しい製造ライン、新しい自動化工程、新しい顧客納入体制を、同時に立ち上げる能力**だった。","render_override":null},{"id":"blk_c634b0f8-0529-438e-a1c4-7f3416afbd8f","kind":"paragraph","order":73,"section_id":"sec_9e9b4c30-4ff2-4913-8097-f6969c0ac082","character_id":null,"markdown":"これは、完成済みの工場をスケールさせる仕事とはまったく違う。","render_override":null},{"id":"blk_bd5ffdff-06a7-458f-9efe-550bd4c7c7f0","kind":"paragraph","order":74,"section_id":"sec_9e9b4c30-4ff2-4913-8097-f6969c0ac082","character_id":null,"markdown":"11月時点の会社説明では、設備は現場にあり、88%の双極板ラインが商業生産中で、年末までに2GWhペースに到達するという表現だった。投資家から見れば、かなり実行確度が高そうに見える。([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-delivers-highest-company-quarterly/))","render_override":null},{"id":"blk_e6a19068-c28c-4e45-9c9e-b95faa96bea9","kind":"paragraph","order":75,"section_id":"sec_9e9b4c30-4ff2-4913-8097-f6969c0ac082","character_id":null,"markdown":"しかし実際には、装置が入ったことと、安定した歩留まり・稼働率・品質・コストで量産できることは別である。EOSEの2026年4月の暫定Q1発表でも、会社はサプライヤー品質管理、リーンプロセス、設備最適化によって、ようやくスループット、再現性、実行力が改善していると説明している。これは逆に言えば、2025年末時点ではそこに問題があったことを示している。([GlobeNewswire](https://www.globenewswire.com/news-release/2026/04/09/3270966/0/en/eos-energy-enterprises-reports-preliminary-q1-revenue-highlights-record-output-and-capacity-expansion.html))","render_override":null},{"id":"blk_fb5d28a8-aac0-453f-99d6-9b717b2a3ad6","kind":"thematic_break","order":76,"section_id":"sec_9e9b4c30-4ff2-4913-8097-f6969c0ac082","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f0a7d4f8-1b92-43e1-896f-0010af3df86c","kind":"heading","order":77,"section_id":"sec_79a2883a-2b6c-4393-9a92-9b10c1ff1b01","character_id":null,"markdown":"## 誤算1：設備導入を「量産準備完了」と見てしまった","render_override":null},{"id":"blk_4541f7f1-7375-435c-9fa9-391ef98125c5","kind":"paragraph","order":78,"section_id":"sec_79a2883a-2b6c-4393-9a92-9b10c1ff1b01","character_id":null,"markdown":"EOSEは2025年Q3時点で、双極板ラインの商業生産進捗や2GWh到達計画をかなり前向きに説明していた。だが、Q4実績を見ると、売上は過去最高でも、粗損失は5,442万ドル、日本円で約87.3億円だった。([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_9aebd619-567e-46c4-b4d9-7bba908597e8","kind":"paragraph","order":79,"section_id":"sec_79a2883a-2b6c-4393-9a92-9b10c1ff1b01","character_id":null,"markdown":"これは、量は出始めたが、コストと品質の安定がまだ追いついていないことを意味する。","render_override":null},{"id":"blk_b07f21f5-3d14-4bd7-85ae-68796edff188","kind":"paragraph","order":80,"section_id":"sec_79a2883a-2b6c-4393-9a92-9b10c1ff1b01","character_id":null,"markdown":"電池や製造業では、 \n**「作れる」** \n**「同じ品質で作れる」** \n**「止まらずに作れる」** \n**「粗利が出るコストで作れる」** \nは、それぞれ別の段階である。","render_override":null},{"id":"blk_bbcaf3b6-789b-4d97-a118-396ed673ec79","kind":"paragraph","order":81,"section_id":"sec_79a2883a-2b6c-4393-9a92-9b10c1ff1b01","character_id":null,"markdown":"EOSEの経営陣は、おそらく「装置が入り、ラインが動き始めた」段階を、「売上ガイダンスを守れる量産体制」に近いものとして見積もってしまった。","render_override":null},{"id":"blk_3b5a174d-d4ce-4a2c-bc52-2773b29be826","kind":"thematic_break","order":82,"section_id":"sec_79a2883a-2b6c-4393-9a92-9b10c1ff1b01","character_id":null,"markdown":"---","render_override":null},{"id":"blk_411b1c2a-318a-47f6-a762-ad7038046eed","kind":"heading","order":83,"section_id":"sec_b4b8eb04-b3dc-4a02-9fe2-28d7cdfada6a","character_id":null,"markdown":"## 誤算2：バックログを売上化する難しさを過小評価した","render_override":null},{"id":"blk_4742d90b-5391-43a3-8236-943b39a35c10","kind":"paragraph","order":84,"section_id":"sec_b4b8eb04-b3dc-4a02-9fe2-28d7cdfada6a","character_id":null,"markdown":"EOSEは2025年末時点で、受注残を**7.015億ドル、日本円で約1,125.2億円**、2.8GWh相当と発表している。また、商談パイプラインは**236億ドル、日本円で約3.79兆円**とされている。([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_a16c3eb9-3f6e-4c3f-ad0d-46d7a72f1fd3","kind":"paragraph","order":85,"section_id":"sec_b4b8eb04-b3dc-4a02-9fe2-28d7cdfada6a","character_id":null,"markdown":"これは一見、非常に強い。だが、バックログは売上ではない。EOSE自身も、バックログは既存契約から将来実現を期待する収益額であり、出荷・契約変更・キャンセルなどで変動し得るものだと説明している。([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-delivers-highest-company-quarterly/))","render_override":null},{"id":"blk_2d89e90e-0703-469b-8298-37ae71a3cda9","kind":"paragraph","order":86,"section_id":"sec_b4b8eb04-b3dc-4a02-9fe2-28d7cdfada6a","character_id":null,"markdown":"大型蓄電システムでは、 \n注文がある \n→ 工場で作る \n→ 品質検査を通る \n→ 顧客プロジェクト側の準備が整う \n→ 納入する \n→ 検収される \n→ 売上計上される \nという段階がある。","render_override":null},{"id":"blk_a4e5089c-1da3-48c3-bf61-12c4fb4ae666","kind":"paragraph","order":87,"section_id":"sec_b4b8eb04-b3dc-4a02-9fe2-28d7cdfada6a","character_id":null,"markdown":"つまりEOSEの問題は、需要がないことではなく、**需要を売上に変える製造・納入・検収能力がまだ十分に証明されていないこと**である。","render_override":null},{"id":"blk_a34fcc41-4df3-4c71-a009-4231b46eb96c","kind":"thematic_break","order":88,"section_id":"sec_b4b8eb04-b3dc-4a02-9fe2-28d7cdfada6a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f27e7a32-4fd2-4f8e-a2be-d954824640ff","kind":"heading","order":89,"section_id":"sec_ec4f4192-b83f-462a-91e4-f6d109b76fd1","character_id":null,"markdown":"## 誤算3：資金調達ストーリーが、現場の不確実性を上回った可能性","render_override":null},{"id":"blk_3bc46eb0-78f1-4617-a112-9c3e876a1365","kind":"paragraph","order":90,"section_id":"sec_ec4f4192-b83f-462a-91e4-f6d109b76fd1","character_id":null,"markdown":"EOSEは2025年に大規模な資金調達を行い、年末現金を6億ドル超まで積み上げた。Q4発表では、6億ドルのシニア転換社債発行と登録直接普通株式募集を実行し、年末の現金残高を強化したと説明している。([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_c6caf17e-60ca-4c63-b859-0953435429a0","kind":"paragraph","order":91,"section_id":"sec_ec4f4192-b83f-462a-91e4-f6d109b76fd1","character_id":null,"markdown":"ここには、経営上の構造的なバイアスがある。","render_override":null},{"id":"blk_4f341c66-a53f-4499-8e2f-98dca6f0a66b","kind":"paragraph","order":92,"section_id":"sec_ec4f4192-b83f-462a-91e4-f6d109b76fd1","character_id":null,"markdown":"資金調達が必要な会社は、市場に対して、 \n「量産は立ち上がっている」 \n「需要は強い」 \n「粗利改善は近い」 \n「今ここで資金を入れれば次の成長段階に行ける」 \nという物語を維持したくなる。","render_override":null},{"id":"blk_add0254e-7cdc-4fb0-b6cf-a904b7026388","kind":"paragraph","order":93,"section_id":"sec_ec4f4192-b83f-462a-91e4-f6d109b76fd1","character_id":null,"markdown":"これは必ずしも悪意ある嘘とは限らない。だが、経営陣が楽観的な前提を置きやすくなる。内部で遅れや品質問題を認識していても、「一時的な問題」「Q4で取り返せる」「年末までには追いつける」と解釈しやすくなる。","render_override":null},{"id":"blk_427aa2a7-67d7-4960-ac83-e511689501a8","kind":"paragraph","order":94,"section_id":"sec_ec4f4192-b83f-462a-91e4-f6d109b76fd1","character_id":null,"markdown":"EOSEのケースでは、まさにこの**資本市場向けストーリーと製造現場の現実のズレ**が、ガイダンス未達として表面化したように見える。","render_override":null},{"id":"blk_35f8fc5c-6e5f-4ea2-afec-f0102c2bfb4b","kind":"thematic_break","order":95,"section_id":"sec_ec4f4192-b83f-462a-91e4-f6d109b76fd1","character_id":null,"markdown":"---","render_override":null},{"id":"blk_10544f43-50fc-4697-9dfb-b60f45cf6198","kind":"heading","order":96,"section_id":"sec_bf41e0cb-21d8-4d78-b9d7-8fa4018a0f8e","character_id":null,"markdown":"## 誤算4：大企業出身者ほど、初期量産の泥臭さを読み違える","render_override":null},{"id":"blk_7175f2ad-21ae-4ab1-b612-4734a479484b","kind":"paragraph","order":97,"section_id":"sec_bf41e0cb-21d8-4d78-b9d7-8fa4018a0f8e","character_id":null,"markdown":"GEやJabilでの経験は強い。しかし、その強さは主に、すでに一定の品質・工程・サプライチェーンが成立している大規模製造システムを運用・改善する能力である。","render_override":null},{"id":"blk_8b194a39-b700-4280-8749-99e0bc2d6025","kind":"paragraph","order":98,"section_id":"sec_bf41e0cb-21d8-4d78-b9d7-8fa4018a0f8e","character_id":null,"markdown":"一方、EOSEの課題はもっと未成熟だった。 \n新しい亜鉛電池を、顧客向けBESSとして、商用規模で、しかも米国製造で、粗利改善しながら作る必要があった。","render_override":null},{"id":"blk_a144d725-f986-444c-bcd9-e743d08fc14e","kind":"paragraph","order":99,"section_id":"sec_bf41e0cb-21d8-4d78-b9d7-8fa4018a0f8e","character_id":null,"markdown":"これは、完成した工場を回すというより、**壊れながら立ち上がる工場を、同時に顧客納期へ合わせる仕事**である。","render_override":null},{"id":"blk_4b9ea7f5-b355-4a71-bffd-04c8593a62fe","kind":"paragraph","order":100,"section_id":"sec_bf41e0cb-21d8-4d78-b9d7-8fa4018a0f8e","character_id":null,"markdown":"だから「経歴が弱いから外した」のではない。むしろ、 \n**経歴が強い人たちが、完成後の工場の感覚で、立ち上げ中の工場を見積もった** \n可能性がある。","render_override":null},{"id":"blk_96c6c367-5d85-47b6-882c-2fef2e8fcc99","kind":"thematic_break","order":101,"section_id":"sec_bf41e0cb-21d8-4d78-b9d7-8fa4018a0f8e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_3d0667aa-f866-4039-9231-3c81b9d0046e","kind":"heading","order":102,"section_id":"sec_f811c320-1c0b-4f95-90c2-1f038148fee8","character_id":null,"markdown":"## 訴訟リスク：市場は「単なるミス」では済ませていない","render_override":null},{"id":"blk_33bde154-44b1-4507-9493-a13d735ed688","kind":"paragraph","order":103,"section_id":"sec_f811c320-1c0b-4f95-90c2-1f038148fee8","character_id":null,"markdown":"2026年に入り、EOSEには証券集団訴訟が提起されている。訴訟側は、2025年11月5日から2026年2月26日までの期間に、同社が生産スケールやガイダンスについて誤解を招く説明をしたと主張している。これはあくまで訴訟側の主張であり、裁判で確定した事実ではない。([Hagens Berman](https://www.hbsslaw.com/cases/eos-energy-enterprises-inc-eose-securities-class-action?utm_source=chatgpt.com))","render_override":null},{"id":"blk_53b4b081-b20b-4668-a211-880f22a08565","kind":"paragraph","order":104,"section_id":"sec_f811c320-1c0b-4f95-90c2-1f038148fee8","character_id":null,"markdown":"ただし投資家目線では、法的に有罪かどうか以前に、重要なのは「経営陣の説明をどれだけ信じられるか」である。","render_override":null},{"id":"blk_b3ad00de-6763-4160-9e2d-d6157ad13de8","kind":"paragraph","order":105,"section_id":"sec_f811c320-1c0b-4f95-90c2-1f038148fee8","character_id":null,"markdown":"EOSE株は、2025年実績がガイダンスを大きく下回った発表後に大きく下落した。複数の訴訟関連リリースでは、2月26日に株価が約39%下落したとされている。([Business Wire](https://www.businesswire.com/news/home/20260331183138/en/EOSE-Investor-Alert-Eos-Energy-Enterprises-Inc.-Securities-Fraud-Lawsuit---Investors-With-Losses-May-Seek-to-Lead-the-Class-Action-After-Allegedly-Misleading-Automated-Production-Claims-Levi-Korsinsky?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e2355ddf-40c0-4e9e-8a30-4b7fe7e9bbc3","kind":"paragraph","order":106,"section_id":"sec_f811c320-1c0b-4f95-90c2-1f038148fee8","character_id":null,"markdown":"市場はこの件を、単なる製造遅延ではなく、**経営陣の透明性とガイダンス信頼性の問題**として受け止めた。","render_override":null},{"id":"blk_233bd423-2484-479b-b63e-94b1178167f4","kind":"thematic_break","order":107,"section_id":"sec_f811c320-1c0b-4f95-90c2-1f038148fee8","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b5dcdfd8-cd8f-4747-a88a-3b9bb87de5db","kind":"heading","order":108,"section_id":"sec_c2f09aa8-b349-49e9-a3e8-2ae914dd661d","character_id":null,"markdown":"## ただし、完全に終わった会社ではない","render_override":null},{"id":"blk_bfc3b5da-bcf1-4822-a38f-8d183d832920","kind":"paragraph","order":109,"section_id":"sec_c2f09aa8-b349-49e9-a3e8-2ae914dd661d","character_id":null,"markdown":"ここは公平に見るべきである。EOSEは「もう終わり」と断定できる会社ではない。","render_override":null},{"id":"blk_fa010cdc-9a97-4be2-8dea-9734111ebc07","kind":"paragraph","order":110,"section_id":"sec_c2f09aa8-b349-49e9-a3e8-2ae914dd661d","character_id":null,"markdown":"2026年4月9日の暫定Q1発表では、Q1売上見込みを**5,600万〜5,700万ドル、日本円で約89.8億〜91.4億円**とし、四半期出荷、電池出力、双極板出力が過去最高だったと説明した。さらに双極板自動化歩留まりが前四半期比で22%改善したとも述べている。([GlobeNewswire](https://www.globenewswire.com/news-release/2026/04/09/3270966/0/en/eos-energy-enterprises-reports-preliminary-q1-revenue-highlights-record-output-and-capacity-expansion.html))","render_override":null},{"id":"blk_93d28834-9914-4e53-96af-ac3e57ed4b5d","kind":"paragraph","order":111,"section_id":"sec_c2f09aa8-b349-49e9-a3e8-2ae914dd661d","character_id":null,"markdown":"また、会社は2026年通期売上ガイダンスとして**3億〜4億ドル、日本円で約481.2億〜641.6億円**を提示している。([Eos Energy Enterprises, Inc.](https://investors.eose.com/news-releases/news-release-details/eos-energy-enterprises-reports-fourth-quarter-and-full-year-2025/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_1c6c6aed-f11d-408b-9bec-6424880286b6","kind":"paragraph","order":112,"section_id":"sec_c2f09aa8-b349-49e9-a3e8-2ae914dd661d","character_id":null,"markdown":"今後の目標・現状ドル日本円概算2026年Q1暫定売上5,600万〜5,700万ドル約89.8億〜91.4億円2026年通期売上ガイダンス3億〜4億ドル約481.2億〜641.6億円2025年末バックログ7.015億ドル約1,125.2億円2025年末現金等6.246億ドル約1,001.8億円","render_override":null},{"id":"blk_461b553a-1b78-4e51-bb62-98d212902f0e","kind":"paragraph","order":113,"section_id":"sec_c2f09aa8-b349-49e9-a3e8-2ae914dd661d","character_id":null,"markdown":"つまり、EOSEは「資金が尽きて即終了」という局面からは少し離れた。問題は、今度こそ2026年ガイダンスを守れるかである。","render_override":null},{"id":"blk_1fef9293-a617-447c-b2b1-9bcb1ea6c2b6","kind":"thematic_break","order":114,"section_id":"sec_c2f09aa8-b349-49e9-a3e8-2ae914dd661d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_60b137f6-b6ef-41ce-a544-b33a136137c0","kind":"heading","order":115,"section_id":"sec_71f2786d-22da-458b-8543-1f1f457c5d83","character_id":null,"markdown":"## 現時点のEOSEを一言で言うと","render_override":null},{"id":"blk_89fbb1d8-331a-4526-91aa-1f367a1d0116","kind":"paragraph","order":116,"section_id":"sec_71f2786d-22da-458b-8543-1f1f457c5d83","character_id":null,"markdown":"EOSEは、 \n**「テーマは強い。需要の物語も強い。経営陣の経歴も強い。だが、量産・粗利・納期・説明責任がまだ証明されていない会社」** \nである。","render_override":null},{"id":"blk_282342bc-5e08-4978-aaba-25719934abca","kind":"paragraph","order":117,"section_id":"sec_71f2786d-22da-458b-8543-1f1f457c5d83","character_id":null,"markdown":"特に今回のガイダンス外し事件で、経営陣の言葉は大きく割り引いて見る必要が出てきた。","render_override":null},{"id":"blk_16449d27-3ccb-429a-9b7c-b4212bcfac93","kind":"paragraph","order":118,"section_id":"sec_71f2786d-22da-458b-8543-1f1f457c5d83","character_id":null,"markdown":"「嘘つき」と断定するのは危険である。証券訴訟はまだ主張段階であり、事実認定はこれからである。 \nだが、投資家としては、**経営陣が現場の不確実性を過小評価し、資本市場向けに強気な物語を維持しすぎた可能性**はかなり高いと見るべきだ。","render_override":null},{"id":"blk_84766f74-68e8-49ed-8813-506730f4b35d","kind":"thematic_break","order":119,"section_id":"sec_71f2786d-22da-458b-8543-1f1f457c5d83","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1f73c4ad-93a1-414f-aa22-6bc818f5aa43","kind":"heading","order":120,"section_id":"sec_6787a7f7-6b46-4a79-b787-7e529438c11f","character_id":null,"markdown":"## 今後見るべきポイント","render_override":null},{"id":"blk_52ec632e-eafb-41dc-b693-ae97baee438f","kind":"paragraph","order":121,"section_id":"sec_6787a7f7-6b46-4a79-b787-7e529438c11f","character_id":null,"markdown":"EOSEを見るうえで、今後もっとも重要なのは売上だけではない。むしろ売上よりも、次の項目を追うべきである。","render_override":null},{"id":"blk_0441afca-d147-49e2-b6e9-875ecbefd62a","kind":"paragraph","order":122,"section_id":"sec_6787a7f7-6b46-4a79-b787-7e529438c11f","character_id":null,"markdown":"見るべき項目良いサイン悪いサイン粗利率粗損失が連続で縮小売上増でも粗損失が拡大双極板自動化歩留まり改善が続く再作業・品質問題が残る設備稼働出荷・電池出力・ライン出力が安定成長一時的な記録更新だけで終わるバックログ転換受注残が売上に変わるパイプラインだけ増えるキャッシュバーン営業CF赤字が縮小資金調達依存が続く希薄化追加発行ペースが落ちる普通株・転換社債・ワラントで希薄化2026年ガイダンス四半期ごとに進捗また下方修正","render_override":null},{"id":"blk_8cdb0889-9131-407e-9464-b41bb1755d8a","kind":"thematic_break","order":123,"section_id":"sec_6787a7f7-6b46-4a79-b787-7e529438c11f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_51badc24-cda1-46ca-b4cd-f1ffebd0b892","kind":"heading","order":124,"section_id":"sec_a1565162-7393-438d-ac96-ee15325f590d","character_id":null,"markdown":"## 結論","render_override":null},{"id":"blk_17e19c8b-390d-433b-a8c8-e94e7c1c732a","kind":"paragraph","order":125,"section_id":"sec_a1565162-7393-438d-ac96-ee15325f590d","character_id":null,"markdown":"EOSEのガイダンス外し事件は、単なる決算ミスではない。 \nこれは、「強い経歴を持つ経営陣が、未成熟な新型電池量産の難しさを読み違えた事件」である。","render_override":null},{"id":"blk_2e73faa5-ea00-43cd-abbc-12c8a3b2f4c3","kind":"paragraph","order":126,"section_id":"sec_a1565162-7393-438d-ac96-ee15325f590d","character_id":null,"markdown":"GE出身のCEO、Jabil出身のCOO、エネルギーファイナンスに強いCFO兼CCO、技術を長く見てきたCTO。布陣だけ見れば、EOSEは強い。だが、2025年の実績は、その経歴だけでは量産リスクを消せないことを示した。","render_override":null},{"id":"blk_9b701f37-6500-47ec-a8a1-e8a29f5af7a9","kind":"paragraph","order":127,"section_id":"sec_a1565162-7393-438d-ac96-ee15325f590d","character_id":null,"markdown":"EOSEは、夢のある銘柄である。AIデータセンター、米国製造、非リチウム、長時間蓄電という物語は強い。 \nしかし現時点では、**物語の会社から、粗利の出る製造会社へ移行できるかの瀬戸際**にいる。","render_override":null},{"id":"blk_e857c229-b7cf-4f55-84c6-1698c6924481","kind":"paragraph","order":128,"section_id":"sec_a1565162-7393-438d-ac96-ee15325f590d","character_id":null,"markdown":"投資対象としては、かなりハイリスクである。 \n買うなら「経営陣の言葉」を信じるのではなく、**四半期ごとの粗利率、出荷実績、歩留まり、キャッシュバーン、希薄化**だけを見て判断するべきだと思う。これは投資助言ではなく、リスク整理としての見方である。","render_override":null},{"id":"blk_8ba0e0c8-b4eb-4e36-964c-ae5b48f634f1","kind":"thematic_break","order":129,"section_id":"sec_a1565162-7393-438d-ac96-ee15325f590d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_729b8438-360b-4e60-9bf4-b073b3b2ce61","kind":"paragraph","order":130,"section_id":"sec_a1565162-7393-438d-ac96-ee15325f590d","character_id":null,"markdown":"特定銘柄の推奨・勧誘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。","render_override":null},{"id":"blk_d1343efa-d11f-47f5-8410-02836b2eee9c","kind":"paragraph","order":131,"section_id":"sec_a1565162-7393-438d-ac96-ee15325f590d","character_id":null,"markdown":"サムネはGPTImage2.0とPixAIsunflowerモデル","render_override":null}],"audio":[],"omitted_media":[],"figures":[{"id":"plc_63533336-c4ca-48ac-8768-fd60d4744f69","block_id":"blk_6fcef494-9558-4b9e-8dd9-4db15c3e7541","asset_revision_id":"avr_0498526c-372f-44b4-ae12-447f6fc0b97c","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_25edb868-3cee-40a1-8332-cba32477baf2"],"explained_by":[],"source_path":"media/6d4984fa0cfa221848fa9a615d014ef4bd16b30b7d4a3f2c1b353dc9a8caeee3.png","path":"/media/6d4984fa0cfa221848fa9a615d014ef4bd16b30b7d4a3f2c1b353dc9a8caeee3-content.webp","display_derivative":{"source_sha256":"6d4984fa0cfa221848fa9a615d014ef4bd16b30b7d4a3f2c1b353dc9a8caeee3","thumbnail":{"path":"media/6d4984fa0cfa221848fa9a615d014ef4bd16b30b7d4a3f2c1b353dc9a8caeee3-thumbnail.webp","width":560,"height":293,"bytes":36756,"sha256":"6dc54d85aee718f6c40386bf8ad035bd43bf63723033498fcf443185cb6b1a7c"},"content":{"path":"media/6d4984fa0cfa221848fa9a615d014ef4bd16b30b7d4a3f2c1b353dc9a8caeee3-content.webp","width":1672,"height":875,"bytes":290510,"sha256":"f83e612ee7b10ec433e750736291ad624f2f5e4000f609e19908a00546bd913f"}}},{"id":"plc_1f61fb16-bf79-403c-9fd3-a5bcdf7ef9b6","block_id":"blk_69c4b66a-8998-4f56-b21a-78c3522f9092","asset_revision_id":"avr_ee92b729-e0f8-4cd5-8fe3-dc5e1713e6f9","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_3db660fc-cd70-47b6-bd8f-2e85671ae717","blk_c0dc5452-63bd-41b3-a9fe-0cc4c81b1962"],"explained_by":[],"source_path":"media/7cd3a23441cad205ffd4269c26c2060ab9ae169108fbadb238920ed120e701bc.png","path":"/media/7cd3a23441cad205ffd4269c26c2060ab9ae169108fbadb238920ed120e701bc-content.webp","display_derivative":{"source_sha256":"7cd3a23441cad205ffd4269c26c2060ab9ae169108fbadb238920ed120e701bc","thumbnail":{"path":"media/7cd3a23441cad205ffd4269c26c2060ab9ae169108fbadb238920ed120e701bc-thumbnail.webp","width":560,"height":247,"bytes":11368,"sha256":"86ecab15c73763f952ef1e00c088afa3c3e19bc6d8a1133e8c33da90e9e83cb8"},"content":{"path":"media/7cd3a23441cad205ffd4269c26c2060ab9ae169108fbadb238920ed120e701bc-content.webp","width":786,"height":346,"bytes":27686,"sha256":"549dadbf9cce95579fd12a840107a4aeb5480289cc96e0a0cdf2e6e4d0dd1edf"}}},{"id":"plc_966152b1-8be3-4d89-a2ef-a3e390e22a01","block_id":"blk_8dd400c1-9a71-4612-b39b-797e24db9d52","asset_revision_id":"avr_efeb3324-6ef3-4a0d-abe8-2f1a0e67b9e7","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_10772818-3ffc-4b61-a57b-7de86b4c57b3","blk_10e436da-734c-41de-ad45-ee2f92e7d8cb"],"explained_by":[],"source_path":"media/29a45ed06348f24565806ca63e98467f7f1f9e75c0868f98c040cf7e3d72b6f7.png","path":"/media/29a45ed06348f24565806ca63e98467f7f1f9e75c0868f98c040cf7e3d72b6f7-content.webp","display_derivative":{"source_sha256":"29a45ed06348f24565806ca63e98467f7f1f9e75c0868f98c040cf7e3d72b6f7","thumbnail":{"path":"media/29a45ed06348f24565806ca63e98467f7f1f9e75c0868f98c040cf7e3d72b6f7-thumbnail.webp","width":560,"height":223,"bytes":5036,"sha256":"faf20dd9e95614e2aa66f9bdcd92422f9904ef13b14f543e7e739685987e94d4"},"content":{"path":"media/29a45ed06348f24565806ca63e98467f7f1f9e75c0868f98c040cf7e3d72b6f7-content.webp","width":805,"height":321,"bytes":12818,"sha256":"bef59b819e2451ef5331afd092a81a00072913984ea5ddeb8a048a4fb7c63234"}}}],"package_sha256":"882bfed927d982a8dc08532d3d65d14b1da229a3e534ebb2c84d206ed7e0a823","record_type":"article","schema_version":"noia-public-article-1.1.0","dataset_version":"2026.09.23.4","urls":{"source_url":"https://note.com/atom_/n/ncaef79fc5fa7","release_path":"/articles/rev_80d42ebf-f1b0-4ab9-b821-aee0e7e2f91a/","canonical_url":"https://noia-grid.pages.dev/articles/rev_80d42ebf-f1b0-4ab9-b821-aee0e7e2f91a/"},"time":{"created_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"published_at":{"value":"2026-04-30 14:18:42","precision":"local_datetime","timezone":null,"status":"source_metadata","basis":"Metadata only; not evidence of historical body availability."},"modified_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"analysis_as_of":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"event_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"recorded_at":{"value":"2026-09-08T05:29:15+00:00","precision":"instant","timezone":"+00:00","status":"archive_record","basis":"canonical_recorded_at"},"content_available_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"unknown"}},"legacy":{"source_date":{"value":"2026-04-30 14:18:42","meaning":"legacy_source_metadata_date","certainty":"source_metadata"}},"rights":{"license_ref":"license:not-specified","rights_status":"unknown","third_party_material":"unknown"},"integrity":{"hash_profile":"noia-evidence-json-v1","content_sha256":"9d835bef932568200bd811c226fe58126105b06285e3d475b8b1c6dd789ebaa8","lineage":[],"previous_revision_sha256":null,"previous_revision_status":"no_parent","revision_sha256":"f462129ec2035e4cbce3209f30826fe961e036f51152d8135f65226515db71fd"}} {"id":"rev_8eb03ce9-cad9-4ba7-91d6-90dffd2302fa","work_id":"wrk_82866dd9-73ac-495c-82f9-5873005352f3","edition_id":"edn_2c4a5f8e-3604-45b8-96b7-bb58cd6f7893","title":"Elasticは「SaaSの死」を越えられるか","published_at":"2026-08-06 05:35:18","source_url":"https://note.com/atom_/n/n775636bfce11","recorded_at":"2026-09-08T05:29:24+00:00","source_date":"2026-08-06 05:35:18","thumbnail":null,"legacy_slug":null,"topics":["agents"],"sections":[{"id":"sec_feda0f59-1ac6-437a-8144-c26816c7e936","parent_section_id":null,"heading_block_id":null,"order":0,"character_id":null},{"id":"sec_89432da2-90da-4682-baf9-863a92566ec8","parent_section_id":"sec_feda0f59-1ac6-437a-8144-c26816c7e936","heading_block_id":"blk_ee8ba65a-8506-4a13-bfd4-c7318e323598","order":1,"character_id":null},{"id":"sec_e61a9ffc-1f2c-406e-9a4b-024ac0e3eaf7","parent_section_id":"sec_feda0f59-1ac6-437a-8144-c26816c7e936","heading_block_id":"blk_590b3b8d-c1a3-4d2c-80e1-4e8272731eb3","order":2,"character_id":null},{"id":"sec_4c26ec63-6f2a-414b-8a73-f7e4c18dbbac","parent_section_id":"sec_feda0f59-1ac6-437a-8144-c26816c7e936","heading_block_id":"blk_85abe004-71a2-4897-967c-acb96350b59d","order":3,"character_id":null},{"id":"sec_e6277120-e6ea-4ecd-b143-fb0e0f98e3ee","parent_section_id":"sec_4c26ec63-6f2a-414b-8a73-f7e4c18dbbac","heading_block_id":"blk_5af2416c-08ca-4da7-ac5a-8d4a15d2d74a","order":4,"character_id":null},{"id":"sec_954b10b4-f63f-4b01-8bac-1d7ec36c9a0f","parent_section_id":"sec_4c26ec63-6f2a-414b-8a73-f7e4c18dbbac","heading_block_id":"blk_8a78ae14-2115-4083-8a2b-c8a97ca426a7","order":5,"character_id":null},{"id":"sec_0e3ee6b4-da5c-4e06-91d7-027099d9a877","parent_section_id":"sec_4c26ec63-6f2a-414b-8a73-f7e4c18dbbac","heading_block_id":"blk_11ec2bb9-05ed-4178-9d16-d85a4b85d4d8","order":6,"character_id":null},{"id":"sec_d2b79eaa-eae1-4fbd-9d0a-fec65f64f97d","parent_section_id":"sec_feda0f59-1ac6-437a-8144-c26816c7e936","heading_block_id":"blk_8e0f8a78-9a4c-4d5e-a279-018e16a013f3","order":7,"character_id":null},{"id":"sec_6a39c866-53af-45cf-9774-274a104b1234","parent_section_id":"sec_feda0f59-1ac6-437a-8144-c26816c7e936","heading_block_id":"blk_52378992-7aa5-48e3-aeaa-6ca06e8d3860","order":8,"character_id":null},{"id":"sec_a62190f4-a65c-4cab-933b-8244a7bb709a","parent_section_id":"sec_feda0f59-1ac6-437a-8144-c26816c7e936","heading_block_id":"blk_cba33597-729d-4ef4-943c-abf2dc7abdaf","order":9,"character_id":null},{"id":"sec_d4fd9d0a-c0a7-4213-87f5-be1fe0dddceb","parent_section_id":"sec_feda0f59-1ac6-437a-8144-c26816c7e936","heading_block_id":"blk_9e523148-cd98-4402-9e37-12c623267dba","order":10,"character_id":null},{"id":"sec_e3058655-c893-45df-8f24-6ca4dd4c3e88","parent_section_id":"sec_feda0f59-1ac6-437a-8144-c26816c7e936","heading_block_id":"blk_dace2993-3eea-405c-9dbc-f89fc8c8fa64","order":11,"character_id":null},{"id":"sec_9cc5f324-af16-45ee-81bb-14e115627972","parent_section_id":"sec_e3058655-c893-45df-8f24-6ca4dd4c3e88","heading_block_id":"blk_1dc46d8c-3a1c-41a0-9de6-1ca1ad1bedf1","order":12,"character_id":null},{"id":"sec_c6ca078a-4cfd-47b2-ac4f-78992a019310","parent_section_id":"sec_e3058655-c893-45df-8f24-6ca4dd4c3e88","heading_block_id":"blk_bb66d45c-065f-417c-b7c3-c9ca38471b71","order":13,"character_id":null},{"id":"sec_5d43cba4-d70f-4c52-b97d-e641b548273a","parent_section_id":"sec_e3058655-c893-45df-8f24-6ca4dd4c3e88","heading_block_id":"blk_f848f920-fd3c-4a9c-b85d-281485f8719a","order":14,"character_id":null},{"id":"sec_5447a1ab-e50d-4ab8-a6bb-22954313d6ef","parent_section_id":"sec_feda0f59-1ac6-437a-8144-c26816c7e936","heading_block_id":"blk_8cd592a2-07d7-4cd8-bff5-6062b3fcb248","order":15,"character_id":null},{"id":"sec_5d9952d5-d77e-48f8-8119-9fd623a79e55","parent_section_id":"sec_5447a1ab-e50d-4ab8-a6bb-22954313d6ef","heading_block_id":"blk_c2143867-320e-4ab9-b17c-f6006744326f","order":16,"character_id":null},{"id":"sec_8b8728df-0ee9-4bd5-aebd-9fc5d19562df","parent_section_id":"sec_5447a1ab-e50d-4ab8-a6bb-22954313d6ef","heading_block_id":"blk_1ca718f0-8628-41f3-99a3-77aa8a437bde","order":17,"character_id":null},{"id":"sec_3f6db574-6ab6-4f95-8651-e2e359d38cd7","parent_section_id":"sec_5447a1ab-e50d-4ab8-a6bb-22954313d6ef","heading_block_id":"blk_eb1b5428-eb9d-43b4-bc8d-677adfd9a6db","order":18,"character_id":null},{"id":"sec_7c83285b-f957-4fef-b635-aa5450947ba8","parent_section_id":"sec_5447a1ab-e50d-4ab8-a6bb-22954313d6ef","heading_block_id":"blk_f6ffdaae-e03c-4f2e-8716-e53889110113","order":19,"character_id":null},{"id":"sec_dcd32264-63bc-4353-a67b-3b07ff388785","parent_section_id":"sec_feda0f59-1ac6-437a-8144-c26816c7e936","heading_block_id":"blk_9de48b08-2c36-45ac-a20e-d36983623383","order":20,"character_id":null},{"id":"sec_5cc860d2-7375-48f3-8571-1e0b1dc58e3e","parent_section_id":"sec_feda0f59-1ac6-437a-8144-c26816c7e936","heading_block_id":"blk_a82f58a5-f1e5-4bee-9421-e02883f294cd","order":21,"character_id":null},{"id":"sec_b3bf0735-ccff-42cb-a4ce-ce517619d904","parent_section_id":"sec_feda0f59-1ac6-437a-8144-c26816c7e936","heading_block_id":"blk_b9284c90-327d-471c-91b2-4766584fd81a","order":22,"character_id":null},{"id":"sec_f7f5b989-7f5d-429c-9ee5-dc0ecbc50d40","parent_section_id":"sec_feda0f59-1ac6-437a-8144-c26816c7e936","heading_block_id":"blk_29d58979-6091-478a-82de-4cf6df876d47","order":23,"character_id":null},{"id":"sec_7c0cd15f-4c57-4db6-b1a1-a4a17acdb342","parent_section_id":"sec_feda0f59-1ac6-437a-8144-c26816c7e936","heading_block_id":"blk_804aad55-907b-4203-9383-61fcf29682bd","order":24,"character_id":null},{"id":"sec_f703bfbc-94ff-48b7-bef4-f6df954557a4","parent_section_id":"sec_feda0f59-1ac6-437a-8144-c26816c7e936","heading_block_id":"blk_95c29f24-2427-4572-91a3-c658ab5acc54","order":25,"character_id":null},{"id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","parent_section_id":"sec_feda0f59-1ac6-437a-8144-c26816c7e936","heading_block_id":"blk_146d8af8-c5fe-4e3a-a707-5dfc40f51c79","order":26,"character_id":null}],"content_available_at":{"basis":"unknown","precision":"unknown","timezone":null,"value":null},"markdown":"![](/media/1e6c6c417d72b1eef93ad0ef316dd74975fae3d4c27cf188d0ee899c5750ec7e-content.webp)\n\n## Elasticは「SaaSの死」を越えられるか\n\n## 検索企業から、企業AIのコンテキスト・監視・セキュリティ基盤へ\n\n生成AIの性能が上がるたびに、SaaS企業には同じ疑問が突き付けられる。\n\n> その製品は、より高性能なAIによって簡単に作り直されるのではないか。\n\n入力画面、ダッシュボード、定型レポート、社内検索、チケット分類、簡単なワークフロー。従来は企業が毎月料金を支払っていた多くの機能を、AIが短期間で生成できる時代が近づいている。\n\nこうした「SaaSの死」懸念に最も強いのは、物理的なネットワークを持つCloudflare、独自の脅威データを持つCrowdStrike、臨床・医療データを蓄積するTempus AI、そして計算資源そのものを供給する半導体・ハイパースケーラーである。\n\nでは、Elasticはどちら側にいるのか。\n\nElasticはAIに代替されるソフトウェア企業なのか。それとも、AIが企業内で動くために必要となる基盤なのか。\n\n結論から言えば、Elasticはその境界に位置している。\n\n単純な検索画面やRAG構築機能は、AIによってコモディティ化する可能性が高い。一方で、企業データの収集、正規化、索引化、権限管理、リアルタイム分析、セキュリティ監査まで含めた本番基盤は、AIだけで簡単に置き換えられるものではない。\n\nElasticへの投資は、深い物理的な堀を買う投資ではない。\n\n> AIによるソフトウェアのコモディティ化を上回る速度で、Elasticが企業のデータ基盤として定着できるかに賭ける投資である。\n\n---\n\n## 1．Elasticは何をしている会社なのか\n\nElasticの原点は、2010年に公開された分散検索エンジンElasticsearchである。\n\n大量の文書やログを索引化し、関連する情報を高速に検索する技術から始まり、Logstashによるデータ収集、Kibanaによる可視化、BeatsやElastic Agentによる端末・クラウドデータの収集へと拡大してきた。\n\n現在の事業は、大きく三つに分けられる。\n\n### Search & AI\n\n企業文書、商品情報、顧客履歴、ログなどを検索し、生成AIやAIエージェントへ必要な情報を渡す。\n\n### Observability\n\nログ、メトリクス、分散トレース、アプリケーション性能を分析し、システム障害や性能低下の原因を調査する。\n\n### Security\n\n端末、ID、クラウド、ネットワークから発生するセキュリティイベントを集約し、攻撃の検知、調査、対応を行う。\n\n表面的には三つの製品群だが、下にあるのは共通のElasticsearchである。\n\n```\n企業文書・業務データ\nログ・メトリクス・トレース\n端末・ID・クラウドの警告\n ↓\n Elasticsearch\n ↓\n Search & AI\n Observability\n Security\n```\n\n同じデータを複数の用途に使えることがElasticの最大の特徴である。\n\n---\n\n## 2．Elasticの本当の堀は検索画面ではない\n\nAIによって最も早く価値を失うのは、検索UIやダッシュボードである。\n\nAIは自然言語から検索クエリを書き、ダッシュボードを生成し、ログを要約し、アラートルールを作れるようになる。簡単なRAGであれば、オープンソースのベクトルDBやクラウドサービスを組み合わせて短期間で構築できる。\n\nしたがって、Agent Builderの画面やMCP対応だけをElasticの堀と見るべきではない。\n\nElasticの本当の価値は、その下にある。\n\n- 数十億件以上のデータをリアルタイムに索引化する\n- 異なる製品のログを共通形式へ正規化する\n- 全文検索、ベクトル検索、時系列集計を組み合わせる\n- ユーザーごとの閲覧権限を守る\n- データの保存期間とストレージ階層を管理する\n- 障害が起きても分散クラスターを稼働させる\n- 調査・対応・監査履歴を継続的に保持する\n\nという本番運用部分である。\n\nAIはコードを書くことはできる。しかし、数年間蓄積された企業固有のデータ構造、検知ルール、アクセス権、監査記録を、業務を止めずに移行することは別の問題である。\n\n---\n\n## 3．Elasticのロックインは「後から形成される」\n\nElasticのロックイン効果は、導入した瞬間から極端に強いわけではない。\n\n小規模なWeb検索や単純なRAGなら、別製品へ比較的移行しやすい。元データを別の検索基盤へ再投入し、AIにクエリや画面を作らせればよいからだ。\n\nしかし本格導入すると、次の資産が顧客環境に蓄積される。\n\n- インデックスとフィールド設計\n- 日本語解析や同義語辞書\n- データ取り込みパイプライン\n- ECSへの正規化ルール\n- Kibanaダッシュボード\n- アラートと例外設定\n- データ保持ルール\n- Securityの検知ルール\n- 機械学習ジョブ\n- 調査ケースと監査履歴\n- Elastic Agentの配布設定\n- 外部システムとの連携\n- AIエージェント向けのツールとワークフロー\n\nデータ自体は移せても、その周辺に形成された運用全体を移すには大規模なITプロジェクトが必要になる。\n\n特にSecurityでは、移行ミスが攻撃の見逃しにつながる。Observabilityでは、監視が途切れれば本番障害への対応が遅れる。\n\nそのためElasticのロックインは、\n\n> 新規導入時には弱いが、データソースと利用用途が増えるほど急速に強くなる\n\nという性質を持つ。\n\nSearch、Observability、Securityを同時に使う顧客では、ロックインはかなり強い。\n\n---\n\n## 4．「SaaSの死」はElasticにも繰り返し訪れる\n\nElasticにはAI代替リスクがある。\n\n今後のAIは、\n\n- ES|QLやKQLを自動生成する\n- OpenSearchなどへの移行コードを書く\n- ダッシュボードを自動変換する\n- 検知ルールを別形式へ翻訳する\n- データの移行テストを自動化する\n- オープンソース監視基盤を自律的に構築する\n\nようになる。\n\n顧客がElasticと完全に同等のものを作る必要はない。\n\n「機能の70％で十分なので、料金を半分にしたい」という判断が増えれば、Elasticの価格決定力は低下する。\n\n特に脅威となるのは、\n\n- AWS OpenSearch\n- Microsoft Azureの検索・監視・Security製品\n- Google Cloudのデータ・AI基盤\n- PrometheusとGrafana\n- Datadog\n- SnowflakeやDatabricks\n- 各種ベクトルデータベース\n\nである。\n\nAIがこうした競合製品の導入や運用を簡単にするほど、Elasticの技術的なロックインは弱まる。\n\nそのためElasticは、AIモデルが大きく進歩するたびに、\n\n> 今度こそ検索やログ分析がコモディティ化するのではないか\n\nという懸念にさらされ続ける可能性が高い。\n\n---\n\n## 5．一方でAIはElasticの需要も増やす\n\nAIはElasticの敵であると同時に、需要創出装置でもある。\n\nAIエージェントが企業内で動くと、従来以上に大量のデータが発生する。\n\n- プロンプト\n- モデルの回答\n- トークン使用量\n- ツール呼び出し\n- RAG検索履歴\n- エージェントの推論経路\n- APIの応答時間\n- セキュリティイベント\n- AIが実行した業務操作\n- 人間による承認履歴\n\n一人の人間が一回質問しても、エージェントは複数回の検索、集計、外部ツール呼び出しを行う。\n\n```\n人間が一回質問\n ↓\n文書検索\n ↓\n権限確認\n ↓\n追加検索\n ↓\n数値集計\n ↓\n外部API実行\n ↓\n結果の再確認\n```\n\nしたがってAIエージェントが普及すると、人間の利用者数以上に検索・ログ・監視の処理量が増える可能性がある。\n\nElasticがこの処理量をElastic Cloudの消費へ変換できれば、AIは代替要因ではなく成長要因になる。\n\n---\n\n## 6．OpenAIとの協業が意味するもの\n\nElasticとOpenAIの協業は、単にElasticsearchからOpenAI APIを呼び出せるという話ではない。\n\n役割分担は明確である。\n\n```\nOpenAI\n質問理解・推論・ツール選択・回答生成\n\nElastic\n企業データ・検索・権限・ログ・監視・Security\n```\n\n企業の大部分の情報は、表形式のデータベースではなく、文書、チケット、ログ、トレース、セキュリティ警告などの非構造化データに存在する。\n\nモデルが高性能でも、これらの最新データへアクセスできなければ、企業固有の質問には正しく答えられない。\n\nElasticは、AIエージェントが必要な情報を、\n\n- 正しい検索方式で探す\n- 関連性の高い部分だけ取得する\n- ユーザーの権限で閲覧可能な情報に絞る\n- 少ないトークンでモデルへ渡す\n\nRetrieval Layerを担おうとしている。\n\n協業が目指すのは三つである。\n\n### コンテキストを理解するAIエージェント\n\n企業文書、顧客履歴、業務データを検索し、根拠付きで回答・実行する。\n\n### Agentic Observability\n\nログ、メトリクス、トレース、AIのツール呼び出しを横断し、障害原因を自動調査する。\n\n### Agentic Security Operations\n\n大量のアラートを攻撃単位にまとめ、証拠を追加調査し、人間が確認可能な形へ整理する。\n\nただし、この協業には独占条件や巨額の最低購入額が公表されているわけではない。\n\nしたがって短期的な売上材料というより、\n\n> Elasticが企業AIのコンテキスト層として認められる可能性を示した戦略的材料\n\nと見るべきである。\n\n---\n\n## 7．Elastic 9.5はAI時代への会社側の回答\n\nElastic 9.5は、AI機能を追加しただけの更新ではない。\n\n今回のリリースでは、Elasticが抱えてきた二つの弱点に対応している。\n\n- 保存・処理コストが高くなりやすい\n- 高機能だが設定・運用が難しい\n\n### Columnar Mode\n\nログやメトリクスを列指向で保存し、容量と集計コストを下げる。\n\nObservabilityやSecurityでは、保存コストが契約拡大の障害になる。Columnar Modeが成熟すれば、Datadog、Splunk、Prometheus系基盤との価格競争力が上がる。\n\nただし現時点ではテクニカルプレビューであり、本格的な商用効果は今後の一般提供と実運用次第である。\n\n### VectorDB Index Mode\n\nベクトル検索の量子化、キャッシュ、マージなどを自動最適化し、専門知識が少ない企業でもAI検索を導入しやすくする。\n\nベクトル検索そのものはコモディティ化しているため、これ単独で強い堀になるわけではない。しかし既存のElasticデータ上へAI検索を追加しやすくする効果は大きい。\n\n### Prometheus・PromQL対応\n\nPrometheusのremote-writeとPromQLを正式に支援し、GrafanaやDatadogからのダッシュボード・アラート移行も簡単にした。\n\nこれは短期的な売上へつながりやすい機能である。\n\n既存のPrometheus資産を大きく書き直さず、Elasticへ統合できれば、Observability市場での獲得力が上がる。\n\n### Agent ObservabilityとHuman-in-the-loop\n\nAIエージェントがどのモデル、検索、ツールを使い、どこで判断を誤ったかを追跡する。\n\n危険な操作については人間の承認を挟み、その判断を監査ログへ残す。\n\nAIが高度になるほど、企業にとって重要なのは「AIができること」ではなく、\n\n> AIに何を許可し、誰が承認し、何を記録するか\n\nになる。\n\nElasticは検索基盤だけでなく、AIの監視・監査・実行統制層へ進もうとしている。\n\n---\n\n## 8．Elastic Security Labsが示す技術的な説得力\n\nElastic Security Labsは、Elastic Securityが単なるログ保管製品ではないことを示している。\n\nAxios npmサプライチェーン攻撃では、既知のファイルハッシュだけでなく、\n\n- Node.jsからシェルが起動する\n- 外部からペイロードを取得する\n- バックグラウンドで実行する\n- Windows、macOS、Linuxで共通した攻撃行動を取る\n\nという振る舞いから攻撃を検出した。\n\nGolden Gh0st RATの追跡では、\n\n- 偽装された実行ファイル\n- 正規クラウドストレージの悪用\n- 有効なコード署名証明書\n- DLLサイドローディング\n- メモリ内実行\n- 指令サーバー通信\n\nを一つの攻撃キャンペーンとして関連付けている。\n\nこの強みは、個別のマルウェア名を知っていることではない。\n\n> 端末、ネットワーク、証明書、クラウド、プロセスのデータを横断し、攻撃者の行動を相関できること\n\nにある。\n\nElasticが検索エンジンとして積み上げてきた技術が、Securityでもそのまま利用されている。\n\nただし優れた研究結果が、そのまま売上成長を保証するわけではない。\n\n技術力が、\n\n- Security顧客数\n- 大型契約\n- XDRやSOARへのクロスセル\n- Elastic Cloudの消費量\n- NERとcRPO\n\nへ変換されるかが投資上の判定点になる。\n\n---\n\n## 9．次の決算では20％成長は期待しにくい\n\n次の決算では、Elasticがコンセンサスを上回る可能性はある。\n\nしかし総売上成長率が20％を超える可能性は高くない。\n\n会社のガイダンスが10％台前半である以上、通常の小幅な上振れでは、売上成長は14～16％程度にとどまると考えるのが自然である。\n\nまた、Elastic 9.5は次回決算の対象期間後に公開され、OpenAI協業も期末直前の発表である。\n\nしたがって次回決算は、\n\n> 9.5やOpenAI協業の成果を見る回ではなく、既存事業の地力を見る回\n\nである。\n\n注目すべきなのは総売上だけではない。\n\n- cRPO\n- RPO\n- Elastic Cloudの消費\n- Sales-led subscription\n- NER\n- 100万ドル以上の大型顧客\n- 通期ガイダンス\n\nである。\n\n特に売上より契約残高が速く伸びているなら、数四半期後の売上加速を市場が先に織り込む可能性がある。\n\n---\n\n## 10．次の次の決算で見るべきもの\n\n次の次の決算では、9.5とOpenAI協業が初めて対象期間へ本格的に入る。\n\nただし、そこで総売上が突然20％以上へ跳ねるとは限らない。\n\n企業向けソフトウェアは、\n\n```\n製品評価\n ↓\nPoC\n ↓\nセキュリティ審査\n ↓\n予算承認\n ↓\n移行テスト\n ↓\n契約\n ↓\n本番利用\n```\n\nという長い販売サイクルを持つ。\n\nさらに大型契約が成立しても、売上は契約期間や実際の利用量に応じて認識される。\n\nそのため最初に表れやすいのは、\n\n- OpenAIとの共同案件\n- Agent Builderの本番採用\n- PrometheusやDatadogからの移行案件\n- 大型契約\n- cRPOとRPO\n- 次四半期ガイダンス\n\nである。\n\n次の次の決算は「爆発的成長そのもの」より、\n\n> 将来の成長加速を示す先行指標が見えるか\n\nを確認する回になる可能性が高い。\n\n---\n\n## 11．本当の判定は2027年度後半から2028年度\n\nElastic 9.5、OpenAI協業、Agent Builder、Prometheus移行、Security自動化が実際の売上へ変わるには時間がかかる。\n\n基本シナリオは次のようになる。\n\n```\n| 時期 | 主な確認事項 |\n| 次回決算 | 既存事業の地力、cRPO、Cloud、ガイダンス |\n| 次の次 | 9.5・OpenAI協業の初期案件、大型契約 |\n| その次以降 | 契約が売上へ変換されるか |\n| 2028年度 | 持続的な20％成長へ戻れるか |\n```\n\n2027年度後半から2028年度に、\n\n- 総売上17～20％以上\n- Sales-led subscriptionの20％超成長\n- NERの改善\n- Elastic Cloudの再加速\n- 大口顧客数の増加\n- Search & AIからSecurity・Observabilityへのクロスセル\n\nが同時に確認できれば、市場の評価軸は変わる可能性がある。\n\nElasticは「成熟したログ会社」ではなく、「企業AIのデータ・監視・Security基盤」として再評価される。\n\n---\n\n## 12．Elasticは本当に5～10倍過小評価なのか\n\nElasticの事業内容と競合企業の評価倍率を比較すると、現在の評価がかなり低いという見方には合理性がある。\n\nただし、現在の事業だけで企業価値が直ちに5～10倍になるとは限らない。\n\n売上成長が10％台半ばにとどまるなら、評価倍率の上昇には限界がある。\n\n現実的には、\n\n- 既存事業の評価修正：1.5～3倍\n- AIデータ基盤化に成功：3～5倍以上\n- 持続的な20％超成長と高利益率：さらに大きな上振れ\n\nという段階で考える方がよい。\n\n5～10倍の上昇には、単なる割安修正ではなく、事業そのものの再加速が必要である。\n\n---\n\n## 13．Elastic株に向く投資方法\n\nElasticは、CloudflareやCrowdStrikeのように、疑われにくい深い堀を持つ銘柄ではない。\n\nAIモデルが大きく進歩するたびに、\n\n```\nAIの能力向上\n ↓\nSaaS代替懸念\n ↓\nElastic株下落\n ↓\n企業AIの本番導入\n ↓\n検索・ログ・Security需要増加\n ↓\n決算で再評価\n```\n\nという循環を繰り返す可能性がある。\n\nしたがってElasticは、安定した永久保有銘柄というより、\n\n> 業績が壊れていないのに、AI代替懸念だけで売られた局面を拾う再評価型銘柄\n\nとして考える方が適している。\n\nAI懸念による下落と同時に、NER、cRPO、大口顧客、Cloud成長まで悪化しているなら注意が必要である。\n\nその場合は市場心理ではなく、代替や価格競争が実際に始まっている可能性がある。\n\n一方、事業指標が維持・改善しているのに株価だけが売られるなら、割安な投資機会になり得る。\n\n---\n\n## 結論\n\nElasticは、AIに代替されない絶対的な企業ではない。\n\n検索UI、RAG構築、ダッシュボード、クエリ生成といった表面的な機能は、AIによって急速にコモディティ化する。\n\nしかし企業AIが本番環境で動くには、\n\n- 最新の企業データ\n- 検索と集計\n- 権限管理\n- ログとトレース\n- セキュリティ監視\n- 人間による承認\n- 監査証跡\n\nが必要になる。\n\nElasticがこれらを一つのElasticsearch基盤で提供できれば、AIによって消えるSaaSではなく、AIを動かすための基盤側へ移れる。\n\n今後の焦点は明確である。\n\n> Elastic 9.5とOpenAI協業が、魅力的な技術発表にとどまるのか。 \n> それとも大型契約、利用量、cRPO、NER、売上成長として数字に表れるのか。\n\n次の決算は既存事業の確認であり、20％成長を期待する局面ではない。\n\n次の次の決算では、9.5やOpenAI協業による案件と契約の兆候を確認する。\n\nそして2027年度後半から2028年度に、持続的な成長再加速が証明されるかが本当の勝負になる。\n\nElasticは安全な銘柄ではない。\n\nしかし市場がAI代替リスクを強く織り込み過ぎているなら、企業AIのコンテキスト・Observability・Security基盤へ転換する上振れを、比較的低い評価で買える可能性がある。\n\nElasticへの投資とは、\n\n> 「SaaSは生き残るか」ではなく、 \n> 「AI時代に価値がUIからデータ・権限・監視・実行基盤へ移る中で、Elasticがその中心に入れるか」\n\nを問う投資なのである。\n\n---\n\n2026年8月6日午前4時過ぎに69.9ドルほどで1株約定したのですが、何か違う気がして売りたくなっています \n71ドルで売り指値を入れてしまいました \nこれは27年以降でも間に合いそうな感じがしなくもない\n\n半導体サイクルを怯えて、安定して成長しそうな銘柄を選んでしまった \nメモリーを買え、私は自分を鼓舞します \n何がサイクルだ \n来るとしても3年以上先だろ、ここでしょぼい上げを数回取るより、ガッツリ3～4倍を1～3年で狙っていく\n\nこれがメモリーであり、半導体であり、ボトルネックを握るものたちなのだ\n\n半導体爆上げ、AI性能爆上がり局面でのSaaS下げと、半導体下げ局面でのSaaSのAIでの利益拡大とSaaS上げ、そしてまたSaaS下げ、半導体上げはこれから何度か繰り返すだろう\n\nその結果、SaaSはcloud基盤を持ったNETのような物理的な堀のある銘柄と独自データを持った少しSaaSとは違うがTEMのような銘柄、PalantirやCRWD、SNOWくらいの堀のある銘柄だけが残るのだと思う\n\nAI時代に生き残るのは、半導体の供給制約を握る者たちとハイパースケーラー、独自データを持った企業と物理的な堀のあるSaaSのみだと考えている\n\nそこに、Elasticが入れるのかはわからないが、その兆候がみえない事はない\n\nしかし、その間にAIが出来る事が増える度に代替えを警戒し続け、半導体のようなボラリティはないにしても爆発的な伸びも期待できないとなると、やはり半導体の方がいいよねとなるのだ\n\n下げに惑わされない、譬え下げても戻って来る \nこの構造的な変化を頭では理解していても、軟調でよこよこ、上げても下げる\n\nこの様子に辟易とし、中国のレアアース、InP輸出規制懸念、金利、戦争、中間選挙などと言って更に判断を鈍らせる\n\n違う、違うんだ\n\n年末にどうなるか、27年に入った時にどうなっているか\n\n半導体だろう、そうだ、そうに違いない\n\n全体的には含み益バリアがあると言っても、高値で入った銘柄の含み損をみると吐きそうになる、ならない単純に飽きて来た\n\nもういいよ、わかってる、俺は本当はこわいんだ\n\nメモリーも上がり切ったんじゃないか、AIDC建て過ぎになるのでないのか\n\nああ、わかってる、バカらしいよな\n\n爆上げは近いぜ、だからこわいんだ、乗り遅れるかもとな、でも下げるかもとも俺の中の俺が言うんだよな\n\nそんなの年末とか27年からすれば、どうしてあの時もっとメモリー半導体買わなかったんだろう、って言ってる癖に\n\nここで、朝起きて冷静になって考えてみた\n\n待てよ、でもセキュリティも1つのボトルネックになりつつあるのではないか？\n\nOpenAIとの協業、Hugging Faceに不正侵入、それを食い止める為のログ検出…\n\nここにElasticは役立てる可能性が高い、他のセキュリティと競合する事もあれど分野が違えば協業もし得る\n\n中立性がセキュリティには重要になる\n\nこの物語は強い、AIにはセキュリティ税が課せられるようになる可能性がある\n\nそこをみると、これは悪い選択ではないかも知れないが確信は持てないのであった\n\n---\n\n特定銘柄の推奨・勧誘・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。","blocks":[{"id":"blk_1a96c417-0fb4-440e-8fdf-2d6556ecf553","kind":"figure","order":0,"section_id":"sec_feda0f59-1ac6-437a-8144-c26816c7e936","character_id":null,"markdown":"![](/media/1e6c6c417d72b1eef93ad0ef316dd74975fae3d4c27cf188d0ee899c5750ec7e-content.webp)","render_override":null},{"id":"blk_ee8ba65a-8506-4a13-bfd4-c7318e323598","kind":"heading","order":1,"section_id":"sec_89432da2-90da-4682-baf9-863a92566ec8","character_id":null,"markdown":"## Elasticは「SaaSの死」を越えられるか","render_override":null},{"id":"blk_590b3b8d-c1a3-4d2c-80e1-4e8272731eb3","kind":"heading","order":2,"section_id":"sec_e61a9ffc-1f2c-406e-9a4b-024ac0e3eaf7","character_id":null,"markdown":"## 検索企業から、企業AIのコンテキスト・監視・セキュリティ基盤へ","render_override":null},{"id":"blk_0ceb2458-eb4a-41c7-93ed-27b643dbf568","kind":"paragraph","order":3,"section_id":"sec_e61a9ffc-1f2c-406e-9a4b-024ac0e3eaf7","character_id":null,"markdown":"生成AIの性能が上がるたびに、SaaS企業には同じ疑問が突き付けられる。","render_override":null},{"id":"blk_25d1fe15-8dcd-4da0-bcc8-3f6d989c6593","kind":"quote","order":4,"section_id":"sec_e61a9ffc-1f2c-406e-9a4b-024ac0e3eaf7","character_id":null,"markdown":"> その製品は、より高性能なAIによって簡単に作り直されるのではないか。","render_override":null},{"id":"blk_e67f0fbc-612d-4234-9254-044a7bb2678a","kind":"paragraph","order":5,"section_id":"sec_e61a9ffc-1f2c-406e-9a4b-024ac0e3eaf7","character_id":null,"markdown":"入力画面、ダッシュボード、定型レポート、社内検索、チケット分類、簡単なワークフロー。従来は企業が毎月料金を支払っていた多くの機能を、AIが短期間で生成できる時代が近づいている。","render_override":null},{"id":"blk_0c98ef35-7961-4173-81ed-889f1b7d6bec","kind":"paragraph","order":6,"section_id":"sec_e61a9ffc-1f2c-406e-9a4b-024ac0e3eaf7","character_id":null,"markdown":"こうした「SaaSの死」懸念に最も強いのは、物理的なネットワークを持つCloudflare、独自の脅威データを持つCrowdStrike、臨床・医療データを蓄積するTempus AI、そして計算資源そのものを供給する半導体・ハイパースケーラーである。","render_override":null},{"id":"blk_fe9502f5-0939-4c2e-b65b-cb31aa24b4cb","kind":"paragraph","order":7,"section_id":"sec_e61a9ffc-1f2c-406e-9a4b-024ac0e3eaf7","character_id":null,"markdown":"では、Elasticはどちら側にいるのか。","render_override":null},{"id":"blk_dd81c65a-7569-447e-a59d-a55f1c68f2a8","kind":"paragraph","order":8,"section_id":"sec_e61a9ffc-1f2c-406e-9a4b-024ac0e3eaf7","character_id":null,"markdown":"ElasticはAIに代替されるソフトウェア企業なのか。それとも、AIが企業内で動くために必要となる基盤なのか。","render_override":null},{"id":"blk_fc9b564e-b829-4f20-943e-d00ddac735d6","kind":"paragraph","order":9,"section_id":"sec_e61a9ffc-1f2c-406e-9a4b-024ac0e3eaf7","character_id":null,"markdown":"結論から言えば、Elasticはその境界に位置している。","render_override":null},{"id":"blk_c3169c3c-bdac-43eb-8ba7-15ad6c25c63d","kind":"paragraph","order":10,"section_id":"sec_e61a9ffc-1f2c-406e-9a4b-024ac0e3eaf7","character_id":null,"markdown":"単純な検索画面やRAG構築機能は、AIによってコモディティ化する可能性が高い。一方で、企業データの収集、正規化、索引化、権限管理、リアルタイム分析、セキュリティ監査まで含めた本番基盤は、AIだけで簡単に置き換えられるものではない。","render_override":null},{"id":"blk_a6b37830-4c39-44e0-9abd-64e7199c7146","kind":"paragraph","order":11,"section_id":"sec_e61a9ffc-1f2c-406e-9a4b-024ac0e3eaf7","character_id":null,"markdown":"Elasticへの投資は、深い物理的な堀を買う投資ではない。","render_override":null},{"id":"blk_b1b73960-2aae-43fc-9394-945fce34adbe","kind":"quote","order":12,"section_id":"sec_e61a9ffc-1f2c-406e-9a4b-024ac0e3eaf7","character_id":null,"markdown":"> AIによるソフトウェアのコモディティ化を上回る速度で、Elasticが企業のデータ基盤として定着できるかに賭ける投資である。","render_override":null},{"id":"blk_53108240-810e-4cf6-b953-b70627e8b7e9","kind":"thematic_break","order":13,"section_id":"sec_e61a9ffc-1f2c-406e-9a4b-024ac0e3eaf7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_85abe004-71a2-4897-967c-acb96350b59d","kind":"heading","order":14,"section_id":"sec_4c26ec63-6f2a-414b-8a73-f7e4c18dbbac","character_id":null,"markdown":"## 1．Elasticは何をしている会社なのか","render_override":null},{"id":"blk_30cbf65c-d75c-4355-81a6-092120d725f3","kind":"paragraph","order":15,"section_id":"sec_4c26ec63-6f2a-414b-8a73-f7e4c18dbbac","character_id":null,"markdown":"Elasticの原点は、2010年に公開された分散検索エンジンElasticsearchである。","render_override":null},{"id":"blk_317fd0ce-ae54-4601-beba-e6e768f85093","kind":"paragraph","order":16,"section_id":"sec_4c26ec63-6f2a-414b-8a73-f7e4c18dbbac","character_id":null,"markdown":"大量の文書やログを索引化し、関連する情報を高速に検索する技術から始まり、Logstashによるデータ収集、Kibanaによる可視化、BeatsやElastic Agentによる端末・クラウドデータの収集へと拡大してきた。","render_override":null},{"id":"blk_08dcfc21-8c32-470e-b70d-e01c8ffaaafd","kind":"paragraph","order":17,"section_id":"sec_4c26ec63-6f2a-414b-8a73-f7e4c18dbbac","character_id":null,"markdown":"現在の事業は、大きく三つに分けられる。","render_override":null},{"id":"blk_5af2416c-08ca-4da7-ac5a-8d4a15d2d74a","kind":"heading","order":18,"section_id":"sec_e6277120-e6ea-4ecd-b143-fb0e0f98e3ee","character_id":null,"markdown":"### Search & AI","render_override":null},{"id":"blk_9d96fc96-0df3-4cc3-a8e6-cab209857b98","kind":"paragraph","order":19,"section_id":"sec_e6277120-e6ea-4ecd-b143-fb0e0f98e3ee","character_id":null,"markdown":"企業文書、商品情報、顧客履歴、ログなどを検索し、生成AIやAIエージェントへ必要な情報を渡す。","render_override":null},{"id":"blk_8a78ae14-2115-4083-8a2b-c8a97ca426a7","kind":"heading","order":20,"section_id":"sec_954b10b4-f63f-4b01-8bac-1d7ec36c9a0f","character_id":null,"markdown":"### Observability","render_override":null},{"id":"blk_151e0085-0063-4a42-84b6-166da1f389d3","kind":"paragraph","order":21,"section_id":"sec_954b10b4-f63f-4b01-8bac-1d7ec36c9a0f","character_id":null,"markdown":"ログ、メトリクス、分散トレース、アプリケーション性能を分析し、システム障害や性能低下の原因を調査する。","render_override":null},{"id":"blk_11ec2bb9-05ed-4178-9d16-d85a4b85d4d8","kind":"heading","order":22,"section_id":"sec_0e3ee6b4-da5c-4e06-91d7-027099d9a877","character_id":null,"markdown":"### Security","render_override":null},{"id":"blk_46b45649-a8d7-4fc6-97a3-ca646b3945da","kind":"paragraph","order":23,"section_id":"sec_0e3ee6b4-da5c-4e06-91d7-027099d9a877","character_id":null,"markdown":"端末、ID、クラウド、ネットワークから発生するセキュリティイベントを集約し、攻撃の検知、調査、対応を行う。","render_override":null},{"id":"blk_f3d7ec08-2b7b-49bf-9175-41896d291698","kind":"paragraph","order":24,"section_id":"sec_0e3ee6b4-da5c-4e06-91d7-027099d9a877","character_id":null,"markdown":"表面的には三つの製品群だが、下にあるのは共通のElasticsearchである。","render_override":null},{"id":"blk_2dc5b998-c104-4fea-b7fa-fd65251f1785","kind":"code","order":25,"section_id":"sec_0e3ee6b4-da5c-4e06-91d7-027099d9a877","character_id":null,"markdown":"```\n企業文書・業務データ\nログ・メトリクス・トレース\n端末・ID・クラウドの警告\n ↓\n Elasticsearch\n ↓\n Search & AI\n Observability\n Security\n```","render_override":null},{"id":"blk_b426d9c1-9dd9-473e-af1e-591e76972bca","kind":"paragraph","order":26,"section_id":"sec_0e3ee6b4-da5c-4e06-91d7-027099d9a877","character_id":null,"markdown":"同じデータを複数の用途に使えることがElasticの最大の特徴である。","render_override":null},{"id":"blk_bbf26485-5151-4526-824f-c658b46d4a31","kind":"thematic_break","order":27,"section_id":"sec_0e3ee6b4-da5c-4e06-91d7-027099d9a877","character_id":null,"markdown":"---","render_override":null},{"id":"blk_8e0f8a78-9a4c-4d5e-a279-018e16a013f3","kind":"heading","order":28,"section_id":"sec_d2b79eaa-eae1-4fbd-9d0a-fec65f64f97d","character_id":null,"markdown":"## 2．Elasticの本当の堀は検索画面ではない","render_override":null},{"id":"blk_830084aa-cad7-4e00-b929-cdacac885c7d","kind":"paragraph","order":29,"section_id":"sec_d2b79eaa-eae1-4fbd-9d0a-fec65f64f97d","character_id":null,"markdown":"AIによって最も早く価値を失うのは、検索UIやダッシュボードである。","render_override":null},{"id":"blk_24023bd7-5cb3-401f-9f1d-bbc0c1db6750","kind":"paragraph","order":30,"section_id":"sec_d2b79eaa-eae1-4fbd-9d0a-fec65f64f97d","character_id":null,"markdown":"AIは自然言語から検索クエリを書き、ダッシュボードを生成し、ログを要約し、アラートルールを作れるようになる。簡単なRAGであれば、オープンソースのベクトルDBやクラウドサービスを組み合わせて短期間で構築できる。","render_override":null},{"id":"blk_3b2b3997-e8e0-4dd3-bf28-2edc86cab05e","kind":"paragraph","order":31,"section_id":"sec_d2b79eaa-eae1-4fbd-9d0a-fec65f64f97d","character_id":null,"markdown":"したがって、Agent Builderの画面やMCP対応だけをElasticの堀と見るべきではない。","render_override":null},{"id":"blk_f236e8a6-db86-4760-8568-49ed8f96a1ad","kind":"paragraph","order":32,"section_id":"sec_d2b79eaa-eae1-4fbd-9d0a-fec65f64f97d","character_id":null,"markdown":"Elasticの本当の価値は、その下にある。","render_override":null},{"id":"blk_3fe05abe-a819-480a-8ab4-12eabfa93f10","kind":"list","order":33,"section_id":"sec_d2b79eaa-eae1-4fbd-9d0a-fec65f64f97d","character_id":null,"markdown":"- 数十億件以上のデータをリアルタイムに索引化する\n- 異なる製品のログを共通形式へ正規化する\n- 全文検索、ベクトル検索、時系列集計を組み合わせる\n- ユーザーごとの閲覧権限を守る\n- データの保存期間とストレージ階層を管理する\n- 障害が起きても分散クラスターを稼働させる\n- 調査・対応・監査履歴を継続的に保持する","render_override":null},{"id":"blk_fab46eb7-dd1d-4acc-b07b-dc9317ec3a93","kind":"paragraph","order":34,"section_id":"sec_d2b79eaa-eae1-4fbd-9d0a-fec65f64f97d","character_id":null,"markdown":"という本番運用部分である。","render_override":null},{"id":"blk_3516f58a-1668-4fd0-9b72-92884b2d23c2","kind":"paragraph","order":35,"section_id":"sec_d2b79eaa-eae1-4fbd-9d0a-fec65f64f97d","character_id":null,"markdown":"AIはコードを書くことはできる。しかし、数年間蓄積された企業固有のデータ構造、検知ルール、アクセス権、監査記録を、業務を止めずに移行することは別の問題である。","render_override":null},{"id":"blk_99b2bec5-ccae-42e8-b7fc-35930899f554","kind":"thematic_break","order":36,"section_id":"sec_d2b79eaa-eae1-4fbd-9d0a-fec65f64f97d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_52378992-7aa5-48e3-aeaa-6ca06e8d3860","kind":"heading","order":37,"section_id":"sec_6a39c866-53af-45cf-9774-274a104b1234","character_id":null,"markdown":"## 3．Elasticのロックインは「後から形成される」","render_override":null},{"id":"blk_a33363d9-3a16-4944-b3a3-68a8dd2ffc8e","kind":"paragraph","order":38,"section_id":"sec_6a39c866-53af-45cf-9774-274a104b1234","character_id":null,"markdown":"Elasticのロックイン効果は、導入した瞬間から極端に強いわけではない。","render_override":null},{"id":"blk_8467c14c-5562-4c9a-8abb-61157079b6ff","kind":"paragraph","order":39,"section_id":"sec_6a39c866-53af-45cf-9774-274a104b1234","character_id":null,"markdown":"小規模なWeb検索や単純なRAGなら、別製品へ比較的移行しやすい。元データを別の検索基盤へ再投入し、AIにクエリや画面を作らせればよいからだ。","render_override":null},{"id":"blk_ffa2cef5-25b8-4f75-a83e-e4c59a3522b2","kind":"paragraph","order":40,"section_id":"sec_6a39c866-53af-45cf-9774-274a104b1234","character_id":null,"markdown":"しかし本格導入すると、次の資産が顧客環境に蓄積される。","render_override":null},{"id":"blk_0affe7e4-625e-4603-b74b-8531b80dd810","kind":"list","order":41,"section_id":"sec_6a39c866-53af-45cf-9774-274a104b1234","character_id":null,"markdown":"- インデックスとフィールド設計\n- 日本語解析や同義語辞書\n- データ取り込みパイプライン\n- ECSへの正規化ルール\n- Kibanaダッシュボード\n- アラートと例外設定\n- データ保持ルール\n- Securityの検知ルール\n- 機械学習ジョブ\n- 調査ケースと監査履歴\n- Elastic Agentの配布設定\n- 外部システムとの連携\n- AIエージェント向けのツールとワークフロー","render_override":null},{"id":"blk_2c79f432-f4af-4d8d-b5d0-f353c10111c4","kind":"paragraph","order":42,"section_id":"sec_6a39c866-53af-45cf-9774-274a104b1234","character_id":null,"markdown":"データ自体は移せても、その周辺に形成された運用全体を移すには大規模なITプロジェクトが必要になる。","render_override":null},{"id":"blk_d3164316-838f-4e46-a8a6-5eca63565a5b","kind":"paragraph","order":43,"section_id":"sec_6a39c866-53af-45cf-9774-274a104b1234","character_id":null,"markdown":"特にSecurityでは、移行ミスが攻撃の見逃しにつながる。Observabilityでは、監視が途切れれば本番障害への対応が遅れる。","render_override":null},{"id":"blk_f16c6c18-e663-4284-bdcf-de12a55cba8d","kind":"paragraph","order":44,"section_id":"sec_6a39c866-53af-45cf-9774-274a104b1234","character_id":null,"markdown":"そのためElasticのロックインは、","render_override":null},{"id":"blk_a931839d-1b86-411c-bdb2-a07f8eb5ccdc","kind":"quote","order":45,"section_id":"sec_6a39c866-53af-45cf-9774-274a104b1234","character_id":null,"markdown":"> 新規導入時には弱いが、データソースと利用用途が増えるほど急速に強くなる","render_override":null},{"id":"blk_653a6623-87de-4b9b-81f9-73ab9f65eb38","kind":"paragraph","order":46,"section_id":"sec_6a39c866-53af-45cf-9774-274a104b1234","character_id":null,"markdown":"という性質を持つ。","render_override":null},{"id":"blk_70842cb2-54e1-447b-81da-637e07132811","kind":"paragraph","order":47,"section_id":"sec_6a39c866-53af-45cf-9774-274a104b1234","character_id":null,"markdown":"Search、Observability、Securityを同時に使う顧客では、ロックインはかなり強い。","render_override":null},{"id":"blk_d1a86fc1-a0bd-48f8-b8f8-41234ed844d9","kind":"thematic_break","order":48,"section_id":"sec_6a39c866-53af-45cf-9774-274a104b1234","character_id":null,"markdown":"---","render_override":null},{"id":"blk_cba33597-729d-4ef4-943c-abf2dc7abdaf","kind":"heading","order":49,"section_id":"sec_a62190f4-a65c-4cab-933b-8244a7bb709a","character_id":null,"markdown":"## 4．「SaaSの死」はElasticにも繰り返し訪れる","render_override":null},{"id":"blk_1917d37d-51f7-4466-880d-a8d9c591ecb3","kind":"paragraph","order":50,"section_id":"sec_a62190f4-a65c-4cab-933b-8244a7bb709a","character_id":null,"markdown":"ElasticにはAI代替リスクがある。","render_override":null},{"id":"blk_24be736d-6f3d-44e4-8736-17ff664f061c","kind":"paragraph","order":51,"section_id":"sec_a62190f4-a65c-4cab-933b-8244a7bb709a","character_id":null,"markdown":"今後のAIは、","render_override":null},{"id":"blk_eb6228d8-0669-474f-a047-df8862d54d62","kind":"list","order":52,"section_id":"sec_a62190f4-a65c-4cab-933b-8244a7bb709a","character_id":null,"markdown":"- ES|QLやKQLを自動生成する\n- OpenSearchなどへの移行コードを書く\n- ダッシュボードを自動変換する\n- 検知ルールを別形式へ翻訳する\n- データの移行テストを自動化する\n- オープンソース監視基盤を自律的に構築する","render_override":null},{"id":"blk_689ebc56-cd88-4b30-9121-9f7394dd30b3","kind":"paragraph","order":53,"section_id":"sec_a62190f4-a65c-4cab-933b-8244a7bb709a","character_id":null,"markdown":"ようになる。","render_override":null},{"id":"blk_d8d0c3f6-2618-48e5-a463-1adc483a251a","kind":"paragraph","order":54,"section_id":"sec_a62190f4-a65c-4cab-933b-8244a7bb709a","character_id":null,"markdown":"顧客がElasticと完全に同等のものを作る必要はない。","render_override":null},{"id":"blk_a78c82a9-d297-41ce-9083-014addfe5e5b","kind":"paragraph","order":55,"section_id":"sec_a62190f4-a65c-4cab-933b-8244a7bb709a","character_id":null,"markdown":"「機能の70％で十分なので、料金を半分にしたい」という判断が増えれば、Elasticの価格決定力は低下する。","render_override":null},{"id":"blk_bb361c87-cd89-4f4f-b89e-e54a7cece0cd","kind":"paragraph","order":56,"section_id":"sec_a62190f4-a65c-4cab-933b-8244a7bb709a","character_id":null,"markdown":"特に脅威となるのは、","render_override":null},{"id":"blk_05fbed99-76cd-401a-afb2-9a22419bec39","kind":"list","order":57,"section_id":"sec_a62190f4-a65c-4cab-933b-8244a7bb709a","character_id":null,"markdown":"- AWS OpenSearch\n- Microsoft Azureの検索・監視・Security製品\n- Google Cloudのデータ・AI基盤\n- PrometheusとGrafana\n- Datadog\n- SnowflakeやDatabricks\n- 各種ベクトルデータベース","render_override":null},{"id":"blk_7c5c0d12-0667-4f8b-960d-ff3c60e59f06","kind":"paragraph","order":58,"section_id":"sec_a62190f4-a65c-4cab-933b-8244a7bb709a","character_id":null,"markdown":"である。","render_override":null},{"id":"blk_ad646b69-d828-4732-8e22-5033337d73d9","kind":"paragraph","order":59,"section_id":"sec_a62190f4-a65c-4cab-933b-8244a7bb709a","character_id":null,"markdown":"AIがこうした競合製品の導入や運用を簡単にするほど、Elasticの技術的なロックインは弱まる。","render_override":null},{"id":"blk_9cc4c5cc-abcb-4876-aaee-0feaced76e6c","kind":"paragraph","order":60,"section_id":"sec_a62190f4-a65c-4cab-933b-8244a7bb709a","character_id":null,"markdown":"そのためElasticは、AIモデルが大きく進歩するたびに、","render_override":null},{"id":"blk_61bb54e5-c673-444e-b732-b7e9f6de0921","kind":"quote","order":61,"section_id":"sec_a62190f4-a65c-4cab-933b-8244a7bb709a","character_id":null,"markdown":"> 今度こそ検索やログ分析がコモディティ化するのではないか","render_override":null},{"id":"blk_a9f5d9d9-c703-4ad1-ad98-efa9cd68a9e2","kind":"paragraph","order":62,"section_id":"sec_a62190f4-a65c-4cab-933b-8244a7bb709a","character_id":null,"markdown":"という懸念にさらされ続ける可能性が高い。","render_override":null},{"id":"blk_c6176818-abb4-4e7d-8f30-405cff498671","kind":"thematic_break","order":63,"section_id":"sec_a62190f4-a65c-4cab-933b-8244a7bb709a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9e523148-cd98-4402-9e37-12c623267dba","kind":"heading","order":64,"section_id":"sec_d4fd9d0a-c0a7-4213-87f5-be1fe0dddceb","character_id":null,"markdown":"## 5．一方でAIはElasticの需要も増やす","render_override":null},{"id":"blk_d1f9e282-f86b-490c-b7c3-c7cb473814ca","kind":"paragraph","order":65,"section_id":"sec_d4fd9d0a-c0a7-4213-87f5-be1fe0dddceb","character_id":null,"markdown":"AIはElasticの敵であると同時に、需要創出装置でもある。","render_override":null},{"id":"blk_52e952c4-c3f1-4a54-8492-c3379e3da234","kind":"paragraph","order":66,"section_id":"sec_d4fd9d0a-c0a7-4213-87f5-be1fe0dddceb","character_id":null,"markdown":"AIエージェントが企業内で動くと、従来以上に大量のデータが発生する。","render_override":null},{"id":"blk_0c58d023-d49f-47b9-b4ce-919b79ac890c","kind":"list","order":67,"section_id":"sec_d4fd9d0a-c0a7-4213-87f5-be1fe0dddceb","character_id":null,"markdown":"- プロンプト\n- モデルの回答\n- トークン使用量\n- ツール呼び出し\n- RAG検索履歴\n- エージェントの推論経路\n- APIの応答時間\n- セキュリティイベント\n- AIが実行した業務操作\n- 人間による承認履歴","render_override":null},{"id":"blk_42af7bdf-6c99-4cc0-8ec4-1cb0a0ca9963","kind":"paragraph","order":68,"section_id":"sec_d4fd9d0a-c0a7-4213-87f5-be1fe0dddceb","character_id":null,"markdown":"一人の人間が一回質問しても、エージェントは複数回の検索、集計、外部ツール呼び出しを行う。","render_override":null},{"id":"blk_a54641b5-e59f-4295-a417-837fc996a8c8","kind":"code","order":69,"section_id":"sec_d4fd9d0a-c0a7-4213-87f5-be1fe0dddceb","character_id":null,"markdown":"```\n人間が一回質問\n ↓\n文書検索\n ↓\n権限確認\n ↓\n追加検索\n ↓\n数値集計\n ↓\n外部API実行\n ↓\n結果の再確認\n```","render_override":null},{"id":"blk_6d0e0539-f77f-4933-84a1-fee19213c61a","kind":"paragraph","order":70,"section_id":"sec_d4fd9d0a-c0a7-4213-87f5-be1fe0dddceb","character_id":null,"markdown":"したがってAIエージェントが普及すると、人間の利用者数以上に検索・ログ・監視の処理量が増える可能性がある。","render_override":null},{"id":"blk_b9e9f40e-1059-466f-8909-eb2401df1caa","kind":"paragraph","order":71,"section_id":"sec_d4fd9d0a-c0a7-4213-87f5-be1fe0dddceb","character_id":null,"markdown":"Elasticがこの処理量をElastic Cloudの消費へ変換できれば、AIは代替要因ではなく成長要因になる。","render_override":null},{"id":"blk_880cd1ea-37ac-4961-b080-efd917d93734","kind":"thematic_break","order":72,"section_id":"sec_d4fd9d0a-c0a7-4213-87f5-be1fe0dddceb","character_id":null,"markdown":"---","render_override":null},{"id":"blk_dace2993-3eea-405c-9dbc-f89fc8c8fa64","kind":"heading","order":73,"section_id":"sec_e3058655-c893-45df-8f24-6ca4dd4c3e88","character_id":null,"markdown":"## 6．OpenAIとの協業が意味するもの","render_override":null},{"id":"blk_12ef6eef-3756-4fda-9fff-8ef11bacd783","kind":"paragraph","order":74,"section_id":"sec_e3058655-c893-45df-8f24-6ca4dd4c3e88","character_id":null,"markdown":"ElasticとOpenAIの協業は、単にElasticsearchからOpenAI APIを呼び出せるという話ではない。","render_override":null},{"id":"blk_cb68d8f2-8bad-45c2-b559-905c6385ed84","kind":"paragraph","order":75,"section_id":"sec_e3058655-c893-45df-8f24-6ca4dd4c3e88","character_id":null,"markdown":"役割分担は明確である。","render_override":null},{"id":"blk_9da1add7-1e5d-4cd6-997f-19924ac8c699","kind":"code","order":76,"section_id":"sec_e3058655-c893-45df-8f24-6ca4dd4c3e88","character_id":null,"markdown":"```\nOpenAI\n質問理解・推論・ツール選択・回答生成\n\nElastic\n企業データ・検索・権限・ログ・監視・Security\n```","render_override":null},{"id":"blk_42f63188-4edd-4ca3-9487-ee80813f6635","kind":"paragraph","order":77,"section_id":"sec_e3058655-c893-45df-8f24-6ca4dd4c3e88","character_id":null,"markdown":"企業の大部分の情報は、表形式のデータベースではなく、文書、チケット、ログ、トレース、セキュリティ警告などの非構造化データに存在する。","render_override":null},{"id":"blk_dff13bf7-079e-4855-8aa6-0b673916e64f","kind":"paragraph","order":78,"section_id":"sec_e3058655-c893-45df-8f24-6ca4dd4c3e88","character_id":null,"markdown":"モデルが高性能でも、これらの最新データへアクセスできなければ、企業固有の質問には正しく答えられない。","render_override":null},{"id":"blk_e763ba16-cd59-4324-ab7d-6dfebe364229","kind":"paragraph","order":79,"section_id":"sec_e3058655-c893-45df-8f24-6ca4dd4c3e88","character_id":null,"markdown":"Elasticは、AIエージェントが必要な情報を、","render_override":null},{"id":"blk_33e637bc-83cd-4241-be1f-35a87fddc0df","kind":"list","order":80,"section_id":"sec_e3058655-c893-45df-8f24-6ca4dd4c3e88","character_id":null,"markdown":"- 正しい検索方式で探す\n- 関連性の高い部分だけ取得する\n- ユーザーの権限で閲覧可能な情報に絞る\n- 少ないトークンでモデルへ渡す","render_override":null},{"id":"blk_82536a86-671b-4afb-b27e-4cbc3e9bf442","kind":"paragraph","order":81,"section_id":"sec_e3058655-c893-45df-8f24-6ca4dd4c3e88","character_id":null,"markdown":"Retrieval Layerを担おうとしている。","render_override":null},{"id":"blk_983cff7f-0b41-4a8b-8102-e2cbd88fe3cf","kind":"paragraph","order":82,"section_id":"sec_e3058655-c893-45df-8f24-6ca4dd4c3e88","character_id":null,"markdown":"協業が目指すのは三つである。","render_override":null},{"id":"blk_1dc46d8c-3a1c-41a0-9de6-1ca1ad1bedf1","kind":"heading","order":83,"section_id":"sec_9cc5f324-af16-45ee-81bb-14e115627972","character_id":null,"markdown":"### コンテキストを理解するAIエージェント","render_override":null},{"id":"blk_c349b354-98fc-4153-861b-03b63f18b8fc","kind":"paragraph","order":84,"section_id":"sec_9cc5f324-af16-45ee-81bb-14e115627972","character_id":null,"markdown":"企業文書、顧客履歴、業務データを検索し、根拠付きで回答・実行する。","render_override":null},{"id":"blk_bb66d45c-065f-417c-b7c3-c9ca38471b71","kind":"heading","order":85,"section_id":"sec_c6ca078a-4cfd-47b2-ac4f-78992a019310","character_id":null,"markdown":"### Agentic Observability","render_override":null},{"id":"blk_b05d88db-0a96-4e89-bc71-c8ce92f475d4","kind":"paragraph","order":86,"section_id":"sec_c6ca078a-4cfd-47b2-ac4f-78992a019310","character_id":null,"markdown":"ログ、メトリクス、トレース、AIのツール呼び出しを横断し、障害原因を自動調査する。","render_override":null},{"id":"blk_f848f920-fd3c-4a9c-b85d-281485f8719a","kind":"heading","order":87,"section_id":"sec_5d43cba4-d70f-4c52-b97d-e641b548273a","character_id":null,"markdown":"### Agentic Security Operations","render_override":null},{"id":"blk_57fe3a85-b9f4-42ab-a51f-ea104a125f88","kind":"paragraph","order":88,"section_id":"sec_5d43cba4-d70f-4c52-b97d-e641b548273a","character_id":null,"markdown":"大量のアラートを攻撃単位にまとめ、証拠を追加調査し、人間が確認可能な形へ整理する。","render_override":null},{"id":"blk_13aa95e3-1928-4939-a0e4-f585a08d2274","kind":"paragraph","order":89,"section_id":"sec_5d43cba4-d70f-4c52-b97d-e641b548273a","character_id":null,"markdown":"ただし、この協業には独占条件や巨額の最低購入額が公表されているわけではない。","render_override":null},{"id":"blk_997b9e9a-59ec-4b69-81ef-0fc813c23e8e","kind":"paragraph","order":90,"section_id":"sec_5d43cba4-d70f-4c52-b97d-e641b548273a","character_id":null,"markdown":"したがって短期的な売上材料というより、","render_override":null},{"id":"blk_a1204fa1-2ab1-439b-ba24-d17353209a2a","kind":"quote","order":91,"section_id":"sec_5d43cba4-d70f-4c52-b97d-e641b548273a","character_id":null,"markdown":"> Elasticが企業AIのコンテキスト層として認められる可能性を示した戦略的材料","render_override":null},{"id":"blk_bb1f1cf1-6b55-4e18-aaba-375abddafb97","kind":"paragraph","order":92,"section_id":"sec_5d43cba4-d70f-4c52-b97d-e641b548273a","character_id":null,"markdown":"と見るべきである。","render_override":null},{"id":"blk_96410760-aa3a-43c8-bc8e-93b896646f42","kind":"thematic_break","order":93,"section_id":"sec_5d43cba4-d70f-4c52-b97d-e641b548273a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_8cd592a2-07d7-4cd8-bff5-6062b3fcb248","kind":"heading","order":94,"section_id":"sec_5447a1ab-e50d-4ab8-a6bb-22954313d6ef","character_id":null,"markdown":"## 7．Elastic 9.5はAI時代への会社側の回答","render_override":null},{"id":"blk_6327527e-01c9-44b9-8434-f3354c295096","kind":"paragraph","order":95,"section_id":"sec_5447a1ab-e50d-4ab8-a6bb-22954313d6ef","character_id":null,"markdown":"Elastic 9.5は、AI機能を追加しただけの更新ではない。","render_override":null},{"id":"blk_ce912b85-4740-4db2-9abc-d14af3330050","kind":"paragraph","order":96,"section_id":"sec_5447a1ab-e50d-4ab8-a6bb-22954313d6ef","character_id":null,"markdown":"今回のリリースでは、Elasticが抱えてきた二つの弱点に対応している。","render_override":null},{"id":"blk_57db738e-fc6e-47ef-8141-76f9f01761f8","kind":"list","order":97,"section_id":"sec_5447a1ab-e50d-4ab8-a6bb-22954313d6ef","character_id":null,"markdown":"- 保存・処理コストが高くなりやすい\n- 高機能だが設定・運用が難しい","render_override":null},{"id":"blk_c2143867-320e-4ab9-b17c-f6006744326f","kind":"heading","order":98,"section_id":"sec_5d9952d5-d77e-48f8-8119-9fd623a79e55","character_id":null,"markdown":"### Columnar Mode","render_override":null},{"id":"blk_4bd63ed0-1a7f-41f3-b4cf-d887cb575343","kind":"paragraph","order":99,"section_id":"sec_5d9952d5-d77e-48f8-8119-9fd623a79e55","character_id":null,"markdown":"ログやメトリクスを列指向で保存し、容量と集計コストを下げる。","render_override":null},{"id":"blk_e5ba6442-b7cd-4f5a-bbe0-8d6eac74ae35","kind":"paragraph","order":100,"section_id":"sec_5d9952d5-d77e-48f8-8119-9fd623a79e55","character_id":null,"markdown":"ObservabilityやSecurityでは、保存コストが契約拡大の障害になる。Columnar Modeが成熟すれば、Datadog、Splunk、Prometheus系基盤との価格競争力が上がる。","render_override":null},{"id":"blk_c4af0dad-0d0d-42f6-ba07-94ddda0f0a4c","kind":"paragraph","order":101,"section_id":"sec_5d9952d5-d77e-48f8-8119-9fd623a79e55","character_id":null,"markdown":"ただし現時点ではテクニカルプレビューであり、本格的な商用効果は今後の一般提供と実運用次第である。","render_override":null},{"id":"blk_1ca718f0-8628-41f3-99a3-77aa8a437bde","kind":"heading","order":102,"section_id":"sec_8b8728df-0ee9-4bd5-aebd-9fc5d19562df","character_id":null,"markdown":"### VectorDB Index Mode","render_override":null},{"id":"blk_1c7122bc-638c-4143-a245-93447edfe940","kind":"paragraph","order":103,"section_id":"sec_8b8728df-0ee9-4bd5-aebd-9fc5d19562df","character_id":null,"markdown":"ベクトル検索の量子化、キャッシュ、マージなどを自動最適化し、専門知識が少ない企業でもAI検索を導入しやすくする。","render_override":null},{"id":"blk_6689f911-9e15-4cc6-8e93-acab8648edab","kind":"paragraph","order":104,"section_id":"sec_8b8728df-0ee9-4bd5-aebd-9fc5d19562df","character_id":null,"markdown":"ベクトル検索そのものはコモディティ化しているため、これ単独で強い堀になるわけではない。しかし既存のElasticデータ上へAI検索を追加しやすくする効果は大きい。","render_override":null},{"id":"blk_eb1b5428-eb9d-43b4-bc8d-677adfd9a6db","kind":"heading","order":105,"section_id":"sec_3f6db574-6ab6-4f95-8651-e2e359d38cd7","character_id":null,"markdown":"### Prometheus・PromQL対応","render_override":null},{"id":"blk_def5e3d6-06af-4ce2-9166-7c41c2f0b9e5","kind":"paragraph","order":106,"section_id":"sec_3f6db574-6ab6-4f95-8651-e2e359d38cd7","character_id":null,"markdown":"Prometheusのremote-writeとPromQLを正式に支援し、GrafanaやDatadogからのダッシュボード・アラート移行も簡単にした。","render_override":null},{"id":"blk_4b13f4a3-4c60-4af2-af0a-acc1b891376c","kind":"paragraph","order":107,"section_id":"sec_3f6db574-6ab6-4f95-8651-e2e359d38cd7","character_id":null,"markdown":"これは短期的な売上へつながりやすい機能である。","render_override":null},{"id":"blk_cba88f5f-03a7-446d-8040-59934530279e","kind":"paragraph","order":108,"section_id":"sec_3f6db574-6ab6-4f95-8651-e2e359d38cd7","character_id":null,"markdown":"既存のPrometheus資産を大きく書き直さず、Elasticへ統合できれば、Observability市場での獲得力が上がる。","render_override":null},{"id":"blk_f6ffdaae-e03c-4f2e-8716-e53889110113","kind":"heading","order":109,"section_id":"sec_7c83285b-f957-4fef-b635-aa5450947ba8","character_id":null,"markdown":"### Agent ObservabilityとHuman-in-the-loop","render_override":null},{"id":"blk_4f803dff-e680-49f2-b0ac-92135d3ad39d","kind":"paragraph","order":110,"section_id":"sec_7c83285b-f957-4fef-b635-aa5450947ba8","character_id":null,"markdown":"AIエージェントがどのモデル、検索、ツールを使い、どこで判断を誤ったかを追跡する。","render_override":null},{"id":"blk_157f2935-2e2a-4eb9-9714-0ffe4675dc0f","kind":"paragraph","order":111,"section_id":"sec_7c83285b-f957-4fef-b635-aa5450947ba8","character_id":null,"markdown":"危険な操作については人間の承認を挟み、その判断を監査ログへ残す。","render_override":null},{"id":"blk_0f16fec9-f253-4aaa-b1fe-5557511c62a3","kind":"paragraph","order":112,"section_id":"sec_7c83285b-f957-4fef-b635-aa5450947ba8","character_id":null,"markdown":"AIが高度になるほど、企業にとって重要なのは「AIができること」ではなく、","render_override":null},{"id":"blk_361997e9-a46b-49c5-9d53-da1c89fbb3f1","kind":"quote","order":113,"section_id":"sec_7c83285b-f957-4fef-b635-aa5450947ba8","character_id":null,"markdown":"> AIに何を許可し、誰が承認し、何を記録するか","render_override":null},{"id":"blk_cb0a8a8c-eda0-461b-be86-a6c570cf956a","kind":"paragraph","order":114,"section_id":"sec_7c83285b-f957-4fef-b635-aa5450947ba8","character_id":null,"markdown":"になる。","render_override":null},{"id":"blk_b7465dbc-b28a-46aa-990d-5e48658e0632","kind":"paragraph","order":115,"section_id":"sec_7c83285b-f957-4fef-b635-aa5450947ba8","character_id":null,"markdown":"Elasticは検索基盤だけでなく、AIの監視・監査・実行統制層へ進もうとしている。","render_override":null},{"id":"blk_6e6308f1-2420-49d3-9af3-e8f8ea59d55e","kind":"thematic_break","order":116,"section_id":"sec_7c83285b-f957-4fef-b635-aa5450947ba8","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9de48b08-2c36-45ac-a20e-d36983623383","kind":"heading","order":117,"section_id":"sec_dcd32264-63bc-4353-a67b-3b07ff388785","character_id":null,"markdown":"## 8．Elastic Security Labsが示す技術的な説得力","render_override":null},{"id":"blk_01dc9e6c-f9cf-42ad-8f8e-d327c784d865","kind":"paragraph","order":118,"section_id":"sec_dcd32264-63bc-4353-a67b-3b07ff388785","character_id":null,"markdown":"Elastic Security Labsは、Elastic Securityが単なるログ保管製品ではないことを示している。","render_override":null},{"id":"blk_aada0b39-a204-4fbc-91b0-af1b4cb00f41","kind":"paragraph","order":119,"section_id":"sec_dcd32264-63bc-4353-a67b-3b07ff388785","character_id":null,"markdown":"Axios npmサプライチェーン攻撃では、既知のファイルハッシュだけでなく、","render_override":null},{"id":"blk_dafdcc64-3760-4651-bc97-c9575e2bbf29","kind":"list","order":120,"section_id":"sec_dcd32264-63bc-4353-a67b-3b07ff388785","character_id":null,"markdown":"- Node.jsからシェルが起動する\n- 外部からペイロードを取得する\n- バックグラウンドで実行する\n- Windows、macOS、Linuxで共通した攻撃行動を取る","render_override":null},{"id":"blk_e4d83078-e8ed-41c4-a5cd-41a203abd271","kind":"paragraph","order":121,"section_id":"sec_dcd32264-63bc-4353-a67b-3b07ff388785","character_id":null,"markdown":"という振る舞いから攻撃を検出した。","render_override":null},{"id":"blk_c6f8076d-48b9-4c64-9f14-1f08dcc71729","kind":"paragraph","order":122,"section_id":"sec_dcd32264-63bc-4353-a67b-3b07ff388785","character_id":null,"markdown":"Golden Gh0st RATの追跡では、","render_override":null},{"id":"blk_cde563ca-ef8e-4f17-a472-974adc10ca16","kind":"list","order":123,"section_id":"sec_dcd32264-63bc-4353-a67b-3b07ff388785","character_id":null,"markdown":"- 偽装された実行ファイル\n- 正規クラウドストレージの悪用\n- 有効なコード署名証明書\n- DLLサイドローディング\n- メモリ内実行\n- 指令サーバー通信","render_override":null},{"id":"blk_018c7881-3387-4c34-ad02-377ea9161113","kind":"paragraph","order":124,"section_id":"sec_dcd32264-63bc-4353-a67b-3b07ff388785","character_id":null,"markdown":"を一つの攻撃キャンペーンとして関連付けている。","render_override":null},{"id":"blk_2810e872-add1-4ddc-aaf2-861c0f982bd1","kind":"paragraph","order":125,"section_id":"sec_dcd32264-63bc-4353-a67b-3b07ff388785","character_id":null,"markdown":"この強みは、個別のマルウェア名を知っていることではない。","render_override":null},{"id":"blk_a0d1cc16-fba9-4695-86ef-3a0a238203d1","kind":"quote","order":126,"section_id":"sec_dcd32264-63bc-4353-a67b-3b07ff388785","character_id":null,"markdown":"> 端末、ネットワーク、証明書、クラウド、プロセスのデータを横断し、攻撃者の行動を相関できること","render_override":null},{"id":"blk_b324130f-c292-402b-a6ce-c7322f5b6c37","kind":"paragraph","order":127,"section_id":"sec_dcd32264-63bc-4353-a67b-3b07ff388785","character_id":null,"markdown":"にある。","render_override":null},{"id":"blk_9c2a66d3-963d-4600-9b93-bd2786319144","kind":"paragraph","order":128,"section_id":"sec_dcd32264-63bc-4353-a67b-3b07ff388785","character_id":null,"markdown":"Elasticが検索エンジンとして積み上げてきた技術が、Securityでもそのまま利用されている。","render_override":null},{"id":"blk_e01c9293-7446-4005-b081-821c60ba47d3","kind":"paragraph","order":129,"section_id":"sec_dcd32264-63bc-4353-a67b-3b07ff388785","character_id":null,"markdown":"ただし優れた研究結果が、そのまま売上成長を保証するわけではない。","render_override":null},{"id":"blk_b526a7c0-2fc5-40bf-b1cf-472e62a69fe8","kind":"paragraph","order":130,"section_id":"sec_dcd32264-63bc-4353-a67b-3b07ff388785","character_id":null,"markdown":"技術力が、","render_override":null},{"id":"blk_9373af9f-f0e8-43b6-89e9-d5b3b8e5eb17","kind":"list","order":131,"section_id":"sec_dcd32264-63bc-4353-a67b-3b07ff388785","character_id":null,"markdown":"- Security顧客数\n- 大型契約\n- XDRやSOARへのクロスセル\n- Elastic Cloudの消費量\n- NERとcRPO","render_override":null},{"id":"blk_03f84325-6b12-410e-ad74-dd28448b7caa","kind":"paragraph","order":132,"section_id":"sec_dcd32264-63bc-4353-a67b-3b07ff388785","character_id":null,"markdown":"へ変換されるかが投資上の判定点になる。","render_override":null},{"id":"blk_61c699b4-3519-44c1-8f05-8e9cf7493a86","kind":"thematic_break","order":133,"section_id":"sec_dcd32264-63bc-4353-a67b-3b07ff388785","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a82f58a5-f1e5-4bee-9421-e02883f294cd","kind":"heading","order":134,"section_id":"sec_5cc860d2-7375-48f3-8571-1e0b1dc58e3e","character_id":null,"markdown":"## 9．次の決算では20％成長は期待しにくい","render_override":null},{"id":"blk_4d65142d-7c51-4c91-a49a-f190c55bb8e1","kind":"paragraph","order":135,"section_id":"sec_5cc860d2-7375-48f3-8571-1e0b1dc58e3e","character_id":null,"markdown":"次の決算では、Elasticがコンセンサスを上回る可能性はある。","render_override":null},{"id":"blk_23cfcf43-6ebe-422a-8500-a8c3e5ce26a9","kind":"paragraph","order":136,"section_id":"sec_5cc860d2-7375-48f3-8571-1e0b1dc58e3e","character_id":null,"markdown":"しかし総売上成長率が20％を超える可能性は高くない。","render_override":null},{"id":"blk_313d1c80-cd71-4649-aebf-48c77e284d90","kind":"paragraph","order":137,"section_id":"sec_5cc860d2-7375-48f3-8571-1e0b1dc58e3e","character_id":null,"markdown":"会社のガイダンスが10％台前半である以上、通常の小幅な上振れでは、売上成長は14～16％程度にとどまると考えるのが自然である。","render_override":null},{"id":"blk_bc1b1459-2e47-498c-9f93-5885df8a6143","kind":"paragraph","order":138,"section_id":"sec_5cc860d2-7375-48f3-8571-1e0b1dc58e3e","character_id":null,"markdown":"また、Elastic 9.5は次回決算の対象期間後に公開され、OpenAI協業も期末直前の発表である。","render_override":null},{"id":"blk_ce223e1e-e792-4a3a-89c1-b512303389db","kind":"paragraph","order":139,"section_id":"sec_5cc860d2-7375-48f3-8571-1e0b1dc58e3e","character_id":null,"markdown":"したがって次回決算は、","render_override":null},{"id":"blk_8255f309-017f-4988-a8df-f2e29440ce91","kind":"quote","order":140,"section_id":"sec_5cc860d2-7375-48f3-8571-1e0b1dc58e3e","character_id":null,"markdown":"> 9.5やOpenAI協業の成果を見る回ではなく、既存事業の地力を見る回","render_override":null},{"id":"blk_70c265f4-c43c-4f16-894c-7a17dd08e02d","kind":"paragraph","order":141,"section_id":"sec_5cc860d2-7375-48f3-8571-1e0b1dc58e3e","character_id":null,"markdown":"である。","render_override":null},{"id":"blk_d2668262-a182-4fef-b277-446035a548e1","kind":"paragraph","order":142,"section_id":"sec_5cc860d2-7375-48f3-8571-1e0b1dc58e3e","character_id":null,"markdown":"注目すべきなのは総売上だけではない。","render_override":null},{"id":"blk_44838890-1a92-4ce3-a982-ef8688529e08","kind":"list","order":143,"section_id":"sec_5cc860d2-7375-48f3-8571-1e0b1dc58e3e","character_id":null,"markdown":"- cRPO\n- RPO\n- Elastic Cloudの消費\n- Sales-led subscription\n- NER\n- 100万ドル以上の大型顧客\n- 通期ガイダンス","render_override":null},{"id":"blk_966cabb5-7edf-4d55-8bec-85619fa8a372","kind":"paragraph","order":144,"section_id":"sec_5cc860d2-7375-48f3-8571-1e0b1dc58e3e","character_id":null,"markdown":"である。","render_override":null},{"id":"blk_6d4f7543-f161-4dba-b6d0-d10daaff35c7","kind":"paragraph","order":145,"section_id":"sec_5cc860d2-7375-48f3-8571-1e0b1dc58e3e","character_id":null,"markdown":"特に売上より契約残高が速く伸びているなら、数四半期後の売上加速を市場が先に織り込む可能性がある。","render_override":null},{"id":"blk_20e2cf83-81f3-4c4f-9980-a834836896be","kind":"thematic_break","order":146,"section_id":"sec_5cc860d2-7375-48f3-8571-1e0b1dc58e3e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b9284c90-327d-471c-91b2-4766584fd81a","kind":"heading","order":147,"section_id":"sec_b3bf0735-ccff-42cb-a4ce-ce517619d904","character_id":null,"markdown":"## 10．次の次の決算で見るべきもの","render_override":null},{"id":"blk_20a4f032-4ad1-4963-a138-62a57d740678","kind":"paragraph","order":148,"section_id":"sec_b3bf0735-ccff-42cb-a4ce-ce517619d904","character_id":null,"markdown":"次の次の決算では、9.5とOpenAI協業が初めて対象期間へ本格的に入る。","render_override":null},{"id":"blk_dc5453f9-32fa-475b-a012-cb918bb49ee4","kind":"paragraph","order":149,"section_id":"sec_b3bf0735-ccff-42cb-a4ce-ce517619d904","character_id":null,"markdown":"ただし、そこで総売上が突然20％以上へ跳ねるとは限らない。","render_override":null},{"id":"blk_c50a09fa-0955-463c-aa6c-f03a05bc9aad","kind":"paragraph","order":150,"section_id":"sec_b3bf0735-ccff-42cb-a4ce-ce517619d904","character_id":null,"markdown":"企業向けソフトウェアは、","render_override":null},{"id":"blk_ccb9e1e6-65cb-47e9-8507-40ad5722b47e","kind":"code","order":151,"section_id":"sec_b3bf0735-ccff-42cb-a4ce-ce517619d904","character_id":null,"markdown":"```\n製品評価\n ↓\nPoC\n ↓\nセキュリティ審査\n ↓\n予算承認\n ↓\n移行テスト\n ↓\n契約\n ↓\n本番利用\n```","render_override":null},{"id":"blk_a280b2a6-25c1-43a7-9897-6cc441f35a39","kind":"paragraph","order":152,"section_id":"sec_b3bf0735-ccff-42cb-a4ce-ce517619d904","character_id":null,"markdown":"という長い販売サイクルを持つ。","render_override":null},{"id":"blk_2947f38d-b4cd-45dc-a1a5-ded3f9634164","kind":"paragraph","order":153,"section_id":"sec_b3bf0735-ccff-42cb-a4ce-ce517619d904","character_id":null,"markdown":"さらに大型契約が成立しても、売上は契約期間や実際の利用量に応じて認識される。","render_override":null},{"id":"blk_49e3ce8e-dd1e-4a15-bd76-da17f141d7b5","kind":"paragraph","order":154,"section_id":"sec_b3bf0735-ccff-42cb-a4ce-ce517619d904","character_id":null,"markdown":"そのため最初に表れやすいのは、","render_override":null},{"id":"blk_c557a0bd-219a-4303-8157-cfd947675451","kind":"list","order":155,"section_id":"sec_b3bf0735-ccff-42cb-a4ce-ce517619d904","character_id":null,"markdown":"- OpenAIとの共同案件\n- Agent Builderの本番採用\n- PrometheusやDatadogからの移行案件\n- 大型契約\n- cRPOとRPO\n- 次四半期ガイダンス","render_override":null},{"id":"blk_6b0d5aea-3d80-4657-ab74-c818423e5a7d","kind":"paragraph","order":156,"section_id":"sec_b3bf0735-ccff-42cb-a4ce-ce517619d904","character_id":null,"markdown":"である。","render_override":null},{"id":"blk_67f2b976-f42a-4383-95ab-c91e539e3d72","kind":"paragraph","order":157,"section_id":"sec_b3bf0735-ccff-42cb-a4ce-ce517619d904","character_id":null,"markdown":"次の次の決算は「爆発的成長そのもの」より、","render_override":null},{"id":"blk_a9a94390-1d82-4cb0-af7f-8cea50b8ec08","kind":"quote","order":158,"section_id":"sec_b3bf0735-ccff-42cb-a4ce-ce517619d904","character_id":null,"markdown":"> 将来の成長加速を示す先行指標が見えるか","render_override":null},{"id":"blk_4b5da559-7232-40bb-aee5-4ce33c5ceb48","kind":"paragraph","order":159,"section_id":"sec_b3bf0735-ccff-42cb-a4ce-ce517619d904","character_id":null,"markdown":"を確認する回になる可能性が高い。","render_override":null},{"id":"blk_00992529-f8a3-42a9-af4a-cede90820524","kind":"thematic_break","order":160,"section_id":"sec_b3bf0735-ccff-42cb-a4ce-ce517619d904","character_id":null,"markdown":"---","render_override":null},{"id":"blk_29d58979-6091-478a-82de-4cf6df876d47","kind":"heading","order":161,"section_id":"sec_f7f5b989-7f5d-429c-9ee5-dc0ecbc50d40","character_id":null,"markdown":"## 11．本当の判定は2027年度後半から2028年度","render_override":null},{"id":"blk_eb8b4843-90f2-40f3-a9b3-8a42f89d7820","kind":"paragraph","order":162,"section_id":"sec_f7f5b989-7f5d-429c-9ee5-dc0ecbc50d40","character_id":null,"markdown":"Elastic 9.5、OpenAI協業、Agent Builder、Prometheus移行、Security自動化が実際の売上へ変わるには時間がかかる。","render_override":null},{"id":"blk_14242398-692a-48d5-933d-a75d927e6044","kind":"paragraph","order":163,"section_id":"sec_f7f5b989-7f5d-429c-9ee5-dc0ecbc50d40","character_id":null,"markdown":"基本シナリオは次のようになる。","render_override":null},{"id":"blk_e7cbc9a0-cab2-4cb0-8100-6d71943bfb34","kind":"code","order":164,"section_id":"sec_f7f5b989-7f5d-429c-9ee5-dc0ecbc50d40","character_id":null,"markdown":"```\n| 時期 | 主な確認事項 |\n| 次回決算 | 既存事業の地力、cRPO、Cloud、ガイダンス |\n| 次の次 | 9.5・OpenAI協業の初期案件、大型契約 |\n| その次以降 | 契約が売上へ変換されるか |\n| 2028年度 | 持続的な20％成長へ戻れるか |\n```","render_override":null},{"id":"blk_997b6076-8eb5-48a9-bf99-0748cd602010","kind":"paragraph","order":165,"section_id":"sec_f7f5b989-7f5d-429c-9ee5-dc0ecbc50d40","character_id":null,"markdown":"2027年度後半から2028年度に、","render_override":null},{"id":"blk_b392103e-14cd-4eb8-9464-d325634bfefd","kind":"list","order":166,"section_id":"sec_f7f5b989-7f5d-429c-9ee5-dc0ecbc50d40","character_id":null,"markdown":"- 総売上17～20％以上\n- Sales-led subscriptionの20％超成長\n- NERの改善\n- Elastic Cloudの再加速\n- 大口顧客数の増加\n- Search & AIからSecurity・Observabilityへのクロスセル","render_override":null},{"id":"blk_a8716191-8bc3-4e1b-b650-f66d1a0650f4","kind":"paragraph","order":167,"section_id":"sec_f7f5b989-7f5d-429c-9ee5-dc0ecbc50d40","character_id":null,"markdown":"が同時に確認できれば、市場の評価軸は変わる可能性がある。","render_override":null},{"id":"blk_c7e0e244-5949-4105-946b-7f18e2fff940","kind":"paragraph","order":168,"section_id":"sec_f7f5b989-7f5d-429c-9ee5-dc0ecbc50d40","character_id":null,"markdown":"Elasticは「成熟したログ会社」ではなく、「企業AIのデータ・監視・Security基盤」として再評価される。","render_override":null},{"id":"blk_09c773d2-beea-4aaa-9355-44c536b07064","kind":"thematic_break","order":169,"section_id":"sec_f7f5b989-7f5d-429c-9ee5-dc0ecbc50d40","character_id":null,"markdown":"---","render_override":null},{"id":"blk_804aad55-907b-4203-9383-61fcf29682bd","kind":"heading","order":170,"section_id":"sec_7c0cd15f-4c57-4db6-b1a1-a4a17acdb342","character_id":null,"markdown":"## 12．Elasticは本当に5～10倍過小評価なのか","render_override":null},{"id":"blk_e9f82e6b-ae78-4fb7-90ed-3dc68312f49d","kind":"paragraph","order":171,"section_id":"sec_7c0cd15f-4c57-4db6-b1a1-a4a17acdb342","character_id":null,"markdown":"Elasticの事業内容と競合企業の評価倍率を比較すると、現在の評価がかなり低いという見方には合理性がある。","render_override":null},{"id":"blk_512a45bc-099a-4ab1-bb70-2dfa6ff7e3ac","kind":"paragraph","order":172,"section_id":"sec_7c0cd15f-4c57-4db6-b1a1-a4a17acdb342","character_id":null,"markdown":"ただし、現在の事業だけで企業価値が直ちに5～10倍になるとは限らない。","render_override":null},{"id":"blk_e30fa418-db8a-496f-87bb-0cd830b24446","kind":"paragraph","order":173,"section_id":"sec_7c0cd15f-4c57-4db6-b1a1-a4a17acdb342","character_id":null,"markdown":"売上成長が10％台半ばにとどまるなら、評価倍率の上昇には限界がある。","render_override":null},{"id":"blk_6ffc7540-80f2-4f51-958b-e019d21bf8fc","kind":"paragraph","order":174,"section_id":"sec_7c0cd15f-4c57-4db6-b1a1-a4a17acdb342","character_id":null,"markdown":"現実的には、","render_override":null},{"id":"blk_cd4db6de-a049-49b3-af9f-2771d30d8a83","kind":"list","order":175,"section_id":"sec_7c0cd15f-4c57-4db6-b1a1-a4a17acdb342","character_id":null,"markdown":"- 既存事業の評価修正：1.5～3倍\n- AIデータ基盤化に成功：3～5倍以上\n- 持続的な20％超成長と高利益率：さらに大きな上振れ","render_override":null},{"id":"blk_bbeb8139-48a0-492b-83a2-1c3be99e928c","kind":"paragraph","order":176,"section_id":"sec_7c0cd15f-4c57-4db6-b1a1-a4a17acdb342","character_id":null,"markdown":"という段階で考える方がよい。","render_override":null},{"id":"blk_4ea47d80-5bf6-4d79-a50f-457625b2c64f","kind":"paragraph","order":177,"section_id":"sec_7c0cd15f-4c57-4db6-b1a1-a4a17acdb342","character_id":null,"markdown":"5～10倍の上昇には、単なる割安修正ではなく、事業そのものの再加速が必要である。","render_override":null},{"id":"blk_427f0631-97d1-4ab1-b306-2bdfd0d3fce5","kind":"thematic_break","order":178,"section_id":"sec_7c0cd15f-4c57-4db6-b1a1-a4a17acdb342","character_id":null,"markdown":"---","render_override":null},{"id":"blk_95c29f24-2427-4572-91a3-c658ab5acc54","kind":"heading","order":179,"section_id":"sec_f703bfbc-94ff-48b7-bef4-f6df954557a4","character_id":null,"markdown":"## 13．Elastic株に向く投資方法","render_override":null},{"id":"blk_0deb34a9-23d8-4f20-b249-fb60956750d9","kind":"paragraph","order":180,"section_id":"sec_f703bfbc-94ff-48b7-bef4-f6df954557a4","character_id":null,"markdown":"Elasticは、CloudflareやCrowdStrikeのように、疑われにくい深い堀を持つ銘柄ではない。","render_override":null},{"id":"blk_2a3b9cbb-585c-43a6-9da9-9cab002e97cf","kind":"paragraph","order":181,"section_id":"sec_f703bfbc-94ff-48b7-bef4-f6df954557a4","character_id":null,"markdown":"AIモデルが大きく進歩するたびに、","render_override":null},{"id":"blk_d2c191b8-74e9-4a40-809e-6aab9b3049ad","kind":"code","order":182,"section_id":"sec_f703bfbc-94ff-48b7-bef4-f6df954557a4","character_id":null,"markdown":"```\nAIの能力向上\n ↓\nSaaS代替懸念\n ↓\nElastic株下落\n ↓\n企業AIの本番導入\n ↓\n検索・ログ・Security需要増加\n ↓\n決算で再評価\n```","render_override":null},{"id":"blk_1074188e-ddec-45cb-90eb-f73079c39fef","kind":"paragraph","order":183,"section_id":"sec_f703bfbc-94ff-48b7-bef4-f6df954557a4","character_id":null,"markdown":"という循環を繰り返す可能性がある。","render_override":null},{"id":"blk_0f3c792d-70aa-4715-800f-05da6a5869a3","kind":"paragraph","order":184,"section_id":"sec_f703bfbc-94ff-48b7-bef4-f6df954557a4","character_id":null,"markdown":"したがってElasticは、安定した永久保有銘柄というより、","render_override":null},{"id":"blk_0ebedb21-7692-46a9-a0af-711bdafac147","kind":"quote","order":185,"section_id":"sec_f703bfbc-94ff-48b7-bef4-f6df954557a4","character_id":null,"markdown":"> 業績が壊れていないのに、AI代替懸念だけで売られた局面を拾う再評価型銘柄","render_override":null},{"id":"blk_50b166ac-5ad6-4426-8044-eac102f080e7","kind":"paragraph","order":186,"section_id":"sec_f703bfbc-94ff-48b7-bef4-f6df954557a4","character_id":null,"markdown":"として考える方が適している。","render_override":null},{"id":"blk_8eea4a98-5347-433e-a6d8-8ecb8ae36035","kind":"paragraph","order":187,"section_id":"sec_f703bfbc-94ff-48b7-bef4-f6df954557a4","character_id":null,"markdown":"AI懸念による下落と同時に、NER、cRPO、大口顧客、Cloud成長まで悪化しているなら注意が必要である。","render_override":null},{"id":"blk_7902133c-803c-418b-b760-a6f84f1ed563","kind":"paragraph","order":188,"section_id":"sec_f703bfbc-94ff-48b7-bef4-f6df954557a4","character_id":null,"markdown":"その場合は市場心理ではなく、代替や価格競争が実際に始まっている可能性がある。","render_override":null},{"id":"blk_6bd9b97f-066c-4ebf-8fce-6d079a942e2d","kind":"paragraph","order":189,"section_id":"sec_f703bfbc-94ff-48b7-bef4-f6df954557a4","character_id":null,"markdown":"一方、事業指標が維持・改善しているのに株価だけが売られるなら、割安な投資機会になり得る。","render_override":null},{"id":"blk_ab81bf55-399c-46c9-8b61-9b8d6ae26a39","kind":"thematic_break","order":190,"section_id":"sec_f703bfbc-94ff-48b7-bef4-f6df954557a4","character_id":null,"markdown":"---","render_override":null},{"id":"blk_146d8af8-c5fe-4e3a-a707-5dfc40f51c79","kind":"heading","order":191,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"## 結論","render_override":null},{"id":"blk_ade3ae7c-61fd-4a42-b135-b73b4e8eb189","kind":"paragraph","order":192,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"Elasticは、AIに代替されない絶対的な企業ではない。","render_override":null},{"id":"blk_8893aa41-8b5d-4ec0-aead-2f3effefe38a","kind":"paragraph","order":193,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"検索UI、RAG構築、ダッシュボード、クエリ生成といった表面的な機能は、AIによって急速にコモディティ化する。","render_override":null},{"id":"blk_2d5e28a8-5ca9-4c24-b1a6-3637fb10d529","kind":"paragraph","order":194,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"しかし企業AIが本番環境で動くには、","render_override":null},{"id":"blk_41f0ef35-a067-4d77-8f01-38b95a63f997","kind":"list","order":195,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"- 最新の企業データ\n- 検索と集計\n- 権限管理\n- ログとトレース\n- セキュリティ監視\n- 人間による承認\n- 監査証跡","render_override":null},{"id":"blk_dc514451-f760-4629-8224-90c004c1c797","kind":"paragraph","order":196,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"が必要になる。","render_override":null},{"id":"blk_c1342d9f-4308-4a06-8999-05162742b039","kind":"paragraph","order":197,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"Elasticがこれらを一つのElasticsearch基盤で提供できれば、AIによって消えるSaaSではなく、AIを動かすための基盤側へ移れる。","render_override":null},{"id":"blk_73018a5b-79f7-4087-895c-9c1e626aacde","kind":"paragraph","order":198,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"今後の焦点は明確である。","render_override":null},{"id":"blk_5034e469-3dd4-4639-ad8b-af2c3a956e2e","kind":"quote","order":199,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"> Elastic 9.5とOpenAI協業が、魅力的な技術発表にとどまるのか。 \n> それとも大型契約、利用量、cRPO、NER、売上成長として数字に表れるのか。","render_override":null},{"id":"blk_f051439c-2b25-4d01-97b3-bc84fb8fa742","kind":"paragraph","order":200,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"次の決算は既存事業の確認であり、20％成長を期待する局面ではない。","render_override":null},{"id":"blk_889600da-276b-46be-b8c3-90961ff8649d","kind":"paragraph","order":201,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"次の次の決算では、9.5やOpenAI協業による案件と契約の兆候を確認する。","render_override":null},{"id":"blk_df6cb1f5-09d6-4c9c-9366-aef3d769401e","kind":"paragraph","order":202,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"そして2027年度後半から2028年度に、持続的な成長再加速が証明されるかが本当の勝負になる。","render_override":null},{"id":"blk_5f702019-602d-4c33-830c-79d6e92716b5","kind":"paragraph","order":203,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"Elasticは安全な銘柄ではない。","render_override":null},{"id":"blk_73cd2a6a-fa47-456f-a148-004fe1ffb97d","kind":"paragraph","order":204,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"しかし市場がAI代替リスクを強く織り込み過ぎているなら、企業AIのコンテキスト・Observability・Security基盤へ転換する上振れを、比較的低い評価で買える可能性がある。","render_override":null},{"id":"blk_dbb1d556-4e8e-47c0-b04c-9ffd8a77914b","kind":"paragraph","order":205,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"Elasticへの投資とは、","render_override":null},{"id":"blk_dce6b5f3-3e36-41be-950b-b31aaed1faf1","kind":"quote","order":206,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"> 「SaaSは生き残るか」ではなく、 \n> 「AI時代に価値がUIからデータ・権限・監視・実行基盤へ移る中で、Elasticがその中心に入れるか」","render_override":null},{"id":"blk_b9c41697-f024-450b-a036-68241bc31bd2","kind":"paragraph","order":207,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"を問う投資なのである。","render_override":null},{"id":"blk_ce2eb27c-1bf9-4207-ae4b-26f0ee146203","kind":"thematic_break","order":208,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ff663659-accd-490b-88ab-acb4a081b05a","kind":"paragraph","order":209,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"2026年8月6日午前4時過ぎに69.9ドルほどで1株約定したのですが、何か違う気がして売りたくなっています \n71ドルで売り指値を入れてしまいました \nこれは27年以降でも間に合いそうな感じがしなくもない","render_override":null},{"id":"blk_28de7efe-c909-4cd1-b896-a4772d2fd0e0","kind":"paragraph","order":210,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"半導体サイクルを怯えて、安定して成長しそうな銘柄を選んでしまった \nメモリーを買え、私は自分を鼓舞します \n何がサイクルだ \n来るとしても3年以上先だろ、ここでしょぼい上げを数回取るより、ガッツリ3～4倍を1～3年で狙っていく","render_override":null},{"id":"blk_b2348908-b05c-436d-bcdb-dfdbbc70bd8d","kind":"paragraph","order":211,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"これがメモリーであり、半導体であり、ボトルネックを握るものたちなのだ","render_override":null},{"id":"blk_2cfab0a5-b133-4e6a-8e53-e7332670c7ed","kind":"paragraph","order":212,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"半導体爆上げ、AI性能爆上がり局面でのSaaS下げと、半導体下げ局面でのSaaSのAIでの利益拡大とSaaS上げ、そしてまたSaaS下げ、半導体上げはこれから何度か繰り返すだろう","render_override":null},{"id":"blk_1ed60edb-5acd-4f18-a003-1cabd63587c7","kind":"paragraph","order":213,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"その結果、SaaSはcloud基盤を持ったNETのような物理的な堀のある銘柄と独自データを持った少しSaaSとは違うがTEMのような銘柄、PalantirやCRWD、SNOWくらいの堀のある銘柄だけが残るのだと思う","render_override":null},{"id":"blk_c4bd5178-ab07-44ed-8930-f0709a803dec","kind":"paragraph","order":214,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"AI時代に生き残るのは、半導体の供給制約を握る者たちとハイパースケーラー、独自データを持った企業と物理的な堀のあるSaaSのみだと考えている","render_override":null},{"id":"blk_e80d2dbe-e373-4528-9b91-50f14a99ae96","kind":"paragraph","order":215,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"そこに、Elasticが入れるのかはわからないが、その兆候がみえない事はない","render_override":null},{"id":"blk_84ef32df-e185-4d41-afae-e087294cb136","kind":"paragraph","order":216,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"しかし、その間にAIが出来る事が増える度に代替えを警戒し続け、半導体のようなボラリティはないにしても爆発的な伸びも期待できないとなると、やはり半導体の方がいいよねとなるのだ","render_override":null},{"id":"blk_9bd6e358-79ad-485a-a090-ba3f0d152166","kind":"paragraph","order":217,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"下げに惑わされない、譬え下げても戻って来る \nこの構造的な変化を頭では理解していても、軟調でよこよこ、上げても下げる","render_override":null},{"id":"blk_0f9e8a4a-1fe2-4f81-ac1e-602c0a4ddf51","kind":"paragraph","order":218,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"この様子に辟易とし、中国のレアアース、InP輸出規制懸念、金利、戦争、中間選挙などと言って更に判断を鈍らせる","render_override":null},{"id":"blk_2d76d597-4080-4748-9102-e6bf15ba74da","kind":"paragraph","order":219,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"違う、違うんだ","render_override":null},{"id":"blk_d32e7bc4-b120-4903-89fb-20d9c06a6728","kind":"paragraph","order":220,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"年末にどうなるか、27年に入った時にどうなっているか","render_override":null},{"id":"blk_7f4ed42a-0869-450b-8890-0611d0e5b4d5","kind":"paragraph","order":221,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"半導体だろう、そうだ、そうに違いない","render_override":null},{"id":"blk_196e47a4-76b1-4a2e-968c-7909e75874ad","kind":"paragraph","order":222,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"全体的には含み益バリアがあると言っても、高値で入った銘柄の含み損をみると吐きそうになる、ならない単純に飽きて来た","render_override":null},{"id":"blk_930a3fcb-d0fd-4a59-bd85-0fc62138062f","kind":"paragraph","order":223,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"もういいよ、わかってる、俺は本当はこわいんだ","render_override":null},{"id":"blk_651aa549-d21d-4039-9b7d-53c2787e96e8","kind":"paragraph","order":224,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"メモリーも上がり切ったんじゃないか、AIDC建て過ぎになるのでないのか","render_override":null},{"id":"blk_f898454b-9e70-47e5-9a0a-934e21d8d849","kind":"paragraph","order":225,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"ああ、わかってる、バカらしいよな","render_override":null},{"id":"blk_6e3ae795-6c2f-4722-ae22-404a93e27995","kind":"paragraph","order":226,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"爆上げは近いぜ、だからこわいんだ、乗り遅れるかもとな、でも下げるかもとも俺の中の俺が言うんだよな","render_override":null},{"id":"blk_5bc3012d-838f-4327-be05-92b4431e39f6","kind":"paragraph","order":227,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"そんなの年末とか27年からすれば、どうしてあの時もっとメモリー半導体買わなかったんだろう、って言ってる癖に","render_override":null},{"id":"blk_6d60493a-9801-4b3f-82ed-b6ca3d56dee6","kind":"paragraph","order":228,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"ここで、朝起きて冷静になって考えてみた","render_override":null},{"id":"blk_65da7b83-ecc9-45e7-a024-8e9c1f37d0f4","kind":"paragraph","order":229,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"待てよ、でもセキュリティも1つのボトルネックになりつつあるのではないか？","render_override":null},{"id":"blk_c18dc0cf-6bb7-4cb3-baed-22e79fcf67ea","kind":"paragraph","order":230,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"OpenAIとの協業、Hugging Faceに不正侵入、それを食い止める為のログ検出…","render_override":null},{"id":"blk_752d6753-da37-41b2-8a69-c87d5f9ab467","kind":"paragraph","order":231,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"ここにElasticは役立てる可能性が高い、他のセキュリティと競合する事もあれど分野が違えば協業もし得る","render_override":null},{"id":"blk_5aea14cf-0982-4b94-a575-bc0a48e2c3e0","kind":"paragraph","order":232,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"中立性がセキュリティには重要になる","render_override":null},{"id":"blk_87193307-9e7d-4676-95b3-b80f9c4c95ee","kind":"paragraph","order":233,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"この物語は強い、AIにはセキュリティ税が課せられるようになる可能性がある","render_override":null},{"id":"blk_17d1279a-88a3-4a62-b2a5-8aa7ad8502bc","kind":"paragraph","order":234,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"そこをみると、これは悪い選択ではないかも知れないが確信は持てないのであった","render_override":null},{"id":"blk_5884922f-d541-4532-9524-370d4d028600","kind":"thematic_break","order":235,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2453363f-054c-4808-86ee-d1b521d8f469","kind":"paragraph","order":236,"section_id":"sec_a9425287-8bc8-4191-bbec-d04fca49627c","character_id":null,"markdown":"特定銘柄の推奨・勧誘・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。","render_override":null}],"audio":[],"omitted_media":[],"figures":[{"id":"plc_282950ea-04a8-4547-b123-52b1e047c94c","block_id":"blk_1a96c417-0fb4-440e-8fdf-2d6556ecf553","asset_revision_id":"avr_020b822b-996a-453f-9c49-f93a126a27db","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_ee8ba65a-8506-4a13-bfd4-c7318e323598"],"explained_by":[],"source_path":"media/1e6c6c417d72b1eef93ad0ef316dd74975fae3d4c27cf188d0ee899c5750ec7e.png","path":"/media/1e6c6c417d72b1eef93ad0ef316dd74975fae3d4c27cf188d0ee899c5750ec7e-content.webp","display_derivative":{"source_sha256":"1e6c6c417d72b1eef93ad0ef316dd74975fae3d4c27cf188d0ee899c5750ec7e","thumbnail":{"path":"media/1e6c6c417d72b1eef93ad0ef316dd74975fae3d4c27cf188d0ee899c5750ec7e-thumbnail.webp","width":560,"height":293,"bytes":60378,"sha256":"f6f99205c2dc5e3430ce0c03ff6472572eedf9cbd10937c391bcf00abeb19687"},"content":{"path":"media/1e6c6c417d72b1eef93ad0ef316dd74975fae3d4c27cf188d0ee899c5750ec7e-content.webp","width":1672,"height":875,"bytes":448964,"sha256":"899f7eabeb35e3da61c9d18f96f11d61fd8baa4c443999bc8320024f1d7b977d"}}}],"package_sha256":"741e20726615a65d1ca51a02d03a6fc70048596d65b77ff7bc19d94c52758967","record_type":"article","schema_version":"noia-public-article-1.1.0","dataset_version":"2026.09.23.4","urls":{"source_url":"https://note.com/atom_/n/n775636bfce11","release_path":"/articles/rev_8eb03ce9-cad9-4ba7-91d6-90dffd2302fa/","canonical_url":"https://noia-grid.pages.dev/articles/rev_8eb03ce9-cad9-4ba7-91d6-90dffd2302fa/"},"time":{"created_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"published_at":{"value":"2026-08-06 05:35:18","precision":"local_datetime","timezone":null,"status":"source_metadata","basis":"Metadata only; not evidence of historical body availability."},"modified_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"analysis_as_of":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"event_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"recorded_at":{"value":"2026-09-08T05:29:24+00:00","precision":"instant","timezone":"+00:00","status":"archive_record","basis":"canonical_recorded_at"},"content_available_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"unknown"}},"legacy":{"source_date":{"value":"2026-08-06 05:35:18","meaning":"legacy_source_metadata_date","certainty":"source_metadata"}},"rights":{"license_ref":"license:not-specified","rights_status":"unknown","third_party_material":"unknown"},"integrity":{"hash_profile":"noia-evidence-json-v1","content_sha256":"d00affa2b2843d2353c40cda028de92affc7680c282bff7b58cab5ab1d5235ea","lineage":[],"previous_revision_sha256":null,"previous_revision_status":"no_parent","revision_sha256":"90f0067821ccb23f35a15fed0c312366afc28414072ffa926a90eace9768df7e"}} {"id":"rev_aea0fd30-a496-42e0-975e-3de7b0cd01ab","work_id":"wrk_4efede78-d9d9-4a37-854a-51a334476949","edition_id":"edn_a7876daa-9935-46d8-a181-dafced21529f","title":"GPT-5.6は政府の許認制らしい","published_at":"2026-06-26 16:31:58","source_url":"https://note.com/atom_/n/n13d1ab2e1954","recorded_at":"2026-09-08T05:29:17+00:00","source_date":"2026-06-26 16:31:58","thumbnail":null,"legacy_slug":null,"topics":["industry"],"sections":[{"id":"sec_5eea3cc0-983a-4b53-9c7a-a63ef7adb761","parent_section_id":null,"heading_block_id":null,"order":0,"character_id":null},{"id":"sec_702500d0-fbc5-40fc-95b0-18a086240678","parent_section_id":"sec_5eea3cc0-983a-4b53-9c7a-a63ef7adb761","heading_block_id":"blk_8d8e075a-e4c1-4f90-b594-8d8b5cc4de31","order":1,"character_id":null},{"id":"sec_1e8f0735-46f2-4934-a1ce-f7adddf4f8c5","parent_section_id":"sec_5eea3cc0-983a-4b53-9c7a-a63ef7adb761","heading_block_id":"blk_431305f6-4692-4586-ad52-daaec17dfde6","order":2,"character_id":null},{"id":"sec_527a8478-076e-493c-b29c-1b9f724d4338","parent_section_id":"sec_5eea3cc0-983a-4b53-9c7a-a63ef7adb761","heading_block_id":"blk_296efe86-eede-4dd5-844b-303e2fd9d558","order":3,"character_id":null},{"id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","parent_section_id":"sec_5eea3cc0-983a-4b53-9c7a-a63ef7adb761","heading_block_id":"blk_dd134cd8-f2c1-4c1b-89ef-fb1daefd9d08","order":4,"character_id":null},{"id":"sec_8de470f0-40fd-4b4e-8a61-d49e06f0c28e","parent_section_id":"sec_5eea3cc0-983a-4b53-9c7a-a63ef7adb761","heading_block_id":"blk_ca844bfd-5965-43c8-b39b-36d4eba21d30","order":5,"character_id":null},{"id":"sec_5aea23df-ea6f-460e-9397-baf3fa9f7271","parent_section_id":"sec_5eea3cc0-983a-4b53-9c7a-a63ef7adb761","heading_block_id":"blk_3f63b66a-6382-4182-9355-2e4c49cd6c43","order":6,"character_id":null},{"id":"sec_7482a506-dbca-4596-bbd3-a5896d9df42d","parent_section_id":"sec_5eea3cc0-983a-4b53-9c7a-a63ef7adb761","heading_block_id":"blk_dea1da52-e59c-4974-876f-707f01f20f43","order":7,"character_id":null},{"id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","parent_section_id":"sec_5eea3cc0-983a-4b53-9c7a-a63ef7adb761","heading_block_id":"blk_6133c90e-152f-46a1-8c6d-03a938b06376","order":8,"character_id":null}],"content_available_at":{"basis":"unknown","precision":"unknown","timezone":null,"value":null},"markdown":"![](/media/255da4dc624e961d68802ef02383953973c1736e8f1639f656998231e67c2387-content.webp)\n\n## AIモデルは、ついに「国家が配る戦略資産」になり始めた\n\n[https://note.com/atom\\_/n/ne65205e095ab](https://note.com/atom_/n/ne65205e095ab)\n\n以前にこのような記事を作成した。\n\nあの記事では、AnthropicのFable 5 / Mythos 5停止を単独のニュースとして見るのではなく、GPT-5.6観測、米政府のAI安全保障、OpenAI、Anthropic、Amazon、FOMC、AI相場、主権AIの流れまで横に並べて考えた。\n\nその時に書いた中心の仮説は、かなり単純だった。\n\nこれから最先端AIモデルは、単なるSaaSではなくなる。\n\nGPUやHBMやデータセンターだけでなく、完成したモデルのアクセス権そのものが、国家安全保障の管理対象になっていく。 \n「この国には使わせる」 \n「この企業には使わせる」 \n「この用途なら許可する」 \n「このクラウド経由なら許可する」 \n「この監査条件を受け入れるなら復旧させる」\n\nそんな時代に入っていくのではないか、という話だった。\n\nそして今回、OpenAIのGPT-5.6で、それに近いことが起きた。\n\n報道によれば、トランプ政権はOpenAIに対し、GPT-5.6をいきなり広く公開せず、まずは政府承認済みの少数パートナーに限定して出すよう求めた。さらに限定プレビュー期間中は、政府が顧客ごとにアクセスを承認するという。\n\nこれはかなり異例である。\n\nこれまでのAIモデル公開は、企業が安全評価を行い、レッドチームを入れ、利用規約やAPI制限を設け、段階的にリリースするというものだった。もちろん政府との協議や安全保障上の意見交換はあっただろう。しかし、今回の構図はそこから一段進んでいる。\n\n企業がモデルを出す。 \n政府が安全保障上の懸念を見る。 \n政府が誰に使わせるかを確認する。 \n承認された顧客から順番に使えるようにする。\n\nこれは、ほとんど「最先端AIモデルの準・許認可制」である。\n\nもちろん、米政府は表向きには、強制的なライセンス制度ではなく、任意の事前安全評価や協調的な枠組みだと説明するだろう。実際、AIの技術開発を止めるほどの重い規制を掲げているわけではない。だが、実務の現場で「政府が顧客ごとに承認する」という運用が始まるなら、それは言葉の上では任意でも、企業から見ればかなり強いゲートになる。\n\nここで6月13日の記事の一つ目の答え合わせができる。\n\nあの時点では、Fable 5 / Mythos 5停止がAnthropicに対する特殊な措置なのか、それとも今後OpenAIやGoogleやxAIにも広がる新しい枠組みなのかが分からなかった。\n\n今回のGPT-5.6で、その答えはかなりはっきりした。\n\nこれはAnthropicだけの問題ではなかった。 \n最先端モデルそのものが、米国の安全保障管理に入っていく流れだった。\n\n## OpenAIは優遇されたのか、それとも囲い込まれたのか\n\n6月13日の記事では、「もしこれがOpenAIだったら、Anthropicと同じ扱いになっていたのか」という問いを立てた。\n\n今回のGPT-5.6の動きを見ると、その答えは単純ではない。OpenAIは確かにAnthropicよりは優遇された。だが、その優遇は「自由にリリースできる」という意味ではなく、「国家管理の中で優先的に通される」という意味での優遇だった。\n\nAnthropicのMythos 5も、最初から完全に一般公開されていたわけではない。Project Glasswingのような枠組みを通じて、CrowdStrike、Palo Alto Networks、Google、NVIDIA、Amazon、Microsoft、Appleなど、サイバー防衛や重要インフラに関わる限られた企業・組織が使える形だった。つまりMythosも、初期段階では「承認された強い企業にだけ使わせる」モデルだった。\n\nしかし、その後の展開はOpenAIと大きく違った。AnthropicのFable 5 / Mythos 5は、米政府の輸出管理指令によって、外国籍者へのアクセス停止を求められた。しかも対象は海外ユーザーだけではなく、米国内にいる外国籍者、さらにはAnthropic社内の外国籍従業員にまで及ぶ可能性があった。そのため、Anthropicは実務上、全顧客へのアクセスを一時停止せざるを得なくなった。\n\nつまりAnthropicは、「限定提供していたモデルが、後から止められた」形である。 \n一方、OpenAIのGPT-5.6は、「広く出す前に、政府管理の枠内へ入れられた」形である。\n\nこの違いは大きい。\n\nAnthropicの場合、政府は危険性を見てからブレーキをかけた。Fable 5の安全柵を迂回すれば、Mythos級のサイバー能力にアクセスできる可能性があると見なされ、結果として輸出管理の対象になった。これは事後規制であり、かなり懲罰的な色合いが強い。\n\nOpenAIの場合、政府はGPT-5.6を完全停止させたわけではない。むしろ、政府承認済みの少数パートナーに限定し、顧客ごとにアクセスを承認する形で、制御しながら前に進めようとしている。つまりOpenAIは、Anthropicのように「止める対象」ではなく、「国家側が確認しながら使わせる対象」として扱われている。\n\nここに、OpenAIの立場の特殊性がある。\n\nOpenAIは自由なスタートアップではなくなった。だが、単純に潰されたわけでもない。米国AI国家戦略の中核に近い企業として、政府の安全保障レビュー、顧客承認、用途管理の中に組み込まれた。これは優遇であると同時に、囲い込みでもある。\n\n言い換えれば、Anthropicは「国家に止められた企業」であり、OpenAIは「国家に管理されながら通された企業」である。\n\nOpenAIにとって、この立場は短期的には有利に見える。完全停止ではなく、政府承認済みパートナーへの限定プレビューとしてGPT-5.6を前に進められるからだ。防衛、サイバー、重要インフラ、政府契約の領域では、むしろ「公認モデル」に近い扱いを受ける可能性すらある。\n\nしかし、長期的には重い制約にもなる。政府が顧客ごとに承認するなら、OpenAIは最重要モデルを自由に売れない。外国企業、多国籍チーム、海外クラウド、用途不明の顧客に対しては、商業判断だけで提供できなくなる。これは通常のSaaSではなく、半導体や暗号技術に近い戦略資産の扱いである。\n\nだから、今回の答えはこうなる。\n\nOpenAIは優遇された。 \nしかし、その優遇の正体は自由ではない。 \nそれは、国家管理下の優先レーンである。\n\nAnthropicは、モデルを出した後に止められた。 \nOpenAIは、モデルを出す前に囲い込まれた。\n\nこの差は、今後のAI企業の価値を大きく分ける。最強モデルを持つだけでは不十分で、そのモデルを政府が「止める対象」と見るのか、「管理しながら使わせる対象」と見るのかが、収益化、顧客展開、上場評価に直結する時代に入った。\n\n## 6月13日の記事で一番当たった部分\n\n一番当たったのは、「アクセス権が外交カードになる」という部分だった。\n\n最先端AIのアクセス権は、今後、外交交渉、同盟国支援、国防協力、サイバー防衛、重要インフラ保護、企業誘致のカードになる。\n\nこれは、もう抽象論ではない。\n\nFable 5 / Mythos 5では、外国籍者へのアクセス制限が問題になった。 \nGPT-5.6では、政府承認済みパートナーへの限定提供が問題になった。 \n次に起こるのは、おそらく同盟国ごとの扱いの差である。\n\n日本企業は使えるのか。 \n韓国企業は使えるのか。 \n台湾企業は使えるのか。 \n欧州企業は使えるのか。 \n中東の政府系ファンドが入る企業は使えるのか。 \n中国に事業や資本関係を持つ企業は使えるのか。 \n外国籍エンジニアがいる米国企業は使えるのか。 \n多国籍チームで開発する企業は、どこまでアクセスできるのか。\n\nこれはもう、普通のクラウド契約の話ではない。 \nAIモデルの利用権が、サイバー安全保障、輸出管理、KYC、国籍、所在地、クラウド経路、ログ監査と結びつき始めている。\n\n6月13日の記事で書いた「AIモデルは単なるSaaSではなく、国家戦略の道具になる」という見方は、今回かなり現実に近づいた。\n\n## ただし、相場の読みは外れた\n\nただし、相場の読みについては的外れな部分が多かった。\n\n6月13日の時点では、Fable 5停止でAI相場が一度冷え、その後にGPT-5.6、価格引き下げ、政府調達、AIインフラ政策、FOMC安心感、原油安などが重なれば、AI相場は再点火しやすいと考えていた。\n\nだが、現実にはそう単純ではなかった。\n\n実際に起きたのは、メモリ銘柄のレバ祭りと、その逆回転による強烈な下げだった。市場の注目は、GPT-5.6の新モデル期待よりも、Micronの決算、DRAM価格、HBM需要、メモリETF、レバレッジ商品の需給にかなり寄っていた。\n\nこの時、自分はMicronの決算の影響を十分に考慮していなかった。 \nそして、メモリのレバ商品による需給の歪みも考慮していなかった。\n\nAI相場の中心は、OpenAIやAnthropicのモデル性能だけではなく、HBM、DRAM、NAND、先端パッケージ、プローブカード、電力、冷却、ネットワークといった、AIインフラのボトルネック側へかなり移っていた。市場は「次のモデルが出るか」だけではなく、「そのモデルを動かすためのメモリが足りるのか」「設備投資はさらに増えるのか」「その設備投資は本当に回収できるのか」を見ていた。\n\nさらに、宇宙銘柄の下げも速かった。AIインフラ、宇宙、量子、原子力、ロボティクスのような未来テーマ銘柄は、上がる時は一気に上がるが、資金の逃げ足も速い。特に金利への不安が残る局面では、遠い未来の利益を買っていた銘柄から順に売られやすい。\n\nこの動きは、ハイパースケーラーからメモリやボトルネック銘柄への資金移動とも重なっていた。\n\nAmazon、Microsoft、Google、Metaのようなハイパースケーラーは、AI投資の主役であり続けている。だが、短期の市場では、彼らは「AIで儲ける側」というより、「AIのために設備投資をし続ける側」として見られやすくなった。つまり、AI需要が強ければ強いほど、売上期待だけでなく、capex負担、減価償却、電力コスト、GPU調達、データセンター建設費への懸念も強くなる。\n\n一方で、メモリや後工程、液冷、電力、光通信、検査装置のようなボトルネック側は、「ハイパースケーラーがどれだけ苦しくても、まず買わざるを得ないもの」として見られた。だから資金は、AIを使って儲ける企業から、AIを動かすために必要な部品・装置・素材へ流れた。\n\nただし、その流れも一直線ではなかった。\n\nメモリ銘柄に資金が集中し、そこにレバレッジ商品や短期資金が乗ると、上昇は速くなる。だが、その分、逆回転も速くなる。好材料が出ても、期待値が高すぎれば売られる。決算が良くても、ガイダンスが足りなければ売られる。ガイダンスが強くても、すでに株価が織り込みすぎていれば売られる。AI相場は強いが、強いからこそ、少しのズレで大きく崩れる。\n\nFOMCについても、読みは単純ではなかった。\n\nFOMCはややタカ派寄りでも、市場に一定の安心感を与えた。数日の間は、金利イベント通過、過度な警戒の後退、インフレ再加速への恐怖の緩和によって、株価は上げた。だが、それで市場が完全に楽観へ戻ったわけではない。金利への不安は、市場全体に常に残っていた。\n\nAI相場は、低金利を前提にした未来利益の物語でもある。 \n金利が高止まりすれば、遠い将来の利益の現在価値は下がる。 \n設備投資の資金コストも上がる。 \nデータセンター建設、電力契約、半導体調達、AIサーバー導入の負担も重くなる。\n\nだから、FOMC通過で一時的に安心しても、金利への不安は消えなかった。市場は上げながらも、どこかで常に疑っていた。\n\nそして、GPT-5.6は思ったより後に出てきた。\n\n自分は6月13日の時点で、GPT-5.6が比較的早い段階で、AI相場の再点火材料として出てくる可能性を見ていた。だが、実際に出てきたのは、単純な新モデル発表ではなかった。\n\n出てきたのは、政府許認制に近い話だった。\n\nトランプ政権がOpenAIに対し、GPT-5.6をいきなり広く公開せず、政府承認済みの少数パートナーに限定して段階的に提供するよう求めた。さらに、政府が顧客ごとにアクセスを承認するという、かなり異例の枠組みが報じられた。\n\nこれは、市場にとって素直に良い材料ではなかった。\n\n本来であれば、GPT-5.6は「次のモデルが来る」「AI能力がまた伸びる」「エージェントやコーディングや企業利用が進む」という期待材料になり得た。だが、実際には「最先端モデルは政府に止められるかもしれない」「OpenAIは自由にリリースできないかもしれない」「顧客ごとに承認が必要なら、商業展開は遅れるかもしれない」という懸念も同時に生んだ。\n\nそこに、OpenAIの上場延期観測が重なった。\n\nOpenAIのIPOは、AI相場にとって巨大な出口イベントである。もしOpenAIが高い評価額で上場すれば、未上場AI企業、AIインフラ、メモリ、半導体、クラウド、ソフトウェア全体に再評価が入りやすい。逆に、それが延期されるなら、市場は「AIの収益化はまだ時間がかかるのか」「1兆ドル評価を正当化するにはまだ材料が足りないのか」と考える。\n\nGPT-5.6は遅れた。 \n出てきた時には許認制だった。 \nOpenAIの上場も遠のいた。 \nその間に、市場の主役はメモリとボトルネックへ移り、レバレッジ需給で大きく揺れた。 \n宇宙銘柄は速く売られ、ハイパースケーラーには設備投資負担の懸念が残り、FOMC通過後も金利不安は消えなかった。\n\n全く、相場は何が起こるかわからない。\n\nただ、だからこそ今回の答え合わせには意味がある。\n\n6月13日の読みは、AIモデルが国家管理対象になるという大きな方向性ではかなり当たっていた。だが、相場の時間軸は違った。市場はGPT-5.6を待って一直線に再点火したのではなく、その前にメモリ、レバレッジ、Micron決算、金利、設備投資懸念、OpenAI上場延期という別の材料で大きく揺れた。\n\nつまり、テーマの方向性と、株価の時間軸は別である。\n\nAIが重要になることと、AI株が今日上がることは同じではない。 \nメモリが不足することと、メモリ株が常に上がることも同じではない。 \nOpenAIが中核企業になることと、OpenAI関連が短期で買われることも同じではない。\n\n今回の相場は、そのことを改めて見せつけた。\n\nAI相場は終わっていない。 \nだが、単純な楽観相場でもない。\n\n最先端モデルは国家に管理され、OpenAIのIPOは遠のき、ハイパースケーラーは設備投資負担を背負い、メモリ銘柄は需給で暴れ、金利は常に市場の首元にある。\n\nその中で、実需と投機、ボトルネックと過熱、国家戦略と資本市場が、毎日のように入れ替わりながら相場を動かしている。\n\n6月13日に見ていた未来は、方向としては近かった。 \nしかし、その未来に向かう道は、思っていたよりずっと荒かった。\n\n## OpenAIの上場延期は、単なる延期ではない\n\nOpenAIのIPOについても、今回かなり重要な変化が出た。\n\nOpenAIはすでに秘密S-1を提出している。つまり上場準備そのものは進んでいる。だが、同時にOpenAI自身は上場時期を決めていないと説明していた。そして今回、1兆ドル評価を維持するために2027年まで待つ案が浮上している。\n\nこれを単なる「IPO延期」と見ると、少し浅い。\n\nOpenAIは、おそらく今すぐ公開市場に出るより、もう少し非公開のまま巨大化したいのだろう。\n\n理由は分かりやすい。\n\n第一に、1兆ドル評価を守りたい。 \n第二に、GPT-5.6や次のエージェント製品の収益力を見せたい。 \n第三に、推論コストやデータセンター投資の回収可能性を説明できるようにしたい。 \n第四に、Microsoft、Oracle、Broadcom、政府契約、AIインフラ構想との関係を整理したい。 \n第五に、今回のような政府承認リリースのリスクを、上場前にある程度制度化したい。\n\n公開市場に出れば、OpenAIは毎四半期、売上、損失、設備投資、推論コスト、政府リスク、訴訟リスク、パートナー依存を説明し続けなければならない。\n\n今のOpenAIにとって、それはまだ早いのかもしれない。\n\nAIの物語は強い。 \nだが、AIの損益計算書はまだ重い。 \nそして、AIの国家安全保障リスクはさらに重い。\n\n1兆ドル企業として上場するには、性能だけでは足りない。 \n政府に止められないこと。 \n顧客に逃げられないこと。 \nコストを下げられること。 \n収益が伸びること。 \nそして、国家戦略と資本市場の両方に説明できることが必要になる。\n\n## 主権AIの流れは、さらに強くなる\n\n今回の件で、主権AIの重要性はさらに増した。\n\n米国製フロンティアモデルが最強であることは、短期的には米国の交渉力を高める。 \nだが、アクセス権を外交カードにしすぎると、長期的には逆方向の力が働く。\n\n各国はこう考える。\n\n米国モデルは強い。 \nだが、突然止まるかもしれない。 \n米政府の判断で、自国企業が使えなくなるかもしれない。 \n外国籍者がいるだけでアクセス制限されるかもしれない。 \n重要インフラや政府業務を依存させるには危ないかもしれない。\n\nそうなれば、多少性能が落ちても、自国クラウド上で動くモデル、自国法の下で管理できるモデル、オンプレミスで使えるモデル、オープンウェイトモデル、中国系モデル、欧州・日本・韓国・中東の主権AI構想に資金が流れやすくなる。\n\nこれは米国にとっても難しい問題である。\n\n最強モデルを守るために閉じれば、他国は代替を作る。 \n開きすぎれば、サイバー・軍事・重要インフラ上のリスクが高まる。 \n閉じすぎれば、米国AI APIへの依存が減る。 \n開きすぎれば、敵対国にも能力が漏れる。\n\nつまり、最先端AIは「売れば売るほど強くなる商品」であると同時に、「売りすぎると危険な戦略資産」になった。\n\nこの矛盾こそ、これからのAI市場の中心になる。\n\n## 中立なAIインフラ企業の価値が上がる\n\n6月13日の記事で最後に書いた「中立なAIインフラ企業の価値」も、今回さらに重要になった。\n\nAIモデル企業そのものが政治化し、国家安全保障化し、巨大クラウドや政府契約と結びつくほど、顧客は中立な層を求める。\n\nモデル評価。 \n監査。 \nログ管理。 \nセキュアなモデル配信。 \n企業向けKYC。 \n国籍・所在地・用途制限の管理。 \n複数モデルのルーティング。 \nオンプレミス実行環境。 \nAIエージェントの権限管理。 \nサイバー防衛向けの安全なサンドボックス。\n\nこうした中間層は、今後かなり重要になる。\n\nなぜなら、企業は一つのモデルに依存したくないからだ。 \nOpenAIが止まればAnthropicへ。 \nAnthropicが止まればGoogleへ。 \nGoogleが高ければオープンウェイトへ。 \n社外APIが危なければオンプレミスへ。 \n用途ごとにモデルを切り替える必要が出てくる。\n\nその時に重要なのは、単に「一番強いモデル」ではなく、「止まらない実行基盤」である。\n\nこの意味で、AIインフラ相場は終わったわけではない。 \nただし、買われる対象は変わっていく。\n\nモデル企業そのものだけでなく、モデルを安全に配る会社、監査する会社、守る会社、動かす会社、接続する会社、電力とメモリとネットワークを供給する会社が重要になる。\n\nAIは、モデルだけの物語ではなくなった。 \n国家管理されたモデルを、どのように実務に落とすかという物語になった。\n\n## 6月13日の答え合わせ\n\nでは、6月13日の記事はどれくらい当たったのか。\n\n結論から言えば、方向性はかなり当たっていた。\n\n当たった部分は三つある。\n\n第一に、Fable 5 / Mythos 5停止はAnthropicだけの一過性の事故ではなく、最先端AIモデルそのものが国家安全保障資産として扱われ始めた前兆だった。\n\n第二に、アクセス権は外交カード、企業選別カード、クラウド経路カード、監査条件カードになり始めた。\n\n第三に、OpenAI、Anthropic、xAI、Google、Metaの競争は、独立したAIラボ同士の競争ではなく、巨大複合企業圏と国家戦略を巻き込む競争になった。\n\n一方で、外れた部分もある。\n\nGPT-5.6は、すぐにAI相場を再点火する材料にはならなかった。 \nむしろ、政府許認制、リリース遅延、IPO延期観測、収益化遅延リスクを可視化する材料になった。 \n相場の読みに関してはかなり的外れだった\n\nこれからは、こう問われる。\n\nそのモデルは本当に売れるのか。 \n政府に止められないのか。 \n外国顧客に提供できるのか。 \n価格は下がるのか。 \nコストは下がるのか。 \n推論需要は利益になるのか。 \nIPO時に1兆ドル評価を正当化できるのか。 \nそして、その企業は国家戦略と市場の両方に耐えられるのか。\n\nGPT-5.6の政府許認制は、OpenAIに対する単なるブレーキではない。\n\nそれは、フロンティアAIの時代が次の段階に入ったことを示している。\n\nAIモデルは、もうアプリではない。 \nAIモデルは、もう単なるAPIでもない。 \nAIモデルは、半導体、電力、クラウド、サイバー、防衛、外交、資本市場をつなぐ戦略資産になった。\n\n6月13日に見えていた不気味な線は、今回かなり太くなった。\n\nそしてこの線の先には、おそらく二つの未来がある。\n\n一つは、米国が最先端AIモデルのアクセス権を握り、同盟国と企業を選別しながら、AI覇権をさらに強める未来。\n\nもう一つは、その管理が強まりすぎた結果、各国や企業が「止められないAI」を求め、主権AI、オンプレミスAI、オープンウェイトAI、中国系AIへ分散していく未来。\n\n短期では、米国の管理力が強くなる。 \n長期では、米国依存を減らす動きも強くなる。\n\nこの矛盾が、これからのAI相場を動かす。\n\nOpenAIのGPT-5.6は、その最初の大きな答え合わせだった。\n\n「報道によれば」形式で、Axios、Reuters、OpenAI公式S-1発表、6月13日の自分の記事を並べるのがよいです。特に「政府承認済みパートナー」「顧客ごとの承認」「2027年IPO検討」「1兆ドル評価」は報道ベースとして明記した方が安全です。([Axios](https://www.axios.com/2026/06/25/trump-administration-openai-gpt-model-release))\n\n- [theverge.com](https://www.theverge.com/ai-artificial-intelligence/957372/openai-will-delay-gpt-5-6-after-trump-administration-request?utm_source=chatgpt.com)\n- [Reuters](https://www.reuters.com/business/autos-transportation/kioxia-shares-slump-12-ai-related-stocks-fall-2026-06-26/?utm_source=chatgpt.com)\n- [Reuters](https://www.reuters.com/legal/litigation/legal-tech-firm-sues-us-over-order-limiting-foreign-access-top-tier-anthropic-2026-06-23/?utm_source=chatgpt.com)\n- [ft.com](https://www.ft.com/content/0580e5c9-75b8-4cc5-803d-fbb4e82bb3ad?utm_source=chatgpt.com)\n\n前提として、6月13日の記事では「完成したAIモデルのアクセス権そのものが国家管理対象になり始める」「この国・企業・用途・クラウドなら許可する、という形になる」と書いていました。今回、Axiosは米政権がGPT-5.6の初期提供を政府承認済みパートナーに限定するよう求めたと報じ、Reutersも限定プレビュー期間中に政府が顧客ごとにアクセス承認すると報じています。([note（ノート）](https://note.com/atom_/n/ne65205e095ab)) \nまた、OpenAIは6月8日に秘密S-1提出を公式確認しつつ「上場時期は未定」と説明しており、その後Reutersは、OpenAIが1兆ドル評価を維持するため2027年上場を検討していると報じています。([OpenAI](https://openai.com/index/openai-submits-confidential-s-1/))\n\n特定銘柄の推奨・勧誘・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。\n\nサムネはPixAIsunflowerモデルとGPTImage2.0","blocks":[{"id":"blk_5e5c0094-aa51-4d07-a7f5-1b4ac01613f2","kind":"figure","order":0,"section_id":"sec_5eea3cc0-983a-4b53-9c7a-a63ef7adb761","character_id":null,"markdown":"![](/media/255da4dc624e961d68802ef02383953973c1736e8f1639f656998231e67c2387-content.webp)","render_override":null},{"id":"blk_8d8e075a-e4c1-4f90-b594-8d8b5cc4de31","kind":"heading","order":1,"section_id":"sec_702500d0-fbc5-40fc-95b0-18a086240678","character_id":null,"markdown":"## AIモデルは、ついに「国家が配る戦略資産」になり始めた","render_override":null},{"id":"blk_d3621f1c-45d6-4cb4-a3a6-e90785455188","kind":"paragraph","order":2,"section_id":"sec_702500d0-fbc5-40fc-95b0-18a086240678","character_id":null,"markdown":"[https://note.com/atom\\_/n/ne65205e095ab](https://note.com/atom_/n/ne65205e095ab)","render_override":null},{"id":"blk_f26f23ca-7fa6-4467-a555-e62c0a964bbc","kind":"paragraph","order":3,"section_id":"sec_702500d0-fbc5-40fc-95b0-18a086240678","character_id":null,"markdown":"以前にこのような記事を作成した。","render_override":null},{"id":"blk_92242eaa-3723-4a44-b294-02f432e89e0d","kind":"paragraph","order":4,"section_id":"sec_702500d0-fbc5-40fc-95b0-18a086240678","character_id":null,"markdown":"あの記事では、AnthropicのFable 5 / Mythos 5停止を単独のニュースとして見るのではなく、GPT-5.6観測、米政府のAI安全保障、OpenAI、Anthropic、Amazon、FOMC、AI相場、主権AIの流れまで横に並べて考えた。","render_override":null},{"id":"blk_5fa9d708-bce2-4934-9bcc-e366c2c6263a","kind":"paragraph","order":5,"section_id":"sec_702500d0-fbc5-40fc-95b0-18a086240678","character_id":null,"markdown":"その時に書いた中心の仮説は、かなり単純だった。","render_override":null},{"id":"blk_7f99d31c-56e9-46ae-9ea6-204479c919d1","kind":"paragraph","order":6,"section_id":"sec_702500d0-fbc5-40fc-95b0-18a086240678","character_id":null,"markdown":"これから最先端AIモデルは、単なるSaaSではなくなる。","render_override":null},{"id":"blk_8015fe7e-cf7d-437a-8a4a-5ee5fc277665","kind":"paragraph","order":7,"section_id":"sec_702500d0-fbc5-40fc-95b0-18a086240678","character_id":null,"markdown":"GPUやHBMやデータセンターだけでなく、完成したモデルのアクセス権そのものが、国家安全保障の管理対象になっていく。 \n「この国には使わせる」 \n「この企業には使わせる」 \n「この用途なら許可する」 \n「このクラウド経由なら許可する」 \n「この監査条件を受け入れるなら復旧させる」","render_override":null},{"id":"blk_d174ceb9-939c-4e95-a4fd-c3c8d6aa689c","kind":"paragraph","order":8,"section_id":"sec_702500d0-fbc5-40fc-95b0-18a086240678","character_id":null,"markdown":"そんな時代に入っていくのではないか、という話だった。","render_override":null},{"id":"blk_a132b992-3ed1-4c17-8d48-cf342f3e2300","kind":"paragraph","order":9,"section_id":"sec_702500d0-fbc5-40fc-95b0-18a086240678","character_id":null,"markdown":"そして今回、OpenAIのGPT-5.6で、それに近いことが起きた。","render_override":null},{"id":"blk_1df61b56-2192-479a-8f34-10cf35ffc71a","kind":"paragraph","order":10,"section_id":"sec_702500d0-fbc5-40fc-95b0-18a086240678","character_id":null,"markdown":"報道によれば、トランプ政権はOpenAIに対し、GPT-5.6をいきなり広く公開せず、まずは政府承認済みの少数パートナーに限定して出すよう求めた。さらに限定プレビュー期間中は、政府が顧客ごとにアクセスを承認するという。","render_override":null},{"id":"blk_d0b19002-3f88-41b1-b3cd-81a356c5f902","kind":"paragraph","order":11,"section_id":"sec_702500d0-fbc5-40fc-95b0-18a086240678","character_id":null,"markdown":"これはかなり異例である。","render_override":null},{"id":"blk_f7cd1911-be34-4c83-ac8d-dab1853b7dab","kind":"paragraph","order":12,"section_id":"sec_702500d0-fbc5-40fc-95b0-18a086240678","character_id":null,"markdown":"これまでのAIモデル公開は、企業が安全評価を行い、レッドチームを入れ、利用規約やAPI制限を設け、段階的にリリースするというものだった。もちろん政府との協議や安全保障上の意見交換はあっただろう。しかし、今回の構図はそこから一段進んでいる。","render_override":null},{"id":"blk_51d5de0a-529b-4b6f-b1c2-30121b02c7de","kind":"paragraph","order":13,"section_id":"sec_702500d0-fbc5-40fc-95b0-18a086240678","character_id":null,"markdown":"企業がモデルを出す。 \n政府が安全保障上の懸念を見る。 \n政府が誰に使わせるかを確認する。 \n承認された顧客から順番に使えるようにする。","render_override":null},{"id":"blk_c2ccba01-77f1-4452-936b-7e87269471fd","kind":"paragraph","order":14,"section_id":"sec_702500d0-fbc5-40fc-95b0-18a086240678","character_id":null,"markdown":"これは、ほとんど「最先端AIモデルの準・許認可制」である。","render_override":null},{"id":"blk_6a1b7434-9aa1-4911-97be-24605a4ce88b","kind":"paragraph","order":15,"section_id":"sec_702500d0-fbc5-40fc-95b0-18a086240678","character_id":null,"markdown":"もちろん、米政府は表向きには、強制的なライセンス制度ではなく、任意の事前安全評価や協調的な枠組みだと説明するだろう。実際、AIの技術開発を止めるほどの重い規制を掲げているわけではない。だが、実務の現場で「政府が顧客ごとに承認する」という運用が始まるなら、それは言葉の上では任意でも、企業から見ればかなり強いゲートになる。","render_override":null},{"id":"blk_f21655d3-3873-49a6-87b6-02d3e0ab2e3c","kind":"paragraph","order":16,"section_id":"sec_702500d0-fbc5-40fc-95b0-18a086240678","character_id":null,"markdown":"ここで6月13日の記事の一つ目の答え合わせができる。","render_override":null},{"id":"blk_58059ac3-e991-4178-8fc8-6fe235685e0b","kind":"paragraph","order":17,"section_id":"sec_702500d0-fbc5-40fc-95b0-18a086240678","character_id":null,"markdown":"あの時点では、Fable 5 / Mythos 5停止がAnthropicに対する特殊な措置なのか、それとも今後OpenAIやGoogleやxAIにも広がる新しい枠組みなのかが分からなかった。","render_override":null},{"id":"blk_f3b7ff44-032b-4493-9b0a-a77634f63a30","kind":"paragraph","order":18,"section_id":"sec_702500d0-fbc5-40fc-95b0-18a086240678","character_id":null,"markdown":"今回のGPT-5.6で、その答えはかなりはっきりした。","render_override":null},{"id":"blk_4b6f1bb7-b16f-44e9-98a9-aadfe56c7c47","kind":"paragraph","order":19,"section_id":"sec_702500d0-fbc5-40fc-95b0-18a086240678","character_id":null,"markdown":"これはAnthropicだけの問題ではなかった。 \n最先端モデルそのものが、米国の安全保障管理に入っていく流れだった。","render_override":null},{"id":"blk_431305f6-4692-4586-ad52-daaec17dfde6","kind":"heading","order":20,"section_id":"sec_1e8f0735-46f2-4934-a1ce-f7adddf4f8c5","character_id":null,"markdown":"## OpenAIは優遇されたのか、それとも囲い込まれたのか","render_override":null},{"id":"blk_206da550-b8f3-4c94-9af5-7d73b6af1db9","kind":"paragraph","order":21,"section_id":"sec_1e8f0735-46f2-4934-a1ce-f7adddf4f8c5","character_id":null,"markdown":"6月13日の記事では、「もしこれがOpenAIだったら、Anthropicと同じ扱いになっていたのか」という問いを立てた。","render_override":null},{"id":"blk_0971d4de-d98b-4e03-a1db-25bd845198a0","kind":"paragraph","order":22,"section_id":"sec_1e8f0735-46f2-4934-a1ce-f7adddf4f8c5","character_id":null,"markdown":"今回のGPT-5.6の動きを見ると、その答えは単純ではない。OpenAIは確かにAnthropicよりは優遇された。だが、その優遇は「自由にリリースできる」という意味ではなく、「国家管理の中で優先的に通される」という意味での優遇だった。","render_override":null},{"id":"blk_a1437a31-d961-46c8-8417-fa9e8726f8f0","kind":"paragraph","order":23,"section_id":"sec_1e8f0735-46f2-4934-a1ce-f7adddf4f8c5","character_id":null,"markdown":"AnthropicのMythos 5も、最初から完全に一般公開されていたわけではない。Project Glasswingのような枠組みを通じて、CrowdStrike、Palo Alto Networks、Google、NVIDIA、Amazon、Microsoft、Appleなど、サイバー防衛や重要インフラに関わる限られた企業・組織が使える形だった。つまりMythosも、初期段階では「承認された強い企業にだけ使わせる」モデルだった。","render_override":null},{"id":"blk_6f494378-fef6-4cb9-81e7-ff05d784f1cd","kind":"paragraph","order":24,"section_id":"sec_1e8f0735-46f2-4934-a1ce-f7adddf4f8c5","character_id":null,"markdown":"しかし、その後の展開はOpenAIと大きく違った。AnthropicのFable 5 / Mythos 5は、米政府の輸出管理指令によって、外国籍者へのアクセス停止を求められた。しかも対象は海外ユーザーだけではなく、米国内にいる外国籍者、さらにはAnthropic社内の外国籍従業員にまで及ぶ可能性があった。そのため、Anthropicは実務上、全顧客へのアクセスを一時停止せざるを得なくなった。","render_override":null},{"id":"blk_34d2787a-242c-4c48-a0df-b80850bd37a8","kind":"paragraph","order":25,"section_id":"sec_1e8f0735-46f2-4934-a1ce-f7adddf4f8c5","character_id":null,"markdown":"つまりAnthropicは、「限定提供していたモデルが、後から止められた」形である。 \n一方、OpenAIのGPT-5.6は、「広く出す前に、政府管理の枠内へ入れられた」形である。","render_override":null},{"id":"blk_c0397c4e-fa9c-4863-a3a2-07e00d37422d","kind":"paragraph","order":26,"section_id":"sec_1e8f0735-46f2-4934-a1ce-f7adddf4f8c5","character_id":null,"markdown":"この違いは大きい。","render_override":null},{"id":"blk_cab6e2e8-f557-4629-9cdc-3090f62f914b","kind":"paragraph","order":27,"section_id":"sec_1e8f0735-46f2-4934-a1ce-f7adddf4f8c5","character_id":null,"markdown":"Anthropicの場合、政府は危険性を見てからブレーキをかけた。Fable 5の安全柵を迂回すれば、Mythos級のサイバー能力にアクセスできる可能性があると見なされ、結果として輸出管理の対象になった。これは事後規制であり、かなり懲罰的な色合いが強い。","render_override":null},{"id":"blk_3d114b82-3318-4004-bcec-f6e46f514ea4","kind":"paragraph","order":28,"section_id":"sec_1e8f0735-46f2-4934-a1ce-f7adddf4f8c5","character_id":null,"markdown":"OpenAIの場合、政府はGPT-5.6を完全停止させたわけではない。むしろ、政府承認済みの少数パートナーに限定し、顧客ごとにアクセスを承認する形で、制御しながら前に進めようとしている。つまりOpenAIは、Anthropicのように「止める対象」ではなく、「国家側が確認しながら使わせる対象」として扱われている。","render_override":null},{"id":"blk_a30fe55e-efc9-4eb0-b98b-e0e2e99ad4e5","kind":"paragraph","order":29,"section_id":"sec_1e8f0735-46f2-4934-a1ce-f7adddf4f8c5","character_id":null,"markdown":"ここに、OpenAIの立場の特殊性がある。","render_override":null},{"id":"blk_ce45d213-6097-4604-bda9-0b9be503d7da","kind":"paragraph","order":30,"section_id":"sec_1e8f0735-46f2-4934-a1ce-f7adddf4f8c5","character_id":null,"markdown":"OpenAIは自由なスタートアップではなくなった。だが、単純に潰されたわけでもない。米国AI国家戦略の中核に近い企業として、政府の安全保障レビュー、顧客承認、用途管理の中に組み込まれた。これは優遇であると同時に、囲い込みでもある。","render_override":null},{"id":"blk_6d03e895-e8fe-4987-9186-350911fba5d2","kind":"paragraph","order":31,"section_id":"sec_1e8f0735-46f2-4934-a1ce-f7adddf4f8c5","character_id":null,"markdown":"言い換えれば、Anthropicは「国家に止められた企業」であり、OpenAIは「国家に管理されながら通された企業」である。","render_override":null},{"id":"blk_03777e48-d013-4774-a4fe-af9160e67730","kind":"paragraph","order":32,"section_id":"sec_1e8f0735-46f2-4934-a1ce-f7adddf4f8c5","character_id":null,"markdown":"OpenAIにとって、この立場は短期的には有利に見える。完全停止ではなく、政府承認済みパートナーへの限定プレビューとしてGPT-5.6を前に進められるからだ。防衛、サイバー、重要インフラ、政府契約の領域では、むしろ「公認モデル」に近い扱いを受ける可能性すらある。","render_override":null},{"id":"blk_330897e0-1274-444f-9282-74a47b858be7","kind":"paragraph","order":33,"section_id":"sec_1e8f0735-46f2-4934-a1ce-f7adddf4f8c5","character_id":null,"markdown":"しかし、長期的には重い制約にもなる。政府が顧客ごとに承認するなら、OpenAIは最重要モデルを自由に売れない。外国企業、多国籍チーム、海外クラウド、用途不明の顧客に対しては、商業判断だけで提供できなくなる。これは通常のSaaSではなく、半導体や暗号技術に近い戦略資産の扱いである。","render_override":null},{"id":"blk_580e8320-1a21-498b-8e7e-2400607ddbe2","kind":"paragraph","order":34,"section_id":"sec_1e8f0735-46f2-4934-a1ce-f7adddf4f8c5","character_id":null,"markdown":"だから、今回の答えはこうなる。","render_override":null},{"id":"blk_73a0e966-a242-4659-a418-cf6396f37772","kind":"paragraph","order":35,"section_id":"sec_1e8f0735-46f2-4934-a1ce-f7adddf4f8c5","character_id":null,"markdown":"OpenAIは優遇された。 \nしかし、その優遇の正体は自由ではない。 \nそれは、国家管理下の優先レーンである。","render_override":null},{"id":"blk_86fde88d-2565-4d98-baf1-6e40f7025e13","kind":"paragraph","order":36,"section_id":"sec_1e8f0735-46f2-4934-a1ce-f7adddf4f8c5","character_id":null,"markdown":"Anthropicは、モデルを出した後に止められた。 \nOpenAIは、モデルを出す前に囲い込まれた。","render_override":null},{"id":"blk_fcfa3488-3813-4497-8913-5a925e3d524b","kind":"paragraph","order":37,"section_id":"sec_1e8f0735-46f2-4934-a1ce-f7adddf4f8c5","character_id":null,"markdown":"この差は、今後のAI企業の価値を大きく分ける。最強モデルを持つだけでは不十分で、そのモデルを政府が「止める対象」と見るのか、「管理しながら使わせる対象」と見るのかが、収益化、顧客展開、上場評価に直結する時代に入った。","render_override":null},{"id":"blk_296efe86-eede-4dd5-844b-303e2fd9d558","kind":"heading","order":38,"section_id":"sec_527a8478-076e-493c-b29c-1b9f724d4338","character_id":null,"markdown":"## 6月13日の記事で一番当たった部分","render_override":null},{"id":"blk_76b6e7d9-4820-4969-adda-0976ddd4322b","kind":"paragraph","order":39,"section_id":"sec_527a8478-076e-493c-b29c-1b9f724d4338","character_id":null,"markdown":"一番当たったのは、「アクセス権が外交カードになる」という部分だった。","render_override":null},{"id":"blk_3e6d4a50-9b9a-4f0f-9c90-b06d45d1b25c","kind":"paragraph","order":40,"section_id":"sec_527a8478-076e-493c-b29c-1b9f724d4338","character_id":null,"markdown":"最先端AIのアクセス権は、今後、外交交渉、同盟国支援、国防協力、サイバー防衛、重要インフラ保護、企業誘致のカードになる。","render_override":null},{"id":"blk_05f787e2-dd87-4a33-bf60-a30a3d2d4457","kind":"paragraph","order":41,"section_id":"sec_527a8478-076e-493c-b29c-1b9f724d4338","character_id":null,"markdown":"これは、もう抽象論ではない。","render_override":null},{"id":"blk_64a9d53f-7178-4d65-b7d6-6e335dcefded","kind":"paragraph","order":42,"section_id":"sec_527a8478-076e-493c-b29c-1b9f724d4338","character_id":null,"markdown":"Fable 5 / Mythos 5では、外国籍者へのアクセス制限が問題になった。 \nGPT-5.6では、政府承認済みパートナーへの限定提供が問題になった。 \n次に起こるのは、おそらく同盟国ごとの扱いの差である。","render_override":null},{"id":"blk_886f2676-8da7-4468-b19d-8d7c7ac67ba2","kind":"paragraph","order":43,"section_id":"sec_527a8478-076e-493c-b29c-1b9f724d4338","character_id":null,"markdown":"日本企業は使えるのか。 \n韓国企業は使えるのか。 \n台湾企業は使えるのか。 \n欧州企業は使えるのか。 \n中東の政府系ファンドが入る企業は使えるのか。 \n中国に事業や資本関係を持つ企業は使えるのか。 \n外国籍エンジニアがいる米国企業は使えるのか。 \n多国籍チームで開発する企業は、どこまでアクセスできるのか。","render_override":null},{"id":"blk_52cf2548-2358-4a49-976a-95572b95d8a9","kind":"paragraph","order":44,"section_id":"sec_527a8478-076e-493c-b29c-1b9f724d4338","character_id":null,"markdown":"これはもう、普通のクラウド契約の話ではない。 \nAIモデルの利用権が、サイバー安全保障、輸出管理、KYC、国籍、所在地、クラウド経路、ログ監査と結びつき始めている。","render_override":null},{"id":"blk_e778dfcc-e1a4-49f3-bcf2-e20a50c41529","kind":"paragraph","order":45,"section_id":"sec_527a8478-076e-493c-b29c-1b9f724d4338","character_id":null,"markdown":"6月13日の記事で書いた「AIモデルは単なるSaaSではなく、国家戦略の道具になる」という見方は、今回かなり現実に近づいた。","render_override":null},{"id":"blk_dd134cd8-f2c1-4c1b-89ef-fb1daefd9d08","kind":"heading","order":46,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"## ただし、相場の読みは外れた","render_override":null},{"id":"blk_25e916b9-19b4-4d98-a58f-7a2033c16468","kind":"paragraph","order":47,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"ただし、相場の読みについては的外れな部分が多かった。","render_override":null},{"id":"blk_e86442a7-239f-4c89-b274-aaf063cf3b4b","kind":"paragraph","order":48,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"6月13日の時点では、Fable 5停止でAI相場が一度冷え、その後にGPT-5.6、価格引き下げ、政府調達、AIインフラ政策、FOMC安心感、原油安などが重なれば、AI相場は再点火しやすいと考えていた。","render_override":null},{"id":"blk_3e8e41b2-020d-4d89-9d56-3f4eb6422f6c","kind":"paragraph","order":49,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"だが、現実にはそう単純ではなかった。","render_override":null},{"id":"blk_85b80605-b546-4dac-b92d-ebcff3d20f73","kind":"paragraph","order":50,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"実際に起きたのは、メモリ銘柄のレバ祭りと、その逆回転による強烈な下げだった。市場の注目は、GPT-5.6の新モデル期待よりも、Micronの決算、DRAM価格、HBM需要、メモリETF、レバレッジ商品の需給にかなり寄っていた。","render_override":null},{"id":"blk_eabd8051-4639-452b-974e-5141fe560b72","kind":"paragraph","order":51,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"この時、自分はMicronの決算の影響を十分に考慮していなかった。 \nそして、メモリのレバ商品による需給の歪みも考慮していなかった。","render_override":null},{"id":"blk_27a74cf7-9dfb-4555-93bd-673607d09b37","kind":"paragraph","order":52,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"AI相場の中心は、OpenAIやAnthropicのモデル性能だけではなく、HBM、DRAM、NAND、先端パッケージ、プローブカード、電力、冷却、ネットワークといった、AIインフラのボトルネック側へかなり移っていた。市場は「次のモデルが出るか」だけではなく、「そのモデルを動かすためのメモリが足りるのか」「設備投資はさらに増えるのか」「その設備投資は本当に回収できるのか」を見ていた。","render_override":null},{"id":"blk_547a48b8-acd3-4467-a886-0a04ac0596f3","kind":"paragraph","order":53,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"さらに、宇宙銘柄の下げも速かった。AIインフラ、宇宙、量子、原子力、ロボティクスのような未来テーマ銘柄は、上がる時は一気に上がるが、資金の逃げ足も速い。特に金利への不安が残る局面では、遠い未来の利益を買っていた銘柄から順に売られやすい。","render_override":null},{"id":"blk_6c9c098d-c915-4e86-8962-0dfc871603d9","kind":"paragraph","order":54,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"この動きは、ハイパースケーラーからメモリやボトルネック銘柄への資金移動とも重なっていた。","render_override":null},{"id":"blk_7414fdb7-2f93-4432-8f4f-c3b27b75e80d","kind":"paragraph","order":55,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"Amazon、Microsoft、Google、Metaのようなハイパースケーラーは、AI投資の主役であり続けている。だが、短期の市場では、彼らは「AIで儲ける側」というより、「AIのために設備投資をし続ける側」として見られやすくなった。つまり、AI需要が強ければ強いほど、売上期待だけでなく、capex負担、減価償却、電力コスト、GPU調達、データセンター建設費への懸念も強くなる。","render_override":null},{"id":"blk_ab621d30-412e-41fa-bc6b-1023b90d3921","kind":"paragraph","order":56,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"一方で、メモリや後工程、液冷、電力、光通信、検査装置のようなボトルネック側は、「ハイパースケーラーがどれだけ苦しくても、まず買わざるを得ないもの」として見られた。だから資金は、AIを使って儲ける企業から、AIを動かすために必要な部品・装置・素材へ流れた。","render_override":null},{"id":"blk_e2d8c507-2874-4195-9613-6936e0623391","kind":"paragraph","order":57,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"ただし、その流れも一直線ではなかった。","render_override":null},{"id":"blk_a87d5f18-f6e3-44e3-9575-0191168923d7","kind":"paragraph","order":58,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"メモリ銘柄に資金が集中し、そこにレバレッジ商品や短期資金が乗ると、上昇は速くなる。だが、その分、逆回転も速くなる。好材料が出ても、期待値が高すぎれば売られる。決算が良くても、ガイダンスが足りなければ売られる。ガイダンスが強くても、すでに株価が織り込みすぎていれば売られる。AI相場は強いが、強いからこそ、少しのズレで大きく崩れる。","render_override":null},{"id":"blk_a765f46e-2303-44a5-84b1-8ca85d8d2d28","kind":"paragraph","order":59,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"FOMCについても、読みは単純ではなかった。","render_override":null},{"id":"blk_3b936565-fe79-4ba0-b264-96e87267b5ce","kind":"paragraph","order":60,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"FOMCはややタカ派寄りでも、市場に一定の安心感を与えた。数日の間は、金利イベント通過、過度な警戒の後退、インフレ再加速への恐怖の緩和によって、株価は上げた。だが、それで市場が完全に楽観へ戻ったわけではない。金利への不安は、市場全体に常に残っていた。","render_override":null},{"id":"blk_fa46b13c-f826-481e-8a15-d611141dd016","kind":"paragraph","order":61,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"AI相場は、低金利を前提にした未来利益の物語でもある。 \n金利が高止まりすれば、遠い将来の利益の現在価値は下がる。 \n設備投資の資金コストも上がる。 \nデータセンター建設、電力契約、半導体調達、AIサーバー導入の負担も重くなる。","render_override":null},{"id":"blk_ff3c79f1-3a6c-45da-be2d-7c50144f4cba","kind":"paragraph","order":62,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"だから、FOMC通過で一時的に安心しても、金利への不安は消えなかった。市場は上げながらも、どこかで常に疑っていた。","render_override":null},{"id":"blk_b4f43e20-94ad-459b-965b-36cfb2f99896","kind":"paragraph","order":63,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"そして、GPT-5.6は思ったより後に出てきた。","render_override":null},{"id":"blk_e02c6f13-b78f-42eb-8d82-ec8474cc0cdd","kind":"paragraph","order":64,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"自分は6月13日の時点で、GPT-5.6が比較的早い段階で、AI相場の再点火材料として出てくる可能性を見ていた。だが、実際に出てきたのは、単純な新モデル発表ではなかった。","render_override":null},{"id":"blk_d2c9c454-0a11-42ef-ae3f-6257602c0a5b","kind":"paragraph","order":65,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"出てきたのは、政府許認制に近い話だった。","render_override":null},{"id":"blk_83d6eed4-0324-4d0c-ad99-0602fc6fa8ed","kind":"paragraph","order":66,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"トランプ政権がOpenAIに対し、GPT-5.6をいきなり広く公開せず、政府承認済みの少数パートナーに限定して段階的に提供するよう求めた。さらに、政府が顧客ごとにアクセスを承認するという、かなり異例の枠組みが報じられた。","render_override":null},{"id":"blk_bfe941d1-b122-4101-9610-90f475771727","kind":"paragraph","order":67,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"これは、市場にとって素直に良い材料ではなかった。","render_override":null},{"id":"blk_19f4b8bf-5b8c-47a7-9448-56a40ca90182","kind":"paragraph","order":68,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"本来であれば、GPT-5.6は「次のモデルが来る」「AI能力がまた伸びる」「エージェントやコーディングや企業利用が進む」という期待材料になり得た。だが、実際には「最先端モデルは政府に止められるかもしれない」「OpenAIは自由にリリースできないかもしれない」「顧客ごとに承認が必要なら、商業展開は遅れるかもしれない」という懸念も同時に生んだ。","render_override":null},{"id":"blk_e74505ce-0479-40f6-bfa8-b7446cf54b69","kind":"paragraph","order":69,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"そこに、OpenAIの上場延期観測が重なった。","render_override":null},{"id":"blk_3177d322-29e8-4f88-97d4-617c3f8a4087","kind":"paragraph","order":70,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"OpenAIのIPOは、AI相場にとって巨大な出口イベントである。もしOpenAIが高い評価額で上場すれば、未上場AI企業、AIインフラ、メモリ、半導体、クラウド、ソフトウェア全体に再評価が入りやすい。逆に、それが延期されるなら、市場は「AIの収益化はまだ時間がかかるのか」「1兆ドル評価を正当化するにはまだ材料が足りないのか」と考える。","render_override":null},{"id":"blk_66f4e7a3-3208-4a4a-9ac1-596d6e40e900","kind":"paragraph","order":71,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"GPT-5.6は遅れた。 \n出てきた時には許認制だった。 \nOpenAIの上場も遠のいた。 \nその間に、市場の主役はメモリとボトルネックへ移り、レバレッジ需給で大きく揺れた。 \n宇宙銘柄は速く売られ、ハイパースケーラーには設備投資負担の懸念が残り、FOMC通過後も金利不安は消えなかった。","render_override":null},{"id":"blk_c194a2cb-840f-44e6-bcf9-cfbc35438140","kind":"paragraph","order":72,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"全く、相場は何が起こるかわからない。","render_override":null},{"id":"blk_90ac3eae-e4f4-45c1-9775-abcd48393467","kind":"paragraph","order":73,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"ただ、だからこそ今回の答え合わせには意味がある。","render_override":null},{"id":"blk_c9b2145d-3604-4488-a18a-0290ce89963d","kind":"paragraph","order":74,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"6月13日の読みは、AIモデルが国家管理対象になるという大きな方向性ではかなり当たっていた。だが、相場の時間軸は違った。市場はGPT-5.6を待って一直線に再点火したのではなく、その前にメモリ、レバレッジ、Micron決算、金利、設備投資懸念、OpenAI上場延期という別の材料で大きく揺れた。","render_override":null},{"id":"blk_b4f9b3c2-9088-480a-94d9-d3e2ce80ae9a","kind":"paragraph","order":75,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"つまり、テーマの方向性と、株価の時間軸は別である。","render_override":null},{"id":"blk_e78f3dad-f404-4653-91f5-48f2a1fbb2f4","kind":"paragraph","order":76,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"AIが重要になることと、AI株が今日上がることは同じではない。 \nメモリが不足することと、メモリ株が常に上がることも同じではない。 \nOpenAIが中核企業になることと、OpenAI関連が短期で買われることも同じではない。","render_override":null},{"id":"blk_a116f1a9-2166-4014-8e44-6daec661feaa","kind":"paragraph","order":77,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"今回の相場は、そのことを改めて見せつけた。","render_override":null},{"id":"blk_9405ac91-0851-4a01-a8b5-6eaabfae3591","kind":"paragraph","order":78,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"AI相場は終わっていない。 \nだが、単純な楽観相場でもない。","render_override":null},{"id":"blk_08edbcab-1b82-4195-9e5a-085bce7d7f4d","kind":"paragraph","order":79,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"最先端モデルは国家に管理され、OpenAIのIPOは遠のき、ハイパースケーラーは設備投資負担を背負い、メモリ銘柄は需給で暴れ、金利は常に市場の首元にある。","render_override":null},{"id":"blk_e831639e-ceb1-4f68-9828-3f5cd2e74967","kind":"paragraph","order":80,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"その中で、実需と投機、ボトルネックと過熱、国家戦略と資本市場が、毎日のように入れ替わりながら相場を動かしている。","render_override":null},{"id":"blk_7ff116b0-7355-4541-8d47-f7e440e65974","kind":"paragraph","order":81,"section_id":"sec_8747c6e9-bfe1-48ae-bd0e-5b586f5654fe","character_id":null,"markdown":"6月13日に見ていた未来は、方向としては近かった。 \nしかし、その未来に向かう道は、思っていたよりずっと荒かった。","render_override":null},{"id":"blk_ca844bfd-5965-43c8-b39b-36d4eba21d30","kind":"heading","order":82,"section_id":"sec_8de470f0-40fd-4b4e-8a61-d49e06f0c28e","character_id":null,"markdown":"## OpenAIの上場延期は、単なる延期ではない","render_override":null},{"id":"blk_e3793537-ca10-4c93-9a70-4284a61f5d3b","kind":"paragraph","order":83,"section_id":"sec_8de470f0-40fd-4b4e-8a61-d49e06f0c28e","character_id":null,"markdown":"OpenAIのIPOについても、今回かなり重要な変化が出た。","render_override":null},{"id":"blk_4822d8bb-1ab3-47c3-a0c8-ae62e6995b55","kind":"paragraph","order":84,"section_id":"sec_8de470f0-40fd-4b4e-8a61-d49e06f0c28e","character_id":null,"markdown":"OpenAIはすでに秘密S-1を提出している。つまり上場準備そのものは進んでいる。だが、同時にOpenAI自身は上場時期を決めていないと説明していた。そして今回、1兆ドル評価を維持するために2027年まで待つ案が浮上している。","render_override":null},{"id":"blk_49e9dd5c-7cab-4841-a48d-621d54949bbe","kind":"paragraph","order":85,"section_id":"sec_8de470f0-40fd-4b4e-8a61-d49e06f0c28e","character_id":null,"markdown":"これを単なる「IPO延期」と見ると、少し浅い。","render_override":null},{"id":"blk_8437a94b-e456-4313-bc02-607213629135","kind":"paragraph","order":86,"section_id":"sec_8de470f0-40fd-4b4e-8a61-d49e06f0c28e","character_id":null,"markdown":"OpenAIは、おそらく今すぐ公開市場に出るより、もう少し非公開のまま巨大化したいのだろう。","render_override":null},{"id":"blk_81ff0326-b9ec-419f-99af-2840766f19b3","kind":"paragraph","order":87,"section_id":"sec_8de470f0-40fd-4b4e-8a61-d49e06f0c28e","character_id":null,"markdown":"理由は分かりやすい。","render_override":null},{"id":"blk_4cb68324-981a-43a2-9b7b-096180dd6f5f","kind":"paragraph","order":88,"section_id":"sec_8de470f0-40fd-4b4e-8a61-d49e06f0c28e","character_id":null,"markdown":"第一に、1兆ドル評価を守りたい。 \n第二に、GPT-5.6や次のエージェント製品の収益力を見せたい。 \n第三に、推論コストやデータセンター投資の回収可能性を説明できるようにしたい。 \n第四に、Microsoft、Oracle、Broadcom、政府契約、AIインフラ構想との関係を整理したい。 \n第五に、今回のような政府承認リリースのリスクを、上場前にある程度制度化したい。","render_override":null},{"id":"blk_b0eef74c-b506-4a21-9125-f70dc04985be","kind":"paragraph","order":89,"section_id":"sec_8de470f0-40fd-4b4e-8a61-d49e06f0c28e","character_id":null,"markdown":"公開市場に出れば、OpenAIは毎四半期、売上、損失、設備投資、推論コスト、政府リスク、訴訟リスク、パートナー依存を説明し続けなければならない。","render_override":null},{"id":"blk_dfde0958-603e-4d43-bb9d-53e97ce0fa77","kind":"paragraph","order":90,"section_id":"sec_8de470f0-40fd-4b4e-8a61-d49e06f0c28e","character_id":null,"markdown":"今のOpenAIにとって、それはまだ早いのかもしれない。","render_override":null},{"id":"blk_6cd017fd-7c45-4f26-8281-9b7078110c34","kind":"paragraph","order":91,"section_id":"sec_8de470f0-40fd-4b4e-8a61-d49e06f0c28e","character_id":null,"markdown":"AIの物語は強い。 \nだが、AIの損益計算書はまだ重い。 \nそして、AIの国家安全保障リスクはさらに重い。","render_override":null},{"id":"blk_df71497d-47b1-4af2-968e-e3867e9f1f89","kind":"paragraph","order":92,"section_id":"sec_8de470f0-40fd-4b4e-8a61-d49e06f0c28e","character_id":null,"markdown":"1兆ドル企業として上場するには、性能だけでは足りない。 \n政府に止められないこと。 \n顧客に逃げられないこと。 \nコストを下げられること。 \n収益が伸びること。 \nそして、国家戦略と資本市場の両方に説明できることが必要になる。","render_override":null},{"id":"blk_3f63b66a-6382-4182-9355-2e4c49cd6c43","kind":"heading","order":93,"section_id":"sec_5aea23df-ea6f-460e-9397-baf3fa9f7271","character_id":null,"markdown":"## 主権AIの流れは、さらに強くなる","render_override":null},{"id":"blk_ad59010b-6ad8-498b-88b6-7c05cae092cd","kind":"paragraph","order":94,"section_id":"sec_5aea23df-ea6f-460e-9397-baf3fa9f7271","character_id":null,"markdown":"今回の件で、主権AIの重要性はさらに増した。","render_override":null},{"id":"blk_bda9fe7d-788e-4c0a-87c2-eeb145beaf00","kind":"paragraph","order":95,"section_id":"sec_5aea23df-ea6f-460e-9397-baf3fa9f7271","character_id":null,"markdown":"米国製フロンティアモデルが最強であることは、短期的には米国の交渉力を高める。 \nだが、アクセス権を外交カードにしすぎると、長期的には逆方向の力が働く。","render_override":null},{"id":"blk_7859ec1e-304a-439e-b09a-5448166b52c6","kind":"paragraph","order":96,"section_id":"sec_5aea23df-ea6f-460e-9397-baf3fa9f7271","character_id":null,"markdown":"各国はこう考える。","render_override":null},{"id":"blk_0da6bf5b-4dc6-4a86-9e56-782f97a3d2fe","kind":"paragraph","order":97,"section_id":"sec_5aea23df-ea6f-460e-9397-baf3fa9f7271","character_id":null,"markdown":"米国モデルは強い。 \nだが、突然止まるかもしれない。 \n米政府の判断で、自国企業が使えなくなるかもしれない。 \n外国籍者がいるだけでアクセス制限されるかもしれない。 \n重要インフラや政府業務を依存させるには危ないかもしれない。","render_override":null},{"id":"blk_8bf2153e-5bed-4e5e-b6b6-7ad2800d3e26","kind":"paragraph","order":98,"section_id":"sec_5aea23df-ea6f-460e-9397-baf3fa9f7271","character_id":null,"markdown":"そうなれば、多少性能が落ちても、自国クラウド上で動くモデル、自国法の下で管理できるモデル、オンプレミスで使えるモデル、オープンウェイトモデル、中国系モデル、欧州・日本・韓国・中東の主権AI構想に資金が流れやすくなる。","render_override":null},{"id":"blk_71632a7d-0ca0-487e-afc7-03985b13aa0c","kind":"paragraph","order":99,"section_id":"sec_5aea23df-ea6f-460e-9397-baf3fa9f7271","character_id":null,"markdown":"これは米国にとっても難しい問題である。","render_override":null},{"id":"blk_2936ca84-b195-48c7-aedb-a915407a03d7","kind":"paragraph","order":100,"section_id":"sec_5aea23df-ea6f-460e-9397-baf3fa9f7271","character_id":null,"markdown":"最強モデルを守るために閉じれば、他国は代替を作る。 \n開きすぎれば、サイバー・軍事・重要インフラ上のリスクが高まる。 \n閉じすぎれば、米国AI APIへの依存が減る。 \n開きすぎれば、敵対国にも能力が漏れる。","render_override":null},{"id":"blk_f291be4f-657a-4c7c-a8d7-2a1c95f8ce23","kind":"paragraph","order":101,"section_id":"sec_5aea23df-ea6f-460e-9397-baf3fa9f7271","character_id":null,"markdown":"つまり、最先端AIは「売れば売るほど強くなる商品」であると同時に、「売りすぎると危険な戦略資産」になった。","render_override":null},{"id":"blk_43d307d7-4939-4bf2-b0a3-4e84fb1c049a","kind":"paragraph","order":102,"section_id":"sec_5aea23df-ea6f-460e-9397-baf3fa9f7271","character_id":null,"markdown":"この矛盾こそ、これからのAI市場の中心になる。","render_override":null},{"id":"blk_dea1da52-e59c-4974-876f-707f01f20f43","kind":"heading","order":103,"section_id":"sec_7482a506-dbca-4596-bbd3-a5896d9df42d","character_id":null,"markdown":"## 中立なAIインフラ企業の価値が上がる","render_override":null},{"id":"blk_22d0e3e7-e7f5-4a33-afb2-2451929b34fe","kind":"paragraph","order":104,"section_id":"sec_7482a506-dbca-4596-bbd3-a5896d9df42d","character_id":null,"markdown":"6月13日の記事で最後に書いた「中立なAIインフラ企業の価値」も、今回さらに重要になった。","render_override":null},{"id":"blk_0727432c-d2a9-4f70-8ef4-bb9a3530f2ed","kind":"paragraph","order":105,"section_id":"sec_7482a506-dbca-4596-bbd3-a5896d9df42d","character_id":null,"markdown":"AIモデル企業そのものが政治化し、国家安全保障化し、巨大クラウドや政府契約と結びつくほど、顧客は中立な層を求める。","render_override":null},{"id":"blk_26349b8d-1b6a-4b8b-ba6c-0f4c1a6e5542","kind":"paragraph","order":106,"section_id":"sec_7482a506-dbca-4596-bbd3-a5896d9df42d","character_id":null,"markdown":"モデル評価。 \n監査。 \nログ管理。 \nセキュアなモデル配信。 \n企業向けKYC。 \n国籍・所在地・用途制限の管理。 \n複数モデルのルーティング。 \nオンプレミス実行環境。 \nAIエージェントの権限管理。 \nサイバー防衛向けの安全なサンドボックス。","render_override":null},{"id":"blk_a08ae992-a419-4b2f-b8a6-46caa9484a1b","kind":"paragraph","order":107,"section_id":"sec_7482a506-dbca-4596-bbd3-a5896d9df42d","character_id":null,"markdown":"こうした中間層は、今後かなり重要になる。","render_override":null},{"id":"blk_a1e95e11-1fe8-4718-a4ec-4f23f9f7fae0","kind":"paragraph","order":108,"section_id":"sec_7482a506-dbca-4596-bbd3-a5896d9df42d","character_id":null,"markdown":"なぜなら、企業は一つのモデルに依存したくないからだ。 \nOpenAIが止まればAnthropicへ。 \nAnthropicが止まればGoogleへ。 \nGoogleが高ければオープンウェイトへ。 \n社外APIが危なければオンプレミスへ。 \n用途ごとにモデルを切り替える必要が出てくる。","render_override":null},{"id":"blk_c66faaf3-114b-4ec7-b4dc-62e0b3c6bfa6","kind":"paragraph","order":109,"section_id":"sec_7482a506-dbca-4596-bbd3-a5896d9df42d","character_id":null,"markdown":"その時に重要なのは、単に「一番強いモデル」ではなく、「止まらない実行基盤」である。","render_override":null},{"id":"blk_f5749d9c-0405-49bc-a428-f9eb946bcedb","kind":"paragraph","order":110,"section_id":"sec_7482a506-dbca-4596-bbd3-a5896d9df42d","character_id":null,"markdown":"この意味で、AIインフラ相場は終わったわけではない。 \nただし、買われる対象は変わっていく。","render_override":null},{"id":"blk_2d700ad6-b847-4b2c-9880-2f441c06467e","kind":"paragraph","order":111,"section_id":"sec_7482a506-dbca-4596-bbd3-a5896d9df42d","character_id":null,"markdown":"モデル企業そのものだけでなく、モデルを安全に配る会社、監査する会社、守る会社、動かす会社、接続する会社、電力とメモリとネットワークを供給する会社が重要になる。","render_override":null},{"id":"blk_14745d30-5c6c-4caf-b8c0-82f8705ef17d","kind":"paragraph","order":112,"section_id":"sec_7482a506-dbca-4596-bbd3-a5896d9df42d","character_id":null,"markdown":"AIは、モデルだけの物語ではなくなった。 \n国家管理されたモデルを、どのように実務に落とすかという物語になった。","render_override":null},{"id":"blk_6133c90e-152f-46a1-8c6d-03a938b06376","kind":"heading","order":113,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"## 6月13日の答え合わせ","render_override":null},{"id":"blk_cbc91899-0d5e-4df7-a340-ead326b11edd","kind":"paragraph","order":114,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"では、6月13日の記事はどれくらい当たったのか。","render_override":null},{"id":"blk_3c79308d-e2ae-4bd3-908a-52128ad8452e","kind":"paragraph","order":115,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"結論から言えば、方向性はかなり当たっていた。","render_override":null},{"id":"blk_ce076460-b28a-4197-9a80-0a832abff7f5","kind":"paragraph","order":116,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"当たった部分は三つある。","render_override":null},{"id":"blk_7cd3e4c3-f609-40c1-ad65-83e6d666de5e","kind":"paragraph","order":117,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"第一に、Fable 5 / Mythos 5停止はAnthropicだけの一過性の事故ではなく、最先端AIモデルそのものが国家安全保障資産として扱われ始めた前兆だった。","render_override":null},{"id":"blk_85bd4f23-c2f4-4e2f-87cc-bde0f8bd970f","kind":"paragraph","order":118,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"第二に、アクセス権は外交カード、企業選別カード、クラウド経路カード、監査条件カードになり始めた。","render_override":null},{"id":"blk_c831fb34-a111-4415-bba8-7f488731bff4","kind":"paragraph","order":119,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"第三に、OpenAI、Anthropic、xAI、Google、Metaの競争は、独立したAIラボ同士の競争ではなく、巨大複合企業圏と国家戦略を巻き込む競争になった。","render_override":null},{"id":"blk_d4105e08-9de0-406d-a64f-e49c2026d86a","kind":"paragraph","order":120,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"一方で、外れた部分もある。","render_override":null},{"id":"blk_908c876f-97d9-42d5-ab62-7ab371e7207b","kind":"paragraph","order":121,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"GPT-5.6は、すぐにAI相場を再点火する材料にはならなかった。 \nむしろ、政府許認制、リリース遅延、IPO延期観測、収益化遅延リスクを可視化する材料になった。 \n相場の読みに関してはかなり的外れだった","render_override":null},{"id":"blk_3eabda84-7d25-4cda-b04d-9fbb051bb213","kind":"paragraph","order":122,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"これからは、こう問われる。","render_override":null},{"id":"blk_1184d0c6-938b-4650-9072-b8e480ddcc08","kind":"paragraph","order":123,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"そのモデルは本当に売れるのか。 \n政府に止められないのか。 \n外国顧客に提供できるのか。 \n価格は下がるのか。 \nコストは下がるのか。 \n推論需要は利益になるのか。 \nIPO時に1兆ドル評価を正当化できるのか。 \nそして、その企業は国家戦略と市場の両方に耐えられるのか。","render_override":null},{"id":"blk_0de6e547-923c-4672-b0d4-56d4d32a60a4","kind":"paragraph","order":124,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"GPT-5.6の政府許認制は、OpenAIに対する単なるブレーキではない。","render_override":null},{"id":"blk_9b183b4a-1498-40a2-8774-03ec95e576aa","kind":"paragraph","order":125,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"それは、フロンティアAIの時代が次の段階に入ったことを示している。","render_override":null},{"id":"blk_14b92915-1973-4803-8bca-220be26ad5f5","kind":"paragraph","order":126,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"AIモデルは、もうアプリではない。 \nAIモデルは、もう単なるAPIでもない。 \nAIモデルは、半導体、電力、クラウド、サイバー、防衛、外交、資本市場をつなぐ戦略資産になった。","render_override":null},{"id":"blk_cd8473d5-e0db-40c9-aedc-1e1a5d6a116c","kind":"paragraph","order":127,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"6月13日に見えていた不気味な線は、今回かなり太くなった。","render_override":null},{"id":"blk_8b2d9839-b582-46c8-af88-572ed5242aa1","kind":"paragraph","order":128,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"そしてこの線の先には、おそらく二つの未来がある。","render_override":null},{"id":"blk_51891658-ef3c-4551-a44b-9a0018fd945c","kind":"paragraph","order":129,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"一つは、米国が最先端AIモデルのアクセス権を握り、同盟国と企業を選別しながら、AI覇権をさらに強める未来。","render_override":null},{"id":"blk_f3dd8d86-ce6e-499b-956e-2b7f7aee5f8a","kind":"paragraph","order":130,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"もう一つは、その管理が強まりすぎた結果、各国や企業が「止められないAI」を求め、主権AI、オンプレミスAI、オープンウェイトAI、中国系AIへ分散していく未来。","render_override":null},{"id":"blk_c6f246d3-fd0c-40e3-9a61-b6f1bb43f55c","kind":"paragraph","order":131,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"短期では、米国の管理力が強くなる。 \n長期では、米国依存を減らす動きも強くなる。","render_override":null},{"id":"blk_73a1ebd5-1cd8-48ff-b4a7-8d3f8df70abc","kind":"paragraph","order":132,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"この矛盾が、これからのAI相場を動かす。","render_override":null},{"id":"blk_40971e52-76cb-4ae9-b912-f61baf80b096","kind":"paragraph","order":133,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"OpenAIのGPT-5.6は、その最初の大きな答え合わせだった。","render_override":null},{"id":"blk_ad003fb8-8bb5-48c9-bbf9-aa42605948fd","kind":"paragraph","order":134,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"「報道によれば」形式で、Axios、Reuters、OpenAI公式S-1発表、6月13日の自分の記事を並べるのがよいです。特に「政府承認済みパートナー」「顧客ごとの承認」「2027年IPO検討」「1兆ドル評価」は報道ベースとして明記した方が安全です。([Axios](https://www.axios.com/2026/06/25/trump-administration-openai-gpt-model-release))","render_override":null},{"id":"blk_19856b4d-cfb0-44a9-9045-605bc41b412e","kind":"list","order":135,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"- [theverge.com](https://www.theverge.com/ai-artificial-intelligence/957372/openai-will-delay-gpt-5-6-after-trump-administration-request?utm_source=chatgpt.com)\n- [Reuters](https://www.reuters.com/business/autos-transportation/kioxia-shares-slump-12-ai-related-stocks-fall-2026-06-26/?utm_source=chatgpt.com)\n- [Reuters](https://www.reuters.com/legal/litigation/legal-tech-firm-sues-us-over-order-limiting-foreign-access-top-tier-anthropic-2026-06-23/?utm_source=chatgpt.com)\n- [ft.com](https://www.ft.com/content/0580e5c9-75b8-4cc5-803d-fbb4e82bb3ad?utm_source=chatgpt.com)","render_override":null},{"id":"blk_0002ace6-4153-422b-8410-c8d2b1c34143","kind":"paragraph","order":136,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"前提として、6月13日の記事では「完成したAIモデルのアクセス権そのものが国家管理対象になり始める」「この国・企業・用途・クラウドなら許可する、という形になる」と書いていました。今回、Axiosは米政権がGPT-5.6の初期提供を政府承認済みパートナーに限定するよう求めたと報じ、Reutersも限定プレビュー期間中に政府が顧客ごとにアクセス承認すると報じています。([note（ノート）](https://note.com/atom_/n/ne65205e095ab)) \nまた、OpenAIは6月8日に秘密S-1提出を公式確認しつつ「上場時期は未定」と説明しており、その後Reutersは、OpenAIが1兆ドル評価を維持するため2027年上場を検討していると報じています。([OpenAI](https://openai.com/index/openai-submits-confidential-s-1/))","render_override":null},{"id":"blk_f1a34c34-5626-4a46-8ff9-09fdd48eb152","kind":"paragraph","order":137,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"特定銘柄の推奨・勧誘・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。","render_override":null},{"id":"blk_6ba8a818-3920-4364-8547-c48f2eba9854","kind":"paragraph","order":138,"section_id":"sec_48ee004c-bc16-436b-b8cb-286bd2727460","character_id":null,"markdown":"サムネはPixAIsunflowerモデルとGPTImage2.0","render_override":null}],"audio":[],"omitted_media":[],"figures":[{"id":"plc_99023254-0ebb-44dc-8ee3-a4535f95ae34","block_id":"blk_5e5c0094-aa51-4d07-a7f5-1b4ac01613f2","asset_revision_id":"avr_1c71bf3b-76f0-44c7-8ca2-b1e48b9fcce3","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_8d8e075a-e4c1-4f90-b594-8d8b5cc4de31"],"explained_by":[],"source_path":"media/255da4dc624e961d68802ef02383953973c1736e8f1639f656998231e67c2387.png","path":"/media/255da4dc624e961d68802ef02383953973c1736e8f1639f656998231e67c2387-content.webp","display_derivative":{"source_sha256":"255da4dc624e961d68802ef02383953973c1736e8f1639f656998231e67c2387","thumbnail":{"path":"media/255da4dc624e961d68802ef02383953973c1736e8f1639f656998231e67c2387-thumbnail.webp","width":560,"height":293,"bytes":35880,"sha256":"707409f25887d1f4b9029a0af842446c88b2357863c8bd178f4685cbd5a1e83c"},"content":{"path":"media/255da4dc624e961d68802ef02383953973c1736e8f1639f656998231e67c2387-content.webp","width":1672,"height":875,"bytes":301422,"sha256":"a5d520031ba48da866349be3d100d797d2799731ac4fc966fae94f09c9279486"}}}],"package_sha256":"5faa55b68ed641d6e56a4ab6424443fe051ef4cf02b888f3363c8ff4c16c6ff1","record_type":"article","schema_version":"noia-public-article-1.1.0","dataset_version":"2026.09.23.4","urls":{"source_url":"https://note.com/atom_/n/n13d1ab2e1954","release_path":"/articles/rev_aea0fd30-a496-42e0-975e-3de7b0cd01ab/","canonical_url":"https://noia-grid.pages.dev/articles/rev_aea0fd30-a496-42e0-975e-3de7b0cd01ab/"},"time":{"created_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"published_at":{"value":"2026-06-26 16:31:58","precision":"local_datetime","timezone":null,"status":"source_metadata","basis":"Metadata only; not evidence of historical body availability."},"modified_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"analysis_as_of":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"event_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"recorded_at":{"value":"2026-09-08T05:29:17+00:00","precision":"instant","timezone":"+00:00","status":"archive_record","basis":"canonical_recorded_at"},"content_available_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"unknown"}},"legacy":{"source_date":{"value":"2026-06-26 16:31:58","meaning":"legacy_source_metadata_date","certainty":"source_metadata"}},"rights":{"license_ref":"license:not-specified","rights_status":"unknown","third_party_material":"unknown"},"integrity":{"hash_profile":"noia-evidence-json-v1","content_sha256":"611008820e3421eba425e560ec0845e59ab8a2f129d542f34bce67b1dd18e08b","lineage":[],"previous_revision_sha256":null,"previous_revision_status":"no_parent","revision_sha256":"f4553179117068b3a8705bb6d8a86e1bde7548e0e7c1b54bd399b067ca75417e"}} {"id":"rev_6cb909ec-1291-4cbb-a768-f72123829d08","work_id":"wrk_72dcc676-6c79-475a-9f86-c4f174e32af2","edition_id":"edn_0fde00ee-5147-47e0-9af2-388a01c1bd0b","title":"GPUクラウド成熟で何が起きるのか","published_at":"2026-05-08 09:09:09","source_url":"https://note.com/atom_/n/ne976f70f82b5","recorded_at":"2026-09-08T05:29:15+00:00","source_date":"2026-05-08 09:09:09","thumbnail":null,"legacy_slug":null,"topics":["chips"],"sections":[{"id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","parent_section_id":null,"heading_block_id":null,"order":0,"character_id":null},{"id":"sec_b43559f0-c0b3-4208-86c8-07071c24592f","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_1d8139c7-df45-451b-a61b-b3aa9cbf99a8","order":1,"character_id":null},{"id":"sec_94d2b650-6015-4621-a0f3-6956ceadc6a8","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_bb6d06ff-9a58-4510-8cd6-003491e73d01","order":2,"character_id":null},{"id":"sec_9ca3e5c1-9fef-4ab3-ac7b-6042de024ca2","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_48921bf7-28b0-4ffc-adae-8faf70b18cb7","order":3,"character_id":null},{"id":"sec_681b6fd1-07d7-4683-973d-dc04eb7e16a2","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_d752e588-3c99-4bdc-9098-682a63fee6e8","order":4,"character_id":null},{"id":"sec_d6048052-b453-45bf-b44f-f6de73b7c164","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_e1cf703a-5a57-4881-b27b-24449abae67e","order":5,"character_id":null},{"id":"sec_0ddaeb93-1732-4096-96c9-c776a8183e73","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_6b8e7aea-f5ad-49d5-8ca5-1a6cff8601b6","order":6,"character_id":null},{"id":"sec_4ad25583-0d21-4b4a-b736-1e95b9a2ed9f","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_7cfc781e-e992-4bcd-a34a-22f0985bcbca","order":7,"character_id":null},{"id":"sec_497bb58a-a483-4a7e-a196-9391220a7942","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_eb321660-db77-481f-9bed-0d0b05353307","order":8,"character_id":null},{"id":"sec_8c386d0d-3385-4a7f-8017-702e5566fdbf","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_2b2dcb2b-c714-4a72-aa84-502059f6f792","order":9,"character_id":null},{"id":"sec_b01906f5-4dbb-4b57-80c4-fb57d4041a54","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_9061b509-8ae5-4096-8900-d40dfd117a24","order":10,"character_id":null},{"id":"sec_7e6570d5-47c1-4c8d-8c40-b67e49433c73","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_119a2f19-2976-45e4-bbfb-4cd8fab69207","order":11,"character_id":null},{"id":"sec_e848089f-b5fd-482c-a1e7-5ab19f8eb838","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_9e95e938-7df5-46ac-b095-b0a4da5bef37","order":12,"character_id":null},{"id":"sec_b24b777b-a086-4096-a6f7-196e819d6c4d","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_cfbd7d42-95ba-44c4-8119-36b0ce8a4877","order":13,"character_id":null},{"id":"sec_057a457e-bb36-4c73-8a43-894aca732057","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_71fe5a0b-1525-4db9-826a-a6472b6375a5","order":14,"character_id":null},{"id":"sec_ccd5e192-0fb7-485c-9d8f-88242735ae74","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_f9e87a5f-44c0-4d38-a7df-5c1050066856","order":15,"character_id":null},{"id":"sec_ef062e6d-3775-429a-af3d-593eebfdedfa","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_e4e75951-6317-45b3-8b33-5d806b322f43","order":16,"character_id":null},{"id":"sec_63327e18-f342-4e87-9f31-5334fc14cf1c","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_028a025a-5cea-4761-8e22-051ce0417d30","order":17,"character_id":null},{"id":"sec_836104cc-c08c-464b-b7f1-bc7b08c7428b","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_9f52fcc4-e16e-4e41-adcf-69f9cf69b3fa","order":18,"character_id":null},{"id":"sec_d865bb91-89c7-4bdd-8405-cd9e677171e8","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_72093217-a057-45ac-bdf9-65d8106f8133","order":19,"character_id":null},{"id":"sec_49bfd3f1-99df-48fb-9390-5247be61cb90","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_9d02c1f5-df3a-4c79-8fed-d2d9fc31357b","order":20,"character_id":null},{"id":"sec_c42c4247-a0ca-40b2-9db5-720eeb1343be","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_364302d7-9c2d-4458-8635-570eada26eee","order":21,"character_id":null},{"id":"sec_6ad7af48-0e2f-465b-8650-77719a0573a2","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_2abfe30e-c7ac-4220-b9ca-8ffade93d40c","order":22,"character_id":null},{"id":"sec_73f53de8-0e73-446a-8f6d-0cbb434a19a5","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_ec0bf8f2-87ba-4534-a4df-1980a8fb58c4","order":23,"character_id":null},{"id":"sec_b5001920-30e7-4546-b243-794b28e5a3ea","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_17fd2628-a723-4b57-82de-f23de8e51d71","order":24,"character_id":null},{"id":"sec_6b5f9f20-ce40-4f12-8ea3-c979a59146f7","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_2ee6643f-35f3-4fc0-8b69-76bd4049a05f","order":25,"character_id":null},{"id":"sec_8a379645-a48f-4efe-ac14-ce3e8d1e273d","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_5a35d3da-9fc5-43ac-afca-c4417a95dee4","order":26,"character_id":null},{"id":"sec_e4db8852-d772-4f64-9b92-9c34d2510aff","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_d2288b40-620c-45ba-bc6c-3e851fcc70ee","order":27,"character_id":null},{"id":"sec_e373e395-18f3-4661-b925-8e57eb57c77c","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_62682aa6-4d1b-4a83-b96d-9fa36545c801","order":28,"character_id":null},{"id":"sec_43fe2574-d8ab-4b65-a8dc-867301244109","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_123b09d6-a2a9-4dc3-abce-e2b9da9927cc","order":29,"character_id":null},{"id":"sec_76fbe14c-dc85-41f9-b2fa-c3fb2cdd2f77","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_b666ce3a-6990-460f-9a45-7718eabcc771","order":30,"character_id":null},{"id":"sec_215e4155-9814-4b27-8f49-1b247c3e1472","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_fc91e070-ce86-4ec9-a071-1a6a415ffd0e","order":31,"character_id":null},{"id":"sec_464705c9-5456-4a75-8565-30bf403331fc","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_d354cf2d-c612-4066-8092-c39c5276fa3f","order":32,"character_id":null},{"id":"sec_ba09a870-1d06-445d-9906-75fc63b37543","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_badd3d91-beef-4e0e-b6f6-eb955a3de26e","order":33,"character_id":null},{"id":"sec_1c5fa0b8-11ec-4cfb-b3c8-126a361656db","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_f9f3cf74-c319-47e1-8d0d-ae595884ff11","order":34,"character_id":null},{"id":"sec_287a37cc-76fe-4b4b-a8b3-2eac854577a4","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_3153fa0f-7a71-435f-968e-915f17c66964","order":35,"character_id":null},{"id":"sec_2ca80241-bcaf-4abc-aa43-ec9330275a7e","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_69977804-0ce3-4269-af12-b8a0358c863b","order":36,"character_id":null},{"id":"sec_4bda7216-1720-4cca-9e36-62970a0cf054","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_a78a907f-eafb-41bf-aa43-a6edcfffe676","order":37,"character_id":null},{"id":"sec_9bb2ef4b-fd71-4240-929e-959db66d1936","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_47a35a4a-54cb-4871-a390-434b8cc9fbc2","order":38,"character_id":null},{"id":"sec_c656c7fc-605f-492e-a960-66d82e74a6c5","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_6fd1d81d-594e-43f0-ad23-805e4a8f612a","order":39,"character_id":null},{"id":"sec_34c6259f-6349-4bc3-9ef7-3f1311c73105","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_601f73aa-5777-49d6-a73a-419bb7fe39f4","order":40,"character_id":null},{"id":"sec_0d381801-36d5-45d4-a35a-0638c327aa9e","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_c793a216-72e1-4e68-9e97-09e9ed9722bc","order":41,"character_id":null},{"id":"sec_fbf61cc5-9f59-47ef-81e8-5b283a84043d","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_927d93cd-a4d8-42d2-b95c-e1ba7e8528bc","order":42,"character_id":null},{"id":"sec_07994b9a-7cb0-4fa1-8e44-a0d5f508d90b","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_6c9bff85-8211-4094-b252-8da47e632aac","order":43,"character_id":null},{"id":"sec_d4de89a5-0d88-41d1-998b-a7b33adb771f","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_f856755f-5c9a-4b8a-b841-9871fb150a16","order":44,"character_id":null},{"id":"sec_66682f15-b808-4625-934d-48f429e9ccdb","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_a26ddc59-c279-4e1f-bfb0-aef6b07c5a91","order":45,"character_id":null},{"id":"sec_2b9f15df-7031-410c-8956-470903063619","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_43981591-9406-4717-909d-a015e4e9535d","order":46,"character_id":null},{"id":"sec_9d2408c3-9350-4a87-b9d1-e6a87533e3b2","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_b9bb8719-8bcf-4f70-8c64-65a1b14625ec","order":47,"character_id":null},{"id":"sec_3331e901-645e-420f-bad2-aab7f1640630","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_62db3d84-92d1-4da1-9a1d-1f7b753eb06a","order":48,"character_id":null},{"id":"sec_f33e4986-221e-4ec4-a922-4302306101f0","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_5088370e-264a-489b-8227-d7d560a1a70c","order":49,"character_id":null},{"id":"sec_534fd703-eeaa-4b73-a123-940e014f9f52","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_6fb474de-94b1-4954-9671-21d7f218cb35","order":50,"character_id":null},{"id":"sec_7b1d4d66-5486-416d-b9d8-d2826742b07f","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_3cec40e4-d8e2-467f-bc1c-2e66a975cc5a","order":51,"character_id":null},{"id":"sec_9cc95c7d-2b22-4629-8d87-0ad1da07bc9e","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_273bc43a-25ff-4b10-9947-8678ba1f5b27","order":52,"character_id":null},{"id":"sec_0ba18597-c60c-42c3-916e-a2e9292e71f6","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_4eb81663-e69c-42dd-b92f-ec6704e7f366","order":53,"character_id":null},{"id":"sec_b46295b5-78fe-478d-b8c5-0f7c1a80e7ab","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_26583635-8072-475d-9b68-2a7233098b41","order":54,"character_id":null},{"id":"sec_bb0904e4-270f-49a2-a97b-3b1faccb0788","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_238e9b0a-8032-4795-8dd6-5d43c29599e8","order":55,"character_id":null},{"id":"sec_13971722-2030-4621-ab2a-9962dca3162c","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_bbf9d000-1c20-48a9-8811-e1916a55c636","order":56,"character_id":null},{"id":"sec_584e5804-daec-4edf-a71b-b344a50f4aa6","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_dc36960e-92e3-4a52-975a-273a79ebbf17","order":57,"character_id":null},{"id":"sec_56efabe5-213e-45f6-bd24-5e845b2aadbb","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_a18e9ca3-257b-4076-86c6-3cbb63fbc0b9","order":58,"character_id":null},{"id":"sec_d1392b3f-47cb-4ea3-ae91-dd03d42cd72d","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_a614f6e3-997d-4df4-8d85-7d5676c34c17","order":59,"character_id":null},{"id":"sec_58745122-69e4-4bc2-ae16-3bae5e2bfd75","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_36b9bb17-5112-41b2-8f21-594991625dec","order":60,"character_id":null},{"id":"sec_e2c11f6d-3238-4551-964e-bc128f1dc940","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_a573dcbd-cad8-4a67-b8cc-99a8e205ce25","order":61,"character_id":null},{"id":"sec_67abc6cf-0257-41ae-9bc8-4a18e2b88159","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_f46e6a90-d127-44fa-a90f-a2c832dd6c67","order":62,"character_id":null},{"id":"sec_0ab28b0f-3669-4f74-a3ce-afe5cff0da16","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_7b1385c0-62c8-419e-897b-3fe4fab629b3","order":63,"character_id":null},{"id":"sec_e5e44156-0b06-4dce-8372-0aca3f2d053a","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_1afbb5e6-b6e8-4b3b-85e4-0d07ee384422","order":64,"character_id":null},{"id":"sec_b3015863-c634-42f8-bf90-57c765dba5e5","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_d15644f4-49bc-480f-abe5-55f4082897bb","order":65,"character_id":null},{"id":"sec_83231a84-d7e5-4f2e-9731-19076ba75638","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_69c451e0-d1a9-41a3-bab5-9c4252b0462c","order":66,"character_id":null},{"id":"sec_0bdbe1a5-d81e-4c96-aaab-c4202201d851","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_cb3463af-9be5-46fe-b2e7-1c30ad938027","order":67,"character_id":null},{"id":"sec_3751a969-a9f8-4805-a45c-1cb291ed56d3","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_59dad553-47de-4522-ad6d-b17d3d2441eb","order":68,"character_id":null},{"id":"sec_18652092-7af3-4816-bfe7-a57f5be8cd6c","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_4a59f943-6e2a-440a-b25e-cf3e556dfec5","order":69,"character_id":null},{"id":"sec_0a8db19a-a15e-4eb6-9a83-4a685462289f","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_a74e65cf-3b1d-4e83-9cf2-2f19775956d3","order":70,"character_id":null},{"id":"sec_60a8a145-1f54-4dc1-9e65-16cc2eb54c44","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_f654908e-dbec-4d73-88ad-22a4f01970d5","order":71,"character_id":null},{"id":"sec_36a188e4-7f51-4d03-afae-df59351b5013","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_a534db95-c119-40b7-8953-b8f5a40d0372","order":72,"character_id":null},{"id":"sec_c32c7c49-725a-4976-8a9d-913de857bee5","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_5b4a4c20-65d9-4eb6-92c3-27e976373a11","order":73,"character_id":null},{"id":"sec_f3f6bb06-b5e5-4d2b-ab7a-4837dfe6d756","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_af98ae5d-cb05-4107-97d6-e10169c549af","order":74,"character_id":null},{"id":"sec_5caadfab-aa3e-49a9-ba00-336dac555d9e","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_35999473-245c-4fd4-8386-7b93b69a12a2","order":75,"character_id":null},{"id":"sec_80dd1de7-9eff-436b-aaa3-157453e9bebb","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_212cdef1-8b87-4fb5-92c2-7db285470f71","order":76,"character_id":null},{"id":"sec_f8ea86dd-d6e2-4341-8811-d80d90926e85","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_31c24121-21b1-43ed-8f0d-72a8099db3b5","order":77,"character_id":null},{"id":"sec_b9617484-2fd2-4e7f-a7d4-f4296f8b13be","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_cb2379d0-5539-4ecb-b58d-3914a546ee7c","order":78,"character_id":null},{"id":"sec_80e408ed-d7c7-4b0a-b8b1-83b5853b6942","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_4d61e818-a9b5-4772-9454-80998f5043bd","order":79,"character_id":null},{"id":"sec_7578d2e0-ef74-4382-b7cf-ad9d1c2952f3","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_9c6447b1-6f31-4473-96b8-2bb567f557c8","order":80,"character_id":null},{"id":"sec_75b803df-ca22-4d2e-b6f5-486fe46d6a4a","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_39a6a112-aaf1-4c55-a447-05c7e4aa5f3f","order":81,"character_id":null},{"id":"sec_f9df470f-5155-42ec-97eb-cf96aea7d2de","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_aafb3cd7-6987-477d-8e7e-c593cb9a46a2","order":82,"character_id":null},{"id":"sec_763faa25-47b8-4680-8684-5578f8f9bc5d","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_46596a2f-89ea-49f1-bbba-4a686ae717ec","order":83,"character_id":null},{"id":"sec_0207ecb1-fb8f-4a3f-85cc-4c303aa6ac36","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_d8738222-8e33-4866-b3bf-50603a0386b0","order":84,"character_id":null},{"id":"sec_28987286-da2f-4ee6-ac23-91d19e6347c7","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_88192f9e-7259-40b3-8d6c-8a3b136be6b2","order":85,"character_id":null},{"id":"sec_24b4986d-fd60-4bbf-841a-1d7a353fdecc","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_4ca61e90-7367-4856-805a-5b63332463f9","order":86,"character_id":null},{"id":"sec_6834705a-3cad-4614-bb92-6eafc17a4f0f","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_1c83747c-d8ca-4e7d-8f0b-8ca2ac710215","order":87,"character_id":null},{"id":"sec_857d3d77-d7e6-41fb-8581-c6fe6bea6608","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_dda0337d-e676-4685-85b1-85ac908e95d2","order":88,"character_id":null},{"id":"sec_8870f90c-89ae-4d60-aa00-32e849ed82e9","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_17c06b9e-e46e-4d07-ba26-b24b573f972f","order":89,"character_id":null},{"id":"sec_71d97541-7ee4-426e-8210-eb8853969707","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_d29af7ad-5bb1-4a69-8a8a-115406a436bb","order":90,"character_id":null},{"id":"sec_717c016c-0779-4ba9-83ae-9221ccf5cb31","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_9076248a-9c3b-49e8-8ed3-5c5e61183e0b","order":91,"character_id":null},{"id":"sec_dca1424a-440b-4d65-abf0-7bfe2a1ff9e1","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_03b8d1bd-aa15-433c-83dc-f5a068b7f633","order":92,"character_id":null},{"id":"sec_2fcdbe46-ebad-470b-b6ea-94ffa48a219c","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_91387f33-38e9-443a-916d-4f8d5a0d6821","order":93,"character_id":null},{"id":"sec_baffb438-6cd2-4b65-9f3e-9f0215b7e422","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_ade271e7-9006-498a-b139-4207fa0d5007","order":94,"character_id":null},{"id":"sec_67c7d199-a2f4-4058-b6a0-18b296e20e76","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_f12da549-4fc0-4d5c-8337-75dcea0f78a0","order":95,"character_id":null},{"id":"sec_59a30840-3f80-46be-aa94-9d9cd7331f4b","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_73daa757-6319-44dd-a158-77aae2be7a05","order":96,"character_id":null},{"id":"sec_a320c16a-5217-4ad8-bd82-b92c37726651","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_92ae7b82-d2fa-463a-b79f-b42742c485e3","order":97,"character_id":null},{"id":"sec_7627ce8f-acd4-4fdb-b993-42c1809a78a7","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_f63466d6-d295-4556-9b47-f27fb4e74e27","order":98,"character_id":null},{"id":"sec_e6e56e59-6967-419c-b172-676a3a8ab50d","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_64857da3-638d-41d5-8d26-0f071cc15558","order":99,"character_id":null},{"id":"sec_4570d86b-5552-49c2-ad6b-b898a50cf219","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_9f76dfe9-12d7-4a3e-b9f6-f7ffd335e956","order":100,"character_id":null},{"id":"sec_46b97d3e-ea91-4a8f-96ec-e226d1f48527","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_2012d040-a3e4-4e9b-a1bc-96173181b083","order":101,"character_id":null},{"id":"sec_d2e0b6e3-e6ee-4ed5-b94a-2aeff971584a","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_043d9df1-c2f2-4996-bb93-df7a688f807b","order":102,"character_id":null},{"id":"sec_ffdc9937-2285-4e5b-89d4-18d96e67d197","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_3a3a3cad-c362-43f0-b9a0-797716360299","order":103,"character_id":null},{"id":"sec_6a203950-b095-4a50-a353-623e18b4eae5","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_ba7acb6a-0fe9-4402-909f-f4fc430b7635","order":104,"character_id":null},{"id":"sec_56739c37-b595-4789-84f9-79ef964cef67","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_075f9007-848a-45ae-9192-dd7e1e914bd4","order":105,"character_id":null},{"id":"sec_970e7fb7-ea92-43a6-8c03-72b3f0fb8123","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_947b458f-46e2-4907-95c5-805347b02d50","order":106,"character_id":null},{"id":"sec_45280871-ea21-4d3c-99e6-94cb0ec44aff","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_ff1091fe-dfde-4dc1-8e29-ef17c8c1c929","order":107,"character_id":null},{"id":"sec_17d19a96-2685-4011-8824-dfda4605ffd2","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_687bc017-a3d2-433c-8ca8-9d54b4ef3a94","order":108,"character_id":null},{"id":"sec_d0aef33e-d23a-416c-875c-f996b91b97c2","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_29ac92e7-7a99-4a26-8f1e-722c977cf071","order":109,"character_id":null},{"id":"sec_223083e1-3474-4d4e-8cc0-f1c1bda96df8","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_a8655686-f610-4624-adf6-1b9de0db1201","order":110,"character_id":null},{"id":"sec_4fad2077-ba11-41e3-b84f-692496cb220a","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_406f1dae-8f8f-4362-9a06-d72a5059729a","order":111,"character_id":null},{"id":"sec_3ed2a696-c34d-42a7-8e62-75970d04cafa","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_a1e98e78-b494-413f-af6d-97991904a007","order":112,"character_id":null},{"id":"sec_06d3a5f5-31cf-46c8-afab-e76693d7d652","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_4a6cfa94-c5f9-477c-84cd-4f8db76828f6","order":113,"character_id":null},{"id":"sec_cdd7aa56-d446-44be-b1cb-6a83c4d1588f","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_8dcdfbd6-734b-4da2-a483-84316806bf03","order":114,"character_id":null},{"id":"sec_fd55f986-652f-4cc3-8cf4-54af3e755e17","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_3010abf3-bcdf-4cb9-a2f5-f50b0f488272","order":115,"character_id":null},{"id":"sec_e8277738-b64e-435b-8135-df3e9a700faf","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_995d47bd-4618-47da-a359-c676d56bc908","order":116,"character_id":null},{"id":"sec_869ade3e-53f7-4a49-85ed-caca164a2bac","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_e5d6f4f5-47ec-4402-a5b2-0d6224163665","order":117,"character_id":null},{"id":"sec_b303d619-174e-45e1-a89d-3a319eafef04","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_fec60e32-d6f1-4147-94da-3dd0cc230b8c","order":118,"character_id":null},{"id":"sec_55cd50ee-835a-45ff-bcbb-61fef9ec233c","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_dbc4ec8d-cffd-4191-be97-b435028ee13e","order":119,"character_id":null},{"id":"sec_08b4a9e3-3511-4b6c-905e-d0a7356407e5","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_9c7076d4-5f4b-47d0-b431-1dc9af4585e3","order":120,"character_id":null},{"id":"sec_4484b634-cd33-4ce3-970b-a731e9a7e4f0","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_b536b79f-b1a5-489d-80fd-1bb4e3d21ce4","order":121,"character_id":null},{"id":"sec_59c2ad32-eafc-4c72-8ab0-1cb60d2ea8c3","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_1fbc7350-5a85-4d09-8f5e-f9bc685b2953","order":122,"character_id":null},{"id":"sec_5df41160-a074-4a17-b794-f4cc00f364f3","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_7e328997-c652-4000-8d2d-96666599fe9f","order":123,"character_id":null},{"id":"sec_f4b10071-2e20-4e00-b1ba-2d1c3dd83a74","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_2768ba46-b093-4163-9853-5cdcdfa2b0c6","order":124,"character_id":null},{"id":"sec_7f34bca6-4bc4-4829-a7ce-c78aa72625d1","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_2ce36db3-fe2b-4381-8afd-a346c1eb7c24","order":125,"character_id":null},{"id":"sec_f8d96e2c-49bd-4d63-90b8-80dd952e79e5","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_238dc27a-32e8-42bb-bcf6-f68072549c54","order":126,"character_id":null},{"id":"sec_1d6c2c42-4370-4ac8-af50-bc81be86d7cb","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_df937c58-50b9-4001-a717-bd3c74bb1d6e","order":127,"character_id":null},{"id":"sec_e00c5f8c-1522-4b87-ba97-46f9ec64d45f","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_24d5e438-234d-4365-8964-4c90a0be1eb4","order":128,"character_id":null},{"id":"sec_2c3bae8a-7a17-469a-b63b-2faea427c6f5","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_ca75bf4f-ba73-48d0-b66a-86097f39235d","order":129,"character_id":null},{"id":"sec_251671e3-b21e-4a22-bd91-d9fdbf8f1999","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_3a072e05-c417-4f43-bb32-4ae1763e9aad","order":130,"character_id":null},{"id":"sec_d2bb2e83-e5a0-414b-b563-5ca5722722c0","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_3bd421e5-80de-4e29-b8ca-da486ea68aff","order":131,"character_id":null},{"id":"sec_b50c6acb-2ce6-4849-9963-052cf62a540b","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_b5e48945-9854-4600-98e1-e1fe267efc8c","order":132,"character_id":null},{"id":"sec_17e705e8-fffd-4937-90cc-f514e38228ec","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_c3527a20-8705-4f73-816d-7dcba56cdeba","order":133,"character_id":null},{"id":"sec_a7666e39-7b9d-4cb7-b17b-0f441665524c","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_ed4f63e1-0238-46ce-ae3f-1e3c9535295f","order":134,"character_id":null},{"id":"sec_d32d82b3-f2c9-4767-a64c-1da8e863e79a","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_4565d722-6f19-4532-b124-1fbaa2cf1806","order":135,"character_id":null},{"id":"sec_38fea9f4-4c5a-4b32-bd81-225d5d883d90","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_55afb6e2-cc3e-4b4c-bbf9-639a82feb9b4","order":136,"character_id":null},{"id":"sec_6469f556-42cd-4404-803b-318074aba2d8","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_0b9047fb-5814-4325-88aa-25947d630d82","order":137,"character_id":null},{"id":"sec_ead07dbe-49c3-4584-986d-591bc7da4baa","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_2130d71f-a4eb-45df-8e22-0be9c87872c4","order":138,"character_id":null},{"id":"sec_817a13dd-ada1-489a-8f00-9b13d423e756","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_2ef5beba-5ff4-4b49-ac2a-a343ec993e29","order":139,"character_id":null},{"id":"sec_8d2b2352-24dc-4d96-8a3a-4886849636a9","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_e81e0e7a-2eaa-4b8e-b4ce-9ae4c6e517b9","order":140,"character_id":null},{"id":"sec_ec3e4002-b00e-4b05-898f-da562e00288a","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_67907edd-d1bb-4209-a315-54b8223ad1bb","order":141,"character_id":null},{"id":"sec_8f12e21c-a647-4540-b7a5-60d64a926cf8","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_43142738-3f43-4a10-95d9-840a8a56f2ab","order":142,"character_id":null},{"id":"sec_5a76a28d-1207-4c3e-b61c-85605e6c3e9b","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_8d86a865-b5ed-497e-bbf4-6dc4035fe4b1","order":143,"character_id":null},{"id":"sec_c92366fd-a1d0-4203-8928-a80dd44a4bcc","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_b4ea5cd6-33d1-4473-a974-21c12c57be8f","order":144,"character_id":null},{"id":"sec_3b9295d9-2076-4d25-96c3-2028c904e45e","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_be6a7e6a-b9b4-483b-a7ff-326f97fa0c28","order":145,"character_id":null},{"id":"sec_875c6310-9cc9-4868-a16e-427d6491ed57","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_9d0476ad-c4c9-4fce-afe0-4f454363f1e1","order":146,"character_id":null},{"id":"sec_0bd8bf6a-99a8-460a-8141-884da6bb79e4","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_e2a61213-e326-499e-b5e3-8f392aad3b90","order":147,"character_id":null},{"id":"sec_255f8c39-d197-4e68-b2eb-f170ef0d535d","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_be724e5b-6863-4069-a517-a08e1ddd113f","order":148,"character_id":null},{"id":"sec_5c7f9286-e6b7-4217-8bbc-8a6703e874ff","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_a70ce8e8-770e-40de-be43-e35ed4a3fa7d","order":149,"character_id":null},{"id":"sec_bcddbdf0-4f00-4066-90c8-b93941ab3ce2","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_41863a53-74f1-4940-af4a-6fe5db0ee65d","order":150,"character_id":null},{"id":"sec_3df34a4d-d6d9-4573-be30-d6478058bc41","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_6b73c890-71cc-4673-a548-d634a6661ebf","order":151,"character_id":null},{"id":"sec_f2690cf1-cfde-40a8-8504-0e43c89fe267","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_0f8cffb7-47f6-4539-af98-35c2a0778153","order":152,"character_id":null},{"id":"sec_93d146cf-3f30-40bc-b31e-53c0eb5f5bc0","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_dbed795f-9598-4945-9bb3-3a2fe427db00","order":153,"character_id":null},{"id":"sec_0f8e9cac-f1dd-4a31-87c1-8fcf4ba641c7","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_c5e53415-cc0a-4755-824e-8021feb2d414","order":154,"character_id":null},{"id":"sec_a607e3c5-f318-4383-a644-ceebb7a6a2ae","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_aeb1d5ec-dba1-4861-acb8-c46b982ece6f","order":155,"character_id":null},{"id":"sec_17973ade-0c80-47d9-941e-6c8e0e5009da","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_7f613d25-265a-4c1a-9114-7d96726a3acf","order":156,"character_id":null},{"id":"sec_13d83acd-d459-47cf-b7af-7a65adfe0277","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_f87b6d2c-0e17-4de1-a6c1-89dc2ba5372f","order":157,"character_id":null},{"id":"sec_8064b9c8-b582-4cc3-bb35-b46da0b29f1b","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_c031c5a9-5020-4b21-84c1-eeda84c1653e","order":158,"character_id":null},{"id":"sec_7d6ae531-84d8-4025-9522-b04ea3ccaa3b","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_56182b2a-b7ee-444a-b956-968f7e8cdd75","order":159,"character_id":null},{"id":"sec_4a27dfba-fc65-4d6e-b68c-63346ca3cb24","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_b03df866-b181-4b4f-a662-895beb172fd2","order":160,"character_id":null},{"id":"sec_f859a282-7742-40dc-98c9-bdbf5336622e","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_0149930b-0d59-44c2-924d-b5f792ac3c5c","order":161,"character_id":null},{"id":"sec_3659146e-a906-43e3-add4-8d543a5746da","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_1c4da858-c825-4132-be60-1a8b148c9e1a","order":162,"character_id":null},{"id":"sec_65152af6-30ab-4d77-939a-629f0ddb8ede","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_5e3ce214-1652-4586-8017-162ef747d371","order":163,"character_id":null},{"id":"sec_301beca9-f557-4729-a366-f59827ffa119","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_d627e648-f0ff-4ca2-82a1-2d0c3e6f7640","order":164,"character_id":null},{"id":"sec_84b45237-8b67-43d0-9731-49c1d5f5fc3a","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_14986741-ef44-4b1a-a1cd-5cc44be5bd29","order":165,"character_id":null},{"id":"sec_e9896110-ef96-4bd9-bc1c-e6bbafebb90c","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_8bc4b526-0fe1-4386-9812-cd944c0e34eb","order":166,"character_id":null},{"id":"sec_5f86b08f-43b0-41f2-8c39-7fc33db48a13","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_2d49358f-b830-443b-b45f-210270fa4dfa","order":167,"character_id":null},{"id":"sec_a27dfbb6-e14e-484a-97dc-7dabf96046be","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_29d7ff03-72c9-4ae6-8ecf-92896a62a350","order":168,"character_id":null},{"id":"sec_b160a428-0c4e-437d-a9e0-7f36b577851b","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_eb8836bf-eef0-40e8-9d2f-18b232bbb297","order":169,"character_id":null},{"id":"sec_6b3c7b22-85a7-4c8f-a992-4f385aba5b58","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_1714e127-fc28-4540-bbe8-009c92df7d8b","order":170,"character_id":null},{"id":"sec_05775a98-a3f6-4d5e-a2a5-8349b93d435e","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_7f395147-5d8a-4e51-8b61-b896932fe468","order":171,"character_id":null},{"id":"sec_8a39ad09-44f0-46ba-bada-3c0a10ffd1e9","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_f6235737-0b46-4f92-a498-474019fefba8","order":172,"character_id":null},{"id":"sec_a8ce627f-edf1-4c18-a1ba-93f17ccc7683","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_15f6285d-542f-4f57-82fe-a06e60d2695b","order":173,"character_id":null},{"id":"sec_2742df87-267e-4cad-a541-d9704836f064","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_5c659a51-8716-48e5-bc7c-27d0a531231d","order":174,"character_id":null},{"id":"sec_a1dc352b-54dc-455d-87a5-2f98a945adb5","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_9051ddbd-11b1-4e3c-a4ef-5c316f1ab1ea","order":175,"character_id":null},{"id":"sec_290c3175-ff73-4c57-8c7e-cbb44d19088d","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_b1ef36d3-dfb5-4d21-85dd-ab463ff3d991","order":176,"character_id":null},{"id":"sec_3a0c2a31-c927-48ee-ba9d-5b9cfc0a7aa0","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_c826e37f-4a85-492e-8b65-8ef60e9b8926","order":177,"character_id":null},{"id":"sec_2d8af030-2e45-4101-9bb3-2a23aa90fe3c","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_e1b44031-79df-430c-846f-db3dd4d56c4f","order":178,"character_id":null},{"id":"sec_5cb09845-1a93-4ee8-bc2a-3cb99751a9c1","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_85588b9b-61ec-461c-9fe2-62e080118366","order":179,"character_id":null},{"id":"sec_538260eb-2e31-4950-a729-c197526008da","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_3f489645-3280-4b30-a8a7-60f514de4214","order":180,"character_id":null},{"id":"sec_38aa4a14-66e6-42c3-b11f-27dbc4dee485","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_16686822-b32f-4407-8838-100f915f998f","order":181,"character_id":null},{"id":"sec_00301113-b8fd-446a-b49f-b9970efc58bc","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_e926ff2b-dae7-47f6-86e9-6e4709314628","order":182,"character_id":null},{"id":"sec_f8148001-1e41-4d8c-8b09-c319bea89546","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_4737df20-4f6e-45d7-a17c-c0e63cad6a8b","order":183,"character_id":null},{"id":"sec_a7e4202f-5c99-428b-81c5-4a815fc8c318","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_b3558e5d-a222-4d15-9440-fecb618e8ced","order":184,"character_id":null},{"id":"sec_a244abdd-5ff7-4ea3-9d3f-82c4963c3c08","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_f014db42-2de2-412a-8366-f2975c0778a5","order":185,"character_id":null},{"id":"sec_5d9bd8c2-44e4-4e83-bc14-19ea8583f14e","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_ab7b0f29-e487-43f2-9eeb-99b53259095f","order":186,"character_id":null},{"id":"sec_a7efb4db-4fd8-48f3-8c3d-f7588df3d8dc","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_6dd28221-d98f-4313-8d67-bd527ae13181","order":187,"character_id":null},{"id":"sec_27f53173-52ca-4dc9-8a68-3d2e7d9f7742","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_25f05c80-878b-4b3a-93c2-8b2cdfead0da","order":188,"character_id":null},{"id":"sec_9282639c-a2fc-481a-89f4-c46b54cdff7a","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_435dcf96-689a-4edb-9741-54b9ef66c0d8","order":189,"character_id":null},{"id":"sec_783e6814-084b-4b37-b0f7-79c3f3717b4a","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_c7f12e06-8c00-4224-a3a9-234575d93209","order":190,"character_id":null},{"id":"sec_2132be84-3261-41a6-a850-a4634816410b","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_5cdd1f51-c6eb-433d-8616-d491032d3a4c","order":191,"character_id":null},{"id":"sec_be81384c-22d0-4e73-b24c-902356664441","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_f13d3be9-9cc4-43f6-a954-2ffe406b12db","order":192,"character_id":null},{"id":"sec_a37d9e6f-78cd-4295-a307-8ed1497ab91e","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_6a743af6-348d-4d37-99d9-3a24f675d195","order":193,"character_id":null},{"id":"sec_16cf2e41-a877-40c7-ae7d-be369518adde","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_99c54438-3f67-4ad7-821e-4f02a85929b5","order":194,"character_id":null},{"id":"sec_fda76914-b726-4f80-bca7-f3beb184a212","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_8c712d42-ceca-4ad9-a4b3-1dee595d1e78","order":195,"character_id":null},{"id":"sec_efae00ac-e1e8-4909-902d-102abd79a201","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_34ae7bf8-cb8d-480c-b321-bd8a77261c9f","order":196,"character_id":null},{"id":"sec_961b1eda-207e-40bf-81c5-3228d5460b18","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_4e23c834-1509-425b-8459-e2d5edd8e7b8","order":197,"character_id":null},{"id":"sec_ff132797-6271-4e37-a99e-f778e00a2069","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_4242bf2f-8d8e-4ecb-b5ec-db264791d668","order":198,"character_id":null},{"id":"sec_a2c2c98d-249d-439e-830f-f88902bd983d","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_6a458752-00e5-45b2-8a9a-b2e186945227","order":199,"character_id":null},{"id":"sec_d3686016-51a0-4528-978a-73a264ff5517","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_64de413f-052d-4214-9381-23eeb18a9e9e","order":200,"character_id":null},{"id":"sec_3f6b0c71-ab05-477d-a481-8ee0a78eefae","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_1037efa6-e6db-4bdf-8a7d-86d5cb1c0cdb","order":201,"character_id":null},{"id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_b7be2315-ecd9-420f-ade9-6a8c1b45e7a7","order":202,"character_id":null},{"id":"sec_1a856153-da5e-4157-a30b-5b01ab76a58b","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_01883596-883d-4689-a745-ca9d7a8ff14b","order":203,"character_id":null},{"id":"sec_9869513e-af53-488b-b9ef-2846e7df2dff","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_3eb57a22-1e54-4eb0-a690-0d2c2795adbc","order":204,"character_id":null},{"id":"sec_d027b001-ec8c-4127-9416-470c9248572f","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_692f734c-be47-4d25-b933-8de8ae1592ea","order":205,"character_id":null},{"id":"sec_a3051e28-451e-48d2-af67-ff6cfe6609f9","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_4479d295-a279-4bec-80a3-671e9fb8dd0d","order":206,"character_id":null},{"id":"sec_937846fa-77fe-4711-a151-121b51541466","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_c21f1d9f-0c66-4c2a-9e6f-d0f8bddd0cb9","order":207,"character_id":null},{"id":"sec_3455ca7e-a616-4a2a-8c72-1427686a5562","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_2660a9d9-fe74-46a7-bc79-cb69f83d74ca","order":208,"character_id":null},{"id":"sec_c36d4c47-1622-4afc-81a9-fc71567aa0f3","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_9f889905-a00c-47b6-bfd9-fa95220551d7","order":209,"character_id":null},{"id":"sec_a759dd1a-5c7c-4c39-9576-5d398b8cc90e","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_8ddfd855-7872-45cd-8abd-0d43088e81a2","order":210,"character_id":null},{"id":"sec_407e0be8-ea08-48d5-a7ef-c4035ca4dd47","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_811baf87-67ad-4350-906e-60fd1268453b","order":211,"character_id":null},{"id":"sec_2bef0818-d928-4466-831c-dcff1dda1818","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_d448aa9a-b10a-431c-a17d-67f8d8d757d5","order":212,"character_id":null},{"id":"sec_f55f2325-6355-4961-b4fc-9b0c558f521e","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_a0cfe7c1-2119-48eb-a976-fa8cde529f05","order":213,"character_id":null},{"id":"sec_eee898d1-c2cb-4447-b7e5-fb9e261cab0a","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_cfa21689-28ee-4dbe-9d2a-754b4dbc2b4a","order":214,"character_id":null},{"id":"sec_c07c0f69-752f-4557-a482-3bb3a6d4d989","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_d1b96a0b-7fbd-4c63-b7c5-d3f1b3c108cf","order":215,"character_id":null},{"id":"sec_e2ec994e-36bd-4190-8acf-b95bed38047a","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_1f3945d7-197f-4e47-94c4-bfeb95c51516","order":216,"character_id":null},{"id":"sec_6dec4f7e-9e3e-46df-a1bd-b7ab8a079098","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_7fd5e93d-6db4-42be-8db6-e8b28dc7bba0","order":217,"character_id":null},{"id":"sec_5561408e-9767-4467-8691-02e4dbe3be22","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_15a9fdfa-4762-41b6-bffa-a9e51d39a867","order":218,"character_id":null},{"id":"sec_19ebd9ad-9d35-4b93-a22e-cc9213aa446b","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_479327a0-89ec-4d60-8171-967c03a3f90a","order":219,"character_id":null},{"id":"sec_bdbd6a83-38e0-46e7-b185-e43534339c30","parent_section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","heading_block_id":"blk_2cb6bf8b-2ef2-40bf-8124-8dbc79fb16b9","order":220,"character_id":null}],"content_available_at":{"basis":"unknown","precision":"unknown","timezone":null,"value":null},"markdown":"![](/media/defd1bf93cdb4c9a8c332176135a6ccd583562baa80646730398e689256bf8fa-content.webp)\n\n## GPUクラウド成熟で何が起きるのか\n\n## ― CPUクラウド、GPU稼働率、TPU/LPUクラウド、CPU需要の今後 ―\n\n現代のAIインフラを考えるうえで、重要なのは「GPUを何枚持っているか」だけではありません。むしろ次の競争軸は、**GPU、TPU、LPUといった高価なアクセラレータを、どれだけ高稼働・高効率・安全にクラウド資源として使い切れるか**です。\n\nそしてこの問題は、単なるAI企業の技術課題ではなく、CPU需要、クラウド事業、半導体、ネットワーク、セキュリティ、電力インフラまで巻き込む大きな産業テーマになっています。\n\n---\n\n## \\1. CPUクラウドとは何か\n\nCPUクラウドとは、インターネット越しにCPUサーバー、メモリ、ストレージ、ネットワークを借りて、Webサービス、アプリ、データベース、API、業務システムなどを動かす仕組みです。\n\n代表例はAWS EC2です。AWSは2006年にEC2を発表し、「クラウド上で伸縮可能な計算能力を提供し、必要な容量だけ使い、使った分だけ払う」というモデルを示しました。これが現在のクラウド経済の原型です。([Amazon Web Services, Inc.](https://aws.amazon.com/about-aws/whats-new/2006/08/24/announcing-amazon-elastic-compute-cloud-amazon-ec2---beta/))\n\nCPUクラウドが25年近くかけて作り上げたものは、単なる「CPU貸し」ではありません。\n\n![](/media/818ccbee8424aace076d8a89e47ae2bb017eba32a54f292355924856e44195d8-content.webp)\n\nKubernetesもその象徴です。Kubernetesはコンテナ化されたアプリケーションのデプロイ、スケーリング、管理を自動化する仕組みで、クラウド上のCPU資源を柔軟に使う標準的な基盤になりました。([Kubernetes](https://kubernetes.io/))\n\nつまりCPUクラウドとは、**CPUを中心とした計算資源を、細かく、安全に、動的に、課金可能な形で提供する社会インフラ**です。\n\n---\n\n## \\2. GPUクラウドとは何か\n\nGPUクラウドとは、クラウド上でGPUサーバーを借り、AI学習、AI推論、画像生成、動画生成、科学計算、ロボティクス/VLA学習などを行う仕組みです。\n\nCPUクラウドがWebサービスや業務アプリの基盤だとすると、GPUクラウドは、**AIを作り、AIを動かすための計算工場**です。\n\nただし、GPUクラウドはまだCPUクラウドほど成熟していません。現在のGPUクラウドは、多くの場合まだ「高価なGPUサーバーを貸す」段階に近く、CPUクラウドのように細かく安全に分割し、複数顧客・複数モデル・複数ジョブに高効率で割り当てる仕組みは発展途上です。\n\nNVIDIAのMIGはこの方向の重要な部品です。MIGは対応GPUを複数の独立したインスタンスに分割し、それぞれに専用の計算資源とメモリ資源を与える仕組みで、複数ユーザーや複数ワークロードでGPU利用率を高めるために使われます。([NVIDIA Docs](https://docs.nvidia.com/datacenter/tesla/mig-user-guide/))\n\n---\n\n## \\3. GPUクラウドの稼働率はなぜ低いのか\n\nここでいう稼働率には3種類あります。\n\n![](/media/b1d1d0c94d6aae15c6f7496f3cfaf608c1196fe47ee8ceea9a884bee542fc789-content.webp)\n\n現在のGPUクラウドは、このどれを見ても非効率な例が目立ちます。Cast AIの2026年レポートでは、AWS、Azure、Google Cloud上のKubernetesクラスタ分析で、GPU利用率平均がわずか5%、CPU利用率も8%、メモリ利用率が20%とされています。これは企業がAI用GPUを確保しているものの、実際には十分に使い切れていない状況を示しています。([Cast AI](https://cast.ai/press-release/2026-state-of-kubernetes-optimization-report/))\n\nまた、xAIのGPUフリートについても、MFUが約11%だったと報じられました。これは「GPUの89%が完全停止」という意味ではなく、理論上の演算能力に対して、実際のモデル学習に有効利用できている割合が低いという意味です。報道では、業界比較として35〜45%程度が挙げられています。([Business Insider](https://www.businessinsider.com/elon-musk-xai-compute-cursor-ai-model-training-2026-4?utm_source=chatgpt.com))\n\nGPUクラウドの稼働率が低い理由は、GPUが単なるCPUの高速版ではないからです。LLMでは、GPUメモリ、KV cache、prefill、decode、ネットワーク通信、モデル重み、バッチング、レイテンシ制約が絡み合います。\n\n特にAIエージェント時代には、1回の巨大推論だけでなく、小さな推論、ツール呼び出し、再推論、RAG、長文処理、JSON出力、音声・画像・動画処理が混ざります。その結果、GPUを単純に「1モデル1GPU」「1顧客1GPU」で割り当てると、すぐに無駄が出ます。\n\n---\n\n## \\4. GPUクラウドが成熟すると何が変わるのか\n\nGPUクラウドが成熟するとは、単にGPUが増えることではありません。\n\n本質は、GPUをCPUクラウドのように、\n\n> 細かく分ける \n> 動的に配置する \n> 複数顧客で安全に共有する \n> トークン単位で課金する \n> KV cacheを管理する \n> レイテンシSLOを保証する \n> 障害時に復旧する \n> 稼働率を常時監視する\n\nという段階に進むことです。\n\nこのための技術はすでに出ています。\n\nvLLMのPagedAttentionは、OSの仮想メモリに似た考え方でKV cacheをブロック管理し、LLM推論のメモリ無駄を減らします。論文では、KV cacheの無駄をほぼゼロに近づけ、同じレイテンシ条件で既存システムより2〜4倍のスループット改善を示したとされています。([arXiv](https://arxiv.org/abs/2309.06180?utm_source=chatgpt.com))\n\nDistServeは、LLM推論のprefillとdecodeを分離し、それぞれを別GPUに割り当てることで干渉を減らします。論文では、既存方式より最大7.4倍多いリクエスト、または12.6倍厳しいSLOを満たせると報告されています。([arXiv](https://arxiv.org/abs/2401.09670?utm_source=chatgpt.com))\n\nSGLangは、エージェント制御、RAG、JSON生成、複数ターン会話など、複雑なLLMアプリケーションを効率化するランタイムで、最大6.4倍のスループット改善を報告しています。([arXiv](https://arxiv.org/abs/2312.07104?utm_source=chatgpt.com))\n\nさらにKubernetes側でも、DRA、Dynamic Resource Allocationが進んでいます。Kubernetes 1.34ではDRAの中核APIがGAになり、GPU、TPU、NICなどの特殊デバイスをより柔軟に選択・割り当て・共有・構成できる方向に進んでいます。([Kubernetes](https://kubernetes.io/blog/2025/08/27/kubernetes-v1-34-release/?utm_source=chatgpt.com))\n\nつまり、GPUクラウドは2030年代に向けて、**GPUをただ貸すサービス**から、**トークン、KV cache、GPUメモリ、SLO、モデル常駐、推論フェーズ単位で管理するクラウドOS**へ進化していくと考えられます。\n\n---\n\n## \\5. GPUクラウドの稼働率はどこまで改善するか\n\n現在のGPUクラウドは、未最適化な企業環境では5〜20%程度の利用率にとどまる例があります。一方、最適化された学習クラスタや推論基盤では35〜50%程度、トップ層ではさらに上を狙う形になります。\n\n私の見立てでは、2030年代前半には次のような水準が現実的です。\n\n![](/media/892afb27459bb8f29d48c93bca4a76173763bc121af8d899389bbef5510c97ef-content.webp)\n\nただし、常時90%以上を目指すのは現実的ではありません。AI推論では急激な需要変動、低遅延SLO、障害時の余裕容量が必要だからです。\n\nしたがって、理想は100%稼働ではなく、**レイテンシと信頼性を守りながら50〜70%台を安定して出すこと**だと思います。\n\n---\n\n## \\6. TPUクラウドとの比較\n\nTPUクラウドは、Googleが開発したTensor Processing UnitをGoogle Cloud上で使える仕組みです。Google公式ドキュメントでは、Cloud TPUはTPUをGoogle Cloud上のスケーラブルな計算資源として提供するWebサービスであり、TPUは機械学習の大規模行列演算を高速化するASICと説明されています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/intro-to-tpu))\n\nTPUはGPUより汎用性は低いですが、**大規模AI学習・推論に特化した垂直統合基盤**としては非常に強いです。\n\nTPUが強い理由は、Googleが以下を一体で設計できるからです。\n\n```\nTPUチップ\n ↓\nTPU Pod\n ↓\n高速インターコネクト\n ↓\nXLA / JAX / TensorFlow / PyTorch/XLA\n ↓\nGoogle Cloud\n ↓\nGemini / Anthropic Claude などの大規模AIワークロード\n```\n\nGoogleのPaLM論文では、PaLM 540Bを6144個のTPU v4で学習し、MFU 46.2%を達成したと報告されています。これはTPUが、最適化された大規模AI学習で高い有効利用率を出せることを示しています。([Journal of Machine Learning Research](https://jmlr.org/papers/volume24/22-1144/22-1144.pdf?utm_source=chatgpt.com))\n\nさらにAnthropicは2026年4月、GoogleおよびBroadcomとの提携で、2027年から複数ギガワット規模の次世代TPU capacityを利用すると発表しました。AnthropicはClaudeをAWS Trainium、Google TPUs、NVIDIA GPUsなど複数のAIハードウェアで訓練・運用しており、ワークロードに応じて最適なチップを使い分けると説明しています。([Anthropic](https://www.anthropic.com/news/google-broadcom-partnership-compute))\n\nつまり、TPUクラウドは「Google内部だけの技術」ではありません。Google Cloudを通じて外部企業も使えます。ただし、本当に高効率で使い切るには、Googleのコンパイラ、クラウド、モデル設計思想に乗る必要があります。\n\n---\n\n## \\7. LPUクラウドとの比較\n\nLPUクラウドは、GroqのようなLanguage Processing Unitを使い、LLM推論を低遅延で提供するクラウドです。GroqCloudは、LPUを使ってテキスト、音声、画像入力系の生成AIモデルに高速推論を提供すると説明されています。([Groq](https://groq.com/groqcloud))\n\nLPUはGPUやTPUと違い、主に**推論特化**です。特に、音声対話、リアルタイムチャット、AITuber、カスタマーサポート、軽量エージェントのように、1トークンごとの応答速度が重要な用途に向いています。\n\n一方で、LPUは大規模学習、画像生成、動画生成、HPC、汎用CUDAワークロードには向きません。\n\n![](/media/f052535f2bc432c50d5baf9694cbd2de3f15fff88b1a3564d419e135e1d755ea-content.webp)\n\n2030年代には、これらは置き換え関係というより、分業になる可能性が高いです。\n\n```\n巨大モデル学習：GPU / TPU\n汎用推論：GPU / TPU\n低遅延会話：LPU\n画像・動画生成：GPU\nGoogle系大規模AI：TPU\nAIエージェントの軽量推論：GPU / LPU\n企業業務AI：CPU + GPU/TPU/LPU + DB + セキュリティ\n```\n\n---\n\n## \\8. TPUはGPUより優位なのか\n\n稼働率、電力効率、垂直統合という視点では、TPUはGPUより優位になりやすいです。\n\n理由は、TPUがGoogleのAIワークロード向けに設計されており、チップ、クラウド、コンパイラ、モデル、運用ノウハウを一体最適化できるからです。\n\nただし、世界全体で見るとGPUはまだ圧倒的に強いです。NVIDIAは2026年度通年売上2159億ドル、データセンター四半期売上623億ドルを報告しており、NVIDIA GPUの外販市場とエコシステムの規模は非常に大きいです。([NVIDIA Newsroom](https://nvidianews.nvidia.com/news/nvidia-announces-financial-results-for-fourth-quarter-and-fiscal-2026?utm_source=chatgpt.com))\n\nGPUにはCUDA、PyTorch、TensorRT、NCCL、画像生成、動画生成、HPC、ロボティクス、既存コード資産、ネオクラウドの展開力があります。\n\nしたがって、現実的な未来はこうです。\n\n```\n世界全体：\nGPUが最大勢力のまま残る\n\nGoogle陣営：\nTPUが主力化する\n\n大口AI企業：\nGPU + TPU + Trainium + ASIC + LPU を併用する\n\n2030年代：\nGPU一強から、用途別アクセラレータ分業へ進む\n```\n\nTPUがGPUを完全に置き換える世界線は難しいですが、Google内部、Google Cloud、Anthropicのような大口AI企業領域では、TPUがGPU依存をかなり削る世界線は十分ありえます。\n\n---\n\n## \\9. GPUクラウド改善でCPU需要は落ちるのか\n\nここが重要です。\n\nGPUクラウドが成熟すると、1単位のAI推論に必要なGPU枚数やCPU補助処理は減る可能性があります。つまり、**同じAI処理量に必要なサーバー台数は減る**かもしれません。\n\nしかし、AI推論が安くなると、AIエージェント、動画生成、音声AI、企業AI、ロボット、RAG、個人AI秘書が爆発的に増えます。すると、CPU側では次の処理が増えます。\n\n- API gateway\n- 認証\n- 権限管理\n- 課金\n- ログ\n- 監査\n- セキュリティ\n- DB\n- ストレージI/O\n- ツール実行\n- ブラウザ操作\n- エージェント状態管理\n- RAG検索\n- GPUスケジューリング\n- KV cache管理のメタ制御\n\nつまりGPUクラウド成熟は、CPU需要を消すのではなく、**CPUの役割を変える**と考えるべきです。\n\n実際、NVIDIAのGB200 NVL72は、36個のGrace CPUと72個のBlackwell GPUをラックスケールで接続する設計です。これは最新AIラックがGPUだけではなく、CPUとGPUが密結合したシステムであることを示しています。([NVIDIA](https://www.nvidia.com/en-us/data-center/gb200-nvl72/))\n\nAMDも2026年第1四半期決算で、推論とagentic AIが高性能CPUとアクセラレータ需要を押し上げていると述べています。([Advanced Micro Devices, Inc.](https://ir.amd.com/news-events/press-releases/detail/1284/amd-reports-first-quarter-2026-financial-results))\n\n---\n\n## \\10. CPU需要の年代別推移\n\n私の考察では、CPU需要は以下のように推移します。\n\n![](/media/0c078d9dc9e7a61a960e0f8eb0f8c2423a3d489c1f20b43c2757534bf0d7fcda-content.webp)\n\n2027〜2030年が、CPU需要の「伸び率」としては最も強く見える可能性が高いです。理由は、GPUクラウドがまだ完全成熟しておらず、AIエージェント需要が立ち上がり、GPUホストCPU、クラウド制御CPU、セキュリティCPU、DB CPUが同時に増えるからです。\n\n2030年代に入ると、GPUクラウドの効率化により、1リクエストあたりのCPU/GPU必要量は下がります。しかし、AI利用量そのものが増えるため、CPU需要は高止まりする可能性があります。\n\nここで伸びるCPUは、従来の何でも屋CPUではありません。\n\n![](/media/e1550521ff493454678c0eb9d744506d440dc1d5eda7bb485c8694bc28907e0a-content.webp)\n\n一方、古い汎用サーバーCPU、CPUだけでAI推論を処理する構成、過剰なCPU/GPU比率のサーバーは相対的に弱くなります。\n\n---\n\n## \\11. 最終的に起きること\n\nGPUクラウド成熟後の世界では、計算資源はこう分かれていくと思います。\n\n```\nCPUクラウド\n - 認証\n - 課金\n - API\n - DB\n - ログ\n - セキュリティ\n - エージェント管理\n - クラウド制御\n\nGPUクラウド\n - 大規模学習\n - 汎用推論\n - 画像生成\n - 動画生成\n - VLA\n - 科学計算\n - マルチモーダルAI\n\nTPUクラウド\n - Google型大規模AI\n - Transformer学習\n - 高効率推論\n - 大口AI企業向け計算基盤\n\nLPUクラウド\n - 低遅延LLM推論\n - 音声対話\n - AITuber\n - カスタマーサポート\n - 軽量エージェント\n```\n\nつまり、GPUクラウドが成熟しても、CPUクラウドは消えません。むしろ、GPU、TPU、LPUを束ねる**管制塔**としてCPUクラウドの重要性は続きます。\n\n---\n\nここから先は読みたいところだけ読めばよいです\n\n## なぜ巨大GPUクラスタは使い切れないのか\n\nGPUは1枚だけなら高効率で使えます。問題は、**数千〜数十万枚を1つの巨大な学習・推論システムとして動かす時**です。\n\n主な理由はこれです。\n\n![](/media/45962e2a76f7224578b3ab264e08ac7b444ea08c9681da886c47f12b3e22af08-content.webp)\n\nNVIDIAのMegatron系ドキュメントでも、MFU改善には並列化方式、通信オーバーラップ、CPUホスト側の遅延、GPU-NIC affinity、MoE通信など、多数のチューニング項目があると説明されています。特にtensor/context/pipeline parallelismの取り方を誤ると、通信コストや低いGPU利用率につながります。\n\nNVIDIAのMegatron-LMは、H100クラスタで最大47% MFUを報告していますが、これは逆に言うと、**高効率を出すには、モデル、並列化、通信、データ、チェックポイントまで全部を相当作り込む必要がある**ということです。\n\n---\n\n## CPUで成熟したものとGPU時代に必要になるもの\n\n![](/media/b3a3735a360029bbfb8ad2d05130653d399f4aa0d75fbea6307b2cbd6372fa78-content.webp)\n\n---\n\n## 投資・産業構造として見ると、勝つのはGPUを持つ会社だけではない\n\nこの話から見える勝ち筋は、単にNVIDIA GPUを大量に持つことではありません。\n\nむしろ重要になるのは、\n\n![](/media/b16f82afdead55da5d74de9cd4e604708307d83574b414959464c926af22ed8c-content.webp)\n\nなので、**GPU低利用率問題は、CPU需要、ネットワーク需要、セキュリティ需要、クラウド管理ソフト需要、推論最適化需要を同時に押し上げるテーマ**です。\n\n---\n\n## 1.CPUクラウドが25年かけて作ったもの\n\nCPUクラウドの始まりをかなり単純化すると、こうです。\n\n**物理サーバーを、仮想マシンとして細かく分け、複数の顧客に安全に貸し、使った分だけ課金し、障害を監視し、自動で増減できるようにした。**\n\nAWS EC2は2006年に「クラウド上で伸縮可能な計算能力を提供するサービス」として発表され、サーバーインスタンスを数分で起動し、必要に応じて増減し、使った分だけ払うモデルを示しました。これは現在のクラウド経済の原型です。\n\nCPUクラウドが成熟させた要素は、大きく分けると以下です。\n\n![](/media/e6dee9662aed5a5c23e968f50d42f1d358a0f992385e0571fee12b93134b6a34-content.webp)\n\nたとえばIAMは2011年に一般提供され、ユーザー、グループ、権限を管理してAWSリソースへの操作を制御できるようになりました。CloudWatchは2009年に始まり、インフラ、システム、アプリ、ビジネス指標まで監視する基盤へ拡張されました。EC2は2017年にLinux系インスタンスで秒単位課金へ移行し、より細かい利用単位での課金が進みました。\n\nさらにKubernetesは2015年に1.0がリリースされ、その後RBAC、CRD、Workloads API、StatefulSetsなどが整備され、コンテナをクラスタ全体で配置・更新・監視する標準レイヤーになりました。\n\nつまりCPUクラウドの25年とは、単に「CPUを貸す」ではなく、 \n**計算資源を、細かく、安全に、動的に、監視可能に、課金可能にする歴史** \nだったわけです。\n\n---\n\n## 2.GPUクラウドで同じことをやると何が難しいのか\n\nGPUでも同じことをやりたいわけです。\n\nつまり、\n\n> 1枚、8枚、数千枚、数十万枚のGPUを、複数のモデル・複数の顧客・複数のジョブに、安全かつ高効率に割り当てたい。\n\nしかしGPUはCPUより難しいです。\n\n理由は、GPUはもともと**巨大な単一ジョブを高速に処理する装置**として進化してきたからです。CPUのように、OSが細かくプロセスを切り替え、メモリ保護し、割り込みを処理し、複数ユーザーを雑に同居させる設計とは違います。\n\n特にLLMでは、GPU上に以下のものが残ります。\n\n![](/media/50508d2f389a7383387e2ab12544b510e5c22e00ac723be700b0f2ca90bfdd16-content.webp)\n\nCPUクラウドでは「VMを1個起動して、そこにアプリを載せる」で済みました。 \nしかしGPUクラウドでは、**1つのLLMリクエストがGPUメモリ、KV cache、トークン生成、ネットワーク、CPU前処理、ストレージ、セキュリティを横断する**ため、もっと複雑です。\n\n---\n\n## \\3. GPU版「仮想化」はどこまで来ているか\n\nすでに実用化されている代表が **NVIDIA MIG / Multi-Instance GPU** です。\n\nMIGは、対応GPUを複数の独立したGPUインスタンスに分割し、それぞれに専用の計算資源とメモリ資源を与える仕組みです。NVIDIAのドキュメントでは、MIGは複数ユーザーや複数ワークロードに対して、専用compute/memory資源を持つ分割GPUを提供し、DockerやKubernetesとも統合できると説明されています。([NVIDIA Docs](https://docs.nvidia.com/datacenter/tesla/mig-user-guide/))\n\nNVIDIAの説明では、MIGはGPUを最大7つのインスタンスに分け、それぞれに独立したHBM、キャッシュ、計算コアを持たせられるとされています。([NVIDIA](https://www.nvidia.com/en-us/technologies/multi-instance-gpu/?utm_source=chatgpt.com))\n\nただし、MIGは万能ではありません。\n\nMIGは「1枚のGPUを物理的に区切る」方向には強いですが、 \n**LLM推論のように、ある瞬間は大きなGPUが必要で、別の瞬間は小さなGPUでよい、という動的な使い方には硬い**です。\n\nそのため、実用では次のような複数の共有方式が使われます。\n\n![](/media/5e72691dc8411d673484ae5f28f7606eb74e9b9eb38283618181a0c941a3a0d5-content.webp)\n\nNVIDIA GPU Operatorのtime-slicingでは、GPUをoversubscribeして複数Podに共有させられますが、MIGと違ってメモリや障害の隔離はないと明記されています。つまり「使い切る」ことはできても、「安全に共有する」にはまだ弱い部分があります。([NVIDIA Docs](https://docs.nvidia.com/datacenter/cloud-native/gpu-operator/latest/gpu-sharing.html))\n\n---\n\n## \\4. GPU版「スケジューリング」はすでに始まっている\n\nここが一番面白いところです。\n\nCPUクラウドのスケジューラは、主にこう考えます。\n\n> このコンテナはCPU 2コア、メモリ4GB必要。では、このノードに置こう。\n\nGPUクラウドでは、もっと複雑です。\n\n> このリクエストはprefillが重い。decodeは軽いが長く続く。KV cacheはこれくらい増える。TTFTを守る必要がある。GPUメモリに余裕がない。別GPUにdecodeだけ逃がすか。prefix cacheを再利用できるか。\n\nつまり、GPUクラウドのスケジューラは、単なる「GPU何枚必要」ではなく、 \n**トークン、KV cache、レイテンシ、帯域、バッチ、モデル構造まで見て配置する必要があります。**\n\nこの方向で、すでに実用・研究が進んでいます。\n\n## vLLM / PagedAttention\n\nvLLMのPagedAttentionは、OSの仮想メモリやページングに着想を得て、LLMのKV cacheを固定長ブロックで管理する仕組みです。論文では、従来方式ではKV cacheの断片化や重複でメモリが無駄になり、バッチサイズが制限されるとし、PagedAttentionによりKV cacheの無駄をほぼゼロに近づけ、同じレイテンシで2〜4倍のスループット改善を示したとされています。([arXiv](https://arxiv.org/abs/2309.06180?utm_source=chatgpt.com))\n\nこれはまさに、**CPUクラウドの仮想メモリ技術を、GPU上のKV cache管理に持ち込んだ例**です。\n\n## Sarathi-Serve\n\nSarathi-Serveは、LLM推論のprefillとdecodeの性質の違いに注目します。prefillは計算をよく使うが遅く、decodeは1トークンずつなのでGPU利用率が低くなりやすい。そこでprefillを小さなチャンクに分け、decodeを止めずに混ぜることで、スループットとレイテンシの両立を狙います。論文では、Mistral-7BでvLLM比2.6倍、Yi-34Bで最大3.7倍、Falcon-180Bのpipeline parallelismで最大5.6倍のserving capacity改善を報告しています。([arXiv](https://arxiv.org/abs/2403.02310))\n\nこれは、GPUクラウドにおける**トークン単位のスケジューリング**に近いです。\n\n## DistServe\n\nDistServeは、prefillとdecodeを同じGPUで処理すると互いに干渉すると見て、prefill用GPUとdecode用GPUを分けます。TTFTとTPOTの要求を別々に最適化し、論文では既存方式より最大7.4倍多いリクエスト、または12.6倍厳しいSLOを満たせると報告されています。([USENIX](https://www.usenix.org/conference/osdi24/presentation/zhong-yinmin))\n\nこれは、CPUクラウドでいう「Webサーバー、DB、キャッシュ、キューを分ける」ような発想を、LLM推論の内部フェーズに適用したものです。\n\n## SGLang\n\nSGLangは、複雑なLLMアプリケーションを効率的に実行するため、フロントエンド言語とランタイムを共同設計した仕組みです。RadixAttentionによるKV cache再利用、構造化出力の高速化などを使い、複数のLLM/マルチモーダルタスクで最大6.4倍のスループット改善を報告しています。([arXiv](https://arxiv.org/abs/2312.07104))\n\nこれは、AIエージェント時代にかなり重要です。なぜならエージェントは、単発のチャットではなく、ツール呼び出し、検索、JSON生成、再推論、長文コンテキストを繰り返すからです。\n\n---\n\n## \\5. Kubernetes側もGPUクラウド向けに進化している\n\nKubernetesも、GPUを単なる「nvidia.com/gpu: 1」という雑なリソースとして扱う段階から、より柔軟に扱う方向へ進んでいます。\n\n重要なのが **DRA / Dynamic Resource Allocation** です。\n\nDRAは、GPUやFPGAのような特殊デバイスをPodが要求・共有できるようにするKubernetes機能です。デバイスドライバやクラスタ管理者がDeviceClassを定義し、Kubernetesが条件に合うデバイスを割り当てます。([Kubernetes](https://kubernetes.io/docs/concepts/scheduling-eviction/dynamic-resource-allocation/))\n\nKubernetes 1.34では、DRAの中核APIがGA、つまり一般提供段階になりました。Kubernetes公式ブログは、DRAがGPUやFPGAのような特殊ハードウェアを管理する柔軟なフレームワークであり、高価なハードウェアの信頼性と利用率を改善できると説明しています。([Kubernetes](https://kubernetes.io/blog/2025/09/01/kubernetes-v1-34-dra-updates/))\n\nこれはかなり重要です。 \nGPUクラウドの再発明は、NVIDIAだけでなく、Kubernetes、クラウド事業者、AI推論エンジン、セキュリティ企業、観測ツールが一体で進めることになります。\n\n---\n\n## \\6. GPU版「分離」と「セキュリティ」はかなり難しい\n\nここが最大の課題です。\n\nCPUクラウドでも、VM escape、Spectre/Meltdown、サイドチャネル、権限昇格、コンテナ脱出などが何年も問題になりました。GPUでも同じことが起きます。\n\nGPUの共有では、以下が問題になります。\n\n![](/media/1467ba1f5214da6f5b2c4c714c1f64b0729785a024e11417d57e6ed487f3ea60-content.webp)\n\nNVIDIAはHopper以降でConfidential Computingを進めており、H100はGPUでconfidential computingをサポートし、仮想化環境やKubernetes環境でも利用可能と説明されています。またNVIDIAのTrusted Computing Solutionsでは、ハードウェアベースのセキュリティで機密データや独自AIモデルを保護する方向が示されています。([NVIDIA Developer](https://developer.nvidia.com/blog/confidential-computing-on-h100-gpus-for-secure-and-trustworthy-ai/?utm_source=chatgpt.com))\n\nただし、研究側ではGPU共有の危険性も示されています。NDSS 2026の研究では、仮想化NVIDIA GPUにおけるTLBを使ったクロスVMサイドチャネル攻撃が示され、GPU仮想化環境に固有の課題が議論されています。([NDSS Symposium](https://www.ndss-symposium.org/wp-content/uploads/2026-s1480-paper.pdf?utm_source=chatgpt.com))\n\nつまり、GPUマルチテナントは可能ですが、 \n**「CPUクラウド並みに安全」と言えるまでには、まだ時間がかかる** \nと見た方がいいです。\n\n---\n\n## \\7. GPU版「課金」はどう変わるか\n\nCPUクラウドでは、最初は「VM時間課金」でした。そこから秒単位課金、ストレージ課金、I/O課金、転送料金、マネージドサービス課金に進化しました。\n\nGPUクラウドでは、単純な「GPU時間課金」だけでは不十分になります。\n\nLLM時代の課金単位は、たぶんこうなります。\n\n![](/media/df71c3f7badd1e82d8e9f0e176c7a2a0258012e29edb662ed3425976624a6b56-content.webp)\n\nここで重要なのは、**LLM推論では“計算時間”だけでなく“状態の保持”が価値になる**ことです。\n\nCPUクラウドではメモリやディスクを使った分だけ払うのが自然でした。 \nGPUクラウドでは、KV cache、長文コンテキスト、エージェントの作業状態、マルチモーダル中間表現をどれだけ保持するかが、原価と性能を大きく左右します。\n\n---\n\n## \\8. GPU版「監視」はnvidia-smiだけでは足りない\n\nCPUクラウドでは、CPU使用率、メモリ使用量、I/O、ネットワーク、ログを見れば大まかな状態がわかりました。\n\nGPUクラウドでは、見るべきものが増えます。\n\n![](/media/e5e582e5ecfabaafc436f32d3155e8540bdcd39f4a6442235f58a81e9667f348-content.webp)\n\nつまりGPUクラウドでは、**GPUメトリクス + LLMメトリクス + クラウド課金メトリクス**が統合される必要があります。\n\nこれはCloudWatchやDatadogのGPU版というより、 \n**LLM serving observability** \nに近いものです。\n\n---\n\n## \\9. これは本当に可能か？\n\n可能です。 \nただし、段階があります。\n\n## すでに可能なこと\n\n現在でも以下は実用段階です。\n\n- GPU passthroughで専用GPUを貸す\n- MIGでGPUを複数に分割する\n- KubernetesでGPU Podをスケジューリングする\n- NVIDIA GPU OperatorでMIG/time-slicingを扱う\n- vLLM/SGLang/TensorRT-LLMでLLM推論を高効率化する\n- Prometheus/Grafana/DCGMなどでGPU監視する\n- token課金・GPU時間課金を組み合わせる\n- 一部のConfidential Computingを使う\n\n## まだ難しいこと\n\n一方で、CPUクラウド並みに成熟していないのはここです。\n\n- 完全に安全なGPUマルチテナント\n- 任意のCUDA workloadを安全に細かく共有\n- GPUメモリの完全な仮想化\n- KV cacheのクラスタ横断管理\n- prefill/decode/KV/通信を統合したクラスタOS\n- SLOベースで自動的にモデル配置を変える仕組み\n- GPUごとの本当の原価計算\n- サイドチャネル対策\n- 悪意あるGPU kernelの制限\n- AIエージェント単位の課金と状態管理\n\nなので答えは、\n\n> **GPUクラウドの再発明は可能。すでに始まっている。ただしCPUクラウドのような汎用・安全・低摩擦な完成度にはまだ達していない。**\n\nです。\n\n---\n\n## \\10. CPUクラウドとの最大の違い\n\nCPUクラウドは、基本的に**statelessなWebアプリ**や**VM/コンテナ**を中心に進化しました。\n\nGPUクラウド、特にLLMクラウドは、かなり**stateful**です。\n\nなぜならLLM推論では、\n\n- 会話履歴\n- KV cache\n- prefix cache\n- tool callの中間状態\n- エージェントの作業メモリ\n- 長文コンテキスト\n- マルチモーダル埋め込み\n- モデルごとの常駐重み\n\nが重要になるからです。\n\nつまりGPUクラウドは、CPUクラウドよりも、\n\n> **計算資源のクラウド** \n> というより \n> **知能状態のクラウド**\n\nに近づきます。\n\nここが一番大きな違いです。\n\n---\n\n## \\11. 産業的には何が伸びるか\n\nこの流れで重要になる企業・技術領域は、GPUメーカーだけではありません。\n\n![](/media/60b2c9dec4598b45f2bb393eece1351c01b2e7772c5221c55d745f7dda563ae4-content.webp)\n\n特に見落とされがちなのは、**CPU需要**です。\n\nGPUをマルチテナント化するほど、CPU側では、\n\n- API gateway\n- tokenizer\n- scheduler\n- security policy\n- network stack\n- storage I/O\n- telemetry\n- billing\n- orchestration\n- fault recovery\n- encryption/attestation\n\nが増えます。\n\nつまりGPU時代なのに、**CPUはクラウドOSの司令塔として重要性が増す**可能性があります。\n\n---\n\n## GPUクラウドとは何か\n\n**GPUクラウド**とは、インターネット越しにGPUサーバーを借りて、AI学習・AI推論・画像生成・動画生成・シミュレーションなどを動かせるクラウドサービスのことです。\n\n普通のクラウドが、\n\n> CPU・メモリ・ストレージ・ネットワークを貸すサービス\n\nだとすると、GPUクラウドはそこに加えて、\n\n> 高性能GPUを大量に使えるクラウド\n\nです。\n\nたとえば、NVIDIA H100、H200、B200、GB200、AMD MI300系のようなGPUを、自分で買わずにクラウド上で使います。\n\n---\n\n## GPUクラウドで何ができるのか\n\n主に以下のようなことができます。\n\n![](/media/261763f36b2fdc4e295a8d753efccd04ae70ac390362b67400a457dcf1765637-content.webp)\n\nつまりGPUクラウドは、**AI時代の工場**のようなものです。\n\nAIモデルを作る場所でもあり、AIサービスを動かす場所でもあります。\n\n---\n\n## クラウドではCPUが基本使われているのか\n\nはい。**クラウドの基本は今でもCPUです。**\n\nクラウドの土台は、基本的にCPUサーバーです。\n\nたとえばWebサイト、API、データベース、ログ処理、認証、ファイル保存、決済、管理画面、アプリケーションサーバーなどは、多くの場合CPUで動きます。\n\nクラウドの基本構造はこうです。\n\n```\nユーザー\n ↓\nインターネット\n ↓\nロードバランサ\n ↓\nCPUサーバー群\n ↓\nデータベース / ストレージ / キャッシュ\n```\n\nここにAIが入ると、こうなります。\n\n```\nユーザー\n ↓\nCPUサーバー\n ↓\nAI推論サーバー\n ↓\nGPU\n ↓\n回答生成\n```\n\nつまり、AIサービスでもCPUは消えません。 \nむしろGPUを動かすためにCPUが必要です。\n\nCPUは、\n\n- ユーザーリクエストを受ける\n- 認証する\n- 入力テキストを整形する\n- tokenizerを動かす\n- GPUに仕事を投げる\n- 結果を受け取る\n- 課金する\n- ログを取る\n- セキュリティを管理する\n- ネットワークを制御する\n\nという役割を持ちます。\n\nGPUは「重いAI計算をする筋肉」で、CPUは「司令塔・管理者・交通整理係」です。\n\n---\n\n## CPUとGPUの役割の違い\n\nかなり単純化すると、こうです。\n\n![](/media/f9bb5a265e8003d923fa7d5cb1b84137cd238e4d534dbedfdf82da226bf26204-content.webp)\n\nたとえばChatGPT的なサービスでは、\n\n```\nCPU：ユーザーの文章を受け取り、トークン化し、GPUに渡す\nGPU：LLMを使って次の単語・文章を計算する\nCPU：結果を整えてユーザーに返す\n```\n\nという分担になります。\n\n---\n\n## AIの学習はクラウドで行われているのか\n\nはい。多くのAI学習はクラウド、またはクラウド的な巨大データセンターで行われています。\n\n特に大規模言語モデルの学習は、普通のPCでは無理です。\n\n理由は、\n\n- GPUが大量に必要\n- 電力が大量に必要\n- 冷却設備が必要\n- 高速ネットワークが必要\n- 大量ストレージが必要\n- 障害復旧システムが必要\n- 数週間〜数か月の連続運転が必要\n\nだからです。\n\n大規模AIモデルの学習では、数千〜数十万GPU規模のクラスタを使うことがあります。\n\nイメージとしては、\n\n```\n巨大データセット\n ↓\nCPU群がデータを読み込み・前処理\n ↓\nGPU群がニューラルネットワークを学習\n ↓\nモデルの重みが更新される\n ↓\n完成したAIモデルになる\n```\n\nという流れです。\n\n---\n\n## AIの推論もクラウドで行われているのか\n\nはい。ChatGPT、Claude、Gemini、Copilot、画像生成AI、動画生成AIなど、多くのAI推論もクラウドで行われています。\n\n**推論**とは、学習済みAIモデルを使って実際に答えを出すことです。\n\nたとえばあなたがChatGPTに質問すると、\n\n```\nあなたの入力\n ↓\nクラウド上のサーバー\n ↓\nGPU上のAIモデル\n ↓\n回答生成\n ↓\nあなたの画面に返る\n```\n\nという流れになります。\n\nつまり、あなたのPCやスマホが全部計算しているわけではありません。 \n多くの場合、裏側のクラウドGPUが計算しています。\n\n---\n\n## 学習と推論の違い\n\nここは重要です。\n\n![](/media/5d06208cc2d82b5bff5f8a0dcbdb1e77b0bd9674b9d5e859b5ad89f7671e0b10-content.webp)\n\n料理で例えると、\n\n![](/media/e004da2cb652acc78c665be16d350f9c024c78e436ae5be250363a855990a8cd-content.webp)\n\n学習は「AIを育てる」。 \n推論は「育ったAIを使う」。\n\n---\n\n## すべてクラウドで行われるのか\n\nいいえ。すべてではありません。\n\nAIの実行場所は大きく3つあります。\n\n場所例特徴クラウドChatGPT、Gemini、画像生成AI高性能、大規模、ネット必須エッジスマホ、PC、車、工場機械低遅延、プライバシー、性能制限ありオンプレミス企業内サーバー、研究所データ管理しやすいが高コスト\n\n現在の大規模AIは、基本的にはクラウド中心です。 \nただし今後は、スマホ、PC、自動車、ロボット、工場、監視カメラなどにもAI推論が広がります。\n\nつまり未来は、\n\n```\n巨大な学習：クラウドGPU\n重い推論：クラウドGPU\n軽い推論：PC/スマホ/エッジAIチップ\nリアルタイム制御：ロボットや車載チップ\n```\n\nという分担になっていくと思います。\n\n---\n\n## GPUクラウドと普通のクラウドの違い\n\n普通のクラウドは、主にCPU中心です。\n\n```\nAWS EC2\nGoogle Cloud Compute Engine\nAzure VM\nさくらのクラウド\nなど\n```\n\nGPUクラウドは、そこにGPUを強く載せたものです。\n\n```\nNVIDIA GPU搭載インスタンス\nAI学習用クラスタ\n推論API基盤\n画像生成サーバー\n動画生成サーバー\n```\n\n普通のクラウドが「会社のIT基盤」だとすると、 \nGPUクラウドは「AIを作り、AIを動かすための計算工場」です。\n\n---\n\n## なぜGPUクラウドが重要になったのか\n\n理由は単純で、現代AIの中心が**巨大な行列計算**だからです。\n\nLLMも画像生成AIも、内部では大量の行列演算をしています。 \nこれはCPUよりGPUの方が得意です。\n\nそのため、AI時代には、\n\n```\nCPUクラウド：Web、API、DB、OS、管理、通信\nGPUクラウド：AIの学習、推論、生成、シミュレーション\n```\n\nという役割分担が強くなります。\n\n---\n\n## まとめ\n\n**GPUクラウド**とは、クラウド上でGPUを使い、AI学習・AI推論・画像生成・動画生成・科学計算などを行う仕組みです。\n\nただし、クラウドの基本は今でもCPUです。 \nCPUはOS、Web、API、認証、課金、監視、スケジューリングを担当します。 \nGPUはAI計算の本体を担当します。\n\nAIの学習も推論も、多くはクラウドで行われています。 \n特にChatGPTのような大規模AIは、裏側で巨大なGPUクラスタが動いています。\n\n一言で言うと、\n\n> **CPUクラウドは、インターネットサービスを動かす基盤。 \n> GPUクラウドは、AIを作り、AIを動かす基盤。 \n> そしてAI時代のクラウドでは、CPUが司令塔、GPUが計算エンジンになる。**\n\nということです。\n\n---\n\n静まるというより、**CPU需要の“質”が変わる**可能性が高いです。 \nGPUクラウドが実現しても、CPU需要は消えません。むしろ短中期では、**GPUを効率よく使うための司令塔・管理層としてCPU需要は増えやすい**です。\n\n## 結論\n\n**GPUクラウドが成熟しても、CPU需要の高まりはすぐには静まりにくいです。**\n\nただし、将来的にはこう分かれます。\n\n観点方向性CPU総需要AIサービス拡大で増えやすいGPU 1枚あたりのCPU必要量最適化で減る可能性がある汎用CPU需要一部はArm CPU、DPU、SmartNIC、専用チップに置き換わる高性能サーバーCPU需要むしろ重要性が上がる低付加価値なCPU需要圧縮される可能性がある\n\nつまり、 \n**「CPUが不要になる」のではなく、「GPUを動かすためのCPU」「クラウド制御用CPU」「AIサービス運用CPU」に需要が寄っていく」** \nという見方が近いです。\n\n---\n\n## なぜGPUクラウドでもCPUが必要なのか\n\nGPUはAI計算本体を担当します。 \nしかしGPUは、自分だけでクラウドサービス全体を運営できません。\n\nGPUクラウドではCPUが以下を担当します。\n\n- ユーザーリクエスト受付\n- API処理\n- 認証・権限管理\n- 課金\n- ログ\n- セキュリティ\n- スケジューリング\n- コンテナ管理\n- GPUジョブ投入\n- tokenizer\n- データ前処理\n- ストレージI/O\n- ネットワーク制御\n- 障害復旧\n- GPU利用率監視\n\nつまりGPUが「AIの筋肉」なら、CPUは「神経・管制塔・事務処理・交通整理」です。\n\nGPUクラウドが発展するほど、**GPUを遊ばせないために、CPU側の制御が高度化する**ので、CPUの役割はむしろ増えます。\n\n---\n\n## 実際、最新GPUシステムにもCPUは大量に入っている\n\n象徴的なのがNVIDIAのGB200 NVL72です。これは72個のBlackwell GPUを1つの巨大なNVLinkドメインとして扱うラックスケール設計ですが、同時に**36個のGrace CPU**も接続されています。つまり最新AIラックは「GPUだけの箱」ではなく、CPUとGPUが一体化したAI計算システムです。([NVIDIA](https://www.nvidia.com/en-us/data-center/gb200-nvl72/?utm_source=chatgpt.com))\n\nまた、NVIDIAのGrace HopperはGrace CPUとHopper GPUをNVLink-C2Cで接続し、AI/HPC向けにCPUとGPUを密結合する設計です。これは「GPU時代にCPUが不要になる」のではなく、**CPUとGPUの結合がより深くなる**ことを示しています。([NVIDIA](https://www.nvidia.com/en-us/data-center/grace-hopper-superchip/?utm_source=chatgpt.com))\n\nAMD側でも、AIデータセンターにおいてEPYC CPUを基盤として位置づけています。AMD Instinct MI300XのようなGPUアクセラレータも、AI/HPCシステム全体の中でCPU、GPU、メモリ、ネットワークと組み合わされます。([AMD](https://www.amd.com/en/products/accelerators/instinct/mi300/platform.html?utm_source=chatgpt.com))\n\n---\n\n## GPUクラウドが成熟すると、CPU需要が減る部分もある\n\nただし、全部が増えるわけではありません。\n\nGPUクラウドが成熟すると、以下のような効率化が進みます。\n\n![](/media/641685f350d778eba753f5f3c6bb2f4074ab30a5aa547cdc2ba7e4d5eaf52152-content.webp)\n\nたとえばKubernetesでは、GPUなどの特殊デバイスを柔軟に要求・共有するためのDynamic Resource Allocation、DRAが進んでいます。DRAはGPUやFPGAのようなアクセラレータをPodにより柔軟に割り当てる仕組みで、GPUクラウドのリソース管理を高度化する方向です。([Kubernetes](https://kubernetes.io/docs/concepts/scheduling-eviction/dynamic-resource-allocation/?utm_source=chatgpt.com))\n\nNVIDIAもGPU Operator向けにDRA Driver for GPUsを提供しており、GPUの構成やスケジューリングをKubernetes側でより柔軟に扱う方向に進んでいます。([NVIDIA Docs](https://docs.nvidia.com/datacenter/cloud-native/gpu-operator/latest/dra-intro-install.html?utm_source=chatgpt.com))\n\nこれが進むと、**同じAI処理量に必要なCPU・GPUサーバー台数は減る**可能性があります。\n\n---\n\n## でも、総需要は下がらない可能性が高い\n\nここが重要です。\n\nGPUクラウドの効率が上がると、1リクエストあたりの原価は下がります。 \nするとAIサービスはもっと安くなり、もっと大量に使われます。\n\nこれはいわゆる**ジェボンズのパラドックス**的な現象です。\n\n> 効率化すると消費量が減るのではなく、安くなって利用量が爆発し、総需要はむしろ増える。\n\nAI推論が安くなると、\n\n- AIエージェント\n- コーディングAI\n- 動画生成\n- 画像生成\n- 音声AI\n- リアルタイム翻訳\n- ロボット\n- 工場AI\n- セキュリティAI\n- 個人専用AI\n- 企業内AIワーカー\n\nがさらに増えます。\n\nその結果、GPU利用効率が上がっても、**AIサービス全体の量が増えすぎて、CPU需要も増える**可能性があります。\n\n---\n\n## CPU需要が特に残る領域\n\nGPUクラウド時代でも、以下のCPU需要は強く残ります。\n\n## \\1. ホストCPU\n\nGPUサーバーには、GPUを制御するCPUが必要です。 \nGPUに仕事を投げ、データを流し、ネットワークやストレージを扱います。\n\n## \\2. クラウド制御用CPU\n\nGPUクラウドでは、スケジューラ、認証、課金、監視、ログ、API gatewayが必要です。 \nこれはほぼCPU側の仕事です。\n\n## \\3. 推論前後処理\n\nLLMでは、入力文をトークン化し、出力を整形し、フィルタリングし、ツール呼び出しを行います。 \nこれもCPU側が多く担当します。\n\n## \\4. ストレージ・データ処理\n\n学習データの読み込み、変換、フィルタリング、埋め込み、検索、RAGなどはCPU/メモリ/ストレージに強く依存します。\n\n## \\5. セキュリティ\n\nGPUを複数顧客で共有するほど、認証、隔離、暗号化、監査、ネットワーク防御が必要になります。 \nここでもCPUやDPUが重要です。\n\n---\n\n## CPU需要が弱くなる可能性がある領域\n\n一方で、以下は伸びが鈍る可能性があります。\n\n![](/media/1098c18ca4f5eecff2271138861fed8932c63be4368f66afca23e07eb668a65e-content.webp)\n\nつまり、CPU需要は一枚岩ではありません。\n\n**AI時代に伸びるCPU**と、**相対的に弱くなるCPU**があります。\n\n---\n\n## かなり重要なのは「x86だけが伸びるとは限らない」こと\n\nGPUクラウド時代のCPU需要は、必ずしも従来のx86サーバーCPUだけに行くとは限りません。\n\nNVIDIA GraceのようなArm CPU、クラウド企業の独自Arm CPU、DPU、SmartNIC、AI ASICが増えます。\n\nつまり、\n\n> CPU需要はある。 \n> ただし、その需要がIntel/AMDの従来型CPUだけに全部流れるとは限らない。\n\nという点が重要です。\n\nNVIDIAのGB200 NVL72にGrace CPUが組み込まれていることは、この方向をよく表しています。GPUクラウドでは、CPUは単体サーバーCPUというより、**GPUラックの一部として統合される**方向にも進みます。([NVIDIA](https://www.nvidia.com/en-us/data-center/gb200-nvl72/?utm_source=chatgpt.com))\n\n---\n\n## 投資テーマとしての整理\n\nGPUクラウドが進むと、CPU需要はこう変化すると考えられます。\n\n![](/media/44ee50bd95409c0c3e3ff76c11beecfdc6d417af909c07cc028d7fbc45633f1b-content.webp)\n\nなので、**GPUクラウド実現＝CPU需要沈静化**ではありません。\n\nむしろ、\n\n> GPUクラウドが本格化するほど、 \n> CPUは「AIクラウドの司令塔」として再評価される。\n\nという見方ができます。\n\n---\n\n## まとめ\n\nGPUクラウドが成熟すると、**1単位のAI処理に必要なCPU量は減る可能性があります。** \nしかし、AIサービスの総量が増えるため、**CPU需要全体はすぐには静まりにくい**です。\n\n特に伸びるのは、\n\n- GPUホストCPU\n- AIクラウド制御CPU\n- 推論API用CPU\n- セキュリティ/認証/課金/監視用CPU\n- ストレージ・ネットワーク制御用CPU\n- Arm CPUやDPUを含む広義のCPU的処理\n\nです。\n\n一言で言うと、\n\n> **GPUクラウドはCPUを不要にするものではなく、CPUの役割を「主役の計算機」から「AIインフラの管制塔」に変えるものです。**\n\nそのため、CPU需要の高まりは完全には静まらず、むしろ**GPUを使い切るためのCPU需要**として形を変えて続く可能性が高いです。\n\n---\n\n## \\1. AIエージェントが増えると、何の処理が増えるのか\n\nAIエージェントは、単に1回質問して1回答を返すチャットボットではありません。\n\nたとえば、エージェントはこう動きます。\n\n```\nユーザーの依頼\n ↓\n目的を分解する\n ↓\n検索する\n ↓\n資料を読む\n ↓\nコードを書く\n ↓\nブラウザを操作する\n ↓\n外部APIを呼ぶ\n ↓\n結果を比較する\n ↓\n再推論する\n ↓\nレポートや画像や動画を作る\n ↓\nユーザーに返す\n```\n\nこの中にはGPU向きの処理と、CPU向きの処理が混ざっています。\n\n![](/media/b3cb56cee80d586a98a2467dbaa9a06992e80d045c86d62821413da77a3756d1-content.webp)\n\nなので、エージェント増加による負荷のうち、**モデル推論・生成部分はGPUクラウドでかなり吸収できる**。 \nしかし、**行動・接続・管理・保存・防衛の部分はCPUクラウド側に残る**、という構造です。\n\n---\n\n## \\2. どれくらいGPUクラウドで可能になるか\n\nかなり大雑把に分けると、こうです。\n\n![](/media/d507557fcaeb3fbdd524f88d42a2c66971ea4f6c5e1035456996e44c2a6c1593-content.webp)\n\nここでの「吸収できる」は、**AIモデルの計算需要をGPUクラウドの効率化でさばける割合**という意味です。\n\nたとえば、画像生成・動画生成・reasoning modelのように、ほぼGPU計算が中心のものは、GPUクラウド成熟の恩恵が大きいです。\n\n一方で、企業内エージェントのように、\n\n- 社内DBを見る\n- SaaSを操作する\n- 承認フローを進める\n- 請求書を処理する\n- メールを送る\n- 権限を確認する\n\nという仕事では、GPU推論だけでなく、CPU・DB・ネットワーク・セキュリティが大量に必要です。\n\n---\n\n## \\3. GPUクラウド成熟で何が変わるのか\n\nGPUクラウドが成熟すると、エージェントの推論処理はかなり効率化されます。\n\n重要なのは以下です。\n\n## \\1. KV cache管理\n\nLLMは長文を扱うほど、KV cacheというメモリを大量に使います。 \nエージェントは過去の会話、作業履歴、ツール結果、資料を何度も参照するので、KV cache管理が非常に重要です。\n\nvLLMのPagedAttentionは、OSの仮想メモリのようにKV cacheをブロック管理し、メモリ断片化を減らしてLLMサービング効率を上げる技術です。vLLM論文では、PagedAttentionによりKV cacheの無駄を大きく減らし、同じレイテンシ条件で既存システムより高いスループットを実現したと説明されています。([llmsystem](https://llmsystem.github.io/llmsystem2025spring/assets/files/llmsys-22-vLLM_woosuk_kwon-1f34697dbb1a1fb5b798daf6eff14b67.pdf?utm_source=chatgpt.com))\n\nこれは、エージェント時代にはかなり重要です。 \nなぜなら、エージェントは同じシステムプロンプト、同じツール定義、同じ作業文脈を何度も使うからです。\n\n---\n\n## \\2. prefill / decode分離\n\nLLM推論には大きく2段階あります。\n\n段階内容特徴prefill入力プロンプト全体を読む計算量が重いdecode1トークンずつ出力するメモリ帯域・逐次性が重い\n\nエージェントは長い入力を読み、長い出力を出し、途中で何度も再推論します。 \nそのため、prefillとdecodeを分けて最適化する効果が大きいです。\n\nDistServeはprefillとdecodeを分離して、互いの干渉を減らすLLMサービング方式です。OSDI 2024の論文では、既存方式より最大7.4倍多いリクエストを処理できる、または12.6倍厳しいSLOを満たせると報告されています。([USENIX](https://www.usenix.org/system/files/osdi24-zhong-yinmin.pdf?utm_source=chatgpt.com))\n\nつまり、GPUクラウドが成熟すると、 \n**同じGPU数でも、より多くのエージェント推論をさばける** \nようになります。\n\n---\n\n## \\3. continuous batching / chunked prefill\n\n大量のエージェントが同時に動くと、リクエストの長さもタイミングもバラバラになります。\n\n普通に処理すると、GPUは待ち時間だらけになります。 \nそこで、複数リクエストを動的に混ぜるcontinuous batchingや、prefillを小さく分割するchunked prefillが重要になります。\n\nSarathi-Serveは、prefillをチャンク化してdecodeを止めないスケジューリングを行います。論文では、Mistral-7BでvLLM比2.6倍、Yi-34Bで最大3.7倍、Falcon-180Bでは最大5.6倍のserving capacity改善を報告しています。([arXiv](https://arxiv.org/abs/2403.02310?utm_source=chatgpt.com))\n\nこれはエージェント時代の「大量の細かい推論を詰め込む」技術です。\n\n---\n\n## \\4. 複数モデル・複数エージェントのGPUプーリング\n\nエージェント社会では、1つの巨大モデルだけでなく、\n\n- 文章モデル\n- コードモデル\n- 画像モデル\n- 音声モデル\n- 小型分類モデル\n- embeddingモデル\n- reranker\n- safety model\n- tool selection model\n\nなどが同時に動きます。\n\nここで重要なのがGPUプーリングです。\n\nAegaeonは、複数LLMを同時にサーブするためのGPU poolingシステムで、トークンレベルの自動スケーリングを行います。SOSP 2025の論文では、実運用で必要GPU数を1,192枚から213枚へ削減、つまり82%削減したと報告されています。([ACM Digital Library](https://dl.acm.org/doi/10.1145/3731569.3764815?utm_source=chatgpt.com))\n\nこれは非常に大きいです。 \nエージェントが増えた時に、**1エージェント1GPUのような贅沢な構成ではなく、トークン単位でGPUを共有する**方向に進むからです。\n\n---\n\n## \\5. データセンター規模の推論オーケストレーション\n\nNVIDIA Dynamoのような仕組みも出てきています。NVIDIAはDynamoを、生成AIやreasoning modelを大規模分散環境で低遅延・高スループットに動かすためのオープンソース推論フレームワークとして説明しており、DeepSeek-R1系モデルで最大30倍のリクエスト処理改善を主張しています。([NVIDIA Developer](https://developer.nvidia.com/blog/introducing-nvidia-dynamo-a-low-latency-distributed-inference-framework-for-scaling-reasoning-ai-models/?utm_source=chatgpt.com))\n\nDynamoのGitHub側でも、vLLM、SGLang、TensorRT-LLMを置き換えるのではなく、それらの上に乗るデータセンター規模のオーケストレーション層として、disaggregated serving、intelligent routing、multi-tier KV caching、automatic scalingを扱うと説明されています。([GitHub](https://github.com/ai-dynamo/dynamo?utm_source=chatgpt.com))\n\nこれはかなり「GPUクラウドOS」に近い方向です。\n\n---\n\n## \\4. では、エージェント需要の何倍くらいを吸収できるのか\n\n研究・実装を見ると、GPUクラウド成熟による効率改善は、用途によってかなり幅があります。\n\n![](/media/91ffa9f582aeda521996904558b934b0eb7e548a1bf28f1c889878094e4cb8cc-content.webp)\n\nSGLangは、複数回の生成、制御フロー、構造化出力を含む複雑なLLMアプリケーション向けのフレームワークで、実験では最大6.4倍のスループット改善を報告しています。これはまさにエージェント的な処理に近いです。([ACM Digital Library](https://dl.acm.org/doi/10.5555/3737916.3739916?utm_source=chatgpt.com))\n\nしたがって、かなり単純化すると、\n\n> **今の非効率なGPU運用に比べて、成熟したGPUクラウドでは同じGPU枚数で3〜10倍、特定条件ではそれ以上のエージェント推論を処理できる可能性がある。**\n\nという見方はできます。\n\nただし、これは「全部の処理が3〜10倍になる」という意味ではありません。 \nあくまで、**LLM推論・生成・KV cache管理・バッチング・GPUプーリングの部分**です。\n\n---\n\n## \\5. AIエージェント需要の増加をGPUクラウドだけで吸収できるか\n\nここは慎重に見る必要があります。\n\n私の見方では、こうです。\n\n## 短期\n\n**GPUクラウド成熟でかなり吸収できる。**\n\n今はまだGPU利用率が低く、推論スタックも発展途上です。 \nそのため、vLLM、SGLang、Dynamo、Aegaeon、prefill/decode分離、KV cache最適化だけでも、かなりの余力があります。\n\nつまり短期では、\n\n> GPUをもっと買う \n> だけでなく \n> GPUをもっと詰め込んで使う\n\nことでエージェント需要をかなり受け止められます。\n\n---\n\n## 中期\n\n**GPUクラウド成熟だけでは足りず、CPU・ネットワーク・ストレージも同時に増える。**\n\nエージェントが本格化すると、モデル推論だけでなく、\n\n- tool call\n- web browsing\n- RAG\n- DB更新\n- SaaS連携\n- 認証\n- 監査ログ\n- セキュリティ\n- 決済\n- 権限管理\n- agent memory\n\nが爆発します。\n\nここはGPUだけでは処理できません。\n\n特に企業内エージェントでは、AIが答えを出すよりも、 \n**社内システムに安全に接続し、操作し、記録し、承認を通す部分** \nの方が重くなる可能性があります。\n\n---\n\n## 長期\n\n**GPUクラウドは“知能計算層”を担い、CPUクラウドは“行動・管理・社会接続層”を担う。**\n\n長期的には、こういう分担になると思います。\n\n```\nGPUクラウド\n - LLM推論\n - reasoning\n - multimodal生成\n - 動画生成\n - VLA学習\n - embedding/rerank\n - シミュレーション\n\nCPUクラウド\n - API\n - 認証\n - 権限\n - DB\n - ストレージ\n - 課金\n - ログ\n - 監査\n - セキュリティ\n - orchestration\n - agent workflow\n```\n\nつまり、AIエージェントが増えるほど、 \n**GPUクラウドとCPUクラウドの両方が拡大する** \n可能性が高いです。\n\n---\n\n## \\6. GPUクラウド成熟でCPU需要は消えるか？\n\nGPUクラウド成熟により、**GPU 1枚あたりのAI推論能力は大きく上がる**でしょう。 \nその結果、同じエージェント数を動かすために必要なGPU枚数は減る可能性があります。\n\nしかし、エージェントが増えると同時にCPU側の処理も増えます。\n\n増える処理主な担当エージェントの状態管理CPU/DBワークフロー管理CPUツール実行CPUAPI連携CPU/ネットワーク権限管理CPUログ・監査CPU/ストレージ課金CPUセキュリティCPU/DPUブラウザ操作CPURAG検索CPU/DB/GPU混合\n\nなので、GPUクラウド成熟によって、**AI推論そのもののボトルネックは緩和される**。 \nしかし、**エージェント社会を動かす周辺インフラ需要はむしろ増える**。\n\n---\n\n## \\7. 私のざっくりした比率イメージ\n\nAIエージェント時代の追加需要を100とすると、GPUクラウド成熟で吸収・効率化できる部分はこう見ます。\n\n```\nAIエージェント追加需要 = 100\n\nGPUクラウド成熟でかなり吸収できる部分\n 50〜70\n - LLM推論\n - 長文推論\n - reasoning\n - 画像/動画生成\n - embedding/rerank\n - KV cache\n - batch scheduling\n\nGPUクラウドだけでは吸収できない部分\n 30〜50\n - CPU orchestration\n - DB\n - API\n - browser automation\n - storage\n - network\n - security\n - billing\n - monitoring\n```\n\nただし、用途によってかなり変わります。\n\n**動画生成AIエージェント**なら、GPUクラウドで80〜95%吸収できます。 \n**企業業務エージェント**なら、GPUクラウドで40〜70%、残りはCPU/DB/ネットワーク/セキュリティです。 \n**ロボット/VLAエージェント**なら、学習・シミュレーションはGPUクラウド比率が高いですが、現場のリアルタイム制御はエッジ側に残ります。\n\n---\n\n## GPUクラウドの成熟時期考察\n\n> **2026〜2028年：GPUクラウドOSの原型が実用化する時期** \n> **2029〜2032年：CPUクラウドに近い成熟度へ向かう時期** \n> **2030年代前半：AIエージェント社会向けの本格インフラになる時期**\n\n---\n\n## \\1. すでにGPUクラウドは始まっている\n\nまず、GPUクラウド自体はもう存在しています。 \nAWS、Azure、Google Cloud、Oracle Cloud、CoreWeave、Lambda、Crusoe、日本だとGMO GPUクラウドなどがGPUをクラウド資源として提供しています。\n\nただし、今あるGPUクラウドの多くは、まだかなり荒く言うと、\n\n> **高価なGPUサーバーを貸している段階**\n\nです。\n\nこれが今後成熟すると、\n\n> **GPUをトークン単位、モデル単位、KV cache単位、SLO単位で動的に共有・課金・監視する段階**\n\nに進みます。\n\nここが本当の意味での「GPUクラウド成熟」です。\n\n---\n\n## \\2. 2025〜2026年時点で、部品はかなり揃い始めている\n\n成熟の兆候はすでにあります。\n\nKubernetesでは、GPUやFPGAなどの特殊デバイスを柔軟に割り当てる **DRA / Dynamic Resource Allocation** の中核APIが、Kubernetes 1.34でGAになりました。これはGPUをKubernetes上でより細かく選択・共有・構成するための重要な基盤です。([Kubernetes](https://kubernetes.io/blog/2025/09/01/kubernetes-v1-34-dra-updates/?utm_source=chatgpt.com))\n\nNVIDIA側も、DRA Driver for GPUsを提供し、KubernetesからGPUをより柔軟に要求・設定・共有できる方向へ進めています。つまり、GPUが「特殊な外付け部品」から「クラウドでスケジューリング可能な一級リソース」になり始めています。([NVIDIA Docs](https://docs.nvidia.com/datacenter/cloud-native/gpu-operator/25.3.4/dra-intro-install.html?utm_source=chatgpt.com))\n\nまた、NVIDIA Dynamoは2025年に発表された大規模分散推論向けのフレームワークで、単一GPUや単一ノードの最適化ではなく、データセンター規模のGPU群を協調した推論システムとして扱う方向です。NVIDIAはDynamoについて、reasoning modelや生成AIを大規模分散環境で低遅延・高スループットに展開するためのOSS推論フレームワークと説明しています。([NVIDIA Developer](https://developer.nvidia.com/blog/introducing-nvidia-dynamo-a-low-latency-distributed-inference-framework-for-scaling-reasoning-ai-models/?utm_source=chatgpt.com))\n\nつまり、2025〜2026年時点で、\n\n- Kubernetes側のGPUリソース管理\n- NVIDIA側のGPUオーケストレーション\n- vLLM/SGLang/TensorRT-LLM系の推論エンジン\n- MIG/vGPU/Time slicing\n- KV cache管理\n- 分散推論\n- Confidential Computing\n\nの部品はかなり揃い始めています。\n\n---\n\n## \\3. ただし「完成」には段階がある\n\nGPUクラウドの成熟を4段階で見ると分かりやすいです。\n\n## 第1段階：GPUをクラウドで借りられる\n\nこれはもう実現済みです。\n\n```\nGPUインスタンスを借りる\nLLMを動かす\n画像生成を動かす\n学習ジョブを回す\n```\n\nこの段階では、まだCPUクラウドでいう初期EC2に近いです。 \nGPUを借りられるが、細かく安全に詰め込む仕組みはまだ弱い。\n\n---\n\n## 第2段階：LLM推論を高効率に詰め込む\n\nこれは**2025〜2027年に急速に進んでいる段階**です。\n\nvLLMはPagedAttentionを使い、LLM推論で問題になるKV cacheのメモリ無駄を減らす方向の代表例です。2025年のvLLM論文では、block-level memory managementとpreemptive request schedulingにより、KV cacheメモリの無駄をほぼゼロに近づけると説明されています。([EECS at UC Berkeley](https://www2.eecs.berkeley.edu/Pubs/TechRpts/2025/EECS-2025-192.pdf?utm_source=chatgpt.com))\n\nさらにAlibaba CloudのAegaeonは、複数モデルをGPUプール上でトークン単位にスケジューリングし、実運用テストで必要GPU数を1192枚から213枚に削減したと報じられています。これは、GPUクラウドが「1ジョブ1GPU」から「トークン単位の共有」へ向かう強い兆候です。([Tom's Hardware](https://www.tomshardware.com/tech-industry/semiconductors/alibaba-says-new-pooling-system-cut-nvidia-gpu-use-by-82-percent?utm_source=chatgpt.com))\n\nこの段階は、かなり早く成熟すると思います。 \n理由は、LLM推論のコスト削減効果が巨大だからです。\n\n---\n\n## 第3段階：マルチテナントGPUを安全に共有する\n\nここが難所です。\n\nMIGやvGPUでGPUを分割することはできますが、複数テナントが同じGPU/同じGPUクラスタを使うと、GPUメモリ、キャッシュ、TLB、ドライバ、DMA、コンテナ境界などがセキュリティ問題になります。\n\nNVIDIAはKubernetes向けにConfidential ContainersやKata Containersと組み合わせたGPU機密計算の仕組みを進めており、GPU OperatorでもConfidential Computing ManagerやSandbox Device Pluginなどを含む構成が説明されています。([NVIDIA Docs](https://docs.nvidia.com/datacenter/cloud-native/gpu-operator/25.3.4/gpu-operator-confidential-containers.html?utm_source=chatgpt.com))\n\n一方で、GPU共有のセキュリティはまだ発展途上です。2024〜2026年の研究・脆弱性報告では、GPU仮想化や共有GPUのサイドチャネル、vGPU管理層、コンテナ境界が新しい攻撃面になることが示されています。([Barrack AI](https://blog.barrack.ai/fractional-gpu-security/?utm_source=chatgpt.com))\n\nこのため、**企業が安心して機密データをマルチテナントGPUに載せる段階**は、2026〜2027年に始まり、2028〜2030年に本格化する可能性が高いです。\n\n---\n\n## 第4段階：CPUクラウド並みに「当たり前のインフラ」になる\n\nこれはおそらく**2029〜2032年以降**です。\n\nCPUクラウドでは、VM、Kubernetes、IAM、監視、課金、ログ、オートスケール、セキュリティ、SLAが当たり前になっています。\n\nGPUクラウドでも最終的には、\n\n```\nGPU秒\nGPUメモリGB秒\nKV cache GB秒\ntoken単位課金\nTTFT/TPOT保証\n推論SLO\nモデル常駐課金\nagent memory課金\nマルチテナント隔離\nGPU障害復旧\nGPUクラスタ観測\n```\n\nが標準化されていくはずです。\n\nただし、ここまで行くには時間がかかります。 \n理由は、LLM推論がまだ急速に変化しているからです。モデル構造、context length、MoE、reasoning、動画生成、VLA、エージェント処理が変わるたびに、GPUクラウド側も作り直しになります。\n\n---\n\n## \\4. 私の時期予想\n\nかなり現実的に見ると、こうです。\n\n![](/media/82703e7b2c83e0e40ce7474823c1cb522e08bdd702b843009fbd55e1496f54ed-content.webp)\n\nなので、「完成しはじめる」は**2026〜2028年**。 \n「CPUクラウドのように成熟する」は**2029〜2032年**。 \n「本当に社会インフラ化する」は**2030年代前半**だと思います。\n\n---\n\n## \\5. AIを使うことで、その速度は加速するか\n\nはい。**かなり加速する可能性があります。**\n\nCPUクラウドの25年と比べて、GPUクラウドはもっと早く成熟すると思います。 \n理由は3つあります。\n\n---\n\n## 理由1：CPUクラウドの知見を流用できる\n\nGPUクラウドはゼロから作るわけではありません。\n\nすでに、\n\n- Kubernetes\n- Linux\n- コンテナ\n- IAM\n- Prometheus/Grafana\n- Terraform\n- CI/CD\n- service mesh\n- cloud billing\n- observability\n- autoscaling\n- security policy\n\nがあります。\n\nCPUクラウドが25年かけて作った概念を、GPU向けに拡張できます。 \nだから、GPUクラウドは25年ではなく、**5〜8年程度でかなり成熟する**可能性があります。\n\n---\n\n## 理由2：AIがインフラ開発そのものを加速する\n\nAIはGPUクラウドの利用者であると同時に、GPUクラウドを作る側にも使われます。\n\nたとえば、\n\n- GPU kernelの自動生成\n- CUDA/Triton最適化\n- スケジューラの探索\n- 障害予測\n- ログ解析\n- セキュリティ検査\n- コード生成\n- インフラ設定の自動修正\n- capacity planning\n- ネットワーク輻輳予測\n\nに使えます。\n\n実際、AIによるGPU kernel生成・最適化の研究はかなり活発です。AMDは2025年にGEAKというTriton kernel生成AIエージェントを紹介し、ベンチマーク上で最大2.59倍の速度向上を示したと説明しています。([ROCm Blogs](https://rocm.blogs.amd.com/software-tools-optimization/triton-kernel-ai/README.html?utm_source=chatgpt.com))\n\nまた、PyTorchブログでも、深いエージェントを使った自律GPU kernel生成が紹介されており、Triton kernelの生成、検証、実行を自動化する方向が示されています。([PyTorch](https://pytorch.org/blog/kernelfalcon-autonomous-gpu-kernel-generation-via-deep-agents/?utm_source=chatgpt.com))\n\nこの流れが進むと、人間のGPUエンジニアだけでなく、AIエージェントがGPU kernelや推論設定を探索し続けるようになります。 \nこれは、GPUクラウド成熟をかなり速めます。\n\n---\n\n## 理由3：GPU利用率改善の経済効果が大きすぎる\n\nGPUは非常に高価です。 \nもしGPU利用率を10〜20%から40〜60%へ上げられれば、同じGPU投資で2〜4倍以上の有効計算を取り出せます。\n\nそのため、GPUクラウド最適化には莫大な経済インセンティブがあります。\n\nAegaeonのように、GPU poolingとトークン単位スケジューリングで必要GPU数を大幅に減らせる可能性が示されると、クラウド企業・AIラボ・ネオクラウドは一気にこの方向へ投資します。([Tom's Hardware](https://www.tomshardware.com/tech-industry/semiconductors/alibaba-says-new-pooling-system-cut-nvidia-gpu-use-by-82-percent?utm_source=chatgpt.com))\n\nつまり、これは研究テーマではなく、**設備投資効率を何倍にもする経営テーマ**です。 \nだから速いです。\n\n---\n\n## \\6. それでも一気に完成しない理由\n\nただし、AIで加速しても、1〜2年で完全完成するとは思いません。\n\n理由は、物理制約があるからです。\n\n![](/media/cbc5092eab1471a56820ec7a5c99f6dcd4c24163b9dc998588dae389691b4796-content.webp)\n\n特に障害復旧は重要です。2026年のGhostServeは、LLM servingでKV cacheをerasure codingにより保護し、GPU障害時に高コストな再計算や完全複製なしで推論を再開する研究です。これは、GPUクラウドがCPUクラウドのような高可用性に近づくには、KV cacheレベルの耐障害性が必要であることを示しています。([arXiv](https://arxiv.org/abs/2605.00831?utm_source=chatgpt.com))\n\nつまり、AIはソフトウェア開発速度を上げますが、 \n**電力・冷却・ネットワーク・セキュリティ・標準化・信頼性は時間がかかる** \nということです。\n\n---\n\n## \\7. かなり重要な見方：GPUクラウドは「完成」しない可能性もある\n\nCPUクラウドも、実は完成していません。 \n今でもサーバーレス、Kubernetes、WASM、edge cloud、confidential computingなどで変化しています。\n\nGPUクラウドも同じで、完全な完成地点はないと思います。\n\nなぜなら、AI側がどんどん変わるからです。\n\n```\nLLM\n ↓\nreasoning model\n ↓\nagent\n ↓\nmultimodal agent\n ↓\nvideo world model\n ↓\nVLA / robotics\n ↓\nphysical AI\n```\n\nモデルが変わるたびに、GPUクラウドの最適解も変わります。\n\nたとえば、チャットLLM中心ならKV cacheとdecode最適化が重要。 \n動画生成中心なら巨大な生成バッチとメモリ帯域が重要。 \nロボティクス/VLA中心なら、シミュレーション、動画理解、リアルタイム推論、エッジ連携が重要になります。\n\nだからGPUクラウドは、ある時点で「完成」するというより、 \n**2026〜2028年に産業標準の原型が固まり、2030年前後に本格的なクラウドOSとして成熟し、その後もAIの形に合わせて変化し続ける** \nと見るべきです。\n\n---\n\n## まとめ\n\nGPUクラウドの成熟は、かなり速く進むと思います。\n\n私の予想では、\n\n> **2026〜2028年：完成しはじめる** \n> **2028〜2030年：AIエージェント向けに本格実用化** \n> **2029〜2032年：CPUクラウドに近い成熟度へ進む** \n> **2030年代前半：AI社会の標準インフラ化**\n\nです。\n\nAIを使うことで、この速度は加速します。 \n特に、GPU kernel最適化、推論スケジューリング、ログ解析、障害予測、セキュリティ検査、インフラ自動運用でAIエージェントが使われるようになるため、CPUクラウドが25年かけた進化を、GPUクラウドは**5〜8年程度で一気に圧縮する**可能性があります。\n\nただし、電力、冷却、ネットワーク、セキュリティ、標準化、障害復旧は物理的・制度的な制約があるため、**完全成熟は2030年前後以降**になると思います。\n\n一言で言うと、\n\n> **GPUクラウドは2026〜2028年にクラウドOS化が始まり、2030年前後にAIエージェント時代の本格インフラになる。 \n> そしてAI自身が、その成熟速度をさらに加速する。**\n\nという考察です。\n\n---\n\n## 年代ごとにCPU需要の高まりは、どのように変化していくか考察\n\nCPU需要の高まりは「2026〜2030年に一度かなり強くなり、その後は伸び率が鈍化しながらも、用途を変えて長く残る」と考えます。\n\nつまり、単純に、\n\n> GPUクラウドが成熟する \n> → CPU需要が落ち着く\n\nではなく、\n\n> **AIインフラ立ち上げ期はCPU需要が急増** \n> **GPUクラウド成熟期はCPU/GPU比率が最適化** \n> **AIエージェント普及期はCPUが“管制塔・接続・防衛”として再拡大** \n> **2030年代後半はエッジ/専用チップに一部移るが、クラウドCPUは残る**\n\nという流れになると思います。\n\n---\n\n## 全体像\n\n![](/media/96adc865716fb80174d59e29f8c38ccbee9fb0e3076e6974b5764e4f90db9ae9-content.webp)\n\n---\n\n## 2024〜2026年：CPU需要の急上昇期\n\nこの時期は、**GPUを買えば買うほどCPUも必要になる**段階です。\n\n理由は、GPUは単体ではクラウドサービスにならないからです。GPUサーバーにはホストCPUが必要で、さらにAPI、認証、課金、ログ、監視、ストレージ、ネットワーク、スケジューラを動かすCPU群も必要になります。\n\nAMDは2026年第1四半期決算で、データセンター売上が前年比57%増の58億ドルになり、EPYC CPU需要とInstinct GPU出荷が牽引したと説明しています。またLisa Su CEOは、推論とagentic AIが高性能CPUとアクセラレータ需要を押し上げていると述べています。([Advanced Micro Devices, Inc.](https://ir.amd.com/news-events/press-releases/detail/1284/amd-reports-first-quarter-2026-financial-results))\n\nこの段階のCPU需要はかなり素直です。\n\n```\nGPUサーバーが増える\n ↓\nホストCPUが増える\n ↓\nAI推論APIが増える\n ↓\n認証・課金・ログ・監視が増える\n ↓\nクラウド制御用CPUも増える\n```\n\nつまり、2026年前後は **「GPU投資に付随するCPU需要」** が強くなります。\n\n---\n\n## 2027〜2030年：CPU需要はさらに強いが、選別が始まる\n\nこの時期は、AIエージェントが増え、GPUクラウドが「ただGPUを貸す」段階から「GPUを細かく共有・管理・課金する」段階に進むと考えます。\n\nここでCPU需要は2方向に分かれます。\n\n1つ目は、**AIインフラ管制用CPUの需要増**です。\n\nGPUクラウドでは、トークン単位のスケジューリング、KV cache管理、prefill/decode分離、モデル配置、障害復旧、セキュリティ、課金などが必要になります。これらはGPU上の計算だけではなく、CPU側の制御・管理が重要になります。\n\nKubernetes 1.34では、GPUやFPGAなどの特殊デバイスをより柔軟に選択・割り当て・共有・構成するためのDynamic Resource Allocation、DRAの中核APIがGAになっています。これはGPUがクラウド上の一級リソースとして扱われる方向を示しています。([Kubernetes](https://kubernetes.io/blog/2025/09/01/kubernetes-v1-34-dra-updates/?utm_source=chatgpt.com))\n\n2つ目は、**CPUの種類の選別**です。\n\n従来型の汎用x86 CPUだけでなく、Arm CPU、NVIDIA Grace、DPU、SmartNIC、カスタムCPUが増えます。たとえばNVIDIA GB200 NVL72は、36個のGrace CPUと72個のBlackwell GPUをラックスケールで接続する設計です。これは、AIラックが「GPUだけ」ではなく、CPUとGPUの統合システムであることを示しています。([NVIDIA](https://www.nvidia.com/en-us/data-center/gb200-nvl72/?utm_source=chatgpt.com))\n\nこの時期の特徴は、\n\n> **CPU需要は強い。ただし、勝つCPUは“GPUを動かすために最適化されたCPU”になっていく。**\n\nです。\n\nAMD系EPYC、NVIDIA Grace、クラウド独自Arm CPU、DPU統合型の設計が伸び、古い汎用サーバーCPUは相対的に弱くなる可能性があります。\n\n---\n\n## 2030〜2035年：伸び率は鈍るが、絶対需要は高止まり\n\n2030年前後には、GPUクラウドがかなり成熟してくると思います。\n\nつまり、\n\n- GPU利用率が改善する\n- 1リクエストあたりのGPUコストが下がる\n- KV cache管理が洗練される\n- prefill/decode分離が一般化する\n- GPUクラスタのスケジューリングが高度化する\n- マルチテナントGPUが普及する\n\nという方向です。\n\nこの結果、**同じAI処理量に必要なCPU/GPUサーバー台数は減る**可能性があります。 \nつまり、CPU需要の伸び率は一度鈍化しやすいです。\n\nしかし、ここで重要なのがジェボンズのパラドックスです。\n\nAI推論が安くなると、AIエージェントはもっと大量に使われます。\n\n```\nGPUクラウド成熟\n ↓\n推論コスト低下\n ↓\nAIエージェント利用増加\n ↓\nAPI・DB・認証・ログ・監査・課金が増える\n ↓\nCPU需要は高止まり\n```\n\nつまり、2030〜2035年は、\n\n> **1処理あたりのCPU必要量は減るが、処理総量が増えすぎて、CPU需要は高止まりする**\n\nという可能性が高いです。\n\nこの時期のCPU需要は、単なるWebサーバーCPUではなく、\n\n- エージェント管理CPU\n- 認証/権限管理CPU\n- セキュリティ監査CPU\n- データベースCPU\n- ストレージ制御CPU\n- ネットワーク制御CPU\n- GPUクラスタ管理CPU\n- RAG/検索/embedding前後処理CPU\n\nへ寄っていきます。\n\n---\n\n## 2035〜2040年：汎用CPU需要は落ち着くが、制御CPUは残る\n\n2035年以降になると、AI処理の多くはさらに専用化されると思います。\n\nたとえば、\n\n- 推論専用ASIC\n- エッジNPU\n- ロボット用VLAチップ\n- 車載AI SoC\n- DPU/SmartNIC\n- メモリ近傍計算\n- 光インターコネクト\n- 専用KV cacheアクセラレータ\n\nのようなものが普及していく可能性があります。\n\nこの場合、**CPUが直接AI計算をする需要**は相対的に弱くなります。 \nしかし、CPUが不要になるわけではありません。\n\nCPUは以下の仕事を残します。\n\n```\nOSを動かす\n権限を管理する\n外部APIを呼ぶ\nエージェントの状態を管理する\nログを保存する\n異常を検知する\n安全停止を判断する\n人間の承認フローと接続する\n```\n\n特にフィジカルAI、ロボット、工場、自動運転では、GPU/NPUが知覚や推論を担っても、**CPU/MCU/リアルタイム制御系**は残ります。\n\nこの時期は、\n\n> **AI計算のCPU需要は下がるが、AI社会の制御・安全・接続のCPU需要は残る**\n\nという形です。\n\n---\n\n## 2040年以降：CPUというより「異種計算の司令塔」になる\n\n2040年以降は、CPU需要という言い方自体が少し古くなる可能性があります。\n\nつまり、チップやラックは、\n\n```\nCPU + GPU + NPU + DPU + HBM + CXL memory + optical network\n```\n\nのような統合システムになっていきます。\n\nこの場合、CPU単体の需要を見るより、\n\n> **AIラック全体の中で、CPU的な制御コアがどれだけ必要か**\n\nを見る方が重要になります。\n\nCPUは主役の計算装置というより、\n\n- OS\n- 制御\n- 分岐\n- セキュリティ\n- I/O\n- 権限\n- 障害復旧\n- 人間/企業システムとの接続\n\nを担う「神経系」になります。\n\nGPU/NPUが筋肉、HBMが短期記憶、SSDが長期倉庫、ネットワークが血管なら、CPUはまだかなり長く「脳幹・管制塔」として残ると思います。\n\n---\n\n## CPU需要のピークはいつか\n\n私の考察では、**伸び率のピークは2027〜2030年**だと思います。\n\n理由は、この時期に以下が重なるからです。\n\n- AIデータセンター建設\n- GPUクラウド成熟前の非効率\n- AIエージェントの普及初期\n- 推論需要の爆発\n- 企業AI導入\n- sovereign AI\n- GPUホストCPU需要\n- クラウド制御CPU需要\n- Arm/EPYC/Grace/カスタムCPUの競争\n\nAMDは2026年時点で、サーバーCPU市場が2030年まで年率35%超で成長し、1200億ドル超に達するとの見通しを示したと報じられています。これは、少なくとも市場側が2030年までのCPU需要増をかなり強く織り込み始めていることを示します。([Reuters](https://www.reuters.com/business/amd-forecast-sparks-aidriven-rally-us-chipmaker-stocks-2026-05-06/?utm_source=chatgpt.com))\n\nただし、**絶対額のピーク**はもっと後になる可能性があります。 \n伸び率は2030年前後に鈍っても、AI利用量が増え続ければ、2030年代前半もCPU需要の絶対額は高いまま残ると思います。\n\n---\n\n## 需要が強いCPU、弱くなるCPU\n\n今後は「CPU全体が伸びる」ではなく、かなり選別されます。\n\n## 強いCPU\n\n![](/media/11be37cda1f013175ad1e2b211bf4d6d392bd42d1430f63bfd688d5aeea0b5b1-content.webp)\n\n## 弱くなるCPU\n\n![](/media/56c3df0fb84903ea488b38d3205a24d613da1385fe58c9576c907d103f6ef64e-content.webp)\n\n---\n\n## 最終的な年代別シナリオ\n\n```\n2024〜2026年\nCPU需要は急増。\nGPU投資に付随して、ホストCPU・クラウド制御CPUが増える。\n\n2027〜2030年\n伸び率のピーク。\nAIエージェント、推論爆発、GPUクラウドOS化でCPU需要は非常に強い。\nただし、EPYC、Grace、Arm、DPUなどに選別が進む。\n\n2030〜2035年\nGPUクラウド成熟で1処理あたりのCPU必要量は下がる。\nしかしAI利用量が増え、CPU需要は高止まり。\nCPUは推論本体ではなく、管制塔・認証・DB・監査・接続に寄る。\n\n2035〜2040年\n汎用CPU需要の伸びは落ち着く。\n一部はNPU、ASIC、DPU、エッジAIに移る。\nただし制御・安全・セキュリティ・外部接続のCPUは残る。\n\n2040年以降\nCPU単体の時代ではなく、CPU+GPU+NPU+DPUの異種計算システムへ。\nCPUは“主役”ではなく“神経系・制御系”として残る。\n```\n\n---\n\n## まとめ\n\nCPU需要の高まりは、**2027〜2030年ごろに最も強く見えやすい**と思います。 \nその後、GPUクラウドの成熟によって、1単位のAI処理に必要なCPU量は下がります。\n\nしかし、AIエージェント、企業AI、フィジカルAI、ロボティクス、セキュリティ、監査、DB、API連携が増えるため、CPU需要そのものはすぐには消えません。\n\n一番重要なのは、\n\n> **CPUはAI計算の主役から、AIクラウドの管制塔へ変わる。**\n\nという点です。\n\nだから今後のCPU需要は、単なる「PCや普通のサーバーCPU」ではなく、 \n**GPUを使い切るためのCPU、AIエージェントを管理するCPU、セキュリティと接続を担うCPU**に変わっていくと考えられます。\n\n---\n\nはい、**LPUクラウドもTPUクラウドも可能**です。 \nただし、性格はかなり違います。\n\n結論を先に言うと、\n\n> **TPUクラウド：すでに本格実用されている。学習・推論どちらも可能。** \n> **LPUクラウド：すでに推論クラウドとして実用化されている。ただしGPU/TPUより用途は狭く、主に超低遅延LLM推論向け。** \n> **GPUクラウド：最も汎用性が高く、学習・推論・画像・動画・HPCまで幅広い。**\n\nです。\n\n---\n\n## \\1. TPUクラウドは可能か？\n\n**可能です。というより、すでに存在します。**\n\nGoogle Cloudの **Cloud TPU** がそれです。Google公式ドキュメントでは、Cloud TPUはGoogleが開発した機械学習向けASICで、Google Cloud上でスケーラブルな計算資源として利用できるWebサービスだと説明されています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/intro-to-tpu?utm_source=chatgpt.com))\n\nTPUは **Tensor Processing Unit** の略で、主にAIのテンソル計算、つまり行列演算に特化したチップです。\n\nGPUが比較的汎用的な並列計算装置だとすると、TPUはよりAIモデル向けに設計された専用アクセラレータです。\n\n---\n\n## \\2. TPUクラウドで何ができるか\n\nTPUクラウドでは主に以下ができます。\n\n用途TPUクラウドで可能かLLM学習可能LLM推論可能ファインチューニング可能画像生成モデル可能CNN/推薦モデル可能大規模分散学習可能JAX/TensorFlow系ワークロード得意CUDA前提のGPUアプリ苦手\n\nたとえばGoogle Cloud TPU v6e、つまりTrilliumは、Transformer、text-to-image、CNNの学習・ファインチューニング・サービングに最適化されていると説明されています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/v6e?utm_source=chatgpt.com))\n\nまた、Cloud TPU v5pでは非常に大規模なPod構成があり、Google公式ドキュメントではv5p Podが8960チップ構成で、最大6144チップのジョブをスケジュールできると説明されています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/v5p?utm_source=chatgpt.com))\n\nつまりTPUクラウドは、単なる「小さいAI推論用」ではなく、**巨大AIモデルの学習・推論を行うクラウド基盤**です。\n\n---\n\n## \\3. TPUクラウドの強み\n\nTPUクラウドの強みは、Googleがハードウェア、ソフトウェア、ネットワーク、コンパイラ、クラウド基盤を一体で設計していることです。\n\nつまり、\n\n```\nTPUチップ\n ↓\nTPU Pod\n ↓\n高速ネットワーク\n ↓\nXLA / JAX / TensorFlow / PyTorch/XLA\n ↓\nGoogle Cloud\n ↓\nGemini系モデルや外部顧客のAIワークロード\n```\n\nという一体設計です。\n\nGPUクラウドは多くの企業がNVIDIA GPUを買って作れます。 \n一方、TPUクラウドはGoogleの垂直統合色が強いです。\n\nそのためTPUクラウドは、\n\n- Google Cloud上では強い\n- GoogleのAI基盤との相性が良い\n- 大規模分散学習に強い\n- 電力効率を最適化しやすい\n- ただしNVIDIA CUDAエコシステムほど汎用ではない\n\nという特徴があります。\n\n---\n\n## \\4. LPUクラウドは可能か？\n\n**可能です。こちらもすでに実用化されています。**\n\n代表例が **GroqCloud** です。GroqはLPU、Language Processing Unitを使ったAI推論クラウドを提供しており、GroqCloudは高速LLM推論、OpenAI互換API、スケーラブルな推論基盤として説明されています。([GroqCloud](https://console.groq.com/docs/overview?utm_source=chatgpt.com))\n\nGroqの公式ページでも、GroqCloudは開発者向けのAI推論プラットフォームで、public、private、co-cloud構成で提供可能とされています。([Groq](https://groq.com/groqcloud?utm_source=chatgpt.com))\n\nつまり、**LPUクラウドはすでに存在します。**\n\nただし、TPUクラウドやGPUクラウドとは用途がかなり違います。\n\n---\n\n## \\5. LPUとは何か\n\nLPUは、ざっくり言うと **LLM推論、特にトークン生成を高速・低遅延・予測可能に行うための専用チップ**です。\n\nGroqはLPUについて、コンパイラとソフトウェア定義のアーキテクチャ、単一コア設計、オンチップSRAM、連続的なトークンベース実行により、予測可能な性能を出す設計だと説明しています。([Groq](https://groq.com/lpu-architecture?utm_source=chatgpt.com))\n\n普通のGPUは大量の汎用並列計算に強いですが、LLM推論では、\n\n- 1トークンずつ出す\n- 遅延が重要\n- バッチが小さいことも多い\n- メモリ待ちが問題になる\n- 安定した応答速度が重要\n\nという特徴があります。\n\nLPUはそこにかなり特化しています。\n\n---\n\n## \\6. LPUクラウドで何ができるか\n\nLPUクラウドで特に向いているのは、以下です。\n\n用途LPUクラウドとの相性LLMリアルタイム推論非常に良いチャットAI良い音声対話AI良い低遅延エージェント良いコーディング補助良いAPI型LLM推論良い大規模学習基本的に不向き画像生成・動画生成GPUほど汎用ではない任意のCUDAアプリ不向き研究用途の柔軟なモデル改造GPU/TPUの方が向く\n\nLPUクラウドの中心は、**学習ではなく推論**です。\n\n特に、\n\n```\nユーザーが話す\n ↓\nすぐAIが返す\n ↓\nまたユーザーが話す\n ↓\nまたAIが返す\n```\n\nのようなリアルタイムAIでは、LPUの低遅延性が強みになります。\n\n---\n\n## \\7. GPUクラウド、TPUクラウド、LPUクラウドの違い\n\nかなり単純化すると、こうです。\n\n種類得意領域苦手領域位置づけGPUクラウド学習、推論、画像、動画、HPC、汎用AI電力・コスト・利用率最も汎用的なAIクラウドTPUクラウド大規模AI学習、Google系AI基盤、TransformerCUDA資産との互換性Google型の専用AIクラウドLPUクラウド低遅延LLM推論、リアルタイム応答学習、汎用処理、画像/動画推論特化クラウド\n\n料理で例えると、\n\n```\nGPUクラウド：巨大な万能厨房\nTPUクラウド：AI料理に最適化されたGoogle専用の巨大厨房\nLPUクラウド：注文を受けて即座に料理を出す高速カウンター\n```\n\nという感じです。\n\n---\n\n## \\8. LPUクラウドやTPUクラウドはGPUクラウドを置き換えるか？\n\n完全には置き換えません。\n\nむしろ今後は、\n\n> **GPUクラウド、TPUクラウド、LPUクラウドが用途別に分かれる**\n\nと思います。\n\nたとえば、\n\n```\n巨大モデルの学習\n → GPUクラウド / TPUクラウド\n\nGoogle系・JAX系の大規模学習\n → TPUクラウド\n\n汎用AI開発、画像生成、動画生成\n → GPUクラウド\n\n低遅延チャット、音声対話、軽量エージェント\n → LPUクラウド\n\n企業向けAI推論API\n → GPU / LPU / TPU の混在\n\nフィジカルAI・VLA学習\n → GPUクラウド中心、一部TPU/ASIC\n\nエッジAI\n → NPU / 専用ASIC / 小型GPU\n```\n\nという分担です。\n\n---\n\n## \\9. AIエージェント時代にLPUクラウドは重要か？\n\nかなり重要になる可能性があります。\n\nAIエージェントは、1回の巨大推論だけではなく、小さな推論を何度も繰り返します。\n\n```\n考える\n ↓\nツールを選ぶ\n ↓\nAPIを呼ぶ\n ↓\n結果を読む\n ↓\n次の行動を決める\n ↓\nまた推論する\n```\n\nこのような処理では、**1回1回の応答遅延が短いこと**が重要です。\n\nLPUクラウドは、まさにこの「低遅延・高応答性」の部分に向いています。\n\n特に、\n\n- 音声AI\n- AI秘書\n- カスタマーサポート\n- コーディング補助\n- リアルタイム検索エージェント\n- 軽量業務エージェント\n- ゲームNPC\n- 配信AIキャラ\n- AITuber\n\nのような用途では、LPUクラウドはかなり相性が良いです。\n\n---\n\n## \\10. ただしLPUクラウドには限界もある\n\nLPUはとても面白いですが、万能ではありません。\n\n弱点は主にこれです。\n\n弱点内容学習には向きにくい基本的に推論特化対応モデルが限られるコンパイラやランタイム対応が必要GPUほど汎用ではないCUDA資産をそのまま使えない画像・動画生成ではGPU優位マルチモーダル全般ではGPUが強いエコシステムが小さいNVIDIA CUDAほど巨大ではない大規模モデルの柔軟な研究には不向きGPU/TPUの方が扱いやすい\n\nつまりLPUクラウドは、\n\n> **LLM推論の高速道路**\n\nにはなりえますが、\n\n> **AI全体の万能クラウド**\n\nにはなりにくいです。\n\n---\n\n## \\11. TPUクラウドの限界\n\nTPUクラウドも万能ではありません。\n\n弱点内容Google Cloud依存が強いTPUはGoogle中心CUDA資産が使いにくいNVIDIA GPU向けコードと互換性が低い開発者人口はGPUより少ないCUDA/PyTorch GPUの方が広いデバッグや移植が難しい場合があるXLA/JAX/TPU最適化が必要汎用HPCや画像/動画ツールはGPU優位なことが多いエコシステムの差\n\nTPUは強力ですが、**GoogleのAIインフラ思想に乗れるかどうか**が重要です。\n\n---\n\n## \\12. 将来は「GPUだけ」ではなく「アクセラレータ・クラウド」になる\n\n今後は、クラウドがこう分かれていくと思います。\n\n```\nCPUクラウド\n - OS\n - API\n - DB\n - 認証\n - 課金\n - 管理\n - セキュリティ\n\nGPUクラウド\n - 大規模学習\n - 汎用推論\n - 画像生成\n - 動画生成\n - VLA\n - 科学計算\n\nTPUクラウド\n - 大規模AI学習\n - Google型AI基盤\n - 高効率Transformer処理\n\nLPUクラウド\n - 低遅延LLM推論\n - 音声対話\n - リアルタイムエージェント\n\nNPU/ASICクラウド\n - 特定モデルの超効率推論\n - 企業内推論\n - エッジ連携\n```\n\nつまり、未来は「GPUクラウドだけ」ではなく、 \n**AIアクセラレータ・クラウドの時代**になります。\n\nその中でGPUは最も汎用的な中心に残り、TPUはGoogle系・大規模AIに強く、LPUは低遅延推論で存在感を持つ、という分担になると思います。\n\n---\n\n## まとめ\n\n**LPUクラウドもTPUクラウドも可能です。**\n\nただし、成熟度と用途は違います。\n\n```\nTPUクラウド\n → すでに本格実用。\n → 学習・推論どちらも可能。\n → Google Cloud上の大規模AI基盤。\n\nLPUクラウド\n → すでに推論クラウドとして実用化。\n → 特に低遅延LLM推論に強い。\n → 学習や汎用AI処理には向きにくい。\n\nGPUクラウド\n → 最も汎用。\n → 学習、推論、画像、動画、HPCまで幅広い。\n```\n\nなので、今後のAIクラウドは、\n\n> **GPUクラウドが万能基盤、TPUクラウドが大規模AI専用基盤、LPUクラウドが低遅延推論基盤**\n\nという形で分化していくと考えられます。\n\n---\n\nはい、**LPUクラウドもTPUクラウドも可能**です。 \nただし、性格はかなり違います。\n\n結論を先に言うと、\n\n> **TPUクラウド：すでに本格実用されている。学習・推論どちらも可能。** \n> **LPUクラウド：すでに推論クラウドとして実用化されている。ただしGPU/TPUより用途は狭く、主に超低遅延LLM推論向け。** \n> **GPUクラウド：最も汎用性が高く、学習・推論・画像・動画・HPCまで幅広い。**\n\nです。\n\n---\n\n## \\1. TPUクラウドは可能か？\n\n**可能です。というより、すでに存在します。**\n\nGoogle Cloudの **Cloud TPU** がそれです。Google公式ドキュメントでは、Cloud TPUはGoogleが開発した機械学習向けASICで、Google Cloud上でスケーラブルな計算資源として利用できるWebサービスだと説明されています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/intro-to-tpu?utm_source=chatgpt.com))\n\nTPUは **Tensor Processing Unit** の略で、主にAIのテンソル計算、つまり行列演算に特化したチップです。\n\nGPUが比較的汎用的な並列計算装置だとすると、TPUはよりAIモデル向けに設計された専用アクセラレータです。\n\n---\n\n## \\2. TPUクラウドで何ができるか\n\nTPUクラウドでは主に以下ができます。\n\n用途TPUクラウドで可能かLLM学習可能LLM推論可能ファインチューニング可能画像生成モデル可能CNN/推薦モデル可能大規模分散学習可能JAX/TensorFlow系ワークロード得意CUDA前提のGPUアプリ苦手\n\nたとえばGoogle Cloud TPU v6e、つまりTrilliumは、Transformer、text-to-image、CNNの学習・ファインチューニング・サービングに最適化されていると説明されています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/v6e?utm_source=chatgpt.com))\n\nまた、Cloud TPU v5pでは非常に大規模なPod構成があり、Google公式ドキュメントではv5p Podが8960チップ構成で、最大6144チップのジョブをスケジュールできると説明されています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/v5p?utm_source=chatgpt.com))\n\nつまりTPUクラウドは、単なる「小さいAI推論用」ではなく、**巨大AIモデルの学習・推論を行うクラウド基盤**です。\n\n---\n\n## \\3. TPUクラウドの強み\n\nTPUクラウドの強みは、Googleがハードウェア、ソフトウェア、ネットワーク、コンパイラ、クラウド基盤を一体で設計していることです。\n\nつまり、\n\n```\nTPUチップ\n ↓\nTPU Pod\n ↓\n高速ネットワーク\n ↓\nXLA / JAX / TensorFlow / PyTorch/XLA\n ↓\nGoogle Cloud\n ↓\nGemini系モデルや外部顧客のAIワークロード\n```\n\nという一体設計です。\n\nGPUクラウドは多くの企業がNVIDIA GPUを買って作れます。 \n一方、TPUクラウドはGoogleの垂直統合色が強いです。\n\nそのためTPUクラウドは、\n\n- Google Cloud上では強い\n- GoogleのAI基盤との相性が良い\n- 大規模分散学習に強い\n- 電力効率を最適化しやすい\n- ただしNVIDIA CUDAエコシステムほど汎用ではない\n\nという特徴があります。\n\n---\n\n## \\4. LPUクラウドは可能か？\n\n**可能です。こちらもすでに実用化されています。**\n\n代表例が **GroqCloud** です。GroqはLPU、Language Processing Unitを使ったAI推論クラウドを提供しており、GroqCloudは高速LLM推論、OpenAI互換API、スケーラブルな推論基盤として説明されています。([GroqCloud](https://console.groq.com/docs/overview?utm_source=chatgpt.com))\n\nGroqの公式ページでも、GroqCloudは開発者向けのAI推論プラットフォームで、public、private、co-cloud構成で提供可能とされています。([Groq](https://groq.com/groqcloud?utm_source=chatgpt.com))\n\nつまり、**LPUクラウドはすでに存在します。**\n\nただし、TPUクラウドやGPUクラウドとは用途がかなり違います。\n\n---\n\n## \\5. LPUとは何か\n\nLPUは、ざっくり言うと **LLM推論、特にトークン生成を高速・低遅延・予測可能に行うための専用チップ**です。\n\nGroqはLPUについて、コンパイラとソフトウェア定義のアーキテクチャ、単一コア設計、オンチップSRAM、連続的なトークンベース実行により、予測可能な性能を出す設計だと説明しています。([Groq](https://groq.com/lpu-architecture?utm_source=chatgpt.com))\n\n普通のGPUは大量の汎用並列計算に強いですが、LLM推論では、\n\n- 1トークンずつ出す\n- 遅延が重要\n- バッチが小さいことも多い\n- メモリ待ちが問題になる\n- 安定した応答速度が重要\n\nという特徴があります。\n\nLPUはそこにかなり特化しています。\n\n---\n\n## \\6. LPUクラウドで何ができるか\n\nLPUクラウドで特に向いているのは、以下です。\n\n![](/media/ab030aed6f3de47f78a20bc2a09556f81e826966b57eb69639193a32d8a7f820-content.webp)\n\nLPUクラウドの中心は、**学習ではなく推論**です。\n\n特に、\n\n```\nユーザーが話す\n ↓\nすぐAIが返す\n ↓\nまたユーザーが話す\n ↓\nまたAIが返す\n```\n\nのようなリアルタイムAIでは、LPUの低遅延性が強みになります。\n\n---\n\n## \\7. GPUクラウド、TPUクラウド、LPUクラウドの違い\n\nかなり単純化すると、こうです。\n\n![](/media/bc25b0c0b1f20ef212ea176c9c337528eff6a3f6b6158e39d5ef3002142bb768-content.webp)\n\n料理で例えると、\n\n```\nGPUクラウド：巨大な万能厨房\nTPUクラウド：AI料理に最適化されたGoogle専用の巨大厨房\nLPUクラウド：注文を受けて即座に料理を出す高速カウンター\n```\n\nという感じです。\n\n---\n\n## \\8. LPUクラウドやTPUクラウドはGPUクラウドを置き換えるか？\n\n完全には置き換えません。\n\nむしろ今後は、\n\n> **GPUクラウド、TPUクラウド、LPUクラウドが用途別に分かれる**\n\nと思います。\n\nたとえば、\n\n```\n巨大モデルの学習\n → GPUクラウド / TPUクラウド\n\nGoogle系・JAX系の大規模学習\n → TPUクラウド\n\n汎用AI開発、画像生成、動画生成\n → GPUクラウド\n\n低遅延チャット、音声対話、軽量エージェント\n → LPUクラウド\n\n企業向けAI推論API\n → GPU / LPU / TPU の混在\n\nフィジカルAI・VLA学習\n → GPUクラウド中心、一部TPU/ASIC\n\nエッジAI\n → NPU / 専用ASIC / 小型GPU\n```\n\nという分担です。\n\n---\n\n## \\9. AIエージェント時代にLPUクラウドは重要か？\n\nかなり重要になる可能性があります。\n\nAIエージェントは、1回の巨大推論だけではなく、小さな推論を何度も繰り返します。\n\n```\n考える\n ↓\nツールを選ぶ\n ↓\nAPIを呼ぶ\n ↓\n結果を読む\n ↓\n次の行動を決める\n ↓\nまた推論する\n```\n\nこのような処理では、**1回1回の応答遅延が短いこと**が重要です。\n\nLPUクラウドは、まさにこの「低遅延・高応答性」の部分に向いています。\n\n特に、\n\n- 音声AI\n- AI秘書\n- カスタマーサポート\n- コーディング補助\n- リアルタイム検索エージェント\n- 軽量業務エージェント\n- ゲームNPC\n- 配信AIキャラ\n- AITuber\n\nのような用途では、LPUクラウドはかなり相性が良いです。\n\n---\n\n## \\10. ただしLPUクラウドには限界もある\n\nLPUはとても面白いですが、万能ではありません。\n\n弱点は主にこれです。\n\n![](/media/07c13f99e97846f741fb77f1bbedcae3624e9e102e21f1b0e467532ee3a3e0d6-content.webp)\n\nつまりLPUクラウドは、\n\n> **LLM推論の高速道路**\n\nにはなりえますが、\n\n> **AI全体の万能クラウド**\n\nにはなりにくいです。\n\n---\n\n## \\11. TPUクラウドの限界\n\nTPUクラウドも万能ではありません。\n\n![](/media/09f5a543e25dca6df8736deee75ec3a73bc430615ce37af38bd5754dca9d56a4-content.webp)\n\nTPUは強力ですが、**GoogleのAIインフラ思想に乗れるかどうか**が重要です。\n\n---\n\n## \\12. 将来は「GPUだけ」ではなく「アクセラレータ・クラウド」になる\n\n今後は、クラウドがこう分かれていくと思います。\n\n```\nCPUクラウド\n - OS\n - API\n - DB\n - 認証\n - 課金\n - 管理\n - セキュリティ\n\nGPUクラウド\n - 大規模学習\n - 汎用推論\n - 画像生成\n - 動画生成\n - VLA\n - 科学計算\n\nTPUクラウド\n - 大規模AI学習\n - Google型AI基盤\n - 高効率Transformer処理\n\nLPUクラウド\n - 低遅延LLM推論\n - 音声対話\n - リアルタイムエージェント\n\nNPU/ASICクラウド\n - 特定モデルの超効率推論\n - 企業内推論\n - エッジ連携\n```\n\nつまり、未来は「GPUクラウドだけ」ではなく、 \n**AIアクセラレータ・クラウドの時代**になります。\n\nその中でGPUは最も汎用的な中心に残り、TPUはGoogle系・大規模AIに強く、LPUは低遅延推論で存在感を持つ、という分担になると思います。\n\n---\n\n## まとめ\n\n**LPUクラウドもTPUクラウドも可能です。**\n\nただし、成熟度と用途は違います。\n\n```\nTPUクラウド\n → すでに本格実用。\n → 学習・推論どちらも可能。\n → Google Cloud上の大規模AI基盤。\n\nLPUクラウド\n → すでに推論クラウドとして実用化。\n → 特に低遅延LLM推論に強い。\n → 学習や汎用AI処理には向きにくい。\n\nGPUクラウド\n → 最も汎用。\n → 学習、推論、画像、動画、HPCまで幅広い。\n```\n\nなので、今後のAIクラウドは、\n\n> **GPUクラウドが万能基盤、TPUクラウドが大規模AI専用基盤、LPUクラウドが低遅延推論基盤**\n\nという形で分化していくと考えられます。\n\n---\n\nはい。ここはまず **「稼働率」という言葉を3つに分ける** 必要があります。\n\n1つ目は、**フリート稼働率**。 \nこれは「クラウド事業者が持っているGPU/TPU/LPU全体のうち、どれくらいが仕事をしているか」です。\n\n2つ目は、**ハードウェア利用率**。 \nこれは「動いているチップの演算器やメモリ帯域がどれくらい使われているか」です。\n\n3つ目は、**MFU / Model FLOPs Utilization**。 \nこれは「理論ピーク性能のうち、モデル学習・推論に有効に使われた割合」です。\n\nこの3つは違います。 \nたとえば、GPUが通電してジョブを実行していても、通信待ちやメモリ待ちが多ければMFUは低くなります。\n\n---\n\n## ざっくり結論\n\n私の見立てでは、現在から2030年代にかけてこうなります。\n\nクラウド現在の実態2030年前後〜2030年代の見通しGPUクラウドかなり低いものも多い。一般企業では5〜20%、最適化済み学習では35〜50%級30〜60%が一般化。トップ層は50〜75%を狙うTPUクラウドGoogle内部や最適化済み学習ではすでに45〜55%級のMFU実績50〜70%級をより安定して狙う。GPUより早く成熟しやすいLPUクラウドフリート稼働率は非公開。対応モデルでは低遅延・高効率に動く低遅延推論で高効率化。ただし用途が狭く、需要変動で30〜70%程度に揺れやすい\n\nかなり単純化すると、\n\n> **GPUクラウドは、今は非効率だが2030年代に大きく改善する。** \n> **TPUクラウドは、垂直統合されているため、すでに比較的高効率で、今後さらに安定する。** \n> **LPUクラウドは、LLM推論の瞬発力は高いが、対応モデル・需要変動・低遅延SLOの制約で、フリート全体を常時高稼働にするのは難しい。**\n\nという見方です。\n\n---\n\n## \\1. GPUクラウドの現在の稼働率\n\nGPUクラウドは、実はかなり非効率な例が多いです。\n\nCast AIの2026年レポートでは、AWS、Azure、Google Cloud上のKubernetesクラスタを分析し、**GPU利用率の平均は5%** とされています。CPUも8%、メモリも20%程度で、かなり過剰プロビジョニングされているという内容です。([Cast AI](https://cast.ai/press-release/2026-state-of-kubernetes-optimization-report/?utm_source=chatgpt.com))\n\n一方で、これは「世の中のGPU全部が5%」という意味ではありません。 \n同じCast AIのデータでも、あるH200クラスタでは **49%のGPU利用率** を維持できた例が示されています。([Cast AI](https://cast.ai/blog/2026-state-of-kubernetes-resource-optimization-cpu-at-8-memory-at-20-and-getting-worse/?utm_source=chatgpt.com))\n\nまた、xAIの例では、GPUフリートの **MFUが約11%** と報じられています。これは「GPUが完全に止まっている」というより、理論性能に対してモデル学習に有効利用できている割合が低いという意味です。報道では、業界標準として35〜45%程度が比較対象として挙げられています。([Business Insider](https://www.businessinsider.com/elon-musk-xai-compute-cursor-ai-model-training-2026-4?utm_source=chatgpt.com))\n\nつまりGPUクラウドの現状はこうです。\n\n```\n一般企業・未最適化クラスタ\n → 5〜20%程度の利用率も珍しくない\n\n最適化されたAIラボ・学習クラスタ\n → 35〜50%程度のMFUを狙う\n\n非常に上手い運用\n → 50%前後、場合によってはそれ以上\n```\n\nGPUクラウドは汎用性が高いぶん、ワークロードがバラバラです。 \n学習、推論、画像生成、動画生成、RAG、バッチ処理、低遅延APIが混ざるので、綺麗に詰め込むのが難しいです。\n\n---\n\n## \\2. GPUクラウドは2030年代にどこまで改善するか\n\n2030年代には、GPUクラウドの稼働率はかなり改善すると思います。\n\n理由は、\n\n- vLLM / PagedAttention\n- SGLang\n- TensorRT-LLM\n- Dynamo系の分散推論\n- prefill/decode分離\n- KV cache管理\n- GPU pooling\n- Kubernetes DRA\n- MIG / time slicing\n- token単位スケジューリング\n- AIによる自動最適化\n\nが進むからです。\n\n2030年前後には、GPUクラウドは現在の「GPUインスタンスを貸す」段階から、 \n**トークン、KV cache、SLO、モデル常駐、GPUメモリ単位で管理するクラウドOS** に近づくと思います。\n\n私の予想はこうです。\n\n![](/media/a7c85bc91ce34664e382cc9b80c3ec3d2e4751c04063377f80cc1949bb729901-content.webp)\n\nただし、GPUクラウドが常時90%近くになるとは思いません。\n\nなぜなら、AI推論は需要変動が大きく、低遅延SLOを守るために余裕容量が必要だからです。 \nCPUクラウドでも、全サーバーを常時95%で回すと障害や遅延に弱くなります。GPUクラウドも同じです。\n\nなので、2030年代の理想は、\n\n> **100%稼働ではなく、遅延・障害・需要変動を吸収しながら50〜70%台を安定して出すこと**\n\nだと思います。\n\n---\n\n## \\3. TPUクラウドの現在の稼働率\n\nTPUクラウドは、GPUクラウドよりも **高効率になりやすい** です。\n\n理由は、GoogleがTPUチップ、Pod、ネットワーク、XLA/JAX、クラウド基盤、Gemini系モデルまで垂直統合しているからです。\n\nGoogleのPaLM論文では、PaLM 540Bを6144個のTPU v4で学習し、**MFU 46.2%** を達成したと報告されています。([arXiv](https://arxiv.org/pdf/2204.02311?utm_source=chatgpt.com))\n\nさらにGoogleのTPU v4ベンチマーク資料では、TPU v4の弱スケーリングで **45〜56% MFU**、最適スケーリングで **44〜50% MFU** という数字が示されています。([Google](https://services.google.com/fh/files/blogs/tpu_v4_benchmarking.pdf?utm_source=chatgpt.com))\n\nこれはかなり強いです。 \nGPUクラウドでは、未最適化だと10%台、一般企業では一桁台もありえます。 \n一方、TPUはGoogle内部の最適化されたワークロードでは、すでに40〜50%台を安定して出しているわけです。\n\nただし注意点があります。\n\nこれは **Google内部・最適化済み・大規模学習ワークロード** の話です。 \n一般のCloud TPUユーザーが、何も考えずに常に50% MFUを出せるという意味ではありません。\n\nTPUはコンパイラ、モデル形状、バッチサイズ、JAX/PyTorch/XLA対応、データ入力パイプラインに強く依存します。 \nはまると高効率ですが、はまらないとGPUより扱いにくい場合があります。\n\n---\n\n## \\4. TPUクラウドは2030年代にどうなるか\n\nTPUは、GPUよりも「クラウド化の完成」が早い可能性があります。\n\nなぜなら、TPUはGoogleが自社クラウド用に設計しているからです。\n\nGPUクラウドは、NVIDIA GPUをAWS、Azure、Oracle、CoreWeave、xAI、Metaなど多くの事業者がそれぞれ運用します。 \n一方TPUは、Google CloudとGoogle内部AI基盤に強く統合されています。\n\nGoogleのTrillium、つまりTPU v6eは、TPU v5e比で **4.7倍のピーク性能、HBM容量/帯域2倍、ICI帯域2倍、67%のエネルギー効率改善** と説明されています。([Google Cloud](https://cloud.google.com/blog/products/compute/introducing-trillium-6th-gen-tpus?utm_source=chatgpt.com))\n\nまた、GoogleはTrilliumをGemini 2.0の学習に使ったと説明しています。([Google Cloud](https://cloud.google.com/blog/products/compute/trillium-tpu-is-ga?utm_source=chatgpt.com))\n\nこの方向を見ると、TPUクラウドは2030年代にこうなりやすいです。\n\n![](/media/bb5fb464c5d5a32c0a85825708ff3c1314cf13a297c39645bd50bdc62eb1ce12-content.webp)\n\nTPUは、GPUよりも汎用性は低いですが、**Googleが想定するAIワークロードには非常に高効率** になります。\n\nつまり、\n\n> **TPUはGPUより稼働率を上げやすいが、用途の幅はGPUより狭い。**\n\nです。\n\n---\n\n## \\5. LPUクラウドの現在の稼働率\n\nLPUクラウドについては、GPUやTPUと違って、**フリート全体の稼働率はほぼ公開されていません。**\n\nなので、正確に「今は何%」とは言えません。\n\nただし、構造的にはかなり特徴があります。\n\nGroqはLPUについて、オンチップSRAMを使い、コンパイラで静的スケジューリングし、決定論的に実行する構成だと説明しています。([Groq](https://groq.com/lpu-architecture?utm_source=chatgpt.com))\n\nまたGroqCloudは、リアルタイム推論に必要な低遅延・高効率なLLM推論を提供するものとして説明されています。([Groq](https://groq.com/newsroom/demand-for-real-time-ai-inference-from-groq-accelerates-week-over-week?utm_source=chatgpt.com))\n\nLPUはGPUと違い、主に **LLM推論、特にdecode / token generation** に最適化されています。\n\nつまり、1つ1つの対応モデルを動かしている瞬間の効率は高くなりやすいです。 \nしかし、クラウド全体の稼働率は別問題です。\n\nLPUクラウドの稼働率を決めるのは、\n\n- 対応モデル数\n- ユーザー需要\n- リアルタイムSLO\n- 待ち行列をどれだけ許すか\n- バッチ処理を混ぜられるか\n- 音声AIやエージェント需要の量\n- モデル更新頻度\n- SRAM容量に収まる構成か\n\nです。\n\nLPUは低遅延が売りなので、GPUのように大きくバッチングして常時パンパンに詰めると、応答速度の強みが失われやすいです。\n\nなので、LPUクラウドは、\n\n> **チップ単体・対応モデル単位では高効率。 \n> ただしフリート全体では、低遅延のために余裕容量を持つ必要がある。**\n\nという構造になります。\n\n---\n\n## \\6. LPUクラウドは2030年代にどうなるか\n\nLPUクラウドは、2030年代にかなり伸びる可能性があります。 \n特にAIエージェント、音声AI、リアルタイム対話、ゲームNPC、AITuber、カスタマーサポートでは強いです。\n\nただし、GPUやTPUと違って、LPUはかなり推論特化です。\n\n私の見立てではこうです。\n\n![](/media/194fa7523e3bfe0f400273e5bc29d7791827948cf759dfbb29c925f7f99f1bd6-content.webp)\n\nただし、LPUには構造的な上限もあります。\n\n低遅延を守るためには、GPUのバッチ推論のように「待たせてまとめて処理する」ことが難しいです。 \nそのため、フリート全体を常時80〜90%で回すより、**余裕を持って50〜70%台で低遅延を維持する**方が現実的です。\n\n---\n\n## \\7. GPU、TPU、LPUの2030年代の違い\n\n2030年代には、それぞれのクラウドはこう分化すると思います。\n\n```\nGPUクラウド\n 汎用AIクラウド。\n 学習、推論、画像、動画、VLA、HPCまで担当。\n 稼働率改善余地が最大。\n\nTPUクラウド\n Google型の高効率AIクラウド。\n 大規模学習・推論で高MFUを狙う。\n 用途はGPUより狭いが、はまると非常に強い。\n\nLPUクラウド\n 低遅延LLM推論クラウド。\n 音声対話、エージェント、リアルタイム応答に強い。\n フリート稼働率は需要変動とSLOに左右される。\n```\n\n表にするとこうです。\n\n![](/media/9844e10e1232b70e592b74aa615e9c01d2e8f705f26b7be3fe9d23d435d97f1a-content.webp)\n\n---\n\n## \\8. どれが一番高稼働になりやすいか\n\n単純に「チップをどれだけ使い切れるか」だけで見ると、私はこう見ます。\n\n## 1位：TPU\n\nTPUは垂直統合されており、Google内部のワークロードに最適化されています。 \nモデル、コンパイラ、ネットワーク、クラウド、データセンターをまとめて設計できるため、高MFUを出しやすいです。\n\n## 2位：LPU\n\nLPUは対応モデルに限れば非常に効率的です。 \nただし低遅延推論なので、需要変動を吸収するための余裕が必要です。 \nそのため、チップ単体効率は高いが、フリート全体は常時満杯にはしにくいです。\n\n## 3位：GPU\n\nGPUは最も汎用ですが、そのぶん無駄も出やすいです。 \nただし2030年代にGPUクラウドOSが成熟すれば、現在からの改善幅は最も大きいです。\n\nつまり、\n\n> **現在の完成度は TPU \\> LPU \\> GPU** \n> **今後の改善余地は GPU \\> LPU \\> TPU**\n\nというイメージです。\n\n---\n\n## \\1. TPU優位か？\n\n**特定条件ではTPU優位です。**\n\n理由は、TPUは最初から「クラウドで巨大AIを動かす」ためにGoogleが設計しているからです。\n\nGPUはもともと汎用並列計算のチップです。AIにも非常に強いですが、ゲーム、HPC、画像処理、動画、レンダリング、科学計算などにも使える汎用アクセラレータです。\n\n一方、TPUはかなりAI特化です。\n\n特にGoogle Cloud TPU v6e、つまりTrilliumは、Transformer、text-to-image、CNNの学習・ファインチューニング・サービング向けに最適化されています。GoogleはTrilliumについて、TPU v5e比でピーク性能4.7倍、HBM容量/帯域2倍、チップ間相互接続帯域2倍、エネルギー効率67%以上改善と説明しています。([Google Cloud](https://cloud.google.com/blog/ja/products/compute/introducing-trillium-6th-gen-tpus?utm_source=chatgpt.com))\n\nつまりTPUは、\n\n- チップ\n- Pod構成\n- ネットワーク\n- XLA/JAX/TensorFlow/PyTorch/XLA\n- Google Cloud\n- Gemini系モデル\n- Google内部の運用ノウハウ\n\nが一体で設計されています。\n\nそのため、**決まった大規模AIワークロードを高稼働・高効率で流す**という視点では、GPUクラウドより有利になりやすいです。\n\n---\n\n## \\2. GPUよりTPUが有利な場面\n\nTPUが強いのは、こういう場面です。\n\n条件TPU優位になりやすい理由大規模Transformer学習TPU Pod全体で最適化しやすいGoogle Cloud上で完結ハード・ソフト・クラウドが統合されているJAX/XLAと相性がよいモデルコンパイラ最適化を効かせやすい同じ型のモデルを大量に回す稼働率を上げやすい電力効率が重要専用設計でワット性能を上げやすい長期契約の大口AI企業専用キャパシティを組みやすい\n\n特に「稼働率」という視点では、TPUはかなり強いです。\n\nGPUクラウドは、色々な会社が色々なワークロードを載せるため、無駄が出やすいです。 \nTPUはGoogleが想定するAIワークロードに寄せられるので、**クラウド全体で計算資源を詰め込みやすい**。\n\nだから、**“Googleが使うAIインフラ”としてはTPUは非常に強い**です。\n\n---\n\n## \\3. では、TPUがGPUより売れる世界線はあるか？\n\nあります。 \nただし、かなり限定的に考える必要があります。\n\nまず「売れる」を3種類に分けた方がいいです。\n\n意味TPUがGPUより上回る可能性Google内部で使われるAI計算量かなりありえるGoogle Cloud上のAI計算量一部領域でありえる世界全体のAIアクセラレータ売上かなり難しい外販チップとしてNVIDIA GPUより売れる現状ではかなり難しい\n\nつまり、**Google内部・Google Cloud内ではTPUがGPUを大きく上回る世界線はありえます。** \nでも、**世界全体の市場売上でNVIDIA GPUをTPUが超える**となると、難易度はかなり上がります。\n\n---\n\n## \\4. なぜ世界全体ではGPUがまだ強いのか\n\n理由は単純で、GPUには巨大なエコシステムがあるからです。\n\nGPU、特にNVIDIA GPUには、\n\n- CUDA\n- PyTorch\n- TensorRT\n- NCCL\n- cuDNN\n- 開発者人口\n- 既存コード資産\n- サードパーティクラウド\n- ネオクラウド\n- 研究者コミュニティ\n- 画像/動画/HPC/ロボティクス対応\n\nがあります。\n\nNVIDIAの2026年度第4四半期決算では、データセンター売上が623億ドル、全社売上が681億ドル、2026年度通年売上が2159億ドルと発表されています。これは、NVIDIA GPUがすでに巨大な外販市場を形成していることを示します。([NVIDIA Newsroom](https://nvidianews.nvidia.com/news/nvidia-announces-financial-results-for-fourth-quarter-and-fiscal-2026?utm_source=chatgpt.com))\n\n一方、GoogleはTPU売上をNVIDIAのように単独開示していません。TPUはGoogle内部利用、Google Cloud提供、特定パートナー向け供給という性格が強く、**独立した外販チップ市場としてGPUと同じ土俵に立っているわけではありません。**\n\n---\n\n## \\5. ただし、TPUが伸びる強い兆候はある\n\nかなり重要なのがAnthropicです。\n\nAnthropicは2026年4月、GoogleおよびBroadcomとの提携拡大を発表し、2027年からオンラインになる予定の**複数ギガワット規模の次世代TPU capacity**を利用すると説明しています。これはClaudeのfrontier modelや顧客需要を支えるための計算基盤です。([Anthropic](https://www.anthropic.com/news/google-broadcom-partnership-compute?utm_source=chatgpt.com))\n\nこれは非常に大きいです。\n\nつまりTPUは、もはや単なる「Google内部専用チップ」ではなく、\n\n> Google Cloudを通じて、Anthropicのような外部AI企業の巨大計算基盤にもなっている\n\nということです。\n\nこの流れが続くと、TPUは**Google内部 + 外部大口AI企業向けの巨大AIクラウド基盤**として、かなり大きくなります。\n\n---\n\n## \\6. これはGoogle内部でしかできないことか？\n\n**完全にGoogle内部だけではありません。**\n\nCloud TPUはGoogle Cloudのサービスとして外部顧客にも提供されています。Google CloudのTPUページでは、Trilliumが北米、欧州、アジア北東リージョンで一般提供されていると説明されています。([Google Cloud](https://cloud.google.com/tpu?utm_source=chatgpt.com))\n\nつまり外部企業も、Google Cloud上でTPUを使えます。\n\nただし、重要なのはここです。\n\n> **TPUを本当に高効率で使い切るには、Googleのクラウド・コンパイラ・モデル設計・運用思想にかなり乗る必要がある。**\n\nなので、物理的には外部企業も使えます。 \nでも、GPUのように「どのクラウドでも、どのフレームワークでも、既存CUDA資産をそのまま移植して使う」という自由度は低いです。\n\n---\n\n## \\7. TPUがGPUより売れるための条件\n\nTPUが本当にGPUより大きくなるには、以下の条件が必要です。\n\n## 条件1：Google CloudがAI企業の主要インフラになる\n\nAnthropicのような大口企業が増え、OpenAI、Meta、xAI、Mistral、Cohere、各国Sovereign AIなどがGoogle TPUを大規模採用する世界です。\n\nこれは一部ありえますが、各社はNVIDIA GPU、AMD GPU、自社ASICも併用するでしょう。\n\n## 条件2：TPUがGPUより明確に安い/速い/省電力になる\n\nTrilliumのように、世代ごとに電力効率と性能が大きく上がれば、クラウド事業者やAI企業にとってTPUは魅力的です。GoogleはTrilliumについて、v5e比で67%以上のエネルギー効率改善を示しています。([Google Cloud](https://cloud.google.com/blog/ja/products/compute/introducing-trillium-6th-gen-tpus?utm_source=chatgpt.com))\n\nAIデータセンターでは電力が制約になるので、これは非常に重要です。\n\n## 条件3：JAX/XLA/TPU対応がもっと楽になる\n\n開発者が「GPUからTPUに移るのが面倒」と感じるうちは、GPU優位は崩れにくいです。\n\nTPUが広がるには、PyTorch/XLAやJAXの体験がさらに良くなり、GPUとの差が減る必要があります。\n\n## 条件4：GoogleがTPUをもっと外に開く\n\nここが最大の分岐です。\n\n今のTPUは、基本的にGoogle Cloud中心です。 \nもし将来的に、Google/Broadcom連合がTPU capacityをより広く提供し、Google Cloud以外の形でも利用しやすくなれば、TPUの市場は大きく広がります。\n\nAnthropicとの提携では、Google Cloud servicesとBroadcom経由のGoogle-built TPUsへのアクセスが含まれると発表されています。これは、TPU供給がGoogle内部だけに閉じていないことを示す重要な材料です。([Google Cloud Press Corner](https://www.googlecloudpresscorner.com/2026-04-06-Anthropic-Expands-Use-of-Google-Cloud-and-TPUs?utm_source=chatgpt.com))\n\n---\n\n## \\8. ありえる世界線\n\n## 世界線A：GPU王国が続く\n\n最も自然なシナリオです。\n\nGPUは汎用性、CUDA、開発者人口、クラウド展開、画像/動画/ロボティクスまで含めて強すぎます。\n\nこの場合、TPUは伸びるが、GPUを抜くのではなく、\n\n> NVIDIA GPUが最大市場、TPUはGoogle/Anthropic系の巨大な第二極\n\nになります。\n\n可能性は高いです。\n\n---\n\n## 世界線B：Google Cloud内ではTPUがGPUを上回る\n\nこれはかなりありえます。\n\nGoogleは自社のGemini、検索、YouTube、広告、Cloud AI、Anthropic向け計算などをTPUに寄せられます。\n\nこの場合、\n\n> 世界全体ではGPU優位 \n> ただしGoogle陣営のAI計算ではTPU優位\n\nという形になります。\n\n私はこの可能性がかなり高いと思います。\n\n---\n\n## 世界線C：TPUが外部AI企業にも大規模普及し、GPUの伸びを削る\n\nこれもありえます。\n\n特に電力制約が厳しくなり、NVIDIA GPUが高すぎる、供給が足りない、CUDA依存を減らしたい、という圧力が強まると、TPUは強い代替になります。\n\nAnthropicの複数ギガワット規模のTPU契約は、この方向の大きなサインです。([Anthropic](https://www.anthropic.com/news/google-broadcom-partnership-compute?utm_source=chatgpt.com))\n\nただし、この世界でもGPUを完全に抜くというより、**GPUの独占的優位を崩す**というイメージです。\n\n---\n\n## 世界線D：TPUが世界全体でGPUより売れる\n\nこれは一番難しいです。\n\n理由は、\n\n- Google Cloud中心である\n- CUDA資産が巨大すぎる\n- GPUは学習・推論・画像・動画・HPC・ロボティクスで汎用\n- NVIDIAはネットワーク、ソフト、ラック、推論基盤まで統合している\n- AMDや他ASICも競争に入る\n- GoogleがTPUをNVIDIAのように広範囲に外販するか不明\n\nだからです。\n\nこの世界線が起きるには、GoogleがTPUをもっと広く開き、Google Cloud外でも使いやすくし、開発体験をGPU並みにし、価格/電力効率で圧倒する必要があります。\n\n現時点では、**可能性はゼロではないが、メインシナリオではない**と思います。\n\n---\n\n## \\9. 私の結論\n\nこの視点、つまり**稼働率・電力効率・AI専用クラウド最適化**では、TPUはかなり優位です。\n\n特に、\n\n> Google内部 \n> Gemini系 \n> Anthropicのような大口AI企業 \n> Google Cloud上の大規模学習・推論 \n> 電力効率重視のAIデータセンター\n\nでは、TPUはGPUより強い場面が増えます。\n\nただし、**世界全体でGPUよりTPUが売れるか**というと、現時点ではまだGPU優位です。NVIDIAのデータセンター売上規模、CUDAエコシステム、GPUの汎用性が大きすぎます。([NVIDIA Investor Relations](https://investor.nvidia.com/financial-info/financial-reports/default.aspx?utm_source=chatgpt.com))\n\n一番現実的な未来はこれです。\n\n```\n世界全体：\nGPUが最大勢力のまま\n\nGoogle陣営：\nTPUが主力化\n\n大口AI企業：\nGPU + TPU + 自社ASICの併用\n\n2030年代：\nGPU一強から、GPU / TPU / ASIC / LPU の分化へ\n```\n\nつまり、TPUはGPUを「完全に置き換える」というより、 \n**Google陣営と大口AI企業の中で、GPU依存をかなり削る存在**になる可能性が高いです。\n\n---\n\n## GPUクラウドを最適化していける能力を持っている企業や伸びる可能性のあるものを考察\n\nこの視点で見ると、伸びる可能性があるのは単なる「GPUを売る企業」だけではありません。むしろ本命は、**GPUをクラウド資源として高稼働化するための“AIクラウドOS”を作れる企業群**です。\n\n結論から言うと、最も強いのは **NVIDIA**。次に、**CoreWeaveのようなGPUネオクラウド、Broadcom/Arista/MarvellのようなAIネットワーク企業、Datadog/Cloudflareのような監視・制御・セキュリティ企業、そしてGoogle/AWSのような自社アクセラレータ陣営**が伸びる可能性があります。\n\n---\n\n## \\1. 最有力：NVIDIA\n\n## GPUを売る会社から、GPUクラウドOS企業へ\n\nこのテーマの中心は、やはりNVIDIAです。\n\nNVIDIAはGPU本体だけでなく、\n\n- CUDA\n- TensorRT-LLM\n- NIM\n- Dynamo\n- Run:ai\n- Spectrum-X\n- BlueField DPU\n- NVLink\n- DGX / GB200 / Rubin系ラック\n- Ethernet / InfiniBandネットワーク\n\nまで持っています。\n\n特に重要なのが **NVIDIA Dynamo** です。Dynamoは大規模分散推論向けのオープンソースフレームワークで、reasoning modelや生成AIを低遅延・高スループットで動かすための仕組みです。NVIDIAは、DeepSeek-R1系モデルをBlackwell上で動かす場合、最大30倍のリクエスト処理改善を主張しています。([NVIDIA Developer](https://developer.nvidia.com/blog/introducing-nvidia-dynamo-a-low-latency-distributed-inference-framework-for-scaling-reasoning-ai-models/?utm_source=chatgpt.com))\n\nさらにNVIDIAはRun:aiを買収しました。Run:aiはKubernetesベースのGPUオーケストレーション企業で、GPUリソースを複数ワークロードに動的に割り当て、AIインフラの効率を高めるソフトウェアを持っていました。NVIDIAは2024年末にこの買収を完了しています。([Reuters](https://www.reuters.com/markets/deals/nvidia-closes-700-mln-runai-acquisition-after-regulatory-hurdles-2024-12-30/?utm_source=chatgpt.com))\n\nこれはかなり重要です。 \nNVIDIAはもはや「GPUを売って終わり」ではなく、**GPUをどうクラウド資源として詰め込むか、どう低遅延推論を回すか、どうネットワークまで含めて最適化するか**に進んでいます。\n\nつまりNVIDIAは、GPUクラウド最適化の中心企業です。\n\n---\n\n## \\2. GPUネオクラウド：CoreWeave、Nebius、Lambda、Crusoe\n\n次に重要なのが、GPUネオクラウドです。\n\n従来のAWS、Azure、Google Cloudとは別に、AI特化のGPUクラウドを作る企業群です。特にCoreWeaveは代表格です。\n\nCoreWeaveは2026年第1四半期に売上20.8億ドルを報告し、市場予想を上回りました。AI学習・推論向けの高性能クラウド需要が急増しており、同社の受注残は約994億ドルまで拡大したと報じられています。([Reuters](https://www.reuters.com/technology/coreweave-tops-quarterly-revenue-estimates-2026-05-07/?utm_source=chatgpt.com))\n\nCoreWeaveの強みは、GPUクラウドを汎用クラウドの一部としてではなく、**AIワークロード専用に設計していること**です。\n\nGPUクラウド最適化では、以下が重要になります。\n\n![](/media/104a9f470c7da79e948d78ad3b4931627aa34fab51afdb459039a394d75f5867-content.webp)\n\nCoreWeaveのような企業は、GPUクラウドの稼働率改善そのものが利益率改善に直結します。 \nただし、同時に借入、設備投資、電力確保、償却負担が重いビジネスでもあります。売上成長は強い一方、コスト増や赤字拡大も報じられているため、**成長性は高いが財務リスクも高い領域**です。([Reuters](https://www.reuters.com/technology/coreweave-tops-quarterly-revenue-estimates-2026-05-07/?utm_source=chatgpt.com))\n\n---\n\n## \\3. ハイパースケーラー：Microsoft、AWS、Google、Oracle\n\nGPUクラウド最適化で絶対に外せないのがハイパースケーラーです。\n\n彼らはCPUクラウドで25年かけて作った、\n\n- 仮想化\n- IAM\n- 課金\n- 監視\n- セキュリティ\n- Kubernetes\n- ストレージ\n- ネットワーク\n- オートスケール\n- FinOps\n\nをすでに持っています。\n\nGPUクラウドでも、最終的にはこれらの運用能力が効いてきます。\n\n## AWS\n\nAWSはNVIDIA GPUだけでなく、Trainium/Inferentiaという自社AIチップも持っています。AWSはProject Rainierで、約50万個のTrainium2チップを使う巨大AIクラスタを稼働させ、AnthropicがClaudeの学習・運用に使っていると説明しています。([Amazon News](https://www.aboutamazon.com/news/aws/aws-project-rainier-ai-trainium-chips-compute-cluster?utm_source=chatgpt.com))\n\nTrainium2はAWS公式ページで、GPUベースのP5e/P5enインスタンスと比べて30〜40%優れた価格性能を提供すると説明されています。([Amazon Web Services, Inc.](https://aws.amazon.com/ai/machine-learning/trainium/?utm_source=chatgpt.com))\n\nAWSはGPUクラウドの最適化だけでなく、**GPU依存を減らす方向**でも強いです。\n\n## Google\n\nGoogleはTPUを持っています。AnthropicはGoogleおよびBroadcomとの提携で、2027年から複数ギガワット規模の次世代TPU capacityを使う契約を結んでいます。([Anthropic](https://www.anthropic.com/news/google-broadcom-partnership-compute?utm_source=chatgpt.com))\n\nGoogleはGPUクラウド最適化というより、**TPUクラウドによってGPUクラウドとは別ルートの高稼働AIクラウドを作る企業**です。\n\n## Microsoft / Azure\n\nMicrosoftはOpenAIとの関係、Azure AIインフラ、NVIDIA GPUの大規模導入で強いです。GPUクラウド最適化という観点では、Azureは巨大な企業顧客基盤、セキュリティ、ID管理、データ基盤とAI推論を結び付けられるのが強みです。\n\n## Oracle\n\nOracle CloudはNVIDIA GPUクラスタの提供で存在感を高めています。Oracleの強みは、比較的シンプルで高性能なベアメタル/クラスタ設計、企業DB顧客、そしてAI企業向けの大口クラウド契約です。\n\n---\n\n## \\4. ネットワーク企業：Broadcom、Arista、Marvell、Cisco\n\nGPUクラウドの稼働率を上げるうえで、実は非常に重要なのがネットワークです。\n\nGPUが大量にあっても、GPU間通信が詰まると、学習も推論も止まります。 \n特に分散学習、MoE、prefill/decode分離、KV cache共有、マルチノード推論では、ネットワークがGPU稼働率を左右します。\n\n## Broadcom\n\nBroadcomはこのテーマでかなり強いです。\n\nBroadcomは2026年第1四半期にAI売上84億ドル、前年比106%増を報告し、カスタムAIアクセラレータとAIネットワーキング需要が牽引したと説明しています。さらに第2四半期のAI半導体売上は107億ドルを見込んでいます。([Broadcom Inc.](https://investors.broadcom.com/news-releases/news-release-details/broadcom-inc-announces-first-quarter-fiscal-year-2026-financial?utm_source=chatgpt.com))\n\nBroadcomはGoogle TPUのようなカスタムAIチップ、AI Ethernet、スイッチASIC、光接続の周辺で強く、**GPUクラウド最適化というより、AIクラウド全体の通信・ASIC化の中核**になりやすいです。\n\nさらにReutersは、Broadcomが2027年までにAIチップ売上1000億ドル超を見込んでいると報じています。([Reuters](https://www.reuters.com/technology/broadcom-forecasts-second-quarter-revenue-above-estimates-2026-03-04/?utm_source=chatgpt.com))\n\n## Arista Networks\n\nAristaはAI Ethernetの本命候補です。\n\nAIクラスタでは、NVIDIA InfiniBandだけでなく、EthernetベースのAIネットワークも広がっています。Aristaは大規模クラウド向けEthernetスイッチで強く、AIデータセンターのバックエンドネットワーク需要に乗っています。2026年第1四半期には売上27.1億ドル、前年比35.1%増を報告したと報じられています。([Barron's](https://www.barrons.com/articles/arista-networks-earnings-stock-price-04ad6ebc?utm_source=chatgpt.com))\n\nAristaは、GPUそのものではなく、**GPUを束ねる血管**です。 \nGPUクラウドの稼働率を上げるには、GPU間通信の遅延・輻輳・パケットロスを抑える必要があるため、AI Ethernetの重要性は上がります。\n\n## Marvell\n\nMarvellは、AI ASIC、光/電気インターコネクト、DSP、データセンターネットワークで重要です。Broadcomほど規模は大きくないですが、カスタムシリコンと接続技術の需要が増えるほど恩恵を受けやすいです。\n\n## Cisco\n\nCiscoもAI Ethernet、セキュリティ、企業ネットワーク、データセンターネットワークで関与します。ただし、純粋なAIクラスタ最適化ではAristaやNVIDIA Spectrum-X、Broadcom系ASICの方がより直接的に見えます。\n\n---\n\n## \\5. DPU / SmartNIC / CPU企業：AMD、NVIDIA、Intel、Arm系\n\nGPUクラウド最適化では、CPUとDPUも重要です。\n\nGPUの稼働率を上げるには、GPU以外の処理を詰まらせてはいけません。\n\n- ネットワーク処理\n- 暗号化\n- ストレージI/O\n- セキュリティ\n- VM/コンテナ分離\n- RDMA/RoCE制御\n- テレメトリ\n- ジョブ投入\n- 障害復旧\n\nこれらをCPUだけで処理すると、GPUの足を引っ張ります。そこでDPU/SmartNICが重要になります。\n\nNVIDIA Spectrum-Xは、マルチテナント・ハイパースケールAIクラウド向けのEthernetプラットフォームとして説明されており、AIクラウドの性能、電力効率、予測可能性を改善することを狙っています。([NVIDIA](https://www.nvidia.com/en-us/networking/spectrumx/?utm_source=chatgpt.com))\n\nまた、GMO GPU Cloudの資料でも、BlueField-3 DPUがGPUのデータアクセスを加速し、AIアプリケーション提供を効率化し、クラウドインフラのセキュリティを高めると説明されています。([GMOインターネット株式会社](https://internet.gmo/en/news/article/27/?utm_source=chatgpt.com))\n\nAMDもこの領域で強くなる可能性があります。AMDはEPYC CPU、Instinct GPU、Pensando DPU/NICを持っており、AIデータセンターのCPU+GPU+ネットワーク処理を一体で取りに行けます。AMDは2026年第1四半期にデータセンター売上が57%増の58億ドルとなり、EPYC CPUとInstinct GPU需要が牽引したと報じられています。([Investors](https://www.investors.com/news/technology/amd-stock-q1-2026-earnings-advanced-micro-devices/?utm_source=chatgpt.com))\n\n---\n\n## \\6. 監視・FinOps企業：Datadog、Grafana、Dynatrace、New Relic\n\nGPUクラウド最適化では、「見える化」が非常に重要です。\n\nGPUの稼働率が低い理由を分解するには、\n\n- GPU使用率\n- HBM使用量\n- HBM帯域\n- NVLink/IB/Ethernet帯域\n- SM occupancy\n- queue time\n- TTFT\n- TPOT / ITL\n- KV cache hit率\n- batch効率\n- tenant別コスト\n- モデル別原価\n- 部門別GPU消費\n\nを見る必要があります。\n\nこの領域で伸びる可能性があるのがDatadogです。Datadogは2026年4月にGPU Monitoringを発表し、GPUフリートの健全性、コスト、パフォーマンスを利用部門やメンバーと結び付けて可視化し、低性能ワークロードのトラブルシュートやコスト削減を支援すると説明しています。([Datadog](https://www.datadoghq.com/ja/about/latest-news/press-releases/datadog-gpu-monitoring-2026-04/?utm_source=chatgpt.com))\n\nこれはかなり重要です。 \nGPUクラウドの稼働率を改善するには、まず**どのモデル、どのチーム、どのジョブがGPUを無駄にしているのか**を見える化する必要があります。\n\nしたがって、GPUクラウド成熟期には、Datadog、Grafana Labs、Dynatrace、New Relic、Splunk系のAI/GPU observability需要が伸びる可能性があります。\n\n---\n\n## \\7. AI Gateway / セキュリティ：Cloudflare、Zscaler、Palo Alto、CrowdStrike、Okta\n\nGPUクラウド最適化は、単にGPUを高稼働にするだけでは不十分です。 \nAIエージェントが増えると、推論リクエスト、APIキー、モデル選択、レート制限、コスト管理、認証、ログ、攻撃防御が必要になります。\n\nここで伸びるのがAI GatewayやAI securityです。\n\nCloudflare AI Gatewayは、複数AIプロバイダーに対するログ、メトリクス、レート制限、キャッシュ、監視、フォールバックを提供し、AIアプリケーションのコスト・信頼性・リスクを制御する仕組みです。([Cloudflare](https://www.cloudflare.com/developer-platform/products/ai-gateway/?utm_source=chatgpt.com))\n\nCloudflareはWorkers AIで190以上の都市にGPUを配置し、AIアプリをユーザー近くで動かす構想も出しています。([Cloudflare](https://www.cloudflare.com/ja-jp/press/press-releases/2025/cloudflare-introduces-cloudflare-for-ai/?utm_source=chatgpt.com))\n\nこの領域は、GPUクラウドの「外側」にあります。 \nしかしAIエージェント時代には、GPU推論そのものよりも、**どのAIに、誰が、どの権限で、どれだけ使わせるか**が重要になります。\n\nその意味で、Cloudflare、Zscaler、Palo Alto Networks、CrowdStrike、Oktaのような企業は、GPUクラウド最適化の周辺で伸びる可能性があります。\n\n---\n\n## \\8. 推論エンジン/AIサービング企業：vLLM、SGLang、Anyscale、Together AI、Fireworks AI\n\nGPUクラウドの稼働率を上げるうえで、最も直接的なのはLLMサービング層です。\n\n重要技術は、\n\n- continuous batching\n- paged attention\n- prefix cache\n- KV cache管理\n- prefill/decode分離\n- speculative decoding\n- routing\n- model multiplexing\n- multi-LoRA serving\n- disaggregated serving\n\nです。\n\nNVIDIA DynamoのGitHubでは、DynamoはvLLM、SGLang、TensorRT-LLMを置き換えるのではなく、それらの上に乗るデータセンター規模のオーケストレーション層であり、disaggregated serving、intelligent routing、multi-tier KV caching、automatic scalingを扱うと説明されています。([GitHub](https://github.com/ai-dynamo/dynamo?utm_source=chatgpt.com))\n\nこのレイヤーで伸びるのは、公開株というより未上場/OSSが多いです。\n\n![](/media/ed2ef4abae66f1e09e8559984e415b469718f752f44682525968f787a16465a9-content.webp)\n\nNVIDIAがSchedMDを買収したという報道も重要です。SchedMDはSlurmの開発企業で、Slurmは大規模HPC/AIクラスタのジョブスケジューリングに使われています。Reutersは、NVIDIAが2025年12月にSchedMDを買収し、Slurmをオープンソースとして継続提供する計画だと報じています。([Reuters](https://www.reuters.com/business/nvidia-buys-ai-software-provider-schedmd-expand-open-source-ai-push-2025-12-15/?utm_source=chatgpt.com))\n\nこれはNVIDIAがGPUクラウドの「下層スケジューラ」まで押さえに行っていることを示しています。\n\n---\n\n## \\9. Google / Broadcom / AWSはGPUクラウドを“迂回”する側\n\nここも重要です。\n\nGPUクラウド最適化が進む一方で、Google TPU、AWS Trainium、Broadcom XPUのように、**そもそもGPUではないAIクラウド**も伸びます。\n\nGoogle/Anthropic/BroadcomのTPU提携、AWS TrainiumのProject Rainierは、NVIDIA GPUだけに依存しない巨大AI計算基盤が現実化していることを示しています。([Amazon News](https://www.aboutamazon.com/news/aws/aws-project-rainier-ai-trainium-chips-compute-cluster?utm_source=chatgpt.com))\n\nこの意味で、Broadcomは二重に強いです。\n\n1つ目は、AIネットワーク。 \n2つ目は、Google TPUや大手クラウド向けのカスタムAIアクセラレータ。\n\nつまりBroadcomは、GPUクラウド最適化にも、GPU代替にも関わる企業です。\n\n---\n\n## \\10. 日本で見るなら：GMO GPU Cloud、さくら、NTT、KDDI、ソフトバンク系\n\n日本では、GPUクラウド最適化の本命はまだ米国企業中心ですが、国内では以下のような領域に可能性があります。\n\n![](/media/49f1963f7349569aefe06d89e2db1f23658506a54316673980fe4d2eaabbe1ae-content.webp)\n\nGMO GPU Cloudは、日本国内クラウドとして初めてNVIDIA Spectrum-Xを採用し、BlueField-3 DPUによるクラウドネットワーク加速を説明しています。これは日本企業の中ではGPUクラウド最適化テーマにかなり直接的です。([GMOインターネット株式会社](https://internet.gmo/en/news/article/27/?utm_source=chatgpt.com))\n\n---\n\n## \\11. どの企業が一番伸びる可能性があるか\n\n私の見立てでは、伸びる可能性は以下の順です。\n\n## 本命：NVIDIA\n\nGPU本体、ネットワーク、DPU、CUDA、Dynamo、Run:ai、Slurmまで押さえに行っているため、GPUクラウド最適化の中心です。\n\nただし、すでに時価総額が非常に大きいため、株価上昇余地という意味では「成長の確実性は高いが、期待値も高い」です。\n\n## 準本命：Broadcom\n\nGPUクラウドのネットワーク、カスタムAI ASIC、TPU/XPUの両方で強い。 \nNVIDIA一強が崩れて用途別ASIC化が進むほど、Broadcomの存在感は増えます。\n\n## 成長余地：Arista\n\nAI Ethernetの本命候補。 \nGPUクラスタがInfiniBandだけでなくEthernetにも広がるなら、Aristaは非常に重要です。\n\n## ハイリスク高成長：CoreWeave / Nebius系\n\nGPUクラウド稼働率改善がそのまま利益率に効きます。 \nただし、設備投資・電力・借入・GPU償却が重く、景気後退やAI需要鈍化時のリスクも大きいです。\n\n## 周辺で強い：Datadog / Cloudflare\n\nGPUそのものではなく、AIクラウドの監視、コスト制御、AI Gateway、セキュリティで伸びる可能性があります。 \nAIエージェント時代には、GPU計算だけでなく「誰がどのAIをどれだけ使ったか」を管理する層が重要になります。\n\n## 代替勢力：Google / AWS / Broadcom\n\nTPU、Trainium、カスタムASICによって、GPU依存を減らす方向で伸びます。 \nこの世界線では、NVIDIAだけでなく、Alphabet、Amazon、Broadcomが恩恵を受けます。\n\n---\n\n## まとめ\n\nこの視点で見ると、GPUクラウド最適化で伸びる企業は、次の5階層に分かれます。\n\n階層代表企業伸びる理由GPUクラウドOSNVIDIAGPU、DPU、ネットワーク、Dynamo、Run:ai、Slurmを統合AIネオクラウドCoreWeave、Nebius、Lambda、CrusoeGPU特化運用で稼働率改善が利益に直結AIネットワークBroadcom、Arista、Marvell、CiscoGPU間通信が稼働率を左右する監視/制御/セキュリティDatadog、Cloudflare、Zscaler、OktaGPUコスト、AI利用、API、認証、監査を管理GPU代替アクセラレータGoogle、AWS、Broadcom、GroqTPU、Trainium、LPUでGPU依存を削る\n\n最も大きな構図はこうです。\n\n> **NVIDIAはGPUクラウドそのものを最適化する。 \n> Broadcom/Arista/MarvellはGPUクラウドの血管を作る。 \n> CoreWeaveはGPUクラウドを実際に運用する。 \n> Datadog/CloudflareはAIクラウドの監視・制御・防衛を担う。 \n> Google/AWS/BroadcomはTPU/Trainium/ASICでGPUクラウドを迂回する。**\n\nしたがって、今後伸びるのは「GPUを持つ会社」だけではありません。 \n本当に伸びる可能性があるのは、**GPUを高稼働にし、複数顧客に安全に貸し、トークン単位で管理し、ネットワークとCPUとセキュリティまで含めて最適化できる企業**です。\n\n---\n\nはい。**同じAI処理量だけを前提にすれば、GPUクラウドの成熟によって必要GPU数は縮小します。** \nただし現実には、推論単価が下がることでAI利用量が爆発するため、**世界全体のGPU需要は縮小せず、むしろ増え続ける可能性が高い**です。\n\nつまり答えは二層です。\n\n```\n同じ仕事量を処理するためのGPU数\n → 減る\n\nAI社会全体で必要になるGPU総数\n → しばらく増える可能性が高い\n```\n\n---\n\n## \\1. GPUクラウド成熟で「同じ処理に必要なGPU数」は減る\n\nGPUクラウドが成熟すると、GPUを無駄なく詰め込めるようになります。\n\nたとえば現在は、\n\n- GPUが通信待ちしている\n- KV cacheでHBMが無駄になっている\n- prefillとdecodeが干渉している\n- 小さい推論リクエストをうまくバッチ化できない\n- モデルごとにGPUを固定してしまい空き時間が出る\n- マルチテナント化が未成熟で安全に共有できない\n\nという非効率があります。\n\nこれが改善すると、**同じモデル、同じユーザー数、同じトークン量を処理するために必要なGPU枚数は減ります。**\n\nvLLMのPagedAttentionは、LLM推論で問題になるKV cacheをOSのページングのように管理し、KV cacheの無駄をほぼゼロに近づけ、同じレイテンシ条件で既存システムより2〜4倍のスループット改善を示しています。つまり、同じ推論量なら必要GPU数を大きく減らせる方向です。([arXiv](https://arxiv.org/abs/2309.06180?utm_source=chatgpt.com))\n\nまたDistServeは、prefillとdecodeを分離することでLLM推論の干渉を減らす方式で、既存方式より多くのリクエストを処理できることを示しています。([arXiv](https://arxiv.org/abs/2401.09670?utm_source=chatgpt.com))\n\nこの意味では、GPUクラウド成熟は、\n\n> **GPUを追加で買うのと同じくらい、既存GPUから有効計算を引き出す効果を持つ**\n\nと言えます。\n\n---\n\n## \\2. しかし「GPU総需要」は簡単には減らない\n\n問題は、効率化すると需要も増えることです。\n\nAI推論が安くなると、今まで高すぎて使えなかった用途が一気に増えます。\n\n```\nGPUクラウド最適化\n ↓\n1トークンあたりコスト低下\n ↓\nAIエージェントが安くなる\n ↓\n利用回数が増える\n ↓\n音声AI、動画AI、業務AI、ロボットAIが増える\n ↓\n総GPU需要はむしろ増える\n```\n\nこれは経済学でいう**ジェボンズのパラドックス**に近い現象です。効率化によって1回あたりの資源消費は減っても、利用が増えすぎると総消費量はむしろ増える、という考え方です。([Wikipedia](https://en.wikipedia.org/wiki/Jevons_paradox?utm_source=chatgpt.com))\n\nAIではこれがかなり起きやすいです。 \nなぜなら、AIの潜在需要がまだほとんど掘り起こされていないからです。\n\n---\n\n## \\3. 2030年代に起きそうなこと\n\n2030年代には、GPUクラウドの成熟によって、**GPU 1枚あたりの有効処理量は大幅に増える**と思います。\n\nしかし同時に、\n\n- AIエージェント\n- コーディングAI\n- 企業内AIワーカー\n- リアルタイム音声AI\n- 動画生成AI\n- ロボティクス/VLA\n- デジタルツイン\n- 科学AI\n- 個人専用AI\n- 常時稼働AI秘書\n\nが増えるため、総需要も増えます。\n\nそのため、私の見方ではこうです。\n\n![](/media/a78a34b5eb09f224bcc2eb5ed222f877778e6b8a1e4efc4bf1a391e667cdc95c-content.webp)\n\nつまり、GPUクラウドが成熟すると、**GPU需要の伸び率は将来的に鈍化する可能性があります。** \nしかし、2030年代前半までは、AI利用量の拡大が効率化を上回る可能性が高いです。\n\n---\n\n## \\4. GPUが減る領域と、増える領域\n\nGPUクラウド成熟で、GPU数が減りやすい領域はあります。\n\n![](/media/5cc4b6002c51b9a6112989ec086dd848ca923150aed2ae4320641c56b3b053d4-content.webp)\n\n一方で、GPUが増えやすい領域もあります。\n\n![](/media/784a9f375d51ae9ce37d687df3e677ffe74e2319d26eab98f0bfd4bd27e116e6-content.webp)\n\nなので、GPUクラウド成熟は、**低付加価値なGPU需要を圧縮し、高付加価値なGPU需要へ移す**と考えた方がよいです。\n\n---\n\n## \\5. NVIDIA自身も「少ないGPUで多く処理する」方向に進んでいる\n\nNVIDIAも、単にGPU枚数を増やすだけではなく、ラック全体、ネットワーク、DPU、CPU、メモリ階層、推論ソフトを統合して、1ラックあたりの推論能力を上げる方向に進んでいます。\n\nたとえば報道では、NVIDIAのVera Rubin NVL72はBlackwell比で推論性能を大きく高め、トークンあたりコストを下げ、必要GPUを減らす方向の設計だとされています。([Tom's Hardware](https://www.tomshardware.com/pc-components/gpus/nvidia-launches-vera-rubin-nvl72-ai-supercomputer-at-ces-promises-up-to-5x-greater-inference-performance-and-10x-lower-cost-per-token-than-blackwell-coming-2h-2026?utm_source=chatgpt.com))\n\nこれはつまり、NVIDIA自身も、\n\n> GPUをもっと売る \n> だけでなく \n> **GPU 1枚・1ラックあたりの有効処理量を上げる**\n\n方向に進んでいるということです。\n\nただし、1GPUあたり性能が上がっても、AI利用量がそれ以上に増えれば、GPU総需要は増えます。\n\n---\n\n## \\6. 最終的な見方\n\nGPUクラウドが成熟すると、必要GPU数はこう変化すると考えます。\n\n```\n短期：\n非効率が大きいため、同じ処理量に必要なGPU数はかなり減らせる。\nしかしAI需要が急増するため、総GPU需要は増える。\n\n中期：\nGPUクラウドOS化でGPU利用率が改善。\n推論単価が下がり、AIエージェントが普及。\n総GPU需要はまだ増えやすい。\n\n長期：\nTPU、LPU、ASIC、NPU、エッジAIが普及。\n単純推論向けGPU需要の伸びは鈍化。\nGPUは動画生成、学習、VLA、科学AIなど高負荷領域に集中。\n```\n\n---\n\n## 結論\n\n**GPUクラウドが成熟すると、同じAI処理をこなすために必要なGPU数は減ります。** \nvLLMやDistServeのような技術により、同じGPU枚数で数倍の推論を処理できる可能性があります。([arXiv](https://arxiv.org/abs/2309.06180?utm_source=chatgpt.com))\n\nしかし、AI推論が安くなることで利用量が爆発するため、**2030年代前半までは世界全体のGPU需要は縮小しにくい**と思います。\n\n一言で言うと、\n\n> **GPUクラウド成熟は「GPU需要を消す」のではなく、 \n> GPUを低効率な使い方から高付加価値な使い方へ移す。**\n\nそして最終的には、 \n**単純な推論はLPU/TPU/ASIC/NPUへ分散し、GPUは学習・動画生成・VLA・マルチモーダル・科学AIのような重い領域に集中する** \nという流れになると考えます。\n\n---\n\n## CPUで成熟したものと、GPU時代でこれから必要になるもの\n\n## \\1. 仮想マシン → GPU仮想化、MIG、vGPU\n\nCPUクラウドでは、物理サーバーをVMに分割します。\n\n```\n物理CPUサーバー\n ├─ VM A\n ├─ VM B\n └─ VM C\n```\n\nこのとき、各VMは「自分専用のCPU・メモリ・ディスクを持っている」ように見えます。実際にはハイパーバイザが裏側で資源を分けています。\n\nGPU時代に同じことをやるのが、**GPU仮想化**です。\n\n代表的な方式は3つあります。\n\n![](/media/0e89e22674e5815888839b38efa00cb96126e53c1f461a9a0782836b902e0754-content.webp)\n\nNVIDIA MIGは、対応GPUを複数の独立GPUインスタンスに分け、それぞれに専用の計算資源とメモリ資源を与える仕組みです。NVIDIAのMIG User Guideでも、MIGは複数の隔離インスタンスにGPUを分割し、各インスタンスに専用compute/memory resourceを持たせると説明されています。([NVIDIA Docs](https://docs.nvidia.com/datacenter/tesla/mig-user-guide/?utm_source=chatgpt.com))\n\nイメージはこうです。\n\n```\nA100 / H100 / B200 など\n ├─ GPU Instance 1：小型LLM推論\n ├─ GPU Instance 2：embedding\n ├─ GPU Instance 3：画像分類\n └─ GPU Instance 4：別ユーザーの推論\n```\n\nCPU VMと違うのは、GPUでは**HBM容量、SM数、L2 cache、メモリ帯域、CUDA context**が性能と安全性に直結することです。\n\nCPUなら、少し遅くなってもOSがプロセスを切り替えられます。 \nしかしGPUでは、1つのジョブがHBMを食い潰したり、CUDA kernelが長時間走ったり、メモリアクセスが暴れたりすると、他のジョブに大きく影響します。\n\nそのためGPU仮想化では、単なる「見かけ上の分割」ではなく、\n\n- HBMの分割\n- SMの分割\n- cacheの分離\n- DMAの制限\n- CUDA contextの隔離\n- エラー伝播の遮断\n- 性能保証/QoS\n\nが必要になります。\n\n---\n\n## \\2. OSスケジューラ → GPUジョブスケジューラ\n\nCPUクラウドでは、OSスケジューラがプロセスやスレッドをCPUコアに割り当てます。\n\nCPUは、細かく割り込み、プリエンプション、コンテキストスイッチを行うのが得意です。\n\n```\nCPU core\n ├─ 1ms：プロセスA\n ├─ 1ms：プロセスB\n ├─ 1ms：プロセスC\n └─ ...\n```\n\n一方、GPUではこれが難しいです。\n\nGPUは基本的に、\n\n```\n大きな行列演算\n巨大なCUDA kernel\n長いbatch処理\n多量のHBMアクセス\n```\n\nをまとめて流す設計です。CPUのように細かく「今すぐ止めて、別の小さい処理を挟む」が得意ではありません。\n\nGPUジョブスケジューラが考える必要があるのは、単なる「GPUが空いているか」ではありません。\n\nLLM推論では、以下を見ます。\n\n![](/media/3f18daf9e3947369be2fc72e39ca89391e44e32a213f3ccb16f1145cdfe4e361-content.webp)\n\n特にLLMでは、**prefill** と **decode** が性格の違う処理です。\n\n```\nprefill：\n 入力プロンプト全体を一気に読む\n 計算量が大きい\n GPU演算を使いやすい\n\ndecode：\n 1トークンずつ出す\n 逐次性が強い\n HBM帯域やKV cacheが効く\n```\n\nDistServeはこの問題に対して、prefillとdecodeを分離して別々に最適化する方式を提案しています。既存LLM servingでは両者を同じGPU群で処理するため干渉が起きるが、DistServeは両フェーズを分離してgoodputを改善するという設計です。([USENIX](https://www.usenix.org/conference/osdi24/presentation/zhong-yinmin?utm_source=chatgpt.com))\n\nつまりGPUジョブスケジューラは、CPU時代の「プロセスをCPUに置く」よりも複雑です。\n\nGPU時代のスケジューラは、\n\n```\nどのモデルを\nどのGPUに常駐させ\nどのリクエストを\nどのタイミングでbatchに混ぜ\nprefillとdecodeをどこで処理し\nKV cacheをどこに置き\nレイテンシSLOを守るか\n```\n\nを決める必要があります。\n\n---\n\n## \\3. コンテナ/Kubernetes → GPU-aware Kubernetes\n\nCPUクラウドでは、Kubernetesがコンテナをノードに配置します。\n\n通常は、\n\n```\ncpu: 2\nmemory: 4Gi\n```\n\nのような要求を見て、Podをどのノードに置くか決めます。\n\nしかしGPU時代には、単に、\n\n```\nnvidia.com/gpu: 1\n```\n\nだけでは粗すぎます。\n\nなぜならGPUには種類があります。\n\n![](/media/7980a24e5b76646ca59cc0f63ebf94f0e9b4840cdc828eabbc94e8a1f5baf721-content.webp)\n\nそのため、KubernetesもGPU-awareになる必要があります。\n\nこの流れで重要なのが **DRA / Dynamic Resource Allocation** です。Kubernetes DRAは、GPUやFPGAのような特殊ハードウェアをPodが柔軟に要求・共有できる仕組みで、デバイスドライバや管理者がDeviceClassを定義し、Kubernetesが条件に合うデバイスを割り当てます。Kubernetes公式でも、DRAは特殊ハードウェアの信頼性や高価なリソースの利用率改善を目的とする柔軟なフレームワークとして説明されています。([Kubernetes](https://kubernetes.io/blog/2025/09/01/kubernetes-v1-34-dra-updates/?utm_source=chatgpt.com))\n\n従来のKubernetesは、\n\n```\nGPUが1枚あるか？\n```\n\nを見るだけでした。\n\nGPU-aware Kubernetesでは、\n\n```\nH100か？\nHBMは80GBか？\nMIG 2g.20gbが必要か？\n同じNVLink island内に4枚必要か？\n低遅延推論用か？\nbatch学習用か？\nconfidential computingが必要か？\n```\n\nまで見る方向になります。\n\nこれは、CPUクラウドでKubernetesが成熟したのと同じように、GPUクラウドでも**アクセラレータを一級リソースとして扱う段階**に進んでいるということです。\n\n---\n\n## \\4. マルチテナント分離 → GPUメモリ、cache、DMA、ドライバ隔離\n\nCPUクラウドで最も重要だったのは、マルチテナント分離です。\n\n```\n同じ物理サーバー上に\nA社のVM\nB社のVM\nC社のVM\nが同居しても、互いに中身を見られない\n```\n\nこれを実現するために、CPUクラウドでは、\n\n- 仮想メモリ\n- ページテーブル\n- ハイパーバイザ\n- IOMMU\n- VM isolation\n- network namespace\n- storage encryption\n- IAM\n- audit log\n\nが成熟しました。\n\nGPU時代は、これが難しくなります。\n\n![](/media/33183a877e2fae546ae225f08d7662a07028bb1ff1657718d03b0806dbe994f9-content.webp)\n\nNVIDIA GPU Operatorのtime-slicing説明でも、time-slicingはMIGが提供するメモリ隔離やfault isolationを犠牲にして、より多くのユーザーでGPUを共有する方式だと説明されています。([NVIDIA Docs](https://docs.nvidia.com/datacenter/cloud-native/gpu-operator/latest/gpu-sharing.html?utm_source=chatgpt.com))\n\nつまり、\n\n```\nMIG：\n 隔離は強い\n ただし分割が硬い\n\ntime-slicing：\n 柔軟に共有できる\n ただしメモリ・障害隔離は弱い\n```\n\nというトレードオフがあります。\n\nさらに研究面でも、GPU共有のセキュリティ問題は現実化しています。NDSS 2026の研究では、仮想化GPU環境でTLBを悪用したクロスVMサイドチャネル攻撃が示されています。([NDSS Symposium](https://www.ndss-symposium.org/wp-content/uploads/2026-s1480-paper.pdf?utm_source=chatgpt.com))\n\nしたがって、GPU時代のマルチテナント分離では、\n\n- MIGによるハードウェア分割\n- vGPUのメモリ保護\n- IOMMU/DMA制限\n- GPUメモリ初期化\n- confidential computing\n- ドライバ隔離\n- sandboxed CUDA\n- tenant別telemetry\n- cache/TLB side-channel対策\n\nが必要になります。\n\nCPUクラウドでSpectre/Meltdownが大問題になったように、GPUクラウドでも**GPU版サイドチャネル問題**が重要になります。\n\n---\n\n## \\5. CPU oversubscription → GPUの時間分割・空間分割\n\nCPUクラウドでは、oversubscriptionが普通に使われます。\n\nたとえば物理CPUが64コアしかなくても、クラウド事業者は合計128 vCPU、256 vCPU相当を顧客に割り当てることがあります。\n\nなぜ可能かというと、全顧客が同時に100% CPUを使うわけではないからです。\n\n```\n物理64コア\n ↓\n仮想128 vCPUとして販売\n ↓\n実利用率を見ながら詰め込む\n```\n\nGPUでも同じことをやりたいわけです。\n\nGPU共有には大きく2方式あります。\n\n## 空間分割\n\nMIGのように、GPUを物理的・論理的に区切ります。\n\n```\n1枚のGPU\n ├─ 20GB HBM + 一部SM\n ├─ 20GB HBM + 一部SM\n └─ 40GB HBM + 一部SM\n```\n\n長所は、性能予測と隔離が比較的強いことです。 \n短所は、分割サイズが固定的で、ワークロード変動に弱いことです。\n\n## 時間分割\n\ntime-slicingのように、複数プロセスやPodが同じGPUを時間で共有します。\n\n```\nGPU\n ├─ 時刻0〜10ms：Pod A\n ├─ 時刻10〜20ms：Pod B\n ├─ 時刻20〜30ms：Pod C\n```\n\n長所は、多数の小さい推論や軽量ジョブを詰め込めることです。 \n短所は、メモリ分離やfault isolationが弱くなりやすいことです。NVIDIA GPU Operatorの説明でも、time-slicingはより多くのユーザーで共有できる一方、MIGの持つメモリ隔離・障害隔離を犠牲にすると説明されています。([NVIDIA Docs](https://docs.nvidia.com/datacenter/cloud-native/gpu-operator/latest/gpu-sharing.html?utm_source=chatgpt.com))\n\nLLM推論では、さらに高度なoversubscriptionが必要です。\n\nたとえば、\n\n```\n同じモデルを複数顧客で共有\n同じsystem promptのprefix cacheを共有\ndecode中のリクエストをcontinuous batchingで混ぜる\n空いたHBMにKV cacheを詰める\n低優先度batchを余剰時間に流す\n```\n\nという形です。\n\nこれはCPU oversubscriptionより難しいです。 \n理由は、GPUではHBMが詰まった瞬間に性能が落ち、KV cacheがユーザーごとに動的に増減し、低遅延SLOを守る必要があるからです。\n\n---\n\n## \\6. オートスケーリング → 推論トークン単位のスケーリング\n\nCPUクラウドのオートスケーリングは、通常こうです。\n\n```\nCPU使用率が70%を超えた\n ↓\nWebサーバーを2台増やす\n```\n\nこれは比較的単純です。\n\nGPU時代、特にLLM推論では、スケール単位が「サーバー台数」だけではありません。\n\nLLM推論で本当に増減するのは、\n\n- 入力トークン数\n- 出力トークン数\n- 同時会話数\n- KV cache量\n- prefill量\n- decode量\n- モデル常駐数\n- LoRA adapter数\n- priority/SLO\n\nです。\n\nたとえば同じ1リクエストでも、\n\n```\n短い質問：\n 入力50 tokens\n 出力100 tokens\n\n長文分析：\n 入力100,000 tokens\n 出力4,000 tokens\n```\n\nでは負荷がまったく違います。\n\nそのためGPU時代のオートスケーリングは、\n\n```\nリクエスト数ベース\n```\n\nではなく、\n\n```\ntoken throughput\nKV cache GB\nTTFT\nTPOT\nqueue depth\nprefill/decode比率\n```\n\nを見てスケールする必要があります。\n\nvLLMのPagedAttentionは、このトークン単位スケーリングの基盤になります。KV cacheはリクエストごとに巨大で動的に増減し、従来方式では断片化や重複でメモリが無駄になり、batch sizeが制限されます。PagedAttentionはOSの仮想メモリ/ページングに着想を得て、KV cacheの無駄を減らし、vLLMでは同程度のレイテンシで2〜4倍のスループット改善を報告しています。([arXiv](https://arxiv.org/abs/2309.06180?utm_source=chatgpt.com))\n\nつまり、GPUクラウドのオートスケーリングは、\n\n```\nGPU台数を増やす\n```\n\nだけではなく、\n\n```\nKV cacheを整理する\nbatchを組み直す\nprefill専用GPUを増やす\ndecode専用GPUを増やす\n低優先度ジョブを遅らせる\n小型モデルへfallbackする\nLPU/TPU/GPUを切り替える\n```\n\nまで含みます。\n\n---\n\n## \\7. ロードバランサ → LLMリクエスト / トークン / KV cacheルーティング\n\nCPUクラウドのロードバランサは、Webリクエストを複数サーバーに振り分けます。\n\n```\nHTTP Request\n ↓\nLoad Balancer\n ├─ Web Server A\n ├─ Web Server B\n └─ Web Server C\n```\n\n基準は、\n\n- 接続数\n- CPU使用率\n- レイテンシ\n- ヘルスチェック\n- リージョン\n- sticky session\n\nなどです。\n\nLLM時代のロードバランサは、はるかに複雑です。\n\nLLMでは、単に「空いているGPUに投げる」と非効率になります。\n\nなぜなら、GPU上にはすでに、\n\n- モデル重み\n- KV cache\n- prefix cache\n- LoRA adapter\n- tokenizer状態\n- speculative decoding用draft model\n- safety model\n\nなどが載っているからです。\n\nLLMロードバランサは、以下を見てルーティングする必要があります。\n\n![](/media/2788f00ffb7a40fa1e2f8920115c46262d6738e4e9be49fceab60034b90c4b0e-content.webp)\n\nSGLangは、agent control、RAG、JSON decoding、multi-turn chatのような複雑なLLMアプリケーションで、構造を利用して推論を効率化するフレームワークです。論文では、RadixAttentionなどにより複雑な言語モデルプログラムで最大6.4倍のスループット改善が報告されています。([arXiv](https://arxiv.org/abs/2312.07104?utm_source=chatgpt.com))\n\nこの意味で、LLMロードバランサは従来のL7ロードバランサではなく、\n\n```\nAIリクエストルーター\n+\nKV cacheルーター\n+\nモデル常駐ルーター\n+\nSLO制御器\n```\n\nになります。\n\n将来的には、ロードバランサが、\n\n```\nこのリクエストはGPUではなくLPUへ\nこの長文prefillはGPUクラスタAへ\ndecodeは別GPUプールへ\n社内機密データなのでconfidential GPUへ\n低価格プランなのでbatch queueへ\n```\n\nのように判断することになります。\n\n---\n\n## \\8. 課金 → GPU秒、token秒、KV cache秒、推論SLO課金\n\nCPUクラウドの課金は、最初は比較的単純でした。\n\n```\nVMを何時間使ったか\nCPUを何vCPU使ったか\nメモリを何GB使ったか\nストレージを何GB使ったか\n通信量がどれだけか\n```\n\nGPUクラウドでも、初期は「GPU時間課金」です。\n\n```\nH100を1時間使ったので何ドル\n```\n\nしかしLLM時代には、GPU時間だけでは正確な課金になりません。\n\n同じGPU 1時間でも、\n\n```\n短文チャットを大量に処理\n長文コンテキストを少数処理\n動画生成を処理\nembeddingを処理\nbatch推論を処理\n低遅延SLO付き推論を処理\n```\n\nでは原価が違います。\n\nそのため今後は、課金単位が細かくなります。\n\n![](/media/e6bd00a7a54e78acc3c249f2de6e3f9236471bf829deb28fb0b995f0c79c8ef2-content.webp)\n\n特に重要なのは、**KV cache課金**です。\n\nAIエージェントは長時間動き、会話履歴や作業状態を持ちます。 \nその状態をGPU/HBM上に保持するなら、それは「計算」ではなく「高価な短期記憶」を占有していることになります。\n\nつまり未来のAIクラウド課金は、\n\n```\n計算した量\n+\n記憶していた量\n+\n速さを保証した量\n+\n安全性を保証した量\n```\n\nになります。\n\nCPUクラウドでは「CPU時間 + メモリ + ストレージ + 通信量」でした。 \nGPUクラウドでは「GPU時間 + HBM + token + KV cache + SLO」になります。\n\n---\n\n## \\9. セキュリティ → サイドチャネル、モデル/データ漏洩対策\n\nCPUクラウドのセキュリティでは、\n\n- VM隔離\n- IAM\n- VPC\n- firewall\n- TLS\n- disk encryption\n- audit log\n- vulnerability scanning\n- confidential computing\n\nが成熟してきました。\n\nGPU時代には、新しい攻撃面が増えます。\n\n## 重要なリスク\n\n![](/media/a70d20c26733656eecf83ef2e6531ee98ad15039bc21ca18e22a9fa93907e6e1-content.webp)\n\nNVIDIA H100では、GPU confidential computingが導入され、仮想化環境やKubernetes環境で使えるGPU TEEの方向が示されています。NVIDIAはH100を、confidential computingをサポートする初のGPUとして説明しています。([NVIDIA Developer](https://developer.nvidia.com/blog/confidential-computing-on-h100-gpus-for-secure-and-trustworthy-ai/?utm_source=chatgpt.com))\n\nただし、これは「すべて解決」という意味ではありません。\n\nGPU仮想化環境のサイドチャネル攻撃は研究され続けています。NDSS 2026の論文では、仮想化GPUのTLBを使ったクロスVMサイドチャネル攻撃が示されており、GPUマルチテナントのセキュリティがCPUクラウド並みに成熟するにはまだ課題があることが分かります。([NDSS Symposium](https://www.ndss-symposium.org/ndss-paper/exploiting-tlbs-in-virtualized-gpus-for-cross-vm-side-channel-attacks/?utm_source=chatgpt.com))\n\nGPUクラウドのセキュリティは、以下の多層構造になります。\n\n```\nアプリ層：\n prompt filtering\n output filtering\n tenant policy\n\nモデル層：\n model weight encryption\n LoRA隔離\n safety model\n\nランタイム層：\n sandboxed CUDA\n container isolation\n request isolation\n\nGPU層：\n MIG\n vGPU\n HBM zeroing\n cache/TLB対策\n confidential computing\n\nI/O層：\n IOMMU\n DMA制御\n GPUDirect RDMA制御\n DPU/SmartNIC firewall\n\nクラウド層：\n IAM\n audit log\n billing log\n anomaly detection\n```\n\nCPUクラウドのセキュリティが「VMの中身を守る」だったとすれば、GPUクラウドのセキュリティは、**モデル、プロンプト、KV cache、GPUメモリ、GPU kernel、GPUドライバ、ネットワークDMAまで守る**必要があります。\n\n---\n\n## \\10. 全体像：CPUクラウドとGPUクラウドの違い\n\nまとめると、CPUクラウドとGPUクラウドは似ていますが、難易度が違います。\n\n![](/media/a0a8629d90590dded13cbc855bc83f15b5a3b4f45ce0aa2126f1e9e680f5c6db-content.webp)\n\nGPUクラウドの本質は、単にGPUを貸すことではありません。\n\n本質は、\n\n> **GPUを、LLM/AIエージェント用のクラウド資源として、細かく、安全に、高稼働で、トークン単位に制御すること**\n\nです。\n\n---\n\n## \\11. 最終的に必要になる「GPUクラウドOS」\n\nこの表の各行を統合すると、最終的に必要になるのは、GPU版クラウドOSです。\n\nそれは以下を全部持ちます。\n\n```\nGPU仮想化：\n MIG / vGPU / passthrough / time-slicing\n\nGPU-aware scheduling：\n GPU種別、HBM、NVLink、NIC距離、SLOを見て配置\n\nLLM serving runtime：\n vLLM / SGLang / TensorRT-LLM / Dynamo\n\nKV cache manager：\n PagedAttention、prefix cache、multi-tier KV cache\n\ntoken-level autoscaler：\n request数ではなくtokenとKV cacheでスケール\n\nAI load balancer：\n model / cache / SLO / tenant / data localityでルーティング\n\nsecurity layer：\n confidential GPU、MIG隔離、DMA制御、side-channel対策\n\nbilling layer：\n GPU秒、token、KV cache、SLO、priorityで課金\n\nobservability：\n GPU利用率、HBM、TTFT、TPOT、MFU、tenant原価を監視\n```\n\nCPUクラウドが25年かけて成熟させたものを、GPUクラウドはAI需要の爆発によって、もっと短い期間で再発明することになります。\n\n---\n\n## まとめ\n\nこの表の意味は、かなり深いです。\n\nCPUクラウドでは、物理CPUをVMやコンテナに分け、複数顧客に安全に貸し、負荷に応じてスケールし、使った分だけ課金する仕組みが成熟しました。\n\nGPU時代には、それをそのままGPUに移すだけでは足りません。\n\nなぜならGPU時代の基本単位は、VMではなく、\n\n```\nモデル\nトークン\nKV cache\nGPUメモリ\nprefill\ndecode\n推論SLO\n```\n\nになるからです。\n\nしたがって、GPUクラウドでは、\n\n> **仮想GPU、GPU-aware Kubernetes、LLMジョブスケジューラ、KV cacheルーティング、token単位課金、GPU confidential computing、サイドチャネル対策**\n\nが必要になります。\n\n最終的には、GPUクラウドの競争は「GPUを何枚持っているか」ではなく、\n\n> **GPUをどれだけCPUクラウドのように細かく、安全に、効率よく、課金可能な資源に変換できるか**\n\nの競争になります。\n\n---\n\n## 現状のGPUクラウド\n\n現状のGPUクラウドは、かなり率直に言うと、**「GPUをクラウドで貸す段階」は実用化済みだが、「CPUクラウドのように高稼働・安全・細粒度・自動最適化された段階」にはまだ達していない**です。\n\n私の評価では、2026年時点のGPUクラウドは **5段階中で2.5〜3くらい** です。\n\n```\nLv1：GPUサーバーを貸せる\nLv2：KubernetesやMIGである程度運用できる\nLv3：LLM推論をvLLM/SGLang/TensorRT-LLMなどで最適化し始めた\nLv4：トークン/KV cache/SLO単位で自動スケール・課金・ルーティングできる\nLv5：CPUクラウド並みに安全・高稼働・標準化・マルチテナント化されている\n```\n\n今は **Lv2.5〜Lv3**。 \nつまり、**部品は揃い始めたが、全体としてはまだ未成熟**です。\n\n---\n\n## \\1. できていること\n\n現在のGPUクラウドでは、すでに以下は実用段階です。\n\n- NVIDIA H100/H200/B200/GB200系GPUをクラウドで借りる\n- GPU付きKubernetesクラスタを動かす\n- MIGでGPUを分割する\n- vGPUやtime-slicingで共有する\n- vLLM、TensorRT-LLM、SGLangなどでLLM推論を高速化する\n- GPU監視、ログ、メトリクスを取る\n- CoreWeaveなどのネオクラウドがAI特化GPUクラウドを大規模運用する\n\nNVIDIAのMIGは、対応GPUを複数の独立インスタンスに分割し、それぞれに専用のcompute/memory resourceを持たせる技術です。つまり、GPUを「1枚丸ごと貸す」だけでなく、「小さなGPUインスタンス」として切り出すことはすでに可能です。([NVIDIA Docs](https://docs.nvidia.com/datacenter/tesla/mig-user-guide/?utm_source=chatgpt.com))\n\nまた、vLLMのPagedAttentionはKV cacheをOSの仮想メモリのように管理し、同じレイテンシ条件でLLM推論スループットを2〜4倍改善したと報告されています。これはGPUクラウドが「LLM向けクラウドOS」に近づく重要な技術です。([arXiv](https://arxiv.org/abs/2309.06180?utm_source=chatgpt.com))\n\n---\n\n## \\2. まだ弱いところ\n\n一方で、現状のGPUクラウドはかなり無駄が多いです。\n\nCast AIの2026年レポートでは、AWS、Azure、Google Cloud上のKubernetesクラスタ分析で、**GPU利用率平均はわずか5%** とされています。CPU利用率も8%、メモリ利用率も20%で、クラウド全体に過剰プロビジョニングがあるとされています。([Cast AI](https://cast.ai/press-release/2026-state-of-kubernetes-optimization-report/?utm_source=chatgpt.com))\n\nxAIの例でも、報道ではGPUフリートのMFU、つまりModel FLOPs Utilizationが約11%で、業界比較として35〜45%程度が示されています。これは「GPUが完全停止している」という意味ではなく、理論性能に対してモデル計算として有効に使えている割合が低いという意味です。([Business Insider](https://www.businessinsider.com/elon-musk-xai-compute-cursor-ai-model-training-2026-4?utm_source=chatgpt.com))\n\nつまり現状は、\n\n```\nGPUを持っている\n↓\nGPUをクラウドで貸せる\n↓\nでも、高稼働で使い切るのは難しい\n```\n\nという段階です。\n\n---\n\n## \\3. CPUクラウドと比べると、どれくらい未成熟か\n\nCPUクラウドは、すでにかなり成熟しています。\n\nCPUクラウドでは、\n\n- VM\n- コンテナ\n- Kubernetes\n- IAM\n- ロードバランサ\n- オートスケール\n- 監視\n- 課金\n- セキュリティ\n- マルチテナント分離\n\nが標準化されています。\n\n一方、GPUクラウドでは、これらのGPU版がまだ作られている途中です。\n\n![](/media/1f990b47f1774101521eda27bdb7c5dd903bb437177e1b72019b90ef09804f07-content.webp)\n\nKubernetes側では、GPUやFPGAのような特殊デバイスを柔軟に扱うDRA、Dynamic Resource AllocationがKubernetes 1.34で大きく進展し、中核APIがGAになっています。これはGPUクラウド成熟に向けた重要な基盤ですが、まだ「CPUクラウド並みに当たり前」とまでは言えません。([Kubernetes](https://kubernetes.io/blog/2025/09/01/kubernetes-v1-34-dra-updates/?utm_source=chatgpt.com))\n\n---\n\n## \\4. 一番進んでいるのは「LLM推論最適化」\n\nGPUクラウドの中で、特に進んでいるのは **LLM推論の効率化** です。\n\nここではすでに、\n\n- continuous batching\n- PagedAttention\n- prefix cache\n- KV cache管理\n- prefill/decode分離\n- speculative decoding\n- disaggregated serving\n- intelligent routing\n\nが急速に発展しています。\n\nNVIDIA Dynamoは、vLLM、SGLang、TensorRT-LLMなどを置き換えるのではなく、それらをデータセンター規模の分散推論システムとして協調させるオーケストレーション層です。GitHub上でも、disaggregated serving、intelligent routing、multi-tier KV caching、automatic scalingを扱うと説明されています。([GitHub](https://github.com/ai-dynamo/dynamo?utm_source=chatgpt.com))\n\nつまり、**LLM推論クラウドの成熟度は比較的高く、Lv3に近い**です。\n\nただし、これはLLM推論に限った話です。 \n画像生成、動画生成、VLA、学習、マルチテナント安全共有まで含めると、まだ成熟度は下がります。\n\n---\n\n## \\5. 学習クラスタは「トップ企業だけ高レベル」\n\n大規模学習では、トップAIラボや大手クラウド企業はかなり高い水準にあります。\n\nMegaScaleの論文では、12,288 GPUで175B LLMを学習し、55.2% MFUを達成したと報告されています。これは非常に高い水準で、トップ層ではGPUクラスタをかなり使いこなしていることを示します。([arXiv](https://arxiv.org/abs/2402.15627?utm_source=chatgpt.com))\n\nただし、これは「誰でもできる」わけではありません。 \nこのレベルには、\n\n- 分散学習ノウハウ\n- ネットワーク最適化\n- 障害復旧\n- データパイプライン\n- オペレータ最適化\n- 通信と計算のオーバーラップ\n- 深いobservability\n\nが必要です。\n\nなので現状は、\n\n```\nトップAIラボ：Lv4に近い部分もある\n一般企業GPUクラウド：Lv2前後\nネオクラウド/大手クラウド：Lv3前後\n```\n\nという差があります。\n\n---\n\n## \\6. マルチテナントGPUはまだ難しい\n\nGPUクラウドがCPUクラウド並みに成熟するうえで、最大の難所は **安全なマルチテナント共有** です。\n\nNVIDIA GPU Operatorのtime-slicingでは、多くのユーザーでGPUを共有できますが、その代わりMIGが提供するメモリ隔離やfault isolationを犠牲にすると説明されています。([NVIDIA Docs](https://docs.nvidia.com/datacenter/cloud-native/gpu-operator/latest/gpu-sharing.html?utm_source=chatgpt.com))\n\nつまり、\n\n```\nMIG：\n 隔離は強い\n でも柔軟性は低い\n\ntime-slicing：\n 共有はしやすい\n でも隔離は弱い\n```\n\nというトレードオフがあります。\n\nさらにH100ではGPU confidential computingも導入され、VMやKubernetes環境で利用可能とされていますが、GPUマルチテナントの安全性はまだ発展途上です。([NVIDIA Developer](https://developer.nvidia.com/blog/confidential-computing-on-h100-gpus-for-secure-and-trustworthy-ai/?utm_source=chatgpt.com))\n\nこのため、金融、医療、政府、企業機密データを扱う用途では、完全共有よりも専用GPU、専用クラスタ、confidential GPU、オンプレ/プライベートクラウドが好まれる場面がまだ多いと思います。\n\n---\n\n## \\7. 現状を一言で言うと\n\nGPUクラウドの現状は、\\*\\*「初期EC2からKubernetes普及期へ向かう途中」\\*\\*に近いです。\n\nCPUクラウドで例えるなら、\n\n```\n物理サーバーを借りる時代\n ↓\nVMで借りる時代\n ↓\nKubernetesで自動運用する時代\n ↓\nサーバーレス/マネージドサービス化する時代\n```\n\nという流れがありました。\n\nGPUクラウドは今、\n\n```\nGPUサーバーを借りる時代\n ↓\nMIG/vGPU/Kubernetesで分割・運用し始めた時代\n ↓\nLLM推論エンジンで高効率化し始めた時代\n```\n\nあたりです。\n\nまだ、\n\n```\nGPUを完全に安全に共有する\ntoken/KV cache/SLO単位で課金する\n自動的にGPU/TPU/LPUへルーティングする\n障害時にKV cacheごと復旧する\n顧客ごとの原価を正確に出す\n```\n\nという段階には十分達していません。\n\n---\n\n## \\8. 私の成熟度評価\n\n![](/media/668551b619da4e8e73c04f1d7ce5a2a14f9261b97137b1ba5410899f2908b372-content.webp)\n\n総合すると、**GPUクラウドはLv2.5〜3**。 \nただし、トップ企業の一部領域だけを見るとLv4に近いです。\n\n---\n\n## \\9. 今後の到達イメージ\n\n私の見立てでは、GPUクラウドはこう進むと思います。\n\n```\n2026年現在：\n GPUクラウドは実用化済み。\n ただし利用率は低く、運用は職人芸に近い。\n\n2027〜2028年：\n vLLM/SGLang/Dynamo/DRA/MIG運用が一般化。\n 推論クラウドはかなり改善。\n\n2029〜2031年：\n token、KV cache、SLO単位のスケジューリングと課金が広がる。\n GPUクラウドOS化が進む。\n\n2030年代前半：\n CPUクラウドに近いマルチテナント・自動化・監視・課金体系へ近づく。\n```\n\n---\n\n## まとめ\n\nGPUクラウドの現状レベルは、**「GPUをクラウドで使える」段階は十分実用化済みだが、「CPUクラウド並みに高効率・安全・自動・細粒度に使える」段階にはまだ届いていない**です。\n\n評価するなら、\n\n> **現在のGPUクラウド：Lv2.5〜3 / 5** \n> **トップAIラボの学習基盤：一部Lv4** \n> **一般企業のGPU利用：Lv1.5〜2.5** \n> **2030年代前半の目標：Lv4〜5**\n\nです。\n\n一番近い表現は、これです。\n\n> **今のGPUクラウドは、CPUクラウドでいう初期EC2〜Kubernetes普及期の中間。 \n> すでに使えるが、まだ高価で、無駄が多く、運用は難しく、セキュリティと課金は未成熟。 \n> これから“AIクラウドOS”として本格的に成熟していく段階です。**\n\n特定銘柄の推奨・勧誘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。\n\nサムネはPixAIsunflowerモデルとGPTImage2.0","blocks":[{"id":"blk_f904af18-294f-4ce0-9944-29104ea0d43e","kind":"figure","order":0,"section_id":"sec_48d2c3d4-7a84-415d-a0ca-ce5251183c31","character_id":null,"markdown":"![](/media/defd1bf93cdb4c9a8c332176135a6ccd583562baa80646730398e689256bf8fa-content.webp)","render_override":null},{"id":"blk_1d8139c7-df45-451b-a61b-b3aa9cbf99a8","kind":"heading","order":1,"section_id":"sec_b43559f0-c0b3-4208-86c8-07071c24592f","character_id":null,"markdown":"## GPUクラウド成熟で何が起きるのか","render_override":null},{"id":"blk_bb6d06ff-9a58-4510-8cd6-003491e73d01","kind":"heading","order":2,"section_id":"sec_94d2b650-6015-4621-a0f3-6956ceadc6a8","character_id":null,"markdown":"## ― CPUクラウド、GPU稼働率、TPU/LPUクラウド、CPU需要の今後 ―","render_override":null},{"id":"blk_cbe4bbe6-0e08-467b-9777-dc6dce253f77","kind":"paragraph","order":3,"section_id":"sec_94d2b650-6015-4621-a0f3-6956ceadc6a8","character_id":null,"markdown":"現代のAIインフラを考えるうえで、重要なのは「GPUを何枚持っているか」だけではありません。むしろ次の競争軸は、**GPU、TPU、LPUといった高価なアクセラレータを、どれだけ高稼働・高効率・安全にクラウド資源として使い切れるか**です。","render_override":null},{"id":"blk_a4dd2bad-b546-4f86-b377-16c640679c41","kind":"paragraph","order":4,"section_id":"sec_94d2b650-6015-4621-a0f3-6956ceadc6a8","character_id":null,"markdown":"そしてこの問題は、単なるAI企業の技術課題ではなく、CPU需要、クラウド事業、半導体、ネットワーク、セキュリティ、電力インフラまで巻き込む大きな産業テーマになっています。","render_override":null},{"id":"blk_292a1c59-2a92-4390-92e0-a7dbf7022c40","kind":"thematic_break","order":5,"section_id":"sec_94d2b650-6015-4621-a0f3-6956ceadc6a8","character_id":null,"markdown":"---","render_override":null},{"id":"blk_48921bf7-28b0-4ffc-adae-8faf70b18cb7","kind":"heading","order":6,"section_id":"sec_9ca3e5c1-9fef-4ab3-ac7b-6042de024ca2","character_id":null,"markdown":"## \\1. CPUクラウドとは何か","render_override":null},{"id":"blk_8419ba30-e286-4f00-82e8-e4c5332b30e5","kind":"paragraph","order":7,"section_id":"sec_9ca3e5c1-9fef-4ab3-ac7b-6042de024ca2","character_id":null,"markdown":"CPUクラウドとは、インターネット越しにCPUサーバー、メモリ、ストレージ、ネットワークを借りて、Webサービス、アプリ、データベース、API、業務システムなどを動かす仕組みです。","render_override":null},{"id":"blk_b530c43b-0ade-458e-815e-8b9d248d80e4","kind":"paragraph","order":8,"section_id":"sec_9ca3e5c1-9fef-4ab3-ac7b-6042de024ca2","character_id":null,"markdown":"代表例はAWS EC2です。AWSは2006年にEC2を発表し、「クラウド上で伸縮可能な計算能力を提供し、必要な容量だけ使い、使った分だけ払う」というモデルを示しました。これが現在のクラウド経済の原型です。([Amazon Web Services, Inc.](https://aws.amazon.com/about-aws/whats-new/2006/08/24/announcing-amazon-elastic-compute-cloud-amazon-ec2---beta/))","render_override":null},{"id":"blk_b58885bc-c577-44b8-a16e-2b843e6b1fa0","kind":"paragraph","order":9,"section_id":"sec_9ca3e5c1-9fef-4ab3-ac7b-6042de024ca2","character_id":null,"markdown":"CPUクラウドが25年近くかけて作り上げたものは、単なる「CPU貸し」ではありません。","render_override":null},{"id":"blk_920384d1-0d55-468f-8d3a-1a529e1647c9","kind":"figure","order":10,"section_id":"sec_9ca3e5c1-9fef-4ab3-ac7b-6042de024ca2","character_id":null,"markdown":"![](/media/818ccbee8424aace076d8a89e47ae2bb017eba32a54f292355924856e44195d8-content.webp)","render_override":null},{"id":"blk_5b89544d-543a-41c6-b5db-bfc2d2cf90ec","kind":"paragraph","order":11,"section_id":"sec_9ca3e5c1-9fef-4ab3-ac7b-6042de024ca2","character_id":null,"markdown":"Kubernetesもその象徴です。Kubernetesはコンテナ化されたアプリケーションのデプロイ、スケーリング、管理を自動化する仕組みで、クラウド上のCPU資源を柔軟に使う標準的な基盤になりました。([Kubernetes](https://kubernetes.io/))","render_override":null},{"id":"blk_8e79758e-06d9-4dd3-b42a-dbeb9224d0d0","kind":"paragraph","order":12,"section_id":"sec_9ca3e5c1-9fef-4ab3-ac7b-6042de024ca2","character_id":null,"markdown":"つまりCPUクラウドとは、**CPUを中心とした計算資源を、細かく、安全に、動的に、課金可能な形で提供する社会インフラ**です。","render_override":null},{"id":"blk_a9b6778c-1511-4f7c-8f5f-d2cf95b26952","kind":"thematic_break","order":13,"section_id":"sec_9ca3e5c1-9fef-4ab3-ac7b-6042de024ca2","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d752e588-3c99-4bdc-9098-682a63fee6e8","kind":"heading","order":14,"section_id":"sec_681b6fd1-07d7-4683-973d-dc04eb7e16a2","character_id":null,"markdown":"## \\2. GPUクラウドとは何か","render_override":null},{"id":"blk_f8293695-228d-47dc-9cb7-974202d9815c","kind":"paragraph","order":15,"section_id":"sec_681b6fd1-07d7-4683-973d-dc04eb7e16a2","character_id":null,"markdown":"GPUクラウドとは、クラウド上でGPUサーバーを借り、AI学習、AI推論、画像生成、動画生成、科学計算、ロボティクス/VLA学習などを行う仕組みです。","render_override":null},{"id":"blk_7f4c688e-2dd1-4a32-9dfa-ea01b3aa503b","kind":"paragraph","order":16,"section_id":"sec_681b6fd1-07d7-4683-973d-dc04eb7e16a2","character_id":null,"markdown":"CPUクラウドがWebサービスや業務アプリの基盤だとすると、GPUクラウドは、**AIを作り、AIを動かすための計算工場**です。","render_override":null},{"id":"blk_1f71e73b-514d-4b6c-aab9-8bdcf811823c","kind":"paragraph","order":17,"section_id":"sec_681b6fd1-07d7-4683-973d-dc04eb7e16a2","character_id":null,"markdown":"ただし、GPUクラウドはまだCPUクラウドほど成熟していません。現在のGPUクラウドは、多くの場合まだ「高価なGPUサーバーを貸す」段階に近く、CPUクラウドのように細かく安全に分割し、複数顧客・複数モデル・複数ジョブに高効率で割り当てる仕組みは発展途上です。","render_override":null},{"id":"blk_66429c05-81c8-4a64-bab2-f0c82625a02e","kind":"paragraph","order":18,"section_id":"sec_681b6fd1-07d7-4683-973d-dc04eb7e16a2","character_id":null,"markdown":"NVIDIAのMIGはこの方向の重要な部品です。MIGは対応GPUを複数の独立したインスタンスに分割し、それぞれに専用の計算資源とメモリ資源を与える仕組みで、複数ユーザーや複数ワークロードでGPU利用率を高めるために使われます。([NVIDIA Docs](https://docs.nvidia.com/datacenter/tesla/mig-user-guide/))","render_override":null},{"id":"blk_78d25d2c-4ca9-42e3-9c37-8534ad3675b2","kind":"thematic_break","order":19,"section_id":"sec_681b6fd1-07d7-4683-973d-dc04eb7e16a2","character_id":null,"markdown":"---","render_override":null},{"id":"blk_e1cf703a-5a57-4881-b27b-24449abae67e","kind":"heading","order":20,"section_id":"sec_d6048052-b453-45bf-b44f-f6de73b7c164","character_id":null,"markdown":"## \\3. GPUクラウドの稼働率はなぜ低いのか","render_override":null},{"id":"blk_083a7f79-f4c1-43da-98ee-6e005baa66ae","kind":"paragraph","order":21,"section_id":"sec_d6048052-b453-45bf-b44f-f6de73b7c164","character_id":null,"markdown":"ここでいう稼働率には3種類あります。","render_override":null},{"id":"blk_11a9e768-c1e1-4172-a236-b80ecab72847","kind":"figure","order":22,"section_id":"sec_d6048052-b453-45bf-b44f-f6de73b7c164","character_id":null,"markdown":"![](/media/b1d1d0c94d6aae15c6f7496f3cfaf608c1196fe47ee8ceea9a884bee542fc789-content.webp)","render_override":null},{"id":"blk_cb85c503-d1d8-4660-8285-a0f278d0525e","kind":"paragraph","order":23,"section_id":"sec_d6048052-b453-45bf-b44f-f6de73b7c164","character_id":null,"markdown":"現在のGPUクラウドは、このどれを見ても非効率な例が目立ちます。Cast AIの2026年レポートでは、AWS、Azure、Google Cloud上のKubernetesクラスタ分析で、GPU利用率平均がわずか5%、CPU利用率も8%、メモリ利用率が20%とされています。これは企業がAI用GPUを確保しているものの、実際には十分に使い切れていない状況を示しています。([Cast AI](https://cast.ai/press-release/2026-state-of-kubernetes-optimization-report/))","render_override":null},{"id":"blk_0ea6da41-a424-4407-ace5-98ee3f82d5f4","kind":"paragraph","order":24,"section_id":"sec_d6048052-b453-45bf-b44f-f6de73b7c164","character_id":null,"markdown":"また、xAIのGPUフリートについても、MFUが約11%だったと報じられました。これは「GPUの89%が完全停止」という意味ではなく、理論上の演算能力に対して、実際のモデル学習に有効利用できている割合が低いという意味です。報道では、業界比較として35〜45%程度が挙げられています。([Business Insider](https://www.businessinsider.com/elon-musk-xai-compute-cursor-ai-model-training-2026-4?utm_source=chatgpt.com))","render_override":null},{"id":"blk_4f9a1b2a-65a5-4777-956f-ab5a56bc4617","kind":"paragraph","order":25,"section_id":"sec_d6048052-b453-45bf-b44f-f6de73b7c164","character_id":null,"markdown":"GPUクラウドの稼働率が低い理由は、GPUが単なるCPUの高速版ではないからです。LLMでは、GPUメモリ、KV cache、prefill、decode、ネットワーク通信、モデル重み、バッチング、レイテンシ制約が絡み合います。","render_override":null},{"id":"blk_7ad5e26f-ee2e-48c6-af05-6c5dd08afc55","kind":"paragraph","order":26,"section_id":"sec_d6048052-b453-45bf-b44f-f6de73b7c164","character_id":null,"markdown":"特にAIエージェント時代には、1回の巨大推論だけでなく、小さな推論、ツール呼び出し、再推論、RAG、長文処理、JSON出力、音声・画像・動画処理が混ざります。その結果、GPUを単純に「1モデル1GPU」「1顧客1GPU」で割り当てると、すぐに無駄が出ます。","render_override":null},{"id":"blk_3e394115-8616-406e-bfed-1a9fc22e99c0","kind":"thematic_break","order":27,"section_id":"sec_d6048052-b453-45bf-b44f-f6de73b7c164","character_id":null,"markdown":"---","render_override":null},{"id":"blk_6b8e7aea-f5ad-49d5-8ca5-1a6cff8601b6","kind":"heading","order":28,"section_id":"sec_0ddaeb93-1732-4096-96c9-c776a8183e73","character_id":null,"markdown":"## \\4. GPUクラウドが成熟すると何が変わるのか","render_override":null},{"id":"blk_c5979d2e-0831-4eac-9072-b92556d826c4","kind":"paragraph","order":29,"section_id":"sec_0ddaeb93-1732-4096-96c9-c776a8183e73","character_id":null,"markdown":"GPUクラウドが成熟するとは、単にGPUが増えることではありません。","render_override":null},{"id":"blk_913ecdae-c4ab-40bb-8b8c-12f88cf1e2d4","kind":"paragraph","order":30,"section_id":"sec_0ddaeb93-1732-4096-96c9-c776a8183e73","character_id":null,"markdown":"本質は、GPUをCPUクラウドのように、","render_override":null},{"id":"blk_c8e6e5a0-8da9-4b16-9ab6-3b76c61aabf4","kind":"quote","order":31,"section_id":"sec_0ddaeb93-1732-4096-96c9-c776a8183e73","character_id":null,"markdown":"> 細かく分ける \n> 動的に配置する \n> 複数顧客で安全に共有する \n> トークン単位で課金する \n> KV cacheを管理する \n> レイテンシSLOを保証する \n> 障害時に復旧する \n> 稼働率を常時監視する","render_override":null},{"id":"blk_fc7e6a44-8b79-4ba1-8587-d1ac51e8a9c8","kind":"paragraph","order":32,"section_id":"sec_0ddaeb93-1732-4096-96c9-c776a8183e73","character_id":null,"markdown":"という段階に進むことです。","render_override":null},{"id":"blk_6d508607-8bbc-4356-a73b-96913112aa23","kind":"paragraph","order":33,"section_id":"sec_0ddaeb93-1732-4096-96c9-c776a8183e73","character_id":null,"markdown":"このための技術はすでに出ています。","render_override":null},{"id":"blk_5567ae77-62a5-4a9d-947f-e6ba3f416e4e","kind":"paragraph","order":34,"section_id":"sec_0ddaeb93-1732-4096-96c9-c776a8183e73","character_id":null,"markdown":"vLLMのPagedAttentionは、OSの仮想メモリに似た考え方でKV cacheをブロック管理し、LLM推論のメモリ無駄を減らします。論文では、KV cacheの無駄をほぼゼロに近づけ、同じレイテンシ条件で既存システムより2〜4倍のスループット改善を示したとされています。([arXiv](https://arxiv.org/abs/2309.06180?utm_source=chatgpt.com))","render_override":null},{"id":"blk_3b6ede4f-2161-485e-967a-f511f40c0d3c","kind":"paragraph","order":35,"section_id":"sec_0ddaeb93-1732-4096-96c9-c776a8183e73","character_id":null,"markdown":"DistServeは、LLM推論のprefillとdecodeを分離し、それぞれを別GPUに割り当てることで干渉を減らします。論文では、既存方式より最大7.4倍多いリクエスト、または12.6倍厳しいSLOを満たせると報告されています。([arXiv](https://arxiv.org/abs/2401.09670?utm_source=chatgpt.com))","render_override":null},{"id":"blk_f8bcdf32-ca88-4776-a297-f5a795e8756a","kind":"paragraph","order":36,"section_id":"sec_0ddaeb93-1732-4096-96c9-c776a8183e73","character_id":null,"markdown":"SGLangは、エージェント制御、RAG、JSON生成、複数ターン会話など、複雑なLLMアプリケーションを効率化するランタイムで、最大6.4倍のスループット改善を報告しています。([arXiv](https://arxiv.org/abs/2312.07104?utm_source=chatgpt.com))","render_override":null},{"id":"blk_29c262f1-96ba-43c4-9acf-9abe3425e017","kind":"paragraph","order":37,"section_id":"sec_0ddaeb93-1732-4096-96c9-c776a8183e73","character_id":null,"markdown":"さらにKubernetes側でも、DRA、Dynamic Resource Allocationが進んでいます。Kubernetes 1.34ではDRAの中核APIがGAになり、GPU、TPU、NICなどの特殊デバイスをより柔軟に選択・割り当て・共有・構成できる方向に進んでいます。([Kubernetes](https://kubernetes.io/blog/2025/08/27/kubernetes-v1-34-release/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_3081fc7a-cac6-4023-9d2b-aeaf509536ba","kind":"paragraph","order":38,"section_id":"sec_0ddaeb93-1732-4096-96c9-c776a8183e73","character_id":null,"markdown":"つまり、GPUクラウドは2030年代に向けて、**GPUをただ貸すサービス**から、**トークン、KV cache、GPUメモリ、SLO、モデル常駐、推論フェーズ単位で管理するクラウドOS**へ進化していくと考えられます。","render_override":null},{"id":"blk_69c0ccd4-6e1e-4ce6-90a2-6886803e3fa7","kind":"thematic_break","order":39,"section_id":"sec_0ddaeb93-1732-4096-96c9-c776a8183e73","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7cfc781e-e992-4bcd-a34a-22f0985bcbca","kind":"heading","order":40,"section_id":"sec_4ad25583-0d21-4b4a-b736-1e95b9a2ed9f","character_id":null,"markdown":"## \\5. GPUクラウドの稼働率はどこまで改善するか","render_override":null},{"id":"blk_be4e20fb-e86d-41d4-a5e6-4cc9619f4737","kind":"paragraph","order":41,"section_id":"sec_4ad25583-0d21-4b4a-b736-1e95b9a2ed9f","character_id":null,"markdown":"現在のGPUクラウドは、未最適化な企業環境では5〜20%程度の利用率にとどまる例があります。一方、最適化された学習クラスタや推論基盤では35〜50%程度、トップ層ではさらに上を狙う形になります。","render_override":null},{"id":"blk_e64e4b79-26b6-4c98-b2b9-825a32ce8fe5","kind":"paragraph","order":42,"section_id":"sec_4ad25583-0d21-4b4a-b736-1e95b9a2ed9f","character_id":null,"markdown":"私の見立てでは、2030年代前半には次のような水準が現実的です。","render_override":null},{"id":"blk_3600a729-6a3e-4ddb-b89b-43f104e86d4f","kind":"figure","order":43,"section_id":"sec_4ad25583-0d21-4b4a-b736-1e95b9a2ed9f","character_id":null,"markdown":"![](/media/892afb27459bb8f29d48c93bca4a76173763bc121af8d899389bbef5510c97ef-content.webp)","render_override":null},{"id":"blk_c38ccbc6-9433-4df6-af3d-80dfcea62c84","kind":"paragraph","order":44,"section_id":"sec_4ad25583-0d21-4b4a-b736-1e95b9a2ed9f","character_id":null,"markdown":"ただし、常時90%以上を目指すのは現実的ではありません。AI推論では急激な需要変動、低遅延SLO、障害時の余裕容量が必要だからです。","render_override":null},{"id":"blk_3625373f-409d-4af1-9e04-edc700d913e8","kind":"paragraph","order":45,"section_id":"sec_4ad25583-0d21-4b4a-b736-1e95b9a2ed9f","character_id":null,"markdown":"したがって、理想は100%稼働ではなく、**レイテンシと信頼性を守りながら50〜70%台を安定して出すこと**だと思います。","render_override":null},{"id":"blk_8d878247-e031-46ca-9a48-fa9b3cd5e31a","kind":"thematic_break","order":46,"section_id":"sec_4ad25583-0d21-4b4a-b736-1e95b9a2ed9f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_eb321660-db77-481f-9bed-0d0b05353307","kind":"heading","order":47,"section_id":"sec_497bb58a-a483-4a7e-a196-9391220a7942","character_id":null,"markdown":"## \\6. TPUクラウドとの比較","render_override":null},{"id":"blk_25d76a55-84c9-483a-a79f-3511f7dcbd68","kind":"paragraph","order":48,"section_id":"sec_497bb58a-a483-4a7e-a196-9391220a7942","character_id":null,"markdown":"TPUクラウドは、Googleが開発したTensor Processing UnitをGoogle Cloud上で使える仕組みです。Google公式ドキュメントでは、Cloud TPUはTPUをGoogle Cloud上のスケーラブルな計算資源として提供するWebサービスであり、TPUは機械学習の大規模行列演算を高速化するASICと説明されています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/intro-to-tpu))","render_override":null},{"id":"blk_4e4b1edb-f7db-4752-a833-2fec78e43a7c","kind":"paragraph","order":49,"section_id":"sec_497bb58a-a483-4a7e-a196-9391220a7942","character_id":null,"markdown":"TPUはGPUより汎用性は低いですが、**大規模AI学習・推論に特化した垂直統合基盤**としては非常に強いです。","render_override":null},{"id":"blk_3b678f34-d14e-4e2c-8037-e36cc1592587","kind":"paragraph","order":50,"section_id":"sec_497bb58a-a483-4a7e-a196-9391220a7942","character_id":null,"markdown":"TPUが強い理由は、Googleが以下を一体で設計できるからです。","render_override":null},{"id":"blk_e66e360b-3c81-4d7b-ad93-2f265709d1c5","kind":"code","order":51,"section_id":"sec_497bb58a-a483-4a7e-a196-9391220a7942","character_id":null,"markdown":"```\nTPUチップ\n ↓\nTPU Pod\n ↓\n高速インターコネクト\n ↓\nXLA / JAX / TensorFlow / PyTorch/XLA\n ↓\nGoogle Cloud\n ↓\nGemini / Anthropic Claude などの大規模AIワークロード\n```","render_override":null},{"id":"blk_cc2553dc-8df5-48e8-82fa-b57b2352203e","kind":"paragraph","order":52,"section_id":"sec_497bb58a-a483-4a7e-a196-9391220a7942","character_id":null,"markdown":"GoogleのPaLM論文では、PaLM 540Bを6144個のTPU v4で学習し、MFU 46.2%を達成したと報告されています。これはTPUが、最適化された大規模AI学習で高い有効利用率を出せることを示しています。([Journal of Machine Learning Research](https://jmlr.org/papers/volume24/22-1144/22-1144.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_c7fe2ab6-b49c-4f04-8866-1d1d32a5938d","kind":"paragraph","order":53,"section_id":"sec_497bb58a-a483-4a7e-a196-9391220a7942","character_id":null,"markdown":"さらにAnthropicは2026年4月、GoogleおよびBroadcomとの提携で、2027年から複数ギガワット規模の次世代TPU capacityを利用すると発表しました。AnthropicはClaudeをAWS Trainium、Google TPUs、NVIDIA GPUsなど複数のAIハードウェアで訓練・運用しており、ワークロードに応じて最適なチップを使い分けると説明しています。([Anthropic](https://www.anthropic.com/news/google-broadcom-partnership-compute))","render_override":null},{"id":"blk_4ae6bf9e-d8a9-4bff-aae0-59c8767f44e3","kind":"paragraph","order":54,"section_id":"sec_497bb58a-a483-4a7e-a196-9391220a7942","character_id":null,"markdown":"つまり、TPUクラウドは「Google内部だけの技術」ではありません。Google Cloudを通じて外部企業も使えます。ただし、本当に高効率で使い切るには、Googleのコンパイラ、クラウド、モデル設計思想に乗る必要があります。","render_override":null},{"id":"blk_9063013b-58b6-4161-a83c-feec0371267d","kind":"thematic_break","order":55,"section_id":"sec_497bb58a-a483-4a7e-a196-9391220a7942","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2b2dcb2b-c714-4a72-aa84-502059f6f792","kind":"heading","order":56,"section_id":"sec_8c386d0d-3385-4a7f-8017-702e5566fdbf","character_id":null,"markdown":"## \\7. LPUクラウドとの比較","render_override":null},{"id":"blk_bbbb4823-59c7-466c-abcf-09d4e6d068ff","kind":"paragraph","order":57,"section_id":"sec_8c386d0d-3385-4a7f-8017-702e5566fdbf","character_id":null,"markdown":"LPUクラウドは、GroqのようなLanguage Processing Unitを使い、LLM推論を低遅延で提供するクラウドです。GroqCloudは、LPUを使ってテキスト、音声、画像入力系の生成AIモデルに高速推論を提供すると説明されています。([Groq](https://groq.com/groqcloud))","render_override":null},{"id":"blk_2ad0b374-7cb1-412f-9d6b-990fd734b2dc","kind":"paragraph","order":58,"section_id":"sec_8c386d0d-3385-4a7f-8017-702e5566fdbf","character_id":null,"markdown":"LPUはGPUやTPUと違い、主に**推論特化**です。特に、音声対話、リアルタイムチャット、AITuber、カスタマーサポート、軽量エージェントのように、1トークンごとの応答速度が重要な用途に向いています。","render_override":null},{"id":"blk_81446c7b-7297-4695-bf63-388cd121e160","kind":"paragraph","order":59,"section_id":"sec_8c386d0d-3385-4a7f-8017-702e5566fdbf","character_id":null,"markdown":"一方で、LPUは大規模学習、画像生成、動画生成、HPC、汎用CUDAワークロードには向きません。","render_override":null},{"id":"blk_75e03619-7ac6-4146-ba60-a020c23cdfe2","kind":"figure","order":60,"section_id":"sec_8c386d0d-3385-4a7f-8017-702e5566fdbf","character_id":null,"markdown":"![](/media/f052535f2bc432c50d5baf9694cbd2de3f15fff88b1a3564d419e135e1d755ea-content.webp)","render_override":null},{"id":"blk_d9dae394-2e2f-4e40-960a-bc022c86c400","kind":"paragraph","order":61,"section_id":"sec_8c386d0d-3385-4a7f-8017-702e5566fdbf","character_id":null,"markdown":"2030年代には、これらは置き換え関係というより、分業になる可能性が高いです。","render_override":null},{"id":"blk_35300359-9921-408f-b8ed-2e7978d764e7","kind":"code","order":62,"section_id":"sec_8c386d0d-3385-4a7f-8017-702e5566fdbf","character_id":null,"markdown":"```\n巨大モデル学習：GPU / TPU\n汎用推論：GPU / TPU\n低遅延会話：LPU\n画像・動画生成：GPU\nGoogle系大規模AI：TPU\nAIエージェントの軽量推論：GPU / LPU\n企業業務AI：CPU + GPU/TPU/LPU + DB + セキュリティ\n```","render_override":null},{"id":"blk_c3a3ca66-b148-46d4-8f7e-bc1a205ee235","kind":"thematic_break","order":63,"section_id":"sec_8c386d0d-3385-4a7f-8017-702e5566fdbf","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9061b509-8ae5-4096-8900-d40dfd117a24","kind":"heading","order":64,"section_id":"sec_b01906f5-4dbb-4b57-80c4-fb57d4041a54","character_id":null,"markdown":"## \\8. TPUはGPUより優位なのか","render_override":null},{"id":"blk_2016b042-2b3e-4fe0-a6d3-07a7c6c582a6","kind":"paragraph","order":65,"section_id":"sec_b01906f5-4dbb-4b57-80c4-fb57d4041a54","character_id":null,"markdown":"稼働率、電力効率、垂直統合という視点では、TPUはGPUより優位になりやすいです。","render_override":null},{"id":"blk_984631d2-4f41-4d83-9752-7efeb1daa16a","kind":"paragraph","order":66,"section_id":"sec_b01906f5-4dbb-4b57-80c4-fb57d4041a54","character_id":null,"markdown":"理由は、TPUがGoogleのAIワークロード向けに設計されており、チップ、クラウド、コンパイラ、モデル、運用ノウハウを一体最適化できるからです。","render_override":null},{"id":"blk_19586551-d959-4e45-b617-cfe173a1ae49","kind":"paragraph","order":67,"section_id":"sec_b01906f5-4dbb-4b57-80c4-fb57d4041a54","character_id":null,"markdown":"ただし、世界全体で見るとGPUはまだ圧倒的に強いです。NVIDIAは2026年度通年売上2159億ドル、データセンター四半期売上623億ドルを報告しており、NVIDIA GPUの外販市場とエコシステムの規模は非常に大きいです。([NVIDIA Newsroom](https://nvidianews.nvidia.com/news/nvidia-announces-financial-results-for-fourth-quarter-and-fiscal-2026?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e95d498d-b65d-49b9-9115-56ce6d8b8646","kind":"paragraph","order":68,"section_id":"sec_b01906f5-4dbb-4b57-80c4-fb57d4041a54","character_id":null,"markdown":"GPUにはCUDA、PyTorch、TensorRT、NCCL、画像生成、動画生成、HPC、ロボティクス、既存コード資産、ネオクラウドの展開力があります。","render_override":null},{"id":"blk_942fc431-aa7b-4733-9a85-731f1a5fd97a","kind":"paragraph","order":69,"section_id":"sec_b01906f5-4dbb-4b57-80c4-fb57d4041a54","character_id":null,"markdown":"したがって、現実的な未来はこうです。","render_override":null},{"id":"blk_22efbdca-c15c-4d5f-9252-fc072b04ee4c","kind":"code","order":70,"section_id":"sec_b01906f5-4dbb-4b57-80c4-fb57d4041a54","character_id":null,"markdown":"```\n世界全体：\nGPUが最大勢力のまま残る\n\nGoogle陣営：\nTPUが主力化する\n\n大口AI企業：\nGPU + TPU + Trainium + ASIC + LPU を併用する\n\n2030年代：\nGPU一強から、用途別アクセラレータ分業へ進む\n```","render_override":null},{"id":"blk_a5668ab2-2f93-4355-8f2e-6f3c13a641bc","kind":"paragraph","order":71,"section_id":"sec_b01906f5-4dbb-4b57-80c4-fb57d4041a54","character_id":null,"markdown":"TPUがGPUを完全に置き換える世界線は難しいですが、Google内部、Google Cloud、Anthropicのような大口AI企業領域では、TPUがGPU依存をかなり削る世界線は十分ありえます。","render_override":null},{"id":"blk_cd5f7964-9ac9-456d-9ac0-43b27e68d372","kind":"thematic_break","order":72,"section_id":"sec_b01906f5-4dbb-4b57-80c4-fb57d4041a54","character_id":null,"markdown":"---","render_override":null},{"id":"blk_119a2f19-2976-45e4-bbfb-4cd8fab69207","kind":"heading","order":73,"section_id":"sec_7e6570d5-47c1-4c8d-8c40-b67e49433c73","character_id":null,"markdown":"## \\9. GPUクラウド改善でCPU需要は落ちるのか","render_override":null},{"id":"blk_2ce8eeff-a42a-4f2c-9d02-4d6f0df1d3bf","kind":"paragraph","order":74,"section_id":"sec_7e6570d5-47c1-4c8d-8c40-b67e49433c73","character_id":null,"markdown":"ここが重要です。","render_override":null},{"id":"blk_c8c934d4-c639-46a8-a541-55590e4d78b3","kind":"paragraph","order":75,"section_id":"sec_7e6570d5-47c1-4c8d-8c40-b67e49433c73","character_id":null,"markdown":"GPUクラウドが成熟すると、1単位のAI推論に必要なGPU枚数やCPU補助処理は減る可能性があります。つまり、**同じAI処理量に必要なサーバー台数は減る**かもしれません。","render_override":null},{"id":"blk_0d2ff0fc-ab99-4be5-8b84-0f1f01c5f76f","kind":"paragraph","order":76,"section_id":"sec_7e6570d5-47c1-4c8d-8c40-b67e49433c73","character_id":null,"markdown":"しかし、AI推論が安くなると、AIエージェント、動画生成、音声AI、企業AI、ロボット、RAG、個人AI秘書が爆発的に増えます。すると、CPU側では次の処理が増えます。","render_override":null},{"id":"blk_c535ca0e-5792-496f-bad7-f853d913dc16","kind":"list","order":77,"section_id":"sec_7e6570d5-47c1-4c8d-8c40-b67e49433c73","character_id":null,"markdown":"- API gateway\n- 認証\n- 権限管理\n- 課金\n- ログ\n- 監査\n- セキュリティ\n- DB\n- ストレージI/O\n- ツール実行\n- ブラウザ操作\n- エージェント状態管理\n- RAG検索\n- GPUスケジューリング\n- KV cache管理のメタ制御","render_override":null},{"id":"blk_cf1be916-8422-41f6-9e83-e836f7ffdf9e","kind":"paragraph","order":78,"section_id":"sec_7e6570d5-47c1-4c8d-8c40-b67e49433c73","character_id":null,"markdown":"つまりGPUクラウド成熟は、CPU需要を消すのではなく、**CPUの役割を変える**と考えるべきです。","render_override":null},{"id":"blk_a2187874-f930-4205-a2b9-8b9cb6e52069","kind":"paragraph","order":79,"section_id":"sec_7e6570d5-47c1-4c8d-8c40-b67e49433c73","character_id":null,"markdown":"実際、NVIDIAのGB200 NVL72は、36個のGrace CPUと72個のBlackwell GPUをラックスケールで接続する設計です。これは最新AIラックがGPUだけではなく、CPUとGPUが密結合したシステムであることを示しています。([NVIDIA](https://www.nvidia.com/en-us/data-center/gb200-nvl72/))","render_override":null},{"id":"blk_17e8e0e2-a146-42e4-8faf-048e2d61d69b","kind":"paragraph","order":80,"section_id":"sec_7e6570d5-47c1-4c8d-8c40-b67e49433c73","character_id":null,"markdown":"AMDも2026年第1四半期決算で、推論とagentic AIが高性能CPUとアクセラレータ需要を押し上げていると述べています。([Advanced Micro Devices, Inc.](https://ir.amd.com/news-events/press-releases/detail/1284/amd-reports-first-quarter-2026-financial-results))","render_override":null},{"id":"blk_a19bacb7-549c-478d-b2bb-d6384ed0a440","kind":"thematic_break","order":81,"section_id":"sec_7e6570d5-47c1-4c8d-8c40-b67e49433c73","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9e95e938-7df5-46ac-b095-b0a4da5bef37","kind":"heading","order":82,"section_id":"sec_e848089f-b5fd-482c-a1e7-5ab19f8eb838","character_id":null,"markdown":"## \\10. CPU需要の年代別推移","render_override":null},{"id":"blk_4caa4dfd-77b5-41ae-b4fc-80a6df87416a","kind":"paragraph","order":83,"section_id":"sec_e848089f-b5fd-482c-a1e7-5ab19f8eb838","character_id":null,"markdown":"私の考察では、CPU需要は以下のように推移します。","render_override":null},{"id":"blk_f9754bcd-896d-4919-afd7-947b6c9dfdfb","kind":"figure","order":84,"section_id":"sec_e848089f-b5fd-482c-a1e7-5ab19f8eb838","character_id":null,"markdown":"![](/media/0c078d9dc9e7a61a960e0f8eb0f8c2423a3d489c1f20b43c2757534bf0d7fcda-content.webp)","render_override":null},{"id":"blk_49c45a6a-1541-421a-88ef-0414f7041d8b","kind":"paragraph","order":85,"section_id":"sec_e848089f-b5fd-482c-a1e7-5ab19f8eb838","character_id":null,"markdown":"2027〜2030年が、CPU需要の「伸び率」としては最も強く見える可能性が高いです。理由は、GPUクラウドがまだ完全成熟しておらず、AIエージェント需要が立ち上がり、GPUホストCPU、クラウド制御CPU、セキュリティCPU、DB CPUが同時に増えるからです。","render_override":null},{"id":"blk_88cd8ab6-35a7-4c14-97bc-87dca8483ee7","kind":"paragraph","order":86,"section_id":"sec_e848089f-b5fd-482c-a1e7-5ab19f8eb838","character_id":null,"markdown":"2030年代に入ると、GPUクラウドの効率化により、1リクエストあたりのCPU/GPU必要量は下がります。しかし、AI利用量そのものが増えるため、CPU需要は高止まりする可能性があります。","render_override":null},{"id":"blk_820defa6-d6e6-405f-b3a5-c7bb728aec43","kind":"paragraph","order":87,"section_id":"sec_e848089f-b5fd-482c-a1e7-5ab19f8eb838","character_id":null,"markdown":"ここで伸びるCPUは、従来の何でも屋CPUではありません。","render_override":null},{"id":"blk_ba1aca17-7886-41ac-bdd3-623380575795","kind":"figure","order":88,"section_id":"sec_e848089f-b5fd-482c-a1e7-5ab19f8eb838","character_id":null,"markdown":"![](/media/e1550521ff493454678c0eb9d744506d440dc1d5eda7bb485c8694bc28907e0a-content.webp)","render_override":null},{"id":"blk_bc6e42b9-c59a-443f-a116-e2a2e17aa49d","kind":"paragraph","order":89,"section_id":"sec_e848089f-b5fd-482c-a1e7-5ab19f8eb838","character_id":null,"markdown":"一方、古い汎用サーバーCPU、CPUだけでAI推論を処理する構成、過剰なCPU/GPU比率のサーバーは相対的に弱くなります。","render_override":null},{"id":"blk_0f656a5d-a763-402b-b2b2-528577d3dc5d","kind":"thematic_break","order":90,"section_id":"sec_e848089f-b5fd-482c-a1e7-5ab19f8eb838","character_id":null,"markdown":"---","render_override":null},{"id":"blk_cfbd7d42-95ba-44c4-8119-36b0ce8a4877","kind":"heading","order":91,"section_id":"sec_b24b777b-a086-4096-a6f7-196e819d6c4d","character_id":null,"markdown":"## \\11. 最終的に起きること","render_override":null},{"id":"blk_b3a976ac-d72e-42e6-8350-f9e564168bff","kind":"paragraph","order":92,"section_id":"sec_b24b777b-a086-4096-a6f7-196e819d6c4d","character_id":null,"markdown":"GPUクラウド成熟後の世界では、計算資源はこう分かれていくと思います。","render_override":null},{"id":"blk_199ce646-6c41-494c-a42a-4c793aa2e027","kind":"code","order":93,"section_id":"sec_b24b777b-a086-4096-a6f7-196e819d6c4d","character_id":null,"markdown":"```\nCPUクラウド\n - 認証\n - 課金\n - API\n - DB\n - ログ\n - セキュリティ\n - エージェント管理\n - クラウド制御\n\nGPUクラウド\n - 大規模学習\n - 汎用推論\n - 画像生成\n - 動画生成\n - VLA\n - 科学計算\n - マルチモーダルAI\n\nTPUクラウド\n - Google型大規模AI\n - Transformer学習\n - 高効率推論\n - 大口AI企業向け計算基盤\n\nLPUクラウド\n - 低遅延LLM推論\n - 音声対話\n - AITuber\n - カスタマーサポート\n - 軽量エージェント\n```","render_override":null},{"id":"blk_7332fbed-b581-4e99-bea5-0de8021b1b39","kind":"paragraph","order":94,"section_id":"sec_b24b777b-a086-4096-a6f7-196e819d6c4d","character_id":null,"markdown":"つまり、GPUクラウドが成熟しても、CPUクラウドは消えません。むしろ、GPU、TPU、LPUを束ねる**管制塔**としてCPUクラウドの重要性は続きます。","render_override":null},{"id":"blk_4630088a-eaff-4e19-859b-612a24c71195","kind":"thematic_break","order":95,"section_id":"sec_b24b777b-a086-4096-a6f7-196e819d6c4d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_19f556bd-1bf7-46f8-b7cd-177df6c30279","kind":"paragraph","order":96,"section_id":"sec_b24b777b-a086-4096-a6f7-196e819d6c4d","character_id":null,"markdown":"ここから先は読みたいところだけ読めばよいです","render_override":null},{"id":"blk_71fe5a0b-1525-4db9-826a-a6472b6375a5","kind":"heading","order":97,"section_id":"sec_057a457e-bb36-4c73-8a43-894aca732057","character_id":null,"markdown":"## なぜ巨大GPUクラスタは使い切れないのか","render_override":null},{"id":"blk_6ce03dce-6cee-4bcc-9e14-2af8e9ba2519","kind":"paragraph","order":98,"section_id":"sec_057a457e-bb36-4c73-8a43-894aca732057","character_id":null,"markdown":"GPUは1枚だけなら高効率で使えます。問題は、**数千〜数十万枚を1つの巨大な学習・推論システムとして動かす時**です。","render_override":null},{"id":"blk_ecbf5b48-5c71-4251-bd2e-5d0a5d3bf2a0","kind":"paragraph","order":99,"section_id":"sec_057a457e-bb36-4c73-8a43-894aca732057","character_id":null,"markdown":"主な理由はこれです。","render_override":null},{"id":"blk_b43153b6-8a86-4bd5-81e9-e5114b2733a8","kind":"figure","order":100,"section_id":"sec_057a457e-bb36-4c73-8a43-894aca732057","character_id":null,"markdown":"![](/media/45962e2a76f7224578b3ab264e08ac7b444ea08c9681da886c47f12b3e22af08-content.webp)","render_override":null},{"id":"blk_a8784438-7049-4d82-a3f6-092070c869a2","kind":"paragraph","order":101,"section_id":"sec_057a457e-bb36-4c73-8a43-894aca732057","character_id":null,"markdown":"NVIDIAのMegatron系ドキュメントでも、MFU改善には並列化方式、通信オーバーラップ、CPUホスト側の遅延、GPU-NIC affinity、MoE通信など、多数のチューニング項目があると説明されています。特にtensor/context/pipeline parallelismの取り方を誤ると、通信コストや低いGPU利用率につながります。","render_override":null},{"id":"blk_0f6bc42c-63de-4e1f-b753-2adbf9f25a29","kind":"paragraph","order":102,"section_id":"sec_057a457e-bb36-4c73-8a43-894aca732057","character_id":null,"markdown":"NVIDIAのMegatron-LMは、H100クラスタで最大47% MFUを報告していますが、これは逆に言うと、**高効率を出すには、モデル、並列化、通信、データ、チェックポイントまで全部を相当作り込む必要がある**ということです。","render_override":null},{"id":"blk_9d5a5cde-17ae-46cc-8dbe-765df5c18055","kind":"thematic_break","order":103,"section_id":"sec_057a457e-bb36-4c73-8a43-894aca732057","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f9e87a5f-44c0-4d38-a7df-5c1050066856","kind":"heading","order":104,"section_id":"sec_ccd5e192-0fb7-485c-9d8f-88242735ae74","character_id":null,"markdown":"## CPUで成熟したものとGPU時代に必要になるもの","render_override":null},{"id":"blk_e8c681cb-aba6-4802-a164-4197430b9c34","kind":"figure","order":105,"section_id":"sec_ccd5e192-0fb7-485c-9d8f-88242735ae74","character_id":null,"markdown":"![](/media/b3a3735a360029bbfb8ad2d05130653d399f4aa0d75fbea6307b2cbd6372fa78-content.webp)","render_override":null},{"id":"blk_5b73a0ef-5783-4ef8-9a83-bbd7fe63c259","kind":"thematic_break","order":106,"section_id":"sec_ccd5e192-0fb7-485c-9d8f-88242735ae74","character_id":null,"markdown":"---","render_override":null},{"id":"blk_e4e75951-6317-45b3-8b33-5d806b322f43","kind":"heading","order":107,"section_id":"sec_ef062e6d-3775-429a-af3d-593eebfdedfa","character_id":null,"markdown":"## 投資・産業構造として見ると、勝つのはGPUを持つ会社だけではない","render_override":null},{"id":"blk_129c2934-88f5-41c8-beb4-fbe22615544d","kind":"paragraph","order":108,"section_id":"sec_ef062e6d-3775-429a-af3d-593eebfdedfa","character_id":null,"markdown":"この話から見える勝ち筋は、単にNVIDIA GPUを大量に持つことではありません。","render_override":null},{"id":"blk_9ae449f4-d28c-4dc1-be6c-3f5bdc28ad3c","kind":"paragraph","order":109,"section_id":"sec_ef062e6d-3775-429a-af3d-593eebfdedfa","character_id":null,"markdown":"むしろ重要になるのは、","render_override":null},{"id":"blk_094bba05-6b06-40b2-b5d3-6d540c4570ed","kind":"figure","order":110,"section_id":"sec_ef062e6d-3775-429a-af3d-593eebfdedfa","character_id":null,"markdown":"![](/media/b16f82afdead55da5d74de9cd4e604708307d83574b414959464c926af22ed8c-content.webp)","render_override":null},{"id":"blk_f3b5173f-1948-4cd9-91ae-5ccc224effff","kind":"paragraph","order":111,"section_id":"sec_ef062e6d-3775-429a-af3d-593eebfdedfa","character_id":null,"markdown":"なので、**GPU低利用率問題は、CPU需要、ネットワーク需要、セキュリティ需要、クラウド管理ソフト需要、推論最適化需要を同時に押し上げるテーマ**です。","render_override":null},{"id":"blk_97a40625-c900-49d6-908c-3603213a4ef4","kind":"thematic_break","order":112,"section_id":"sec_ef062e6d-3775-429a-af3d-593eebfdedfa","character_id":null,"markdown":"---","render_override":null},{"id":"blk_028a025a-5cea-4761-8e22-051ce0417d30","kind":"heading","order":113,"section_id":"sec_63327e18-f342-4e87-9f31-5334fc14cf1c","character_id":null,"markdown":"## 1.CPUクラウドが25年かけて作ったもの","render_override":null},{"id":"blk_3a040b4b-47b3-43a2-b5de-18920172be92","kind":"paragraph","order":114,"section_id":"sec_63327e18-f342-4e87-9f31-5334fc14cf1c","character_id":null,"markdown":"CPUクラウドの始まりをかなり単純化すると、こうです。","render_override":null},{"id":"blk_57e5b9c7-45b4-49b2-9c04-cb8eefffe07f","kind":"paragraph","order":115,"section_id":"sec_63327e18-f342-4e87-9f31-5334fc14cf1c","character_id":null,"markdown":"**物理サーバーを、仮想マシンとして細かく分け、複数の顧客に安全に貸し、使った分だけ課金し、障害を監視し、自動で増減できるようにした。**","render_override":null},{"id":"blk_432c2f12-14b6-46c0-bdc9-7b7dbbadb6e7","kind":"paragraph","order":116,"section_id":"sec_63327e18-f342-4e87-9f31-5334fc14cf1c","character_id":null,"markdown":"AWS EC2は2006年に「クラウド上で伸縮可能な計算能力を提供するサービス」として発表され、サーバーインスタンスを数分で起動し、必要に応じて増減し、使った分だけ払うモデルを示しました。これは現在のクラウド経済の原型です。","render_override":null},{"id":"blk_90a8a0ac-34ed-42e8-a067-b40e1feb2555","kind":"paragraph","order":117,"section_id":"sec_63327e18-f342-4e87-9f31-5334fc14cf1c","character_id":null,"markdown":"CPUクラウドが成熟させた要素は、大きく分けると以下です。","render_override":null},{"id":"blk_45cdc35d-4f24-466c-89cd-7069bbe65920","kind":"figure","order":118,"section_id":"sec_63327e18-f342-4e87-9f31-5334fc14cf1c","character_id":null,"markdown":"![](/media/e6dee9662aed5a5c23e968f50d42f1d358a0f992385e0571fee12b93134b6a34-content.webp)","render_override":null},{"id":"blk_20c372ec-6ae3-48a5-89f0-1a5115002d03","kind":"paragraph","order":119,"section_id":"sec_63327e18-f342-4e87-9f31-5334fc14cf1c","character_id":null,"markdown":"たとえばIAMは2011年に一般提供され、ユーザー、グループ、権限を管理してAWSリソースへの操作を制御できるようになりました。CloudWatchは2009年に始まり、インフラ、システム、アプリ、ビジネス指標まで監視する基盤へ拡張されました。EC2は2017年にLinux系インスタンスで秒単位課金へ移行し、より細かい利用単位での課金が進みました。","render_override":null},{"id":"blk_2f7f0e2b-066a-423f-a6c2-dd032d58850c","kind":"paragraph","order":120,"section_id":"sec_63327e18-f342-4e87-9f31-5334fc14cf1c","character_id":null,"markdown":"さらにKubernetesは2015年に1.0がリリースされ、その後RBAC、CRD、Workloads API、StatefulSetsなどが整備され、コンテナをクラスタ全体で配置・更新・監視する標準レイヤーになりました。","render_override":null},{"id":"blk_dd1117f6-8dd7-4d45-9355-0e148e72b3ad","kind":"paragraph","order":121,"section_id":"sec_63327e18-f342-4e87-9f31-5334fc14cf1c","character_id":null,"markdown":"つまりCPUクラウドの25年とは、単に「CPUを貸す」ではなく、 \n**計算資源を、細かく、安全に、動的に、監視可能に、課金可能にする歴史** \nだったわけです。","render_override":null},{"id":"blk_728ee206-ee83-4a55-8b4e-1cdc738f79d5","kind":"thematic_break","order":122,"section_id":"sec_63327e18-f342-4e87-9f31-5334fc14cf1c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9f52fcc4-e16e-4e41-adcf-69f9cf69b3fa","kind":"heading","order":123,"section_id":"sec_836104cc-c08c-464b-b7f1-bc7b08c7428b","character_id":null,"markdown":"## 2.GPUクラウドで同じことをやると何が難しいのか","render_override":null},{"id":"blk_1e6d6322-f1fd-46ec-b52f-73ff2bc97575","kind":"paragraph","order":124,"section_id":"sec_836104cc-c08c-464b-b7f1-bc7b08c7428b","character_id":null,"markdown":"GPUでも同じことをやりたいわけです。","render_override":null},{"id":"blk_b2fd6010-cee4-436b-ac39-9e741fc24670","kind":"paragraph","order":125,"section_id":"sec_836104cc-c08c-464b-b7f1-bc7b08c7428b","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_341a9384-ee40-4f75-8519-1073a9762a34","kind":"quote","order":126,"section_id":"sec_836104cc-c08c-464b-b7f1-bc7b08c7428b","character_id":null,"markdown":"> 1枚、8枚、数千枚、数十万枚のGPUを、複数のモデル・複数の顧客・複数のジョブに、安全かつ高効率に割り当てたい。","render_override":null},{"id":"blk_21707c12-a624-4568-897e-4977a31e3bf6","kind":"paragraph","order":127,"section_id":"sec_836104cc-c08c-464b-b7f1-bc7b08c7428b","character_id":null,"markdown":"しかしGPUはCPUより難しいです。","render_override":null},{"id":"blk_85635a45-b369-41c7-bc67-17a7cb5c9ad3","kind":"paragraph","order":128,"section_id":"sec_836104cc-c08c-464b-b7f1-bc7b08c7428b","character_id":null,"markdown":"理由は、GPUはもともと**巨大な単一ジョブを高速に処理する装置**として進化してきたからです。CPUのように、OSが細かくプロセスを切り替え、メモリ保護し、割り込みを処理し、複数ユーザーを雑に同居させる設計とは違います。","render_override":null},{"id":"blk_4dd46b7e-87a2-4a69-80df-5f55c3db2305","kind":"paragraph","order":129,"section_id":"sec_836104cc-c08c-464b-b7f1-bc7b08c7428b","character_id":null,"markdown":"特にLLMでは、GPU上に以下のものが残ります。","render_override":null},{"id":"blk_ceb26786-ee31-497f-b9a5-38716a912d92","kind":"figure","order":130,"section_id":"sec_836104cc-c08c-464b-b7f1-bc7b08c7428b","character_id":null,"markdown":"![](/media/50508d2f389a7383387e2ab12544b510e5c22e00ac723be700b0f2ca90bfdd16-content.webp)","render_override":null},{"id":"blk_9b5a28c9-0299-4e83-b566-522eb874586d","kind":"paragraph","order":131,"section_id":"sec_836104cc-c08c-464b-b7f1-bc7b08c7428b","character_id":null,"markdown":"CPUクラウドでは「VMを1個起動して、そこにアプリを載せる」で済みました。 \nしかしGPUクラウドでは、**1つのLLMリクエストがGPUメモリ、KV cache、トークン生成、ネットワーク、CPU前処理、ストレージ、セキュリティを横断する**ため、もっと複雑です。","render_override":null},{"id":"blk_182e157a-3986-4a2c-a809-078d56075140","kind":"thematic_break","order":132,"section_id":"sec_836104cc-c08c-464b-b7f1-bc7b08c7428b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_72093217-a057-45ac-bdf9-65d8106f8133","kind":"heading","order":133,"section_id":"sec_d865bb91-89c7-4bdd-8405-cd9e677171e8","character_id":null,"markdown":"## \\3. GPU版「仮想化」はどこまで来ているか","render_override":null},{"id":"blk_ee57abb9-7299-43c9-ab69-c55d2b573fca","kind":"paragraph","order":134,"section_id":"sec_d865bb91-89c7-4bdd-8405-cd9e677171e8","character_id":null,"markdown":"すでに実用化されている代表が **NVIDIA MIG / Multi-Instance GPU** です。","render_override":null},{"id":"blk_56b822fa-c1f8-4b99-83f7-ca00879191e0","kind":"paragraph","order":135,"section_id":"sec_d865bb91-89c7-4bdd-8405-cd9e677171e8","character_id":null,"markdown":"MIGは、対応GPUを複数の独立したGPUインスタンスに分割し、それぞれに専用の計算資源とメモリ資源を与える仕組みです。NVIDIAのドキュメントでは、MIGは複数ユーザーや複数ワークロードに対して、専用compute/memory資源を持つ分割GPUを提供し、DockerやKubernetesとも統合できると説明されています。([NVIDIA Docs](https://docs.nvidia.com/datacenter/tesla/mig-user-guide/))","render_override":null},{"id":"blk_5f331f43-9d9f-4fe3-aff3-035fa89b87e8","kind":"paragraph","order":136,"section_id":"sec_d865bb91-89c7-4bdd-8405-cd9e677171e8","character_id":null,"markdown":"NVIDIAの説明では、MIGはGPUを最大7つのインスタンスに分け、それぞれに独立したHBM、キャッシュ、計算コアを持たせられるとされています。([NVIDIA](https://www.nvidia.com/en-us/technologies/multi-instance-gpu/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_841e7e75-9b3a-42de-aa91-1892af6dde31","kind":"paragraph","order":137,"section_id":"sec_d865bb91-89c7-4bdd-8405-cd9e677171e8","character_id":null,"markdown":"ただし、MIGは万能ではありません。","render_override":null},{"id":"blk_6a245ebe-8214-48e5-9623-82883732b900","kind":"paragraph","order":138,"section_id":"sec_d865bb91-89c7-4bdd-8405-cd9e677171e8","character_id":null,"markdown":"MIGは「1枚のGPUを物理的に区切る」方向には強いですが、 \n**LLM推論のように、ある瞬間は大きなGPUが必要で、別の瞬間は小さなGPUでよい、という動的な使い方には硬い**です。","render_override":null},{"id":"blk_bad4bc85-5e63-42c7-96f1-a3846dab8c45","kind":"paragraph","order":139,"section_id":"sec_d865bb91-89c7-4bdd-8405-cd9e677171e8","character_id":null,"markdown":"そのため、実用では次のような複数の共有方式が使われます。","render_override":null},{"id":"blk_1c83d01f-d84f-43c5-948b-36b01c658870","kind":"figure","order":140,"section_id":"sec_d865bb91-89c7-4bdd-8405-cd9e677171e8","character_id":null,"markdown":"![](/media/5e72691dc8411d673484ae5f28f7606eb74e9b9eb38283618181a0c941a3a0d5-content.webp)","render_override":null},{"id":"blk_e0aff9e7-4b09-409d-bdc2-9630e6af01be","kind":"paragraph","order":141,"section_id":"sec_d865bb91-89c7-4bdd-8405-cd9e677171e8","character_id":null,"markdown":"NVIDIA GPU Operatorのtime-slicingでは、GPUをoversubscribeして複数Podに共有させられますが、MIGと違ってメモリや障害の隔離はないと明記されています。つまり「使い切る」ことはできても、「安全に共有する」にはまだ弱い部分があります。([NVIDIA Docs](https://docs.nvidia.com/datacenter/cloud-native/gpu-operator/latest/gpu-sharing.html))","render_override":null},{"id":"blk_647e53e0-4de9-4fa2-af7a-ea98010d9ae1","kind":"thematic_break","order":142,"section_id":"sec_d865bb91-89c7-4bdd-8405-cd9e677171e8","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9d02c1f5-df3a-4c79-8fed-d2d9fc31357b","kind":"heading","order":143,"section_id":"sec_49bfd3f1-99df-48fb-9390-5247be61cb90","character_id":null,"markdown":"## \\4. GPU版「スケジューリング」はすでに始まっている","render_override":null},{"id":"blk_7775691a-de0a-49d2-bee2-ef948cf00492","kind":"paragraph","order":144,"section_id":"sec_49bfd3f1-99df-48fb-9390-5247be61cb90","character_id":null,"markdown":"ここが一番面白いところです。","render_override":null},{"id":"blk_a11596dd-410e-4978-ad7c-a2902544ad7f","kind":"paragraph","order":145,"section_id":"sec_49bfd3f1-99df-48fb-9390-5247be61cb90","character_id":null,"markdown":"CPUクラウドのスケジューラは、主にこう考えます。","render_override":null},{"id":"blk_1b8d4293-de8a-4cd2-b258-5bebee121628","kind":"quote","order":146,"section_id":"sec_49bfd3f1-99df-48fb-9390-5247be61cb90","character_id":null,"markdown":"> このコンテナはCPU 2コア、メモリ4GB必要。では、このノードに置こう。","render_override":null},{"id":"blk_850d3230-3653-43e3-af99-e5e6339a7bff","kind":"paragraph","order":147,"section_id":"sec_49bfd3f1-99df-48fb-9390-5247be61cb90","character_id":null,"markdown":"GPUクラウドでは、もっと複雑です。","render_override":null},{"id":"blk_97a1fa4f-3495-4f44-af81-dbc736ebc80f","kind":"quote","order":148,"section_id":"sec_49bfd3f1-99df-48fb-9390-5247be61cb90","character_id":null,"markdown":"> このリクエストはprefillが重い。decodeは軽いが長く続く。KV cacheはこれくらい増える。TTFTを守る必要がある。GPUメモリに余裕がない。別GPUにdecodeだけ逃がすか。prefix cacheを再利用できるか。","render_override":null},{"id":"blk_706bb47a-5ff9-4bdb-9aba-5b6db57488b0","kind":"paragraph","order":149,"section_id":"sec_49bfd3f1-99df-48fb-9390-5247be61cb90","character_id":null,"markdown":"つまり、GPUクラウドのスケジューラは、単なる「GPU何枚必要」ではなく、 \n**トークン、KV cache、レイテンシ、帯域、バッチ、モデル構造まで見て配置する必要があります。**","render_override":null},{"id":"blk_ce986464-a2df-42b2-b617-554e8c5bf9c8","kind":"paragraph","order":150,"section_id":"sec_49bfd3f1-99df-48fb-9390-5247be61cb90","character_id":null,"markdown":"この方向で、すでに実用・研究が進んでいます。","render_override":null},{"id":"blk_364302d7-9c2d-4458-8635-570eada26eee","kind":"heading","order":151,"section_id":"sec_c42c4247-a0ca-40b2-9db5-720eeb1343be","character_id":null,"markdown":"## vLLM / PagedAttention","render_override":null},{"id":"blk_00fea975-c206-4b4e-8e44-8d59822887e4","kind":"paragraph","order":152,"section_id":"sec_c42c4247-a0ca-40b2-9db5-720eeb1343be","character_id":null,"markdown":"vLLMのPagedAttentionは、OSの仮想メモリやページングに着想を得て、LLMのKV cacheを固定長ブロックで管理する仕組みです。論文では、従来方式ではKV cacheの断片化や重複でメモリが無駄になり、バッチサイズが制限されるとし、PagedAttentionによりKV cacheの無駄をほぼゼロに近づけ、同じレイテンシで2〜4倍のスループット改善を示したとされています。([arXiv](https://arxiv.org/abs/2309.06180?utm_source=chatgpt.com))","render_override":null},{"id":"blk_d08bcf27-668d-44df-bcbf-a8bd35703af2","kind":"paragraph","order":153,"section_id":"sec_c42c4247-a0ca-40b2-9db5-720eeb1343be","character_id":null,"markdown":"これはまさに、**CPUクラウドの仮想メモリ技術を、GPU上のKV cache管理に持ち込んだ例**です。","render_override":null},{"id":"blk_2abfe30e-c7ac-4220-b9ca-8ffade93d40c","kind":"heading","order":154,"section_id":"sec_6ad7af48-0e2f-465b-8650-77719a0573a2","character_id":null,"markdown":"## Sarathi-Serve","render_override":null},{"id":"blk_6ac7634d-52dd-4afc-bfae-0b347dad5264","kind":"paragraph","order":155,"section_id":"sec_6ad7af48-0e2f-465b-8650-77719a0573a2","character_id":null,"markdown":"Sarathi-Serveは、LLM推論のprefillとdecodeの性質の違いに注目します。prefillは計算をよく使うが遅く、decodeは1トークンずつなのでGPU利用率が低くなりやすい。そこでprefillを小さなチャンクに分け、decodeを止めずに混ぜることで、スループットとレイテンシの両立を狙います。論文では、Mistral-7BでvLLM比2.6倍、Yi-34Bで最大3.7倍、Falcon-180Bのpipeline parallelismで最大5.6倍のserving capacity改善を報告しています。([arXiv](https://arxiv.org/abs/2403.02310))","render_override":null},{"id":"blk_e9b0fc47-388e-43db-b66f-03a588af9e81","kind":"paragraph","order":156,"section_id":"sec_6ad7af48-0e2f-465b-8650-77719a0573a2","character_id":null,"markdown":"これは、GPUクラウドにおける**トークン単位のスケジューリング**に近いです。","render_override":null},{"id":"blk_ec0bf8f2-87ba-4534-a4df-1980a8fb58c4","kind":"heading","order":157,"section_id":"sec_73f53de8-0e73-446a-8f6d-0cbb434a19a5","character_id":null,"markdown":"## DistServe","render_override":null},{"id":"blk_4b27d0da-6c33-4ba2-b221-b745b5ac4474","kind":"paragraph","order":158,"section_id":"sec_73f53de8-0e73-446a-8f6d-0cbb434a19a5","character_id":null,"markdown":"DistServeは、prefillとdecodeを同じGPUで処理すると互いに干渉すると見て、prefill用GPUとdecode用GPUを分けます。TTFTとTPOTの要求を別々に最適化し、論文では既存方式より最大7.4倍多いリクエスト、または12.6倍厳しいSLOを満たせると報告されています。([USENIX](https://www.usenix.org/conference/osdi24/presentation/zhong-yinmin))","render_override":null},{"id":"blk_f338f3be-a6ca-4cd9-a8d5-44b80a63627b","kind":"paragraph","order":159,"section_id":"sec_73f53de8-0e73-446a-8f6d-0cbb434a19a5","character_id":null,"markdown":"これは、CPUクラウドでいう「Webサーバー、DB、キャッシュ、キューを分ける」ような発想を、LLM推論の内部フェーズに適用したものです。","render_override":null},{"id":"blk_17fd2628-a723-4b57-82de-f23de8e51d71","kind":"heading","order":160,"section_id":"sec_b5001920-30e7-4546-b243-794b28e5a3ea","character_id":null,"markdown":"## SGLang","render_override":null},{"id":"blk_e89fa7ab-82a5-4bb9-b13c-5a4838b1b582","kind":"paragraph","order":161,"section_id":"sec_b5001920-30e7-4546-b243-794b28e5a3ea","character_id":null,"markdown":"SGLangは、複雑なLLMアプリケーションを効率的に実行するため、フロントエンド言語とランタイムを共同設計した仕組みです。RadixAttentionによるKV cache再利用、構造化出力の高速化などを使い、複数のLLM/マルチモーダルタスクで最大6.4倍のスループット改善を報告しています。([arXiv](https://arxiv.org/abs/2312.07104))","render_override":null},{"id":"blk_049e0d19-5465-4b0f-8c74-26b493fa9463","kind":"paragraph","order":162,"section_id":"sec_b5001920-30e7-4546-b243-794b28e5a3ea","character_id":null,"markdown":"これは、AIエージェント時代にかなり重要です。なぜならエージェントは、単発のチャットではなく、ツール呼び出し、検索、JSON生成、再推論、長文コンテキストを繰り返すからです。","render_override":null},{"id":"blk_6381b0c8-dffc-43a0-952e-7f7944da91ba","kind":"thematic_break","order":163,"section_id":"sec_b5001920-30e7-4546-b243-794b28e5a3ea","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2ee6643f-35f3-4fc0-8b69-76bd4049a05f","kind":"heading","order":164,"section_id":"sec_6b5f9f20-ce40-4f12-8ea3-c979a59146f7","character_id":null,"markdown":"## \\5. Kubernetes側もGPUクラウド向けに進化している","render_override":null},{"id":"blk_d0b7916c-1439-4e25-97b6-e473717d8db4","kind":"paragraph","order":165,"section_id":"sec_6b5f9f20-ce40-4f12-8ea3-c979a59146f7","character_id":null,"markdown":"Kubernetesも、GPUを単なる「nvidia.com/gpu: 1」という雑なリソースとして扱う段階から、より柔軟に扱う方向へ進んでいます。","render_override":null},{"id":"blk_d7a30629-0b0a-4d4d-8517-aa3d515d02f2","kind":"paragraph","order":166,"section_id":"sec_6b5f9f20-ce40-4f12-8ea3-c979a59146f7","character_id":null,"markdown":"重要なのが **DRA / Dynamic Resource Allocation** です。","render_override":null},{"id":"blk_19670c18-4363-443a-947e-61fd7972dfb0","kind":"paragraph","order":167,"section_id":"sec_6b5f9f20-ce40-4f12-8ea3-c979a59146f7","character_id":null,"markdown":"DRAは、GPUやFPGAのような特殊デバイスをPodが要求・共有できるようにするKubernetes機能です。デバイスドライバやクラスタ管理者がDeviceClassを定義し、Kubernetesが条件に合うデバイスを割り当てます。([Kubernetes](https://kubernetes.io/docs/concepts/scheduling-eviction/dynamic-resource-allocation/))","render_override":null},{"id":"blk_d7a46e5e-4d1c-4a4a-b146-aa7ad5c4ab52","kind":"paragraph","order":168,"section_id":"sec_6b5f9f20-ce40-4f12-8ea3-c979a59146f7","character_id":null,"markdown":"Kubernetes 1.34では、DRAの中核APIがGA、つまり一般提供段階になりました。Kubernetes公式ブログは、DRAがGPUやFPGAのような特殊ハードウェアを管理する柔軟なフレームワークであり、高価なハードウェアの信頼性と利用率を改善できると説明しています。([Kubernetes](https://kubernetes.io/blog/2025/09/01/kubernetes-v1-34-dra-updates/))","render_override":null},{"id":"blk_72c7ef02-0b5f-4376-9efd-a327f7d29810","kind":"paragraph","order":169,"section_id":"sec_6b5f9f20-ce40-4f12-8ea3-c979a59146f7","character_id":null,"markdown":"これはかなり重要です。 \nGPUクラウドの再発明は、NVIDIAだけでなく、Kubernetes、クラウド事業者、AI推論エンジン、セキュリティ企業、観測ツールが一体で進めることになります。","render_override":null},{"id":"blk_072048fe-a495-4384-9e61-06288e20ebf9","kind":"thematic_break","order":170,"section_id":"sec_6b5f9f20-ce40-4f12-8ea3-c979a59146f7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5a35d3da-9fc5-43ac-afca-c4417a95dee4","kind":"heading","order":171,"section_id":"sec_8a379645-a48f-4efe-ac14-ce3e8d1e273d","character_id":null,"markdown":"## \\6. GPU版「分離」と「セキュリティ」はかなり難しい","render_override":null},{"id":"blk_2f74c0c0-feb6-420d-907b-b497450be302","kind":"paragraph","order":172,"section_id":"sec_8a379645-a48f-4efe-ac14-ce3e8d1e273d","character_id":null,"markdown":"ここが最大の課題です。","render_override":null},{"id":"blk_6be454e2-1766-43c4-bb01-a14173231a34","kind":"paragraph","order":173,"section_id":"sec_8a379645-a48f-4efe-ac14-ce3e8d1e273d","character_id":null,"markdown":"CPUクラウドでも、VM escape、Spectre/Meltdown、サイドチャネル、権限昇格、コンテナ脱出などが何年も問題になりました。GPUでも同じことが起きます。","render_override":null},{"id":"blk_61176228-45e4-461d-8370-a48a0fb29738","kind":"paragraph","order":174,"section_id":"sec_8a379645-a48f-4efe-ac14-ce3e8d1e273d","character_id":null,"markdown":"GPUの共有では、以下が問題になります。","render_override":null},{"id":"blk_32dd8b60-5866-4cb7-85e0-0725cb56c489","kind":"figure","order":175,"section_id":"sec_8a379645-a48f-4efe-ac14-ce3e8d1e273d","character_id":null,"markdown":"![](/media/1467ba1f5214da6f5b2c4c714c1f64b0729785a024e11417d57e6ed487f3ea60-content.webp)","render_override":null},{"id":"blk_eb3e9b3a-d342-4260-bf60-f52416a1aed6","kind":"paragraph","order":176,"section_id":"sec_8a379645-a48f-4efe-ac14-ce3e8d1e273d","character_id":null,"markdown":"NVIDIAはHopper以降でConfidential Computingを進めており、H100はGPUでconfidential computingをサポートし、仮想化環境やKubernetes環境でも利用可能と説明されています。またNVIDIAのTrusted Computing Solutionsでは、ハードウェアベースのセキュリティで機密データや独自AIモデルを保護する方向が示されています。([NVIDIA Developer](https://developer.nvidia.com/blog/confidential-computing-on-h100-gpus-for-secure-and-trustworthy-ai/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_9a548c47-c405-43fd-a4a0-d7cfe85ef5cc","kind":"paragraph","order":177,"section_id":"sec_8a379645-a48f-4efe-ac14-ce3e8d1e273d","character_id":null,"markdown":"ただし、研究側ではGPU共有の危険性も示されています。NDSS 2026の研究では、仮想化NVIDIA GPUにおけるTLBを使ったクロスVMサイドチャネル攻撃が示され、GPU仮想化環境に固有の課題が議論されています。([NDSS Symposium](https://www.ndss-symposium.org/wp-content/uploads/2026-s1480-paper.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_b7d93fe8-9402-401c-bbe7-5e54a9d79e78","kind":"paragraph","order":178,"section_id":"sec_8a379645-a48f-4efe-ac14-ce3e8d1e273d","character_id":null,"markdown":"つまり、GPUマルチテナントは可能ですが、 \n**「CPUクラウド並みに安全」と言えるまでには、まだ時間がかかる** \nと見た方がいいです。","render_override":null},{"id":"blk_11fa72fc-dbce-4f11-899c-794718a684f9","kind":"thematic_break","order":179,"section_id":"sec_8a379645-a48f-4efe-ac14-ce3e8d1e273d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d2288b40-620c-45ba-bc6c-3e851fcc70ee","kind":"heading","order":180,"section_id":"sec_e4db8852-d772-4f64-9b92-9c34d2510aff","character_id":null,"markdown":"## \\7. GPU版「課金」はどう変わるか","render_override":null},{"id":"blk_69851550-1787-4b11-b9ab-0cefa7c49cc0","kind":"paragraph","order":181,"section_id":"sec_e4db8852-d772-4f64-9b92-9c34d2510aff","character_id":null,"markdown":"CPUクラウドでは、最初は「VM時間課金」でした。そこから秒単位課金、ストレージ課金、I/O課金、転送料金、マネージドサービス課金に進化しました。","render_override":null},{"id":"blk_45100919-0b1b-46e5-a394-c6a5b3f570cd","kind":"paragraph","order":182,"section_id":"sec_e4db8852-d772-4f64-9b92-9c34d2510aff","character_id":null,"markdown":"GPUクラウドでは、単純な「GPU時間課金」だけでは不十分になります。","render_override":null},{"id":"blk_961e0727-19c6-42fc-abbe-902597509c60","kind":"paragraph","order":183,"section_id":"sec_e4db8852-d772-4f64-9b92-9c34d2510aff","character_id":null,"markdown":"LLM時代の課金単位は、たぶんこうなります。","render_override":null},{"id":"blk_4f0cb0a9-6ad9-4dbb-97f8-f21b56c6050b","kind":"figure","order":184,"section_id":"sec_e4db8852-d772-4f64-9b92-9c34d2510aff","character_id":null,"markdown":"![](/media/df71c3f7badd1e82d8e9f0e176c7a2a0258012e29edb662ed3425976624a6b56-content.webp)","render_override":null},{"id":"blk_a209f8ec-8553-4ab3-aefb-ab80d7501dfe","kind":"paragraph","order":185,"section_id":"sec_e4db8852-d772-4f64-9b92-9c34d2510aff","character_id":null,"markdown":"ここで重要なのは、**LLM推論では“計算時間”だけでなく“状態の保持”が価値になる**ことです。","render_override":null},{"id":"blk_f0a1393e-391d-420b-a3f5-abedddd5834b","kind":"paragraph","order":186,"section_id":"sec_e4db8852-d772-4f64-9b92-9c34d2510aff","character_id":null,"markdown":"CPUクラウドではメモリやディスクを使った分だけ払うのが自然でした。 \nGPUクラウドでは、KV cache、長文コンテキスト、エージェントの作業状態、マルチモーダル中間表現をどれだけ保持するかが、原価と性能を大きく左右します。","render_override":null},{"id":"blk_6899e1c5-3f31-4b0a-9ee5-707846e68522","kind":"thematic_break","order":187,"section_id":"sec_e4db8852-d772-4f64-9b92-9c34d2510aff","character_id":null,"markdown":"---","render_override":null},{"id":"blk_62682aa6-4d1b-4a83-b96d-9fa36545c801","kind":"heading","order":188,"section_id":"sec_e373e395-18f3-4661-b925-8e57eb57c77c","character_id":null,"markdown":"## \\8. GPU版「監視」はnvidia-smiだけでは足りない","render_override":null},{"id":"blk_81041e8a-a1c8-44c6-a378-658bfdc12b14","kind":"paragraph","order":189,"section_id":"sec_e373e395-18f3-4661-b925-8e57eb57c77c","character_id":null,"markdown":"CPUクラウドでは、CPU使用率、メモリ使用量、I/O、ネットワーク、ログを見れば大まかな状態がわかりました。","render_override":null},{"id":"blk_29ba5b1c-7850-49d5-8cef-eee85cad0732","kind":"paragraph","order":190,"section_id":"sec_e373e395-18f3-4661-b925-8e57eb57c77c","character_id":null,"markdown":"GPUクラウドでは、見るべきものが増えます。","render_override":null},{"id":"blk_184ee86a-3624-4f19-b806-673fb7972a09","kind":"figure","order":191,"section_id":"sec_e373e395-18f3-4661-b925-8e57eb57c77c","character_id":null,"markdown":"![](/media/e5e582e5ecfabaafc436f32d3155e8540bdcd39f4a6442235f58a81e9667f348-content.webp)","render_override":null},{"id":"blk_bd24d224-ec30-45ea-b04f-0e775da96628","kind":"paragraph","order":192,"section_id":"sec_e373e395-18f3-4661-b925-8e57eb57c77c","character_id":null,"markdown":"つまりGPUクラウドでは、**GPUメトリクス + LLMメトリクス + クラウド課金メトリクス**が統合される必要があります。","render_override":null},{"id":"blk_457b5b88-c134-4695-9beb-d7d212d65900","kind":"paragraph","order":193,"section_id":"sec_e373e395-18f3-4661-b925-8e57eb57c77c","character_id":null,"markdown":"これはCloudWatchやDatadogのGPU版というより、 \n**LLM serving observability** \nに近いものです。","render_override":null},{"id":"blk_d2034e9e-8847-4614-a0b1-c1f6bfc91c57","kind":"thematic_break","order":194,"section_id":"sec_e373e395-18f3-4661-b925-8e57eb57c77c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_123b09d6-a2a9-4dc3-abce-e2b9da9927cc","kind":"heading","order":195,"section_id":"sec_43fe2574-d8ab-4b65-a8dc-867301244109","character_id":null,"markdown":"## \\9. これは本当に可能か？","render_override":null},{"id":"blk_1932232c-14cc-4346-ab19-75ca9ce499aa","kind":"paragraph","order":196,"section_id":"sec_43fe2574-d8ab-4b65-a8dc-867301244109","character_id":null,"markdown":"可能です。 \nただし、段階があります。","render_override":null},{"id":"blk_b666ce3a-6990-460f-9a45-7718eabcc771","kind":"heading","order":197,"section_id":"sec_76fbe14c-dc85-41f9-b2fa-c3fb2cdd2f77","character_id":null,"markdown":"## すでに可能なこと","render_override":null},{"id":"blk_50b3f108-21bc-4696-813b-a8b49503229d","kind":"paragraph","order":198,"section_id":"sec_76fbe14c-dc85-41f9-b2fa-c3fb2cdd2f77","character_id":null,"markdown":"現在でも以下は実用段階です。","render_override":null},{"id":"blk_f01ae258-5833-4740-9816-811c2f803b03","kind":"list","order":199,"section_id":"sec_76fbe14c-dc85-41f9-b2fa-c3fb2cdd2f77","character_id":null,"markdown":"- GPU passthroughで専用GPUを貸す\n- MIGでGPUを複数に分割する\n- KubernetesでGPU Podをスケジューリングする\n- NVIDIA GPU OperatorでMIG/time-slicingを扱う\n- vLLM/SGLang/TensorRT-LLMでLLM推論を高効率化する\n- Prometheus/Grafana/DCGMなどでGPU監視する\n- token課金・GPU時間課金を組み合わせる\n- 一部のConfidential Computingを使う","render_override":null},{"id":"blk_fc91e070-ce86-4ec9-a071-1a6a415ffd0e","kind":"heading","order":200,"section_id":"sec_215e4155-9814-4b27-8f49-1b247c3e1472","character_id":null,"markdown":"## まだ難しいこと","render_override":null},{"id":"blk_e05fd0c8-9c15-46ba-9ad6-11d104490d92","kind":"paragraph","order":201,"section_id":"sec_215e4155-9814-4b27-8f49-1b247c3e1472","character_id":null,"markdown":"一方で、CPUクラウド並みに成熟していないのはここです。","render_override":null},{"id":"blk_19b4d009-8f4d-40d4-892a-25ee2089861d","kind":"list","order":202,"section_id":"sec_215e4155-9814-4b27-8f49-1b247c3e1472","character_id":null,"markdown":"- 完全に安全なGPUマルチテナント\n- 任意のCUDA workloadを安全に細かく共有\n- GPUメモリの完全な仮想化\n- KV cacheのクラスタ横断管理\n- prefill/decode/KV/通信を統合したクラスタOS\n- SLOベースで自動的にモデル配置を変える仕組み\n- GPUごとの本当の原価計算\n- サイドチャネル対策\n- 悪意あるGPU kernelの制限\n- AIエージェント単位の課金と状態管理","render_override":null},{"id":"blk_b9fb49ff-f1e7-4f2c-bad2-531a4f6e76b8","kind":"paragraph","order":203,"section_id":"sec_215e4155-9814-4b27-8f49-1b247c3e1472","character_id":null,"markdown":"なので答えは、","render_override":null},{"id":"blk_8ddfe369-5a48-403d-ac46-c4befc5a777e","kind":"quote","order":204,"section_id":"sec_215e4155-9814-4b27-8f49-1b247c3e1472","character_id":null,"markdown":"> **GPUクラウドの再発明は可能。すでに始まっている。ただしCPUクラウドのような汎用・安全・低摩擦な完成度にはまだ達していない。**","render_override":null},{"id":"blk_e3305e23-54b8-4534-9a51-114b11080351","kind":"paragraph","order":205,"section_id":"sec_215e4155-9814-4b27-8f49-1b247c3e1472","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_ed9e0f30-91fb-4fd1-934c-ff2a969e74a1","kind":"thematic_break","order":206,"section_id":"sec_215e4155-9814-4b27-8f49-1b247c3e1472","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d354cf2d-c612-4066-8092-c39c5276fa3f","kind":"heading","order":207,"section_id":"sec_464705c9-5456-4a75-8565-30bf403331fc","character_id":null,"markdown":"## \\10. CPUクラウドとの最大の違い","render_override":null},{"id":"blk_53eff3df-123a-4e6b-b4b1-afdcbafc65c7","kind":"paragraph","order":208,"section_id":"sec_464705c9-5456-4a75-8565-30bf403331fc","character_id":null,"markdown":"CPUクラウドは、基本的に**statelessなWebアプリ**や**VM/コンテナ**を中心に進化しました。","render_override":null},{"id":"blk_4eea6f08-fa00-49a0-9e23-da609fbd6b11","kind":"paragraph","order":209,"section_id":"sec_464705c9-5456-4a75-8565-30bf403331fc","character_id":null,"markdown":"GPUクラウド、特にLLMクラウドは、かなり**stateful**です。","render_override":null},{"id":"blk_3c499ead-f3f8-48ff-a138-a9ae04d5d897","kind":"paragraph","order":210,"section_id":"sec_464705c9-5456-4a75-8565-30bf403331fc","character_id":null,"markdown":"なぜならLLM推論では、","render_override":null},{"id":"blk_ab3ba01f-5048-40d4-9d01-d01968d0ed5b","kind":"list","order":211,"section_id":"sec_464705c9-5456-4a75-8565-30bf403331fc","character_id":null,"markdown":"- 会話履歴\n- KV cache\n- prefix cache\n- tool callの中間状態\n- エージェントの作業メモリ\n- 長文コンテキスト\n- マルチモーダル埋め込み\n- モデルごとの常駐重み","render_override":null},{"id":"blk_80b08341-4fa6-4cb9-9d35-5cbdc6179ac3","kind":"paragraph","order":212,"section_id":"sec_464705c9-5456-4a75-8565-30bf403331fc","character_id":null,"markdown":"が重要になるからです。","render_override":null},{"id":"blk_7d45d260-b223-4ce5-b89c-bb2271ab458a","kind":"paragraph","order":213,"section_id":"sec_464705c9-5456-4a75-8565-30bf403331fc","character_id":null,"markdown":"つまりGPUクラウドは、CPUクラウドよりも、","render_override":null},{"id":"blk_d6419c8a-f859-4d30-b4fc-12462a4353ea","kind":"quote","order":214,"section_id":"sec_464705c9-5456-4a75-8565-30bf403331fc","character_id":null,"markdown":"> **計算資源のクラウド** \n> というより \n> **知能状態のクラウド**","render_override":null},{"id":"blk_f3b44c8b-b450-4898-a141-e7367e94724e","kind":"paragraph","order":215,"section_id":"sec_464705c9-5456-4a75-8565-30bf403331fc","character_id":null,"markdown":"に近づきます。","render_override":null},{"id":"blk_c9c5c3da-747d-460c-b036-4a2ca604ed74","kind":"paragraph","order":216,"section_id":"sec_464705c9-5456-4a75-8565-30bf403331fc","character_id":null,"markdown":"ここが一番大きな違いです。","render_override":null},{"id":"blk_0e15a960-fc20-47f4-a15b-847facc69919","kind":"thematic_break","order":217,"section_id":"sec_464705c9-5456-4a75-8565-30bf403331fc","character_id":null,"markdown":"---","render_override":null},{"id":"blk_badd3d91-beef-4e0e-b6f6-eb955a3de26e","kind":"heading","order":218,"section_id":"sec_ba09a870-1d06-445d-9906-75fc63b37543","character_id":null,"markdown":"## \\11. 産業的には何が伸びるか","render_override":null},{"id":"blk_87d96157-49d1-458a-be61-89201049d7b6","kind":"paragraph","order":219,"section_id":"sec_ba09a870-1d06-445d-9906-75fc63b37543","character_id":null,"markdown":"この流れで重要になる企業・技術領域は、GPUメーカーだけではありません。","render_override":null},{"id":"blk_4e417ffc-c4f7-49fc-a40c-05894b8175be","kind":"figure","order":220,"section_id":"sec_ba09a870-1d06-445d-9906-75fc63b37543","character_id":null,"markdown":"![](/media/60b2c9dec4598b45f2bb393eece1351c01b2e7772c5221c55d745f7dda563ae4-content.webp)","render_override":null},{"id":"blk_7bd872b6-f991-4d72-9827-61ba082626fc","kind":"paragraph","order":221,"section_id":"sec_ba09a870-1d06-445d-9906-75fc63b37543","character_id":null,"markdown":"特に見落とされがちなのは、**CPU需要**です。","render_override":null},{"id":"blk_4f44d353-4e41-4fac-8a16-4170db1c2c94","kind":"paragraph","order":222,"section_id":"sec_ba09a870-1d06-445d-9906-75fc63b37543","character_id":null,"markdown":"GPUをマルチテナント化するほど、CPU側では、","render_override":null},{"id":"blk_de5e3c8a-a193-4cf8-9e64-f07237a69338","kind":"list","order":223,"section_id":"sec_ba09a870-1d06-445d-9906-75fc63b37543","character_id":null,"markdown":"- API gateway\n- tokenizer\n- scheduler\n- security policy\n- network stack\n- storage I/O\n- telemetry\n- billing\n- orchestration\n- fault recovery\n- encryption/attestation","render_override":null},{"id":"blk_8dbc286c-8e5b-46aa-acc7-b1c6b7bf1334","kind":"paragraph","order":224,"section_id":"sec_ba09a870-1d06-445d-9906-75fc63b37543","character_id":null,"markdown":"が増えます。","render_override":null},{"id":"blk_9ad9cbb0-ed0f-45ca-bc6f-685a90e504eb","kind":"paragraph","order":225,"section_id":"sec_ba09a870-1d06-445d-9906-75fc63b37543","character_id":null,"markdown":"つまりGPU時代なのに、**CPUはクラウドOSの司令塔として重要性が増す**可能性があります。","render_override":null},{"id":"blk_8c560b0a-4dea-472c-93ea-1aee334e154a","kind":"thematic_break","order":226,"section_id":"sec_ba09a870-1d06-445d-9906-75fc63b37543","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f9f3cf74-c319-47e1-8d0d-ae595884ff11","kind":"heading","order":227,"section_id":"sec_1c5fa0b8-11ec-4cfb-b3c8-126a361656db","character_id":null,"markdown":"## GPUクラウドとは何か","render_override":null},{"id":"blk_7f38311b-e23e-48b7-8efb-48d61c015dd2","kind":"paragraph","order":228,"section_id":"sec_1c5fa0b8-11ec-4cfb-b3c8-126a361656db","character_id":null,"markdown":"**GPUクラウド**とは、インターネット越しにGPUサーバーを借りて、AI学習・AI推論・画像生成・動画生成・シミュレーションなどを動かせるクラウドサービスのことです。","render_override":null},{"id":"blk_9541f1ec-aaa1-425a-a8e7-c61bc79253d9","kind":"paragraph","order":229,"section_id":"sec_1c5fa0b8-11ec-4cfb-b3c8-126a361656db","character_id":null,"markdown":"普通のクラウドが、","render_override":null},{"id":"blk_072386d5-e139-4b83-931c-bc84f15359d1","kind":"quote","order":230,"section_id":"sec_1c5fa0b8-11ec-4cfb-b3c8-126a361656db","character_id":null,"markdown":"> CPU・メモリ・ストレージ・ネットワークを貸すサービス","render_override":null},{"id":"blk_807cd93d-d45b-4b45-8b42-4da7ced5453a","kind":"paragraph","order":231,"section_id":"sec_1c5fa0b8-11ec-4cfb-b3c8-126a361656db","character_id":null,"markdown":"だとすると、GPUクラウドはそこに加えて、","render_override":null},{"id":"blk_c7650fac-8dd7-43ce-b0cd-ba3c8b7d8243","kind":"quote","order":232,"section_id":"sec_1c5fa0b8-11ec-4cfb-b3c8-126a361656db","character_id":null,"markdown":"> 高性能GPUを大量に使えるクラウド","render_override":null},{"id":"blk_d33a9254-0abf-4aa8-93e2-a8f165c5ad42","kind":"paragraph","order":233,"section_id":"sec_1c5fa0b8-11ec-4cfb-b3c8-126a361656db","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_92b1827c-ca9a-45d0-9c2f-38974d6bd747","kind":"paragraph","order":234,"section_id":"sec_1c5fa0b8-11ec-4cfb-b3c8-126a361656db","character_id":null,"markdown":"たとえば、NVIDIA H100、H200、B200、GB200、AMD MI300系のようなGPUを、自分で買わずにクラウド上で使います。","render_override":null},{"id":"blk_a98ffb82-fc60-46d5-abe2-53eb034eea63","kind":"thematic_break","order":235,"section_id":"sec_1c5fa0b8-11ec-4cfb-b3c8-126a361656db","character_id":null,"markdown":"---","render_override":null},{"id":"blk_3153fa0f-7a71-435f-968e-915f17c66964","kind":"heading","order":236,"section_id":"sec_287a37cc-76fe-4b4b-a8b3-2eac854577a4","character_id":null,"markdown":"## GPUクラウドで何ができるのか","render_override":null},{"id":"blk_16b7bc3c-926b-4b8c-b2f3-e119d181c37d","kind":"paragraph","order":237,"section_id":"sec_287a37cc-76fe-4b4b-a8b3-2eac854577a4","character_id":null,"markdown":"主に以下のようなことができます。","render_override":null},{"id":"blk_876fe9e2-e031-40e5-803f-f4c224c88d8f","kind":"figure","order":238,"section_id":"sec_287a37cc-76fe-4b4b-a8b3-2eac854577a4","character_id":null,"markdown":"![](/media/261763f36b2fdc4e295a8d753efccd04ae70ac390362b67400a457dcf1765637-content.webp)","render_override":null},{"id":"blk_d15888e5-bf60-4573-8fd4-ab5dda933f9f","kind":"paragraph","order":239,"section_id":"sec_287a37cc-76fe-4b4b-a8b3-2eac854577a4","character_id":null,"markdown":"つまりGPUクラウドは、**AI時代の工場**のようなものです。","render_override":null},{"id":"blk_a0403d19-f3a5-4274-8b42-8d7b61d9a0b0","kind":"paragraph","order":240,"section_id":"sec_287a37cc-76fe-4b4b-a8b3-2eac854577a4","character_id":null,"markdown":"AIモデルを作る場所でもあり、AIサービスを動かす場所でもあります。","render_override":null},{"id":"blk_a60e89cf-fb09-46b6-a0e4-4950bace891d","kind":"thematic_break","order":241,"section_id":"sec_287a37cc-76fe-4b4b-a8b3-2eac854577a4","character_id":null,"markdown":"---","render_override":null},{"id":"blk_69977804-0ce3-4269-af12-b8a0358c863b","kind":"heading","order":242,"section_id":"sec_2ca80241-bcaf-4abc-aa43-ec9330275a7e","character_id":null,"markdown":"## クラウドではCPUが基本使われているのか","render_override":null},{"id":"blk_25897f7b-c0e4-43fe-8914-7784083e9578","kind":"paragraph","order":243,"section_id":"sec_2ca80241-bcaf-4abc-aa43-ec9330275a7e","character_id":null,"markdown":"はい。**クラウドの基本は今でもCPUです。**","render_override":null},{"id":"blk_98603b31-e148-400b-a98e-f21b2cbae4d3","kind":"paragraph","order":244,"section_id":"sec_2ca80241-bcaf-4abc-aa43-ec9330275a7e","character_id":null,"markdown":"クラウドの土台は、基本的にCPUサーバーです。","render_override":null},{"id":"blk_2744c685-9d93-4e0b-b298-b9f8c8b36304","kind":"paragraph","order":245,"section_id":"sec_2ca80241-bcaf-4abc-aa43-ec9330275a7e","character_id":null,"markdown":"たとえばWebサイト、API、データベース、ログ処理、認証、ファイル保存、決済、管理画面、アプリケーションサーバーなどは、多くの場合CPUで動きます。","render_override":null},{"id":"blk_9328d768-3621-4163-b748-52986047b1be","kind":"paragraph","order":246,"section_id":"sec_2ca80241-bcaf-4abc-aa43-ec9330275a7e","character_id":null,"markdown":"クラウドの基本構造はこうです。","render_override":null},{"id":"blk_1675a7c6-2c1c-4230-be25-e570d3586a1b","kind":"code","order":247,"section_id":"sec_2ca80241-bcaf-4abc-aa43-ec9330275a7e","character_id":null,"markdown":"```\nユーザー\n ↓\nインターネット\n ↓\nロードバランサ\n ↓\nCPUサーバー群\n ↓\nデータベース / ストレージ / キャッシュ\n```","render_override":null},{"id":"blk_7ddc748a-1d35-41a7-8203-f8e32867ce09","kind":"paragraph","order":248,"section_id":"sec_2ca80241-bcaf-4abc-aa43-ec9330275a7e","character_id":null,"markdown":"ここにAIが入ると、こうなります。","render_override":null},{"id":"blk_0992d562-4b01-45e7-81ff-d46a170fa630","kind":"code","order":249,"section_id":"sec_2ca80241-bcaf-4abc-aa43-ec9330275a7e","character_id":null,"markdown":"```\nユーザー\n ↓\nCPUサーバー\n ↓\nAI推論サーバー\n ↓\nGPU\n ↓\n回答生成\n```","render_override":null},{"id":"blk_d5a1bcae-6a26-4e5f-85a7-2593d6ffd178","kind":"paragraph","order":250,"section_id":"sec_2ca80241-bcaf-4abc-aa43-ec9330275a7e","character_id":null,"markdown":"つまり、AIサービスでもCPUは消えません。 \nむしろGPUを動かすためにCPUが必要です。","render_override":null},{"id":"blk_f82e7fac-01ed-404d-a31f-9f342ba1fd90","kind":"paragraph","order":251,"section_id":"sec_2ca80241-bcaf-4abc-aa43-ec9330275a7e","character_id":null,"markdown":"CPUは、","render_override":null},{"id":"blk_2bc66238-83e4-425b-bc6e-0a789f6f6602","kind":"list","order":252,"section_id":"sec_2ca80241-bcaf-4abc-aa43-ec9330275a7e","character_id":null,"markdown":"- ユーザーリクエストを受ける\n- 認証する\n- 入力テキストを整形する\n- tokenizerを動かす\n- GPUに仕事を投げる\n- 結果を受け取る\n- 課金する\n- ログを取る\n- セキュリティを管理する\n- ネットワークを制御する","render_override":null},{"id":"blk_2097ebcf-8a34-4f3e-b6db-35f05808dfda","kind":"paragraph","order":253,"section_id":"sec_2ca80241-bcaf-4abc-aa43-ec9330275a7e","character_id":null,"markdown":"という役割を持ちます。","render_override":null},{"id":"blk_38c310b3-a982-4422-837b-16d88c8fc625","kind":"paragraph","order":254,"section_id":"sec_2ca80241-bcaf-4abc-aa43-ec9330275a7e","character_id":null,"markdown":"GPUは「重いAI計算をする筋肉」で、CPUは「司令塔・管理者・交通整理係」です。","render_override":null},{"id":"blk_92f8a100-feb6-477d-a0a6-37fb7615a87c","kind":"thematic_break","order":255,"section_id":"sec_2ca80241-bcaf-4abc-aa43-ec9330275a7e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a78a907f-eafb-41bf-aa43-a6edcfffe676","kind":"heading","order":256,"section_id":"sec_4bda7216-1720-4cca-9e36-62970a0cf054","character_id":null,"markdown":"## CPUとGPUの役割の違い","render_override":null},{"id":"blk_6161ee28-776b-4c79-b3f9-c0b870fb856e","kind":"paragraph","order":257,"section_id":"sec_4bda7216-1720-4cca-9e36-62970a0cf054","character_id":null,"markdown":"かなり単純化すると、こうです。","render_override":null},{"id":"blk_b4179422-5505-4215-8d16-46f7dbb494ab","kind":"figure","order":258,"section_id":"sec_4bda7216-1720-4cca-9e36-62970a0cf054","character_id":null,"markdown":"![](/media/f9bb5a265e8003d923fa7d5cb1b84137cd238e4d534dbedfdf82da226bf26204-content.webp)","render_override":null},{"id":"blk_ab8a4169-7df1-45aa-a59f-3e032790956d","kind":"paragraph","order":259,"section_id":"sec_4bda7216-1720-4cca-9e36-62970a0cf054","character_id":null,"markdown":"たとえばChatGPT的なサービスでは、","render_override":null},{"id":"blk_f5e4bb7e-0b70-4874-9870-80881896b1ec","kind":"code","order":260,"section_id":"sec_4bda7216-1720-4cca-9e36-62970a0cf054","character_id":null,"markdown":"```\nCPU：ユーザーの文章を受け取り、トークン化し、GPUに渡す\nGPU：LLMを使って次の単語・文章を計算する\nCPU：結果を整えてユーザーに返す\n```","render_override":null},{"id":"blk_3818fc06-7e9f-4125-a029-9daac3404232","kind":"paragraph","order":261,"section_id":"sec_4bda7216-1720-4cca-9e36-62970a0cf054","character_id":null,"markdown":"という分担になります。","render_override":null},{"id":"blk_bb9a88b3-e5ad-4e02-8530-731b48f0d34b","kind":"thematic_break","order":262,"section_id":"sec_4bda7216-1720-4cca-9e36-62970a0cf054","character_id":null,"markdown":"---","render_override":null},{"id":"blk_47a35a4a-54cb-4871-a390-434b8cc9fbc2","kind":"heading","order":263,"section_id":"sec_9bb2ef4b-fd71-4240-929e-959db66d1936","character_id":null,"markdown":"## AIの学習はクラウドで行われているのか","render_override":null},{"id":"blk_e244ee2d-b761-4b28-921c-fc065925eacc","kind":"paragraph","order":264,"section_id":"sec_9bb2ef4b-fd71-4240-929e-959db66d1936","character_id":null,"markdown":"はい。多くのAI学習はクラウド、またはクラウド的な巨大データセンターで行われています。","render_override":null},{"id":"blk_5cc11e5a-c153-48c3-a1fe-3c5e2fae2ce6","kind":"paragraph","order":265,"section_id":"sec_9bb2ef4b-fd71-4240-929e-959db66d1936","character_id":null,"markdown":"特に大規模言語モデルの学習は、普通のPCでは無理です。","render_override":null},{"id":"blk_bd3df2f4-52f5-472b-9fba-9c317302ad63","kind":"paragraph","order":266,"section_id":"sec_9bb2ef4b-fd71-4240-929e-959db66d1936","character_id":null,"markdown":"理由は、","render_override":null},{"id":"blk_12bbed31-60ba-4b70-9f3d-1f6f98a46017","kind":"list","order":267,"section_id":"sec_9bb2ef4b-fd71-4240-929e-959db66d1936","character_id":null,"markdown":"- GPUが大量に必要\n- 電力が大量に必要\n- 冷却設備が必要\n- 高速ネットワークが必要\n- 大量ストレージが必要\n- 障害復旧システムが必要\n- 数週間〜数か月の連続運転が必要","render_override":null},{"id":"blk_57ef174b-5221-4fe2-bb48-7d5e1d7a7bee","kind":"paragraph","order":268,"section_id":"sec_9bb2ef4b-fd71-4240-929e-959db66d1936","character_id":null,"markdown":"だからです。","render_override":null},{"id":"blk_a9fbb2c8-f8f3-4352-a31a-c0cdbcd3124b","kind":"paragraph","order":269,"section_id":"sec_9bb2ef4b-fd71-4240-929e-959db66d1936","character_id":null,"markdown":"大規模AIモデルの学習では、数千〜数十万GPU規模のクラスタを使うことがあります。","render_override":null},{"id":"blk_f96dceb0-79ee-4113-ae17-96d6bf682187","kind":"paragraph","order":270,"section_id":"sec_9bb2ef4b-fd71-4240-929e-959db66d1936","character_id":null,"markdown":"イメージとしては、","render_override":null},{"id":"blk_a53a15f6-d3d6-4482-92da-ef4c757141c6","kind":"code","order":271,"section_id":"sec_9bb2ef4b-fd71-4240-929e-959db66d1936","character_id":null,"markdown":"```\n巨大データセット\n ↓\nCPU群がデータを読み込み・前処理\n ↓\nGPU群がニューラルネットワークを学習\n ↓\nモデルの重みが更新される\n ↓\n完成したAIモデルになる\n```","render_override":null},{"id":"blk_31be83b8-72c3-4bf6-bba9-579ee6d9f335","kind":"paragraph","order":272,"section_id":"sec_9bb2ef4b-fd71-4240-929e-959db66d1936","character_id":null,"markdown":"という流れです。","render_override":null},{"id":"blk_a4f55371-2034-4c69-9fbc-02f3e1643459","kind":"thematic_break","order":273,"section_id":"sec_9bb2ef4b-fd71-4240-929e-959db66d1936","character_id":null,"markdown":"---","render_override":null},{"id":"blk_6fd1d81d-594e-43f0-ad23-805e4a8f612a","kind":"heading","order":274,"section_id":"sec_c656c7fc-605f-492e-a960-66d82e74a6c5","character_id":null,"markdown":"## AIの推論もクラウドで行われているのか","render_override":null},{"id":"blk_9cae1884-c7cb-4889-8d43-37ac59b4de44","kind":"paragraph","order":275,"section_id":"sec_c656c7fc-605f-492e-a960-66d82e74a6c5","character_id":null,"markdown":"はい。ChatGPT、Claude、Gemini、Copilot、画像生成AI、動画生成AIなど、多くのAI推論もクラウドで行われています。","render_override":null},{"id":"blk_5ccfecaa-0f20-44ac-9570-be3c2a632062","kind":"paragraph","order":276,"section_id":"sec_c656c7fc-605f-492e-a960-66d82e74a6c5","character_id":null,"markdown":"**推論**とは、学習済みAIモデルを使って実際に答えを出すことです。","render_override":null},{"id":"blk_c03ec2b5-841c-4aff-987c-7ce30e050755","kind":"paragraph","order":277,"section_id":"sec_c656c7fc-605f-492e-a960-66d82e74a6c5","character_id":null,"markdown":"たとえばあなたがChatGPTに質問すると、","render_override":null},{"id":"blk_3490b409-27dd-4ad2-9b96-73e214e01d00","kind":"code","order":278,"section_id":"sec_c656c7fc-605f-492e-a960-66d82e74a6c5","character_id":null,"markdown":"```\nあなたの入力\n ↓\nクラウド上のサーバー\n ↓\nGPU上のAIモデル\n ↓\n回答生成\n ↓\nあなたの画面に返る\n```","render_override":null},{"id":"blk_9f2b9c75-12b1-4bf2-88de-49ec4fbcebc9","kind":"paragraph","order":279,"section_id":"sec_c656c7fc-605f-492e-a960-66d82e74a6c5","character_id":null,"markdown":"という流れになります。","render_override":null},{"id":"blk_46388ae9-e382-4fc3-9942-3b7d2fc8cd35","kind":"paragraph","order":280,"section_id":"sec_c656c7fc-605f-492e-a960-66d82e74a6c5","character_id":null,"markdown":"つまり、あなたのPCやスマホが全部計算しているわけではありません。 \n多くの場合、裏側のクラウドGPUが計算しています。","render_override":null},{"id":"blk_cc45b55b-52f2-4942-b900-d4f624957457","kind":"thematic_break","order":281,"section_id":"sec_c656c7fc-605f-492e-a960-66d82e74a6c5","character_id":null,"markdown":"---","render_override":null},{"id":"blk_601f73aa-5777-49d6-a73a-419bb7fe39f4","kind":"heading","order":282,"section_id":"sec_34c6259f-6349-4bc3-9ef7-3f1311c73105","character_id":null,"markdown":"## 学習と推論の違い","render_override":null},{"id":"blk_b5077c1a-213d-4db8-a472-37dab3cbd8cf","kind":"paragraph","order":283,"section_id":"sec_34c6259f-6349-4bc3-9ef7-3f1311c73105","character_id":null,"markdown":"ここは重要です。","render_override":null},{"id":"blk_b7c4d5ed-ef1f-4a84-99a6-6606b0612ce9","kind":"figure","order":284,"section_id":"sec_34c6259f-6349-4bc3-9ef7-3f1311c73105","character_id":null,"markdown":"![](/media/5d06208cc2d82b5bff5f8a0dcbdb1e77b0bd9674b9d5e859b5ad89f7671e0b10-content.webp)","render_override":null},{"id":"blk_d35f0f76-46a3-4063-aab1-2e2ac73ae0f9","kind":"paragraph","order":285,"section_id":"sec_34c6259f-6349-4bc3-9ef7-3f1311c73105","character_id":null,"markdown":"料理で例えると、","render_override":null},{"id":"blk_5b8b82e3-6230-43c2-9208-e089fbf5039c","kind":"figure","order":286,"section_id":"sec_34c6259f-6349-4bc3-9ef7-3f1311c73105","character_id":null,"markdown":"![](/media/e004da2cb652acc78c665be16d350f9c024c78e436ae5be250363a855990a8cd-content.webp)","render_override":null},{"id":"blk_384ea9b9-a8ba-4648-befe-e14405bb07e8","kind":"paragraph","order":287,"section_id":"sec_34c6259f-6349-4bc3-9ef7-3f1311c73105","character_id":null,"markdown":"学習は「AIを育てる」。 \n推論は「育ったAIを使う」。","render_override":null},{"id":"blk_2863b416-ad19-4243-b781-e4ac0eafa383","kind":"thematic_break","order":288,"section_id":"sec_34c6259f-6349-4bc3-9ef7-3f1311c73105","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c793a216-72e1-4e68-9e97-09e9ed9722bc","kind":"heading","order":289,"section_id":"sec_0d381801-36d5-45d4-a35a-0638c327aa9e","character_id":null,"markdown":"## すべてクラウドで行われるのか","render_override":null},{"id":"blk_22f52811-bdcc-4b2e-be4d-ff268ed59eda","kind":"paragraph","order":290,"section_id":"sec_0d381801-36d5-45d4-a35a-0638c327aa9e","character_id":null,"markdown":"いいえ。すべてではありません。","render_override":null},{"id":"blk_beb9af22-352e-4de2-9221-f0d14b12bd37","kind":"paragraph","order":291,"section_id":"sec_0d381801-36d5-45d4-a35a-0638c327aa9e","character_id":null,"markdown":"AIの実行場所は大きく3つあります。","render_override":null},{"id":"blk_e3aeacee-7a12-4468-9dea-685920a3f62b","kind":"paragraph","order":292,"section_id":"sec_0d381801-36d5-45d4-a35a-0638c327aa9e","character_id":null,"markdown":"場所例特徴クラウドChatGPT、Gemini、画像生成AI高性能、大規模、ネット必須エッジスマホ、PC、車、工場機械低遅延、プライバシー、性能制限ありオンプレミス企業内サーバー、研究所データ管理しやすいが高コスト","render_override":null},{"id":"blk_c72d50a4-abe7-49b2-bf8d-4268a3a3421b","kind":"paragraph","order":293,"section_id":"sec_0d381801-36d5-45d4-a35a-0638c327aa9e","character_id":null,"markdown":"現在の大規模AIは、基本的にはクラウド中心です。 \nただし今後は、スマホ、PC、自動車、ロボット、工場、監視カメラなどにもAI推論が広がります。","render_override":null},{"id":"blk_8e2c7c5c-0022-4a18-9e4e-e738690ba402","kind":"paragraph","order":294,"section_id":"sec_0d381801-36d5-45d4-a35a-0638c327aa9e","character_id":null,"markdown":"つまり未来は、","render_override":null},{"id":"blk_7ec72720-4395-4583-85fc-7e9f18ec5f10","kind":"code","order":295,"section_id":"sec_0d381801-36d5-45d4-a35a-0638c327aa9e","character_id":null,"markdown":"```\n巨大な学習：クラウドGPU\n重い推論：クラウドGPU\n軽い推論：PC/スマホ/エッジAIチップ\nリアルタイム制御：ロボットや車載チップ\n```","render_override":null},{"id":"blk_d612c3dc-38cd-43ef-88dd-2a6ee9649c2b","kind":"paragraph","order":296,"section_id":"sec_0d381801-36d5-45d4-a35a-0638c327aa9e","character_id":null,"markdown":"という分担になっていくと思います。","render_override":null},{"id":"blk_2adfb847-3090-43fe-990a-0aa8da11b877","kind":"thematic_break","order":297,"section_id":"sec_0d381801-36d5-45d4-a35a-0638c327aa9e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_927d93cd-a4d8-42d2-b95c-e1ba7e8528bc","kind":"heading","order":298,"section_id":"sec_fbf61cc5-9f59-47ef-81e8-5b283a84043d","character_id":null,"markdown":"## GPUクラウドと普通のクラウドの違い","render_override":null},{"id":"blk_4f9098d9-bbe2-40dc-9862-847a130a6e2b","kind":"paragraph","order":299,"section_id":"sec_fbf61cc5-9f59-47ef-81e8-5b283a84043d","character_id":null,"markdown":"普通のクラウドは、主にCPU中心です。","render_override":null},{"id":"blk_0f2ccc12-8cb6-4c11-92cf-ccbb3bbe7462","kind":"code","order":300,"section_id":"sec_fbf61cc5-9f59-47ef-81e8-5b283a84043d","character_id":null,"markdown":"```\nAWS EC2\nGoogle Cloud Compute Engine\nAzure VM\nさくらのクラウド\nなど\n```","render_override":null},{"id":"blk_77e3e781-4731-4eb1-a73a-702bf25c94e6","kind":"paragraph","order":301,"section_id":"sec_fbf61cc5-9f59-47ef-81e8-5b283a84043d","character_id":null,"markdown":"GPUクラウドは、そこにGPUを強く載せたものです。","render_override":null},{"id":"blk_478603b2-41f7-4f2f-b38b-4133c49b5ce6","kind":"code","order":302,"section_id":"sec_fbf61cc5-9f59-47ef-81e8-5b283a84043d","character_id":null,"markdown":"```\nNVIDIA GPU搭載インスタンス\nAI学習用クラスタ\n推論API基盤\n画像生成サーバー\n動画生成サーバー\n```","render_override":null},{"id":"blk_f2820ac3-3ca7-4b49-adba-9c92688039f6","kind":"paragraph","order":303,"section_id":"sec_fbf61cc5-9f59-47ef-81e8-5b283a84043d","character_id":null,"markdown":"普通のクラウドが「会社のIT基盤」だとすると、 \nGPUクラウドは「AIを作り、AIを動かすための計算工場」です。","render_override":null},{"id":"blk_9325afc4-b0af-4843-9ec5-f36067a1f3c7","kind":"thematic_break","order":304,"section_id":"sec_fbf61cc5-9f59-47ef-81e8-5b283a84043d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_6c9bff85-8211-4094-b252-8da47e632aac","kind":"heading","order":305,"section_id":"sec_07994b9a-7cb0-4fa1-8e44-a0d5f508d90b","character_id":null,"markdown":"## なぜGPUクラウドが重要になったのか","render_override":null},{"id":"blk_488357c2-daeb-4f8d-883d-8a54cf5c145f","kind":"paragraph","order":306,"section_id":"sec_07994b9a-7cb0-4fa1-8e44-a0d5f508d90b","character_id":null,"markdown":"理由は単純で、現代AIの中心が**巨大な行列計算**だからです。","render_override":null},{"id":"blk_8d050250-9bc8-4e61-a7e4-640673604b1a","kind":"paragraph","order":307,"section_id":"sec_07994b9a-7cb0-4fa1-8e44-a0d5f508d90b","character_id":null,"markdown":"LLMも画像生成AIも、内部では大量の行列演算をしています。 \nこれはCPUよりGPUの方が得意です。","render_override":null},{"id":"blk_435cf602-9456-4129-8657-d30c0f8f64e5","kind":"paragraph","order":308,"section_id":"sec_07994b9a-7cb0-4fa1-8e44-a0d5f508d90b","character_id":null,"markdown":"そのため、AI時代には、","render_override":null},{"id":"blk_0009b9cc-5426-42c7-9f23-a6ba08cb937d","kind":"code","order":309,"section_id":"sec_07994b9a-7cb0-4fa1-8e44-a0d5f508d90b","character_id":null,"markdown":"```\nCPUクラウド：Web、API、DB、OS、管理、通信\nGPUクラウド：AIの学習、推論、生成、シミュレーション\n```","render_override":null},{"id":"blk_c24d71da-ef07-43cd-8b6c-3c13e3dfc8a0","kind":"paragraph","order":310,"section_id":"sec_07994b9a-7cb0-4fa1-8e44-a0d5f508d90b","character_id":null,"markdown":"という役割分担が強くなります。","render_override":null},{"id":"blk_017104d1-d2f7-4c85-bb7d-8ef75769a46d","kind":"thematic_break","order":311,"section_id":"sec_07994b9a-7cb0-4fa1-8e44-a0d5f508d90b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f856755f-5c9a-4b8a-b841-9871fb150a16","kind":"heading","order":312,"section_id":"sec_d4de89a5-0d88-41d1-998b-a7b33adb771f","character_id":null,"markdown":"## まとめ","render_override":null},{"id":"blk_3a3aad82-206e-44fe-a231-a63aae699206","kind":"paragraph","order":313,"section_id":"sec_d4de89a5-0d88-41d1-998b-a7b33adb771f","character_id":null,"markdown":"**GPUクラウド**とは、クラウド上でGPUを使い、AI学習・AI推論・画像生成・動画生成・科学計算などを行う仕組みです。","render_override":null},{"id":"blk_78875b6c-aab7-4d15-8530-b7cdb75ae366","kind":"paragraph","order":314,"section_id":"sec_d4de89a5-0d88-41d1-998b-a7b33adb771f","character_id":null,"markdown":"ただし、クラウドの基本は今でもCPUです。 \nCPUはOS、Web、API、認証、課金、監視、スケジューリングを担当します。 \nGPUはAI計算の本体を担当します。","render_override":null},{"id":"blk_813429e7-d75d-4757-9bed-ecff82a77433","kind":"paragraph","order":315,"section_id":"sec_d4de89a5-0d88-41d1-998b-a7b33adb771f","character_id":null,"markdown":"AIの学習も推論も、多くはクラウドで行われています。 \n特にChatGPTのような大規模AIは、裏側で巨大なGPUクラスタが動いています。","render_override":null},{"id":"blk_95cd3407-1140-4aa3-b5bc-bd65e9131928","kind":"paragraph","order":316,"section_id":"sec_d4de89a5-0d88-41d1-998b-a7b33adb771f","character_id":null,"markdown":"一言で言うと、","render_override":null},{"id":"blk_71a739ad-8370-4f10-b63d-7268c1216ae5","kind":"quote","order":317,"section_id":"sec_d4de89a5-0d88-41d1-998b-a7b33adb771f","character_id":null,"markdown":"> **CPUクラウドは、インターネットサービスを動かす基盤。 \n> GPUクラウドは、AIを作り、AIを動かす基盤。 \n> そしてAI時代のクラウドでは、CPUが司令塔、GPUが計算エンジンになる。**","render_override":null},{"id":"blk_cab524d0-aa9d-4546-8f75-d41cb442e53a","kind":"paragraph","order":318,"section_id":"sec_d4de89a5-0d88-41d1-998b-a7b33adb771f","character_id":null,"markdown":"ということです。","render_override":null},{"id":"blk_7e7bd4dd-ec2f-4f14-b1b2-897c574fee6f","kind":"thematic_break","order":319,"section_id":"sec_d4de89a5-0d88-41d1-998b-a7b33adb771f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7301de87-cd51-4332-a4e5-7db499cee2bf","kind":"paragraph","order":320,"section_id":"sec_d4de89a5-0d88-41d1-998b-a7b33adb771f","character_id":null,"markdown":"静まるというより、**CPU需要の“質”が変わる**可能性が高いです。 \nGPUクラウドが実現しても、CPU需要は消えません。むしろ短中期では、**GPUを効率よく使うための司令塔・管理層としてCPU需要は増えやすい**です。","render_override":null},{"id":"blk_a26ddc59-c279-4e1f-bfb0-aef6b07c5a91","kind":"heading","order":321,"section_id":"sec_66682f15-b808-4625-934d-48f429e9ccdb","character_id":null,"markdown":"## 結論","render_override":null},{"id":"blk_59302712-08b1-4b75-81ce-032c90544946","kind":"paragraph","order":322,"section_id":"sec_66682f15-b808-4625-934d-48f429e9ccdb","character_id":null,"markdown":"**GPUクラウドが成熟しても、CPU需要の高まりはすぐには静まりにくいです。**","render_override":null},{"id":"blk_24747450-c328-40f9-a549-e1cad3730121","kind":"paragraph","order":323,"section_id":"sec_66682f15-b808-4625-934d-48f429e9ccdb","character_id":null,"markdown":"ただし、将来的にはこう分かれます。","render_override":null},{"id":"blk_42106f53-0085-4922-8789-a1092f06b3f5","kind":"paragraph","order":324,"section_id":"sec_66682f15-b808-4625-934d-48f429e9ccdb","character_id":null,"markdown":"観点方向性CPU総需要AIサービス拡大で増えやすいGPU 1枚あたりのCPU必要量最適化で減る可能性がある汎用CPU需要一部はArm CPU、DPU、SmartNIC、専用チップに置き換わる高性能サーバーCPU需要むしろ重要性が上がる低付加価値なCPU需要圧縮される可能性がある","render_override":null},{"id":"blk_57abd497-0c1c-4b63-8aec-92e698c54271","kind":"paragraph","order":325,"section_id":"sec_66682f15-b808-4625-934d-48f429e9ccdb","character_id":null,"markdown":"つまり、 \n**「CPUが不要になる」のではなく、「GPUを動かすためのCPU」「クラウド制御用CPU」「AIサービス運用CPU」に需要が寄っていく」** \nという見方が近いです。","render_override":null},{"id":"blk_e63053eb-61c7-4640-ba36-80734ed7fece","kind":"thematic_break","order":326,"section_id":"sec_66682f15-b808-4625-934d-48f429e9ccdb","character_id":null,"markdown":"---","render_override":null},{"id":"blk_43981591-9406-4717-909d-a015e4e9535d","kind":"heading","order":327,"section_id":"sec_2b9f15df-7031-410c-8956-470903063619","character_id":null,"markdown":"## なぜGPUクラウドでもCPUが必要なのか","render_override":null},{"id":"blk_0a0723b5-0ec3-4daf-8aed-13b22fe26157","kind":"paragraph","order":328,"section_id":"sec_2b9f15df-7031-410c-8956-470903063619","character_id":null,"markdown":"GPUはAI計算本体を担当します。 \nしかしGPUは、自分だけでクラウドサービス全体を運営できません。","render_override":null},{"id":"blk_3e1be563-e378-4f82-bb2e-589c52673baa","kind":"paragraph","order":329,"section_id":"sec_2b9f15df-7031-410c-8956-470903063619","character_id":null,"markdown":"GPUクラウドではCPUが以下を担当します。","render_override":null},{"id":"blk_64a183d4-8738-41ca-8175-962fb1577941","kind":"list","order":330,"section_id":"sec_2b9f15df-7031-410c-8956-470903063619","character_id":null,"markdown":"- ユーザーリクエスト受付\n- API処理\n- 認証・権限管理\n- 課金\n- ログ\n- セキュリティ\n- スケジューリング\n- コンテナ管理\n- GPUジョブ投入\n- tokenizer\n- データ前処理\n- ストレージI/O\n- ネットワーク制御\n- 障害復旧\n- GPU利用率監視","render_override":null},{"id":"blk_b75937fa-da46-4795-84cc-fe41dc711f79","kind":"paragraph","order":331,"section_id":"sec_2b9f15df-7031-410c-8956-470903063619","character_id":null,"markdown":"つまりGPUが「AIの筋肉」なら、CPUは「神経・管制塔・事務処理・交通整理」です。","render_override":null},{"id":"blk_d45023b2-c637-4d00-a36f-bfe85d1326fc","kind":"paragraph","order":332,"section_id":"sec_2b9f15df-7031-410c-8956-470903063619","character_id":null,"markdown":"GPUクラウドが発展するほど、**GPUを遊ばせないために、CPU側の制御が高度化する**ので、CPUの役割はむしろ増えます。","render_override":null},{"id":"blk_188617f3-df3e-4766-a5ce-34b67f26550d","kind":"thematic_break","order":333,"section_id":"sec_2b9f15df-7031-410c-8956-470903063619","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b9bb8719-8bcf-4f70-8c64-65a1b14625ec","kind":"heading","order":334,"section_id":"sec_9d2408c3-9350-4a87-b9d1-e6a87533e3b2","character_id":null,"markdown":"## 実際、最新GPUシステムにもCPUは大量に入っている","render_override":null},{"id":"blk_b4e00ee9-3f6a-44b4-acb7-3eddbe4c1ae1","kind":"paragraph","order":335,"section_id":"sec_9d2408c3-9350-4a87-b9d1-e6a87533e3b2","character_id":null,"markdown":"象徴的なのがNVIDIAのGB200 NVL72です。これは72個のBlackwell GPUを1つの巨大なNVLinkドメインとして扱うラックスケール設計ですが、同時に**36個のGrace CPU**も接続されています。つまり最新AIラックは「GPUだけの箱」ではなく、CPUとGPUが一体化したAI計算システムです。([NVIDIA](https://www.nvidia.com/en-us/data-center/gb200-nvl72/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_74e0cb66-be4a-4c17-a3f7-b1f38bffc985","kind":"paragraph","order":336,"section_id":"sec_9d2408c3-9350-4a87-b9d1-e6a87533e3b2","character_id":null,"markdown":"また、NVIDIAのGrace HopperはGrace CPUとHopper GPUをNVLink-C2Cで接続し、AI/HPC向けにCPUとGPUを密結合する設計です。これは「GPU時代にCPUが不要になる」のではなく、**CPUとGPUの結合がより深くなる**ことを示しています。([NVIDIA](https://www.nvidia.com/en-us/data-center/grace-hopper-superchip/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_f616cca1-b67c-4055-b75d-b471686f4ce6","kind":"paragraph","order":337,"section_id":"sec_9d2408c3-9350-4a87-b9d1-e6a87533e3b2","character_id":null,"markdown":"AMD側でも、AIデータセンターにおいてEPYC CPUを基盤として位置づけています。AMD Instinct MI300XのようなGPUアクセラレータも、AI/HPCシステム全体の中でCPU、GPU、メモリ、ネットワークと組み合わされます。([AMD](https://www.amd.com/en/products/accelerators/instinct/mi300/platform.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_8e609f43-cfd3-4511-8756-578c0d830c93","kind":"thematic_break","order":338,"section_id":"sec_9d2408c3-9350-4a87-b9d1-e6a87533e3b2","character_id":null,"markdown":"---","render_override":null},{"id":"blk_62db3d84-92d1-4da1-9a1d-1f7b753eb06a","kind":"heading","order":339,"section_id":"sec_3331e901-645e-420f-bad2-aab7f1640630","character_id":null,"markdown":"## GPUクラウドが成熟すると、CPU需要が減る部分もある","render_override":null},{"id":"blk_7f4df042-dbdc-4906-a5f5-69775776e395","kind":"paragraph","order":340,"section_id":"sec_3331e901-645e-420f-bad2-aab7f1640630","character_id":null,"markdown":"ただし、全部が増えるわけではありません。","render_override":null},{"id":"blk_ad7596ac-662f-42fb-b677-904fc74346b6","kind":"paragraph","order":341,"section_id":"sec_3331e901-645e-420f-bad2-aab7f1640630","character_id":null,"markdown":"GPUクラウドが成熟すると、以下のような効率化が進みます。","render_override":null},{"id":"blk_319c6b0b-4aee-45d8-b163-e5a42d968228","kind":"figure","order":342,"section_id":"sec_3331e901-645e-420f-bad2-aab7f1640630","character_id":null,"markdown":"![](/media/641685f350d778eba753f5f3c6bb2f4074ab30a5aa547cdc2ba7e4d5eaf52152-content.webp)","render_override":null},{"id":"blk_9814673e-34e3-4d2e-870e-d9bce1942254","kind":"paragraph","order":343,"section_id":"sec_3331e901-645e-420f-bad2-aab7f1640630","character_id":null,"markdown":"たとえばKubernetesでは、GPUなどの特殊デバイスを柔軟に要求・共有するためのDynamic Resource Allocation、DRAが進んでいます。DRAはGPUやFPGAのようなアクセラレータをPodにより柔軟に割り当てる仕組みで、GPUクラウドのリソース管理を高度化する方向です。([Kubernetes](https://kubernetes.io/docs/concepts/scheduling-eviction/dynamic-resource-allocation/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_ddb9d64b-2d5d-4e6c-b8a6-77b3c3221db7","kind":"paragraph","order":344,"section_id":"sec_3331e901-645e-420f-bad2-aab7f1640630","character_id":null,"markdown":"NVIDIAもGPU Operator向けにDRA Driver for GPUsを提供しており、GPUの構成やスケジューリングをKubernetes側でより柔軟に扱う方向に進んでいます。([NVIDIA Docs](https://docs.nvidia.com/datacenter/cloud-native/gpu-operator/latest/dra-intro-install.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_22b974f7-77aa-4318-bcd2-96dd1bd02c9c","kind":"paragraph","order":345,"section_id":"sec_3331e901-645e-420f-bad2-aab7f1640630","character_id":null,"markdown":"これが進むと、**同じAI処理量に必要なCPU・GPUサーバー台数は減る**可能性があります。","render_override":null},{"id":"blk_60e3ac1e-393d-4380-a22d-917ff3b6f788","kind":"thematic_break","order":346,"section_id":"sec_3331e901-645e-420f-bad2-aab7f1640630","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5088370e-264a-489b-8227-d7d560a1a70c","kind":"heading","order":347,"section_id":"sec_f33e4986-221e-4ec4-a922-4302306101f0","character_id":null,"markdown":"## でも、総需要は下がらない可能性が高い","render_override":null},{"id":"blk_69cd9584-ae17-4062-a77e-56ca34193562","kind":"paragraph","order":348,"section_id":"sec_f33e4986-221e-4ec4-a922-4302306101f0","character_id":null,"markdown":"ここが重要です。","render_override":null},{"id":"blk_1652fd00-3ec5-4a91-aba9-1660b7535f4f","kind":"paragraph","order":349,"section_id":"sec_f33e4986-221e-4ec4-a922-4302306101f0","character_id":null,"markdown":"GPUクラウドの効率が上がると、1リクエストあたりの原価は下がります。 \nするとAIサービスはもっと安くなり、もっと大量に使われます。","render_override":null},{"id":"blk_cf311596-bbf0-42ad-9e03-87dba5d740ff","kind":"paragraph","order":350,"section_id":"sec_f33e4986-221e-4ec4-a922-4302306101f0","character_id":null,"markdown":"これはいわゆる**ジェボンズのパラドックス**的な現象です。","render_override":null},{"id":"blk_7b66efe5-06ab-4e5c-9905-4ec3e3a9f133","kind":"quote","order":351,"section_id":"sec_f33e4986-221e-4ec4-a922-4302306101f0","character_id":null,"markdown":"> 効率化すると消費量が減るのではなく、安くなって利用量が爆発し、総需要はむしろ増える。","render_override":null},{"id":"blk_09a22bca-9e2a-4362-b3b8-b4dd6b5c5380","kind":"paragraph","order":352,"section_id":"sec_f33e4986-221e-4ec4-a922-4302306101f0","character_id":null,"markdown":"AI推論が安くなると、","render_override":null},{"id":"blk_0ca90cca-643c-4f37-9394-c9e9d9ffb631","kind":"list","order":353,"section_id":"sec_f33e4986-221e-4ec4-a922-4302306101f0","character_id":null,"markdown":"- AIエージェント\n- コーディングAI\n- 動画生成\n- 画像生成\n- 音声AI\n- リアルタイム翻訳\n- ロボット\n- 工場AI\n- セキュリティAI\n- 個人専用AI\n- 企業内AIワーカー","render_override":null},{"id":"blk_234c81b4-f032-446b-b403-7be2a3ff96ee","kind":"paragraph","order":354,"section_id":"sec_f33e4986-221e-4ec4-a922-4302306101f0","character_id":null,"markdown":"がさらに増えます。","render_override":null},{"id":"blk_34f72be1-3747-41d1-af59-cc095304b029","kind":"paragraph","order":355,"section_id":"sec_f33e4986-221e-4ec4-a922-4302306101f0","character_id":null,"markdown":"その結果、GPU利用効率が上がっても、**AIサービス全体の量が増えすぎて、CPU需要も増える**可能性があります。","render_override":null},{"id":"blk_284ebd90-bf73-4d83-912d-0729b177008b","kind":"thematic_break","order":356,"section_id":"sec_f33e4986-221e-4ec4-a922-4302306101f0","character_id":null,"markdown":"---","render_override":null},{"id":"blk_6fb474de-94b1-4954-9671-21d7f218cb35","kind":"heading","order":357,"section_id":"sec_534fd703-eeaa-4b73-a123-940e014f9f52","character_id":null,"markdown":"## CPU需要が特に残る領域","render_override":null},{"id":"blk_2b974e29-e7f4-4c92-9e87-b079f7b87c72","kind":"paragraph","order":358,"section_id":"sec_534fd703-eeaa-4b73-a123-940e014f9f52","character_id":null,"markdown":"GPUクラウド時代でも、以下のCPU需要は強く残ります。","render_override":null},{"id":"blk_3cec40e4-d8e2-467f-bc1c-2e66a975cc5a","kind":"heading","order":359,"section_id":"sec_7b1d4d66-5486-416d-b9d8-d2826742b07f","character_id":null,"markdown":"## \\1. ホストCPU","render_override":null},{"id":"blk_a79eb8af-2496-4b9e-ae66-adfa960a0044","kind":"paragraph","order":360,"section_id":"sec_7b1d4d66-5486-416d-b9d8-d2826742b07f","character_id":null,"markdown":"GPUサーバーには、GPUを制御するCPUが必要です。 \nGPUに仕事を投げ、データを流し、ネットワークやストレージを扱います。","render_override":null},{"id":"blk_273bc43a-25ff-4b10-9947-8678ba1f5b27","kind":"heading","order":361,"section_id":"sec_9cc95c7d-2b22-4629-8d87-0ad1da07bc9e","character_id":null,"markdown":"## \\2. クラウド制御用CPU","render_override":null},{"id":"blk_c3b3cf99-4eba-47c0-a061-eef68eccaf0e","kind":"paragraph","order":362,"section_id":"sec_9cc95c7d-2b22-4629-8d87-0ad1da07bc9e","character_id":null,"markdown":"GPUクラウドでは、スケジューラ、認証、課金、監視、ログ、API gatewayが必要です。 \nこれはほぼCPU側の仕事です。","render_override":null},{"id":"blk_4eb81663-e69c-42dd-b92f-ec6704e7f366","kind":"heading","order":363,"section_id":"sec_0ba18597-c60c-42c3-916e-a2e9292e71f6","character_id":null,"markdown":"## \\3. 推論前後処理","render_override":null},{"id":"blk_a694689a-4128-4ce5-a77f-45d845c277e1","kind":"paragraph","order":364,"section_id":"sec_0ba18597-c60c-42c3-916e-a2e9292e71f6","character_id":null,"markdown":"LLMでは、入力文をトークン化し、出力を整形し、フィルタリングし、ツール呼び出しを行います。 \nこれもCPU側が多く担当します。","render_override":null},{"id":"blk_26583635-8072-475d-9b68-2a7233098b41","kind":"heading","order":365,"section_id":"sec_b46295b5-78fe-478d-b8c5-0f7c1a80e7ab","character_id":null,"markdown":"## \\4. ストレージ・データ処理","render_override":null},{"id":"blk_3bfc0a4f-abaa-4862-b283-7fd29cda17e2","kind":"paragraph","order":366,"section_id":"sec_b46295b5-78fe-478d-b8c5-0f7c1a80e7ab","character_id":null,"markdown":"学習データの読み込み、変換、フィルタリング、埋め込み、検索、RAGなどはCPU/メモリ/ストレージに強く依存します。","render_override":null},{"id":"blk_238e9b0a-8032-4795-8dd6-5d43c29599e8","kind":"heading","order":367,"section_id":"sec_bb0904e4-270f-49a2-a97b-3b1faccb0788","character_id":null,"markdown":"## \\5. セキュリティ","render_override":null},{"id":"blk_27f695f6-4f2c-4701-9487-d9f6e0b778ec","kind":"paragraph","order":368,"section_id":"sec_bb0904e4-270f-49a2-a97b-3b1faccb0788","character_id":null,"markdown":"GPUを複数顧客で共有するほど、認証、隔離、暗号化、監査、ネットワーク防御が必要になります。 \nここでもCPUやDPUが重要です。","render_override":null},{"id":"blk_3349d802-666b-4e6a-931f-6f863b408f5a","kind":"thematic_break","order":369,"section_id":"sec_bb0904e4-270f-49a2-a97b-3b1faccb0788","character_id":null,"markdown":"---","render_override":null},{"id":"blk_bbf9d000-1c20-48a9-8811-e1916a55c636","kind":"heading","order":370,"section_id":"sec_13971722-2030-4621-ab2a-9962dca3162c","character_id":null,"markdown":"## CPU需要が弱くなる可能性がある領域","render_override":null},{"id":"blk_7d981d3c-4a61-42a0-9362-7e8f896d6816","kind":"paragraph","order":371,"section_id":"sec_13971722-2030-4621-ab2a-9962dca3162c","character_id":null,"markdown":"一方で、以下は伸びが鈍る可能性があります。","render_override":null},{"id":"blk_ef84b195-54ab-4ad2-9aac-0a02d2d624d2","kind":"figure","order":372,"section_id":"sec_13971722-2030-4621-ab2a-9962dca3162c","character_id":null,"markdown":"![](/media/1098c18ca4f5eecff2271138861fed8932c63be4368f66afca23e07eb668a65e-content.webp)","render_override":null},{"id":"blk_d609f050-c800-44bb-a5e0-f94f5111e0dd","kind":"paragraph","order":373,"section_id":"sec_13971722-2030-4621-ab2a-9962dca3162c","character_id":null,"markdown":"つまり、CPU需要は一枚岩ではありません。","render_override":null},{"id":"blk_7499aba1-5747-4412-9eaf-bf3e69d19e80","kind":"paragraph","order":374,"section_id":"sec_13971722-2030-4621-ab2a-9962dca3162c","character_id":null,"markdown":"**AI時代に伸びるCPU**と、**相対的に弱くなるCPU**があります。","render_override":null},{"id":"blk_804454ba-6f69-4ba2-a615-e7d4100ec51c","kind":"thematic_break","order":375,"section_id":"sec_13971722-2030-4621-ab2a-9962dca3162c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_dc36960e-92e3-4a52-975a-273a79ebbf17","kind":"heading","order":376,"section_id":"sec_584e5804-daec-4edf-a71b-b344a50f4aa6","character_id":null,"markdown":"## かなり重要なのは「x86だけが伸びるとは限らない」こと","render_override":null},{"id":"blk_ffbee017-6ff7-40e8-8465-a12c5401341b","kind":"paragraph","order":377,"section_id":"sec_584e5804-daec-4edf-a71b-b344a50f4aa6","character_id":null,"markdown":"GPUクラウド時代のCPU需要は、必ずしも従来のx86サーバーCPUだけに行くとは限りません。","render_override":null},{"id":"blk_6580badb-3134-4d87-a1fb-0943299b0617","kind":"paragraph","order":378,"section_id":"sec_584e5804-daec-4edf-a71b-b344a50f4aa6","character_id":null,"markdown":"NVIDIA GraceのようなArm CPU、クラウド企業の独自Arm CPU、DPU、SmartNIC、AI ASICが増えます。","render_override":null},{"id":"blk_bfd5a9c0-f465-4ecb-aa3b-b2fe28482e67","kind":"paragraph","order":379,"section_id":"sec_584e5804-daec-4edf-a71b-b344a50f4aa6","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_39a4116b-1ba1-4e1a-b78c-e7fe603727bd","kind":"quote","order":380,"section_id":"sec_584e5804-daec-4edf-a71b-b344a50f4aa6","character_id":null,"markdown":"> CPU需要はある。 \n> ただし、その需要がIntel/AMDの従来型CPUだけに全部流れるとは限らない。","render_override":null},{"id":"blk_5d9813eb-676f-4143-b5b8-b5ae25158cce","kind":"paragraph","order":381,"section_id":"sec_584e5804-daec-4edf-a71b-b344a50f4aa6","character_id":null,"markdown":"という点が重要です。","render_override":null},{"id":"blk_8c33f256-3bb4-481b-b272-e77d8994118c","kind":"paragraph","order":382,"section_id":"sec_584e5804-daec-4edf-a71b-b344a50f4aa6","character_id":null,"markdown":"NVIDIAのGB200 NVL72にGrace CPUが組み込まれていることは、この方向をよく表しています。GPUクラウドでは、CPUは単体サーバーCPUというより、**GPUラックの一部として統合される**方向にも進みます。([NVIDIA](https://www.nvidia.com/en-us/data-center/gb200-nvl72/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_51e3849d-5991-4acb-82c9-ebf0d20b9fca","kind":"thematic_break","order":383,"section_id":"sec_584e5804-daec-4edf-a71b-b344a50f4aa6","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a18e9ca3-257b-4076-86c6-3cbb63fbc0b9","kind":"heading","order":384,"section_id":"sec_56efabe5-213e-45f6-bd24-5e845b2aadbb","character_id":null,"markdown":"## 投資テーマとしての整理","render_override":null},{"id":"blk_0ebb6f77-6866-4d8c-833f-f9272af42e08","kind":"paragraph","order":385,"section_id":"sec_56efabe5-213e-45f6-bd24-5e845b2aadbb","character_id":null,"markdown":"GPUクラウドが進むと、CPU需要はこう変化すると考えられます。","render_override":null},{"id":"blk_c8880ecf-37a0-4216-9bc4-0ea9cf207034","kind":"figure","order":386,"section_id":"sec_56efabe5-213e-45f6-bd24-5e845b2aadbb","character_id":null,"markdown":"![](/media/44ee50bd95409c0c3e3ff76c11beecfdc6d417af909c07cc028d7fbc45633f1b-content.webp)","render_override":null},{"id":"blk_36abc7d6-aa07-4ba0-8747-ad281d5be2b6","kind":"paragraph","order":387,"section_id":"sec_56efabe5-213e-45f6-bd24-5e845b2aadbb","character_id":null,"markdown":"なので、**GPUクラウド実現＝CPU需要沈静化**ではありません。","render_override":null},{"id":"blk_c38e3f3b-d3ad-417c-80c8-34220ad0ee4d","kind":"paragraph","order":388,"section_id":"sec_56efabe5-213e-45f6-bd24-5e845b2aadbb","character_id":null,"markdown":"むしろ、","render_override":null},{"id":"blk_fd0684f6-f07b-48e6-ad74-6b544842974b","kind":"quote","order":389,"section_id":"sec_56efabe5-213e-45f6-bd24-5e845b2aadbb","character_id":null,"markdown":"> GPUクラウドが本格化するほど、 \n> CPUは「AIクラウドの司令塔」として再評価される。","render_override":null},{"id":"blk_71bf6dda-4c85-4bb7-ad66-90b5d2ea59b1","kind":"paragraph","order":390,"section_id":"sec_56efabe5-213e-45f6-bd24-5e845b2aadbb","character_id":null,"markdown":"という見方ができます。","render_override":null},{"id":"blk_357b119f-a4b3-47a1-a5f6-588146104a2f","kind":"thematic_break","order":391,"section_id":"sec_56efabe5-213e-45f6-bd24-5e845b2aadbb","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a614f6e3-997d-4df4-8d85-7d5676c34c17","kind":"heading","order":392,"section_id":"sec_d1392b3f-47cb-4ea3-ae91-dd03d42cd72d","character_id":null,"markdown":"## まとめ","render_override":null},{"id":"blk_1249bf43-0f95-49ff-9788-96d96737f47e","kind":"paragraph","order":393,"section_id":"sec_d1392b3f-47cb-4ea3-ae91-dd03d42cd72d","character_id":null,"markdown":"GPUクラウドが成熟すると、**1単位のAI処理に必要なCPU量は減る可能性があります。** \nしかし、AIサービスの総量が増えるため、**CPU需要全体はすぐには静まりにくい**です。","render_override":null},{"id":"blk_5ca22f3b-72c2-4988-926d-58235c7bdb60","kind":"paragraph","order":394,"section_id":"sec_d1392b3f-47cb-4ea3-ae91-dd03d42cd72d","character_id":null,"markdown":"特に伸びるのは、","render_override":null},{"id":"blk_e22975dc-681b-4c52-9989-5a27807ad4a0","kind":"list","order":395,"section_id":"sec_d1392b3f-47cb-4ea3-ae91-dd03d42cd72d","character_id":null,"markdown":"- GPUホストCPU\n- AIクラウド制御CPU\n- 推論API用CPU\n- セキュリティ/認証/課金/監視用CPU\n- ストレージ・ネットワーク制御用CPU\n- Arm CPUやDPUを含む広義のCPU的処理","render_override":null},{"id":"blk_d3233016-ac47-4e03-bccc-4a4d5fb02f9a","kind":"paragraph","order":396,"section_id":"sec_d1392b3f-47cb-4ea3-ae91-dd03d42cd72d","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_af52d889-a6fb-4852-8278-09ab268f77aa","kind":"paragraph","order":397,"section_id":"sec_d1392b3f-47cb-4ea3-ae91-dd03d42cd72d","character_id":null,"markdown":"一言で言うと、","render_override":null},{"id":"blk_519243a4-6b95-437b-8bfc-ff9bde3f01bd","kind":"quote","order":398,"section_id":"sec_d1392b3f-47cb-4ea3-ae91-dd03d42cd72d","character_id":null,"markdown":"> **GPUクラウドはCPUを不要にするものではなく、CPUの役割を「主役の計算機」から「AIインフラの管制塔」に変えるものです。**","render_override":null},{"id":"blk_cb77fffc-2ecc-40d4-aa89-845d95dc47a9","kind":"paragraph","order":399,"section_id":"sec_d1392b3f-47cb-4ea3-ae91-dd03d42cd72d","character_id":null,"markdown":"そのため、CPU需要の高まりは完全には静まらず、むしろ**GPUを使い切るためのCPU需要**として形を変えて続く可能性が高いです。","render_override":null},{"id":"blk_c81d3d52-d2a8-41e8-aaec-b4deafc575d7","kind":"thematic_break","order":400,"section_id":"sec_d1392b3f-47cb-4ea3-ae91-dd03d42cd72d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_36b9bb17-5112-41b2-8f21-594991625dec","kind":"heading","order":401,"section_id":"sec_58745122-69e4-4bc2-ae16-3bae5e2bfd75","character_id":null,"markdown":"## \\1. AIエージェントが増えると、何の処理が増えるのか","render_override":null},{"id":"blk_a66ac912-8c61-4f3c-b68d-abf3ee9a0f66","kind":"paragraph","order":402,"section_id":"sec_58745122-69e4-4bc2-ae16-3bae5e2bfd75","character_id":null,"markdown":"AIエージェントは、単に1回質問して1回答を返すチャットボットではありません。","render_override":null},{"id":"blk_be97beea-9c26-4097-bb9a-39ac476deca3","kind":"paragraph","order":403,"section_id":"sec_58745122-69e4-4bc2-ae16-3bae5e2bfd75","character_id":null,"markdown":"たとえば、エージェントはこう動きます。","render_override":null},{"id":"blk_24400968-b541-4249-8c14-e3548be4305d","kind":"code","order":404,"section_id":"sec_58745122-69e4-4bc2-ae16-3bae5e2bfd75","character_id":null,"markdown":"```\nユーザーの依頼\n ↓\n目的を分解する\n ↓\n検索する\n ↓\n資料を読む\n ↓\nコードを書く\n ↓\nブラウザを操作する\n ↓\n外部APIを呼ぶ\n ↓\n結果を比較する\n ↓\n再推論する\n ↓\nレポートや画像や動画を作る\n ↓\nユーザーに返す\n```","render_override":null},{"id":"blk_ba9c9b85-a864-4b69-a1be-38ecaf9571d3","kind":"paragraph","order":405,"section_id":"sec_58745122-69e4-4bc2-ae16-3bae5e2bfd75","character_id":null,"markdown":"この中にはGPU向きの処理と、CPU向きの処理が混ざっています。","render_override":null},{"id":"blk_b166f84e-3fef-4e4f-8492-55c3337ddd2d","kind":"figure","order":406,"section_id":"sec_58745122-69e4-4bc2-ae16-3bae5e2bfd75","character_id":null,"markdown":"![](/media/b3cb56cee80d586a98a2467dbaa9a06992e80d045c86d62821413da77a3756d1-content.webp)","render_override":null},{"id":"blk_62e1b43a-27e4-4777-9118-4246acb0f586","kind":"paragraph","order":407,"section_id":"sec_58745122-69e4-4bc2-ae16-3bae5e2bfd75","character_id":null,"markdown":"なので、エージェント増加による負荷のうち、**モデル推論・生成部分はGPUクラウドでかなり吸収できる**。 \nしかし、**行動・接続・管理・保存・防衛の部分はCPUクラウド側に残る**、という構造です。","render_override":null},{"id":"blk_9e44afa1-fd35-4817-9439-91edfc0da194","kind":"thematic_break","order":408,"section_id":"sec_58745122-69e4-4bc2-ae16-3bae5e2bfd75","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a573dcbd-cad8-4a67-b8cc-99a8e205ce25","kind":"heading","order":409,"section_id":"sec_e2c11f6d-3238-4551-964e-bc128f1dc940","character_id":null,"markdown":"## \\2. どれくらいGPUクラウドで可能になるか","render_override":null},{"id":"blk_184eaea7-3918-4492-9b2c-af68488c3811","kind":"paragraph","order":410,"section_id":"sec_e2c11f6d-3238-4551-964e-bc128f1dc940","character_id":null,"markdown":"かなり大雑把に分けると、こうです。","render_override":null},{"id":"blk_6716f671-0755-4782-b4a2-292bc6fb25fa","kind":"figure","order":411,"section_id":"sec_e2c11f6d-3238-4551-964e-bc128f1dc940","character_id":null,"markdown":"![](/media/d507557fcaeb3fbdd524f88d42a2c66971ea4f6c5e1035456996e44c2a6c1593-content.webp)","render_override":null},{"id":"blk_d1e25520-2705-4a0e-9d4e-f5f0759afb31","kind":"paragraph","order":412,"section_id":"sec_e2c11f6d-3238-4551-964e-bc128f1dc940","character_id":null,"markdown":"ここでの「吸収できる」は、**AIモデルの計算需要をGPUクラウドの効率化でさばける割合**という意味です。","render_override":null},{"id":"blk_d1adb2af-8061-426c-8779-730e543cf226","kind":"paragraph","order":413,"section_id":"sec_e2c11f6d-3238-4551-964e-bc128f1dc940","character_id":null,"markdown":"たとえば、画像生成・動画生成・reasoning modelのように、ほぼGPU計算が中心のものは、GPUクラウド成熟の恩恵が大きいです。","render_override":null},{"id":"blk_ac18cac4-fa73-4742-b25d-fc75a47c4c70","kind":"paragraph","order":414,"section_id":"sec_e2c11f6d-3238-4551-964e-bc128f1dc940","character_id":null,"markdown":"一方で、企業内エージェントのように、","render_override":null},{"id":"blk_303ec164-1a8e-4df0-9591-4c18c010dc3d","kind":"list","order":415,"section_id":"sec_e2c11f6d-3238-4551-964e-bc128f1dc940","character_id":null,"markdown":"- 社内DBを見る\n- SaaSを操作する\n- 承認フローを進める\n- 請求書を処理する\n- メールを送る\n- 権限を確認する","render_override":null},{"id":"blk_2e7943cc-162e-4f29-8541-740e8aa1ad5d","kind":"paragraph","order":416,"section_id":"sec_e2c11f6d-3238-4551-964e-bc128f1dc940","character_id":null,"markdown":"という仕事では、GPU推論だけでなく、CPU・DB・ネットワーク・セキュリティが大量に必要です。","render_override":null},{"id":"blk_ad415312-ee7d-4930-bc49-22df36f80e20","kind":"thematic_break","order":417,"section_id":"sec_e2c11f6d-3238-4551-964e-bc128f1dc940","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f46e6a90-d127-44fa-a90f-a2c832dd6c67","kind":"heading","order":418,"section_id":"sec_67abc6cf-0257-41ae-9bc8-4a18e2b88159","character_id":null,"markdown":"## \\3. GPUクラウド成熟で何が変わるのか","render_override":null},{"id":"blk_8539c2ee-c57e-4f52-a475-33bd2e4079c9","kind":"paragraph","order":419,"section_id":"sec_67abc6cf-0257-41ae-9bc8-4a18e2b88159","character_id":null,"markdown":"GPUクラウドが成熟すると、エージェントの推論処理はかなり効率化されます。","render_override":null},{"id":"blk_f67a6a6e-bf2a-4384-9b97-478f3a72f80c","kind":"paragraph","order":420,"section_id":"sec_67abc6cf-0257-41ae-9bc8-4a18e2b88159","character_id":null,"markdown":"重要なのは以下です。","render_override":null},{"id":"blk_7b1385c0-62c8-419e-897b-3fe4fab629b3","kind":"heading","order":421,"section_id":"sec_0ab28b0f-3669-4f74-a3ce-afe5cff0da16","character_id":null,"markdown":"## \\1. KV cache管理","render_override":null},{"id":"blk_c1749f49-25c2-4613-a9a2-bd517d6db711","kind":"paragraph","order":422,"section_id":"sec_0ab28b0f-3669-4f74-a3ce-afe5cff0da16","character_id":null,"markdown":"LLMは長文を扱うほど、KV cacheというメモリを大量に使います。 \nエージェントは過去の会話、作業履歴、ツール結果、資料を何度も参照するので、KV cache管理が非常に重要です。","render_override":null},{"id":"blk_4b608baf-f259-4120-b7e2-0fa6dea597e4","kind":"paragraph","order":423,"section_id":"sec_0ab28b0f-3669-4f74-a3ce-afe5cff0da16","character_id":null,"markdown":"vLLMのPagedAttentionは、OSの仮想メモリのようにKV cacheをブロック管理し、メモリ断片化を減らしてLLMサービング効率を上げる技術です。vLLM論文では、PagedAttentionによりKV cacheの無駄を大きく減らし、同じレイテンシ条件で既存システムより高いスループットを実現したと説明されています。([llmsystem](https://llmsystem.github.io/llmsystem2025spring/assets/files/llmsys-22-vLLM_woosuk_kwon-1f34697dbb1a1fb5b798daf6eff14b67.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_ac6de728-4f47-4a64-9142-936be9ff66be","kind":"paragraph","order":424,"section_id":"sec_0ab28b0f-3669-4f74-a3ce-afe5cff0da16","character_id":null,"markdown":"これは、エージェント時代にはかなり重要です。 \nなぜなら、エージェントは同じシステムプロンプト、同じツール定義、同じ作業文脈を何度も使うからです。","render_override":null},{"id":"blk_dcdbc0fb-e0c7-4940-a0cc-9449c264a8c7","kind":"thematic_break","order":425,"section_id":"sec_0ab28b0f-3669-4f74-a3ce-afe5cff0da16","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1afbb5e6-b6e8-4b3b-85e4-0d07ee384422","kind":"heading","order":426,"section_id":"sec_e5e44156-0b06-4dce-8372-0aca3f2d053a","character_id":null,"markdown":"## \\2. prefill / decode分離","render_override":null},{"id":"blk_e299e1f2-56c3-49b7-a7f2-f253a9b836b1","kind":"paragraph","order":427,"section_id":"sec_e5e44156-0b06-4dce-8372-0aca3f2d053a","character_id":null,"markdown":"LLM推論には大きく2段階あります。","render_override":null},{"id":"blk_04912307-6705-4045-9ff2-58bc0927aba5","kind":"paragraph","order":428,"section_id":"sec_e5e44156-0b06-4dce-8372-0aca3f2d053a","character_id":null,"markdown":"段階内容特徴prefill入力プロンプト全体を読む計算量が重いdecode1トークンずつ出力するメモリ帯域・逐次性が重い","render_override":null},{"id":"blk_4918c7fc-a59b-4484-8ae6-73ffd2ba502d","kind":"paragraph","order":429,"section_id":"sec_e5e44156-0b06-4dce-8372-0aca3f2d053a","character_id":null,"markdown":"エージェントは長い入力を読み、長い出力を出し、途中で何度も再推論します。 \nそのため、prefillとdecodeを分けて最適化する効果が大きいです。","render_override":null},{"id":"blk_8e7d54a2-6963-434a-af36-4b51251746aa","kind":"paragraph","order":430,"section_id":"sec_e5e44156-0b06-4dce-8372-0aca3f2d053a","character_id":null,"markdown":"DistServeはprefillとdecodeを分離して、互いの干渉を減らすLLMサービング方式です。OSDI 2024の論文では、既存方式より最大7.4倍多いリクエストを処理できる、または12.6倍厳しいSLOを満たせると報告されています。([USENIX](https://www.usenix.org/system/files/osdi24-zhong-yinmin.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_c13fe7df-e56d-4daa-942b-3a1a85e1ef3d","kind":"paragraph","order":431,"section_id":"sec_e5e44156-0b06-4dce-8372-0aca3f2d053a","character_id":null,"markdown":"つまり、GPUクラウドが成熟すると、 \n**同じGPU数でも、より多くのエージェント推論をさばける** \nようになります。","render_override":null},{"id":"blk_ef9d2162-628b-43b2-959e-1e0cb8ac3940","kind":"thematic_break","order":432,"section_id":"sec_e5e44156-0b06-4dce-8372-0aca3f2d053a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d15644f4-49bc-480f-abe5-55f4082897bb","kind":"heading","order":433,"section_id":"sec_b3015863-c634-42f8-bf90-57c765dba5e5","character_id":null,"markdown":"## \\3. continuous batching / chunked prefill","render_override":null},{"id":"blk_40bc7310-7f44-4eb5-9e4d-4d8967f12c00","kind":"paragraph","order":434,"section_id":"sec_b3015863-c634-42f8-bf90-57c765dba5e5","character_id":null,"markdown":"大量のエージェントが同時に動くと、リクエストの長さもタイミングもバラバラになります。","render_override":null},{"id":"blk_bbb25651-2657-4529-b203-cbf66d5f3448","kind":"paragraph","order":435,"section_id":"sec_b3015863-c634-42f8-bf90-57c765dba5e5","character_id":null,"markdown":"普通に処理すると、GPUは待ち時間だらけになります。 \nそこで、複数リクエストを動的に混ぜるcontinuous batchingや、prefillを小さく分割するchunked prefillが重要になります。","render_override":null},{"id":"blk_24ee6f62-0140-4cc0-9c72-d4f34359437c","kind":"paragraph","order":436,"section_id":"sec_b3015863-c634-42f8-bf90-57c765dba5e5","character_id":null,"markdown":"Sarathi-Serveは、prefillをチャンク化してdecodeを止めないスケジューリングを行います。論文では、Mistral-7BでvLLM比2.6倍、Yi-34Bで最大3.7倍、Falcon-180Bでは最大5.6倍のserving capacity改善を報告しています。([arXiv](https://arxiv.org/abs/2403.02310?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e5ab2a48-f67d-4472-9389-0f44acbfbfa4","kind":"paragraph","order":437,"section_id":"sec_b3015863-c634-42f8-bf90-57c765dba5e5","character_id":null,"markdown":"これはエージェント時代の「大量の細かい推論を詰め込む」技術です。","render_override":null},{"id":"blk_4adc44c3-2de0-4852-9915-5d1524ce0749","kind":"thematic_break","order":438,"section_id":"sec_b3015863-c634-42f8-bf90-57c765dba5e5","character_id":null,"markdown":"---","render_override":null},{"id":"blk_69c451e0-d1a9-41a3-bab5-9c4252b0462c","kind":"heading","order":439,"section_id":"sec_83231a84-d7e5-4f2e-9731-19076ba75638","character_id":null,"markdown":"## \\4. 複数モデル・複数エージェントのGPUプーリング","render_override":null},{"id":"blk_f1fac7a7-722d-4d92-a423-da8d5f80a132","kind":"paragraph","order":440,"section_id":"sec_83231a84-d7e5-4f2e-9731-19076ba75638","character_id":null,"markdown":"エージェント社会では、1つの巨大モデルだけでなく、","render_override":null},{"id":"blk_60f62112-0bbf-437e-93ea-5737005a8c1c","kind":"list","order":441,"section_id":"sec_83231a84-d7e5-4f2e-9731-19076ba75638","character_id":null,"markdown":"- 文章モデル\n- コードモデル\n- 画像モデル\n- 音声モデル\n- 小型分類モデル\n- embeddingモデル\n- reranker\n- safety model\n- tool selection model","render_override":null},{"id":"blk_84d11b69-f3a8-46ed-a27a-c62509a64a37","kind":"paragraph","order":442,"section_id":"sec_83231a84-d7e5-4f2e-9731-19076ba75638","character_id":null,"markdown":"などが同時に動きます。","render_override":null},{"id":"blk_d8576a2d-dce6-4e17-9814-32abd057239f","kind":"paragraph","order":443,"section_id":"sec_83231a84-d7e5-4f2e-9731-19076ba75638","character_id":null,"markdown":"ここで重要なのがGPUプーリングです。","render_override":null},{"id":"blk_fb1aef3b-e4bc-4d26-aa16-10924071230a","kind":"paragraph","order":444,"section_id":"sec_83231a84-d7e5-4f2e-9731-19076ba75638","character_id":null,"markdown":"Aegaeonは、複数LLMを同時にサーブするためのGPU poolingシステムで、トークンレベルの自動スケーリングを行います。SOSP 2025の論文では、実運用で必要GPU数を1,192枚から213枚へ削減、つまり82%削減したと報告されています。([ACM Digital Library](https://dl.acm.org/doi/10.1145/3731569.3764815?utm_source=chatgpt.com))","render_override":null},{"id":"blk_88dfdcdf-c061-4b49-ac57-e7119851bc7e","kind":"paragraph","order":445,"section_id":"sec_83231a84-d7e5-4f2e-9731-19076ba75638","character_id":null,"markdown":"これは非常に大きいです。 \nエージェントが増えた時に、**1エージェント1GPUのような贅沢な構成ではなく、トークン単位でGPUを共有する**方向に進むからです。","render_override":null},{"id":"blk_e0b2ac54-8220-4c8e-977a-c97028729ced","kind":"thematic_break","order":446,"section_id":"sec_83231a84-d7e5-4f2e-9731-19076ba75638","character_id":null,"markdown":"---","render_override":null},{"id":"blk_cb3463af-9be5-46fe-b2e7-1c30ad938027","kind":"heading","order":447,"section_id":"sec_0bdbe1a5-d81e-4c96-aaab-c4202201d851","character_id":null,"markdown":"## \\5. データセンター規模の推論オーケストレーション","render_override":null},{"id":"blk_ed7705a5-2c94-4524-bc99-92506f73e746","kind":"paragraph","order":448,"section_id":"sec_0bdbe1a5-d81e-4c96-aaab-c4202201d851","character_id":null,"markdown":"NVIDIA Dynamoのような仕組みも出てきています。NVIDIAはDynamoを、生成AIやreasoning modelを大規模分散環境で低遅延・高スループットに動かすためのオープンソース推論フレームワークとして説明しており、DeepSeek-R1系モデルで最大30倍のリクエスト処理改善を主張しています。([NVIDIA Developer](https://developer.nvidia.com/blog/introducing-nvidia-dynamo-a-low-latency-distributed-inference-framework-for-scaling-reasoning-ai-models/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_0fdc611d-a2f8-4f48-8e32-991e5c60823a","kind":"paragraph","order":449,"section_id":"sec_0bdbe1a5-d81e-4c96-aaab-c4202201d851","character_id":null,"markdown":"DynamoのGitHub側でも、vLLM、SGLang、TensorRT-LLMを置き換えるのではなく、それらの上に乗るデータセンター規模のオーケストレーション層として、disaggregated serving、intelligent routing、multi-tier KV caching、automatic scalingを扱うと説明されています。([GitHub](https://github.com/ai-dynamo/dynamo?utm_source=chatgpt.com))","render_override":null},{"id":"blk_903bb73a-e512-490f-a3f1-f3227fff6db6","kind":"paragraph","order":450,"section_id":"sec_0bdbe1a5-d81e-4c96-aaab-c4202201d851","character_id":null,"markdown":"これはかなり「GPUクラウドOS」に近い方向です。","render_override":null},{"id":"blk_1411f7aa-bd78-4635-a048-ed96cb666bd0","kind":"thematic_break","order":451,"section_id":"sec_0bdbe1a5-d81e-4c96-aaab-c4202201d851","character_id":null,"markdown":"---","render_override":null},{"id":"blk_59dad553-47de-4522-ad6d-b17d3d2441eb","kind":"heading","order":452,"section_id":"sec_3751a969-a9f8-4805-a45c-1cb291ed56d3","character_id":null,"markdown":"## \\4. では、エージェント需要の何倍くらいを吸収できるのか","render_override":null},{"id":"blk_49365feb-bd87-4bcf-9ebe-abc69fed4932","kind":"paragraph","order":453,"section_id":"sec_3751a969-a9f8-4805-a45c-1cb291ed56d3","character_id":null,"markdown":"研究・実装を見ると、GPUクラウド成熟による効率改善は、用途によってかなり幅があります。","render_override":null},{"id":"blk_fdbbc957-b1da-4cf0-80ae-08466258912d","kind":"figure","order":454,"section_id":"sec_3751a969-a9f8-4805-a45c-1cb291ed56d3","character_id":null,"markdown":"![](/media/91ffa9f582aeda521996904558b934b0eb7e548a1bf28f1c889878094e4cb8cc-content.webp)","render_override":null},{"id":"blk_7b8e2005-cefa-439b-bf91-1368acd1686a","kind":"paragraph","order":455,"section_id":"sec_3751a969-a9f8-4805-a45c-1cb291ed56d3","character_id":null,"markdown":"SGLangは、複数回の生成、制御フロー、構造化出力を含む複雑なLLMアプリケーション向けのフレームワークで、実験では最大6.4倍のスループット改善を報告しています。これはまさにエージェント的な処理に近いです。([ACM Digital Library](https://dl.acm.org/doi/10.5555/3737916.3739916?utm_source=chatgpt.com))","render_override":null},{"id":"blk_6a105f28-528a-456a-bd32-c526d4c97565","kind":"paragraph","order":456,"section_id":"sec_3751a969-a9f8-4805-a45c-1cb291ed56d3","character_id":null,"markdown":"したがって、かなり単純化すると、","render_override":null},{"id":"blk_a9a6bfad-2f0b-4407-824f-c20c1550f517","kind":"quote","order":457,"section_id":"sec_3751a969-a9f8-4805-a45c-1cb291ed56d3","character_id":null,"markdown":"> **今の非効率なGPU運用に比べて、成熟したGPUクラウドでは同じGPU枚数で3〜10倍、特定条件ではそれ以上のエージェント推論を処理できる可能性がある。**","render_override":null},{"id":"blk_03f6fba0-9cf8-4e0c-8628-23bd6a244e63","kind":"paragraph","order":458,"section_id":"sec_3751a969-a9f8-4805-a45c-1cb291ed56d3","character_id":null,"markdown":"という見方はできます。","render_override":null},{"id":"blk_c9c1fdf8-207d-4645-a796-6b527f2e8c16","kind":"paragraph","order":459,"section_id":"sec_3751a969-a9f8-4805-a45c-1cb291ed56d3","character_id":null,"markdown":"ただし、これは「全部の処理が3〜10倍になる」という意味ではありません。 \nあくまで、**LLM推論・生成・KV cache管理・バッチング・GPUプーリングの部分**です。","render_override":null},{"id":"blk_3cb30b53-b700-4a47-a4e5-63fd3e108f3a","kind":"thematic_break","order":460,"section_id":"sec_3751a969-a9f8-4805-a45c-1cb291ed56d3","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4a59f943-6e2a-440a-b25e-cf3e556dfec5","kind":"heading","order":461,"section_id":"sec_18652092-7af3-4816-bfe7-a57f5be8cd6c","character_id":null,"markdown":"## \\5. AIエージェント需要の増加をGPUクラウドだけで吸収できるか","render_override":null},{"id":"blk_a434100c-420d-486e-90df-f61e48c5e2e8","kind":"paragraph","order":462,"section_id":"sec_18652092-7af3-4816-bfe7-a57f5be8cd6c","character_id":null,"markdown":"ここは慎重に見る必要があります。","render_override":null},{"id":"blk_64468fe7-f331-4f6d-8d64-511349ca7567","kind":"paragraph","order":463,"section_id":"sec_18652092-7af3-4816-bfe7-a57f5be8cd6c","character_id":null,"markdown":"私の見方では、こうです。","render_override":null},{"id":"blk_a74e65cf-3b1d-4e83-9cf2-2f19775956d3","kind":"heading","order":464,"section_id":"sec_0a8db19a-a15e-4eb6-9a83-4a685462289f","character_id":null,"markdown":"## 短期","render_override":null},{"id":"blk_853fea7d-0f65-4e49-ad7b-47738db4d3db","kind":"paragraph","order":465,"section_id":"sec_0a8db19a-a15e-4eb6-9a83-4a685462289f","character_id":null,"markdown":"**GPUクラウド成熟でかなり吸収できる。**","render_override":null},{"id":"blk_786986d1-92c5-418e-9392-0c63b391485c","kind":"paragraph","order":466,"section_id":"sec_0a8db19a-a15e-4eb6-9a83-4a685462289f","character_id":null,"markdown":"今はまだGPU利用率が低く、推論スタックも発展途上です。 \nそのため、vLLM、SGLang、Dynamo、Aegaeon、prefill/decode分離、KV cache最適化だけでも、かなりの余力があります。","render_override":null},{"id":"blk_2f790594-242f-4ea7-8a22-c8f8f8838d89","kind":"paragraph","order":467,"section_id":"sec_0a8db19a-a15e-4eb6-9a83-4a685462289f","character_id":null,"markdown":"つまり短期では、","render_override":null},{"id":"blk_cf8a079d-e5a7-480f-9619-10257a9ab61c","kind":"quote","order":468,"section_id":"sec_0a8db19a-a15e-4eb6-9a83-4a685462289f","character_id":null,"markdown":"> GPUをもっと買う \n> だけでなく \n> GPUをもっと詰め込んで使う","render_override":null},{"id":"blk_ab25c52c-f2f3-4df5-bdda-8ba349afaf89","kind":"paragraph","order":469,"section_id":"sec_0a8db19a-a15e-4eb6-9a83-4a685462289f","character_id":null,"markdown":"ことでエージェント需要をかなり受け止められます。","render_override":null},{"id":"blk_a78931c1-73b2-402f-b274-9c38e89533de","kind":"thematic_break","order":470,"section_id":"sec_0a8db19a-a15e-4eb6-9a83-4a685462289f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f654908e-dbec-4d73-88ad-22a4f01970d5","kind":"heading","order":471,"section_id":"sec_60a8a145-1f54-4dc1-9e65-16cc2eb54c44","character_id":null,"markdown":"## 中期","render_override":null},{"id":"blk_e4a7fbd6-fa66-420e-abc7-7865eb6d1603","kind":"paragraph","order":472,"section_id":"sec_60a8a145-1f54-4dc1-9e65-16cc2eb54c44","character_id":null,"markdown":"**GPUクラウド成熟だけでは足りず、CPU・ネットワーク・ストレージも同時に増える。**","render_override":null},{"id":"blk_aac0dc86-8a0d-4924-8c16-19f510163dec","kind":"paragraph","order":473,"section_id":"sec_60a8a145-1f54-4dc1-9e65-16cc2eb54c44","character_id":null,"markdown":"エージェントが本格化すると、モデル推論だけでなく、","render_override":null},{"id":"blk_8de83306-26c3-4693-8df1-4d4b3cbc1d8c","kind":"list","order":474,"section_id":"sec_60a8a145-1f54-4dc1-9e65-16cc2eb54c44","character_id":null,"markdown":"- tool call\n- web browsing\n- RAG\n- DB更新\n- SaaS連携\n- 認証\n- 監査ログ\n- セキュリティ\n- 決済\n- 権限管理\n- agent memory","render_override":null},{"id":"blk_972bc763-75c8-46d7-86e7-67890f36c590","kind":"paragraph","order":475,"section_id":"sec_60a8a145-1f54-4dc1-9e65-16cc2eb54c44","character_id":null,"markdown":"が爆発します。","render_override":null},{"id":"blk_fff8b3ee-3fb1-4bae-8144-da51d588ef72","kind":"paragraph","order":476,"section_id":"sec_60a8a145-1f54-4dc1-9e65-16cc2eb54c44","character_id":null,"markdown":"ここはGPUだけでは処理できません。","render_override":null},{"id":"blk_3e16c1aa-5c77-4f94-a313-2f2e80c61f59","kind":"paragraph","order":477,"section_id":"sec_60a8a145-1f54-4dc1-9e65-16cc2eb54c44","character_id":null,"markdown":"特に企業内エージェントでは、AIが答えを出すよりも、 \n**社内システムに安全に接続し、操作し、記録し、承認を通す部分** \nの方が重くなる可能性があります。","render_override":null},{"id":"blk_5d6ff04f-db4c-41d9-8759-18e6069da93a","kind":"thematic_break","order":478,"section_id":"sec_60a8a145-1f54-4dc1-9e65-16cc2eb54c44","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a534db95-c119-40b7-8953-b8f5a40d0372","kind":"heading","order":479,"section_id":"sec_36a188e4-7f51-4d03-afae-df59351b5013","character_id":null,"markdown":"## 長期","render_override":null},{"id":"blk_6f128d6c-13a8-4064-8255-46c7946db813","kind":"paragraph","order":480,"section_id":"sec_36a188e4-7f51-4d03-afae-df59351b5013","character_id":null,"markdown":"**GPUクラウドは“知能計算層”を担い、CPUクラウドは“行動・管理・社会接続層”を担う。**","render_override":null},{"id":"blk_0a6661f0-ee74-4552-9f44-81471ba27988","kind":"paragraph","order":481,"section_id":"sec_36a188e4-7f51-4d03-afae-df59351b5013","character_id":null,"markdown":"長期的には、こういう分担になると思います。","render_override":null},{"id":"blk_255fbd60-9538-4212-a791-d0007729b269","kind":"code","order":482,"section_id":"sec_36a188e4-7f51-4d03-afae-df59351b5013","character_id":null,"markdown":"```\nGPUクラウド\n - LLM推論\n - reasoning\n - multimodal生成\n - 動画生成\n - VLA学習\n - embedding/rerank\n - シミュレーション\n\nCPUクラウド\n - API\n - 認証\n - 権限\n - DB\n - ストレージ\n - 課金\n - ログ\n - 監査\n - セキュリティ\n - orchestration\n - agent workflow\n```","render_override":null},{"id":"blk_418529d7-5985-4509-9707-53fab5936aa9","kind":"paragraph","order":483,"section_id":"sec_36a188e4-7f51-4d03-afae-df59351b5013","character_id":null,"markdown":"つまり、AIエージェントが増えるほど、 \n**GPUクラウドとCPUクラウドの両方が拡大する** \n可能性が高いです。","render_override":null},{"id":"blk_8a9b5d48-282f-46a1-a5c1-f96bb2b22326","kind":"thematic_break","order":484,"section_id":"sec_36a188e4-7f51-4d03-afae-df59351b5013","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5b4a4c20-65d9-4eb6-92c3-27e976373a11","kind":"heading","order":485,"section_id":"sec_c32c7c49-725a-4976-8a9d-913de857bee5","character_id":null,"markdown":"## \\6. GPUクラウド成熟でCPU需要は消えるか？","render_override":null},{"id":"blk_4db42485-9a38-4360-b7d2-ea3dcc91990f","kind":"paragraph","order":486,"section_id":"sec_c32c7c49-725a-4976-8a9d-913de857bee5","character_id":null,"markdown":"GPUクラウド成熟により、**GPU 1枚あたりのAI推論能力は大きく上がる**でしょう。 \nその結果、同じエージェント数を動かすために必要なGPU枚数は減る可能性があります。","render_override":null},{"id":"blk_bf5b542b-490f-49f1-b995-1fdf16698e7a","kind":"paragraph","order":487,"section_id":"sec_c32c7c49-725a-4976-8a9d-913de857bee5","character_id":null,"markdown":"しかし、エージェントが増えると同時にCPU側の処理も増えます。","render_override":null},{"id":"blk_3c37aeb8-32bd-4755-b81f-bc6490e43e90","kind":"paragraph","order":488,"section_id":"sec_c32c7c49-725a-4976-8a9d-913de857bee5","character_id":null,"markdown":"増える処理主な担当エージェントの状態管理CPU/DBワークフロー管理CPUツール実行CPUAPI連携CPU/ネットワーク権限管理CPUログ・監査CPU/ストレージ課金CPUセキュリティCPU/DPUブラウザ操作CPURAG検索CPU/DB/GPU混合","render_override":null},{"id":"blk_2e1a6cc9-33fd-4c6e-9643-bb703ab02eaa","kind":"paragraph","order":489,"section_id":"sec_c32c7c49-725a-4976-8a9d-913de857bee5","character_id":null,"markdown":"なので、GPUクラウド成熟によって、**AI推論そのもののボトルネックは緩和される**。 \nしかし、**エージェント社会を動かす周辺インフラ需要はむしろ増える**。","render_override":null},{"id":"blk_7bf3f327-f06a-4c1b-8a11-c90ab9351e49","kind":"thematic_break","order":490,"section_id":"sec_c32c7c49-725a-4976-8a9d-913de857bee5","character_id":null,"markdown":"---","render_override":null},{"id":"blk_af98ae5d-cb05-4107-97d6-e10169c549af","kind":"heading","order":491,"section_id":"sec_f3f6bb06-b5e5-4d2b-ab7a-4837dfe6d756","character_id":null,"markdown":"## \\7. 私のざっくりした比率イメージ","render_override":null},{"id":"blk_483e5a3b-1e80-4317-bc5d-aab3115be2fd","kind":"paragraph","order":492,"section_id":"sec_f3f6bb06-b5e5-4d2b-ab7a-4837dfe6d756","character_id":null,"markdown":"AIエージェント時代の追加需要を100とすると、GPUクラウド成熟で吸収・効率化できる部分はこう見ます。","render_override":null},{"id":"blk_7709f869-5218-4049-9ff9-c24166f19f83","kind":"code","order":493,"section_id":"sec_f3f6bb06-b5e5-4d2b-ab7a-4837dfe6d756","character_id":null,"markdown":"```\nAIエージェント追加需要 = 100\n\nGPUクラウド成熟でかなり吸収できる部分\n 50〜70\n - LLM推論\n - 長文推論\n - reasoning\n - 画像/動画生成\n - embedding/rerank\n - KV cache\n - batch scheduling\n\nGPUクラウドだけでは吸収できない部分\n 30〜50\n - CPU orchestration\n - DB\n - API\n - browser automation\n - storage\n - network\n - security\n - billing\n - monitoring\n```","render_override":null},{"id":"blk_5ef34357-576b-4899-9ce0-234d741ca395","kind":"paragraph","order":494,"section_id":"sec_f3f6bb06-b5e5-4d2b-ab7a-4837dfe6d756","character_id":null,"markdown":"ただし、用途によってかなり変わります。","render_override":null},{"id":"blk_fbf1c441-1759-441e-a84b-791bd2affb90","kind":"paragraph","order":495,"section_id":"sec_f3f6bb06-b5e5-4d2b-ab7a-4837dfe6d756","character_id":null,"markdown":"**動画生成AIエージェント**なら、GPUクラウドで80〜95%吸収できます。 \n**企業業務エージェント**なら、GPUクラウドで40〜70%、残りはCPU/DB/ネットワーク/セキュリティです。 \n**ロボット/VLAエージェント**なら、学習・シミュレーションはGPUクラウド比率が高いですが、現場のリアルタイム制御はエッジ側に残ります。","render_override":null},{"id":"blk_f07177ae-3346-44cf-abbe-387d34633b04","kind":"thematic_break","order":496,"section_id":"sec_f3f6bb06-b5e5-4d2b-ab7a-4837dfe6d756","character_id":null,"markdown":"---","render_override":null},{"id":"blk_35999473-245c-4fd4-8386-7b93b69a12a2","kind":"heading","order":497,"section_id":"sec_5caadfab-aa3e-49a9-ba00-336dac555d9e","character_id":null,"markdown":"## GPUクラウドの成熟時期考察","render_override":null},{"id":"blk_4f99f85e-0cb3-4e8a-bdc9-d691d848fe53","kind":"quote","order":498,"section_id":"sec_5caadfab-aa3e-49a9-ba00-336dac555d9e","character_id":null,"markdown":"> **2026〜2028年：GPUクラウドOSの原型が実用化する時期** \n> **2029〜2032年：CPUクラウドに近い成熟度へ向かう時期** \n> **2030年代前半：AIエージェント社会向けの本格インフラになる時期**","render_override":null},{"id":"blk_28728e5e-dc2f-4866-a8a1-ec904a191a75","kind":"thematic_break","order":499,"section_id":"sec_5caadfab-aa3e-49a9-ba00-336dac555d9e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_212cdef1-8b87-4fb5-92c2-7db285470f71","kind":"heading","order":500,"section_id":"sec_80dd1de7-9eff-436b-aaa3-157453e9bebb","character_id":null,"markdown":"## \\1. すでにGPUクラウドは始まっている","render_override":null},{"id":"blk_3794afe3-8dcd-42fa-b493-bd3ac46540c7","kind":"paragraph","order":501,"section_id":"sec_80dd1de7-9eff-436b-aaa3-157453e9bebb","character_id":null,"markdown":"まず、GPUクラウド自体はもう存在しています。 \nAWS、Azure、Google Cloud、Oracle Cloud、CoreWeave、Lambda、Crusoe、日本だとGMO GPUクラウドなどがGPUをクラウド資源として提供しています。","render_override":null},{"id":"blk_02945620-1829-4205-89e9-ce3de544b21e","kind":"paragraph","order":502,"section_id":"sec_80dd1de7-9eff-436b-aaa3-157453e9bebb","character_id":null,"markdown":"ただし、今あるGPUクラウドの多くは、まだかなり荒く言うと、","render_override":null},{"id":"blk_f8c50abf-8a2e-495c-a5cd-9e357b212312","kind":"quote","order":503,"section_id":"sec_80dd1de7-9eff-436b-aaa3-157453e9bebb","character_id":null,"markdown":"> **高価なGPUサーバーを貸している段階**","render_override":null},{"id":"blk_a72f2761-8c69-4d66-9a0f-4e9516f2eff0","kind":"paragraph","order":504,"section_id":"sec_80dd1de7-9eff-436b-aaa3-157453e9bebb","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_61215413-56e0-4f80-8083-af915a3c2491","kind":"paragraph","order":505,"section_id":"sec_80dd1de7-9eff-436b-aaa3-157453e9bebb","character_id":null,"markdown":"これが今後成熟すると、","render_override":null},{"id":"blk_2aede369-ff01-4a78-a78f-069c28b03c87","kind":"quote","order":506,"section_id":"sec_80dd1de7-9eff-436b-aaa3-157453e9bebb","character_id":null,"markdown":"> **GPUをトークン単位、モデル単位、KV cache単位、SLO単位で動的に共有・課金・監視する段階**","render_override":null},{"id":"blk_0c41252f-2fbf-4f7e-9400-58dd02248dfb","kind":"paragraph","order":507,"section_id":"sec_80dd1de7-9eff-436b-aaa3-157453e9bebb","character_id":null,"markdown":"に進みます。","render_override":null},{"id":"blk_27f4131d-89fb-4f80-94c1-4a511fa79205","kind":"paragraph","order":508,"section_id":"sec_80dd1de7-9eff-436b-aaa3-157453e9bebb","character_id":null,"markdown":"ここが本当の意味での「GPUクラウド成熟」です。","render_override":null},{"id":"blk_66c97014-b7ba-4e38-aa08-d876233c02aa","kind":"thematic_break","order":509,"section_id":"sec_80dd1de7-9eff-436b-aaa3-157453e9bebb","character_id":null,"markdown":"---","render_override":null},{"id":"blk_31c24121-21b1-43ed-8f0d-72a8099db3b5","kind":"heading","order":510,"section_id":"sec_f8ea86dd-d6e2-4341-8811-d80d90926e85","character_id":null,"markdown":"## \\2. 2025〜2026年時点で、部品はかなり揃い始めている","render_override":null},{"id":"blk_895c513f-66b5-4c78-a34b-eb009c6b8ce0","kind":"paragraph","order":511,"section_id":"sec_f8ea86dd-d6e2-4341-8811-d80d90926e85","character_id":null,"markdown":"成熟の兆候はすでにあります。","render_override":null},{"id":"blk_732b872e-713c-4123-904f-882398d50488","kind":"paragraph","order":512,"section_id":"sec_f8ea86dd-d6e2-4341-8811-d80d90926e85","character_id":null,"markdown":"Kubernetesでは、GPUやFPGAなどの特殊デバイスを柔軟に割り当てる **DRA / Dynamic Resource Allocation** の中核APIが、Kubernetes 1.34でGAになりました。これはGPUをKubernetes上でより細かく選択・共有・構成するための重要な基盤です。([Kubernetes](https://kubernetes.io/blog/2025/09/01/kubernetes-v1-34-dra-updates/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_9d60ad96-1102-422c-8487-a0a982601dcc","kind":"paragraph","order":513,"section_id":"sec_f8ea86dd-d6e2-4341-8811-d80d90926e85","character_id":null,"markdown":"NVIDIA側も、DRA Driver for GPUsを提供し、KubernetesからGPUをより柔軟に要求・設定・共有できる方向へ進めています。つまり、GPUが「特殊な外付け部品」から「クラウドでスケジューリング可能な一級リソース」になり始めています。([NVIDIA Docs](https://docs.nvidia.com/datacenter/cloud-native/gpu-operator/25.3.4/dra-intro-install.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_d125a92f-848f-413e-8136-9d6b0e1abc1b","kind":"paragraph","order":514,"section_id":"sec_f8ea86dd-d6e2-4341-8811-d80d90926e85","character_id":null,"markdown":"また、NVIDIA Dynamoは2025年に発表された大規模分散推論向けのフレームワークで、単一GPUや単一ノードの最適化ではなく、データセンター規模のGPU群を協調した推論システムとして扱う方向です。NVIDIAはDynamoについて、reasoning modelや生成AIを大規模分散環境で低遅延・高スループットに展開するためのOSS推論フレームワークと説明しています。([NVIDIA Developer](https://developer.nvidia.com/blog/introducing-nvidia-dynamo-a-low-latency-distributed-inference-framework-for-scaling-reasoning-ai-models/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_6ef29eb9-1ac2-41f2-a404-2ea6b0dad87d","kind":"paragraph","order":515,"section_id":"sec_f8ea86dd-d6e2-4341-8811-d80d90926e85","character_id":null,"markdown":"つまり、2025〜2026年時点で、","render_override":null},{"id":"blk_70b55825-8938-4403-a03d-202b2f7d994f","kind":"list","order":516,"section_id":"sec_f8ea86dd-d6e2-4341-8811-d80d90926e85","character_id":null,"markdown":"- Kubernetes側のGPUリソース管理\n- NVIDIA側のGPUオーケストレーション\n- vLLM/SGLang/TensorRT-LLM系の推論エンジン\n- MIG/vGPU/Time slicing\n- KV cache管理\n- 分散推論\n- Confidential Computing","render_override":null},{"id":"blk_60869612-c823-4ff1-8588-6bcd0c597106","kind":"paragraph","order":517,"section_id":"sec_f8ea86dd-d6e2-4341-8811-d80d90926e85","character_id":null,"markdown":"の部品はかなり揃い始めています。","render_override":null},{"id":"blk_6a5f27ae-1a5f-4903-8841-24161bef5ea5","kind":"thematic_break","order":518,"section_id":"sec_f8ea86dd-d6e2-4341-8811-d80d90926e85","character_id":null,"markdown":"---","render_override":null},{"id":"blk_cb2379d0-5539-4ecb-b58d-3914a546ee7c","kind":"heading","order":519,"section_id":"sec_b9617484-2fd2-4e7f-a7d4-f4296f8b13be","character_id":null,"markdown":"## \\3. ただし「完成」には段階がある","render_override":null},{"id":"blk_b2b8a265-1de3-4457-9611-1424248dced1","kind":"paragraph","order":520,"section_id":"sec_b9617484-2fd2-4e7f-a7d4-f4296f8b13be","character_id":null,"markdown":"GPUクラウドの成熟を4段階で見ると分かりやすいです。","render_override":null},{"id":"blk_4d61e818-a9b5-4772-9454-80998f5043bd","kind":"heading","order":521,"section_id":"sec_80e408ed-d7c7-4b0a-b8b1-83b5853b6942","character_id":null,"markdown":"## 第1段階：GPUをクラウドで借りられる","render_override":null},{"id":"blk_ed5aef0e-b734-4c3a-b500-e7bf467cac1d","kind":"paragraph","order":522,"section_id":"sec_80e408ed-d7c7-4b0a-b8b1-83b5853b6942","character_id":null,"markdown":"これはもう実現済みです。","render_override":null},{"id":"blk_36dd3ef3-c6f5-4297-a1a7-df072a6a5983","kind":"code","order":523,"section_id":"sec_80e408ed-d7c7-4b0a-b8b1-83b5853b6942","character_id":null,"markdown":"```\nGPUインスタンスを借りる\nLLMを動かす\n画像生成を動かす\n学習ジョブを回す\n```","render_override":null},{"id":"blk_e9ddbe3d-27a8-4b3b-853b-93428ace51fc","kind":"paragraph","order":524,"section_id":"sec_80e408ed-d7c7-4b0a-b8b1-83b5853b6942","character_id":null,"markdown":"この段階では、まだCPUクラウドでいう初期EC2に近いです。 \nGPUを借りられるが、細かく安全に詰め込む仕組みはまだ弱い。","render_override":null},{"id":"blk_d832c017-0e99-4591-9980-fb52f3c4660f","kind":"thematic_break","order":525,"section_id":"sec_80e408ed-d7c7-4b0a-b8b1-83b5853b6942","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9c6447b1-6f31-4473-96b8-2bb567f557c8","kind":"heading","order":526,"section_id":"sec_7578d2e0-ef74-4382-b7cf-ad9d1c2952f3","character_id":null,"markdown":"## 第2段階：LLM推論を高効率に詰め込む","render_override":null},{"id":"blk_7ac49f66-2fd0-488d-8656-eb98b10232ad","kind":"paragraph","order":527,"section_id":"sec_7578d2e0-ef74-4382-b7cf-ad9d1c2952f3","character_id":null,"markdown":"これは**2025〜2027年に急速に進んでいる段階**です。","render_override":null},{"id":"blk_06db30fd-9d76-4258-b089-c38528265ac2","kind":"paragraph","order":528,"section_id":"sec_7578d2e0-ef74-4382-b7cf-ad9d1c2952f3","character_id":null,"markdown":"vLLMはPagedAttentionを使い、LLM推論で問題になるKV cacheのメモリ無駄を減らす方向の代表例です。2025年のvLLM論文では、block-level memory managementとpreemptive request schedulingにより、KV cacheメモリの無駄をほぼゼロに近づけると説明されています。([EECS at UC Berkeley](https://www2.eecs.berkeley.edu/Pubs/TechRpts/2025/EECS-2025-192.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_4afa4437-4acc-4e2f-aff4-8c5d80cda53d","kind":"paragraph","order":529,"section_id":"sec_7578d2e0-ef74-4382-b7cf-ad9d1c2952f3","character_id":null,"markdown":"さらにAlibaba CloudのAegaeonは、複数モデルをGPUプール上でトークン単位にスケジューリングし、実運用テストで必要GPU数を1192枚から213枚に削減したと報じられています。これは、GPUクラウドが「1ジョブ1GPU」から「トークン単位の共有」へ向かう強い兆候です。([Tom's Hardware](https://www.tomshardware.com/tech-industry/semiconductors/alibaba-says-new-pooling-system-cut-nvidia-gpu-use-by-82-percent?utm_source=chatgpt.com))","render_override":null},{"id":"blk_2d29625f-8268-48c6-9e6c-f6e5863a7b50","kind":"paragraph","order":530,"section_id":"sec_7578d2e0-ef74-4382-b7cf-ad9d1c2952f3","character_id":null,"markdown":"この段階は、かなり早く成熟すると思います。 \n理由は、LLM推論のコスト削減効果が巨大だからです。","render_override":null},{"id":"blk_29b014ff-0af8-4fd7-85c8-a0fc3a555bd5","kind":"thematic_break","order":531,"section_id":"sec_7578d2e0-ef74-4382-b7cf-ad9d1c2952f3","character_id":null,"markdown":"---","render_override":null},{"id":"blk_39a6a112-aaf1-4c55-a447-05c7e4aa5f3f","kind":"heading","order":532,"section_id":"sec_75b803df-ca22-4d2e-b6f5-486fe46d6a4a","character_id":null,"markdown":"## 第3段階：マルチテナントGPUを安全に共有する","render_override":null},{"id":"blk_4d48c518-df4e-4c37-90d1-32a80a33c185","kind":"paragraph","order":533,"section_id":"sec_75b803df-ca22-4d2e-b6f5-486fe46d6a4a","character_id":null,"markdown":"ここが難所です。","render_override":null},{"id":"blk_40d1d62f-a84c-4dee-94fd-2e3d48bead01","kind":"paragraph","order":534,"section_id":"sec_75b803df-ca22-4d2e-b6f5-486fe46d6a4a","character_id":null,"markdown":"MIGやvGPUでGPUを分割することはできますが、複数テナントが同じGPU/同じGPUクラスタを使うと、GPUメモリ、キャッシュ、TLB、ドライバ、DMA、コンテナ境界などがセキュリティ問題になります。","render_override":null},{"id":"blk_5872b201-9d5c-4349-a67c-4755a058ee3b","kind":"paragraph","order":535,"section_id":"sec_75b803df-ca22-4d2e-b6f5-486fe46d6a4a","character_id":null,"markdown":"NVIDIAはKubernetes向けにConfidential ContainersやKata Containersと組み合わせたGPU機密計算の仕組みを進めており、GPU OperatorでもConfidential Computing ManagerやSandbox Device Pluginなどを含む構成が説明されています。([NVIDIA Docs](https://docs.nvidia.com/datacenter/cloud-native/gpu-operator/25.3.4/gpu-operator-confidential-containers.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e9bee8f8-e1df-498e-9de4-0d0ded365ffe","kind":"paragraph","order":536,"section_id":"sec_75b803df-ca22-4d2e-b6f5-486fe46d6a4a","character_id":null,"markdown":"一方で、GPU共有のセキュリティはまだ発展途上です。2024〜2026年の研究・脆弱性報告では、GPU仮想化や共有GPUのサイドチャネル、vGPU管理層、コンテナ境界が新しい攻撃面になることが示されています。([Barrack AI](https://blog.barrack.ai/fractional-gpu-security/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_0fa327ac-7fec-46a6-9d6a-10277ce73839","kind":"paragraph","order":537,"section_id":"sec_75b803df-ca22-4d2e-b6f5-486fe46d6a4a","character_id":null,"markdown":"このため、**企業が安心して機密データをマルチテナントGPUに載せる段階**は、2026〜2027年に始まり、2028〜2030年に本格化する可能性が高いです。","render_override":null},{"id":"blk_4bc009e3-5b60-4e9e-96ef-c4afa7c40636","kind":"thematic_break","order":538,"section_id":"sec_75b803df-ca22-4d2e-b6f5-486fe46d6a4a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_aafb3cd7-6987-477d-8e7e-c593cb9a46a2","kind":"heading","order":539,"section_id":"sec_f9df470f-5155-42ec-97eb-cf96aea7d2de","character_id":null,"markdown":"## 第4段階：CPUクラウド並みに「当たり前のインフラ」になる","render_override":null},{"id":"blk_78c47346-33f3-477b-8ebb-1c87baddfb61","kind":"paragraph","order":540,"section_id":"sec_f9df470f-5155-42ec-97eb-cf96aea7d2de","character_id":null,"markdown":"これはおそらく**2029〜2032年以降**です。","render_override":null},{"id":"blk_aea0f314-5360-4198-8fd5-9a2fd69cf508","kind":"paragraph","order":541,"section_id":"sec_f9df470f-5155-42ec-97eb-cf96aea7d2de","character_id":null,"markdown":"CPUクラウドでは、VM、Kubernetes、IAM、監視、課金、ログ、オートスケール、セキュリティ、SLAが当たり前になっています。","render_override":null},{"id":"blk_019206db-6554-4e9a-a2ef-c885221e93e2","kind":"paragraph","order":542,"section_id":"sec_f9df470f-5155-42ec-97eb-cf96aea7d2de","character_id":null,"markdown":"GPUクラウドでも最終的には、","render_override":null},{"id":"blk_ac2312a7-7d14-425c-980d-1446021655c3","kind":"code","order":543,"section_id":"sec_f9df470f-5155-42ec-97eb-cf96aea7d2de","character_id":null,"markdown":"```\nGPU秒\nGPUメモリGB秒\nKV cache GB秒\ntoken単位課金\nTTFT/TPOT保証\n推論SLO\nモデル常駐課金\nagent memory課金\nマルチテナント隔離\nGPU障害復旧\nGPUクラスタ観測\n```","render_override":null},{"id":"blk_73976b4d-2ed8-4795-b625-59c276dce6e4","kind":"paragraph","order":544,"section_id":"sec_f9df470f-5155-42ec-97eb-cf96aea7d2de","character_id":null,"markdown":"が標準化されていくはずです。","render_override":null},{"id":"blk_dade23c3-517e-43c9-a8f3-f912708ba34d","kind":"paragraph","order":545,"section_id":"sec_f9df470f-5155-42ec-97eb-cf96aea7d2de","character_id":null,"markdown":"ただし、ここまで行くには時間がかかります。 \n理由は、LLM推論がまだ急速に変化しているからです。モデル構造、context length、MoE、reasoning、動画生成、VLA、エージェント処理が変わるたびに、GPUクラウド側も作り直しになります。","render_override":null},{"id":"blk_589fb960-2347-4c8d-9ccf-36fd7c86101e","kind":"thematic_break","order":546,"section_id":"sec_f9df470f-5155-42ec-97eb-cf96aea7d2de","character_id":null,"markdown":"---","render_override":null},{"id":"blk_46596a2f-89ea-49f1-bbba-4a686ae717ec","kind":"heading","order":547,"section_id":"sec_763faa25-47b8-4680-8684-5578f8f9bc5d","character_id":null,"markdown":"## \\4. 私の時期予想","render_override":null},{"id":"blk_9f14fb98-573b-4765-a257-5f026b684d34","kind":"paragraph","order":548,"section_id":"sec_763faa25-47b8-4680-8684-5578f8f9bc5d","character_id":null,"markdown":"かなり現実的に見ると、こうです。","render_override":null},{"id":"blk_bb6d49d7-ecc8-4f37-98ab-ab1a9ec81926","kind":"figure","order":549,"section_id":"sec_763faa25-47b8-4680-8684-5578f8f9bc5d","character_id":null,"markdown":"![](/media/82703e7b2c83e0e40ce7474823c1cb522e08bdd702b843009fbd55e1496f54ed-content.webp)","render_override":null},{"id":"blk_16e459f0-7df5-44f8-85bd-d72d729e486f","kind":"paragraph","order":550,"section_id":"sec_763faa25-47b8-4680-8684-5578f8f9bc5d","character_id":null,"markdown":"なので、「完成しはじめる」は**2026〜2028年**。 \n「CPUクラウドのように成熟する」は**2029〜2032年**。 \n「本当に社会インフラ化する」は**2030年代前半**だと思います。","render_override":null},{"id":"blk_2618b596-4270-495d-b97b-d886763bcc92","kind":"thematic_break","order":551,"section_id":"sec_763faa25-47b8-4680-8684-5578f8f9bc5d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d8738222-8e33-4866-b3bf-50603a0386b0","kind":"heading","order":552,"section_id":"sec_0207ecb1-fb8f-4a3f-85cc-4c303aa6ac36","character_id":null,"markdown":"## \\5. AIを使うことで、その速度は加速するか","render_override":null},{"id":"blk_86f762d4-89aa-4956-ad48-56499f0d70be","kind":"paragraph","order":553,"section_id":"sec_0207ecb1-fb8f-4a3f-85cc-4c303aa6ac36","character_id":null,"markdown":"はい。**かなり加速する可能性があります。**","render_override":null},{"id":"blk_1daaf82f-d7fe-4239-a06e-ca2b9a608676","kind":"paragraph","order":554,"section_id":"sec_0207ecb1-fb8f-4a3f-85cc-4c303aa6ac36","character_id":null,"markdown":"CPUクラウドの25年と比べて、GPUクラウドはもっと早く成熟すると思います。 \n理由は3つあります。","render_override":null},{"id":"blk_abe5efce-17eb-4c0e-b9bf-93dcdfe25da9","kind":"thematic_break","order":555,"section_id":"sec_0207ecb1-fb8f-4a3f-85cc-4c303aa6ac36","character_id":null,"markdown":"---","render_override":null},{"id":"blk_88192f9e-7259-40b3-8d6c-8a3b136be6b2","kind":"heading","order":556,"section_id":"sec_28987286-da2f-4ee6-ac23-91d19e6347c7","character_id":null,"markdown":"## 理由1：CPUクラウドの知見を流用できる","render_override":null},{"id":"blk_852ecd1b-ff74-4de1-8426-f94fb6b7f6fb","kind":"paragraph","order":557,"section_id":"sec_28987286-da2f-4ee6-ac23-91d19e6347c7","character_id":null,"markdown":"GPUクラウドはゼロから作るわけではありません。","render_override":null},{"id":"blk_c448e437-5fac-4186-9fee-4d24c1e390da","kind":"paragraph","order":558,"section_id":"sec_28987286-da2f-4ee6-ac23-91d19e6347c7","character_id":null,"markdown":"すでに、","render_override":null},{"id":"blk_39883637-da51-4d5c-9a2e-76e19160fca8","kind":"list","order":559,"section_id":"sec_28987286-da2f-4ee6-ac23-91d19e6347c7","character_id":null,"markdown":"- Kubernetes\n- Linux\n- コンテナ\n- IAM\n- Prometheus/Grafana\n- Terraform\n- CI/CD\n- service mesh\n- cloud billing\n- observability\n- autoscaling\n- security policy","render_override":null},{"id":"blk_cb75197c-85cf-4e01-9340-43b660178258","kind":"paragraph","order":560,"section_id":"sec_28987286-da2f-4ee6-ac23-91d19e6347c7","character_id":null,"markdown":"があります。","render_override":null},{"id":"blk_c63f777c-c14b-4695-9161-a90476625806","kind":"paragraph","order":561,"section_id":"sec_28987286-da2f-4ee6-ac23-91d19e6347c7","character_id":null,"markdown":"CPUクラウドが25年かけて作った概念を、GPU向けに拡張できます。 \nだから、GPUクラウドは25年ではなく、**5〜8年程度でかなり成熟する**可能性があります。","render_override":null},{"id":"blk_6e1034de-2c89-40f9-9d0e-6d53e53fea6c","kind":"thematic_break","order":562,"section_id":"sec_28987286-da2f-4ee6-ac23-91d19e6347c7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4ca61e90-7367-4856-805a-5b63332463f9","kind":"heading","order":563,"section_id":"sec_24b4986d-fd60-4bbf-841a-1d7a353fdecc","character_id":null,"markdown":"## 理由2：AIがインフラ開発そのものを加速する","render_override":null},{"id":"blk_7cc1239d-d0a9-415a-b27b-cb5d63a69e3d","kind":"paragraph","order":564,"section_id":"sec_24b4986d-fd60-4bbf-841a-1d7a353fdecc","character_id":null,"markdown":"AIはGPUクラウドの利用者であると同時に、GPUクラウドを作る側にも使われます。","render_override":null},{"id":"blk_41baa6b7-fdc7-487f-a7f6-202297d2764a","kind":"paragraph","order":565,"section_id":"sec_24b4986d-fd60-4bbf-841a-1d7a353fdecc","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_f134eeb3-3a10-4fa4-92ff-8e42f8e7b745","kind":"list","order":566,"section_id":"sec_24b4986d-fd60-4bbf-841a-1d7a353fdecc","character_id":null,"markdown":"- GPU kernelの自動生成\n- CUDA/Triton最適化\n- スケジューラの探索\n- 障害予測\n- ログ解析\n- セキュリティ検査\n- コード生成\n- インフラ設定の自動修正\n- capacity planning\n- ネットワーク輻輳予測","render_override":null},{"id":"blk_f1f7d4ef-e817-4e5a-a85a-e14f36d34edf","kind":"paragraph","order":567,"section_id":"sec_24b4986d-fd60-4bbf-841a-1d7a353fdecc","character_id":null,"markdown":"に使えます。","render_override":null},{"id":"blk_7806786f-0eee-45d0-95d5-26cceb620386","kind":"paragraph","order":568,"section_id":"sec_24b4986d-fd60-4bbf-841a-1d7a353fdecc","character_id":null,"markdown":"実際、AIによるGPU kernel生成・最適化の研究はかなり活発です。AMDは2025年にGEAKというTriton kernel生成AIエージェントを紹介し、ベンチマーク上で最大2.59倍の速度向上を示したと説明しています。([ROCm Blogs](https://rocm.blogs.amd.com/software-tools-optimization/triton-kernel-ai/README.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_2ec7b8d9-68ed-4b25-89e0-f97528b45afe","kind":"paragraph","order":569,"section_id":"sec_24b4986d-fd60-4bbf-841a-1d7a353fdecc","character_id":null,"markdown":"また、PyTorchブログでも、深いエージェントを使った自律GPU kernel生成が紹介されており、Triton kernelの生成、検証、実行を自動化する方向が示されています。([PyTorch](https://pytorch.org/blog/kernelfalcon-autonomous-gpu-kernel-generation-via-deep-agents/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_034209f8-87f4-4599-96e6-850fed48087b","kind":"paragraph","order":570,"section_id":"sec_24b4986d-fd60-4bbf-841a-1d7a353fdecc","character_id":null,"markdown":"この流れが進むと、人間のGPUエンジニアだけでなく、AIエージェントがGPU kernelや推論設定を探索し続けるようになります。 \nこれは、GPUクラウド成熟をかなり速めます。","render_override":null},{"id":"blk_dc9abe68-2438-4722-8cf8-2b37eb038fb4","kind":"thematic_break","order":571,"section_id":"sec_24b4986d-fd60-4bbf-841a-1d7a353fdecc","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1c83747c-d8ca-4e7d-8f0b-8ca2ac710215","kind":"heading","order":572,"section_id":"sec_6834705a-3cad-4614-bb92-6eafc17a4f0f","character_id":null,"markdown":"## 理由3：GPU利用率改善の経済効果が大きすぎる","render_override":null},{"id":"blk_c4c8ce36-1c19-4fc6-ab0e-57ed6412067c","kind":"paragraph","order":573,"section_id":"sec_6834705a-3cad-4614-bb92-6eafc17a4f0f","character_id":null,"markdown":"GPUは非常に高価です。 \nもしGPU利用率を10〜20%から40〜60%へ上げられれば、同じGPU投資で2〜4倍以上の有効計算を取り出せます。","render_override":null},{"id":"blk_11466c3e-3019-4f5f-be5d-69c6ef9ed153","kind":"paragraph","order":574,"section_id":"sec_6834705a-3cad-4614-bb92-6eafc17a4f0f","character_id":null,"markdown":"そのため、GPUクラウド最適化には莫大な経済インセンティブがあります。","render_override":null},{"id":"blk_2ec8a8e0-83e9-4ee0-ba72-04855e81d670","kind":"paragraph","order":575,"section_id":"sec_6834705a-3cad-4614-bb92-6eafc17a4f0f","character_id":null,"markdown":"Aegaeonのように、GPU poolingとトークン単位スケジューリングで必要GPU数を大幅に減らせる可能性が示されると、クラウド企業・AIラボ・ネオクラウドは一気にこの方向へ投資します。([Tom's Hardware](https://www.tomshardware.com/tech-industry/semiconductors/alibaba-says-new-pooling-system-cut-nvidia-gpu-use-by-82-percent?utm_source=chatgpt.com))","render_override":null},{"id":"blk_f7d79e15-6af4-4b79-9a77-b5c07b220c00","kind":"paragraph","order":576,"section_id":"sec_6834705a-3cad-4614-bb92-6eafc17a4f0f","character_id":null,"markdown":"つまり、これは研究テーマではなく、**設備投資効率を何倍にもする経営テーマ**です。 \nだから速いです。","render_override":null},{"id":"blk_c735d167-bb6b-474f-9294-ffec624a8e03","kind":"thematic_break","order":577,"section_id":"sec_6834705a-3cad-4614-bb92-6eafc17a4f0f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_dda0337d-e676-4685-85b1-85ac908e95d2","kind":"heading","order":578,"section_id":"sec_857d3d77-d7e6-41fb-8581-c6fe6bea6608","character_id":null,"markdown":"## \\6. それでも一気に完成しない理由","render_override":null},{"id":"blk_97528f40-cdd8-4931-a37b-ef7d0b235ada","kind":"paragraph","order":579,"section_id":"sec_857d3d77-d7e6-41fb-8581-c6fe6bea6608","character_id":null,"markdown":"ただし、AIで加速しても、1〜2年で完全完成するとは思いません。","render_override":null},{"id":"blk_d24b0908-f4dc-42cc-9b44-4a46a7bbcfa4","kind":"paragraph","order":580,"section_id":"sec_857d3d77-d7e6-41fb-8581-c6fe6bea6608","character_id":null,"markdown":"理由は、物理制約があるからです。","render_override":null},{"id":"blk_74c05408-b96f-4132-b161-a58b454639aa","kind":"figure","order":581,"section_id":"sec_857d3d77-d7e6-41fb-8581-c6fe6bea6608","character_id":null,"markdown":"![](/media/cbc5092eab1471a56820ec7a5c99f6dcd4c24163b9dc998588dae389691b4796-content.webp)","render_override":null},{"id":"blk_c6836cc6-ab6c-4c86-9650-aef89ad94ab7","kind":"paragraph","order":582,"section_id":"sec_857d3d77-d7e6-41fb-8581-c6fe6bea6608","character_id":null,"markdown":"特に障害復旧は重要です。2026年のGhostServeは、LLM servingでKV cacheをerasure codingにより保護し、GPU障害時に高コストな再計算や完全複製なしで推論を再開する研究です。これは、GPUクラウドがCPUクラウドのような高可用性に近づくには、KV cacheレベルの耐障害性が必要であることを示しています。([arXiv](https://arxiv.org/abs/2605.00831?utm_source=chatgpt.com))","render_override":null},{"id":"blk_647fa650-8d84-45ed-a4d0-5ddcb7e2d1ca","kind":"paragraph","order":583,"section_id":"sec_857d3d77-d7e6-41fb-8581-c6fe6bea6608","character_id":null,"markdown":"つまり、AIはソフトウェア開発速度を上げますが、 \n**電力・冷却・ネットワーク・セキュリティ・標準化・信頼性は時間がかかる** \nということです。","render_override":null},{"id":"blk_e8aaa923-b4fe-40b8-9aee-019cf7a1e25c","kind":"thematic_break","order":584,"section_id":"sec_857d3d77-d7e6-41fb-8581-c6fe6bea6608","character_id":null,"markdown":"---","render_override":null},{"id":"blk_17c06b9e-e46e-4d07-ba26-b24b573f972f","kind":"heading","order":585,"section_id":"sec_8870f90c-89ae-4d60-aa00-32e849ed82e9","character_id":null,"markdown":"## \\7. かなり重要な見方：GPUクラウドは「完成」しない可能性もある","render_override":null},{"id":"blk_45a4726d-bc61-4b2d-88e5-89692dbe85ed","kind":"paragraph","order":586,"section_id":"sec_8870f90c-89ae-4d60-aa00-32e849ed82e9","character_id":null,"markdown":"CPUクラウドも、実は完成していません。 \n今でもサーバーレス、Kubernetes、WASM、edge cloud、confidential computingなどで変化しています。","render_override":null},{"id":"blk_57fea0cc-aec8-4428-840f-f2fce42a2d98","kind":"paragraph","order":587,"section_id":"sec_8870f90c-89ae-4d60-aa00-32e849ed82e9","character_id":null,"markdown":"GPUクラウドも同じで、完全な完成地点はないと思います。","render_override":null},{"id":"blk_47f910e9-6a3d-4c01-8da8-7eca4905e345","kind":"paragraph","order":588,"section_id":"sec_8870f90c-89ae-4d60-aa00-32e849ed82e9","character_id":null,"markdown":"なぜなら、AI側がどんどん変わるからです。","render_override":null},{"id":"blk_c4af2d7f-3032-467c-bb4e-450ef00a0027","kind":"code","order":589,"section_id":"sec_8870f90c-89ae-4d60-aa00-32e849ed82e9","character_id":null,"markdown":"```\nLLM\n ↓\nreasoning model\n ↓\nagent\n ↓\nmultimodal agent\n ↓\nvideo world model\n ↓\nVLA / robotics\n ↓\nphysical AI\n```","render_override":null},{"id":"blk_775ddcd5-577d-4f63-b224-73d41b95ac03","kind":"paragraph","order":590,"section_id":"sec_8870f90c-89ae-4d60-aa00-32e849ed82e9","character_id":null,"markdown":"モデルが変わるたびに、GPUクラウドの最適解も変わります。","render_override":null},{"id":"blk_b1c30ea9-1125-420a-85f0-c6dea6c0d5e5","kind":"paragraph","order":591,"section_id":"sec_8870f90c-89ae-4d60-aa00-32e849ed82e9","character_id":null,"markdown":"たとえば、チャットLLM中心ならKV cacheとdecode最適化が重要。 \n動画生成中心なら巨大な生成バッチとメモリ帯域が重要。 \nロボティクス/VLA中心なら、シミュレーション、動画理解、リアルタイム推論、エッジ連携が重要になります。","render_override":null},{"id":"blk_272ba9d7-3f44-4357-9ef9-ab43defbc807","kind":"paragraph","order":592,"section_id":"sec_8870f90c-89ae-4d60-aa00-32e849ed82e9","character_id":null,"markdown":"だからGPUクラウドは、ある時点で「完成」するというより、 \n**2026〜2028年に産業標準の原型が固まり、2030年前後に本格的なクラウドOSとして成熟し、その後もAIの形に合わせて変化し続ける** \nと見るべきです。","render_override":null},{"id":"blk_852097cc-4112-479f-872f-fea16bd1d113","kind":"thematic_break","order":593,"section_id":"sec_8870f90c-89ae-4d60-aa00-32e849ed82e9","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d29af7ad-5bb1-4a69-8a8a-115406a436bb","kind":"heading","order":594,"section_id":"sec_71d97541-7ee4-426e-8210-eb8853969707","character_id":null,"markdown":"## まとめ","render_override":null},{"id":"blk_ebb247c8-dd55-4fca-819e-de725d00db5f","kind":"paragraph","order":595,"section_id":"sec_71d97541-7ee4-426e-8210-eb8853969707","character_id":null,"markdown":"GPUクラウドの成熟は、かなり速く進むと思います。","render_override":null},{"id":"blk_5efa4f8d-542c-4617-8a7d-2074a82d4871","kind":"paragraph","order":596,"section_id":"sec_71d97541-7ee4-426e-8210-eb8853969707","character_id":null,"markdown":"私の予想では、","render_override":null},{"id":"blk_41643df3-baff-4e6d-9d2f-47772556fbd9","kind":"quote","order":597,"section_id":"sec_71d97541-7ee4-426e-8210-eb8853969707","character_id":null,"markdown":"> **2026〜2028年：完成しはじめる** \n> **2028〜2030年：AIエージェント向けに本格実用化** \n> **2029〜2032年：CPUクラウドに近い成熟度へ進む** \n> **2030年代前半：AI社会の標準インフラ化**","render_override":null},{"id":"blk_621aa995-ffd5-41a9-a791-8168f369becf","kind":"paragraph","order":598,"section_id":"sec_71d97541-7ee4-426e-8210-eb8853969707","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_61ba02f8-b675-4b76-b678-3af69a2b2872","kind":"paragraph","order":599,"section_id":"sec_71d97541-7ee4-426e-8210-eb8853969707","character_id":null,"markdown":"AIを使うことで、この速度は加速します。 \n特に、GPU kernel最適化、推論スケジューリング、ログ解析、障害予測、セキュリティ検査、インフラ自動運用でAIエージェントが使われるようになるため、CPUクラウドが25年かけた進化を、GPUクラウドは**5〜8年程度で一気に圧縮する**可能性があります。","render_override":null},{"id":"blk_754dc4de-e40e-45b6-b2be-4555e1a76cc9","kind":"paragraph","order":600,"section_id":"sec_71d97541-7ee4-426e-8210-eb8853969707","character_id":null,"markdown":"ただし、電力、冷却、ネットワーク、セキュリティ、標準化、障害復旧は物理的・制度的な制約があるため、**完全成熟は2030年前後以降**になると思います。","render_override":null},{"id":"blk_b04efba0-7b44-46ff-a25e-8b1b6b4b1757","kind":"paragraph","order":601,"section_id":"sec_71d97541-7ee4-426e-8210-eb8853969707","character_id":null,"markdown":"一言で言うと、","render_override":null},{"id":"blk_130197db-ad87-442d-a00e-2609c04ce4f0","kind":"quote","order":602,"section_id":"sec_71d97541-7ee4-426e-8210-eb8853969707","character_id":null,"markdown":"> **GPUクラウドは2026〜2028年にクラウドOS化が始まり、2030年前後にAIエージェント時代の本格インフラになる。 \n> そしてAI自身が、その成熟速度をさらに加速する。**","render_override":null},{"id":"blk_638b0810-b135-478b-a6af-6c8ec93119ef","kind":"paragraph","order":603,"section_id":"sec_71d97541-7ee4-426e-8210-eb8853969707","character_id":null,"markdown":"という考察です。","render_override":null},{"id":"blk_19503487-dde1-4070-b3de-32d3c3a7454b","kind":"thematic_break","order":604,"section_id":"sec_71d97541-7ee4-426e-8210-eb8853969707","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9076248a-9c3b-49e8-8ed3-5c5e61183e0b","kind":"heading","order":605,"section_id":"sec_717c016c-0779-4ba9-83ae-9221ccf5cb31","character_id":null,"markdown":"## 年代ごとにCPU需要の高まりは、どのように変化していくか考察","render_override":null},{"id":"blk_ebf13f01-6955-4b5e-8f7a-1af8ba939922","kind":"paragraph","order":606,"section_id":"sec_717c016c-0779-4ba9-83ae-9221ccf5cb31","character_id":null,"markdown":"CPU需要の高まりは「2026〜2030年に一度かなり強くなり、その後は伸び率が鈍化しながらも、用途を変えて長く残る」と考えます。","render_override":null},{"id":"blk_f1d7c0ae-b0af-473e-9263-fe0c11194e59","kind":"paragraph","order":607,"section_id":"sec_717c016c-0779-4ba9-83ae-9221ccf5cb31","character_id":null,"markdown":"つまり、単純に、","render_override":null},{"id":"blk_2fbd3d2e-6519-461f-9757-21c9d75e2965","kind":"quote","order":608,"section_id":"sec_717c016c-0779-4ba9-83ae-9221ccf5cb31","character_id":null,"markdown":"> GPUクラウドが成熟する \n> → CPU需要が落ち着く","render_override":null},{"id":"blk_1fe1c633-0727-49cc-a7c6-cb5495c16af3","kind":"paragraph","order":609,"section_id":"sec_717c016c-0779-4ba9-83ae-9221ccf5cb31","character_id":null,"markdown":"ではなく、","render_override":null},{"id":"blk_30e3b87b-331a-4175-b074-40738c5d2955","kind":"quote","order":610,"section_id":"sec_717c016c-0779-4ba9-83ae-9221ccf5cb31","character_id":null,"markdown":"> **AIインフラ立ち上げ期はCPU需要が急増** \n> **GPUクラウド成熟期はCPU/GPU比率が最適化** \n> **AIエージェント普及期はCPUが“管制塔・接続・防衛”として再拡大** \n> **2030年代後半はエッジ/専用チップに一部移るが、クラウドCPUは残る**","render_override":null},{"id":"blk_f925dd7a-085f-4374-98c1-f5a9c15ffc90","kind":"paragraph","order":611,"section_id":"sec_717c016c-0779-4ba9-83ae-9221ccf5cb31","character_id":null,"markdown":"という流れになると思います。","render_override":null},{"id":"blk_f7853340-fcbd-4e7b-8b03-6c0bd12b85ea","kind":"thematic_break","order":612,"section_id":"sec_717c016c-0779-4ba9-83ae-9221ccf5cb31","character_id":null,"markdown":"---","render_override":null},{"id":"blk_03b8d1bd-aa15-433c-83dc-f5a068b7f633","kind":"heading","order":613,"section_id":"sec_dca1424a-440b-4d65-abf0-7bfe2a1ff9e1","character_id":null,"markdown":"## 全体像","render_override":null},{"id":"blk_76dd8059-4e67-4d42-90e6-148c2278f810","kind":"figure","order":614,"section_id":"sec_dca1424a-440b-4d65-abf0-7bfe2a1ff9e1","character_id":null,"markdown":"![](/media/96adc865716fb80174d59e29f8c38ccbee9fb0e3076e6974b5764e4f90db9ae9-content.webp)","render_override":null},{"id":"blk_ed6fc555-e512-454d-a64c-7ba511768e9a","kind":"thematic_break","order":615,"section_id":"sec_dca1424a-440b-4d65-abf0-7bfe2a1ff9e1","character_id":null,"markdown":"---","render_override":null},{"id":"blk_91387f33-38e9-443a-916d-4f8d5a0d6821","kind":"heading","order":616,"section_id":"sec_2fcdbe46-ebad-470b-b6ea-94ffa48a219c","character_id":null,"markdown":"## 2024〜2026年：CPU需要の急上昇期","render_override":null},{"id":"blk_c40ee394-fb5d-4838-b69d-e54071088028","kind":"paragraph","order":617,"section_id":"sec_2fcdbe46-ebad-470b-b6ea-94ffa48a219c","character_id":null,"markdown":"この時期は、**GPUを買えば買うほどCPUも必要になる**段階です。","render_override":null},{"id":"blk_3df53b92-ad61-4730-985d-b4cb60759d52","kind":"paragraph","order":618,"section_id":"sec_2fcdbe46-ebad-470b-b6ea-94ffa48a219c","character_id":null,"markdown":"理由は、GPUは単体ではクラウドサービスにならないからです。GPUサーバーにはホストCPUが必要で、さらにAPI、認証、課金、ログ、監視、ストレージ、ネットワーク、スケジューラを動かすCPU群も必要になります。","render_override":null},{"id":"blk_d7b510da-9b55-465d-810a-1c9408e482e0","kind":"paragraph","order":619,"section_id":"sec_2fcdbe46-ebad-470b-b6ea-94ffa48a219c","character_id":null,"markdown":"AMDは2026年第1四半期決算で、データセンター売上が前年比57%増の58億ドルになり、EPYC CPU需要とInstinct GPU出荷が牽引したと説明しています。またLisa Su CEOは、推論とagentic AIが高性能CPUとアクセラレータ需要を押し上げていると述べています。([Advanced Micro Devices, Inc.](https://ir.amd.com/news-events/press-releases/detail/1284/amd-reports-first-quarter-2026-financial-results))","render_override":null},{"id":"blk_752c9ea6-d95c-462f-9616-ca349f2572ba","kind":"paragraph","order":620,"section_id":"sec_2fcdbe46-ebad-470b-b6ea-94ffa48a219c","character_id":null,"markdown":"この段階のCPU需要はかなり素直です。","render_override":null},{"id":"blk_786be463-14d4-47e8-92fe-db8a6eed775f","kind":"code","order":621,"section_id":"sec_2fcdbe46-ebad-470b-b6ea-94ffa48a219c","character_id":null,"markdown":"```\nGPUサーバーが増える\n ↓\nホストCPUが増える\n ↓\nAI推論APIが増える\n ↓\n認証・課金・ログ・監視が増える\n ↓\nクラウド制御用CPUも増える\n```","render_override":null},{"id":"blk_09334b14-748e-4faa-ae6a-51a36e35428f","kind":"paragraph","order":622,"section_id":"sec_2fcdbe46-ebad-470b-b6ea-94ffa48a219c","character_id":null,"markdown":"つまり、2026年前後は **「GPU投資に付随するCPU需要」** が強くなります。","render_override":null},{"id":"blk_87c47786-b842-4680-9a10-42ace1754b4c","kind":"thematic_break","order":623,"section_id":"sec_2fcdbe46-ebad-470b-b6ea-94ffa48a219c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ade271e7-9006-498a-b139-4207fa0d5007","kind":"heading","order":624,"section_id":"sec_baffb438-6cd2-4b65-9f3e-9f0215b7e422","character_id":null,"markdown":"## 2027〜2030年：CPU需要はさらに強いが、選別が始まる","render_override":null},{"id":"blk_9488ea8d-520c-4f6c-8cbd-44cc4a64b658","kind":"paragraph","order":625,"section_id":"sec_baffb438-6cd2-4b65-9f3e-9f0215b7e422","character_id":null,"markdown":"この時期は、AIエージェントが増え、GPUクラウドが「ただGPUを貸す」段階から「GPUを細かく共有・管理・課金する」段階に進むと考えます。","render_override":null},{"id":"blk_49a19f21-96ad-4ce0-9230-db6b001dcaca","kind":"paragraph","order":626,"section_id":"sec_baffb438-6cd2-4b65-9f3e-9f0215b7e422","character_id":null,"markdown":"ここでCPU需要は2方向に分かれます。","render_override":null},{"id":"blk_12a8cb03-3a9f-40ce-9dcd-eb976f77e725","kind":"paragraph","order":627,"section_id":"sec_baffb438-6cd2-4b65-9f3e-9f0215b7e422","character_id":null,"markdown":"1つ目は、**AIインフラ管制用CPUの需要増**です。","render_override":null},{"id":"blk_b3a100d6-74f3-44f8-a7f8-1ecd81cc9def","kind":"paragraph","order":628,"section_id":"sec_baffb438-6cd2-4b65-9f3e-9f0215b7e422","character_id":null,"markdown":"GPUクラウドでは、トークン単位のスケジューリング、KV cache管理、prefill/decode分離、モデル配置、障害復旧、セキュリティ、課金などが必要になります。これらはGPU上の計算だけではなく、CPU側の制御・管理が重要になります。","render_override":null},{"id":"blk_e8919067-202c-4050-9f7b-c7e159738be0","kind":"paragraph","order":629,"section_id":"sec_baffb438-6cd2-4b65-9f3e-9f0215b7e422","character_id":null,"markdown":"Kubernetes 1.34では、GPUやFPGAなどの特殊デバイスをより柔軟に選択・割り当て・共有・構成するためのDynamic Resource Allocation、DRAの中核APIがGAになっています。これはGPUがクラウド上の一級リソースとして扱われる方向を示しています。([Kubernetes](https://kubernetes.io/blog/2025/09/01/kubernetes-v1-34-dra-updates/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_f4931671-3095-43b9-b09f-1c344c1821f5","kind":"paragraph","order":630,"section_id":"sec_baffb438-6cd2-4b65-9f3e-9f0215b7e422","character_id":null,"markdown":"2つ目は、**CPUの種類の選別**です。","render_override":null},{"id":"blk_c5e5a4db-2fa2-4aef-8310-6848f3e8abec","kind":"paragraph","order":631,"section_id":"sec_baffb438-6cd2-4b65-9f3e-9f0215b7e422","character_id":null,"markdown":"従来型の汎用x86 CPUだけでなく、Arm CPU、NVIDIA Grace、DPU、SmartNIC、カスタムCPUが増えます。たとえばNVIDIA GB200 NVL72は、36個のGrace CPUと72個のBlackwell GPUをラックスケールで接続する設計です。これは、AIラックが「GPUだけ」ではなく、CPUとGPUの統合システムであることを示しています。([NVIDIA](https://www.nvidia.com/en-us/data-center/gb200-nvl72/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_3dc4702d-1b46-420f-a00a-5ec3baa772b4","kind":"paragraph","order":632,"section_id":"sec_baffb438-6cd2-4b65-9f3e-9f0215b7e422","character_id":null,"markdown":"この時期の特徴は、","render_override":null},{"id":"blk_1598f5a8-4c7a-45f4-a4bf-49ba7d00ebc3","kind":"quote","order":633,"section_id":"sec_baffb438-6cd2-4b65-9f3e-9f0215b7e422","character_id":null,"markdown":"> **CPU需要は強い。ただし、勝つCPUは“GPUを動かすために最適化されたCPU”になっていく。**","render_override":null},{"id":"blk_06e4e225-c272-418a-a261-d3c5335cdeca","kind":"paragraph","order":634,"section_id":"sec_baffb438-6cd2-4b65-9f3e-9f0215b7e422","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_76b79ac5-e2dd-46c6-af1e-7de7886a65fb","kind":"paragraph","order":635,"section_id":"sec_baffb438-6cd2-4b65-9f3e-9f0215b7e422","character_id":null,"markdown":"AMD系EPYC、NVIDIA Grace、クラウド独自Arm CPU、DPU統合型の設計が伸び、古い汎用サーバーCPUは相対的に弱くなる可能性があります。","render_override":null},{"id":"blk_07d3ff85-9237-463b-aedf-cb0bdccf639f","kind":"thematic_break","order":636,"section_id":"sec_baffb438-6cd2-4b65-9f3e-9f0215b7e422","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f12da549-4fc0-4d5c-8337-75dcea0f78a0","kind":"heading","order":637,"section_id":"sec_67c7d199-a2f4-4058-b6a0-18b296e20e76","character_id":null,"markdown":"## 2030〜2035年：伸び率は鈍るが、絶対需要は高止まり","render_override":null},{"id":"blk_32bc6618-ce98-4b8f-8544-b4d74e9bb4ff","kind":"paragraph","order":638,"section_id":"sec_67c7d199-a2f4-4058-b6a0-18b296e20e76","character_id":null,"markdown":"2030年前後には、GPUクラウドがかなり成熟してくると思います。","render_override":null},{"id":"blk_2b775f1d-8d07-499d-b658-36a04bfece33","kind":"paragraph","order":639,"section_id":"sec_67c7d199-a2f4-4058-b6a0-18b296e20e76","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_07dbb89b-dab3-4a58-bdf0-9b0aa7cf827d","kind":"list","order":640,"section_id":"sec_67c7d199-a2f4-4058-b6a0-18b296e20e76","character_id":null,"markdown":"- GPU利用率が改善する\n- 1リクエストあたりのGPUコストが下がる\n- KV cache管理が洗練される\n- prefill/decode分離が一般化する\n- GPUクラスタのスケジューリングが高度化する\n- マルチテナントGPUが普及する","render_override":null},{"id":"blk_4299212f-3d0c-42f0-ac2e-88a16103c8e4","kind":"paragraph","order":641,"section_id":"sec_67c7d199-a2f4-4058-b6a0-18b296e20e76","character_id":null,"markdown":"という方向です。","render_override":null},{"id":"blk_407adcef-f10b-4b3f-ad17-78e5d327c22f","kind":"paragraph","order":642,"section_id":"sec_67c7d199-a2f4-4058-b6a0-18b296e20e76","character_id":null,"markdown":"この結果、**同じAI処理量に必要なCPU/GPUサーバー台数は減る**可能性があります。 \nつまり、CPU需要の伸び率は一度鈍化しやすいです。","render_override":null},{"id":"blk_f2bb05b8-e146-4560-be1f-7a252f121235","kind":"paragraph","order":643,"section_id":"sec_67c7d199-a2f4-4058-b6a0-18b296e20e76","character_id":null,"markdown":"しかし、ここで重要なのがジェボンズのパラドックスです。","render_override":null},{"id":"blk_883ba18c-c036-45b4-9d0a-46162deb7db5","kind":"paragraph","order":644,"section_id":"sec_67c7d199-a2f4-4058-b6a0-18b296e20e76","character_id":null,"markdown":"AI推論が安くなると、AIエージェントはもっと大量に使われます。","render_override":null},{"id":"blk_38bc6cd5-7e9f-4086-affd-bb5f5f70a091","kind":"code","order":645,"section_id":"sec_67c7d199-a2f4-4058-b6a0-18b296e20e76","character_id":null,"markdown":"```\nGPUクラウド成熟\n ↓\n推論コスト低下\n ↓\nAIエージェント利用増加\n ↓\nAPI・DB・認証・ログ・監査・課金が増える\n ↓\nCPU需要は高止まり\n```","render_override":null},{"id":"blk_13b51d10-9987-4210-bb19-36f5f0d776c8","kind":"paragraph","order":646,"section_id":"sec_67c7d199-a2f4-4058-b6a0-18b296e20e76","character_id":null,"markdown":"つまり、2030〜2035年は、","render_override":null},{"id":"blk_91570477-fd67-4100-85f2-1da5b50390c1","kind":"quote","order":647,"section_id":"sec_67c7d199-a2f4-4058-b6a0-18b296e20e76","character_id":null,"markdown":"> **1処理あたりのCPU必要量は減るが、処理総量が増えすぎて、CPU需要は高止まりする**","render_override":null},{"id":"blk_3c3cf10f-9510-442c-9f53-fc054183c392","kind":"paragraph","order":648,"section_id":"sec_67c7d199-a2f4-4058-b6a0-18b296e20e76","character_id":null,"markdown":"という可能性が高いです。","render_override":null},{"id":"blk_6d36f132-fde9-495c-b963-e6757e3e7050","kind":"paragraph","order":649,"section_id":"sec_67c7d199-a2f4-4058-b6a0-18b296e20e76","character_id":null,"markdown":"この時期のCPU需要は、単なるWebサーバーCPUではなく、","render_override":null},{"id":"blk_b47ca922-940f-4fee-9224-a0a7ed4bc4dd","kind":"list","order":650,"section_id":"sec_67c7d199-a2f4-4058-b6a0-18b296e20e76","character_id":null,"markdown":"- エージェント管理CPU\n- 認証/権限管理CPU\n- セキュリティ監査CPU\n- データベースCPU\n- ストレージ制御CPU\n- ネットワーク制御CPU\n- GPUクラスタ管理CPU\n- RAG/検索/embedding前後処理CPU","render_override":null},{"id":"blk_67aa2390-8974-4ab8-b63b-d9a8913af436","kind":"paragraph","order":651,"section_id":"sec_67c7d199-a2f4-4058-b6a0-18b296e20e76","character_id":null,"markdown":"へ寄っていきます。","render_override":null},{"id":"blk_dae92a2f-989e-41bc-9c69-fb52928bab3b","kind":"thematic_break","order":652,"section_id":"sec_67c7d199-a2f4-4058-b6a0-18b296e20e76","character_id":null,"markdown":"---","render_override":null},{"id":"blk_73daa757-6319-44dd-a158-77aae2be7a05","kind":"heading","order":653,"section_id":"sec_59a30840-3f80-46be-aa94-9d9cd7331f4b","character_id":null,"markdown":"## 2035〜2040年：汎用CPU需要は落ち着くが、制御CPUは残る","render_override":null},{"id":"blk_e6546c03-0386-4ecf-a8a0-640121a5fefa","kind":"paragraph","order":654,"section_id":"sec_59a30840-3f80-46be-aa94-9d9cd7331f4b","character_id":null,"markdown":"2035年以降になると、AI処理の多くはさらに専用化されると思います。","render_override":null},{"id":"blk_c0ea0435-e9c3-4b30-8250-f0be7f4d601d","kind":"paragraph","order":655,"section_id":"sec_59a30840-3f80-46be-aa94-9d9cd7331f4b","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_069fff38-4c14-4f5a-b02e-f82ade30d9d8","kind":"list","order":656,"section_id":"sec_59a30840-3f80-46be-aa94-9d9cd7331f4b","character_id":null,"markdown":"- 推論専用ASIC\n- エッジNPU\n- ロボット用VLAチップ\n- 車載AI SoC\n- DPU/SmartNIC\n- メモリ近傍計算\n- 光インターコネクト\n- 専用KV cacheアクセラレータ","render_override":null},{"id":"blk_4f34e080-eb20-4a4f-806f-e56161d3ceae","kind":"paragraph","order":657,"section_id":"sec_59a30840-3f80-46be-aa94-9d9cd7331f4b","character_id":null,"markdown":"のようなものが普及していく可能性があります。","render_override":null},{"id":"blk_2ef0e71a-2131-43c6-aeaf-947d3616f8ce","kind":"paragraph","order":658,"section_id":"sec_59a30840-3f80-46be-aa94-9d9cd7331f4b","character_id":null,"markdown":"この場合、**CPUが直接AI計算をする需要**は相対的に弱くなります。 \nしかし、CPUが不要になるわけではありません。","render_override":null},{"id":"blk_f0c3ffde-fcf0-45ad-962a-477959462420","kind":"paragraph","order":659,"section_id":"sec_59a30840-3f80-46be-aa94-9d9cd7331f4b","character_id":null,"markdown":"CPUは以下の仕事を残します。","render_override":null},{"id":"blk_9888ea43-595c-4350-8d3b-b8b8d11ca8c7","kind":"code","order":660,"section_id":"sec_59a30840-3f80-46be-aa94-9d9cd7331f4b","character_id":null,"markdown":"```\nOSを動かす\n権限を管理する\n外部APIを呼ぶ\nエージェントの状態を管理する\nログを保存する\n異常を検知する\n安全停止を判断する\n人間の承認フローと接続する\n```","render_override":null},{"id":"blk_8b063cf4-285e-42d3-bb30-ab97c790526e","kind":"paragraph","order":661,"section_id":"sec_59a30840-3f80-46be-aa94-9d9cd7331f4b","character_id":null,"markdown":"特にフィジカルAI、ロボット、工場、自動運転では、GPU/NPUが知覚や推論を担っても、**CPU/MCU/リアルタイム制御系**は残ります。","render_override":null},{"id":"blk_5afb109a-83b6-4159-89d3-9177b306362c","kind":"paragraph","order":662,"section_id":"sec_59a30840-3f80-46be-aa94-9d9cd7331f4b","character_id":null,"markdown":"この時期は、","render_override":null},{"id":"blk_0be4ee00-9fb6-46df-bda8-1b550622aa71","kind":"quote","order":663,"section_id":"sec_59a30840-3f80-46be-aa94-9d9cd7331f4b","character_id":null,"markdown":"> **AI計算のCPU需要は下がるが、AI社会の制御・安全・接続のCPU需要は残る**","render_override":null},{"id":"blk_5250330f-ba9a-4396-b7b5-a332528b9427","kind":"paragraph","order":664,"section_id":"sec_59a30840-3f80-46be-aa94-9d9cd7331f4b","character_id":null,"markdown":"という形です。","render_override":null},{"id":"blk_db48adb0-08b2-496d-84b3-903d31500649","kind":"thematic_break","order":665,"section_id":"sec_59a30840-3f80-46be-aa94-9d9cd7331f4b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_92ae7b82-d2fa-463a-b79f-b42742c485e3","kind":"heading","order":666,"section_id":"sec_a320c16a-5217-4ad8-bd82-b92c37726651","character_id":null,"markdown":"## 2040年以降：CPUというより「異種計算の司令塔」になる","render_override":null},{"id":"blk_38f8e2fb-b79a-4a2a-b059-4fd34dec55b1","kind":"paragraph","order":667,"section_id":"sec_a320c16a-5217-4ad8-bd82-b92c37726651","character_id":null,"markdown":"2040年以降は、CPU需要という言い方自体が少し古くなる可能性があります。","render_override":null},{"id":"blk_bb5434df-cc19-4937-a611-9e5933d901ca","kind":"paragraph","order":668,"section_id":"sec_a320c16a-5217-4ad8-bd82-b92c37726651","character_id":null,"markdown":"つまり、チップやラックは、","render_override":null},{"id":"blk_ae5d4051-d053-4ba8-8622-43b7b0e66866","kind":"code","order":669,"section_id":"sec_a320c16a-5217-4ad8-bd82-b92c37726651","character_id":null,"markdown":"```\nCPU + GPU + NPU + DPU + HBM + CXL memory + optical network\n```","render_override":null},{"id":"blk_7e7fa4be-f875-4f86-a97e-dec5508a0156","kind":"paragraph","order":670,"section_id":"sec_a320c16a-5217-4ad8-bd82-b92c37726651","character_id":null,"markdown":"のような統合システムになっていきます。","render_override":null},{"id":"blk_fc79fcdd-b9da-4234-acb5-dcfb867428d1","kind":"paragraph","order":671,"section_id":"sec_a320c16a-5217-4ad8-bd82-b92c37726651","character_id":null,"markdown":"この場合、CPU単体の需要を見るより、","render_override":null},{"id":"blk_eae7b765-8241-4eca-bf78-e3a8c29cd26d","kind":"quote","order":672,"section_id":"sec_a320c16a-5217-4ad8-bd82-b92c37726651","character_id":null,"markdown":"> **AIラック全体の中で、CPU的な制御コアがどれだけ必要か**","render_override":null},{"id":"blk_661e1750-a4f5-40de-ad93-9fa58748c3cf","kind":"paragraph","order":673,"section_id":"sec_a320c16a-5217-4ad8-bd82-b92c37726651","character_id":null,"markdown":"を見る方が重要になります。","render_override":null},{"id":"blk_d095232f-bdf3-45a5-a9cb-d1669dfdb453","kind":"paragraph","order":674,"section_id":"sec_a320c16a-5217-4ad8-bd82-b92c37726651","character_id":null,"markdown":"CPUは主役の計算装置というより、","render_override":null},{"id":"blk_90da8149-bcb7-4e46-8889-a753c2d08d4c","kind":"list","order":675,"section_id":"sec_a320c16a-5217-4ad8-bd82-b92c37726651","character_id":null,"markdown":"- OS\n- 制御\n- 分岐\n- セキュリティ\n- I/O\n- 権限\n- 障害復旧\n- 人間/企業システムとの接続","render_override":null},{"id":"blk_4aa50aca-c0cd-48a3-99a4-8a46daaecff7","kind":"paragraph","order":676,"section_id":"sec_a320c16a-5217-4ad8-bd82-b92c37726651","character_id":null,"markdown":"を担う「神経系」になります。","render_override":null},{"id":"blk_cfae9f4c-c2b8-4269-8434-a893ec4ab127","kind":"paragraph","order":677,"section_id":"sec_a320c16a-5217-4ad8-bd82-b92c37726651","character_id":null,"markdown":"GPU/NPUが筋肉、HBMが短期記憶、SSDが長期倉庫、ネットワークが血管なら、CPUはまだかなり長く「脳幹・管制塔」として残ると思います。","render_override":null},{"id":"blk_eb401857-0760-442d-8aa6-336242ad640f","kind":"thematic_break","order":678,"section_id":"sec_a320c16a-5217-4ad8-bd82-b92c37726651","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f63466d6-d295-4556-9b47-f27fb4e74e27","kind":"heading","order":679,"section_id":"sec_7627ce8f-acd4-4fdb-b993-42c1809a78a7","character_id":null,"markdown":"## CPU需要のピークはいつか","render_override":null},{"id":"blk_e901abce-30d2-4b9a-a806-834280e11e62","kind":"paragraph","order":680,"section_id":"sec_7627ce8f-acd4-4fdb-b993-42c1809a78a7","character_id":null,"markdown":"私の考察では、**伸び率のピークは2027〜2030年**だと思います。","render_override":null},{"id":"blk_dbd895b3-bdcd-4679-9a9b-3e32cbd4e3c6","kind":"paragraph","order":681,"section_id":"sec_7627ce8f-acd4-4fdb-b993-42c1809a78a7","character_id":null,"markdown":"理由は、この時期に以下が重なるからです。","render_override":null},{"id":"blk_54e6e83e-2971-40b5-a11c-74e5bbc8024f","kind":"list","order":682,"section_id":"sec_7627ce8f-acd4-4fdb-b993-42c1809a78a7","character_id":null,"markdown":"- AIデータセンター建設\n- GPUクラウド成熟前の非効率\n- AIエージェントの普及初期\n- 推論需要の爆発\n- 企業AI導入\n- sovereign AI\n- GPUホストCPU需要\n- クラウド制御CPU需要\n- Arm/EPYC/Grace/カスタムCPUの競争","render_override":null},{"id":"blk_40413238-e7df-40a6-821c-1bacc6ffb37d","kind":"paragraph","order":683,"section_id":"sec_7627ce8f-acd4-4fdb-b993-42c1809a78a7","character_id":null,"markdown":"AMDは2026年時点で、サーバーCPU市場が2030年まで年率35%超で成長し、1200億ドル超に達するとの見通しを示したと報じられています。これは、少なくとも市場側が2030年までのCPU需要増をかなり強く織り込み始めていることを示します。([Reuters](https://www.reuters.com/business/amd-forecast-sparks-aidriven-rally-us-chipmaker-stocks-2026-05-06/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_31fd218a-324b-4af6-b6aa-6113a708e796","kind":"paragraph","order":684,"section_id":"sec_7627ce8f-acd4-4fdb-b993-42c1809a78a7","character_id":null,"markdown":"ただし、**絶対額のピーク**はもっと後になる可能性があります。 \n伸び率は2030年前後に鈍っても、AI利用量が増え続ければ、2030年代前半もCPU需要の絶対額は高いまま残ると思います。","render_override":null},{"id":"blk_b733e1c5-c63d-4754-97ef-d2d48a69d47a","kind":"thematic_break","order":685,"section_id":"sec_7627ce8f-acd4-4fdb-b993-42c1809a78a7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_64857da3-638d-41d5-8d26-0f071cc15558","kind":"heading","order":686,"section_id":"sec_e6e56e59-6967-419c-b172-676a3a8ab50d","character_id":null,"markdown":"## 需要が強いCPU、弱くなるCPU","render_override":null},{"id":"blk_ff941a2f-dbfe-4bf7-93c3-a0fbca90d9f7","kind":"paragraph","order":687,"section_id":"sec_e6e56e59-6967-419c-b172-676a3a8ab50d","character_id":null,"markdown":"今後は「CPU全体が伸びる」ではなく、かなり選別されます。","render_override":null},{"id":"blk_9f76dfe9-12d7-4a3e-b9f6-f7ffd335e956","kind":"heading","order":688,"section_id":"sec_4570d86b-5552-49c2-ad6b-b898a50cf219","character_id":null,"markdown":"## 強いCPU","render_override":null},{"id":"blk_eb214776-118f-4967-9ea2-ed5d98af0824","kind":"figure","order":689,"section_id":"sec_4570d86b-5552-49c2-ad6b-b898a50cf219","character_id":null,"markdown":"![](/media/11be37cda1f013175ad1e2b211bf4d6d392bd42d1430f63bfd688d5aeea0b5b1-content.webp)","render_override":null},{"id":"blk_2012d040-a3e4-4e9b-a1bc-96173181b083","kind":"heading","order":690,"section_id":"sec_46b97d3e-ea91-4a8f-96ec-e226d1f48527","character_id":null,"markdown":"## 弱くなるCPU","render_override":null},{"id":"blk_17711657-5a85-4615-a3f1-05f67e1c3b57","kind":"figure","order":691,"section_id":"sec_46b97d3e-ea91-4a8f-96ec-e226d1f48527","character_id":null,"markdown":"![](/media/56c3df0fb84903ea488b38d3205a24d613da1385fe58c9576c907d103f6ef64e-content.webp)","render_override":null},{"id":"blk_bf5627df-ae83-4b13-be5f-1858eeebd643","kind":"thematic_break","order":692,"section_id":"sec_46b97d3e-ea91-4a8f-96ec-e226d1f48527","character_id":null,"markdown":"---","render_override":null},{"id":"blk_043d9df1-c2f2-4996-bb93-df7a688f807b","kind":"heading","order":693,"section_id":"sec_d2e0b6e3-e6ee-4ed5-b94a-2aeff971584a","character_id":null,"markdown":"## 最終的な年代別シナリオ","render_override":null},{"id":"blk_e8552278-3e19-481c-8b35-83673daa064a","kind":"code","order":694,"section_id":"sec_d2e0b6e3-e6ee-4ed5-b94a-2aeff971584a","character_id":null,"markdown":"```\n2024〜2026年\nCPU需要は急増。\nGPU投資に付随して、ホストCPU・クラウド制御CPUが増える。\n\n2027〜2030年\n伸び率のピーク。\nAIエージェント、推論爆発、GPUクラウドOS化でCPU需要は非常に強い。\nただし、EPYC、Grace、Arm、DPUなどに選別が進む。\n\n2030〜2035年\nGPUクラウド成熟で1処理あたりのCPU必要量は下がる。\nしかしAI利用量が増え、CPU需要は高止まり。\nCPUは推論本体ではなく、管制塔・認証・DB・監査・接続に寄る。\n\n2035〜2040年\n汎用CPU需要の伸びは落ち着く。\n一部はNPU、ASIC、DPU、エッジAIに移る。\nただし制御・安全・セキュリティ・外部接続のCPUは残る。\n\n2040年以降\nCPU単体の時代ではなく、CPU+GPU+NPU+DPUの異種計算システムへ。\nCPUは“主役”ではなく“神経系・制御系”として残る。\n```","render_override":null},{"id":"blk_dddcf446-c533-47c2-ae58-87d5f8fc562e","kind":"thematic_break","order":695,"section_id":"sec_d2e0b6e3-e6ee-4ed5-b94a-2aeff971584a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_3a3a3cad-c362-43f0-b9a0-797716360299","kind":"heading","order":696,"section_id":"sec_ffdc9937-2285-4e5b-89d4-18d96e67d197","character_id":null,"markdown":"## まとめ","render_override":null},{"id":"blk_cff86aaa-a595-4fef-9f13-7b930639430b","kind":"paragraph","order":697,"section_id":"sec_ffdc9937-2285-4e5b-89d4-18d96e67d197","character_id":null,"markdown":"CPU需要の高まりは、**2027〜2030年ごろに最も強く見えやすい**と思います。 \nその後、GPUクラウドの成熟によって、1単位のAI処理に必要なCPU量は下がります。","render_override":null},{"id":"blk_ef879220-3599-425e-8e59-b69bfc12b5ba","kind":"paragraph","order":698,"section_id":"sec_ffdc9937-2285-4e5b-89d4-18d96e67d197","character_id":null,"markdown":"しかし、AIエージェント、企業AI、フィジカルAI、ロボティクス、セキュリティ、監査、DB、API連携が増えるため、CPU需要そのものはすぐには消えません。","render_override":null},{"id":"blk_c30d151e-7d93-4c4e-a6c5-78d1d993c163","kind":"paragraph","order":699,"section_id":"sec_ffdc9937-2285-4e5b-89d4-18d96e67d197","character_id":null,"markdown":"一番重要なのは、","render_override":null},{"id":"blk_de1172ec-0284-4c98-961e-1391d51d11db","kind":"quote","order":700,"section_id":"sec_ffdc9937-2285-4e5b-89d4-18d96e67d197","character_id":null,"markdown":"> **CPUはAI計算の主役から、AIクラウドの管制塔へ変わる。**","render_override":null},{"id":"blk_edf9a1d5-3bb7-4b72-a335-38d2d8db00bf","kind":"paragraph","order":701,"section_id":"sec_ffdc9937-2285-4e5b-89d4-18d96e67d197","character_id":null,"markdown":"という点です。","render_override":null},{"id":"blk_f21ce205-23ee-421b-8bad-a2e2c62f3042","kind":"paragraph","order":702,"section_id":"sec_ffdc9937-2285-4e5b-89d4-18d96e67d197","character_id":null,"markdown":"だから今後のCPU需要は、単なる「PCや普通のサーバーCPU」ではなく、 \n**GPUを使い切るためのCPU、AIエージェントを管理するCPU、セキュリティと接続を担うCPU**に変わっていくと考えられます。","render_override":null},{"id":"blk_277f5bf9-c4e9-46ad-b5e8-ba4c8e6873d7","kind":"thematic_break","order":703,"section_id":"sec_ffdc9937-2285-4e5b-89d4-18d96e67d197","character_id":null,"markdown":"---","render_override":null},{"id":"blk_784008f6-ba3d-42f0-b593-56838cd5cb74","kind":"paragraph","order":704,"section_id":"sec_ffdc9937-2285-4e5b-89d4-18d96e67d197","character_id":null,"markdown":"はい、**LPUクラウドもTPUクラウドも可能**です。 \nただし、性格はかなり違います。","render_override":null},{"id":"blk_5209e5bd-8967-44a2-ad4f-7bc595cd6a53","kind":"paragraph","order":705,"section_id":"sec_ffdc9937-2285-4e5b-89d4-18d96e67d197","character_id":null,"markdown":"結論を先に言うと、","render_override":null},{"id":"blk_56ce4246-6277-4a6e-b1e9-77d4cd8fd5eb","kind":"quote","order":706,"section_id":"sec_ffdc9937-2285-4e5b-89d4-18d96e67d197","character_id":null,"markdown":"> **TPUクラウド：すでに本格実用されている。学習・推論どちらも可能。** \n> **LPUクラウド：すでに推論クラウドとして実用化されている。ただしGPU/TPUより用途は狭く、主に超低遅延LLM推論向け。** \n> **GPUクラウド：最も汎用性が高く、学習・推論・画像・動画・HPCまで幅広い。**","render_override":null},{"id":"blk_9b1fc3e7-e9e5-42ff-a021-021f2949787c","kind":"paragraph","order":707,"section_id":"sec_ffdc9937-2285-4e5b-89d4-18d96e67d197","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_0c8c858c-e673-476e-8046-ba295f992212","kind":"thematic_break","order":708,"section_id":"sec_ffdc9937-2285-4e5b-89d4-18d96e67d197","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ba7acb6a-0fe9-4402-909f-f4fc430b7635","kind":"heading","order":709,"section_id":"sec_6a203950-b095-4a50-a353-623e18b4eae5","character_id":null,"markdown":"## \\1. TPUクラウドは可能か？","render_override":null},{"id":"blk_8596756d-2c0d-4bda-a847-4a306928042d","kind":"paragraph","order":710,"section_id":"sec_6a203950-b095-4a50-a353-623e18b4eae5","character_id":null,"markdown":"**可能です。というより、すでに存在します。**","render_override":null},{"id":"blk_bb377dc3-dbe7-46b2-9718-9df6c27a36dd","kind":"paragraph","order":711,"section_id":"sec_6a203950-b095-4a50-a353-623e18b4eae5","character_id":null,"markdown":"Google Cloudの **Cloud TPU** がそれです。Google公式ドキュメントでは、Cloud TPUはGoogleが開発した機械学習向けASICで、Google Cloud上でスケーラブルな計算資源として利用できるWebサービスだと説明されています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/intro-to-tpu?utm_source=chatgpt.com))","render_override":null},{"id":"blk_7798eb2d-44f5-4f28-81f1-647ca25144a8","kind":"paragraph","order":712,"section_id":"sec_6a203950-b095-4a50-a353-623e18b4eae5","character_id":null,"markdown":"TPUは **Tensor Processing Unit** の略で、主にAIのテンソル計算、つまり行列演算に特化したチップです。","render_override":null},{"id":"blk_95afde09-ad84-43fb-9379-50351270a541","kind":"paragraph","order":713,"section_id":"sec_6a203950-b095-4a50-a353-623e18b4eae5","character_id":null,"markdown":"GPUが比較的汎用的な並列計算装置だとすると、TPUはよりAIモデル向けに設計された専用アクセラレータです。","render_override":null},{"id":"blk_a009c655-5dc9-4e51-b28b-6c4dde89704c","kind":"thematic_break","order":714,"section_id":"sec_6a203950-b095-4a50-a353-623e18b4eae5","character_id":null,"markdown":"---","render_override":null},{"id":"blk_075f9007-848a-45ae-9192-dd7e1e914bd4","kind":"heading","order":715,"section_id":"sec_56739c37-b595-4789-84f9-79ef964cef67","character_id":null,"markdown":"## \\2. TPUクラウドで何ができるか","render_override":null},{"id":"blk_6a3426df-e7bd-477c-89ae-2c438e615e14","kind":"paragraph","order":716,"section_id":"sec_56739c37-b595-4789-84f9-79ef964cef67","character_id":null,"markdown":"TPUクラウドでは主に以下ができます。","render_override":null},{"id":"blk_38a5335a-28fc-47c6-aad4-7a7f0f626486","kind":"paragraph","order":717,"section_id":"sec_56739c37-b595-4789-84f9-79ef964cef67","character_id":null,"markdown":"用途TPUクラウドで可能かLLM学習可能LLM推論可能ファインチューニング可能画像生成モデル可能CNN/推薦モデル可能大規模分散学習可能JAX/TensorFlow系ワークロード得意CUDA前提のGPUアプリ苦手","render_override":null},{"id":"blk_7bbdc222-1a14-4f10-9d0e-07903caf6caa","kind":"paragraph","order":718,"section_id":"sec_56739c37-b595-4789-84f9-79ef964cef67","character_id":null,"markdown":"たとえばGoogle Cloud TPU v6e、つまりTrilliumは、Transformer、text-to-image、CNNの学習・ファインチューニング・サービングに最適化されていると説明されています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/v6e?utm_source=chatgpt.com))","render_override":null},{"id":"blk_34b74240-dd86-443e-8e40-5d6a7b36a623","kind":"paragraph","order":719,"section_id":"sec_56739c37-b595-4789-84f9-79ef964cef67","character_id":null,"markdown":"また、Cloud TPU v5pでは非常に大規模なPod構成があり、Google公式ドキュメントではv5p Podが8960チップ構成で、最大6144チップのジョブをスケジュールできると説明されています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/v5p?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e7263bc6-fe6e-4a63-b2bd-0462f15fa0f6","kind":"paragraph","order":720,"section_id":"sec_56739c37-b595-4789-84f9-79ef964cef67","character_id":null,"markdown":"つまりTPUクラウドは、単なる「小さいAI推論用」ではなく、**巨大AIモデルの学習・推論を行うクラウド基盤**です。","render_override":null},{"id":"blk_255fdd20-0504-42cf-8afa-d4b3f63a1aa0","kind":"thematic_break","order":721,"section_id":"sec_56739c37-b595-4789-84f9-79ef964cef67","character_id":null,"markdown":"---","render_override":null},{"id":"blk_947b458f-46e2-4907-95c5-805347b02d50","kind":"heading","order":722,"section_id":"sec_970e7fb7-ea92-43a6-8c03-72b3f0fb8123","character_id":null,"markdown":"## \\3. TPUクラウドの強み","render_override":null},{"id":"blk_e1ac273a-771f-492d-a638-0dfb24e13fc4","kind":"paragraph","order":723,"section_id":"sec_970e7fb7-ea92-43a6-8c03-72b3f0fb8123","character_id":null,"markdown":"TPUクラウドの強みは、Googleがハードウェア、ソフトウェア、ネットワーク、コンパイラ、クラウド基盤を一体で設計していることです。","render_override":null},{"id":"blk_54d7cfd8-a6bf-4971-91ad-86b3cb67e2ae","kind":"paragraph","order":724,"section_id":"sec_970e7fb7-ea92-43a6-8c03-72b3f0fb8123","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_c3cc033e-eac2-49a3-a0a6-d905f12dc5c2","kind":"code","order":725,"section_id":"sec_970e7fb7-ea92-43a6-8c03-72b3f0fb8123","character_id":null,"markdown":"```\nTPUチップ\n ↓\nTPU Pod\n ↓\n高速ネットワーク\n ↓\nXLA / JAX / TensorFlow / PyTorch/XLA\n ↓\nGoogle Cloud\n ↓\nGemini系モデルや外部顧客のAIワークロード\n```","render_override":null},{"id":"blk_5608e7fd-dda7-47ce-a3c3-2a0d5108f184","kind":"paragraph","order":726,"section_id":"sec_970e7fb7-ea92-43a6-8c03-72b3f0fb8123","character_id":null,"markdown":"という一体設計です。","render_override":null},{"id":"blk_afa49da7-6761-453f-bb5a-6827e9a0017c","kind":"paragraph","order":727,"section_id":"sec_970e7fb7-ea92-43a6-8c03-72b3f0fb8123","character_id":null,"markdown":"GPUクラウドは多くの企業がNVIDIA GPUを買って作れます。 \n一方、TPUクラウドはGoogleの垂直統合色が強いです。","render_override":null},{"id":"blk_5dd5f28b-4d93-428c-863a-3a3812e5a402","kind":"paragraph","order":728,"section_id":"sec_970e7fb7-ea92-43a6-8c03-72b3f0fb8123","character_id":null,"markdown":"そのためTPUクラウドは、","render_override":null},{"id":"blk_82fccdae-c21b-4365-ab7f-76e8858c4728","kind":"list","order":729,"section_id":"sec_970e7fb7-ea92-43a6-8c03-72b3f0fb8123","character_id":null,"markdown":"- Google Cloud上では強い\n- GoogleのAI基盤との相性が良い\n- 大規模分散学習に強い\n- 電力効率を最適化しやすい\n- ただしNVIDIA CUDAエコシステムほど汎用ではない","render_override":null},{"id":"blk_5cd723bc-f752-45f8-9e4f-e38b0949ac46","kind":"paragraph","order":730,"section_id":"sec_970e7fb7-ea92-43a6-8c03-72b3f0fb8123","character_id":null,"markdown":"という特徴があります。","render_override":null},{"id":"blk_de751ecd-80f1-4a7c-aff2-ce44800df18c","kind":"thematic_break","order":731,"section_id":"sec_970e7fb7-ea92-43a6-8c03-72b3f0fb8123","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ff1091fe-dfde-4dc1-8e29-ef17c8c1c929","kind":"heading","order":732,"section_id":"sec_45280871-ea21-4d3c-99e6-94cb0ec44aff","character_id":null,"markdown":"## \\4. LPUクラウドは可能か？","render_override":null},{"id":"blk_248eb7da-8bbc-4f24-bab0-2868abf85f58","kind":"paragraph","order":733,"section_id":"sec_45280871-ea21-4d3c-99e6-94cb0ec44aff","character_id":null,"markdown":"**可能です。こちらもすでに実用化されています。**","render_override":null},{"id":"blk_2fe68ad3-693d-440c-a7c7-03009330231f","kind":"paragraph","order":734,"section_id":"sec_45280871-ea21-4d3c-99e6-94cb0ec44aff","character_id":null,"markdown":"代表例が **GroqCloud** です。GroqはLPU、Language Processing Unitを使ったAI推論クラウドを提供しており、GroqCloudは高速LLM推論、OpenAI互換API、スケーラブルな推論基盤として説明されています。([GroqCloud](https://console.groq.com/docs/overview?utm_source=chatgpt.com))","render_override":null},{"id":"blk_754875f2-623d-4758-94ce-ec4843c896b0","kind":"paragraph","order":735,"section_id":"sec_45280871-ea21-4d3c-99e6-94cb0ec44aff","character_id":null,"markdown":"Groqの公式ページでも、GroqCloudは開発者向けのAI推論プラットフォームで、public、private、co-cloud構成で提供可能とされています。([Groq](https://groq.com/groqcloud?utm_source=chatgpt.com))","render_override":null},{"id":"blk_23d4a2bb-0eef-4395-b09c-c580883b52d4","kind":"paragraph","order":736,"section_id":"sec_45280871-ea21-4d3c-99e6-94cb0ec44aff","character_id":null,"markdown":"つまり、**LPUクラウドはすでに存在します。**","render_override":null},{"id":"blk_2698159f-f5a7-41ff-8f62-ce197eb3a40e","kind":"paragraph","order":737,"section_id":"sec_45280871-ea21-4d3c-99e6-94cb0ec44aff","character_id":null,"markdown":"ただし、TPUクラウドやGPUクラウドとは用途がかなり違います。","render_override":null},{"id":"blk_d6320c4f-41f3-4864-a199-ca5f09696c6b","kind":"thematic_break","order":738,"section_id":"sec_45280871-ea21-4d3c-99e6-94cb0ec44aff","character_id":null,"markdown":"---","render_override":null},{"id":"blk_687bc017-a3d2-433c-8ca8-9d54b4ef3a94","kind":"heading","order":739,"section_id":"sec_17d19a96-2685-4011-8824-dfda4605ffd2","character_id":null,"markdown":"## \\5. LPUとは何か","render_override":null},{"id":"blk_29fec858-7c63-4a87-a6f7-2240aac86e04","kind":"paragraph","order":740,"section_id":"sec_17d19a96-2685-4011-8824-dfda4605ffd2","character_id":null,"markdown":"LPUは、ざっくり言うと **LLM推論、特にトークン生成を高速・低遅延・予測可能に行うための専用チップ**です。","render_override":null},{"id":"blk_986b66d1-3d23-4672-b260-c3d60246e068","kind":"paragraph","order":741,"section_id":"sec_17d19a96-2685-4011-8824-dfda4605ffd2","character_id":null,"markdown":"GroqはLPUについて、コンパイラとソフトウェア定義のアーキテクチャ、単一コア設計、オンチップSRAM、連続的なトークンベース実行により、予測可能な性能を出す設計だと説明しています。([Groq](https://groq.com/lpu-architecture?utm_source=chatgpt.com))","render_override":null},{"id":"blk_c777f357-8de3-47e3-8207-be009070f4b9","kind":"paragraph","order":742,"section_id":"sec_17d19a96-2685-4011-8824-dfda4605ffd2","character_id":null,"markdown":"普通のGPUは大量の汎用並列計算に強いですが、LLM推論では、","render_override":null},{"id":"blk_43420159-617a-4ac7-b57a-9d70e7e52a08","kind":"list","order":743,"section_id":"sec_17d19a96-2685-4011-8824-dfda4605ffd2","character_id":null,"markdown":"- 1トークンずつ出す\n- 遅延が重要\n- バッチが小さいことも多い\n- メモリ待ちが問題になる\n- 安定した応答速度が重要","render_override":null},{"id":"blk_a62507cd-9f8d-4e91-9bed-9b5d7b6e55cb","kind":"paragraph","order":744,"section_id":"sec_17d19a96-2685-4011-8824-dfda4605ffd2","character_id":null,"markdown":"という特徴があります。","render_override":null},{"id":"blk_60ccf87f-9fac-40f5-a04f-a3a6c0147d28","kind":"paragraph","order":745,"section_id":"sec_17d19a96-2685-4011-8824-dfda4605ffd2","character_id":null,"markdown":"LPUはそこにかなり特化しています。","render_override":null},{"id":"blk_aa061e41-a510-4a28-b4d6-c04ab83f53eb","kind":"thematic_break","order":746,"section_id":"sec_17d19a96-2685-4011-8824-dfda4605ffd2","character_id":null,"markdown":"---","render_override":null},{"id":"blk_29ac92e7-7a99-4a26-8f1e-722c977cf071","kind":"heading","order":747,"section_id":"sec_d0aef33e-d23a-416c-875c-f996b91b97c2","character_id":null,"markdown":"## \\6. LPUクラウドで何ができるか","render_override":null},{"id":"blk_430dfa20-bb5a-4df7-a168-985acced1e04","kind":"paragraph","order":748,"section_id":"sec_d0aef33e-d23a-416c-875c-f996b91b97c2","character_id":null,"markdown":"LPUクラウドで特に向いているのは、以下です。","render_override":null},{"id":"blk_1214813e-0163-4061-a060-e6d3b763c604","kind":"paragraph","order":749,"section_id":"sec_d0aef33e-d23a-416c-875c-f996b91b97c2","character_id":null,"markdown":"用途LPUクラウドとの相性LLMリアルタイム推論非常に良いチャットAI良い音声対話AI良い低遅延エージェント良いコーディング補助良いAPI型LLM推論良い大規模学習基本的に不向き画像生成・動画生成GPUほど汎用ではない任意のCUDAアプリ不向き研究用途の柔軟なモデル改造GPU/TPUの方が向く","render_override":null},{"id":"blk_027a1001-4192-4a76-a6e7-3cb3cc881609","kind":"paragraph","order":750,"section_id":"sec_d0aef33e-d23a-416c-875c-f996b91b97c2","character_id":null,"markdown":"LPUクラウドの中心は、**学習ではなく推論**です。","render_override":null},{"id":"blk_c18716a3-8536-478e-8883-b51c6af20587","kind":"paragraph","order":751,"section_id":"sec_d0aef33e-d23a-416c-875c-f996b91b97c2","character_id":null,"markdown":"特に、","render_override":null},{"id":"blk_b363b925-626d-4a43-9bb0-461d85a1b5d6","kind":"code","order":752,"section_id":"sec_d0aef33e-d23a-416c-875c-f996b91b97c2","character_id":null,"markdown":"```\nユーザーが話す\n ↓\nすぐAIが返す\n ↓\nまたユーザーが話す\n ↓\nまたAIが返す\n```","render_override":null},{"id":"blk_8df4f57f-e4ae-40d5-9d98-be66240f4539","kind":"paragraph","order":753,"section_id":"sec_d0aef33e-d23a-416c-875c-f996b91b97c2","character_id":null,"markdown":"のようなリアルタイムAIでは、LPUの低遅延性が強みになります。","render_override":null},{"id":"blk_7cb78b92-e98d-4031-9a07-2f4f27f242c1","kind":"thematic_break","order":754,"section_id":"sec_d0aef33e-d23a-416c-875c-f996b91b97c2","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a8655686-f610-4624-adf6-1b9de0db1201","kind":"heading","order":755,"section_id":"sec_223083e1-3474-4d4e-8cc0-f1c1bda96df8","character_id":null,"markdown":"## \\7. GPUクラウド、TPUクラウド、LPUクラウドの違い","render_override":null},{"id":"blk_17713e80-338e-4d14-8ed4-d2da6a5b0482","kind":"paragraph","order":756,"section_id":"sec_223083e1-3474-4d4e-8cc0-f1c1bda96df8","character_id":null,"markdown":"かなり単純化すると、こうです。","render_override":null},{"id":"blk_20b61fda-c874-4d7b-9633-100fe4260b5d","kind":"paragraph","order":757,"section_id":"sec_223083e1-3474-4d4e-8cc0-f1c1bda96df8","character_id":null,"markdown":"種類得意領域苦手領域位置づけGPUクラウド学習、推論、画像、動画、HPC、汎用AI電力・コスト・利用率最も汎用的なAIクラウドTPUクラウド大規模AI学習、Google系AI基盤、TransformerCUDA資産との互換性Google型の専用AIクラウドLPUクラウド低遅延LLM推論、リアルタイム応答学習、汎用処理、画像/動画推論特化クラウド","render_override":null},{"id":"blk_ac9efb73-cf3b-4126-b37f-fca9f3d732f0","kind":"paragraph","order":758,"section_id":"sec_223083e1-3474-4d4e-8cc0-f1c1bda96df8","character_id":null,"markdown":"料理で例えると、","render_override":null},{"id":"blk_b3bcf705-6972-4f3e-8a15-65e73700a610","kind":"code","order":759,"section_id":"sec_223083e1-3474-4d4e-8cc0-f1c1bda96df8","character_id":null,"markdown":"```\nGPUクラウド：巨大な万能厨房\nTPUクラウド：AI料理に最適化されたGoogle専用の巨大厨房\nLPUクラウド：注文を受けて即座に料理を出す高速カウンター\n```","render_override":null},{"id":"blk_055661da-1a64-4d0e-8119-7515b63ef38e","kind":"paragraph","order":760,"section_id":"sec_223083e1-3474-4d4e-8cc0-f1c1bda96df8","character_id":null,"markdown":"という感じです。","render_override":null},{"id":"blk_4050efe0-923e-4ccd-9d96-045360ec0706","kind":"thematic_break","order":761,"section_id":"sec_223083e1-3474-4d4e-8cc0-f1c1bda96df8","character_id":null,"markdown":"---","render_override":null},{"id":"blk_406f1dae-8f8f-4362-9a06-d72a5059729a","kind":"heading","order":762,"section_id":"sec_4fad2077-ba11-41e3-b84f-692496cb220a","character_id":null,"markdown":"## \\8. LPUクラウドやTPUクラウドはGPUクラウドを置き換えるか？","render_override":null},{"id":"blk_8b3037ee-81c8-4f46-8d72-ea1750d3417e","kind":"paragraph","order":763,"section_id":"sec_4fad2077-ba11-41e3-b84f-692496cb220a","character_id":null,"markdown":"完全には置き換えません。","render_override":null},{"id":"blk_2ea07d10-0d1f-4d7a-8396-8e73e704f1cb","kind":"paragraph","order":764,"section_id":"sec_4fad2077-ba11-41e3-b84f-692496cb220a","character_id":null,"markdown":"むしろ今後は、","render_override":null},{"id":"blk_1e4e7eee-126f-4c5b-b83f-8afa78912506","kind":"quote","order":765,"section_id":"sec_4fad2077-ba11-41e3-b84f-692496cb220a","character_id":null,"markdown":"> **GPUクラウド、TPUクラウド、LPUクラウドが用途別に分かれる**","render_override":null},{"id":"blk_5384a9d0-6003-480b-a72f-cfafcd6c00d0","kind":"paragraph","order":766,"section_id":"sec_4fad2077-ba11-41e3-b84f-692496cb220a","character_id":null,"markdown":"と思います。","render_override":null},{"id":"blk_65286937-f542-4a85-a040-29d34b6fa885","kind":"paragraph","order":767,"section_id":"sec_4fad2077-ba11-41e3-b84f-692496cb220a","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_248a61f1-85f3-4b4c-95e2-f0bc78e76ef2","kind":"code","order":768,"section_id":"sec_4fad2077-ba11-41e3-b84f-692496cb220a","character_id":null,"markdown":"```\n巨大モデルの学習\n → GPUクラウド / TPUクラウド\n\nGoogle系・JAX系の大規模学習\n → TPUクラウド\n\n汎用AI開発、画像生成、動画生成\n → GPUクラウド\n\n低遅延チャット、音声対話、軽量エージェント\n → LPUクラウド\n\n企業向けAI推論API\n → GPU / LPU / TPU の混在\n\nフィジカルAI・VLA学習\n → GPUクラウド中心、一部TPU/ASIC\n\nエッジAI\n → NPU / 専用ASIC / 小型GPU\n```","render_override":null},{"id":"blk_0e1ddd3e-1a93-4dda-ba37-4add9e4b0913","kind":"paragraph","order":769,"section_id":"sec_4fad2077-ba11-41e3-b84f-692496cb220a","character_id":null,"markdown":"という分担です。","render_override":null},{"id":"blk_1b70252a-bcc4-4dec-84f3-a43c7113cbb7","kind":"thematic_break","order":770,"section_id":"sec_4fad2077-ba11-41e3-b84f-692496cb220a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a1e98e78-b494-413f-af6d-97991904a007","kind":"heading","order":771,"section_id":"sec_3ed2a696-c34d-42a7-8e62-75970d04cafa","character_id":null,"markdown":"## \\9. AIエージェント時代にLPUクラウドは重要か？","render_override":null},{"id":"blk_59af00c6-7968-4d9b-b3ba-5d8322b03674","kind":"paragraph","order":772,"section_id":"sec_3ed2a696-c34d-42a7-8e62-75970d04cafa","character_id":null,"markdown":"かなり重要になる可能性があります。","render_override":null},{"id":"blk_9ac296ec-7573-4acc-9764-b60beb101cb5","kind":"paragraph","order":773,"section_id":"sec_3ed2a696-c34d-42a7-8e62-75970d04cafa","character_id":null,"markdown":"AIエージェントは、1回の巨大推論だけではなく、小さな推論を何度も繰り返します。","render_override":null},{"id":"blk_5e29402d-6550-428e-beea-906b2708e39c","kind":"code","order":774,"section_id":"sec_3ed2a696-c34d-42a7-8e62-75970d04cafa","character_id":null,"markdown":"```\n考える\n ↓\nツールを選ぶ\n ↓\nAPIを呼ぶ\n ↓\n結果を読む\n ↓\n次の行動を決める\n ↓\nまた推論する\n```","render_override":null},{"id":"blk_d0d452ce-cb0a-4d4a-8ac9-86829ba3f949","kind":"paragraph","order":775,"section_id":"sec_3ed2a696-c34d-42a7-8e62-75970d04cafa","character_id":null,"markdown":"このような処理では、**1回1回の応答遅延が短いこと**が重要です。","render_override":null},{"id":"blk_f74ba760-a8e8-4ca6-a2d1-b8810d08ae28","kind":"paragraph","order":776,"section_id":"sec_3ed2a696-c34d-42a7-8e62-75970d04cafa","character_id":null,"markdown":"LPUクラウドは、まさにこの「低遅延・高応答性」の部分に向いています。","render_override":null},{"id":"blk_3735f9a4-5eb8-4f6f-b38f-b2f4b429069b","kind":"paragraph","order":777,"section_id":"sec_3ed2a696-c34d-42a7-8e62-75970d04cafa","character_id":null,"markdown":"特に、","render_override":null},{"id":"blk_8e0f23e5-5aa7-4c03-93ed-d7d5708b160e","kind":"list","order":778,"section_id":"sec_3ed2a696-c34d-42a7-8e62-75970d04cafa","character_id":null,"markdown":"- 音声AI\n- AI秘書\n- カスタマーサポート\n- コーディング補助\n- リアルタイム検索エージェント\n- 軽量業務エージェント\n- ゲームNPC\n- 配信AIキャラ\n- AITuber","render_override":null},{"id":"blk_bda85d47-5cc6-470f-865a-14135a5e879b","kind":"paragraph","order":779,"section_id":"sec_3ed2a696-c34d-42a7-8e62-75970d04cafa","character_id":null,"markdown":"のような用途では、LPUクラウドはかなり相性が良いです。","render_override":null},{"id":"blk_180fba9a-4642-49d6-aa93-fbd087311df0","kind":"thematic_break","order":780,"section_id":"sec_3ed2a696-c34d-42a7-8e62-75970d04cafa","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4a6cfa94-c5f9-477c-84cd-4f8db76828f6","kind":"heading","order":781,"section_id":"sec_06d3a5f5-31cf-46c8-afab-e76693d7d652","character_id":null,"markdown":"## \\10. ただしLPUクラウドには限界もある","render_override":null},{"id":"blk_6efeeca5-01b3-4b91-a30d-f587140b2d5a","kind":"paragraph","order":782,"section_id":"sec_06d3a5f5-31cf-46c8-afab-e76693d7d652","character_id":null,"markdown":"LPUはとても面白いですが、万能ではありません。","render_override":null},{"id":"blk_c927a682-4ba9-4d1d-b496-256320f1a07e","kind":"paragraph","order":783,"section_id":"sec_06d3a5f5-31cf-46c8-afab-e76693d7d652","character_id":null,"markdown":"弱点は主にこれです。","render_override":null},{"id":"blk_5e0bcba9-0c2f-4510-93a2-b077e24be3e8","kind":"paragraph","order":784,"section_id":"sec_06d3a5f5-31cf-46c8-afab-e76693d7d652","character_id":null,"markdown":"弱点内容学習には向きにくい基本的に推論特化対応モデルが限られるコンパイラやランタイム対応が必要GPUほど汎用ではないCUDA資産をそのまま使えない画像・動画生成ではGPU優位マルチモーダル全般ではGPUが強いエコシステムが小さいNVIDIA CUDAほど巨大ではない大規模モデルの柔軟な研究には不向きGPU/TPUの方が扱いやすい","render_override":null},{"id":"blk_9c22fd58-c7f5-4d63-a164-4a828dd3bff9","kind":"paragraph","order":785,"section_id":"sec_06d3a5f5-31cf-46c8-afab-e76693d7d652","character_id":null,"markdown":"つまりLPUクラウドは、","render_override":null},{"id":"blk_7d830d95-d495-4744-bd6b-5d989941d56f","kind":"quote","order":786,"section_id":"sec_06d3a5f5-31cf-46c8-afab-e76693d7d652","character_id":null,"markdown":"> **LLM推論の高速道路**","render_override":null},{"id":"blk_ec29f1d7-aedc-4349-91a7-f22952632b0a","kind":"paragraph","order":787,"section_id":"sec_06d3a5f5-31cf-46c8-afab-e76693d7d652","character_id":null,"markdown":"にはなりえますが、","render_override":null},{"id":"blk_dbefa866-5910-4da3-acc6-cf36173f7190","kind":"quote","order":788,"section_id":"sec_06d3a5f5-31cf-46c8-afab-e76693d7d652","character_id":null,"markdown":"> **AI全体の万能クラウド**","render_override":null},{"id":"blk_8074fb7f-beb0-4417-99ff-440a6bcd42f2","kind":"paragraph","order":789,"section_id":"sec_06d3a5f5-31cf-46c8-afab-e76693d7d652","character_id":null,"markdown":"にはなりにくいです。","render_override":null},{"id":"blk_22b2e35d-07d0-4dad-8251-585e4c89aa39","kind":"thematic_break","order":790,"section_id":"sec_06d3a5f5-31cf-46c8-afab-e76693d7d652","character_id":null,"markdown":"---","render_override":null},{"id":"blk_8dcdfbd6-734b-4da2-a483-84316806bf03","kind":"heading","order":791,"section_id":"sec_cdd7aa56-d446-44be-b1cb-6a83c4d1588f","character_id":null,"markdown":"## \\11. TPUクラウドの限界","render_override":null},{"id":"blk_b43e0ffe-10d1-42a6-9ccf-d86afb3b12a7","kind":"paragraph","order":792,"section_id":"sec_cdd7aa56-d446-44be-b1cb-6a83c4d1588f","character_id":null,"markdown":"TPUクラウドも万能ではありません。","render_override":null},{"id":"blk_d214394a-9ba0-450e-bae3-1203561eccb8","kind":"paragraph","order":793,"section_id":"sec_cdd7aa56-d446-44be-b1cb-6a83c4d1588f","character_id":null,"markdown":"弱点内容Google Cloud依存が強いTPUはGoogle中心CUDA資産が使いにくいNVIDIA GPU向けコードと互換性が低い開発者人口はGPUより少ないCUDA/PyTorch GPUの方が広いデバッグや移植が難しい場合があるXLA/JAX/TPU最適化が必要汎用HPCや画像/動画ツールはGPU優位なことが多いエコシステムの差","render_override":null},{"id":"blk_7a982086-5e5d-4ab2-a8e6-8dad66524649","kind":"paragraph","order":794,"section_id":"sec_cdd7aa56-d446-44be-b1cb-6a83c4d1588f","character_id":null,"markdown":"TPUは強力ですが、**GoogleのAIインフラ思想に乗れるかどうか**が重要です。","render_override":null},{"id":"blk_d229efbe-bf50-4cc7-b16a-bd3b79607345","kind":"thematic_break","order":795,"section_id":"sec_cdd7aa56-d446-44be-b1cb-6a83c4d1588f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_3010abf3-bcdf-4cb9-a2f5-f50b0f488272","kind":"heading","order":796,"section_id":"sec_fd55f986-652f-4cc3-8cf4-54af3e755e17","character_id":null,"markdown":"## \\12. 将来は「GPUだけ」ではなく「アクセラレータ・クラウド」になる","render_override":null},{"id":"blk_8dcfa668-db5a-41b6-b07a-8d2c2f8d02cc","kind":"paragraph","order":797,"section_id":"sec_fd55f986-652f-4cc3-8cf4-54af3e755e17","character_id":null,"markdown":"今後は、クラウドがこう分かれていくと思います。","render_override":null},{"id":"blk_5a5379a9-79cb-4d52-9386-2a8849697268","kind":"code","order":798,"section_id":"sec_fd55f986-652f-4cc3-8cf4-54af3e755e17","character_id":null,"markdown":"```\nCPUクラウド\n - OS\n - API\n - DB\n - 認証\n - 課金\n - 管理\n - セキュリティ\n\nGPUクラウド\n - 大規模学習\n - 汎用推論\n - 画像生成\n - 動画生成\n - VLA\n - 科学計算\n\nTPUクラウド\n - 大規模AI学習\n - Google型AI基盤\n - 高効率Transformer処理\n\nLPUクラウド\n - 低遅延LLM推論\n - 音声対話\n - リアルタイムエージェント\n\nNPU/ASICクラウド\n - 特定モデルの超効率推論\n - 企業内推論\n - エッジ連携\n```","render_override":null},{"id":"blk_685a10a0-a170-4ab6-9077-21f04a92b889","kind":"paragraph","order":799,"section_id":"sec_fd55f986-652f-4cc3-8cf4-54af3e755e17","character_id":null,"markdown":"つまり、未来は「GPUクラウドだけ」ではなく、 \n**AIアクセラレータ・クラウドの時代**になります。","render_override":null},{"id":"blk_ede8b715-f38e-429f-9cbb-84e7097ddd8f","kind":"paragraph","order":800,"section_id":"sec_fd55f986-652f-4cc3-8cf4-54af3e755e17","character_id":null,"markdown":"その中でGPUは最も汎用的な中心に残り、TPUはGoogle系・大規模AIに強く、LPUは低遅延推論で存在感を持つ、という分担になると思います。","render_override":null},{"id":"blk_cd48d9e2-0c35-486c-9deb-d0e22b96e690","kind":"thematic_break","order":801,"section_id":"sec_fd55f986-652f-4cc3-8cf4-54af3e755e17","character_id":null,"markdown":"---","render_override":null},{"id":"blk_995d47bd-4618-47da-a359-c676d56bc908","kind":"heading","order":802,"section_id":"sec_e8277738-b64e-435b-8135-df3e9a700faf","character_id":null,"markdown":"## まとめ","render_override":null},{"id":"blk_0bc19c4a-36aa-435f-a59f-9ea142a82156","kind":"paragraph","order":803,"section_id":"sec_e8277738-b64e-435b-8135-df3e9a700faf","character_id":null,"markdown":"**LPUクラウドもTPUクラウドも可能です。**","render_override":null},{"id":"blk_4a7acc58-6708-4fc5-b07d-359d3933a359","kind":"paragraph","order":804,"section_id":"sec_e8277738-b64e-435b-8135-df3e9a700faf","character_id":null,"markdown":"ただし、成熟度と用途は違います。","render_override":null},{"id":"blk_0daec283-2456-4d5c-81a8-8050adc7e2dd","kind":"code","order":805,"section_id":"sec_e8277738-b64e-435b-8135-df3e9a700faf","character_id":null,"markdown":"```\nTPUクラウド\n → すでに本格実用。\n → 学習・推論どちらも可能。\n → Google Cloud上の大規模AI基盤。\n\nLPUクラウド\n → すでに推論クラウドとして実用化。\n → 特に低遅延LLM推論に強い。\n → 学習や汎用AI処理には向きにくい。\n\nGPUクラウド\n → 最も汎用。\n → 学習、推論、画像、動画、HPCまで幅広い。\n```","render_override":null},{"id":"blk_4f6780f5-da2b-40e0-8d56-a4629c866f74","kind":"paragraph","order":806,"section_id":"sec_e8277738-b64e-435b-8135-df3e9a700faf","character_id":null,"markdown":"なので、今後のAIクラウドは、","render_override":null},{"id":"blk_8b991b4b-c48e-441f-aee7-e60d0b24776a","kind":"quote","order":807,"section_id":"sec_e8277738-b64e-435b-8135-df3e9a700faf","character_id":null,"markdown":"> **GPUクラウドが万能基盤、TPUクラウドが大規模AI専用基盤、LPUクラウドが低遅延推論基盤**","render_override":null},{"id":"blk_887cee03-1be1-4eee-acaa-688ceb4a784f","kind":"paragraph","order":808,"section_id":"sec_e8277738-b64e-435b-8135-df3e9a700faf","character_id":null,"markdown":"という形で分化していくと考えられます。","render_override":null},{"id":"blk_ea78a4c7-2abf-431a-abda-8dac4373dc36","kind":"thematic_break","order":809,"section_id":"sec_e8277738-b64e-435b-8135-df3e9a700faf","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4e2883f6-6d8e-460c-9039-f5a2a37890ee","kind":"paragraph","order":810,"section_id":"sec_e8277738-b64e-435b-8135-df3e9a700faf","character_id":null,"markdown":"はい、**LPUクラウドもTPUクラウドも可能**です。 \nただし、性格はかなり違います。","render_override":null},{"id":"blk_c9ad3595-2bfc-4a7d-a110-c6e1b83533a8","kind":"paragraph","order":811,"section_id":"sec_e8277738-b64e-435b-8135-df3e9a700faf","character_id":null,"markdown":"結論を先に言うと、","render_override":null},{"id":"blk_7d3a52a1-5591-467a-841c-06b378d942f6","kind":"quote","order":812,"section_id":"sec_e8277738-b64e-435b-8135-df3e9a700faf","character_id":null,"markdown":"> **TPUクラウド：すでに本格実用されている。学習・推論どちらも可能。** \n> **LPUクラウド：すでに推論クラウドとして実用化されている。ただしGPU/TPUより用途は狭く、主に超低遅延LLM推論向け。** \n> **GPUクラウド：最も汎用性が高く、学習・推論・画像・動画・HPCまで幅広い。**","render_override":null},{"id":"blk_5d6eda9e-67b9-450b-8855-91051dea547e","kind":"paragraph","order":813,"section_id":"sec_e8277738-b64e-435b-8135-df3e9a700faf","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_53ab4c71-2eb0-4251-9e3a-505c5a5aa845","kind":"thematic_break","order":814,"section_id":"sec_e8277738-b64e-435b-8135-df3e9a700faf","character_id":null,"markdown":"---","render_override":null},{"id":"blk_e5d6f4f5-47ec-4402-a5b2-0d6224163665","kind":"heading","order":815,"section_id":"sec_869ade3e-53f7-4a49-85ed-caca164a2bac","character_id":null,"markdown":"## \\1. TPUクラウドは可能か？","render_override":null},{"id":"blk_5485aac8-bfd0-4cbd-b877-0458d3350a10","kind":"paragraph","order":816,"section_id":"sec_869ade3e-53f7-4a49-85ed-caca164a2bac","character_id":null,"markdown":"**可能です。というより、すでに存在します。**","render_override":null},{"id":"blk_9efef355-015f-410e-a1e1-8a1d597140f4","kind":"paragraph","order":817,"section_id":"sec_869ade3e-53f7-4a49-85ed-caca164a2bac","character_id":null,"markdown":"Google Cloudの **Cloud TPU** がそれです。Google公式ドキュメントでは、Cloud TPUはGoogleが開発した機械学習向けASICで、Google Cloud上でスケーラブルな計算資源として利用できるWebサービスだと説明されています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/intro-to-tpu?utm_source=chatgpt.com))","render_override":null},{"id":"blk_ef31d15b-9c99-4f5a-b66c-17631918e6c1","kind":"paragraph","order":818,"section_id":"sec_869ade3e-53f7-4a49-85ed-caca164a2bac","character_id":null,"markdown":"TPUは **Tensor Processing Unit** の略で、主にAIのテンソル計算、つまり行列演算に特化したチップです。","render_override":null},{"id":"blk_9c41e198-2f9a-4367-9f5a-c69a8eaa6c23","kind":"paragraph","order":819,"section_id":"sec_869ade3e-53f7-4a49-85ed-caca164a2bac","character_id":null,"markdown":"GPUが比較的汎用的な並列計算装置だとすると、TPUはよりAIモデル向けに設計された専用アクセラレータです。","render_override":null},{"id":"blk_7597e283-4c35-46cc-90c9-d5a54a51086f","kind":"thematic_break","order":820,"section_id":"sec_869ade3e-53f7-4a49-85ed-caca164a2bac","character_id":null,"markdown":"---","render_override":null},{"id":"blk_fec60e32-d6f1-4147-94da-3dd0cc230b8c","kind":"heading","order":821,"section_id":"sec_b303d619-174e-45e1-a89d-3a319eafef04","character_id":null,"markdown":"## \\2. TPUクラウドで何ができるか","render_override":null},{"id":"blk_692936f9-0aac-4b87-b495-73eb8f08ed3e","kind":"paragraph","order":822,"section_id":"sec_b303d619-174e-45e1-a89d-3a319eafef04","character_id":null,"markdown":"TPUクラウドでは主に以下ができます。","render_override":null},{"id":"blk_7aa68097-edaa-4099-af39-9dc1c4d250dc","kind":"paragraph","order":823,"section_id":"sec_b303d619-174e-45e1-a89d-3a319eafef04","character_id":null,"markdown":"用途TPUクラウドで可能かLLM学習可能LLM推論可能ファインチューニング可能画像生成モデル可能CNN/推薦モデル可能大規模分散学習可能JAX/TensorFlow系ワークロード得意CUDA前提のGPUアプリ苦手","render_override":null},{"id":"blk_7faa1346-e11e-4996-ae5b-7da0cc5c7d4e","kind":"paragraph","order":824,"section_id":"sec_b303d619-174e-45e1-a89d-3a319eafef04","character_id":null,"markdown":"たとえばGoogle Cloud TPU v6e、つまりTrilliumは、Transformer、text-to-image、CNNの学習・ファインチューニング・サービングに最適化されていると説明されています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/v6e?utm_source=chatgpt.com))","render_override":null},{"id":"blk_d4b1fa3a-8963-456a-803e-988607a84f33","kind":"paragraph","order":825,"section_id":"sec_b303d619-174e-45e1-a89d-3a319eafef04","character_id":null,"markdown":"また、Cloud TPU v5pでは非常に大規模なPod構成があり、Google公式ドキュメントではv5p Podが8960チップ構成で、最大6144チップのジョブをスケジュールできると説明されています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/v5p?utm_source=chatgpt.com))","render_override":null},{"id":"blk_577cb272-0629-4b73-860e-6b2206981d9a","kind":"paragraph","order":826,"section_id":"sec_b303d619-174e-45e1-a89d-3a319eafef04","character_id":null,"markdown":"つまりTPUクラウドは、単なる「小さいAI推論用」ではなく、**巨大AIモデルの学習・推論を行うクラウド基盤**です。","render_override":null},{"id":"blk_8e8be25d-c4a2-4f9a-a379-0c45e4a51d26","kind":"thematic_break","order":827,"section_id":"sec_b303d619-174e-45e1-a89d-3a319eafef04","character_id":null,"markdown":"---","render_override":null},{"id":"blk_dbc4ec8d-cffd-4191-be97-b435028ee13e","kind":"heading","order":828,"section_id":"sec_55cd50ee-835a-45ff-bcbb-61fef9ec233c","character_id":null,"markdown":"## \\3. TPUクラウドの強み","render_override":null},{"id":"blk_3858860e-bd16-47c3-8b19-c85178c7b374","kind":"paragraph","order":829,"section_id":"sec_55cd50ee-835a-45ff-bcbb-61fef9ec233c","character_id":null,"markdown":"TPUクラウドの強みは、Googleがハードウェア、ソフトウェア、ネットワーク、コンパイラ、クラウド基盤を一体で設計していることです。","render_override":null},{"id":"blk_8c192cae-8960-412e-a31a-2a69d10b6360","kind":"paragraph","order":830,"section_id":"sec_55cd50ee-835a-45ff-bcbb-61fef9ec233c","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_8877c4eb-937b-455d-93a1-4ed01043ebfd","kind":"code","order":831,"section_id":"sec_55cd50ee-835a-45ff-bcbb-61fef9ec233c","character_id":null,"markdown":"```\nTPUチップ\n ↓\nTPU Pod\n ↓\n高速ネットワーク\n ↓\nXLA / JAX / TensorFlow / PyTorch/XLA\n ↓\nGoogle Cloud\n ↓\nGemini系モデルや外部顧客のAIワークロード\n```","render_override":null},{"id":"blk_834ad691-c213-4816-a723-b433bd1ea477","kind":"paragraph","order":832,"section_id":"sec_55cd50ee-835a-45ff-bcbb-61fef9ec233c","character_id":null,"markdown":"という一体設計です。","render_override":null},{"id":"blk_83125c29-cf14-4add-a101-b62e433e38b4","kind":"paragraph","order":833,"section_id":"sec_55cd50ee-835a-45ff-bcbb-61fef9ec233c","character_id":null,"markdown":"GPUクラウドは多くの企業がNVIDIA GPUを買って作れます。 \n一方、TPUクラウドはGoogleの垂直統合色が強いです。","render_override":null},{"id":"blk_aabc38d9-ef5f-4d95-a95d-fd253bec7aa8","kind":"paragraph","order":834,"section_id":"sec_55cd50ee-835a-45ff-bcbb-61fef9ec233c","character_id":null,"markdown":"そのためTPUクラウドは、","render_override":null},{"id":"blk_04778f7e-fa64-4eb0-b81b-4d3ba905fbcd","kind":"list","order":835,"section_id":"sec_55cd50ee-835a-45ff-bcbb-61fef9ec233c","character_id":null,"markdown":"- Google Cloud上では強い\n- GoogleのAI基盤との相性が良い\n- 大規模分散学習に強い\n- 電力効率を最適化しやすい\n- ただしNVIDIA CUDAエコシステムほど汎用ではない","render_override":null},{"id":"blk_1eb742d0-9617-49ed-ab11-ba21c117dd24","kind":"paragraph","order":836,"section_id":"sec_55cd50ee-835a-45ff-bcbb-61fef9ec233c","character_id":null,"markdown":"という特徴があります。","render_override":null},{"id":"blk_48f9345a-6d4a-483c-964b-40bcfe9af23d","kind":"thematic_break","order":837,"section_id":"sec_55cd50ee-835a-45ff-bcbb-61fef9ec233c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9c7076d4-5f4b-47d0-b431-1dc9af4585e3","kind":"heading","order":838,"section_id":"sec_08b4a9e3-3511-4b6c-905e-d0a7356407e5","character_id":null,"markdown":"## \\4. LPUクラウドは可能か？","render_override":null},{"id":"blk_ab99b01f-5387-478d-9448-ebdbfd6bce09","kind":"paragraph","order":839,"section_id":"sec_08b4a9e3-3511-4b6c-905e-d0a7356407e5","character_id":null,"markdown":"**可能です。こちらもすでに実用化されています。**","render_override":null},{"id":"blk_2a570052-64e2-4277-9f11-44b132fdfcb8","kind":"paragraph","order":840,"section_id":"sec_08b4a9e3-3511-4b6c-905e-d0a7356407e5","character_id":null,"markdown":"代表例が **GroqCloud** です。GroqはLPU、Language Processing Unitを使ったAI推論クラウドを提供しており、GroqCloudは高速LLM推論、OpenAI互換API、スケーラブルな推論基盤として説明されています。([GroqCloud](https://console.groq.com/docs/overview?utm_source=chatgpt.com))","render_override":null},{"id":"blk_52233d03-b334-4d59-b6ae-0d64a8028750","kind":"paragraph","order":841,"section_id":"sec_08b4a9e3-3511-4b6c-905e-d0a7356407e5","character_id":null,"markdown":"Groqの公式ページでも、GroqCloudは開発者向けのAI推論プラットフォームで、public、private、co-cloud構成で提供可能とされています。([Groq](https://groq.com/groqcloud?utm_source=chatgpt.com))","render_override":null},{"id":"blk_a7570bf3-a637-4f7c-906d-4c3975f5898a","kind":"paragraph","order":842,"section_id":"sec_08b4a9e3-3511-4b6c-905e-d0a7356407e5","character_id":null,"markdown":"つまり、**LPUクラウドはすでに存在します。**","render_override":null},{"id":"blk_d9e12267-51ca-44f9-8620-d4872105b70f","kind":"paragraph","order":843,"section_id":"sec_08b4a9e3-3511-4b6c-905e-d0a7356407e5","character_id":null,"markdown":"ただし、TPUクラウドやGPUクラウドとは用途がかなり違います。","render_override":null},{"id":"blk_c18503e3-a5a6-4c6d-b32b-c62a5e741f92","kind":"thematic_break","order":844,"section_id":"sec_08b4a9e3-3511-4b6c-905e-d0a7356407e5","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b536b79f-b1a5-489d-80fd-1bb4e3d21ce4","kind":"heading","order":845,"section_id":"sec_4484b634-cd33-4ce3-970b-a731e9a7e4f0","character_id":null,"markdown":"## \\5. LPUとは何か","render_override":null},{"id":"blk_afa89cbb-4efe-42ff-8da4-57493621f232","kind":"paragraph","order":846,"section_id":"sec_4484b634-cd33-4ce3-970b-a731e9a7e4f0","character_id":null,"markdown":"LPUは、ざっくり言うと **LLM推論、特にトークン生成を高速・低遅延・予測可能に行うための専用チップ**です。","render_override":null},{"id":"blk_c8bddd04-c186-459b-acf8-a4e8c913afb3","kind":"paragraph","order":847,"section_id":"sec_4484b634-cd33-4ce3-970b-a731e9a7e4f0","character_id":null,"markdown":"GroqはLPUについて、コンパイラとソフトウェア定義のアーキテクチャ、単一コア設計、オンチップSRAM、連続的なトークンベース実行により、予測可能な性能を出す設計だと説明しています。([Groq](https://groq.com/lpu-architecture?utm_source=chatgpt.com))","render_override":null},{"id":"blk_9b4215af-85ce-4a1f-acff-a7416f4c1c43","kind":"paragraph","order":848,"section_id":"sec_4484b634-cd33-4ce3-970b-a731e9a7e4f0","character_id":null,"markdown":"普通のGPUは大量の汎用並列計算に強いですが、LLM推論では、","render_override":null},{"id":"blk_9271238b-267f-45c7-af76-7bae11f1233b","kind":"list","order":849,"section_id":"sec_4484b634-cd33-4ce3-970b-a731e9a7e4f0","character_id":null,"markdown":"- 1トークンずつ出す\n- 遅延が重要\n- バッチが小さいことも多い\n- メモリ待ちが問題になる\n- 安定した応答速度が重要","render_override":null},{"id":"blk_751df88a-12bc-49fa-bb33-0b55b271c293","kind":"paragraph","order":850,"section_id":"sec_4484b634-cd33-4ce3-970b-a731e9a7e4f0","character_id":null,"markdown":"という特徴があります。","render_override":null},{"id":"blk_91af9804-a9a6-4759-82c3-89cd5bb6f7d2","kind":"paragraph","order":851,"section_id":"sec_4484b634-cd33-4ce3-970b-a731e9a7e4f0","character_id":null,"markdown":"LPUはそこにかなり特化しています。","render_override":null},{"id":"blk_d73d13f5-0df4-4ca9-a881-6359133a5728","kind":"thematic_break","order":852,"section_id":"sec_4484b634-cd33-4ce3-970b-a731e9a7e4f0","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1fbc7350-5a85-4d09-8f5e-f9bc685b2953","kind":"heading","order":853,"section_id":"sec_59c2ad32-eafc-4c72-8ab0-1cb60d2ea8c3","character_id":null,"markdown":"## \\6. LPUクラウドで何ができるか","render_override":null},{"id":"blk_8a577a9a-9d4f-4cc1-9608-7cfad4b049df","kind":"paragraph","order":854,"section_id":"sec_59c2ad32-eafc-4c72-8ab0-1cb60d2ea8c3","character_id":null,"markdown":"LPUクラウドで特に向いているのは、以下です。","render_override":null},{"id":"blk_615f5f92-d080-463f-b6ed-39378b214ed6","kind":"figure","order":855,"section_id":"sec_59c2ad32-eafc-4c72-8ab0-1cb60d2ea8c3","character_id":null,"markdown":"![](/media/ab030aed6f3de47f78a20bc2a09556f81e826966b57eb69639193a32d8a7f820-content.webp)","render_override":null},{"id":"blk_11d70e29-019e-42ae-b326-d2f75344147c","kind":"paragraph","order":856,"section_id":"sec_59c2ad32-eafc-4c72-8ab0-1cb60d2ea8c3","character_id":null,"markdown":"LPUクラウドの中心は、**学習ではなく推論**です。","render_override":null},{"id":"blk_190d92ec-76a4-4122-9e4c-5be5ea11b2ed","kind":"paragraph","order":857,"section_id":"sec_59c2ad32-eafc-4c72-8ab0-1cb60d2ea8c3","character_id":null,"markdown":"特に、","render_override":null},{"id":"blk_eecbc66f-1cf7-4d90-aed9-de6f02a008b6","kind":"code","order":858,"section_id":"sec_59c2ad32-eafc-4c72-8ab0-1cb60d2ea8c3","character_id":null,"markdown":"```\nユーザーが話す\n ↓\nすぐAIが返す\n ↓\nまたユーザーが話す\n ↓\nまたAIが返す\n```","render_override":null},{"id":"blk_4a373d44-f27a-4359-a7e1-3ba5f003ca52","kind":"paragraph","order":859,"section_id":"sec_59c2ad32-eafc-4c72-8ab0-1cb60d2ea8c3","character_id":null,"markdown":"のようなリアルタイムAIでは、LPUの低遅延性が強みになります。","render_override":null},{"id":"blk_c270cc47-1fa9-44ae-b6ef-a3eca80da6b0","kind":"thematic_break","order":860,"section_id":"sec_59c2ad32-eafc-4c72-8ab0-1cb60d2ea8c3","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7e328997-c652-4000-8d2d-96666599fe9f","kind":"heading","order":861,"section_id":"sec_5df41160-a074-4a17-b794-f4cc00f364f3","character_id":null,"markdown":"## \\7. GPUクラウド、TPUクラウド、LPUクラウドの違い","render_override":null},{"id":"blk_fe4db6ae-74b0-4807-b0e8-60aa16881813","kind":"paragraph","order":862,"section_id":"sec_5df41160-a074-4a17-b794-f4cc00f364f3","character_id":null,"markdown":"かなり単純化すると、こうです。","render_override":null},{"id":"blk_6a3e1d6f-b010-4abe-97e8-df9383f91021","kind":"figure","order":863,"section_id":"sec_5df41160-a074-4a17-b794-f4cc00f364f3","character_id":null,"markdown":"![](/media/bc25b0c0b1f20ef212ea176c9c337528eff6a3f6b6158e39d5ef3002142bb768-content.webp)","render_override":null},{"id":"blk_b7b63caa-15ec-4025-b109-0fcdc5261458","kind":"paragraph","order":864,"section_id":"sec_5df41160-a074-4a17-b794-f4cc00f364f3","character_id":null,"markdown":"料理で例えると、","render_override":null},{"id":"blk_11e61029-cd2d-4d33-87ed-20aba02d5d1c","kind":"code","order":865,"section_id":"sec_5df41160-a074-4a17-b794-f4cc00f364f3","character_id":null,"markdown":"```\nGPUクラウド：巨大な万能厨房\nTPUクラウド：AI料理に最適化されたGoogle専用の巨大厨房\nLPUクラウド：注文を受けて即座に料理を出す高速カウンター\n```","render_override":null},{"id":"blk_bba9071c-35ed-404d-a213-a6232f044e77","kind":"paragraph","order":866,"section_id":"sec_5df41160-a074-4a17-b794-f4cc00f364f3","character_id":null,"markdown":"という感じです。","render_override":null},{"id":"blk_61c24bc5-423d-4728-8905-55a8b7307a34","kind":"thematic_break","order":867,"section_id":"sec_5df41160-a074-4a17-b794-f4cc00f364f3","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2768ba46-b093-4163-9853-5cdcdfa2b0c6","kind":"heading","order":868,"section_id":"sec_f4b10071-2e20-4e00-b1ba-2d1c3dd83a74","character_id":null,"markdown":"## \\8. LPUクラウドやTPUクラウドはGPUクラウドを置き換えるか？","render_override":null},{"id":"blk_757f4dfa-5d20-4287-a04e-fc939f95edca","kind":"paragraph","order":869,"section_id":"sec_f4b10071-2e20-4e00-b1ba-2d1c3dd83a74","character_id":null,"markdown":"完全には置き換えません。","render_override":null},{"id":"blk_81000ead-7bda-4316-99b7-9dd76fab808b","kind":"paragraph","order":870,"section_id":"sec_f4b10071-2e20-4e00-b1ba-2d1c3dd83a74","character_id":null,"markdown":"むしろ今後は、","render_override":null},{"id":"blk_78633e11-39f1-4bff-a7a2-bdb1c5050c24","kind":"quote","order":871,"section_id":"sec_f4b10071-2e20-4e00-b1ba-2d1c3dd83a74","character_id":null,"markdown":"> **GPUクラウド、TPUクラウド、LPUクラウドが用途別に分かれる**","render_override":null},{"id":"blk_b813eba3-f242-4176-8efb-5f5901dc913d","kind":"paragraph","order":872,"section_id":"sec_f4b10071-2e20-4e00-b1ba-2d1c3dd83a74","character_id":null,"markdown":"と思います。","render_override":null},{"id":"blk_1fa818ab-f33c-478f-b9f8-8e2d9ba54566","kind":"paragraph","order":873,"section_id":"sec_f4b10071-2e20-4e00-b1ba-2d1c3dd83a74","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_e0d8ed6a-0c1f-4ae3-9dca-9db549936b47","kind":"code","order":874,"section_id":"sec_f4b10071-2e20-4e00-b1ba-2d1c3dd83a74","character_id":null,"markdown":"```\n巨大モデルの学習\n → GPUクラウド / TPUクラウド\n\nGoogle系・JAX系の大規模学習\n → TPUクラウド\n\n汎用AI開発、画像生成、動画生成\n → GPUクラウド\n\n低遅延チャット、音声対話、軽量エージェント\n → LPUクラウド\n\n企業向けAI推論API\n → GPU / LPU / TPU の混在\n\nフィジカルAI・VLA学習\n → GPUクラウド中心、一部TPU/ASIC\n\nエッジAI\n → NPU / 専用ASIC / 小型GPU\n```","render_override":null},{"id":"blk_46602641-5cbd-4e9b-a905-435080756d17","kind":"paragraph","order":875,"section_id":"sec_f4b10071-2e20-4e00-b1ba-2d1c3dd83a74","character_id":null,"markdown":"という分担です。","render_override":null},{"id":"blk_94ce623a-c591-4a0d-aa79-372b6716f78a","kind":"thematic_break","order":876,"section_id":"sec_f4b10071-2e20-4e00-b1ba-2d1c3dd83a74","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2ce36db3-fe2b-4381-8afd-a346c1eb7c24","kind":"heading","order":877,"section_id":"sec_7f34bca6-4bc4-4829-a7ce-c78aa72625d1","character_id":null,"markdown":"## \\9. AIエージェント時代にLPUクラウドは重要か？","render_override":null},{"id":"blk_607bfcde-6908-48d7-8d2a-f67c9894851a","kind":"paragraph","order":878,"section_id":"sec_7f34bca6-4bc4-4829-a7ce-c78aa72625d1","character_id":null,"markdown":"かなり重要になる可能性があります。","render_override":null},{"id":"blk_4acf70b3-b162-4a7b-ae1e-87030ae1046d","kind":"paragraph","order":879,"section_id":"sec_7f34bca6-4bc4-4829-a7ce-c78aa72625d1","character_id":null,"markdown":"AIエージェントは、1回の巨大推論だけではなく、小さな推論を何度も繰り返します。","render_override":null},{"id":"blk_1187a9eb-ebf7-4cdb-afb0-a9250dabd651","kind":"code","order":880,"section_id":"sec_7f34bca6-4bc4-4829-a7ce-c78aa72625d1","character_id":null,"markdown":"```\n考える\n ↓\nツールを選ぶ\n ↓\nAPIを呼ぶ\n ↓\n結果を読む\n ↓\n次の行動を決める\n ↓\nまた推論する\n```","render_override":null},{"id":"blk_e3bbbb5e-f738-496d-9cb2-c7e044852042","kind":"paragraph","order":881,"section_id":"sec_7f34bca6-4bc4-4829-a7ce-c78aa72625d1","character_id":null,"markdown":"このような処理では、**1回1回の応答遅延が短いこと**が重要です。","render_override":null},{"id":"blk_172dfa37-eb2d-4046-ac9b-66e77fe6ae8c","kind":"paragraph","order":882,"section_id":"sec_7f34bca6-4bc4-4829-a7ce-c78aa72625d1","character_id":null,"markdown":"LPUクラウドは、まさにこの「低遅延・高応答性」の部分に向いています。","render_override":null},{"id":"blk_58ff1802-df99-45a2-8463-e05650f12c4a","kind":"paragraph","order":883,"section_id":"sec_7f34bca6-4bc4-4829-a7ce-c78aa72625d1","character_id":null,"markdown":"特に、","render_override":null},{"id":"blk_1c757337-113d-42cc-bd8e-b14cb03c6426","kind":"list","order":884,"section_id":"sec_7f34bca6-4bc4-4829-a7ce-c78aa72625d1","character_id":null,"markdown":"- 音声AI\n- AI秘書\n- カスタマーサポート\n- コーディング補助\n- リアルタイム検索エージェント\n- 軽量業務エージェント\n- ゲームNPC\n- 配信AIキャラ\n- AITuber","render_override":null},{"id":"blk_e3c615ef-1bc9-4d5c-b8ce-1c47d2415fcd","kind":"paragraph","order":885,"section_id":"sec_7f34bca6-4bc4-4829-a7ce-c78aa72625d1","character_id":null,"markdown":"のような用途では、LPUクラウドはかなり相性が良いです。","render_override":null},{"id":"blk_e6ecefad-1c00-4c78-acde-197ae78404c4","kind":"thematic_break","order":886,"section_id":"sec_7f34bca6-4bc4-4829-a7ce-c78aa72625d1","character_id":null,"markdown":"---","render_override":null},{"id":"blk_238dc27a-32e8-42bb-bcf6-f68072549c54","kind":"heading","order":887,"section_id":"sec_f8d96e2c-49bd-4d63-90b8-80dd952e79e5","character_id":null,"markdown":"## \\10. ただしLPUクラウドには限界もある","render_override":null},{"id":"blk_73e5e0d6-128a-49e9-b115-76bbbb82a3e8","kind":"paragraph","order":888,"section_id":"sec_f8d96e2c-49bd-4d63-90b8-80dd952e79e5","character_id":null,"markdown":"LPUはとても面白いですが、万能ではありません。","render_override":null},{"id":"blk_f5054b74-2516-4c1a-b750-c05dadd0b669","kind":"paragraph","order":889,"section_id":"sec_f8d96e2c-49bd-4d63-90b8-80dd952e79e5","character_id":null,"markdown":"弱点は主にこれです。","render_override":null},{"id":"blk_a5bc13ae-1c28-494a-94e4-acf99e6dc80b","kind":"figure","order":890,"section_id":"sec_f8d96e2c-49bd-4d63-90b8-80dd952e79e5","character_id":null,"markdown":"![](/media/07c13f99e97846f741fb77f1bbedcae3624e9e102e21f1b0e467532ee3a3e0d6-content.webp)","render_override":null},{"id":"blk_950b89f2-3091-44ca-bcd9-014af9e22075","kind":"paragraph","order":891,"section_id":"sec_f8d96e2c-49bd-4d63-90b8-80dd952e79e5","character_id":null,"markdown":"つまりLPUクラウドは、","render_override":null},{"id":"blk_b5482819-4b42-41ff-b826-58bb710aa8d1","kind":"quote","order":892,"section_id":"sec_f8d96e2c-49bd-4d63-90b8-80dd952e79e5","character_id":null,"markdown":"> **LLM推論の高速道路**","render_override":null},{"id":"blk_74bac889-1c7e-42c7-8749-ae17fe9c67b2","kind":"paragraph","order":893,"section_id":"sec_f8d96e2c-49bd-4d63-90b8-80dd952e79e5","character_id":null,"markdown":"にはなりえますが、","render_override":null},{"id":"blk_705fe49c-ac0c-4109-b831-bc7fc20e3829","kind":"quote","order":894,"section_id":"sec_f8d96e2c-49bd-4d63-90b8-80dd952e79e5","character_id":null,"markdown":"> **AI全体の万能クラウド**","render_override":null},{"id":"blk_393dac60-89d7-4e37-bbe4-e068d8d26505","kind":"paragraph","order":895,"section_id":"sec_f8d96e2c-49bd-4d63-90b8-80dd952e79e5","character_id":null,"markdown":"にはなりにくいです。","render_override":null},{"id":"blk_23205437-e52c-466e-bff2-477fe405b12d","kind":"thematic_break","order":896,"section_id":"sec_f8d96e2c-49bd-4d63-90b8-80dd952e79e5","character_id":null,"markdown":"---","render_override":null},{"id":"blk_df937c58-50b9-4001-a717-bd3c74bb1d6e","kind":"heading","order":897,"section_id":"sec_1d6c2c42-4370-4ac8-af50-bc81be86d7cb","character_id":null,"markdown":"## \\11. TPUクラウドの限界","render_override":null},{"id":"blk_04cf7c2c-909c-4c1a-900c-cd5276a9812c","kind":"paragraph","order":898,"section_id":"sec_1d6c2c42-4370-4ac8-af50-bc81be86d7cb","character_id":null,"markdown":"TPUクラウドも万能ではありません。","render_override":null},{"id":"blk_46010220-42e9-4c14-840b-877969e59704","kind":"figure","order":899,"section_id":"sec_1d6c2c42-4370-4ac8-af50-bc81be86d7cb","character_id":null,"markdown":"![](/media/09f5a543e25dca6df8736deee75ec3a73bc430615ce37af38bd5754dca9d56a4-content.webp)","render_override":null},{"id":"blk_9a77e584-442c-474b-baf6-fe53e0b779cc","kind":"paragraph","order":900,"section_id":"sec_1d6c2c42-4370-4ac8-af50-bc81be86d7cb","character_id":null,"markdown":"TPUは強力ですが、**GoogleのAIインフラ思想に乗れるかどうか**が重要です。","render_override":null},{"id":"blk_33a17afa-1a8f-4e2e-b0ec-07fcc0cea476","kind":"thematic_break","order":901,"section_id":"sec_1d6c2c42-4370-4ac8-af50-bc81be86d7cb","character_id":null,"markdown":"---","render_override":null},{"id":"blk_24d5e438-234d-4365-8964-4c90a0be1eb4","kind":"heading","order":902,"section_id":"sec_e00c5f8c-1522-4b87-ba97-46f9ec64d45f","character_id":null,"markdown":"## \\12. 将来は「GPUだけ」ではなく「アクセラレータ・クラウド」になる","render_override":null},{"id":"blk_94c458dc-bf93-4fe3-80e2-fd0db25e16a1","kind":"paragraph","order":903,"section_id":"sec_e00c5f8c-1522-4b87-ba97-46f9ec64d45f","character_id":null,"markdown":"今後は、クラウドがこう分かれていくと思います。","render_override":null},{"id":"blk_5d34c47d-8f24-4ca3-95f4-7801ff3b32cd","kind":"code","order":904,"section_id":"sec_e00c5f8c-1522-4b87-ba97-46f9ec64d45f","character_id":null,"markdown":"```\nCPUクラウド\n - OS\n - API\n - DB\n - 認証\n - 課金\n - 管理\n - セキュリティ\n\nGPUクラウド\n - 大規模学習\n - 汎用推論\n - 画像生成\n - 動画生成\n - VLA\n - 科学計算\n\nTPUクラウド\n - 大規模AI学習\n - Google型AI基盤\n - 高効率Transformer処理\n\nLPUクラウド\n - 低遅延LLM推論\n - 音声対話\n - リアルタイムエージェント\n\nNPU/ASICクラウド\n - 特定モデルの超効率推論\n - 企業内推論\n - エッジ連携\n```","render_override":null},{"id":"blk_f4609bde-799e-4453-bbd2-fd7d4efcae8f","kind":"paragraph","order":905,"section_id":"sec_e00c5f8c-1522-4b87-ba97-46f9ec64d45f","character_id":null,"markdown":"つまり、未来は「GPUクラウドだけ」ではなく、 \n**AIアクセラレータ・クラウドの時代**になります。","render_override":null},{"id":"blk_5e6c6e47-5a66-421b-ac3b-448037c407f7","kind":"paragraph","order":906,"section_id":"sec_e00c5f8c-1522-4b87-ba97-46f9ec64d45f","character_id":null,"markdown":"その中でGPUは最も汎用的な中心に残り、TPUはGoogle系・大規模AIに強く、LPUは低遅延推論で存在感を持つ、という分担になると思います。","render_override":null},{"id":"blk_94abed02-b9c5-44d1-87f3-19f8fcc89a5a","kind":"thematic_break","order":907,"section_id":"sec_e00c5f8c-1522-4b87-ba97-46f9ec64d45f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ca75bf4f-ba73-48d0-b66a-86097f39235d","kind":"heading","order":908,"section_id":"sec_2c3bae8a-7a17-469a-b63b-2faea427c6f5","character_id":null,"markdown":"## まとめ","render_override":null},{"id":"blk_f254a454-982f-48bc-82a3-354ef47400aa","kind":"paragraph","order":909,"section_id":"sec_2c3bae8a-7a17-469a-b63b-2faea427c6f5","character_id":null,"markdown":"**LPUクラウドもTPUクラウドも可能です。**","render_override":null},{"id":"blk_1c008bd6-8c68-47e4-a8c3-5a3a5e0afdc9","kind":"paragraph","order":910,"section_id":"sec_2c3bae8a-7a17-469a-b63b-2faea427c6f5","character_id":null,"markdown":"ただし、成熟度と用途は違います。","render_override":null},{"id":"blk_c0befd07-da8f-44e5-97a6-91865aec6806","kind":"code","order":911,"section_id":"sec_2c3bae8a-7a17-469a-b63b-2faea427c6f5","character_id":null,"markdown":"```\nTPUクラウド\n → すでに本格実用。\n → 学習・推論どちらも可能。\n → Google Cloud上の大規模AI基盤。\n\nLPUクラウド\n → すでに推論クラウドとして実用化。\n → 特に低遅延LLM推論に強い。\n → 学習や汎用AI処理には向きにくい。\n\nGPUクラウド\n → 最も汎用。\n → 学習、推論、画像、動画、HPCまで幅広い。\n```","render_override":null},{"id":"blk_c322757f-f954-4378-a18b-81b835e47f2c","kind":"paragraph","order":912,"section_id":"sec_2c3bae8a-7a17-469a-b63b-2faea427c6f5","character_id":null,"markdown":"なので、今後のAIクラウドは、","render_override":null},{"id":"blk_c86dbd25-a2e2-491e-a4f3-ce054915806c","kind":"quote","order":913,"section_id":"sec_2c3bae8a-7a17-469a-b63b-2faea427c6f5","character_id":null,"markdown":"> **GPUクラウドが万能基盤、TPUクラウドが大規模AI専用基盤、LPUクラウドが低遅延推論基盤**","render_override":null},{"id":"blk_25f0d0f4-ee2c-49b6-9cac-3437c960798f","kind":"paragraph","order":914,"section_id":"sec_2c3bae8a-7a17-469a-b63b-2faea427c6f5","character_id":null,"markdown":"という形で分化していくと考えられます。","render_override":null},{"id":"blk_e61e9d21-df7a-4ba0-8781-b47032143e72","kind":"thematic_break","order":915,"section_id":"sec_2c3bae8a-7a17-469a-b63b-2faea427c6f5","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f7b20b76-45c6-4b72-8c61-17f61208f5d9","kind":"paragraph","order":916,"section_id":"sec_2c3bae8a-7a17-469a-b63b-2faea427c6f5","character_id":null,"markdown":"はい。ここはまず **「稼働率」という言葉を3つに分ける** 必要があります。","render_override":null},{"id":"blk_e8a8a347-d6bb-4444-8a32-051ba11edc2b","kind":"paragraph","order":917,"section_id":"sec_2c3bae8a-7a17-469a-b63b-2faea427c6f5","character_id":null,"markdown":"1つ目は、**フリート稼働率**。 \nこれは「クラウド事業者が持っているGPU/TPU/LPU全体のうち、どれくらいが仕事をしているか」です。","render_override":null},{"id":"blk_33b12d9f-c338-4bf7-b315-6e2bc9da2d60","kind":"paragraph","order":918,"section_id":"sec_2c3bae8a-7a17-469a-b63b-2faea427c6f5","character_id":null,"markdown":"2つ目は、**ハードウェア利用率**。 \nこれは「動いているチップの演算器やメモリ帯域がどれくらい使われているか」です。","render_override":null},{"id":"blk_f4ed24dc-5e65-4c71-aba5-a48f25599746","kind":"paragraph","order":919,"section_id":"sec_2c3bae8a-7a17-469a-b63b-2faea427c6f5","character_id":null,"markdown":"3つ目は、**MFU / Model FLOPs Utilization**。 \nこれは「理論ピーク性能のうち、モデル学習・推論に有効に使われた割合」です。","render_override":null},{"id":"blk_a856baa4-760b-41d4-89c2-959a5902f24c","kind":"paragraph","order":920,"section_id":"sec_2c3bae8a-7a17-469a-b63b-2faea427c6f5","character_id":null,"markdown":"この3つは違います。 \nたとえば、GPUが通電してジョブを実行していても、通信待ちやメモリ待ちが多ければMFUは低くなります。","render_override":null},{"id":"blk_2d94d893-3986-4bef-975b-aeb758dc4b79","kind":"thematic_break","order":921,"section_id":"sec_2c3bae8a-7a17-469a-b63b-2faea427c6f5","character_id":null,"markdown":"---","render_override":null},{"id":"blk_3a072e05-c417-4f43-bb32-4ae1763e9aad","kind":"heading","order":922,"section_id":"sec_251671e3-b21e-4a22-bd91-d9fdbf8f1999","character_id":null,"markdown":"## ざっくり結論","render_override":null},{"id":"blk_b0998e6a-cbe6-44f6-9d30-a466425e6d4f","kind":"paragraph","order":923,"section_id":"sec_251671e3-b21e-4a22-bd91-d9fdbf8f1999","character_id":null,"markdown":"私の見立てでは、現在から2030年代にかけてこうなります。","render_override":null},{"id":"blk_85def2c7-e4e0-4ed5-b759-e4b6447bd3ef","kind":"paragraph","order":924,"section_id":"sec_251671e3-b21e-4a22-bd91-d9fdbf8f1999","character_id":null,"markdown":"クラウド現在の実態2030年前後〜2030年代の見通しGPUクラウドかなり低いものも多い。一般企業では5〜20%、最適化済み学習では35〜50%級30〜60%が一般化。トップ層は50〜75%を狙うTPUクラウドGoogle内部や最適化済み学習ではすでに45〜55%級のMFU実績50〜70%級をより安定して狙う。GPUより早く成熟しやすいLPUクラウドフリート稼働率は非公開。対応モデルでは低遅延・高効率に動く低遅延推論で高効率化。ただし用途が狭く、需要変動で30〜70%程度に揺れやすい","render_override":null},{"id":"blk_a1332d6a-a572-484c-99e7-37cf145cfe7c","kind":"paragraph","order":925,"section_id":"sec_251671e3-b21e-4a22-bd91-d9fdbf8f1999","character_id":null,"markdown":"かなり単純化すると、","render_override":null},{"id":"blk_04155b3d-4ebc-4788-a0d6-3a39a178dbf5","kind":"quote","order":926,"section_id":"sec_251671e3-b21e-4a22-bd91-d9fdbf8f1999","character_id":null,"markdown":"> **GPUクラウドは、今は非効率だが2030年代に大きく改善する。** \n> **TPUクラウドは、垂直統合されているため、すでに比較的高効率で、今後さらに安定する。** \n> **LPUクラウドは、LLM推論の瞬発力は高いが、対応モデル・需要変動・低遅延SLOの制約で、フリート全体を常時高稼働にするのは難しい。**","render_override":null},{"id":"blk_ac9a3df6-b3aa-4be3-b888-bab9e2b1828a","kind":"paragraph","order":927,"section_id":"sec_251671e3-b21e-4a22-bd91-d9fdbf8f1999","character_id":null,"markdown":"という見方です。","render_override":null},{"id":"blk_b98459a6-50a3-40b7-96ac-ba5b5f57b8b7","kind":"thematic_break","order":928,"section_id":"sec_251671e3-b21e-4a22-bd91-d9fdbf8f1999","character_id":null,"markdown":"---","render_override":null},{"id":"blk_3bd421e5-80de-4e29-b8ca-da486ea68aff","kind":"heading","order":929,"section_id":"sec_d2bb2e83-e5a0-414b-b563-5ca5722722c0","character_id":null,"markdown":"## \\1. GPUクラウドの現在の稼働率","render_override":null},{"id":"blk_7df2350d-4b6a-447f-b9b6-8d146f2ed20c","kind":"paragraph","order":930,"section_id":"sec_d2bb2e83-e5a0-414b-b563-5ca5722722c0","character_id":null,"markdown":"GPUクラウドは、実はかなり非効率な例が多いです。","render_override":null},{"id":"blk_4787b4f0-ae0c-415c-a385-f61d204329d7","kind":"paragraph","order":931,"section_id":"sec_d2bb2e83-e5a0-414b-b563-5ca5722722c0","character_id":null,"markdown":"Cast AIの2026年レポートでは、AWS、Azure、Google Cloud上のKubernetesクラスタを分析し、**GPU利用率の平均は5%** とされています。CPUも8%、メモリも20%程度で、かなり過剰プロビジョニングされているという内容です。([Cast AI](https://cast.ai/press-release/2026-state-of-kubernetes-optimization-report/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_2f7653f1-5fa0-495e-878b-9a395cf98c3c","kind":"paragraph","order":932,"section_id":"sec_d2bb2e83-e5a0-414b-b563-5ca5722722c0","character_id":null,"markdown":"一方で、これは「世の中のGPU全部が5%」という意味ではありません。 \n同じCast AIのデータでも、あるH200クラスタでは **49%のGPU利用率** を維持できた例が示されています。([Cast AI](https://cast.ai/blog/2026-state-of-kubernetes-resource-optimization-cpu-at-8-memory-at-20-and-getting-worse/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_0bf5d8c9-1074-4b06-ac7a-6fba56a28880","kind":"paragraph","order":933,"section_id":"sec_d2bb2e83-e5a0-414b-b563-5ca5722722c0","character_id":null,"markdown":"また、xAIの例では、GPUフリートの **MFUが約11%** と報じられています。これは「GPUが完全に止まっている」というより、理論性能に対してモデル学習に有効利用できている割合が低いという意味です。報道では、業界標準として35〜45%程度が比較対象として挙げられています。([Business Insider](https://www.businessinsider.com/elon-musk-xai-compute-cursor-ai-model-training-2026-4?utm_source=chatgpt.com))","render_override":null},{"id":"blk_4a66712f-6e53-4d17-a995-808b6c20849d","kind":"paragraph","order":934,"section_id":"sec_d2bb2e83-e5a0-414b-b563-5ca5722722c0","character_id":null,"markdown":"つまりGPUクラウドの現状はこうです。","render_override":null},{"id":"blk_72d6e70b-0055-439a-83a2-8e680017ca86","kind":"code","order":935,"section_id":"sec_d2bb2e83-e5a0-414b-b563-5ca5722722c0","character_id":null,"markdown":"```\n一般企業・未最適化クラスタ\n → 5〜20%程度の利用率も珍しくない\n\n最適化されたAIラボ・学習クラスタ\n → 35〜50%程度のMFUを狙う\n\n非常に上手い運用\n → 50%前後、場合によってはそれ以上\n```","render_override":null},{"id":"blk_86d177aa-fc58-4b77-a4b7-63a6a949ee47","kind":"paragraph","order":936,"section_id":"sec_d2bb2e83-e5a0-414b-b563-5ca5722722c0","character_id":null,"markdown":"GPUクラウドは汎用性が高いぶん、ワークロードがバラバラです。 \n学習、推論、画像生成、動画生成、RAG、バッチ処理、低遅延APIが混ざるので、綺麗に詰め込むのが難しいです。","render_override":null},{"id":"blk_3e429a5d-36d2-4306-b900-103756356454","kind":"thematic_break","order":937,"section_id":"sec_d2bb2e83-e5a0-414b-b563-5ca5722722c0","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b5e48945-9854-4600-98e1-e1fe267efc8c","kind":"heading","order":938,"section_id":"sec_b50c6acb-2ce6-4849-9963-052cf62a540b","character_id":null,"markdown":"## \\2. GPUクラウドは2030年代にどこまで改善するか","render_override":null},{"id":"blk_acaf858f-f4f4-4ee1-8873-f85a7e11a5ac","kind":"paragraph","order":939,"section_id":"sec_b50c6acb-2ce6-4849-9963-052cf62a540b","character_id":null,"markdown":"2030年代には、GPUクラウドの稼働率はかなり改善すると思います。","render_override":null},{"id":"blk_ae81c12e-e85a-4a94-b200-08d1bf8afb70","kind":"paragraph","order":940,"section_id":"sec_b50c6acb-2ce6-4849-9963-052cf62a540b","character_id":null,"markdown":"理由は、","render_override":null},{"id":"blk_e4b8b4b8-d570-48ef-90eb-830c3c3cf172","kind":"list","order":941,"section_id":"sec_b50c6acb-2ce6-4849-9963-052cf62a540b","character_id":null,"markdown":"- vLLM / PagedAttention\n- SGLang\n- TensorRT-LLM\n- Dynamo系の分散推論\n- prefill/decode分離\n- KV cache管理\n- GPU pooling\n- Kubernetes DRA\n- MIG / time slicing\n- token単位スケジューリング\n- AIによる自動最適化","render_override":null},{"id":"blk_dd71fa1a-6176-4ef1-8595-8ea2326caa81","kind":"paragraph","order":942,"section_id":"sec_b50c6acb-2ce6-4849-9963-052cf62a540b","character_id":null,"markdown":"が進むからです。","render_override":null},{"id":"blk_0b1ea4e5-7402-48d9-86a3-9e0d7a88075d","kind":"paragraph","order":943,"section_id":"sec_b50c6acb-2ce6-4849-9963-052cf62a540b","character_id":null,"markdown":"2030年前後には、GPUクラウドは現在の「GPUインスタンスを貸す」段階から、 \n**トークン、KV cache、SLO、モデル常駐、GPUメモリ単位で管理するクラウドOS** に近づくと思います。","render_override":null},{"id":"blk_1b2fd94f-f516-4a91-8806-2cc5ade45b00","kind":"paragraph","order":944,"section_id":"sec_b50c6acb-2ce6-4849-9963-052cf62a540b","character_id":null,"markdown":"私の予想はこうです。","render_override":null},{"id":"blk_cb13b79f-0479-49e1-88ed-ed37d5781c30","kind":"figure","order":945,"section_id":"sec_b50c6acb-2ce6-4849-9963-052cf62a540b","character_id":null,"markdown":"![](/media/a7c85bc91ce34664e382cc9b80c3ec3d2e4751c04063377f80cc1949bb729901-content.webp)","render_override":null},{"id":"blk_b71d9186-9b30-417c-8fea-05f2a8d2b5fb","kind":"paragraph","order":946,"section_id":"sec_b50c6acb-2ce6-4849-9963-052cf62a540b","character_id":null,"markdown":"ただし、GPUクラウドが常時90%近くになるとは思いません。","render_override":null},{"id":"blk_6974ad05-d818-4f48-b091-2e2f84b5cd31","kind":"paragraph","order":947,"section_id":"sec_b50c6acb-2ce6-4849-9963-052cf62a540b","character_id":null,"markdown":"なぜなら、AI推論は需要変動が大きく、低遅延SLOを守るために余裕容量が必要だからです。 \nCPUクラウドでも、全サーバーを常時95%で回すと障害や遅延に弱くなります。GPUクラウドも同じです。","render_override":null},{"id":"blk_f3174358-11e4-4ead-9322-b783da001d2a","kind":"paragraph","order":948,"section_id":"sec_b50c6acb-2ce6-4849-9963-052cf62a540b","character_id":null,"markdown":"なので、2030年代の理想は、","render_override":null},{"id":"blk_eb1e5472-6a99-4609-bdb0-3469fed1e4f5","kind":"quote","order":949,"section_id":"sec_b50c6acb-2ce6-4849-9963-052cf62a540b","character_id":null,"markdown":"> **100%稼働ではなく、遅延・障害・需要変動を吸収しながら50〜70%台を安定して出すこと**","render_override":null},{"id":"blk_50fc84be-39ec-4085-9d46-e260a5763bc2","kind":"paragraph","order":950,"section_id":"sec_b50c6acb-2ce6-4849-9963-052cf62a540b","character_id":null,"markdown":"だと思います。","render_override":null},{"id":"blk_385c84bb-5b57-4f38-a826-115efaaa309d","kind":"thematic_break","order":951,"section_id":"sec_b50c6acb-2ce6-4849-9963-052cf62a540b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c3527a20-8705-4f73-816d-7dcba56cdeba","kind":"heading","order":952,"section_id":"sec_17e705e8-fffd-4937-90cc-f514e38228ec","character_id":null,"markdown":"## \\3. TPUクラウドの現在の稼働率","render_override":null},{"id":"blk_4008a60a-3dc3-4a0b-8a4d-ba7ecfb05d99","kind":"paragraph","order":953,"section_id":"sec_17e705e8-fffd-4937-90cc-f514e38228ec","character_id":null,"markdown":"TPUクラウドは、GPUクラウドよりも **高効率になりやすい** です。","render_override":null},{"id":"blk_408e8d37-14e6-45d8-9357-cc749b1c3bd4","kind":"paragraph","order":954,"section_id":"sec_17e705e8-fffd-4937-90cc-f514e38228ec","character_id":null,"markdown":"理由は、GoogleがTPUチップ、Pod、ネットワーク、XLA/JAX、クラウド基盤、Gemini系モデルまで垂直統合しているからです。","render_override":null},{"id":"blk_6837fabb-e7d3-42e9-8cc8-926f3a651831","kind":"paragraph","order":955,"section_id":"sec_17e705e8-fffd-4937-90cc-f514e38228ec","character_id":null,"markdown":"GoogleのPaLM論文では、PaLM 540Bを6144個のTPU v4で学習し、**MFU 46.2%** を達成したと報告されています。([arXiv](https://arxiv.org/pdf/2204.02311?utm_source=chatgpt.com))","render_override":null},{"id":"blk_b8a8baa1-c4d1-42ce-b541-4063b84a2e57","kind":"paragraph","order":956,"section_id":"sec_17e705e8-fffd-4937-90cc-f514e38228ec","character_id":null,"markdown":"さらにGoogleのTPU v4ベンチマーク資料では、TPU v4の弱スケーリングで **45〜56% MFU**、最適スケーリングで **44〜50% MFU** という数字が示されています。([Google](https://services.google.com/fh/files/blogs/tpu_v4_benchmarking.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_58fcb494-7c8f-4478-880a-e33d33e7a23d","kind":"paragraph","order":957,"section_id":"sec_17e705e8-fffd-4937-90cc-f514e38228ec","character_id":null,"markdown":"これはかなり強いです。 \nGPUクラウドでは、未最適化だと10%台、一般企業では一桁台もありえます。 \n一方、TPUはGoogle内部の最適化されたワークロードでは、すでに40〜50%台を安定して出しているわけです。","render_override":null},{"id":"blk_339ae6d7-6ca6-4472-b56f-c0819607e0bd","kind":"paragraph","order":958,"section_id":"sec_17e705e8-fffd-4937-90cc-f514e38228ec","character_id":null,"markdown":"ただし注意点があります。","render_override":null},{"id":"blk_965cc7ff-4ef9-4d1a-8972-671b0009cd47","kind":"paragraph","order":959,"section_id":"sec_17e705e8-fffd-4937-90cc-f514e38228ec","character_id":null,"markdown":"これは **Google内部・最適化済み・大規模学習ワークロード** の話です。 \n一般のCloud TPUユーザーが、何も考えずに常に50% MFUを出せるという意味ではありません。","render_override":null},{"id":"blk_68ad7a4f-f8a2-4eb7-9764-9a31781f84fc","kind":"paragraph","order":960,"section_id":"sec_17e705e8-fffd-4937-90cc-f514e38228ec","character_id":null,"markdown":"TPUはコンパイラ、モデル形状、バッチサイズ、JAX/PyTorch/XLA対応、データ入力パイプラインに強く依存します。 \nはまると高効率ですが、はまらないとGPUより扱いにくい場合があります。","render_override":null},{"id":"blk_852465bb-30f7-4f6b-94f1-6859c7d46c07","kind":"thematic_break","order":961,"section_id":"sec_17e705e8-fffd-4937-90cc-f514e38228ec","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ed4f63e1-0238-46ce-ae3f-1e3c9535295f","kind":"heading","order":962,"section_id":"sec_a7666e39-7b9d-4cb7-b17b-0f441665524c","character_id":null,"markdown":"## \\4. TPUクラウドは2030年代にどうなるか","render_override":null},{"id":"blk_270ceea2-a757-492d-8f8e-09c9760c66b9","kind":"paragraph","order":963,"section_id":"sec_a7666e39-7b9d-4cb7-b17b-0f441665524c","character_id":null,"markdown":"TPUは、GPUよりも「クラウド化の完成」が早い可能性があります。","render_override":null},{"id":"blk_5695c220-8ec0-4a6b-97b4-0ea248af848d","kind":"paragraph","order":964,"section_id":"sec_a7666e39-7b9d-4cb7-b17b-0f441665524c","character_id":null,"markdown":"なぜなら、TPUはGoogleが自社クラウド用に設計しているからです。","render_override":null},{"id":"blk_33d62e9a-f790-4759-8752-82a7ccfbbb76","kind":"paragraph","order":965,"section_id":"sec_a7666e39-7b9d-4cb7-b17b-0f441665524c","character_id":null,"markdown":"GPUクラウドは、NVIDIA GPUをAWS、Azure、Oracle、CoreWeave、xAI、Metaなど多くの事業者がそれぞれ運用します。 \n一方TPUは、Google CloudとGoogle内部AI基盤に強く統合されています。","render_override":null},{"id":"blk_116a7612-0f25-4d70-9130-64a664295448","kind":"paragraph","order":966,"section_id":"sec_a7666e39-7b9d-4cb7-b17b-0f441665524c","character_id":null,"markdown":"GoogleのTrillium、つまりTPU v6eは、TPU v5e比で **4.7倍のピーク性能、HBM容量/帯域2倍、ICI帯域2倍、67%のエネルギー効率改善** と説明されています。([Google Cloud](https://cloud.google.com/blog/products/compute/introducing-trillium-6th-gen-tpus?utm_source=chatgpt.com))","render_override":null},{"id":"blk_6099fd88-1f9e-420a-8393-5e0f51961ba6","kind":"paragraph","order":967,"section_id":"sec_a7666e39-7b9d-4cb7-b17b-0f441665524c","character_id":null,"markdown":"また、GoogleはTrilliumをGemini 2.0の学習に使ったと説明しています。([Google Cloud](https://cloud.google.com/blog/products/compute/trillium-tpu-is-ga?utm_source=chatgpt.com))","render_override":null},{"id":"blk_18b6c8cc-7420-4d23-a38c-8ee11bf0177b","kind":"paragraph","order":968,"section_id":"sec_a7666e39-7b9d-4cb7-b17b-0f441665524c","character_id":null,"markdown":"この方向を見ると、TPUクラウドは2030年代にこうなりやすいです。","render_override":null},{"id":"blk_f4d29651-1334-458c-8633-b3195ccb4a86","kind":"figure","order":969,"section_id":"sec_a7666e39-7b9d-4cb7-b17b-0f441665524c","character_id":null,"markdown":"![](/media/bb5fb464c5d5a32c0a85825708ff3c1314cf13a297c39645bd50bdc62eb1ce12-content.webp)","render_override":null},{"id":"blk_05d95054-5f33-46af-8721-d6c8bd6b7c5c","kind":"paragraph","order":970,"section_id":"sec_a7666e39-7b9d-4cb7-b17b-0f441665524c","character_id":null,"markdown":"TPUは、GPUよりも汎用性は低いですが、**Googleが想定するAIワークロードには非常に高効率** になります。","render_override":null},{"id":"blk_a986e002-77bb-41fe-ba5e-9d9d15d0838e","kind":"paragraph","order":971,"section_id":"sec_a7666e39-7b9d-4cb7-b17b-0f441665524c","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_42cd9859-2b44-4e79-8ec3-e56856dc8f3a","kind":"quote","order":972,"section_id":"sec_a7666e39-7b9d-4cb7-b17b-0f441665524c","character_id":null,"markdown":"> **TPUはGPUより稼働率を上げやすいが、用途の幅はGPUより狭い。**","render_override":null},{"id":"blk_b84be45f-a402-4e7a-9c4d-c4b8239dc999","kind":"paragraph","order":973,"section_id":"sec_a7666e39-7b9d-4cb7-b17b-0f441665524c","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_9b3c6475-4eb8-4b3e-8812-a4637b0afd2f","kind":"thematic_break","order":974,"section_id":"sec_a7666e39-7b9d-4cb7-b17b-0f441665524c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4565d722-6f19-4532-b124-1fbaa2cf1806","kind":"heading","order":975,"section_id":"sec_d32d82b3-f2c9-4767-a64c-1da8e863e79a","character_id":null,"markdown":"## \\5. LPUクラウドの現在の稼働率","render_override":null},{"id":"blk_3338da6a-0fe1-4ebc-be66-c50e6ec76c52","kind":"paragraph","order":976,"section_id":"sec_d32d82b3-f2c9-4767-a64c-1da8e863e79a","character_id":null,"markdown":"LPUクラウドについては、GPUやTPUと違って、**フリート全体の稼働率はほぼ公開されていません。**","render_override":null},{"id":"blk_64a306dc-fe54-4256-b780-b70971f3d9b7","kind":"paragraph","order":977,"section_id":"sec_d32d82b3-f2c9-4767-a64c-1da8e863e79a","character_id":null,"markdown":"なので、正確に「今は何%」とは言えません。","render_override":null},{"id":"blk_4b5ade55-fb32-41ee-8438-c7b8ba0a8efa","kind":"paragraph","order":978,"section_id":"sec_d32d82b3-f2c9-4767-a64c-1da8e863e79a","character_id":null,"markdown":"ただし、構造的にはかなり特徴があります。","render_override":null},{"id":"blk_7f878d3b-72f5-40c7-af36-d4d998eb496a","kind":"paragraph","order":979,"section_id":"sec_d32d82b3-f2c9-4767-a64c-1da8e863e79a","character_id":null,"markdown":"GroqはLPUについて、オンチップSRAMを使い、コンパイラで静的スケジューリングし、決定論的に実行する構成だと説明しています。([Groq](https://groq.com/lpu-architecture?utm_source=chatgpt.com))","render_override":null},{"id":"blk_08827f75-c91a-4ff8-86f5-a6d09d2f8ee0","kind":"paragraph","order":980,"section_id":"sec_d32d82b3-f2c9-4767-a64c-1da8e863e79a","character_id":null,"markdown":"またGroqCloudは、リアルタイム推論に必要な低遅延・高効率なLLM推論を提供するものとして説明されています。([Groq](https://groq.com/newsroom/demand-for-real-time-ai-inference-from-groq-accelerates-week-over-week?utm_source=chatgpt.com))","render_override":null},{"id":"blk_622a435d-a49a-479f-8e09-0112e97126b6","kind":"paragraph","order":981,"section_id":"sec_d32d82b3-f2c9-4767-a64c-1da8e863e79a","character_id":null,"markdown":"LPUはGPUと違い、主に **LLM推論、特にdecode / token generation** に最適化されています。","render_override":null},{"id":"blk_0d34907a-3650-457e-81d0-b41226de7109","kind":"paragraph","order":982,"section_id":"sec_d32d82b3-f2c9-4767-a64c-1da8e863e79a","character_id":null,"markdown":"つまり、1つ1つの対応モデルを動かしている瞬間の効率は高くなりやすいです。 \nしかし、クラウド全体の稼働率は別問題です。","render_override":null},{"id":"blk_df4bfd7d-fea7-4afc-885b-0ec40595e968","kind":"paragraph","order":983,"section_id":"sec_d32d82b3-f2c9-4767-a64c-1da8e863e79a","character_id":null,"markdown":"LPUクラウドの稼働率を決めるのは、","render_override":null},{"id":"blk_d4f8d35f-ac84-4163-8004-821dbe00d3ba","kind":"list","order":984,"section_id":"sec_d32d82b3-f2c9-4767-a64c-1da8e863e79a","character_id":null,"markdown":"- 対応モデル数\n- ユーザー需要\n- リアルタイムSLO\n- 待ち行列をどれだけ許すか\n- バッチ処理を混ぜられるか\n- 音声AIやエージェント需要の量\n- モデル更新頻度\n- SRAM容量に収まる構成か","render_override":null},{"id":"blk_ba62d905-34e1-4c3c-899a-3df221fb582f","kind":"paragraph","order":985,"section_id":"sec_d32d82b3-f2c9-4767-a64c-1da8e863e79a","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_3fb1782c-0a9b-4e7a-9a6a-57c942a8ece8","kind":"paragraph","order":986,"section_id":"sec_d32d82b3-f2c9-4767-a64c-1da8e863e79a","character_id":null,"markdown":"LPUは低遅延が売りなので、GPUのように大きくバッチングして常時パンパンに詰めると、応答速度の強みが失われやすいです。","render_override":null},{"id":"blk_aa5b2e0e-d844-4ca7-883d-8f335905358f","kind":"paragraph","order":987,"section_id":"sec_d32d82b3-f2c9-4767-a64c-1da8e863e79a","character_id":null,"markdown":"なので、LPUクラウドは、","render_override":null},{"id":"blk_1955533d-4004-4494-9ca6-e6fbd02aa919","kind":"quote","order":988,"section_id":"sec_d32d82b3-f2c9-4767-a64c-1da8e863e79a","character_id":null,"markdown":"> **チップ単体・対応モデル単位では高効率。 \n> ただしフリート全体では、低遅延のために余裕容量を持つ必要がある。**","render_override":null},{"id":"blk_173dbf73-c883-4402-8025-f2f41f15d7f4","kind":"paragraph","order":989,"section_id":"sec_d32d82b3-f2c9-4767-a64c-1da8e863e79a","character_id":null,"markdown":"という構造になります。","render_override":null},{"id":"blk_50548135-c6a6-4fcb-bf8d-c6bd310802fb","kind":"thematic_break","order":990,"section_id":"sec_d32d82b3-f2c9-4767-a64c-1da8e863e79a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_55afb6e2-cc3e-4b4c-bbf9-639a82feb9b4","kind":"heading","order":991,"section_id":"sec_38fea9f4-4c5a-4b32-bd81-225d5d883d90","character_id":null,"markdown":"## \\6. LPUクラウドは2030年代にどうなるか","render_override":null},{"id":"blk_cee2b3dc-5c05-42b2-98fe-84e1e3ef8a5e","kind":"paragraph","order":992,"section_id":"sec_38fea9f4-4c5a-4b32-bd81-225d5d883d90","character_id":null,"markdown":"LPUクラウドは、2030年代にかなり伸びる可能性があります。 \n特にAIエージェント、音声AI、リアルタイム対話、ゲームNPC、AITuber、カスタマーサポートでは強いです。","render_override":null},{"id":"blk_6b19143f-db13-4a95-8b80-3e2e43429b34","kind":"paragraph","order":993,"section_id":"sec_38fea9f4-4c5a-4b32-bd81-225d5d883d90","character_id":null,"markdown":"ただし、GPUやTPUと違って、LPUはかなり推論特化です。","render_override":null},{"id":"blk_42e1d0a9-6e6e-497b-acea-b1f7d044fd27","kind":"paragraph","order":994,"section_id":"sec_38fea9f4-4c5a-4b32-bd81-225d5d883d90","character_id":null,"markdown":"私の見立てではこうです。","render_override":null},{"id":"blk_b60c5881-d0ec-43aa-b26c-f7bfdc1d846d","kind":"figure","order":995,"section_id":"sec_38fea9f4-4c5a-4b32-bd81-225d5d883d90","character_id":null,"markdown":"![](/media/194fa7523e3bfe0f400273e5bc29d7791827948cf759dfbb29c925f7f99f1bd6-content.webp)","render_override":null},{"id":"blk_a720daca-a073-40d5-a4dd-d2c53daf712d","kind":"paragraph","order":996,"section_id":"sec_38fea9f4-4c5a-4b32-bd81-225d5d883d90","character_id":null,"markdown":"ただし、LPUには構造的な上限もあります。","render_override":null},{"id":"blk_217dfc90-4cfe-45d9-9822-371f422d20f3","kind":"paragraph","order":997,"section_id":"sec_38fea9f4-4c5a-4b32-bd81-225d5d883d90","character_id":null,"markdown":"低遅延を守るためには、GPUのバッチ推論のように「待たせてまとめて処理する」ことが難しいです。 \nそのため、フリート全体を常時80〜90%で回すより、**余裕を持って50〜70%台で低遅延を維持する**方が現実的です。","render_override":null},{"id":"blk_76934df1-3706-447e-9f10-9193ce711460","kind":"thematic_break","order":998,"section_id":"sec_38fea9f4-4c5a-4b32-bd81-225d5d883d90","character_id":null,"markdown":"---","render_override":null},{"id":"blk_0b9047fb-5814-4325-88aa-25947d630d82","kind":"heading","order":999,"section_id":"sec_6469f556-42cd-4404-803b-318074aba2d8","character_id":null,"markdown":"## \\7. GPU、TPU、LPUの2030年代の違い","render_override":null},{"id":"blk_02c20606-91d1-45ad-8a0f-e0c18ba60359","kind":"paragraph","order":1000,"section_id":"sec_6469f556-42cd-4404-803b-318074aba2d8","character_id":null,"markdown":"2030年代には、それぞれのクラウドはこう分化すると思います。","render_override":null},{"id":"blk_c9d298d2-b812-45f8-826d-ad405fe11296","kind":"code","order":1001,"section_id":"sec_6469f556-42cd-4404-803b-318074aba2d8","character_id":null,"markdown":"```\nGPUクラウド\n 汎用AIクラウド。\n 学習、推論、画像、動画、VLA、HPCまで担当。\n 稼働率改善余地が最大。\n\nTPUクラウド\n Google型の高効率AIクラウド。\n 大規模学習・推論で高MFUを狙う。\n 用途はGPUより狭いが、はまると非常に強い。\n\nLPUクラウド\n 低遅延LLM推論クラウド。\n 音声対話、エージェント、リアルタイム応答に強い。\n フリート稼働率は需要変動とSLOに左右される。\n```","render_override":null},{"id":"blk_39673f94-9ad3-478b-9c22-6073c716ff82","kind":"paragraph","order":1002,"section_id":"sec_6469f556-42cd-4404-803b-318074aba2d8","character_id":null,"markdown":"表にするとこうです。","render_override":null},{"id":"blk_0f8572fb-0790-415c-9124-2a66d3b284bb","kind":"figure","order":1003,"section_id":"sec_6469f556-42cd-4404-803b-318074aba2d8","character_id":null,"markdown":"![](/media/9844e10e1232b70e592b74aa615e9c01d2e8f705f26b7be3fe9d23d435d97f1a-content.webp)","render_override":null},{"id":"blk_fba4e094-85cc-4740-b789-613e3613f31a","kind":"thematic_break","order":1004,"section_id":"sec_6469f556-42cd-4404-803b-318074aba2d8","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2130d71f-a4eb-45df-8e22-0be9c87872c4","kind":"heading","order":1005,"section_id":"sec_ead07dbe-49c3-4584-986d-591bc7da4baa","character_id":null,"markdown":"## \\8. どれが一番高稼働になりやすいか","render_override":null},{"id":"blk_4f634a69-186d-406d-9f89-27cc032e5732","kind":"paragraph","order":1006,"section_id":"sec_ead07dbe-49c3-4584-986d-591bc7da4baa","character_id":null,"markdown":"単純に「チップをどれだけ使い切れるか」だけで見ると、私はこう見ます。","render_override":null},{"id":"blk_2ef5beba-5ff4-4b49-ac2a-a343ec993e29","kind":"heading","order":1007,"section_id":"sec_817a13dd-ada1-489a-8f00-9b13d423e756","character_id":null,"markdown":"## 1位：TPU","render_override":null},{"id":"blk_6d54ccdf-29dc-476a-9321-871c74db7d14","kind":"paragraph","order":1008,"section_id":"sec_817a13dd-ada1-489a-8f00-9b13d423e756","character_id":null,"markdown":"TPUは垂直統合されており、Google内部のワークロードに最適化されています。 \nモデル、コンパイラ、ネットワーク、クラウド、データセンターをまとめて設計できるため、高MFUを出しやすいです。","render_override":null},{"id":"blk_e81e0e7a-2eaa-4b8e-b4ce-9ae4c6e517b9","kind":"heading","order":1009,"section_id":"sec_8d2b2352-24dc-4d96-8a3a-4886849636a9","character_id":null,"markdown":"## 2位：LPU","render_override":null},{"id":"blk_676b7ff0-3067-4a0f-bba8-e07b81f8226f","kind":"paragraph","order":1010,"section_id":"sec_8d2b2352-24dc-4d96-8a3a-4886849636a9","character_id":null,"markdown":"LPUは対応モデルに限れば非常に効率的です。 \nただし低遅延推論なので、需要変動を吸収するための余裕が必要です。 \nそのため、チップ単体効率は高いが、フリート全体は常時満杯にはしにくいです。","render_override":null},{"id":"blk_67907edd-d1bb-4209-a315-54b8223ad1bb","kind":"heading","order":1011,"section_id":"sec_ec3e4002-b00e-4b05-898f-da562e00288a","character_id":null,"markdown":"## 3位：GPU","render_override":null},{"id":"blk_df966c39-b402-44af-a012-25386384005e","kind":"paragraph","order":1012,"section_id":"sec_ec3e4002-b00e-4b05-898f-da562e00288a","character_id":null,"markdown":"GPUは最も汎用ですが、そのぶん無駄も出やすいです。 \nただし2030年代にGPUクラウドOSが成熟すれば、現在からの改善幅は最も大きいです。","render_override":null},{"id":"blk_e50c8644-11bf-499f-816a-a21d28fbe964","kind":"paragraph","order":1013,"section_id":"sec_ec3e4002-b00e-4b05-898f-da562e00288a","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_3d613cf0-3609-4a68-ad1d-324d62e2e96e","kind":"quote","order":1014,"section_id":"sec_ec3e4002-b00e-4b05-898f-da562e00288a","character_id":null,"markdown":"> **現在の完成度は TPU \\> LPU \\> GPU** \n> **今後の改善余地は GPU \\> LPU \\> TPU**","render_override":null},{"id":"blk_a7a6f395-ae10-4ed7-a545-ac79c92c3f56","kind":"paragraph","order":1015,"section_id":"sec_ec3e4002-b00e-4b05-898f-da562e00288a","character_id":null,"markdown":"というイメージです。","render_override":null},{"id":"blk_4c7ed85f-b7b9-4eeb-91f0-a2c6b857d115","kind":"thematic_break","order":1016,"section_id":"sec_ec3e4002-b00e-4b05-898f-da562e00288a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_43142738-3f43-4a10-95d9-840a8a56f2ab","kind":"heading","order":1017,"section_id":"sec_8f12e21c-a647-4540-b7a5-60d64a926cf8","character_id":null,"markdown":"## \\1. TPU優位か？","render_override":null},{"id":"blk_9c14e549-0616-4caf-8f1c-f791166b75a8","kind":"paragraph","order":1018,"section_id":"sec_8f12e21c-a647-4540-b7a5-60d64a926cf8","character_id":null,"markdown":"**特定条件ではTPU優位です。**","render_override":null},{"id":"blk_76d2e0c4-339a-475d-984b-b0cb2ce56005","kind":"paragraph","order":1019,"section_id":"sec_8f12e21c-a647-4540-b7a5-60d64a926cf8","character_id":null,"markdown":"理由は、TPUは最初から「クラウドで巨大AIを動かす」ためにGoogleが設計しているからです。","render_override":null},{"id":"blk_887c4daa-d531-4bc1-8dfe-5d746b53084f","kind":"paragraph","order":1020,"section_id":"sec_8f12e21c-a647-4540-b7a5-60d64a926cf8","character_id":null,"markdown":"GPUはもともと汎用並列計算のチップです。AIにも非常に強いですが、ゲーム、HPC、画像処理、動画、レンダリング、科学計算などにも使える汎用アクセラレータです。","render_override":null},{"id":"blk_8b3d533c-74aa-40e4-b273-fabc47087fa9","kind":"paragraph","order":1021,"section_id":"sec_8f12e21c-a647-4540-b7a5-60d64a926cf8","character_id":null,"markdown":"一方、TPUはかなりAI特化です。","render_override":null},{"id":"blk_ad985694-6783-4caf-8649-6d3b1183e651","kind":"paragraph","order":1022,"section_id":"sec_8f12e21c-a647-4540-b7a5-60d64a926cf8","character_id":null,"markdown":"特にGoogle Cloud TPU v6e、つまりTrilliumは、Transformer、text-to-image、CNNの学習・ファインチューニング・サービング向けに最適化されています。GoogleはTrilliumについて、TPU v5e比でピーク性能4.7倍、HBM容量/帯域2倍、チップ間相互接続帯域2倍、エネルギー効率67%以上改善と説明しています。([Google Cloud](https://cloud.google.com/blog/ja/products/compute/introducing-trillium-6th-gen-tpus?utm_source=chatgpt.com))","render_override":null},{"id":"blk_8b4777d2-ef45-4d68-bd72-330e79008b1a","kind":"paragraph","order":1023,"section_id":"sec_8f12e21c-a647-4540-b7a5-60d64a926cf8","character_id":null,"markdown":"つまりTPUは、","render_override":null},{"id":"blk_ee42c64c-1163-4b97-9730-623e70677a62","kind":"list","order":1024,"section_id":"sec_8f12e21c-a647-4540-b7a5-60d64a926cf8","character_id":null,"markdown":"- チップ\n- Pod構成\n- ネットワーク\n- XLA/JAX/TensorFlow/PyTorch/XLA\n- Google Cloud\n- Gemini系モデル\n- Google内部の運用ノウハウ","render_override":null},{"id":"blk_5c9f1f09-5a21-47fa-888a-b338ef6933a8","kind":"paragraph","order":1025,"section_id":"sec_8f12e21c-a647-4540-b7a5-60d64a926cf8","character_id":null,"markdown":"が一体で設計されています。","render_override":null},{"id":"blk_c689b6ad-87e3-4eda-a4cd-413b8fdf4427","kind":"paragraph","order":1026,"section_id":"sec_8f12e21c-a647-4540-b7a5-60d64a926cf8","character_id":null,"markdown":"そのため、**決まった大規模AIワークロードを高稼働・高効率で流す**という視点では、GPUクラウドより有利になりやすいです。","render_override":null},{"id":"blk_ffcd1dff-e52d-47fa-b90a-281821cd10ed","kind":"thematic_break","order":1027,"section_id":"sec_8f12e21c-a647-4540-b7a5-60d64a926cf8","character_id":null,"markdown":"---","render_override":null},{"id":"blk_8d86a865-b5ed-497e-bbf4-6dc4035fe4b1","kind":"heading","order":1028,"section_id":"sec_5a76a28d-1207-4c3e-b61c-85605e6c3e9b","character_id":null,"markdown":"## \\2. GPUよりTPUが有利な場面","render_override":null},{"id":"blk_de545ba4-f1d8-40da-aeb0-26763ff1583d","kind":"paragraph","order":1029,"section_id":"sec_5a76a28d-1207-4c3e-b61c-85605e6c3e9b","character_id":null,"markdown":"TPUが強いのは、こういう場面です。","render_override":null},{"id":"blk_39a593d2-e415-4c70-b8e4-53512e92f38f","kind":"paragraph","order":1030,"section_id":"sec_5a76a28d-1207-4c3e-b61c-85605e6c3e9b","character_id":null,"markdown":"条件TPU優位になりやすい理由大規模Transformer学習TPU Pod全体で最適化しやすいGoogle Cloud上で完結ハード・ソフト・クラウドが統合されているJAX/XLAと相性がよいモデルコンパイラ最適化を効かせやすい同じ型のモデルを大量に回す稼働率を上げやすい電力効率が重要専用設計でワット性能を上げやすい長期契約の大口AI企業専用キャパシティを組みやすい","render_override":null},{"id":"blk_16a1b4d0-0b6f-4b46-b889-ae2f209d3635","kind":"paragraph","order":1031,"section_id":"sec_5a76a28d-1207-4c3e-b61c-85605e6c3e9b","character_id":null,"markdown":"特に「稼働率」という視点では、TPUはかなり強いです。","render_override":null},{"id":"blk_78ed0cf1-8e09-4f43-81b9-6152c511ff27","kind":"paragraph","order":1032,"section_id":"sec_5a76a28d-1207-4c3e-b61c-85605e6c3e9b","character_id":null,"markdown":"GPUクラウドは、色々な会社が色々なワークロードを載せるため、無駄が出やすいです。 \nTPUはGoogleが想定するAIワークロードに寄せられるので、**クラウド全体で計算資源を詰め込みやすい**。","render_override":null},{"id":"blk_91e6ddec-90ef-4d8e-879c-bbef54f7989d","kind":"paragraph","order":1033,"section_id":"sec_5a76a28d-1207-4c3e-b61c-85605e6c3e9b","character_id":null,"markdown":"だから、**“Googleが使うAIインフラ”としてはTPUは非常に強い**です。","render_override":null},{"id":"blk_b2e175a7-bb30-403d-a87d-c2340870cb50","kind":"thematic_break","order":1034,"section_id":"sec_5a76a28d-1207-4c3e-b61c-85605e6c3e9b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b4ea5cd6-33d1-4473-a974-21c12c57be8f","kind":"heading","order":1035,"section_id":"sec_c92366fd-a1d0-4203-8928-a80dd44a4bcc","character_id":null,"markdown":"## \\3. では、TPUがGPUより売れる世界線はあるか？","render_override":null},{"id":"blk_67d7977c-763b-439d-8018-5990cb793935","kind":"paragraph","order":1036,"section_id":"sec_c92366fd-a1d0-4203-8928-a80dd44a4bcc","character_id":null,"markdown":"あります。 \nただし、かなり限定的に考える必要があります。","render_override":null},{"id":"blk_5db0c572-7596-4186-bf94-a136974aacc8","kind":"paragraph","order":1037,"section_id":"sec_c92366fd-a1d0-4203-8928-a80dd44a4bcc","character_id":null,"markdown":"まず「売れる」を3種類に分けた方がいいです。","render_override":null},{"id":"blk_f10252d9-333a-4b55-a7cb-b696ce0e07f1","kind":"paragraph","order":1038,"section_id":"sec_c92366fd-a1d0-4203-8928-a80dd44a4bcc","character_id":null,"markdown":"意味TPUがGPUより上回る可能性Google内部で使われるAI計算量かなりありえるGoogle Cloud上のAI計算量一部領域でありえる世界全体のAIアクセラレータ売上かなり難しい外販チップとしてNVIDIA GPUより売れる現状ではかなり難しい","render_override":null},{"id":"blk_410d256a-5002-40ed-b835-06a18bc8fc09","kind":"paragraph","order":1039,"section_id":"sec_c92366fd-a1d0-4203-8928-a80dd44a4bcc","character_id":null,"markdown":"つまり、**Google内部・Google Cloud内ではTPUがGPUを大きく上回る世界線はありえます。** \nでも、**世界全体の市場売上でNVIDIA GPUをTPUが超える**となると、難易度はかなり上がります。","render_override":null},{"id":"blk_d367eb7c-3380-4c9a-8dc3-9f85196e40c1","kind":"thematic_break","order":1040,"section_id":"sec_c92366fd-a1d0-4203-8928-a80dd44a4bcc","character_id":null,"markdown":"---","render_override":null},{"id":"blk_be6a7e6a-b9b4-483b-a7ff-326f97fa0c28","kind":"heading","order":1041,"section_id":"sec_3b9295d9-2076-4d25-96c3-2028c904e45e","character_id":null,"markdown":"## \\4. なぜ世界全体ではGPUがまだ強いのか","render_override":null},{"id":"blk_786aa136-7b01-424d-bed6-ed4a40508c6a","kind":"paragraph","order":1042,"section_id":"sec_3b9295d9-2076-4d25-96c3-2028c904e45e","character_id":null,"markdown":"理由は単純で、GPUには巨大なエコシステムがあるからです。","render_override":null},{"id":"blk_4f0111f9-5d76-4f7f-9670-7d890163272f","kind":"paragraph","order":1043,"section_id":"sec_3b9295d9-2076-4d25-96c3-2028c904e45e","character_id":null,"markdown":"GPU、特にNVIDIA GPUには、","render_override":null},{"id":"blk_541382cf-c4a8-4e1b-870c-7b7bcbcabb35","kind":"list","order":1044,"section_id":"sec_3b9295d9-2076-4d25-96c3-2028c904e45e","character_id":null,"markdown":"- CUDA\n- PyTorch\n- TensorRT\n- NCCL\n- cuDNN\n- 開発者人口\n- 既存コード資産\n- サードパーティクラウド\n- ネオクラウド\n- 研究者コミュニティ\n- 画像/動画/HPC/ロボティクス対応","render_override":null},{"id":"blk_370ecb7b-077b-44b5-a879-4ca275f7279c","kind":"paragraph","order":1045,"section_id":"sec_3b9295d9-2076-4d25-96c3-2028c904e45e","character_id":null,"markdown":"があります。","render_override":null},{"id":"blk_21aa8a96-b1bf-40b5-a0b2-7a180ee39f65","kind":"paragraph","order":1046,"section_id":"sec_3b9295d9-2076-4d25-96c3-2028c904e45e","character_id":null,"markdown":"NVIDIAの2026年度第4四半期決算では、データセンター売上が623億ドル、全社売上が681億ドル、2026年度通年売上が2159億ドルと発表されています。これは、NVIDIA GPUがすでに巨大な外販市場を形成していることを示します。([NVIDIA Newsroom](https://nvidianews.nvidia.com/news/nvidia-announces-financial-results-for-fourth-quarter-and-fiscal-2026?utm_source=chatgpt.com))","render_override":null},{"id":"blk_8098753f-3d62-450a-a976-720504e03711","kind":"paragraph","order":1047,"section_id":"sec_3b9295d9-2076-4d25-96c3-2028c904e45e","character_id":null,"markdown":"一方、GoogleはTPU売上をNVIDIAのように単独開示していません。TPUはGoogle内部利用、Google Cloud提供、特定パートナー向け供給という性格が強く、**独立した外販チップ市場としてGPUと同じ土俵に立っているわけではありません。**","render_override":null},{"id":"blk_205f93d7-04d9-4bd0-b6cb-9e3c2377f095","kind":"thematic_break","order":1048,"section_id":"sec_3b9295d9-2076-4d25-96c3-2028c904e45e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9d0476ad-c4c9-4fce-afe0-4f454363f1e1","kind":"heading","order":1049,"section_id":"sec_875c6310-9cc9-4868-a16e-427d6491ed57","character_id":null,"markdown":"## \\5. ただし、TPUが伸びる強い兆候はある","render_override":null},{"id":"blk_6a9e1349-b4ac-46e9-a8d4-dec5f9d039d7","kind":"paragraph","order":1050,"section_id":"sec_875c6310-9cc9-4868-a16e-427d6491ed57","character_id":null,"markdown":"かなり重要なのがAnthropicです。","render_override":null},{"id":"blk_e44a7057-41f4-4637-b759-287ac5da91bd","kind":"paragraph","order":1051,"section_id":"sec_875c6310-9cc9-4868-a16e-427d6491ed57","character_id":null,"markdown":"Anthropicは2026年4月、GoogleおよびBroadcomとの提携拡大を発表し、2027年からオンラインになる予定の**複数ギガワット規模の次世代TPU capacity**を利用すると説明しています。これはClaudeのfrontier modelや顧客需要を支えるための計算基盤です。([Anthropic](https://www.anthropic.com/news/google-broadcom-partnership-compute?utm_source=chatgpt.com))","render_override":null},{"id":"blk_a35e0ef0-7a4c-45f8-a558-a89bf83a0415","kind":"paragraph","order":1052,"section_id":"sec_875c6310-9cc9-4868-a16e-427d6491ed57","character_id":null,"markdown":"これは非常に大きいです。","render_override":null},{"id":"blk_265aafb4-b6a5-4fe1-a66e-59531b10e531","kind":"paragraph","order":1053,"section_id":"sec_875c6310-9cc9-4868-a16e-427d6491ed57","character_id":null,"markdown":"つまりTPUは、もはや単なる「Google内部専用チップ」ではなく、","render_override":null},{"id":"blk_30b39059-0206-4296-8ffb-47e31497201e","kind":"quote","order":1054,"section_id":"sec_875c6310-9cc9-4868-a16e-427d6491ed57","character_id":null,"markdown":"> Google Cloudを通じて、Anthropicのような外部AI企業の巨大計算基盤にもなっている","render_override":null},{"id":"blk_7b049bd5-8186-4dfe-b4e5-bc3481072132","kind":"paragraph","order":1055,"section_id":"sec_875c6310-9cc9-4868-a16e-427d6491ed57","character_id":null,"markdown":"ということです。","render_override":null},{"id":"blk_208b7a4f-53a6-4e77-854d-478ffdd6af34","kind":"paragraph","order":1056,"section_id":"sec_875c6310-9cc9-4868-a16e-427d6491ed57","character_id":null,"markdown":"この流れが続くと、TPUは**Google内部 + 外部大口AI企業向けの巨大AIクラウド基盤**として、かなり大きくなります。","render_override":null},{"id":"blk_810cf9f6-0a16-4719-8169-141120cc4fb5","kind":"thematic_break","order":1057,"section_id":"sec_875c6310-9cc9-4868-a16e-427d6491ed57","character_id":null,"markdown":"---","render_override":null},{"id":"blk_e2a61213-e326-499e-b5e3-8f392aad3b90","kind":"heading","order":1058,"section_id":"sec_0bd8bf6a-99a8-460a-8141-884da6bb79e4","character_id":null,"markdown":"## \\6. これはGoogle内部でしかできないことか？","render_override":null},{"id":"blk_518d41b3-11f2-4ca6-a4d2-35b1084bd8f3","kind":"paragraph","order":1059,"section_id":"sec_0bd8bf6a-99a8-460a-8141-884da6bb79e4","character_id":null,"markdown":"**完全にGoogle内部だけではありません。**","render_override":null},{"id":"blk_2dfa6432-2fd9-4a13-b2a7-2682893097f0","kind":"paragraph","order":1060,"section_id":"sec_0bd8bf6a-99a8-460a-8141-884da6bb79e4","character_id":null,"markdown":"Cloud TPUはGoogle Cloudのサービスとして外部顧客にも提供されています。Google CloudのTPUページでは、Trilliumが北米、欧州、アジア北東リージョンで一般提供されていると説明されています。([Google Cloud](https://cloud.google.com/tpu?utm_source=chatgpt.com))","render_override":null},{"id":"blk_a47fa225-7cc3-470c-af3b-6c6288a029e3","kind":"paragraph","order":1061,"section_id":"sec_0bd8bf6a-99a8-460a-8141-884da6bb79e4","character_id":null,"markdown":"つまり外部企業も、Google Cloud上でTPUを使えます。","render_override":null},{"id":"blk_79b79caf-6aae-46d0-b206-18992d5e1066","kind":"paragraph","order":1062,"section_id":"sec_0bd8bf6a-99a8-460a-8141-884da6bb79e4","character_id":null,"markdown":"ただし、重要なのはここです。","render_override":null},{"id":"blk_d7c60c2e-f8a4-4dae-9036-090ba34b2522","kind":"quote","order":1063,"section_id":"sec_0bd8bf6a-99a8-460a-8141-884da6bb79e4","character_id":null,"markdown":"> **TPUを本当に高効率で使い切るには、Googleのクラウド・コンパイラ・モデル設計・運用思想にかなり乗る必要がある。**","render_override":null},{"id":"blk_2bec376f-32b8-457e-8f95-b76ab2f9eac4","kind":"paragraph","order":1064,"section_id":"sec_0bd8bf6a-99a8-460a-8141-884da6bb79e4","character_id":null,"markdown":"なので、物理的には外部企業も使えます。 \nでも、GPUのように「どのクラウドでも、どのフレームワークでも、既存CUDA資産をそのまま移植して使う」という自由度は低いです。","render_override":null},{"id":"blk_7c39293c-deba-42d0-a870-9ce04278b57d","kind":"thematic_break","order":1065,"section_id":"sec_0bd8bf6a-99a8-460a-8141-884da6bb79e4","character_id":null,"markdown":"---","render_override":null},{"id":"blk_be724e5b-6863-4069-a517-a08e1ddd113f","kind":"heading","order":1066,"section_id":"sec_255f8c39-d197-4e68-b2eb-f170ef0d535d","character_id":null,"markdown":"## \\7. TPUがGPUより売れるための条件","render_override":null},{"id":"blk_9c7cf8e0-cfa2-451d-bf54-c1abe57eb042","kind":"paragraph","order":1067,"section_id":"sec_255f8c39-d197-4e68-b2eb-f170ef0d535d","character_id":null,"markdown":"TPUが本当にGPUより大きくなるには、以下の条件が必要です。","render_override":null},{"id":"blk_a70ce8e8-770e-40de-be43-e35ed4a3fa7d","kind":"heading","order":1068,"section_id":"sec_5c7f9286-e6b7-4217-8bbc-8a6703e874ff","character_id":null,"markdown":"## 条件1：Google CloudがAI企業の主要インフラになる","render_override":null},{"id":"blk_cda894d2-3611-4172-8e31-8e50480e3f42","kind":"paragraph","order":1069,"section_id":"sec_5c7f9286-e6b7-4217-8bbc-8a6703e874ff","character_id":null,"markdown":"Anthropicのような大口企業が増え、OpenAI、Meta、xAI、Mistral、Cohere、各国Sovereign AIなどがGoogle TPUを大規模採用する世界です。","render_override":null},{"id":"blk_eafe2ef6-a5dc-4f17-9460-1aab50add71f","kind":"paragraph","order":1070,"section_id":"sec_5c7f9286-e6b7-4217-8bbc-8a6703e874ff","character_id":null,"markdown":"これは一部ありえますが、各社はNVIDIA GPU、AMD GPU、自社ASICも併用するでしょう。","render_override":null},{"id":"blk_41863a53-74f1-4940-af4a-6fe5db0ee65d","kind":"heading","order":1071,"section_id":"sec_bcddbdf0-4f00-4066-90c8-b93941ab3ce2","character_id":null,"markdown":"## 条件2：TPUがGPUより明確に安い/速い/省電力になる","render_override":null},{"id":"blk_b0d2511d-3d4a-4abc-9dcb-464becf64812","kind":"paragraph","order":1072,"section_id":"sec_bcddbdf0-4f00-4066-90c8-b93941ab3ce2","character_id":null,"markdown":"Trilliumのように、世代ごとに電力効率と性能が大きく上がれば、クラウド事業者やAI企業にとってTPUは魅力的です。GoogleはTrilliumについて、v5e比で67%以上のエネルギー効率改善を示しています。([Google Cloud](https://cloud.google.com/blog/ja/products/compute/introducing-trillium-6th-gen-tpus?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e6f68368-10ec-479b-88d1-d319b34f9a76","kind":"paragraph","order":1073,"section_id":"sec_bcddbdf0-4f00-4066-90c8-b93941ab3ce2","character_id":null,"markdown":"AIデータセンターでは電力が制約になるので、これは非常に重要です。","render_override":null},{"id":"blk_6b73c890-71cc-4673-a548-d634a6661ebf","kind":"heading","order":1074,"section_id":"sec_3df34a4d-d6d9-4573-be30-d6478058bc41","character_id":null,"markdown":"## 条件3：JAX/XLA/TPU対応がもっと楽になる","render_override":null},{"id":"blk_e21eaaea-4576-4ea7-b518-f219e41bb91c","kind":"paragraph","order":1075,"section_id":"sec_3df34a4d-d6d9-4573-be30-d6478058bc41","character_id":null,"markdown":"開発者が「GPUからTPUに移るのが面倒」と感じるうちは、GPU優位は崩れにくいです。","render_override":null},{"id":"blk_f0922840-1edd-41bb-9d66-d439032546f4","kind":"paragraph","order":1076,"section_id":"sec_3df34a4d-d6d9-4573-be30-d6478058bc41","character_id":null,"markdown":"TPUが広がるには、PyTorch/XLAやJAXの体験がさらに良くなり、GPUとの差が減る必要があります。","render_override":null},{"id":"blk_0f8cffb7-47f6-4539-af98-35c2a0778153","kind":"heading","order":1077,"section_id":"sec_f2690cf1-cfde-40a8-8504-0e43c89fe267","character_id":null,"markdown":"## 条件4：GoogleがTPUをもっと外に開く","render_override":null},{"id":"blk_8aee9936-4903-4d32-900e-a0d8d078c1bd","kind":"paragraph","order":1078,"section_id":"sec_f2690cf1-cfde-40a8-8504-0e43c89fe267","character_id":null,"markdown":"ここが最大の分岐です。","render_override":null},{"id":"blk_242bafb0-f68f-4b26-b4ce-2dbf5b0bb625","kind":"paragraph","order":1079,"section_id":"sec_f2690cf1-cfde-40a8-8504-0e43c89fe267","character_id":null,"markdown":"今のTPUは、基本的にGoogle Cloud中心です。 \nもし将来的に、Google/Broadcom連合がTPU capacityをより広く提供し、Google Cloud以外の形でも利用しやすくなれば、TPUの市場は大きく広がります。","render_override":null},{"id":"blk_de9a702e-0fd8-4843-8374-1683c93af7cc","kind":"paragraph","order":1080,"section_id":"sec_f2690cf1-cfde-40a8-8504-0e43c89fe267","character_id":null,"markdown":"Anthropicとの提携では、Google Cloud servicesとBroadcom経由のGoogle-built TPUsへのアクセスが含まれると発表されています。これは、TPU供給がGoogle内部だけに閉じていないことを示す重要な材料です。([Google Cloud Press Corner](https://www.googlecloudpresscorner.com/2026-04-06-Anthropic-Expands-Use-of-Google-Cloud-and-TPUs?utm_source=chatgpt.com))","render_override":null},{"id":"blk_f014bfcc-9c1f-4f29-bece-13d38af9fac2","kind":"thematic_break","order":1081,"section_id":"sec_f2690cf1-cfde-40a8-8504-0e43c89fe267","character_id":null,"markdown":"---","render_override":null},{"id":"blk_dbed795f-9598-4945-9bb3-3a2fe427db00","kind":"heading","order":1082,"section_id":"sec_93d146cf-3f30-40bc-b31e-53c0eb5f5bc0","character_id":null,"markdown":"## \\8. ありえる世界線","render_override":null},{"id":"blk_c5e53415-cc0a-4755-824e-8021feb2d414","kind":"heading","order":1083,"section_id":"sec_0f8e9cac-f1dd-4a31-87c1-8fcf4ba641c7","character_id":null,"markdown":"## 世界線A：GPU王国が続く","render_override":null},{"id":"blk_2d6b33bd-cc25-48d0-bcc2-d77ed93152d5","kind":"paragraph","order":1084,"section_id":"sec_0f8e9cac-f1dd-4a31-87c1-8fcf4ba641c7","character_id":null,"markdown":"最も自然なシナリオです。","render_override":null},{"id":"blk_529474c3-ffd6-480c-8e38-20763201467f","kind":"paragraph","order":1085,"section_id":"sec_0f8e9cac-f1dd-4a31-87c1-8fcf4ba641c7","character_id":null,"markdown":"GPUは汎用性、CUDA、開発者人口、クラウド展開、画像/動画/ロボティクスまで含めて強すぎます。","render_override":null},{"id":"blk_b70e3df4-afed-49ba-961c-f2227f087ee9","kind":"paragraph","order":1086,"section_id":"sec_0f8e9cac-f1dd-4a31-87c1-8fcf4ba641c7","character_id":null,"markdown":"この場合、TPUは伸びるが、GPUを抜くのではなく、","render_override":null},{"id":"blk_bd090c46-6dce-4c3d-908c-a789a6a1fdac","kind":"quote","order":1087,"section_id":"sec_0f8e9cac-f1dd-4a31-87c1-8fcf4ba641c7","character_id":null,"markdown":"> NVIDIA GPUが最大市場、TPUはGoogle/Anthropic系の巨大な第二極","render_override":null},{"id":"blk_14558c3b-7557-4c6e-9fa9-7deb2a606b25","kind":"paragraph","order":1088,"section_id":"sec_0f8e9cac-f1dd-4a31-87c1-8fcf4ba641c7","character_id":null,"markdown":"になります。","render_override":null},{"id":"blk_d8e35215-fe13-46d9-86ab-c26c7bb48a85","kind":"paragraph","order":1089,"section_id":"sec_0f8e9cac-f1dd-4a31-87c1-8fcf4ba641c7","character_id":null,"markdown":"可能性は高いです。","render_override":null},{"id":"blk_ce4359e1-6e67-4521-a1e7-bea5dc022f90","kind":"thematic_break","order":1090,"section_id":"sec_0f8e9cac-f1dd-4a31-87c1-8fcf4ba641c7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_aeb1d5ec-dba1-4861-acb8-c46b982ece6f","kind":"heading","order":1091,"section_id":"sec_a607e3c5-f318-4383-a644-ceebb7a6a2ae","character_id":null,"markdown":"## 世界線B：Google Cloud内ではTPUがGPUを上回る","render_override":null},{"id":"blk_977827dc-46dd-4d86-be8e-9d6c5dbb5ee9","kind":"paragraph","order":1092,"section_id":"sec_a607e3c5-f318-4383-a644-ceebb7a6a2ae","character_id":null,"markdown":"これはかなりありえます。","render_override":null},{"id":"blk_a4f7ed08-b383-45dd-8fd3-870c1f3c4e96","kind":"paragraph","order":1093,"section_id":"sec_a607e3c5-f318-4383-a644-ceebb7a6a2ae","character_id":null,"markdown":"Googleは自社のGemini、検索、YouTube、広告、Cloud AI、Anthropic向け計算などをTPUに寄せられます。","render_override":null},{"id":"blk_d88e7be3-add7-4c29-a6aa-708500be0ccb","kind":"paragraph","order":1094,"section_id":"sec_a607e3c5-f318-4383-a644-ceebb7a6a2ae","character_id":null,"markdown":"この場合、","render_override":null},{"id":"blk_06290b0a-9d8e-4614-8d1c-08b4256e4287","kind":"quote","order":1095,"section_id":"sec_a607e3c5-f318-4383-a644-ceebb7a6a2ae","character_id":null,"markdown":"> 世界全体ではGPU優位 \n> ただしGoogle陣営のAI計算ではTPU優位","render_override":null},{"id":"blk_69e6f37f-9c7c-48ea-ace4-2ce9c60f106b","kind":"paragraph","order":1096,"section_id":"sec_a607e3c5-f318-4383-a644-ceebb7a6a2ae","character_id":null,"markdown":"という形になります。","render_override":null},{"id":"blk_77d89993-ccef-48c4-8142-50f8b382c16f","kind":"paragraph","order":1097,"section_id":"sec_a607e3c5-f318-4383-a644-ceebb7a6a2ae","character_id":null,"markdown":"私はこの可能性がかなり高いと思います。","render_override":null},{"id":"blk_534ec9de-e767-446d-a41b-a260e52ee6d7","kind":"thematic_break","order":1098,"section_id":"sec_a607e3c5-f318-4383-a644-ceebb7a6a2ae","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7f613d25-265a-4c1a-9114-7d96726a3acf","kind":"heading","order":1099,"section_id":"sec_17973ade-0c80-47d9-941e-6c8e0e5009da","character_id":null,"markdown":"## 世界線C：TPUが外部AI企業にも大規模普及し、GPUの伸びを削る","render_override":null},{"id":"blk_910ea9c6-a826-4f33-8b78-5d2cb61baec7","kind":"paragraph","order":1100,"section_id":"sec_17973ade-0c80-47d9-941e-6c8e0e5009da","character_id":null,"markdown":"これもありえます。","render_override":null},{"id":"blk_c2639c15-0538-439b-8d26-e9b55040daed","kind":"paragraph","order":1101,"section_id":"sec_17973ade-0c80-47d9-941e-6c8e0e5009da","character_id":null,"markdown":"特に電力制約が厳しくなり、NVIDIA GPUが高すぎる、供給が足りない、CUDA依存を減らしたい、という圧力が強まると、TPUは強い代替になります。","render_override":null},{"id":"blk_7909a599-3014-4a45-a4de-1e403098662f","kind":"paragraph","order":1102,"section_id":"sec_17973ade-0c80-47d9-941e-6c8e0e5009da","character_id":null,"markdown":"Anthropicの複数ギガワット規模のTPU契約は、この方向の大きなサインです。([Anthropic](https://www.anthropic.com/news/google-broadcom-partnership-compute?utm_source=chatgpt.com))","render_override":null},{"id":"blk_60d22cfe-4205-4560-b65d-0e871ad706ff","kind":"paragraph","order":1103,"section_id":"sec_17973ade-0c80-47d9-941e-6c8e0e5009da","character_id":null,"markdown":"ただし、この世界でもGPUを完全に抜くというより、**GPUの独占的優位を崩す**というイメージです。","render_override":null},{"id":"blk_47e61013-a24c-41e4-bdae-c402129ea286","kind":"thematic_break","order":1104,"section_id":"sec_17973ade-0c80-47d9-941e-6c8e0e5009da","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f87b6d2c-0e17-4de1-a6c1-89dc2ba5372f","kind":"heading","order":1105,"section_id":"sec_13d83acd-d459-47cf-b7af-7a65adfe0277","character_id":null,"markdown":"## 世界線D：TPUが世界全体でGPUより売れる","render_override":null},{"id":"blk_f5542ed1-e2f5-4b9e-912f-9263702814fa","kind":"paragraph","order":1106,"section_id":"sec_13d83acd-d459-47cf-b7af-7a65adfe0277","character_id":null,"markdown":"これは一番難しいです。","render_override":null},{"id":"blk_546334a7-1839-45ba-9f86-eaf1e29c3731","kind":"paragraph","order":1107,"section_id":"sec_13d83acd-d459-47cf-b7af-7a65adfe0277","character_id":null,"markdown":"理由は、","render_override":null},{"id":"blk_778512f1-5261-4dca-b70a-0803d109c220","kind":"list","order":1108,"section_id":"sec_13d83acd-d459-47cf-b7af-7a65adfe0277","character_id":null,"markdown":"- Google Cloud中心である\n- CUDA資産が巨大すぎる\n- GPUは学習・推論・画像・動画・HPC・ロボティクスで汎用\n- NVIDIAはネットワーク、ソフト、ラック、推論基盤まで統合している\n- AMDや他ASICも競争に入る\n- GoogleがTPUをNVIDIAのように広範囲に外販するか不明","render_override":null},{"id":"blk_54cea59b-557f-4620-9d12-0eb72fc175cf","kind":"paragraph","order":1109,"section_id":"sec_13d83acd-d459-47cf-b7af-7a65adfe0277","character_id":null,"markdown":"だからです。","render_override":null},{"id":"blk_27f298a0-0158-48b3-bd46-59680b503369","kind":"paragraph","order":1110,"section_id":"sec_13d83acd-d459-47cf-b7af-7a65adfe0277","character_id":null,"markdown":"この世界線が起きるには、GoogleがTPUをもっと広く開き、Google Cloud外でも使いやすくし、開発体験をGPU並みにし、価格/電力効率で圧倒する必要があります。","render_override":null},{"id":"blk_e61f1b11-c68a-443a-abeb-1d2afaa901ed","kind":"paragraph","order":1111,"section_id":"sec_13d83acd-d459-47cf-b7af-7a65adfe0277","character_id":null,"markdown":"現時点では、**可能性はゼロではないが、メインシナリオではない**と思います。","render_override":null},{"id":"blk_34e53536-a03c-425c-9373-08699848e219","kind":"thematic_break","order":1112,"section_id":"sec_13d83acd-d459-47cf-b7af-7a65adfe0277","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c031c5a9-5020-4b21-84c1-eeda84c1653e","kind":"heading","order":1113,"section_id":"sec_8064b9c8-b582-4cc3-bb35-b46da0b29f1b","character_id":null,"markdown":"## \\9. 私の結論","render_override":null},{"id":"blk_6710d08c-53ec-408a-9244-532939bdbffe","kind":"paragraph","order":1114,"section_id":"sec_8064b9c8-b582-4cc3-bb35-b46da0b29f1b","character_id":null,"markdown":"この視点、つまり**稼働率・電力効率・AI専用クラウド最適化**では、TPUはかなり優位です。","render_override":null},{"id":"blk_2288f703-68d5-4706-b496-d2749d24098d","kind":"paragraph","order":1115,"section_id":"sec_8064b9c8-b582-4cc3-bb35-b46da0b29f1b","character_id":null,"markdown":"特に、","render_override":null},{"id":"blk_3d6eb668-1699-44ae-a3b0-dcc19c3119bd","kind":"quote","order":1116,"section_id":"sec_8064b9c8-b582-4cc3-bb35-b46da0b29f1b","character_id":null,"markdown":"> Google内部 \n> Gemini系 \n> Anthropicのような大口AI企業 \n> Google Cloud上の大規模学習・推論 \n> 電力効率重視のAIデータセンター","render_override":null},{"id":"blk_51050e66-303a-44d9-af5a-3011ff2f0be1","kind":"paragraph","order":1117,"section_id":"sec_8064b9c8-b582-4cc3-bb35-b46da0b29f1b","character_id":null,"markdown":"では、TPUはGPUより強い場面が増えます。","render_override":null},{"id":"blk_1a49ddf1-a5eb-43c2-836a-cd8156c2545c","kind":"paragraph","order":1118,"section_id":"sec_8064b9c8-b582-4cc3-bb35-b46da0b29f1b","character_id":null,"markdown":"ただし、**世界全体でGPUよりTPUが売れるか**というと、現時点ではまだGPU優位です。NVIDIAのデータセンター売上規模、CUDAエコシステム、GPUの汎用性が大きすぎます。([NVIDIA Investor Relations](https://investor.nvidia.com/financial-info/financial-reports/default.aspx?utm_source=chatgpt.com))","render_override":null},{"id":"blk_3449c44d-2b46-46d9-8379-70ca0343ac7a","kind":"paragraph","order":1119,"section_id":"sec_8064b9c8-b582-4cc3-bb35-b46da0b29f1b","character_id":null,"markdown":"一番現実的な未来はこれです。","render_override":null},{"id":"blk_4163eefd-3547-4319-b004-e6819da6c60d","kind":"code","order":1120,"section_id":"sec_8064b9c8-b582-4cc3-bb35-b46da0b29f1b","character_id":null,"markdown":"```\n世界全体：\nGPUが最大勢力のまま\n\nGoogle陣営：\nTPUが主力化\n\n大口AI企業：\nGPU + TPU + 自社ASICの併用\n\n2030年代：\nGPU一強から、GPU / TPU / ASIC / LPU の分化へ\n```","render_override":null},{"id":"blk_f0b4a9af-3113-4a09-a121-fff579bbad8b","kind":"paragraph","order":1121,"section_id":"sec_8064b9c8-b582-4cc3-bb35-b46da0b29f1b","character_id":null,"markdown":"つまり、TPUはGPUを「完全に置き換える」というより、 \n**Google陣営と大口AI企業の中で、GPU依存をかなり削る存在**になる可能性が高いです。","render_override":null},{"id":"blk_2c4fea35-a6ba-4bc2-a998-3e17da123835","kind":"thematic_break","order":1122,"section_id":"sec_8064b9c8-b582-4cc3-bb35-b46da0b29f1b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_56182b2a-b7ee-444a-b956-968f7e8cdd75","kind":"heading","order":1123,"section_id":"sec_7d6ae531-84d8-4025-9522-b04ea3ccaa3b","character_id":null,"markdown":"## GPUクラウドを最適化していける能力を持っている企業や伸びる可能性のあるものを考察","render_override":null},{"id":"blk_0208e0df-22f2-4c4a-8fd5-ea87af17e362","kind":"paragraph","order":1124,"section_id":"sec_7d6ae531-84d8-4025-9522-b04ea3ccaa3b","character_id":null,"markdown":"この視点で見ると、伸びる可能性があるのは単なる「GPUを売る企業」だけではありません。むしろ本命は、**GPUをクラウド資源として高稼働化するための“AIクラウドOS”を作れる企業群**です。","render_override":null},{"id":"blk_4050c43f-7c3c-43b8-942c-c2a0fb4591d4","kind":"paragraph","order":1125,"section_id":"sec_7d6ae531-84d8-4025-9522-b04ea3ccaa3b","character_id":null,"markdown":"結論から言うと、最も強いのは **NVIDIA**。次に、**CoreWeaveのようなGPUネオクラウド、Broadcom/Arista/MarvellのようなAIネットワーク企業、Datadog/Cloudflareのような監視・制御・セキュリティ企業、そしてGoogle/AWSのような自社アクセラレータ陣営**が伸びる可能性があります。","render_override":null},{"id":"blk_cfafaeaf-a462-4490-9b82-c70cc1107a3b","kind":"thematic_break","order":1126,"section_id":"sec_7d6ae531-84d8-4025-9522-b04ea3ccaa3b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b03df866-b181-4b4f-a662-895beb172fd2","kind":"heading","order":1127,"section_id":"sec_4a27dfba-fc65-4d6e-b68c-63346ca3cb24","character_id":null,"markdown":"## \\1. 最有力：NVIDIA","render_override":null},{"id":"blk_0149930b-0d59-44c2-924d-b5f792ac3c5c","kind":"heading","order":1128,"section_id":"sec_f859a282-7742-40dc-98c9-bdbf5336622e","character_id":null,"markdown":"## GPUを売る会社から、GPUクラウドOS企業へ","render_override":null},{"id":"blk_29d3a92a-5781-4546-b7ba-561950aca65e","kind":"paragraph","order":1129,"section_id":"sec_f859a282-7742-40dc-98c9-bdbf5336622e","character_id":null,"markdown":"このテーマの中心は、やはりNVIDIAです。","render_override":null},{"id":"blk_d9ea9110-8b9f-43e4-a791-b187a310a052","kind":"paragraph","order":1130,"section_id":"sec_f859a282-7742-40dc-98c9-bdbf5336622e","character_id":null,"markdown":"NVIDIAはGPU本体だけでなく、","render_override":null},{"id":"blk_b29a00d1-5410-4ea7-8899-d6cbedf8fb38","kind":"list","order":1131,"section_id":"sec_f859a282-7742-40dc-98c9-bdbf5336622e","character_id":null,"markdown":"- CUDA\n- TensorRT-LLM\n- NIM\n- Dynamo\n- Run:ai\n- Spectrum-X\n- BlueField DPU\n- NVLink\n- DGX / GB200 / Rubin系ラック\n- Ethernet / InfiniBandネットワーク","render_override":null},{"id":"blk_52b5e260-61f0-463e-b6e0-baba04106e5b","kind":"paragraph","order":1132,"section_id":"sec_f859a282-7742-40dc-98c9-bdbf5336622e","character_id":null,"markdown":"まで持っています。","render_override":null},{"id":"blk_ad0143a0-3116-4883-8117-ebb5e2c0ca50","kind":"paragraph","order":1133,"section_id":"sec_f859a282-7742-40dc-98c9-bdbf5336622e","character_id":null,"markdown":"特に重要なのが **NVIDIA Dynamo** です。Dynamoは大規模分散推論向けのオープンソースフレームワークで、reasoning modelや生成AIを低遅延・高スループットで動かすための仕組みです。NVIDIAは、DeepSeek-R1系モデルをBlackwell上で動かす場合、最大30倍のリクエスト処理改善を主張しています。([NVIDIA Developer](https://developer.nvidia.com/blog/introducing-nvidia-dynamo-a-low-latency-distributed-inference-framework-for-scaling-reasoning-ai-models/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_65e4c430-ebf5-47fd-9f44-566b5e5662d1","kind":"paragraph","order":1134,"section_id":"sec_f859a282-7742-40dc-98c9-bdbf5336622e","character_id":null,"markdown":"さらにNVIDIAはRun:aiを買収しました。Run:aiはKubernetesベースのGPUオーケストレーション企業で、GPUリソースを複数ワークロードに動的に割り当て、AIインフラの効率を高めるソフトウェアを持っていました。NVIDIAは2024年末にこの買収を完了しています。([Reuters](https://www.reuters.com/markets/deals/nvidia-closes-700-mln-runai-acquisition-after-regulatory-hurdles-2024-12-30/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_11d96fe9-96b7-420c-9b96-5fd79528d5bd","kind":"paragraph","order":1135,"section_id":"sec_f859a282-7742-40dc-98c9-bdbf5336622e","character_id":null,"markdown":"これはかなり重要です。 \nNVIDIAはもはや「GPUを売って終わり」ではなく、**GPUをどうクラウド資源として詰め込むか、どう低遅延推論を回すか、どうネットワークまで含めて最適化するか**に進んでいます。","render_override":null},{"id":"blk_be218e3f-0d4e-47da-9062-bfe97502f622","kind":"paragraph","order":1136,"section_id":"sec_f859a282-7742-40dc-98c9-bdbf5336622e","character_id":null,"markdown":"つまりNVIDIAは、GPUクラウド最適化の中心企業です。","render_override":null},{"id":"blk_0c73dc58-e20c-4df6-b994-7ec5716c62c0","kind":"thematic_break","order":1137,"section_id":"sec_f859a282-7742-40dc-98c9-bdbf5336622e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1c4da858-c825-4132-be60-1a8b148c9e1a","kind":"heading","order":1138,"section_id":"sec_3659146e-a906-43e3-add4-8d543a5746da","character_id":null,"markdown":"## \\2. GPUネオクラウド：CoreWeave、Nebius、Lambda、Crusoe","render_override":null},{"id":"blk_14ba16db-0784-4191-99fc-8c29abb23333","kind":"paragraph","order":1139,"section_id":"sec_3659146e-a906-43e3-add4-8d543a5746da","character_id":null,"markdown":"次に重要なのが、GPUネオクラウドです。","render_override":null},{"id":"blk_dad9a1ee-c997-4368-a50a-73a4830cc48b","kind":"paragraph","order":1140,"section_id":"sec_3659146e-a906-43e3-add4-8d543a5746da","character_id":null,"markdown":"従来のAWS、Azure、Google Cloudとは別に、AI特化のGPUクラウドを作る企業群です。特にCoreWeaveは代表格です。","render_override":null},{"id":"blk_ce6d64a8-b661-4322-ac1b-277f08a3dee9","kind":"paragraph","order":1141,"section_id":"sec_3659146e-a906-43e3-add4-8d543a5746da","character_id":null,"markdown":"CoreWeaveは2026年第1四半期に売上20.8億ドルを報告し、市場予想を上回りました。AI学習・推論向けの高性能クラウド需要が急増しており、同社の受注残は約994億ドルまで拡大したと報じられています。([Reuters](https://www.reuters.com/technology/coreweave-tops-quarterly-revenue-estimates-2026-05-07/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_f7680a16-a4a6-477b-9213-4c6000c6cb37","kind":"paragraph","order":1142,"section_id":"sec_3659146e-a906-43e3-add4-8d543a5746da","character_id":null,"markdown":"CoreWeaveの強みは、GPUクラウドを汎用クラウドの一部としてではなく、**AIワークロード専用に設計していること**です。","render_override":null},{"id":"blk_a16b9a1c-888d-4549-95ee-860e27980cbc","kind":"paragraph","order":1143,"section_id":"sec_3659146e-a906-43e3-add4-8d543a5746da","character_id":null,"markdown":"GPUクラウド最適化では、以下が重要になります。","render_override":null},{"id":"blk_be06ef04-0394-4d2e-9f6b-4a9264b8a45a","kind":"figure","order":1144,"section_id":"sec_3659146e-a906-43e3-add4-8d543a5746da","character_id":null,"markdown":"![](/media/104a9f470c7da79e948d78ad3b4931627aa34fab51afdb459039a394d75f5867-content.webp)","render_override":null},{"id":"blk_67ef86bb-5797-430f-bc04-65a16e6fce7c","kind":"paragraph","order":1145,"section_id":"sec_3659146e-a906-43e3-add4-8d543a5746da","character_id":null,"markdown":"CoreWeaveのような企業は、GPUクラウドの稼働率改善そのものが利益率改善に直結します。 \nただし、同時に借入、設備投資、電力確保、償却負担が重いビジネスでもあります。売上成長は強い一方、コスト増や赤字拡大も報じられているため、**成長性は高いが財務リスクも高い領域**です。([Reuters](https://www.reuters.com/technology/coreweave-tops-quarterly-revenue-estimates-2026-05-07/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_1a9a01ce-5ddf-41ad-a12c-abe4207464b1","kind":"thematic_break","order":1146,"section_id":"sec_3659146e-a906-43e3-add4-8d543a5746da","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5e3ce214-1652-4586-8017-162ef747d371","kind":"heading","order":1147,"section_id":"sec_65152af6-30ab-4d77-939a-629f0ddb8ede","character_id":null,"markdown":"## \\3. ハイパースケーラー：Microsoft、AWS、Google、Oracle","render_override":null},{"id":"blk_8dc771dd-87a4-45fa-af25-5f7326c47060","kind":"paragraph","order":1148,"section_id":"sec_65152af6-30ab-4d77-939a-629f0ddb8ede","character_id":null,"markdown":"GPUクラウド最適化で絶対に外せないのがハイパースケーラーです。","render_override":null},{"id":"blk_18553ec4-6a33-4f47-92ea-44939f3affb6","kind":"paragraph","order":1149,"section_id":"sec_65152af6-30ab-4d77-939a-629f0ddb8ede","character_id":null,"markdown":"彼らはCPUクラウドで25年かけて作った、","render_override":null},{"id":"blk_6c4e0ac7-6e1f-4a21-b599-1cd97e9ebb1b","kind":"list","order":1150,"section_id":"sec_65152af6-30ab-4d77-939a-629f0ddb8ede","character_id":null,"markdown":"- 仮想化\n- IAM\n- 課金\n- 監視\n- セキュリティ\n- Kubernetes\n- ストレージ\n- ネットワーク\n- オートスケール\n- FinOps","render_override":null},{"id":"blk_3d1d2bc3-08df-4cfb-bcc4-7330836b12f0","kind":"paragraph","order":1151,"section_id":"sec_65152af6-30ab-4d77-939a-629f0ddb8ede","character_id":null,"markdown":"をすでに持っています。","render_override":null},{"id":"blk_606d8879-2f04-4320-966d-781f2d1eca3a","kind":"paragraph","order":1152,"section_id":"sec_65152af6-30ab-4d77-939a-629f0ddb8ede","character_id":null,"markdown":"GPUクラウドでも、最終的にはこれらの運用能力が効いてきます。","render_override":null},{"id":"blk_d627e648-f0ff-4ca2-82a1-2d0c3e6f7640","kind":"heading","order":1153,"section_id":"sec_301beca9-f557-4729-a366-f59827ffa119","character_id":null,"markdown":"## AWS","render_override":null},{"id":"blk_9970751e-1a4f-48d6-aaa4-988534c61687","kind":"paragraph","order":1154,"section_id":"sec_301beca9-f557-4729-a366-f59827ffa119","character_id":null,"markdown":"AWSはNVIDIA GPUだけでなく、Trainium/Inferentiaという自社AIチップも持っています。AWSはProject Rainierで、約50万個のTrainium2チップを使う巨大AIクラスタを稼働させ、AnthropicがClaudeの学習・運用に使っていると説明しています。([Amazon News](https://www.aboutamazon.com/news/aws/aws-project-rainier-ai-trainium-chips-compute-cluster?utm_source=chatgpt.com))","render_override":null},{"id":"blk_903fe839-552a-4d88-b3c7-ec79ebda1af9","kind":"paragraph","order":1155,"section_id":"sec_301beca9-f557-4729-a366-f59827ffa119","character_id":null,"markdown":"Trainium2はAWS公式ページで、GPUベースのP5e/P5enインスタンスと比べて30〜40%優れた価格性能を提供すると説明されています。([Amazon Web Services, Inc.](https://aws.amazon.com/ai/machine-learning/trainium/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_ecd90fba-df03-4326-bfcc-39d33f27a05c","kind":"paragraph","order":1156,"section_id":"sec_301beca9-f557-4729-a366-f59827ffa119","character_id":null,"markdown":"AWSはGPUクラウドの最適化だけでなく、**GPU依存を減らす方向**でも強いです。","render_override":null},{"id":"blk_14986741-ef44-4b1a-a1cd-5cc44be5bd29","kind":"heading","order":1157,"section_id":"sec_84b45237-8b67-43d0-9731-49c1d5f5fc3a","character_id":null,"markdown":"## Google","render_override":null},{"id":"blk_8350fc14-92ed-4500-bb1f-135cd825d2a9","kind":"paragraph","order":1158,"section_id":"sec_84b45237-8b67-43d0-9731-49c1d5f5fc3a","character_id":null,"markdown":"GoogleはTPUを持っています。AnthropicはGoogleおよびBroadcomとの提携で、2027年から複数ギガワット規模の次世代TPU capacityを使う契約を結んでいます。([Anthropic](https://www.anthropic.com/news/google-broadcom-partnership-compute?utm_source=chatgpt.com))","render_override":null},{"id":"blk_4dd44265-a80e-4270-86dd-6e5691a4628f","kind":"paragraph","order":1159,"section_id":"sec_84b45237-8b67-43d0-9731-49c1d5f5fc3a","character_id":null,"markdown":"GoogleはGPUクラウド最適化というより、**TPUクラウドによってGPUクラウドとは別ルートの高稼働AIクラウドを作る企業**です。","render_override":null},{"id":"blk_8bc4b526-0fe1-4386-9812-cd944c0e34eb","kind":"heading","order":1160,"section_id":"sec_e9896110-ef96-4bd9-bc1c-e6bbafebb90c","character_id":null,"markdown":"## Microsoft / Azure","render_override":null},{"id":"blk_6abe34a0-da4e-4b89-b0a7-55239ef01960","kind":"paragraph","order":1161,"section_id":"sec_e9896110-ef96-4bd9-bc1c-e6bbafebb90c","character_id":null,"markdown":"MicrosoftはOpenAIとの関係、Azure AIインフラ、NVIDIA GPUの大規模導入で強いです。GPUクラウド最適化という観点では、Azureは巨大な企業顧客基盤、セキュリティ、ID管理、データ基盤とAI推論を結び付けられるのが強みです。","render_override":null},{"id":"blk_2d49358f-b830-443b-b45f-210270fa4dfa","kind":"heading","order":1162,"section_id":"sec_5f86b08f-43b0-41f2-8c39-7fc33db48a13","character_id":null,"markdown":"## Oracle","render_override":null},{"id":"blk_3675ad96-fa07-4730-a0f1-1b568b30cd41","kind":"paragraph","order":1163,"section_id":"sec_5f86b08f-43b0-41f2-8c39-7fc33db48a13","character_id":null,"markdown":"Oracle CloudはNVIDIA GPUクラスタの提供で存在感を高めています。Oracleの強みは、比較的シンプルで高性能なベアメタル/クラスタ設計、企業DB顧客、そしてAI企業向けの大口クラウド契約です。","render_override":null},{"id":"blk_64edce65-2cee-4462-9f76-b7366e5d47c3","kind":"thematic_break","order":1164,"section_id":"sec_5f86b08f-43b0-41f2-8c39-7fc33db48a13","character_id":null,"markdown":"---","render_override":null},{"id":"blk_29d7ff03-72c9-4ae6-8ecf-92896a62a350","kind":"heading","order":1165,"section_id":"sec_a27dfbb6-e14e-484a-97dc-7dabf96046be","character_id":null,"markdown":"## \\4. ネットワーク企業：Broadcom、Arista、Marvell、Cisco","render_override":null},{"id":"blk_1e00433d-ff42-4dee-a010-a9cda701f77a","kind":"paragraph","order":1166,"section_id":"sec_a27dfbb6-e14e-484a-97dc-7dabf96046be","character_id":null,"markdown":"GPUクラウドの稼働率を上げるうえで、実は非常に重要なのがネットワークです。","render_override":null},{"id":"blk_a1a642d4-de1d-45ce-9a3b-614938fcf208","kind":"paragraph","order":1167,"section_id":"sec_a27dfbb6-e14e-484a-97dc-7dabf96046be","character_id":null,"markdown":"GPUが大量にあっても、GPU間通信が詰まると、学習も推論も止まります。 \n特に分散学習、MoE、prefill/decode分離、KV cache共有、マルチノード推論では、ネットワークがGPU稼働率を左右します。","render_override":null},{"id":"blk_eb8836bf-eef0-40e8-9d2f-18b232bbb297","kind":"heading","order":1168,"section_id":"sec_b160a428-0c4e-437d-a9e0-7f36b577851b","character_id":null,"markdown":"## Broadcom","render_override":null},{"id":"blk_8ed1dae9-932b-438a-a51f-2fdcdec55088","kind":"paragraph","order":1169,"section_id":"sec_b160a428-0c4e-437d-a9e0-7f36b577851b","character_id":null,"markdown":"Broadcomはこのテーマでかなり強いです。","render_override":null},{"id":"blk_3c663324-b842-46db-a1c2-2af44b5b163c","kind":"paragraph","order":1170,"section_id":"sec_b160a428-0c4e-437d-a9e0-7f36b577851b","character_id":null,"markdown":"Broadcomは2026年第1四半期にAI売上84億ドル、前年比106%増を報告し、カスタムAIアクセラレータとAIネットワーキング需要が牽引したと説明しています。さらに第2四半期のAI半導体売上は107億ドルを見込んでいます。([Broadcom Inc.](https://investors.broadcom.com/news-releases/news-release-details/broadcom-inc-announces-first-quarter-fiscal-year-2026-financial?utm_source=chatgpt.com))","render_override":null},{"id":"blk_65390c86-271f-4850-b08d-a45b6636634f","kind":"paragraph","order":1171,"section_id":"sec_b160a428-0c4e-437d-a9e0-7f36b577851b","character_id":null,"markdown":"BroadcomはGoogle TPUのようなカスタムAIチップ、AI Ethernet、スイッチASIC、光接続の周辺で強く、**GPUクラウド最適化というより、AIクラウド全体の通信・ASIC化の中核**になりやすいです。","render_override":null},{"id":"blk_35993770-eead-405a-b771-381379f5aecc","kind":"paragraph","order":1172,"section_id":"sec_b160a428-0c4e-437d-a9e0-7f36b577851b","character_id":null,"markdown":"さらにReutersは、Broadcomが2027年までにAIチップ売上1000億ドル超を見込んでいると報じています。([Reuters](https://www.reuters.com/technology/broadcom-forecasts-second-quarter-revenue-above-estimates-2026-03-04/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_1714e127-fc28-4540-bbe8-009c92df7d8b","kind":"heading","order":1173,"section_id":"sec_6b3c7b22-85a7-4c8f-a992-4f385aba5b58","character_id":null,"markdown":"## Arista Networks","render_override":null},{"id":"blk_135ed673-c64f-4204-8f5e-01c1a15e1413","kind":"paragraph","order":1174,"section_id":"sec_6b3c7b22-85a7-4c8f-a992-4f385aba5b58","character_id":null,"markdown":"AristaはAI Ethernetの本命候補です。","render_override":null},{"id":"blk_36c9eb98-cdff-4ab1-b661-a19ad6658cf1","kind":"paragraph","order":1175,"section_id":"sec_6b3c7b22-85a7-4c8f-a992-4f385aba5b58","character_id":null,"markdown":"AIクラスタでは、NVIDIA InfiniBandだけでなく、EthernetベースのAIネットワークも広がっています。Aristaは大規模クラウド向けEthernetスイッチで強く、AIデータセンターのバックエンドネットワーク需要に乗っています。2026年第1四半期には売上27.1億ドル、前年比35.1%増を報告したと報じられています。([Barron's](https://www.barrons.com/articles/arista-networks-earnings-stock-price-04ad6ebc?utm_source=chatgpt.com))","render_override":null},{"id":"blk_65f4987a-2121-417f-9488-fdb75298dbf1","kind":"paragraph","order":1176,"section_id":"sec_6b3c7b22-85a7-4c8f-a992-4f385aba5b58","character_id":null,"markdown":"Aristaは、GPUそのものではなく、**GPUを束ねる血管**です。 \nGPUクラウドの稼働率を上げるには、GPU間通信の遅延・輻輳・パケットロスを抑える必要があるため、AI Ethernetの重要性は上がります。","render_override":null},{"id":"blk_7f395147-5d8a-4e51-8b61-b896932fe468","kind":"heading","order":1177,"section_id":"sec_05775a98-a3f6-4d5e-a2a5-8349b93d435e","character_id":null,"markdown":"## Marvell","render_override":null},{"id":"blk_f3578684-a171-4eb8-9fdd-ee4c9359508b","kind":"paragraph","order":1178,"section_id":"sec_05775a98-a3f6-4d5e-a2a5-8349b93d435e","character_id":null,"markdown":"Marvellは、AI ASIC、光/電気インターコネクト、DSP、データセンターネットワークで重要です。Broadcomほど規模は大きくないですが、カスタムシリコンと接続技術の需要が増えるほど恩恵を受けやすいです。","render_override":null},{"id":"blk_f6235737-0b46-4f92-a498-474019fefba8","kind":"heading","order":1179,"section_id":"sec_8a39ad09-44f0-46ba-bada-3c0a10ffd1e9","character_id":null,"markdown":"## Cisco","render_override":null},{"id":"blk_94290729-d8bb-4e4c-ab08-5a9d261e965e","kind":"paragraph","order":1180,"section_id":"sec_8a39ad09-44f0-46ba-bada-3c0a10ffd1e9","character_id":null,"markdown":"CiscoもAI Ethernet、セキュリティ、企業ネットワーク、データセンターネットワークで関与します。ただし、純粋なAIクラスタ最適化ではAristaやNVIDIA Spectrum-X、Broadcom系ASICの方がより直接的に見えます。","render_override":null},{"id":"blk_b8bbe7a7-747f-4589-a927-3a0e85100364","kind":"thematic_break","order":1181,"section_id":"sec_8a39ad09-44f0-46ba-bada-3c0a10ffd1e9","character_id":null,"markdown":"---","render_override":null},{"id":"blk_15f6285d-542f-4f57-82fe-a06e60d2695b","kind":"heading","order":1182,"section_id":"sec_a8ce627f-edf1-4c18-a1ba-93f17ccc7683","character_id":null,"markdown":"## \\5. DPU / SmartNIC / CPU企業：AMD、NVIDIA、Intel、Arm系","render_override":null},{"id":"blk_5a2031b5-1335-414b-b385-40d1611e8f2e","kind":"paragraph","order":1183,"section_id":"sec_a8ce627f-edf1-4c18-a1ba-93f17ccc7683","character_id":null,"markdown":"GPUクラウド最適化では、CPUとDPUも重要です。","render_override":null},{"id":"blk_59b13768-eaf1-4e50-af75-cfa9999ca010","kind":"paragraph","order":1184,"section_id":"sec_a8ce627f-edf1-4c18-a1ba-93f17ccc7683","character_id":null,"markdown":"GPUの稼働率を上げるには、GPU以外の処理を詰まらせてはいけません。","render_override":null},{"id":"blk_01b8e122-c5ad-4e15-8155-df946cb54f8d","kind":"list","order":1185,"section_id":"sec_a8ce627f-edf1-4c18-a1ba-93f17ccc7683","character_id":null,"markdown":"- ネットワーク処理\n- 暗号化\n- ストレージI/O\n- セキュリティ\n- VM/コンテナ分離\n- RDMA/RoCE制御\n- テレメトリ\n- ジョブ投入\n- 障害復旧","render_override":null},{"id":"blk_61b8b0ba-b438-4055-badc-a8f9f8dd0f08","kind":"paragraph","order":1186,"section_id":"sec_a8ce627f-edf1-4c18-a1ba-93f17ccc7683","character_id":null,"markdown":"これらをCPUだけで処理すると、GPUの足を引っ張ります。そこでDPU/SmartNICが重要になります。","render_override":null},{"id":"blk_d9e0391e-d924-4d58-9ef1-7e8ffa3ba08a","kind":"paragraph","order":1187,"section_id":"sec_a8ce627f-edf1-4c18-a1ba-93f17ccc7683","character_id":null,"markdown":"NVIDIA Spectrum-Xは、マルチテナント・ハイパースケールAIクラウド向けのEthernetプラットフォームとして説明されており、AIクラウドの性能、電力効率、予測可能性を改善することを狙っています。([NVIDIA](https://www.nvidia.com/en-us/networking/spectrumx/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_fdd83802-326c-49e1-8a6b-771e8b135a2f","kind":"paragraph","order":1188,"section_id":"sec_a8ce627f-edf1-4c18-a1ba-93f17ccc7683","character_id":null,"markdown":"また、GMO GPU Cloudの資料でも、BlueField-3 DPUがGPUのデータアクセスを加速し、AIアプリケーション提供を効率化し、クラウドインフラのセキュリティを高めると説明されています。([GMOインターネット株式会社](https://internet.gmo/en/news/article/27/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_a2967c02-1bef-4118-8230-43525b38ab41","kind":"paragraph","order":1189,"section_id":"sec_a8ce627f-edf1-4c18-a1ba-93f17ccc7683","character_id":null,"markdown":"AMDもこの領域で強くなる可能性があります。AMDはEPYC CPU、Instinct GPU、Pensando DPU/NICを持っており、AIデータセンターのCPU+GPU+ネットワーク処理を一体で取りに行けます。AMDは2026年第1四半期にデータセンター売上が57%増の58億ドルとなり、EPYC CPUとInstinct GPU需要が牽引したと報じられています。([Investors](https://www.investors.com/news/technology/amd-stock-q1-2026-earnings-advanced-micro-devices/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_043bf429-c430-40de-be75-9da2f33647cc","kind":"thematic_break","order":1190,"section_id":"sec_a8ce627f-edf1-4c18-a1ba-93f17ccc7683","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5c659a51-8716-48e5-bc7c-27d0a531231d","kind":"heading","order":1191,"section_id":"sec_2742df87-267e-4cad-a541-d9704836f064","character_id":null,"markdown":"## \\6. 監視・FinOps企業：Datadog、Grafana、Dynatrace、New Relic","render_override":null},{"id":"blk_a9b8cb7c-82d7-4853-8ed5-978501c9df65","kind":"paragraph","order":1192,"section_id":"sec_2742df87-267e-4cad-a541-d9704836f064","character_id":null,"markdown":"GPUクラウド最適化では、「見える化」が非常に重要です。","render_override":null},{"id":"blk_4a6ced87-ca21-4fd4-bc51-5c4df97b4700","kind":"paragraph","order":1193,"section_id":"sec_2742df87-267e-4cad-a541-d9704836f064","character_id":null,"markdown":"GPUの稼働率が低い理由を分解するには、","render_override":null},{"id":"blk_db5e4bdb-30e5-4bae-aba8-8230eb411083","kind":"list","order":1194,"section_id":"sec_2742df87-267e-4cad-a541-d9704836f064","character_id":null,"markdown":"- GPU使用率\n- HBM使用量\n- HBM帯域\n- NVLink/IB/Ethernet帯域\n- SM occupancy\n- queue time\n- TTFT\n- TPOT / ITL\n- KV cache hit率\n- batch効率\n- tenant別コスト\n- モデル別原価\n- 部門別GPU消費","render_override":null},{"id":"blk_f967a2d4-dea9-4056-b218-f9b61f7f3531","kind":"paragraph","order":1195,"section_id":"sec_2742df87-267e-4cad-a541-d9704836f064","character_id":null,"markdown":"を見る必要があります。","render_override":null},{"id":"blk_6b7f0c2b-7913-4d5e-aaab-169a058bd4b6","kind":"paragraph","order":1196,"section_id":"sec_2742df87-267e-4cad-a541-d9704836f064","character_id":null,"markdown":"この領域で伸びる可能性があるのがDatadogです。Datadogは2026年4月にGPU Monitoringを発表し、GPUフリートの健全性、コスト、パフォーマンスを利用部門やメンバーと結び付けて可視化し、低性能ワークロードのトラブルシュートやコスト削減を支援すると説明しています。([Datadog](https://www.datadoghq.com/ja/about/latest-news/press-releases/datadog-gpu-monitoring-2026-04/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_af515244-d8d7-4972-b1a6-90b54ccb9de6","kind":"paragraph","order":1197,"section_id":"sec_2742df87-267e-4cad-a541-d9704836f064","character_id":null,"markdown":"これはかなり重要です。 \nGPUクラウドの稼働率を改善するには、まず**どのモデル、どのチーム、どのジョブがGPUを無駄にしているのか**を見える化する必要があります。","render_override":null},{"id":"blk_4e7bd3fa-1e30-4cbc-b9ff-2fefd51a70ad","kind":"paragraph","order":1198,"section_id":"sec_2742df87-267e-4cad-a541-d9704836f064","character_id":null,"markdown":"したがって、GPUクラウド成熟期には、Datadog、Grafana Labs、Dynatrace、New Relic、Splunk系のAI/GPU observability需要が伸びる可能性があります。","render_override":null},{"id":"blk_d8582a35-2238-471d-acb2-fc5440a47a0d","kind":"thematic_break","order":1199,"section_id":"sec_2742df87-267e-4cad-a541-d9704836f064","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9051ddbd-11b1-4e3c-a4ef-5c316f1ab1ea","kind":"heading","order":1200,"section_id":"sec_a1dc352b-54dc-455d-87a5-2f98a945adb5","character_id":null,"markdown":"## \\7. AI Gateway / セキュリティ：Cloudflare、Zscaler、Palo Alto、CrowdStrike、Okta","render_override":null},{"id":"blk_98e11b4f-f234-4d5e-8e70-7404b9716759","kind":"paragraph","order":1201,"section_id":"sec_a1dc352b-54dc-455d-87a5-2f98a945adb5","character_id":null,"markdown":"GPUクラウド最適化は、単にGPUを高稼働にするだけでは不十分です。 \nAIエージェントが増えると、推論リクエスト、APIキー、モデル選択、レート制限、コスト管理、認証、ログ、攻撃防御が必要になります。","render_override":null},{"id":"blk_a16d229f-f83f-4a69-9afc-eb4f6b67b17e","kind":"paragraph","order":1202,"section_id":"sec_a1dc352b-54dc-455d-87a5-2f98a945adb5","character_id":null,"markdown":"ここで伸びるのがAI GatewayやAI securityです。","render_override":null},{"id":"blk_f1a6358a-4e6a-4c2f-b88b-db8c222055a8","kind":"paragraph","order":1203,"section_id":"sec_a1dc352b-54dc-455d-87a5-2f98a945adb5","character_id":null,"markdown":"Cloudflare AI Gatewayは、複数AIプロバイダーに対するログ、メトリクス、レート制限、キャッシュ、監視、フォールバックを提供し、AIアプリケーションのコスト・信頼性・リスクを制御する仕組みです。([Cloudflare](https://www.cloudflare.com/developer-platform/products/ai-gateway/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_16963752-05cb-45fa-a1d1-6e5d1a66b5b6","kind":"paragraph","order":1204,"section_id":"sec_a1dc352b-54dc-455d-87a5-2f98a945adb5","character_id":null,"markdown":"CloudflareはWorkers AIで190以上の都市にGPUを配置し、AIアプリをユーザー近くで動かす構想も出しています。([Cloudflare](https://www.cloudflare.com/ja-jp/press/press-releases/2025/cloudflare-introduces-cloudflare-for-ai/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_9dff6142-d9f9-408f-81fc-476a168d3eab","kind":"paragraph","order":1205,"section_id":"sec_a1dc352b-54dc-455d-87a5-2f98a945adb5","character_id":null,"markdown":"この領域は、GPUクラウドの「外側」にあります。 \nしかしAIエージェント時代には、GPU推論そのものよりも、**どのAIに、誰が、どの権限で、どれだけ使わせるか**が重要になります。","render_override":null},{"id":"blk_ce060071-b94f-4b42-9c81-7ac30128de00","kind":"paragraph","order":1206,"section_id":"sec_a1dc352b-54dc-455d-87a5-2f98a945adb5","character_id":null,"markdown":"その意味で、Cloudflare、Zscaler、Palo Alto Networks、CrowdStrike、Oktaのような企業は、GPUクラウド最適化の周辺で伸びる可能性があります。","render_override":null},{"id":"blk_020ebd54-a097-4e8f-9093-cb1a17711526","kind":"thematic_break","order":1207,"section_id":"sec_a1dc352b-54dc-455d-87a5-2f98a945adb5","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b1ef36d3-dfb5-4d21-85dd-ab463ff3d991","kind":"heading","order":1208,"section_id":"sec_290c3175-ff73-4c57-8c7e-cbb44d19088d","character_id":null,"markdown":"## \\8. 推論エンジン/AIサービング企業：vLLM、SGLang、Anyscale、Together AI、Fireworks AI","render_override":null},{"id":"blk_c975d2ff-2f58-469b-8099-20b0928c16a3","kind":"paragraph","order":1209,"section_id":"sec_290c3175-ff73-4c57-8c7e-cbb44d19088d","character_id":null,"markdown":"GPUクラウドの稼働率を上げるうえで、最も直接的なのはLLMサービング層です。","render_override":null},{"id":"blk_514b47b1-dfa6-4c71-b654-f03a62a69b8a","kind":"paragraph","order":1210,"section_id":"sec_290c3175-ff73-4c57-8c7e-cbb44d19088d","character_id":null,"markdown":"重要技術は、","render_override":null},{"id":"blk_af28a65e-81cc-4430-b836-2d51c44beb9d","kind":"list","order":1211,"section_id":"sec_290c3175-ff73-4c57-8c7e-cbb44d19088d","character_id":null,"markdown":"- continuous batching\n- paged attention\n- prefix cache\n- KV cache管理\n- prefill/decode分離\n- speculative decoding\n- routing\n- model multiplexing\n- multi-LoRA serving\n- disaggregated serving","render_override":null},{"id":"blk_7e27b406-0339-4502-8fcd-b984802fe9b3","kind":"paragraph","order":1212,"section_id":"sec_290c3175-ff73-4c57-8c7e-cbb44d19088d","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_5adfcd71-08ed-46f7-8c84-c809e9a6814f","kind":"paragraph","order":1213,"section_id":"sec_290c3175-ff73-4c57-8c7e-cbb44d19088d","character_id":null,"markdown":"NVIDIA DynamoのGitHubでは、DynamoはvLLM、SGLang、TensorRT-LLMを置き換えるのではなく、それらの上に乗るデータセンター規模のオーケストレーション層であり、disaggregated serving、intelligent routing、multi-tier KV caching、automatic scalingを扱うと説明されています。([GitHub](https://github.com/ai-dynamo/dynamo?utm_source=chatgpt.com))","render_override":null},{"id":"blk_df92df77-80c2-4d82-ac5d-24caf2186d71","kind":"paragraph","order":1214,"section_id":"sec_290c3175-ff73-4c57-8c7e-cbb44d19088d","character_id":null,"markdown":"このレイヤーで伸びるのは、公開株というより未上場/OSSが多いです。","render_override":null},{"id":"blk_2552aa9f-33b3-4b0e-aa01-9b9412eb0dd3","kind":"figure","order":1215,"section_id":"sec_290c3175-ff73-4c57-8c7e-cbb44d19088d","character_id":null,"markdown":"![](/media/ed2ef4abae66f1e09e8559984e415b469718f752f44682525968f787a16465a9-content.webp)","render_override":null},{"id":"blk_8f3f4efb-e616-4f1e-9dd0-388fe3c3bec4","kind":"paragraph","order":1216,"section_id":"sec_290c3175-ff73-4c57-8c7e-cbb44d19088d","character_id":null,"markdown":"NVIDIAがSchedMDを買収したという報道も重要です。SchedMDはSlurmの開発企業で、Slurmは大規模HPC/AIクラスタのジョブスケジューリングに使われています。Reutersは、NVIDIAが2025年12月にSchedMDを買収し、Slurmをオープンソースとして継続提供する計画だと報じています。([Reuters](https://www.reuters.com/business/nvidia-buys-ai-software-provider-schedmd-expand-open-source-ai-push-2025-12-15/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_4fefe853-94c3-4332-84c2-294c11c34a05","kind":"paragraph","order":1217,"section_id":"sec_290c3175-ff73-4c57-8c7e-cbb44d19088d","character_id":null,"markdown":"これはNVIDIAがGPUクラウドの「下層スケジューラ」まで押さえに行っていることを示しています。","render_override":null},{"id":"blk_7ed7046a-6f9c-4e1f-b3a1-c3cc5769ae50","kind":"thematic_break","order":1218,"section_id":"sec_290c3175-ff73-4c57-8c7e-cbb44d19088d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c826e37f-4a85-492e-8b65-8ef60e9b8926","kind":"heading","order":1219,"section_id":"sec_3a0c2a31-c927-48ee-ba9d-5b9cfc0a7aa0","character_id":null,"markdown":"## \\9. Google / Broadcom / AWSはGPUクラウドを“迂回”する側","render_override":null},{"id":"blk_9511a4ca-2086-4d3a-ad0d-15f464ac3bcf","kind":"paragraph","order":1220,"section_id":"sec_3a0c2a31-c927-48ee-ba9d-5b9cfc0a7aa0","character_id":null,"markdown":"ここも重要です。","render_override":null},{"id":"blk_11e5017c-0555-48fe-9191-a581abe40967","kind":"paragraph","order":1221,"section_id":"sec_3a0c2a31-c927-48ee-ba9d-5b9cfc0a7aa0","character_id":null,"markdown":"GPUクラウド最適化が進む一方で、Google TPU、AWS Trainium、Broadcom XPUのように、**そもそもGPUではないAIクラウド**も伸びます。","render_override":null},{"id":"blk_b057ae3d-ab61-4433-84f2-851ce5b22c58","kind":"paragraph","order":1222,"section_id":"sec_3a0c2a31-c927-48ee-ba9d-5b9cfc0a7aa0","character_id":null,"markdown":"Google/Anthropic/BroadcomのTPU提携、AWS TrainiumのProject Rainierは、NVIDIA GPUだけに依存しない巨大AI計算基盤が現実化していることを示しています。([Amazon News](https://www.aboutamazon.com/news/aws/aws-project-rainier-ai-trainium-chips-compute-cluster?utm_source=chatgpt.com))","render_override":null},{"id":"blk_7fa356b9-eef7-4f89-9413-7352ee706f8e","kind":"paragraph","order":1223,"section_id":"sec_3a0c2a31-c927-48ee-ba9d-5b9cfc0a7aa0","character_id":null,"markdown":"この意味で、Broadcomは二重に強いです。","render_override":null},{"id":"blk_d23af45d-e494-4ecd-b7d2-d49bc0515f1f","kind":"paragraph","order":1224,"section_id":"sec_3a0c2a31-c927-48ee-ba9d-5b9cfc0a7aa0","character_id":null,"markdown":"1つ目は、AIネットワーク。 \n2つ目は、Google TPUや大手クラウド向けのカスタムAIアクセラレータ。","render_override":null},{"id":"blk_3a4d2b20-1e7c-4dd3-a52b-af6e4e8046c3","kind":"paragraph","order":1225,"section_id":"sec_3a0c2a31-c927-48ee-ba9d-5b9cfc0a7aa0","character_id":null,"markdown":"つまりBroadcomは、GPUクラウド最適化にも、GPU代替にも関わる企業です。","render_override":null},{"id":"blk_c77cd046-c644-487c-9ad1-9d333bd54f08","kind":"thematic_break","order":1226,"section_id":"sec_3a0c2a31-c927-48ee-ba9d-5b9cfc0a7aa0","character_id":null,"markdown":"---","render_override":null},{"id":"blk_e1b44031-79df-430c-846f-db3dd4d56c4f","kind":"heading","order":1227,"section_id":"sec_2d8af030-2e45-4101-9bb3-2a23aa90fe3c","character_id":null,"markdown":"## \\10. 日本で見るなら：GMO GPU Cloud、さくら、NTT、KDDI、ソフトバンク系","render_override":null},{"id":"blk_e6af77b1-e65a-4f7b-8c93-d5b194d2571f","kind":"paragraph","order":1228,"section_id":"sec_2d8af030-2e45-4101-9bb3-2a23aa90fe3c","character_id":null,"markdown":"日本では、GPUクラウド最適化の本命はまだ米国企業中心ですが、国内では以下のような領域に可能性があります。","render_override":null},{"id":"blk_fc3537a7-8f24-42da-94da-c162ad74e147","kind":"figure","order":1229,"section_id":"sec_2d8af030-2e45-4101-9bb3-2a23aa90fe3c","character_id":null,"markdown":"![](/media/49f1963f7349569aefe06d89e2db1f23658506a54316673980fe4d2eaabbe1ae-content.webp)","render_override":null},{"id":"blk_edd86201-7ecb-49f9-a461-5f408c21a6b5","kind":"paragraph","order":1230,"section_id":"sec_2d8af030-2e45-4101-9bb3-2a23aa90fe3c","character_id":null,"markdown":"GMO GPU Cloudは、日本国内クラウドとして初めてNVIDIA Spectrum-Xを採用し、BlueField-3 DPUによるクラウドネットワーク加速を説明しています。これは日本企業の中ではGPUクラウド最適化テーマにかなり直接的です。([GMOインターネット株式会社](https://internet.gmo/en/news/article/27/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_35866cb1-4cfc-40d4-8719-9d28577e91da","kind":"thematic_break","order":1231,"section_id":"sec_2d8af030-2e45-4101-9bb3-2a23aa90fe3c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_85588b9b-61ec-461c-9fe2-62e080118366","kind":"heading","order":1232,"section_id":"sec_5cb09845-1a93-4ee8-bc2a-3cb99751a9c1","character_id":null,"markdown":"## \\11. どの企業が一番伸びる可能性があるか","render_override":null},{"id":"blk_9a0a75b1-27b2-407a-ab1a-b5368aa87c42","kind":"paragraph","order":1233,"section_id":"sec_5cb09845-1a93-4ee8-bc2a-3cb99751a9c1","character_id":null,"markdown":"私の見立てでは、伸びる可能性は以下の順です。","render_override":null},{"id":"blk_3f489645-3280-4b30-a8a7-60f514de4214","kind":"heading","order":1234,"section_id":"sec_538260eb-2e31-4950-a729-c197526008da","character_id":null,"markdown":"## 本命：NVIDIA","render_override":null},{"id":"blk_3843ce4c-8436-4591-b899-492881974c1d","kind":"paragraph","order":1235,"section_id":"sec_538260eb-2e31-4950-a729-c197526008da","character_id":null,"markdown":"GPU本体、ネットワーク、DPU、CUDA、Dynamo、Run:ai、Slurmまで押さえに行っているため、GPUクラウド最適化の中心です。","render_override":null},{"id":"blk_ad2a8227-ca91-419a-8280-7231c2572a05","kind":"paragraph","order":1236,"section_id":"sec_538260eb-2e31-4950-a729-c197526008da","character_id":null,"markdown":"ただし、すでに時価総額が非常に大きいため、株価上昇余地という意味では「成長の確実性は高いが、期待値も高い」です。","render_override":null},{"id":"blk_16686822-b32f-4407-8838-100f915f998f","kind":"heading","order":1237,"section_id":"sec_38aa4a14-66e6-42c3-b11f-27dbc4dee485","character_id":null,"markdown":"## 準本命：Broadcom","render_override":null},{"id":"blk_85007933-735c-4c73-8e76-b43a67d6578d","kind":"paragraph","order":1238,"section_id":"sec_38aa4a14-66e6-42c3-b11f-27dbc4dee485","character_id":null,"markdown":"GPUクラウドのネットワーク、カスタムAI ASIC、TPU/XPUの両方で強い。 \nNVIDIA一強が崩れて用途別ASIC化が進むほど、Broadcomの存在感は増えます。","render_override":null},{"id":"blk_e926ff2b-dae7-47f6-86e9-6e4709314628","kind":"heading","order":1239,"section_id":"sec_00301113-b8fd-446a-b49f-b9970efc58bc","character_id":null,"markdown":"## 成長余地：Arista","render_override":null},{"id":"blk_c28f4287-1cd4-4b67-af54-f5969dddd5a8","kind":"paragraph","order":1240,"section_id":"sec_00301113-b8fd-446a-b49f-b9970efc58bc","character_id":null,"markdown":"AI Ethernetの本命候補。 \nGPUクラスタがInfiniBandだけでなくEthernetにも広がるなら、Aristaは非常に重要です。","render_override":null},{"id":"blk_4737df20-4f6e-45d7-a17c-c0e63cad6a8b","kind":"heading","order":1241,"section_id":"sec_f8148001-1e41-4d8c-8b09-c319bea89546","character_id":null,"markdown":"## ハイリスク高成長：CoreWeave / Nebius系","render_override":null},{"id":"blk_9ab7e98e-d728-4615-a5dc-334f9f83f58d","kind":"paragraph","order":1242,"section_id":"sec_f8148001-1e41-4d8c-8b09-c319bea89546","character_id":null,"markdown":"GPUクラウド稼働率改善がそのまま利益率に効きます。 \nただし、設備投資・電力・借入・GPU償却が重く、景気後退やAI需要鈍化時のリスクも大きいです。","render_override":null},{"id":"blk_b3558e5d-a222-4d15-9440-fecb618e8ced","kind":"heading","order":1243,"section_id":"sec_a7e4202f-5c99-428b-81c5-4a815fc8c318","character_id":null,"markdown":"## 周辺で強い：Datadog / Cloudflare","render_override":null},{"id":"blk_7138a816-33c4-4594-a8e8-bd1446dbcb3b","kind":"paragraph","order":1244,"section_id":"sec_a7e4202f-5c99-428b-81c5-4a815fc8c318","character_id":null,"markdown":"GPUそのものではなく、AIクラウドの監視、コスト制御、AI Gateway、セキュリティで伸びる可能性があります。 \nAIエージェント時代には、GPU計算だけでなく「誰がどのAIをどれだけ使ったか」を管理する層が重要になります。","render_override":null},{"id":"blk_f014db42-2de2-412a-8366-f2975c0778a5","kind":"heading","order":1245,"section_id":"sec_a244abdd-5ff7-4ea3-9d3f-82c4963c3c08","character_id":null,"markdown":"## 代替勢力：Google / AWS / Broadcom","render_override":null},{"id":"blk_5296a43c-2b47-40af-8789-75dac43c3ca5","kind":"paragraph","order":1246,"section_id":"sec_a244abdd-5ff7-4ea3-9d3f-82c4963c3c08","character_id":null,"markdown":"TPU、Trainium、カスタムASICによって、GPU依存を減らす方向で伸びます。 \nこの世界線では、NVIDIAだけでなく、Alphabet、Amazon、Broadcomが恩恵を受けます。","render_override":null},{"id":"blk_90dbdd7c-ba18-4e84-b977-a3d12d608ae4","kind":"thematic_break","order":1247,"section_id":"sec_a244abdd-5ff7-4ea3-9d3f-82c4963c3c08","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ab7b0f29-e487-43f2-9eeb-99b53259095f","kind":"heading","order":1248,"section_id":"sec_5d9bd8c2-44e4-4e83-bc14-19ea8583f14e","character_id":null,"markdown":"## まとめ","render_override":null},{"id":"blk_c6b0f4a8-edb2-474a-8317-989613a86527","kind":"paragraph","order":1249,"section_id":"sec_5d9bd8c2-44e4-4e83-bc14-19ea8583f14e","character_id":null,"markdown":"この視点で見ると、GPUクラウド最適化で伸びる企業は、次の5階層に分かれます。","render_override":null},{"id":"blk_329fa4b7-ad12-4c1a-987e-56f50bd6c489","kind":"paragraph","order":1250,"section_id":"sec_5d9bd8c2-44e4-4e83-bc14-19ea8583f14e","character_id":null,"markdown":"階層代表企業伸びる理由GPUクラウドOSNVIDIAGPU、DPU、ネットワーク、Dynamo、Run:ai、Slurmを統合AIネオクラウドCoreWeave、Nebius、Lambda、CrusoeGPU特化運用で稼働率改善が利益に直結AIネットワークBroadcom、Arista、Marvell、CiscoGPU間通信が稼働率を左右する監視/制御/セキュリティDatadog、Cloudflare、Zscaler、OktaGPUコスト、AI利用、API、認証、監査を管理GPU代替アクセラレータGoogle、AWS、Broadcom、GroqTPU、Trainium、LPUでGPU依存を削る","render_override":null},{"id":"blk_9e13a439-3e87-46f5-912e-7662fdbbe167","kind":"paragraph","order":1251,"section_id":"sec_5d9bd8c2-44e4-4e83-bc14-19ea8583f14e","character_id":null,"markdown":"最も大きな構図はこうです。","render_override":null},{"id":"blk_5ee8ff65-14f5-4119-b498-efd886593f72","kind":"quote","order":1252,"section_id":"sec_5d9bd8c2-44e4-4e83-bc14-19ea8583f14e","character_id":null,"markdown":"> **NVIDIAはGPUクラウドそのものを最適化する。 \n> Broadcom/Arista/MarvellはGPUクラウドの血管を作る。 \n> CoreWeaveはGPUクラウドを実際に運用する。 \n> Datadog/CloudflareはAIクラウドの監視・制御・防衛を担う。 \n> Google/AWS/BroadcomはTPU/Trainium/ASICでGPUクラウドを迂回する。**","render_override":null},{"id":"blk_0f9fac58-1aae-4acf-a513-a43401d0e722","kind":"paragraph","order":1253,"section_id":"sec_5d9bd8c2-44e4-4e83-bc14-19ea8583f14e","character_id":null,"markdown":"したがって、今後伸びるのは「GPUを持つ会社」だけではありません。 \n本当に伸びる可能性があるのは、**GPUを高稼働にし、複数顧客に安全に貸し、トークン単位で管理し、ネットワークとCPUとセキュリティまで含めて最適化できる企業**です。","render_override":null},{"id":"blk_b0691a50-4833-4bb5-9f54-6a5be0fbd27f","kind":"thematic_break","order":1254,"section_id":"sec_5d9bd8c2-44e4-4e83-bc14-19ea8583f14e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_bb76f34f-36bd-4c5b-bc28-6c2eaca73f4a","kind":"paragraph","order":1255,"section_id":"sec_5d9bd8c2-44e4-4e83-bc14-19ea8583f14e","character_id":null,"markdown":"はい。**同じAI処理量だけを前提にすれば、GPUクラウドの成熟によって必要GPU数は縮小します。** \nただし現実には、推論単価が下がることでAI利用量が爆発するため、**世界全体のGPU需要は縮小せず、むしろ増え続ける可能性が高い**です。","render_override":null},{"id":"blk_c4c38dcc-8243-4969-b3ba-017be475f19c","kind":"paragraph","order":1256,"section_id":"sec_5d9bd8c2-44e4-4e83-bc14-19ea8583f14e","character_id":null,"markdown":"つまり答えは二層です。","render_override":null},{"id":"blk_1f0ffc09-ced7-4e85-99d4-e10d2ef712e9","kind":"code","order":1257,"section_id":"sec_5d9bd8c2-44e4-4e83-bc14-19ea8583f14e","character_id":null,"markdown":"```\n同じ仕事量を処理するためのGPU数\n → 減る\n\nAI社会全体で必要になるGPU総数\n → しばらく増える可能性が高い\n```","render_override":null},{"id":"blk_e47db122-18ac-43ed-8c6b-b83d007965fd","kind":"thematic_break","order":1258,"section_id":"sec_5d9bd8c2-44e4-4e83-bc14-19ea8583f14e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_6dd28221-d98f-4313-8d67-bd527ae13181","kind":"heading","order":1259,"section_id":"sec_a7efb4db-4fd8-48f3-8c3d-f7588df3d8dc","character_id":null,"markdown":"## \\1. GPUクラウド成熟で「同じ処理に必要なGPU数」は減る","render_override":null},{"id":"blk_1d3e119d-90b6-485d-bcee-b21e2a40086f","kind":"paragraph","order":1260,"section_id":"sec_a7efb4db-4fd8-48f3-8c3d-f7588df3d8dc","character_id":null,"markdown":"GPUクラウドが成熟すると、GPUを無駄なく詰め込めるようになります。","render_override":null},{"id":"blk_d7ee7b46-cda9-4609-beb1-7e63e7c2afad","kind":"paragraph","order":1261,"section_id":"sec_a7efb4db-4fd8-48f3-8c3d-f7588df3d8dc","character_id":null,"markdown":"たとえば現在は、","render_override":null},{"id":"blk_2b5ef93d-6074-4fb4-b5ba-d726d625b269","kind":"list","order":1262,"section_id":"sec_a7efb4db-4fd8-48f3-8c3d-f7588df3d8dc","character_id":null,"markdown":"- GPUが通信待ちしている\n- KV cacheでHBMが無駄になっている\n- prefillとdecodeが干渉している\n- 小さい推論リクエストをうまくバッチ化できない\n- モデルごとにGPUを固定してしまい空き時間が出る\n- マルチテナント化が未成熟で安全に共有できない","render_override":null},{"id":"blk_6c4b93a4-0be2-41fd-af67-be02b10aa05f","kind":"paragraph","order":1263,"section_id":"sec_a7efb4db-4fd8-48f3-8c3d-f7588df3d8dc","character_id":null,"markdown":"という非効率があります。","render_override":null},{"id":"blk_bac25031-7628-4c3f-85f8-a35bcfe6ab58","kind":"paragraph","order":1264,"section_id":"sec_a7efb4db-4fd8-48f3-8c3d-f7588df3d8dc","character_id":null,"markdown":"これが改善すると、**同じモデル、同じユーザー数、同じトークン量を処理するために必要なGPU枚数は減ります。**","render_override":null},{"id":"blk_fd258adb-1178-4adf-8da4-41910c857779","kind":"paragraph","order":1265,"section_id":"sec_a7efb4db-4fd8-48f3-8c3d-f7588df3d8dc","character_id":null,"markdown":"vLLMのPagedAttentionは、LLM推論で問題になるKV cacheをOSのページングのように管理し、KV cacheの無駄をほぼゼロに近づけ、同じレイテンシ条件で既存システムより2〜4倍のスループット改善を示しています。つまり、同じ推論量なら必要GPU数を大きく減らせる方向です。([arXiv](https://arxiv.org/abs/2309.06180?utm_source=chatgpt.com))","render_override":null},{"id":"blk_cd1b8d9e-be45-4170-a13e-1f8529db1fd8","kind":"paragraph","order":1266,"section_id":"sec_a7efb4db-4fd8-48f3-8c3d-f7588df3d8dc","character_id":null,"markdown":"またDistServeは、prefillとdecodeを分離することでLLM推論の干渉を減らす方式で、既存方式より多くのリクエストを処理できることを示しています。([arXiv](https://arxiv.org/abs/2401.09670?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e8cea891-ec76-4906-ab6d-f921ee5b547c","kind":"paragraph","order":1267,"section_id":"sec_a7efb4db-4fd8-48f3-8c3d-f7588df3d8dc","character_id":null,"markdown":"この意味では、GPUクラウド成熟は、","render_override":null},{"id":"blk_dc4ff6a7-62c3-48ed-a1cd-11b17fee562d","kind":"quote","order":1268,"section_id":"sec_a7efb4db-4fd8-48f3-8c3d-f7588df3d8dc","character_id":null,"markdown":"> **GPUを追加で買うのと同じくらい、既存GPUから有効計算を引き出す効果を持つ**","render_override":null},{"id":"blk_8c8fa382-afe8-4a7c-86bf-8e214fa5bdea","kind":"paragraph","order":1269,"section_id":"sec_a7efb4db-4fd8-48f3-8c3d-f7588df3d8dc","character_id":null,"markdown":"と言えます。","render_override":null},{"id":"blk_bb8152a3-2f9a-46e1-81cf-a15eb64e5095","kind":"thematic_break","order":1270,"section_id":"sec_a7efb4db-4fd8-48f3-8c3d-f7588df3d8dc","character_id":null,"markdown":"---","render_override":null},{"id":"blk_25f05c80-878b-4b3a-93c2-8b2cdfead0da","kind":"heading","order":1271,"section_id":"sec_27f53173-52ca-4dc9-8a68-3d2e7d9f7742","character_id":null,"markdown":"## \\2. しかし「GPU総需要」は簡単には減らない","render_override":null},{"id":"blk_9ce095a5-38b5-415e-9109-83ba94402891","kind":"paragraph","order":1272,"section_id":"sec_27f53173-52ca-4dc9-8a68-3d2e7d9f7742","character_id":null,"markdown":"問題は、効率化すると需要も増えることです。","render_override":null},{"id":"blk_721e9834-2c85-4154-8255-27ead00029c4","kind":"paragraph","order":1273,"section_id":"sec_27f53173-52ca-4dc9-8a68-3d2e7d9f7742","character_id":null,"markdown":"AI推論が安くなると、今まで高すぎて使えなかった用途が一気に増えます。","render_override":null},{"id":"blk_61e4e5bb-d955-46dd-b0a1-6710a920c87e","kind":"code","order":1274,"section_id":"sec_27f53173-52ca-4dc9-8a68-3d2e7d9f7742","character_id":null,"markdown":"```\nGPUクラウド最適化\n ↓\n1トークンあたりコスト低下\n ↓\nAIエージェントが安くなる\n ↓\n利用回数が増える\n ↓\n音声AI、動画AI、業務AI、ロボットAIが増える\n ↓\n総GPU需要はむしろ増える\n```","render_override":null},{"id":"blk_11dc4cf6-4880-45cf-b90b-c963f3fd32e8","kind":"paragraph","order":1275,"section_id":"sec_27f53173-52ca-4dc9-8a68-3d2e7d9f7742","character_id":null,"markdown":"これは経済学でいう**ジェボンズのパラドックス**に近い現象です。効率化によって1回あたりの資源消費は減っても、利用が増えすぎると総消費量はむしろ増える、という考え方です。([Wikipedia](https://en.wikipedia.org/wiki/Jevons_paradox?utm_source=chatgpt.com))","render_override":null},{"id":"blk_654dcc88-9667-402b-96b3-660900e95482","kind":"paragraph","order":1276,"section_id":"sec_27f53173-52ca-4dc9-8a68-3d2e7d9f7742","character_id":null,"markdown":"AIではこれがかなり起きやすいです。 \nなぜなら、AIの潜在需要がまだほとんど掘り起こされていないからです。","render_override":null},{"id":"blk_1c9d20d1-29b3-486e-886e-eba1694f3059","kind":"thematic_break","order":1277,"section_id":"sec_27f53173-52ca-4dc9-8a68-3d2e7d9f7742","character_id":null,"markdown":"---","render_override":null},{"id":"blk_435dcf96-689a-4edb-9741-54b9ef66c0d8","kind":"heading","order":1278,"section_id":"sec_9282639c-a2fc-481a-89f4-c46b54cdff7a","character_id":null,"markdown":"## \\3. 2030年代に起きそうなこと","render_override":null},{"id":"blk_ed1f49b1-e853-41de-8725-435c5fe2a656","kind":"paragraph","order":1279,"section_id":"sec_9282639c-a2fc-481a-89f4-c46b54cdff7a","character_id":null,"markdown":"2030年代には、GPUクラウドの成熟によって、**GPU 1枚あたりの有効処理量は大幅に増える**と思います。","render_override":null},{"id":"blk_688b303a-5d08-4a53-992d-fdd479b5b0e1","kind":"paragraph","order":1280,"section_id":"sec_9282639c-a2fc-481a-89f4-c46b54cdff7a","character_id":null,"markdown":"しかし同時に、","render_override":null},{"id":"blk_94992de1-1d1b-4437-bf08-390c54a19fba","kind":"list","order":1281,"section_id":"sec_9282639c-a2fc-481a-89f4-c46b54cdff7a","character_id":null,"markdown":"- AIエージェント\n- コーディングAI\n- 企業内AIワーカー\n- リアルタイム音声AI\n- 動画生成AI\n- ロボティクス/VLA\n- デジタルツイン\n- 科学AI\n- 個人専用AI\n- 常時稼働AI秘書","render_override":null},{"id":"blk_7cc17413-8463-4979-8d45-bcc1068332d3","kind":"paragraph","order":1282,"section_id":"sec_9282639c-a2fc-481a-89f4-c46b54cdff7a","character_id":null,"markdown":"が増えるため、総需要も増えます。","render_override":null},{"id":"blk_be9d2884-adeb-4e0a-96ac-c0dfaef89733","kind":"paragraph","order":1283,"section_id":"sec_9282639c-a2fc-481a-89f4-c46b54cdff7a","character_id":null,"markdown":"そのため、私の見方ではこうです。","render_override":null},{"id":"blk_c7da65da-46bf-4d0d-bf2c-7ee703fe9573","kind":"figure","order":1284,"section_id":"sec_9282639c-a2fc-481a-89f4-c46b54cdff7a","character_id":null,"markdown":"![](/media/a78a34b5eb09f224bcc2eb5ed222f877778e6b8a1e4efc4bf1a391e667cdc95c-content.webp)","render_override":null},{"id":"blk_8e937b6b-e182-4d07-9c0f-3b1596f32502","kind":"paragraph","order":1285,"section_id":"sec_9282639c-a2fc-481a-89f4-c46b54cdff7a","character_id":null,"markdown":"つまり、GPUクラウドが成熟すると、**GPU需要の伸び率は将来的に鈍化する可能性があります。** \nしかし、2030年代前半までは、AI利用量の拡大が効率化を上回る可能性が高いです。","render_override":null},{"id":"blk_561f19bf-7fd2-47e3-a468-54176427f2c2","kind":"thematic_break","order":1286,"section_id":"sec_9282639c-a2fc-481a-89f4-c46b54cdff7a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c7f12e06-8c00-4224-a3a9-234575d93209","kind":"heading","order":1287,"section_id":"sec_783e6814-084b-4b37-b0f7-79c3f3717b4a","character_id":null,"markdown":"## \\4. GPUが減る領域と、増える領域","render_override":null},{"id":"blk_7bd3ce64-c370-4976-bb84-7426f01b0032","kind":"paragraph","order":1288,"section_id":"sec_783e6814-084b-4b37-b0f7-79c3f3717b4a","character_id":null,"markdown":"GPUクラウド成熟で、GPU数が減りやすい領域はあります。","render_override":null},{"id":"blk_6c3099a9-7253-41de-adea-ce3719fc25ab","kind":"figure","order":1289,"section_id":"sec_783e6814-084b-4b37-b0f7-79c3f3717b4a","character_id":null,"markdown":"![](/media/5cc4b6002c51b9a6112989ec086dd848ca923150aed2ae4320641c56b3b053d4-content.webp)","render_override":null},{"id":"blk_d62d7646-553a-4d3e-8f1c-04bf49664fc8","kind":"paragraph","order":1290,"section_id":"sec_783e6814-084b-4b37-b0f7-79c3f3717b4a","character_id":null,"markdown":"一方で、GPUが増えやすい領域もあります。","render_override":null},{"id":"blk_cfbd36b7-4fac-4974-bcd3-7e810e3ed06e","kind":"figure","order":1291,"section_id":"sec_783e6814-084b-4b37-b0f7-79c3f3717b4a","character_id":null,"markdown":"![](/media/784a9f375d51ae9ce37d687df3e677ffe74e2319d26eab98f0bfd4bd27e116e6-content.webp)","render_override":null},{"id":"blk_e7c21bf8-38cc-487b-b0d6-a4f8e8acbb22","kind":"paragraph","order":1292,"section_id":"sec_783e6814-084b-4b37-b0f7-79c3f3717b4a","character_id":null,"markdown":"なので、GPUクラウド成熟は、**低付加価値なGPU需要を圧縮し、高付加価値なGPU需要へ移す**と考えた方がよいです。","render_override":null},{"id":"blk_a953adc5-835e-4552-85f1-d42cecf6acde","kind":"thematic_break","order":1293,"section_id":"sec_783e6814-084b-4b37-b0f7-79c3f3717b4a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5cdd1f51-c6eb-433d-8616-d491032d3a4c","kind":"heading","order":1294,"section_id":"sec_2132be84-3261-41a6-a850-a4634816410b","character_id":null,"markdown":"## \\5. NVIDIA自身も「少ないGPUで多く処理する」方向に進んでいる","render_override":null},{"id":"blk_e7c96e83-6d96-42cf-9255-665c0e4a4022","kind":"paragraph","order":1295,"section_id":"sec_2132be84-3261-41a6-a850-a4634816410b","character_id":null,"markdown":"NVIDIAも、単にGPU枚数を増やすだけではなく、ラック全体、ネットワーク、DPU、CPU、メモリ階層、推論ソフトを統合して、1ラックあたりの推論能力を上げる方向に進んでいます。","render_override":null},{"id":"blk_37b3c60f-5010-48b6-a18e-782bdeddfeed","kind":"paragraph","order":1296,"section_id":"sec_2132be84-3261-41a6-a850-a4634816410b","character_id":null,"markdown":"たとえば報道では、NVIDIAのVera Rubin NVL72はBlackwell比で推論性能を大きく高め、トークンあたりコストを下げ、必要GPUを減らす方向の設計だとされています。([Tom's Hardware](https://www.tomshardware.com/pc-components/gpus/nvidia-launches-vera-rubin-nvl72-ai-supercomputer-at-ces-promises-up-to-5x-greater-inference-performance-and-10x-lower-cost-per-token-than-blackwell-coming-2h-2026?utm_source=chatgpt.com))","render_override":null},{"id":"blk_ae4161ef-acd5-4d28-aeed-77b8e0c29746","kind":"paragraph","order":1297,"section_id":"sec_2132be84-3261-41a6-a850-a4634816410b","character_id":null,"markdown":"これはつまり、NVIDIA自身も、","render_override":null},{"id":"blk_e496b855-df16-4092-9a52-1803474d7cde","kind":"quote","order":1298,"section_id":"sec_2132be84-3261-41a6-a850-a4634816410b","character_id":null,"markdown":"> GPUをもっと売る \n> だけでなく \n> **GPU 1枚・1ラックあたりの有効処理量を上げる**","render_override":null},{"id":"blk_eed602e4-c882-4b56-9ce8-fb77cd84d841","kind":"paragraph","order":1299,"section_id":"sec_2132be84-3261-41a6-a850-a4634816410b","character_id":null,"markdown":"方向に進んでいるということです。","render_override":null},{"id":"blk_95673f60-33f4-4f3a-b7d8-211104ad00bd","kind":"paragraph","order":1300,"section_id":"sec_2132be84-3261-41a6-a850-a4634816410b","character_id":null,"markdown":"ただし、1GPUあたり性能が上がっても、AI利用量がそれ以上に増えれば、GPU総需要は増えます。","render_override":null},{"id":"blk_5b1a017c-db8f-495a-963a-a9428adae61b","kind":"thematic_break","order":1301,"section_id":"sec_2132be84-3261-41a6-a850-a4634816410b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f13d3be9-9cc4-43f6-a954-2ffe406b12db","kind":"heading","order":1302,"section_id":"sec_be81384c-22d0-4e73-b24c-902356664441","character_id":null,"markdown":"## \\6. 最終的な見方","render_override":null},{"id":"blk_97ba8d18-df6f-42f5-82c4-2cf1eb2966e4","kind":"paragraph","order":1303,"section_id":"sec_be81384c-22d0-4e73-b24c-902356664441","character_id":null,"markdown":"GPUクラウドが成熟すると、必要GPU数はこう変化すると考えます。","render_override":null},{"id":"blk_0fa8be5c-2e50-4ad2-8fdc-b3847f1a7ff1","kind":"code","order":1304,"section_id":"sec_be81384c-22d0-4e73-b24c-902356664441","character_id":null,"markdown":"```\n短期：\n非効率が大きいため、同じ処理量に必要なGPU数はかなり減らせる。\nしかしAI需要が急増するため、総GPU需要は増える。\n\n中期：\nGPUクラウドOS化でGPU利用率が改善。\n推論単価が下がり、AIエージェントが普及。\n総GPU需要はまだ増えやすい。\n\n長期：\nTPU、LPU、ASIC、NPU、エッジAIが普及。\n単純推論向けGPU需要の伸びは鈍化。\nGPUは動画生成、学習、VLA、科学AIなど高負荷領域に集中。\n```","render_override":null},{"id":"blk_67d1f170-94f2-4563-b2bd-9b3ea3ce4557","kind":"thematic_break","order":1305,"section_id":"sec_be81384c-22d0-4e73-b24c-902356664441","character_id":null,"markdown":"---","render_override":null},{"id":"blk_6a743af6-348d-4d37-99d9-3a24f675d195","kind":"heading","order":1306,"section_id":"sec_a37d9e6f-78cd-4295-a307-8ed1497ab91e","character_id":null,"markdown":"## 結論","render_override":null},{"id":"blk_17d752a6-b616-41d2-b34e-e3eb4b8340ee","kind":"paragraph","order":1307,"section_id":"sec_a37d9e6f-78cd-4295-a307-8ed1497ab91e","character_id":null,"markdown":"**GPUクラウドが成熟すると、同じAI処理をこなすために必要なGPU数は減ります。** \nvLLMやDistServeのような技術により、同じGPU枚数で数倍の推論を処理できる可能性があります。([arXiv](https://arxiv.org/abs/2309.06180?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e0d165f9-d738-4dc0-95bf-4e1ecc487f1f","kind":"paragraph","order":1308,"section_id":"sec_a37d9e6f-78cd-4295-a307-8ed1497ab91e","character_id":null,"markdown":"しかし、AI推論が安くなることで利用量が爆発するため、**2030年代前半までは世界全体のGPU需要は縮小しにくい**と思います。","render_override":null},{"id":"blk_4d9cd1b0-eb6a-4042-9407-c13a31599811","kind":"paragraph","order":1309,"section_id":"sec_a37d9e6f-78cd-4295-a307-8ed1497ab91e","character_id":null,"markdown":"一言で言うと、","render_override":null},{"id":"blk_c8f3e8ca-9a85-4ac4-bb6a-2e8b6cf99f4e","kind":"quote","order":1310,"section_id":"sec_a37d9e6f-78cd-4295-a307-8ed1497ab91e","character_id":null,"markdown":"> **GPUクラウド成熟は「GPU需要を消す」のではなく、 \n> GPUを低効率な使い方から高付加価値な使い方へ移す。**","render_override":null},{"id":"blk_ee898220-0f29-46b3-81cc-f090cb21b6c8","kind":"paragraph","order":1311,"section_id":"sec_a37d9e6f-78cd-4295-a307-8ed1497ab91e","character_id":null,"markdown":"そして最終的には、 \n**単純な推論はLPU/TPU/ASIC/NPUへ分散し、GPUは学習・動画生成・VLA・マルチモーダル・科学AIのような重い領域に集中する** \nという流れになると考えます。","render_override":null},{"id":"blk_1c7ca136-5d6f-4038-8507-5c86175dfed9","kind":"thematic_break","order":1312,"section_id":"sec_a37d9e6f-78cd-4295-a307-8ed1497ab91e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_99c54438-3f67-4ad7-821e-4f02a85929b5","kind":"heading","order":1313,"section_id":"sec_16cf2e41-a877-40c7-ae7d-be369518adde","character_id":null,"markdown":"## CPUで成熟したものと、GPU時代でこれから必要になるもの","render_override":null},{"id":"blk_8c712d42-ceca-4ad9-a4b3-1dee595d1e78","kind":"heading","order":1314,"section_id":"sec_fda76914-b726-4f80-bca7-f3beb184a212","character_id":null,"markdown":"## \\1. 仮想マシン → GPU仮想化、MIG、vGPU","render_override":null},{"id":"blk_a2c31b93-c48e-46b7-8760-8415c7250d77","kind":"paragraph","order":1315,"section_id":"sec_fda76914-b726-4f80-bca7-f3beb184a212","character_id":null,"markdown":"CPUクラウドでは、物理サーバーをVMに分割します。","render_override":null},{"id":"blk_01850d13-efd4-4697-9f2f-8488a90fa174","kind":"code","order":1316,"section_id":"sec_fda76914-b726-4f80-bca7-f3beb184a212","character_id":null,"markdown":"```\n物理CPUサーバー\n ├─ VM A\n ├─ VM B\n └─ VM C\n```","render_override":null},{"id":"blk_c4fe5149-b9e1-4ef0-bb13-1db5716cf297","kind":"paragraph","order":1317,"section_id":"sec_fda76914-b726-4f80-bca7-f3beb184a212","character_id":null,"markdown":"このとき、各VMは「自分専用のCPU・メモリ・ディスクを持っている」ように見えます。実際にはハイパーバイザが裏側で資源を分けています。","render_override":null},{"id":"blk_eec117ae-2ef4-4082-91b2-442aa281b569","kind":"paragraph","order":1318,"section_id":"sec_fda76914-b726-4f80-bca7-f3beb184a212","character_id":null,"markdown":"GPU時代に同じことをやるのが、**GPU仮想化**です。","render_override":null},{"id":"blk_62b356f6-8741-49cf-8915-a43d0561c6d7","kind":"paragraph","order":1319,"section_id":"sec_fda76914-b726-4f80-bca7-f3beb184a212","character_id":null,"markdown":"代表的な方式は3つあります。","render_override":null},{"id":"blk_f9ca4a4d-0366-48c7-870c-aaee6f968caa","kind":"figure","order":1320,"section_id":"sec_fda76914-b726-4f80-bca7-f3beb184a212","character_id":null,"markdown":"![](/media/0e89e22674e5815888839b38efa00cb96126e53c1f461a9a0782836b902e0754-content.webp)","render_override":null},{"id":"blk_19ab5805-6359-41f3-99c8-b9ea1348a5cd","kind":"paragraph","order":1321,"section_id":"sec_fda76914-b726-4f80-bca7-f3beb184a212","character_id":null,"markdown":"NVIDIA MIGは、対応GPUを複数の独立GPUインスタンスに分け、それぞれに専用の計算資源とメモリ資源を与える仕組みです。NVIDIAのMIG User Guideでも、MIGは複数の隔離インスタンスにGPUを分割し、各インスタンスに専用compute/memory resourceを持たせると説明されています。([NVIDIA Docs](https://docs.nvidia.com/datacenter/tesla/mig-user-guide/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_acbfb4a9-26d0-4eb1-a886-c4ac56a399a4","kind":"paragraph","order":1322,"section_id":"sec_fda76914-b726-4f80-bca7-f3beb184a212","character_id":null,"markdown":"イメージはこうです。","render_override":null},{"id":"blk_733ccfba-b5f3-42eb-bae6-f62104b9dd70","kind":"code","order":1323,"section_id":"sec_fda76914-b726-4f80-bca7-f3beb184a212","character_id":null,"markdown":"```\nA100 / H100 / B200 など\n ├─ GPU Instance 1：小型LLM推論\n ├─ GPU Instance 2：embedding\n ├─ GPU Instance 3：画像分類\n └─ GPU Instance 4：別ユーザーの推論\n```","render_override":null},{"id":"blk_c7ccc5f7-aaa1-4eeb-8516-4f81d8f93d8d","kind":"paragraph","order":1324,"section_id":"sec_fda76914-b726-4f80-bca7-f3beb184a212","character_id":null,"markdown":"CPU VMと違うのは、GPUでは**HBM容量、SM数、L2 cache、メモリ帯域、CUDA context**が性能と安全性に直結することです。","render_override":null},{"id":"blk_526c7960-2c4f-4fca-8f22-c45472551a05","kind":"paragraph","order":1325,"section_id":"sec_fda76914-b726-4f80-bca7-f3beb184a212","character_id":null,"markdown":"CPUなら、少し遅くなってもOSがプロセスを切り替えられます。 \nしかしGPUでは、1つのジョブがHBMを食い潰したり、CUDA kernelが長時間走ったり、メモリアクセスが暴れたりすると、他のジョブに大きく影響します。","render_override":null},{"id":"blk_5b211676-dc58-4f04-a495-fb611768dbc4","kind":"paragraph","order":1326,"section_id":"sec_fda76914-b726-4f80-bca7-f3beb184a212","character_id":null,"markdown":"そのためGPU仮想化では、単なる「見かけ上の分割」ではなく、","render_override":null},{"id":"blk_a3b01ba1-4baf-4c11-969c-c5887bf384c3","kind":"list","order":1327,"section_id":"sec_fda76914-b726-4f80-bca7-f3beb184a212","character_id":null,"markdown":"- HBMの分割\n- SMの分割\n- cacheの分離\n- DMAの制限\n- CUDA contextの隔離\n- エラー伝播の遮断\n- 性能保証/QoS","render_override":null},{"id":"blk_1ca94a8f-180b-425e-afd0-2f4eac55276b","kind":"paragraph","order":1328,"section_id":"sec_fda76914-b726-4f80-bca7-f3beb184a212","character_id":null,"markdown":"が必要になります。","render_override":null},{"id":"blk_198823e9-82b0-4cca-a725-8b342c151622","kind":"thematic_break","order":1329,"section_id":"sec_fda76914-b726-4f80-bca7-f3beb184a212","character_id":null,"markdown":"---","render_override":null},{"id":"blk_34ae7bf8-cb8d-480c-b321-bd8a77261c9f","kind":"heading","order":1330,"section_id":"sec_efae00ac-e1e8-4909-902d-102abd79a201","character_id":null,"markdown":"## \\2. OSスケジューラ → GPUジョブスケジューラ","render_override":null},{"id":"blk_096e7baf-bf88-4b61-aa9a-88897398f982","kind":"paragraph","order":1331,"section_id":"sec_efae00ac-e1e8-4909-902d-102abd79a201","character_id":null,"markdown":"CPUクラウドでは、OSスケジューラがプロセスやスレッドをCPUコアに割り当てます。","render_override":null},{"id":"blk_25bb9d5b-a427-4c99-9507-60b3b604985c","kind":"paragraph","order":1332,"section_id":"sec_efae00ac-e1e8-4909-902d-102abd79a201","character_id":null,"markdown":"CPUは、細かく割り込み、プリエンプション、コンテキストスイッチを行うのが得意です。","render_override":null},{"id":"blk_a812821d-431a-41f9-b5c1-18ad57f92ab3","kind":"code","order":1333,"section_id":"sec_efae00ac-e1e8-4909-902d-102abd79a201","character_id":null,"markdown":"```\nCPU core\n ├─ 1ms：プロセスA\n ├─ 1ms：プロセスB\n ├─ 1ms：プロセスC\n └─ ...\n```","render_override":null},{"id":"blk_94816087-7385-4c29-9114-9bc1cc78fdf9","kind":"paragraph","order":1334,"section_id":"sec_efae00ac-e1e8-4909-902d-102abd79a201","character_id":null,"markdown":"一方、GPUではこれが難しいです。","render_override":null},{"id":"blk_a118c155-bd7c-4cc4-9c46-128317728097","kind":"paragraph","order":1335,"section_id":"sec_efae00ac-e1e8-4909-902d-102abd79a201","character_id":null,"markdown":"GPUは基本的に、","render_override":null},{"id":"blk_7ec0338e-c620-4ac4-8180-c50abcea3844","kind":"code","order":1336,"section_id":"sec_efae00ac-e1e8-4909-902d-102abd79a201","character_id":null,"markdown":"```\n大きな行列演算\n巨大なCUDA kernel\n長いbatch処理\n多量のHBMアクセス\n```","render_override":null},{"id":"blk_c76cf168-0732-4084-91b9-145215b71e1d","kind":"paragraph","order":1337,"section_id":"sec_efae00ac-e1e8-4909-902d-102abd79a201","character_id":null,"markdown":"をまとめて流す設計です。CPUのように細かく「今すぐ止めて、別の小さい処理を挟む」が得意ではありません。","render_override":null},{"id":"blk_684e30a0-45e0-4821-9280-5cfd68a8b5b3","kind":"paragraph","order":1338,"section_id":"sec_efae00ac-e1e8-4909-902d-102abd79a201","character_id":null,"markdown":"GPUジョブスケジューラが考える必要があるのは、単なる「GPUが空いているか」ではありません。","render_override":null},{"id":"blk_ea97df2b-9a11-4420-a0a7-1061e8132f16","kind":"paragraph","order":1339,"section_id":"sec_efae00ac-e1e8-4909-902d-102abd79a201","character_id":null,"markdown":"LLM推論では、以下を見ます。","render_override":null},{"id":"blk_15385a6d-0957-4bf5-a3c9-a7ea4c2df40f","kind":"figure","order":1340,"section_id":"sec_efae00ac-e1e8-4909-902d-102abd79a201","character_id":null,"markdown":"![](/media/3f18daf9e3947369be2fc72e39ca89391e44e32a213f3ccb16f1145cdfe4e361-content.webp)","render_override":null},{"id":"blk_64a1485f-6d22-404e-a4a3-2fadb60f6b48","kind":"paragraph","order":1341,"section_id":"sec_efae00ac-e1e8-4909-902d-102abd79a201","character_id":null,"markdown":"特にLLMでは、**prefill** と **decode** が性格の違う処理です。","render_override":null},{"id":"blk_62465f4b-de46-45e5-8df9-8fdd2b38834a","kind":"code","order":1342,"section_id":"sec_efae00ac-e1e8-4909-902d-102abd79a201","character_id":null,"markdown":"```\nprefill：\n 入力プロンプト全体を一気に読む\n 計算量が大きい\n GPU演算を使いやすい\n\ndecode：\n 1トークンずつ出す\n 逐次性が強い\n HBM帯域やKV cacheが効く\n```","render_override":null},{"id":"blk_2f547408-242d-4d9c-9dd8-61dce2ebfda6","kind":"paragraph","order":1343,"section_id":"sec_efae00ac-e1e8-4909-902d-102abd79a201","character_id":null,"markdown":"DistServeはこの問題に対して、prefillとdecodeを分離して別々に最適化する方式を提案しています。既存LLM servingでは両者を同じGPU群で処理するため干渉が起きるが、DistServeは両フェーズを分離してgoodputを改善するという設計です。([USENIX](https://www.usenix.org/conference/osdi24/presentation/zhong-yinmin?utm_source=chatgpt.com))","render_override":null},{"id":"blk_3e49c2fc-62cf-458f-9c59-5c8f040820d1","kind":"paragraph","order":1344,"section_id":"sec_efae00ac-e1e8-4909-902d-102abd79a201","character_id":null,"markdown":"つまりGPUジョブスケジューラは、CPU時代の「プロセスをCPUに置く」よりも複雑です。","render_override":null},{"id":"blk_678ab660-00aa-44c3-8f99-ca198ba77fc7","kind":"paragraph","order":1345,"section_id":"sec_efae00ac-e1e8-4909-902d-102abd79a201","character_id":null,"markdown":"GPU時代のスケジューラは、","render_override":null},{"id":"blk_582a595b-e173-4bc0-bc59-7e5ad64c8a80","kind":"code","order":1346,"section_id":"sec_efae00ac-e1e8-4909-902d-102abd79a201","character_id":null,"markdown":"```\nどのモデルを\nどのGPUに常駐させ\nどのリクエストを\nどのタイミングでbatchに混ぜ\nprefillとdecodeをどこで処理し\nKV cacheをどこに置き\nレイテンシSLOを守るか\n```","render_override":null},{"id":"blk_cd4ff697-8d13-448d-94f6-35aa65135a7c","kind":"paragraph","order":1347,"section_id":"sec_efae00ac-e1e8-4909-902d-102abd79a201","character_id":null,"markdown":"を決める必要があります。","render_override":null},{"id":"blk_3d710eb4-6f1c-41d2-8492-1ecb1c613a29","kind":"thematic_break","order":1348,"section_id":"sec_efae00ac-e1e8-4909-902d-102abd79a201","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4e23c834-1509-425b-8459-e2d5edd8e7b8","kind":"heading","order":1349,"section_id":"sec_961b1eda-207e-40bf-81c5-3228d5460b18","character_id":null,"markdown":"## \\3. コンテナ/Kubernetes → GPU-aware Kubernetes","render_override":null},{"id":"blk_5e2c2411-eb29-433a-a7a4-0a7f4a61f31c","kind":"paragraph","order":1350,"section_id":"sec_961b1eda-207e-40bf-81c5-3228d5460b18","character_id":null,"markdown":"CPUクラウドでは、Kubernetesがコンテナをノードに配置します。","render_override":null},{"id":"blk_00c0ef6d-52a8-4065-a20c-1f60baafc057","kind":"paragraph","order":1351,"section_id":"sec_961b1eda-207e-40bf-81c5-3228d5460b18","character_id":null,"markdown":"通常は、","render_override":null},{"id":"blk_ea3e0da2-c3d1-4226-b5a3-813434cbd434","kind":"code","order":1352,"section_id":"sec_961b1eda-207e-40bf-81c5-3228d5460b18","character_id":null,"markdown":"```\ncpu: 2\nmemory: 4Gi\n```","render_override":null},{"id":"blk_27a649e4-2805-461b-ada5-8e3fc213e311","kind":"paragraph","order":1353,"section_id":"sec_961b1eda-207e-40bf-81c5-3228d5460b18","character_id":null,"markdown":"のような要求を見て、Podをどのノードに置くか決めます。","render_override":null},{"id":"blk_4a9313f5-c869-4082-a4c6-268517e7257f","kind":"paragraph","order":1354,"section_id":"sec_961b1eda-207e-40bf-81c5-3228d5460b18","character_id":null,"markdown":"しかしGPU時代には、単に、","render_override":null},{"id":"blk_bf03d911-0cca-4fc9-84ca-d89dad8b7794","kind":"code","order":1355,"section_id":"sec_961b1eda-207e-40bf-81c5-3228d5460b18","character_id":null,"markdown":"```\nnvidia.com/gpu: 1\n```","render_override":null},{"id":"blk_37c385eb-0e30-48a5-b334-eff5ee247e93","kind":"paragraph","order":1356,"section_id":"sec_961b1eda-207e-40bf-81c5-3228d5460b18","character_id":null,"markdown":"だけでは粗すぎます。","render_override":null},{"id":"blk_d0a553c7-918d-4dda-9506-375e2515b7e8","kind":"paragraph","order":1357,"section_id":"sec_961b1eda-207e-40bf-81c5-3228d5460b18","character_id":null,"markdown":"なぜならGPUには種類があります。","render_override":null},{"id":"blk_4898128a-aa63-48b2-bd92-097688a5a352","kind":"figure","order":1358,"section_id":"sec_961b1eda-207e-40bf-81c5-3228d5460b18","character_id":null,"markdown":"![](/media/7980a24e5b76646ca59cc0f63ebf94f0e9b4840cdc828eabbc94e8a1f5baf721-content.webp)","render_override":null},{"id":"blk_b2f6059c-ff70-4915-9a50-e1a8cf06fd59","kind":"paragraph","order":1359,"section_id":"sec_961b1eda-207e-40bf-81c5-3228d5460b18","character_id":null,"markdown":"そのため、KubernetesもGPU-awareになる必要があります。","render_override":null},{"id":"blk_83d4bbb9-644e-4c2f-b470-63f6beb07293","kind":"paragraph","order":1360,"section_id":"sec_961b1eda-207e-40bf-81c5-3228d5460b18","character_id":null,"markdown":"この流れで重要なのが **DRA / Dynamic Resource Allocation** です。Kubernetes DRAは、GPUやFPGAのような特殊ハードウェアをPodが柔軟に要求・共有できる仕組みで、デバイスドライバや管理者がDeviceClassを定義し、Kubernetesが条件に合うデバイスを割り当てます。Kubernetes公式でも、DRAは特殊ハードウェアの信頼性や高価なリソースの利用率改善を目的とする柔軟なフレームワークとして説明されています。([Kubernetes](https://kubernetes.io/blog/2025/09/01/kubernetes-v1-34-dra-updates/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_3740ca74-8c31-4a70-bbcb-f51a8baab77f","kind":"paragraph","order":1361,"section_id":"sec_961b1eda-207e-40bf-81c5-3228d5460b18","character_id":null,"markdown":"従来のKubernetesは、","render_override":null},{"id":"blk_36e79b52-d72e-42e8-bf08-3cc3bdb23876","kind":"code","order":1362,"section_id":"sec_961b1eda-207e-40bf-81c5-3228d5460b18","character_id":null,"markdown":"```\nGPUが1枚あるか？\n```","render_override":null},{"id":"blk_ddf116fc-6c2b-4ab1-ae56-ab06f3fc2908","kind":"paragraph","order":1363,"section_id":"sec_961b1eda-207e-40bf-81c5-3228d5460b18","character_id":null,"markdown":"を見るだけでした。","render_override":null},{"id":"blk_6deba13e-bd28-4042-96b2-11c142843ef9","kind":"paragraph","order":1364,"section_id":"sec_961b1eda-207e-40bf-81c5-3228d5460b18","character_id":null,"markdown":"GPU-aware Kubernetesでは、","render_override":null},{"id":"blk_9494b41f-e4d6-4672-893b-fa1d7ab6a9ed","kind":"code","order":1365,"section_id":"sec_961b1eda-207e-40bf-81c5-3228d5460b18","character_id":null,"markdown":"```\nH100か？\nHBMは80GBか？\nMIG 2g.20gbが必要か？\n同じNVLink island内に4枚必要か？\n低遅延推論用か？\nbatch学習用か？\nconfidential computingが必要か？\n```","render_override":null},{"id":"blk_24b018e3-2acf-498a-8b8a-33ce555f6bef","kind":"paragraph","order":1366,"section_id":"sec_961b1eda-207e-40bf-81c5-3228d5460b18","character_id":null,"markdown":"まで見る方向になります。","render_override":null},{"id":"blk_53820b60-2682-4b3a-9824-38c0ffa26f6f","kind":"paragraph","order":1367,"section_id":"sec_961b1eda-207e-40bf-81c5-3228d5460b18","character_id":null,"markdown":"これは、CPUクラウドでKubernetesが成熟したのと同じように、GPUクラウドでも**アクセラレータを一級リソースとして扱う段階**に進んでいるということです。","render_override":null},{"id":"blk_bff4a165-576c-43d8-8148-7053d2bf6252","kind":"thematic_break","order":1368,"section_id":"sec_961b1eda-207e-40bf-81c5-3228d5460b18","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4242bf2f-8d8e-4ecb-b5ec-db264791d668","kind":"heading","order":1369,"section_id":"sec_ff132797-6271-4e37-a99e-f778e00a2069","character_id":null,"markdown":"## \\4. マルチテナント分離 → GPUメモリ、cache、DMA、ドライバ隔離","render_override":null},{"id":"blk_a9e2714f-c662-4fc1-b7db-682f1c292145","kind":"paragraph","order":1370,"section_id":"sec_ff132797-6271-4e37-a99e-f778e00a2069","character_id":null,"markdown":"CPUクラウドで最も重要だったのは、マルチテナント分離です。","render_override":null},{"id":"blk_bd33d910-30a9-4e36-8121-f0d8d29727b3","kind":"code","order":1371,"section_id":"sec_ff132797-6271-4e37-a99e-f778e00a2069","character_id":null,"markdown":"```\n同じ物理サーバー上に\nA社のVM\nB社のVM\nC社のVM\nが同居しても、互いに中身を見られない\n```","render_override":null},{"id":"blk_6a1b217f-77dc-492e-a425-537f7b7bb7a4","kind":"paragraph","order":1372,"section_id":"sec_ff132797-6271-4e37-a99e-f778e00a2069","character_id":null,"markdown":"これを実現するために、CPUクラウドでは、","render_override":null},{"id":"blk_006d36c4-d202-4f71-a072-227da9a372f5","kind":"list","order":1373,"section_id":"sec_ff132797-6271-4e37-a99e-f778e00a2069","character_id":null,"markdown":"- 仮想メモリ\n- ページテーブル\n- ハイパーバイザ\n- IOMMU\n- VM isolation\n- network namespace\n- storage encryption\n- IAM\n- audit log","render_override":null},{"id":"blk_bd911fb0-49da-4b2c-bad2-6f7e08f02bfa","kind":"paragraph","order":1374,"section_id":"sec_ff132797-6271-4e37-a99e-f778e00a2069","character_id":null,"markdown":"が成熟しました。","render_override":null},{"id":"blk_01b5a650-618f-406a-ac9e-d51bc167b8da","kind":"paragraph","order":1375,"section_id":"sec_ff132797-6271-4e37-a99e-f778e00a2069","character_id":null,"markdown":"GPU時代は、これが難しくなります。","render_override":null},{"id":"blk_3b45369f-0d47-4423-a21c-6653cd97afad","kind":"figure","order":1376,"section_id":"sec_ff132797-6271-4e37-a99e-f778e00a2069","character_id":null,"markdown":"![](/media/33183a877e2fae546ae225f08d7662a07028bb1ff1657718d03b0806dbe994f9-content.webp)","render_override":null},{"id":"blk_38766601-448f-4924-aec8-cfa9bf026d4a","kind":"paragraph","order":1377,"section_id":"sec_ff132797-6271-4e37-a99e-f778e00a2069","character_id":null,"markdown":"NVIDIA GPU Operatorのtime-slicing説明でも、time-slicingはMIGが提供するメモリ隔離やfault isolationを犠牲にして、より多くのユーザーでGPUを共有する方式だと説明されています。([NVIDIA Docs](https://docs.nvidia.com/datacenter/cloud-native/gpu-operator/latest/gpu-sharing.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_06a206d1-11da-4026-9309-ec09411ee629","kind":"paragraph","order":1378,"section_id":"sec_ff132797-6271-4e37-a99e-f778e00a2069","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_38fd3c44-f5a8-4e45-903d-5be0a97f1a26","kind":"code","order":1379,"section_id":"sec_ff132797-6271-4e37-a99e-f778e00a2069","character_id":null,"markdown":"```\nMIG：\n 隔離は強い\n ただし分割が硬い\n\ntime-slicing：\n 柔軟に共有できる\n ただしメモリ・障害隔離は弱い\n```","render_override":null},{"id":"blk_67fa9463-be05-41d9-9ac1-030d7048a46c","kind":"paragraph","order":1380,"section_id":"sec_ff132797-6271-4e37-a99e-f778e00a2069","character_id":null,"markdown":"というトレードオフがあります。","render_override":null},{"id":"blk_ee9cbfa3-d1de-45c2-a513-3763d0e609e9","kind":"paragraph","order":1381,"section_id":"sec_ff132797-6271-4e37-a99e-f778e00a2069","character_id":null,"markdown":"さらに研究面でも、GPU共有のセキュリティ問題は現実化しています。NDSS 2026の研究では、仮想化GPU環境でTLBを悪用したクロスVMサイドチャネル攻撃が示されています。([NDSS Symposium](https://www.ndss-symposium.org/wp-content/uploads/2026-s1480-paper.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_3cc5620d-a9d7-4629-a74b-aff79471fa34","kind":"paragraph","order":1382,"section_id":"sec_ff132797-6271-4e37-a99e-f778e00a2069","character_id":null,"markdown":"したがって、GPU時代のマルチテナント分離では、","render_override":null},{"id":"blk_46346359-44ed-437e-99e8-077fcac5ea34","kind":"list","order":1383,"section_id":"sec_ff132797-6271-4e37-a99e-f778e00a2069","character_id":null,"markdown":"- MIGによるハードウェア分割\n- vGPUのメモリ保護\n- IOMMU/DMA制限\n- GPUメモリ初期化\n- confidential computing\n- ドライバ隔離\n- sandboxed CUDA\n- tenant別telemetry\n- cache/TLB side-channel対策","render_override":null},{"id":"blk_80f02107-88e2-45d1-862a-494f971c7d22","kind":"paragraph","order":1384,"section_id":"sec_ff132797-6271-4e37-a99e-f778e00a2069","character_id":null,"markdown":"が必要になります。","render_override":null},{"id":"blk_78ddfc4f-b2be-4056-a7a5-1e18cecfe827","kind":"paragraph","order":1385,"section_id":"sec_ff132797-6271-4e37-a99e-f778e00a2069","character_id":null,"markdown":"CPUクラウドでSpectre/Meltdownが大問題になったように、GPUクラウドでも**GPU版サイドチャネル問題**が重要になります。","render_override":null},{"id":"blk_6719cc41-4d96-4734-b08f-779abce87f6f","kind":"thematic_break","order":1386,"section_id":"sec_ff132797-6271-4e37-a99e-f778e00a2069","character_id":null,"markdown":"---","render_override":null},{"id":"blk_6a458752-00e5-45b2-8a9a-b2e186945227","kind":"heading","order":1387,"section_id":"sec_a2c2c98d-249d-439e-830f-f88902bd983d","character_id":null,"markdown":"## \\5. CPU oversubscription → GPUの時間分割・空間分割","render_override":null},{"id":"blk_bed769cf-5adb-4a8d-9e51-876093c7627f","kind":"paragraph","order":1388,"section_id":"sec_a2c2c98d-249d-439e-830f-f88902bd983d","character_id":null,"markdown":"CPUクラウドでは、oversubscriptionが普通に使われます。","render_override":null},{"id":"blk_d52aa980-961e-445d-b888-0f08f0d75869","kind":"paragraph","order":1389,"section_id":"sec_a2c2c98d-249d-439e-830f-f88902bd983d","character_id":null,"markdown":"たとえば物理CPUが64コアしかなくても、クラウド事業者は合計128 vCPU、256 vCPU相当を顧客に割り当てることがあります。","render_override":null},{"id":"blk_cdcd9c11-4cae-47b0-a7f7-ad2dddc76df7","kind":"paragraph","order":1390,"section_id":"sec_a2c2c98d-249d-439e-830f-f88902bd983d","character_id":null,"markdown":"なぜ可能かというと、全顧客が同時に100% CPUを使うわけではないからです。","render_override":null},{"id":"blk_51018e88-1577-4b8d-8365-8846fc85a9a0","kind":"code","order":1391,"section_id":"sec_a2c2c98d-249d-439e-830f-f88902bd983d","character_id":null,"markdown":"```\n物理64コア\n ↓\n仮想128 vCPUとして販売\n ↓\n実利用率を見ながら詰め込む\n```","render_override":null},{"id":"blk_0dc701d1-a17e-412e-b3a6-ef764c760526","kind":"paragraph","order":1392,"section_id":"sec_a2c2c98d-249d-439e-830f-f88902bd983d","character_id":null,"markdown":"GPUでも同じことをやりたいわけです。","render_override":null},{"id":"blk_7d83f76e-f505-4df8-a8d2-41c8c14e3c58","kind":"paragraph","order":1393,"section_id":"sec_a2c2c98d-249d-439e-830f-f88902bd983d","character_id":null,"markdown":"GPU共有には大きく2方式あります。","render_override":null},{"id":"blk_64de413f-052d-4214-9381-23eeb18a9e9e","kind":"heading","order":1394,"section_id":"sec_d3686016-51a0-4528-978a-73a264ff5517","character_id":null,"markdown":"## 空間分割","render_override":null},{"id":"blk_184647f0-65a7-4bb2-bf09-b0330e2f3e91","kind":"paragraph","order":1395,"section_id":"sec_d3686016-51a0-4528-978a-73a264ff5517","character_id":null,"markdown":"MIGのように、GPUを物理的・論理的に区切ります。","render_override":null},{"id":"blk_8d94dd25-9e52-499f-a963-b028e5a97646","kind":"code","order":1396,"section_id":"sec_d3686016-51a0-4528-978a-73a264ff5517","character_id":null,"markdown":"```\n1枚のGPU\n ├─ 20GB HBM + 一部SM\n ├─ 20GB HBM + 一部SM\n └─ 40GB HBM + 一部SM\n```","render_override":null},{"id":"blk_9547aa49-e163-44be-a524-dc3ecd79c0ad","kind":"paragraph","order":1397,"section_id":"sec_d3686016-51a0-4528-978a-73a264ff5517","character_id":null,"markdown":"長所は、性能予測と隔離が比較的強いことです。 \n短所は、分割サイズが固定的で、ワークロード変動に弱いことです。","render_override":null},{"id":"blk_1037efa6-e6db-4bdf-8a7d-86d5cb1c0cdb","kind":"heading","order":1398,"section_id":"sec_3f6b0c71-ab05-477d-a481-8ee0a78eefae","character_id":null,"markdown":"## 時間分割","render_override":null},{"id":"blk_259dbdd3-44f1-4314-9727-a81bda4b2d55","kind":"paragraph","order":1399,"section_id":"sec_3f6b0c71-ab05-477d-a481-8ee0a78eefae","character_id":null,"markdown":"time-slicingのように、複数プロセスやPodが同じGPUを時間で共有します。","render_override":null},{"id":"blk_f11bb382-b920-4bb5-b2ab-ce60b704d1b3","kind":"code","order":1400,"section_id":"sec_3f6b0c71-ab05-477d-a481-8ee0a78eefae","character_id":null,"markdown":"```\nGPU\n ├─ 時刻0〜10ms：Pod A\n ├─ 時刻10〜20ms：Pod B\n ├─ 時刻20〜30ms：Pod C\n```","render_override":null},{"id":"blk_12355d16-2b2f-4bc3-94c2-c7d1ce7a96ec","kind":"paragraph","order":1401,"section_id":"sec_3f6b0c71-ab05-477d-a481-8ee0a78eefae","character_id":null,"markdown":"長所は、多数の小さい推論や軽量ジョブを詰め込めることです。 \n短所は、メモリ分離やfault isolationが弱くなりやすいことです。NVIDIA GPU Operatorの説明でも、time-slicingはより多くのユーザーで共有できる一方、MIGの持つメモリ隔離・障害隔離を犠牲にすると説明されています。([NVIDIA Docs](https://docs.nvidia.com/datacenter/cloud-native/gpu-operator/latest/gpu-sharing.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_88824144-96ec-4ab1-aea1-9473dc6ed07d","kind":"paragraph","order":1402,"section_id":"sec_3f6b0c71-ab05-477d-a481-8ee0a78eefae","character_id":null,"markdown":"LLM推論では、さらに高度なoversubscriptionが必要です。","render_override":null},{"id":"blk_fe3a30cb-53a6-43e7-a86d-1825e0ddafcc","kind":"paragraph","order":1403,"section_id":"sec_3f6b0c71-ab05-477d-a481-8ee0a78eefae","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_1c32f2e9-162b-4d08-b396-5ea7a72103ed","kind":"code","order":1404,"section_id":"sec_3f6b0c71-ab05-477d-a481-8ee0a78eefae","character_id":null,"markdown":"```\n同じモデルを複数顧客で共有\n同じsystem promptのprefix cacheを共有\ndecode中のリクエストをcontinuous batchingで混ぜる\n空いたHBMにKV cacheを詰める\n低優先度batchを余剰時間に流す\n```","render_override":null},{"id":"blk_a2004320-708d-47af-af74-24225e69f38d","kind":"paragraph","order":1405,"section_id":"sec_3f6b0c71-ab05-477d-a481-8ee0a78eefae","character_id":null,"markdown":"という形です。","render_override":null},{"id":"blk_7b086dc4-fde6-4ce7-9a96-b6667bc9e2b3","kind":"paragraph","order":1406,"section_id":"sec_3f6b0c71-ab05-477d-a481-8ee0a78eefae","character_id":null,"markdown":"これはCPU oversubscriptionより難しいです。 \n理由は、GPUではHBMが詰まった瞬間に性能が落ち、KV cacheがユーザーごとに動的に増減し、低遅延SLOを守る必要があるからです。","render_override":null},{"id":"blk_7abef5bf-c586-4b43-893c-3ffb52e43a7a","kind":"thematic_break","order":1407,"section_id":"sec_3f6b0c71-ab05-477d-a481-8ee0a78eefae","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b7be2315-ecd9-420f-ade9-6a8c1b45e7a7","kind":"heading","order":1408,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"## \\6. オートスケーリング → 推論トークン単位のスケーリング","render_override":null},{"id":"blk_eee855a7-4a32-4ef6-a637-7d3c05f5d5c9","kind":"paragraph","order":1409,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"CPUクラウドのオートスケーリングは、通常こうです。","render_override":null},{"id":"blk_8f6727a7-74bf-420f-a215-15cd9e01ab0c","kind":"code","order":1410,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"```\nCPU使用率が70%を超えた\n ↓\nWebサーバーを2台増やす\n```","render_override":null},{"id":"blk_fc195859-6481-4126-87a7-90bd370aa893","kind":"paragraph","order":1411,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"これは比較的単純です。","render_override":null},{"id":"blk_d5811cf9-9bab-499d-a77a-e25549d016ad","kind":"paragraph","order":1412,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"GPU時代、特にLLM推論では、スケール単位が「サーバー台数」だけではありません。","render_override":null},{"id":"blk_e318ca03-daa1-4a33-93ff-487e3c94689e","kind":"paragraph","order":1413,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"LLM推論で本当に増減するのは、","render_override":null},{"id":"blk_5d9df1c1-901e-49e1-8b0b-7937a7cf9c38","kind":"list","order":1414,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"- 入力トークン数\n- 出力トークン数\n- 同時会話数\n- KV cache量\n- prefill量\n- decode量\n- モデル常駐数\n- LoRA adapter数\n- priority/SLO","render_override":null},{"id":"blk_32103178-7ff9-4b7e-8a85-428468807f9a","kind":"paragraph","order":1415,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_d3a6fb6e-5e47-4713-967e-1e46d41c0444","kind":"paragraph","order":1416,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"たとえば同じ1リクエストでも、","render_override":null},{"id":"blk_e5098ed7-4e77-4d2a-85b3-a3706a1582b4","kind":"code","order":1417,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"```\n短い質問：\n 入力50 tokens\n 出力100 tokens\n\n長文分析：\n 入力100,000 tokens\n 出力4,000 tokens\n```","render_override":null},{"id":"blk_2ada64a4-fa69-4411-a76a-6bc182d2305b","kind":"paragraph","order":1418,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"では負荷がまったく違います。","render_override":null},{"id":"blk_4bdb09de-a85d-4c6c-a0af-1579720b2d2f","kind":"paragraph","order":1419,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"そのためGPU時代のオートスケーリングは、","render_override":null},{"id":"blk_2798670f-2f37-4f2e-a7a3-119675263eba","kind":"code","order":1420,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"```\nリクエスト数ベース\n```","render_override":null},{"id":"blk_3d082499-52f4-4927-9a40-7f85d122a08e","kind":"paragraph","order":1421,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"ではなく、","render_override":null},{"id":"blk_675b413c-a0cf-4216-a080-3f72d9043b4e","kind":"code","order":1422,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"```\ntoken throughput\nKV cache GB\nTTFT\nTPOT\nqueue depth\nprefill/decode比率\n```","render_override":null},{"id":"blk_1aee2e4a-2b62-4a18-b93f-0574dd9a5e18","kind":"paragraph","order":1423,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"を見てスケールする必要があります。","render_override":null},{"id":"blk_751a3071-f5df-4c88-a3ac-279eeac9321d","kind":"paragraph","order":1424,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"vLLMのPagedAttentionは、このトークン単位スケーリングの基盤になります。KV cacheはリクエストごとに巨大で動的に増減し、従来方式では断片化や重複でメモリが無駄になり、batch sizeが制限されます。PagedAttentionはOSの仮想メモリ/ページングに着想を得て、KV cacheの無駄を減らし、vLLMでは同程度のレイテンシで2〜4倍のスループット改善を報告しています。([arXiv](https://arxiv.org/abs/2309.06180?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e1262f34-5a7b-43cf-8476-fdc684aa8678","kind":"paragraph","order":1425,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"つまり、GPUクラウドのオートスケーリングは、","render_override":null},{"id":"blk_5f81c16f-862a-47da-8756-1de2edeb388b","kind":"code","order":1426,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"```\nGPU台数を増やす\n```","render_override":null},{"id":"blk_9e93717c-5b4f-47dd-a276-31bacb81ee6f","kind":"paragraph","order":1427,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"だけではなく、","render_override":null},{"id":"blk_f8a87769-61a1-4d18-8b23-5be142c309e8","kind":"code","order":1428,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"```\nKV cacheを整理する\nbatchを組み直す\nprefill専用GPUを増やす\ndecode専用GPUを増やす\n低優先度ジョブを遅らせる\n小型モデルへfallbackする\nLPU/TPU/GPUを切り替える\n```","render_override":null},{"id":"blk_ced908e4-9224-4a21-8576-a6654d7e1c72","kind":"paragraph","order":1429,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"まで含みます。","render_override":null},{"id":"blk_28aad0e2-da85-4e62-bb17-3a4fc070d4ba","kind":"thematic_break","order":1430,"section_id":"sec_d327044c-0584-4ee3-8b00-ff41c96c0411","character_id":null,"markdown":"---","render_override":null},{"id":"blk_01883596-883d-4689-a745-ca9d7a8ff14b","kind":"heading","order":1431,"section_id":"sec_1a856153-da5e-4157-a30b-5b01ab76a58b","character_id":null,"markdown":"## \\7. ロードバランサ → LLMリクエスト / トークン / KV cacheルーティング","render_override":null},{"id":"blk_cb3da378-3be0-4afe-b273-6333df3b98de","kind":"paragraph","order":1432,"section_id":"sec_1a856153-da5e-4157-a30b-5b01ab76a58b","character_id":null,"markdown":"CPUクラウドのロードバランサは、Webリクエストを複数サーバーに振り分けます。","render_override":null},{"id":"blk_9942116d-8ef9-4d1f-b7d4-6ace10c136b8","kind":"code","order":1433,"section_id":"sec_1a856153-da5e-4157-a30b-5b01ab76a58b","character_id":null,"markdown":"```\nHTTP Request\n ↓\nLoad Balancer\n ├─ Web Server A\n ├─ Web Server B\n └─ Web Server C\n```","render_override":null},{"id":"blk_94729f35-2e6b-423e-99a5-1dbc1445ef39","kind":"paragraph","order":1434,"section_id":"sec_1a856153-da5e-4157-a30b-5b01ab76a58b","character_id":null,"markdown":"基準は、","render_override":null},{"id":"blk_2f25b245-ee91-4b3c-abc6-14b4d39d8c6c","kind":"list","order":1435,"section_id":"sec_1a856153-da5e-4157-a30b-5b01ab76a58b","character_id":null,"markdown":"- 接続数\n- CPU使用率\n- レイテンシ\n- ヘルスチェック\n- リージョン\n- sticky session","render_override":null},{"id":"blk_da8b45af-4b09-4de8-8102-c6a0c04382fb","kind":"paragraph","order":1436,"section_id":"sec_1a856153-da5e-4157-a30b-5b01ab76a58b","character_id":null,"markdown":"などです。","render_override":null},{"id":"blk_e2f350cb-ec17-4c09-a87b-c5a580b80278","kind":"paragraph","order":1437,"section_id":"sec_1a856153-da5e-4157-a30b-5b01ab76a58b","character_id":null,"markdown":"LLM時代のロードバランサは、はるかに複雑です。","render_override":null},{"id":"blk_aeaef6b8-49f7-4d81-8eb3-b65ca98e0585","kind":"paragraph","order":1438,"section_id":"sec_1a856153-da5e-4157-a30b-5b01ab76a58b","character_id":null,"markdown":"LLMでは、単に「空いているGPUに投げる」と非効率になります。","render_override":null},{"id":"blk_1952242b-772a-4be2-aa17-2d747bc71268","kind":"paragraph","order":1439,"section_id":"sec_1a856153-da5e-4157-a30b-5b01ab76a58b","character_id":null,"markdown":"なぜなら、GPU上にはすでに、","render_override":null},{"id":"blk_660abedd-5c50-45ae-ac0e-854b0b4b8758","kind":"list","order":1440,"section_id":"sec_1a856153-da5e-4157-a30b-5b01ab76a58b","character_id":null,"markdown":"- モデル重み\n- KV cache\n- prefix cache\n- LoRA adapter\n- tokenizer状態\n- speculative decoding用draft model\n- safety model","render_override":null},{"id":"blk_b3576978-0beb-4100-add8-0e30f37d440e","kind":"paragraph","order":1441,"section_id":"sec_1a856153-da5e-4157-a30b-5b01ab76a58b","character_id":null,"markdown":"などが載っているからです。","render_override":null},{"id":"blk_42655774-5b0c-41cf-a1e9-1490a149e9fa","kind":"paragraph","order":1442,"section_id":"sec_1a856153-da5e-4157-a30b-5b01ab76a58b","character_id":null,"markdown":"LLMロードバランサは、以下を見てルーティングする必要があります。","render_override":null},{"id":"blk_6a4aebfe-f861-4c7a-bb2d-6b3b97d588fe","kind":"figure","order":1443,"section_id":"sec_1a856153-da5e-4157-a30b-5b01ab76a58b","character_id":null,"markdown":"![](/media/2788f00ffb7a40fa1e2f8920115c46262d6738e4e9be49fceab60034b90c4b0e-content.webp)","render_override":null},{"id":"blk_ba0030ac-6eab-44a3-97a7-adfdbce51685","kind":"paragraph","order":1444,"section_id":"sec_1a856153-da5e-4157-a30b-5b01ab76a58b","character_id":null,"markdown":"SGLangは、agent control、RAG、JSON decoding、multi-turn chatのような複雑なLLMアプリケーションで、構造を利用して推論を効率化するフレームワークです。論文では、RadixAttentionなどにより複雑な言語モデルプログラムで最大6.4倍のスループット改善が報告されています。([arXiv](https://arxiv.org/abs/2312.07104?utm_source=chatgpt.com))","render_override":null},{"id":"blk_cf9ed7d4-5381-4ea6-9ea1-7bb8e1e92496","kind":"paragraph","order":1445,"section_id":"sec_1a856153-da5e-4157-a30b-5b01ab76a58b","character_id":null,"markdown":"この意味で、LLMロードバランサは従来のL7ロードバランサではなく、","render_override":null},{"id":"blk_a3bb7ca7-bdeb-4b1a-a00b-de2df14ab283","kind":"code","order":1446,"section_id":"sec_1a856153-da5e-4157-a30b-5b01ab76a58b","character_id":null,"markdown":"```\nAIリクエストルーター\n+\nKV cacheルーター\n+\nモデル常駐ルーター\n+\nSLO制御器\n```","render_override":null},{"id":"blk_8b56bd25-6b20-4aab-b901-69702030d64a","kind":"paragraph","order":1447,"section_id":"sec_1a856153-da5e-4157-a30b-5b01ab76a58b","character_id":null,"markdown":"になります。","render_override":null},{"id":"blk_1b01f8ae-2faf-4e33-afa2-42f5c55e2a97","kind":"paragraph","order":1448,"section_id":"sec_1a856153-da5e-4157-a30b-5b01ab76a58b","character_id":null,"markdown":"将来的には、ロードバランサが、","render_override":null},{"id":"blk_ccf80481-8c1d-4b46-8914-def6aa1e7ae0","kind":"code","order":1449,"section_id":"sec_1a856153-da5e-4157-a30b-5b01ab76a58b","character_id":null,"markdown":"```\nこのリクエストはGPUではなくLPUへ\nこの長文prefillはGPUクラスタAへ\ndecodeは別GPUプールへ\n社内機密データなのでconfidential GPUへ\n低価格プランなのでbatch queueへ\n```","render_override":null},{"id":"blk_553ef00f-d8ad-44f0-a9fe-e36d3874caed","kind":"paragraph","order":1450,"section_id":"sec_1a856153-da5e-4157-a30b-5b01ab76a58b","character_id":null,"markdown":"のように判断することになります。","render_override":null},{"id":"blk_56598e84-a6f7-4322-9d21-4f70179ac1a1","kind":"thematic_break","order":1451,"section_id":"sec_1a856153-da5e-4157-a30b-5b01ab76a58b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_3eb57a22-1e54-4eb0-a690-0d2c2795adbc","kind":"heading","order":1452,"section_id":"sec_9869513e-af53-488b-b9ef-2846e7df2dff","character_id":null,"markdown":"## \\8. 課金 → GPU秒、token秒、KV cache秒、推論SLO課金","render_override":null},{"id":"blk_8d831179-3f4b-4609-9d5c-cf74a17086c9","kind":"paragraph","order":1453,"section_id":"sec_9869513e-af53-488b-b9ef-2846e7df2dff","character_id":null,"markdown":"CPUクラウドの課金は、最初は比較的単純でした。","render_override":null},{"id":"blk_f3f8ab93-5050-4ce2-9d82-f79d764af25a","kind":"code","order":1454,"section_id":"sec_9869513e-af53-488b-b9ef-2846e7df2dff","character_id":null,"markdown":"```\nVMを何時間使ったか\nCPUを何vCPU使ったか\nメモリを何GB使ったか\nストレージを何GB使ったか\n通信量がどれだけか\n```","render_override":null},{"id":"blk_f6686f48-f9dd-465f-a87b-6396ff202735","kind":"paragraph","order":1455,"section_id":"sec_9869513e-af53-488b-b9ef-2846e7df2dff","character_id":null,"markdown":"GPUクラウドでも、初期は「GPU時間課金」です。","render_override":null},{"id":"blk_12736a75-7322-42e4-92dc-a12aaa0b3a58","kind":"code","order":1456,"section_id":"sec_9869513e-af53-488b-b9ef-2846e7df2dff","character_id":null,"markdown":"```\nH100を1時間使ったので何ドル\n```","render_override":null},{"id":"blk_d393f9ec-e172-4cbe-833c-bb791686bfb7","kind":"paragraph","order":1457,"section_id":"sec_9869513e-af53-488b-b9ef-2846e7df2dff","character_id":null,"markdown":"しかしLLM時代には、GPU時間だけでは正確な課金になりません。","render_override":null},{"id":"blk_92a488ab-ec42-4a94-bcd2-50ceb8f55d48","kind":"paragraph","order":1458,"section_id":"sec_9869513e-af53-488b-b9ef-2846e7df2dff","character_id":null,"markdown":"同じGPU 1時間でも、","render_override":null},{"id":"blk_b6c7d873-d540-4edb-9fdf-ed40f71e34a1","kind":"code","order":1459,"section_id":"sec_9869513e-af53-488b-b9ef-2846e7df2dff","character_id":null,"markdown":"```\n短文チャットを大量に処理\n長文コンテキストを少数処理\n動画生成を処理\nembeddingを処理\nbatch推論を処理\n低遅延SLO付き推論を処理\n```","render_override":null},{"id":"blk_6c0c5be3-ad3f-44c1-a288-4e0036528f6b","kind":"paragraph","order":1460,"section_id":"sec_9869513e-af53-488b-b9ef-2846e7df2dff","character_id":null,"markdown":"では原価が違います。","render_override":null},{"id":"blk_ea65a70e-9083-42c2-84a6-dd67bd3effee","kind":"paragraph","order":1461,"section_id":"sec_9869513e-af53-488b-b9ef-2846e7df2dff","character_id":null,"markdown":"そのため今後は、課金単位が細かくなります。","render_override":null},{"id":"blk_2db791ee-89da-44c5-b930-c061075036fb","kind":"figure","order":1462,"section_id":"sec_9869513e-af53-488b-b9ef-2846e7df2dff","character_id":null,"markdown":"![](/media/e6bd00a7a54e78acc3c249f2de6e3f9236471bf829deb28fb0b995f0c79c8ef2-content.webp)","render_override":null},{"id":"blk_6da88587-1cc6-4022-aa93-bd9cbd195c4e","kind":"paragraph","order":1463,"section_id":"sec_9869513e-af53-488b-b9ef-2846e7df2dff","character_id":null,"markdown":"特に重要なのは、**KV cache課金**です。","render_override":null},{"id":"blk_a8f360cc-f18c-47da-a6c9-a80457d011a5","kind":"paragraph","order":1464,"section_id":"sec_9869513e-af53-488b-b9ef-2846e7df2dff","character_id":null,"markdown":"AIエージェントは長時間動き、会話履歴や作業状態を持ちます。 \nその状態をGPU/HBM上に保持するなら、それは「計算」ではなく「高価な短期記憶」を占有していることになります。","render_override":null},{"id":"blk_1ecde082-fe16-4f6c-85fb-5842f641a2af","kind":"paragraph","order":1465,"section_id":"sec_9869513e-af53-488b-b9ef-2846e7df2dff","character_id":null,"markdown":"つまり未来のAIクラウド課金は、","render_override":null},{"id":"blk_a96bc9c9-e72b-40a0-9ba7-b4659df4c4e3","kind":"code","order":1466,"section_id":"sec_9869513e-af53-488b-b9ef-2846e7df2dff","character_id":null,"markdown":"```\n計算した量\n+\n記憶していた量\n+\n速さを保証した量\n+\n安全性を保証した量\n```","render_override":null},{"id":"blk_827ce197-5c13-4a28-baf0-0bf948306faf","kind":"paragraph","order":1467,"section_id":"sec_9869513e-af53-488b-b9ef-2846e7df2dff","character_id":null,"markdown":"になります。","render_override":null},{"id":"blk_1cb6e260-501a-49c9-be9c-c644e6ae2998","kind":"paragraph","order":1468,"section_id":"sec_9869513e-af53-488b-b9ef-2846e7df2dff","character_id":null,"markdown":"CPUクラウドでは「CPU時間 + メモリ + ストレージ + 通信量」でした。 \nGPUクラウドでは「GPU時間 + HBM + token + KV cache + SLO」になります。","render_override":null},{"id":"blk_f077c816-2160-45f7-9288-87394055f4f3","kind":"thematic_break","order":1469,"section_id":"sec_9869513e-af53-488b-b9ef-2846e7df2dff","character_id":null,"markdown":"---","render_override":null},{"id":"blk_692f734c-be47-4d25-b933-8de8ae1592ea","kind":"heading","order":1470,"section_id":"sec_d027b001-ec8c-4127-9416-470c9248572f","character_id":null,"markdown":"## \\9. セキュリティ → サイドチャネル、モデル/データ漏洩対策","render_override":null},{"id":"blk_f563d821-73ee-44d5-aba2-984221ee004e","kind":"paragraph","order":1471,"section_id":"sec_d027b001-ec8c-4127-9416-470c9248572f","character_id":null,"markdown":"CPUクラウドのセキュリティでは、","render_override":null},{"id":"blk_a1d1dfc7-b144-4595-b74f-8d4569c297f0","kind":"list","order":1472,"section_id":"sec_d027b001-ec8c-4127-9416-470c9248572f","character_id":null,"markdown":"- VM隔離\n- IAM\n- VPC\n- firewall\n- TLS\n- disk encryption\n- audit log\n- vulnerability scanning\n- confidential computing","render_override":null},{"id":"blk_3ff6ec43-04f6-4682-be17-827d371001c3","kind":"paragraph","order":1473,"section_id":"sec_d027b001-ec8c-4127-9416-470c9248572f","character_id":null,"markdown":"が成熟してきました。","render_override":null},{"id":"blk_ca625f2f-a8b0-4ae1-83a9-47eb86aa716b","kind":"paragraph","order":1474,"section_id":"sec_d027b001-ec8c-4127-9416-470c9248572f","character_id":null,"markdown":"GPU時代には、新しい攻撃面が増えます。","render_override":null},{"id":"blk_4479d295-a279-4bec-80a3-671e9fb8dd0d","kind":"heading","order":1475,"section_id":"sec_a3051e28-451e-48d2-af67-ff6cfe6609f9","character_id":null,"markdown":"## 重要なリスク","render_override":null},{"id":"blk_1e13806f-6f22-4b5a-90c4-fa6f04e1afc5","kind":"figure","order":1476,"section_id":"sec_a3051e28-451e-48d2-af67-ff6cfe6609f9","character_id":null,"markdown":"![](/media/a70d20c26733656eecf83ef2e6531ee98ad15039bc21ca18e22a9fa93907e6e1-content.webp)","render_override":null},{"id":"blk_c24f09ed-5932-48a3-a564-0c83ca0dd3ca","kind":"paragraph","order":1477,"section_id":"sec_a3051e28-451e-48d2-af67-ff6cfe6609f9","character_id":null,"markdown":"NVIDIA H100では、GPU confidential computingが導入され、仮想化環境やKubernetes環境で使えるGPU TEEの方向が示されています。NVIDIAはH100を、confidential computingをサポートする初のGPUとして説明しています。([NVIDIA Developer](https://developer.nvidia.com/blog/confidential-computing-on-h100-gpus-for-secure-and-trustworthy-ai/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_fbdaa541-fbde-4524-86c6-0689749bdc7c","kind":"paragraph","order":1478,"section_id":"sec_a3051e28-451e-48d2-af67-ff6cfe6609f9","character_id":null,"markdown":"ただし、これは「すべて解決」という意味ではありません。","render_override":null},{"id":"blk_19473913-eacf-43cc-a604-c69bfee7e925","kind":"paragraph","order":1479,"section_id":"sec_a3051e28-451e-48d2-af67-ff6cfe6609f9","character_id":null,"markdown":"GPU仮想化環境のサイドチャネル攻撃は研究され続けています。NDSS 2026の論文では、仮想化GPUのTLBを使ったクロスVMサイドチャネル攻撃が示されており、GPUマルチテナントのセキュリティがCPUクラウド並みに成熟するにはまだ課題があることが分かります。([NDSS Symposium](https://www.ndss-symposium.org/ndss-paper/exploiting-tlbs-in-virtualized-gpus-for-cross-vm-side-channel-attacks/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_8333b56b-63f0-4d75-86b9-c96f862d5a79","kind":"paragraph","order":1480,"section_id":"sec_a3051e28-451e-48d2-af67-ff6cfe6609f9","character_id":null,"markdown":"GPUクラウドのセキュリティは、以下の多層構造になります。","render_override":null},{"id":"blk_13b0efe3-384b-4e1c-a639-b0c6356b844f","kind":"code","order":1481,"section_id":"sec_a3051e28-451e-48d2-af67-ff6cfe6609f9","character_id":null,"markdown":"```\nアプリ層：\n prompt filtering\n output filtering\n tenant policy\n\nモデル層：\n model weight encryption\n LoRA隔離\n safety model\n\nランタイム層：\n sandboxed CUDA\n container isolation\n request isolation\n\nGPU層：\n MIG\n vGPU\n HBM zeroing\n cache/TLB対策\n confidential computing\n\nI/O層：\n IOMMU\n DMA制御\n GPUDirect RDMA制御\n DPU/SmartNIC firewall\n\nクラウド層：\n IAM\n audit log\n billing log\n anomaly detection\n```","render_override":null},{"id":"blk_efe7c549-41b3-4f57-ae2d-3bfa6bfec415","kind":"paragraph","order":1482,"section_id":"sec_a3051e28-451e-48d2-af67-ff6cfe6609f9","character_id":null,"markdown":"CPUクラウドのセキュリティが「VMの中身を守る」だったとすれば、GPUクラウドのセキュリティは、**モデル、プロンプト、KV cache、GPUメモリ、GPU kernel、GPUドライバ、ネットワークDMAまで守る**必要があります。","render_override":null},{"id":"blk_bead3294-a123-42e8-a1ee-64b6820de9eb","kind":"thematic_break","order":1483,"section_id":"sec_a3051e28-451e-48d2-af67-ff6cfe6609f9","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c21f1d9f-0c66-4c2a-9e6f-d0f8bddd0cb9","kind":"heading","order":1484,"section_id":"sec_937846fa-77fe-4711-a151-121b51541466","character_id":null,"markdown":"## \\10. 全体像：CPUクラウドとGPUクラウドの違い","render_override":null},{"id":"blk_049ff3f5-2b41-4181-882c-c70356d25d36","kind":"paragraph","order":1485,"section_id":"sec_937846fa-77fe-4711-a151-121b51541466","character_id":null,"markdown":"まとめると、CPUクラウドとGPUクラウドは似ていますが、難易度が違います。","render_override":null},{"id":"blk_06876b58-bc87-4eba-b8c4-4a3f2816db65","kind":"figure","order":1486,"section_id":"sec_937846fa-77fe-4711-a151-121b51541466","character_id":null,"markdown":"![](/media/a0a8629d90590dded13cbc855bc83f15b5a3b4f45ce0aa2126f1e9e680f5c6db-content.webp)","render_override":null},{"id":"blk_d24fda09-fb63-4fa3-91da-dcd20f590979","kind":"paragraph","order":1487,"section_id":"sec_937846fa-77fe-4711-a151-121b51541466","character_id":null,"markdown":"GPUクラウドの本質は、単にGPUを貸すことではありません。","render_override":null},{"id":"blk_a3d6f93b-f784-40dd-aa3e-f477c8d538a9","kind":"paragraph","order":1488,"section_id":"sec_937846fa-77fe-4711-a151-121b51541466","character_id":null,"markdown":"本質は、","render_override":null},{"id":"blk_5ab5726b-6d38-4240-a1ee-5ee8a6cc51a5","kind":"quote","order":1489,"section_id":"sec_937846fa-77fe-4711-a151-121b51541466","character_id":null,"markdown":"> **GPUを、LLM/AIエージェント用のクラウド資源として、細かく、安全に、高稼働で、トークン単位に制御すること**","render_override":null},{"id":"blk_45e7121b-9566-4ba6-8979-fa153aef4908","kind":"paragraph","order":1490,"section_id":"sec_937846fa-77fe-4711-a151-121b51541466","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_f4aff229-da5f-4c7f-ac39-096d38b8cb75","kind":"thematic_break","order":1491,"section_id":"sec_937846fa-77fe-4711-a151-121b51541466","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2660a9d9-fe74-46a7-bc79-cb69f83d74ca","kind":"heading","order":1492,"section_id":"sec_3455ca7e-a616-4a2a-8c72-1427686a5562","character_id":null,"markdown":"## \\11. 最終的に必要になる「GPUクラウドOS」","render_override":null},{"id":"blk_7d51160a-aa65-44c4-aded-6d24ca0c6aa0","kind":"paragraph","order":1493,"section_id":"sec_3455ca7e-a616-4a2a-8c72-1427686a5562","character_id":null,"markdown":"この表の各行を統合すると、最終的に必要になるのは、GPU版クラウドOSです。","render_override":null},{"id":"blk_132bbe77-17f2-4e7f-8c30-223074a598fa","kind":"paragraph","order":1494,"section_id":"sec_3455ca7e-a616-4a2a-8c72-1427686a5562","character_id":null,"markdown":"それは以下を全部持ちます。","render_override":null},{"id":"blk_c0c173c6-1bbc-42ca-be03-3fa402e59897","kind":"code","order":1495,"section_id":"sec_3455ca7e-a616-4a2a-8c72-1427686a5562","character_id":null,"markdown":"```\nGPU仮想化：\n MIG / vGPU / passthrough / time-slicing\n\nGPU-aware scheduling：\n GPU種別、HBM、NVLink、NIC距離、SLOを見て配置\n\nLLM serving runtime：\n vLLM / SGLang / TensorRT-LLM / Dynamo\n\nKV cache manager：\n PagedAttention、prefix cache、multi-tier KV cache\n\ntoken-level autoscaler：\n request数ではなくtokenとKV cacheでスケール\n\nAI load balancer：\n model / cache / SLO / tenant / data localityでルーティング\n\nsecurity layer：\n confidential GPU、MIG隔離、DMA制御、side-channel対策\n\nbilling layer：\n GPU秒、token、KV cache、SLO、priorityで課金\n\nobservability：\n GPU利用率、HBM、TTFT、TPOT、MFU、tenant原価を監視\n```","render_override":null},{"id":"blk_d83b8eb8-bb08-46a5-9760-8859f78191f9","kind":"paragraph","order":1496,"section_id":"sec_3455ca7e-a616-4a2a-8c72-1427686a5562","character_id":null,"markdown":"CPUクラウドが25年かけて成熟させたものを、GPUクラウドはAI需要の爆発によって、もっと短い期間で再発明することになります。","render_override":null},{"id":"blk_9bbf163d-8707-4d3d-ad62-7ce2ed2f5d6e","kind":"thematic_break","order":1497,"section_id":"sec_3455ca7e-a616-4a2a-8c72-1427686a5562","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9f889905-a00c-47b6-bfd9-fa95220551d7","kind":"heading","order":1498,"section_id":"sec_c36d4c47-1622-4afc-81a9-fc71567aa0f3","character_id":null,"markdown":"## まとめ","render_override":null},{"id":"blk_77629c9b-8881-44ff-bf56-799c40d5e0d5","kind":"paragraph","order":1499,"section_id":"sec_c36d4c47-1622-4afc-81a9-fc71567aa0f3","character_id":null,"markdown":"この表の意味は、かなり深いです。","render_override":null},{"id":"blk_6f5d5e10-5a1f-44f9-97a6-c7e722078070","kind":"paragraph","order":1500,"section_id":"sec_c36d4c47-1622-4afc-81a9-fc71567aa0f3","character_id":null,"markdown":"CPUクラウドでは、物理CPUをVMやコンテナに分け、複数顧客に安全に貸し、負荷に応じてスケールし、使った分だけ課金する仕組みが成熟しました。","render_override":null},{"id":"blk_5749c82c-1eb4-49f4-a9a6-b82f7923fab8","kind":"paragraph","order":1501,"section_id":"sec_c36d4c47-1622-4afc-81a9-fc71567aa0f3","character_id":null,"markdown":"GPU時代には、それをそのままGPUに移すだけでは足りません。","render_override":null},{"id":"blk_3d15289f-5e2b-41f9-9a51-503fb6b7e7c9","kind":"paragraph","order":1502,"section_id":"sec_c36d4c47-1622-4afc-81a9-fc71567aa0f3","character_id":null,"markdown":"なぜならGPU時代の基本単位は、VMではなく、","render_override":null},{"id":"blk_453baa64-d9de-47e6-8fa0-b4cc79873c7b","kind":"code","order":1503,"section_id":"sec_c36d4c47-1622-4afc-81a9-fc71567aa0f3","character_id":null,"markdown":"```\nモデル\nトークン\nKV cache\nGPUメモリ\nprefill\ndecode\n推論SLO\n```","render_override":null},{"id":"blk_894b082e-1e21-431e-9865-5124fb1109a9","kind":"paragraph","order":1504,"section_id":"sec_c36d4c47-1622-4afc-81a9-fc71567aa0f3","character_id":null,"markdown":"になるからです。","render_override":null},{"id":"blk_7775e3f3-331c-4f3c-830d-73b8d9b76fd5","kind":"paragraph","order":1505,"section_id":"sec_c36d4c47-1622-4afc-81a9-fc71567aa0f3","character_id":null,"markdown":"したがって、GPUクラウドでは、","render_override":null},{"id":"blk_f8a631eb-ead2-4581-b580-2f76f7044e95","kind":"quote","order":1506,"section_id":"sec_c36d4c47-1622-4afc-81a9-fc71567aa0f3","character_id":null,"markdown":"> **仮想GPU、GPU-aware Kubernetes、LLMジョブスケジューラ、KV cacheルーティング、token単位課金、GPU confidential computing、サイドチャネル対策**","render_override":null},{"id":"blk_01a33f73-7617-41e7-855b-d104a3496c11","kind":"paragraph","order":1507,"section_id":"sec_c36d4c47-1622-4afc-81a9-fc71567aa0f3","character_id":null,"markdown":"が必要になります。","render_override":null},{"id":"blk_6179940c-03ca-4854-ba7f-e9b696df302e","kind":"paragraph","order":1508,"section_id":"sec_c36d4c47-1622-4afc-81a9-fc71567aa0f3","character_id":null,"markdown":"最終的には、GPUクラウドの競争は「GPUを何枚持っているか」ではなく、","render_override":null},{"id":"blk_ce3475e0-e932-452c-8952-b7a2537257c4","kind":"quote","order":1509,"section_id":"sec_c36d4c47-1622-4afc-81a9-fc71567aa0f3","character_id":null,"markdown":"> **GPUをどれだけCPUクラウドのように細かく、安全に、効率よく、課金可能な資源に変換できるか**","render_override":null},{"id":"blk_ba4cbc0a-d4ac-490c-9519-7ef3bd45381f","kind":"paragraph","order":1510,"section_id":"sec_c36d4c47-1622-4afc-81a9-fc71567aa0f3","character_id":null,"markdown":"の競争になります。","render_override":null},{"id":"blk_367476ad-4966-472b-848e-9316195ec877","kind":"thematic_break","order":1511,"section_id":"sec_c36d4c47-1622-4afc-81a9-fc71567aa0f3","character_id":null,"markdown":"---","render_override":null},{"id":"blk_8ddfd855-7872-45cd-8abd-0d43088e81a2","kind":"heading","order":1512,"section_id":"sec_a759dd1a-5c7c-4c39-9576-5d398b8cc90e","character_id":null,"markdown":"## 現状のGPUクラウド","render_override":null},{"id":"blk_d3e225bf-da2f-424e-bf4e-556c1da52deb","kind":"paragraph","order":1513,"section_id":"sec_a759dd1a-5c7c-4c39-9576-5d398b8cc90e","character_id":null,"markdown":"現状のGPUクラウドは、かなり率直に言うと、**「GPUをクラウドで貸す段階」は実用化済みだが、「CPUクラウドのように高稼働・安全・細粒度・自動最適化された段階」にはまだ達していない**です。","render_override":null},{"id":"blk_133eb842-953f-4acf-8935-71998ad8279e","kind":"paragraph","order":1514,"section_id":"sec_a759dd1a-5c7c-4c39-9576-5d398b8cc90e","character_id":null,"markdown":"私の評価では、2026年時点のGPUクラウドは **5段階中で2.5〜3くらい** です。","render_override":null},{"id":"blk_a99d6b5c-c732-453e-8b03-0d9ab4984186","kind":"code","order":1515,"section_id":"sec_a759dd1a-5c7c-4c39-9576-5d398b8cc90e","character_id":null,"markdown":"```\nLv1：GPUサーバーを貸せる\nLv2：KubernetesやMIGである程度運用できる\nLv3：LLM推論をvLLM/SGLang/TensorRT-LLMなどで最適化し始めた\nLv4：トークン/KV cache/SLO単位で自動スケール・課金・ルーティングできる\nLv5：CPUクラウド並みに安全・高稼働・標準化・マルチテナント化されている\n```","render_override":null},{"id":"blk_0f29d314-fb99-419f-acbc-6920fe4793ad","kind":"paragraph","order":1516,"section_id":"sec_a759dd1a-5c7c-4c39-9576-5d398b8cc90e","character_id":null,"markdown":"今は **Lv2.5〜Lv3**。 \nつまり、**部品は揃い始めたが、全体としてはまだ未成熟**です。","render_override":null},{"id":"blk_e6a3935a-c0c4-4ca0-b326-513705297f2c","kind":"thematic_break","order":1517,"section_id":"sec_a759dd1a-5c7c-4c39-9576-5d398b8cc90e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_811baf87-67ad-4350-906e-60fd1268453b","kind":"heading","order":1518,"section_id":"sec_407e0be8-ea08-48d5-a7ef-c4035ca4dd47","character_id":null,"markdown":"## \\1. できていること","render_override":null},{"id":"blk_b5ad4ed7-cf59-4eaa-a9c2-b2b3a42d62c9","kind":"paragraph","order":1519,"section_id":"sec_407e0be8-ea08-48d5-a7ef-c4035ca4dd47","character_id":null,"markdown":"現在のGPUクラウドでは、すでに以下は実用段階です。","render_override":null},{"id":"blk_5031bb37-debb-4093-b2b9-9d20a07e3dc4","kind":"list","order":1520,"section_id":"sec_407e0be8-ea08-48d5-a7ef-c4035ca4dd47","character_id":null,"markdown":"- NVIDIA H100/H200/B200/GB200系GPUをクラウドで借りる\n- GPU付きKubernetesクラスタを動かす\n- MIGでGPUを分割する\n- vGPUやtime-slicingで共有する\n- vLLM、TensorRT-LLM、SGLangなどでLLM推論を高速化する\n- GPU監視、ログ、メトリクスを取る\n- CoreWeaveなどのネオクラウドがAI特化GPUクラウドを大規模運用する","render_override":null},{"id":"blk_3e05eb0d-015e-4b07-be7b-6d72f803454b","kind":"paragraph","order":1521,"section_id":"sec_407e0be8-ea08-48d5-a7ef-c4035ca4dd47","character_id":null,"markdown":"NVIDIAのMIGは、対応GPUを複数の独立インスタンスに分割し、それぞれに専用のcompute/memory resourceを持たせる技術です。つまり、GPUを「1枚丸ごと貸す」だけでなく、「小さなGPUインスタンス」として切り出すことはすでに可能です。([NVIDIA Docs](https://docs.nvidia.com/datacenter/tesla/mig-user-guide/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_05839c5c-5f11-432a-b5c2-aeeab3ff21ac","kind":"paragraph","order":1522,"section_id":"sec_407e0be8-ea08-48d5-a7ef-c4035ca4dd47","character_id":null,"markdown":"また、vLLMのPagedAttentionはKV cacheをOSの仮想メモリのように管理し、同じレイテンシ条件でLLM推論スループットを2〜4倍改善したと報告されています。これはGPUクラウドが「LLM向けクラウドOS」に近づく重要な技術です。([arXiv](https://arxiv.org/abs/2309.06180?utm_source=chatgpt.com))","render_override":null},{"id":"blk_3ee39309-58f8-4402-a550-f73b3108c293","kind":"thematic_break","order":1523,"section_id":"sec_407e0be8-ea08-48d5-a7ef-c4035ca4dd47","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d448aa9a-b10a-431c-a17d-67f8d8d757d5","kind":"heading","order":1524,"section_id":"sec_2bef0818-d928-4466-831c-dcff1dda1818","character_id":null,"markdown":"## \\2. まだ弱いところ","render_override":null},{"id":"blk_fcd4b183-babb-4152-88b9-1d2266f69e58","kind":"paragraph","order":1525,"section_id":"sec_2bef0818-d928-4466-831c-dcff1dda1818","character_id":null,"markdown":"一方で、現状のGPUクラウドはかなり無駄が多いです。","render_override":null},{"id":"blk_517c0966-fa47-42fe-97d6-54acce077f88","kind":"paragraph","order":1526,"section_id":"sec_2bef0818-d928-4466-831c-dcff1dda1818","character_id":null,"markdown":"Cast AIの2026年レポートでは、AWS、Azure、Google Cloud上のKubernetesクラスタ分析で、**GPU利用率平均はわずか5%** とされています。CPU利用率も8%、メモリ利用率も20%で、クラウド全体に過剰プロビジョニングがあるとされています。([Cast AI](https://cast.ai/press-release/2026-state-of-kubernetes-optimization-report/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_c2ac6a88-8b2d-4613-a299-84691281e7cb","kind":"paragraph","order":1527,"section_id":"sec_2bef0818-d928-4466-831c-dcff1dda1818","character_id":null,"markdown":"xAIの例でも、報道ではGPUフリートのMFU、つまりModel FLOPs Utilizationが約11%で、業界比較として35〜45%程度が示されています。これは「GPUが完全停止している」という意味ではなく、理論性能に対してモデル計算として有効に使えている割合が低いという意味です。([Business Insider](https://www.businessinsider.com/elon-musk-xai-compute-cursor-ai-model-training-2026-4?utm_source=chatgpt.com))","render_override":null},{"id":"blk_60827c8c-c75a-4c59-8249-753263414570","kind":"paragraph","order":1528,"section_id":"sec_2bef0818-d928-4466-831c-dcff1dda1818","character_id":null,"markdown":"つまり現状は、","render_override":null},{"id":"blk_610fd351-0ef3-47b4-854b-cfd99765699f","kind":"code","order":1529,"section_id":"sec_2bef0818-d928-4466-831c-dcff1dda1818","character_id":null,"markdown":"```\nGPUを持っている\n↓\nGPUをクラウドで貸せる\n↓\nでも、高稼働で使い切るのは難しい\n```","render_override":null},{"id":"blk_94224100-6e8d-4525-ae9a-ef344119ffae","kind":"paragraph","order":1530,"section_id":"sec_2bef0818-d928-4466-831c-dcff1dda1818","character_id":null,"markdown":"という段階です。","render_override":null},{"id":"blk_9ff076ad-b0c0-4c33-91d3-b4fbcbcef2b2","kind":"thematic_break","order":1531,"section_id":"sec_2bef0818-d928-4466-831c-dcff1dda1818","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a0cfe7c1-2119-48eb-a976-fa8cde529f05","kind":"heading","order":1532,"section_id":"sec_f55f2325-6355-4961-b4fc-9b0c558f521e","character_id":null,"markdown":"## \\3. CPUクラウドと比べると、どれくらい未成熟か","render_override":null},{"id":"blk_d57b2145-5880-4f48-8d9c-95dca42c7431","kind":"paragraph","order":1533,"section_id":"sec_f55f2325-6355-4961-b4fc-9b0c558f521e","character_id":null,"markdown":"CPUクラウドは、すでにかなり成熟しています。","render_override":null},{"id":"blk_a9515ccc-7a63-49d7-a35d-4a6893c10cca","kind":"paragraph","order":1534,"section_id":"sec_f55f2325-6355-4961-b4fc-9b0c558f521e","character_id":null,"markdown":"CPUクラウドでは、","render_override":null},{"id":"blk_73ba698e-0d3d-400b-bd96-db68bd4c7742","kind":"list","order":1535,"section_id":"sec_f55f2325-6355-4961-b4fc-9b0c558f521e","character_id":null,"markdown":"- VM\n- コンテナ\n- Kubernetes\n- IAM\n- ロードバランサ\n- オートスケール\n- 監視\n- 課金\n- セキュリティ\n- マルチテナント分離","render_override":null},{"id":"blk_f9e1a564-762b-44a9-8f72-b64f2d6f1547","kind":"paragraph","order":1536,"section_id":"sec_f55f2325-6355-4961-b4fc-9b0c558f521e","character_id":null,"markdown":"が標準化されています。","render_override":null},{"id":"blk_893f03c9-7ea0-476a-8888-a210905472bf","kind":"paragraph","order":1537,"section_id":"sec_f55f2325-6355-4961-b4fc-9b0c558f521e","character_id":null,"markdown":"一方、GPUクラウドでは、これらのGPU版がまだ作られている途中です。","render_override":null},{"id":"blk_4eef98cd-41b1-46c1-afdf-acfbeaaf0c81","kind":"figure","order":1538,"section_id":"sec_f55f2325-6355-4961-b4fc-9b0c558f521e","character_id":null,"markdown":"![](/media/1f990b47f1774101521eda27bdb7c5dd903bb437177e1b72019b90ef09804f07-content.webp)","render_override":null},{"id":"blk_732b797f-26d6-41b1-a9db-b134e4b6721f","kind":"paragraph","order":1539,"section_id":"sec_f55f2325-6355-4961-b4fc-9b0c558f521e","character_id":null,"markdown":"Kubernetes側では、GPUやFPGAのような特殊デバイスを柔軟に扱うDRA、Dynamic Resource AllocationがKubernetes 1.34で大きく進展し、中核APIがGAになっています。これはGPUクラウド成熟に向けた重要な基盤ですが、まだ「CPUクラウド並みに当たり前」とまでは言えません。([Kubernetes](https://kubernetes.io/blog/2025/09/01/kubernetes-v1-34-dra-updates/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_52b39472-47f3-42fd-bdeb-8cf03257b938","kind":"thematic_break","order":1540,"section_id":"sec_f55f2325-6355-4961-b4fc-9b0c558f521e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_cfa21689-28ee-4dbe-9d2a-754b4dbc2b4a","kind":"heading","order":1541,"section_id":"sec_eee898d1-c2cb-4447-b7e5-fb9e261cab0a","character_id":null,"markdown":"## \\4. 一番進んでいるのは「LLM推論最適化」","render_override":null},{"id":"blk_8a684e06-4ab1-4de2-9ac1-4c05ed87f0f9","kind":"paragraph","order":1542,"section_id":"sec_eee898d1-c2cb-4447-b7e5-fb9e261cab0a","character_id":null,"markdown":"GPUクラウドの中で、特に進んでいるのは **LLM推論の効率化** です。","render_override":null},{"id":"blk_19ebaa2f-f0fa-4507-ac72-606e40b503a8","kind":"paragraph","order":1543,"section_id":"sec_eee898d1-c2cb-4447-b7e5-fb9e261cab0a","character_id":null,"markdown":"ここではすでに、","render_override":null},{"id":"blk_8868ee38-14fa-4ec2-8c4c-17d7fce89f57","kind":"list","order":1544,"section_id":"sec_eee898d1-c2cb-4447-b7e5-fb9e261cab0a","character_id":null,"markdown":"- continuous batching\n- PagedAttention\n- prefix cache\n- KV cache管理\n- prefill/decode分離\n- speculative decoding\n- disaggregated serving\n- intelligent routing","render_override":null},{"id":"blk_dacd5584-5ed4-47e7-bd89-a7d73df93257","kind":"paragraph","order":1545,"section_id":"sec_eee898d1-c2cb-4447-b7e5-fb9e261cab0a","character_id":null,"markdown":"が急速に発展しています。","render_override":null},{"id":"blk_466722cc-6d9f-49d1-a7af-918c6e0e0ca8","kind":"paragraph","order":1546,"section_id":"sec_eee898d1-c2cb-4447-b7e5-fb9e261cab0a","character_id":null,"markdown":"NVIDIA Dynamoは、vLLM、SGLang、TensorRT-LLMなどを置き換えるのではなく、それらをデータセンター規模の分散推論システムとして協調させるオーケストレーション層です。GitHub上でも、disaggregated serving、intelligent routing、multi-tier KV caching、automatic scalingを扱うと説明されています。([GitHub](https://github.com/ai-dynamo/dynamo?utm_source=chatgpt.com))","render_override":null},{"id":"blk_6ce8c7e1-8aa7-444a-9f1a-e636eecc532a","kind":"paragraph","order":1547,"section_id":"sec_eee898d1-c2cb-4447-b7e5-fb9e261cab0a","character_id":null,"markdown":"つまり、**LLM推論クラウドの成熟度は比較的高く、Lv3に近い**です。","render_override":null},{"id":"blk_f5140a03-f7bc-4235-b572-73bed20b9a3b","kind":"paragraph","order":1548,"section_id":"sec_eee898d1-c2cb-4447-b7e5-fb9e261cab0a","character_id":null,"markdown":"ただし、これはLLM推論に限った話です。 \n画像生成、動画生成、VLA、学習、マルチテナント安全共有まで含めると、まだ成熟度は下がります。","render_override":null},{"id":"blk_c282c7e4-2d85-48cb-9d96-4dc5f47117ab","kind":"thematic_break","order":1549,"section_id":"sec_eee898d1-c2cb-4447-b7e5-fb9e261cab0a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d1b96a0b-7fbd-4c63-b7c5-d3f1b3c108cf","kind":"heading","order":1550,"section_id":"sec_c07c0f69-752f-4557-a482-3bb3a6d4d989","character_id":null,"markdown":"## \\5. 学習クラスタは「トップ企業だけ高レベル」","render_override":null},{"id":"blk_7a480c36-9e70-4d54-a271-2c03c5e75aab","kind":"paragraph","order":1551,"section_id":"sec_c07c0f69-752f-4557-a482-3bb3a6d4d989","character_id":null,"markdown":"大規模学習では、トップAIラボや大手クラウド企業はかなり高い水準にあります。","render_override":null},{"id":"blk_fabb6e1d-219f-4287-99c5-c5ce6470e44c","kind":"paragraph","order":1552,"section_id":"sec_c07c0f69-752f-4557-a482-3bb3a6d4d989","character_id":null,"markdown":"MegaScaleの論文では、12,288 GPUで175B LLMを学習し、55.2% MFUを達成したと報告されています。これは非常に高い水準で、トップ層ではGPUクラスタをかなり使いこなしていることを示します。([arXiv](https://arxiv.org/abs/2402.15627?utm_source=chatgpt.com))","render_override":null},{"id":"blk_1effcce8-1297-4f15-a55a-29c5e137a688","kind":"paragraph","order":1553,"section_id":"sec_c07c0f69-752f-4557-a482-3bb3a6d4d989","character_id":null,"markdown":"ただし、これは「誰でもできる」わけではありません。 \nこのレベルには、","render_override":null},{"id":"blk_daef3ea0-3765-46df-b141-c69a24d4613e","kind":"list","order":1554,"section_id":"sec_c07c0f69-752f-4557-a482-3bb3a6d4d989","character_id":null,"markdown":"- 分散学習ノウハウ\n- ネットワーク最適化\n- 障害復旧\n- データパイプライン\n- オペレータ最適化\n- 通信と計算のオーバーラップ\n- 深いobservability","render_override":null},{"id":"blk_9f323e47-f207-4313-9bb9-e25039a83434","kind":"paragraph","order":1555,"section_id":"sec_c07c0f69-752f-4557-a482-3bb3a6d4d989","character_id":null,"markdown":"が必要です。","render_override":null},{"id":"blk_015a8afe-90d1-460b-9f5c-728d671b663d","kind":"paragraph","order":1556,"section_id":"sec_c07c0f69-752f-4557-a482-3bb3a6d4d989","character_id":null,"markdown":"なので現状は、","render_override":null},{"id":"blk_419b2afd-a16d-4532-9154-0920149b6384","kind":"code","order":1557,"section_id":"sec_c07c0f69-752f-4557-a482-3bb3a6d4d989","character_id":null,"markdown":"```\nトップAIラボ：Lv4に近い部分もある\n一般企業GPUクラウド：Lv2前後\nネオクラウド/大手クラウド：Lv3前後\n```","render_override":null},{"id":"blk_22ec3c83-66b5-4ea2-9cc3-42bf6587665e","kind":"paragraph","order":1558,"section_id":"sec_c07c0f69-752f-4557-a482-3bb3a6d4d989","character_id":null,"markdown":"という差があります。","render_override":null},{"id":"blk_2c0df8d2-1621-41e7-959b-5860ad729d12","kind":"thematic_break","order":1559,"section_id":"sec_c07c0f69-752f-4557-a482-3bb3a6d4d989","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1f3945d7-197f-4e47-94c4-bfeb95c51516","kind":"heading","order":1560,"section_id":"sec_e2ec994e-36bd-4190-8acf-b95bed38047a","character_id":null,"markdown":"## \\6. マルチテナントGPUはまだ難しい","render_override":null},{"id":"blk_dc8a3169-eadd-4d01-be44-fa43696dbf7f","kind":"paragraph","order":1561,"section_id":"sec_e2ec994e-36bd-4190-8acf-b95bed38047a","character_id":null,"markdown":"GPUクラウドがCPUクラウド並みに成熟するうえで、最大の難所は **安全なマルチテナント共有** です。","render_override":null},{"id":"blk_00fd7246-bc72-4b01-b48d-dd89eb925727","kind":"paragraph","order":1562,"section_id":"sec_e2ec994e-36bd-4190-8acf-b95bed38047a","character_id":null,"markdown":"NVIDIA GPU Operatorのtime-slicingでは、多くのユーザーでGPUを共有できますが、その代わりMIGが提供するメモリ隔離やfault isolationを犠牲にすると説明されています。([NVIDIA Docs](https://docs.nvidia.com/datacenter/cloud-native/gpu-operator/latest/gpu-sharing.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_2a361df1-56e2-4b24-ab38-f79de03dc3f0","kind":"paragraph","order":1563,"section_id":"sec_e2ec994e-36bd-4190-8acf-b95bed38047a","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_224fba6e-500b-4fe0-bfc7-a7112dd7ee4b","kind":"code","order":1564,"section_id":"sec_e2ec994e-36bd-4190-8acf-b95bed38047a","character_id":null,"markdown":"```\nMIG：\n 隔離は強い\n でも柔軟性は低い\n\ntime-slicing：\n 共有はしやすい\n でも隔離は弱い\n```","render_override":null},{"id":"blk_65e7377a-c4e7-4aea-808a-35d7aa1b830a","kind":"paragraph","order":1565,"section_id":"sec_e2ec994e-36bd-4190-8acf-b95bed38047a","character_id":null,"markdown":"というトレードオフがあります。","render_override":null},{"id":"blk_c3ba4268-6395-4526-8ed2-5258fb687738","kind":"paragraph","order":1566,"section_id":"sec_e2ec994e-36bd-4190-8acf-b95bed38047a","character_id":null,"markdown":"さらにH100ではGPU confidential computingも導入され、VMやKubernetes環境で利用可能とされていますが、GPUマルチテナントの安全性はまだ発展途上です。([NVIDIA Developer](https://developer.nvidia.com/blog/confidential-computing-on-h100-gpus-for-secure-and-trustworthy-ai/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_595b20e4-be27-423e-9bc2-b7fe251966a6","kind":"paragraph","order":1567,"section_id":"sec_e2ec994e-36bd-4190-8acf-b95bed38047a","character_id":null,"markdown":"このため、金融、医療、政府、企業機密データを扱う用途では、完全共有よりも専用GPU、専用クラスタ、confidential GPU、オンプレ/プライベートクラウドが好まれる場面がまだ多いと思います。","render_override":null},{"id":"blk_5e014648-f75b-4cc1-98d0-8e9118af9fab","kind":"thematic_break","order":1568,"section_id":"sec_e2ec994e-36bd-4190-8acf-b95bed38047a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7fd5e93d-6db4-42be-8db6-e8b28dc7bba0","kind":"heading","order":1569,"section_id":"sec_6dec4f7e-9e3e-46df-a1bd-b7ab8a079098","character_id":null,"markdown":"## \\7. 現状を一言で言うと","render_override":null},{"id":"blk_90238cb9-11b0-4d13-9ca0-a4b59c694d7f","kind":"paragraph","order":1570,"section_id":"sec_6dec4f7e-9e3e-46df-a1bd-b7ab8a079098","character_id":null,"markdown":"GPUクラウドの現状は、\\*\\*「初期EC2からKubernetes普及期へ向かう途中」\\*\\*に近いです。","render_override":null},{"id":"blk_a7d40483-5e18-4c19-968d-c4eb544e23fa","kind":"paragraph","order":1571,"section_id":"sec_6dec4f7e-9e3e-46df-a1bd-b7ab8a079098","character_id":null,"markdown":"CPUクラウドで例えるなら、","render_override":null},{"id":"blk_74a1d23c-2e7a-4b51-8afc-cab17123bcac","kind":"code","order":1572,"section_id":"sec_6dec4f7e-9e3e-46df-a1bd-b7ab8a079098","character_id":null,"markdown":"```\n物理サーバーを借りる時代\n ↓\nVMで借りる時代\n ↓\nKubernetesで自動運用する時代\n ↓\nサーバーレス/マネージドサービス化する時代\n```","render_override":null},{"id":"blk_2645198f-571c-4e5e-a7d2-9e1b880aba7b","kind":"paragraph","order":1573,"section_id":"sec_6dec4f7e-9e3e-46df-a1bd-b7ab8a079098","character_id":null,"markdown":"という流れがありました。","render_override":null},{"id":"blk_8804724d-123d-46cf-a0fa-bb276663164b","kind":"paragraph","order":1574,"section_id":"sec_6dec4f7e-9e3e-46df-a1bd-b7ab8a079098","character_id":null,"markdown":"GPUクラウドは今、","render_override":null},{"id":"blk_baecfd62-c1de-493a-9b86-d447891a4cad","kind":"code","order":1575,"section_id":"sec_6dec4f7e-9e3e-46df-a1bd-b7ab8a079098","character_id":null,"markdown":"```\nGPUサーバーを借りる時代\n ↓\nMIG/vGPU/Kubernetesで分割・運用し始めた時代\n ↓\nLLM推論エンジンで高効率化し始めた時代\n```","render_override":null},{"id":"blk_f78da1fc-64fc-4c89-a5f7-f71595e052d3","kind":"paragraph","order":1576,"section_id":"sec_6dec4f7e-9e3e-46df-a1bd-b7ab8a079098","character_id":null,"markdown":"あたりです。","render_override":null},{"id":"blk_269e0f92-a6a2-4df8-8bd3-7b9f5e65041c","kind":"paragraph","order":1577,"section_id":"sec_6dec4f7e-9e3e-46df-a1bd-b7ab8a079098","character_id":null,"markdown":"まだ、","render_override":null},{"id":"blk_8627893a-9d3c-49a4-a361-159857c2e0a1","kind":"code","order":1578,"section_id":"sec_6dec4f7e-9e3e-46df-a1bd-b7ab8a079098","character_id":null,"markdown":"```\nGPUを完全に安全に共有する\ntoken/KV cache/SLO単位で課金する\n自動的にGPU/TPU/LPUへルーティングする\n障害時にKV cacheごと復旧する\n顧客ごとの原価を正確に出す\n```","render_override":null},{"id":"blk_c83525bf-a767-41a2-a088-ea24c5ebb374","kind":"paragraph","order":1579,"section_id":"sec_6dec4f7e-9e3e-46df-a1bd-b7ab8a079098","character_id":null,"markdown":"という段階には十分達していません。","render_override":null},{"id":"blk_a9690802-b222-4475-8a17-82c8b15c167f","kind":"thematic_break","order":1580,"section_id":"sec_6dec4f7e-9e3e-46df-a1bd-b7ab8a079098","character_id":null,"markdown":"---","render_override":null},{"id":"blk_15a9fdfa-4762-41b6-bffa-a9e51d39a867","kind":"heading","order":1581,"section_id":"sec_5561408e-9767-4467-8691-02e4dbe3be22","character_id":null,"markdown":"## \\8. 私の成熟度評価","render_override":null},{"id":"blk_20905935-6a48-4635-85f6-5997b8b0a06a","kind":"figure","order":1582,"section_id":"sec_5561408e-9767-4467-8691-02e4dbe3be22","character_id":null,"markdown":"![](/media/668551b619da4e8e73c04f1d7ce5a2a14f9261b97137b1ba5410899f2908b372-content.webp)","render_override":null},{"id":"blk_9bfe6823-803f-4e8a-be8f-8a935af9883a","kind":"paragraph","order":1583,"section_id":"sec_5561408e-9767-4467-8691-02e4dbe3be22","character_id":null,"markdown":"総合すると、**GPUクラウドはLv2.5〜3**。 \nただし、トップ企業の一部領域だけを見るとLv4に近いです。","render_override":null},{"id":"blk_468ab567-84a9-4d66-a9f1-1b1f1a4f97cc","kind":"thematic_break","order":1584,"section_id":"sec_5561408e-9767-4467-8691-02e4dbe3be22","character_id":null,"markdown":"---","render_override":null},{"id":"blk_479327a0-89ec-4d60-8171-967c03a3f90a","kind":"heading","order":1585,"section_id":"sec_19ebd9ad-9d35-4b93-a22e-cc9213aa446b","character_id":null,"markdown":"## \\9. 今後の到達イメージ","render_override":null},{"id":"blk_34b79a69-9d95-4bcd-becd-e11024cffee9","kind":"paragraph","order":1586,"section_id":"sec_19ebd9ad-9d35-4b93-a22e-cc9213aa446b","character_id":null,"markdown":"私の見立てでは、GPUクラウドはこう進むと思います。","render_override":null},{"id":"blk_94fbe44b-8d3a-4872-88c4-49471c3e7721","kind":"code","order":1587,"section_id":"sec_19ebd9ad-9d35-4b93-a22e-cc9213aa446b","character_id":null,"markdown":"```\n2026年現在：\n GPUクラウドは実用化済み。\n ただし利用率は低く、運用は職人芸に近い。\n\n2027〜2028年：\n vLLM/SGLang/Dynamo/DRA/MIG運用が一般化。\n 推論クラウドはかなり改善。\n\n2029〜2031年：\n token、KV cache、SLO単位のスケジューリングと課金が広がる。\n GPUクラウドOS化が進む。\n\n2030年代前半：\n CPUクラウドに近いマルチテナント・自動化・監視・課金体系へ近づく。\n```","render_override":null},{"id":"blk_4ed5a305-a2bd-4c6f-98a9-0b611ce1f77d","kind":"thematic_break","order":1588,"section_id":"sec_19ebd9ad-9d35-4b93-a22e-cc9213aa446b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2cb6bf8b-2ef2-40bf-8124-8dbc79fb16b9","kind":"heading","order":1589,"section_id":"sec_bdbd6a83-38e0-46e7-b185-e43534339c30","character_id":null,"markdown":"## まとめ","render_override":null},{"id":"blk_2841495d-7f32-42aa-920e-1612c3ee2238","kind":"paragraph","order":1590,"section_id":"sec_bdbd6a83-38e0-46e7-b185-e43534339c30","character_id":null,"markdown":"GPUクラウドの現状レベルは、**「GPUをクラウドで使える」段階は十分実用化済みだが、「CPUクラウド並みに高効率・安全・自動・細粒度に使える」段階にはまだ届いていない**です。","render_override":null},{"id":"blk_cc2bfcfb-bfcf-4d2f-a6db-49d74de13cb9","kind":"paragraph","order":1591,"section_id":"sec_bdbd6a83-38e0-46e7-b185-e43534339c30","character_id":null,"markdown":"評価するなら、","render_override":null},{"id":"blk_81a6a378-11ea-4522-99c1-6a30701c6132","kind":"quote","order":1592,"section_id":"sec_bdbd6a83-38e0-46e7-b185-e43534339c30","character_id":null,"markdown":"> **現在のGPUクラウド：Lv2.5〜3 / 5** \n> **トップAIラボの学習基盤：一部Lv4** \n> **一般企業のGPU利用：Lv1.5〜2.5** \n> **2030年代前半の目標：Lv4〜5**","render_override":null},{"id":"blk_e59a96fe-35f4-47a6-a2a0-79b31a1caf76","kind":"paragraph","order":1593,"section_id":"sec_bdbd6a83-38e0-46e7-b185-e43534339c30","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_3b1789ee-fb57-410c-beb4-55a5fd9717cb","kind":"paragraph","order":1594,"section_id":"sec_bdbd6a83-38e0-46e7-b185-e43534339c30","character_id":null,"markdown":"一番近い表現は、これです。","render_override":null},{"id":"blk_96325027-551e-431c-a2db-243e22dcd347","kind":"quote","order":1595,"section_id":"sec_bdbd6a83-38e0-46e7-b185-e43534339c30","character_id":null,"markdown":"> **今のGPUクラウドは、CPUクラウドでいう初期EC2〜Kubernetes普及期の中間。 \n> すでに使えるが、まだ高価で、無駄が多く、運用は難しく、セキュリティと課金は未成熟。 \n> これから“AIクラウドOS”として本格的に成熟していく段階です。**","render_override":null},{"id":"blk_6597430f-4b53-485b-b94b-9dd21cc8d3bf","kind":"paragraph","order":1596,"section_id":"sec_bdbd6a83-38e0-46e7-b185-e43534339c30","character_id":null,"markdown":"特定銘柄の推奨・勧誘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。","render_override":null},{"id":"blk_7ac977f2-dd68-4711-ae1d-a2c6cf1a9b64","kind":"paragraph","order":1597,"section_id":"sec_bdbd6a83-38e0-46e7-b185-e43534339c30","character_id":null,"markdown":"サムネはPixAIsunflowerモデルとGPTImage2.0","render_override":null}],"audio":[],"omitted_media":[],"figures":[{"id":"plc_bb198b31-1e31-4279-b0e7-ddc6b8e053c6","block_id":"blk_f904af18-294f-4ce0-9944-29104ea0d43e","asset_revision_id":"avr_c1742506-4a2a-4ac6-905a-dca77424d364","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_1d8139c7-df45-451b-a61b-b3aa9cbf99a8"],"explained_by":[],"source_path":"media/defd1bf93cdb4c9a8c332176135a6ccd583562baa80646730398e689256bf8fa.png","path":"/media/defd1bf93cdb4c9a8c332176135a6ccd583562baa80646730398e689256bf8fa-content.webp","display_derivative":{"source_sha256":"defd1bf93cdb4c9a8c332176135a6ccd583562baa80646730398e689256bf8fa","thumbnail":{"path":"media/defd1bf93cdb4c9a8c332176135a6ccd583562baa80646730398e689256bf8fa-thumbnail.webp","width":560,"height":293,"bytes":46540,"sha256":"e0f5b85f1940fc50106bfe5549a80a4457fee54531085543d28d3b83f0a09cc0"},"content":{"path":"media/defd1bf93cdb4c9a8c332176135a6ccd583562baa80646730398e689256bf8fa-content.webp","width":1672,"height":875,"bytes":428860,"sha256":"3a58d0763cf74a93113471d32feee492873db04425c03c3a39021a5e9ffd03e2"}}},{"id":"plc_d55e4660-2ffb-4f28-a9a9-3800724844d2","block_id":"blk_920384d1-0d55-468f-8d3a-1a529e1647c9","asset_revision_id":"avr_a9a2dfd6-bef8-4772-8047-3e862dff39ee","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_b58885bc-c577-44b8-a16e-2b843e6b1fa0","blk_5b89544d-543a-41c6-b5db-bfc2d2cf90ec"],"explained_by":[],"source_path":"media/818ccbee8424aace076d8a89e47ae2bb017eba32a54f292355924856e44195d8.png","path":"/media/818ccbee8424aace076d8a89e47ae2bb017eba32a54f292355924856e44195d8-content.webp","display_derivative":{"source_sha256":"818ccbee8424aace076d8a89e47ae2bb017eba32a54f292355924856e44195d8","thumbnail":{"path":"media/818ccbee8424aace076d8a89e47ae2bb017eba32a54f292355924856e44195d8-thumbnail.webp","width":560,"height":280,"bytes":11036,"sha256":"0a53d8f1d38981806b9e668d85e0a80204dc2bbfff269a520b98cbcade583fe0"},"content":{"path":"media/818ccbee8424aace076d8a89e47ae2bb017eba32a54f292355924856e44195d8-content.webp","width":821,"height":411,"bytes":28338,"sha256":"4797a68b7ee44ad95fefbbba2d0d91c140430b33be777da6dd8343a302906e1c"}}},{"id":"plc_8ea4ea76-064b-42ed-b4c8-edbfd52fea0b","block_id":"blk_11a9e768-c1e1-4172-a236-b80ecab72847","asset_revision_id":"avr_982a9b27-9a36-485a-97e2-b3296e78325b","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_083a7f79-f4c1-43da-98ee-6e005baa66ae","blk_cb85c503-d1d8-4660-8285-a0f278d0525e"],"explained_by":[],"source_path":"media/b1d1d0c94d6aae15c6f7496f3cfaf608c1196fe47ee8ceea9a884bee542fc789.png","path":"/media/b1d1d0c94d6aae15c6f7496f3cfaf608c1196fe47ee8ceea9a884bee542fc789-content.webp","display_derivative":{"source_sha256":"b1d1d0c94d6aae15c6f7496f3cfaf608c1196fe47ee8ceea9a884bee542fc789","thumbnail":{"path":"media/b1d1d0c94d6aae15c6f7496f3cfaf608c1196fe47ee8ceea9a884bee542fc789-thumbnail.webp","width":560,"height":129,"bytes":6324,"sha256":"30dce922f9194b2d26d78b19768ac23a4607cb3d311ec2420f029d01e614ebba"},"content":{"path":"media/b1d1d0c94d6aae15c6f7496f3cfaf608c1196fe47ee8ceea9a884bee542fc789-content.webp","width":769,"height":177,"bytes":15262,"sha256":"7bb034338bb157d0be9940117be1da9082b8bdd63b32f7584e6fbba3949ecaef"}}},{"id":"plc_b8f56697-6c5f-4682-a4e3-d436113b27e2","block_id":"blk_3600a729-6a3e-4ddb-b89b-43f104e86d4f","asset_revision_id":"avr_d7647b0b-9a3d-4aaa-95ef-0b3d2e0340ab","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_e64e4b79-26b6-4c98-b2b9-825a32ce8fe5","blk_c38ccbc6-9433-4df6-af3d-80dfcea62c84"],"explained_by":[],"source_path":"media/892afb27459bb8f29d48c93bca4a76173763bc121af8d899389bbef5510c97ef.png","path":"/media/892afb27459bb8f29d48c93bca4a76173763bc121af8d899389bbef5510c97ef-content.webp","display_derivative":{"source_sha256":"892afb27459bb8f29d48c93bca4a76173763bc121af8d899389bbef5510c97ef","thumbnail":{"path":"media/892afb27459bb8f29d48c93bca4a76173763bc121af8d899389bbef5510c97ef-thumbnail.webp","width":560,"height":156,"bytes":6592,"sha256":"400acb8c117d572cbad3026b577160e2657d77b0b53a144745e97981a3a69ff9"},"content":{"path":"media/892afb27459bb8f29d48c93bca4a76173763bc121af8d899389bbef5510c97ef-content.webp","width":817,"height":228,"bytes":16474,"sha256":"5e5679f6bccabeac21ba072bf2d8e5cd0a3488eb86d2b896cc0b987f40afbaec"}}},{"id":"plc_a70c6698-5e02-4351-83b0-1e5caeb81d7a","block_id":"blk_75e03619-7ac6-4146-ba60-a020c23cdfe2","asset_revision_id":"avr_1f5451a3-f0ea-4997-8066-560acf09c3fc","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_81446c7b-7297-4695-bf63-388cd121e160","blk_d9dae394-2e2f-4e40-960a-bc022c86c400"],"explained_by":[],"source_path":"media/f052535f2bc432c50d5baf9694cbd2de3f15fff88b1a3564d419e135e1d755ea.png","path":"/media/f052535f2bc432c50d5baf9694cbd2de3f15fff88b1a3564d419e135e1d755ea-content.webp","display_derivative":{"source_sha256":"f052535f2bc432c50d5baf9694cbd2de3f15fff88b1a3564d419e135e1d755ea","thumbnail":{"path":"media/f052535f2bc432c50d5baf9694cbd2de3f15fff88b1a3564d419e135e1d755ea-thumbnail.webp","width":560,"height":147,"bytes":7174,"sha256":"fe5e851909e2915cc634f40b8fc7bf464f68e7006471840c66d895ac274d3a5e"},"content":{"path":"media/f052535f2bc432c50d5baf9694cbd2de3f15fff88b1a3564d419e135e1d755ea-content.webp","width":820,"height":215,"bytes":19682,"sha256":"9bb65f58753d52ed89dbf0b035d5ada0a14f94c682dfb784f8a3f8656bc7441e"}}},{"id":"plc_8b5305a6-51f0-4f5d-b896-67cb1423e9f5","block_id":"blk_f9754bcd-896d-4919-afd7-947b6c9dfdfb","asset_revision_id":"avr_56de6d4b-0a96-457d-9ed2-786b336cbb18","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_4caa4dfd-77b5-41ae-b4fc-80a6df87416a","blk_49c45a6a-1541-421a-88ef-0414f7041d8b"],"explained_by":[],"source_path":"media/0c078d9dc9e7a61a960e0f8eb0f8c2423a3d489c1f20b43c2757534bf0d7fcda.png","path":"/media/0c078d9dc9e7a61a960e0f8eb0f8c2423a3d489c1f20b43c2757534bf0d7fcda-content.webp","display_derivative":{"source_sha256":"0c078d9dc9e7a61a960e0f8eb0f8c2423a3d489c1f20b43c2757534bf0d7fcda","thumbnail":{"path":"media/0c078d9dc9e7a61a960e0f8eb0f8c2423a3d489c1f20b43c2757534bf0d7fcda-thumbnail.webp","width":560,"height":239,"bytes":13502,"sha256":"cf75bd76e972d3a04a4ecd36fb548addc9d9254e8c619f130cc9d55feebbefe8"},"content":{"path":"media/0c078d9dc9e7a61a960e0f8eb0f8c2423a3d489c1f20b43c2757534bf0d7fcda-content.webp","width":834,"height":356,"bytes":34252,"sha256":"a9d5f43843c644d41446dd860f0deb3051dbf4017dbe307e4a4b86076562730f"}}},{"id":"plc_b981dab2-aaef-43e0-8947-459d77dc4690","block_id":"blk_ba1aca17-7886-41ac-bdd3-623380575795","asset_revision_id":"avr_69bccbae-c29d-48bc-8303-c471561129a9","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_820defa6-d6e6-405f-b3a5-c7bb728aec43","blk_bc6e42b9-c59a-443f-a116-e2a2e17aa49d"],"explained_by":[],"source_path":"media/e1550521ff493454678c0eb9d744506d440dc1d5eda7bb485c8694bc28907e0a.png","path":"/media/e1550521ff493454678c0eb9d744506d440dc1d5eda7bb485c8694bc28907e0a-content.webp","display_derivative":{"source_sha256":"e1550521ff493454678c0eb9d744506d440dc1d5eda7bb485c8694bc28907e0a","thumbnail":{"path":"media/e1550521ff493454678c0eb9d744506d440dc1d5eda7bb485c8694bc28907e0a-thumbnail.webp","width":560,"height":217,"bytes":8544,"sha256":"e9d385490812cba96facc39274815a27d50b80182e63229679bfa7f700707560"},"content":{"path":"media/e1550521ff493454678c0eb9d744506d440dc1d5eda7bb485c8694bc28907e0a-content.webp","width":835,"height":324,"bytes":21602,"sha256":"b1cda27dcdd9f89cb7c3decf364b6a994f830c5f8ef6bca748f8652440fab9ff"}}},{"id":"plc_0498e50d-c79b-40e2-926e-9d73c5dfa147","block_id":"blk_b43153b6-8a86-4bd5-81e9-e5114b2733a8","asset_revision_id":"avr_3d9de22b-e565-42ea-a847-24fe9cdd51a9","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_ecbf5b48-5c71-4251-bd2e-5d0a5d3bf2a0","blk_a8784438-7049-4d82-a3f6-092070c869a2"],"explained_by":[],"source_path":"media/45962e2a76f7224578b3ab264e08ac7b444ea08c9681da886c47f12b3e22af08.png","path":"/media/45962e2a76f7224578b3ab264e08ac7b444ea08c9681da886c47f12b3e22af08-content.webp","display_derivative":{"source_sha256":"45962e2a76f7224578b3ab264e08ac7b444ea08c9681da886c47f12b3e22af08","thumbnail":{"path":"media/45962e2a76f7224578b3ab264e08ac7b444ea08c9681da886c47f12b3e22af08-thumbnail.webp","width":560,"height":246,"bytes":14936,"sha256":"5cbdff736f91abbfa8bf8b9e0e8bba0efd5a8f533f6fc11f6d874a22d0be6c4b"},"content":{"path":"media/45962e2a76f7224578b3ab264e08ac7b444ea08c9681da886c47f12b3e22af08-content.webp","width":814,"height":357,"bytes":37318,"sha256":"0864c395497f355be87d47289cc7e225d9b153f76b193bbfa81d9e22daf40eeb"}}},{"id":"plc_e2b06281-1835-4cfb-bb98-565d3f6cfdb6","block_id":"blk_e8c681cb-aba6-4802-a164-4197430b9c34","asset_revision_id":"avr_913f86f2-692a-4b5a-85cd-da83179f6a66","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_f9e87a5f-44c0-4d38-a7df-5c1050066856","blk_5b73a0ef-5783-4ef8-9a83-bbd7fe63c259"],"explained_by":[],"source_path":"media/b3a3735a360029bbfb8ad2d05130653d399f4aa0d75fbea6307b2cbd6372fa78.png","path":"/media/b3a3735a360029bbfb8ad2d05130653d399f4aa0d75fbea6307b2cbd6372fa78-content.webp","display_derivative":{"source_sha256":"b3a3735a360029bbfb8ad2d05130653d399f4aa0d75fbea6307b2cbd6372fa78","thumbnail":{"path":"media/b3a3735a360029bbfb8ad2d05130653d399f4aa0d75fbea6307b2cbd6372fa78-thumbnail.webp","width":560,"height":311,"bytes":12382,"sha256":"5cc170ee7938c28b8181bb7815adc77ee01fd4701415472dcfa499323df120bb"},"content":{"path":"media/b3a3735a360029bbfb8ad2d05130653d399f4aa0d75fbea6307b2cbd6372fa78-content.webp","width":824,"height":458,"bytes":32182,"sha256":"a60180b8ebf8ffab50f6b85b1e718eda9f4e4457b88fc3d0656fd2b53145c245"}}},{"id":"plc_ab082b48-d1ae-4bd7-b08a-47ef88f3f1a0","block_id":"blk_094bba05-6b06-40b2-b5d3-6d540c4570ed","asset_revision_id":"avr_2a8dc3eb-89fc-40b0-8e2d-b1c2042474e9","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_9ae449f4-d28c-4dc1-be6c-3f5bdc28ad3c","blk_f3b5173f-1948-4cd9-91ae-5ccc224effff"],"explained_by":[],"source_path":"media/b16f82afdead55da5d74de9cd4e604708307d83574b414959464c926af22ed8c.png","path":"/media/b16f82afdead55da5d74de9cd4e604708307d83574b414959464c926af22ed8c-content.webp","display_derivative":{"source_sha256":"b16f82afdead55da5d74de9cd4e604708307d83574b414959464c926af22ed8c","thumbnail":{"path":"media/b16f82afdead55da5d74de9cd4e604708307d83574b414959464c926af22ed8c-thumbnail.webp","width":560,"height":287,"bytes":11774,"sha256":"07fe4a25a3d577ecaa7f6c96f2bc7c0cc88bd287b0a88cf8347d52907206e02d"},"content":{"path":"media/b16f82afdead55da5d74de9cd4e604708307d83574b414959464c926af22ed8c-content.webp","width":803,"height":412,"bytes":29612,"sha256":"1b54b54e1108265ba0d2e8622f95daa02025d92e2657b8a8ccf237065bfeb4be"}}},{"id":"plc_8cba4f50-d881-409c-ab6f-344a2970c52a","block_id":"blk_45cdc35d-4f24-466c-89cd-7069bbe65920","asset_revision_id":"avr_c6d068ac-5779-46e5-aa47-a11422bc60ef","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_90a8a0ac-34ed-42e8-a067-b40e1feb2555","blk_20c372ec-6ae3-48a5-89f0-1a5115002d03"],"explained_by":[],"source_path":"media/e6dee9662aed5a5c23e968f50d42f1d358a0f992385e0571fee12b93134b6a34.png","path":"/media/e6dee9662aed5a5c23e968f50d42f1d358a0f992385e0571fee12b93134b6a34-content.webp","display_derivative":{"source_sha256":"e6dee9662aed5a5c23e968f50d42f1d358a0f992385e0571fee12b93134b6a34","thumbnail":{"path":"media/e6dee9662aed5a5c23e968f50d42f1d358a0f992385e0571fee12b93134b6a34-thumbnail.webp","width":560,"height":263,"bytes":11036,"sha256":"2a6d23d42c9a75c9ea0eeb23be17bc267c53a2afe16f24c864b27d6c7f8ec66b"},"content":{"path":"media/e6dee9662aed5a5c23e968f50d42f1d358a0f992385e0571fee12b93134b6a34-content.webp","width":855,"height":401,"bytes":30464,"sha256":"10fc3bd836770f6d16289d0c343b73ccce46ff3269c6c606b8e1c4b5a7d45331"}}},{"id":"plc_be01f5ef-497a-4414-8223-a2dae26fa4de","block_id":"blk_ceb26786-ee31-497f-b9a5-38716a912d92","asset_revision_id":"avr_495b16b9-6937-4bf0-88ec-1ad6e2899081","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_4dd46b7e-87a2-4a69-80df-5f55c3db2305","blk_9b5a28c9-0299-4e83-b566-522eb874586d"],"explained_by":[],"source_path":"media/50508d2f389a7383387e2ab12544b510e5c22e00ac723be700b0f2ca90bfdd16.png","path":"/media/50508d2f389a7383387e2ab12544b510e5c22e00ac723be700b0f2ca90bfdd16-content.webp","display_derivative":{"source_sha256":"50508d2f389a7383387e2ab12544b510e5c22e00ac723be700b0f2ca90bfdd16","thumbnail":{"path":"media/50508d2f389a7383387e2ab12544b510e5c22e00ac723be700b0f2ca90bfdd16-thumbnail.webp","width":560,"height":240,"bytes":10124,"sha256":"4f2af09ebcfbad286a0841ab29cde4d5ddb887ee188227119bde4fee0a1cf6d8"},"content":{"path":"media/50508d2f389a7383387e2ab12544b510e5c22e00ac723be700b0f2ca90bfdd16-content.webp","width":814,"height":349,"bytes":25866,"sha256":"97e38e37c71c1a84379170e1d488bb11efe5c819350798bb4ab012c8910867a3"}}},{"id":"plc_14514b51-b826-46a8-a42d-54662da5135f","block_id":"blk_1c83d01f-d84f-43c5-948b-36b01c658870","asset_revision_id":"avr_bf16f83b-24e2-4af5-86ee-eab02cf13ec1","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_bad4bc85-5e63-42c7-96f1-a3846dab8c45","blk_e0aff9e7-4b09-409d-bdc2-9630e6af01be"],"explained_by":[],"source_path":"media/5e72691dc8411d673484ae5f28f7606eb74e9b9eb38283618181a0c941a3a0d5.png","path":"/media/5e72691dc8411d673484ae5f28f7606eb74e9b9eb38283618181a0c941a3a0d5-content.webp","display_derivative":{"source_sha256":"5e72691dc8411d673484ae5f28f7606eb74e9b9eb38283618181a0c941a3a0d5","thumbnail":{"path":"media/5e72691dc8411d673484ae5f28f7606eb74e9b9eb38283618181a0c941a3a0d5-thumbnail.webp","width":560,"height":233,"bytes":13842,"sha256":"20640f49b4ef957af89b95096ba6f6c493c7e17e3f98d3d9d169da72b116bdf9"},"content":{"path":"media/5e72691dc8411d673484ae5f28f7606eb74e9b9eb38283618181a0c941a3a0d5-content.webp","width":813,"height":338,"bytes":35328,"sha256":"f41e19d451acbb94081b2260073872c1003197490cf07a76d4bb72c8d1b5e42c"}}},{"id":"plc_ee28d8e3-a0fa-49b4-829b-0af2bc0a4959","block_id":"blk_32dd8b60-5866-4cb7-85e0-0725cb56c489","asset_revision_id":"avr_0eed7a98-3329-43e6-b844-38e194cf2985","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_61176228-45e4-461d-8370-a48a0fb29738","blk_eb3e9b3a-d342-4260-bf60-f52416a1aed6"],"explained_by":[],"source_path":"media/1467ba1f5214da6f5b2c4c714c1f64b0729785a024e11417d57e6ed487f3ea60.png","path":"/media/1467ba1f5214da6f5b2c4c714c1f64b0729785a024e11417d57e6ed487f3ea60-content.webp","display_derivative":{"source_sha256":"1467ba1f5214da6f5b2c4c714c1f64b0729785a024e11417d57e6ed487f3ea60","thumbnail":{"path":"media/1467ba1f5214da6f5b2c4c714c1f64b0729785a024e11417d57e6ed487f3ea60-thumbnail.webp","width":560,"height":261,"bytes":11384,"sha256":"f706add10ebff8f42ea5088df2efad95c92784e49a441e69fda780cab1831dc4"},"content":{"path":"media/1467ba1f5214da6f5b2c4c714c1f64b0729785a024e11417d57e6ed487f3ea60-content.webp","width":794,"height":370,"bytes":29590,"sha256":"86399bc727eda12ef8ebe564c55dcbeb0a7fee508e03b7ce7999b6fdc68281fa"}}},{"id":"plc_439ef3e9-ab59-4b24-806d-05b0145734de","block_id":"blk_4f0cb0a9-6ad9-4dbb-97f8-f21b56c6050b","asset_revision_id":"avr_2712f71b-beaa-4783-bbb4-9a9134cffac9","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_961e0727-19c6-42fc-abbe-902597509c60","blk_a209f8ec-8553-4ab3-aefb-ab80d7501dfe"],"explained_by":[],"source_path":"media/df71c3f7badd1e82d8e9f0e176c7a2a0258012e29edb662ed3425976624a6b56.png","path":"/media/df71c3f7badd1e82d8e9f0e176c7a2a0258012e29edb662ed3425976624a6b56-content.webp","display_derivative":{"source_sha256":"df71c3f7badd1e82d8e9f0e176c7a2a0258012e29edb662ed3425976624a6b56","thumbnail":{"path":"media/df71c3f7badd1e82d8e9f0e176c7a2a0258012e29edb662ed3425976624a6b56-thumbnail.webp","width":560,"height":281,"bytes":9850,"sha256":"a9420e96690ae2e324509e7053e3bdf1c96134ed9a7f5c52f42c1430327c2676"},"content":{"path":"media/df71c3f7badd1e82d8e9f0e176c7a2a0258012e29edb662ed3425976624a6b56-content.webp","width":798,"height":401,"bytes":24874,"sha256":"959a9811976ad920874cdc0789f6b6830e053e785ceba379e71c3d113dbe9709"}}},{"id":"plc_50f627e5-3b40-46ef-b24d-4af44ec00b0e","block_id":"blk_184ee86a-3624-4f19-b806-673fb7972a09","asset_revision_id":"avr_e71b713d-a851-4fe1-b306-a3231e5ba996","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_29ba5b1c-7850-49d5-8cef-eee85cad0732","blk_bd24d224-ec30-45ea-b04f-0e775da96628"],"explained_by":[],"source_path":"media/e5e582e5ecfabaafc436f32d3155e8540bdcd39f4a6442235f58a81e9667f348.png","path":"/media/e5e582e5ecfabaafc436f32d3155e8540bdcd39f4a6442235f58a81e9667f348-content.webp","display_derivative":{"source_sha256":"e5e582e5ecfabaafc436f32d3155e8540bdcd39f4a6442235f58a81e9667f348","thumbnail":{"path":"media/e5e582e5ecfabaafc436f32d3155e8540bdcd39f4a6442235f58a81e9667f348-thumbnail.webp","width":560,"height":386,"bytes":13312,"sha256":"cb50ee5e086c4b143913060942ef846c89759b3f46b15e4f48d45bdd6fe780d5"},"content":{"path":"media/e5e582e5ecfabaafc436f32d3155e8540bdcd39f4a6442235f58a81e9667f348-content.webp","width":848,"height":585,"bytes":37274,"sha256":"ba3f18a1a51e2aee4c3b3bcdaa2f86e4748af7279cb200b47544ddda815afab4"}}},{"id":"plc_d13a6634-ff8e-4c1b-851f-f7a5347bb546","block_id":"blk_4e417ffc-c4f7-49fc-a40c-05894b8175be","asset_revision_id":"avr_b8f4dfd0-92ca-4fb7-a6dd-da1bef77d50a","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_87d96157-49d1-458a-be61-89201049d7b6","blk_7bd872b6-f991-4d72-9827-61ba082626fc"],"explained_by":[],"source_path":"media/60b2c9dec4598b45f2bb393eece1351c01b2e7772c5221c55d745f7dda563ae4.png","path":"/media/60b2c9dec4598b45f2bb393eece1351c01b2e7772c5221c55d745f7dda563ae4-content.webp","display_derivative":{"source_sha256":"60b2c9dec4598b45f2bb393eece1351c01b2e7772c5221c55d745f7dda563ae4","thumbnail":{"path":"media/60b2c9dec4598b45f2bb393eece1351c01b2e7772c5221c55d745f7dda563ae4-thumbnail.webp","width":560,"height":331,"bytes":13230,"sha256":"9d8e477092c6e05a3a1cb7bf4dc5a7bbe5bd3a5c10f0e4ec26c2e03b79f80e6e"},"content":{"path":"media/60b2c9dec4598b45f2bb393eece1351c01b2e7772c5221c55d745f7dda563ae4-content.webp","width":831,"height":491,"bytes":33856,"sha256":"725ffa1d0f97cce8bfe8b2b3200123c4b04114ab9e6aea64540ae800a0104085"}}},{"id":"plc_b5d5d0ca-7a87-4cd7-bd89-52c6e7203e9b","block_id":"blk_876fe9e2-e031-40e5-803f-f4c224c88d8f","asset_revision_id":"avr_9080639e-0f04-4c06-b5ae-2f8126322b78","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_16b7bc3c-926b-4b8c-b2f3-e119d181c37d","blk_d15888e5-bf60-4573-8fd4-ab5dda933f9f"],"explained_by":[],"source_path":"media/261763f36b2fdc4e295a8d753efccd04ae70ac390362b67400a457dcf1765637.png","path":"/media/261763f36b2fdc4e295a8d753efccd04ae70ac390362b67400a457dcf1765637-content.webp","display_derivative":{"source_sha256":"261763f36b2fdc4e295a8d753efccd04ae70ac390362b67400a457dcf1765637","thumbnail":{"path":"media/261763f36b2fdc4e295a8d753efccd04ae70ac390362b67400a457dcf1765637-thumbnail.webp","width":560,"height":271,"bytes":12464,"sha256":"56da43610ebb117a23658871682aac3ecb4086ded67a597f88414bc275d58e5c"},"content":{"path":"media/261763f36b2fdc4e295a8d753efccd04ae70ac390362b67400a457dcf1765637-content.webp","width":821,"height":397,"bytes":33396,"sha256":"dd8ca97c52fc1228f709ebc16e1ef658362c73fc324e21b6efc471d65d29cb3a"}}},{"id":"plc_fc3c50e0-fda4-40d5-a9c1-f30ae875ada1","block_id":"blk_b4179422-5505-4215-8d16-46f7dbb494ab","asset_revision_id":"avr_726c9b57-56c8-4903-ae28-f0a8cc0bbb78","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_6161ee28-776b-4c79-b3f9-c0b870fb856e","blk_ab8a4169-7df1-45aa-a59f-3e032790956d"],"explained_by":[],"source_path":"media/f9bb5a265e8003d923fa7d5cb1b84137cd238e4d534dbedfdf82da226bf26204.png","path":"/media/f9bb5a265e8003d923fa7d5cb1b84137cd238e4d534dbedfdf82da226bf26204-content.webp","display_derivative":{"source_sha256":"f9bb5a265e8003d923fa7d5cb1b84137cd238e4d534dbedfdf82da226bf26204","thumbnail":{"path":"media/f9bb5a265e8003d923fa7d5cb1b84137cd238e4d534dbedfdf82da226bf26204-thumbnail.webp","width":560,"height":154,"bytes":7736,"sha256":"a9a596dacde822e42afe10b9f7c856b8646b6b0e4c5baa26320c54072f5663a2"},"content":{"path":"media/f9bb5a265e8003d923fa7d5cb1b84137cd238e4d534dbedfdf82da226bf26204-content.webp","width":830,"height":228,"bytes":21500,"sha256":"520555ab5e72847c051b82c6bb08b2de4b5f804e856662603234a2ff4ef2b467"}}},{"id":"plc_6c7b34eb-094b-42d7-a221-144ddc6566fb","block_id":"blk_b7c4d5ed-ef1f-4a84-99a6-6606b0612ce9","asset_revision_id":"avr_4c8ea1a0-449c-4c03-9d71-bc8453bef363","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_b5077c1a-213d-4db8-a472-37dab3cbd8cf","blk_d35f0f76-46a3-4063-aab1-2e2ac73ae0f9"],"explained_by":[],"source_path":"media/5d06208cc2d82b5bff5f8a0dcbdb1e77b0bd9674b9d5e859b5ad89f7671e0b10.png","path":"/media/5d06208cc2d82b5bff5f8a0dcbdb1e77b0bd9674b9d5e859b5ad89f7671e0b10-content.webp","display_derivative":{"source_sha256":"5d06208cc2d82b5bff5f8a0dcbdb1e77b0bd9674b9d5e859b5ad89f7671e0b10","thumbnail":{"path":"media/5d06208cc2d82b5bff5f8a0dcbdb1e77b0bd9674b9d5e859b5ad89f7671e0b10-thumbnail.webp","width":560,"height":181,"bytes":8016,"sha256":"691bc65d81272fb7da0e40a22a0e1a8723bff9e05bb0d4016b1846674491814c"},"content":{"path":"media/5d06208cc2d82b5bff5f8a0dcbdb1e77b0bd9674b9d5e859b5ad89f7671e0b10-content.webp","width":800,"height":259,"bytes":20572,"sha256":"e7cbc90f46dbeed9fd17ebdd6c57307df33089f049eb8ca1d2432f53e022b4fc"}}},{"id":"plc_aa741aed-f912-4f55-801e-3b0803fe08d1","block_id":"blk_5b8b82e3-6230-43c2-9208-e089fbf5039c","asset_revision_id":"avr_16194a1b-fe29-414d-b948-451f6e99c4a3","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_d35f0f76-46a3-4063-aab1-2e2ac73ae0f9","blk_384ea9b9-a8ba-4648-befe-e14405bb07e8"],"explained_by":[],"source_path":"media/e004da2cb652acc78c665be16d350f9c024c78e436ae5be250363a855990a8cd.png","path":"/media/e004da2cb652acc78c665be16d350f9c024c78e436ae5be250363a855990a8cd-content.webp","display_derivative":{"source_sha256":"e004da2cb652acc78c665be16d350f9c024c78e436ae5be250363a855990a8cd","thumbnail":{"path":"media/e004da2cb652acc78c665be16d350f9c024c78e436ae5be250363a855990a8cd-thumbnail.webp","width":560,"height":98,"bytes":2688,"sha256":"1d2c56f87d383dbca8befbb5b61b22a4986302b32fa825e3142ceac7e8389370"},"content":{"path":"media/e004da2cb652acc78c665be16d350f9c024c78e436ae5be250363a855990a8cd-content.webp","width":819,"height":143,"bytes":6598,"sha256":"34efc8640c771513840ac3269fcf1850118e83523fc600af35f7699a8906458b"}}},{"id":"plc_ee621bad-76d1-4a3d-b2e9-3b0e64842733","block_id":"blk_319c6b0b-4aee-45d8-b163-e5a42d968228","asset_revision_id":"avr_60edd9d8-1f0b-4093-8793-078830bcdef8","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_ad7596ac-662f-42fb-b677-904fc74346b6","blk_9814673e-34e3-4d2e-870e-d9bce1942254"],"explained_by":[],"source_path":"media/641685f350d778eba753f5f3c6bb2f4074ab30a5aa547cdc2ba7e4d5eaf52152.png","path":"/media/641685f350d778eba753f5f3c6bb2f4074ab30a5aa547cdc2ba7e4d5eaf52152-content.webp","display_derivative":{"source_sha256":"641685f350d778eba753f5f3c6bb2f4074ab30a5aa547cdc2ba7e4d5eaf52152","thumbnail":{"path":"media/641685f350d778eba753f5f3c6bb2f4074ab30a5aa547cdc2ba7e4d5eaf52152-thumbnail.webp","width":560,"height":201,"bytes":8926,"sha256":"d7a01c549d43ae1e9be15669ff2544fce86ba3b01d30be7e137ba56bdc0146b1"},"content":{"path":"media/641685f350d778eba753f5f3c6bb2f4074ab30a5aa547cdc2ba7e4d5eaf52152-content.webp","width":849,"height":304,"bytes":25100,"sha256":"638a269ff1cdb80411b240304147f625e3b8d632784eb4d686c8c1e0d5417c4d"}}},{"id":"plc_139da8b4-9aeb-46af-99d6-53cbf1aaa37b","block_id":"blk_ef84b195-54ab-4ad2-9aac-0a02d2d624d2","asset_revision_id":"avr_87e30611-b68d-4f89-aae8-4ea69a47bf56","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_7d981d3c-4a61-42a0-9362-7e8f896d6816","blk_d609f050-c800-44bb-a5e0-f94f5111e0dd"],"explained_by":[],"source_path":"media/1098c18ca4f5eecff2271138861fed8932c63be4368f66afca23e07eb668a65e.png","path":"/media/1098c18ca4f5eecff2271138861fed8932c63be4368f66afca23e07eb668a65e-content.webp","display_derivative":{"source_sha256":"1098c18ca4f5eecff2271138861fed8932c63be4368f66afca23e07eb668a65e","thumbnail":{"path":"media/1098c18ca4f5eecff2271138861fed8932c63be4368f66afca23e07eb668a65e-thumbnail.webp","width":560,"height":155,"bytes":7270,"sha256":"7bf02eff1f74566dc3281dcf843e356b13904f42a5ca01ad93b75d83011f6258"},"content":{"path":"media/1098c18ca4f5eecff2271138861fed8932c63be4368f66afca23e07eb668a65e-content.webp","width":779,"height":215,"bytes":17636,"sha256":"849b8f51f2a59fc7520044ed4e410508a3c8695f38e464c947be2997b55349e4"}}},{"id":"plc_bf311776-5f72-487e-9d82-a9fe69867ebd","block_id":"blk_c8880ecf-37a0-4216-9bc4-0ea9cf207034","asset_revision_id":"avr_c9e44ee4-f37a-4040-80ef-ab23dd6864d6","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_0ebb6f77-6866-4d8c-833f-f9272af42e08","blk_36abc7d6-aa07-4ba0-8747-ad281d5be2b6"],"explained_by":[],"source_path":"media/44ee50bd95409c0c3e3ff76c11beecfdc6d417af909c07cc028d7fbc45633f1b.png","path":"/media/44ee50bd95409c0c3e3ff76c11beecfdc6d417af909c07cc028d7fbc45633f1b-content.webp","display_derivative":{"source_sha256":"44ee50bd95409c0c3e3ff76c11beecfdc6d417af909c07cc028d7fbc45633f1b","thumbnail":{"path":"media/44ee50bd95409c0c3e3ff76c11beecfdc6d417af909c07cc028d7fbc45633f1b-thumbnail.webp","width":560,"height":156,"bytes":8662,"sha256":"0ea053a3f2115b8d3aaa7edbd4c39bfc864d6b9d4a389ecb617c6be31f3669db"},"content":{"path":"media/44ee50bd95409c0c3e3ff76c11beecfdc6d417af909c07cc028d7fbc45633f1b-content.webp","width":813,"height":227,"bytes":22790,"sha256":"1109da7599f9b85e7ab8ed1dcd00a96855a14e8fb8456377b5ac1f6724874a40"}}},{"id":"plc_2373e05b-d6b1-4486-bb32-f2fec5d95ef9","block_id":"blk_b166f84e-3fef-4e4f-8492-55c3337ddd2d","asset_revision_id":"avr_e3eb481d-d35d-4593-977f-fa7477af36a5","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_ba9c9b85-a864-4b69-a1be-38ecaf9571d3","blk_62e1b43a-27e4-4777-9118-4246acb0f586"],"explained_by":[],"source_path":"media/b3cb56cee80d586a98a2467dbaa9a06992e80d045c86d62821413da77a3756d1.png","path":"/media/b3cb56cee80d586a98a2467dbaa9a06992e80d045c86d62821413da77a3756d1-content.webp","display_derivative":{"source_sha256":"b3cb56cee80d586a98a2467dbaa9a06992e80d045c86d62821413da77a3756d1","thumbnail":{"path":"media/b3cb56cee80d586a98a2467dbaa9a06992e80d045c86d62821413da77a3756d1-thumbnail.webp","width":560,"height":461,"bytes":16426,"sha256":"4cc9a1906d0ba89f15b6222238a57be31ae27e5560387a3e7f80f4e26af51d69"},"content":{"path":"media/b3cb56cee80d586a98a2467dbaa9a06992e80d045c86d62821413da77a3756d1-content.webp","width":822,"height":677,"bytes":42284,"sha256":"2e99b4d031d0b1b80e4a5e3f00e9bbb2da86f3b1eda8d3418334f91f8ef71875"}}},{"id":"plc_2f671594-58c3-4b99-ba88-01e182e0be8d","block_id":"blk_6716f671-0755-4782-b4a2-292bc6fb25fa","asset_revision_id":"avr_49e6331f-8f54-4d37-84de-14c780ba8b42","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_184eaea7-3918-4492-9b2c-af68488c3811","blk_d1e25520-2705-4a0e-9d4e-f5f0759afb31"],"explained_by":[],"source_path":"media/d507557fcaeb3fbdd524f88d42a2c66971ea4f6c5e1035456996e44c2a6c1593.png","path":"/media/d507557fcaeb3fbdd524f88d42a2c66971ea4f6c5e1035456996e44c2a6c1593-content.webp","display_derivative":{"source_sha256":"d507557fcaeb3fbdd524f88d42a2c66971ea4f6c5e1035456996e44c2a6c1593","thumbnail":{"path":"media/d507557fcaeb3fbdd524f88d42a2c66971ea4f6c5e1035456996e44c2a6c1593-thumbnail.webp","width":560,"height":291,"bytes":9718,"sha256":"a4cf54d19405042c18be8752650491823a40c72d3edff34047a687d96d441a2e"},"content":{"path":"media/d507557fcaeb3fbdd524f88d42a2c66971ea4f6c5e1035456996e44c2a6c1593-content.webp","width":831,"height":432,"bytes":24962,"sha256":"ac15db2b25525d01f7ede73464b167d22cd1dae69b755d9b3bf9e4c0c3d78b2c"}}},{"id":"plc_1ee16cb0-69fd-4b67-b2c2-119486cc9943","block_id":"blk_fdbbc957-b1da-4cf0-80ae-08466258912d","asset_revision_id":"avr_f471bddb-d97d-404a-9cb5-cab66964052c","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_49365feb-bd87-4bcf-9ebe-abc69fed4932","blk_7b8e2005-cefa-439b-bf91-1368acd1686a"],"explained_by":[],"source_path":"media/91ffa9f582aeda521996904558b934b0eb7e548a1bf28f1c889878094e4cb8cc.png","path":"/media/91ffa9f582aeda521996904558b934b0eb7e548a1bf28f1c889878094e4cb8cc-content.webp","display_derivative":{"source_sha256":"91ffa9f582aeda521996904558b934b0eb7e548a1bf28f1c889878094e4cb8cc","thumbnail":{"path":"media/91ffa9f582aeda521996904558b934b0eb7e548a1bf28f1c889878094e4cb8cc-thumbnail.webp","width":560,"height":210,"bytes":8514,"sha256":"f2d1498060b20468eb7ab44f2e998fc754a5e1c32fc48a03cbe799598fde255e"},"content":{"path":"media/91ffa9f582aeda521996904558b934b0eb7e548a1bf28f1c889878094e4cb8cc-content.webp","width":820,"height":307,"bytes":21782,"sha256":"afdbb25b10fcbd824001a238f706085c3c8c432edaded3447ee647223b19a625"}}},{"id":"plc_373c4d78-65a9-4d0a-9ef4-bbf8e66f2294","block_id":"blk_bb6d49d7-ecc8-4f37-98ab-ab1a9ec81926","asset_revision_id":"avr_d2353281-fab1-4a3f-b7f5-0ff314cc7512","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_9f14fb98-573b-4765-a257-5f026b684d34","blk_16e459f0-7df5-44f8-85bd-d72d729e486f"],"explained_by":[],"source_path":"media/82703e7b2c83e0e40ce7474823c1cb522e08bdd702b843009fbd55e1496f54ed.png","path":"/media/82703e7b2c83e0e40ce7474823c1cb522e08bdd702b843009fbd55e1496f54ed-content.webp","display_derivative":{"source_sha256":"82703e7b2c83e0e40ce7474823c1cb522e08bdd702b843009fbd55e1496f54ed","thumbnail":{"path":"media/82703e7b2c83e0e40ce7474823c1cb522e08bdd702b843009fbd55e1496f54ed-thumbnail.webp","width":560,"height":212,"bytes":11786,"sha256":"7b433876a1c652f40b413fbed803880a7bdb0c99c994b018d9f0526d61fd0f95"},"content":{"path":"media/82703e7b2c83e0e40ce7474823c1cb522e08bdd702b843009fbd55e1496f54ed-content.webp","width":828,"height":313,"bytes":31060,"sha256":"db7a357223206e5a15342d9025b4280f3280d7eb0e808923c97c596d9034f21c"}}},{"id":"plc_2c7f0476-b27c-4258-afd8-b048c4ce95e0","block_id":"blk_74c05408-b96f-4132-b161-a58b454639aa","asset_revision_id":"avr_d79aca5a-5ab3-4a82-88a5-8e7c09fcdb78","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_d24b0908-f4dc-42cc-9b44-4a46a7bbcfa4","blk_c6836cc6-ab6c-4c86-9650-aef89ad94ab7"],"explained_by":[],"source_path":"media/cbc5092eab1471a56820ec7a5c99f6dcd4c24163b9dc998588dae389691b4796.png","path":"/media/cbc5092eab1471a56820ec7a5c99f6dcd4c24163b9dc998588dae389691b4796-content.webp","display_derivative":{"source_sha256":"cbc5092eab1471a56820ec7a5c99f6dcd4c24163b9dc998588dae389691b4796","thumbnail":{"path":"media/cbc5092eab1471a56820ec7a5c99f6dcd4c24163b9dc998588dae389691b4796-thumbnail.webp","width":560,"height":233,"bytes":9526,"sha256":"eeaf4da9099ac326c93fcbd306e7eaed212e0db3454a0fcbd58405b8b0bbf833"},"content":{"path":"media/cbc5092eab1471a56820ec7a5c99f6dcd4c24163b9dc998588dae389691b4796-content.webp","width":870,"height":362,"bytes":28510,"sha256":"2db23f585c9bfa3f34e47c81da77f4cbb9b739f8075f4a6bdc9e2e4c197e1f7c"}}},{"id":"plc_3d41538d-7021-43e4-97a0-c20931d12afd","block_id":"blk_76dd8059-4e67-4d42-90e6-148c2278f810","asset_revision_id":"avr_3c9b921b-38d8-4edc-93be-0d474bd6ffd7","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_03b8d1bd-aa15-433c-83dc-f5a068b7f633","blk_ed6fc555-e512-454d-a64c-7ba511768e9a"],"explained_by":[],"source_path":"media/96adc865716fb80174d59e29f8c38ccbee9fb0e3076e6974b5764e4f90db9ae9.png","path":"/media/96adc865716fb80174d59e29f8c38ccbee9fb0e3076e6974b5764e4f90db9ae9-content.webp","display_derivative":{"source_sha256":"96adc865716fb80174d59e29f8c38ccbee9fb0e3076e6974b5764e4f90db9ae9","thumbnail":{"path":"media/96adc865716fb80174d59e29f8c38ccbee9fb0e3076e6974b5764e4f90db9ae9-thumbnail.webp","width":560,"height":259,"bytes":14064,"sha256":"1ac7a9c85ceeb752e18dc594f8fbf1ee47afeeb36dd4f74142554d886f5b0826"},"content":{"path":"media/96adc865716fb80174d59e29f8c38ccbee9fb0e3076e6974b5764e4f90db9ae9-content.webp","width":807,"height":373,"bytes":35050,"sha256":"86298fdd6013e82d21444acdab810e782e7ccd1b2653a7319e09fd7683403816"}}},{"id":"plc_a6e42001-b771-45e4-91d3-830faff4bca6","block_id":"blk_eb214776-118f-4967-9ea2-ed5d98af0824","asset_revision_id":"avr_621b84f2-87b6-4a53-83a8-d1314f18c250","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_9f76dfe9-12d7-4a3e-b9f6-f7ffd335e956","blk_2012d040-a3e4-4e9b-a1bc-96173181b083"],"explained_by":[],"source_path":"media/11be37cda1f013175ad1e2b211bf4d6d392bd42d1430f63bfd688d5aeea0b5b1.png","path":"/media/11be37cda1f013175ad1e2b211bf4d6d392bd42d1430f63bfd688d5aeea0b5b1-content.webp","display_derivative":{"source_sha256":"11be37cda1f013175ad1e2b211bf4d6d392bd42d1430f63bfd688d5aeea0b5b1","thumbnail":{"path":"media/11be37cda1f013175ad1e2b211bf4d6d392bd42d1430f63bfd688d5aeea0b5b1-thumbnail.webp","width":560,"height":219,"bytes":9102,"sha256":"161ab809e3ff782a178b0c23aa94f5715e37f9958ed3f534f01fd38b187fd5cd"},"content":{"path":"media/11be37cda1f013175ad1e2b211bf4d6d392bd42d1430f63bfd688d5aeea0b5b1-content.webp","width":817,"height":319,"bytes":22812,"sha256":"6833719918352bc3a67c0f922dce1fabf01b84ffcbbd8b914cbeab2b89f64f35"}}},{"id":"plc_ef978d1e-76b0-45a1-ac7e-e2b33a77e753","block_id":"blk_17711657-5a85-4615-a3f1-05f67e1c3b57","asset_revision_id":"avr_28246b81-e2b5-4d9e-aa2b-6df6e7de1417","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_2012d040-a3e4-4e9b-a1bc-96173181b083","blk_bf5627df-ae83-4b13-be5f-1858eeebd643"],"explained_by":[],"source_path":"media/56c3df0fb84903ea488b38d3205a24d613da1385fe58c9576c907d103f6ef64e.png","path":"/media/56c3df0fb84903ea488b38d3205a24d613da1385fe58c9576c907d103f6ef64e-content.webp","display_derivative":{"source_sha256":"56c3df0fb84903ea488b38d3205a24d613da1385fe58c9576c907d103f6ef64e","thumbnail":{"path":"media/56c3df0fb84903ea488b38d3205a24d613da1385fe58c9576c907d103f6ef64e-thumbnail.webp","width":560,"height":161,"bytes":6918,"sha256":"926d4c5fe1914a932ee2e07378cd12efaabe4eccf116c388580ea5941421af51"},"content":{"path":"media/56c3df0fb84903ea488b38d3205a24d613da1385fe58c9576c907d103f6ef64e-content.webp","width":804,"height":231,"bytes":17402,"sha256":"58ad90b1f0a3110f9bbfbee0751a532f0b8d0d81fdeff54bd50eb221b5e9594f"}}},{"id":"plc_e76e5730-5118-4914-8fd1-8cef91cb2e49","block_id":"blk_615f5f92-d080-463f-b6ed-39378b214ed6","asset_revision_id":"avr_d4e10df4-57d7-4125-9df5-18caab3db2b5","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_8a577a9a-9d4f-4cc1-9608-7cfad4b049df","blk_11d70e29-019e-42ae-b326-d2f75344147c"],"explained_by":[],"source_path":"media/ab030aed6f3de47f78a20bc2a09556f81e826966b57eb69639193a32d8a7f820.png","path":"/media/ab030aed6f3de47f78a20bc2a09556f81e826966b57eb69639193a32d8a7f820-content.webp","display_derivative":{"source_sha256":"ab030aed6f3de47f78a20bc2a09556f81e826966b57eb69639193a32d8a7f820","thumbnail":{"path":"media/ab030aed6f3de47f78a20bc2a09556f81e826966b57eb69639193a32d8a7f820-thumbnail.webp","width":560,"height":350,"bytes":8784,"sha256":"6e5dff9001993517fe69d46f435b477ccfeb0e784d6a955d601d44d0201d9b57"},"content":{"path":"media/ab030aed6f3de47f78a20bc2a09556f81e826966b57eb69639193a32d8a7f820-content.webp","width":781,"height":488,"bytes":21682,"sha256":"72ce6a9d96cf8fb1c8be367fb9a800a6ec8c95dcab8c3becdd0c23fec73993fe"}}},{"id":"plc_cdf09ee2-28c0-42e7-b45e-c3b97b71708f","block_id":"blk_6a3e1d6f-b010-4abe-97e8-df9383f91021","asset_revision_id":"avr_17e3d295-01b9-412a-8dad-d80d3c77b208","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_fe4db6ae-74b0-4807-b0e8-60aa16881813","blk_b7b63caa-15ec-4025-b109-0fcdc5261458"],"explained_by":[],"source_path":"media/bc25b0c0b1f20ef212ea176c9c337528eff6a3f6b6158e39d5ef3002142bb768.png","path":"/media/bc25b0c0b1f20ef212ea176c9c337528eff6a3f6b6158e39d5ef3002142bb768-content.webp","display_derivative":{"source_sha256":"bc25b0c0b1f20ef212ea176c9c337528eff6a3f6b6158e39d5ef3002142bb768","thumbnail":{"path":"media/bc25b0c0b1f20ef212ea176c9c337528eff6a3f6b6158e39d5ef3002142bb768-thumbnail.webp","width":560,"height":168,"bytes":8738,"sha256":"3ab85f67f2ba09339878d94edc46e69ca7f94c163be0fe82da9c1f407769b247"},"content":{"path":"media/bc25b0c0b1f20ef212ea176c9c337528eff6a3f6b6158e39d5ef3002142bb768-content.webp","width":827,"height":248,"bytes":22816,"sha256":"9796c93151e1d9cb35cf0b9b6bd9dcc53aa2631d8f410ce70f216d8aeee97ada"}}},{"id":"plc_81278fcb-0366-4e87-8a4c-e704fe27af93","block_id":"blk_a5bc13ae-1c28-494a-94e4-acf99e6dc80b","asset_revision_id":"avr_920fc41a-8b08-444f-a9a3-6f08e29e764c","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_f5054b74-2516-4c1a-b750-c05dadd0b669","blk_950b89f2-3091-44ca-bcd9-014af9e22075"],"explained_by":[],"source_path":"media/07c13f99e97846f741fb77f1bbedcae3624e9e102e21f1b0e467532ee3a3e0d6.png","path":"/media/07c13f99e97846f741fb77f1bbedcae3624e9e102e21f1b0e467532ee3a3e0d6-content.webp","display_derivative":{"source_sha256":"07c13f99e97846f741fb77f1bbedcae3624e9e102e21f1b0e467532ee3a3e0d6","thumbnail":{"path":"media/07c13f99e97846f741fb77f1bbedcae3624e9e102e21f1b0e467532ee3a3e0d6-thumbnail.webp","width":560,"height":218,"bytes":9156,"sha256":"13655e65a5bac52fab8e17c12c7638445f9ad2bf99336f8d333094c9bebe53c4"},"content":{"path":"media/07c13f99e97846f741fb77f1bbedcae3624e9e102e21f1b0e467532ee3a3e0d6-content.webp","width":811,"height":316,"bytes":23260,"sha256":"cdf607da1cb38f6afbaa002502830f9b434b6d128b4d195c4e72dd706a3314c7"}}},{"id":"plc_bb3fe849-6bb7-4161-b11e-729e0ececb70","block_id":"blk_46010220-42e9-4c14-840b-877969e59704","asset_revision_id":"avr_c2459793-34b8-4562-963d-f0752af7bb7d","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_04cf7c2c-909c-4c1a-900c-cd5276a9812c","blk_9a77e584-442c-474b-baf6-fe53e0b779cc"],"explained_by":[],"source_path":"media/09f5a543e25dca6df8736deee75ec3a73bc430615ce37af38bd5754dca9d56a4.png","path":"/media/09f5a543e25dca6df8736deee75ec3a73bc430615ce37af38bd5754dca9d56a4-content.webp","display_derivative":{"source_sha256":"09f5a543e25dca6df8736deee75ec3a73bc430615ce37af38bd5754dca9d56a4","thumbnail":{"path":"media/09f5a543e25dca6df8736deee75ec3a73bc430615ce37af38bd5754dca9d56a4-thumbnail.webp","width":560,"height":186,"bytes":8254,"sha256":"dc9bc215a745ce52a2683b24de60934a73e21eec3162c93ea28993523c48aa62"},"content":{"path":"media/09f5a543e25dca6df8736deee75ec3a73bc430615ce37af38bd5754dca9d56a4-content.webp","width":817,"height":272,"bytes":21712,"sha256":"d0dfa0899dc45f5f3220754a728ed568db8111732720225a7058907c4ccf6aff"}}},{"id":"plc_7d973b3d-d344-46f7-bf8b-283e52e0137a","block_id":"blk_cb13b79f-0479-49e1-88ed-ed37d5781c30","asset_revision_id":"avr_82e37ab4-a602-484b-9e57-a6733a8cdb44","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_1b2fd94f-f516-4a91-8806-2cc5ade45b00","blk_b71d9186-9b30-417c-8fea-05f2a8d2b5fb"],"explained_by":[],"source_path":"media/a7c85bc91ce34664e382cc9b80c3ec3d2e4751c04063377f80cc1949bb729901.png","path":"/media/a7c85bc91ce34664e382cc9b80c3ec3d2e4751c04063377f80cc1949bb729901-content.webp","display_derivative":{"source_sha256":"a7c85bc91ce34664e382cc9b80c3ec3d2e4751c04063377f80cc1949bb729901","thumbnail":{"path":"media/a7c85bc91ce34664e382cc9b80c3ec3d2e4751c04063377f80cc1949bb729901-thumbnail.webp","width":560,"height":158,"bytes":6118,"sha256":"11a89770dbe0bf41e737cc4feb601a23851566c421e2efe514e82156a7de6468"},"content":{"path":"media/a7c85bc91ce34664e382cc9b80c3ec3d2e4751c04063377f80cc1949bb729901-content.webp","width":842,"height":237,"bytes":16728,"sha256":"036c2da996dc8d9ba06d39bd9d7e595980a89186f68d5e4b2642c75f009bbaf5"}}},{"id":"plc_b646c629-0822-451f-bd20-dcf447240861","block_id":"blk_f4d29651-1334-458c-8633-b3195ccb4a86","asset_revision_id":"avr_6a181c61-a4e5-40c0-9d86-deaf805dc1dc","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_18b6c8cc-7420-4d23-a38c-8ee11bf0177b","blk_05d95054-5f33-46af-8721-d6c8bd6b7c5c"],"explained_by":[],"source_path":"media/bb5fb464c5d5a32c0a85825708ff3c1314cf13a297c39645bd50bdc62eb1ce12.png","path":"/media/bb5fb464c5d5a32c0a85825708ff3c1314cf13a297c39645bd50bdc62eb1ce12-content.webp","display_derivative":{"source_sha256":"bb5fb464c5d5a32c0a85825708ff3c1314cf13a297c39645bd50bdc62eb1ce12","thumbnail":{"path":"media/bb5fb464c5d5a32c0a85825708ff3c1314cf13a297c39645bd50bdc62eb1ce12-thumbnail.webp","width":560,"height":153,"bytes":7008,"sha256":"d9b6f9b4308712c0b11d98cfa18f4b3c14f829fed35efb6cff94e90b19005ce2"},"content":{"path":"media/bb5fb464c5d5a32c0a85825708ff3c1314cf13a297c39645bd50bdc62eb1ce12-content.webp","width":833,"height":228,"bytes":19242,"sha256":"1c1fba3d70bb0aecb00d6a60b5f54ee77cf41ea61b58ce6c82272e289dba2759"}}},{"id":"plc_75fe55ec-62e8-46f8-8580-7d4538c507db","block_id":"blk_b60c5881-d0ec-43aa-b26c-f7bfdc1d846d","asset_revision_id":"avr_d702f58f-cdd1-4c5e-a466-ec2e820d39de","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_42e1d0a9-6e6e-497b-acea-b1f7d044fd27","blk_a720daca-a073-40d5-a4dd-d2c53daf712d"],"explained_by":[],"source_path":"media/194fa7523e3bfe0f400273e5bc29d7791827948cf759dfbb29c925f7f99f1bd6.png","path":"/media/194fa7523e3bfe0f400273e5bc29d7791827948cf759dfbb29c925f7f99f1bd6-content.webp","display_derivative":{"source_sha256":"194fa7523e3bfe0f400273e5bc29d7791827948cf759dfbb29c925f7f99f1bd6","thumbnail":{"path":"media/194fa7523e3bfe0f400273e5bc29d7791827948cf759dfbb29c925f7f99f1bd6-thumbnail.webp","width":560,"height":153,"bytes":7850,"sha256":"27746656f0fd6d9ee0a297cccea7c33283c9c75a15412e345d7228473cfe17e1"},"content":{"path":"media/194fa7523e3bfe0f400273e5bc29d7791827948cf759dfbb29c925f7f99f1bd6-content.webp","width":849,"height":232,"bytes":22480,"sha256":"425128375bee1fb79c802ddf52b471c1cd31fa4024670eb239c137fbedd41c14"}}},{"id":"plc_a59b59e9-0e54-4ff8-b53e-1392b39b4efa","block_id":"blk_0f8572fb-0790-415c-9124-2a66d3b284bb","asset_revision_id":"avr_670c78af-2383-4f04-ac01-c68fc9f8e8c7","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_39673f94-9ad3-478b-9c22-6073c716ff82","blk_fba4e094-85cc-4740-b789-613e3613f31a"],"explained_by":[],"source_path":"media/9844e10e1232b70e592b74aa615e9c01d2e8f705f26b7be3fe9d23d435d97f1a.png","path":"/media/9844e10e1232b70e592b74aa615e9c01d2e8f705f26b7be3fe9d23d435d97f1a-content.webp","display_derivative":{"source_sha256":"9844e10e1232b70e592b74aa615e9c01d2e8f705f26b7be3fe9d23d435d97f1a","thumbnail":{"path":"media/9844e10e1232b70e592b74aa615e9c01d2e8f705f26b7be3fe9d23d435d97f1a-thumbnail.webp","width":560,"height":289,"bytes":12198,"sha256":"4bb3389eed419c686fcf680c829c9c7e426168a8254ea09a2437f2c87b634aa0"},"content":{"path":"media/9844e10e1232b70e592b74aa615e9c01d2e8f705f26b7be3fe9d23d435d97f1a-content.webp","width":805,"height":415,"bytes":30566,"sha256":"efbbf169194fd1b9171baefc2b4eaaf45b8ed4879f3a9fd4f32ef673dcb42ed8"}}},{"id":"plc_4bbc71b5-3447-4115-8418-5475957fa366","block_id":"blk_be06ef04-0394-4d2e-9f6b-4a9264b8a45a","asset_revision_id":"avr_5c17bdd3-2de2-4d69-9360-72fa29a46648","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_a16b9a1c-888d-4549-95ee-860e27980cbc","blk_67ef86bb-5797-430f-bc04-65a16e6fce7c"],"explained_by":[],"source_path":"media/104a9f470c7da79e948d78ad3b4931627aa34fab51afdb459039a394d75f5867.png","path":"/media/104a9f470c7da79e948d78ad3b4931627aa34fab51afdb459039a394d75f5867-content.webp","display_derivative":{"source_sha256":"104a9f470c7da79e948d78ad3b4931627aa34fab51afdb459039a394d75f5867","thumbnail":{"path":"media/104a9f470c7da79e948d78ad3b4931627aa34fab51afdb459039a394d75f5867-thumbnail.webp","width":560,"height":217,"bytes":9120,"sha256":"d95ca9bc5c3b1805ea2f46d8c87b91c57b77d543bf89dc02a259daefe86d11ab"},"content":{"path":"media/104a9f470c7da79e948d78ad3b4931627aa34fab51afdb459039a394d75f5867-content.webp","width":805,"height":312,"bytes":22966,"sha256":"1e78be7a43514e685c80b8f8577f11c525e5e10c4fda83eb1ebb9bd5f5482397"}}},{"id":"plc_0bed0033-ddb4-4a4b-8b93-2298c23d6e00","block_id":"blk_2552aa9f-33b3-4b0e-aa01-9b9412eb0dd3","asset_revision_id":"avr_d8e2327a-c628-47fc-91d1-8993e5ad581a","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_df92df77-80c2-4d82-ac5d-24caf2186d71","blk_8f3f4efb-e616-4f1e-9dd0-388fe3c3bec4"],"explained_by":[],"source_path":"media/ed2ef4abae66f1e09e8559984e415b469718f752f44682525968f787a16465a9.png","path":"/media/ed2ef4abae66f1e09e8559984e415b469718f752f44682525968f787a16465a9-content.webp","display_derivative":{"source_sha256":"ed2ef4abae66f1e09e8559984e415b469718f752f44682525968f787a16465a9","thumbnail":{"path":"media/ed2ef4abae66f1e09e8559984e415b469718f752f44682525968f787a16465a9-thumbnail.webp","width":560,"height":177,"bytes":4600,"sha256":"4a65d185172e680deee342f0cb874e8fd4bea0071fc0a1a98f6d9bdc1d3f56bf"},"content":{"path":"media/ed2ef4abae66f1e09e8559984e415b469718f752f44682525968f787a16465a9-content.webp","width":893,"height":283,"bytes":13342,"sha256":"adb11e3acf28773827f63ba21ad246d2f65b685aae2b0ca6e399876d0d88e7d9"}}},{"id":"plc_4028c776-57fd-40b7-a03d-d7676373d66a","block_id":"blk_fc3537a7-8f24-42da-94da-c162ad74e147","asset_revision_id":"avr_91e46c39-a859-452a-acd7-8a64ef7fb2c7","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_e6af77b1-e65a-4f7b-8c93-d5b194d2571f","blk_edd86201-7ecb-49f9-a461-5f408c21a6b5"],"explained_by":[],"source_path":"media/49f1963f7349569aefe06d89e2db1f23658506a54316673980fe4d2eaabbe1ae.png","path":"/media/49f1963f7349569aefe06d89e2db1f23658506a54316673980fe4d2eaabbe1ae-content.webp","display_derivative":{"source_sha256":"49f1963f7349569aefe06d89e2db1f23658506a54316673980fe4d2eaabbe1ae","thumbnail":{"path":"media/49f1963f7349569aefe06d89e2db1f23658506a54316673980fe4d2eaabbe1ae-thumbnail.webp","width":560,"height":208,"bytes":9850,"sha256":"9717f6f0d9678d23d8124e6635ce0b1e3dd1985445230b09097bc020c305d5ab"},"content":{"path":"media/49f1963f7349569aefe06d89e2db1f23658506a54316673980fe4d2eaabbe1ae-content.webp","width":811,"height":301,"bytes":24032,"sha256":"e3a462bc8ee0e87b22ccc2096f611c12102578e594bab9fca1dde3835e172cb7"}}},{"id":"plc_f0e937a0-3585-4b3a-b2ca-c9d8a2053cb4","block_id":"blk_c7da65da-46bf-4d0d-bf2c-7ee703fe9573","asset_revision_id":"avr_9b6a41bb-2abb-4e0d-8fdb-3cde6c1b3b38","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_be9d2884-adeb-4e0a-96ac-c0dfaef89733","blk_8e937b6b-e182-4d07-9c0f-3b1596f32502"],"explained_by":[],"source_path":"media/a78a34b5eb09f224bcc2eb5ed222f877778e6b8a1e4efc4bf1a391e667cdc95c.png","path":"/media/a78a34b5eb09f224bcc2eb5ed222f877778e6b8a1e4efc4bf1a391e667cdc95c-content.webp","display_derivative":{"source_sha256":"a78a34b5eb09f224bcc2eb5ed222f877778e6b8a1e4efc4bf1a391e667cdc95c","thumbnail":{"path":"media/a78a34b5eb09f224bcc2eb5ed222f877778e6b8a1e4efc4bf1a391e667cdc95c-thumbnail.webp","width":560,"height":185,"bytes":10150,"sha256":"d9cfa830b068a98dd572b7a206e1dbbd2b0567aa432bf16bbcc95ee549687d28"},"content":{"path":"media/a78a34b5eb09f224bcc2eb5ed222f877778e6b8a1e4efc4bf1a391e667cdc95c-content.webp","width":852,"height":281,"bytes":28322,"sha256":"6c3526f6297857d1db70066147728e2f10fe7044f1129dff5d9c11ce69f3c75a"}}},{"id":"plc_df10e421-9279-454f-963b-efff2d1d792c","block_id":"blk_6c3099a9-7253-41de-adea-ce3719fc25ab","asset_revision_id":"avr_acd7aa9d-641d-4240-9feb-adda2ed66957","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_7bd3ce64-c370-4976-bb84-7426f01b0032","blk_d62d7646-553a-4d3e-8f1c-04bf49664fc8"],"explained_by":[],"source_path":"media/5cc4b6002c51b9a6112989ec086dd848ca923150aed2ae4320641c56b3b053d4.png","path":"/media/5cc4b6002c51b9a6112989ec086dd848ca923150aed2ae4320641c56b3b053d4-content.webp","display_derivative":{"source_sha256":"5cc4b6002c51b9a6112989ec086dd848ca923150aed2ae4320641c56b3b053d4","thumbnail":{"path":"media/5cc4b6002c51b9a6112989ec086dd848ca923150aed2ae4320641c56b3b053d4-thumbnail.webp","width":560,"height":142,"bytes":6672,"sha256":"423db4fc149891374787166b7f0ec1646515154dabd12e6693e2a6e627d8faf9"},"content":{"path":"media/5cc4b6002c51b9a6112989ec086dd848ca923150aed2ae4320641c56b3b053d4-content.webp","width":832,"height":211,"bytes":18106,"sha256":"8873b89874292d4dc5ff5a10e0c0c79d44508b21ceecfbe71307122baec83af0"}}},{"id":"plc_902aae51-5e35-439a-8b93-aaf702bd0c38","block_id":"blk_cfbd36b7-4fac-4974-bcd3-7e810e3ed06e","asset_revision_id":"avr_69962e81-7197-404e-9373-ba04d499dfc7","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_d62d7646-553a-4d3e-8f1c-04bf49664fc8","blk_e7c21bf8-38cc-487b-b0d6-a4f8e8acbb22"],"explained_by":[],"source_path":"media/784a9f375d51ae9ce37d687df3e677ffe74e2319d26eab98f0bfd4bd27e116e6.png","path":"/media/784a9f375d51ae9ce37d687df3e677ffe74e2319d26eab98f0bfd4bd27e116e6-content.webp","display_derivative":{"source_sha256":"784a9f375d51ae9ce37d687df3e677ffe74e2319d26eab98f0bfd4bd27e116e6","thumbnail":{"path":"media/784a9f375d51ae9ce37d687df3e677ffe74e2319d26eab98f0bfd4bd27e116e6-thumbnail.webp","width":560,"height":213,"bytes":7580,"sha256":"fc8fe8b3a51eaad66149b9c8fc450f5f13e0f81ae49cc79bb9c40137422e41b8"},"content":{"path":"media/784a9f375d51ae9ce37d687df3e677ffe74e2319d26eab98f0bfd4bd27e116e6-content.webp","width":814,"height":309,"bytes":19568,"sha256":"543e10fc101377b2d8321544bed52e452f8201cafbffe6fae5287a043b917ce5"}}},{"id":"plc_69bba8cc-9965-4012-917d-3e4bfbf5ddbf","block_id":"blk_f9ca4a4d-0366-48c7-870c-aaee6f968caa","asset_revision_id":"avr_ed50c498-48d9-4a6e-84ed-fec9394d903c","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_62b356f6-8741-49cf-8915-a43d0561c6d7","blk_19ab5805-6359-41f3-99c8-b9ea1348a5cd"],"explained_by":[],"source_path":"media/0e89e22674e5815888839b38efa00cb96126e53c1f461a9a0782836b902e0754.png","path":"/media/0e89e22674e5815888839b38efa00cb96126e53c1f461a9a0782836b902e0754-content.webp","display_derivative":{"source_sha256":"0e89e22674e5815888839b38efa00cb96126e53c1f461a9a0782836b902e0754","thumbnail":{"path":"media/0e89e22674e5815888839b38efa00cb96126e53c1f461a9a0782836b902e0754-thumbnail.webp","width":560,"height":133,"bytes":6774,"sha256":"83a96ed9bb057c40b595317a43586f39279129ff713a46b5b05c96503aeedbcb"},"content":{"path":"media/0e89e22674e5815888839b38efa00cb96126e53c1f461a9a0782836b902e0754-content.webp","width":787,"height":187,"bytes":16290,"sha256":"a51681e96d20bc2f5dfa2992d90fc679947dd7de5b60094466ca14c220d787b7"}}},{"id":"plc_b69610cc-3740-4081-b3f1-92aa7af3ccfc","block_id":"blk_15385a6d-0957-4bf5-a3c9-a7ea4c2df40f","asset_revision_id":"avr_e7379523-6906-444f-b9f7-61761f0159f4","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_ea97df2b-9a11-4420-a0a7-1061e8132f16","blk_64a1485f-6d22-404e-a4a3-2fadb60f6b48"],"explained_by":[],"source_path":"media/3f18daf9e3947369be2fc72e39ca89391e44e32a213f3ccb16f1145cdfe4e361.png","path":"/media/3f18daf9e3947369be2fc72e39ca89391e44e32a213f3ccb16f1145cdfe4e361-content.webp","display_derivative":{"source_sha256":"3f18daf9e3947369be2fc72e39ca89391e44e32a213f3ccb16f1145cdfe4e361","thumbnail":{"path":"media/3f18daf9e3947369be2fc72e39ca89391e44e32a213f3ccb16f1145cdfe4e361-thumbnail.webp","width":560,"height":298,"bytes":9774,"sha256":"34b67192d3b07e9593bcf5ec5a3069bfe202c4db3a7431b1a1d4074c5bd8dd3b"},"content":{"path":"media/3f18daf9e3947369be2fc72e39ca89391e44e32a213f3ccb16f1145cdfe4e361-content.webp","width":824,"height":438,"bytes":25096,"sha256":"c7ef865f7ee1653cf54b419d06041560df1f5a3419dc6a8317e1efbf9e90a601"}}},{"id":"plc_e1e81622-660f-4459-93cd-f4b9abcf0b5c","block_id":"blk_4898128a-aa63-48b2-bd92-097688a5a352","asset_revision_id":"avr_2d7020f8-e183-4c8b-bdb4-a21f2c439247","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_d0a553c7-918d-4dda-9506-375e2515b7e8","blk_b2f6059c-ff70-4915-9a50-e1a8cf06fd59"],"explained_by":[],"source_path":"media/7980a24e5b76646ca59cc0f63ebf94f0e9b4840cdc828eabbc94e8a1f5baf721.png","path":"/media/7980a24e5b76646ca59cc0f63ebf94f0e9b4840cdc828eabbc94e8a1f5baf721-content.webp","display_derivative":{"source_sha256":"7980a24e5b76646ca59cc0f63ebf94f0e9b4840cdc828eabbc94e8a1f5baf721","thumbnail":{"path":"media/7980a24e5b76646ca59cc0f63ebf94f0e9b4840cdc828eabbc94e8a1f5baf721-thumbnail.webp","width":560,"height":269,"bytes":9500,"sha256":"2ca5804c42c4bf3d2ddf1187077bf8309580c477102e3479c0fcfabe3ad5f3a1"},"content":{"path":"media/7980a24e5b76646ca59cc0f63ebf94f0e9b4840cdc828eabbc94e8a1f5baf721-content.webp","width":842,"height":405,"bytes":25950,"sha256":"bf88db2a405e8c0948a6a213b34c86a8b2142b2651008ffc61d7401eac854dc7"}}},{"id":"plc_3aac1d18-6a06-4de4-a8f3-9b5020a939e7","block_id":"blk_3b45369f-0d47-4423-a21c-6653cd97afad","asset_revision_id":"avr_5b6760d8-26fc-49d5-8587-5b24d40afefa","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_01b5a650-618f-406a-ac9e-d51bc167b8da","blk_38766601-448f-4924-aec8-cfa9bf026d4a"],"explained_by":[],"source_path":"media/33183a877e2fae546ae225f08d7662a07028bb1ff1657718d03b0806dbe994f9.png","path":"/media/33183a877e2fae546ae225f08d7662a07028bb1ff1657718d03b0806dbe994f9-content.webp","display_derivative":{"source_sha256":"33183a877e2fae546ae225f08d7662a07028bb1ff1657718d03b0806dbe994f9","thumbnail":{"path":"media/33183a877e2fae546ae225f08d7662a07028bb1ff1657718d03b0806dbe994f9-thumbnail.webp","width":560,"height":334,"bytes":9968,"sha256":"606ba88542b4df11e1702a427e40deb00b9efa37d4a3a7239c352bd53345bc75"},"content":{"path":"media/33183a877e2fae546ae225f08d7662a07028bb1ff1657718d03b0806dbe994f9-content.webp","width":792,"height":472,"bytes":24882,"sha256":"ee4d1a34c6b9cefdf9ce6ea8246ee4fcfa10a6860434c2f8b799dfa7eb84f8f4"}}},{"id":"plc_09c043f6-7792-462c-aa8c-ed74671063fc","block_id":"blk_6a4aebfe-f861-4c7a-bb2d-6b3b97d588fe","asset_revision_id":"avr_ac68a788-400c-4997-aea7-3914ddc3706d","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_42655774-5b0c-41cf-a1e9-1490a149e9fa","blk_ba0030ac-6eab-44a3-97a7-adfdbce51685"],"explained_by":[],"source_path":"media/2788f00ffb7a40fa1e2f8920115c46262d6738e4e9be49fceab60034b90c4b0e.png","path":"/media/2788f00ffb7a40fa1e2f8920115c46262d6738e4e9be49fceab60034b90c4b0e-content.webp","display_derivative":{"source_sha256":"2788f00ffb7a40fa1e2f8920115c46262d6738e4e9be49fceab60034b90c4b0e","thumbnail":{"path":"media/2788f00ffb7a40fa1e2f8920115c46262d6738e4e9be49fceab60034b90c4b0e-thumbnail.webp","width":560,"height":350,"bytes":14002,"sha256":"be4c35f32a8e4bc1c14bad2599e9435d4e36934ac510515a02c6f3ba3e05ca2c"},"content":{"path":"media/2788f00ffb7a40fa1e2f8920115c46262d6738e4e9be49fceab60034b90c4b0e-content.webp","width":710,"height":444,"bytes":27892,"sha256":"8a5f8293ecf1ae0c6900ab6892d99bc118dff6d39fae78fdde7b83f48c594707"}}},{"id":"plc_cf1da1c8-0f90-463d-8f02-0df53d5bb1b2","block_id":"blk_2db791ee-89da-44c5-b930-c061075036fb","asset_revision_id":"avr_2d87a250-911d-40ba-8bfb-bcb7549c932b","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_ea65a70e-9083-42c2-84a6-dd67bd3effee","blk_6da88587-1cc6-4022-aa93-bd9cbd195c4e"],"explained_by":[],"source_path":"media/e6bd00a7a54e78acc3c249f2de6e3f9236471bf829deb28fb0b995f0c79c8ef2.png","path":"/media/e6bd00a7a54e78acc3c249f2de6e3f9236471bf829deb28fb0b995f0c79c8ef2-content.webp","display_derivative":{"source_sha256":"e6bd00a7a54e78acc3c249f2de6e3f9236471bf829deb28fb0b995f0c79c8ef2","thumbnail":{"path":"media/e6bd00a7a54e78acc3c249f2de6e3f9236471bf829deb28fb0b995f0c79c8ef2-thumbnail.webp","width":560,"height":397,"bytes":13292,"sha256":"428f8ff5b4219e8f30675e2af446f57b482aaa8dfe4da99cd495560babcac228"},"content":{"path":"media/e6bd00a7a54e78acc3c249f2de6e3f9236471bf829deb28fb0b995f0c79c8ef2-content.webp","width":768,"height":544,"bytes":30352,"sha256":"2cd5fe5eba43eddf171699f8907ce4a0cecceef09b432a52cefa06f71372a517"}}},{"id":"plc_6d37aecb-b159-4837-8af3-cce33e3ddb51","block_id":"blk_1e13806f-6f22-4b5a-90c4-fa6f04e1afc5","asset_revision_id":"avr_6040c76a-91e1-49c9-89bb-ba3eb0493b27","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_4479d295-a279-4bec-80a3-671e9fb8dd0d","blk_c24f09ed-5932-48a3-a564-0c83ca0dd3ca"],"explained_by":[],"source_path":"media/a70d20c26733656eecf83ef2e6531ee98ad15039bc21ca18e22a9fa93907e6e1.png","path":"/media/a70d20c26733656eecf83ef2e6531ee98ad15039bc21ca18e22a9fa93907e6e1-content.webp","display_derivative":{"source_sha256":"a70d20c26733656eecf83ef2e6531ee98ad15039bc21ca18e22a9fa93907e6e1","thumbnail":{"path":"media/a70d20c26733656eecf83ef2e6531ee98ad15039bc21ca18e22a9fa93907e6e1-thumbnail.webp","width":560,"height":412,"bytes":17080,"sha256":"fa22fdaa471096a822f759976ca7d3bf9c9fa4d0baf0714e6e404abf57e82f45"},"content":{"path":"media/a70d20c26733656eecf83ef2e6531ee98ad15039bc21ca18e22a9fa93907e6e1-content.webp","width":688,"height":506,"bytes":32358,"sha256":"a4d278558e80e60fe1629e255279531d14fcb3992270de008cfae152927812c3"}}},{"id":"plc_c64079a5-6aae-4944-a3e1-28a04b658695","block_id":"blk_06876b58-bc87-4eba-b8c4-4a3f2816db65","asset_revision_id":"avr_5714ab19-7e2d-4a22-961e-d0f46be8078a","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_049ff3f5-2b41-4181-882c-c70356d25d36","blk_d24fda09-fb63-4fa3-91da-dcd20f590979"],"explained_by":[],"source_path":"media/a0a8629d90590dded13cbc855bc83f15b5a3b4f45ce0aa2126f1e9e680f5c6db.png","path":"/media/a0a8629d90590dded13cbc855bc83f15b5a3b4f45ce0aa2126f1e9e680f5c6db-content.webp","display_derivative":{"source_sha256":"a0a8629d90590dded13cbc855bc83f15b5a3b4f45ce0aa2126f1e9e680f5c6db","thumbnail":{"path":"media/a0a8629d90590dded13cbc855bc83f15b5a3b4f45ce0aa2126f1e9e680f5c6db-thumbnail.webp","width":560,"height":274,"bytes":15398,"sha256":"ea2554af778fc5b5c1b06c3c53cc1c403dd758da9072956c8be52f10fed03c77"},"content":{"path":"media/a0a8629d90590dded13cbc855bc83f15b5a3b4f45ce0aa2126f1e9e680f5c6db-content.webp","width":797,"height":390,"bytes":35380,"sha256":"ab7f41521c8b991567e9f9141bd94a9f379621e9aaeaa20aff1e1c898a7842e2"}}},{"id":"plc_dcac585d-9bca-4ef5-a064-ea109c0d850b","block_id":"blk_4eef98cd-41b1-46c1-afdf-acfbeaaf0c81","asset_revision_id":"avr_e4360166-d0bb-4e0d-b9ac-144c47a2525c","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_893f03c9-7ea0-476a-8888-a210905472bf","blk_732b797f-26d6-41b1-a9db-b134e4b6721f"],"explained_by":[],"source_path":"media/1f990b47f1774101521eda27bdb7c5dd903bb437177e1b72019b90ef09804f07.png","path":"/media/1f990b47f1774101521eda27bdb7c5dd903bb437177e1b72019b90ef09804f07-content.webp","display_derivative":{"source_sha256":"1f990b47f1774101521eda27bdb7c5dd903bb437177e1b72019b90ef09804f07","thumbnail":{"path":"media/1f990b47f1774101521eda27bdb7c5dd903bb437177e1b72019b90ef09804f07-thumbnail.webp","width":560,"height":261,"bytes":11568,"sha256":"b22a4b97a5469701f3dbc1ca6fec88e48a43c1245d27e73b06c269e4de617c02"},"content":{"path":"media/1f990b47f1774101521eda27bdb7c5dd903bb437177e1b72019b90ef09804f07-content.webp","width":785,"height":366,"bytes":26170,"sha256":"60bc8702424b8ffa1eddb284fb337a4422df72bf0be0a721ada99417e83573e7"}}},{"id":"plc_bde01583-4363-4278-95ea-d20bb0207faf","block_id":"blk_20905935-6a48-4635-85f6-5997b8b0a06a","asset_revision_id":"avr_ea532333-8d23-4c88-b168-a4e62faf438b","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_15a9fdfa-4762-41b6-bffa-a9e51d39a867","blk_9bfe6823-803f-4e8a-be8f-8a935af9883a"],"explained_by":[],"source_path":"media/668551b619da4e8e73c04f1d7ce5a2a14f9261b97137b1ba5410899f2908b372.png","path":"/media/668551b619da4e8e73c04f1d7ce5a2a14f9261b97137b1ba5410899f2908b372-content.webp","display_derivative":{"source_sha256":"668551b619da4e8e73c04f1d7ce5a2a14f9261b97137b1ba5410899f2908b372","thumbnail":{"path":"media/668551b619da4e8e73c04f1d7ce5a2a14f9261b97137b1ba5410899f2908b372-thumbnail.webp","width":560,"height":343,"bytes":13762,"sha256":"b527b73f6ba1ebeb203c857871b9f0a984b49070ca019fb55c65aa80bdb5736e"},"content":{"path":"media/668551b619da4e8e73c04f1d7ce5a2a14f9261b97137b1ba5410899f2908b372-content.webp","width":791,"height":484,"bytes":33822,"sha256":"67abce26d84cbf1d30b2fb6484f57e1e9439ce982801c796af1b8b0c80b2d6f2"}}}],"package_sha256":"954957a9415c23e7f0038d7fa23aa163536e3a6cda39cf66839955f4215b0e40","record_type":"article","schema_version":"noia-public-article-1.1.0","dataset_version":"2026.09.23.4","urls":{"source_url":"https://note.com/atom_/n/ne976f70f82b5","release_path":"/articles/rev_6cb909ec-1291-4cbb-a768-f72123829d08/","canonical_url":"https://noia-grid.pages.dev/articles/rev_6cb909ec-1291-4cbb-a768-f72123829d08/"},"time":{"created_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"published_at":{"value":"2026-05-08 09:09:09","precision":"local_datetime","timezone":null,"status":"source_metadata","basis":"Metadata only; not evidence of historical body availability."},"modified_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"analysis_as_of":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"event_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"recorded_at":{"value":"2026-09-08T05:29:15+00:00","precision":"instant","timezone":"+00:00","status":"archive_record","basis":"canonical_recorded_at"},"content_available_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"unknown"}},"legacy":{"source_date":{"value":"2026-05-08 09:09:09","meaning":"legacy_source_metadata_date","certainty":"source_metadata"}},"rights":{"license_ref":"license:not-specified","rights_status":"unknown","third_party_material":"unknown"},"integrity":{"hash_profile":"noia-evidence-json-v1","content_sha256":"ea1dfb17e67564f85ba8acd41952d38411394997ed3a3f70c02c621d5099a9b4","lineage":[],"previous_revision_sha256":null,"previous_revision_status":"no_parent","revision_sha256":"1412b874d19e654f96410f062f1abe9bac90194e9fbebe4f991daa9821644505"}} {"id":"rev_2cf94359-bc71-4b68-8fd3-9c93c45ac3eb","work_id":"wrk_dea71d50-dc48-48c0-a352-3461dbce4132","edition_id":"edn_793123b0-eff7-47e7-9d14-a9c5c89d3cba","title":"GPU一強の次に来るもの──AIエージェント時代にCPU需要が高まる理由","published_at":"2026-05-07 22:10:59","source_url":"https://note.com/atom_/n/n1a3ae798251c","recorded_at":"2026-09-08T05:29:15+00:00","source_date":"2026-05-07 22:10:59","thumbnail":null,"legacy_slug":null,"topics":["chips","agents"],"sections":[{"id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","parent_section_id":null,"heading_block_id":null,"order":0,"character_id":null},{"id":"sec_f0bef2d5-8d93-4afd-9496-9acc15ff3d48","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_785ef726-33ae-45c3-a733-cebcea829a87","order":1,"character_id":null},{"id":"sec_9140b658-5f81-4bca-8d40-df1d662481e5","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_f226ab3b-6d4a-4224-bd63-d566f6b679f7","order":2,"character_id":null},{"id":"sec_96593a97-1091-44e5-a238-83d7805e4de7","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_0c0d6d36-3335-44e7-9764-802b5140f1d0","order":3,"character_id":null},{"id":"sec_6c21cd07-3fda-4c7d-8a28-b122b32abee4","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_12009e51-0645-4461-9dc1-2c643cb50906","order":4,"character_id":null},{"id":"sec_f5fb003a-62fe-48c2-a63d-107ee26859cb","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_e0c4dd9c-7952-4ee7-9b02-400f2d4eee3d","order":5,"character_id":null},{"id":"sec_b3dd8a7b-328d-46aa-a49c-9b60519fef61","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_d5de91f1-4f32-4edc-a500-781da76afa77","order":6,"character_id":null},{"id":"sec_38fdd4e5-e6f9-4556-9e9d-a2618d05b06a","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_70b5e1bc-2250-4f37-bc8d-4c8c33e87dad","order":7,"character_id":null},{"id":"sec_e3f664ff-c753-4350-90a8-727fb8ca2b6a","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_59641ce2-cbe7-4b92-b64f-32367868aeb4","order":8,"character_id":null},{"id":"sec_f6e01ba7-3115-4501-a1d3-0dcbd52a27b5","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_362b9895-5d90-4225-b53e-f19cff2b1259","order":9,"character_id":null},{"id":"sec_8d7dfe16-3120-437f-b630-4e06221b8c7a","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_58440c7a-2e64-4012-940f-3af25368e9d9","order":10,"character_id":null},{"id":"sec_f6dc8e3a-bd25-4918-897c-5432256d92c4","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_7f25c51a-f9b3-4ab9-818b-9cbd84c1f0b7","order":11,"character_id":null},{"id":"sec_58e85375-d53a-4052-9dcc-3e885bf11c81","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_ca3eac3d-e540-4c78-9612-582ccd00d584","order":12,"character_id":null},{"id":"sec_23176590-b1e6-481b-a89e-03ca6370a6be","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_78c9476a-c7b9-4b07-acb9-bfffa450ef31","order":13,"character_id":null},{"id":"sec_e4043154-47b4-46ab-aebe-9462b2a82359","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_b6fff29f-521a-4e79-826d-a122fa941afd","order":14,"character_id":null},{"id":"sec_60bc1286-e5cb-4d25-b160-a7b5674c0701","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_3ebf10b1-17f0-48bc-98a5-0c68557724b2","order":15,"character_id":null},{"id":"sec_a0368817-ddf7-4633-9a86-858363666a08","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_402d0eaf-43c7-44f6-9151-9c95662f026a","order":16,"character_id":null},{"id":"sec_3895746e-8caa-4677-a4b1-13824b60e07d","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_79d403e2-6c4c-495c-8624-eb21edbef088","order":17,"character_id":null},{"id":"sec_56282435-91f6-4442-a71c-91fb83ab6f93","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_402087af-1052-41b3-9398-135ea48916a5","order":18,"character_id":null},{"id":"sec_2b70b9dc-f533-4aae-9151-6d5d17fac4ba","parent_section_id":"sec_56282435-91f6-4442-a71c-91fb83ab6f93","heading_block_id":"blk_abdc012d-f825-4697-b8d7-93e1fa053e21","order":19,"character_id":null},{"id":"sec_7ac6c80b-4f0d-4b8e-bd9f-733c3848d0b8","parent_section_id":"sec_56282435-91f6-4442-a71c-91fb83ab6f93","heading_block_id":"blk_3141b2be-28cb-4f6a-9c27-2a4735af7736","order":20,"character_id":null},{"id":"sec_755f5f5d-9e22-43a2-9c09-65bd63aa03f3","parent_section_id":"sec_56282435-91f6-4442-a71c-91fb83ab6f93","heading_block_id":"blk_54852a8a-a169-4c01-8b06-0fb1646ee59a","order":21,"character_id":null},{"id":"sec_3bb93f54-fe5c-4b6e-bcfd-3a542b01767b","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_e0a41dee-2727-4e04-b326-1c7a2df24068","order":22,"character_id":null},{"id":"sec_217a77bd-aa6e-42cf-820a-bb48d5cd649b","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_2b3e1082-cd6e-4b71-9926-e326e953928d","order":23,"character_id":null},{"id":"sec_69049162-737f-40ac-a3f5-3578216266a2","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_2156ad58-6bf6-4a53-b784-d06a40b26550","order":24,"character_id":null},{"id":"sec_b25924f8-b6f7-407d-b7d1-b2c30ddb56b3","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_6587d13e-81d1-4275-8550-9b77704ffc3a","order":25,"character_id":null},{"id":"sec_ccd3914d-1f08-4e8b-b9da-b21f55f3b323","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_a581f28e-9518-469d-b463-2e8053327828","order":26,"character_id":null},{"id":"sec_e55e644a-5ce1-449c-9c0c-aab7e7170dba","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_b0dcdf33-b234-47ae-9e52-70151ef37cb9","order":27,"character_id":null},{"id":"sec_aeca1429-2a19-4d31-b76e-1f7203fdea26","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_33480068-85b7-4db4-a8cc-b4a93965baa4","order":28,"character_id":null},{"id":"sec_80709b83-16b7-4595-a44c-cd978282b9c0","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_270d999e-bf99-40e8-aa69-270a207cdd27","order":29,"character_id":null},{"id":"sec_7128dad2-d683-4840-8f9b-5b7fa95aef1c","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_918024ab-f803-4729-8479-4f432c8b1b2d","order":30,"character_id":null},{"id":"sec_0c5229ec-9b0d-4f30-a48c-66e8a04a5219","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_12cc5d44-f095-4496-a603-02b9fa68486f","order":31,"character_id":null},{"id":"sec_9c903175-7a46-41db-a8aa-70b36b031573","parent_section_id":"sec_0c5229ec-9b0d-4f30-a48c-66e8a04a5219","heading_block_id":"blk_1ff18ffd-4880-404a-aa51-dd271ba39810","order":32,"character_id":null},{"id":"sec_f736ba24-50d5-4b61-a96c-5eccdb8168eb","parent_section_id":"sec_0c5229ec-9b0d-4f30-a48c-66e8a04a5219","heading_block_id":"blk_db060de8-362b-4f42-a799-cc994af0a8f5","order":33,"character_id":null},{"id":"sec_5127a169-a158-49c9-bcf4-c10a7ba8e1a4","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_5b45c2e4-822a-402d-8267-eb57781d2684","order":34,"character_id":null},{"id":"sec_e84f1048-eaee-47f3-938e-0ea7f6971412","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_be5b147e-979e-42c0-bfa2-40f077e9cd5e","order":35,"character_id":null},{"id":"sec_4b2d018f-4331-43e4-831f-f8f0f228c9a3","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_5203f636-03a8-4808-bfdf-36eff149c727","order":36,"character_id":null},{"id":"sec_327b13c7-2844-4aea-99ac-5f5496029d27","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_12cc2080-f0f0-44e4-941b-46f533273f5b","order":37,"character_id":null},{"id":"sec_3293b680-b20e-482f-97d7-c3aece809f21","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_0e2dfc28-bdad-4a36-9425-a1278359e225","order":38,"character_id":null},{"id":"sec_64443484-39ed-48a1-9da3-fc2d8be67f61","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_9fa86591-ed98-4ab7-91a7-df818841d6fb","order":39,"character_id":null},{"id":"sec_ab5faba9-8f69-4a16-b5cc-1dee74938a95","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_79b8134a-e6f1-4975-83d9-015d044fa6d6","order":40,"character_id":null},{"id":"sec_6acf9d59-e5ea-45c8-9531-a02ed175805a","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_362fb410-96e2-48b0-b392-8308dfc14450","order":41,"character_id":null},{"id":"sec_8ec24d97-a546-4814-9c1b-db768ab1c94b","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_71410521-74ef-46e3-ad28-aae365409491","order":42,"character_id":null},{"id":"sec_a2daa0fa-a0e5-4ae0-922b-905e3bf8679d","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_c03366a2-1aa8-431b-abd1-8350fe0cd51d","order":43,"character_id":null},{"id":"sec_409f5314-0c01-4d07-a2ef-1e6067c0c5ad","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_2bf6a1ac-54ef-4d90-9fff-2cd60f12beb8","order":44,"character_id":null},{"id":"sec_77e0b74a-d9e0-416b-bfe1-bfba082034da","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_c5acd9c8-baad-48ee-aedf-cafc7ac713c4","order":45,"character_id":null},{"id":"sec_dacabe44-2e8c-4c8c-be16-c242f2b28bf2","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_7d0715b2-6f2f-4d37-b086-0115441aa0f8","order":46,"character_id":null},{"id":"sec_1cd762ba-80a0-472e-9983-0964840d2c3e","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_0190dc55-5acb-47e8-87dd-f6cc7c7746f2","order":47,"character_id":null},{"id":"sec_71b8d073-d8fd-4437-ac7a-71e210023aba","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_a983cf9d-aa06-42f8-89a9-830894a9b026","order":48,"character_id":null},{"id":"sec_ade72eea-582d-4e81-8d35-284b83454113","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_4018bcf3-1e05-4d0e-9694-248554908f49","order":49,"character_id":null},{"id":"sec_3d0d95e2-1b06-4c35-9bd0-e1dd39301f8d","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_03371a83-e4a8-471e-acac-92962f6981ea","order":50,"character_id":null},{"id":"sec_c271164d-6cc7-43ed-adf8-1a5f4179cb64","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_b91e263b-e0e0-48e1-8acb-cad6a8e57601","order":51,"character_id":null},{"id":"sec_0afdc3d2-fd36-4bdb-b016-58252600e542","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_126a0ea3-8c0f-4514-835a-f1949d5a3915","order":52,"character_id":null},{"id":"sec_878f51c9-005d-4266-823e-2a58ea72b0df","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_ef42eaf6-3a8f-4b55-b8f0-d431c288c187","order":53,"character_id":null},{"id":"sec_4a348aac-1b56-43d5-8f33-9f0e0068129f","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_b21826d0-2796-4126-82de-b43d6b2e0966","order":54,"character_id":null},{"id":"sec_feed3066-b80b-4a0e-b2b9-7fd3b9ffedce","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_11a9455c-a1e7-42ba-ab97-523c772f8eaf","order":55,"character_id":null},{"id":"sec_10a2ceaf-e8ce-43ae-a5c2-57677ee437c9","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_c64575e7-1f77-44f0-82e5-f4c3559ee08e","order":56,"character_id":null},{"id":"sec_946dedd1-8094-428b-99e9-a309a87cc3fd","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_adc98911-24d7-4cd3-9165-644b52dbe2c4","order":57,"character_id":null},{"id":"sec_d2c25cb1-1262-4e66-9128-a39dd33e4104","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_960ff950-7947-4a24-9a4c-2daa0912b90d","order":58,"character_id":null},{"id":"sec_2c2865bc-b906-4e89-bcbf-356620d91138","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_a07ef429-4ae3-4ec8-89d2-ccc3a7a59124","order":59,"character_id":null},{"id":"sec_f62de756-b7cf-48ae-93c1-d612f2184b62","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_e8b56761-dd95-417d-8cdd-2f3d8477f4d4","order":60,"character_id":null},{"id":"sec_a5c61a0b-ff85-486b-9d9d-e17e9b8edef6","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_16d9ca86-f8f5-45f0-9e27-045bb1f8b5bf","order":61,"character_id":null},{"id":"sec_f3997776-540b-4cda-a4c4-c78dae0caaaa","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_cb598d3d-8b1e-44f8-b6f9-a3d22f5f90e0","order":62,"character_id":null},{"id":"sec_e154a970-b847-4f15-ab56-a0cac77a4caf","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_955059d1-9809-41be-a0fb-2ebebe6e7853","order":63,"character_id":null},{"id":"sec_88e0f1b2-b630-48ac-a013-2bf3236c6996","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_809543b8-c762-44ab-9cec-febb24d3b1f0","order":64,"character_id":null},{"id":"sec_61a6ae99-c723-40dd-bd9d-c85d00a015a0","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_48f087da-71c6-4e4f-acef-edf576118a57","order":65,"character_id":null},{"id":"sec_1d877044-a40f-45d3-9401-c8d1505fc1dc","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_fc4eeca6-daa2-4853-88b1-09c638cc7c70","order":66,"character_id":null},{"id":"sec_ee02ed95-380e-4029-b428-bcd04e62f3fa","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_3c163ceb-3019-42d2-a8bb-9a74745e1da9","order":67,"character_id":null},{"id":"sec_4d3f613f-5725-41fe-a2d0-1c9306bbbff2","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_489b8ae4-a1f3-4261-b7ed-a7245b79172a","order":68,"character_id":null},{"id":"sec_c81fe88e-fc66-4368-af95-80c087b0676c","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_4d8baf24-f967-40a2-b665-0f46be9a0503","order":69,"character_id":null},{"id":"sec_0fc3f41b-f538-4dcb-b29c-dfeba942cbd2","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_009b4749-5f31-4006-a2f9-8202f4f27616","order":70,"character_id":null},{"id":"sec_9a4f8705-cef7-4b58-8153-db660ee08c0b","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_e66740ca-c9ba-4c40-8631-962feeeeef55","order":71,"character_id":null},{"id":"sec_e855e462-554c-4b2d-8ab4-20a0f94971d0","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_8be48b92-b95c-49bc-b144-fe50267bf74e","order":72,"character_id":null},{"id":"sec_e9619c79-dd44-466d-97e0-1b6ee9556141","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_ccdf2174-a473-469e-99d1-b71fb3b0bd79","order":73,"character_id":null},{"id":"sec_fc1c1776-d38e-4577-b258-9fc3971a7e5c","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_84a8745a-449a-4d9b-bcf7-404c80313363","order":74,"character_id":null},{"id":"sec_26aa485c-346d-4519-b52d-fb0823fde663","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_3459e7e5-2c3f-4eb8-8dfd-b478f114acbe","order":75,"character_id":null},{"id":"sec_30580433-2b0e-4a6d-8832-a721aade0afd","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_2ae4b781-5cd4-43f3-8032-fbe8be6cd709","order":76,"character_id":null},{"id":"sec_095f3508-73bf-425a-9872-64c742084373","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_79f964bb-9dfa-4525-a18e-fac30c25a9a4","order":77,"character_id":null},{"id":"sec_a5a0d92d-409c-4427-bbad-47f494345b1b","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_84f24021-fc7d-46c7-aa6e-83f1b75530da","order":78,"character_id":null},{"id":"sec_cf2e7b5d-3863-46e1-bac1-cf609d1c3e0b","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_b992b2ab-ba7e-498a-95f3-447252ced665","order":79,"character_id":null},{"id":"sec_1f05170e-faaf-4bbf-b027-b61b698921e9","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_65fc0193-8da5-406e-9e66-7deef6c207af","order":80,"character_id":null},{"id":"sec_45fe9910-bd5a-4e0e-b5ed-fa4fa92c65e4","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_d29a5049-efaa-4dfe-ac7b-5bf69152f1fa","order":81,"character_id":null},{"id":"sec_fe0bf485-7c75-46d8-9804-a02ce6ce2297","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_f3d847d9-594e-4084-9941-31dff92def71","order":82,"character_id":null},{"id":"sec_08785f72-2569-42f3-a55a-aaecced92b31","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_b472c846-a8c8-4635-8ffb-8eb102b62c38","order":83,"character_id":null},{"id":"sec_616e0c5d-71f5-4681-b279-101438b63478","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_782e3a68-ea19-4a2f-8abd-fbcbc34d5fee","order":84,"character_id":null},{"id":"sec_460a1889-5611-4806-9e0a-a162099f5601","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_88723f61-09dc-47f3-9767-185dd80baa26","order":85,"character_id":null},{"id":"sec_4674ef1f-981e-4521-8fa4-bfd50cd1d024","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_4e0737fa-24c3-447d-ba74-50c75b9e8691","order":86,"character_id":null},{"id":"sec_b3fe67e0-f4b0-4373-a230-c8a82df8d010","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_3c42b46e-68ad-4480-a3f6-6d33f6fd8ee5","order":87,"character_id":null},{"id":"sec_6d833ff4-4845-4258-b763-f882d60d0fc1","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_cdc4191e-5ab5-47d8-84b0-974412da26d9","order":88,"character_id":null},{"id":"sec_2f957271-0915-4357-a84c-1531c191b367","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_a5b3901c-b37c-4585-b4d0-fb9ddaf9620c","order":89,"character_id":null},{"id":"sec_18eab7b6-99b4-4a41-9b56-bd70e51efbe1","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_276e97c3-5c55-43a4-b4b1-fda3b426db37","order":90,"character_id":null},{"id":"sec_5271d30b-5f4d-43b4-9c97-5e1c0b1e507b","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_35b1811c-1b35-45a9-bb1d-e3367dea6383","order":91,"character_id":null},{"id":"sec_93be54de-a59b-4172-9b32-faebbb0be672","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_d21b9d97-bc3c-4548-b6d7-46d8e580b29f","order":92,"character_id":null},{"id":"sec_1a0df362-7fe6-4bab-9e26-4245d9f21d5a","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_6568092e-d060-4645-b147-0bebc61c7239","order":93,"character_id":null},{"id":"sec_7d68f017-7cf3-40a2-9f35-262b387073d4","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_cecec159-e934-464a-a5ab-f726626e7ef6","order":94,"character_id":null},{"id":"sec_3a4f6047-0345-48de-bdbf-ef214b7f118b","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_b8c539ca-00ad-4ed2-b9c2-db2fbfe2dd7a","order":95,"character_id":null},{"id":"sec_b9fae0ba-2664-438c-b388-9e2ef071d4d2","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_b00bb4d4-7a45-4934-b720-0f28df15c954","order":96,"character_id":null},{"id":"sec_de58ae9d-b7ad-4371-b3ec-fb120f3a7487","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_69489ab6-fca7-4e28-ab6f-01d0d75b0cbc","order":97,"character_id":null},{"id":"sec_2ede17d1-8a7f-4366-97c0-71e32322b5dd","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_fb1d410b-5b5d-4d45-8f94-4fde6c2a75fa","order":98,"character_id":null},{"id":"sec_89358da1-fc0c-4957-a883-96ccfe3bfb3d","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_8755e373-af16-460d-b4b6-de37104fd392","order":99,"character_id":null},{"id":"sec_08680118-4a6b-4d9f-90d3-034819f74579","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_e48be75f-5c4c-4968-bea8-955edee9c5b7","order":100,"character_id":null},{"id":"sec_5f8f6cfa-9a22-4f5c-9832-5fc21a1b10fc","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_847dd527-1b04-412e-92e6-797c9a2c0dfd","order":101,"character_id":null},{"id":"sec_4df14ad9-683e-42ba-855a-d99722b6acfc","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_c5069c12-57c0-407b-aebc-3a125bfd7088","order":102,"character_id":null},{"id":"sec_7dfa7638-2fe4-4139-abad-1772af39a225","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_d4590805-2037-4423-ad85-602c2f03be57","order":103,"character_id":null},{"id":"sec_0527cf64-26a3-4b60-912f-8542977ad3c7","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_ae792c18-9212-45bc-8b2f-18728d950c73","order":104,"character_id":null},{"id":"sec_0a8a18e7-e3a2-420b-bf1c-98faf66e3e25","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_8e77bbeb-f77e-43fe-b752-18d2f3c0877e","order":105,"character_id":null},{"id":"sec_7ff31aa7-fbc5-404f-9ff9-6298a68a0d82","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_b7fe5b4e-7225-4a15-93e5-6750a018480b","order":106,"character_id":null},{"id":"sec_41b5ba1e-b726-41be-a2e0-82f52fe8470d","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_05181e21-ceeb-4726-88ef-246b8b5581cc","order":107,"character_id":null},{"id":"sec_a3d6ac24-7553-4e72-a126-f7d56ab0755d","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_2ef05b9a-9fc4-4014-8eb0-aac46639671d","order":108,"character_id":null},{"id":"sec_5c277f81-2c21-4796-a7f0-ebb8205e2e8a","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_01adccc3-bac9-440b-afbf-f1b4a2bb28aa","order":109,"character_id":null},{"id":"sec_08491e03-d5f8-4b24-85bc-56c65b21bfb5","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_9c1ebb4e-9d88-4c65-b933-8cb0646c6eab","order":110,"character_id":null},{"id":"sec_d912a132-d2e4-4a4e-8c9e-50cea819d242","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_5bcdea6c-422a-4aeb-935b-7e5c2980d8b6","order":111,"character_id":null},{"id":"sec_8f3616d8-03bd-4fab-b935-51d307479cdd","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_c5259979-be98-4b6a-9427-7b716e3bfdbb","order":112,"character_id":null},{"id":"sec_1af1f13f-a1e0-4df6-87f0-94d11ad79606","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_d6c960c1-5811-481d-b4d1-8766cad2e523","order":113,"character_id":null},{"id":"sec_ac6a830c-824c-4de8-a137-13869b12d9e4","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_39ec9080-0331-4e39-82f2-4749dbea99c9","order":114,"character_id":null},{"id":"sec_d33317e8-41fe-4ed9-9d99-faef7b32ee97","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_4ef7b521-e275-46c2-8b70-3388b9f558b0","order":115,"character_id":null},{"id":"sec_15d94fb1-aec5-432f-b482-8a0aa52daa05","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_36005e01-f1cd-4b1b-a8cd-49a25e7d1a07","order":116,"character_id":null},{"id":"sec_a145f732-392b-49c2-bcbd-fd9ff502d3e9","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_7329c811-152c-40de-8c37-4f27cd510a3a","order":117,"character_id":null},{"id":"sec_acb11cc7-b8e6-4764-8c37-723f739b33e3","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_c0b7bdab-0c6c-4c35-ba9d-21f03801e07c","order":118,"character_id":null},{"id":"sec_513783c7-2759-4547-9211-012a341f393f","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_aded80ab-f9b4-40a5-bf5d-c14b21e21d96","order":119,"character_id":null},{"id":"sec_12efc3a6-2d70-4d0f-924f-bc0a1833cafe","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_27a792b9-33cb-4ae4-b990-12c16e9cf998","order":120,"character_id":null},{"id":"sec_eba1e257-08e2-43b9-a7ab-63c1593117e1","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_e0cb4638-5e08-4e64-9769-d9f27ff33784","order":121,"character_id":null},{"id":"sec_4702fa77-c51d-4de1-a6b8-7ffad0dcbd89","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_028d3dd1-ea6a-4c02-8474-998893c55026","order":122,"character_id":null},{"id":"sec_c2eb502a-5c69-4afa-bcad-6ca72b8ba58c","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_9c54e682-a95b-4453-91f4-3cb610b5fe44","order":123,"character_id":null},{"id":"sec_f253b1a7-fa43-4f4c-86fb-da85099035ae","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_fc36ecbf-ce63-47da-81b7-ce643b4fc418","order":124,"character_id":null},{"id":"sec_14f77511-f485-4c1a-a2eb-1fa31f400343","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_6367302b-09e1-4d06-a1f1-fa3505ec5236","order":125,"character_id":null},{"id":"sec_795a1ff9-4689-411b-9af6-f95758dabcd2","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_c741a211-8b12-49c3-9460-ee474e85f773","order":126,"character_id":null},{"id":"sec_b7f4dd44-a8b3-4712-bdbb-35e0a62c5013","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_d9bf6b2d-55cc-4d99-9da3-e9049c3a7c15","order":127,"character_id":null},{"id":"sec_dccdbb2a-4562-40e0-9eb5-a5ddb8030467","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_be683cf2-2193-43bf-8bf5-8eef6badf6c6","order":128,"character_id":null},{"id":"sec_d6894a9b-cca5-4d8e-9896-e12e15604357","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_2b295595-0775-4eda-9df5-49cd380a0db5","order":129,"character_id":null},{"id":"sec_e0b76ee7-924a-4fc0-974d-c78d45ed174e","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_0606a017-d906-450d-b345-8ec8c1254cd2","order":130,"character_id":null},{"id":"sec_324eeb51-92c9-43c1-be69-316acef636db","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_43177721-ffb8-487c-9ea1-0eff16278946","order":131,"character_id":null},{"id":"sec_8a97483f-1163-43f1-a68a-c680a2c1bddf","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_1ec5c8e2-0fc8-4ead-b25f-7d0dfc9d569a","order":132,"character_id":null},{"id":"sec_55c5d158-454c-4c82-9363-c6692f4091e9","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_280472d4-4bbe-4522-abc5-e07dc4447a89","order":133,"character_id":null},{"id":"sec_37921479-9d10-4e6b-a7e0-f409ca5e4390","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_014516df-2990-4951-a221-e5cf298c5b11","order":134,"character_id":null},{"id":"sec_0767bc13-5b38-45b6-b6e9-107756cc5499","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_18171699-0945-44d3-a152-3e7054afe33b","order":135,"character_id":null},{"id":"sec_37862236-9acb-43b9-a9e5-b7a32d79825b","parent_section_id":"sec_0767bc13-5b38-45b6-b6e9-107756cc5499","heading_block_id":"blk_e02e0e3e-aacb-4da5-9367-3226f7c28512","order":136,"character_id":null},{"id":"sec_14bd8876-3457-4ec4-9a08-ed134e3afa59","parent_section_id":"sec_0767bc13-5b38-45b6-b6e9-107756cc5499","heading_block_id":"blk_1ec7afbc-5e84-4f31-adb9-23e7b021baae","order":137,"character_id":null},{"id":"sec_adf52b26-6132-43c0-8c99-5e891c018baf","parent_section_id":"sec_0767bc13-5b38-45b6-b6e9-107756cc5499","heading_block_id":"blk_973689c7-cbe4-4cab-a341-c92b6652751d","order":138,"character_id":null},{"id":"sec_c4d6d78c-8171-4c06-9259-80a17c5190ec","parent_section_id":"sec_0767bc13-5b38-45b6-b6e9-107756cc5499","heading_block_id":"blk_2d7c7aa7-b6fd-4200-aae9-d02bb53519ec","order":139,"character_id":null},{"id":"sec_e00fcee2-2793-4a33-a30b-6a1fbe8612a9","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_555c27fa-0fd1-4422-8906-b53fe56c3076","order":140,"character_id":null},{"id":"sec_fae7dcfd-2c71-47a9-a347-fcf900d7a3c1","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_0f3f7516-5c8a-4589-aeb7-af906a4b1cb5","order":141,"character_id":null},{"id":"sec_eb8b000b-6997-4b4e-84b0-2200f9838ea8","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_99dced94-57e9-49e1-b1df-dbddf3d73df7","order":142,"character_id":null},{"id":"sec_9b77e502-158a-49ee-8cba-ee17adb1a5e1","parent_section_id":"sec_eb8b000b-6997-4b4e-84b0-2200f9838ea8","heading_block_id":"blk_d13964f7-e040-4ae8-8cf9-e8e8575590f8","order":143,"character_id":null},{"id":"sec_7cd63e1e-2677-4d19-b9fd-b90537704e22","parent_section_id":"sec_eb8b000b-6997-4b4e-84b0-2200f9838ea8","heading_block_id":"blk_e212121d-1573-4067-96df-884c0ab404bb","order":144,"character_id":null},{"id":"sec_652ee95e-1b6c-4ff4-9e88-79a69a291e7e","parent_section_id":"sec_eb8b000b-6997-4b4e-84b0-2200f9838ea8","heading_block_id":"blk_43e20335-2c40-459f-ae3e-cb80c9f04998","order":145,"character_id":null},{"id":"sec_e0a4ab40-6d88-4200-8cd9-9bea3c8374ca","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_1eda6af9-04c7-4243-b964-c2bbd992e068","order":146,"character_id":null},{"id":"sec_fb1996a9-7c62-4745-b530-69bb1b7b1c72","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_e7b73b56-19c3-452b-91b0-74f947863621","order":147,"character_id":null},{"id":"sec_cc1b232b-edb7-49ea-a40d-3774daef68ea","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_cef3f0c4-4ad2-43b9-ab93-4db89d9b6737","order":148,"character_id":null},{"id":"sec_ac9ca8d9-aa0d-48ac-a5c1-8f63e31c299d","parent_section_id":"sec_cc1b232b-edb7-49ea-a40d-3774daef68ea","heading_block_id":"blk_711070d5-52cd-4fee-a36a-14179cf69fdd","order":149,"character_id":null},{"id":"sec_33a7815c-4a5b-42c7-80f0-c5b08a2f1551","parent_section_id":"sec_cc1b232b-edb7-49ea-a40d-3774daef68ea","heading_block_id":"blk_90d78e86-064d-4b0b-88bc-be41a0933dc1","order":150,"character_id":null},{"id":"sec_8be67a98-017a-467c-92d9-bdd854efa78c","parent_section_id":"sec_cc1b232b-edb7-49ea-a40d-3774daef68ea","heading_block_id":"blk_24cfd4e9-6049-4e09-9d21-be858b74c6e8","order":151,"character_id":null},{"id":"sec_1d659e9b-c444-4464-bc56-f4c9ea399799","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_6b526716-3580-40df-be23-7440478c81ed","order":152,"character_id":null},{"id":"sec_856dd9b1-a6f3-471c-9eab-37524d6cd112","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_b79598f1-59ff-49a4-80a4-34e7474b7923","order":153,"character_id":null},{"id":"sec_6fdcb6d7-61ba-4469-b76b-2d288dd7e005","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_958e9acb-a910-407e-8ca1-48df92bc2b67","order":154,"character_id":null},{"id":"sec_c544a6a5-6261-4dbc-80fa-322c39d5bf5c","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_2edc3ea3-4ef5-4ee4-b266-65c862d6ee6b","order":155,"character_id":null},{"id":"sec_e4d89d65-63e2-47fd-8f00-443bd9c791af","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_105d304e-305e-430a-a874-7acb40264ee1","order":156,"character_id":null},{"id":"sec_baddc5ee-e946-4eb4-913e-b5e7a9ccd02b","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_62149ad8-0bb1-4d35-94c1-e200288ea764","order":157,"character_id":null},{"id":"sec_fff9a8d8-4eeb-48a3-88b3-5f28242bb340","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_2bd8cd2e-fdbd-414d-bcd5-24969f81ffcf","order":158,"character_id":null},{"id":"sec_85734f9a-0c32-4d34-9a5f-646477ce1cbc","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_f07ad5b9-96a3-4eae-948e-e9d9d8a735fc","order":159,"character_id":null},{"id":"sec_17a23976-3f69-4cb5-83f7-34584d9112fb","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_f7970d97-ccb1-4eb8-9a25-c62c94bf9075","order":160,"character_id":null},{"id":"sec_45d71c82-b4cc-4e1c-9d7c-274c899a21b0","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_803ee74f-d6e0-4a65-8cf2-4933b0537511","order":161,"character_id":null},{"id":"sec_97f78ac8-ca75-45ca-a078-6d80fec3b1dd","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_811ce969-147f-454b-94c4-1519edd7fe3c","order":162,"character_id":null},{"id":"sec_c6e4e4f4-d024-4d00-ba07-40a4b2430e66","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_7f701daa-2510-429e-9fb1-77bd42968c9c","order":163,"character_id":null},{"id":"sec_d6f20a89-661b-4272-8e9b-5197f9cbc945","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_6fef82bd-21b8-4dbd-84f3-409763737421","order":164,"character_id":null},{"id":"sec_06fdb9da-c6ca-40b2-8163-fbafd8afe4e4","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_49bddcae-b8c5-4cf6-a889-772e6da20a9d","order":165,"character_id":null},{"id":"sec_08bb8dd1-0363-42f6-88fc-21ce5f968155","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_d5796274-714f-4ce9-b9a7-f9496726d870","order":166,"character_id":null},{"id":"sec_acde9a9d-3d72-4b9d-b007-9e34ee97c95a","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_054e3030-1fb2-48b1-a33a-85662af1918a","order":167,"character_id":null},{"id":"sec_a6b0787b-2203-488c-9016-cdea435706ea","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_30ccebb1-54d6-4b12-84a9-8b68596abe22","order":168,"character_id":null},{"id":"sec_5f0a504b-c802-42fc-b416-55fb2dc009b9","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_768eb63c-d7db-4516-a21a-3422bfdffe12","order":169,"character_id":null},{"id":"sec_3666ba64-35d9-47b3-bc35-956eceae8da9","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_03b1617f-9b5a-489b-833d-1f958bdbdfce","order":170,"character_id":null},{"id":"sec_1016b643-3fd0-4365-8d8c-6f235dd5ff01","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_04c36550-21aa-4289-8295-821cefcaec2c","order":171,"character_id":null},{"id":"sec_decb4039-9a16-4343-928a-9469098196f4","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_337310dc-18c7-4194-bb2c-f614d6536b49","order":172,"character_id":null},{"id":"sec_8a5e933a-b63a-459d-932d-af98eda31351","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_8e28a550-66fc-4ba2-80fc-6cd29e30a4f3","order":173,"character_id":null},{"id":"sec_368badcc-9f77-4be6-9b74-b52df8d896c2","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_ca80d5fc-78a9-4e34-a7b1-4db2cb07937d","order":174,"character_id":null},{"id":"sec_001eec6f-709b-4cab-8986-2957a70ced22","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_8073d8ac-8526-4949-b53f-93f92a6a3ac8","order":175,"character_id":null},{"id":"sec_05b8709c-00a4-4ff3-a0fd-502fd1080c73","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_3cff5ec3-72c0-4b2c-bb3f-0b32a2611858","order":176,"character_id":null},{"id":"sec_3aad843a-f437-4379-87a0-f87bf411ef73","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_ec3021f8-6544-4e4e-ab57-ba47874df126","order":177,"character_id":null},{"id":"sec_97ed292d-c8db-40f1-911e-bd6bc12e7cee","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_2f9a1e7d-bb15-4a79-8626-7e192746fbbd","order":178,"character_id":null},{"id":"sec_5f99fcd2-dfd9-4824-9760-585990f76325","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_df47029d-12c3-4c8f-a0ca-e713b33697b7","order":179,"character_id":null},{"id":"sec_72fc0180-5c45-4d8d-90d4-e71e855ca82a","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_0f85ad14-8317-430e-9568-d4ac937173d2","order":180,"character_id":null},{"id":"sec_8a3c48bb-c5fe-4497-ae53-5cfda4f7bb1a","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_318840b2-7350-489a-95e6-2001c87d7b27","order":181,"character_id":null},{"id":"sec_37a62ea6-b9e0-45cf-a65a-22bdbcf27595","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_ee7580cd-3a83-406a-8a9a-ae8334203420","order":182,"character_id":null},{"id":"sec_ac4d8870-8a91-469f-9618-98d6b795fd19","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_455253bb-fa14-4ee2-92d1-b28a3c1dc37b","order":183,"character_id":null},{"id":"sec_afec0ced-b627-452f-80fe-9f5e5bc537c2","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_06960dca-293f-4cc4-8acf-9c69f6bc5ed2","order":184,"character_id":null},{"id":"sec_4278c68b-6b3a-4cc9-9eb8-a6a8d19b1043","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_30f686f5-6a6f-44bc-b8ac-085306bf4f33","order":185,"character_id":null},{"id":"sec_ee9f4586-ffc2-4fbb-94bc-ab7b1bb88021","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_64500ea4-36c1-4975-917a-3c783a4bd193","order":186,"character_id":null},{"id":"sec_55a52660-221d-4608-80aa-c42f3e01b2f4","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_efa66194-9a83-4b6f-8cdf-19f5297dff87","order":187,"character_id":null},{"id":"sec_6f5049f4-398b-47d8-be63-701f19f1f387","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_a010b7b6-8c78-4160-aa60-61ea85e9e8bb","order":188,"character_id":null},{"id":"sec_0ffdfacd-1560-429f-aa48-3ea037faae70","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_33f775ac-e9c3-4076-afa5-6049686648a8","order":189,"character_id":null},{"id":"sec_7dd33398-5283-46c4-a786-e187e63ed76a","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_7c36ad5a-18c4-49b1-8afb-71bce483895c","order":190,"character_id":null},{"id":"sec_a1caf1d1-d45f-4c70-b24f-2f29acd7181d","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_fc0d82e5-8fa0-49dd-9511-bc6c061e9dff","order":191,"character_id":null},{"id":"sec_50759b4f-7e29-4ba7-b376-9aafe0ef3db0","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_3968b2d8-146b-435a-a0f2-d47eb37a9237","order":192,"character_id":null},{"id":"sec_c2f776dd-58bc-47e7-8e56-765c078a6ac9","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_87f835af-e507-45af-8443-102a8094895c","order":193,"character_id":null},{"id":"sec_3757d8cd-d0a6-4101-8072-65ff2d73fa41","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_169c8829-2b76-44f2-9019-5116069326a1","order":194,"character_id":null},{"id":"sec_a8f7474f-f3e5-4d20-b0b5-450e574f364e","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_cd76fb90-5bb8-4c8f-9623-64e6626f3a3d","order":195,"character_id":null},{"id":"sec_d3f834b4-f2a6-461c-bdf9-d2b6f664ed81","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_0cd79e5e-2571-4ef9-bcfd-6d885677cddd","order":196,"character_id":null},{"id":"sec_e9704f13-a11a-4040-9f60-a6a26f2b4a77","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_1f5338c4-3522-4171-ae42-79782387a2f5","order":197,"character_id":null},{"id":"sec_370fa449-df14-46e6-92e1-fa36a26d57b3","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_901a34c2-1dfa-45fc-8e62-9b098fd19011","order":198,"character_id":null},{"id":"sec_5760d85c-4b90-434d-a30a-fe951b607da9","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_10d0a61e-eda3-4024-86f3-c692d912d9c5","order":199,"character_id":null},{"id":"sec_741197d7-6d5e-434d-93c5-573a40fa9156","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_3ca2e206-b0c6-4fba-86b4-57cf337997b1","order":200,"character_id":null},{"id":"sec_30fa6eac-455d-4955-8dcb-435447bbf619","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_b852c47b-ffb2-45cb-a4bf-c33fba6c8204","order":201,"character_id":null},{"id":"sec_6bcc2a43-7390-4518-87df-b6181c33d220","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_37024c93-f3d8-44ef-a87d-16106db84876","order":202,"character_id":null},{"id":"sec_eeb195b5-bdb9-4c3c-84e5-7e4ec367e5ac","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_3e8a6a89-28b0-4cbf-a454-d60f7b66fba9","order":203,"character_id":null},{"id":"sec_0536cbe1-635c-4c53-8177-029476181d49","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_76694f3a-f7a1-41f7-ab70-c825947dc26e","order":204,"character_id":null},{"id":"sec_dbb3c68f-206c-4562-8817-aa1d651df2e0","parent_section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","heading_block_id":"blk_e13f2f7d-2a7a-4ed4-9c54-dbf6fd33fe8b","order":205,"character_id":null}],"content_available_at":{"basis":"unknown","precision":"unknown","timezone":null,"value":null},"markdown":"![](/media/864639dff67dbed3763d677c1cd4aaaef9b185fb5b0b9fe749d00270c7611b54-content.webp)\n\n## GPU一強の次に来るもの──AIエージェント時代にCPU需要が高まる理由\n\n生成AIブームは、これまでGPUを中心に語られてきた。大規模言語モデルの学習、画像生成、推論処理の多くは巨大な行列演算であり、そこではNVIDIAを中心とするGPUが圧倒的な存在感を持ってきた。だが、AIの使われ方が「質問に答えるチャットボット」から「外部ツールを使って仕事を進めるAIエージェント」へ移り始めると、インフラの主役はGPUだけでは語れなくなる。\n\nこれから重要になるのは、**GPUでモデルを動かす力**だけではない。AIが検索し、APIを呼び、データベースを照会し、Pythonを実行し、人間の承認を待ち、複数のサブタスクを管理するなら、その周辺には膨大なCPU処理が発生する。つまり、AIインフラは「GPUの計算工場」から、**CPU・GPU・メモリ・ネットワーク・ストレージが協調する実行基盤**へ変わりつつある。\n\n## AIエージェントは、LLM単体ではない\n\n従来のLLM推論は、単純化すれば「入力を受け取り、モデルで計算し、出力を返す」処理だった。この場合、主な負荷はGPU上の行列演算に集中する。\n\nしかしAIエージェントは違う。AIエージェントは、ユーザーの依頼を分解し、必要に応じて検索し、外部ツールを呼び出し、コードを実行し、結果を評価し、さらに次の行動を決める。論文 **“Towards Understanding, Analyzing, and Optimizing Agentic AI Execution: A CPU-Centric Perspective”** は、Agentic AIでは外部ツールの多くがCPU上で動くか、CPUによってオーケストレーションされるため、CPU-GPU混在システムへの依存が高まると指摘している。さらに同論文は、CPU側の処理を意識した **COMB** と、CPU-heavy/GPU-heavyなリクエストを分けて扱う **MAS** を提案し、CPUとGPUの同時利用率を改善できることを示している。([arXiv](https://arxiv.org/abs/2511.00739))\n\nこれは、AIインフラの見方を変える。 \nGPUは「思考のための巨大な計算エンジン」だが、CPUは「行動・道具・記憶・通信を管理する司令塔」になる。\n\n## CPUはGPUの敵ではなく、GPUを遊ばせないための部品\n\nCPU需要が高まるという話は、「GPUが不要になる」という意味ではない。むしろ逆である。GPUが高価で重要だからこそ、GPUを待たせないためにCPUが重要になる。\n\nLLM推論には、大きく分けて **prefill** と **decode** がある。prefillは入力全体を処理して最初のトークンを出す段階で、GPUを高効率に使いやすい。一方、decodeは1トークンずつ続きを生成する段階で、逐次性が強く、GPU利用率が下がりやすい。Sarathi-Serveの研究は、このprefillとdecodeの性質の違いがスループットとレイテンシの両立を難しくしていると整理し、chunked-prefillとstall-free schedulingによって推論効率を改善している。([arXiv](https://arxiv.org/abs/2403.02310?utm_source=chatgpt.com))\n\nDistServeも同じ問題意識を持つ。既存のLLMサービングではprefillとdecodeを同じGPU群で混在処理するため干渉が起きる。DistServeはprefillとdecodeを分離し、それぞれに合った資源配分を行うことで、TTFT、つまり最初のトークンまでの時間と、TPOT、つまり1トークンあたりの生成時間を最適化する。([arXiv](https://arxiv.org/abs/2401.09670?utm_source=chatgpt.com))\n\nここで重要なのは、AI推論の性能は単純なFLOPSだけでは決まらないということだ。 \nリクエストをどう並べるか。 \nどのタイミングでGPUに流すか。 \nKV cacheをどう管理するか。 \nCPUで動くツール処理をどこまで重ねられるか。\n\nこの「交通整理」こそが、AI推論基盤の新しい競争軸になる。\n\n## CPU-GPU結合システムでもCPUはボトルネックになる\n\nNVIDIA GH200のように、CPUとGPUを密に結合したシステムでも、CPUの重要性は消えない。むしろ、GPUが高速になるほど、CPU側のスケジューリングやカーネル起動、キュー管理の遅延が目立ちやすくなる。\n\n2025年の論文 **“Characterizing and Optimizing LLM Inference Workloads on CPU-GPU Coupled Architectures”** は、PCIe接続のA100/H100と、密結合型のGH200を比較し、GH200は大きなバッチでは高速だが、低〜中バッチではCPU-bound領域が広がると分析している。特にGH200では、ルーズ結合システムより最大4倍大きなバッチサイズまでCPU-bound領域が続くと報告されている。([arXiv](https://arxiv.org/abs/2504.11750))\n\nこれは象徴的だ。 \nGPUを強くするだけでは十分ではない。GPUに仕事を渡すCPU側、カーネル起動、キューイング、メモリ転送、スケジューリングも同時に強くしなければ、巨大なGPU投資の効率は落ちる。\n\n## KV cacheとメモリ管理が、CPU需要を押し上げる\n\nLLM推論では、生成中の各リクエストが **KV cache** を持つ。これはモデルが過去の文脈を参照しながら次のトークンを生成するための記憶領域であり、長文・多ユーザー・複数候補生成では非常に大きくなる。\n\nvLLMの **PagedAttention** 論文は、KV cacheが巨大かつ動的に増減するため、非効率な管理ではメモリ断片化や重複が起き、バッチサイズを制限してしまうと指摘している。PagedAttentionはOSの仮想メモリやページングに着想を得てKV cacheを管理し、vLLMは同等レイテンシで従来システム比2〜4倍のスループット改善を示した。([arXiv](https://arxiv.org/abs/2309.06180?utm_source=chatgpt.com))\n\nここにもCPU的な世界がある。 \nAI推論は、単なる行列計算ではなく、巨大なメモリ管理システムになっている。KV cacheをどこに置くか、どのリクエストに割り当てるか、いつ解放するか、どこまで共有するか。これはOS、メモリ管理、スケジューリングに近い問題であり、CPU・DRAM・CXL・SSD・ネットワークの重要性を高める。\n\nFlexGenのような研究も、GPUメモリだけでは足りない状況で、GPU・CPU・ディスクを組み合わせてLLM推論を実行する方向性を示している。これは、GPU HBMだけで全てを抱える時代から、CPU DRAMやストレージも含めた階層型メモリの時代へ進むことを意味する。([arXiv](https://arxiv.org/abs/2303.06865?utm_source=chatgpt.com))\n\n## 産業界もCPU需要の再評価に向かっている\n\nこの変化は論文上の話にとどまらない。Morgan Stanleyは、AIが生成から自律的な行動へ進むことで、GPUだけでなくCPUとメモリへの支出が拡大すると見ている。Reutersは、agentic AIの普及がデータセンターCPU市場に追加需要をもたらす可能性があるという分析を報じている。([Reuters](https://www.reuters.com/technology/morgan-stanley-sees-agentic-ai-widening-chip-spending-beyond-graphics-processors-2026-04-20/?utm_source=chatgpt.com))\n\nAMDもこの流れを強く意識している。報道によれば、AMDはagentic AIによる需要を背景に、2030年のサーバーCPU市場見通しを年率35%以上、1200億ドル超へ引き上げたとされる。これは、AIインフラ投資がGPUからCPUへ「移る」というより、GPU中心だった投資テーマがCPU・メモリ・接続・ストレージへ広がることを示している。([The Wall Street Journal](https://www.wsj.com/livecoverage/stock-market-today-dow-sp-500-nasdaq-05-06-2026/card/amd-stock-surges-on-agent-driven-data-center-demand-B8ImnnQEidChLa21Aa0d?utm_source=chatgpt.com))\n\nArmもまた、AIデータセンター向けCPUの需要を強く打ち出している。2026年には、agentic AI向けのAGI CPUに対する需要や供給制約が報じられており、CPUアーキテクチャそのものがAI時代のデータセンターに合わせて再評価され始めている。([Reuters](https://www.reuters.com/business/arm-shares-slides-concerns-over-ai-chip-supply-overshadow-upbeat-forecast-2026-05-07/?utm_source=chatgpt.com))\n\n## CPU需要増の本質は「AIが実行システムになる」こと\n\nCPU需要増の本質は、単に「CPUでLLMを動かすから」ではない。もちろん、小型LLMやエッジAI、企業内の軽量推論ではCPUだけでAIを動かす場面も増えるだろう。しかし、より大きな構造変化は別にある。\n\nAIがチャットからエージェントへ進むと、AIは単なる文章生成器ではなくなる。 \nAIは、業務システムを操作する。 \n検索する。 \nコードを実行する。 \nデータベースに問い合わせる。 \nファイルを読む。 \nAPIを呼ぶ。 \n複数のサブタスクを同時に進める。 \n失敗すれば再試行する。 \nログを残し、権限を確認し、課金され、監査される。\n\nこの世界では、GPUは「知能の計算エンジン」であり続ける。 \nだがCPUは、「その知能を現実の業務に接続する実行基盤」になる。\n\n## 投資テーマとしての広がり\n\nこの視点で見ると、恩恵を受けるのはCPUメーカーだけではない。\n\n第一に、AMD EPYC、Intel Xeon、Arm系サーバーCPUのようなCPU本体。 \n第二に、DDR5、MRDIMM、CXL、メモリインターフェース、RambusのようなCPUメモリ帯域関連。 \n第三に、PCIe、CXL、NIC、DPU/IPU、SmartNIC、MarvellやAstera Labsのような接続レイヤー。 \n第四に、SSD、分散KV cache、RAG基盤、データベース、オブジェクトストレージ。 \n第五に、Cloudflareのような通信・認証・防衛・課金レイヤー。\n\nつまり、AIインフラの投資テーマは、 \n**GPU/HBMだけの物語** \nから、 \n**GPUを遊ばせないためのCPU・メモリ・I/O・ネットワークの物語** \nへ広がっている。\n\n## まとめ：AI時代のCPUは、地味な補助役ではなくなる\n\nAIブーム初期の主役はGPUだった。これは今後も大きく変わらない。大規模学習、大規模推論、画像生成、音声生成、科学技術計算ではGPUやTPUが中心であり続ける。\n\nしかし、AIがエージェント化し、実際の業務やアプリケーションの中で動き始めると、必要になるのは「モデルを計算する力」だけではない。必要なのは、AIを待たせず、GPUを遊ばせず、外部世界と安全に接続し、記憶を管理し、ツールを実行し、複数の処理を同時に流すためのシステム全体である。\n\nその中心にあるのがCPUだ。\n\nこれからのAIインフラは、GPU一強ではなく、 \n**CPU + GPU + HBM + DRAM + CXL + NIC + SSD + スケジューラ** \nの複合体として進化していく。\n\nCPU需要の高まりとは、単なる半導体サイクルの一部ではない。 \nそれは、AIが「答える機械」から「行動する機械」へ変わることで起きる、データセンター構造そのものの変化である。\n\n---\n\nここから先は長くなるので気になる部分だけ読めばよいです\n\n## CPUの需要増や必要性、AI推論におけるCPUの重要性についての論文や分析紹介\n\n## \\1. 一番直接的な論文：Agentic AIはCPU依存が大きい\n\nかなり重要なのが、2025年11月投稿、2026年4月改訂の **“Towards Understanding, Analyzing, and Optimizing Agentic AI Execution: A CPU-Centric Perspective”** です。\n\nこの論文は、AIエージェントの実行を **CPU中心** に分析しています。要旨では、Agentic AIは従来の単発LLM推論と違い、計画、ツール呼び出し、推論、適応を行う自律的な問題解決システムであり、その外部ツールの多くはCPU上で動く、またはCPUによりオーケストレーションされると説明しています。さらに、CPU/GPU同時利用を改善するスケジューリング手法として **COMB** と **MAS** を提案し、P50レイテンシを最大1.7倍、サービス/総レイテンシを最大3.9倍/1.8倍改善したと報告しています。([arXiv](https://arxiv.org/abs/2511.00739))\n\nこれは「AIエージェント時代のCPU需要」の理論的な中核です。 \n従来のLLM推論ではGPUが主役ですが、AIエージェントでは以下が増えます。\n\n- Python実行\n- Web検索・クロール\n- データベース検索\n- RAGの前処理\n- JSON/API処理\n- サブエージェントの管理\n- ツール呼び出しの待機・再試行\n- ポリシーチェック\n- ログ・メモリ更新\n\nつまり、**モデル本体はGPU、エージェントの行動管理はCPU** という分業になります。\n\n## \\2. CPU-GPU結合アーキテクチャでもCPUがボトルネックになる\n\n次に重要なのが、2025年の **“Characterizing and Optimizing LLM Inference Workloads on CPU-GPU Coupled Architectures”** です。\n\nこの論文は、PCIe接続のA100/H100と、CPU-GPUが密結合されたGH200のようなシステムでLLM推論を分析しています。結果として、GH200のような密結合システムは大きなバッチサイズでは高速になる一方、**低〜中バッチ領域ではCPU側の性能やカーネル起動・キューイング時間が推論レイテンシに影響する**と示しています。特に、GH200はルーズ結合システムよりも最大4倍大きなバッチサイズまでCPU-bound領域が続くとされています。([arXiv](https://arxiv.org/abs/2504.11750))\n\nこれが示すのは、かなり重要です。\n\n**GPUが速くなるほど、GPUに仕事を渡すCPU側のスケジューリング、カーネル起動、キュー管理、メモリ転送が相対的に目立つ**ということです。\n\nつまり、AI推論ではGPUだけを強くしても、CPU・ホスト側が遅いとGPUを十分に使い切れません。\n\n## \\3. LLM推論は「prefill」と「decode」で性質が違い、CPU的なスケジューリングが重要になる\n\nLLM推論には大きく2段階あります。\n\n**prefill** は、入力プロンプト全体を処理して最初のトークンを出す段階です。 \nこれは並列性が高く、GPU計算を飽和させやすい。\n\n**decode** は、1トークンずつ続きを生成する段階です。 \nこれは逐次性が強く、GPU利用率が低くなりやすい。\n\nこの違いを扱う論文が **Sarathi-Serve** と **DistServe** です。Sarathi-Serveは、prefillは高レイテンシだがGPU計算を飽和させ、decodeは低レイテンシだが1トークンずつなのでGPU利用率が低いと整理し、chunked-prefillとstall-free schedulingでスループットとレイテンシの両立を狙います。Mistral-7BではvLLM比2.6倍、Yi-34Bでは最大3.7倍、Falcon-180Bでは最大5.6倍の serving capacity 改善を報告しています。([arXiv](https://arxiv.org/abs/2403.02310))\n\nDistServeはさらに、prefillとdecodeを別GPUに分けることで干渉を減らす方式です。論文では、既存方式はprefillとdecodeを同じ場所で混在させるため干渉が起きるとし、DistServeはTTFTとTPOTの要件に応じて資源配分を最適化し、同じSLO内で最大7.4倍多いリクエスト、または12.6倍厳しいSLOを処理できると報告しています。([arXiv](https://arxiv.org/abs/2401.09670))\n\nここでのポイントは、**AI推論の性能はGPU FLOPSだけではなく、リクエストをどう並べるか、どのタイミングでGPUに流すか、KV cacheをどう扱うかで大きく変わる**ということです。 \nこの「並べる・切る・待たせない・詰める」仕事がCPU側の制御プレーンに近い領域です。\n\n## \\4. vLLM / PagedAttention：KV cache管理は推論の中心問題\n\nLLM推論では、生成中の各リクエストが **KV cache** を持ちます。これは長文・多数リクエスト・複数候補生成で巨大化します。\n\nvLLMの論文 **“Efficient Memory Management for Large Language Model Serving with PagedAttention”** は、KV cacheメモリがリクエストごとに大きく、動的に増減し、非効率に管理すると断片化や重複でバッチサイズが制限されると指摘しています。PagedAttentionはOSの仮想メモリ/ページングのようにKV cacheをブロック単位で管理し、vLLMは同等レイテンシで従来システム比2〜4倍のスループットを示しています。([arXiv](https://arxiv.org/pdf/2309.06180))\n\nこれはCPU需要に直接つながります。 \nなぜなら、KV cache管理は単純な行列計算ではなく、\n\n**メモリ割り当て、ページング、スワップ、リクエストスケジューリング、共有、再利用**\n\nというOS的な仕事だからです。\n\nつまり、AI推論は「GPUで行列演算するだけ」ではなく、**巨大な動的メモリ管理システム**になっています。\n\n## \\5. FlexGen / LMCache：CPUメモリ・DRAM・ストレージがGPU推論を支える\n\n**FlexGen** は、GPUメモリが限られている環境で、GPU・CPU・ディスクのメモリと計算資源を組み合わせてLLM推論を行う研究です。論文では、FlexGenはGPU、CPU、ディスクからメモリと計算を集約し、テンソルの保存・アクセスパターンを最適化することで、16GB GPU上でOPT-175Bの推論を可能にしたと説明されています。([arXiv](https://arxiv.org/abs/2303.06865))\n\n**LMCache** はさらに現代的です。2025年の論文で、vLLMやSGLangが生成したKV cacheをGPU外に抽出・保存し、エンジンやクエリ間で共有する仕組みです。cache offloading、prefix reuse、prefill-decode disaggregationに対応するとされています。([arXiv](https://arxiv.org/abs/2510.09665))\n\nこの流れはかなり重要です。\n\nGPUメモリは高価で限られています。 \nそのため、AI推論が大規模化すると、\n\n**GPU HBMだけで全部抱えるのではなく、CPU DRAM、CXLメモリ、SSD、分散KV cacheを使ってGPUを補助する**\n\n方向に進みます。\n\nこれはCPUそのものだけでなく、**DDR5、MRDIMM、CXL、メモリコントローラ、NIC、SSD、ストレージ層**の需要にも波及します。\n\n## \\6. 産業分析でもCPU需要増が指摘されている\n\nReutersは2026年4月20日、Morgan Stanleyの分析として、AIが「生成」から「自律的な行動」へ移ると、ボトルネックがCPUとメモリ側へ移り、GPU中心だったAI投資がCPUやメモリへ広がると報じています。Morgan Stanleyは、Agentic AIが2030年までに既存の1000億ドル超のデータセンターCPU市場に、さらに325億〜600億ドルを追加する可能性があると見ています。([Reuters](https://www.reuters.com/technology/morgan-stanley-sees-agentic-ai-widening-chip-spending-beyond-graphics-processors-2026-04-20/))\n\nTrendForce系の分析でも、従来のAIデータセンターはCPU:GPU比率がおおむね1:4〜1:8だったのに対し、Agentic AIではツール呼び出し、サブタスク管理、データ受け渡し、評価などのオーケストレーションがCPU負荷になるため、将来的に1:1〜1:2へ近づく可能性があると整理されています。([TrendForce](https://insights.trendforce.com/p/agentic-ai-cpu-gpu))\n\nこの数字は前提により大きく変わりますが、方向性としては、**GPU偏重から、CPU・メモリ・ネットワークを含むバランス型AIインフラへ戻る**という見方です。\n\n## \\7. 企業側もCPUをAIインフラの中心部品として打ち出し始めている\n\nArmは **Arm AGI CPU** を、Agentic AI向けの本番シリコンとして説明しています。最大136個のNeoverse V3コア、DDR5-8800、コアあたり6GB/sのメモリ帯域、300W TDPなどを掲げ、AIデータセンターで多数の並列タスクをオーケストレーションするCPUとして位置づけています。([Arm](https://www.arm.com/products/cloud-datacenter/arm-agi-cpu))\n\nIntelもGoogleとの2026年4月の提携発表で、AIはアクセラレータだけで動くのではなくシステムで動くものであり、CPUはオーケストレーション、データ処理、システムレベル性能で重要だと説明しています。Google CloudはXeonをAI、推論、汎用コンピューティングで使い続け、IPUも併用してネットワーク、ストレージ、セキュリティ処理をCPUから一部オフロードするとしています。([Intel Corporation](https://www.intc.com/news-events/press-releases/detail/1766/intel-and-google-deepen-collaboration-to-advance-ai))\n\nAMDもEPYCについて、CPU単体でのAI推論だけでなく、GPUホストCPUとしての役割を明確に打ち出しています。AMDは、CPUだけで小〜中規模AI推論を処理できる一方、モデルが大きくなったり応答時間が短くなるとGPUを加え、EPYCとInstinct GPUの組み合わせで約200億〜4500億パラメータ級モデルにも対応する、と説明しています。([AMD](https://www.amd.com/en/products/processors/server/epyc/ai/9005-inference.html))\n\n## 私の整理：CPU需要増の本質は3つある\n\n### \\1. CPUで直接推論する需要\n\n小型LLM、埋め込み、古典的ML、画像/音声の前処理、企業内AIエージェントの軽い処理は、GPUなしでもCPUで回せます。 \n特にオンプレ、エッジ、企業内サーバーでは、GPUを載せないCPU推論も現実的です。\n\n### \\2. GPU推論を支えるホストCPU需要\n\n大規模LLM本体はGPUで動いても、CPUは以下を担当します。\n\n**リクエスト受付、トークナイズ、バッチング、prefill/decodeの分配、KV cache管理、GPUワーカー制御、ネットワークI/O、ストレージI/O、セキュリティ、ログ、API処理。**\n\nこの層が弱いと、GPUが遊びます。\n\n### \\3. AIエージェントの外部世界処理\n\nAIエージェントはLLMだけではありません。 \nブラウザ、DB、Python、API、検索、RAG、承認フロー、ファイル操作、サブエージェント管理が増えます。\n\nここはGPUの行列演算ではなく、**CPUの逐次処理・分岐処理・I/O処理・メモリ処理**です。\n\n## 投資・銘柄目線での示唆\n\nこの調査から見ると、CPU需要増は単に **AMD / Intel / Arm** だけの話ではありません。\n\n恩恵を受けやすいのは、かなり広いです。\n\n**第1層：CPU本体** \nAMD EPYC、Intel Xeon、Arm AGI CPU、クラウド独自CPU。\n\n**第2層：CPUメモリ帯域** \nDDR5、MRDIMM、CXL、メモリインターフェース、Rambus系。\n\n**第3層：GPUを遊ばせない接続層** \nPCIe、CXL、NIC、DPU/IPU、SmartNIC、Marvell、Astera Labs、Broadcom系。\n\n**第4層：KV cache / RAG / ストレージ層** \nSSD、分散キャッシュ、オブジェクトストレージ、高速ネットワーク、データベース。\n\n**第5層：AIエージェント制御・セキュリティ層** \nCloudflare、認証、APIゲートウェイ、ログ、課金、ポリシー制御。\n\n## まとめ\n\nCPU需要増の根拠はかなりあります。\n\nただし、正確には、\n\n**「LLMの行列演算をCPUがGPUから奪う」ではなく、 \n「AI推論がサービス化・エージェント化するほど、GPUの外側にあるCPU制御・メモリ管理・ツール実行・I/O処理が巨大化する」**\n\nということです。\n\n今後のAIインフラは、\n\n**GPU/HBMだけの時代** \nから、 \n**GPU + CPU + DRAM + CXL + NIC + SSD + スケジューラ + セキュリティの時代**\n\nに移っていく可能性が高いです。 \nこの文脈では、AMDやIntelの上昇は単なる出遅れ物色ではなく、**AI推論インフラの設計思想そのものが変わってきたことへの再評価**と見てよいと思います。\n\n---\n\n## COMB と MASについて解説\n\nCOMB と MAS は、どちらも論文 **“Towards Understanding, Analyzing, and Optimizing Agentic AI Execution: A CPU-Centric Perspective”** で提案された、**AIエージェント推論をCPU/GPU混在環境で効率よく動かすためのスケジューリング手法**です。 \n目的は共通していて、**CPU側のツール実行が詰まってGPUを遊ばせる問題を減らす**ことです。論文では、エージェント型AIでは外部ツールの多くがCPU上で動く、またはCPUにより制御されるため、従来のGPU中心最適化だけでは不十分だとしています。([arXiv](https://arxiv.org/html/2511.00739v3))\n\n## まず前提：なぜ必要なのか\n\n普通のLLM推論は、\n\n**入力 → GPUで推論 → 出力**\n\nに近いです。\n\nでもAIエージェントは、\n\n**入力 → LLM推論 → ツール呼び出し → 検索 → Python実行 → DB照会 → またLLM推論 → 判断 → 次のツール**\n\nのようになります。\n\nこのとき、GPUだけではなくCPUがかなり働きます。論文では、RAGの検索、Web要約、Bash/Python実行、RDKitの分子構造生成などがCPU側で大きな遅延を作り、場合によってはCPU上のツール処理がE2Eレイテンシの大部分を占めると報告しています。さらに、高性能GPUを使うほどLLM推論が速くなるため、ボトルネックがCPU側へ移りやすいとも述べています。([arXiv](https://arxiv.org/html/2511.00739v3))\n\nここで問題になるのは、**GPUは大量並列が得意だが、CPU側のツール処理は並列化しても早く飽和しやすい**ことです。論文では、CPU並列化はGPUに比べて効率が低く、過剰な並列実行でOSスケジューラ競合やコンテキストスイッチが増え、結果的にGPU利用率まで落とすと整理しています。([arXiv](https://arxiv.org/html/2511.00739v3))\n\nこの問題に対する答えが **COMB** と **MAS** です。\n\n---\n\n## \\1. COMBとは何か\n\n**COMB = CPU-Aware Overlapped Micro-Batching** \n日本語にすると、 \n**CPUを意識した、重ね合わせ型マイクロバッチ処理** \nです。\n\nこれは主に、**同じ種類のCPU-heavyなエージェント処理が大量に来る場合**の最適化です。論文では、同種のエージェントワークロードを homogeneous workload と呼んでいます。([arXiv](https://arxiv.org/html/2511.00739v3))\n\n## COMBの考え方\n\nたとえば128件のリクエストが来たとします。\n\n普通に全部まとめて処理すると、\n\n**128件ぶんのCPUツール処理を一気に走らせる** \n↓ \nCPUコアが詰まる \n↓ \nCPU処理が遅くなる \n↓ \nGPUに渡すまで時間がかかる \n↓ \n高価なGPUが待たされる\n\nということが起きます。\n\nCOMBではこれを、たとえば、\n\n**128件を64件 + 64件に分ける** \nように、CPUが耐えられるサイズの小さいバッチに分割します。\n\nこれが **micro-batching** です。\n\nさらにCOMBでは、単に小分けするだけではありません。\n\n**1つ目のマイクロバッチがCPU処理を終えたら、GPU推論へ流す。 \nその間に、2つ目のマイクロバッチはCPU処理を進める。**\n\nつまり、\n\n**CPU処理とGPU処理を時間的に重ねる**\n\nのがポイントです。論文では、COMBはCPU誘導型のマイクロバッチをエージェントパイプライン全体で調整し、CPUとGPUの時間的な不均衡を減らすものだと説明されています。([arXiv](https://arxiv.org/html/2511.00739v3))\n\nイメージはこうです。\n\n```\n従来方式：\nCPU処理 CPU処理 CPU処理 CPU処理 → GPU処理 GPU処理 GPU処理\n GPUは待ち時間が多い\n\nCOMB：\nCPU処理 batch1 → GPU処理 batch1\nCPU処理 batch2 → GPU処理 batch2\nCPU処理 batch3 → GPU処理 batch3\n\nCPUとGPUがなるべく同時に動く\n```\n\n## COMBが解決する問題\n\nCOMBが狙う問題は3つです。\n\n1つ目は、**CPUの過剰並列化を避けること**です。 \nCPUはGPUほど大量並列に強くありません。バッチサイズを大きくしすぎると、CPUのツール処理が詰まり、かえって遅くなります。COMBは大きなバッチをCPUに適した小さなマイクロバッチへ分けることで、CPUコアの過負荷を抑えます。([arXiv](https://arxiv.org/html/2511.00739v3))\n\n2つ目は、**GPUの待ち時間を減らすこと**です。 \nCPU処理が終わった分から順にGPUへ流し、次のCPU処理と重ねます。これにより、CPUだけが動く時間、GPUだけが動く時間を減らします。([arXiv](https://arxiv.org/html/2511.00739v3))\n\n3つ目は、**KV cacheやメモリ圧を下げること**です。 \n大きなバッチを一気にGPUへ流すとKV cache需要が瞬間的に大きくなります。マイクロバッチ化すると、GPUメモリへの圧力も下がりやすいと論文は説明しています。([arXiv](https://arxiv.org/html/2511.00739v3))\n\n## COMBの効果\n\n論文の実験では、Web-Augmented AgentやSWE-AgentなどでCOMBを評価しています。スタンドアロンの128リクエスト処理では、Web-Augmented AgentでP50レイテンシが改善し、オープンループ負荷ではサービスレイテンシがP50/P90でそれぞれ最大2.9倍/3.9倍改善、総レイテンシもP50/P90で最大1.6倍/1.8倍改善したと報告されています。([arXiv](https://arxiv.org/html/2511.00739v3))\n\nただし、COMBは万能ではありません。 \nCPUコアが極端に少ない環境では、重ね合わせ処理そのものがCPU競合を増やす場合があります。論文の16コアCPUでの追加実験では、単純なマイクロバッチ化は効く一方、オーバーラップを入れるCOMBはCPU側競合で効果が弱まるケースが示されています。([arXiv](https://arxiv.org/html/2511.00739v3))\n\nつまりCOMBは、\n\n**CPUが完全に詰まらない範囲で、CPU処理とGPU処理をパイプライン化する技術**\n\nです。\n\n---\n\n## \\2. MASとは何か\n\n**MAS = Mixed Agentic Scheduling** \n日本語にすると、 \n**混合エージェント・スケジューリング** \nです。\n\nこれは、**CPU-heavyなリクエストとGPU-heavyなリクエストが混ざって来る場合**の最適化です。論文ではこれを heterogeneous workload と呼んでいます。([arXiv](https://arxiv.org/html/2511.00739v3))\n\n## なぜMASが必要か\n\n現実のAIサービスでは、すべてのリクエストが同じではありません。\n\nたとえば、\n\n### CPU-heavyリクエスト\n\n```\n「Webで調べて、複数ページを要約して、表にして」\n```\n\nこれは検索、HTML取得、要約、RAG、DB照会などがあり、CPU/I/O負荷が大きい。\n\n### GPU-heavyリクエスト\n\n```\n「この文章を言い換えて」\n```\n\nこれはほぼLLM推論だけなので、GPU負荷が中心。\n\nこの2種類を単一キューでFCFS、つまり先着順に処理すると、問題が起きます。\n\nたとえばCPU-heavyリクエストが大量に来ると、キューを埋め尽くし、GPU-heavyリクエストまで待たされます。 \n逆にGPU-heavyリクエストが大量に来ると、CPU-heavyリクエストが押し出されます。\n\nしかし本来、CPU-heavyとGPU-heavyは使う資源が違います。 \nだから同じキューで雑に並べるのは効率が悪い。\n\nこの問題を解くのがMASです。\n\n## MASの基本構造\n\nMASはリクエストをまず分類します。\n\n```\nCPU-heavy request\nGPU-heavy request\n```\n\nそして、それぞれに別々の実行キューを持たせます。\n\n```\nCPU-heavy用キュー：上限 C_cpu\nGPU-heavy用キュー：上限 C_gpu\n共有リザーブキュー：あふれた分を一時的に受ける\n```\n\n論文では、MASはCPU-heavyとGPU-heavyに別々の concurrency cap、つまり同時実行上限を設け、さらに共有リザーブキューを用意することで、片方のリクエスト種別が全体を独占しないようにすると説明されています。([arXiv](https://arxiv.org/html/2511.00739v3))\n\nイメージはこうです。\n\n```\n到着リクエスト\n ↓\nCPU-heavyかGPU-heavyか分類\n ↓\nCPU-heavy → CPU-heavy用キューへ\nGPU-heavy → GPU-heavy用キューへ\n ↓\n満杯なら共有リザーブキュー\n ↓\nそれも満杯なら種別ごとの待機キュー\n```\n\nさらに、待機キューから取り出すときはラウンドロビン的に扱い、片方がもう片方を塞がないようにします。MASのアルゴリズムは、CPU-heavy/GPU-heavyそれぞれの実行キュー、共有リザーブキュー、種別ごとのFCFS待機キューを持ち、完了時に待機キューから再入場を試みる構造です。([arXiv](https://arxiv.org/html/2511.00739v3))\n\n## MASが解決する問題\n\nMASが解くのは、**混在負荷での不公平とヘッド・オブ・ライン・ブロッキング**です。\n\nヘッド・オブ・ライン・ブロッキングとは、先頭の重い処理が詰まるせいで、後ろにある軽い処理まで待たされる現象です。\n\nAIエージェントでは、\n\n```\nCPU-heavyが前に詰まる\n↓\n本当ならGPUだけで速く終わるGPU-heavyまで待つ\n```\n\nということが起きます。\n\nMASはCPU-heavyとGPU-heavyを分離することで、\n\n```\nCPUはCPU-heavyを処理\nGPUはGPU-heavyを処理\n```\n\nという並行性を維持しやすくします。\n\n論文では、MASはリクエスト種別ごとの入場制御により、CPU/GPU双方の利用率を保ちつつ、少数派のリクエスト種別を保護すると説明されています。([arXiv](https://arxiv.org/html/2511.00739v3))\n\n## MASの効果\n\n論文では、GPU-heavyリクエストの到着確率を変えながら、CPU-heavyとGPU-heavyが混ざるバースト的な負荷でMASを評価しています。結果として、MASは片方のリクエスト種別が多数派になったときでも、少数派リクエストのレイテンシを守り、全体のP50/P90レイテンシや公平性を改善したと報告されています。特に、少数派リクエストの総レイテンシをP50/P90で最大2.37倍/2.49倍改善したと要旨で述べています。([arXiv](https://arxiv.org/html/2511.00739v3))\n\n---\n\n## COMBとMASの違い\n\n項目COMBMAS対象同じ種類のCPU-heavy処理が多い場合CPU-heavyとGPU-heavyが混在する場合主な問題CPU過負荷でGPUが待つ片方のリクエスト種別がキューを独占する方法大きなバッチを小さく分け、CPU処理とGPU処理を重ねるCPU-heavy/GPU-heavyを分類し、別キュー・別同時実行枠で管理効果CPU-GPUのパイプライン化、P50/P90改善公平性向上、少数派リクエストの待ち時間削減たとえ工場の流れ作業を小ロット化する高速道路で大型車レーンと普通車レーンを分ける\n\n---\n\n## かなり噛み砕いた例\n\n## COMBの例\n\nラーメン屋で考えると、100人分の注文を全部まとめて厨房に投げると、厨房が詰まります。\n\nCOMBは、\n\n```\n100人分を一気に作らない\n20人ずつ作る\n最初の20人分を盛り付けている間に、次の20人分を茹で始める\n```\n\nという方式です。\n\nつまり、**CPU厨房とGPU盛り付け係を同時に働かせる**発想です。\n\n## MASの例\n\n一方MASは、客の種類を分けます。\n\n```\nA: ラーメンだけの客\nB: ラーメン + 餃子 + チャーハン + 持ち帰り注文の客\n```\n\nこの2種類を同じ列に並べると、Bの客が多いとAの客も待たされます。\n\nMASは、\n\n```\nラーメンだけ列\n複雑注文列\nあふれた時の共用列\n```\n\nを分ける方式です。\n\nつまり、**軽い推論リクエストと、重いエージェント処理リクエストを同じキューで潰し合わないようにする**仕組みです。\n\n---\n\n## AIインフラ投資の文脈での意味\n\nCOMBとMASが示しているのは、非常に重要です。\n\nAI推論のボトルネックは、もはや単純な\n\n**GPUのFLOPS不足**\n\nだけではありません。\n\nこれからは、\n\n**CPUでのツール処理** \n**CPU/GPU間のスケジューリング** \n**キュー制御** \n**バッチング** \n**KV cache管理** \n**I/O待ち** \n**DB・検索・Python実行** \n**CPUとGPUの同時利用率**\n\nが性能を決めます。\n\nつまり、AIエージェント時代のデータセンターでは、 \n**GPUを買えば終わりではなく、GPUを遊ばせないCPU制御レイヤーが重要になる** \nということです。\n\nこの意味でCOMBとMASは、単なる論文上のスケジューリング技術ではなく、**AI推論インフラがGPU中心からCPU/GPU協調型へ移る兆候**として読むべきだと思います。\n\n---\n\n## CPU、GPU、LPU、TPUの構造的な違いと、役割\n\n大きく言うと、違いはこうです。\n\n**CPU = 司令塔** \n**GPU = 大量の作業員** \n**TPU = 行列計算専用工場** \n**LPU = 言語推論専用の高速ベルトコンベア**\n\nAIインフラでは、この4つは競合というより、役割分担です。\n\n---\n\n## CPUがOSと密接に連携出来て、GPUが難しい理由\n\n## \\1. CPU：汎用処理と制御の中心\n\nCPUは **Central Processing Unit**、つまり中央処理装置です。\n\n構造的には、CPUは少数〜多数の高性能コアを持ち、それぞれが複雑な命令を柔軟に処理できます。OS、メモリ管理、割り込み、例外処理、仮想化、セキュリティ、I/O制御など、コンピュータ全体を動かすための仕組みを担当します。Intelの開発者向けマニュアルも、x86 CPUの命令セットだけでなく、メモリ管理、保護、タスク管理、割り込み、仮想化などを扱うものとして整理されています。([Intel](https://www.intel.com/content/www/us/en/developer/articles/technical/intel-sdm.html?utm_source=chatgpt.com))\n\nCPUの特徴は、**分岐・判断・逐次処理・I/O・OS制御に強い**ことです。\n\nAI推論では、CPUは主に以下を担当します。\n\n![](/media/f64df3e3fae6c460a8fe18440ca82545a0643ecf2a0f5415cd31e18303e2eaf2-content.webp)\n\nつまりCPUは、AIモデルそのものの行列計算よりも、**AIサービス全体を動かす管制塔**です。\n\n---\n\n## \\2. GPU：大量並列計算の主役\n\nGPUは **Graphics Processing Unit** ですが、現代ではAI計算の主力です。\n\n構造的には、GPUはCPUよりもはるかに多くの小さな演算器を持ち、同じような計算を大量に並列実行します。NVIDIA A100の例では、多数のSM、CUDAコア、Tensor Core、HBMメモリコントローラを備え、行列演算やテンソル演算を大量並列に処理する設計になっています。([NVIDIA Images](https://images.nvidia.com/aem-dam/en-zz/Solutions/data-center/nvidia-ampere-architecture-whitepaper.pdf?utm_source=chatgpt.com))\n\n特にAIでは **Tensor Core** が重要です。NVIDIAはTensor Coreを、混合精度計算を可能にし、AIやHPCの幅広いワークロードを加速する技術として説明しています。([NVIDIA](https://www.nvidia.com/en-us/data-center/tensor-cores/?utm_source=chatgpt.com))\n\nGPUの特徴は、**同じ形の計算を大量に並べると非常に速い**ことです。\n\nAIでは特に、\n\n```\n巨大な行列 × 巨大な行列\n```\n\nを何度も計算します。 \nLLMのTransformer、Attention、MLP、画像生成モデル、音声モデルの多くは、行列演算の塊です。\n\nそのためGPUは、\n\n![](/media/42a34582176cc63dd35b759d5db0dd2815366fb6f2756b366a721994f6f02550-content.webp)\n\nに強いです。\n\nただしGPUは、CPUのような細かい分岐・OS処理・I/O制御は得意ではありません。 \nそのため、**GPUはエンジン、CPUは運転手・交通整理**という関係になります。\n\n---\n\n## \\3. TPU：Googleのテンソル計算専用ASIC\n\nTPUは **Tensor Processing Unit** です。GoogleがAI向けに作った専用アクセラレータです。\n\nGPUよりさらに特化していて、中心にあるのは **systolic array**、日本語でいうと「拍動配列」「行列演算用の物理的な計算格子」です。Google CloudのTPU資料では、TPUの主な仕事はmultiply-accumulate、つまり掛け算と足し算の組み合わせによる行列処理であり、Cloud TPU v3では1プロセッサ内に128×128 ALUのsystolic arrayを2つ含むと説明されています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/system-architecture-tpu-vm?utm_source=chatgpt.com))\n\nざっくり言うと、TPUはこういう設計です。\n\n```\nCPU：何でもできる高性能な職人\nGPU：大量の作業員\nTPU：行列計算だけを超効率で流す専用工場\n```\n\nTPUの強みは、\n\n![](/media/5e5cd9a324bde83cf758fe3b3b93ff409e39ff989a097962a48e9b5da987b3d4-content.webp)\n\nです。\n\nGPUとの違いは、**GPUの方が汎用性が高く、TPUの方がGoogleのAI計算に特化している**ことです。\n\nGPUはCUDAエコシステムで広範なAI/HPC/グラフィックスに使えます。 \nTPUはGoogle CloudやGoogle内部のAI基盤で、テンソル計算を大規模・高効率に流すための専用機です。\n\n---\n\n## \\4. LPU：言語推論専用の低遅延アクセラレータ\n\nLPUは一般用語というより、主に **GroqのLanguage Processing Unit** を指すことが多いです。\n\nLPUの設計思想はGPUやTPUとかなり違います。 \nGroqはLPUについて、数百MB級のオンチップSRAMを「キャッシュ」ではなく主要な重み保存先として使い、低レイテンシで演算器にデータを供給すると説明しています。また、専用コンパイラによる静的スケジューリングと決定論的実行を重視しています。([Groq](https://groq.com/lpu-architecture?utm_source=chatgpt.com))\n\nGroq自身の説明では、LPUは実行ステップがクロックサイクル単位で予測可能な **deterministic architecture** であり、どこで何がいつ起きるかをソフトウェア制御ハードウェアが高精度に把握できる設計です。([Groq](https://groq.com/blog/the-groq-lpu-explained?utm_source=chatgpt.com))\n\nつまりLPUは、\n\n```\nGPU：大量の計算を動的にさばく\nTPU：行列計算を専用配列で流す\nLPU：言語モデル推論を決定論的なベルトコンベアで流す\n```\n\nという違いがあります。\n\nLPUの強みは、\n\n![](/media/00ae58a951a41fed83853c893058fca9d3cdf1007e4a906110e93664564c6449-content.webp)\n\nです。\n\nただし、LPUはGPUの完全代替ではありません。 \n特に大規模学習、広範なAIモデル、画像生成、汎用HPCではGPUの方が柔軟です。LPUは **LLM推論、特に低遅延・高速トークン生成** に寄せた専用機と見るのが自然です。\n\n---\n\n## 4つの構造比較\n\n![](/media/d9377538d678a33b5d09666339053ce455f3ca41e0a91398a69eb7107fc733fe-content.webp)\n\n---\n\n## AI推論の流れで見ると分かりやすい\n\nたとえば、ユーザーがAIエージェントにこう頼むとします。\n\n```\n「最近の半導体ニュースを調べて、表にして、投資観点で要約して」\n```\n\nこのとき内部では、だいたいこうなります。\n\n![](/media/1f874699c258d795c02e572cd5c4434543f6f7fbbbf18d8d22b2938dc6076366-content.webp)\n\nここで分かる重要点は、**AI推論はGPUだけでは完結しない**ということです。\n\nLLM本体の計算はGPU/TPU/LPUが速い。 \nでも、実サービスとして動かすにはCPUが必要です。\n\n---\n\n## もう少し直感的なたとえ\n\n## CPU：総料理長・店長\n\n注文を受ける。 \n誰に何を作らせるか決める。 \n材料を確認する。 \n客対応をする。 \n会計も見る。\n\n何でもできるが、1000人分の同じ作業を一気にやるのは苦手。\n\n## GPU：大量の料理スタッフ\n\n同じ料理を大量に作るのが得意。 \n仕込み済みの材料を渡せば、爆速で作る。\n\nただし、注文管理や会計や客対応は苦手。\n\n## TPU：カレー専用巨大工場\n\nカレーを作るなら超効率。 \nでも寿司もケーキも何でも作る店ではない。\n\nAIの行列計算に特化した専用工場。\n\n## LPU：ラーメン替え玉専用の高速ベルトコンベア\n\n1玉ずつ、一定リズムで超高速に出す。 \n低遅延で「次のトークン」を出すことに強い。\n\nただし、メニュー全般を作る万能厨房ではない。\n\n---\n\n## 推論・学習・エージェントでの役割\n\n## AI学習\n\n主役は基本的に **GPU / TPU** です。 \n大量のデータを使って、モデルの重みを更新する必要があるからです。\n\nCPUはデータ読み込み、前処理、分散学習の制御などを担当します。\n\nLPUは基本的に学習用というより、推論特化で見るべきです。\n\n---\n\n## 通常のLLM推論\n\n大規模モデルでは **GPU / TPU** が主役です。 \n低遅延の言語生成では **LPU** が強みを持ちます。\n\nCPUは、リクエスト受付、トークナイズ、バッチング、KV cache管理、ネットワーク制御などを担当します。\n\n---\n\n## AIエージェント推論\n\nここではCPUの重要性が一気に上がります。\n\nAIエージェントは、ただ文章を生成するだけではありません。\n\n```\n検索する\nAPIを呼ぶ\nPythonを実行する\nファイルを読む\nDBに問い合わせる\n判断する\n再試行する\nログを残す\n外部サービスと通信する\n```\n\nこの多くはCPU側の仕事です。\n\nつまり、AIエージェント時代は、\n\n**GPU/TPU/LPU = 考える部分の高速化** \n**CPU = 行動・記憶・道具・通信・管理の中心**\n\nになります。\n\n---\n\n## どれが一番重要か？\n\n用途で変わります。\n\n![](/media/15eb1a74f20133d1f3fa231ab985bf6e13329f090c9117df46d36a226601b348-content.webp)\n\n---\n\n## まとめ\n\nCPU、GPU、TPU、LPUの違いを一言でまとめると、\n\n**CPUは、AIを「動かす」ための司令塔。** \n**GPUは、AIを「計算する」ための大量並列エンジン。** \n**TPUは、テンソル計算を「専用工場化」したGoogle系AIアクセラレータ。** \n**LPUは、言語推論を「低遅延ベルトコンベア化」した専用アクセラレータ。**\n\nAIの中心計算はGPU/TPU/LPUが担います。 \nしかし、AIエージェントやAIサービス全体では、CPUがリクエスト、ツール、メモリ、I/O、スケジューリングを握ります。\n\nだから今後のAIインフラは、単純な **GPU一強** ではなく、\n\n**CPU + GPU + TPU/LPU + HBM + DRAM + CXL + NIC + SSD**\n\nのような、複合システムとして見る必要があります。\n\n---\n\nCPUが複雑な処理をできる理由は、一言で言うと、\n\n**「少数の高性能な頭脳に、分岐・予測・順序制御・例外処理・メモリ管理・OS連携のための複雑な制御回路を大量に積んでいるから」**\n\nです。\n\n逆にGPUは、\n\n**「細かい判断をする頭脳を減らし、同じ計算を大量に並列実行する演算器を大量に積んでいる」**\n\nという構造です。\n\nつまりCPUとGPUは、どちらが上というより、**設計思想が真逆**です。\n\n---\n\n## CPUの仕組みを解説\n\n## \\1. CPUとは何をしている装置か\n\nCPUは、プログラムに書かれた命令を1つずつ読み、解釈し、実行する装置です。\n\n基本的な流れはこうです。\n\n```\nメモリから命令を取ってくる\n↓\n命令を解読する\n↓\n必要なデータをレジスタやキャッシュから取る\n↓\n演算する\n↓\n結果を書き戻す\n↓\n次の命令へ進む\n```\n\nこれを専門用語ではだいたい、\n\n```\nFetch → Decode → Execute → Memory → Writeback\n```\n\nと呼びます。\n\n日本語にすると、\n\n```\n命令取得 → 命令解読 → 実行 → メモリアクセス → 結果書き戻し\n```\n\nです。\n\n---\n\n## \\2. CPUの中身\n\nCPUの内部には、主に以下のような部品があります。\n\n![](/media/b5fd93fbb39812e22ef37fb89c754d229609c24a952d68c0823bf7a1d21e22b3-content.webp)\n\nCPUの本質は、単なる計算機ではありません。\n\n計算もするが、それ以上に「順番を管理する機械」です。\n\n---\n\n## \\3. CPUが複雑な処理をできる理由\n\n## 理由1：分岐処理が得意\n\n複雑なプログラムには、必ず条件分岐があります。\n\n```\nもしAなら処理1\nそうでなければ処理2\n```\n\nたとえば、\n\n```\nif user_is_logged_in:\n show_dashboard()\nelse:\n show_login_page()\n```\n\nこのような処理では、次にどの命令を実行するかが状況によって変わります。\n\nCPUはこのような分岐を非常に得意としています。\n\nなぜならCPUには、\n\n**分岐予測器**\n\nがあるからです。\n\nCPUは、\n\n```\n次はたぶんこっちに進むだろう\n```\n\nと予測して、先に命令を読み込んで実行準備をします。\n\n予測が当たれば速い。 \n外れればやり直す。\n\nこの「未来を予想して先回りする」機能が、CPUの大きな特徴です。\n\n---\n\n## 理由2：アウト・オブ・オーダー実行ができる\n\n人間が書いたプログラムの命令順序は、必ずしもCPUにとって最適ではありません。\n\nたとえば、\n\n```\nA = メモリから読み込み\nB = C + D\nE = A + 1\n```\n\nこの場合、Aの読み込みに時間がかかるなら、CPUは待っている間に先に B = C + D を実行できます。\n\nつまりCPUは、内部では命令をこう入れ替えます。\n\n```\nB = C + D を先に実行\nAの読み込み完了を待つ\nE = A + 1 を実行\n```\n\nただし、外から見ると、ちゃんと元の順番で実行されたように見せます。\n\nこれが **アウト・オブ・オーダー実行** です。\n\nCPUは、\n\n**内部では順番を入れ替えて高速化し、外部には正しい順番で実行したように見せる**\n\nという非常に複雑なことをしています。\n\n---\n\n## 理由3：投機実行ができる\n\nCPUは分岐予測を使って、\n\n```\nたぶん次はこっちに進む\n```\n\nと予想し、まだ確定していない未来の命令を先に実行することがあります。\n\nこれを **投機実行** といいます。\n\nたとえば、\n\n```\nif A:\n 処理X\nelse:\n 処理Y\n```\n\nで、CPUが「たぶん処理Xだろう」と予測したら、Aの結果が完全に確定する前に処理Xの準備を始めます。\n\n当たれば速い。 \n外れれば取り消す。\n\nこの機能のおかげで、CPUは複雑なプログラムを高速に処理できます。\n\nただし、この投機実行は非常に高度で、セキュリティ問題の原因にもなりました。SpectreやMeltdown系の脆弱性は、この高度な先読み機構と関係しています。\n\n---\n\n## 理由4：キャッシュ階層が強い\n\nCPUはメインメモリ、つまりDRAMに毎回アクセスしているわけではありません。\n\nDRAMはCPUから見るとかなり遅いです。\n\nそこでCPUは、内部に高速なキャッシュを持っています。\n\n```\nレジスタ\n↓\nL1キャッシュ\n↓\nL2キャッシュ\n↓\nL3キャッシュ\n↓\nメインメモリ / DRAM\n↓\nSSD\n```\n\n上に行くほど速く、容量は小さい。 \n下に行くほど遅く、容量は大きい。\n\nCPUは、必要になりそうなデータを先にキャッシュへ持ってきたり、よく使うデータを近くに置いたりします。\n\n複雑なプログラムは、メモリのあちこちを細かく参照します。\n\n```\nこのオブジェクトを読む\nこの配列を見る\nこのポインタをたどる\nこのファイルを開く\nこのネットワーク応答を待つ\n```\n\nこういう不規則なアクセスに対応するには、CPUのキャッシュ階層とメモリ管理が重要になります。\n\n---\n\n## 理由5：OSと密接に連携できる\n\nCPUはOSを動かすための機能を持っています。\n\nたとえば、\n\n![](/media/961abadafaddc26f6f29a053a3b81461d230de65159f3fc986f2f33c1002d6b5-content.webp)\n\nこれがあるから、CPUは単なる計算だけでなく、\n\n```\nブラウザを動かす\nOSを動かす\nファイルを読む\nネットワーク通信する\n複数アプリを同時に動かす\nセキュリティ権限を管理する\n```\n\nといった複雑な処理ができます。\n\nGPUは基本的に、こういうOS全体の管理は担当しません。\n\n---\n\n## \\4. CPUの「複雑さ」はどこにあるのか\n\nCPUの複雑さは、演算器そのものよりも、**制御部分**にあります。\n\n極端に言えば、足し算器や掛け算器だけならGPUにも大量にあります。 \nでもCPUは、それに加えて、\n\n```\n次に何を実行するか\nどの命令を先にやるか\n分岐先はどこか\n予測が外れたらどう戻すか\nメモリ権限は正しいか\n例外が起きたらOSへどう渡すか\n複数プロセスをどう切り替えるか\nキャッシュの整合性をどう保つか\n```\n\nを管理します。\n\nつまりCPUは、\n\n**演算器 + 判断装置 + 予測装置 + 順序管理装置 + メモリ管理装置 + OS連携装置**\n\nです。\n\nこれが複雑な処理を可能にしています。\n\n---\n\n## \\5. GPUとは何が構造的に違うのか\n\nCPUとGPUの一番大きな違いは、トランジスタの使い道です。\n\n同じ半導体チップでも、CPUは多くの面積を制御回路やキャッシュに使います。 \nGPUは多くの面積を演算器に使います。\n\n## CPUの設計思想\n\n```\n少数の強いコア\n大きなキャッシュ\n複雑な制御回路\n分岐予測\nアウト・オブ・オーダー実行\n低レイテンシ重視\n```\n\nCPUは、\n\n**1つ1つの処理をできるだけ速く終わらせる**\n\nことを重視します。\n\nこれを **低レイテンシ重視** と言います。\n\n---\n\n## GPUの設計思想\n\n```\n大量の小さな演算器\n多数のスレッド\n高いメモリ帯域\n単純な制御\n同じ処理を大量並列\nスループット重視\n```\n\nGPUは、\n\n**1つの処理を最速で終わらせるより、大量の処理をまとめて高速に終わらせる**\n\nことを重視します。\n\nこれを **高スループット重視** と言います。\n\n---\n\n## \\6. CPUとGPUの違いを表で見る\n\n![](/media/ecc35ccf645ede7faa3a3584819b1b131182720145eaf6ec53c2216e3b0aa8a4-content.webp)\n\n---\n\n## \\7. 工学的に一番重要な違い：制御密度と演算密度\n\nCPUとGPUの違いを工学的に言うなら、\n\n**CPUは制御密度が高い。** \n**GPUは演算密度が高い。**\n\nです。\n\n## CPU\n\nCPUは、チップ面積の多くを、\n\n```\n命令デコード\n分岐予測\nキャッシュ\nアウト・オブ・オーダー制御\nレジスタリネーミング\nリオーダーバッファ\n例外処理\nメモリ保護\n```\n\nに使います。\n\nつまり、CPUは「計算するための回路」だけでなく、**計算を正しく速く進めるための管理回路**が非常に大きい。\n\n---\n\n## GPU\n\nGPUは、チップ面積の多くを、\n\n```\nCUDAコア\nTensor Core\nSIMD/SIMT演算器\nレジスタファイル\nHBM接続\nスレッドスケジューラ\n```\n\nに使います。\n\nつまり、GPUは「同じ計算を大量に行うための演算回路」に面積を振っています。\n\n---\n\n## \\8. CPUはなぜ分岐に強く、GPUはなぜ分岐に弱いのか\n\nGPUは多数のスレッドをまとめて実行します。 \nNVIDIA系では、複数スレッドを **warp** という単位でまとめ、同じ命令を同時に実行します。\n\nつまりGPUは、\n\n```\nたくさんの人に同じ号令を出す\n```\n\n方式です。\n\nたとえば32人が同時に、\n\n```\n足し算しろ\n```\n\nと言われるなら、GPUは非常に速い。\n\nでも、32人のうち半分が、\n\n```\nAの処理をしろ\n```\n\n残り半分が、\n\n```\nBの処理をしろ\n```\n\nとなると、GPUは困ります。\n\nなぜなら、同じ号令で同時に動かしたいからです。\n\nこのような状態を **分岐ダイバージェンス** と言います。\n\n```\nif文でスレッドごとに進む道が分かれる\n↓\nGPUは同時実行しにくくなる\n↓\n効率が落ちる\n```\n\nCPUは少数の強いコアが個別に命令を追うので、こういう分岐に強いです。\n\n---\n\n## \\9. CPUはなぜ不規則なメモリアクセスに強いのか\n\n複雑なプログラムでは、データがきれいに並んでいるとは限りません。\n\n```\nポインタをたどる\n木構造を探索する\nハッシュマップを見る\nDBのインデックスを読む\nWebリクエストを待つ\nファイルを開く\n```\n\nこういう処理は、次にどのメモリ番地を読むかが予測しにくいです。\n\nCPUはこのために、\n\n```\n大きなキャッシュ\n高度なプリフェッチ\n分岐予測\nアウト・オブ・オーダー実行\nメモリ依存性予測\n```\n\nを持っています。\n\n一方GPUは、データが連続していて、多数スレッドが似た場所を読むと非常に速いです。\n\n```\n配列Aの0番から100万番まで順番に処理\n行列A × 行列B\n画像の全ピクセルに同じ処理\n```\n\nこういう処理はGPUの得意分野です。\n\nでも、データ構造がバラバラで、スレッドごとに読む場所が違うと効率が落ちやすいです。\n\n---\n\n## \\10. CPUとGPUの違いを料理店でたとえる\n\n## CPU\n\nCPUは、少人数の超有能な料理人です。\n\n```\n注文を聞く\n材料を確認する\n客の好みに応じて変える\n途中で電話に出る\n会計もする\nトラブル対応もする\n別の注文に切り替える\n```\n\n何でもできます。\n\nただし、同じ弁当を10万個作るなら、少人数では限界があります。\n\n---\n\n## GPU\n\nGPUは、巨大な弁当工場です。\n\n```\n同じ工程を大量に並べる\n同じ具材を大量に詰める\n同じ作業を一斉に行う\n```\n\n同じ作業なら圧倒的に速いです。\n\nただし、客ごとにメニューが違ったり、途中で指示が変わったり、電話対応や会計まで求められると苦手です。\n\n---\n\n## \\11. AI推論で見るCPUとGPUの役割\n\nAI推論では、GPUがモデル本体の行列演算を担当します。\n\n```\nTransformer\nAttention\nMLP\n行列積\nTensor演算\n```\n\nこれはGPUが得意です。\n\n一方CPUは、その周辺を担当します。\n\n```\nユーザーリクエスト受付\nトークナイズ\nバッチング\nスケジューリング\nKV cache管理\nRAG検索\nDB照会\nWeb検索\nAPI呼び出し\nPython実行\nログ保存\n認証\n課金\nセキュリティ\n```\n\nAIエージェントになると、CPUの仕事はさらに増えます。\n\nなぜなら、AIエージェントは単に文章を生成するだけではなく、外部世界に対して行動するからです。\n\n```\n検索する\n判断する\nツールを使う\nファイルを読む\nコードを実行する\n結果を検証する\n再試行する\n別のAIに依頼する\n```\n\nこれらはGPUの行列演算だけでは完結しません。\n\n---\n\n## \\12. CPUとGPUの根本的な違いを一言で\n\nCPUは、\n\n**複雑で予測しにくい処理を、できるだけ短い待ち時間で正しく処理する装置**\n\nです。\n\nGPUは、\n\n**単純で規則的な大量計算を、できるだけ多く一気に処理する装置**\n\nです。\n\nCPUは「賢い少数精鋭」。 \nGPUは「大量並列の工場」。\n\nこの違いが、構造の違いにもそのまま現れています。\n\n---\n\n## まとめ\n\nCPUが複雑な処理を可能にしている理由は、単に演算能力が高いからではありません。\n\n重要なのは、\n\n```\n分岐予測\n投機実行\nアウト・オブ・オーダー実行\n高度なキャッシュ\n仮想メモリ\n例外処理\n割り込み処理\nOSとの連携\n複雑な命令制御\n```\n\nです。\n\nCPUは、複雑な現実世界のプログラムを正しく動かすために、制御回路を大量に持っています。\n\n一方GPUは、そのような複雑な制御を削り、演算器を大量に並べることで、行列演算やAI学習のような大量並列処理に特化しています。\n\nしたがって、\n\n**CPUは「判断と制御の半導体」** \n**GPUは「大量計算の半導体」**\n\nです。\n\nAI時代にGPUが重要なのは、モデル本体が巨大な行列計算だからです。 \nしかしAIエージェント時代にCPU需要が高まるのは、AIが現実のシステムを操作し、検索し、記憶し、判断し、外部ツールを使うようになるからです。\n\n---\n\nCPUがOSと密接に連携できて、GPUが難しい理由は、根本的にはこうです。\n\n**CPUは「OSを動かすための主役」として設計されている。** \n**GPUは「CPUから仕事を渡されて計算する補助計算機」として設計されている。**\n\nつまり、CPUとGPUでは最初から役割が違います。\n\n---\n\n## \\1. OSは「何でも起こる世界」を管理する\n\nOSは、単に計算をしているだけではありません。\n\nOSは次のようなことを常に管理しています。\n\n```\nアプリの起動\nメモリの割り当て\nファイル読み書き\nネットワーク通信\nキーボード・マウス入力\n画面表示\n権限管理\nセキュリティ\nプロセス切り替え\nエラー処理\n割り込み処理\n仮想メモリ\n```\n\nこれらは非常に不規則です。\n\nたとえば、\n\n```\nユーザーがクリックした\nネットワークからパケットが来た\nSSDから読み込みが終わった\nメモリが足りなくなった\nアプリが不正なアドレスにアクセスした\n別のアプリにCPU時間を渡す必要がある\n```\n\nこういう出来事が、いつ起こるか分かりません。\n\nCPUは、このような**予測不能なイベントに即座に対応するための機能**を持っています。\n\n---\n\n## \\2. CPUには「割り込み」がある\n\nCPUがOSと密接に連携できる最大の理由の1つは、**割り込み処理**です。\n\n割り込みとは、外部の出来事によってCPUの処理を一時停止し、OSの処理へ切り替える仕組みです。\n\nたとえば、\n\n```\nキーボードが押された\nマウスが動いた\nネットワーク通信が来た\nディスク読み込みが終わった\nタイマーが鳴った\n```\n\nこのようなイベントが発生すると、CPUは今やっている処理を一時停止して、OSの処理へ移ります。\n\n```\nアプリの処理中\n↓\n割り込み発生\n↓\nCPUがOSへ制御を渡す\n↓\nOSがイベントを処理\n↓\n元のアプリに戻る\n```\n\nこれができるから、OSは複数のアプリやデバイスを同時に扱えます。\n\nGPUにも割り込みやプリエンプション機能はありますが、CPUほど細かく、低遅延で、OSの中心制御を担うようには設計されていません。\n\n---\n\n## \\3. CPUには「特権モード」がある\n\nOSは普通のアプリより強い権限を持つ必要があります。\n\nそのためCPUには、権限レベルがあります。\n\n代表的には、\n\n```\nユーザーモード：普通のアプリが動く\nカーネルモード：OS本体が動く\n```\n\nです。\n\n普通のアプリは、勝手にハードウェアを直接操作したり、他のアプリのメモリを読んだりできません。\n\nたとえばアプリが、\n\n```\nSSDを直接操作したい\n他のアプリのメモリを読みたい\nネットワークカードを直接叩きたい\n```\n\nと思っても、CPUが止めます。\n\n必要な場合は、アプリがOSにお願いします。\n\n```\nアプリ\n↓\nシステムコール\n↓\nOS\n↓\nCPUの特権命令でハードウェア操作\n```\n\nこの仕組みがあるから、OSは安全にシステム全体を管理できます。\n\nGPUは基本的に、OSのカーネルを動かす中心ではありません。 \nGPU上のプログラムは、CPU上のOSとドライバによって起動・管理されます。\n\n---\n\n## \\4. CPUには「仮想メモリ」とMMUがある\n\nOSにとって特に重要なのが、**仮想メモリ**です。\n\n普通のアプリは、自分だけのメモリ空間を持っているように見えます。\n\n```\nアプリA：自分専用のメモリ空間\nアプリB：自分専用のメモリ空間\nアプリC：自分専用のメモリ空間\n```\n\nでも実際には、物理メモリは全アプリで共有されています。\n\nこの変換を行うのが、CPU内の **MMU / Memory Management Unit** です。\n\n```\n仮想アドレス\n↓\nMMU\n↓\n物理アドレス\n```\n\nCPUは、アプリがメモリにアクセスするたびに、\n\n```\nこのアドレスは有効か？\nこのアプリに読む権限はあるか？\n書き込み権限はあるか？\n実行してよい領域か？\nページが存在するか？\n```\n\nをチェックできます。\n\nもし不正なら、CPUは例外を発生させ、OSに制御を渡します。\n\nこれができるから、OSは安全に複数アプリを動かせます。\n\nGPUにも近年は仮想アドレス空間やIOMMU、Unified Virtual Memoryのような仕組みがありますが、歴史的にも構造的にも、CPUほどOS全体のメモリ保護・ページフォルト処理・プロセス分離の中心にはなっていません。\n\n---\n\n## \\5. CPUは「コンテキストスイッチ」が得意\n\nOSは複数のアプリを同時に動かしているように見せます。\n\n実際には、CPU時間を細かく分けています。\n\n```\nアプリAを少し動かす\n↓\nアプリBを少し動かす\n↓\nブラウザを少し動かす\n↓\n音楽アプリを少し動かす\n↓\nOS処理をする\n```\n\nこの切り替えを **コンテキストスイッチ** と言います。\n\nコンテキストとは、そのプログラムの状態です。\n\n```\nレジスタの中身\n命令の位置\nスタック\nメモリ状態\n権限状態\nプロセス情報\n```\n\nCPUは、この切り替えを頻繁に行う前提で作られています。\n\n一方GPUは、巨大な計算ジョブをまとめて実行することを想定しています。\n\nGPUでもタスク切り替えはできますが、CPUのように、\n\n```\n細かいイベントに応じて\n短時間で\n大量のプロセスを\n頻繁に切り替える\n```\n\nという用途には向きません。\n\n---\n\n## \\6. GPUは「自律的なOS実行機」ではなく「アクセラレータ」\n\nGPUは基本的に、CPUから仕事を渡されて動きます。\n\n流れはこうです。\n\n```\nCPU上のアプリ\n↓\nOS\n↓\nGPUドライバ\n↓\nGPUへ命令・データを送る\n↓\nGPUが計算する\n↓\n結果をCPU側へ返す\n```\n\nGPUは自分で勝手に、\n\n```\nファイルを開く\nネットワーク通信を開始する\nプロセスを作る\nOSのスケジューラを動かす\nメモリ権限を管理する\nデバイスドライバを制御する\n```\n\nということは基本的にしません。\n\nGPUは、OSから見ると、\n\n**高性能な計算用デバイス**\n\nです。\n\nCPUは、\n\n**OSそのものを実行する装置**\n\nです。\n\nこの違いが非常に大きいです。\n\n---\n\n## \\7. GPUはSIMT構造なので、OS処理と相性が悪い\n\nGPUは多数のスレッドをまとめて同じ命令で動かす構造を持っています。\n\nNVIDIA系では、複数スレッドを **warp** という単位でまとめて実行します。\n\nつまりGPUは、\n\n```\nたくさんのスレッドに同じ命令を一斉に実行させる\n```\n\nのが得意です。\n\nところがOS処理は、まったく逆です。\n\nOS処理は、\n\n```\nこのプロセスは待機\nこのプロセスは実行\nこのメモリは権限違反\nこのパケットは受信\nこのファイルは読み込み中\nこのアプリはクラッシュ\nこの割り込みを処理\n```\n\nのように、分岐だらけです。\n\n各処理がバラバラに進みます。\n\nGPUのような「全員で同じ命令をやる」構造では、このような不規則な処理は効率が悪いです。\n\n---\n\n## \\8. GPUはレイテンシよりスループット重視\n\nCPUは、1つの処理をすぐに返すことを重視します。\n\n```\nクリックにすぐ反応する\nキー入力にすぐ反応する\n割り込みにすぐ反応する\nネットワーク応答をすぐ処理する\n```\n\nつまり **低レイテンシ重視** です。\n\nGPUは、大量の処理をまとめて高速に終わらせることを重視します。\n\n```\n100万個の画素を処理する\n巨大な行列を計算する\n大量のトークンをバッチ推論する\n```\n\nつまり **高スループット重視** です。\n\nOSはリアルタイムに細かく反応する必要があります。\n\nだからOSの中心には、低レイテンシで割り込み・分岐・例外に強いCPUが向いています。\n\n---\n\n## \\9. GPUはメモリアクセスもOS向きではない\n\nOSはメモリのあちこちに不規則にアクセスします。\n\n```\nプロセステーブルを見る\nページテーブルを見る\nファイルディスクリプタを見る\nネットワークバッファを見る\nデバイス状態を見る\n権限情報を見る\n```\n\nこれはポインタをたどる処理が多く、分岐も多いです。\n\nCPUはこういう処理のために、\n\n```\n大きなキャッシュ\n分岐予測\nアウト・オブ・オーダー実行\nプリフェッチ\nMMU\nTLB\n例外処理\n```\n\nを持っています。\n\nGPUは、連続した大きなデータを大量に読むのは得意です。\n\n```\n行列\n画像\nテンソル\n配列\n```\n\nしかし、OSのような細かくバラバラなデータ構造の管理には向いていません。\n\n---\n\n## \\10. CPUとGPUの違いを会社でたとえる\n\n## CPU\n\nCPUは会社の本社・管理部門です。\n\n```\n人事\n経理\n法務\n情報システム\nトラブル対応\nスケジュール調整\n権限管理\n各部署への指示\n```\n\n色々なことを判断し、状況に応じて切り替えます。\n\n## GPU\n\nGPUは巨大な工場ラインです。\n\n```\n同じ部品を大量生産する\n同じ計算を大量に行う\n同じ工程を並列に回す\n```\n\n大量生産には強いですが、会社全体の管理には向いていません。\n\nOSは本社業務に近いので、CPUが向いています。\n\n---\n\n## \\11. ではGPU上でOSを動かせないのか？\n\n理論上、GPUでOS的なものを動かす研究や特殊用途はあります。\n\nまた、近年のGPUは昔よりかなり賢くなっています。\n\n```\nGPU仮想化\nプリエンプション\nGPUページフォルト\nUnified Memory\nMIG\nSR-IOV\nGPU内スケジューラ\n```\n\nのような機能もあります。\n\nしかし、それでも一般的なOSの中心をGPUに置くのは難しいです。\n\n理由は、OSが必要とする性質がGPUの得意分野と違うからです。\n\nOSが求めるものは、\n\n```\n低レイテンシ\n細かい分岐\n頻繁な割り込み\n例外処理\nプロセス切り替え\n強いメモリ保護\n多様なI/O制御\n権限管理\n不規則なデータ構造操作\n```\n\nです。\n\nGPUが得意なのは、\n\n```\n大量並列\n規則的な配列処理\n行列演算\n画像処理\nテンソル計算\n高スループット\n```\n\nです。\n\nこのため、GPUはOSの主役ではなく、CPUに管理されるアクセラレータとして使われます。\n\n---\n\n## \\12. AI時代にこの違いが重要になる理由\n\nAI推論では、GPUはモデル本体の計算を担当します。\n\n```\nTransformer\nAttention\nMLP\n行列積\nTensor演算\n```\n\nしかし、AIサービス全体ではCPUが必要です。\n\n```\nAPI受付\nユーザー認証\nセッション管理\nトークナイズ\nリクエストキュー\nバッチング\nGPUへの投入\nKV cache管理\nRAG検索\nDB照会\nツール呼び出し\nログ保存\n課金\nセキュリティ\n```\n\nAIエージェントになると、CPUの役割はさらに増えます。\n\n```\nPython実行\nブラウザ操作\nファイル読み書き\n外部API\n検索\nDB\n承認フロー\n再試行\n複数タスク管理\n```\n\nこれはOS的な、不規則で制御中心の処理です。\n\nだから、AIエージェント時代にCPU需要が再評価されるわけです。\n\n---\n\n## まとめ\n\nCPUがOSと密接に連携できるのは、CPUが最初から\n\n```\n割り込み\n例外\n特権モード\n仮想メモリ\nMMU\nTLB\nコンテキストスイッチ\nシステムコール\nI/O制御\n権限管理\n```\n\nを扱うために設計されているからです。\n\n一方GPUは、\n\n```\n大量のスレッド\n同じ命令の並列実行\n高メモリ帯域\n行列演算\nテンソル計算\n高スループット\n```\n\nに特化しています。\n\nつまり、\n\n**CPUは、OSと現実世界を管理するための制御プロセッサ。** \n**GPUは、CPUから渡された大量計算を処理するアクセラレータ。**\n\nこの違いがあるため、CPUはOSと密接に連携でき、GPUはOSの中心になるのが難しいのです。\n\n---\n\n## SMTとSIMTについて\n\n## \\1. SMTとは何か：CPUの「1コアを2人で使う」仕組み\n\n**SMT / Simultaneous Multithreading** は、**1つの物理CPUコアで複数のスレッドを同時に走らせる技術**です。AMDはSMTを「1つのCPUコアが複数スレッドを同時に実行できる技術」と説明しており、一般的には2-way SMT、つまり1コアあたり2スレッドが多いです。Intelでは似た技術を **Hyper-Threading** と呼んできました。([AMD](https://www.amd.com/en/blogs/2025/simultaneous-multithreading-driving-performance-a.html?utm_source=chatgpt.com))\n\nたとえば、OSから見るとこう見えます。\n\n```\n物理CPUコア：8コア\nSMT有効時：16スレッド\n```\n\nただし、これは**本当に16個の物理コアがある**という意味ではありません。\n\n実際には、\n\n```\n1つの物理コアの中に\n2つ分の「命令の流れ」を持たせる\n```\n\nという仕組みです。\n\n---\n\n## SMTの目的\n\nCPUコアの中には、たくさんの実行ユニットがあります。\n\n```\n整数演算器\n浮動小数点演算器\nロード/ストアユニット\n分岐ユニット\nSIMD演算器\nキャッシュ\n命令スケジューラ\n```\n\nしかし、1つのスレッドだけを実行していると、常に全部のユニットが埋まるわけではありません。\n\nたとえば、あるスレッドがメモリ待ちをしている間、\n\n```\n演算器が空いている\nパイプラインが一部空いている\nキャッシュ応答待ちで止まっている\n```\n\nという状態が起きます。\n\nそこでSMTでは、同じ物理コアにもう1つ別のスレッドを入れます。\n\n```\nスレッドAがメモリ待ち\n↓\nその間にスレッドBの命令を実行\n```\n\nこれにより、CPUコア内部の空きリソースを埋めて、全体のスループットを上げます。\n\n---\n\n## \\2. SMTは「コアが2倍になる」わけではない\n\nここが重要です。\n\nSMTは、物理コアを2倍にする技術ではありません。\n\nたとえると、\n\n```\n物理コア追加：厨房をもう1つ作る\nSMT：1つの厨房に注文係を2人入れる\n```\n\nです。\n\n厨房そのもの、つまり演算器・キャッシュ・ロードストアユニットなどは多くの場合共有です。\n\nだから、SMTで性能が2倍になることは普通ありません。\n\n効果はワークロード次第です。\n\nワークロードSMTの効果メモリ待ちが多い処理効果が出やすいI/O待ちが多い処理効果が出やすい整数演算と浮動小数点が混ざる処理効果が出る場合あり1スレッドでコアを使い切る処理効果が小さいキャッシュを奪い合う処理逆に遅くなる場合ありセキュリティ重視環境無効化される場合あり\n\nIBMも、SMTでは2つの命令ストリームが1つのコアの実行リソースを動的に共有すると説明しています。([IBM](https://www.ibm.com/docs/en/systems-hardware/linuxone/3931-LA1?topic=prsm-simultaneous-multithreading-smt&utm_source=chatgpt.com))\n\n---\n\n## \\3. SMTがCPUらしい理由\n\nSMTはCPUの特徴をよく表しています。\n\nCPUはもともと、\n\n```\n分岐\nメモリ待ち\nI/O待ち\n例外処理\nOS処理\n不規則な命令列\n```\n\nを扱います。\n\nつまり、CPUの中では「待ち時間」や「空きリソース」が発生しやすい。\n\nSMTはそこを埋める技術です。\n\n```\n1スレッドでは埋めきれないCPU内部リソースを\n別スレッドで埋める\n```\n\nという考え方です。\n\nAIエージェント時代にも関係します。 \nなぜなら、AIエージェントのCPU処理には、\n\n```\nWeb検索\nDB照会\nAPI呼び出し\nPython実行\nJSON処理\nRAG検索\nファイルI/O\nネットワーク待ち\n```\n\nのような、待ち時間を含む処理が多いからです。\n\nこうした処理では、SMTや多コアCPUが役に立ちやすいです。\n\n---\n\n## \\4. SIMTとは何か：GPUの「全員に同じ命令を出す」仕組み\n\n一方、**SIMT / Single Instruction, Multiple Threads** はGPU側の考え方です。\n\nNVIDIAのCUDA資料では、SIMTモデルでは **warp内の全スレッドがカーネル内のコードを一緒に進む** と説明されています。またNVIDIA PTX ISAでは、CTA内のスレッドは **warp** と呼ばれるグループ単位でSIMT方式により実行され、通常warpは32スレッドだと説明されています。([NVIDIA Docs](https://docs.nvidia.com/cuda/cuda-programming-guide/01-introduction/programming-model.html?utm_source=chatgpt.com))\n\nざっくり言うと、SIMTはこうです。\n\n```\n1つの命令を\n多数のスレッドに一斉に実行させる\n```\n\nたとえば画像処理なら、\n\n```\n全ピクセルに同じ処理をする\n```\n\n行列演算なら、\n\n```\n行列の各要素に同じような計算をする\n```\n\nこういう処理に非常に向いています。\n\n---\n\n## SIMTのイメージ\n\nGPUでは、多数のスレッドが **warp** という単位でまとめられます。\n\nNVIDIA GPUでは通常、\n\n```\n1 warp = 32 threads\n```\n\nです。\n\nこの32スレッドに対して、同じ命令が一斉に流れます。\n\n```\n命令：A + B を計算せよ\n\nthread 0: A0 + B0\nthread 1: A1 + B1\nthread 2: A2 + B2\n...\nthread 31: A31 + B31\n```\n\n各スレッドは別々のデータを持ちますが、実行する命令は基本的に同じです。\n\nこれが **Single Instruction, Multiple Threads** です。\n\n---\n\n## \\5. SMTとSIMTの違い\n\n名前が似ていますが、全然違います。\n\n項目SMTSIMT主に使う場所CPUGPU意味同時マルチスレッディング単一命令・複数スレッド目的1コア内の空きリソースを埋める大量スレッドに同じ命令を流す得意複雑な処理のスループット改善規則的な大量並列計算苦手物理コアの完全代替にはならない分岐が多い処理たとえ1つの厨房に注文係を2人工場ラインに同じ号令を出す\n\n---\n\n## \\6. SMTはCPUの効率化、SIMTはGPUの構造そのもの\n\nここが一番重要です。\n\n**SMTは、CPUコアを効率よく使うための追加機能**です。\n\nCPUは、もともと1つのスレッドを非常に賢く処理します。 \nそこにもう1つのスレッドを同時に入れて、空きリソースを埋めるのがSMTです。\n\n一方、**SIMTはGPUの基本的な実行モデル**です。\n\nGPUは、大量のスレッドに同じ命令を流すことで演算密度を高めています。\n\nつまり、\n\n```\nSMT = CPUの中の空き時間を減らす技術\nSIMT = GPUが大量並列処理をする基本方式\n```\n\nです。\n\n---\n\n## \\7. GPUで分岐が苦手になる理由はSIMTにある\n\nSIMTでは、warp内のスレッドが同じ命令を一緒に進みます。\n\nところが、if文で進む道が分かれると問題が起きます。\n\n```\nif (x > 0) {\n Aの処理\n} else {\n Bの処理\n}\n```\n\nwarp内の32スレッドのうち、\n\n```\n16スレッドはAへ\n16スレッドはBへ\n```\n\nとなると、GPUは全員を完全に同時には進めにくくなります。\n\n結果として、\n\n```\nA側を実行している間、B側のスレッドは待つ\nB側を実行している間、A側のスレッドは待つ\n```\n\nのようになり、効率が落ちます。\n\nこれが **分岐ダイバージェンス** です。\n\nNVIDIAのCUDA資料でも、warp内のスレッドが同じ制御フローをたどるとGPU利用率が最大化される、と説明されています。([NVIDIA Docs](https://docs.nvidia.com/cuda/cuda-programming-guide/pdf/cuda-programming-guide.pdf?utm_source=chatgpt.com))\n\n---\n\n## \\8. CPUのSMTとGPUのSIMTをAIで見る\n\nAI推論では、両方とも重要です。\n\n## SMTが関係するところ\n\nCPU側では、\n\n```\nAPI処理\nトークナイズ\nRAG検索\nDBアクセス\nWeb検索\nJSON処理\nツール呼び出し\nPython実行\nログ処理\nセキュリティ処理\n```\n\nのような不規則処理が多いです。\n\nここでは、CPUの複数コアやSMTが役立ちます。\n\n特に、待ち時間のある処理では、\n\n```\nスレッドAがI/O待ち\n↓\nスレッドBを進める\n```\n\nという形で効率を上げられます。\n\n---\n\n## SIMTが関係するところ\n\nGPU側では、\n\n```\nAttention\nMLP\n行列積\nテンソル演算\n画像生成\n大量バッチ推論\n```\n\nのような規則的な大量並列計算が中心です。\n\nここではSIMTが力を発揮します。\n\n```\n同じ計算を\n大量のトークン・行列要素・画像ピクセルに対して\n一斉に実行する\n```\n\nからです。\n\n---\n\n## \\9. かなり簡単なたとえ\n\n## SMT\n\n1人用の高性能な作業机があります。 \nでも、作業中に資料待ちや電話待ちが発生します。\n\nそこで、同じ机にもう1人の作業者も座らせます。\n\n```\nAさんが資料待ち\n↓\nその間にBさんが作業\n```\n\nこれがSMTです。\n\n---\n\n## SIMT\n\n大工場で、32人の作業員に同じ号令を出します。\n\n```\n全員、ネジを締めろ\n全員、部品を並べろ\n全員、同じ位置を加工しろ\n```\n\nこれがSIMTです。\n\nただし、途中で、\n\n```\n半分はネジ締め\n半分は塗装\n```\n\nになると効率が落ちます。\n\n---\n\n## まとめ\n\n**SMT** はCPUの技術です。 \n1つの物理CPUコアで複数スレッドを同時に走らせ、コア内の空きリソースを埋めて効率を上げます。\n\n**SIMT** はGPUの実行モデルです。 \n大量のスレッドに同じ命令を一斉に流し、行列演算や画像処理のような大量並列計算を高速化します。\n\n一言で言えば、\n\n```\nSMT = CPUの空き時間を埋める技術\nSIMT = GPUの大量並列を成立させる方式\n```\n\nです。\n\nAIインフラで言えば、 \n**CPU側のエージェント処理・RAG・API・I/OにはSMT的な効率化が効く**。 \n**GPU側のLLM行列計算・画像生成・大量推論にはSIMTが効く**。 \n \n**TPUやLPUでは、GPU以上に「分岐処理」「不規則処理」「OS的な制御」が苦手になりやすい**です。\n\n理由は、GPUよりさらに用途を絞って、**行列演算・テンソル演算・LLM推論の流れ作業に特化しているから**です。\n\n---\n\n## まず結論\n\nCPU、GPU、TPU、LPUを「分岐への強さ」で並べると、だいたいこうです。\n\n```\nCPU > GPU > TPU / LPU\n```\n\nCPUは、分岐・例外・割り込み・OS処理のために作られています。\n\nGPUは、分岐は苦手ですが、まだ多数のスレッド、warp、スケジューラ、マスク実行などである程度対応できます。NVIDIA CUDAでは、warp内のスレッドが異なる分岐に進むとwarp divergenceが起き、各分岐パスを順に実行するため効率が落ちると説明されています。([NVIDIA Docs](https://docs.nvidia.com/cuda/cuda-programming-guide/03-advanced/advanced-kernel-programming.html?utm_source=chatgpt.com))\n\nTPUやLPUは、さらに「決まった計算グラフを高速に流す」方向に寄っているので、途中で細かく分岐したり、処理内容が動的に変わったりするほど効率が落ちやすいです。\n\n---\n\n## \\1. TPUは「行列計算の専用工場」だから分岐が苦手\n\nTPUは、GoogleがAI計算のために作った専用ASICです。\n\n中心にあるのは **systolic array** です。 \nGoogle Cloudの説明では、TPUの主な仕事は行列処理、つまりmultiply-accumulateであり、多数の積和演算器が物理的な行列として接続されたsystolic arrayを構成するとされています。Cloud TPU v3では、1プロセッサに128×128 ALUのsystolic arrayが2つあります。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/system-architecture-tpu-vm?utm_source=chatgpt.com))\n\nこれは非常に強力です。\n\n行列積のような処理では、\n\n```\nA行列 × B行列\n↓\n大量の掛け算と足し算\n↓\n同じリズムでデータを流す\n```\n\nという形になります。\n\nTPUは、この「データを規則的に流して、積和演算を大量に行う」ことに最適化されています。\n\nしかし分岐処理は、これと相性が悪いです。\n\nたとえば、\n\n```\nif 条件A:\n 処理X\nelse:\n 処理Y\n```\n\nのような処理が大量に混ざると、全体を同じリズムで流せません。\n\nTPUは、ベルトコンベア式の巨大な行列計算工場です。 \nベルトコンベア上の部品が全部同じ工程を通るなら速い。 \nでも、部品ごとに「これは別ラインへ」「これは検査待ち」「これは再加工」と分かれると、専用工場の効率が落ちます。\n\n---\n\n## \\2. TPUはコンパイラで計算グラフを固める思想が強い\n\nTPUは、CPUのように1命令ずつ動的に判断していくというより、**XLAコンパイラが計算グラフを最適化して、TPUの行列ユニットに効率よく流す**という思想が強いです。\n\nGoogle CloudのTPUドキュメントでも、XLAコンパイラが行列乗算を小さなブロックに分割し、MXU、つまりmatrix unitで効率的に実行するための変換を行うと説明されています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/intro-to-tpu?utm_source=chatgpt.com))\n\nつまりTPUは、\n\n```\n先に計算の形を決める\n↓\nコンパイラが最適な流し方を作る\n↓\nTPU上で高速実行する\n```\n\nという色が強いです。\n\nこの方式では、計算の形が安定しているほど強いです。\n\n```\n行列積\n畳み込み\nTransformerのAttention\nMLP\nバッチ推論\n```\n\nのような処理は得意です。\n\n逆に、\n\n```\nユーザーごとに違う分岐\nツール呼び出し\nファイルI/O\nDB照会\nPython実行\nAPI応答待ち\n条件によって処理グラフが変わる\n```\n\nのような処理は苦手です。\n\nもちろんTPUでも条件分岐やループを扱えないわけではありません。 \nただし、それは「TPUがCPUのように自由な分岐処理を得意とする」という意味ではなく、**コンパイルされた計算グラフの中で扱う**形になります。\n\n---\n\n## \\3. GPUはまだ「分岐に耐える仕組み」がある\n\nGPUも分岐は苦手です。 \nただしTPUよりは汎用的です。\n\nGPUには多数のスレッドがあり、NVIDIAの場合はwarp単位で命令を実行します。warp内の32スレッドが同じ制御フローをたどると効率が最大化されますが、分岐で別々の経路に進むと、各分岐パスを順に実行して、該当しないスレッドを一時的に無効化します。([NVIDIA Docs](https://docs.nvidia.com/cuda/cuda-programming-guide/03-advanced/advanced-kernel-programming.html?utm_source=chatgpt.com))\n\nつまりGPUは、\n\n```\n分岐しても実行はできる\nただし効率が落ちる\n```\n\nです。\n\nTPUはもっと極端で、\n\n```\n規則的な行列計算なら非常に強い\n処理の形が動的に変わると扱いにくい\n```\n\nです。\n\nなので、GPUは「分岐に弱い大量並列機」。 \nTPUは「分岐をなるべく避けたい行列計算専用機」。 \nこの違いがあります。\n\n---\n\n## \\4. LPUは「言語推論の固定パイプライン」に寄っている\n\nLPUは、主にGroqの **Language Processing Unit** を指す文脈で使われます。\n\nGroqはLPUを、LLM推論の高速・低遅延実行に特化したプロセッサとして打ち出しています。公式サイトでも、LPUは推論向けであり、スピードとスケール時の低コストを特徴にしています。([Groq](https://groq.com/?utm_source=chatgpt.com))\n\nLPUの思想は、GPUのように大量のスレッドを動的にさばくというより、\n\n```\nLLM推論の計算を\nあらかじめ決めたスケジュールで\n低遅延に流す\n```\n\nに近いです。\n\nGroq系のLPUはよく、**決定論的実行**、**静的スケジューリング**、**コンパイラ制御**、**オンチップSRAM重視**という文脈で語られます。\n\nこの方式は、LLMのように、\n\n```\nTransformer層\nAttention\nMLP\n次トークン生成\nまた次トークン生成\n```\n\nという比較的規則的な推論パイプラインでは強いです。\n\nしかし、\n\n```\n途中で外部APIを呼ぶ\n条件によって違うツールを使う\nPythonコードを実行する\nDB検索結果によって次の処理を変える\nユーザーごとに別のワークフローを走らせる\n```\n\nのような処理は、LPU本体よりCPU側で処理する方が自然です。\n\nつまりLPUは、**言語モデルのトークン生成ライン**には向いていますが、AIエージェント全体の不規則な制御には向きません。\n\n---\n\n## \\5. なぜ専用化すると分岐に弱くなるのか\n\nこれは工学的にかなり重要です。\n\n半導体チップでは、面積・電力・発熱・設計複雑性に制約があります。 \n何かを強くするには、何かを削る必要があります。\n\nCPUは、分岐やOS処理のために、以下のような回路をたくさん持っています。\n\n```\n分岐予測器\n投機実行\nアウト・オブ・オーダー実行\n命令デコーダ\nリオーダーバッファ\n例外処理\n割り込み処理\nMMU\nキャッシュ整合性\nコンテキストスイッチ機構\n```\n\nこれらは、複雑な処理には強いですが、チップ面積と電力をかなり使います。\n\nGPUは、それらをかなり削って、演算器を増やします。\n\nTPUやLPUは、さらに削ります。\n\nその代わりに、\n\n```\n行列演算器\nテンソル演算器\nsystolic array\nオンチップSRAM\n専用データパス\n固定パイプライン\nコンパイラ最適化\n```\n\nに面積を使います。\n\nだから、専用アクセラレータは速いのです。 \nしかしその速さは、**想定された形の計算が来たとき**に発揮されます。\n\n---\n\n## \\6. TPU/LPUでは「処理の流れが乱れる」と性能が落ちる\n\nTPUやLPUは、データが規則的に流れると強いです。\n\n```\n入力テンソル\n↓\n行列演算\n↓\n活性化\n↓\n行列演算\n↓\n次の層\n```\n\nこのように、形の決まった処理を大量に流すなら非常に効率的です。\n\nしかし分岐が入ると、流れが乱れます。\n\n```\n入力Aは処理1へ\n入力Bは処理2へ\n入力Cは外部ツールへ\n入力Dは待機\n入力Eは再試行\n```\n\nこうなると、専用パイプラインが空きやすくなります。\n\nこれは工場で言うと、\n\n```\n全員が同じ商品を作る → 専用ラインがフル稼働\n商品ごとに工程が違う → ラインの一部が止まる\n```\n\nという違いです。\n\n---\n\n## \\7. TPU/LPUが苦手なのは「AIの思考」ではなく「AIの行動管理」\n\nここは誤解しやすいです。\n\nTPUやLPUが苦手なのは、AIモデルの推論そのものではありません。 \nむしろ、そこには非常に強いです。\n\nTPUは、大規模なテンソル計算、学習、推論に強い。 \nLPUは、LLMの低遅延推論、特にトークン生成に強い。\n\n苦手なのは、その外側です。\n\n```\nツールを選ぶ\nAPIを呼ぶ\nDBを検索する\n結果に応じて処理を変える\nユーザー権限を確認する\nファイルを読み書きする\nネットワーク応答を待つ\n複数タスクを管理する\n```\n\nこれはCPUの領域です。\n\nだからAIエージェント時代の構成は、\n\n```\nCPU：行動管理・OS・I/O・ツール・分岐\nGPU/TPU/LPU：モデル本体の推論\n```\n\nになります。\n\n---\n\n## \\8. 4種類を分岐処理で比較すると\n\n![](/media/1c1e6e57cee322ee2bc3001ab4de4a31ed1c0e4e23659d3225daecdc596451d8-content.webp)\n\n---\n\n## \\9. たとえで言うと\n\n## CPU\n\n町の総合病院です。\n\n```\n救急\n内科\n外科\n検査\n会計\n受付\n入院\n紹介状\n緊急対応\n```\n\n何が来ても対応できます。 \nただし、大量の同じ検査を一気にやる効率は専用工場に負けます。\n\n## GPU\n\n大きな検査センターです。\n\n同じ種類の検査を大量に回せます。 \nただし、患者ごとに対応が細かく変わると効率が落ちます。\n\n## TPU\n\n血液検査だけに特化した巨大自動ラインです。\n\n血液検査なら圧倒的に速い。 \nでも、途中で外科手術や問診や救急対応を任せるのは向いていません。\n\n## LPU\n\n問診文章の自動生成に特化した超高速ラインです。\n\n「次の言葉を出す」なら非常に速い。 \nでも、病院全体の運営や患者ごとの複雑な判断はCPU側が必要です。\n\n---\n\n## まとめ\n\nTPUやLPUでGPU以上に分岐処理が難しくなりやすい理由は、**GPUよりさらに専用化されているから**です。\n\nGPUは大量並列計算向けですが、それでもwarp、スケジューラ、マスク実行などで分岐にある程度対応できます。\n\n一方TPUは、systolic arrayを中心に行列演算を規則的に流す設計です。 \nLPUは、LLM推論を低遅延・決定論的に流す設計に寄っています。\n\nそのため、\n\n```\n規則的なテンソル計算 → TPU/LPU/GPUが強い\n不規則な分岐・I/O・ツール実行 → CPUが強い\n```\n\nという役割分担になります。\n\nAIエージェント時代にCPU需要が高まる理由はまさにここです。 \nモデル本体の計算はGPU/TPU/LPUで速くできても、**AIが外部世界を操作し、条件に応じて行動を変え、ツールを呼び、データを探し、結果を判断する部分はCPU的な処理だから**です。\n\n---\n\nはい。 \nこの時代、つまり **AIエージェント化・推論爆増・リアルタイムAI化** の時代では、GPU、TPU、LPUの優位性はかなり分かれてきます。\n\n結論から言うと、\n\n**GPU = 最も汎用的なAI工場** \n**TPU = Google型の巨大テンソル専用工場** \n**LPU = 低遅延LLM推論の高速ベルトコンベア**\n\nです。\n\n---\n\n## この時代におけるGPUの優位性とTPU/LPUの優位性\n\n## \\1. まずGPUの優位性\n\nGPUの最大の優位性は、**汎用性とエコシステム**です。\n\nGPUは、もともと大量並列計算に強い装置ですが、現在のNVIDIA GPUはTensor Core、HBM、NVLink、CUDA、TensorRT、cuDNN、NCCL、Triton、PyTorch対応などを含む巨大なソフトウェア・ハードウェア基盤になっています。NVIDIAはTensor Coreについて、学習から推論、HPCまで幅広いAIワークロードを加速する中核部品として説明しています。([NVIDIA](https://www.nvidia.com/en-us/data-center/tensor-cores/))\n\nGPUの強さは、単に「行列演算が速い」だけではありません。\n\n## GPUが強い理由\n\n### \\1. 学習にも推論にも使える\n\nGPUは、大規模学習、大規模推論、画像生成、動画生成、音声生成、科学計算、ロボティクス、シミュレーションまで広く使えます。\n\nTPUやLPUは用途が狭い。 \nGPUは広い。\n\nこれは非常に大きいです。\n\nAIのモデル構造は急速に変わります。\n\n```\nTransformer\nMoE\nDiffusion\nState Space Model\nMultimodal model\nReasoning model\nAgentic model\nRobotics foundation model\n```\n\nこうした変化に最も追従しやすいのがGPUです。\n\n---\n\n### \\2. ソフトウェア資産が圧倒的\n\nAI研究者・企業・クラウド・OSSの多くが、まずGPUで動くようにモデルを作ります。\n\nCUDA、PyTorch、TensorRT-LLM、NCCL、Tritonなどの蓄積があるため、新しいモデルが出ても、まずGPUで最適化されやすい。\n\nこれは半導体そのもの以上に重要です。\n\n**GPUの優位性は、チップ単体ではなく「GPUを中心にしたAI開発文明」そのもの**です。\n\n---\n\n### \\3. 大規模モデルを束ねる能力が高い\n\n大規模AIでは、1枚のチップでは足りません。 \n何十枚、何百枚、何千枚、何万枚のアクセラレータを束ねる必要があります。\n\nNVIDIAのGB200 NVL72は、36個のGrace CPUと72個のBlackwell GPUを1ラックに収め、72 GPUのNVLinkドメインを1つの巨大GPUのように扱う設計です。NVIDIAは、GB200 NVL72がH100比でリアルタイムLLM推論30倍、LLM学習4倍、エネルギー効率25倍を掲げています。([NVIDIA](https://www.nvidia.com/en-us/data-center/gb200-nvl72/))\n\nつまりGPUの優位性は、\n\n```\nGPU単体の性能\n+\nNVLink\n+\nネットワーク\n+\nCPU連携\n+\nソフトウェア\n+\nラックスケール設計\n```\n\nまで含めた総合力です。\n\n---\n\n### \\4. 分岐・不規則処理への耐性がTPU/LPUより高い\n\nGPUも分岐は苦手ですが、TPUやLPUよりはまだ柔軟です。\n\nAIエージェント時代には、推論が単純な行列演算だけではなくなります。\n\n```\n長文入力\nRAG\n検索\nツール呼び出し\nマルチモーダル\nMoEルーティング\n推論ステップの変化\n動的バッチング\nKV cache管理\n```\n\nこうした複雑さが増えると、完全専用型のTPU/LPUより、GPUの柔軟性が効きやすい。\n\n---\n\n## GPUが最も強い領域\n\n![](/media/688c6acf767727c8a47036ff7fa1cdc0fb97a6eeff9d9205e381867e67ae0c73-content.webp)\n\nつまりGPUは、**AI時代の汎用工作機械**です。\n\n---\n\n## \\2. TPUの優位性\n\nTPUは、Googleが作った **Tensor Processing Unit** です。 \nGPUよりもさらに機械学習の行列演算に特化したASICです。\n\nTPUの中心は **systolic array** です。Google Cloudの説明では、TPUは機械学習向けのASICであり、行列演算を高速に行うため、multiply-accumulateを行う多数の演算器が物理的な行列として接続されています。TPU v3では128×128 ALUのsystolic arrayを2つ持つ構成と説明されています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/system-architecture-tpu-vm?utm_source=chatgpt.com))\n\nTPUの優位性は、**決まった形の巨大なテンソル計算を、効率よく大量に流すこと**です。\n\n---\n\n## TPUが強い理由\n\n### \\1. 行列演算に特化している\n\nGPUは汎用並列プロセッサです。 \nTPUはより専用の行列プロセッサです。\n\nTPUは、\n\n```\n巨大な行列積\nTransformerのMLP\nAttention\n畳み込み\nランキング/推薦モデル\n大規模バッチ学習\n```\n\nのような処理が中心なら非常に強い。\n\nGoogle Cloudも、TPUは行列計算が支配的なモデル、大きな有効バッチサイズ、長期間の学習、大規模モデル、超大規模embeddingを持つ推薦モデルなどに向くと説明しています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/intro-to-tpu?utm_source=chatgpt.com))\n\n---\n\n### \\2. 電力効率・コスト効率を出しやすい\n\n専用化すると、無駄な回路を削れます。\n\nCPUのような分岐予測や複雑な命令制御、GPUのような幅広い汎用性をある程度削り、その分を行列演算・HBM・データフローに振る。\n\nそのため、**同じようなテンソル計算を大量に回すなら、GPUより効率がよくなる場面がある**。\n\n特にGoogle内部のように、\n\n```\nモデル設計\nコンパイラ\nデータセンター\nネットワーク\n運用\nフレームワーク\n```\n\nを垂直統合できる環境では、TPUは非常に強いです。\n\n---\n\n### \\3. GoogleのAI基盤と一体化している\n\nTPUは単体チップというより、Googleの巨大AI基盤の一部です。\n\nGoogle CloudではTPUをスライスやPodとして束ね、大規模学習や推論に使えます。またXLAコンパイラがMLフレームワークから出たグラフをTPU用機械語へコンパイルし、プログラムの残りはTPUホストマシン上で動きます。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/intro-to-tpu?utm_source=chatgpt.com))\n\nつまりTPUは、\n\n**Googleのクラウド、Gemini、検索、広告、推薦、YouTube、JAX/XLA文化**\n\nと相性が良い。\n\nこれはNVIDIA GPUとは別の強さです。\n\n---\n\n## TPUの弱点\n\nただしTPUは、GPUより柔軟性が低いです。\n\nGoogle Cloudの資料でも、TPUは頻繁な分岐を含む線形代数プログラム、動的shapeのテンソル、main training loopにカスタム演算を含むニューラルネットワークには向かないと説明されています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/intro-to-tpu?utm_source=chatgpt.com))\n\nつまりTPUは、\n\n```\n形が決まっている\n巨大な行列計算が多い\n大きなバッチで回せる\nGoogleのXLA/JAX/Cloud TPU環境に乗せられる\n```\n\nなら強い。\n\n逆に、\n\n```\nモデル構造が頻繁に変わる\n動的shapeが多い\n独自演算が多い\n分岐が多い\nGPU向けOSSをそのまま使いたい\n```\n\nならGPUの方が扱いやすい。\n\n---\n\n## \\3. LPUの優位性\n\nLPUは、主にGroqが使っている **Language Processing Unit** という用語です。 \nこれはGPUやTPUのような汎用AIアクセラレータではなく、**LLM推論、特に低遅延のトークン生成**に寄せた専用アクセラレータです。\n\nGroqは、自社のLPUを2016年に開発した推論専用チップとして説明し、設計選択のすべてを「高速で手頃な推論」に向けていると述べています。またGroqCloudは、LPUベースのスタックを世界中のデータセンターで動かし、低レイテンシ応答を提供すると説明しています。([Groq](https://groq.com/))\n\n---\n\n## LPUが強い理由\n\n### \\1. 低遅延推論に強い\n\nLPUの最大の強みは、**トークンが速く出ること**です。\n\nLLM推論では、ユーザー体験に大きく効くのは2つです。\n\n```\nTTFT = 最初のトークンが出るまでの時間\nTPOT = 1トークンごとの生成時間\n```\n\nチャット、音声AI、リアルタイム翻訳、AI配信アバター、コーディング補助、エージェントの内部思考ループでは、1秒以下の差が体感に直結します。\n\nこの領域では、LPUのような専用推論チップが非常に強くなります。\n\n---\n\n### \\2. 推論専用なので無駄を削れる\n\nGPUは学習にも推論にも画像生成にもHPCにも使えます。 \nその分、汎用性のための余地があります。\n\nLPUは、もっと割り切っています。\n\n```\n学習より推論\n汎用AIよりLLM推論\n最大柔軟性より低遅延\n大量機能より決まった推論パス\n```\n\nに寄せられる。\n\nこの割り切りにより、リアルタイム応答で優位に立てる可能性があります。\n\n---\n\n### \\3. AIエージェント時代の「内部ループ」に向く\n\nAIエージェントは、1回だけLLMを呼ぶのではありません。\n\n```\n考える\n↓\nツールを呼ぶ\n↓\n結果を見る\n↓\nまた考える\n↓\n次のツールを呼ぶ\n↓\n結果をまとめる\n```\n\nこのように、何度も短い推論を繰り返します。\n\nこのとき、1回ごとの推論レイテンシが小さいと、エージェント全体が速くなります。\n\nつまりLPUは、**エージェントの「内側の思考反復」を高速化する部品**として魅力があります。\n\n---\n\n## LPUの弱点\n\nただしLPUは、GPUの完全代替ではありません。\n\n弱点は明確です。\n\n```\n大規模学習には向きにくい\n画像・動画生成など広範なAIには不向き\nモデル対応範囲がGPUより狭い\nCUDAのような巨大エコシステムはない\n最大規模モデルの運用ではGPUクラスターに劣る可能性\n柔軟性より専用性に振っている\n```\n\nつまりLPUは、\n\n**AI全体の主役**というより、 \n**LLM推論の一部、特に低遅延応答の専用エンジン**\n\nとして見るべきです。\n\n---\n\n## \\4. GPU、TPU、LPUを時代別に見る\n\n## 学習の時代\n\nAIモデルを巨大化させる時代では、GPUとTPUが強いです。\n\n![](/media/f3696a40154268cbb744ff183f42fa68fd0705ca17a72c018605cda54c105cdc-content.webp)\n\nこの段階ではLPUは主役ではありません。 \nLPUは基本的に推論側です。\n\n---\n\n## 推論爆増の時代\n\nモデルを作るだけでなく、何十億、何百億、何兆回も呼び出す時代になると、LPUやTPUの重要性が上がります。\n\n![](/media/7b177aa33fa47e76febfd173dc539fa94ee07064eea8c0ae3ee4f2201911829f-content.webp)\n\nここでは、GPU一強ではなくなります。\n\n**大量・定型・低遅延・高頻度**になるほど、専用アクセラレータの存在感が増えます。\n\n---\n\n## AIエージェント時代\n\nAIエージェント時代は複雑です。\n\nなぜなら、エージェントは単純なLLM推論だけでなく、ツール呼び出し、検索、DB、API、Python実行、ファイル操作などを含むからです。\n\nこの時代の役割分担はこうです。\n\n![](/media/869b19b901461a91f206c9e52dae89e54747fbecfe81dab826ef75569a8d6155-content.webp)\n\nつまりAIエージェント時代では、\n\n**CPUが司令塔** \n**GPUが万能AI工場** \n**TPUが巨大テンソル工場** \n**LPUが低遅延言語エンジン**\n\nになります。\n\n---\n\n## \\5. 工学的な違いで見る優位性\n\n## GPUの優位性：柔軟な大量並列\n\nGPUは、多少の分岐や不規則性を含みながらも、大量並列をこなせます。\n\n```\n行列演算\nAttention\nMoE\n画像生成\n動画生成\n科学計算\nロボティクス\n独自カーネル\n```\n\nに対応しやすい。\n\n**モデルが変わる時代にはGPUが強い**です。\n\n---\n\n## TPUの優位性：規則的な行列計算の効率\n\nTPUは、systolic arrayで行列演算を規則的に流します。\n\n```\n巨大バッチ\n定型モデル\nXLAで最適化できる計算グラフ\nGoogleクラウド上の大規模学習/推論\n```\n\nに強い。\n\n**モデルと計算形状が安定している時代にはTPUが強い**です。\n\n---\n\n## LPUの優位性：低遅延の逐次トークン生成\n\nLPUは、LLM推論のトークン生成を高速・安定・低遅延に流すことに寄っています。\n\n```\nチャット\n音声AI\nリアルタイム翻訳\nAIエージェントの短い反復推論\nコーディング補助\n低レイテンシAPI\n```\n\nに強い。\n\n**人間が待っているリアルタイムAIにはLPUが強い**です。\n\n---\n\n## \\6. かなり簡単なたとえ\n\n## GPU\n\n総合AI工場です。\n\nカレーも作れる。 \n寿司も作れる。 \nパンも作れる。 \n新メニューにも対応できる。 \nしかも巨大チェーン店として世界中に展開済み。\n\nだから一番汎用的で、一番強い。\n\n---\n\n## TPU\n\nGoogle専用の巨大カレー工場です。\n\nカレーを大量に作るなら非常に安く速い。 \n材料搬入、工場ライン、配送、販売までGoogle内部で統合されている。\n\nただし、急に寿司やケーキを作れと言われると、GPUほど柔軟ではない。\n\n---\n\n## LPU\n\nラーメン替え玉専用の超高速ラインです。\n\n1玉ずつ、すぐ出す。 \n待ち時間が少ない。 \nリアルタイム会話に強い。\n\nただし、料理全般を任せる万能厨房ではない。\n\n---\n\n## \\7. 投資・産業目線での整理\n\nこの時代、GPUの優位性はまだ非常に強いです。\n\nなぜなら、AIの最先端はまだ変化が激しく、学習・推論・マルチモーダル・ロボティクス・シミュレーションまで全部を支える必要があるからです。 \nこの「何にでも対応できるAI工場」というポジションは、GPUの最大の強みです。\n\n一方、TPUやLPUの優位性は、**推論が産業化・定型化・大量化したとき**に強くなります。\n\n```\n同じモデルを大量に回す\n同じ形の推論を何億回も行う\nレイテンシを極限まで下げる\n1トークンあたりコストを削る\n```\n\nこうなると、専用アクセラレータが勝ちやすい。\n\nつまり、\n\n**探索・開発・最先端モデル = GPU優位** \n**定型化した巨大テンソル処理 = TPU優位** \n**低遅延LLM推論 = LPU優位**\n\nです。\n\n---\n\n## まとめ\n\nこの時代におけるGPU、TPU、LPUの優位性は、次のように整理できます。\n\n![](/media/afd991913c0647d5ffa7144dcb6513cf9b434ec60f6c0edde7f85f979065901d-content.webp)\n\n最終的には、どれか1つが全部を置き換えるというより、\n\n```\nCPU：司令塔\nGPU：万能AI工場\nTPU：巨大テンソル専用工場\nLPU：低遅延言語推論エンジン\n```\n\nという分業になります。\n\nそして、最も重要なのはここです。\n\n**GPUは「変化に強い」。** \n**TPUは「定型化した大規模計算に強い」。** \n**LPUは「リアルタイム推論に強い」。**\n\nAIがまだ急速に進化している間はGPUが中心に残りやすい。 \n一方で、推論が大量化し、モデルや用途が安定してくるほど、TPUやLPUのような専用アクセラレータの価値が高まっていくと思います。\n\nはい。ここはかなり重要です。\n\n結論から言うと、**TPU/LPUでGPUを置き換えようとするとき、GPUにあってTPU/LPUに足りない部分をCPUで補うことはできます。** \nただし、それで完全にGPUの代用になるわけではありません。\n\nなぜならGPUの強みは、単なる行列演算能力だけではなく、\n\n**ある程度の汎用性を持った大量並列計算機であること**\n\nにあるからです。\n\nTPU/LPUは、より専用化されています。 \nCPUで制御部分を補っても、**GPUが持つ「柔軟な並列計算能力」そのものはCPUでは補いにくい**です。\n\n---\n\n## \\1. まず全体像\n\n役割を分けると、こうです。\n\n![](/media/c000fe4eaaa1efc116026d6c12e9b3c5aceba06420605da309a71b2f71149a83-content.webp)\n\nつまり、\n\n```\nCPU + TPU/LPU\n```\n\nで補えるのは、\n\n```\nCPU：制御・分岐・OS・I/O\nTPU/LPU：決まったAI計算\n```\n\nです。\n\nしかし、GPUの強みである、\n\n```\n柔軟な大量並列計算\n広いモデル対応\n独自カーネル\n画像・動画・物理シミュレーション\n研究開発の柔軟性\nCUDAエコシステム\n```\n\nまでは、簡単には代用できません。\n\n---\n\n## \\2. CPUで補える部分\n\nTPU/LPUは、分岐やI/OやOS処理が苦手です。 \nここはCPUでかなり補えます。\n\nたとえばAIエージェントでは、CPUが次を担当できます。\n\n```\nユーザーリクエスト受付\n認証\nログ保存\nRAG検索\nDB照会\nAPI呼び出し\nPython実行\nツール選択\n条件分岐\nファイルI/O\nネットワーク通信\nエラー処理\n再試行\nジョブスケジューリング\n```\n\nそして、モデル本体の推論だけをTPU/LPUへ投げます。\n\n```\nCPU：次に何をすべきか決める\n↓\nTPU/LPU：LLM推論を高速に実行\n↓\nCPU：結果を見て次のツールを呼ぶ\n↓\nTPU/LPU：また推論する\n```\n\nこれは十分に現実的です。\n\n特に、**チャット、音声AI、リアルタイム翻訳、定型的なLLM推論、社内AIエージェント**では、この構成は強いです。\n\n---\n\n## \\3. CPU + TPU/LPUで代用しやすい領域\n\n## \\1. 定型的なLLM推論\n\n同じモデル、同じような入力、同じような出力形式で大量に回すなら、TPU/LPUは強いです。\n\n例：\n\n```\nチャットボット\nカスタマーサポート\n定型要約\n定型翻訳\nFAQ応答\n社内文書検索\n議事録要約\n```\n\nこのような用途では、CPUが周辺制御を行い、TPU/LPUが推論を処理する形でGPUを代替しやすいです。\n\n---\n\n## \\2. 低遅延の言語生成\n\nLPUはここが一番強いです。\n\nGroqはLPUについて、静的スケジューリングと決定論的実行により予測可能な性能を出す設計だと説明しています。またオンチップSRAMを主要な重み保存先として使い、レイテンシを抑えるとしています。([Groq](https://groq.com/lpu-architecture?utm_source=chatgpt.com))\n\nつまり、LPUは、\n\n```\n次のトークンを速く出す\nリアルタイム会話を滑らかにする\n音声AIの応答遅延を減らす\nエージェントの短い推論ループを速くする\n```\n\n用途ではGPUの一部を置き換えやすいです。\n\n---\n\n## \\3. Google型の大規模テンソル計算\n\nTPUは、Googleのようにモデル、コンパイラ、クラウド、運用を垂直統合できる環境では非常に強いです。\n\nGoogle Cloudは、TPUは行列計算が支配的な大規模MLジョブ、大きなバッチサイズ、長期間の学習、超大規模embeddingを持つモデルなどに向くと説明しています。一方で、頻繁な分岐、動的shape、main training loop内のカスタム演算などには向かないとしています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/intro-to-tpu?utm_source=chatgpt.com))\n\nつまりTPUは、\n\n```\n形が安定した大規模学習\n大規模推論\n推薦モデル\n検索・広告・ランキング\nGoogle Cloud上のAI\n```\n\nではGPU代替になりやすい。\n\n---\n\n## \\4. それでもGPU代用が難しい領域\n\nここが本題です。\n\nCPUで制御を補っても、TPU/LPUでGPUを代用しにくい領域があります。\n\n---\n\n## \\1. 新しいモデル構造への対応\n\nGPUの最大の強みは、**新しいモデルに対する柔軟性**です。\n\nAIのモデル構造は毎年変わります。\n\n```\nTransformer\nMoE\nDiffusion\nState Space Model\nMamba系\nマルチモーダルモデル\n動画生成モデル\nロボティクス基盤モデル\n世界モデル\n強化学習\n推論モデル\n```\n\nこのように処理の形が変わると、TPU/LPUのような専用機は最適化が追いつきにくいことがあります。\n\nGPUはCUDAやPyTorch、Tritonなどで新しいカーネルを書きやすい。NVIDIAはCUDAを、C++、Python、FortranやPyTorchなどからGPUを活用できるソフトウェア層として位置づけています。([NVIDIA Developer](https://developer.nvidia.com/cuda?utm_source=chatgpt.com))\n\nつまり、GPUは、\n\n```\nまだ形が定まっていないAI\n研究開発中のAI\n新しい演算が必要なAI\n```\n\nに強いです。\n\nCPU + TPU/LPUでは、CPUが制御できても、TPU/LPU側に適した実行パスがなければ性能が出ません。\n\n---\n\n## \\2. 画像生成・動画生成・3D・ロボティクス\n\nLPUは基本的に言語推論向けです。 \n画像生成や動画生成には向きません。\n\nTPUはテンソル計算なので画像系にも使えますが、現実の生成AIではモデル構造やカスタム演算、メモリパターン、ライブラリ対応が重要です。\n\n画像生成・動画生成では、\n\n```\nDiffusion\nU-Net\nDiT\nVAE\nControlNet\n3D Gaussian Splatting\nNeRF\n動画の時系列処理\nマルチモーダル融合\n```\n\nのような多様な処理が出ます。\n\nGPUはこのような多様な演算を比較的柔軟に処理できます。 \nLPUでは代用が難しい。TPUでも環境やモデル次第で制約が出やすい。\n\n---\n\n## \\3. カスタム演算・独自カーネルが多い領域\n\nAI研究や高度な推論基盤では、標準レイヤーだけでは足りません。\n\n```\n独自Attention\nFlashAttention系\n独自MoEルーティング\n量子化カーネル\n特殊なKV cache管理\nSparse演算\n低精度演算\n推論最適化カーネル\nカスタムオペレーター\n```\n\nこういう領域では、GPUのプログラマブル性が強いです。\n\nTPUはXLAで最適化できる形なら強いですが、Google Cloud自身もTPUはメインループにカスタム演算を含むニューラルネットワークには向かないと説明しています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/intro-to-tpu?utm_source=chatgpt.com))\n\nCPUで制御を補っても、肝心の重いカスタム演算を高速に走らせる場所が必要です。 \nここでGPUが残ります。\n\n---\n\n## \\4. 動的shape・不規則なバッチ・長さがバラバラの推論\n\n実サービスのAI推論では、ユーザーごとに入力長が違います。\n\n```\n10トークンの質問\n1000トークンの文書\n10万トークンの長文\n画像付き入力\nツール呼び出しあり\n途中でキャンセル\nストリーミング出力\n```\n\nこのように形がバラバラです。\n\nTPUは大きなバッチで形が揃っていると強いですが、動的shapeや頻繁な分岐は苦手です。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/intro-to-tpu?utm_source=chatgpt.com))\n\nGPUも完璧ではありません。NVIDIA CUDAでも、warp内で分岐が分かれると各分岐パスを順に実行するため効率が落ちると説明されています。([NVIDIA Docs](https://docs.nvidia.com/cuda/cuda-programming-guide/03-advanced/advanced-kernel-programming.html?utm_source=chatgpt.com))\n\nただしGPUは、TPU/LPUよりも不規則性に耐えやすいです。\n\n---\n\n## \\5. MoE、ルーティング、疎行列、条件付き計算\n\nMoE、つまりMixture of Expertsでは、トークンごとに使う専門家モデルが変わります。\n\n```\nこのトークンはExpert 3へ\nこのトークンはExpert 12へ\nこのトークンはExpert 1と7へ\n```\n\nこれは行列演算だけでなく、\n\n```\nルーティング\n通信\nロードバランス\n疎なアクセス\n専門家ごとのバッチング\n```\n\nが重要です。\n\nGPUはNCCL、CUDA、カスタムカーネル、NVLinkなどを使って、このような不規則な大量並列処理に対応しやすい。\n\nTPUでもMoEは可能ですが、実装・環境・コンパイラ・通信設計に強く依存します。 \nLPUはこの種の汎用的なMoE学習・推論には向きにくいです。\n\n---\n\n## \\6. 大規模学習\n\nLPUは基本的に推論特化なので、大規模学習のGPU代替にはなりにくいです。\n\nTPUは大規模学習に強いですが、Googleの環境に寄ります。 \n広いAI業界で見ると、研究者・OSS・クラウド・企業内スタックはGPU中心で構築されています。\n\n大規模学習では、\n\n```\n分散学習\n勾配同期\n混合精度\nチェックポイント\nカスタムオペレーター\n新モデル実験\nデバッグ\nプロファイリング\n```\n\nが必要です。\n\nこの柔軟性とエコシステムの厚みでは、GPUが非常に強いです。\n\n---\n\n## \\7. HPC、科学技術計算、シミュレーション\n\nGPUはAI以外にも強いです。\n\n```\n流体解析\n分子動力学\n気象予測\n金融シミュレーション\n物理シミュレーション\nレイトレーシング\n3Dレンダリング\nロボティクスシミュレーション\n```\n\nこうした処理は、単純なLLM推論とは違います。\n\nTPU/LPUはこの領域では代用しにくいです。 \n特にLPUはほぼ対象外です。\n\nGPUはAIだけでなく、HPCとグラフィックスの歴史を持つため、ここで大きな優位性があります。\n\n---\n\n## \\5. 「CPUで補う」ときの限界\n\nCPUでTPU/LPUの弱点を補うことはできます。 \nしかし、CPUで補うときには3つの限界があります。\n\n## 限界1：CPUは計算密度が低い\n\nCPUは分岐や制御には強いですが、巨大な行列演算ではGPU/TPU/LPUに負けます。\n\nつまりCPUは、\n\n```\n制御はできる\nでも重い並列計算は肩代わりしにくい\n```\n\nです。\n\n---\n\n## 限界2：CPUとTPU/LPUの間でデータ移動が発生する\n\nCPUが制御し、TPU/LPUが推論する場合、処理のたびにデータ移動や同期が発生します。\n\n```\nCPUで判断\n↓\nアクセラレータへ投入\n↓\n結果をCPUへ戻す\n↓\nCPUで次の判断\n↓\nまたアクセラレータへ投入\n```\n\nAIエージェントのように短い推論とツール処理を何度も繰り返すと、この往復がボトルネックになることがあります。\n\n---\n\n## 限界3：アクセラレータ側が対応していない処理は速くならない\n\nCPUがどれだけ賢くても、TPU/LPU側にその演算を高速に実行する仕組みがなければ、性能は出ません。\n\nつまり、\n\n```\nCPU = 司令塔\nTPU/LPU = 専用工場\n```\n\nだとして、専用工場が作れない品目は、司令塔が命令しても作れません。\n\nここでGPUの「万能工場」性が効きます。\n\n---\n\n## \\6. GPUが残り続ける核心部分\n\nGPUにあってTPU/LPUに欠けやすいのは、次の4つです。\n\n## \\1. 汎用プログラマブル性\n\nGPUは、AI専用機ではなく、広い意味での並列プロセッサです。\n\n新しい演算、新しいモデル、新しい推論方式に対応しやすい。\n\n---\n\n## \\2. ソフトウェアエコシステム\n\nCUDA、PyTorch、TensorRT、Triton、cuDNN、NCCL、各種カーネル最適化が厚い。\n\nこのエコシステムが、GPUの最大の堀です。\n\n---\n\n## \\3. 多用途性\n\nGPUは、\n\n```\n学習\n推論\n画像\n動画\n音声\n3D\nHPC\nロボティクス\nシミュレーション\n```\n\nを横断できます。\n\nLPUは言語推論に偏ります。 \nTPUはテンソル計算に強いが、環境依存が大きい。\n\n---\n\n## \\4. 不確実な未来への対応力\n\nAIはまだ最終形が見えていません。\n\nどのモデル構造が主流になるか、どの推論方式が勝つか、どのデータ型が標準になるか、まだ変化しています。\n\nこの不確実性の時代には、専用機よりGPUが強いです。\n\n---\n\n## \\7. まとめると\n\nCPU + TPU/LPUでGPUを代替しやすい領域は、\n\n```\n定型LLM推論\n低遅延チャット\n音声AI\n固定モデルの大量推論\nGoogle型の大規模テンソル処理\n社内AIエージェントの一部\n```\n\nです。\n\n一方、代替しにくい領域は、\n\n```\n新モデル研究開発\n画像生成\n動画生成\nマルチモーダル\nロボティクス\nHPC\n大規模学習\nカスタム演算\n独自カーネル\nMoE・疎演算・動的shape\n不規則な大量並列処理\n```\n\nです。\n\n一言で言うと、\n\n**CPUでTPU/LPUの“制御の弱さ”は補える。 \nしかし、GPUの“柔軟な大量並列計算能力”は補いにくい。**\n\nです。\n\nだから今後のAIインフラは、\n\n```\nCPU + TPU/LPU がGPUを完全に置き換える\n```\n\nというより、\n\n```\nGPU：変化に強い万能AI基盤\nTPU：定型化した巨大テンソル処理\nLPU：低遅延LLM推論\nCPU：制御・I/O・エージェント実行\n```\n\nという分業になると思います。\n\n---\n\n## VLAにおけるCPU、GPU、LPU、TPUの役割\n\n結論から言うと、**画像生成・動画生成は、単なるクリエイティブ用途ではなく、VLM/VLA/ロボティクスにとって「世界を学ぶための教材」と「行動を試す仮想実験場」になります。**\n\nそしてVLAにおける計算資源の役割は、おおまかにこうです。\n\n**CPU：身体と現実世界を管理する司令塔** \n**GPU：視覚・動画・生成・学習・シミュレーションの主力** \n**TPU：定型化した巨大テンソル計算を高効率に回す専用工場** \n**LPU：低遅延の言語推論・計画ループを回す補助エンジン**\n\n---\n\n## \\1. なぜ画像生成・動画生成がVLM/VLAに重要なのか\n\nVLMは **Vision-Language Model**、つまり画像や動画を見て、言語で理解・推論するモデルです。 \nVLAは **Vision-Language-Action Model**、つまり画像・言語を入力し、ロボットの行動まで出力するモデルです。\n\nGoogle DeepMindのRT-2は、Web規模の視覚・言語データで事前学習したVLMを、ロボット観測から行動へ変換できるVLAへ拡張する研究です。DeepMindはRT-2について、Webとロボットデータの両方から学習し、視覚と言語の知識をロボット制御に転移するモデルだと説明しています。([Google DeepMind](https://deepmind.google/blog/rt-2-new-model-translates-vision-and-language-into-action/?utm_source=chatgpt.com))\n\nつまり、VLAはこういう構造です。\n\n```\n画像を見る\n↓\n言語命令を理解する\n↓\n状況を推論する\n↓\n何を掴むか、どこへ動かすかを決める\n↓\nロボットの行動に変換する\n```\n\nここで重要なのは、ロボットが必要とする知能は「物体名を知っている」だけでは足りないことです。\n\nロボットは、\n\n```\nこのコップは倒れやすい\nこの箱は押せば滑る\nこの布は柔らかく変形する\nこのドアは取っ手を回す必要がある\nこの人の手を避けなければ危ない\n```\n\nという、**物理世界の変化**を理解する必要があります。\n\nこの「変化」を学ぶには、静止画像だけでは不十分です。 \nだから動画が重要になります。\n\n---\n\n## \\2. 画像生成は「見た目の多様性」を増やす\n\n画像生成は、VLM/VLAにとって **視覚データの多様化装置** です。\n\nロボットは現実世界で、毎回違うものを見ます。\n\n```\n照明が違う\n背景が違う\n物体の色が違う\n机の材質が違う\nカメラ角度が違う\n人間の手が写り込む\n影や反射がある\n物が半分隠れている\n```\n\n現実のロボットデータだけでこれらを全部集めるのは大変です。 \nそこで画像生成や合成データが重要になります。\n\n画像生成によって、\n\n```\n同じタスクを別の部屋で再現する\n別の物体に置き換える\n照明や影を変える\n珍しい失敗例を作る\n危険な状況を仮想的に作る\n```\n\nことができます。\n\nこれは、VLAにとって「現実で起きる無数の見た目の揺らぎ」に強くなるための訓練になります。\n\nただし、画像生成だけでは「時間変化」が足りません。 \nロボットにとって本当に重要なのは、**行動した結果、世界がどう変わるか** です。 \nここで動画生成・世界モデルが重要になります。\n\n---\n\n## \\3. 動画生成は「物理世界の時間変化」を学ばせる\n\n動画生成は、VLAにとって **未来予測の教材** です。\n\nロボットは行動する前に、ある程度こう考える必要があります。\n\n```\nこれを押したらどう動くか\nこれを掴んだら落ちるか\nこの方向へ腕を動かすとぶつかるか\nこの物体は転がるか\nこの箱は開くか\n人間が近づいてきたらどう避けるか\n```\n\nこれは言語だけではなく、**動画的な世界理解**です。\n\nMetaのV-JEPA 2は、インターネット規模の動画データと少量のロボット軌道データを組み合わせ、物理世界を理解・予測・計画するモデルを目指す研究です。MetaはV-JEPA 2を、動画から視覚理解と予測を行い、新しい環境でゼロショットのロボット制御を可能にする世界モデルとして説明しています。([AI Meta](https://ai.meta.com/research/vjepa/?utm_source=chatgpt.com))\n\nこれは非常に重要です。 \nなぜならロボットは、単に「見えているもの」を認識するだけでなく、**次に何が起こるか** を予測しなければならないからです。\n\nつまり動画生成・動画予測は、ロボットにとっての「想像力」に近いです。\n\n---\n\n## \\4. 世界モデルは、ロボットの仮想訓練場になる\n\n動画生成がさらに進むと、単なる動画ではなく **World Model / 世界モデル** になります。\n\n世界モデルとは、環境の状態や行動の結果を予測するモデルです。 \nGoogle DeepMindはProject Genieについて、世界モデルは環境のダイナミクスをシミュレートし、世界がどう変化するか、行動がどう影響するかを予測するものだと説明しています。([blog.google](https://blog.google/innovation-and-ai/models-and-research/google-deepmind/project-genie/?utm_source=chatgpt.com))\n\nNVIDIA Cosmosもこの方向です。NVIDIAはCosmosをPhysical AI向けのWorld Foundation Modelプラットフォームとして位置づけ、テキスト・画像・動画から予測的な動画世界を生成し、エッジケース、閉ループ方策、マルチビューのロボット中心シミュレーションを作れると説明しています。([NVIDIA](https://www.nvidia.com/en-us/ai/cosmos/?utm_source=chatgpt.com))\n\nここでのポイントは、動画生成が **ロボットの練習場** になることです。\n\n現実のロボットで学習するには、時間もコストも危険もあります。\n\n```\nロボットが物を落とす\n部品を壊す\n人にぶつかる\n工場ラインを止める\n高価な実機を長時間使う\n```\n\nこれをすべて現実で試すのは難しい。\n\nだから、世界モデルや動画生成で、\n\n```\n危険な状況を仮想的に作る\n珍しい失敗パターンを作る\n倉庫や工場を仮想生成する\n天候・照明・床面・障害物を変える\nロボットが行動した未来を予測する\n```\n\nことが重要になります。\n\nつまり、動画生成は「映像作品を作る技術」ではなく、**フィジカルAIの訓練データ工場** になっていく可能性があります。\n\n---\n\n## \\5. VLAにおけるCPU、GPU、TPU、LPUの役割\n\nVLAは、1つのチップだけで完結するというより、複数の計算資源が役割分担するシステムです。\n\nかなり単純化すると、こうなります。\n\n```\nカメラ・センサー\n↓\nCPU：入力管理、OS、ROS、I/O、安全制御\n↓\nGPU/TPU：視覚理解、VLM/VLA推論\n↓\nCPU：行動計画、制御、安全確認\n↓\nロボット制御器・モーター\n```\n\nさらにクラウド側では、\n\n```\nGPU/TPU：大規模学習、動画生成、世界モデル、シミュレーション\nCPU：データ管理、ジョブ制御、シミュレーション管理\nLPU：低遅延の言語推論・エージェントループ\n```\n\nになります。\n\n---\n\n## CPUの役割：身体と現実世界を管理する\n\nVLAにおけるCPUは、非常に重要です。\n\nCPUは、ロボットの「身体側」を管理します。\n\n```\nOS\nROS / ROS2\nセンサー入力\nカメラ入力\nLiDAR\nIMU\nモーター制御\nネットワーク通信\nファイルI/O\n安全監視\n異常検知\nタスクスケジューリング\n人間の介入\n```\n\n特にロボットでは、AIモデルの推論だけでなく、**リアルタイム制御** が必要です。\n\nたとえば、VLAが「コップを掴め」と判断しても、実際にはCPU側や制御系が、\n\n```\n関節角度を読む\nモーターへ命令する\n力覚センサーを見る\n滑っていないか確認する\n障害物を避ける\n緊急停止する\n```\n\n必要があります。\n\nつまりCPUは、VLAの中で **現実世界との接続係** です。\n\nAIエージェント文脈で言えば、CPUは「道具を使う」「状況に応じて分岐する」「失敗したら再試行する」部分を担当します。\n\n---\n\n## GPUの役割：VLA時代でも最も広い主力\n\nGPUはVLA時代でも非常に重要です。 \nむしろ、画像生成・動画生成・世界モデル・ロボティクスが重要になるほど、GPUの価値は強く残ります。\n\n理由は、GPUが以下の処理に強いからです。\n\n```\nVLM/VLAの大規模学習\n画像生成\n動画生成\n世界モデル\n3Dシミュレーション\nロボット学習\n強化学習\nマルチモーダル推論\nDiffusion Transformer\nTransformer推論\n物理シミュレーション\nレンダリング\n```\n\nNVIDIAのGR00T N1は、ヒューマノイド向けのVLAモデルで、視覚言語モジュールが環境と指示を解釈し、後続のDiffusion Transformerがリアルタイムに滑らかな運動を生成する構成です。また、実ロボット軌道、人間動画、合成データの混合で学習すると説明されています。([arXiv](https://arxiv.org/abs/2503.14734?utm_source=chatgpt.com))\n\nこれはGPUの重要性をよく示しています。\n\nVLAでは、テキストだけでなく、\n\n```\n画像\n動画\n3D空間\n人間の動作\nロボット軌道\nシミュレーション\n合成データ\n```\n\nを扱います。\n\nこのような多様なデータとモデルを横断できるのがGPUです。\n\nGPUは単なるLLM推論チップではなく、**視覚・動画・物理・生成・シミュレーションを統合する万能AI工場** です。\n\n---\n\n## TPUの役割：巨大テンソル計算を効率よく回す\n\nTPUは、VLAにおいては主にクラウド側の大規模学習・大規模推論で強みを持ちます。\n\nGoogle DeepMindのGemini Robotics 1.5は、視覚情報と指示をモーターコマンドへ変換してタスクを実行するVLAモデルとして説明されています。([Google DeepMind](https://deepmind.google/models/gemini-robotics/gemini-robotics/?utm_source=chatgpt.com)) \nまた、Gemini Robotics On-Deviceはロボット本体で動くよう最適化され、ネットワークに依存しないため、低遅延や接続不安定な環境で有利だと説明されています。([Google DeepMind](https://deepmind.google/blog/gemini-robotics-on-device-brings-ai-to-local-robotic-devices/?utm_source=chatgpt.com))\n\nGoogle系のVLAでは、TPUはかなり自然な選択肢になります。\n\nTPUが向くのは、\n\n```\n巨大なTransformer\n大規模VLM学習\n大規模VLA学習\n定型的なテンソル推論\nGoogle Cloud上の訓練\n大量バッチ推論\n```\n\nです。\n\n一方で、TPUはGPUほど汎用的ではありません。 \nVLA研究では、モデル構造、ロボット制御、動画生成、3D、Diffusion、シミュレーション、カスタム演算が次々に変わります。\n\nそのため、Googleのようにモデル・コンパイラ・クラウド・データセンターを垂直統合できる場合はTPUが強い。 \nしかし、広いロボティクス業界全体では、柔軟性・開発環境・シミュレーション統合の面でGPUが主力になりやすいです。\n\n---\n\n## LPUの役割：低遅延の言語・推論ループ\n\nLPUは、VLA全体の主役というより、**言語推論やエージェント的な短い思考ループを低遅延で回す補助エンジン** と見るのが自然です。\n\nVLAロボットは、単に連続的に手を動かすだけではありません。\n\n```\n人間の指示を聞く\nタスクを分解する\n途中結果を説明する\n次の行動を決める\n失敗したら再計画する\n別の道具を使う\n```\n\nこういう部分には、低遅延の言語推論が効きます。\n\nLPUが向くのは、\n\n```\n音声対話\n短いLLM推論\nタスク分解\nエージェントの内部ループ\n人間との応答\nロボットの説明生成\n```\n\nです。\n\nただし、LPUは画像生成・動画生成・3Dシミュレーション・VLA学習の主力にはなりにくいです。 \nLPUは「言語推論の高速ベルトコンベア」であり、フィジカルAIの全体を置き換えるものではありません。\n\n---\n\n## \\6. VLAを二層構造で見ると分かりやすい\n\nVLAロボットは、よく **遅い思考** と **速い制御** に分けて考えると理解しやすいです。\n\nNVIDIA GR00T N1も、人間の認知に着想を得た二重システムを採用し、System 2が視覚と言語に基づく熟考的な意思決定、System 1が反射的・直感的な高速行動モデルという構成だと説明されています。([NVIDIA Newsroom](https://nvidianews.nvidia.com/news/nvidia-isaac-gr00t-n1-open-humanoid-robot-foundation-model-simulation-frameworks?utm_source=chatgpt.com))\n\nこれを計算資源に対応させると、こうです。\n\n```\nSystem 2：遅い思考・計画・言語理解\nCPU + GPU/TPU + 場合によってLPU\n\nSystem 1：速い行動・運動生成・制御\nGPU + CPU + ロボット制御器\n```\n\nSystem 2は、\n\n```\n何をすべきか\nなぜそうするか\nどの物体を対象にするか\n人間の指示は何か\n安全か\n```\n\nを考える層です。\n\nSystem 1は、\n\n```\n腕をどう動かすか\nどの速度で動かすか\nどう掴むか\n滑ったらどう補正するか\n```\n\nを処理する層です。\n\nここで、GPUは両方に関われます。 \n視覚理解にも、行動生成にも、動画/シミュレーションにも使えるからです。\n\nTPUは主に大規模モデル側。 \nLPUは言語的な低遅延思考ループ。 \nCPUは全体の接続・安全・現実制御です。\n\n---\n\n## \\7. なぜフィジカルAIでGPUが強く残るのか\n\nVLAやロボティクスでは、TPUやLPUも重要ですが、GPUの優位性はかなり強いです。\n\n理由は、フィジカルAIが非常に雑多な計算の集合だからです。\n\n```\nLLM\nVLM\nVLA\n画像生成\n動画生成\n世界モデル\n3Dシミュレーション\n物理シミュレーション\n強化学習\n模倣学習\nDiffusion Policy\nロボット軌道生成\n視覚エンコーダ\nマルチモーダル推論\n```\n\nこれらを全部そこそこ柔軟に処理できるのがGPUです。\n\nTPUは、形が安定した大規模テンソル計算では強い。 \nLPUは、低遅延の言語推論では強い。 \nしかし、フィジカルAIはまだ研究開発段階で、モデル構造もデータ形式も固まっていません。\n\nだから、**不確実性が高い時代ほどGPUが強い**です。\n\n---\n\n## \\8. ただし、推論が定型化するとTPU/LPUの領域も増える\n\n一方で、将来的にVLAの一部が定型化すると、TPUやLPUの存在感は上がると思います。\n\nたとえば、\n\n```\n倉庫ロボットの定型ピッキング\n工場内の検査ロボット\n家庭内の定型タスク\n音声対話付きロボット\n特定業務向けVLA推論\n```\n\nのように用途が固まると、GPUの汎用性よりも、TPU/LPUの効率や低遅延が重要になる可能性があります。\n\n特にLPUは、\n\n```\n人間との会話\n指示理解\n短い計画\nエージェント的な再推論\n```\n\nに向きます。\n\nTPUは、\n\n```\nGoogle Cloud上の大量VLA推論\n巨大VLM/VLAの学習\n定型化したテンソル計算\n```\n\nに向きます。\n\nつまり、\n\n**開発・学習・世界モデル生成はGPU中心** \n**Google型の大規模定型計算はTPU** \n**低遅延言語対話はLPU** \n**現実制御はCPU**\n\nという分業が現実的です。\n\n---\n\n## \\9. 投資・産業的な考察\n\nこの流れを見ると、ロボティクス・フィジカルAIで重要になる半導体は、単に「ロボット用チップ」だけではありません。\n\n必要になるのは、\n\n```\nGPU：動画生成、世界モデル、VLA学習、シミュレーション\nCPU：ロボット制御、I/O、OS、安全、エージェント制御\nメモリ：動画・センサー・軌道データ・KV cache\nストレージ：ロボットデータ、動画データ、シミュレーションデータ\nネットワーク：クラウド学習、ロボット群管理\nTPU：大規模定型学習・推論\nLPU：低遅延の言語インターフェース\n```\n\nです。\n\n特に画像生成・動画生成がVLAに重要になると、GPU需要は単なる「チャットAI推論」だけでなく、\n\n```\nロボット訓練用の合成データ生成\n動画世界モデル\nデジタルツイン\n工場・倉庫シミュレーション\n自動運転向けエッジケース生成\n人間動作データの生成・変換\n```\n\nへ広がります。\n\nこれはかなり大きいです。\n\nAIがデジタル空間だけでなく、物理世界へ出ていくほど、**視覚・動画・3D・物理シミュレーション** の需要が増えます。 \nそこではGPUの優位性が再び強くなります。\n\n---\n\n## まとめ\n\n画像生成・動画生成は、VLAやVLMにとって重要です。 \nなぜなら、ロボットに必要なのは「言葉の理解」だけでなく、\n\n```\n物を見る\n変化を予測する\n行動の結果を想像する\n失敗例を学ぶ\n仮想環境で練習する\n現実に近い合成データを使う\n```\n\nことだからです。\n\nVLAにおける役割分担は、こう整理できます。\n\n![](/media/24aaea8e6391491ae1e0e4928d3ced5736caf6edabc05fe8a21b0f0c8e7f1c12-content.webp)\n\nそして最も重要なのは、**フィジカルAIはGPUを弱めるのではなく、むしろGPUの用途を拡張する**という点です。\n\nチャットAIでは、GPUは主にLLMを動かす装置でした。 \nしかしフィジカルAIでは、GPUは、\n\n```\n世界を生成する\n世界を予測する\nロボットを訓練する\n仮想環境を作る\n動画から物理を学ぶ\n行動データを増やす\n```\n\n装置になります。\n\nつまり、VLA時代のGPUは、単なるAI計算チップではなく、**ロボットが現実世界を学ぶための「仮想世界生成エンジン」** になっていくと思います。\n\n---\n\n特定銘柄の推奨・勧誘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。\n\nサムネはPixAIsunflowerモデルとGPTImage2.0\n\n","blocks":[{"id":"blk_4763a1a2-bdaa-477a-b8e5-7b4468cc5916","kind":"figure","order":0,"section_id":"sec_fbdd8698-1088-40d1-8287-9c4f1c424dca","character_id":null,"markdown":"![](/media/864639dff67dbed3763d677c1cd4aaaef9b185fb5b0b9fe749d00270c7611b54-content.webp)","render_override":null},{"id":"blk_785ef726-33ae-45c3-a733-cebcea829a87","kind":"heading","order":1,"section_id":"sec_f0bef2d5-8d93-4afd-9496-9acc15ff3d48","character_id":null,"markdown":"## GPU一強の次に来るもの──AIエージェント時代にCPU需要が高まる理由","render_override":null},{"id":"blk_712fd9ac-d191-4b41-a0a8-f153f9c20e94","kind":"paragraph","order":2,"section_id":"sec_f0bef2d5-8d93-4afd-9496-9acc15ff3d48","character_id":null,"markdown":"生成AIブームは、これまでGPUを中心に語られてきた。大規模言語モデルの学習、画像生成、推論処理の多くは巨大な行列演算であり、そこではNVIDIAを中心とするGPUが圧倒的な存在感を持ってきた。だが、AIの使われ方が「質問に答えるチャットボット」から「外部ツールを使って仕事を進めるAIエージェント」へ移り始めると、インフラの主役はGPUだけでは語れなくなる。","render_override":null},{"id":"blk_7e483fc5-4393-4e12-b092-e59192f009fb","kind":"paragraph","order":3,"section_id":"sec_f0bef2d5-8d93-4afd-9496-9acc15ff3d48","character_id":null,"markdown":"これから重要になるのは、**GPUでモデルを動かす力**だけではない。AIが検索し、APIを呼び、データベースを照会し、Pythonを実行し、人間の承認を待ち、複数のサブタスクを管理するなら、その周辺には膨大なCPU処理が発生する。つまり、AIインフラは「GPUの計算工場」から、**CPU・GPU・メモリ・ネットワーク・ストレージが協調する実行基盤**へ変わりつつある。","render_override":null},{"id":"blk_f226ab3b-6d4a-4224-bd63-d566f6b679f7","kind":"heading","order":4,"section_id":"sec_9140b658-5f81-4bca-8d40-df1d662481e5","character_id":null,"markdown":"## AIエージェントは、LLM単体ではない","render_override":null},{"id":"blk_4c535dff-be53-4b11-bb81-5bdd731d510e","kind":"paragraph","order":5,"section_id":"sec_9140b658-5f81-4bca-8d40-df1d662481e5","character_id":null,"markdown":"従来のLLM推論は、単純化すれば「入力を受け取り、モデルで計算し、出力を返す」処理だった。この場合、主な負荷はGPU上の行列演算に集中する。","render_override":null},{"id":"blk_1fa7294f-1c96-44e0-92b0-6338bcf604a0","kind":"paragraph","order":6,"section_id":"sec_9140b658-5f81-4bca-8d40-df1d662481e5","character_id":null,"markdown":"しかしAIエージェントは違う。AIエージェントは、ユーザーの依頼を分解し、必要に応じて検索し、外部ツールを呼び出し、コードを実行し、結果を評価し、さらに次の行動を決める。論文 **“Towards Understanding, Analyzing, and Optimizing Agentic AI Execution: A CPU-Centric Perspective”** は、Agentic AIでは外部ツールの多くがCPU上で動くか、CPUによってオーケストレーションされるため、CPU-GPU混在システムへの依存が高まると指摘している。さらに同論文は、CPU側の処理を意識した **COMB** と、CPU-heavy/GPU-heavyなリクエストを分けて扱う **MAS** を提案し、CPUとGPUの同時利用率を改善できることを示している。([arXiv](https://arxiv.org/abs/2511.00739))","render_override":null},{"id":"blk_b99dbb7b-7c0e-4704-b992-9814bfa8efd7","kind":"paragraph","order":7,"section_id":"sec_9140b658-5f81-4bca-8d40-df1d662481e5","character_id":null,"markdown":"これは、AIインフラの見方を変える。 \nGPUは「思考のための巨大な計算エンジン」だが、CPUは「行動・道具・記憶・通信を管理する司令塔」になる。","render_override":null},{"id":"blk_0c0d6d36-3335-44e7-9764-802b5140f1d0","kind":"heading","order":8,"section_id":"sec_96593a97-1091-44e5-a238-83d7805e4de7","character_id":null,"markdown":"## CPUはGPUの敵ではなく、GPUを遊ばせないための部品","render_override":null},{"id":"blk_78775887-7b70-4a51-ad6b-a1fdb2a32389","kind":"paragraph","order":9,"section_id":"sec_96593a97-1091-44e5-a238-83d7805e4de7","character_id":null,"markdown":"CPU需要が高まるという話は、「GPUが不要になる」という意味ではない。むしろ逆である。GPUが高価で重要だからこそ、GPUを待たせないためにCPUが重要になる。","render_override":null},{"id":"blk_848a14d4-d7cd-41f9-b1d2-3562c1f57a49","kind":"paragraph","order":10,"section_id":"sec_96593a97-1091-44e5-a238-83d7805e4de7","character_id":null,"markdown":"LLM推論には、大きく分けて **prefill** と **decode** がある。prefillは入力全体を処理して最初のトークンを出す段階で、GPUを高効率に使いやすい。一方、decodeは1トークンずつ続きを生成する段階で、逐次性が強く、GPU利用率が下がりやすい。Sarathi-Serveの研究は、このprefillとdecodeの性質の違いがスループットとレイテンシの両立を難しくしていると整理し、chunked-prefillとstall-free schedulingによって推論効率を改善している。([arXiv](https://arxiv.org/abs/2403.02310?utm_source=chatgpt.com))","render_override":null},{"id":"blk_2b74809e-eaa7-4e94-9605-18da7d55559a","kind":"paragraph","order":11,"section_id":"sec_96593a97-1091-44e5-a238-83d7805e4de7","character_id":null,"markdown":"DistServeも同じ問題意識を持つ。既存のLLMサービングではprefillとdecodeを同じGPU群で混在処理するため干渉が起きる。DistServeはprefillとdecodeを分離し、それぞれに合った資源配分を行うことで、TTFT、つまり最初のトークンまでの時間と、TPOT、つまり1トークンあたりの生成時間を最適化する。([arXiv](https://arxiv.org/abs/2401.09670?utm_source=chatgpt.com))","render_override":null},{"id":"blk_32c397f6-4b8b-43e5-9638-4600cb3b056c","kind":"paragraph","order":12,"section_id":"sec_96593a97-1091-44e5-a238-83d7805e4de7","character_id":null,"markdown":"ここで重要なのは、AI推論の性能は単純なFLOPSだけでは決まらないということだ。 \nリクエストをどう並べるか。 \nどのタイミングでGPUに流すか。 \nKV cacheをどう管理するか。 \nCPUで動くツール処理をどこまで重ねられるか。","render_override":null},{"id":"blk_68426ced-aac3-45b7-b36b-e3dadb27ace6","kind":"paragraph","order":13,"section_id":"sec_96593a97-1091-44e5-a238-83d7805e4de7","character_id":null,"markdown":"この「交通整理」こそが、AI推論基盤の新しい競争軸になる。","render_override":null},{"id":"blk_12009e51-0645-4461-9dc1-2c643cb50906","kind":"heading","order":14,"section_id":"sec_6c21cd07-3fda-4c7d-8a28-b122b32abee4","character_id":null,"markdown":"## CPU-GPU結合システムでもCPUはボトルネックになる","render_override":null},{"id":"blk_0b8759a4-adaf-44af-809c-d971cc748176","kind":"paragraph","order":15,"section_id":"sec_6c21cd07-3fda-4c7d-8a28-b122b32abee4","character_id":null,"markdown":"NVIDIA GH200のように、CPUとGPUを密に結合したシステムでも、CPUの重要性は消えない。むしろ、GPUが高速になるほど、CPU側のスケジューリングやカーネル起動、キュー管理の遅延が目立ちやすくなる。","render_override":null},{"id":"blk_b6d17814-2f65-4db9-8d17-72788c7f63f2","kind":"paragraph","order":16,"section_id":"sec_6c21cd07-3fda-4c7d-8a28-b122b32abee4","character_id":null,"markdown":"2025年の論文 **“Characterizing and Optimizing LLM Inference Workloads on CPU-GPU Coupled Architectures”** は、PCIe接続のA100/H100と、密結合型のGH200を比較し、GH200は大きなバッチでは高速だが、低〜中バッチではCPU-bound領域が広がると分析している。特にGH200では、ルーズ結合システムより最大4倍大きなバッチサイズまでCPU-bound領域が続くと報告されている。([arXiv](https://arxiv.org/abs/2504.11750))","render_override":null},{"id":"blk_657f8b92-5ca6-4b88-8150-5cad5608f724","kind":"paragraph","order":17,"section_id":"sec_6c21cd07-3fda-4c7d-8a28-b122b32abee4","character_id":null,"markdown":"これは象徴的だ。 \nGPUを強くするだけでは十分ではない。GPUに仕事を渡すCPU側、カーネル起動、キューイング、メモリ転送、スケジューリングも同時に強くしなければ、巨大なGPU投資の効率は落ちる。","render_override":null},{"id":"blk_e0c4dd9c-7952-4ee7-9b02-400f2d4eee3d","kind":"heading","order":18,"section_id":"sec_f5fb003a-62fe-48c2-a63d-107ee26859cb","character_id":null,"markdown":"## KV cacheとメモリ管理が、CPU需要を押し上げる","render_override":null},{"id":"blk_1b49fc0a-85f9-4ace-b1d5-1cc4484ba098","kind":"paragraph","order":19,"section_id":"sec_f5fb003a-62fe-48c2-a63d-107ee26859cb","character_id":null,"markdown":"LLM推論では、生成中の各リクエストが **KV cache** を持つ。これはモデルが過去の文脈を参照しながら次のトークンを生成するための記憶領域であり、長文・多ユーザー・複数候補生成では非常に大きくなる。","render_override":null},{"id":"blk_e2d2234e-2bd4-459c-874f-7d8d8c12e757","kind":"paragraph","order":20,"section_id":"sec_f5fb003a-62fe-48c2-a63d-107ee26859cb","character_id":null,"markdown":"vLLMの **PagedAttention** 論文は、KV cacheが巨大かつ動的に増減するため、非効率な管理ではメモリ断片化や重複が起き、バッチサイズを制限してしまうと指摘している。PagedAttentionはOSの仮想メモリやページングに着想を得てKV cacheを管理し、vLLMは同等レイテンシで従来システム比2〜4倍のスループット改善を示した。([arXiv](https://arxiv.org/abs/2309.06180?utm_source=chatgpt.com))","render_override":null},{"id":"blk_9d14f88e-b626-4b66-afca-190c0fd345f6","kind":"paragraph","order":21,"section_id":"sec_f5fb003a-62fe-48c2-a63d-107ee26859cb","character_id":null,"markdown":"ここにもCPU的な世界がある。 \nAI推論は、単なる行列計算ではなく、巨大なメモリ管理システムになっている。KV cacheをどこに置くか、どのリクエストに割り当てるか、いつ解放するか、どこまで共有するか。これはOS、メモリ管理、スケジューリングに近い問題であり、CPU・DRAM・CXL・SSD・ネットワークの重要性を高める。","render_override":null},{"id":"blk_c850caab-7ff9-46be-89a9-feb15ab5e31f","kind":"paragraph","order":22,"section_id":"sec_f5fb003a-62fe-48c2-a63d-107ee26859cb","character_id":null,"markdown":"FlexGenのような研究も、GPUメモリだけでは足りない状況で、GPU・CPU・ディスクを組み合わせてLLM推論を実行する方向性を示している。これは、GPU HBMだけで全てを抱える時代から、CPU DRAMやストレージも含めた階層型メモリの時代へ進むことを意味する。([arXiv](https://arxiv.org/abs/2303.06865?utm_source=chatgpt.com))","render_override":null},{"id":"blk_d5de91f1-4f32-4edc-a500-781da76afa77","kind":"heading","order":23,"section_id":"sec_b3dd8a7b-328d-46aa-a49c-9b60519fef61","character_id":null,"markdown":"## 産業界もCPU需要の再評価に向かっている","render_override":null},{"id":"blk_421655ae-8bd9-4f1a-a843-1a951fa8d826","kind":"paragraph","order":24,"section_id":"sec_b3dd8a7b-328d-46aa-a49c-9b60519fef61","character_id":null,"markdown":"この変化は論文上の話にとどまらない。Morgan Stanleyは、AIが生成から自律的な行動へ進むことで、GPUだけでなくCPUとメモリへの支出が拡大すると見ている。Reutersは、agentic AIの普及がデータセンターCPU市場に追加需要をもたらす可能性があるという分析を報じている。([Reuters](https://www.reuters.com/technology/morgan-stanley-sees-agentic-ai-widening-chip-spending-beyond-graphics-processors-2026-04-20/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_73f6fb29-c283-44a3-aa50-859e9c1cd820","kind":"paragraph","order":25,"section_id":"sec_b3dd8a7b-328d-46aa-a49c-9b60519fef61","character_id":null,"markdown":"AMDもこの流れを強く意識している。報道によれば、AMDはagentic AIによる需要を背景に、2030年のサーバーCPU市場見通しを年率35%以上、1200億ドル超へ引き上げたとされる。これは、AIインフラ投資がGPUからCPUへ「移る」というより、GPU中心だった投資テーマがCPU・メモリ・接続・ストレージへ広がることを示している。([The Wall Street Journal](https://www.wsj.com/livecoverage/stock-market-today-dow-sp-500-nasdaq-05-06-2026/card/amd-stock-surges-on-agent-driven-data-center-demand-B8ImnnQEidChLa21Aa0d?utm_source=chatgpt.com))","render_override":null},{"id":"blk_08b0d680-d5db-4afb-8350-e2cb1f94ecfb","kind":"paragraph","order":26,"section_id":"sec_b3dd8a7b-328d-46aa-a49c-9b60519fef61","character_id":null,"markdown":"Armもまた、AIデータセンター向けCPUの需要を強く打ち出している。2026年には、agentic AI向けのAGI CPUに対する需要や供給制約が報じられており、CPUアーキテクチャそのものがAI時代のデータセンターに合わせて再評価され始めている。([Reuters](https://www.reuters.com/business/arm-shares-slides-concerns-over-ai-chip-supply-overshadow-upbeat-forecast-2026-05-07/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_70b5e1bc-2250-4f37-bc8d-4c8c33e87dad","kind":"heading","order":27,"section_id":"sec_38fdd4e5-e6f9-4556-9e9d-a2618d05b06a","character_id":null,"markdown":"## CPU需要増の本質は「AIが実行システムになる」こと","render_override":null},{"id":"blk_c36e2582-da1d-4567-b134-85a450a33e2c","kind":"paragraph","order":28,"section_id":"sec_38fdd4e5-e6f9-4556-9e9d-a2618d05b06a","character_id":null,"markdown":"CPU需要増の本質は、単に「CPUでLLMを動かすから」ではない。もちろん、小型LLMやエッジAI、企業内の軽量推論ではCPUだけでAIを動かす場面も増えるだろう。しかし、より大きな構造変化は別にある。","render_override":null},{"id":"blk_b50321bc-8b37-441d-a16c-805af3c6ba02","kind":"paragraph","order":29,"section_id":"sec_38fdd4e5-e6f9-4556-9e9d-a2618d05b06a","character_id":null,"markdown":"AIがチャットからエージェントへ進むと、AIは単なる文章生成器ではなくなる。 \nAIは、業務システムを操作する。 \n検索する。 \nコードを実行する。 \nデータベースに問い合わせる。 \nファイルを読む。 \nAPIを呼ぶ。 \n複数のサブタスクを同時に進める。 \n失敗すれば再試行する。 \nログを残し、権限を確認し、課金され、監査される。","render_override":null},{"id":"blk_6c199f7a-63bf-46b8-af9e-afee43710245","kind":"paragraph","order":30,"section_id":"sec_38fdd4e5-e6f9-4556-9e9d-a2618d05b06a","character_id":null,"markdown":"この世界では、GPUは「知能の計算エンジン」であり続ける。 \nだがCPUは、「その知能を現実の業務に接続する実行基盤」になる。","render_override":null},{"id":"blk_59641ce2-cbe7-4b92-b64f-32367868aeb4","kind":"heading","order":31,"section_id":"sec_e3f664ff-c753-4350-90a8-727fb8ca2b6a","character_id":null,"markdown":"## 投資テーマとしての広がり","render_override":null},{"id":"blk_2bd125ef-832d-4244-8759-ef6a750d9cab","kind":"paragraph","order":32,"section_id":"sec_e3f664ff-c753-4350-90a8-727fb8ca2b6a","character_id":null,"markdown":"この視点で見ると、恩恵を受けるのはCPUメーカーだけではない。","render_override":null},{"id":"blk_7ccdff72-a689-497d-98d3-6cc203731388","kind":"paragraph","order":33,"section_id":"sec_e3f664ff-c753-4350-90a8-727fb8ca2b6a","character_id":null,"markdown":"第一に、AMD EPYC、Intel Xeon、Arm系サーバーCPUのようなCPU本体。 \n第二に、DDR5、MRDIMM、CXL、メモリインターフェース、RambusのようなCPUメモリ帯域関連。 \n第三に、PCIe、CXL、NIC、DPU/IPU、SmartNIC、MarvellやAstera Labsのような接続レイヤー。 \n第四に、SSD、分散KV cache、RAG基盤、データベース、オブジェクトストレージ。 \n第五に、Cloudflareのような通信・認証・防衛・課金レイヤー。","render_override":null},{"id":"blk_3c4aef58-35c4-4976-a1f5-d09dcae337c8","kind":"paragraph","order":34,"section_id":"sec_e3f664ff-c753-4350-90a8-727fb8ca2b6a","character_id":null,"markdown":"つまり、AIインフラの投資テーマは、 \n**GPU/HBMだけの物語** \nから、 \n**GPUを遊ばせないためのCPU・メモリ・I/O・ネットワークの物語** \nへ広がっている。","render_override":null},{"id":"blk_362b9895-5d90-4225-b53e-f19cff2b1259","kind":"heading","order":35,"section_id":"sec_f6e01ba7-3115-4501-a1d3-0dcbd52a27b5","character_id":null,"markdown":"## まとめ：AI時代のCPUは、地味な補助役ではなくなる","render_override":null},{"id":"blk_03671ead-1061-4a4b-a459-fb6657544a6a","kind":"paragraph","order":36,"section_id":"sec_f6e01ba7-3115-4501-a1d3-0dcbd52a27b5","character_id":null,"markdown":"AIブーム初期の主役はGPUだった。これは今後も大きく変わらない。大規模学習、大規模推論、画像生成、音声生成、科学技術計算ではGPUやTPUが中心であり続ける。","render_override":null},{"id":"blk_d3c1549d-8d94-43b6-93de-141569bebe0b","kind":"paragraph","order":37,"section_id":"sec_f6e01ba7-3115-4501-a1d3-0dcbd52a27b5","character_id":null,"markdown":"しかし、AIがエージェント化し、実際の業務やアプリケーションの中で動き始めると、必要になるのは「モデルを計算する力」だけではない。必要なのは、AIを待たせず、GPUを遊ばせず、外部世界と安全に接続し、記憶を管理し、ツールを実行し、複数の処理を同時に流すためのシステム全体である。","render_override":null},{"id":"blk_b331ea0b-9d2a-409c-afe1-2fe699e23a49","kind":"paragraph","order":38,"section_id":"sec_f6e01ba7-3115-4501-a1d3-0dcbd52a27b5","character_id":null,"markdown":"その中心にあるのがCPUだ。","render_override":null},{"id":"blk_88ea5164-5f0b-4c8c-ab83-66f63847ac65","kind":"paragraph","order":39,"section_id":"sec_f6e01ba7-3115-4501-a1d3-0dcbd52a27b5","character_id":null,"markdown":"これからのAIインフラは、GPU一強ではなく、 \n**CPU + GPU + HBM + DRAM + CXL + NIC + SSD + スケジューラ** \nの複合体として進化していく。","render_override":null},{"id":"blk_6365cc6b-5543-4ad1-bee2-8d2a49719dae","kind":"paragraph","order":40,"section_id":"sec_f6e01ba7-3115-4501-a1d3-0dcbd52a27b5","character_id":null,"markdown":"CPU需要の高まりとは、単なる半導体サイクルの一部ではない。 \nそれは、AIが「答える機械」から「行動する機械」へ変わることで起きる、データセンター構造そのものの変化である。","render_override":null},{"id":"blk_4de02909-963c-4884-a645-73684cd861a4","kind":"thematic_break","order":41,"section_id":"sec_f6e01ba7-3115-4501-a1d3-0dcbd52a27b5","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ebaa50d4-6c30-45de-9a79-743dc71d9ce3","kind":"paragraph","order":42,"section_id":"sec_f6e01ba7-3115-4501-a1d3-0dcbd52a27b5","character_id":null,"markdown":"ここから先は長くなるので気になる部分だけ読めばよいです","render_override":null},{"id":"blk_58440c7a-2e64-4012-940f-3af25368e9d9","kind":"heading","order":43,"section_id":"sec_8d7dfe16-3120-437f-b630-4e06221b8c7a","character_id":null,"markdown":"## CPUの需要増や必要性、AI推論におけるCPUの重要性についての論文や分析紹介","render_override":null},{"id":"blk_7f25c51a-f9b3-4ab9-818b-9cbd84c1f0b7","kind":"heading","order":44,"section_id":"sec_f6dc8e3a-bd25-4918-897c-5432256d92c4","character_id":null,"markdown":"## \\1. 一番直接的な論文：Agentic AIはCPU依存が大きい","render_override":null},{"id":"blk_225af3be-1e2b-4ba3-9fa6-8c079a98515d","kind":"paragraph","order":45,"section_id":"sec_f6dc8e3a-bd25-4918-897c-5432256d92c4","character_id":null,"markdown":"かなり重要なのが、2025年11月投稿、2026年4月改訂の **“Towards Understanding, Analyzing, and Optimizing Agentic AI Execution: A CPU-Centric Perspective”** です。","render_override":null},{"id":"blk_26d40ef3-43f2-484b-8ff6-e8f0bf3e4c7b","kind":"paragraph","order":46,"section_id":"sec_f6dc8e3a-bd25-4918-897c-5432256d92c4","character_id":null,"markdown":"この論文は、AIエージェントの実行を **CPU中心** に分析しています。要旨では、Agentic AIは従来の単発LLM推論と違い、計画、ツール呼び出し、推論、適応を行う自律的な問題解決システムであり、その外部ツールの多くはCPU上で動く、またはCPUによりオーケストレーションされると説明しています。さらに、CPU/GPU同時利用を改善するスケジューリング手法として **COMB** と **MAS** を提案し、P50レイテンシを最大1.7倍、サービス/総レイテンシを最大3.9倍/1.8倍改善したと報告しています。([arXiv](https://arxiv.org/abs/2511.00739))","render_override":null},{"id":"blk_c75a3097-878e-4cf8-8c04-64c1bfb5491d","kind":"paragraph","order":47,"section_id":"sec_f6dc8e3a-bd25-4918-897c-5432256d92c4","character_id":null,"markdown":"これは「AIエージェント時代のCPU需要」の理論的な中核です。 \n従来のLLM推論ではGPUが主役ですが、AIエージェントでは以下が増えます。","render_override":null},{"id":"blk_619c17cd-1492-4148-a5e0-0e94ca9f9c1a","kind":"list","order":48,"section_id":"sec_f6dc8e3a-bd25-4918-897c-5432256d92c4","character_id":null,"markdown":"- Python実行\n- Web検索・クロール\n- データベース検索\n- RAGの前処理\n- JSON/API処理\n- サブエージェントの管理\n- ツール呼び出しの待機・再試行\n- ポリシーチェック\n- ログ・メモリ更新","render_override":null},{"id":"blk_0e23a20b-badc-441b-b085-6cad1236c467","kind":"paragraph","order":49,"section_id":"sec_f6dc8e3a-bd25-4918-897c-5432256d92c4","character_id":null,"markdown":"つまり、**モデル本体はGPU、エージェントの行動管理はCPU** という分業になります。","render_override":null},{"id":"blk_ca3eac3d-e540-4c78-9612-582ccd00d584","kind":"heading","order":50,"section_id":"sec_58e85375-d53a-4052-9dcc-3e885bf11c81","character_id":null,"markdown":"## \\2. CPU-GPU結合アーキテクチャでもCPUがボトルネックになる","render_override":null},{"id":"blk_0612dd39-c5c3-49c8-95c3-b62df2d24afd","kind":"paragraph","order":51,"section_id":"sec_58e85375-d53a-4052-9dcc-3e885bf11c81","character_id":null,"markdown":"次に重要なのが、2025年の **“Characterizing and Optimizing LLM Inference Workloads on CPU-GPU Coupled Architectures”** です。","render_override":null},{"id":"blk_a973d27c-6b2f-48e4-b7b5-40c6c9f3dd3a","kind":"paragraph","order":52,"section_id":"sec_58e85375-d53a-4052-9dcc-3e885bf11c81","character_id":null,"markdown":"この論文は、PCIe接続のA100/H100と、CPU-GPUが密結合されたGH200のようなシステムでLLM推論を分析しています。結果として、GH200のような密結合システムは大きなバッチサイズでは高速になる一方、**低〜中バッチ領域ではCPU側の性能やカーネル起動・キューイング時間が推論レイテンシに影響する**と示しています。特に、GH200はルーズ結合システムよりも最大4倍大きなバッチサイズまでCPU-bound領域が続くとされています。([arXiv](https://arxiv.org/abs/2504.11750))","render_override":null},{"id":"blk_056ccf4f-14d3-4383-8ab0-0beeea54bcf5","kind":"paragraph","order":53,"section_id":"sec_58e85375-d53a-4052-9dcc-3e885bf11c81","character_id":null,"markdown":"これが示すのは、かなり重要です。","render_override":null},{"id":"blk_35c5ea89-7e85-4a7e-9df8-f8a2c6175dbf","kind":"paragraph","order":54,"section_id":"sec_58e85375-d53a-4052-9dcc-3e885bf11c81","character_id":null,"markdown":"**GPUが速くなるほど、GPUに仕事を渡すCPU側のスケジューリング、カーネル起動、キュー管理、メモリ転送が相対的に目立つ**ということです。","render_override":null},{"id":"blk_8e63f0fe-bef0-462a-bdf8-963960f9c829","kind":"paragraph","order":55,"section_id":"sec_58e85375-d53a-4052-9dcc-3e885bf11c81","character_id":null,"markdown":"つまり、AI推論ではGPUだけを強くしても、CPU・ホスト側が遅いとGPUを十分に使い切れません。","render_override":null},{"id":"blk_78c9476a-c7b9-4b07-acb9-bfffa450ef31","kind":"heading","order":56,"section_id":"sec_23176590-b1e6-481b-a89e-03ca6370a6be","character_id":null,"markdown":"## \\3. LLM推論は「prefill」と「decode」で性質が違い、CPU的なスケジューリングが重要になる","render_override":null},{"id":"blk_7f41ee47-6746-4441-8774-a8b4944be1eb","kind":"paragraph","order":57,"section_id":"sec_23176590-b1e6-481b-a89e-03ca6370a6be","character_id":null,"markdown":"LLM推論には大きく2段階あります。","render_override":null},{"id":"blk_48b8c827-38e9-437a-a2d2-5358e0fff906","kind":"paragraph","order":58,"section_id":"sec_23176590-b1e6-481b-a89e-03ca6370a6be","character_id":null,"markdown":"**prefill** は、入力プロンプト全体を処理して最初のトークンを出す段階です。 \nこれは並列性が高く、GPU計算を飽和させやすい。","render_override":null},{"id":"blk_e6bb60ba-48eb-417d-9c40-e4e59d5be17a","kind":"paragraph","order":59,"section_id":"sec_23176590-b1e6-481b-a89e-03ca6370a6be","character_id":null,"markdown":"**decode** は、1トークンずつ続きを生成する段階です。 \nこれは逐次性が強く、GPU利用率が低くなりやすい。","render_override":null},{"id":"blk_f8bac625-3a96-42ff-9bcb-bd29df979186","kind":"paragraph","order":60,"section_id":"sec_23176590-b1e6-481b-a89e-03ca6370a6be","character_id":null,"markdown":"この違いを扱う論文が **Sarathi-Serve** と **DistServe** です。Sarathi-Serveは、prefillは高レイテンシだがGPU計算を飽和させ、decodeは低レイテンシだが1トークンずつなのでGPU利用率が低いと整理し、chunked-prefillとstall-free schedulingでスループットとレイテンシの両立を狙います。Mistral-7BではvLLM比2.6倍、Yi-34Bでは最大3.7倍、Falcon-180Bでは最大5.6倍の serving capacity 改善を報告しています。([arXiv](https://arxiv.org/abs/2403.02310))","render_override":null},{"id":"blk_df5b86bc-3d3a-4138-af95-e46fdc0262b9","kind":"paragraph","order":61,"section_id":"sec_23176590-b1e6-481b-a89e-03ca6370a6be","character_id":null,"markdown":"DistServeはさらに、prefillとdecodeを別GPUに分けることで干渉を減らす方式です。論文では、既存方式はprefillとdecodeを同じ場所で混在させるため干渉が起きるとし、DistServeはTTFTとTPOTの要件に応じて資源配分を最適化し、同じSLO内で最大7.4倍多いリクエスト、または12.6倍厳しいSLOを処理できると報告しています。([arXiv](https://arxiv.org/abs/2401.09670))","render_override":null},{"id":"blk_bef6b692-46a8-4f3a-b41b-9d63d7d520b0","kind":"paragraph","order":62,"section_id":"sec_23176590-b1e6-481b-a89e-03ca6370a6be","character_id":null,"markdown":"ここでのポイントは、**AI推論の性能はGPU FLOPSだけではなく、リクエストをどう並べるか、どのタイミングでGPUに流すか、KV cacheをどう扱うかで大きく変わる**ということです。 \nこの「並べる・切る・待たせない・詰める」仕事がCPU側の制御プレーンに近い領域です。","render_override":null},{"id":"blk_b6fff29f-521a-4e79-826d-a122fa941afd","kind":"heading","order":63,"section_id":"sec_e4043154-47b4-46ab-aebe-9462b2a82359","character_id":null,"markdown":"## \\4. vLLM / PagedAttention：KV cache管理は推論の中心問題","render_override":null},{"id":"blk_ff9e8dc0-4be5-4fb3-9de6-f839924c6815","kind":"paragraph","order":64,"section_id":"sec_e4043154-47b4-46ab-aebe-9462b2a82359","character_id":null,"markdown":"LLM推論では、生成中の各リクエストが **KV cache** を持ちます。これは長文・多数リクエスト・複数候補生成で巨大化します。","render_override":null},{"id":"blk_9a7bc379-c46e-4381-89d5-1a94bb1c257e","kind":"paragraph","order":65,"section_id":"sec_e4043154-47b4-46ab-aebe-9462b2a82359","character_id":null,"markdown":"vLLMの論文 **“Efficient Memory Management for Large Language Model Serving with PagedAttention”** は、KV cacheメモリがリクエストごとに大きく、動的に増減し、非効率に管理すると断片化や重複でバッチサイズが制限されると指摘しています。PagedAttentionはOSの仮想メモリ/ページングのようにKV cacheをブロック単位で管理し、vLLMは同等レイテンシで従来システム比2〜4倍のスループットを示しています。([arXiv](https://arxiv.org/pdf/2309.06180))","render_override":null},{"id":"blk_ca80a607-e4c3-4be8-87a3-5ca6435af13b","kind":"paragraph","order":66,"section_id":"sec_e4043154-47b4-46ab-aebe-9462b2a82359","character_id":null,"markdown":"これはCPU需要に直接つながります。 \nなぜなら、KV cache管理は単純な行列計算ではなく、","render_override":null},{"id":"blk_88133d85-6216-44e5-b0d4-54320de5fc84","kind":"paragraph","order":67,"section_id":"sec_e4043154-47b4-46ab-aebe-9462b2a82359","character_id":null,"markdown":"**メモリ割り当て、ページング、スワップ、リクエストスケジューリング、共有、再利用**","render_override":null},{"id":"blk_f81bbdc5-5607-4dde-bf67-1368491eb6db","kind":"paragraph","order":68,"section_id":"sec_e4043154-47b4-46ab-aebe-9462b2a82359","character_id":null,"markdown":"というOS的な仕事だからです。","render_override":null},{"id":"blk_df679d1a-d939-4f12-b70e-db8cdd287de2","kind":"paragraph","order":69,"section_id":"sec_e4043154-47b4-46ab-aebe-9462b2a82359","character_id":null,"markdown":"つまり、AI推論は「GPUで行列演算するだけ」ではなく、**巨大な動的メモリ管理システム**になっています。","render_override":null},{"id":"blk_3ebf10b1-17f0-48bc-98a5-0c68557724b2","kind":"heading","order":70,"section_id":"sec_60bc1286-e5cb-4d25-b160-a7b5674c0701","character_id":null,"markdown":"## \\5. FlexGen / LMCache：CPUメモリ・DRAM・ストレージがGPU推論を支える","render_override":null},{"id":"blk_862fb93c-6aa1-4818-9781-357b369a9664","kind":"paragraph","order":71,"section_id":"sec_60bc1286-e5cb-4d25-b160-a7b5674c0701","character_id":null,"markdown":"**FlexGen** は、GPUメモリが限られている環境で、GPU・CPU・ディスクのメモリと計算資源を組み合わせてLLM推論を行う研究です。論文では、FlexGenはGPU、CPU、ディスクからメモリと計算を集約し、テンソルの保存・アクセスパターンを最適化することで、16GB GPU上でOPT-175Bの推論を可能にしたと説明されています。([arXiv](https://arxiv.org/abs/2303.06865))","render_override":null},{"id":"blk_a073d8fe-b2a4-440d-84c6-b38ca5968dcc","kind":"paragraph","order":72,"section_id":"sec_60bc1286-e5cb-4d25-b160-a7b5674c0701","character_id":null,"markdown":"**LMCache** はさらに現代的です。2025年の論文で、vLLMやSGLangが生成したKV cacheをGPU外に抽出・保存し、エンジンやクエリ間で共有する仕組みです。cache offloading、prefix reuse、prefill-decode disaggregationに対応するとされています。([arXiv](https://arxiv.org/abs/2510.09665))","render_override":null},{"id":"blk_ce4f9f50-7a85-4931-a85b-516d08501fa4","kind":"paragraph","order":73,"section_id":"sec_60bc1286-e5cb-4d25-b160-a7b5674c0701","character_id":null,"markdown":"この流れはかなり重要です。","render_override":null},{"id":"blk_72238b2e-bf85-4c7a-8654-158c49569f4d","kind":"paragraph","order":74,"section_id":"sec_60bc1286-e5cb-4d25-b160-a7b5674c0701","character_id":null,"markdown":"GPUメモリは高価で限られています。 \nそのため、AI推論が大規模化すると、","render_override":null},{"id":"blk_29243854-33cf-4027-82bf-262e8381afb4","kind":"paragraph","order":75,"section_id":"sec_60bc1286-e5cb-4d25-b160-a7b5674c0701","character_id":null,"markdown":"**GPU HBMだけで全部抱えるのではなく、CPU DRAM、CXLメモリ、SSD、分散KV cacheを使ってGPUを補助する**","render_override":null},{"id":"blk_e02794bb-13ff-4067-927f-3591318c5aa3","kind":"paragraph","order":76,"section_id":"sec_60bc1286-e5cb-4d25-b160-a7b5674c0701","character_id":null,"markdown":"方向に進みます。","render_override":null},{"id":"blk_99daccba-bd55-4140-85f7-e01a5e2cfe2b","kind":"paragraph","order":77,"section_id":"sec_60bc1286-e5cb-4d25-b160-a7b5674c0701","character_id":null,"markdown":"これはCPUそのものだけでなく、**DDR5、MRDIMM、CXL、メモリコントローラ、NIC、SSD、ストレージ層**の需要にも波及します。","render_override":null},{"id":"blk_402d0eaf-43c7-44f6-9151-9c95662f026a","kind":"heading","order":78,"section_id":"sec_a0368817-ddf7-4633-9a86-858363666a08","character_id":null,"markdown":"## \\6. 産業分析でもCPU需要増が指摘されている","render_override":null},{"id":"blk_edc73f5a-fb37-4c21-bb80-1c1ce0e44a38","kind":"paragraph","order":79,"section_id":"sec_a0368817-ddf7-4633-9a86-858363666a08","character_id":null,"markdown":"Reutersは2026年4月20日、Morgan Stanleyの分析として、AIが「生成」から「自律的な行動」へ移ると、ボトルネックがCPUとメモリ側へ移り、GPU中心だったAI投資がCPUやメモリへ広がると報じています。Morgan Stanleyは、Agentic AIが2030年までに既存の1000億ドル超のデータセンターCPU市場に、さらに325億〜600億ドルを追加する可能性があると見ています。([Reuters](https://www.reuters.com/technology/morgan-stanley-sees-agentic-ai-widening-chip-spending-beyond-graphics-processors-2026-04-20/))","render_override":null},{"id":"blk_6706b08a-938f-49ce-9cd1-1c0bee183577","kind":"paragraph","order":80,"section_id":"sec_a0368817-ddf7-4633-9a86-858363666a08","character_id":null,"markdown":"TrendForce系の分析でも、従来のAIデータセンターはCPU:GPU比率がおおむね1:4〜1:8だったのに対し、Agentic AIではツール呼び出し、サブタスク管理、データ受け渡し、評価などのオーケストレーションがCPU負荷になるため、将来的に1:1〜1:2へ近づく可能性があると整理されています。([TrendForce](https://insights.trendforce.com/p/agentic-ai-cpu-gpu))","render_override":null},{"id":"blk_2570d6be-317b-47d4-a431-ae0586780566","kind":"paragraph","order":81,"section_id":"sec_a0368817-ddf7-4633-9a86-858363666a08","character_id":null,"markdown":"この数字は前提により大きく変わりますが、方向性としては、**GPU偏重から、CPU・メモリ・ネットワークを含むバランス型AIインフラへ戻る**という見方です。","render_override":null},{"id":"blk_79d403e2-6c4c-495c-8624-eb21edbef088","kind":"heading","order":82,"section_id":"sec_3895746e-8caa-4677-a4b1-13824b60e07d","character_id":null,"markdown":"## \\7. 企業側もCPUをAIインフラの中心部品として打ち出し始めている","render_override":null},{"id":"blk_62e29739-a131-40c7-a5c9-3f727fd456c6","kind":"paragraph","order":83,"section_id":"sec_3895746e-8caa-4677-a4b1-13824b60e07d","character_id":null,"markdown":"Armは **Arm AGI CPU** を、Agentic AI向けの本番シリコンとして説明しています。最大136個のNeoverse V3コア、DDR5-8800、コアあたり6GB/sのメモリ帯域、300W TDPなどを掲げ、AIデータセンターで多数の並列タスクをオーケストレーションするCPUとして位置づけています。([Arm](https://www.arm.com/products/cloud-datacenter/arm-agi-cpu))","render_override":null},{"id":"blk_fbf51f44-3774-427a-829f-cabff1b699b4","kind":"paragraph","order":84,"section_id":"sec_3895746e-8caa-4677-a4b1-13824b60e07d","character_id":null,"markdown":"IntelもGoogleとの2026年4月の提携発表で、AIはアクセラレータだけで動くのではなくシステムで動くものであり、CPUはオーケストレーション、データ処理、システムレベル性能で重要だと説明しています。Google CloudはXeonをAI、推論、汎用コンピューティングで使い続け、IPUも併用してネットワーク、ストレージ、セキュリティ処理をCPUから一部オフロードするとしています。([Intel Corporation](https://www.intc.com/news-events/press-releases/detail/1766/intel-and-google-deepen-collaboration-to-advance-ai))","render_override":null},{"id":"blk_017368f9-0247-46bf-abe1-03edfe471a19","kind":"paragraph","order":85,"section_id":"sec_3895746e-8caa-4677-a4b1-13824b60e07d","character_id":null,"markdown":"AMDもEPYCについて、CPU単体でのAI推論だけでなく、GPUホストCPUとしての役割を明確に打ち出しています。AMDは、CPUだけで小〜中規模AI推論を処理できる一方、モデルが大きくなったり応答時間が短くなるとGPUを加え、EPYCとInstinct GPUの組み合わせで約200億〜4500億パラメータ級モデルにも対応する、と説明しています。([AMD](https://www.amd.com/en/products/processors/server/epyc/ai/9005-inference.html))","render_override":null},{"id":"blk_402087af-1052-41b3-9398-135ea48916a5","kind":"heading","order":86,"section_id":"sec_56282435-91f6-4442-a71c-91fb83ab6f93","character_id":null,"markdown":"## 私の整理：CPU需要増の本質は3つある","render_override":null},{"id":"blk_abdc012d-f825-4697-b8d7-93e1fa053e21","kind":"heading","order":87,"section_id":"sec_2b70b9dc-f533-4aae-9151-6d5d17fac4ba","character_id":null,"markdown":"### \\1. CPUで直接推論する需要","render_override":null},{"id":"blk_e1c84e1b-3b47-432a-ad19-6b608e8117c3","kind":"paragraph","order":88,"section_id":"sec_2b70b9dc-f533-4aae-9151-6d5d17fac4ba","character_id":null,"markdown":"小型LLM、埋め込み、古典的ML、画像/音声の前処理、企業内AIエージェントの軽い処理は、GPUなしでもCPUで回せます。 \n特にオンプレ、エッジ、企業内サーバーでは、GPUを載せないCPU推論も現実的です。","render_override":null},{"id":"blk_3141b2be-28cb-4f6a-9c27-2a4735af7736","kind":"heading","order":89,"section_id":"sec_7ac6c80b-4f0d-4b8e-bd9f-733c3848d0b8","character_id":null,"markdown":"### \\2. GPU推論を支えるホストCPU需要","render_override":null},{"id":"blk_0b24d02c-f946-41d5-bcb0-73218a035a2e","kind":"paragraph","order":90,"section_id":"sec_7ac6c80b-4f0d-4b8e-bd9f-733c3848d0b8","character_id":null,"markdown":"大規模LLM本体はGPUで動いても、CPUは以下を担当します。","render_override":null},{"id":"blk_657d6e27-18e0-49e9-921c-1d4fd13c842a","kind":"paragraph","order":91,"section_id":"sec_7ac6c80b-4f0d-4b8e-bd9f-733c3848d0b8","character_id":null,"markdown":"**リクエスト受付、トークナイズ、バッチング、prefill/decodeの分配、KV cache管理、GPUワーカー制御、ネットワークI/O、ストレージI/O、セキュリティ、ログ、API処理。**","render_override":null},{"id":"blk_8447b0a5-3991-4f3f-a4a5-890aec899948","kind":"paragraph","order":92,"section_id":"sec_7ac6c80b-4f0d-4b8e-bd9f-733c3848d0b8","character_id":null,"markdown":"この層が弱いと、GPUが遊びます。","render_override":null},{"id":"blk_54852a8a-a169-4c01-8b06-0fb1646ee59a","kind":"heading","order":93,"section_id":"sec_755f5f5d-9e22-43a2-9c09-65bd63aa03f3","character_id":null,"markdown":"### \\3. AIエージェントの外部世界処理","render_override":null},{"id":"blk_80d4a117-ee04-45e5-87f7-5cccad61c8e9","kind":"paragraph","order":94,"section_id":"sec_755f5f5d-9e22-43a2-9c09-65bd63aa03f3","character_id":null,"markdown":"AIエージェントはLLMだけではありません。 \nブラウザ、DB、Python、API、検索、RAG、承認フロー、ファイル操作、サブエージェント管理が増えます。","render_override":null},{"id":"blk_a7234711-3060-49c9-ab95-3ccc5bdbcdd1","kind":"paragraph","order":95,"section_id":"sec_755f5f5d-9e22-43a2-9c09-65bd63aa03f3","character_id":null,"markdown":"ここはGPUの行列演算ではなく、**CPUの逐次処理・分岐処理・I/O処理・メモリ処理**です。","render_override":null},{"id":"blk_e0a41dee-2727-4e04-b326-1c7a2df24068","kind":"heading","order":96,"section_id":"sec_3bb93f54-fe5c-4b6e-bcfd-3a542b01767b","character_id":null,"markdown":"## 投資・銘柄目線での示唆","render_override":null},{"id":"blk_a076c9a1-c8d1-48fe-90b8-b448f8e128b6","kind":"paragraph","order":97,"section_id":"sec_3bb93f54-fe5c-4b6e-bcfd-3a542b01767b","character_id":null,"markdown":"この調査から見ると、CPU需要増は単に **AMD / Intel / Arm** だけの話ではありません。","render_override":null},{"id":"blk_d2227197-fddd-4c3e-bcd0-9f4def4af3ed","kind":"paragraph","order":98,"section_id":"sec_3bb93f54-fe5c-4b6e-bcfd-3a542b01767b","character_id":null,"markdown":"恩恵を受けやすいのは、かなり広いです。","render_override":null},{"id":"blk_9a9c971d-f676-4968-8bf1-38adad2bc42a","kind":"paragraph","order":99,"section_id":"sec_3bb93f54-fe5c-4b6e-bcfd-3a542b01767b","character_id":null,"markdown":"**第1層：CPU本体** \nAMD EPYC、Intel Xeon、Arm AGI CPU、クラウド独自CPU。","render_override":null},{"id":"blk_32e0cca5-8b8f-45a6-b003-70e3baa05daa","kind":"paragraph","order":100,"section_id":"sec_3bb93f54-fe5c-4b6e-bcfd-3a542b01767b","character_id":null,"markdown":"**第2層：CPUメモリ帯域** \nDDR5、MRDIMM、CXL、メモリインターフェース、Rambus系。","render_override":null},{"id":"blk_a8e6f836-69be-42a4-94fd-56e60949aad1","kind":"paragraph","order":101,"section_id":"sec_3bb93f54-fe5c-4b6e-bcfd-3a542b01767b","character_id":null,"markdown":"**第3層：GPUを遊ばせない接続層** \nPCIe、CXL、NIC、DPU/IPU、SmartNIC、Marvell、Astera Labs、Broadcom系。","render_override":null},{"id":"blk_920f1871-3d9d-4722-b57e-11eb401e7239","kind":"paragraph","order":102,"section_id":"sec_3bb93f54-fe5c-4b6e-bcfd-3a542b01767b","character_id":null,"markdown":"**第4層：KV cache / RAG / ストレージ層** \nSSD、分散キャッシュ、オブジェクトストレージ、高速ネットワーク、データベース。","render_override":null},{"id":"blk_24ef00dd-4bef-46fe-942d-718d4d71177c","kind":"paragraph","order":103,"section_id":"sec_3bb93f54-fe5c-4b6e-bcfd-3a542b01767b","character_id":null,"markdown":"**第5層：AIエージェント制御・セキュリティ層** \nCloudflare、認証、APIゲートウェイ、ログ、課金、ポリシー制御。","render_override":null},{"id":"blk_2b3e1082-cd6e-4b71-9926-e326e953928d","kind":"heading","order":104,"section_id":"sec_217a77bd-aa6e-42cf-820a-bb48d5cd649b","character_id":null,"markdown":"## まとめ","render_override":null},{"id":"blk_4ea53172-e734-494b-8c4c-32e19f6a0786","kind":"paragraph","order":105,"section_id":"sec_217a77bd-aa6e-42cf-820a-bb48d5cd649b","character_id":null,"markdown":"CPU需要増の根拠はかなりあります。","render_override":null},{"id":"blk_007963e7-6048-47b8-9687-03dcaf6fbbc6","kind":"paragraph","order":106,"section_id":"sec_217a77bd-aa6e-42cf-820a-bb48d5cd649b","character_id":null,"markdown":"ただし、正確には、","render_override":null},{"id":"blk_ae5730fd-d93f-4b21-b5f3-5ba282bcd939","kind":"paragraph","order":107,"section_id":"sec_217a77bd-aa6e-42cf-820a-bb48d5cd649b","character_id":null,"markdown":"**「LLMの行列演算をCPUがGPUから奪う」ではなく、 \n「AI推論がサービス化・エージェント化するほど、GPUの外側にあるCPU制御・メモリ管理・ツール実行・I/O処理が巨大化する」**","render_override":null},{"id":"blk_eb705f2d-dc61-4860-80c4-27d156680f62","kind":"paragraph","order":108,"section_id":"sec_217a77bd-aa6e-42cf-820a-bb48d5cd649b","character_id":null,"markdown":"ということです。","render_override":null},{"id":"blk_848ae02b-b88f-4a2e-bc4d-427baa4fa636","kind":"paragraph","order":109,"section_id":"sec_217a77bd-aa6e-42cf-820a-bb48d5cd649b","character_id":null,"markdown":"今後のAIインフラは、","render_override":null},{"id":"blk_ae692cf0-3729-4b27-bfe3-53f21a747563","kind":"paragraph","order":110,"section_id":"sec_217a77bd-aa6e-42cf-820a-bb48d5cd649b","character_id":null,"markdown":"**GPU/HBMだけの時代** \nから、 \n**GPU + CPU + DRAM + CXL + NIC + SSD + スケジューラ + セキュリティの時代**","render_override":null},{"id":"blk_40cc1701-41eb-462a-b5b1-50ababb92cd4","kind":"paragraph","order":111,"section_id":"sec_217a77bd-aa6e-42cf-820a-bb48d5cd649b","character_id":null,"markdown":"に移っていく可能性が高いです。 \nこの文脈では、AMDやIntelの上昇は単なる出遅れ物色ではなく、**AI推論インフラの設計思想そのものが変わってきたことへの再評価**と見てよいと思います。","render_override":null},{"id":"blk_d234835c-90bb-4d3a-b8de-1c52622ab9b5","kind":"thematic_break","order":112,"section_id":"sec_217a77bd-aa6e-42cf-820a-bb48d5cd649b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2156ad58-6bf6-4a53-b784-d06a40b26550","kind":"heading","order":113,"section_id":"sec_69049162-737f-40ac-a3f5-3578216266a2","character_id":null,"markdown":"## COMB と MASについて解説","render_override":null},{"id":"blk_db5a1dcb-663c-41cd-93dd-2d1e07b1bf81","kind":"paragraph","order":114,"section_id":"sec_69049162-737f-40ac-a3f5-3578216266a2","character_id":null,"markdown":"COMB と MAS は、どちらも論文 **“Towards Understanding, Analyzing, and Optimizing Agentic AI Execution: A CPU-Centric Perspective”** で提案された、**AIエージェント推論をCPU/GPU混在環境で効率よく動かすためのスケジューリング手法**です。 \n目的は共通していて、**CPU側のツール実行が詰まってGPUを遊ばせる問題を減らす**ことです。論文では、エージェント型AIでは外部ツールの多くがCPU上で動く、またはCPUにより制御されるため、従来のGPU中心最適化だけでは不十分だとしています。([arXiv](https://arxiv.org/html/2511.00739v3))","render_override":null},{"id":"blk_6587d13e-81d1-4275-8550-9b77704ffc3a","kind":"heading","order":115,"section_id":"sec_b25924f8-b6f7-407d-b7d1-b2c30ddb56b3","character_id":null,"markdown":"## まず前提：なぜ必要なのか","render_override":null},{"id":"blk_71fe81c8-7d71-4ea8-89a0-4e261039b2fc","kind":"paragraph","order":116,"section_id":"sec_b25924f8-b6f7-407d-b7d1-b2c30ddb56b3","character_id":null,"markdown":"普通のLLM推論は、","render_override":null},{"id":"blk_504b5596-6c22-429c-879f-7cc3d84147f9","kind":"paragraph","order":117,"section_id":"sec_b25924f8-b6f7-407d-b7d1-b2c30ddb56b3","character_id":null,"markdown":"**入力 → GPUで推論 → 出力**","render_override":null},{"id":"blk_5c16504c-247b-48c0-a382-2c5641405270","kind":"paragraph","order":118,"section_id":"sec_b25924f8-b6f7-407d-b7d1-b2c30ddb56b3","character_id":null,"markdown":"に近いです。","render_override":null},{"id":"blk_2df662a4-3563-4f2e-a90e-78ce47ccb50c","kind":"paragraph","order":119,"section_id":"sec_b25924f8-b6f7-407d-b7d1-b2c30ddb56b3","character_id":null,"markdown":"でもAIエージェントは、","render_override":null},{"id":"blk_ccf39eb1-93d6-40c7-a611-bda4302548b2","kind":"paragraph","order":120,"section_id":"sec_b25924f8-b6f7-407d-b7d1-b2c30ddb56b3","character_id":null,"markdown":"**入力 → LLM推論 → ツール呼び出し → 検索 → Python実行 → DB照会 → またLLM推論 → 判断 → 次のツール**","render_override":null},{"id":"blk_51f25ed0-244a-41ef-a6d2-42ab6e7c31e8","kind":"paragraph","order":121,"section_id":"sec_b25924f8-b6f7-407d-b7d1-b2c30ddb56b3","character_id":null,"markdown":"のようになります。","render_override":null},{"id":"blk_d984c86b-37ca-4c8d-b300-af6bf0535731","kind":"paragraph","order":122,"section_id":"sec_b25924f8-b6f7-407d-b7d1-b2c30ddb56b3","character_id":null,"markdown":"このとき、GPUだけではなくCPUがかなり働きます。論文では、RAGの検索、Web要約、Bash/Python実行、RDKitの分子構造生成などがCPU側で大きな遅延を作り、場合によってはCPU上のツール処理がE2Eレイテンシの大部分を占めると報告しています。さらに、高性能GPUを使うほどLLM推論が速くなるため、ボトルネックがCPU側へ移りやすいとも述べています。([arXiv](https://arxiv.org/html/2511.00739v3))","render_override":null},{"id":"blk_923ff44c-23d3-4f73-a446-f5115f6f9655","kind":"paragraph","order":123,"section_id":"sec_b25924f8-b6f7-407d-b7d1-b2c30ddb56b3","character_id":null,"markdown":"ここで問題になるのは、**GPUは大量並列が得意だが、CPU側のツール処理は並列化しても早く飽和しやすい**ことです。論文では、CPU並列化はGPUに比べて効率が低く、過剰な並列実行でOSスケジューラ競合やコンテキストスイッチが増え、結果的にGPU利用率まで落とすと整理しています。([arXiv](https://arxiv.org/html/2511.00739v3))","render_override":null},{"id":"blk_cbed90d0-e6bb-4576-8d2f-a3244c86585d","kind":"paragraph","order":124,"section_id":"sec_b25924f8-b6f7-407d-b7d1-b2c30ddb56b3","character_id":null,"markdown":"この問題に対する答えが **COMB** と **MAS** です。","render_override":null},{"id":"blk_7167baa4-10ac-4430-b043-5295d6ff7d0e","kind":"thematic_break","order":125,"section_id":"sec_b25924f8-b6f7-407d-b7d1-b2c30ddb56b3","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a581f28e-9518-469d-b463-2e8053327828","kind":"heading","order":126,"section_id":"sec_ccd3914d-1f08-4e8b-b9da-b21f55f3b323","character_id":null,"markdown":"## \\1. COMBとは何か","render_override":null},{"id":"blk_4efbbf80-80ee-42a0-8d16-7211079af7b5","kind":"paragraph","order":127,"section_id":"sec_ccd3914d-1f08-4e8b-b9da-b21f55f3b323","character_id":null,"markdown":"**COMB = CPU-Aware Overlapped Micro-Batching** \n日本語にすると、 \n**CPUを意識した、重ね合わせ型マイクロバッチ処理** \nです。","render_override":null},{"id":"blk_d7c29e0e-b7b9-45b7-8820-cbc60d1f94cb","kind":"paragraph","order":128,"section_id":"sec_ccd3914d-1f08-4e8b-b9da-b21f55f3b323","character_id":null,"markdown":"これは主に、**同じ種類のCPU-heavyなエージェント処理が大量に来る場合**の最適化です。論文では、同種のエージェントワークロードを homogeneous workload と呼んでいます。([arXiv](https://arxiv.org/html/2511.00739v3))","render_override":null},{"id":"blk_b0dcdf33-b234-47ae-9e52-70151ef37cb9","kind":"heading","order":129,"section_id":"sec_e55e644a-5ce1-449c-9c0c-aab7e7170dba","character_id":null,"markdown":"## COMBの考え方","render_override":null},{"id":"blk_0ea588f4-67e1-4584-802d-0fe8a265f20f","kind":"paragraph","order":130,"section_id":"sec_e55e644a-5ce1-449c-9c0c-aab7e7170dba","character_id":null,"markdown":"たとえば128件のリクエストが来たとします。","render_override":null},{"id":"blk_27d7eb14-3f8b-4ad7-9d60-e0eeb7476e0b","kind":"paragraph","order":131,"section_id":"sec_e55e644a-5ce1-449c-9c0c-aab7e7170dba","character_id":null,"markdown":"普通に全部まとめて処理すると、","render_override":null},{"id":"blk_b2d8fb07-8dae-4b07-8284-04114eae3efd","kind":"paragraph","order":132,"section_id":"sec_e55e644a-5ce1-449c-9c0c-aab7e7170dba","character_id":null,"markdown":"**128件ぶんのCPUツール処理を一気に走らせる** \n↓ \nCPUコアが詰まる \n↓ \nCPU処理が遅くなる \n↓ \nGPUに渡すまで時間がかかる \n↓ \n高価なGPUが待たされる","render_override":null},{"id":"blk_a1e664a1-34f0-49e5-b573-c53c7ea93ac0","kind":"paragraph","order":133,"section_id":"sec_e55e644a-5ce1-449c-9c0c-aab7e7170dba","character_id":null,"markdown":"ということが起きます。","render_override":null},{"id":"blk_77002ed4-d247-4949-a5ad-6e069eae9902","kind":"paragraph","order":134,"section_id":"sec_e55e644a-5ce1-449c-9c0c-aab7e7170dba","character_id":null,"markdown":"COMBではこれを、たとえば、","render_override":null},{"id":"blk_6d762984-3a90-422a-9d5f-be6b0047ef92","kind":"paragraph","order":135,"section_id":"sec_e55e644a-5ce1-449c-9c0c-aab7e7170dba","character_id":null,"markdown":"**128件を64件 + 64件に分ける** \nように、CPUが耐えられるサイズの小さいバッチに分割します。","render_override":null},{"id":"blk_0234c46a-78fc-45cf-9aa0-ee68bf3b043f","kind":"paragraph","order":136,"section_id":"sec_e55e644a-5ce1-449c-9c0c-aab7e7170dba","character_id":null,"markdown":"これが **micro-batching** です。","render_override":null},{"id":"blk_15ff9aa9-ad44-4f39-8c14-aa6844a3499b","kind":"paragraph","order":137,"section_id":"sec_e55e644a-5ce1-449c-9c0c-aab7e7170dba","character_id":null,"markdown":"さらにCOMBでは、単に小分けするだけではありません。","render_override":null},{"id":"blk_87c9a3ec-af4a-43d0-9387-79686d653f61","kind":"paragraph","order":138,"section_id":"sec_e55e644a-5ce1-449c-9c0c-aab7e7170dba","character_id":null,"markdown":"**1つ目のマイクロバッチがCPU処理を終えたら、GPU推論へ流す。 \nその間に、2つ目のマイクロバッチはCPU処理を進める。**","render_override":null},{"id":"blk_5f2efbfa-80f1-498b-b76c-73c45d8e9b4b","kind":"paragraph","order":139,"section_id":"sec_e55e644a-5ce1-449c-9c0c-aab7e7170dba","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_d95996e7-4acf-43e0-9c0d-1bfddfaf6db9","kind":"paragraph","order":140,"section_id":"sec_e55e644a-5ce1-449c-9c0c-aab7e7170dba","character_id":null,"markdown":"**CPU処理とGPU処理を時間的に重ねる**","render_override":null},{"id":"blk_159cc8da-2298-44cb-b66c-108183f0e4c3","kind":"paragraph","order":141,"section_id":"sec_e55e644a-5ce1-449c-9c0c-aab7e7170dba","character_id":null,"markdown":"のがポイントです。論文では、COMBはCPU誘導型のマイクロバッチをエージェントパイプライン全体で調整し、CPUとGPUの時間的な不均衡を減らすものだと説明されています。([arXiv](https://arxiv.org/html/2511.00739v3))","render_override":null},{"id":"blk_5cfadaf2-ebc0-4808-a821-774b1ab4a566","kind":"paragraph","order":142,"section_id":"sec_e55e644a-5ce1-449c-9c0c-aab7e7170dba","character_id":null,"markdown":"イメージはこうです。","render_override":null},{"id":"blk_aeeda419-fa7a-4967-be60-9dbe3776ee4d","kind":"code","order":143,"section_id":"sec_e55e644a-5ce1-449c-9c0c-aab7e7170dba","character_id":null,"markdown":"```\n従来方式：\nCPU処理 CPU処理 CPU処理 CPU処理 → GPU処理 GPU処理 GPU処理\n GPUは待ち時間が多い\n\nCOMB：\nCPU処理 batch1 → GPU処理 batch1\nCPU処理 batch2 → GPU処理 batch2\nCPU処理 batch3 → GPU処理 batch3\n\nCPUとGPUがなるべく同時に動く\n```","render_override":null},{"id":"blk_33480068-85b7-4db4-a8cc-b4a93965baa4","kind":"heading","order":144,"section_id":"sec_aeca1429-2a19-4d31-b76e-1f7203fdea26","character_id":null,"markdown":"## COMBが解決する問題","render_override":null},{"id":"blk_158b33cf-b480-4a66-b6e8-d2dcca85e7f5","kind":"paragraph","order":145,"section_id":"sec_aeca1429-2a19-4d31-b76e-1f7203fdea26","character_id":null,"markdown":"COMBが狙う問題は3つです。","render_override":null},{"id":"blk_7ea7c444-9d86-43e8-bbe9-ca7987369158","kind":"paragraph","order":146,"section_id":"sec_aeca1429-2a19-4d31-b76e-1f7203fdea26","character_id":null,"markdown":"1つ目は、**CPUの過剰並列化を避けること**です。 \nCPUはGPUほど大量並列に強くありません。バッチサイズを大きくしすぎると、CPUのツール処理が詰まり、かえって遅くなります。COMBは大きなバッチをCPUに適した小さなマイクロバッチへ分けることで、CPUコアの過負荷を抑えます。([arXiv](https://arxiv.org/html/2511.00739v3))","render_override":null},{"id":"blk_68916048-a434-4a5e-9233-4510a88efeef","kind":"paragraph","order":147,"section_id":"sec_aeca1429-2a19-4d31-b76e-1f7203fdea26","character_id":null,"markdown":"2つ目は、**GPUの待ち時間を減らすこと**です。 \nCPU処理が終わった分から順にGPUへ流し、次のCPU処理と重ねます。これにより、CPUだけが動く時間、GPUだけが動く時間を減らします。([arXiv](https://arxiv.org/html/2511.00739v3))","render_override":null},{"id":"blk_01d4110a-7bf2-42d9-a7e9-360dade446b4","kind":"paragraph","order":148,"section_id":"sec_aeca1429-2a19-4d31-b76e-1f7203fdea26","character_id":null,"markdown":"3つ目は、**KV cacheやメモリ圧を下げること**です。 \n大きなバッチを一気にGPUへ流すとKV cache需要が瞬間的に大きくなります。マイクロバッチ化すると、GPUメモリへの圧力も下がりやすいと論文は説明しています。([arXiv](https://arxiv.org/html/2511.00739v3))","render_override":null},{"id":"blk_270d999e-bf99-40e8-aa69-270a207cdd27","kind":"heading","order":149,"section_id":"sec_80709b83-16b7-4595-a44c-cd978282b9c0","character_id":null,"markdown":"## COMBの効果","render_override":null},{"id":"blk_d1b962ab-0837-4b61-821e-3afe9225a915","kind":"paragraph","order":150,"section_id":"sec_80709b83-16b7-4595-a44c-cd978282b9c0","character_id":null,"markdown":"論文の実験では、Web-Augmented AgentやSWE-AgentなどでCOMBを評価しています。スタンドアロンの128リクエスト処理では、Web-Augmented AgentでP50レイテンシが改善し、オープンループ負荷ではサービスレイテンシがP50/P90でそれぞれ最大2.9倍/3.9倍改善、総レイテンシもP50/P90で最大1.6倍/1.8倍改善したと報告されています。([arXiv](https://arxiv.org/html/2511.00739v3))","render_override":null},{"id":"blk_442caec9-7e45-4114-8c2e-d52d96c3e614","kind":"paragraph","order":151,"section_id":"sec_80709b83-16b7-4595-a44c-cd978282b9c0","character_id":null,"markdown":"ただし、COMBは万能ではありません。 \nCPUコアが極端に少ない環境では、重ね合わせ処理そのものがCPU競合を増やす場合があります。論文の16コアCPUでの追加実験では、単純なマイクロバッチ化は効く一方、オーバーラップを入れるCOMBはCPU側競合で効果が弱まるケースが示されています。([arXiv](https://arxiv.org/html/2511.00739v3))","render_override":null},{"id":"blk_0989c145-69be-4c81-b376-0f8dd009520c","kind":"paragraph","order":152,"section_id":"sec_80709b83-16b7-4595-a44c-cd978282b9c0","character_id":null,"markdown":"つまりCOMBは、","render_override":null},{"id":"blk_33af3ce2-b6cb-4dfc-8062-3ade903c6dba","kind":"paragraph","order":153,"section_id":"sec_80709b83-16b7-4595-a44c-cd978282b9c0","character_id":null,"markdown":"**CPUが完全に詰まらない範囲で、CPU処理とGPU処理をパイプライン化する技術**","render_override":null},{"id":"blk_17493971-6e70-484d-9448-35d3a088f5af","kind":"paragraph","order":154,"section_id":"sec_80709b83-16b7-4595-a44c-cd978282b9c0","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_e972194e-fccf-4b80-b815-582c36688411","kind":"thematic_break","order":155,"section_id":"sec_80709b83-16b7-4595-a44c-cd978282b9c0","character_id":null,"markdown":"---","render_override":null},{"id":"blk_918024ab-f803-4729-8479-4f432c8b1b2d","kind":"heading","order":156,"section_id":"sec_7128dad2-d683-4840-8f9b-5b7fa95aef1c","character_id":null,"markdown":"## \\2. MASとは何か","render_override":null},{"id":"blk_2c43de7b-3a4b-4d42-959a-3869206a9002","kind":"paragraph","order":157,"section_id":"sec_7128dad2-d683-4840-8f9b-5b7fa95aef1c","character_id":null,"markdown":"**MAS = Mixed Agentic Scheduling** \n日本語にすると、 \n**混合エージェント・スケジューリング** \nです。","render_override":null},{"id":"blk_a8285f47-fc5d-445d-9349-d1a481454ac4","kind":"paragraph","order":158,"section_id":"sec_7128dad2-d683-4840-8f9b-5b7fa95aef1c","character_id":null,"markdown":"これは、**CPU-heavyなリクエストとGPU-heavyなリクエストが混ざって来る場合**の最適化です。論文ではこれを heterogeneous workload と呼んでいます。([arXiv](https://arxiv.org/html/2511.00739v3))","render_override":null},{"id":"blk_12cc5d44-f095-4496-a603-02b9fa68486f","kind":"heading","order":159,"section_id":"sec_0c5229ec-9b0d-4f30-a48c-66e8a04a5219","character_id":null,"markdown":"## なぜMASが必要か","render_override":null},{"id":"blk_9d1b1018-8970-4ded-9558-5c3d2017f410","kind":"paragraph","order":160,"section_id":"sec_0c5229ec-9b0d-4f30-a48c-66e8a04a5219","character_id":null,"markdown":"現実のAIサービスでは、すべてのリクエストが同じではありません。","render_override":null},{"id":"blk_0e7a5f93-f7fe-44ed-ab42-ef8e9534c001","kind":"paragraph","order":161,"section_id":"sec_0c5229ec-9b0d-4f30-a48c-66e8a04a5219","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_1ff18ffd-4880-404a-aa51-dd271ba39810","kind":"heading","order":162,"section_id":"sec_9c903175-7a46-41db-a8aa-70b36b031573","character_id":null,"markdown":"### CPU-heavyリクエスト","render_override":null},{"id":"blk_c67e2b3e-8abf-4285-a0f2-d2a74fcfd53d","kind":"code","order":163,"section_id":"sec_9c903175-7a46-41db-a8aa-70b36b031573","character_id":null,"markdown":"```\n「Webで調べて、複数ページを要約して、表にして」\n```","render_override":null},{"id":"blk_c83d584f-f3e4-470d-b478-da5aa49626be","kind":"paragraph","order":164,"section_id":"sec_9c903175-7a46-41db-a8aa-70b36b031573","character_id":null,"markdown":"これは検索、HTML取得、要約、RAG、DB照会などがあり、CPU/I/O負荷が大きい。","render_override":null},{"id":"blk_db060de8-362b-4f42-a799-cc994af0a8f5","kind":"heading","order":165,"section_id":"sec_f736ba24-50d5-4b61-a96c-5eccdb8168eb","character_id":null,"markdown":"### GPU-heavyリクエスト","render_override":null},{"id":"blk_90e0e564-205f-46c7-be8a-62a96677c18b","kind":"code","order":166,"section_id":"sec_f736ba24-50d5-4b61-a96c-5eccdb8168eb","character_id":null,"markdown":"```\n「この文章を言い換えて」\n```","render_override":null},{"id":"blk_122a51a1-6504-434f-8476-27696a02f66a","kind":"paragraph","order":167,"section_id":"sec_f736ba24-50d5-4b61-a96c-5eccdb8168eb","character_id":null,"markdown":"これはほぼLLM推論だけなので、GPU負荷が中心。","render_override":null},{"id":"blk_c52c03a3-95f8-46cc-a8da-dfde2fb50459","kind":"paragraph","order":168,"section_id":"sec_f736ba24-50d5-4b61-a96c-5eccdb8168eb","character_id":null,"markdown":"この2種類を単一キューでFCFS、つまり先着順に処理すると、問題が起きます。","render_override":null},{"id":"blk_7e542d5a-b7ad-43b0-863d-2f7e8953e89c","kind":"paragraph","order":169,"section_id":"sec_f736ba24-50d5-4b61-a96c-5eccdb8168eb","character_id":null,"markdown":"たとえばCPU-heavyリクエストが大量に来ると、キューを埋め尽くし、GPU-heavyリクエストまで待たされます。 \n逆にGPU-heavyリクエストが大量に来ると、CPU-heavyリクエストが押し出されます。","render_override":null},{"id":"blk_67ee97bf-dcab-48f0-8803-e54aa52af15c","kind":"paragraph","order":170,"section_id":"sec_f736ba24-50d5-4b61-a96c-5eccdb8168eb","character_id":null,"markdown":"しかし本来、CPU-heavyとGPU-heavyは使う資源が違います。 \nだから同じキューで雑に並べるのは効率が悪い。","render_override":null},{"id":"blk_2efa82a3-5055-4f48-8b45-83adf6b7c3f2","kind":"paragraph","order":171,"section_id":"sec_f736ba24-50d5-4b61-a96c-5eccdb8168eb","character_id":null,"markdown":"この問題を解くのがMASです。","render_override":null},{"id":"blk_5b45c2e4-822a-402d-8267-eb57781d2684","kind":"heading","order":172,"section_id":"sec_5127a169-a158-49c9-bcf4-c10a7ba8e1a4","character_id":null,"markdown":"## MASの基本構造","render_override":null},{"id":"blk_8f0a3e99-cb2f-4405-98e9-9e0588606fea","kind":"paragraph","order":173,"section_id":"sec_5127a169-a158-49c9-bcf4-c10a7ba8e1a4","character_id":null,"markdown":"MASはリクエストをまず分類します。","render_override":null},{"id":"blk_6503c1aa-4437-4ba4-902b-07c69580ef43","kind":"code","order":174,"section_id":"sec_5127a169-a158-49c9-bcf4-c10a7ba8e1a4","character_id":null,"markdown":"```\nCPU-heavy request\nGPU-heavy request\n```","render_override":null},{"id":"blk_e17472dc-16c6-452a-b314-7719f3063e48","kind":"paragraph","order":175,"section_id":"sec_5127a169-a158-49c9-bcf4-c10a7ba8e1a4","character_id":null,"markdown":"そして、それぞれに別々の実行キューを持たせます。","render_override":null},{"id":"blk_5f9db741-541a-480d-8f95-8546fba437db","kind":"code","order":176,"section_id":"sec_5127a169-a158-49c9-bcf4-c10a7ba8e1a4","character_id":null,"markdown":"```\nCPU-heavy用キュー：上限 C_cpu\nGPU-heavy用キュー：上限 C_gpu\n共有リザーブキュー：あふれた分を一時的に受ける\n```","render_override":null},{"id":"blk_57ed95cf-3102-4801-814d-d320515b0854","kind":"paragraph","order":177,"section_id":"sec_5127a169-a158-49c9-bcf4-c10a7ba8e1a4","character_id":null,"markdown":"論文では、MASはCPU-heavyとGPU-heavyに別々の concurrency cap、つまり同時実行上限を設け、さらに共有リザーブキューを用意することで、片方のリクエスト種別が全体を独占しないようにすると説明されています。([arXiv](https://arxiv.org/html/2511.00739v3))","render_override":null},{"id":"blk_b412d485-8a49-404a-bde3-51c7a54c906a","kind":"paragraph","order":178,"section_id":"sec_5127a169-a158-49c9-bcf4-c10a7ba8e1a4","character_id":null,"markdown":"イメージはこうです。","render_override":null},{"id":"blk_7e178d13-1e14-42c3-8ae4-dba6cc17d8aa","kind":"code","order":179,"section_id":"sec_5127a169-a158-49c9-bcf4-c10a7ba8e1a4","character_id":null,"markdown":"```\n到着リクエスト\n ↓\nCPU-heavyかGPU-heavyか分類\n ↓\nCPU-heavy → CPU-heavy用キューへ\nGPU-heavy → GPU-heavy用キューへ\n ↓\n満杯なら共有リザーブキュー\n ↓\nそれも満杯なら種別ごとの待機キュー\n```","render_override":null},{"id":"blk_6a64ae79-6ce4-4de4-b023-0be0f0e8463a","kind":"paragraph","order":180,"section_id":"sec_5127a169-a158-49c9-bcf4-c10a7ba8e1a4","character_id":null,"markdown":"さらに、待機キューから取り出すときはラウンドロビン的に扱い、片方がもう片方を塞がないようにします。MASのアルゴリズムは、CPU-heavy/GPU-heavyそれぞれの実行キュー、共有リザーブキュー、種別ごとのFCFS待機キューを持ち、完了時に待機キューから再入場を試みる構造です。([arXiv](https://arxiv.org/html/2511.00739v3))","render_override":null},{"id":"blk_be5b147e-979e-42c0-bfa2-40f077e9cd5e","kind":"heading","order":181,"section_id":"sec_e84f1048-eaee-47f3-938e-0ea7f6971412","character_id":null,"markdown":"## MASが解決する問題","render_override":null},{"id":"blk_008ed369-1470-47b8-a5c7-acc025426831","kind":"paragraph","order":182,"section_id":"sec_e84f1048-eaee-47f3-938e-0ea7f6971412","character_id":null,"markdown":"MASが解くのは、**混在負荷での不公平とヘッド・オブ・ライン・ブロッキング**です。","render_override":null},{"id":"blk_f074c6cd-7c67-4e13-818e-eeb699c1f076","kind":"paragraph","order":183,"section_id":"sec_e84f1048-eaee-47f3-938e-0ea7f6971412","character_id":null,"markdown":"ヘッド・オブ・ライン・ブロッキングとは、先頭の重い処理が詰まるせいで、後ろにある軽い処理まで待たされる現象です。","render_override":null},{"id":"blk_c94c5caa-eb79-4464-8968-d59f8e6ccd48","kind":"paragraph","order":184,"section_id":"sec_e84f1048-eaee-47f3-938e-0ea7f6971412","character_id":null,"markdown":"AIエージェントでは、","render_override":null},{"id":"blk_c5edd172-a640-4251-b3e2-b777a817bb01","kind":"code","order":185,"section_id":"sec_e84f1048-eaee-47f3-938e-0ea7f6971412","character_id":null,"markdown":"```\nCPU-heavyが前に詰まる\n↓\n本当ならGPUだけで速く終わるGPU-heavyまで待つ\n```","render_override":null},{"id":"blk_b63b556f-c21a-4d8d-8c40-6f1b729682bd","kind":"paragraph","order":186,"section_id":"sec_e84f1048-eaee-47f3-938e-0ea7f6971412","character_id":null,"markdown":"ということが起きます。","render_override":null},{"id":"blk_c7c185f0-7dac-4d80-9c93-9f29c75948bc","kind":"paragraph","order":187,"section_id":"sec_e84f1048-eaee-47f3-938e-0ea7f6971412","character_id":null,"markdown":"MASはCPU-heavyとGPU-heavyを分離することで、","render_override":null},{"id":"blk_77faf338-21f5-4c50-bef6-7eddbe8a26b7","kind":"code","order":188,"section_id":"sec_e84f1048-eaee-47f3-938e-0ea7f6971412","character_id":null,"markdown":"```\nCPUはCPU-heavyを処理\nGPUはGPU-heavyを処理\n```","render_override":null},{"id":"blk_1fe5d088-10bd-449b-b34d-978ce82b69e1","kind":"paragraph","order":189,"section_id":"sec_e84f1048-eaee-47f3-938e-0ea7f6971412","character_id":null,"markdown":"という並行性を維持しやすくします。","render_override":null},{"id":"blk_e1c8f0cc-b943-4a7b-9a98-be5f694eedde","kind":"paragraph","order":190,"section_id":"sec_e84f1048-eaee-47f3-938e-0ea7f6971412","character_id":null,"markdown":"論文では、MASはリクエスト種別ごとの入場制御により、CPU/GPU双方の利用率を保ちつつ、少数派のリクエスト種別を保護すると説明されています。([arXiv](https://arxiv.org/html/2511.00739v3))","render_override":null},{"id":"blk_5203f636-03a8-4808-bfdf-36eff149c727","kind":"heading","order":191,"section_id":"sec_4b2d018f-4331-43e4-831f-f8f0f228c9a3","character_id":null,"markdown":"## MASの効果","render_override":null},{"id":"blk_8524d1d5-d13c-4171-a477-a303efc546ca","kind":"paragraph","order":192,"section_id":"sec_4b2d018f-4331-43e4-831f-f8f0f228c9a3","character_id":null,"markdown":"論文では、GPU-heavyリクエストの到着確率を変えながら、CPU-heavyとGPU-heavyが混ざるバースト的な負荷でMASを評価しています。結果として、MASは片方のリクエスト種別が多数派になったときでも、少数派リクエストのレイテンシを守り、全体のP50/P90レイテンシや公平性を改善したと報告されています。特に、少数派リクエストの総レイテンシをP50/P90で最大2.37倍/2.49倍改善したと要旨で述べています。([arXiv](https://arxiv.org/html/2511.00739v3))","render_override":null},{"id":"blk_375553c4-fea2-4758-a2c9-1b9c58193d85","kind":"thematic_break","order":193,"section_id":"sec_4b2d018f-4331-43e4-831f-f8f0f228c9a3","character_id":null,"markdown":"---","render_override":null},{"id":"blk_12cc2080-f0f0-44e4-941b-46f533273f5b","kind":"heading","order":194,"section_id":"sec_327b13c7-2844-4aea-99ac-5f5496029d27","character_id":null,"markdown":"## COMBとMASの違い","render_override":null},{"id":"blk_f3966e9d-9bef-4f5a-9fff-c604ace82dbe","kind":"paragraph","order":195,"section_id":"sec_327b13c7-2844-4aea-99ac-5f5496029d27","character_id":null,"markdown":"項目COMBMAS対象同じ種類のCPU-heavy処理が多い場合CPU-heavyとGPU-heavyが混在する場合主な問題CPU過負荷でGPUが待つ片方のリクエスト種別がキューを独占する方法大きなバッチを小さく分け、CPU処理とGPU処理を重ねるCPU-heavy/GPU-heavyを分類し、別キュー・別同時実行枠で管理効果CPU-GPUのパイプライン化、P50/P90改善公平性向上、少数派リクエストの待ち時間削減たとえ工場の流れ作業を小ロット化する高速道路で大型車レーンと普通車レーンを分ける","render_override":null},{"id":"blk_7900cc38-51cb-4891-8799-2f30de71ed85","kind":"thematic_break","order":196,"section_id":"sec_327b13c7-2844-4aea-99ac-5f5496029d27","character_id":null,"markdown":"---","render_override":null},{"id":"blk_0e2dfc28-bdad-4a36-9425-a1278359e225","kind":"heading","order":197,"section_id":"sec_3293b680-b20e-482f-97d7-c3aece809f21","character_id":null,"markdown":"## かなり噛み砕いた例","render_override":null},{"id":"blk_9fa86591-ed98-4ab7-91a7-df818841d6fb","kind":"heading","order":198,"section_id":"sec_64443484-39ed-48a1-9da3-fc2d8be67f61","character_id":null,"markdown":"## COMBの例","render_override":null},{"id":"blk_18c23978-757a-4879-b7b9-8d7424213060","kind":"paragraph","order":199,"section_id":"sec_64443484-39ed-48a1-9da3-fc2d8be67f61","character_id":null,"markdown":"ラーメン屋で考えると、100人分の注文を全部まとめて厨房に投げると、厨房が詰まります。","render_override":null},{"id":"blk_6da018e7-65a0-43af-81b0-263fdc2ae492","kind":"paragraph","order":200,"section_id":"sec_64443484-39ed-48a1-9da3-fc2d8be67f61","character_id":null,"markdown":"COMBは、","render_override":null},{"id":"blk_22f5e39d-37e3-49fe-9c37-798b2a8a2c75","kind":"code","order":201,"section_id":"sec_64443484-39ed-48a1-9da3-fc2d8be67f61","character_id":null,"markdown":"```\n100人分を一気に作らない\n20人ずつ作る\n最初の20人分を盛り付けている間に、次の20人分を茹で始める\n```","render_override":null},{"id":"blk_08449fc5-dd7d-4697-b2c2-53b358c4bed0","kind":"paragraph","order":202,"section_id":"sec_64443484-39ed-48a1-9da3-fc2d8be67f61","character_id":null,"markdown":"という方式です。","render_override":null},{"id":"blk_4ce559e5-ea4e-4c6f-a194-b33940e02bc4","kind":"paragraph","order":203,"section_id":"sec_64443484-39ed-48a1-9da3-fc2d8be67f61","character_id":null,"markdown":"つまり、**CPU厨房とGPU盛り付け係を同時に働かせる**発想です。","render_override":null},{"id":"blk_79b8134a-e6f1-4975-83d9-015d044fa6d6","kind":"heading","order":204,"section_id":"sec_ab5faba9-8f69-4a16-b5cc-1dee74938a95","character_id":null,"markdown":"## MASの例","render_override":null},{"id":"blk_def1b9d1-e498-40b4-bab8-3a21d5d7317a","kind":"paragraph","order":205,"section_id":"sec_ab5faba9-8f69-4a16-b5cc-1dee74938a95","character_id":null,"markdown":"一方MASは、客の種類を分けます。","render_override":null},{"id":"blk_2e321b60-7fdc-445a-b382-d8dba77af7a3","kind":"code","order":206,"section_id":"sec_ab5faba9-8f69-4a16-b5cc-1dee74938a95","character_id":null,"markdown":"```\nA: ラーメンだけの客\nB: ラーメン + 餃子 + チャーハン + 持ち帰り注文の客\n```","render_override":null},{"id":"blk_4d41d393-ad0f-495b-bd92-2d4fc80ba41d","kind":"paragraph","order":207,"section_id":"sec_ab5faba9-8f69-4a16-b5cc-1dee74938a95","character_id":null,"markdown":"この2種類を同じ列に並べると、Bの客が多いとAの客も待たされます。","render_override":null},{"id":"blk_cdd3b94e-bf1d-4e4c-9c83-a4b36f22980c","kind":"paragraph","order":208,"section_id":"sec_ab5faba9-8f69-4a16-b5cc-1dee74938a95","character_id":null,"markdown":"MASは、","render_override":null},{"id":"blk_754021ef-8657-4923-8865-58c4b34a2c9c","kind":"code","order":209,"section_id":"sec_ab5faba9-8f69-4a16-b5cc-1dee74938a95","character_id":null,"markdown":"```\nラーメンだけ列\n複雑注文列\nあふれた時の共用列\n```","render_override":null},{"id":"blk_984bed6c-6e4b-4fc1-bbb5-f07be6e5e16c","kind":"paragraph","order":210,"section_id":"sec_ab5faba9-8f69-4a16-b5cc-1dee74938a95","character_id":null,"markdown":"を分ける方式です。","render_override":null},{"id":"blk_cad63319-86ca-421a-b083-d04631ca0ae4","kind":"paragraph","order":211,"section_id":"sec_ab5faba9-8f69-4a16-b5cc-1dee74938a95","character_id":null,"markdown":"つまり、**軽い推論リクエストと、重いエージェント処理リクエストを同じキューで潰し合わないようにする**仕組みです。","render_override":null},{"id":"blk_e26a8bd8-860b-4b48-b513-553621cd4388","kind":"thematic_break","order":212,"section_id":"sec_ab5faba9-8f69-4a16-b5cc-1dee74938a95","character_id":null,"markdown":"---","render_override":null},{"id":"blk_362fb410-96e2-48b0-b392-8308dfc14450","kind":"heading","order":213,"section_id":"sec_6acf9d59-e5ea-45c8-9531-a02ed175805a","character_id":null,"markdown":"## AIインフラ投資の文脈での意味","render_override":null},{"id":"blk_18fb3b84-6552-4427-9809-8b4310133946","kind":"paragraph","order":214,"section_id":"sec_6acf9d59-e5ea-45c8-9531-a02ed175805a","character_id":null,"markdown":"COMBとMASが示しているのは、非常に重要です。","render_override":null},{"id":"blk_3821a67e-40aa-4b4b-b04c-d8b25b78163a","kind":"paragraph","order":215,"section_id":"sec_6acf9d59-e5ea-45c8-9531-a02ed175805a","character_id":null,"markdown":"AI推論のボトルネックは、もはや単純な","render_override":null},{"id":"blk_6954260f-07e4-4a35-b265-1ad6c9edc338","kind":"paragraph","order":216,"section_id":"sec_6acf9d59-e5ea-45c8-9531-a02ed175805a","character_id":null,"markdown":"**GPUのFLOPS不足**","render_override":null},{"id":"blk_fbdcbede-ec36-4450-a7fb-856112775520","kind":"paragraph","order":217,"section_id":"sec_6acf9d59-e5ea-45c8-9531-a02ed175805a","character_id":null,"markdown":"だけではありません。","render_override":null},{"id":"blk_6f0f41a0-8e20-429a-b70f-15c82dc06cfc","kind":"paragraph","order":218,"section_id":"sec_6acf9d59-e5ea-45c8-9531-a02ed175805a","character_id":null,"markdown":"これからは、","render_override":null},{"id":"blk_749b698e-09a4-4735-893c-45e03b121c2c","kind":"paragraph","order":219,"section_id":"sec_6acf9d59-e5ea-45c8-9531-a02ed175805a","character_id":null,"markdown":"**CPUでのツール処理** \n**CPU/GPU間のスケジューリング** \n**キュー制御** \n**バッチング** \n**KV cache管理** \n**I/O待ち** \n**DB・検索・Python実行** \n**CPUとGPUの同時利用率**","render_override":null},{"id":"blk_441ad728-107f-45f4-83e7-e78b64302360","kind":"paragraph","order":220,"section_id":"sec_6acf9d59-e5ea-45c8-9531-a02ed175805a","character_id":null,"markdown":"が性能を決めます。","render_override":null},{"id":"blk_c0524b16-63ff-4156-9a6a-1427a29d1c19","kind":"paragraph","order":221,"section_id":"sec_6acf9d59-e5ea-45c8-9531-a02ed175805a","character_id":null,"markdown":"つまり、AIエージェント時代のデータセンターでは、 \n**GPUを買えば終わりではなく、GPUを遊ばせないCPU制御レイヤーが重要になる** \nということです。","render_override":null},{"id":"blk_9baffaea-bfb0-4b86-9e14-3aafb4ff9c68","kind":"paragraph","order":222,"section_id":"sec_6acf9d59-e5ea-45c8-9531-a02ed175805a","character_id":null,"markdown":"この意味でCOMBとMASは、単なる論文上のスケジューリング技術ではなく、**AI推論インフラがGPU中心からCPU/GPU協調型へ移る兆候**として読むべきだと思います。","render_override":null},{"id":"blk_8703c37a-2680-44da-9c38-7a1ab403aa1b","kind":"thematic_break","order":223,"section_id":"sec_6acf9d59-e5ea-45c8-9531-a02ed175805a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_71410521-74ef-46e3-ad28-aae365409491","kind":"heading","order":224,"section_id":"sec_8ec24d97-a546-4814-9c1b-db768ab1c94b","character_id":null,"markdown":"## CPU、GPU、LPU、TPUの構造的な違いと、役割","render_override":null},{"id":"blk_a171d84b-deab-4ca6-ac96-f22e3e606ec9","kind":"paragraph","order":225,"section_id":"sec_8ec24d97-a546-4814-9c1b-db768ab1c94b","character_id":null,"markdown":"大きく言うと、違いはこうです。","render_override":null},{"id":"blk_12105792-a607-4fc0-aebc-24c625d514fc","kind":"paragraph","order":226,"section_id":"sec_8ec24d97-a546-4814-9c1b-db768ab1c94b","character_id":null,"markdown":"**CPU = 司令塔** \n**GPU = 大量の作業員** \n**TPU = 行列計算専用工場** \n**LPU = 言語推論専用の高速ベルトコンベア**","render_override":null},{"id":"blk_81f50fb1-065f-49c7-b777-25bb4c859adc","kind":"paragraph","order":227,"section_id":"sec_8ec24d97-a546-4814-9c1b-db768ab1c94b","character_id":null,"markdown":"AIインフラでは、この4つは競合というより、役割分担です。","render_override":null},{"id":"blk_b59b624c-bc90-42d1-830b-f963fb175348","kind":"thematic_break","order":228,"section_id":"sec_8ec24d97-a546-4814-9c1b-db768ab1c94b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c03366a2-1aa8-431b-abd1-8350fe0cd51d","kind":"heading","order":229,"section_id":"sec_a2daa0fa-a0e5-4ae0-922b-905e3bf8679d","character_id":null,"markdown":"## CPUがOSと密接に連携出来て、GPUが難しい理由","render_override":null},{"id":"blk_2bf6a1ac-54ef-4d90-9fff-2cd60f12beb8","kind":"heading","order":230,"section_id":"sec_409f5314-0c01-4d07-a2ef-1e6067c0c5ad","character_id":null,"markdown":"## \\1. CPU：汎用処理と制御の中心","render_override":null},{"id":"blk_bfe9673e-6ec1-4f9c-bc6b-d17fdb2bd363","kind":"paragraph","order":231,"section_id":"sec_409f5314-0c01-4d07-a2ef-1e6067c0c5ad","character_id":null,"markdown":"CPUは **Central Processing Unit**、つまり中央処理装置です。","render_override":null},{"id":"blk_ceee08eb-07d4-4305-9627-8537f6cbad0c","kind":"paragraph","order":232,"section_id":"sec_409f5314-0c01-4d07-a2ef-1e6067c0c5ad","character_id":null,"markdown":"構造的には、CPUは少数〜多数の高性能コアを持ち、それぞれが複雑な命令を柔軟に処理できます。OS、メモリ管理、割り込み、例外処理、仮想化、セキュリティ、I/O制御など、コンピュータ全体を動かすための仕組みを担当します。Intelの開発者向けマニュアルも、x86 CPUの命令セットだけでなく、メモリ管理、保護、タスク管理、割り込み、仮想化などを扱うものとして整理されています。([Intel](https://www.intel.com/content/www/us/en/developer/articles/technical/intel-sdm.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_6653b441-9346-47aa-a3b5-79339e88b6eb","kind":"paragraph","order":233,"section_id":"sec_409f5314-0c01-4d07-a2ef-1e6067c0c5ad","character_id":null,"markdown":"CPUの特徴は、**分岐・判断・逐次処理・I/O・OS制御に強い**ことです。","render_override":null},{"id":"blk_43a2e613-f7bf-4299-ade9-f2c43971c594","kind":"paragraph","order":234,"section_id":"sec_409f5314-0c01-4d07-a2ef-1e6067c0c5ad","character_id":null,"markdown":"AI推論では、CPUは主に以下を担当します。","render_override":null},{"id":"blk_18474dbb-f994-492a-bbdf-5aa5afba119f","kind":"figure","order":235,"section_id":"sec_409f5314-0c01-4d07-a2ef-1e6067c0c5ad","character_id":null,"markdown":"![](/media/f64df3e3fae6c460a8fe18440ca82545a0643ecf2a0f5415cd31e18303e2eaf2-content.webp)","render_override":null},{"id":"blk_11bbddd0-f8ee-4e5d-8e3a-a8c844c28d3d","kind":"paragraph","order":236,"section_id":"sec_409f5314-0c01-4d07-a2ef-1e6067c0c5ad","character_id":null,"markdown":"つまりCPUは、AIモデルそのものの行列計算よりも、**AIサービス全体を動かす管制塔**です。","render_override":null},{"id":"blk_093e9675-7e05-44f9-88c9-a24abd199e14","kind":"thematic_break","order":237,"section_id":"sec_409f5314-0c01-4d07-a2ef-1e6067c0c5ad","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c5acd9c8-baad-48ee-aedf-cafc7ac713c4","kind":"heading","order":238,"section_id":"sec_77e0b74a-d9e0-416b-bfe1-bfba082034da","character_id":null,"markdown":"## \\2. GPU：大量並列計算の主役","render_override":null},{"id":"blk_5dcc01f8-e730-483f-bb08-f4ae07124795","kind":"paragraph","order":239,"section_id":"sec_77e0b74a-d9e0-416b-bfe1-bfba082034da","character_id":null,"markdown":"GPUは **Graphics Processing Unit** ですが、現代ではAI計算の主力です。","render_override":null},{"id":"blk_d46d90a1-621b-49c3-ae7b-f6eaf756df84","kind":"paragraph","order":240,"section_id":"sec_77e0b74a-d9e0-416b-bfe1-bfba082034da","character_id":null,"markdown":"構造的には、GPUはCPUよりもはるかに多くの小さな演算器を持ち、同じような計算を大量に並列実行します。NVIDIA A100の例では、多数のSM、CUDAコア、Tensor Core、HBMメモリコントローラを備え、行列演算やテンソル演算を大量並列に処理する設計になっています。([NVIDIA Images](https://images.nvidia.com/aem-dam/en-zz/Solutions/data-center/nvidia-ampere-architecture-whitepaper.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_94a56a1b-b101-4bb1-ae03-964821455ad9","kind":"paragraph","order":241,"section_id":"sec_77e0b74a-d9e0-416b-bfe1-bfba082034da","character_id":null,"markdown":"特にAIでは **Tensor Core** が重要です。NVIDIAはTensor Coreを、混合精度計算を可能にし、AIやHPCの幅広いワークロードを加速する技術として説明しています。([NVIDIA](https://www.nvidia.com/en-us/data-center/tensor-cores/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_98a4f487-315c-4c9d-b73a-fcedde33b358","kind":"paragraph","order":242,"section_id":"sec_77e0b74a-d9e0-416b-bfe1-bfba082034da","character_id":null,"markdown":"GPUの特徴は、**同じ形の計算を大量に並べると非常に速い**ことです。","render_override":null},{"id":"blk_0160077a-d856-402f-9592-18143a4d2230","kind":"paragraph","order":243,"section_id":"sec_77e0b74a-d9e0-416b-bfe1-bfba082034da","character_id":null,"markdown":"AIでは特に、","render_override":null},{"id":"blk_3cdee042-101d-40fb-9bb3-7c0a399b11a9","kind":"code","order":244,"section_id":"sec_77e0b74a-d9e0-416b-bfe1-bfba082034da","character_id":null,"markdown":"```\n巨大な行列 × 巨大な行列\n```","render_override":null},{"id":"blk_c85eaeec-dec4-40f4-a585-5cf56ed1cc99","kind":"paragraph","order":245,"section_id":"sec_77e0b74a-d9e0-416b-bfe1-bfba082034da","character_id":null,"markdown":"を何度も計算します。 \nLLMのTransformer、Attention、MLP、画像生成モデル、音声モデルの多くは、行列演算の塊です。","render_override":null},{"id":"blk_31c9ac0a-6601-464c-8cc3-c2ee584fdfff","kind":"paragraph","order":246,"section_id":"sec_77e0b74a-d9e0-416b-bfe1-bfba082034da","character_id":null,"markdown":"そのためGPUは、","render_override":null},{"id":"blk_cd45491a-5bca-46d2-8e14-5270df57c5cc","kind":"figure","order":247,"section_id":"sec_77e0b74a-d9e0-416b-bfe1-bfba082034da","character_id":null,"markdown":"![](/media/42a34582176cc63dd35b759d5db0dd2815366fb6f2756b366a721994f6f02550-content.webp)","render_override":null},{"id":"blk_92c68927-edc0-427c-85ec-0d43adcaa0c9","kind":"paragraph","order":248,"section_id":"sec_77e0b74a-d9e0-416b-bfe1-bfba082034da","character_id":null,"markdown":"に強いです。","render_override":null},{"id":"blk_91f60ed9-0eeb-409c-b729-f1f52e0bed26","kind":"paragraph","order":249,"section_id":"sec_77e0b74a-d9e0-416b-bfe1-bfba082034da","character_id":null,"markdown":"ただしGPUは、CPUのような細かい分岐・OS処理・I/O制御は得意ではありません。 \nそのため、**GPUはエンジン、CPUは運転手・交通整理**という関係になります。","render_override":null},{"id":"blk_3bfd8b55-b044-4ba7-8ba2-cec64077105f","kind":"thematic_break","order":250,"section_id":"sec_77e0b74a-d9e0-416b-bfe1-bfba082034da","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7d0715b2-6f2f-4d37-b086-0115441aa0f8","kind":"heading","order":251,"section_id":"sec_dacabe44-2e8c-4c8c-be16-c242f2b28bf2","character_id":null,"markdown":"## \\3. TPU：Googleのテンソル計算専用ASIC","render_override":null},{"id":"blk_7e0ca383-9df9-4bd7-abdc-c674c8210983","kind":"paragraph","order":252,"section_id":"sec_dacabe44-2e8c-4c8c-be16-c242f2b28bf2","character_id":null,"markdown":"TPUは **Tensor Processing Unit** です。GoogleがAI向けに作った専用アクセラレータです。","render_override":null},{"id":"blk_1c66d261-5c64-4518-a297-2e3b6cc97174","kind":"paragraph","order":253,"section_id":"sec_dacabe44-2e8c-4c8c-be16-c242f2b28bf2","character_id":null,"markdown":"GPUよりさらに特化していて、中心にあるのは **systolic array**、日本語でいうと「拍動配列」「行列演算用の物理的な計算格子」です。Google CloudのTPU資料では、TPUの主な仕事はmultiply-accumulate、つまり掛け算と足し算の組み合わせによる行列処理であり、Cloud TPU v3では1プロセッサ内に128×128 ALUのsystolic arrayを2つ含むと説明されています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/system-architecture-tpu-vm?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e9fcf353-55c2-4102-a6e1-f6f3e55a77df","kind":"paragraph","order":254,"section_id":"sec_dacabe44-2e8c-4c8c-be16-c242f2b28bf2","character_id":null,"markdown":"ざっくり言うと、TPUはこういう設計です。","render_override":null},{"id":"blk_4396bd89-cc28-4f13-a861-e2458a60f8a7","kind":"code","order":255,"section_id":"sec_dacabe44-2e8c-4c8c-be16-c242f2b28bf2","character_id":null,"markdown":"```\nCPU：何でもできる高性能な職人\nGPU：大量の作業員\nTPU：行列計算だけを超効率で流す専用工場\n```","render_override":null},{"id":"blk_d1c85cc2-f4e3-48d7-a8fa-101111239aa3","kind":"paragraph","order":256,"section_id":"sec_dacabe44-2e8c-4c8c-be16-c242f2b28bf2","character_id":null,"markdown":"TPUの強みは、","render_override":null},{"id":"blk_09a049b0-4c27-4046-a49a-fac18fa7a908","kind":"figure","order":257,"section_id":"sec_dacabe44-2e8c-4c8c-be16-c242f2b28bf2","character_id":null,"markdown":"![](/media/5e5cd9a324bde83cf758fe3b3b93ff409e39ff989a097962a48e9b5da987b3d4-content.webp)","render_override":null},{"id":"blk_d46dba67-89ff-41c0-b298-448565dad401","kind":"paragraph","order":258,"section_id":"sec_dacabe44-2e8c-4c8c-be16-c242f2b28bf2","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_5aedc524-fede-4dce-b244-5e72c5a7cd0d","kind":"paragraph","order":259,"section_id":"sec_dacabe44-2e8c-4c8c-be16-c242f2b28bf2","character_id":null,"markdown":"GPUとの違いは、**GPUの方が汎用性が高く、TPUの方がGoogleのAI計算に特化している**ことです。","render_override":null},{"id":"blk_aa0be5b7-929a-4a64-bb81-21d9166b7ffc","kind":"paragraph","order":260,"section_id":"sec_dacabe44-2e8c-4c8c-be16-c242f2b28bf2","character_id":null,"markdown":"GPUはCUDAエコシステムで広範なAI/HPC/グラフィックスに使えます。 \nTPUはGoogle CloudやGoogle内部のAI基盤で、テンソル計算を大規模・高効率に流すための専用機です。","render_override":null},{"id":"blk_018f58bf-7658-4902-929e-050104651c30","kind":"thematic_break","order":261,"section_id":"sec_dacabe44-2e8c-4c8c-be16-c242f2b28bf2","character_id":null,"markdown":"---","render_override":null},{"id":"blk_0190dc55-5acb-47e8-87dd-f6cc7c7746f2","kind":"heading","order":262,"section_id":"sec_1cd762ba-80a0-472e-9983-0964840d2c3e","character_id":null,"markdown":"## \\4. LPU：言語推論専用の低遅延アクセラレータ","render_override":null},{"id":"blk_f75a0dce-f50d-4c1c-b889-afba71ec73a3","kind":"paragraph","order":263,"section_id":"sec_1cd762ba-80a0-472e-9983-0964840d2c3e","character_id":null,"markdown":"LPUは一般用語というより、主に **GroqのLanguage Processing Unit** を指すことが多いです。","render_override":null},{"id":"blk_a94c93b3-893c-4c25-8073-842b34b9bd0e","kind":"paragraph","order":264,"section_id":"sec_1cd762ba-80a0-472e-9983-0964840d2c3e","character_id":null,"markdown":"LPUの設計思想はGPUやTPUとかなり違います。 \nGroqはLPUについて、数百MB級のオンチップSRAMを「キャッシュ」ではなく主要な重み保存先として使い、低レイテンシで演算器にデータを供給すると説明しています。また、専用コンパイラによる静的スケジューリングと決定論的実行を重視しています。([Groq](https://groq.com/lpu-architecture?utm_source=chatgpt.com))","render_override":null},{"id":"blk_2e31d12f-7db8-4718-8c9e-ed0f8402fcbc","kind":"paragraph","order":265,"section_id":"sec_1cd762ba-80a0-472e-9983-0964840d2c3e","character_id":null,"markdown":"Groq自身の説明では、LPUは実行ステップがクロックサイクル単位で予測可能な **deterministic architecture** であり、どこで何がいつ起きるかをソフトウェア制御ハードウェアが高精度に把握できる設計です。([Groq](https://groq.com/blog/the-groq-lpu-explained?utm_source=chatgpt.com))","render_override":null},{"id":"blk_af987cbd-4520-49c5-a8be-f1f0085c6154","kind":"paragraph","order":266,"section_id":"sec_1cd762ba-80a0-472e-9983-0964840d2c3e","character_id":null,"markdown":"つまりLPUは、","render_override":null},{"id":"blk_83770f35-e41f-43c9-8e5e-4099f4601fd3","kind":"code","order":267,"section_id":"sec_1cd762ba-80a0-472e-9983-0964840d2c3e","character_id":null,"markdown":"```\nGPU：大量の計算を動的にさばく\nTPU：行列計算を専用配列で流す\nLPU：言語モデル推論を決定論的なベルトコンベアで流す\n```","render_override":null},{"id":"blk_ef702836-c9c6-4fef-bad5-30d030d7c0c4","kind":"paragraph","order":268,"section_id":"sec_1cd762ba-80a0-472e-9983-0964840d2c3e","character_id":null,"markdown":"という違いがあります。","render_override":null},{"id":"blk_95af5b65-a70a-442f-8eee-20b4c9f63000","kind":"paragraph","order":269,"section_id":"sec_1cd762ba-80a0-472e-9983-0964840d2c3e","character_id":null,"markdown":"LPUの強みは、","render_override":null},{"id":"blk_bf014b2d-c81c-4757-9bbe-a030bc60ef17","kind":"figure","order":270,"section_id":"sec_1cd762ba-80a0-472e-9983-0964840d2c3e","character_id":null,"markdown":"![](/media/00ae58a951a41fed83853c893058fca9d3cdf1007e4a906110e93664564c6449-content.webp)","render_override":null},{"id":"blk_015efde6-9f72-4ae1-8545-c2a55dc3b8d4","kind":"paragraph","order":271,"section_id":"sec_1cd762ba-80a0-472e-9983-0964840d2c3e","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_a0e69dd9-0043-4fc1-b6a7-a5cacca9bd6b","kind":"paragraph","order":272,"section_id":"sec_1cd762ba-80a0-472e-9983-0964840d2c3e","character_id":null,"markdown":"ただし、LPUはGPUの完全代替ではありません。 \n特に大規模学習、広範なAIモデル、画像生成、汎用HPCではGPUの方が柔軟です。LPUは **LLM推論、特に低遅延・高速トークン生成** に寄せた専用機と見るのが自然です。","render_override":null},{"id":"blk_37e95b50-2734-4edb-9170-7b111ab4689c","kind":"thematic_break","order":273,"section_id":"sec_1cd762ba-80a0-472e-9983-0964840d2c3e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a983cf9d-aa06-42f8-89a9-830894a9b026","kind":"heading","order":274,"section_id":"sec_71b8d073-d8fd-4437-ac7a-71e210023aba","character_id":null,"markdown":"## 4つの構造比較","render_override":null},{"id":"blk_b6ae790a-5e13-47a4-af11-9c219d023988","kind":"figure","order":275,"section_id":"sec_71b8d073-d8fd-4437-ac7a-71e210023aba","character_id":null,"markdown":"![](/media/d9377538d678a33b5d09666339053ce455f3ca41e0a91398a69eb7107fc733fe-content.webp)","render_override":null},{"id":"blk_82dfdb0b-6df8-4c5a-9105-3f28369f2556","kind":"thematic_break","order":276,"section_id":"sec_71b8d073-d8fd-4437-ac7a-71e210023aba","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4018bcf3-1e05-4d0e-9694-248554908f49","kind":"heading","order":277,"section_id":"sec_ade72eea-582d-4e81-8d35-284b83454113","character_id":null,"markdown":"## AI推論の流れで見ると分かりやすい","render_override":null},{"id":"blk_902d0e54-2707-46de-99a8-95b5ac522b17","kind":"paragraph","order":278,"section_id":"sec_ade72eea-582d-4e81-8d35-284b83454113","character_id":null,"markdown":"たとえば、ユーザーがAIエージェントにこう頼むとします。","render_override":null},{"id":"blk_2095a983-5e15-45a0-9c69-d1f6cb3aa760","kind":"code","order":279,"section_id":"sec_ade72eea-582d-4e81-8d35-284b83454113","character_id":null,"markdown":"```\n「最近の半導体ニュースを調べて、表にして、投資観点で要約して」\n```","render_override":null},{"id":"blk_b4c2b8dc-888d-47a9-bc0a-e9cd04381c75","kind":"paragraph","order":280,"section_id":"sec_ade72eea-582d-4e81-8d35-284b83454113","character_id":null,"markdown":"このとき内部では、だいたいこうなります。","render_override":null},{"id":"blk_43da1883-dfec-4519-b34d-f0f597d41f62","kind":"figure","order":281,"section_id":"sec_ade72eea-582d-4e81-8d35-284b83454113","character_id":null,"markdown":"![](/media/1f874699c258d795c02e572cd5c4434543f6f7fbbbf18d8d22b2938dc6076366-content.webp)","render_override":null},{"id":"blk_fc2ceaa5-c000-4294-9de3-8d9f3f74cf7a","kind":"paragraph","order":282,"section_id":"sec_ade72eea-582d-4e81-8d35-284b83454113","character_id":null,"markdown":"ここで分かる重要点は、**AI推論はGPUだけでは完結しない**ということです。","render_override":null},{"id":"blk_4be9e01d-d162-4568-b4af-141e7b51a973","kind":"paragraph","order":283,"section_id":"sec_ade72eea-582d-4e81-8d35-284b83454113","character_id":null,"markdown":"LLM本体の計算はGPU/TPU/LPUが速い。 \nでも、実サービスとして動かすにはCPUが必要です。","render_override":null},{"id":"blk_714e6d21-fabe-414a-be0b-34530309f113","kind":"thematic_break","order":284,"section_id":"sec_ade72eea-582d-4e81-8d35-284b83454113","character_id":null,"markdown":"---","render_override":null},{"id":"blk_03371a83-e4a8-471e-acac-92962f6981ea","kind":"heading","order":285,"section_id":"sec_3d0d95e2-1b06-4c35-9bd0-e1dd39301f8d","character_id":null,"markdown":"## もう少し直感的なたとえ","render_override":null},{"id":"blk_b91e263b-e0e0-48e1-8acb-cad6a8e57601","kind":"heading","order":286,"section_id":"sec_c271164d-6cc7-43ed-adf8-1a5f4179cb64","character_id":null,"markdown":"## CPU：総料理長・店長","render_override":null},{"id":"blk_33235230-311a-4472-bf8e-072f19ca72d7","kind":"paragraph","order":287,"section_id":"sec_c271164d-6cc7-43ed-adf8-1a5f4179cb64","character_id":null,"markdown":"注文を受ける。 \n誰に何を作らせるか決める。 \n材料を確認する。 \n客対応をする。 \n会計も見る。","render_override":null},{"id":"blk_4536cbcf-be1a-4557-8f5e-871e990294b0","kind":"paragraph","order":288,"section_id":"sec_c271164d-6cc7-43ed-adf8-1a5f4179cb64","character_id":null,"markdown":"何でもできるが、1000人分の同じ作業を一気にやるのは苦手。","render_override":null},{"id":"blk_126a0ea3-8c0f-4514-835a-f1949d5a3915","kind":"heading","order":289,"section_id":"sec_0afdc3d2-fd36-4bdb-b016-58252600e542","character_id":null,"markdown":"## GPU：大量の料理スタッフ","render_override":null},{"id":"blk_7af29cb2-62bb-4438-a4dc-ea99ab1e943c","kind":"paragraph","order":290,"section_id":"sec_0afdc3d2-fd36-4bdb-b016-58252600e542","character_id":null,"markdown":"同じ料理を大量に作るのが得意。 \n仕込み済みの材料を渡せば、爆速で作る。","render_override":null},{"id":"blk_cc24253b-2835-4eca-aa03-32e806263e79","kind":"paragraph","order":291,"section_id":"sec_0afdc3d2-fd36-4bdb-b016-58252600e542","character_id":null,"markdown":"ただし、注文管理や会計や客対応は苦手。","render_override":null},{"id":"blk_ef42eaf6-3a8f-4b55-b8f0-d431c288c187","kind":"heading","order":292,"section_id":"sec_878f51c9-005d-4266-823e-2a58ea72b0df","character_id":null,"markdown":"## TPU：カレー専用巨大工場","render_override":null},{"id":"blk_7980cc45-fc01-4fd4-9b30-e18f23f1faa0","kind":"paragraph","order":293,"section_id":"sec_878f51c9-005d-4266-823e-2a58ea72b0df","character_id":null,"markdown":"カレーを作るなら超効率。 \nでも寿司もケーキも何でも作る店ではない。","render_override":null},{"id":"blk_3560a2e1-0a72-4f8d-b21a-cc752496fa68","kind":"paragraph","order":294,"section_id":"sec_878f51c9-005d-4266-823e-2a58ea72b0df","character_id":null,"markdown":"AIの行列計算に特化した専用工場。","render_override":null},{"id":"blk_b21826d0-2796-4126-82de-b43d6b2e0966","kind":"heading","order":295,"section_id":"sec_4a348aac-1b56-43d5-8f33-9f0e0068129f","character_id":null,"markdown":"## LPU：ラーメン替え玉専用の高速ベルトコンベア","render_override":null},{"id":"blk_ee67926e-be50-411a-be15-d5f8a629d7fa","kind":"paragraph","order":296,"section_id":"sec_4a348aac-1b56-43d5-8f33-9f0e0068129f","character_id":null,"markdown":"1玉ずつ、一定リズムで超高速に出す。 \n低遅延で「次のトークン」を出すことに強い。","render_override":null},{"id":"blk_4fba5517-940e-4ec1-bf27-aef16a50d752","kind":"paragraph","order":297,"section_id":"sec_4a348aac-1b56-43d5-8f33-9f0e0068129f","character_id":null,"markdown":"ただし、メニュー全般を作る万能厨房ではない。","render_override":null},{"id":"blk_61e80849-fcad-4b74-8887-5d685119224f","kind":"thematic_break","order":298,"section_id":"sec_4a348aac-1b56-43d5-8f33-9f0e0068129f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_11a9455c-a1e7-42ba-ab97-523c772f8eaf","kind":"heading","order":299,"section_id":"sec_feed3066-b80b-4a0e-b2b9-7fd3b9ffedce","character_id":null,"markdown":"## 推論・学習・エージェントでの役割","render_override":null},{"id":"blk_c64575e7-1f77-44f0-82e5-f4c3559ee08e","kind":"heading","order":300,"section_id":"sec_10a2ceaf-e8ce-43ae-a5c2-57677ee437c9","character_id":null,"markdown":"## AI学習","render_override":null},{"id":"blk_f660f2da-d2d1-4d2c-8edc-e3dbfba63cdf","kind":"paragraph","order":301,"section_id":"sec_10a2ceaf-e8ce-43ae-a5c2-57677ee437c9","character_id":null,"markdown":"主役は基本的に **GPU / TPU** です。 \n大量のデータを使って、モデルの重みを更新する必要があるからです。","render_override":null},{"id":"blk_bdf6aa9a-1280-4fb1-a243-b8a3532b6450","kind":"paragraph","order":302,"section_id":"sec_10a2ceaf-e8ce-43ae-a5c2-57677ee437c9","character_id":null,"markdown":"CPUはデータ読み込み、前処理、分散学習の制御などを担当します。","render_override":null},{"id":"blk_2827e4ef-e5b4-439f-8b99-1b8bcd1438f4","kind":"paragraph","order":303,"section_id":"sec_10a2ceaf-e8ce-43ae-a5c2-57677ee437c9","character_id":null,"markdown":"LPUは基本的に学習用というより、推論特化で見るべきです。","render_override":null},{"id":"blk_c6fd3b6f-facb-4125-a00d-b37ac523f357","kind":"thematic_break","order":304,"section_id":"sec_10a2ceaf-e8ce-43ae-a5c2-57677ee437c9","character_id":null,"markdown":"---","render_override":null},{"id":"blk_adc98911-24d7-4cd3-9165-644b52dbe2c4","kind":"heading","order":305,"section_id":"sec_946dedd1-8094-428b-99e9-a309a87cc3fd","character_id":null,"markdown":"## 通常のLLM推論","render_override":null},{"id":"blk_369a3759-e73a-4695-aafb-73829caaed8d","kind":"paragraph","order":306,"section_id":"sec_946dedd1-8094-428b-99e9-a309a87cc3fd","character_id":null,"markdown":"大規模モデルでは **GPU / TPU** が主役です。 \n低遅延の言語生成では **LPU** が強みを持ちます。","render_override":null},{"id":"blk_ea4d964a-3eb3-4ea9-9925-bcdfad62303b","kind":"paragraph","order":307,"section_id":"sec_946dedd1-8094-428b-99e9-a309a87cc3fd","character_id":null,"markdown":"CPUは、リクエスト受付、トークナイズ、バッチング、KV cache管理、ネットワーク制御などを担当します。","render_override":null},{"id":"blk_c4ac756d-c6c6-4a4f-9f3f-ef3530d832da","kind":"thematic_break","order":308,"section_id":"sec_946dedd1-8094-428b-99e9-a309a87cc3fd","character_id":null,"markdown":"---","render_override":null},{"id":"blk_960ff950-7947-4a24-9a4c-2daa0912b90d","kind":"heading","order":309,"section_id":"sec_d2c25cb1-1262-4e66-9128-a39dd33e4104","character_id":null,"markdown":"## AIエージェント推論","render_override":null},{"id":"blk_b004f95c-f3a3-432f-a794-3267b78a7f65","kind":"paragraph","order":310,"section_id":"sec_d2c25cb1-1262-4e66-9128-a39dd33e4104","character_id":null,"markdown":"ここではCPUの重要性が一気に上がります。","render_override":null},{"id":"blk_a9589ef4-8ffd-4f0e-9fe1-ff72d01cefd4","kind":"paragraph","order":311,"section_id":"sec_d2c25cb1-1262-4e66-9128-a39dd33e4104","character_id":null,"markdown":"AIエージェントは、ただ文章を生成するだけではありません。","render_override":null},{"id":"blk_94b7657c-5eea-45ab-9a4f-598be98c3187","kind":"code","order":312,"section_id":"sec_d2c25cb1-1262-4e66-9128-a39dd33e4104","character_id":null,"markdown":"```\n検索する\nAPIを呼ぶ\nPythonを実行する\nファイルを読む\nDBに問い合わせる\n判断する\n再試行する\nログを残す\n外部サービスと通信する\n```","render_override":null},{"id":"blk_bf3705a4-dc33-44eb-90e6-384a46cbf5e9","kind":"paragraph","order":313,"section_id":"sec_d2c25cb1-1262-4e66-9128-a39dd33e4104","character_id":null,"markdown":"この多くはCPU側の仕事です。","render_override":null},{"id":"blk_11b6db07-826e-4392-a945-f79ea6b3fa41","kind":"paragraph","order":314,"section_id":"sec_d2c25cb1-1262-4e66-9128-a39dd33e4104","character_id":null,"markdown":"つまり、AIエージェント時代は、","render_override":null},{"id":"blk_8570dbdb-117c-4d65-85b1-ab55596edfbc","kind":"paragraph","order":315,"section_id":"sec_d2c25cb1-1262-4e66-9128-a39dd33e4104","character_id":null,"markdown":"**GPU/TPU/LPU = 考える部分の高速化** \n**CPU = 行動・記憶・道具・通信・管理の中心**","render_override":null},{"id":"blk_2d78027b-1f4f-4af8-9c48-d69b9fca1b02","kind":"paragraph","order":316,"section_id":"sec_d2c25cb1-1262-4e66-9128-a39dd33e4104","character_id":null,"markdown":"になります。","render_override":null},{"id":"blk_ec786d2f-6f34-453a-8629-485dd909a6b7","kind":"thematic_break","order":317,"section_id":"sec_d2c25cb1-1262-4e66-9128-a39dd33e4104","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a07ef429-4ae3-4ec8-89d2-ccc3a7a59124","kind":"heading","order":318,"section_id":"sec_2c2865bc-b906-4e89-bcbf-356620d91138","character_id":null,"markdown":"## どれが一番重要か？","render_override":null},{"id":"blk_28aa323e-5fcb-4b6d-b4f4-156e625171e3","kind":"paragraph","order":319,"section_id":"sec_2c2865bc-b906-4e89-bcbf-356620d91138","character_id":null,"markdown":"用途で変わります。","render_override":null},{"id":"blk_8d2ba966-987a-4b4b-89ef-62a17f43ad64","kind":"figure","order":320,"section_id":"sec_2c2865bc-b906-4e89-bcbf-356620d91138","character_id":null,"markdown":"![](/media/15eb1a74f20133d1f3fa231ab985bf6e13329f090c9117df46d36a226601b348-content.webp)","render_override":null},{"id":"blk_05d8854a-4c3a-4306-8363-0499822c83c5","kind":"thematic_break","order":321,"section_id":"sec_2c2865bc-b906-4e89-bcbf-356620d91138","character_id":null,"markdown":"---","render_override":null},{"id":"blk_e8b56761-dd95-417d-8cdd-2f3d8477f4d4","kind":"heading","order":322,"section_id":"sec_f62de756-b7cf-48ae-93c1-d612f2184b62","character_id":null,"markdown":"## まとめ","render_override":null},{"id":"blk_9dc756be-640b-4978-a4be-404f2af7b813","kind":"paragraph","order":323,"section_id":"sec_f62de756-b7cf-48ae-93c1-d612f2184b62","character_id":null,"markdown":"CPU、GPU、TPU、LPUの違いを一言でまとめると、","render_override":null},{"id":"blk_989245e8-a6c6-45c1-b464-064edaeb8bc8","kind":"paragraph","order":324,"section_id":"sec_f62de756-b7cf-48ae-93c1-d612f2184b62","character_id":null,"markdown":"**CPUは、AIを「動かす」ための司令塔。** \n**GPUは、AIを「計算する」ための大量並列エンジン。** \n**TPUは、テンソル計算を「専用工場化」したGoogle系AIアクセラレータ。** \n**LPUは、言語推論を「低遅延ベルトコンベア化」した専用アクセラレータ。**","render_override":null},{"id":"blk_525ccb03-3f1a-4c78-8658-5bd7e2057656","kind":"paragraph","order":325,"section_id":"sec_f62de756-b7cf-48ae-93c1-d612f2184b62","character_id":null,"markdown":"AIの中心計算はGPU/TPU/LPUが担います。 \nしかし、AIエージェントやAIサービス全体では、CPUがリクエスト、ツール、メモリ、I/O、スケジューリングを握ります。","render_override":null},{"id":"blk_e7889c3c-3716-400d-8f55-3373daa57200","kind":"paragraph","order":326,"section_id":"sec_f62de756-b7cf-48ae-93c1-d612f2184b62","character_id":null,"markdown":"だから今後のAIインフラは、単純な **GPU一強** ではなく、","render_override":null},{"id":"blk_c7d60186-400b-4373-838f-13affefef474","kind":"paragraph","order":327,"section_id":"sec_f62de756-b7cf-48ae-93c1-d612f2184b62","character_id":null,"markdown":"**CPU + GPU + TPU/LPU + HBM + DRAM + CXL + NIC + SSD**","render_override":null},{"id":"blk_534ea8b1-1566-4047-a49e-16fd06042745","kind":"paragraph","order":328,"section_id":"sec_f62de756-b7cf-48ae-93c1-d612f2184b62","character_id":null,"markdown":"のような、複合システムとして見る必要があります。","render_override":null},{"id":"blk_2077af7f-0703-4847-8048-7dd95d80112e","kind":"thematic_break","order":329,"section_id":"sec_f62de756-b7cf-48ae-93c1-d612f2184b62","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a613c538-532b-4992-a513-3f422ed4f1d9","kind":"paragraph","order":330,"section_id":"sec_f62de756-b7cf-48ae-93c1-d612f2184b62","character_id":null,"markdown":"CPUが複雑な処理をできる理由は、一言で言うと、","render_override":null},{"id":"blk_aa7dec8c-2349-41ac-b3bd-1e6160ff0252","kind":"paragraph","order":331,"section_id":"sec_f62de756-b7cf-48ae-93c1-d612f2184b62","character_id":null,"markdown":"**「少数の高性能な頭脳に、分岐・予測・順序制御・例外処理・メモリ管理・OS連携のための複雑な制御回路を大量に積んでいるから」**","render_override":null},{"id":"blk_6b9d91d3-ddb9-4c25-b546-6b5ece51091f","kind":"paragraph","order":332,"section_id":"sec_f62de756-b7cf-48ae-93c1-d612f2184b62","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_20a2a671-3d55-48a2-9784-e0d4d2dd99e9","kind":"paragraph","order":333,"section_id":"sec_f62de756-b7cf-48ae-93c1-d612f2184b62","character_id":null,"markdown":"逆にGPUは、","render_override":null},{"id":"blk_3f32fabe-cb2f-4b22-8065-18927ac3264e","kind":"paragraph","order":334,"section_id":"sec_f62de756-b7cf-48ae-93c1-d612f2184b62","character_id":null,"markdown":"**「細かい判断をする頭脳を減らし、同じ計算を大量に並列実行する演算器を大量に積んでいる」**","render_override":null},{"id":"blk_58739a75-5421-4cac-8f41-3623935c27ce","kind":"paragraph","order":335,"section_id":"sec_f62de756-b7cf-48ae-93c1-d612f2184b62","character_id":null,"markdown":"という構造です。","render_override":null},{"id":"blk_e6e54330-6737-4565-9daf-73cf29bd04ac","kind":"paragraph","order":336,"section_id":"sec_f62de756-b7cf-48ae-93c1-d612f2184b62","character_id":null,"markdown":"つまりCPUとGPUは、どちらが上というより、**設計思想が真逆**です。","render_override":null},{"id":"blk_7185b6e4-5ba1-4f7b-9a69-14e5cd34d2c6","kind":"thematic_break","order":337,"section_id":"sec_f62de756-b7cf-48ae-93c1-d612f2184b62","character_id":null,"markdown":"---","render_override":null},{"id":"blk_16d9ca86-f8f5-45f0-9e27-045bb1f8b5bf","kind":"heading","order":338,"section_id":"sec_a5c61a0b-ff85-486b-9d9d-e17e9b8edef6","character_id":null,"markdown":"## CPUの仕組みを解説","render_override":null},{"id":"blk_cb598d3d-8b1e-44f8-b6f9-a3d22f5f90e0","kind":"heading","order":339,"section_id":"sec_f3997776-540b-4cda-a4c4-c78dae0caaaa","character_id":null,"markdown":"## \\1. CPUとは何をしている装置か","render_override":null},{"id":"blk_51fc4f89-1eed-4525-87c0-08193900a53b","kind":"paragraph","order":340,"section_id":"sec_f3997776-540b-4cda-a4c4-c78dae0caaaa","character_id":null,"markdown":"CPUは、プログラムに書かれた命令を1つずつ読み、解釈し、実行する装置です。","render_override":null},{"id":"blk_4dc3192c-bc0d-4691-8966-5cbd7eb74876","kind":"paragraph","order":341,"section_id":"sec_f3997776-540b-4cda-a4c4-c78dae0caaaa","character_id":null,"markdown":"基本的な流れはこうです。","render_override":null},{"id":"blk_93038183-13c1-441b-8004-50d110d455a3","kind":"code","order":342,"section_id":"sec_f3997776-540b-4cda-a4c4-c78dae0caaaa","character_id":null,"markdown":"```\nメモリから命令を取ってくる\n↓\n命令を解読する\n↓\n必要なデータをレジスタやキャッシュから取る\n↓\n演算する\n↓\n結果を書き戻す\n↓\n次の命令へ進む\n```","render_override":null},{"id":"blk_f86ae96e-eea4-4771-9963-4a24fd0c5735","kind":"paragraph","order":343,"section_id":"sec_f3997776-540b-4cda-a4c4-c78dae0caaaa","character_id":null,"markdown":"これを専門用語ではだいたい、","render_override":null},{"id":"blk_669c6693-15a9-43b8-9e77-159a13e7c720","kind":"code","order":344,"section_id":"sec_f3997776-540b-4cda-a4c4-c78dae0caaaa","character_id":null,"markdown":"```\nFetch → Decode → Execute → Memory → Writeback\n```","render_override":null},{"id":"blk_ba50c82f-4400-4ad2-b866-0c5c70fb5316","kind":"paragraph","order":345,"section_id":"sec_f3997776-540b-4cda-a4c4-c78dae0caaaa","character_id":null,"markdown":"と呼びます。","render_override":null},{"id":"blk_a233d712-b1c6-4a2f-afc9-a5c3eebe4b6f","kind":"paragraph","order":346,"section_id":"sec_f3997776-540b-4cda-a4c4-c78dae0caaaa","character_id":null,"markdown":"日本語にすると、","render_override":null},{"id":"blk_8d827d3c-ac46-4de5-83d8-de9a1830949a","kind":"code","order":347,"section_id":"sec_f3997776-540b-4cda-a4c4-c78dae0caaaa","character_id":null,"markdown":"```\n命令取得 → 命令解読 → 実行 → メモリアクセス → 結果書き戻し\n```","render_override":null},{"id":"blk_6e283ec3-b8a6-4a3d-9522-dd1daaf7ab35","kind":"paragraph","order":348,"section_id":"sec_f3997776-540b-4cda-a4c4-c78dae0caaaa","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_9139fe94-9a22-44b5-9ffa-b87ace27cc49","kind":"thematic_break","order":349,"section_id":"sec_f3997776-540b-4cda-a4c4-c78dae0caaaa","character_id":null,"markdown":"---","render_override":null},{"id":"blk_955059d1-9809-41be-a0fb-2ebebe6e7853","kind":"heading","order":350,"section_id":"sec_e154a970-b847-4f15-ab56-a0cac77a4caf","character_id":null,"markdown":"## \\2. CPUの中身","render_override":null},{"id":"blk_f242ee4d-68f6-4ac4-88fe-94043e8e4b83","kind":"paragraph","order":351,"section_id":"sec_e154a970-b847-4f15-ab56-a0cac77a4caf","character_id":null,"markdown":"CPUの内部には、主に以下のような部品があります。","render_override":null},{"id":"blk_39782e5f-feac-4a4f-9d94-24d830da94a3","kind":"figure","order":352,"section_id":"sec_e154a970-b847-4f15-ab56-a0cac77a4caf","character_id":null,"markdown":"![](/media/b5fd93fbb39812e22ef37fb89c754d229609c24a952d68c0823bf7a1d21e22b3-content.webp)","render_override":null},{"id":"blk_c67fc0c0-0c6f-44c0-8074-3bb2dcd7d64c","kind":"paragraph","order":353,"section_id":"sec_e154a970-b847-4f15-ab56-a0cac77a4caf","character_id":null,"markdown":"CPUの本質は、単なる計算機ではありません。","render_override":null},{"id":"blk_b5a50797-fad7-47f6-b453-36b1c108d070","kind":"paragraph","order":354,"section_id":"sec_e154a970-b847-4f15-ab56-a0cac77a4caf","character_id":null,"markdown":"計算もするが、それ以上に「順番を管理する機械」です。","render_override":null},{"id":"blk_a02e80ea-dc0a-4495-925b-548ec980bdb7","kind":"thematic_break","order":355,"section_id":"sec_e154a970-b847-4f15-ab56-a0cac77a4caf","character_id":null,"markdown":"---","render_override":null},{"id":"blk_809543b8-c762-44ab-9cec-febb24d3b1f0","kind":"heading","order":356,"section_id":"sec_88e0f1b2-b630-48ac-a013-2bf3236c6996","character_id":null,"markdown":"## \\3. CPUが複雑な処理をできる理由","render_override":null},{"id":"blk_48f087da-71c6-4e4f-acef-edf576118a57","kind":"heading","order":357,"section_id":"sec_61a6ae99-c723-40dd-bd9d-c85d00a015a0","character_id":null,"markdown":"## 理由1：分岐処理が得意","render_override":null},{"id":"blk_d414afe1-0c40-4c72-9906-93e4a8f6275d","kind":"paragraph","order":358,"section_id":"sec_61a6ae99-c723-40dd-bd9d-c85d00a015a0","character_id":null,"markdown":"複雑なプログラムには、必ず条件分岐があります。","render_override":null},{"id":"blk_ff196036-e4ff-4a57-be59-934885c1277a","kind":"code","order":359,"section_id":"sec_61a6ae99-c723-40dd-bd9d-c85d00a015a0","character_id":null,"markdown":"```\nもしAなら処理1\nそうでなければ処理2\n```","render_override":null},{"id":"blk_2ba47921-2f9e-48b2-8316-c6ad2e90bb9a","kind":"paragraph","order":360,"section_id":"sec_61a6ae99-c723-40dd-bd9d-c85d00a015a0","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_c3cfc339-1461-45c5-a659-f5598a208613","kind":"code","order":361,"section_id":"sec_61a6ae99-c723-40dd-bd9d-c85d00a015a0","character_id":null,"markdown":"```\nif user_is_logged_in:\n show_dashboard()\nelse:\n show_login_page()\n```","render_override":null},{"id":"blk_41c3b2fc-fafb-4f82-af27-a16b4f3a7508","kind":"paragraph","order":362,"section_id":"sec_61a6ae99-c723-40dd-bd9d-c85d00a015a0","character_id":null,"markdown":"このような処理では、次にどの命令を実行するかが状況によって変わります。","render_override":null},{"id":"blk_f1747a24-e79e-4efb-b5a2-12523dc7f1bc","kind":"paragraph","order":363,"section_id":"sec_61a6ae99-c723-40dd-bd9d-c85d00a015a0","character_id":null,"markdown":"CPUはこのような分岐を非常に得意としています。","render_override":null},{"id":"blk_547aa98e-e4f8-438c-8542-edf5c019d33d","kind":"paragraph","order":364,"section_id":"sec_61a6ae99-c723-40dd-bd9d-c85d00a015a0","character_id":null,"markdown":"なぜならCPUには、","render_override":null},{"id":"blk_7ed1b07c-2beb-4c0f-bd0a-db84b96677e7","kind":"paragraph","order":365,"section_id":"sec_61a6ae99-c723-40dd-bd9d-c85d00a015a0","character_id":null,"markdown":"**分岐予測器**","render_override":null},{"id":"blk_9004c625-047e-4d2f-8db6-c6e80bf80ec6","kind":"paragraph","order":366,"section_id":"sec_61a6ae99-c723-40dd-bd9d-c85d00a015a0","character_id":null,"markdown":"があるからです。","render_override":null},{"id":"blk_bfd4d67b-f5ad-4ffa-ab25-f3a8cce8b3c8","kind":"paragraph","order":367,"section_id":"sec_61a6ae99-c723-40dd-bd9d-c85d00a015a0","character_id":null,"markdown":"CPUは、","render_override":null},{"id":"blk_9a600521-9938-47a9-a516-1d1e25dd756b","kind":"code","order":368,"section_id":"sec_61a6ae99-c723-40dd-bd9d-c85d00a015a0","character_id":null,"markdown":"```\n次はたぶんこっちに進むだろう\n```","render_override":null},{"id":"blk_67204beb-25b9-44d7-968c-d25345f13a85","kind":"paragraph","order":369,"section_id":"sec_61a6ae99-c723-40dd-bd9d-c85d00a015a0","character_id":null,"markdown":"と予測して、先に命令を読み込んで実行準備をします。","render_override":null},{"id":"blk_0f0ed629-43b7-40a2-a3e9-5901a2a59a05","kind":"paragraph","order":370,"section_id":"sec_61a6ae99-c723-40dd-bd9d-c85d00a015a0","character_id":null,"markdown":"予測が当たれば速い。 \n外れればやり直す。","render_override":null},{"id":"blk_f2b07f76-bf2b-4a3f-ab56-104c6fa88288","kind":"paragraph","order":371,"section_id":"sec_61a6ae99-c723-40dd-bd9d-c85d00a015a0","character_id":null,"markdown":"この「未来を予想して先回りする」機能が、CPUの大きな特徴です。","render_override":null},{"id":"blk_e3c643a4-7dc1-4876-a2e9-3b5773bae383","kind":"thematic_break","order":372,"section_id":"sec_61a6ae99-c723-40dd-bd9d-c85d00a015a0","character_id":null,"markdown":"---","render_override":null},{"id":"blk_fc4eeca6-daa2-4853-88b1-09c638cc7c70","kind":"heading","order":373,"section_id":"sec_1d877044-a40f-45d3-9401-c8d1505fc1dc","character_id":null,"markdown":"## 理由2：アウト・オブ・オーダー実行ができる","render_override":null},{"id":"blk_97ca9737-9d9d-47a8-abee-caa2a12d5f92","kind":"paragraph","order":374,"section_id":"sec_1d877044-a40f-45d3-9401-c8d1505fc1dc","character_id":null,"markdown":"人間が書いたプログラムの命令順序は、必ずしもCPUにとって最適ではありません。","render_override":null},{"id":"blk_c9b2796d-7efc-4a21-b557-a71b3c1e61b8","kind":"paragraph","order":375,"section_id":"sec_1d877044-a40f-45d3-9401-c8d1505fc1dc","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_c9824ce7-103a-44ea-99e2-5a10b5976ba8","kind":"code","order":376,"section_id":"sec_1d877044-a40f-45d3-9401-c8d1505fc1dc","character_id":null,"markdown":"```\nA = メモリから読み込み\nB = C + D\nE = A + 1\n```","render_override":null},{"id":"blk_592fd469-39cc-449f-9ba4-33c60f647d9b","kind":"paragraph","order":377,"section_id":"sec_1d877044-a40f-45d3-9401-c8d1505fc1dc","character_id":null,"markdown":"この場合、Aの読み込みに時間がかかるなら、CPUは待っている間に先に B = C + D を実行できます。","render_override":null},{"id":"blk_857ce839-4f04-488c-ab47-40c3f3f97fc1","kind":"paragraph","order":378,"section_id":"sec_1d877044-a40f-45d3-9401-c8d1505fc1dc","character_id":null,"markdown":"つまりCPUは、内部では命令をこう入れ替えます。","render_override":null},{"id":"blk_952459df-c26d-43df-a759-026f790da91d","kind":"code","order":379,"section_id":"sec_1d877044-a40f-45d3-9401-c8d1505fc1dc","character_id":null,"markdown":"```\nB = C + D を先に実行\nAの読み込み完了を待つ\nE = A + 1 を実行\n```","render_override":null},{"id":"blk_d46bced7-e7f3-4c77-b1c8-16cf0e5d9cb5","kind":"paragraph","order":380,"section_id":"sec_1d877044-a40f-45d3-9401-c8d1505fc1dc","character_id":null,"markdown":"ただし、外から見ると、ちゃんと元の順番で実行されたように見せます。","render_override":null},{"id":"blk_e6c11b84-314f-41e1-b500-110b9a8516fb","kind":"paragraph","order":381,"section_id":"sec_1d877044-a40f-45d3-9401-c8d1505fc1dc","character_id":null,"markdown":"これが **アウト・オブ・オーダー実行** です。","render_override":null},{"id":"blk_7009e6da-7ecd-449e-9f71-c952fbf69646","kind":"paragraph","order":382,"section_id":"sec_1d877044-a40f-45d3-9401-c8d1505fc1dc","character_id":null,"markdown":"CPUは、","render_override":null},{"id":"blk_69f46402-ba3a-4074-8731-096084c88094","kind":"paragraph","order":383,"section_id":"sec_1d877044-a40f-45d3-9401-c8d1505fc1dc","character_id":null,"markdown":"**内部では順番を入れ替えて高速化し、外部には正しい順番で実行したように見せる**","render_override":null},{"id":"blk_a6dc5c38-8929-42d3-953e-169a89eda81a","kind":"paragraph","order":384,"section_id":"sec_1d877044-a40f-45d3-9401-c8d1505fc1dc","character_id":null,"markdown":"という非常に複雑なことをしています。","render_override":null},{"id":"blk_7ac080da-b418-4a8a-b13f-b02e9c685641","kind":"thematic_break","order":385,"section_id":"sec_1d877044-a40f-45d3-9401-c8d1505fc1dc","character_id":null,"markdown":"---","render_override":null},{"id":"blk_3c163ceb-3019-42d2-a8bb-9a74745e1da9","kind":"heading","order":386,"section_id":"sec_ee02ed95-380e-4029-b428-bcd04e62f3fa","character_id":null,"markdown":"## 理由3：投機実行ができる","render_override":null},{"id":"blk_f933dbde-1cdb-4412-840a-e535c3503d8c","kind":"paragraph","order":387,"section_id":"sec_ee02ed95-380e-4029-b428-bcd04e62f3fa","character_id":null,"markdown":"CPUは分岐予測を使って、","render_override":null},{"id":"blk_277fdea0-773b-4523-873f-04b922dc5efb","kind":"code","order":388,"section_id":"sec_ee02ed95-380e-4029-b428-bcd04e62f3fa","character_id":null,"markdown":"```\nたぶん次はこっちに進む\n```","render_override":null},{"id":"blk_d17f7e61-8cf7-4c08-9ac7-eb9b04ab110f","kind":"paragraph","order":389,"section_id":"sec_ee02ed95-380e-4029-b428-bcd04e62f3fa","character_id":null,"markdown":"と予想し、まだ確定していない未来の命令を先に実行することがあります。","render_override":null},{"id":"blk_defc3554-de01-43ea-826b-a57a561468d9","kind":"paragraph","order":390,"section_id":"sec_ee02ed95-380e-4029-b428-bcd04e62f3fa","character_id":null,"markdown":"これを **投機実行** といいます。","render_override":null},{"id":"blk_778b69e7-4bcf-4fcf-9212-5152d56a285f","kind":"paragraph","order":391,"section_id":"sec_ee02ed95-380e-4029-b428-bcd04e62f3fa","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_7930ed69-b3d2-4ff0-b775-5cd2f872f61d","kind":"code","order":392,"section_id":"sec_ee02ed95-380e-4029-b428-bcd04e62f3fa","character_id":null,"markdown":"```\nif A:\n 処理X\nelse:\n 処理Y\n```","render_override":null},{"id":"blk_297fc97e-28ea-495b-b91d-3ec6d15845f9","kind":"paragraph","order":393,"section_id":"sec_ee02ed95-380e-4029-b428-bcd04e62f3fa","character_id":null,"markdown":"で、CPUが「たぶん処理Xだろう」と予測したら、Aの結果が完全に確定する前に処理Xの準備を始めます。","render_override":null},{"id":"blk_b6f9657d-d0f0-43a6-92b8-e88df151dc42","kind":"paragraph","order":394,"section_id":"sec_ee02ed95-380e-4029-b428-bcd04e62f3fa","character_id":null,"markdown":"当たれば速い。 \n外れれば取り消す。","render_override":null},{"id":"blk_77bb30d8-198a-42e7-be32-85e1d07e291c","kind":"paragraph","order":395,"section_id":"sec_ee02ed95-380e-4029-b428-bcd04e62f3fa","character_id":null,"markdown":"この機能のおかげで、CPUは複雑なプログラムを高速に処理できます。","render_override":null},{"id":"blk_b7edcd62-f0ee-4830-b32d-57bf121f4660","kind":"paragraph","order":396,"section_id":"sec_ee02ed95-380e-4029-b428-bcd04e62f3fa","character_id":null,"markdown":"ただし、この投機実行は非常に高度で、セキュリティ問題の原因にもなりました。SpectreやMeltdown系の脆弱性は、この高度な先読み機構と関係しています。","render_override":null},{"id":"blk_2528619c-65da-4b94-9d3c-e3d7be3dfe4c","kind":"thematic_break","order":397,"section_id":"sec_ee02ed95-380e-4029-b428-bcd04e62f3fa","character_id":null,"markdown":"---","render_override":null},{"id":"blk_489b8ae4-a1f3-4261-b7ed-a7245b79172a","kind":"heading","order":398,"section_id":"sec_4d3f613f-5725-41fe-a2d0-1c9306bbbff2","character_id":null,"markdown":"## 理由4：キャッシュ階層が強い","render_override":null},{"id":"blk_7cd2f619-d22e-4c82-ba9d-de252ca5371b","kind":"paragraph","order":399,"section_id":"sec_4d3f613f-5725-41fe-a2d0-1c9306bbbff2","character_id":null,"markdown":"CPUはメインメモリ、つまりDRAMに毎回アクセスしているわけではありません。","render_override":null},{"id":"blk_7ae16910-912b-47ea-ba51-0db3c1be3fc7","kind":"paragraph","order":400,"section_id":"sec_4d3f613f-5725-41fe-a2d0-1c9306bbbff2","character_id":null,"markdown":"DRAMはCPUから見るとかなり遅いです。","render_override":null},{"id":"blk_a5306410-5ee8-4327-98cd-00551f89f48f","kind":"paragraph","order":401,"section_id":"sec_4d3f613f-5725-41fe-a2d0-1c9306bbbff2","character_id":null,"markdown":"そこでCPUは、内部に高速なキャッシュを持っています。","render_override":null},{"id":"blk_3f6e2f26-9d4c-404d-9fd4-5704042269cc","kind":"code","order":402,"section_id":"sec_4d3f613f-5725-41fe-a2d0-1c9306bbbff2","character_id":null,"markdown":"```\nレジスタ\n↓\nL1キャッシュ\n↓\nL2キャッシュ\n↓\nL3キャッシュ\n↓\nメインメモリ / DRAM\n↓\nSSD\n```","render_override":null},{"id":"blk_04baf476-d0dd-4593-affb-fed726c62ad4","kind":"paragraph","order":403,"section_id":"sec_4d3f613f-5725-41fe-a2d0-1c9306bbbff2","character_id":null,"markdown":"上に行くほど速く、容量は小さい。 \n下に行くほど遅く、容量は大きい。","render_override":null},{"id":"blk_b1e7ceae-0422-4213-96a4-9dc50e6e677a","kind":"paragraph","order":404,"section_id":"sec_4d3f613f-5725-41fe-a2d0-1c9306bbbff2","character_id":null,"markdown":"CPUは、必要になりそうなデータを先にキャッシュへ持ってきたり、よく使うデータを近くに置いたりします。","render_override":null},{"id":"blk_78e425eb-0493-4294-8795-b076dd0f1813","kind":"paragraph","order":405,"section_id":"sec_4d3f613f-5725-41fe-a2d0-1c9306bbbff2","character_id":null,"markdown":"複雑なプログラムは、メモリのあちこちを細かく参照します。","render_override":null},{"id":"blk_f331c436-c578-4e4f-8a24-5015fc07adb8","kind":"code","order":406,"section_id":"sec_4d3f613f-5725-41fe-a2d0-1c9306bbbff2","character_id":null,"markdown":"```\nこのオブジェクトを読む\nこの配列を見る\nこのポインタをたどる\nこのファイルを開く\nこのネットワーク応答を待つ\n```","render_override":null},{"id":"blk_b86cf50a-5d07-4b9c-905a-be674a9f32e9","kind":"paragraph","order":407,"section_id":"sec_4d3f613f-5725-41fe-a2d0-1c9306bbbff2","character_id":null,"markdown":"こういう不規則なアクセスに対応するには、CPUのキャッシュ階層とメモリ管理が重要になります。","render_override":null},{"id":"blk_f688ae73-7215-473d-97dd-2a1095850d30","kind":"thematic_break","order":408,"section_id":"sec_4d3f613f-5725-41fe-a2d0-1c9306bbbff2","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4d8baf24-f967-40a2-b665-0f46be9a0503","kind":"heading","order":409,"section_id":"sec_c81fe88e-fc66-4368-af95-80c087b0676c","character_id":null,"markdown":"## 理由5：OSと密接に連携できる","render_override":null},{"id":"blk_ad77c08f-604d-478c-9535-2856d1003ad0","kind":"paragraph","order":410,"section_id":"sec_c81fe88e-fc66-4368-af95-80c087b0676c","character_id":null,"markdown":"CPUはOSを動かすための機能を持っています。","render_override":null},{"id":"blk_56626d59-dc84-4ad4-bb16-23ea2fdff4a7","kind":"paragraph","order":411,"section_id":"sec_c81fe88e-fc66-4368-af95-80c087b0676c","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_6f7b89f0-5908-4245-bc81-e07e832d0dbe","kind":"figure","order":412,"section_id":"sec_c81fe88e-fc66-4368-af95-80c087b0676c","character_id":null,"markdown":"![](/media/961abadafaddc26f6f29a053a3b81461d230de65159f3fc986f2f33c1002d6b5-content.webp)","render_override":null},{"id":"blk_f23c3456-32fe-47f7-ad00-3af614573749","kind":"paragraph","order":413,"section_id":"sec_c81fe88e-fc66-4368-af95-80c087b0676c","character_id":null,"markdown":"これがあるから、CPUは単なる計算だけでなく、","render_override":null},{"id":"blk_cc0cad34-1da3-4f55-b977-3fc84360d4c6","kind":"code","order":414,"section_id":"sec_c81fe88e-fc66-4368-af95-80c087b0676c","character_id":null,"markdown":"```\nブラウザを動かす\nOSを動かす\nファイルを読む\nネットワーク通信する\n複数アプリを同時に動かす\nセキュリティ権限を管理する\n```","render_override":null},{"id":"blk_2170fc65-2b2b-42e7-9e47-c6a85e38a372","kind":"paragraph","order":415,"section_id":"sec_c81fe88e-fc66-4368-af95-80c087b0676c","character_id":null,"markdown":"といった複雑な処理ができます。","render_override":null},{"id":"blk_5a641a0a-72c9-4189-b33e-8878593bab73","kind":"paragraph","order":416,"section_id":"sec_c81fe88e-fc66-4368-af95-80c087b0676c","character_id":null,"markdown":"GPUは基本的に、こういうOS全体の管理は担当しません。","render_override":null},{"id":"blk_7c7a88ac-5e2c-403f-afab-6343c487123e","kind":"thematic_break","order":417,"section_id":"sec_c81fe88e-fc66-4368-af95-80c087b0676c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_009b4749-5f31-4006-a2f9-8202f4f27616","kind":"heading","order":418,"section_id":"sec_0fc3f41b-f538-4dcb-b29c-dfeba942cbd2","character_id":null,"markdown":"## \\4. CPUの「複雑さ」はどこにあるのか","render_override":null},{"id":"blk_c105725e-2622-4d7a-b322-721cb9376e0a","kind":"paragraph","order":419,"section_id":"sec_0fc3f41b-f538-4dcb-b29c-dfeba942cbd2","character_id":null,"markdown":"CPUの複雑さは、演算器そのものよりも、**制御部分**にあります。","render_override":null},{"id":"blk_3a6735c4-801a-4e85-944e-e47853040e94","kind":"paragraph","order":420,"section_id":"sec_0fc3f41b-f538-4dcb-b29c-dfeba942cbd2","character_id":null,"markdown":"極端に言えば、足し算器や掛け算器だけならGPUにも大量にあります。 \nでもCPUは、それに加えて、","render_override":null},{"id":"blk_dedde341-bf3a-409b-bf61-65772130becd","kind":"code","order":421,"section_id":"sec_0fc3f41b-f538-4dcb-b29c-dfeba942cbd2","character_id":null,"markdown":"```\n次に何を実行するか\nどの命令を先にやるか\n分岐先はどこか\n予測が外れたらどう戻すか\nメモリ権限は正しいか\n例外が起きたらOSへどう渡すか\n複数プロセスをどう切り替えるか\nキャッシュの整合性をどう保つか\n```","render_override":null},{"id":"blk_17aa6b4c-50fe-4865-a342-22f476f53a5a","kind":"paragraph","order":422,"section_id":"sec_0fc3f41b-f538-4dcb-b29c-dfeba942cbd2","character_id":null,"markdown":"を管理します。","render_override":null},{"id":"blk_d639060b-6cd5-4722-8975-10e49af859d6","kind":"paragraph","order":423,"section_id":"sec_0fc3f41b-f538-4dcb-b29c-dfeba942cbd2","character_id":null,"markdown":"つまりCPUは、","render_override":null},{"id":"blk_e57144ad-0dec-4a39-b421-e4d81ae88085","kind":"paragraph","order":424,"section_id":"sec_0fc3f41b-f538-4dcb-b29c-dfeba942cbd2","character_id":null,"markdown":"**演算器 + 判断装置 + 予測装置 + 順序管理装置 + メモリ管理装置 + OS連携装置**","render_override":null},{"id":"blk_20719431-3c75-442d-822e-6f5945ee6251","kind":"paragraph","order":425,"section_id":"sec_0fc3f41b-f538-4dcb-b29c-dfeba942cbd2","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_0719fbfa-1aaa-4ec8-bce7-a23db1e5a085","kind":"paragraph","order":426,"section_id":"sec_0fc3f41b-f538-4dcb-b29c-dfeba942cbd2","character_id":null,"markdown":"これが複雑な処理を可能にしています。","render_override":null},{"id":"blk_f2716b8d-cb85-4840-ade9-2f633340108a","kind":"thematic_break","order":427,"section_id":"sec_0fc3f41b-f538-4dcb-b29c-dfeba942cbd2","character_id":null,"markdown":"---","render_override":null},{"id":"blk_e66740ca-c9ba-4c40-8631-962feeeeef55","kind":"heading","order":428,"section_id":"sec_9a4f8705-cef7-4b58-8153-db660ee08c0b","character_id":null,"markdown":"## \\5. GPUとは何が構造的に違うのか","render_override":null},{"id":"blk_a6416383-2dfa-4b12-83f9-869b1b983b9e","kind":"paragraph","order":429,"section_id":"sec_9a4f8705-cef7-4b58-8153-db660ee08c0b","character_id":null,"markdown":"CPUとGPUの一番大きな違いは、トランジスタの使い道です。","render_override":null},{"id":"blk_dddf93e5-75a6-45ee-b667-9ef949b90dae","kind":"paragraph","order":430,"section_id":"sec_9a4f8705-cef7-4b58-8153-db660ee08c0b","character_id":null,"markdown":"同じ半導体チップでも、CPUは多くの面積を制御回路やキャッシュに使います。 \nGPUは多くの面積を演算器に使います。","render_override":null},{"id":"blk_8be48b92-b95c-49bc-b144-fe50267bf74e","kind":"heading","order":431,"section_id":"sec_e855e462-554c-4b2d-8ab4-20a0f94971d0","character_id":null,"markdown":"## CPUの設計思想","render_override":null},{"id":"blk_40ffaec1-7ffa-47ee-a068-2a26500eba68","kind":"code","order":432,"section_id":"sec_e855e462-554c-4b2d-8ab4-20a0f94971d0","character_id":null,"markdown":"```\n少数の強いコア\n大きなキャッシュ\n複雑な制御回路\n分岐予測\nアウト・オブ・オーダー実行\n低レイテンシ重視\n```","render_override":null},{"id":"blk_0a64522c-83a1-4e4d-a0c0-f17f0dab7a66","kind":"paragraph","order":433,"section_id":"sec_e855e462-554c-4b2d-8ab4-20a0f94971d0","character_id":null,"markdown":"CPUは、","render_override":null},{"id":"blk_9555e23c-435e-40f5-8662-652ff3bf08ee","kind":"paragraph","order":434,"section_id":"sec_e855e462-554c-4b2d-8ab4-20a0f94971d0","character_id":null,"markdown":"**1つ1つの処理をできるだけ速く終わらせる**","render_override":null},{"id":"blk_d2b81dd7-bb7e-4169-a0bd-f6ea1c7b638a","kind":"paragraph","order":435,"section_id":"sec_e855e462-554c-4b2d-8ab4-20a0f94971d0","character_id":null,"markdown":"ことを重視します。","render_override":null},{"id":"blk_ce658895-49b0-4d18-b241-76d5e92240f0","kind":"paragraph","order":436,"section_id":"sec_e855e462-554c-4b2d-8ab4-20a0f94971d0","character_id":null,"markdown":"これを **低レイテンシ重視** と言います。","render_override":null},{"id":"blk_75b52ebb-bc54-49da-8add-c071fd23ba2e","kind":"thematic_break","order":437,"section_id":"sec_e855e462-554c-4b2d-8ab4-20a0f94971d0","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ccdf2174-a473-469e-99d1-b71fb3b0bd79","kind":"heading","order":438,"section_id":"sec_e9619c79-dd44-466d-97e0-1b6ee9556141","character_id":null,"markdown":"## GPUの設計思想","render_override":null},{"id":"blk_f8da44e3-c1d4-4f7d-916c-f4f6e6a8ba28","kind":"code","order":439,"section_id":"sec_e9619c79-dd44-466d-97e0-1b6ee9556141","character_id":null,"markdown":"```\n大量の小さな演算器\n多数のスレッド\n高いメモリ帯域\n単純な制御\n同じ処理を大量並列\nスループット重視\n```","render_override":null},{"id":"blk_0ed284cc-4b15-4b66-9b98-e40d6b689b9f","kind":"paragraph","order":440,"section_id":"sec_e9619c79-dd44-466d-97e0-1b6ee9556141","character_id":null,"markdown":"GPUは、","render_override":null},{"id":"blk_42eaf59f-4dbd-41a1-a8fd-9c98f454b5f5","kind":"paragraph","order":441,"section_id":"sec_e9619c79-dd44-466d-97e0-1b6ee9556141","character_id":null,"markdown":"**1つの処理を最速で終わらせるより、大量の処理をまとめて高速に終わらせる**","render_override":null},{"id":"blk_53fdca5d-0425-4e25-810f-12416ac21046","kind":"paragraph","order":442,"section_id":"sec_e9619c79-dd44-466d-97e0-1b6ee9556141","character_id":null,"markdown":"ことを重視します。","render_override":null},{"id":"blk_1be2fe8b-bb93-4340-8029-818b24a57134","kind":"paragraph","order":443,"section_id":"sec_e9619c79-dd44-466d-97e0-1b6ee9556141","character_id":null,"markdown":"これを **高スループット重視** と言います。","render_override":null},{"id":"blk_d19969b9-e636-467f-ac24-92e50fa6d022","kind":"thematic_break","order":444,"section_id":"sec_e9619c79-dd44-466d-97e0-1b6ee9556141","character_id":null,"markdown":"---","render_override":null},{"id":"blk_84a8745a-449a-4d9b-bcf7-404c80313363","kind":"heading","order":445,"section_id":"sec_fc1c1776-d38e-4577-b258-9fc3971a7e5c","character_id":null,"markdown":"## \\6. CPUとGPUの違いを表で見る","render_override":null},{"id":"blk_11a72d7d-8bd1-4cd0-b6f3-b34f5f4cd70f","kind":"figure","order":446,"section_id":"sec_fc1c1776-d38e-4577-b258-9fc3971a7e5c","character_id":null,"markdown":"![](/media/ecc35ccf645ede7faa3a3584819b1b131182720145eaf6ec53c2216e3b0aa8a4-content.webp)","render_override":null},{"id":"blk_5b8fdba0-7553-4020-8464-540a956e39ce","kind":"thematic_break","order":447,"section_id":"sec_fc1c1776-d38e-4577-b258-9fc3971a7e5c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_3459e7e5-2c3f-4eb8-8dfd-b478f114acbe","kind":"heading","order":448,"section_id":"sec_26aa485c-346d-4519-b52d-fb0823fde663","character_id":null,"markdown":"## \\7. 工学的に一番重要な違い：制御密度と演算密度","render_override":null},{"id":"blk_f3fd03ce-5de4-467b-93c8-2231586abbfe","kind":"paragraph","order":449,"section_id":"sec_26aa485c-346d-4519-b52d-fb0823fde663","character_id":null,"markdown":"CPUとGPUの違いを工学的に言うなら、","render_override":null},{"id":"blk_cbc1db3d-592a-490a-aee7-9c995b6f338b","kind":"paragraph","order":450,"section_id":"sec_26aa485c-346d-4519-b52d-fb0823fde663","character_id":null,"markdown":"**CPUは制御密度が高い。** \n**GPUは演算密度が高い。**","render_override":null},{"id":"blk_4010cdac-e62b-47ed-8a48-752e76978efe","kind":"paragraph","order":451,"section_id":"sec_26aa485c-346d-4519-b52d-fb0823fde663","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_2ae4b781-5cd4-43f3-8032-fbe8be6cd709","kind":"heading","order":452,"section_id":"sec_30580433-2b0e-4a6d-8832-a721aade0afd","character_id":null,"markdown":"## CPU","render_override":null},{"id":"blk_64c08bca-c5f7-4be1-a2a9-b4fb0bd98b67","kind":"paragraph","order":453,"section_id":"sec_30580433-2b0e-4a6d-8832-a721aade0afd","character_id":null,"markdown":"CPUは、チップ面積の多くを、","render_override":null},{"id":"blk_e3cb8e47-0557-4adb-9bbb-996a6dc72477","kind":"code","order":454,"section_id":"sec_30580433-2b0e-4a6d-8832-a721aade0afd","character_id":null,"markdown":"```\n命令デコード\n分岐予測\nキャッシュ\nアウト・オブ・オーダー制御\nレジスタリネーミング\nリオーダーバッファ\n例外処理\nメモリ保護\n```","render_override":null},{"id":"blk_fe68e6d2-fa16-42da-b38c-6c3073c0c3f6","kind":"paragraph","order":455,"section_id":"sec_30580433-2b0e-4a6d-8832-a721aade0afd","character_id":null,"markdown":"に使います。","render_override":null},{"id":"blk_cd5e2614-fa43-492b-a611-12715a6e6f7c","kind":"paragraph","order":456,"section_id":"sec_30580433-2b0e-4a6d-8832-a721aade0afd","character_id":null,"markdown":"つまり、CPUは「計算するための回路」だけでなく、**計算を正しく速く進めるための管理回路**が非常に大きい。","render_override":null},{"id":"blk_cbd44c09-56d7-438d-b1f6-67676e0adb5f","kind":"thematic_break","order":457,"section_id":"sec_30580433-2b0e-4a6d-8832-a721aade0afd","character_id":null,"markdown":"---","render_override":null},{"id":"blk_79f964bb-9dfa-4525-a18e-fac30c25a9a4","kind":"heading","order":458,"section_id":"sec_095f3508-73bf-425a-9872-64c742084373","character_id":null,"markdown":"## GPU","render_override":null},{"id":"blk_45b0ac51-7f51-4c17-a5f0-3b205f81e02b","kind":"paragraph","order":459,"section_id":"sec_095f3508-73bf-425a-9872-64c742084373","character_id":null,"markdown":"GPUは、チップ面積の多くを、","render_override":null},{"id":"blk_0947e596-2963-4272-971a-94a6607a8b60","kind":"code","order":460,"section_id":"sec_095f3508-73bf-425a-9872-64c742084373","character_id":null,"markdown":"```\nCUDAコア\nTensor Core\nSIMD/SIMT演算器\nレジスタファイル\nHBM接続\nスレッドスケジューラ\n```","render_override":null},{"id":"blk_66ab9486-6470-4cb6-8394-f64e72736397","kind":"paragraph","order":461,"section_id":"sec_095f3508-73bf-425a-9872-64c742084373","character_id":null,"markdown":"に使います。","render_override":null},{"id":"blk_8606d9ca-b90b-4865-a604-a4bda012ca1a","kind":"paragraph","order":462,"section_id":"sec_095f3508-73bf-425a-9872-64c742084373","character_id":null,"markdown":"つまり、GPUは「同じ計算を大量に行うための演算回路」に面積を振っています。","render_override":null},{"id":"blk_6a23e2c5-f7b2-4145-9e83-98881298573a","kind":"thematic_break","order":463,"section_id":"sec_095f3508-73bf-425a-9872-64c742084373","character_id":null,"markdown":"---","render_override":null},{"id":"blk_84f24021-fc7d-46c7-aa6e-83f1b75530da","kind":"heading","order":464,"section_id":"sec_a5a0d92d-409c-4427-bbad-47f494345b1b","character_id":null,"markdown":"## \\8. CPUはなぜ分岐に強く、GPUはなぜ分岐に弱いのか","render_override":null},{"id":"blk_93df36ee-0908-482e-b06b-ad18e6da2dce","kind":"paragraph","order":465,"section_id":"sec_a5a0d92d-409c-4427-bbad-47f494345b1b","character_id":null,"markdown":"GPUは多数のスレッドをまとめて実行します。 \nNVIDIA系では、複数スレッドを **warp** という単位でまとめ、同じ命令を同時に実行します。","render_override":null},{"id":"blk_b22826e6-c8dc-4c9e-95be-bc2463f8ca51","kind":"paragraph","order":466,"section_id":"sec_a5a0d92d-409c-4427-bbad-47f494345b1b","character_id":null,"markdown":"つまりGPUは、","render_override":null},{"id":"blk_ffff3b62-8c92-4f50-8857-7ccad2381f44","kind":"code","order":467,"section_id":"sec_a5a0d92d-409c-4427-bbad-47f494345b1b","character_id":null,"markdown":"```\nたくさんの人に同じ号令を出す\n```","render_override":null},{"id":"blk_e7bb87df-c2a6-4bc0-a639-de3fe203ed15","kind":"paragraph","order":468,"section_id":"sec_a5a0d92d-409c-4427-bbad-47f494345b1b","character_id":null,"markdown":"方式です。","render_override":null},{"id":"blk_efe3defb-30d1-487c-98aa-afe6f204a449","kind":"paragraph","order":469,"section_id":"sec_a5a0d92d-409c-4427-bbad-47f494345b1b","character_id":null,"markdown":"たとえば32人が同時に、","render_override":null},{"id":"blk_360abad4-d279-4975-b4d1-56577936cb3f","kind":"code","order":470,"section_id":"sec_a5a0d92d-409c-4427-bbad-47f494345b1b","character_id":null,"markdown":"```\n足し算しろ\n```","render_override":null},{"id":"blk_20ae3528-d814-408d-b1b3-5764b7d1fe0a","kind":"paragraph","order":471,"section_id":"sec_a5a0d92d-409c-4427-bbad-47f494345b1b","character_id":null,"markdown":"と言われるなら、GPUは非常に速い。","render_override":null},{"id":"blk_804b113b-ea9d-4072-92f2-334cbb9f3727","kind":"paragraph","order":472,"section_id":"sec_a5a0d92d-409c-4427-bbad-47f494345b1b","character_id":null,"markdown":"でも、32人のうち半分が、","render_override":null},{"id":"blk_f9dae7cc-499d-49bc-904b-0234ef7f2ffb","kind":"code","order":473,"section_id":"sec_a5a0d92d-409c-4427-bbad-47f494345b1b","character_id":null,"markdown":"```\nAの処理をしろ\n```","render_override":null},{"id":"blk_70b13b05-5406-41ec-842f-9ed432b046ec","kind":"paragraph","order":474,"section_id":"sec_a5a0d92d-409c-4427-bbad-47f494345b1b","character_id":null,"markdown":"残り半分が、","render_override":null},{"id":"blk_5cca46b0-0f84-46fa-848e-27b51b87111f","kind":"code","order":475,"section_id":"sec_a5a0d92d-409c-4427-bbad-47f494345b1b","character_id":null,"markdown":"```\nBの処理をしろ\n```","render_override":null},{"id":"blk_1f1de504-70d7-4674-af40-48cf08820d39","kind":"paragraph","order":476,"section_id":"sec_a5a0d92d-409c-4427-bbad-47f494345b1b","character_id":null,"markdown":"となると、GPUは困ります。","render_override":null},{"id":"blk_e1a5b64e-ac0f-492d-af4f-56c157b674c6","kind":"paragraph","order":477,"section_id":"sec_a5a0d92d-409c-4427-bbad-47f494345b1b","character_id":null,"markdown":"なぜなら、同じ号令で同時に動かしたいからです。","render_override":null},{"id":"blk_d5db72ee-6c91-42e2-8842-1ccd7470d3d3","kind":"paragraph","order":478,"section_id":"sec_a5a0d92d-409c-4427-bbad-47f494345b1b","character_id":null,"markdown":"このような状態を **分岐ダイバージェンス** と言います。","render_override":null},{"id":"blk_0220da60-4a02-407e-bbcd-6715c84b2e2f","kind":"code","order":479,"section_id":"sec_a5a0d92d-409c-4427-bbad-47f494345b1b","character_id":null,"markdown":"```\nif文でスレッドごとに進む道が分かれる\n↓\nGPUは同時実行しにくくなる\n↓\n効率が落ちる\n```","render_override":null},{"id":"blk_be258b06-0567-4f7d-8f3a-1e5b83eeac25","kind":"paragraph","order":480,"section_id":"sec_a5a0d92d-409c-4427-bbad-47f494345b1b","character_id":null,"markdown":"CPUは少数の強いコアが個別に命令を追うので、こういう分岐に強いです。","render_override":null},{"id":"blk_38b862eb-e629-4618-912b-033a167b099b","kind":"thematic_break","order":481,"section_id":"sec_a5a0d92d-409c-4427-bbad-47f494345b1b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b992b2ab-ba7e-498a-95f3-447252ced665","kind":"heading","order":482,"section_id":"sec_cf2e7b5d-3863-46e1-bac1-cf609d1c3e0b","character_id":null,"markdown":"## \\9. CPUはなぜ不規則なメモリアクセスに強いのか","render_override":null},{"id":"blk_b47b6a39-f3b6-451d-a77e-b8b08b934f6c","kind":"paragraph","order":483,"section_id":"sec_cf2e7b5d-3863-46e1-bac1-cf609d1c3e0b","character_id":null,"markdown":"複雑なプログラムでは、データがきれいに並んでいるとは限りません。","render_override":null},{"id":"blk_d0686c14-5b9a-4acb-bc23-64f3f070c9c0","kind":"code","order":484,"section_id":"sec_cf2e7b5d-3863-46e1-bac1-cf609d1c3e0b","character_id":null,"markdown":"```\nポインタをたどる\n木構造を探索する\nハッシュマップを見る\nDBのインデックスを読む\nWebリクエストを待つ\nファイルを開く\n```","render_override":null},{"id":"blk_b67c365d-f829-4b73-a112-57ff0b1bc969","kind":"paragraph","order":485,"section_id":"sec_cf2e7b5d-3863-46e1-bac1-cf609d1c3e0b","character_id":null,"markdown":"こういう処理は、次にどのメモリ番地を読むかが予測しにくいです。","render_override":null},{"id":"blk_e785e3a2-dcde-4f84-b8d6-ded1eb223c30","kind":"paragraph","order":486,"section_id":"sec_cf2e7b5d-3863-46e1-bac1-cf609d1c3e0b","character_id":null,"markdown":"CPUはこのために、","render_override":null},{"id":"blk_2126a991-4027-46f5-9f3c-c8ea8061543e","kind":"code","order":487,"section_id":"sec_cf2e7b5d-3863-46e1-bac1-cf609d1c3e0b","character_id":null,"markdown":"```\n大きなキャッシュ\n高度なプリフェッチ\n分岐予測\nアウト・オブ・オーダー実行\nメモリ依存性予測\n```","render_override":null},{"id":"blk_fa80adc8-c668-4b0d-bb08-fe7e2bc7e448","kind":"paragraph","order":488,"section_id":"sec_cf2e7b5d-3863-46e1-bac1-cf609d1c3e0b","character_id":null,"markdown":"を持っています。","render_override":null},{"id":"blk_e3345873-4040-4908-863c-162439784d31","kind":"paragraph","order":489,"section_id":"sec_cf2e7b5d-3863-46e1-bac1-cf609d1c3e0b","character_id":null,"markdown":"一方GPUは、データが連続していて、多数スレッドが似た場所を読むと非常に速いです。","render_override":null},{"id":"blk_c1931e9b-3307-41e1-af82-a2536d43d4ce","kind":"code","order":490,"section_id":"sec_cf2e7b5d-3863-46e1-bac1-cf609d1c3e0b","character_id":null,"markdown":"```\n配列Aの0番から100万番まで順番に処理\n行列A × 行列B\n画像の全ピクセルに同じ処理\n```","render_override":null},{"id":"blk_e9c78be5-a54d-4e22-8cca-572315c75fd8","kind":"paragraph","order":491,"section_id":"sec_cf2e7b5d-3863-46e1-bac1-cf609d1c3e0b","character_id":null,"markdown":"こういう処理はGPUの得意分野です。","render_override":null},{"id":"blk_6bc8d9a5-464f-4c32-ad3f-999b057ca70b","kind":"paragraph","order":492,"section_id":"sec_cf2e7b5d-3863-46e1-bac1-cf609d1c3e0b","character_id":null,"markdown":"でも、データ構造がバラバラで、スレッドごとに読む場所が違うと効率が落ちやすいです。","render_override":null},{"id":"blk_2c324f6f-890f-448f-ab7a-add5d4f0c5d4","kind":"thematic_break","order":493,"section_id":"sec_cf2e7b5d-3863-46e1-bac1-cf609d1c3e0b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_65fc0193-8da5-406e-9e66-7deef6c207af","kind":"heading","order":494,"section_id":"sec_1f05170e-faaf-4bbf-b027-b61b698921e9","character_id":null,"markdown":"## \\10. CPUとGPUの違いを料理店でたとえる","render_override":null},{"id":"blk_d29a5049-efaa-4dfe-ac7b-5bf69152f1fa","kind":"heading","order":495,"section_id":"sec_45fe9910-bd5a-4e0e-b5ed-fa4fa92c65e4","character_id":null,"markdown":"## CPU","render_override":null},{"id":"blk_5e1a0024-4ab4-43b6-a0a9-1de13ee81ebe","kind":"paragraph","order":496,"section_id":"sec_45fe9910-bd5a-4e0e-b5ed-fa4fa92c65e4","character_id":null,"markdown":"CPUは、少人数の超有能な料理人です。","render_override":null},{"id":"blk_3756def2-163e-4967-9f58-6ecf73f1932f","kind":"code","order":497,"section_id":"sec_45fe9910-bd5a-4e0e-b5ed-fa4fa92c65e4","character_id":null,"markdown":"```\n注文を聞く\n材料を確認する\n客の好みに応じて変える\n途中で電話に出る\n会計もする\nトラブル対応もする\n別の注文に切り替える\n```","render_override":null},{"id":"blk_1edd6f83-208f-47d8-9110-5f22f2f3e127","kind":"paragraph","order":498,"section_id":"sec_45fe9910-bd5a-4e0e-b5ed-fa4fa92c65e4","character_id":null,"markdown":"何でもできます。","render_override":null},{"id":"blk_99cdeb1c-d82a-4f90-84d0-82e8bd79ab94","kind":"paragraph","order":499,"section_id":"sec_45fe9910-bd5a-4e0e-b5ed-fa4fa92c65e4","character_id":null,"markdown":"ただし、同じ弁当を10万個作るなら、少人数では限界があります。","render_override":null},{"id":"blk_3d706cba-e449-42c3-bc93-6c4b96e03b92","kind":"thematic_break","order":500,"section_id":"sec_45fe9910-bd5a-4e0e-b5ed-fa4fa92c65e4","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f3d847d9-594e-4084-9941-31dff92def71","kind":"heading","order":501,"section_id":"sec_fe0bf485-7c75-46d8-9804-a02ce6ce2297","character_id":null,"markdown":"## GPU","render_override":null},{"id":"blk_f96c66d2-52b7-4c01-a38b-8b10b3f4a507","kind":"paragraph","order":502,"section_id":"sec_fe0bf485-7c75-46d8-9804-a02ce6ce2297","character_id":null,"markdown":"GPUは、巨大な弁当工場です。","render_override":null},{"id":"blk_10525ef3-d581-43e5-b5bc-b4d38d2806b5","kind":"code","order":503,"section_id":"sec_fe0bf485-7c75-46d8-9804-a02ce6ce2297","character_id":null,"markdown":"```\n同じ工程を大量に並べる\n同じ具材を大量に詰める\n同じ作業を一斉に行う\n```","render_override":null},{"id":"blk_8f25a70f-9c7d-48ac-8a72-49d512c0767d","kind":"paragraph","order":504,"section_id":"sec_fe0bf485-7c75-46d8-9804-a02ce6ce2297","character_id":null,"markdown":"同じ作業なら圧倒的に速いです。","render_override":null},{"id":"blk_8e3d6429-1d3f-4f1e-98fc-5f8201f8cb6f","kind":"paragraph","order":505,"section_id":"sec_fe0bf485-7c75-46d8-9804-a02ce6ce2297","character_id":null,"markdown":"ただし、客ごとにメニューが違ったり、途中で指示が変わったり、電話対応や会計まで求められると苦手です。","render_override":null},{"id":"blk_609bba89-5553-46de-9a0c-1e4483d4be90","kind":"thematic_break","order":506,"section_id":"sec_fe0bf485-7c75-46d8-9804-a02ce6ce2297","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b472c846-a8c8-4635-8ffb-8eb102b62c38","kind":"heading","order":507,"section_id":"sec_08785f72-2569-42f3-a55a-aaecced92b31","character_id":null,"markdown":"## \\11. AI推論で見るCPUとGPUの役割","render_override":null},{"id":"blk_c2423e5e-2a27-4ccc-9f73-51e163fa43eb","kind":"paragraph","order":508,"section_id":"sec_08785f72-2569-42f3-a55a-aaecced92b31","character_id":null,"markdown":"AI推論では、GPUがモデル本体の行列演算を担当します。","render_override":null},{"id":"blk_c0653a5a-c543-4539-9718-43a7dbda2848","kind":"code","order":509,"section_id":"sec_08785f72-2569-42f3-a55a-aaecced92b31","character_id":null,"markdown":"```\nTransformer\nAttention\nMLP\n行列積\nTensor演算\n```","render_override":null},{"id":"blk_a94ea74b-efa2-416c-bd2b-0982a2572888","kind":"paragraph","order":510,"section_id":"sec_08785f72-2569-42f3-a55a-aaecced92b31","character_id":null,"markdown":"これはGPUが得意です。","render_override":null},{"id":"blk_c09999e0-fb3b-4861-ba2d-55e4332e1af6","kind":"paragraph","order":511,"section_id":"sec_08785f72-2569-42f3-a55a-aaecced92b31","character_id":null,"markdown":"一方CPUは、その周辺を担当します。","render_override":null},{"id":"blk_4de7b27e-5b1e-4278-b24c-5939ba60ce7d","kind":"code","order":512,"section_id":"sec_08785f72-2569-42f3-a55a-aaecced92b31","character_id":null,"markdown":"```\nユーザーリクエスト受付\nトークナイズ\nバッチング\nスケジューリング\nKV cache管理\nRAG検索\nDB照会\nWeb検索\nAPI呼び出し\nPython実行\nログ保存\n認証\n課金\nセキュリティ\n```","render_override":null},{"id":"blk_ba93ab71-0906-4161-b5b7-023a49d8c478","kind":"paragraph","order":513,"section_id":"sec_08785f72-2569-42f3-a55a-aaecced92b31","character_id":null,"markdown":"AIエージェントになると、CPUの仕事はさらに増えます。","render_override":null},{"id":"blk_6dac26ec-6bf8-46bd-a764-7cf3ad1c2fe5","kind":"paragraph","order":514,"section_id":"sec_08785f72-2569-42f3-a55a-aaecced92b31","character_id":null,"markdown":"なぜなら、AIエージェントは単に文章を生成するだけではなく、外部世界に対して行動するからです。","render_override":null},{"id":"blk_0f0fe599-c9a8-4e3e-acc2-e92adf53db64","kind":"code","order":515,"section_id":"sec_08785f72-2569-42f3-a55a-aaecced92b31","character_id":null,"markdown":"```\n検索する\n判断する\nツールを使う\nファイルを読む\nコードを実行する\n結果を検証する\n再試行する\n別のAIに依頼する\n```","render_override":null},{"id":"blk_56e89a70-2154-4cf4-a9f1-ff2a60aeaf42","kind":"paragraph","order":516,"section_id":"sec_08785f72-2569-42f3-a55a-aaecced92b31","character_id":null,"markdown":"これらはGPUの行列演算だけでは完結しません。","render_override":null},{"id":"blk_c57f4ddd-48d0-4114-aa5f-bd376585aba5","kind":"thematic_break","order":517,"section_id":"sec_08785f72-2569-42f3-a55a-aaecced92b31","character_id":null,"markdown":"---","render_override":null},{"id":"blk_782e3a68-ea19-4a2f-8abd-fbcbc34d5fee","kind":"heading","order":518,"section_id":"sec_616e0c5d-71f5-4681-b279-101438b63478","character_id":null,"markdown":"## \\12. CPUとGPUの根本的な違いを一言で","render_override":null},{"id":"blk_b1238389-c8c4-44d4-afd1-3013796dd5bb","kind":"paragraph","order":519,"section_id":"sec_616e0c5d-71f5-4681-b279-101438b63478","character_id":null,"markdown":"CPUは、","render_override":null},{"id":"blk_105deb81-104c-460f-960b-aeada3d2ecee","kind":"paragraph","order":520,"section_id":"sec_616e0c5d-71f5-4681-b279-101438b63478","character_id":null,"markdown":"**複雑で予測しにくい処理を、できるだけ短い待ち時間で正しく処理する装置**","render_override":null},{"id":"blk_4d90b3c4-34da-4551-91ab-98e118c48aed","kind":"paragraph","order":521,"section_id":"sec_616e0c5d-71f5-4681-b279-101438b63478","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_e33792bc-2abf-4a1e-b773-8b5c4661891f","kind":"paragraph","order":522,"section_id":"sec_616e0c5d-71f5-4681-b279-101438b63478","character_id":null,"markdown":"GPUは、","render_override":null},{"id":"blk_dd9dd895-b872-4c8a-ae6c-d0ae0db2225c","kind":"paragraph","order":523,"section_id":"sec_616e0c5d-71f5-4681-b279-101438b63478","character_id":null,"markdown":"**単純で規則的な大量計算を、できるだけ多く一気に処理する装置**","render_override":null},{"id":"blk_05f14557-382e-4e76-a3fb-76d609cba56c","kind":"paragraph","order":524,"section_id":"sec_616e0c5d-71f5-4681-b279-101438b63478","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_570431e7-3829-45a4-9e31-d6919499974d","kind":"paragraph","order":525,"section_id":"sec_616e0c5d-71f5-4681-b279-101438b63478","character_id":null,"markdown":"CPUは「賢い少数精鋭」。 \nGPUは「大量並列の工場」。","render_override":null},{"id":"blk_1a967958-4383-4726-9bd6-0e426cf60982","kind":"paragraph","order":526,"section_id":"sec_616e0c5d-71f5-4681-b279-101438b63478","character_id":null,"markdown":"この違いが、構造の違いにもそのまま現れています。","render_override":null},{"id":"blk_e9daacd8-3dd2-4dbd-bf5b-8ae83bba40de","kind":"thematic_break","order":527,"section_id":"sec_616e0c5d-71f5-4681-b279-101438b63478","character_id":null,"markdown":"---","render_override":null},{"id":"blk_88723f61-09dc-47f3-9767-185dd80baa26","kind":"heading","order":528,"section_id":"sec_460a1889-5611-4806-9e0a-a162099f5601","character_id":null,"markdown":"## まとめ","render_override":null},{"id":"blk_8f6c8e3d-f33b-4712-b673-9a84252340ad","kind":"paragraph","order":529,"section_id":"sec_460a1889-5611-4806-9e0a-a162099f5601","character_id":null,"markdown":"CPUが複雑な処理を可能にしている理由は、単に演算能力が高いからではありません。","render_override":null},{"id":"blk_13883ef8-adf3-4be4-994e-ba1ab65fbf75","kind":"paragraph","order":530,"section_id":"sec_460a1889-5611-4806-9e0a-a162099f5601","character_id":null,"markdown":"重要なのは、","render_override":null},{"id":"blk_be5b180d-9954-479b-9d7b-14fef81df9e0","kind":"code","order":531,"section_id":"sec_460a1889-5611-4806-9e0a-a162099f5601","character_id":null,"markdown":"```\n分岐予測\n投機実行\nアウト・オブ・オーダー実行\n高度なキャッシュ\n仮想メモリ\n例外処理\n割り込み処理\nOSとの連携\n複雑な命令制御\n```","render_override":null},{"id":"blk_e46a4926-cb01-41bd-a38e-e35b0aa0c4cc","kind":"paragraph","order":532,"section_id":"sec_460a1889-5611-4806-9e0a-a162099f5601","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_ccaf36fc-561d-4546-bcd8-5c7652536978","kind":"paragraph","order":533,"section_id":"sec_460a1889-5611-4806-9e0a-a162099f5601","character_id":null,"markdown":"CPUは、複雑な現実世界のプログラムを正しく動かすために、制御回路を大量に持っています。","render_override":null},{"id":"blk_f44ca3c9-2276-4b52-898e-26900b23905b","kind":"paragraph","order":534,"section_id":"sec_460a1889-5611-4806-9e0a-a162099f5601","character_id":null,"markdown":"一方GPUは、そのような複雑な制御を削り、演算器を大量に並べることで、行列演算やAI学習のような大量並列処理に特化しています。","render_override":null},{"id":"blk_a6c35a9b-3d74-47f9-bf53-4432dcb885ef","kind":"paragraph","order":535,"section_id":"sec_460a1889-5611-4806-9e0a-a162099f5601","character_id":null,"markdown":"したがって、","render_override":null},{"id":"blk_c3ab26f7-e93e-4f62-92cb-f38ce2b588bd","kind":"paragraph","order":536,"section_id":"sec_460a1889-5611-4806-9e0a-a162099f5601","character_id":null,"markdown":"**CPUは「判断と制御の半導体」** \n**GPUは「大量計算の半導体」**","render_override":null},{"id":"blk_767c7ddb-f0e7-414c-a181-9768b4f9de3f","kind":"paragraph","order":537,"section_id":"sec_460a1889-5611-4806-9e0a-a162099f5601","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_0ca7846a-7436-45ba-8a12-ba7c12df4957","kind":"paragraph","order":538,"section_id":"sec_460a1889-5611-4806-9e0a-a162099f5601","character_id":null,"markdown":"AI時代にGPUが重要なのは、モデル本体が巨大な行列計算だからです。 \nしかしAIエージェント時代にCPU需要が高まるのは、AIが現実のシステムを操作し、検索し、記憶し、判断し、外部ツールを使うようになるからです。","render_override":null},{"id":"blk_1df1f887-3ff1-4259-910a-ab6e3033f96f","kind":"thematic_break","order":539,"section_id":"sec_460a1889-5611-4806-9e0a-a162099f5601","character_id":null,"markdown":"---","render_override":null},{"id":"blk_15d64c50-ea6f-42e3-bd4e-c0adeff66449","kind":"paragraph","order":540,"section_id":"sec_460a1889-5611-4806-9e0a-a162099f5601","character_id":null,"markdown":"CPUがOSと密接に連携できて、GPUが難しい理由は、根本的にはこうです。","render_override":null},{"id":"blk_ec75457d-c7ee-45c9-bd16-825b7b17be55","kind":"paragraph","order":541,"section_id":"sec_460a1889-5611-4806-9e0a-a162099f5601","character_id":null,"markdown":"**CPUは「OSを動かすための主役」として設計されている。** \n**GPUは「CPUから仕事を渡されて計算する補助計算機」として設計されている。**","render_override":null},{"id":"blk_dff75a8b-bef4-4df5-b203-27bf9f198b71","kind":"paragraph","order":542,"section_id":"sec_460a1889-5611-4806-9e0a-a162099f5601","character_id":null,"markdown":"つまり、CPUとGPUでは最初から役割が違います。","render_override":null},{"id":"blk_338b3747-e153-492d-840f-52be60ff14fb","kind":"thematic_break","order":543,"section_id":"sec_460a1889-5611-4806-9e0a-a162099f5601","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4e0737fa-24c3-447d-ba74-50c75b9e8691","kind":"heading","order":544,"section_id":"sec_4674ef1f-981e-4521-8fa4-bfd50cd1d024","character_id":null,"markdown":"## \\1. OSは「何でも起こる世界」を管理する","render_override":null},{"id":"blk_368823c5-2e24-45e0-8447-cde41c8b7a8b","kind":"paragraph","order":545,"section_id":"sec_4674ef1f-981e-4521-8fa4-bfd50cd1d024","character_id":null,"markdown":"OSは、単に計算をしているだけではありません。","render_override":null},{"id":"blk_4402c3ff-c1f5-442f-aea6-fcdd560b5188","kind":"paragraph","order":546,"section_id":"sec_4674ef1f-981e-4521-8fa4-bfd50cd1d024","character_id":null,"markdown":"OSは次のようなことを常に管理しています。","render_override":null},{"id":"blk_155d630e-c7e3-4c9d-9770-662bbcc2bf39","kind":"code","order":547,"section_id":"sec_4674ef1f-981e-4521-8fa4-bfd50cd1d024","character_id":null,"markdown":"```\nアプリの起動\nメモリの割り当て\nファイル読み書き\nネットワーク通信\nキーボード・マウス入力\n画面表示\n権限管理\nセキュリティ\nプロセス切り替え\nエラー処理\n割り込み処理\n仮想メモリ\n```","render_override":null},{"id":"blk_2390b2a1-0fce-41e6-86c8-e1bdefdaa724","kind":"paragraph","order":548,"section_id":"sec_4674ef1f-981e-4521-8fa4-bfd50cd1d024","character_id":null,"markdown":"これらは非常に不規則です。","render_override":null},{"id":"blk_62a65ecb-6d12-4ab7-85c4-e8f4b5fe92dd","kind":"paragraph","order":549,"section_id":"sec_4674ef1f-981e-4521-8fa4-bfd50cd1d024","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_0af878ea-c4e2-4b71-8322-4ae83d7ab413","kind":"code","order":550,"section_id":"sec_4674ef1f-981e-4521-8fa4-bfd50cd1d024","character_id":null,"markdown":"```\nユーザーがクリックした\nネットワークからパケットが来た\nSSDから読み込みが終わった\nメモリが足りなくなった\nアプリが不正なアドレスにアクセスした\n別のアプリにCPU時間を渡す必要がある\n```","render_override":null},{"id":"blk_d75e728c-8ddc-4d90-b060-e046cdc273ef","kind":"paragraph","order":551,"section_id":"sec_4674ef1f-981e-4521-8fa4-bfd50cd1d024","character_id":null,"markdown":"こういう出来事が、いつ起こるか分かりません。","render_override":null},{"id":"blk_f39997e2-e1fa-4fc2-8c00-772556aa9dc4","kind":"paragraph","order":552,"section_id":"sec_4674ef1f-981e-4521-8fa4-bfd50cd1d024","character_id":null,"markdown":"CPUは、このような**予測不能なイベントに即座に対応するための機能**を持っています。","render_override":null},{"id":"blk_fc8b6aa9-66dc-41d8-8a72-504c24818043","kind":"thematic_break","order":553,"section_id":"sec_4674ef1f-981e-4521-8fa4-bfd50cd1d024","character_id":null,"markdown":"---","render_override":null},{"id":"blk_3c42b46e-68ad-4480-a3f6-6d33f6fd8ee5","kind":"heading","order":554,"section_id":"sec_b3fe67e0-f4b0-4373-a230-c8a82df8d010","character_id":null,"markdown":"## \\2. CPUには「割り込み」がある","render_override":null},{"id":"blk_3861910d-8b42-4f68-b96a-6da6b6765b42","kind":"paragraph","order":555,"section_id":"sec_b3fe67e0-f4b0-4373-a230-c8a82df8d010","character_id":null,"markdown":"CPUがOSと密接に連携できる最大の理由の1つは、**割り込み処理**です。","render_override":null},{"id":"blk_03ba2a2d-3c2b-45a7-b832-e8aedbe12243","kind":"paragraph","order":556,"section_id":"sec_b3fe67e0-f4b0-4373-a230-c8a82df8d010","character_id":null,"markdown":"割り込みとは、外部の出来事によってCPUの処理を一時停止し、OSの処理へ切り替える仕組みです。","render_override":null},{"id":"blk_ebf05c61-e3fd-4cb7-961c-f7c930f46424","kind":"paragraph","order":557,"section_id":"sec_b3fe67e0-f4b0-4373-a230-c8a82df8d010","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_d144a63a-82a9-4253-9b7b-9caa9ec2ac06","kind":"code","order":558,"section_id":"sec_b3fe67e0-f4b0-4373-a230-c8a82df8d010","character_id":null,"markdown":"```\nキーボードが押された\nマウスが動いた\nネットワーク通信が来た\nディスク読み込みが終わった\nタイマーが鳴った\n```","render_override":null},{"id":"blk_2f9866ec-8b76-4617-b886-adb35ffe7af6","kind":"paragraph","order":559,"section_id":"sec_b3fe67e0-f4b0-4373-a230-c8a82df8d010","character_id":null,"markdown":"このようなイベントが発生すると、CPUは今やっている処理を一時停止して、OSの処理へ移ります。","render_override":null},{"id":"blk_f307fdbb-ba92-4a85-af91-bafff631875d","kind":"code","order":560,"section_id":"sec_b3fe67e0-f4b0-4373-a230-c8a82df8d010","character_id":null,"markdown":"```\nアプリの処理中\n↓\n割り込み発生\n↓\nCPUがOSへ制御を渡す\n↓\nOSがイベントを処理\n↓\n元のアプリに戻る\n```","render_override":null},{"id":"blk_26eac3f3-0a10-48f4-ac94-dbc41b1311e8","kind":"paragraph","order":561,"section_id":"sec_b3fe67e0-f4b0-4373-a230-c8a82df8d010","character_id":null,"markdown":"これができるから、OSは複数のアプリやデバイスを同時に扱えます。","render_override":null},{"id":"blk_aa7550a5-c996-4315-b359-c2d90fa00242","kind":"paragraph","order":562,"section_id":"sec_b3fe67e0-f4b0-4373-a230-c8a82df8d010","character_id":null,"markdown":"GPUにも割り込みやプリエンプション機能はありますが、CPUほど細かく、低遅延で、OSの中心制御を担うようには設計されていません。","render_override":null},{"id":"blk_e8aad56b-ab01-43e6-a447-d02ef77b712f","kind":"thematic_break","order":563,"section_id":"sec_b3fe67e0-f4b0-4373-a230-c8a82df8d010","character_id":null,"markdown":"---","render_override":null},{"id":"blk_cdc4191e-5ab5-47d8-84b0-974412da26d9","kind":"heading","order":564,"section_id":"sec_6d833ff4-4845-4258-b763-f882d60d0fc1","character_id":null,"markdown":"## \\3. CPUには「特権モード」がある","render_override":null},{"id":"blk_c7f5cbfc-c08f-4848-bcdf-dc0aace335b7","kind":"paragraph","order":565,"section_id":"sec_6d833ff4-4845-4258-b763-f882d60d0fc1","character_id":null,"markdown":"OSは普通のアプリより強い権限を持つ必要があります。","render_override":null},{"id":"blk_693b37f7-b6b7-453b-a048-4640c2a6597e","kind":"paragraph","order":566,"section_id":"sec_6d833ff4-4845-4258-b763-f882d60d0fc1","character_id":null,"markdown":"そのためCPUには、権限レベルがあります。","render_override":null},{"id":"blk_e14f42e7-0127-4d54-89ea-e9e29aaaca7a","kind":"paragraph","order":567,"section_id":"sec_6d833ff4-4845-4258-b763-f882d60d0fc1","character_id":null,"markdown":"代表的には、","render_override":null},{"id":"blk_b3d2be1e-b86d-47e4-bdbc-0058ccce60c6","kind":"code","order":568,"section_id":"sec_6d833ff4-4845-4258-b763-f882d60d0fc1","character_id":null,"markdown":"```\nユーザーモード：普通のアプリが動く\nカーネルモード：OS本体が動く\n```","render_override":null},{"id":"blk_800cce43-8cbe-4533-98c2-4c5b0d42ce9f","kind":"paragraph","order":569,"section_id":"sec_6d833ff4-4845-4258-b763-f882d60d0fc1","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_f3cde421-889d-4a59-b4cf-9e5f3fc6e8a4","kind":"paragraph","order":570,"section_id":"sec_6d833ff4-4845-4258-b763-f882d60d0fc1","character_id":null,"markdown":"普通のアプリは、勝手にハードウェアを直接操作したり、他のアプリのメモリを読んだりできません。","render_override":null},{"id":"blk_427314c7-705f-454b-aba2-18d4fdb40979","kind":"paragraph","order":571,"section_id":"sec_6d833ff4-4845-4258-b763-f882d60d0fc1","character_id":null,"markdown":"たとえばアプリが、","render_override":null},{"id":"blk_216fc09e-a828-491c-8583-7c6c5b9e7274","kind":"code","order":572,"section_id":"sec_6d833ff4-4845-4258-b763-f882d60d0fc1","character_id":null,"markdown":"```\nSSDを直接操作したい\n他のアプリのメモリを読みたい\nネットワークカードを直接叩きたい\n```","render_override":null},{"id":"blk_ee371438-81e4-47a9-bb9f-e3d11e01c088","kind":"paragraph","order":573,"section_id":"sec_6d833ff4-4845-4258-b763-f882d60d0fc1","character_id":null,"markdown":"と思っても、CPUが止めます。","render_override":null},{"id":"blk_22751776-67fb-4f47-b12f-db75c2c6c36b","kind":"paragraph","order":574,"section_id":"sec_6d833ff4-4845-4258-b763-f882d60d0fc1","character_id":null,"markdown":"必要な場合は、アプリがOSにお願いします。","render_override":null},{"id":"blk_def367f6-ca66-47d0-85bf-757e56731732","kind":"code","order":575,"section_id":"sec_6d833ff4-4845-4258-b763-f882d60d0fc1","character_id":null,"markdown":"```\nアプリ\n↓\nシステムコール\n↓\nOS\n↓\nCPUの特権命令でハードウェア操作\n```","render_override":null},{"id":"blk_ae78f323-73e6-48a7-80b2-53e2a82f7e47","kind":"paragraph","order":576,"section_id":"sec_6d833ff4-4845-4258-b763-f882d60d0fc1","character_id":null,"markdown":"この仕組みがあるから、OSは安全にシステム全体を管理できます。","render_override":null},{"id":"blk_b155fb24-0d67-43dc-b568-480e10b42a97","kind":"paragraph","order":577,"section_id":"sec_6d833ff4-4845-4258-b763-f882d60d0fc1","character_id":null,"markdown":"GPUは基本的に、OSのカーネルを動かす中心ではありません。 \nGPU上のプログラムは、CPU上のOSとドライバによって起動・管理されます。","render_override":null},{"id":"blk_bfec3bd4-a200-4e39-bae6-adbd58dc6cfa","kind":"thematic_break","order":578,"section_id":"sec_6d833ff4-4845-4258-b763-f882d60d0fc1","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a5b3901c-b37c-4585-b4d0-fb9ddaf9620c","kind":"heading","order":579,"section_id":"sec_2f957271-0915-4357-a84c-1531c191b367","character_id":null,"markdown":"## \\4. CPUには「仮想メモリ」とMMUがある","render_override":null},{"id":"blk_2d0142cc-7b4a-4669-b9cd-63310af86467","kind":"paragraph","order":580,"section_id":"sec_2f957271-0915-4357-a84c-1531c191b367","character_id":null,"markdown":"OSにとって特に重要なのが、**仮想メモリ**です。","render_override":null},{"id":"blk_48461e67-dc89-4ed2-912b-8b2731f34eda","kind":"paragraph","order":581,"section_id":"sec_2f957271-0915-4357-a84c-1531c191b367","character_id":null,"markdown":"普通のアプリは、自分だけのメモリ空間を持っているように見えます。","render_override":null},{"id":"blk_33315e1c-0021-4b46-bac8-03c07f073494","kind":"code","order":582,"section_id":"sec_2f957271-0915-4357-a84c-1531c191b367","character_id":null,"markdown":"```\nアプリA：自分専用のメモリ空間\nアプリB：自分専用のメモリ空間\nアプリC：自分専用のメモリ空間\n```","render_override":null},{"id":"blk_f98d26f0-68b9-4e7a-9280-458fd2eafc4b","kind":"paragraph","order":583,"section_id":"sec_2f957271-0915-4357-a84c-1531c191b367","character_id":null,"markdown":"でも実際には、物理メモリは全アプリで共有されています。","render_override":null},{"id":"blk_f0a4e2d7-80dc-49c2-9d1d-8cc0d2a8b65a","kind":"paragraph","order":584,"section_id":"sec_2f957271-0915-4357-a84c-1531c191b367","character_id":null,"markdown":"この変換を行うのが、CPU内の **MMU / Memory Management Unit** です。","render_override":null},{"id":"blk_d11f89ee-8f3f-4803-8ac8-8eac496b5a11","kind":"code","order":585,"section_id":"sec_2f957271-0915-4357-a84c-1531c191b367","character_id":null,"markdown":"```\n仮想アドレス\n↓\nMMU\n↓\n物理アドレス\n```","render_override":null},{"id":"blk_99bf55de-f7c3-4ca6-8eee-74078a2bc341","kind":"paragraph","order":586,"section_id":"sec_2f957271-0915-4357-a84c-1531c191b367","character_id":null,"markdown":"CPUは、アプリがメモリにアクセスするたびに、","render_override":null},{"id":"blk_b8ef1e54-8257-4b99-9909-d8d1457816b3","kind":"code","order":587,"section_id":"sec_2f957271-0915-4357-a84c-1531c191b367","character_id":null,"markdown":"```\nこのアドレスは有効か？\nこのアプリに読む権限はあるか？\n書き込み権限はあるか？\n実行してよい領域か？\nページが存在するか？\n```","render_override":null},{"id":"blk_39923b2e-7eb2-4e3e-8f90-c8f810443307","kind":"paragraph","order":588,"section_id":"sec_2f957271-0915-4357-a84c-1531c191b367","character_id":null,"markdown":"をチェックできます。","render_override":null},{"id":"blk_05ac1987-e670-4db6-9f3c-95ce56c07749","kind":"paragraph","order":589,"section_id":"sec_2f957271-0915-4357-a84c-1531c191b367","character_id":null,"markdown":"もし不正なら、CPUは例外を発生させ、OSに制御を渡します。","render_override":null},{"id":"blk_a8fc518c-cce8-4f8a-8832-c7ccb70b5c68","kind":"paragraph","order":590,"section_id":"sec_2f957271-0915-4357-a84c-1531c191b367","character_id":null,"markdown":"これができるから、OSは安全に複数アプリを動かせます。","render_override":null},{"id":"blk_3864bcb9-d263-4c4a-a83c-5f085ad9393f","kind":"paragraph","order":591,"section_id":"sec_2f957271-0915-4357-a84c-1531c191b367","character_id":null,"markdown":"GPUにも近年は仮想アドレス空間やIOMMU、Unified Virtual Memoryのような仕組みがありますが、歴史的にも構造的にも、CPUほどOS全体のメモリ保護・ページフォルト処理・プロセス分離の中心にはなっていません。","render_override":null},{"id":"blk_d1fb4a60-9255-428c-a589-cdb519d9e81c","kind":"thematic_break","order":592,"section_id":"sec_2f957271-0915-4357-a84c-1531c191b367","character_id":null,"markdown":"---","render_override":null},{"id":"blk_276e97c3-5c55-43a4-b4b1-fda3b426db37","kind":"heading","order":593,"section_id":"sec_18eab7b6-99b4-4a41-9b56-bd70e51efbe1","character_id":null,"markdown":"## \\5. CPUは「コンテキストスイッチ」が得意","render_override":null},{"id":"blk_e98061a4-c1c2-426c-8fd4-80d6bb7b2804","kind":"paragraph","order":594,"section_id":"sec_18eab7b6-99b4-4a41-9b56-bd70e51efbe1","character_id":null,"markdown":"OSは複数のアプリを同時に動かしているように見せます。","render_override":null},{"id":"blk_97a3c90a-e660-48de-80bb-d7069bc5d012","kind":"paragraph","order":595,"section_id":"sec_18eab7b6-99b4-4a41-9b56-bd70e51efbe1","character_id":null,"markdown":"実際には、CPU時間を細かく分けています。","render_override":null},{"id":"blk_a94329e4-1e3e-47d6-973e-2cad74ba6a30","kind":"code","order":596,"section_id":"sec_18eab7b6-99b4-4a41-9b56-bd70e51efbe1","character_id":null,"markdown":"```\nアプリAを少し動かす\n↓\nアプリBを少し動かす\n↓\nブラウザを少し動かす\n↓\n音楽アプリを少し動かす\n↓\nOS処理をする\n```","render_override":null},{"id":"blk_6b31374a-41e3-424b-8331-7df78745bda6","kind":"paragraph","order":597,"section_id":"sec_18eab7b6-99b4-4a41-9b56-bd70e51efbe1","character_id":null,"markdown":"この切り替えを **コンテキストスイッチ** と言います。","render_override":null},{"id":"blk_9614fe68-2b09-443a-8fb8-85b14a2bf674","kind":"paragraph","order":598,"section_id":"sec_18eab7b6-99b4-4a41-9b56-bd70e51efbe1","character_id":null,"markdown":"コンテキストとは、そのプログラムの状態です。","render_override":null},{"id":"blk_eed8b628-aad9-46cd-90dc-1589c4576aee","kind":"code","order":599,"section_id":"sec_18eab7b6-99b4-4a41-9b56-bd70e51efbe1","character_id":null,"markdown":"```\nレジスタの中身\n命令の位置\nスタック\nメモリ状態\n権限状態\nプロセス情報\n```","render_override":null},{"id":"blk_9065f957-c274-4f1e-97b2-a3d8d69b13e8","kind":"paragraph","order":600,"section_id":"sec_18eab7b6-99b4-4a41-9b56-bd70e51efbe1","character_id":null,"markdown":"CPUは、この切り替えを頻繁に行う前提で作られています。","render_override":null},{"id":"blk_354f893e-bad0-490f-b734-51117c16ccd4","kind":"paragraph","order":601,"section_id":"sec_18eab7b6-99b4-4a41-9b56-bd70e51efbe1","character_id":null,"markdown":"一方GPUは、巨大な計算ジョブをまとめて実行することを想定しています。","render_override":null},{"id":"blk_dbeb227f-9f80-442d-bf83-36ee3b73dee2","kind":"paragraph","order":602,"section_id":"sec_18eab7b6-99b4-4a41-9b56-bd70e51efbe1","character_id":null,"markdown":"GPUでもタスク切り替えはできますが、CPUのように、","render_override":null},{"id":"blk_a90e26ca-ac8a-4063-b1be-29718c613a16","kind":"code","order":603,"section_id":"sec_18eab7b6-99b4-4a41-9b56-bd70e51efbe1","character_id":null,"markdown":"```\n細かいイベントに応じて\n短時間で\n大量のプロセスを\n頻繁に切り替える\n```","render_override":null},{"id":"blk_f0957463-ce33-4165-a881-1f4a3058496b","kind":"paragraph","order":604,"section_id":"sec_18eab7b6-99b4-4a41-9b56-bd70e51efbe1","character_id":null,"markdown":"という用途には向きません。","render_override":null},{"id":"blk_25c2bc38-dddc-47e8-864e-a1c4f75bed04","kind":"thematic_break","order":605,"section_id":"sec_18eab7b6-99b4-4a41-9b56-bd70e51efbe1","character_id":null,"markdown":"---","render_override":null},{"id":"blk_35b1811c-1b35-45a9-bb1d-e3367dea6383","kind":"heading","order":606,"section_id":"sec_5271d30b-5f4d-43b4-9c97-5e1c0b1e507b","character_id":null,"markdown":"## \\6. GPUは「自律的なOS実行機」ではなく「アクセラレータ」","render_override":null},{"id":"blk_8e8632b7-0a46-4fc0-80b5-177543915a8d","kind":"paragraph","order":607,"section_id":"sec_5271d30b-5f4d-43b4-9c97-5e1c0b1e507b","character_id":null,"markdown":"GPUは基本的に、CPUから仕事を渡されて動きます。","render_override":null},{"id":"blk_f3478c08-577d-4da7-ade4-e1c20a9a121e","kind":"paragraph","order":608,"section_id":"sec_5271d30b-5f4d-43b4-9c97-5e1c0b1e507b","character_id":null,"markdown":"流れはこうです。","render_override":null},{"id":"blk_91f0c50b-819e-46f3-9707-d7f4a4a552e4","kind":"code","order":609,"section_id":"sec_5271d30b-5f4d-43b4-9c97-5e1c0b1e507b","character_id":null,"markdown":"```\nCPU上のアプリ\n↓\nOS\n↓\nGPUドライバ\n↓\nGPUへ命令・データを送る\n↓\nGPUが計算する\n↓\n結果をCPU側へ返す\n```","render_override":null},{"id":"blk_0936b66b-b517-4bf9-8b6f-30e1597e941a","kind":"paragraph","order":610,"section_id":"sec_5271d30b-5f4d-43b4-9c97-5e1c0b1e507b","character_id":null,"markdown":"GPUは自分で勝手に、","render_override":null},{"id":"blk_69ef5fee-e51e-420f-8ffe-afde0eb971cd","kind":"code","order":611,"section_id":"sec_5271d30b-5f4d-43b4-9c97-5e1c0b1e507b","character_id":null,"markdown":"```\nファイルを開く\nネットワーク通信を開始する\nプロセスを作る\nOSのスケジューラを動かす\nメモリ権限を管理する\nデバイスドライバを制御する\n```","render_override":null},{"id":"blk_51713c58-e0c6-4c2b-b329-d82590d0e303","kind":"paragraph","order":612,"section_id":"sec_5271d30b-5f4d-43b4-9c97-5e1c0b1e507b","character_id":null,"markdown":"ということは基本的にしません。","render_override":null},{"id":"blk_e077594f-1acf-4134-afdf-98c9bd9f5a2b","kind":"paragraph","order":613,"section_id":"sec_5271d30b-5f4d-43b4-9c97-5e1c0b1e507b","character_id":null,"markdown":"GPUは、OSから見ると、","render_override":null},{"id":"blk_c7a031fd-5c28-4c63-9aa2-259c539345e7","kind":"paragraph","order":614,"section_id":"sec_5271d30b-5f4d-43b4-9c97-5e1c0b1e507b","character_id":null,"markdown":"**高性能な計算用デバイス**","render_override":null},{"id":"blk_71106431-ef4b-4bbc-b0a2-92f67be32005","kind":"paragraph","order":615,"section_id":"sec_5271d30b-5f4d-43b4-9c97-5e1c0b1e507b","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_66898e08-97e8-498c-ba27-86b0f54a8eb5","kind":"paragraph","order":616,"section_id":"sec_5271d30b-5f4d-43b4-9c97-5e1c0b1e507b","character_id":null,"markdown":"CPUは、","render_override":null},{"id":"blk_18e34441-40ba-4d5a-9056-225f3862d1c6","kind":"paragraph","order":617,"section_id":"sec_5271d30b-5f4d-43b4-9c97-5e1c0b1e507b","character_id":null,"markdown":"**OSそのものを実行する装置**","render_override":null},{"id":"blk_e818504b-380e-4726-802c-e8c8b6ecb989","kind":"paragraph","order":618,"section_id":"sec_5271d30b-5f4d-43b4-9c97-5e1c0b1e507b","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_520d44d8-03ff-447c-bc46-fe02722f9dc1","kind":"paragraph","order":619,"section_id":"sec_5271d30b-5f4d-43b4-9c97-5e1c0b1e507b","character_id":null,"markdown":"この違いが非常に大きいです。","render_override":null},{"id":"blk_0f218c37-a530-464a-b629-6192f52307c5","kind":"thematic_break","order":620,"section_id":"sec_5271d30b-5f4d-43b4-9c97-5e1c0b1e507b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d21b9d97-bc3c-4548-b6d7-46d8e580b29f","kind":"heading","order":621,"section_id":"sec_93be54de-a59b-4172-9b32-faebbb0be672","character_id":null,"markdown":"## \\7. GPUはSIMT構造なので、OS処理と相性が悪い","render_override":null},{"id":"blk_87ae2c38-44a1-4cb6-8d62-c57b2524df75","kind":"paragraph","order":622,"section_id":"sec_93be54de-a59b-4172-9b32-faebbb0be672","character_id":null,"markdown":"GPUは多数のスレッドをまとめて同じ命令で動かす構造を持っています。","render_override":null},{"id":"blk_cfc31c0f-2974-49b4-af57-47fe5ebf8380","kind":"paragraph","order":623,"section_id":"sec_93be54de-a59b-4172-9b32-faebbb0be672","character_id":null,"markdown":"NVIDIA系では、複数スレッドを **warp** という単位でまとめて実行します。","render_override":null},{"id":"blk_41992f7e-ab1f-475b-98d6-4ab71fb508f0","kind":"paragraph","order":624,"section_id":"sec_93be54de-a59b-4172-9b32-faebbb0be672","character_id":null,"markdown":"つまりGPUは、","render_override":null},{"id":"blk_e99bbbd6-a134-4f64-b4ba-3ba474b17ca1","kind":"code","order":625,"section_id":"sec_93be54de-a59b-4172-9b32-faebbb0be672","character_id":null,"markdown":"```\nたくさんのスレッドに同じ命令を一斉に実行させる\n```","render_override":null},{"id":"blk_6522ce97-90c3-4021-b480-400bfa145c36","kind":"paragraph","order":626,"section_id":"sec_93be54de-a59b-4172-9b32-faebbb0be672","character_id":null,"markdown":"のが得意です。","render_override":null},{"id":"blk_ba0aeb84-511d-4848-b008-f10a1843bb6c","kind":"paragraph","order":627,"section_id":"sec_93be54de-a59b-4172-9b32-faebbb0be672","character_id":null,"markdown":"ところがOS処理は、まったく逆です。","render_override":null},{"id":"blk_593ed702-f15e-4cdb-8b94-f72ac0112398","kind":"paragraph","order":628,"section_id":"sec_93be54de-a59b-4172-9b32-faebbb0be672","character_id":null,"markdown":"OS処理は、","render_override":null},{"id":"blk_89121b4a-b77b-40e4-920a-d73ade281b42","kind":"code","order":629,"section_id":"sec_93be54de-a59b-4172-9b32-faebbb0be672","character_id":null,"markdown":"```\nこのプロセスは待機\nこのプロセスは実行\nこのメモリは権限違反\nこのパケットは受信\nこのファイルは読み込み中\nこのアプリはクラッシュ\nこの割り込みを処理\n```","render_override":null},{"id":"blk_2e7d38d7-be24-4f4e-9fea-1a48b0ccdb62","kind":"paragraph","order":630,"section_id":"sec_93be54de-a59b-4172-9b32-faebbb0be672","character_id":null,"markdown":"のように、分岐だらけです。","render_override":null},{"id":"blk_eaa8012b-8520-4ba2-b887-476f21c42065","kind":"paragraph","order":631,"section_id":"sec_93be54de-a59b-4172-9b32-faebbb0be672","character_id":null,"markdown":"各処理がバラバラに進みます。","render_override":null},{"id":"blk_6ba1c725-e606-4b40-b961-eeb44b9bda24","kind":"paragraph","order":632,"section_id":"sec_93be54de-a59b-4172-9b32-faebbb0be672","character_id":null,"markdown":"GPUのような「全員で同じ命令をやる」構造では、このような不規則な処理は効率が悪いです。","render_override":null},{"id":"blk_7e1fa96e-31fc-4701-892d-bfffea247563","kind":"thematic_break","order":633,"section_id":"sec_93be54de-a59b-4172-9b32-faebbb0be672","character_id":null,"markdown":"---","render_override":null},{"id":"blk_6568092e-d060-4645-b147-0bebc61c7239","kind":"heading","order":634,"section_id":"sec_1a0df362-7fe6-4bab-9e26-4245d9f21d5a","character_id":null,"markdown":"## \\8. GPUはレイテンシよりスループット重視","render_override":null},{"id":"blk_17102376-40f3-442c-bb99-cf98842a1611","kind":"paragraph","order":635,"section_id":"sec_1a0df362-7fe6-4bab-9e26-4245d9f21d5a","character_id":null,"markdown":"CPUは、1つの処理をすぐに返すことを重視します。","render_override":null},{"id":"blk_f5df917b-d0b6-40cd-a7a6-acbf40167788","kind":"code","order":636,"section_id":"sec_1a0df362-7fe6-4bab-9e26-4245d9f21d5a","character_id":null,"markdown":"```\nクリックにすぐ反応する\nキー入力にすぐ反応する\n割り込みにすぐ反応する\nネットワーク応答をすぐ処理する\n```","render_override":null},{"id":"blk_052af837-68d5-40b7-9935-c453dee13dcb","kind":"paragraph","order":637,"section_id":"sec_1a0df362-7fe6-4bab-9e26-4245d9f21d5a","character_id":null,"markdown":"つまり **低レイテンシ重視** です。","render_override":null},{"id":"blk_1d7c9466-946f-4a26-ade6-17dbbf4316fe","kind":"paragraph","order":638,"section_id":"sec_1a0df362-7fe6-4bab-9e26-4245d9f21d5a","character_id":null,"markdown":"GPUは、大量の処理をまとめて高速に終わらせることを重視します。","render_override":null},{"id":"blk_1688d832-3b4d-4fb7-b585-e0636037f63c","kind":"code","order":639,"section_id":"sec_1a0df362-7fe6-4bab-9e26-4245d9f21d5a","character_id":null,"markdown":"```\n100万個の画素を処理する\n巨大な行列を計算する\n大量のトークンをバッチ推論する\n```","render_override":null},{"id":"blk_a8195ce5-fc04-495e-b834-5aed9a6cb197","kind":"paragraph","order":640,"section_id":"sec_1a0df362-7fe6-4bab-9e26-4245d9f21d5a","character_id":null,"markdown":"つまり **高スループット重視** です。","render_override":null},{"id":"blk_557f2dea-1047-4b7c-b9b3-6542205c78b9","kind":"paragraph","order":641,"section_id":"sec_1a0df362-7fe6-4bab-9e26-4245d9f21d5a","character_id":null,"markdown":"OSはリアルタイムに細かく反応する必要があります。","render_override":null},{"id":"blk_5e01044e-7404-41c2-a64d-61825b45eb96","kind":"paragraph","order":642,"section_id":"sec_1a0df362-7fe6-4bab-9e26-4245d9f21d5a","character_id":null,"markdown":"だからOSの中心には、低レイテンシで割り込み・分岐・例外に強いCPUが向いています。","render_override":null},{"id":"blk_b86601ba-5792-4ceb-aa6b-9efcd1dfc3b8","kind":"thematic_break","order":643,"section_id":"sec_1a0df362-7fe6-4bab-9e26-4245d9f21d5a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_cecec159-e934-464a-a5ab-f726626e7ef6","kind":"heading","order":644,"section_id":"sec_7d68f017-7cf3-40a2-9f35-262b387073d4","character_id":null,"markdown":"## \\9. GPUはメモリアクセスもOS向きではない","render_override":null},{"id":"blk_3c938d63-154b-4312-8d5b-30f7ea62f736","kind":"paragraph","order":645,"section_id":"sec_7d68f017-7cf3-40a2-9f35-262b387073d4","character_id":null,"markdown":"OSはメモリのあちこちに不規則にアクセスします。","render_override":null},{"id":"blk_4e2e5bdf-ed74-492f-8ddd-8871f6e49c26","kind":"code","order":646,"section_id":"sec_7d68f017-7cf3-40a2-9f35-262b387073d4","character_id":null,"markdown":"```\nプロセステーブルを見る\nページテーブルを見る\nファイルディスクリプタを見る\nネットワークバッファを見る\nデバイス状態を見る\n権限情報を見る\n```","render_override":null},{"id":"blk_7f5649a9-cbee-48ed-8303-6587c23e19d8","kind":"paragraph","order":647,"section_id":"sec_7d68f017-7cf3-40a2-9f35-262b387073d4","character_id":null,"markdown":"これはポインタをたどる処理が多く、分岐も多いです。","render_override":null},{"id":"blk_a8cf9cb1-ab5d-47c8-ba28-95a179d87a6f","kind":"paragraph","order":648,"section_id":"sec_7d68f017-7cf3-40a2-9f35-262b387073d4","character_id":null,"markdown":"CPUはこういう処理のために、","render_override":null},{"id":"blk_9d715190-7272-4db5-ac35-eeb210fbfcb7","kind":"code","order":649,"section_id":"sec_7d68f017-7cf3-40a2-9f35-262b387073d4","character_id":null,"markdown":"```\n大きなキャッシュ\n分岐予測\nアウト・オブ・オーダー実行\nプリフェッチ\nMMU\nTLB\n例外処理\n```","render_override":null},{"id":"blk_49a865ac-0c92-420b-b444-f30f2a6ff87d","kind":"paragraph","order":650,"section_id":"sec_7d68f017-7cf3-40a2-9f35-262b387073d4","character_id":null,"markdown":"を持っています。","render_override":null},{"id":"blk_186b7098-ed2c-4061-9ae1-c4363850bbef","kind":"paragraph","order":651,"section_id":"sec_7d68f017-7cf3-40a2-9f35-262b387073d4","character_id":null,"markdown":"GPUは、連続した大きなデータを大量に読むのは得意です。","render_override":null},{"id":"blk_72630ad6-e2d0-489b-a26e-cb362c93f727","kind":"code","order":652,"section_id":"sec_7d68f017-7cf3-40a2-9f35-262b387073d4","character_id":null,"markdown":"```\n行列\n画像\nテンソル\n配列\n```","render_override":null},{"id":"blk_36820aa5-3d7d-414a-b22e-1eab69519b38","kind":"paragraph","order":653,"section_id":"sec_7d68f017-7cf3-40a2-9f35-262b387073d4","character_id":null,"markdown":"しかし、OSのような細かくバラバラなデータ構造の管理には向いていません。","render_override":null},{"id":"blk_3a82d8d1-f0f4-4caa-8313-9df425c7ef62","kind":"thematic_break","order":654,"section_id":"sec_7d68f017-7cf3-40a2-9f35-262b387073d4","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b8c539ca-00ad-4ed2-b9c2-db2fbfe2dd7a","kind":"heading","order":655,"section_id":"sec_3a4f6047-0345-48de-bdbf-ef214b7f118b","character_id":null,"markdown":"## \\10. CPUとGPUの違いを会社でたとえる","render_override":null},{"id":"blk_b00bb4d4-7a45-4934-b720-0f28df15c954","kind":"heading","order":656,"section_id":"sec_b9fae0ba-2664-438c-b388-9e2ef071d4d2","character_id":null,"markdown":"## CPU","render_override":null},{"id":"blk_e1690f4b-0a66-47d6-afed-c536d36b6a4f","kind":"paragraph","order":657,"section_id":"sec_b9fae0ba-2664-438c-b388-9e2ef071d4d2","character_id":null,"markdown":"CPUは会社の本社・管理部門です。","render_override":null},{"id":"blk_b3ae6de7-c55f-4142-ac69-82b56f5aa544","kind":"code","order":658,"section_id":"sec_b9fae0ba-2664-438c-b388-9e2ef071d4d2","character_id":null,"markdown":"```\n人事\n経理\n法務\n情報システム\nトラブル対応\nスケジュール調整\n権限管理\n各部署への指示\n```","render_override":null},{"id":"blk_b2bf8c2b-420e-44d6-a388-fea6e53b51b4","kind":"paragraph","order":659,"section_id":"sec_b9fae0ba-2664-438c-b388-9e2ef071d4d2","character_id":null,"markdown":"色々なことを判断し、状況に応じて切り替えます。","render_override":null},{"id":"blk_69489ab6-fca7-4e28-ab6f-01d0d75b0cbc","kind":"heading","order":660,"section_id":"sec_de58ae9d-b7ad-4371-b3ec-fb120f3a7487","character_id":null,"markdown":"## GPU","render_override":null},{"id":"blk_dc689e4f-5b17-406e-8865-3c6f5c27dccb","kind":"paragraph","order":661,"section_id":"sec_de58ae9d-b7ad-4371-b3ec-fb120f3a7487","character_id":null,"markdown":"GPUは巨大な工場ラインです。","render_override":null},{"id":"blk_318e594e-0ead-4081-b0e4-6a6dce1ab81d","kind":"code","order":662,"section_id":"sec_de58ae9d-b7ad-4371-b3ec-fb120f3a7487","character_id":null,"markdown":"```\n同じ部品を大量生産する\n同じ計算を大量に行う\n同じ工程を並列に回す\n```","render_override":null},{"id":"blk_c403c581-e897-4d66-a8a8-3e501fa14d95","kind":"paragraph","order":663,"section_id":"sec_de58ae9d-b7ad-4371-b3ec-fb120f3a7487","character_id":null,"markdown":"大量生産には強いですが、会社全体の管理には向いていません。","render_override":null},{"id":"blk_8995e2e3-c673-4d5f-b75d-2c9ab56638fe","kind":"paragraph","order":664,"section_id":"sec_de58ae9d-b7ad-4371-b3ec-fb120f3a7487","character_id":null,"markdown":"OSは本社業務に近いので、CPUが向いています。","render_override":null},{"id":"blk_67f9ebeb-7452-4e51-9a1e-97d2197d63fb","kind":"thematic_break","order":665,"section_id":"sec_de58ae9d-b7ad-4371-b3ec-fb120f3a7487","character_id":null,"markdown":"---","render_override":null},{"id":"blk_fb1d410b-5b5d-4d45-8f94-4fde6c2a75fa","kind":"heading","order":666,"section_id":"sec_2ede17d1-8a7f-4366-97c0-71e32322b5dd","character_id":null,"markdown":"## \\11. ではGPU上でOSを動かせないのか？","render_override":null},{"id":"blk_00969412-7fdf-4e60-bf71-f66a917ed573","kind":"paragraph","order":667,"section_id":"sec_2ede17d1-8a7f-4366-97c0-71e32322b5dd","character_id":null,"markdown":"理論上、GPUでOS的なものを動かす研究や特殊用途はあります。","render_override":null},{"id":"blk_f73e07d1-549b-4450-aac9-6a092e3dadab","kind":"paragraph","order":668,"section_id":"sec_2ede17d1-8a7f-4366-97c0-71e32322b5dd","character_id":null,"markdown":"また、近年のGPUは昔よりかなり賢くなっています。","render_override":null},{"id":"blk_07cf3a6a-2f9e-4251-8bc5-7e1ac7a59130","kind":"code","order":669,"section_id":"sec_2ede17d1-8a7f-4366-97c0-71e32322b5dd","character_id":null,"markdown":"```\nGPU仮想化\nプリエンプション\nGPUページフォルト\nUnified Memory\nMIG\nSR-IOV\nGPU内スケジューラ\n```","render_override":null},{"id":"blk_4d6384d4-7db3-424c-9e32-3d29a3b4d1dd","kind":"paragraph","order":670,"section_id":"sec_2ede17d1-8a7f-4366-97c0-71e32322b5dd","character_id":null,"markdown":"のような機能もあります。","render_override":null},{"id":"blk_f7c8030d-361f-4584-ae1d-adac45c2ecd9","kind":"paragraph","order":671,"section_id":"sec_2ede17d1-8a7f-4366-97c0-71e32322b5dd","character_id":null,"markdown":"しかし、それでも一般的なOSの中心をGPUに置くのは難しいです。","render_override":null},{"id":"blk_374e2373-e2e7-405e-8d10-58405efbc48d","kind":"paragraph","order":672,"section_id":"sec_2ede17d1-8a7f-4366-97c0-71e32322b5dd","character_id":null,"markdown":"理由は、OSが必要とする性質がGPUの得意分野と違うからです。","render_override":null},{"id":"blk_35b68b80-8631-4dd2-91dc-5cf2e516d831","kind":"paragraph","order":673,"section_id":"sec_2ede17d1-8a7f-4366-97c0-71e32322b5dd","character_id":null,"markdown":"OSが求めるものは、","render_override":null},{"id":"blk_7ac8d9af-1602-4cf0-8321-8ca63b1e27a5","kind":"code","order":674,"section_id":"sec_2ede17d1-8a7f-4366-97c0-71e32322b5dd","character_id":null,"markdown":"```\n低レイテンシ\n細かい分岐\n頻繁な割り込み\n例外処理\nプロセス切り替え\n強いメモリ保護\n多様なI/O制御\n権限管理\n不規則なデータ構造操作\n```","render_override":null},{"id":"blk_64364ed5-5277-4f7c-8ffd-4e53ab735065","kind":"paragraph","order":675,"section_id":"sec_2ede17d1-8a7f-4366-97c0-71e32322b5dd","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_a20c3ec7-8ef1-4d58-9b23-eb4167497962","kind":"paragraph","order":676,"section_id":"sec_2ede17d1-8a7f-4366-97c0-71e32322b5dd","character_id":null,"markdown":"GPUが得意なのは、","render_override":null},{"id":"blk_55182142-5953-4661-a6e1-0329c0f20329","kind":"code","order":677,"section_id":"sec_2ede17d1-8a7f-4366-97c0-71e32322b5dd","character_id":null,"markdown":"```\n大量並列\n規則的な配列処理\n行列演算\n画像処理\nテンソル計算\n高スループット\n```","render_override":null},{"id":"blk_66dd0612-05e0-499f-96e9-ba811cab2fba","kind":"paragraph","order":678,"section_id":"sec_2ede17d1-8a7f-4366-97c0-71e32322b5dd","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_a8b5b23e-bdc5-4a58-9d8f-c64a3dc83d87","kind":"paragraph","order":679,"section_id":"sec_2ede17d1-8a7f-4366-97c0-71e32322b5dd","character_id":null,"markdown":"このため、GPUはOSの主役ではなく、CPUに管理されるアクセラレータとして使われます。","render_override":null},{"id":"blk_3de615b7-e76f-47aa-ac53-c91cd21b7a66","kind":"thematic_break","order":680,"section_id":"sec_2ede17d1-8a7f-4366-97c0-71e32322b5dd","character_id":null,"markdown":"---","render_override":null},{"id":"blk_8755e373-af16-460d-b4b6-de37104fd392","kind":"heading","order":681,"section_id":"sec_89358da1-fc0c-4957-a883-96ccfe3bfb3d","character_id":null,"markdown":"## \\12. AI時代にこの違いが重要になる理由","render_override":null},{"id":"blk_682afb3b-6352-49cf-a6f8-67426a52895a","kind":"paragraph","order":682,"section_id":"sec_89358da1-fc0c-4957-a883-96ccfe3bfb3d","character_id":null,"markdown":"AI推論では、GPUはモデル本体の計算を担当します。","render_override":null},{"id":"blk_45aac667-8d08-409d-932e-28f00a6156bd","kind":"code","order":683,"section_id":"sec_89358da1-fc0c-4957-a883-96ccfe3bfb3d","character_id":null,"markdown":"```\nTransformer\nAttention\nMLP\n行列積\nTensor演算\n```","render_override":null},{"id":"blk_b0b04b82-3abe-4eef-b4be-d8a61b2b6c15","kind":"paragraph","order":684,"section_id":"sec_89358da1-fc0c-4957-a883-96ccfe3bfb3d","character_id":null,"markdown":"しかし、AIサービス全体ではCPUが必要です。","render_override":null},{"id":"blk_d009cd8f-d692-4a73-b2e9-f076c9ed027c","kind":"code","order":685,"section_id":"sec_89358da1-fc0c-4957-a883-96ccfe3bfb3d","character_id":null,"markdown":"```\nAPI受付\nユーザー認証\nセッション管理\nトークナイズ\nリクエストキュー\nバッチング\nGPUへの投入\nKV cache管理\nRAG検索\nDB照会\nツール呼び出し\nログ保存\n課金\nセキュリティ\n```","render_override":null},{"id":"blk_f951ec8f-363e-4726-8c04-41ba35da714b","kind":"paragraph","order":686,"section_id":"sec_89358da1-fc0c-4957-a883-96ccfe3bfb3d","character_id":null,"markdown":"AIエージェントになると、CPUの役割はさらに増えます。","render_override":null},{"id":"blk_464b0afa-aa91-4b0c-b64f-c3e7da59e104","kind":"code","order":687,"section_id":"sec_89358da1-fc0c-4957-a883-96ccfe3bfb3d","character_id":null,"markdown":"```\nPython実行\nブラウザ操作\nファイル読み書き\n外部API\n検索\nDB\n承認フロー\n再試行\n複数タスク管理\n```","render_override":null},{"id":"blk_a77a638e-1620-4696-b59a-2b41b5c3a4db","kind":"paragraph","order":688,"section_id":"sec_89358da1-fc0c-4957-a883-96ccfe3bfb3d","character_id":null,"markdown":"これはOS的な、不規則で制御中心の処理です。","render_override":null},{"id":"blk_43bb3fcf-b077-4855-95e5-7d973426241d","kind":"paragraph","order":689,"section_id":"sec_89358da1-fc0c-4957-a883-96ccfe3bfb3d","character_id":null,"markdown":"だから、AIエージェント時代にCPU需要が再評価されるわけです。","render_override":null},{"id":"blk_05cf6aa6-7574-4738-b7fc-da44c22df6bd","kind":"thematic_break","order":690,"section_id":"sec_89358da1-fc0c-4957-a883-96ccfe3bfb3d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_e48be75f-5c4c-4968-bea8-955edee9c5b7","kind":"heading","order":691,"section_id":"sec_08680118-4a6b-4d9f-90d3-034819f74579","character_id":null,"markdown":"## まとめ","render_override":null},{"id":"blk_48274ebd-4124-4f7d-9a2c-60dc18ea0882","kind":"paragraph","order":692,"section_id":"sec_08680118-4a6b-4d9f-90d3-034819f74579","character_id":null,"markdown":"CPUがOSと密接に連携できるのは、CPUが最初から","render_override":null},{"id":"blk_708f98d8-9f18-4223-b8f0-9df4b7b597fd","kind":"code","order":693,"section_id":"sec_08680118-4a6b-4d9f-90d3-034819f74579","character_id":null,"markdown":"```\n割り込み\n例外\n特権モード\n仮想メモリ\nMMU\nTLB\nコンテキストスイッチ\nシステムコール\nI/O制御\n権限管理\n```","render_override":null},{"id":"blk_5f6d185e-5909-4905-8013-30d6099fe57a","kind":"paragraph","order":694,"section_id":"sec_08680118-4a6b-4d9f-90d3-034819f74579","character_id":null,"markdown":"を扱うために設計されているからです。","render_override":null},{"id":"blk_ac0dea49-1aa1-47dd-a170-869a89bcfbaf","kind":"paragraph","order":695,"section_id":"sec_08680118-4a6b-4d9f-90d3-034819f74579","character_id":null,"markdown":"一方GPUは、","render_override":null},{"id":"blk_7cd3d71c-80f4-4db4-9bc6-a16a943ad2b0","kind":"code","order":696,"section_id":"sec_08680118-4a6b-4d9f-90d3-034819f74579","character_id":null,"markdown":"```\n大量のスレッド\n同じ命令の並列実行\n高メモリ帯域\n行列演算\nテンソル計算\n高スループット\n```","render_override":null},{"id":"blk_be214db8-dbdc-449a-89de-ffd95be7de01","kind":"paragraph","order":697,"section_id":"sec_08680118-4a6b-4d9f-90d3-034819f74579","character_id":null,"markdown":"に特化しています。","render_override":null},{"id":"blk_5b1931ba-163e-485e-9efd-119598786f11","kind":"paragraph","order":698,"section_id":"sec_08680118-4a6b-4d9f-90d3-034819f74579","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_30ace101-5ead-45a0-8492-5b95f1edef9e","kind":"paragraph","order":699,"section_id":"sec_08680118-4a6b-4d9f-90d3-034819f74579","character_id":null,"markdown":"**CPUは、OSと現実世界を管理するための制御プロセッサ。** \n**GPUは、CPUから渡された大量計算を処理するアクセラレータ。**","render_override":null},{"id":"blk_c5cf5747-fb6a-4c4d-98dc-2c848fec6589","kind":"paragraph","order":700,"section_id":"sec_08680118-4a6b-4d9f-90d3-034819f74579","character_id":null,"markdown":"この違いがあるため、CPUはOSと密接に連携でき、GPUはOSの中心になるのが難しいのです。","render_override":null},{"id":"blk_35ba7843-eceb-4518-8193-a4fb43cac19b","kind":"thematic_break","order":701,"section_id":"sec_08680118-4a6b-4d9f-90d3-034819f74579","character_id":null,"markdown":"---","render_override":null},{"id":"blk_847dd527-1b04-412e-92e6-797c9a2c0dfd","kind":"heading","order":702,"section_id":"sec_5f8f6cfa-9a22-4f5c-9832-5fc21a1b10fc","character_id":null,"markdown":"## SMTとSIMTについて","render_override":null},{"id":"blk_c5069c12-57c0-407b-aebc-3a125bfd7088","kind":"heading","order":703,"section_id":"sec_4df14ad9-683e-42ba-855a-d99722b6acfc","character_id":null,"markdown":"## \\1. SMTとは何か：CPUの「1コアを2人で使う」仕組み","render_override":null},{"id":"blk_703b8fe2-0724-490c-a5e8-c7beb0f64cb8","kind":"paragraph","order":704,"section_id":"sec_4df14ad9-683e-42ba-855a-d99722b6acfc","character_id":null,"markdown":"**SMT / Simultaneous Multithreading** は、**1つの物理CPUコアで複数のスレッドを同時に走らせる技術**です。AMDはSMTを「1つのCPUコアが複数スレッドを同時に実行できる技術」と説明しており、一般的には2-way SMT、つまり1コアあたり2スレッドが多いです。Intelでは似た技術を **Hyper-Threading** と呼んできました。([AMD](https://www.amd.com/en/blogs/2025/simultaneous-multithreading-driving-performance-a.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_85b5c5cf-aca9-4703-af09-7dd82813fbf4","kind":"paragraph","order":705,"section_id":"sec_4df14ad9-683e-42ba-855a-d99722b6acfc","character_id":null,"markdown":"たとえば、OSから見るとこう見えます。","render_override":null},{"id":"blk_e3d16b83-8ab9-47bf-a33d-85857e250aa2","kind":"code","order":706,"section_id":"sec_4df14ad9-683e-42ba-855a-d99722b6acfc","character_id":null,"markdown":"```\n物理CPUコア：8コア\nSMT有効時：16スレッド\n```","render_override":null},{"id":"blk_8cd9b200-fe29-4094-b920-f21db6138a48","kind":"paragraph","order":707,"section_id":"sec_4df14ad9-683e-42ba-855a-d99722b6acfc","character_id":null,"markdown":"ただし、これは**本当に16個の物理コアがある**という意味ではありません。","render_override":null},{"id":"blk_8a08b021-370d-4ca1-9732-df189ce23a41","kind":"paragraph","order":708,"section_id":"sec_4df14ad9-683e-42ba-855a-d99722b6acfc","character_id":null,"markdown":"実際には、","render_override":null},{"id":"blk_d4d83c8e-2413-4747-9ba5-0815223b85d1","kind":"code","order":709,"section_id":"sec_4df14ad9-683e-42ba-855a-d99722b6acfc","character_id":null,"markdown":"```\n1つの物理コアの中に\n2つ分の「命令の流れ」を持たせる\n```","render_override":null},{"id":"blk_f10cc99a-c394-4a4b-9be8-881ff3b26aa7","kind":"paragraph","order":710,"section_id":"sec_4df14ad9-683e-42ba-855a-d99722b6acfc","character_id":null,"markdown":"という仕組みです。","render_override":null},{"id":"blk_0fb21526-5aa6-439d-92ae-ebb46ea48855","kind":"thematic_break","order":711,"section_id":"sec_4df14ad9-683e-42ba-855a-d99722b6acfc","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d4590805-2037-4423-ad85-602c2f03be57","kind":"heading","order":712,"section_id":"sec_7dfa7638-2fe4-4139-abad-1772af39a225","character_id":null,"markdown":"## SMTの目的","render_override":null},{"id":"blk_4c12b500-fabb-4b93-8d6d-3d42d503a387","kind":"paragraph","order":713,"section_id":"sec_7dfa7638-2fe4-4139-abad-1772af39a225","character_id":null,"markdown":"CPUコアの中には、たくさんの実行ユニットがあります。","render_override":null},{"id":"blk_b4c456bb-5996-48ee-819f-8c08b9b26d2f","kind":"code","order":714,"section_id":"sec_7dfa7638-2fe4-4139-abad-1772af39a225","character_id":null,"markdown":"```\n整数演算器\n浮動小数点演算器\nロード/ストアユニット\n分岐ユニット\nSIMD演算器\nキャッシュ\n命令スケジューラ\n```","render_override":null},{"id":"blk_d27e4827-3511-47ae-95ab-f0af1e0435d4","kind":"paragraph","order":715,"section_id":"sec_7dfa7638-2fe4-4139-abad-1772af39a225","character_id":null,"markdown":"しかし、1つのスレッドだけを実行していると、常に全部のユニットが埋まるわけではありません。","render_override":null},{"id":"blk_e505c160-6137-498c-aa81-7855c30c791e","kind":"paragraph","order":716,"section_id":"sec_7dfa7638-2fe4-4139-abad-1772af39a225","character_id":null,"markdown":"たとえば、あるスレッドがメモリ待ちをしている間、","render_override":null},{"id":"blk_651b0e61-0210-4538-b26d-2850ce547be0","kind":"code","order":717,"section_id":"sec_7dfa7638-2fe4-4139-abad-1772af39a225","character_id":null,"markdown":"```\n演算器が空いている\nパイプラインが一部空いている\nキャッシュ応答待ちで止まっている\n```","render_override":null},{"id":"blk_49718d65-eaee-4bdd-a6a7-79eff9785d29","kind":"paragraph","order":718,"section_id":"sec_7dfa7638-2fe4-4139-abad-1772af39a225","character_id":null,"markdown":"という状態が起きます。","render_override":null},{"id":"blk_67e97fd4-96d5-423c-b9f4-146ae37066ee","kind":"paragraph","order":719,"section_id":"sec_7dfa7638-2fe4-4139-abad-1772af39a225","character_id":null,"markdown":"そこでSMTでは、同じ物理コアにもう1つ別のスレッドを入れます。","render_override":null},{"id":"blk_0c797e15-aeee-4005-9fdd-880c3a12670d","kind":"code","order":720,"section_id":"sec_7dfa7638-2fe4-4139-abad-1772af39a225","character_id":null,"markdown":"```\nスレッドAがメモリ待ち\n↓\nその間にスレッドBの命令を実行\n```","render_override":null},{"id":"blk_0a602913-ec15-45cd-a31b-dd1f5b26b4c1","kind":"paragraph","order":721,"section_id":"sec_7dfa7638-2fe4-4139-abad-1772af39a225","character_id":null,"markdown":"これにより、CPUコア内部の空きリソースを埋めて、全体のスループットを上げます。","render_override":null},{"id":"blk_37e1c671-4c06-4f97-b2a3-a1c3799a9e82","kind":"thematic_break","order":722,"section_id":"sec_7dfa7638-2fe4-4139-abad-1772af39a225","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ae792c18-9212-45bc-8b2f-18728d950c73","kind":"heading","order":723,"section_id":"sec_0527cf64-26a3-4b60-912f-8542977ad3c7","character_id":null,"markdown":"## \\2. SMTは「コアが2倍になる」わけではない","render_override":null},{"id":"blk_acb7f00f-e195-494a-9776-a89769a360a7","kind":"paragraph","order":724,"section_id":"sec_0527cf64-26a3-4b60-912f-8542977ad3c7","character_id":null,"markdown":"ここが重要です。","render_override":null},{"id":"blk_f1155095-d710-4b6a-86d5-034abbd77607","kind":"paragraph","order":725,"section_id":"sec_0527cf64-26a3-4b60-912f-8542977ad3c7","character_id":null,"markdown":"SMTは、物理コアを2倍にする技術ではありません。","render_override":null},{"id":"blk_fc4fa2f0-4562-4787-aebe-55adcf63c6b6","kind":"paragraph","order":726,"section_id":"sec_0527cf64-26a3-4b60-912f-8542977ad3c7","character_id":null,"markdown":"たとえると、","render_override":null},{"id":"blk_cddd2d6d-d15a-440d-8a69-5f844e7a615f","kind":"code","order":727,"section_id":"sec_0527cf64-26a3-4b60-912f-8542977ad3c7","character_id":null,"markdown":"```\n物理コア追加：厨房をもう1つ作る\nSMT：1つの厨房に注文係を2人入れる\n```","render_override":null},{"id":"blk_e994e8a6-454f-487c-904f-555de1d6dd17","kind":"paragraph","order":728,"section_id":"sec_0527cf64-26a3-4b60-912f-8542977ad3c7","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_80f6d88c-3641-42b4-8952-9b9bc228db9e","kind":"paragraph","order":729,"section_id":"sec_0527cf64-26a3-4b60-912f-8542977ad3c7","character_id":null,"markdown":"厨房そのもの、つまり演算器・キャッシュ・ロードストアユニットなどは多くの場合共有です。","render_override":null},{"id":"blk_02e02b2d-61f1-4386-8dfe-82786391b575","kind":"paragraph","order":730,"section_id":"sec_0527cf64-26a3-4b60-912f-8542977ad3c7","character_id":null,"markdown":"だから、SMTで性能が2倍になることは普通ありません。","render_override":null},{"id":"blk_6b4cb5b7-cfbd-4946-bfb7-355d978ac9f1","kind":"paragraph","order":731,"section_id":"sec_0527cf64-26a3-4b60-912f-8542977ad3c7","character_id":null,"markdown":"効果はワークロード次第です。","render_override":null},{"id":"blk_36a6268b-800e-48d5-b630-ebdbdfadac4c","kind":"paragraph","order":732,"section_id":"sec_0527cf64-26a3-4b60-912f-8542977ad3c7","character_id":null,"markdown":"ワークロードSMTの効果メモリ待ちが多い処理効果が出やすいI/O待ちが多い処理効果が出やすい整数演算と浮動小数点が混ざる処理効果が出る場合あり1スレッドでコアを使い切る処理効果が小さいキャッシュを奪い合う処理逆に遅くなる場合ありセキュリティ重視環境無効化される場合あり","render_override":null},{"id":"blk_cb58a383-6e26-495a-bb7e-bbff89c5885a","kind":"paragraph","order":733,"section_id":"sec_0527cf64-26a3-4b60-912f-8542977ad3c7","character_id":null,"markdown":"IBMも、SMTでは2つの命令ストリームが1つのコアの実行リソースを動的に共有すると説明しています。([IBM](https://www.ibm.com/docs/en/systems-hardware/linuxone/3931-LA1?topic=prsm-simultaneous-multithreading-smt&utm_source=chatgpt.com))","render_override":null},{"id":"blk_b15cb40a-b36d-44b7-85b4-7d3cc5ade30d","kind":"thematic_break","order":734,"section_id":"sec_0527cf64-26a3-4b60-912f-8542977ad3c7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_8e77bbeb-f77e-43fe-b752-18d2f3c0877e","kind":"heading","order":735,"section_id":"sec_0a8a18e7-e3a2-420b-bf1c-98faf66e3e25","character_id":null,"markdown":"## \\3. SMTがCPUらしい理由","render_override":null},{"id":"blk_fc5c2afa-f828-4582-a923-be5c52ed4ea7","kind":"paragraph","order":736,"section_id":"sec_0a8a18e7-e3a2-420b-bf1c-98faf66e3e25","character_id":null,"markdown":"SMTはCPUの特徴をよく表しています。","render_override":null},{"id":"blk_e7e1fcbd-36f7-4d69-aca1-6cb92cb59bf1","kind":"paragraph","order":737,"section_id":"sec_0a8a18e7-e3a2-420b-bf1c-98faf66e3e25","character_id":null,"markdown":"CPUはもともと、","render_override":null},{"id":"blk_712d1a1d-c76d-4ca5-8029-46d81a907ea6","kind":"code","order":738,"section_id":"sec_0a8a18e7-e3a2-420b-bf1c-98faf66e3e25","character_id":null,"markdown":"```\n分岐\nメモリ待ち\nI/O待ち\n例外処理\nOS処理\n不規則な命令列\n```","render_override":null},{"id":"blk_654a4282-7e00-4aa1-a99e-4b2f98e35f47","kind":"paragraph","order":739,"section_id":"sec_0a8a18e7-e3a2-420b-bf1c-98faf66e3e25","character_id":null,"markdown":"を扱います。","render_override":null},{"id":"blk_a6944006-7078-4900-8222-b7d001bcfb79","kind":"paragraph","order":740,"section_id":"sec_0a8a18e7-e3a2-420b-bf1c-98faf66e3e25","character_id":null,"markdown":"つまり、CPUの中では「待ち時間」や「空きリソース」が発生しやすい。","render_override":null},{"id":"blk_afd981f9-3253-4c16-a125-bea6e099c672","kind":"paragraph","order":741,"section_id":"sec_0a8a18e7-e3a2-420b-bf1c-98faf66e3e25","character_id":null,"markdown":"SMTはそこを埋める技術です。","render_override":null},{"id":"blk_3534698b-41e1-40da-ae09-237088fca2a6","kind":"code","order":742,"section_id":"sec_0a8a18e7-e3a2-420b-bf1c-98faf66e3e25","character_id":null,"markdown":"```\n1スレッドでは埋めきれないCPU内部リソースを\n別スレッドで埋める\n```","render_override":null},{"id":"blk_14a23d7d-c9a5-43dc-9deb-239394b7c784","kind":"paragraph","order":743,"section_id":"sec_0a8a18e7-e3a2-420b-bf1c-98faf66e3e25","character_id":null,"markdown":"という考え方です。","render_override":null},{"id":"blk_10ee2d1a-24f3-465c-9e80-8f8385b175ed","kind":"paragraph","order":744,"section_id":"sec_0a8a18e7-e3a2-420b-bf1c-98faf66e3e25","character_id":null,"markdown":"AIエージェント時代にも関係します。 \nなぜなら、AIエージェントのCPU処理には、","render_override":null},{"id":"blk_165d7ac4-a445-4779-8350-130269b0d1cd","kind":"code","order":745,"section_id":"sec_0a8a18e7-e3a2-420b-bf1c-98faf66e3e25","character_id":null,"markdown":"```\nWeb検索\nDB照会\nAPI呼び出し\nPython実行\nJSON処理\nRAG検索\nファイルI/O\nネットワーク待ち\n```","render_override":null},{"id":"blk_0220a3f5-daf5-4070-8814-811bcc58238b","kind":"paragraph","order":746,"section_id":"sec_0a8a18e7-e3a2-420b-bf1c-98faf66e3e25","character_id":null,"markdown":"のような、待ち時間を含む処理が多いからです。","render_override":null},{"id":"blk_e601cde7-9b57-4321-9db2-11475f1b1bc7","kind":"paragraph","order":747,"section_id":"sec_0a8a18e7-e3a2-420b-bf1c-98faf66e3e25","character_id":null,"markdown":"こうした処理では、SMTや多コアCPUが役に立ちやすいです。","render_override":null},{"id":"blk_c8c715aa-e0ca-4599-8491-ee2cb00bdde1","kind":"thematic_break","order":748,"section_id":"sec_0a8a18e7-e3a2-420b-bf1c-98faf66e3e25","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b7fe5b4e-7225-4a15-93e5-6750a018480b","kind":"heading","order":749,"section_id":"sec_7ff31aa7-fbc5-404f-9ff9-6298a68a0d82","character_id":null,"markdown":"## \\4. SIMTとは何か：GPUの「全員に同じ命令を出す」仕組み","render_override":null},{"id":"blk_5eefbc5f-9800-4818-8d79-807d231021d9","kind":"paragraph","order":750,"section_id":"sec_7ff31aa7-fbc5-404f-9ff9-6298a68a0d82","character_id":null,"markdown":"一方、**SIMT / Single Instruction, Multiple Threads** はGPU側の考え方です。","render_override":null},{"id":"blk_b6a973eb-4602-4a32-b8a8-4190db52b735","kind":"paragraph","order":751,"section_id":"sec_7ff31aa7-fbc5-404f-9ff9-6298a68a0d82","character_id":null,"markdown":"NVIDIAのCUDA資料では、SIMTモデルでは **warp内の全スレッドがカーネル内のコードを一緒に進む** と説明されています。またNVIDIA PTX ISAでは、CTA内のスレッドは **warp** と呼ばれるグループ単位でSIMT方式により実行され、通常warpは32スレッドだと説明されています。([NVIDIA Docs](https://docs.nvidia.com/cuda/cuda-programming-guide/01-introduction/programming-model.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_12398175-382e-47e2-9ba8-f952110350fd","kind":"paragraph","order":752,"section_id":"sec_7ff31aa7-fbc5-404f-9ff9-6298a68a0d82","character_id":null,"markdown":"ざっくり言うと、SIMTはこうです。","render_override":null},{"id":"blk_404bf4d6-92d9-4293-ab42-6cf995d229e5","kind":"code","order":753,"section_id":"sec_7ff31aa7-fbc5-404f-9ff9-6298a68a0d82","character_id":null,"markdown":"```\n1つの命令を\n多数のスレッドに一斉に実行させる\n```","render_override":null},{"id":"blk_b012d307-e5d3-4575-8508-66d1408c0aa1","kind":"paragraph","order":754,"section_id":"sec_7ff31aa7-fbc5-404f-9ff9-6298a68a0d82","character_id":null,"markdown":"たとえば画像処理なら、","render_override":null},{"id":"blk_09f97e10-e5a1-4a69-bc48-6885aece3e57","kind":"code","order":755,"section_id":"sec_7ff31aa7-fbc5-404f-9ff9-6298a68a0d82","character_id":null,"markdown":"```\n全ピクセルに同じ処理をする\n```","render_override":null},{"id":"blk_ce9a949f-d79e-4975-8fc8-b8115cc54e52","kind":"paragraph","order":756,"section_id":"sec_7ff31aa7-fbc5-404f-9ff9-6298a68a0d82","character_id":null,"markdown":"行列演算なら、","render_override":null},{"id":"blk_b934ba82-4364-4b8d-b98f-f33443c6265d","kind":"code","order":757,"section_id":"sec_7ff31aa7-fbc5-404f-9ff9-6298a68a0d82","character_id":null,"markdown":"```\n行列の各要素に同じような計算をする\n```","render_override":null},{"id":"blk_40a8b4c0-7d09-4474-9dd1-7c6e2f44c55d","kind":"paragraph","order":758,"section_id":"sec_7ff31aa7-fbc5-404f-9ff9-6298a68a0d82","character_id":null,"markdown":"こういう処理に非常に向いています。","render_override":null},{"id":"blk_45668b84-d99a-4b17-bbd6-6a6397e7bc00","kind":"thematic_break","order":759,"section_id":"sec_7ff31aa7-fbc5-404f-9ff9-6298a68a0d82","character_id":null,"markdown":"---","render_override":null},{"id":"blk_05181e21-ceeb-4726-88ef-246b8b5581cc","kind":"heading","order":760,"section_id":"sec_41b5ba1e-b726-41be-a2e0-82f52fe8470d","character_id":null,"markdown":"## SIMTのイメージ","render_override":null},{"id":"blk_8e16ce41-c567-4553-a54c-796538dd9cb9","kind":"paragraph","order":761,"section_id":"sec_41b5ba1e-b726-41be-a2e0-82f52fe8470d","character_id":null,"markdown":"GPUでは、多数のスレッドが **warp** という単位でまとめられます。","render_override":null},{"id":"blk_0d321e36-647e-47c7-9f92-d1569d0ea524","kind":"paragraph","order":762,"section_id":"sec_41b5ba1e-b726-41be-a2e0-82f52fe8470d","character_id":null,"markdown":"NVIDIA GPUでは通常、","render_override":null},{"id":"blk_d9110156-39a2-48df-9b64-f76b47c780b7","kind":"code","order":763,"section_id":"sec_41b5ba1e-b726-41be-a2e0-82f52fe8470d","character_id":null,"markdown":"```\n1 warp = 32 threads\n```","render_override":null},{"id":"blk_5d0eed25-281a-4de8-af12-46d880d5ed32","kind":"paragraph","order":764,"section_id":"sec_41b5ba1e-b726-41be-a2e0-82f52fe8470d","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_84746bcc-9f61-4bae-a485-33741dc169a5","kind":"paragraph","order":765,"section_id":"sec_41b5ba1e-b726-41be-a2e0-82f52fe8470d","character_id":null,"markdown":"この32スレッドに対して、同じ命令が一斉に流れます。","render_override":null},{"id":"blk_51286da9-1167-40b2-880c-c0ec9f9b8f01","kind":"code","order":766,"section_id":"sec_41b5ba1e-b726-41be-a2e0-82f52fe8470d","character_id":null,"markdown":"```\n命令：A + B を計算せよ\n\nthread 0: A0 + B0\nthread 1: A1 + B1\nthread 2: A2 + B2\n...\nthread 31: A31 + B31\n```","render_override":null},{"id":"blk_1d59ac7a-a9d0-40a1-bc74-70f5a735fb85","kind":"paragraph","order":767,"section_id":"sec_41b5ba1e-b726-41be-a2e0-82f52fe8470d","character_id":null,"markdown":"各スレッドは別々のデータを持ちますが、実行する命令は基本的に同じです。","render_override":null},{"id":"blk_d78f521d-bbe5-4d8d-9d97-062a86eb249a","kind":"paragraph","order":768,"section_id":"sec_41b5ba1e-b726-41be-a2e0-82f52fe8470d","character_id":null,"markdown":"これが **Single Instruction, Multiple Threads** です。","render_override":null},{"id":"blk_6df7323d-fb95-4567-8c1e-a307cc188cca","kind":"thematic_break","order":769,"section_id":"sec_41b5ba1e-b726-41be-a2e0-82f52fe8470d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2ef05b9a-9fc4-4014-8eb0-aac46639671d","kind":"heading","order":770,"section_id":"sec_a3d6ac24-7553-4e72-a126-f7d56ab0755d","character_id":null,"markdown":"## \\5. SMTとSIMTの違い","render_override":null},{"id":"blk_3d05d900-b2ac-42fe-ace1-407d3d482ac6","kind":"paragraph","order":771,"section_id":"sec_a3d6ac24-7553-4e72-a126-f7d56ab0755d","character_id":null,"markdown":"名前が似ていますが、全然違います。","render_override":null},{"id":"blk_4e87acef-8684-41d1-96bc-da762345e580","kind":"paragraph","order":772,"section_id":"sec_a3d6ac24-7553-4e72-a126-f7d56ab0755d","character_id":null,"markdown":"項目SMTSIMT主に使う場所CPUGPU意味同時マルチスレッディング単一命令・複数スレッド目的1コア内の空きリソースを埋める大量スレッドに同じ命令を流す得意複雑な処理のスループット改善規則的な大量並列計算苦手物理コアの完全代替にはならない分岐が多い処理たとえ1つの厨房に注文係を2人工場ラインに同じ号令を出す","render_override":null},{"id":"blk_a4e043dd-4880-4710-bc82-4bd8163afc0f","kind":"thematic_break","order":773,"section_id":"sec_a3d6ac24-7553-4e72-a126-f7d56ab0755d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_01adccc3-bac9-440b-afbf-f1b4a2bb28aa","kind":"heading","order":774,"section_id":"sec_5c277f81-2c21-4796-a7f0-ebb8205e2e8a","character_id":null,"markdown":"## \\6. SMTはCPUの効率化、SIMTはGPUの構造そのもの","render_override":null},{"id":"blk_baf871a7-98b7-48a9-88ce-3f2e7083985e","kind":"paragraph","order":775,"section_id":"sec_5c277f81-2c21-4796-a7f0-ebb8205e2e8a","character_id":null,"markdown":"ここが一番重要です。","render_override":null},{"id":"blk_7ac2ce58-b170-45b0-b4a1-f4e18fdb25e2","kind":"paragraph","order":776,"section_id":"sec_5c277f81-2c21-4796-a7f0-ebb8205e2e8a","character_id":null,"markdown":"**SMTは、CPUコアを効率よく使うための追加機能**です。","render_override":null},{"id":"blk_9953b7f8-9467-4ea2-9c99-314e2be22509","kind":"paragraph","order":777,"section_id":"sec_5c277f81-2c21-4796-a7f0-ebb8205e2e8a","character_id":null,"markdown":"CPUは、もともと1つのスレッドを非常に賢く処理します。 \nそこにもう1つのスレッドを同時に入れて、空きリソースを埋めるのがSMTです。","render_override":null},{"id":"blk_4c73678c-aec7-46d0-a223-1a66539f5b30","kind":"paragraph","order":778,"section_id":"sec_5c277f81-2c21-4796-a7f0-ebb8205e2e8a","character_id":null,"markdown":"一方、**SIMTはGPUの基本的な実行モデル**です。","render_override":null},{"id":"blk_f48c2c40-0a87-422d-ab4d-12803173e0ca","kind":"paragraph","order":779,"section_id":"sec_5c277f81-2c21-4796-a7f0-ebb8205e2e8a","character_id":null,"markdown":"GPUは、大量のスレッドに同じ命令を流すことで演算密度を高めています。","render_override":null},{"id":"blk_f649f232-6421-469b-b7db-7b478aff409b","kind":"paragraph","order":780,"section_id":"sec_5c277f81-2c21-4796-a7f0-ebb8205e2e8a","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_44d16e2a-28c0-4930-83d5-1c5a0f612fdc","kind":"code","order":781,"section_id":"sec_5c277f81-2c21-4796-a7f0-ebb8205e2e8a","character_id":null,"markdown":"```\nSMT = CPUの中の空き時間を減らす技術\nSIMT = GPUが大量並列処理をする基本方式\n```","render_override":null},{"id":"blk_4935bb1f-cdfc-4643-a52d-7c790b0e2a28","kind":"paragraph","order":782,"section_id":"sec_5c277f81-2c21-4796-a7f0-ebb8205e2e8a","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_36bd44a2-852b-4646-b746-6b9dfdfae5e3","kind":"thematic_break","order":783,"section_id":"sec_5c277f81-2c21-4796-a7f0-ebb8205e2e8a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9c1ebb4e-9d88-4c65-b933-8cb0646c6eab","kind":"heading","order":784,"section_id":"sec_08491e03-d5f8-4b24-85bc-56c65b21bfb5","character_id":null,"markdown":"## \\7. GPUで分岐が苦手になる理由はSIMTにある","render_override":null},{"id":"blk_0dcaebdc-4543-4d34-817c-23b7c163f3a1","kind":"paragraph","order":785,"section_id":"sec_08491e03-d5f8-4b24-85bc-56c65b21bfb5","character_id":null,"markdown":"SIMTでは、warp内のスレッドが同じ命令を一緒に進みます。","render_override":null},{"id":"blk_1acb3e99-7926-423f-b589-69ab6210300e","kind":"paragraph","order":786,"section_id":"sec_08491e03-d5f8-4b24-85bc-56c65b21bfb5","character_id":null,"markdown":"ところが、if文で進む道が分かれると問題が起きます。","render_override":null},{"id":"blk_e83a95b1-940a-404c-8d60-a0d1a0d35b97","kind":"code","order":787,"section_id":"sec_08491e03-d5f8-4b24-85bc-56c65b21bfb5","character_id":null,"markdown":"```\nif (x > 0) {\n Aの処理\n} else {\n Bの処理\n}\n```","render_override":null},{"id":"blk_3b1d816b-0008-418b-bc53-d9de83b3f914","kind":"paragraph","order":788,"section_id":"sec_08491e03-d5f8-4b24-85bc-56c65b21bfb5","character_id":null,"markdown":"warp内の32スレッドのうち、","render_override":null},{"id":"blk_2bd49dae-c6a1-4863-9d7c-2a030ecf6754","kind":"code","order":789,"section_id":"sec_08491e03-d5f8-4b24-85bc-56c65b21bfb5","character_id":null,"markdown":"```\n16スレッドはAへ\n16スレッドはBへ\n```","render_override":null},{"id":"blk_6a50e71c-2e1f-43bc-aa4c-65f44d688ecc","kind":"paragraph","order":790,"section_id":"sec_08491e03-d5f8-4b24-85bc-56c65b21bfb5","character_id":null,"markdown":"となると、GPUは全員を完全に同時には進めにくくなります。","render_override":null},{"id":"blk_1f8be779-2025-4c8e-875e-20832d38287b","kind":"paragraph","order":791,"section_id":"sec_08491e03-d5f8-4b24-85bc-56c65b21bfb5","character_id":null,"markdown":"結果として、","render_override":null},{"id":"blk_3c7917d0-4212-4faa-a802-31a4f9b9e5c5","kind":"code","order":792,"section_id":"sec_08491e03-d5f8-4b24-85bc-56c65b21bfb5","character_id":null,"markdown":"```\nA側を実行している間、B側のスレッドは待つ\nB側を実行している間、A側のスレッドは待つ\n```","render_override":null},{"id":"blk_98d0b210-16a7-40b8-9b4b-0ab1c27a95ca","kind":"paragraph","order":793,"section_id":"sec_08491e03-d5f8-4b24-85bc-56c65b21bfb5","character_id":null,"markdown":"のようになり、効率が落ちます。","render_override":null},{"id":"blk_3a02a5a0-1fab-4930-bada-a0c86efcc85f","kind":"paragraph","order":794,"section_id":"sec_08491e03-d5f8-4b24-85bc-56c65b21bfb5","character_id":null,"markdown":"これが **分岐ダイバージェンス** です。","render_override":null},{"id":"blk_49548e8c-d635-413b-9cee-123f3d3cf363","kind":"paragraph","order":795,"section_id":"sec_08491e03-d5f8-4b24-85bc-56c65b21bfb5","character_id":null,"markdown":"NVIDIAのCUDA資料でも、warp内のスレッドが同じ制御フローをたどるとGPU利用率が最大化される、と説明されています。([NVIDIA Docs](https://docs.nvidia.com/cuda/cuda-programming-guide/pdf/cuda-programming-guide.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_58eada3c-9961-44c0-80cb-a181ca4ffccb","kind":"thematic_break","order":796,"section_id":"sec_08491e03-d5f8-4b24-85bc-56c65b21bfb5","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5bcdea6c-422a-4aeb-935b-7e5c2980d8b6","kind":"heading","order":797,"section_id":"sec_d912a132-d2e4-4a4e-8c9e-50cea819d242","character_id":null,"markdown":"## \\8. CPUのSMTとGPUのSIMTをAIで見る","render_override":null},{"id":"blk_ba9d55c1-9f11-4fe5-b24c-863ffa0ff674","kind":"paragraph","order":798,"section_id":"sec_d912a132-d2e4-4a4e-8c9e-50cea819d242","character_id":null,"markdown":"AI推論では、両方とも重要です。","render_override":null},{"id":"blk_c5259979-be98-4b6a-9427-7b716e3bfdbb","kind":"heading","order":799,"section_id":"sec_8f3616d8-03bd-4fab-b935-51d307479cdd","character_id":null,"markdown":"## SMTが関係するところ","render_override":null},{"id":"blk_738f1d45-af8a-4e9c-9cc3-d6b65617b9de","kind":"paragraph","order":800,"section_id":"sec_8f3616d8-03bd-4fab-b935-51d307479cdd","character_id":null,"markdown":"CPU側では、","render_override":null},{"id":"blk_873f923c-58d5-4e6a-b9f7-ebcd01bd97a2","kind":"code","order":801,"section_id":"sec_8f3616d8-03bd-4fab-b935-51d307479cdd","character_id":null,"markdown":"```\nAPI処理\nトークナイズ\nRAG検索\nDBアクセス\nWeb検索\nJSON処理\nツール呼び出し\nPython実行\nログ処理\nセキュリティ処理\n```","render_override":null},{"id":"blk_b53879ed-08a8-43a0-bb3a-2272bdd6f404","kind":"paragraph","order":802,"section_id":"sec_8f3616d8-03bd-4fab-b935-51d307479cdd","character_id":null,"markdown":"のような不規則処理が多いです。","render_override":null},{"id":"blk_2e6328ef-295b-4114-a3f3-c228e5132a08","kind":"paragraph","order":803,"section_id":"sec_8f3616d8-03bd-4fab-b935-51d307479cdd","character_id":null,"markdown":"ここでは、CPUの複数コアやSMTが役立ちます。","render_override":null},{"id":"blk_d41cea2e-9343-42d0-b065-9b12440e72e1","kind":"paragraph","order":804,"section_id":"sec_8f3616d8-03bd-4fab-b935-51d307479cdd","character_id":null,"markdown":"特に、待ち時間のある処理では、","render_override":null},{"id":"blk_89e3b58f-eb2b-4282-bd01-5ce2b87177fa","kind":"code","order":805,"section_id":"sec_8f3616d8-03bd-4fab-b935-51d307479cdd","character_id":null,"markdown":"```\nスレッドAがI/O待ち\n↓\nスレッドBを進める\n```","render_override":null},{"id":"blk_84a0110e-f6e6-4f21-88bc-230dd2219454","kind":"paragraph","order":806,"section_id":"sec_8f3616d8-03bd-4fab-b935-51d307479cdd","character_id":null,"markdown":"という形で効率を上げられます。","render_override":null},{"id":"blk_10ebbf54-fabc-4869-88e5-f324d473445e","kind":"thematic_break","order":807,"section_id":"sec_8f3616d8-03bd-4fab-b935-51d307479cdd","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d6c960c1-5811-481d-b4d1-8766cad2e523","kind":"heading","order":808,"section_id":"sec_1af1f13f-a1e0-4df6-87f0-94d11ad79606","character_id":null,"markdown":"## SIMTが関係するところ","render_override":null},{"id":"blk_1842dc1d-3b60-4c31-accf-1a1da03f3d1d","kind":"paragraph","order":809,"section_id":"sec_1af1f13f-a1e0-4df6-87f0-94d11ad79606","character_id":null,"markdown":"GPU側では、","render_override":null},{"id":"blk_765b9831-fefb-4de0-a207-a8d2aa8b0271","kind":"code","order":810,"section_id":"sec_1af1f13f-a1e0-4df6-87f0-94d11ad79606","character_id":null,"markdown":"```\nAttention\nMLP\n行列積\nテンソル演算\n画像生成\n大量バッチ推論\n```","render_override":null},{"id":"blk_9cb0aef9-d6b0-4604-8ee6-6fdf982a8796","kind":"paragraph","order":811,"section_id":"sec_1af1f13f-a1e0-4df6-87f0-94d11ad79606","character_id":null,"markdown":"のような規則的な大量並列計算が中心です。","render_override":null},{"id":"blk_47035c91-a428-4628-9fb0-e3c1d2a93455","kind":"paragraph","order":812,"section_id":"sec_1af1f13f-a1e0-4df6-87f0-94d11ad79606","character_id":null,"markdown":"ここではSIMTが力を発揮します。","render_override":null},{"id":"blk_4f9e2c3a-4e0b-4dee-9836-a84bd299332f","kind":"code","order":813,"section_id":"sec_1af1f13f-a1e0-4df6-87f0-94d11ad79606","character_id":null,"markdown":"```\n同じ計算を\n大量のトークン・行列要素・画像ピクセルに対して\n一斉に実行する\n```","render_override":null},{"id":"blk_68dc3faa-41e1-4d00-967b-c8b4ca235a78","kind":"paragraph","order":814,"section_id":"sec_1af1f13f-a1e0-4df6-87f0-94d11ad79606","character_id":null,"markdown":"からです。","render_override":null},{"id":"blk_c5a5ef8f-eebe-45a9-83a8-86408a5ae780","kind":"thematic_break","order":815,"section_id":"sec_1af1f13f-a1e0-4df6-87f0-94d11ad79606","character_id":null,"markdown":"---","render_override":null},{"id":"blk_39ec9080-0331-4e39-82f2-4749dbea99c9","kind":"heading","order":816,"section_id":"sec_ac6a830c-824c-4de8-a137-13869b12d9e4","character_id":null,"markdown":"## \\9. かなり簡単なたとえ","render_override":null},{"id":"blk_4ef7b521-e275-46c2-8b70-3388b9f558b0","kind":"heading","order":817,"section_id":"sec_d33317e8-41fe-4ed9-9d99-faef7b32ee97","character_id":null,"markdown":"## SMT","render_override":null},{"id":"blk_b3876529-42a5-441d-929f-082879aa181c","kind":"paragraph","order":818,"section_id":"sec_d33317e8-41fe-4ed9-9d99-faef7b32ee97","character_id":null,"markdown":"1人用の高性能な作業机があります。 \nでも、作業中に資料待ちや電話待ちが発生します。","render_override":null},{"id":"blk_636d5614-5ab9-4a92-bdb7-2673c4947a96","kind":"paragraph","order":819,"section_id":"sec_d33317e8-41fe-4ed9-9d99-faef7b32ee97","character_id":null,"markdown":"そこで、同じ机にもう1人の作業者も座らせます。","render_override":null},{"id":"blk_182b877a-653f-431b-8f18-258e7015c8aa","kind":"code","order":820,"section_id":"sec_d33317e8-41fe-4ed9-9d99-faef7b32ee97","character_id":null,"markdown":"```\nAさんが資料待ち\n↓\nその間にBさんが作業\n```","render_override":null},{"id":"blk_e1d4bc3c-6067-4e8d-9708-4e812b4ccab1","kind":"paragraph","order":821,"section_id":"sec_d33317e8-41fe-4ed9-9d99-faef7b32ee97","character_id":null,"markdown":"これがSMTです。","render_override":null},{"id":"blk_06a25108-b3a1-4033-941a-064b7d25a1e4","kind":"thematic_break","order":822,"section_id":"sec_d33317e8-41fe-4ed9-9d99-faef7b32ee97","character_id":null,"markdown":"---","render_override":null},{"id":"blk_36005e01-f1cd-4b1b-a8cd-49a25e7d1a07","kind":"heading","order":823,"section_id":"sec_15d94fb1-aec5-432f-b482-8a0aa52daa05","character_id":null,"markdown":"## SIMT","render_override":null},{"id":"blk_10c916f7-c689-4a7a-8343-d1e73ea418cb","kind":"paragraph","order":824,"section_id":"sec_15d94fb1-aec5-432f-b482-8a0aa52daa05","character_id":null,"markdown":"大工場で、32人の作業員に同じ号令を出します。","render_override":null},{"id":"blk_3e2d941b-cc67-41fc-a9eb-39ef0f74b6a8","kind":"code","order":825,"section_id":"sec_15d94fb1-aec5-432f-b482-8a0aa52daa05","character_id":null,"markdown":"```\n全員、ネジを締めろ\n全員、部品を並べろ\n全員、同じ位置を加工しろ\n```","render_override":null},{"id":"blk_d098f09d-f26f-41d3-a5eb-df48f9ca5f17","kind":"paragraph","order":826,"section_id":"sec_15d94fb1-aec5-432f-b482-8a0aa52daa05","character_id":null,"markdown":"これがSIMTです。","render_override":null},{"id":"blk_a08c1ed2-60d1-4635-9b16-359201f22890","kind":"paragraph","order":827,"section_id":"sec_15d94fb1-aec5-432f-b482-8a0aa52daa05","character_id":null,"markdown":"ただし、途中で、","render_override":null},{"id":"blk_adc11662-147b-4b39-af38-3750c9a7ce8a","kind":"code","order":828,"section_id":"sec_15d94fb1-aec5-432f-b482-8a0aa52daa05","character_id":null,"markdown":"```\n半分はネジ締め\n半分は塗装\n```","render_override":null},{"id":"blk_2a1fd5e0-c974-4141-be17-9ed738975fe9","kind":"paragraph","order":829,"section_id":"sec_15d94fb1-aec5-432f-b482-8a0aa52daa05","character_id":null,"markdown":"になると効率が落ちます。","render_override":null},{"id":"blk_673cb917-5661-4ada-bd0f-af4422e6fe06","kind":"thematic_break","order":830,"section_id":"sec_15d94fb1-aec5-432f-b482-8a0aa52daa05","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7329c811-152c-40de-8c37-4f27cd510a3a","kind":"heading","order":831,"section_id":"sec_a145f732-392b-49c2-bcbd-fd9ff502d3e9","character_id":null,"markdown":"## まとめ","render_override":null},{"id":"blk_d441fa4d-2f99-4c0c-87a3-6b775f32ce6c","kind":"paragraph","order":832,"section_id":"sec_a145f732-392b-49c2-bcbd-fd9ff502d3e9","character_id":null,"markdown":"**SMT** はCPUの技術です。 \n1つの物理CPUコアで複数スレッドを同時に走らせ、コア内の空きリソースを埋めて効率を上げます。","render_override":null},{"id":"blk_40a5eb8e-28dc-4061-bb9d-747f78c95ec3","kind":"paragraph","order":833,"section_id":"sec_a145f732-392b-49c2-bcbd-fd9ff502d3e9","character_id":null,"markdown":"**SIMT** はGPUの実行モデルです。 \n大量のスレッドに同じ命令を一斉に流し、行列演算や画像処理のような大量並列計算を高速化します。","render_override":null},{"id":"blk_24174876-8091-46ba-a7c0-18d15f3de760","kind":"paragraph","order":834,"section_id":"sec_a145f732-392b-49c2-bcbd-fd9ff502d3e9","character_id":null,"markdown":"一言で言えば、","render_override":null},{"id":"blk_5c1e2d11-d1c1-4677-8f6a-89421230d0cb","kind":"code","order":835,"section_id":"sec_a145f732-392b-49c2-bcbd-fd9ff502d3e9","character_id":null,"markdown":"```\nSMT = CPUの空き時間を埋める技術\nSIMT = GPUの大量並列を成立させる方式\n```","render_override":null},{"id":"blk_8d86711a-7900-493a-aee8-eec1f71aff34","kind":"paragraph","order":836,"section_id":"sec_a145f732-392b-49c2-bcbd-fd9ff502d3e9","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_337184ce-41df-485f-b54a-5c7b93fdf657","kind":"paragraph","order":837,"section_id":"sec_a145f732-392b-49c2-bcbd-fd9ff502d3e9","character_id":null,"markdown":"AIインフラで言えば、 \n**CPU側のエージェント処理・RAG・API・I/OにはSMT的な効率化が効く**。 \n**GPU側のLLM行列計算・画像生成・大量推論にはSIMTが効く**。 \n \n**TPUやLPUでは、GPU以上に「分岐処理」「不規則処理」「OS的な制御」が苦手になりやすい**です。","render_override":null},{"id":"blk_77c7c93c-2927-44c9-9333-78bd6e15d548","kind":"paragraph","order":838,"section_id":"sec_a145f732-392b-49c2-bcbd-fd9ff502d3e9","character_id":null,"markdown":"理由は、GPUよりさらに用途を絞って、**行列演算・テンソル演算・LLM推論の流れ作業に特化しているから**です。","render_override":null},{"id":"blk_631a01d9-f954-473c-b8a7-91f06741e146","kind":"thematic_break","order":839,"section_id":"sec_a145f732-392b-49c2-bcbd-fd9ff502d3e9","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c0b7bdab-0c6c-4c35-ba9d-21f03801e07c","kind":"heading","order":840,"section_id":"sec_acb11cc7-b8e6-4764-8c37-723f739b33e3","character_id":null,"markdown":"## まず結論","render_override":null},{"id":"blk_a9558a9e-c3ae-40ab-92c6-a8ad4864273f","kind":"paragraph","order":841,"section_id":"sec_acb11cc7-b8e6-4764-8c37-723f739b33e3","character_id":null,"markdown":"CPU、GPU、TPU、LPUを「分岐への強さ」で並べると、だいたいこうです。","render_override":null},{"id":"blk_23bfe428-4ffb-447d-b5d3-b289c3ca5e92","kind":"code","order":842,"section_id":"sec_acb11cc7-b8e6-4764-8c37-723f739b33e3","character_id":null,"markdown":"```\nCPU > GPU > TPU / LPU\n```","render_override":null},{"id":"blk_d0b13051-a1d0-4831-8534-5a35904c3777","kind":"paragraph","order":843,"section_id":"sec_acb11cc7-b8e6-4764-8c37-723f739b33e3","character_id":null,"markdown":"CPUは、分岐・例外・割り込み・OS処理のために作られています。","render_override":null},{"id":"blk_c010f368-e631-4f66-99d9-f63281aabd50","kind":"paragraph","order":844,"section_id":"sec_acb11cc7-b8e6-4764-8c37-723f739b33e3","character_id":null,"markdown":"GPUは、分岐は苦手ですが、まだ多数のスレッド、warp、スケジューラ、マスク実行などである程度対応できます。NVIDIA CUDAでは、warp内のスレッドが異なる分岐に進むとwarp divergenceが起き、各分岐パスを順に実行するため効率が落ちると説明されています。([NVIDIA Docs](https://docs.nvidia.com/cuda/cuda-programming-guide/03-advanced/advanced-kernel-programming.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_fda30c82-e27b-4d06-b823-86dd4c3022f8","kind":"paragraph","order":845,"section_id":"sec_acb11cc7-b8e6-4764-8c37-723f739b33e3","character_id":null,"markdown":"TPUやLPUは、さらに「決まった計算グラフを高速に流す」方向に寄っているので、途中で細かく分岐したり、処理内容が動的に変わったりするほど効率が落ちやすいです。","render_override":null},{"id":"blk_6fd71558-55d8-40b3-9373-b2da6d27f863","kind":"thematic_break","order":846,"section_id":"sec_acb11cc7-b8e6-4764-8c37-723f739b33e3","character_id":null,"markdown":"---","render_override":null},{"id":"blk_aded80ab-f9b4-40a5-bf5d-c14b21e21d96","kind":"heading","order":847,"section_id":"sec_513783c7-2759-4547-9211-012a341f393f","character_id":null,"markdown":"## \\1. TPUは「行列計算の専用工場」だから分岐が苦手","render_override":null},{"id":"blk_a0ec868b-eb9c-40d8-b80e-e0c7b699d6c5","kind":"paragraph","order":848,"section_id":"sec_513783c7-2759-4547-9211-012a341f393f","character_id":null,"markdown":"TPUは、GoogleがAI計算のために作った専用ASICです。","render_override":null},{"id":"blk_4d080957-62d6-4efe-9f13-2ee59f69284d","kind":"paragraph","order":849,"section_id":"sec_513783c7-2759-4547-9211-012a341f393f","character_id":null,"markdown":"中心にあるのは **systolic array** です。 \nGoogle Cloudの説明では、TPUの主な仕事は行列処理、つまりmultiply-accumulateであり、多数の積和演算器が物理的な行列として接続されたsystolic arrayを構成するとされています。Cloud TPU v3では、1プロセッサに128×128 ALUのsystolic arrayが2つあります。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/system-architecture-tpu-vm?utm_source=chatgpt.com))","render_override":null},{"id":"blk_47141e21-d773-41ea-9ced-05fa9e97c97a","kind":"paragraph","order":850,"section_id":"sec_513783c7-2759-4547-9211-012a341f393f","character_id":null,"markdown":"これは非常に強力です。","render_override":null},{"id":"blk_8712aacb-12f7-401e-9a3b-3276eded47be","kind":"paragraph","order":851,"section_id":"sec_513783c7-2759-4547-9211-012a341f393f","character_id":null,"markdown":"行列積のような処理では、","render_override":null},{"id":"blk_d420971f-6633-4adc-8a31-ea08acc4bb6a","kind":"code","order":852,"section_id":"sec_513783c7-2759-4547-9211-012a341f393f","character_id":null,"markdown":"```\nA行列 × B行列\n↓\n大量の掛け算と足し算\n↓\n同じリズムでデータを流す\n```","render_override":null},{"id":"blk_1d856f41-a37a-4c70-9c3c-05f6517005ad","kind":"paragraph","order":853,"section_id":"sec_513783c7-2759-4547-9211-012a341f393f","character_id":null,"markdown":"という形になります。","render_override":null},{"id":"blk_f4de47ca-7677-4421-aa01-0079f0635fa5","kind":"paragraph","order":854,"section_id":"sec_513783c7-2759-4547-9211-012a341f393f","character_id":null,"markdown":"TPUは、この「データを規則的に流して、積和演算を大量に行う」ことに最適化されています。","render_override":null},{"id":"blk_82bb50ae-e89c-4352-b807-8d96f2e32c67","kind":"paragraph","order":855,"section_id":"sec_513783c7-2759-4547-9211-012a341f393f","character_id":null,"markdown":"しかし分岐処理は、これと相性が悪いです。","render_override":null},{"id":"blk_7a1e2aed-42bd-4d1d-92e7-b6ffe4f8af3a","kind":"paragraph","order":856,"section_id":"sec_513783c7-2759-4547-9211-012a341f393f","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_b71800ff-c7ca-4fb9-8cc9-a5ce2d6f2fe6","kind":"code","order":857,"section_id":"sec_513783c7-2759-4547-9211-012a341f393f","character_id":null,"markdown":"```\nif 条件A:\n 処理X\nelse:\n 処理Y\n```","render_override":null},{"id":"blk_8507d57a-f4db-4675-a648-1061e1362436","kind":"paragraph","order":858,"section_id":"sec_513783c7-2759-4547-9211-012a341f393f","character_id":null,"markdown":"のような処理が大量に混ざると、全体を同じリズムで流せません。","render_override":null},{"id":"blk_91e0d337-2982-4eb4-a4c3-cbe281a63864","kind":"paragraph","order":859,"section_id":"sec_513783c7-2759-4547-9211-012a341f393f","character_id":null,"markdown":"TPUは、ベルトコンベア式の巨大な行列計算工場です。 \nベルトコンベア上の部品が全部同じ工程を通るなら速い。 \nでも、部品ごとに「これは別ラインへ」「これは検査待ち」「これは再加工」と分かれると、専用工場の効率が落ちます。","render_override":null},{"id":"blk_c8f956cb-4d79-45e3-a237-1b52501d8119","kind":"thematic_break","order":860,"section_id":"sec_513783c7-2759-4547-9211-012a341f393f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_27a792b9-33cb-4ae4-b990-12c16e9cf998","kind":"heading","order":861,"section_id":"sec_12efc3a6-2d70-4d0f-924f-bc0a1833cafe","character_id":null,"markdown":"## \\2. TPUはコンパイラで計算グラフを固める思想が強い","render_override":null},{"id":"blk_42c043b9-8d9e-4434-9c8d-e724f3c400be","kind":"paragraph","order":862,"section_id":"sec_12efc3a6-2d70-4d0f-924f-bc0a1833cafe","character_id":null,"markdown":"TPUは、CPUのように1命令ずつ動的に判断していくというより、**XLAコンパイラが計算グラフを最適化して、TPUの行列ユニットに効率よく流す**という思想が強いです。","render_override":null},{"id":"blk_35e13e46-cd89-4650-a4fb-2b717c9f7f41","kind":"paragraph","order":863,"section_id":"sec_12efc3a6-2d70-4d0f-924f-bc0a1833cafe","character_id":null,"markdown":"Google CloudのTPUドキュメントでも、XLAコンパイラが行列乗算を小さなブロックに分割し、MXU、つまりmatrix unitで効率的に実行するための変換を行うと説明されています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/intro-to-tpu?utm_source=chatgpt.com))","render_override":null},{"id":"blk_a3841209-21b9-484f-a6aa-d7a7fc211fc5","kind":"paragraph","order":864,"section_id":"sec_12efc3a6-2d70-4d0f-924f-bc0a1833cafe","character_id":null,"markdown":"つまりTPUは、","render_override":null},{"id":"blk_3dab1574-1b66-4808-93dd-6fad7026ecc4","kind":"code","order":865,"section_id":"sec_12efc3a6-2d70-4d0f-924f-bc0a1833cafe","character_id":null,"markdown":"```\n先に計算の形を決める\n↓\nコンパイラが最適な流し方を作る\n↓\nTPU上で高速実行する\n```","render_override":null},{"id":"blk_f006729c-e387-4886-926c-876035a6eb71","kind":"paragraph","order":866,"section_id":"sec_12efc3a6-2d70-4d0f-924f-bc0a1833cafe","character_id":null,"markdown":"という色が強いです。","render_override":null},{"id":"blk_7c6cfec9-93c5-4901-b12a-996d3ecefe66","kind":"paragraph","order":867,"section_id":"sec_12efc3a6-2d70-4d0f-924f-bc0a1833cafe","character_id":null,"markdown":"この方式では、計算の形が安定しているほど強いです。","render_override":null},{"id":"blk_3071563b-ab5b-42d5-b892-5d7a69371deb","kind":"code","order":868,"section_id":"sec_12efc3a6-2d70-4d0f-924f-bc0a1833cafe","character_id":null,"markdown":"```\n行列積\n畳み込み\nTransformerのAttention\nMLP\nバッチ推論\n```","render_override":null},{"id":"blk_6e923243-a20a-46ad-b258-fba5031ed054","kind":"paragraph","order":869,"section_id":"sec_12efc3a6-2d70-4d0f-924f-bc0a1833cafe","character_id":null,"markdown":"のような処理は得意です。","render_override":null},{"id":"blk_884228e6-8228-4a48-8559-a1038c7487f7","kind":"paragraph","order":870,"section_id":"sec_12efc3a6-2d70-4d0f-924f-bc0a1833cafe","character_id":null,"markdown":"逆に、","render_override":null},{"id":"blk_f7f0b809-f263-4add-b14b-6bd2710d0328","kind":"code","order":871,"section_id":"sec_12efc3a6-2d70-4d0f-924f-bc0a1833cafe","character_id":null,"markdown":"```\nユーザーごとに違う分岐\nツール呼び出し\nファイルI/O\nDB照会\nPython実行\nAPI応答待ち\n条件によって処理グラフが変わる\n```","render_override":null},{"id":"blk_9e775f35-f318-4d35-a097-bb6494d0c32f","kind":"paragraph","order":872,"section_id":"sec_12efc3a6-2d70-4d0f-924f-bc0a1833cafe","character_id":null,"markdown":"のような処理は苦手です。","render_override":null},{"id":"blk_fed3b445-4b3f-49fb-b9b5-f9f45464efc8","kind":"paragraph","order":873,"section_id":"sec_12efc3a6-2d70-4d0f-924f-bc0a1833cafe","character_id":null,"markdown":"もちろんTPUでも条件分岐やループを扱えないわけではありません。 \nただし、それは「TPUがCPUのように自由な分岐処理を得意とする」という意味ではなく、**コンパイルされた計算グラフの中で扱う**形になります。","render_override":null},{"id":"blk_ee3d9af0-6337-45b0-8c58-54d3480b4822","kind":"thematic_break","order":874,"section_id":"sec_12efc3a6-2d70-4d0f-924f-bc0a1833cafe","character_id":null,"markdown":"---","render_override":null},{"id":"blk_e0cb4638-5e08-4e64-9769-d9f27ff33784","kind":"heading","order":875,"section_id":"sec_eba1e257-08e2-43b9-a7ab-63c1593117e1","character_id":null,"markdown":"## \\3. GPUはまだ「分岐に耐える仕組み」がある","render_override":null},{"id":"blk_2293bb7f-5463-45a8-a9ff-a1304215d193","kind":"paragraph","order":876,"section_id":"sec_eba1e257-08e2-43b9-a7ab-63c1593117e1","character_id":null,"markdown":"GPUも分岐は苦手です。 \nただしTPUよりは汎用的です。","render_override":null},{"id":"blk_3671cc46-df8d-4046-abff-0849af54cb29","kind":"paragraph","order":877,"section_id":"sec_eba1e257-08e2-43b9-a7ab-63c1593117e1","character_id":null,"markdown":"GPUには多数のスレッドがあり、NVIDIAの場合はwarp単位で命令を実行します。warp内の32スレッドが同じ制御フローをたどると効率が最大化されますが、分岐で別々の経路に進むと、各分岐パスを順に実行して、該当しないスレッドを一時的に無効化します。([NVIDIA Docs](https://docs.nvidia.com/cuda/cuda-programming-guide/03-advanced/advanced-kernel-programming.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_79bd9a60-0fdf-43e0-8ff8-4d1366fc86ec","kind":"paragraph","order":878,"section_id":"sec_eba1e257-08e2-43b9-a7ab-63c1593117e1","character_id":null,"markdown":"つまりGPUは、","render_override":null},{"id":"blk_3da1ee04-276d-4605-96dd-9903dd723b34","kind":"code","order":879,"section_id":"sec_eba1e257-08e2-43b9-a7ab-63c1593117e1","character_id":null,"markdown":"```\n分岐しても実行はできる\nただし効率が落ちる\n```","render_override":null},{"id":"blk_ebcaa927-f81e-41d8-9b05-bd39aaa7b1fa","kind":"paragraph","order":880,"section_id":"sec_eba1e257-08e2-43b9-a7ab-63c1593117e1","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_a3fe7549-754e-48d5-9d17-821c2dc528be","kind":"paragraph","order":881,"section_id":"sec_eba1e257-08e2-43b9-a7ab-63c1593117e1","character_id":null,"markdown":"TPUはもっと極端で、","render_override":null},{"id":"blk_4e2ff995-d233-41f3-9fef-ac56a9f54c87","kind":"code","order":882,"section_id":"sec_eba1e257-08e2-43b9-a7ab-63c1593117e1","character_id":null,"markdown":"```\n規則的な行列計算なら非常に強い\n処理の形が動的に変わると扱いにくい\n```","render_override":null},{"id":"blk_74a4a536-df1b-4e1e-bf6a-800f83062586","kind":"paragraph","order":883,"section_id":"sec_eba1e257-08e2-43b9-a7ab-63c1593117e1","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_50a55013-ad68-4e6c-a0ea-1b2ba02da0ce","kind":"paragraph","order":884,"section_id":"sec_eba1e257-08e2-43b9-a7ab-63c1593117e1","character_id":null,"markdown":"なので、GPUは「分岐に弱い大量並列機」。 \nTPUは「分岐をなるべく避けたい行列計算専用機」。 \nこの違いがあります。","render_override":null},{"id":"blk_bac1ed98-058d-485e-afec-164f4f3d30ec","kind":"thematic_break","order":885,"section_id":"sec_eba1e257-08e2-43b9-a7ab-63c1593117e1","character_id":null,"markdown":"---","render_override":null},{"id":"blk_028d3dd1-ea6a-4c02-8474-998893c55026","kind":"heading","order":886,"section_id":"sec_4702fa77-c51d-4de1-a6b8-7ffad0dcbd89","character_id":null,"markdown":"## \\4. LPUは「言語推論の固定パイプライン」に寄っている","render_override":null},{"id":"blk_dd3e69f7-e712-43b0-b35f-49e8f867b3e8","kind":"paragraph","order":887,"section_id":"sec_4702fa77-c51d-4de1-a6b8-7ffad0dcbd89","character_id":null,"markdown":"LPUは、主にGroqの **Language Processing Unit** を指す文脈で使われます。","render_override":null},{"id":"blk_20db3818-5978-4c67-9d68-5885abebb369","kind":"paragraph","order":888,"section_id":"sec_4702fa77-c51d-4de1-a6b8-7ffad0dcbd89","character_id":null,"markdown":"GroqはLPUを、LLM推論の高速・低遅延実行に特化したプロセッサとして打ち出しています。公式サイトでも、LPUは推論向けであり、スピードとスケール時の低コストを特徴にしています。([Groq](https://groq.com/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_54a96a4f-5186-42da-b364-2c23ea5ab6a8","kind":"paragraph","order":889,"section_id":"sec_4702fa77-c51d-4de1-a6b8-7ffad0dcbd89","character_id":null,"markdown":"LPUの思想は、GPUのように大量のスレッドを動的にさばくというより、","render_override":null},{"id":"blk_2b2528b5-6f76-41b7-9f1e-7a48e186f798","kind":"code","order":890,"section_id":"sec_4702fa77-c51d-4de1-a6b8-7ffad0dcbd89","character_id":null,"markdown":"```\nLLM推論の計算を\nあらかじめ決めたスケジュールで\n低遅延に流す\n```","render_override":null},{"id":"blk_48313978-e529-40d0-8cc3-abc0670719dd","kind":"paragraph","order":891,"section_id":"sec_4702fa77-c51d-4de1-a6b8-7ffad0dcbd89","character_id":null,"markdown":"に近いです。","render_override":null},{"id":"blk_2d504752-e5db-4d78-b254-3264c1f8522c","kind":"paragraph","order":892,"section_id":"sec_4702fa77-c51d-4de1-a6b8-7ffad0dcbd89","character_id":null,"markdown":"Groq系のLPUはよく、**決定論的実行**、**静的スケジューリング**、**コンパイラ制御**、**オンチップSRAM重視**という文脈で語られます。","render_override":null},{"id":"blk_8948c52f-1157-40a7-adee-249af507321e","kind":"paragraph","order":893,"section_id":"sec_4702fa77-c51d-4de1-a6b8-7ffad0dcbd89","character_id":null,"markdown":"この方式は、LLMのように、","render_override":null},{"id":"blk_7128fc4e-81fb-4e9f-9b08-824219b6536a","kind":"code","order":894,"section_id":"sec_4702fa77-c51d-4de1-a6b8-7ffad0dcbd89","character_id":null,"markdown":"```\nTransformer層\nAttention\nMLP\n次トークン生成\nまた次トークン生成\n```","render_override":null},{"id":"blk_d6079af4-cf6f-4b01-870c-f52284bd26aa","kind":"paragraph","order":895,"section_id":"sec_4702fa77-c51d-4de1-a6b8-7ffad0dcbd89","character_id":null,"markdown":"という比較的規則的な推論パイプラインでは強いです。","render_override":null},{"id":"blk_398c8e5d-805b-4da9-961b-b071729d3035","kind":"paragraph","order":896,"section_id":"sec_4702fa77-c51d-4de1-a6b8-7ffad0dcbd89","character_id":null,"markdown":"しかし、","render_override":null},{"id":"blk_047d3421-b6bf-4eaf-bb19-71e93b9880e4","kind":"code","order":897,"section_id":"sec_4702fa77-c51d-4de1-a6b8-7ffad0dcbd89","character_id":null,"markdown":"```\n途中で外部APIを呼ぶ\n条件によって違うツールを使う\nPythonコードを実行する\nDB検索結果によって次の処理を変える\nユーザーごとに別のワークフローを走らせる\n```","render_override":null},{"id":"blk_33e30367-e4f4-49f5-9b86-d8cbcdee3ff7","kind":"paragraph","order":898,"section_id":"sec_4702fa77-c51d-4de1-a6b8-7ffad0dcbd89","character_id":null,"markdown":"のような処理は、LPU本体よりCPU側で処理する方が自然です。","render_override":null},{"id":"blk_d7aed5cb-9090-4008-8a08-c7dce63c8e7a","kind":"paragraph","order":899,"section_id":"sec_4702fa77-c51d-4de1-a6b8-7ffad0dcbd89","character_id":null,"markdown":"つまりLPUは、**言語モデルのトークン生成ライン**には向いていますが、AIエージェント全体の不規則な制御には向きません。","render_override":null},{"id":"blk_ed2243c3-6190-4b94-bf66-f7aeec767113","kind":"thematic_break","order":900,"section_id":"sec_4702fa77-c51d-4de1-a6b8-7ffad0dcbd89","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9c54e682-a95b-4453-91f4-3cb610b5fe44","kind":"heading","order":901,"section_id":"sec_c2eb502a-5c69-4afa-bcad-6ca72b8ba58c","character_id":null,"markdown":"## \\5. なぜ専用化すると分岐に弱くなるのか","render_override":null},{"id":"blk_ac14f061-28c3-49ff-9468-5b4846e0773d","kind":"paragraph","order":902,"section_id":"sec_c2eb502a-5c69-4afa-bcad-6ca72b8ba58c","character_id":null,"markdown":"これは工学的にかなり重要です。","render_override":null},{"id":"blk_ea99d752-74a2-472f-99c0-c11f35d94447","kind":"paragraph","order":903,"section_id":"sec_c2eb502a-5c69-4afa-bcad-6ca72b8ba58c","character_id":null,"markdown":"半導体チップでは、面積・電力・発熱・設計複雑性に制約があります。 \n何かを強くするには、何かを削る必要があります。","render_override":null},{"id":"blk_d95c3be2-c66e-4320-b29a-ee3e17aa75e1","kind":"paragraph","order":904,"section_id":"sec_c2eb502a-5c69-4afa-bcad-6ca72b8ba58c","character_id":null,"markdown":"CPUは、分岐やOS処理のために、以下のような回路をたくさん持っています。","render_override":null},{"id":"blk_0dbc3480-2b87-473a-897b-0d9e9a73fd42","kind":"code","order":905,"section_id":"sec_c2eb502a-5c69-4afa-bcad-6ca72b8ba58c","character_id":null,"markdown":"```\n分岐予測器\n投機実行\nアウト・オブ・オーダー実行\n命令デコーダ\nリオーダーバッファ\n例外処理\n割り込み処理\nMMU\nキャッシュ整合性\nコンテキストスイッチ機構\n```","render_override":null},{"id":"blk_3870537d-433d-49f5-9788-e730d3f0512d","kind":"paragraph","order":906,"section_id":"sec_c2eb502a-5c69-4afa-bcad-6ca72b8ba58c","character_id":null,"markdown":"これらは、複雑な処理には強いですが、チップ面積と電力をかなり使います。","render_override":null},{"id":"blk_dae5814b-e1be-4b38-91c1-a419990be223","kind":"paragraph","order":907,"section_id":"sec_c2eb502a-5c69-4afa-bcad-6ca72b8ba58c","character_id":null,"markdown":"GPUは、それらをかなり削って、演算器を増やします。","render_override":null},{"id":"blk_f0408661-e994-4d92-adec-6e6744af7f33","kind":"paragraph","order":908,"section_id":"sec_c2eb502a-5c69-4afa-bcad-6ca72b8ba58c","character_id":null,"markdown":"TPUやLPUは、さらに削ります。","render_override":null},{"id":"blk_d4558801-9196-40f8-8836-61871e192b07","kind":"paragraph","order":909,"section_id":"sec_c2eb502a-5c69-4afa-bcad-6ca72b8ba58c","character_id":null,"markdown":"その代わりに、","render_override":null},{"id":"blk_662eb3a1-ec41-45da-b21d-c489cd1e35ca","kind":"code","order":910,"section_id":"sec_c2eb502a-5c69-4afa-bcad-6ca72b8ba58c","character_id":null,"markdown":"```\n行列演算器\nテンソル演算器\nsystolic array\nオンチップSRAM\n専用データパス\n固定パイプライン\nコンパイラ最適化\n```","render_override":null},{"id":"blk_6208af1e-fb2f-42c0-bdd6-1d280684460b","kind":"paragraph","order":911,"section_id":"sec_c2eb502a-5c69-4afa-bcad-6ca72b8ba58c","character_id":null,"markdown":"に面積を使います。","render_override":null},{"id":"blk_1969dfe1-3717-4ae3-84bb-bdc278e4812c","kind":"paragraph","order":912,"section_id":"sec_c2eb502a-5c69-4afa-bcad-6ca72b8ba58c","character_id":null,"markdown":"だから、専用アクセラレータは速いのです。 \nしかしその速さは、**想定された形の計算が来たとき**に発揮されます。","render_override":null},{"id":"blk_5e8a9929-f9a0-4bc8-883e-c9eb95db3e4e","kind":"thematic_break","order":913,"section_id":"sec_c2eb502a-5c69-4afa-bcad-6ca72b8ba58c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_fc36ecbf-ce63-47da-81b7-ce643b4fc418","kind":"heading","order":914,"section_id":"sec_f253b1a7-fa43-4f4c-86fb-da85099035ae","character_id":null,"markdown":"## \\6. TPU/LPUでは「処理の流れが乱れる」と性能が落ちる","render_override":null},{"id":"blk_60c5f382-30e3-4679-a62f-c34c5b97f305","kind":"paragraph","order":915,"section_id":"sec_f253b1a7-fa43-4f4c-86fb-da85099035ae","character_id":null,"markdown":"TPUやLPUは、データが規則的に流れると強いです。","render_override":null},{"id":"blk_37947325-056f-4a37-93a1-f9368b1220c1","kind":"code","order":916,"section_id":"sec_f253b1a7-fa43-4f4c-86fb-da85099035ae","character_id":null,"markdown":"```\n入力テンソル\n↓\n行列演算\n↓\n活性化\n↓\n行列演算\n↓\n次の層\n```","render_override":null},{"id":"blk_4cf7270e-4623-4b2a-826d-d1555dc97fa1","kind":"paragraph","order":917,"section_id":"sec_f253b1a7-fa43-4f4c-86fb-da85099035ae","character_id":null,"markdown":"このように、形の決まった処理を大量に流すなら非常に効率的です。","render_override":null},{"id":"blk_09bd6e8e-0e2a-4ba2-9c27-d6705b369676","kind":"paragraph","order":918,"section_id":"sec_f253b1a7-fa43-4f4c-86fb-da85099035ae","character_id":null,"markdown":"しかし分岐が入ると、流れが乱れます。","render_override":null},{"id":"blk_74f498fe-0506-4eb5-afff-08cfb6229848","kind":"code","order":919,"section_id":"sec_f253b1a7-fa43-4f4c-86fb-da85099035ae","character_id":null,"markdown":"```\n入力Aは処理1へ\n入力Bは処理2へ\n入力Cは外部ツールへ\n入力Dは待機\n入力Eは再試行\n```","render_override":null},{"id":"blk_9fca497a-c668-43f1-91d9-6cef3a75659e","kind":"paragraph","order":920,"section_id":"sec_f253b1a7-fa43-4f4c-86fb-da85099035ae","character_id":null,"markdown":"こうなると、専用パイプラインが空きやすくなります。","render_override":null},{"id":"blk_1498db00-ab91-40d1-9d6d-894116126012","kind":"paragraph","order":921,"section_id":"sec_f253b1a7-fa43-4f4c-86fb-da85099035ae","character_id":null,"markdown":"これは工場で言うと、","render_override":null},{"id":"blk_62af2e91-0a28-4f0c-a9bb-884f39b95321","kind":"code","order":922,"section_id":"sec_f253b1a7-fa43-4f4c-86fb-da85099035ae","character_id":null,"markdown":"```\n全員が同じ商品を作る → 専用ラインがフル稼働\n商品ごとに工程が違う → ラインの一部が止まる\n```","render_override":null},{"id":"blk_3b2cc3f4-3b93-401d-9416-329ab167d948","kind":"paragraph","order":923,"section_id":"sec_f253b1a7-fa43-4f4c-86fb-da85099035ae","character_id":null,"markdown":"という違いです。","render_override":null},{"id":"blk_d73ecb20-d54f-45ef-bd31-3849ec3ca72c","kind":"thematic_break","order":924,"section_id":"sec_f253b1a7-fa43-4f4c-86fb-da85099035ae","character_id":null,"markdown":"---","render_override":null},{"id":"blk_6367302b-09e1-4d06-a1f1-fa3505ec5236","kind":"heading","order":925,"section_id":"sec_14f77511-f485-4c1a-a2eb-1fa31f400343","character_id":null,"markdown":"## \\7. TPU/LPUが苦手なのは「AIの思考」ではなく「AIの行動管理」","render_override":null},{"id":"blk_56651c43-3c8c-4b11-8bac-a48092779a91","kind":"paragraph","order":926,"section_id":"sec_14f77511-f485-4c1a-a2eb-1fa31f400343","character_id":null,"markdown":"ここは誤解しやすいです。","render_override":null},{"id":"blk_78fabec6-1e2e-4b3e-b5ac-10c95863181d","kind":"paragraph","order":927,"section_id":"sec_14f77511-f485-4c1a-a2eb-1fa31f400343","character_id":null,"markdown":"TPUやLPUが苦手なのは、AIモデルの推論そのものではありません。 \nむしろ、そこには非常に強いです。","render_override":null},{"id":"blk_32ad4ed7-3a53-4dd4-a5c3-e53606db80a0","kind":"paragraph","order":928,"section_id":"sec_14f77511-f485-4c1a-a2eb-1fa31f400343","character_id":null,"markdown":"TPUは、大規模なテンソル計算、学習、推論に強い。 \nLPUは、LLMの低遅延推論、特にトークン生成に強い。","render_override":null},{"id":"blk_8f934f95-f12a-4145-8895-82493f9b0371","kind":"paragraph","order":929,"section_id":"sec_14f77511-f485-4c1a-a2eb-1fa31f400343","character_id":null,"markdown":"苦手なのは、その外側です。","render_override":null},{"id":"blk_88b990fa-a3ca-472a-8261-6bb521555f5f","kind":"code","order":930,"section_id":"sec_14f77511-f485-4c1a-a2eb-1fa31f400343","character_id":null,"markdown":"```\nツールを選ぶ\nAPIを呼ぶ\nDBを検索する\n結果に応じて処理を変える\nユーザー権限を確認する\nファイルを読み書きする\nネットワーク応答を待つ\n複数タスクを管理する\n```","render_override":null},{"id":"blk_7a79ee87-eeda-40f6-9466-91324b14848a","kind":"paragraph","order":931,"section_id":"sec_14f77511-f485-4c1a-a2eb-1fa31f400343","character_id":null,"markdown":"これはCPUの領域です。","render_override":null},{"id":"blk_ccbb2ca7-3764-453a-a58a-19f5af24c9e7","kind":"paragraph","order":932,"section_id":"sec_14f77511-f485-4c1a-a2eb-1fa31f400343","character_id":null,"markdown":"だからAIエージェント時代の構成は、","render_override":null},{"id":"blk_9d69e0a9-e937-4863-a07c-3d67c92eafe0","kind":"code","order":933,"section_id":"sec_14f77511-f485-4c1a-a2eb-1fa31f400343","character_id":null,"markdown":"```\nCPU：行動管理・OS・I/O・ツール・分岐\nGPU/TPU/LPU：モデル本体の推論\n```","render_override":null},{"id":"blk_1300d014-66d9-42b9-ae4b-4235e7b08c76","kind":"paragraph","order":934,"section_id":"sec_14f77511-f485-4c1a-a2eb-1fa31f400343","character_id":null,"markdown":"になります。","render_override":null},{"id":"blk_55b5413b-5a29-4206-8f8e-751ed670957d","kind":"thematic_break","order":935,"section_id":"sec_14f77511-f485-4c1a-a2eb-1fa31f400343","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c741a211-8b12-49c3-9460-ee474e85f773","kind":"heading","order":936,"section_id":"sec_795a1ff9-4689-411b-9af6-f95758dabcd2","character_id":null,"markdown":"## \\8. 4種類を分岐処理で比較すると","render_override":null},{"id":"blk_86dd6dd5-a58f-4bed-bfa6-01eec44b28e9","kind":"figure","order":937,"section_id":"sec_795a1ff9-4689-411b-9af6-f95758dabcd2","character_id":null,"markdown":"![](/media/1c1e6e57cee322ee2bc3001ab4de4a31ed1c0e4e23659d3225daecdc596451d8-content.webp)","render_override":null},{"id":"blk_1fe26465-f5e9-4590-b732-1391f4074881","kind":"thematic_break","order":938,"section_id":"sec_795a1ff9-4689-411b-9af6-f95758dabcd2","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d9bf6b2d-55cc-4d99-9da3-e9049c3a7c15","kind":"heading","order":939,"section_id":"sec_b7f4dd44-a8b3-4712-bdbb-35e0a62c5013","character_id":null,"markdown":"## \\9. たとえで言うと","render_override":null},{"id":"blk_be683cf2-2193-43bf-8bf5-8eef6badf6c6","kind":"heading","order":940,"section_id":"sec_dccdbb2a-4562-40e0-9eb5-a5ddb8030467","character_id":null,"markdown":"## CPU","render_override":null},{"id":"blk_5dfa273c-eac9-4052-93d1-4582750aadac","kind":"paragraph","order":941,"section_id":"sec_dccdbb2a-4562-40e0-9eb5-a5ddb8030467","character_id":null,"markdown":"町の総合病院です。","render_override":null},{"id":"blk_137ea9b1-ff8c-4fb6-8a63-c4a742a7fa50","kind":"code","order":942,"section_id":"sec_dccdbb2a-4562-40e0-9eb5-a5ddb8030467","character_id":null,"markdown":"```\n救急\n内科\n外科\n検査\n会計\n受付\n入院\n紹介状\n緊急対応\n```","render_override":null},{"id":"blk_5defa77a-4377-4a11-9e7d-512a1eea59b8","kind":"paragraph","order":943,"section_id":"sec_dccdbb2a-4562-40e0-9eb5-a5ddb8030467","character_id":null,"markdown":"何が来ても対応できます。 \nただし、大量の同じ検査を一気にやる効率は専用工場に負けます。","render_override":null},{"id":"blk_2b295595-0775-4eda-9df5-49cd380a0db5","kind":"heading","order":944,"section_id":"sec_d6894a9b-cca5-4d8e-9896-e12e15604357","character_id":null,"markdown":"## GPU","render_override":null},{"id":"blk_1ca6ca0e-60d7-4478-8b2e-d6e10e417e3d","kind":"paragraph","order":945,"section_id":"sec_d6894a9b-cca5-4d8e-9896-e12e15604357","character_id":null,"markdown":"大きな検査センターです。","render_override":null},{"id":"blk_5c6d2aad-126f-4abd-aa27-9dea50485e4c","kind":"paragraph","order":946,"section_id":"sec_d6894a9b-cca5-4d8e-9896-e12e15604357","character_id":null,"markdown":"同じ種類の検査を大量に回せます。 \nただし、患者ごとに対応が細かく変わると効率が落ちます。","render_override":null},{"id":"blk_0606a017-d906-450d-b345-8ec8c1254cd2","kind":"heading","order":947,"section_id":"sec_e0b76ee7-924a-4fc0-974d-c78d45ed174e","character_id":null,"markdown":"## TPU","render_override":null},{"id":"blk_bb25babe-5de3-4bde-8410-a22a2ae0e3a8","kind":"paragraph","order":948,"section_id":"sec_e0b76ee7-924a-4fc0-974d-c78d45ed174e","character_id":null,"markdown":"血液検査だけに特化した巨大自動ラインです。","render_override":null},{"id":"blk_4c55a392-a865-45b1-b715-41830e326454","kind":"paragraph","order":949,"section_id":"sec_e0b76ee7-924a-4fc0-974d-c78d45ed174e","character_id":null,"markdown":"血液検査なら圧倒的に速い。 \nでも、途中で外科手術や問診や救急対応を任せるのは向いていません。","render_override":null},{"id":"blk_43177721-ffb8-487c-9ea1-0eff16278946","kind":"heading","order":950,"section_id":"sec_324eeb51-92c9-43c1-be69-316acef636db","character_id":null,"markdown":"## LPU","render_override":null},{"id":"blk_fccde7cc-7465-4583-90d8-13b264f86067","kind":"paragraph","order":951,"section_id":"sec_324eeb51-92c9-43c1-be69-316acef636db","character_id":null,"markdown":"問診文章の自動生成に特化した超高速ラインです。","render_override":null},{"id":"blk_8d7c74b9-6c2a-4b2c-a3db-7650d576ff21","kind":"paragraph","order":952,"section_id":"sec_324eeb51-92c9-43c1-be69-316acef636db","character_id":null,"markdown":"「次の言葉を出す」なら非常に速い。 \nでも、病院全体の運営や患者ごとの複雑な判断はCPU側が必要です。","render_override":null},{"id":"blk_aa7a0667-59c1-4b26-9e0a-f8d95f5a4235","kind":"thematic_break","order":953,"section_id":"sec_324eeb51-92c9-43c1-be69-316acef636db","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1ec5c8e2-0fc8-4ead-b25f-7d0dfc9d569a","kind":"heading","order":954,"section_id":"sec_8a97483f-1163-43f1-a68a-c680a2c1bddf","character_id":null,"markdown":"## まとめ","render_override":null},{"id":"blk_612cfc15-e745-40eb-9ac3-1ca0ecbbf5cd","kind":"paragraph","order":955,"section_id":"sec_8a97483f-1163-43f1-a68a-c680a2c1bddf","character_id":null,"markdown":"TPUやLPUでGPU以上に分岐処理が難しくなりやすい理由は、**GPUよりさらに専用化されているから**です。","render_override":null},{"id":"blk_b8b3b7fa-e344-4965-ba89-3c40ea59086c","kind":"paragraph","order":956,"section_id":"sec_8a97483f-1163-43f1-a68a-c680a2c1bddf","character_id":null,"markdown":"GPUは大量並列計算向けですが、それでもwarp、スケジューラ、マスク実行などで分岐にある程度対応できます。","render_override":null},{"id":"blk_c037b0f6-efe8-40c6-9207-26b67a3b1f15","kind":"paragraph","order":957,"section_id":"sec_8a97483f-1163-43f1-a68a-c680a2c1bddf","character_id":null,"markdown":"一方TPUは、systolic arrayを中心に行列演算を規則的に流す設計です。 \nLPUは、LLM推論を低遅延・決定論的に流す設計に寄っています。","render_override":null},{"id":"blk_24702bab-8267-4e92-b5ce-8431023eceb9","kind":"paragraph","order":958,"section_id":"sec_8a97483f-1163-43f1-a68a-c680a2c1bddf","character_id":null,"markdown":"そのため、","render_override":null},{"id":"blk_032964e0-dcf9-4d32-b21f-20f155b91cd9","kind":"code","order":959,"section_id":"sec_8a97483f-1163-43f1-a68a-c680a2c1bddf","character_id":null,"markdown":"```\n規則的なテンソル計算 → TPU/LPU/GPUが強い\n不規則な分岐・I/O・ツール実行 → CPUが強い\n```","render_override":null},{"id":"blk_14dc1b98-3dda-459c-83a3-6dbd01b12e57","kind":"paragraph","order":960,"section_id":"sec_8a97483f-1163-43f1-a68a-c680a2c1bddf","character_id":null,"markdown":"という役割分担になります。","render_override":null},{"id":"blk_e9057a57-0b3c-4d02-829d-40d9a448247b","kind":"paragraph","order":961,"section_id":"sec_8a97483f-1163-43f1-a68a-c680a2c1bddf","character_id":null,"markdown":"AIエージェント時代にCPU需要が高まる理由はまさにここです。 \nモデル本体の計算はGPU/TPU/LPUで速くできても、**AIが外部世界を操作し、条件に応じて行動を変え、ツールを呼び、データを探し、結果を判断する部分はCPU的な処理だから**です。","render_override":null},{"id":"blk_16ca2c8d-20c8-4580-9740-23202e79045a","kind":"thematic_break","order":962,"section_id":"sec_8a97483f-1163-43f1-a68a-c680a2c1bddf","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f4705d2f-0835-4c0b-8c9d-1150d7c5aa0c","kind":"paragraph","order":963,"section_id":"sec_8a97483f-1163-43f1-a68a-c680a2c1bddf","character_id":null,"markdown":"はい。 \nこの時代、つまり **AIエージェント化・推論爆増・リアルタイムAI化** の時代では、GPU、TPU、LPUの優位性はかなり分かれてきます。","render_override":null},{"id":"blk_e82c4281-493b-4ff5-b176-f441988222f4","kind":"paragraph","order":964,"section_id":"sec_8a97483f-1163-43f1-a68a-c680a2c1bddf","character_id":null,"markdown":"結論から言うと、","render_override":null},{"id":"blk_6639668b-70de-4400-928a-3823ef7e5337","kind":"paragraph","order":965,"section_id":"sec_8a97483f-1163-43f1-a68a-c680a2c1bddf","character_id":null,"markdown":"**GPU = 最も汎用的なAI工場** \n**TPU = Google型の巨大テンソル専用工場** \n**LPU = 低遅延LLM推論の高速ベルトコンベア**","render_override":null},{"id":"blk_4c7138f7-1d54-4d7f-8d67-70a31c497eea","kind":"paragraph","order":966,"section_id":"sec_8a97483f-1163-43f1-a68a-c680a2c1bddf","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_cc1abc6b-8ac7-45fd-96b4-d7b66b9ffc8a","kind":"thematic_break","order":967,"section_id":"sec_8a97483f-1163-43f1-a68a-c680a2c1bddf","character_id":null,"markdown":"---","render_override":null},{"id":"blk_280472d4-4bbe-4522-abc5-e07dc4447a89","kind":"heading","order":968,"section_id":"sec_55c5d158-454c-4c82-9363-c6692f4091e9","character_id":null,"markdown":"## この時代におけるGPUの優位性とTPU/LPUの優位性","render_override":null},{"id":"blk_014516df-2990-4951-a221-e5cf298c5b11","kind":"heading","order":969,"section_id":"sec_37921479-9d10-4e6b-a7e0-f409ca5e4390","character_id":null,"markdown":"## \\1. まずGPUの優位性","render_override":null},{"id":"blk_e1fc3ab6-5fe4-4437-9098-5383be39658b","kind":"paragraph","order":970,"section_id":"sec_37921479-9d10-4e6b-a7e0-f409ca5e4390","character_id":null,"markdown":"GPUの最大の優位性は、**汎用性とエコシステム**です。","render_override":null},{"id":"blk_24e645bf-1caf-43e2-a8ec-3520b3c523d9","kind":"paragraph","order":971,"section_id":"sec_37921479-9d10-4e6b-a7e0-f409ca5e4390","character_id":null,"markdown":"GPUは、もともと大量並列計算に強い装置ですが、現在のNVIDIA GPUはTensor Core、HBM、NVLink、CUDA、TensorRT、cuDNN、NCCL、Triton、PyTorch対応などを含む巨大なソフトウェア・ハードウェア基盤になっています。NVIDIAはTensor Coreについて、学習から推論、HPCまで幅広いAIワークロードを加速する中核部品として説明しています。([NVIDIA](https://www.nvidia.com/en-us/data-center/tensor-cores/))","render_override":null},{"id":"blk_2816f4f0-b10a-4a81-98fb-3fff35c43843","kind":"paragraph","order":972,"section_id":"sec_37921479-9d10-4e6b-a7e0-f409ca5e4390","character_id":null,"markdown":"GPUの強さは、単に「行列演算が速い」だけではありません。","render_override":null},{"id":"blk_18171699-0945-44d3-a152-3e7054afe33b","kind":"heading","order":973,"section_id":"sec_0767bc13-5b38-45b6-b6e9-107756cc5499","character_id":null,"markdown":"## GPUが強い理由","render_override":null},{"id":"blk_e02e0e3e-aacb-4da5-9367-3226f7c28512","kind":"heading","order":974,"section_id":"sec_37862236-9acb-43b9-a9e5-b7a32d79825b","character_id":null,"markdown":"### \\1. 学習にも推論にも使える","render_override":null},{"id":"blk_cbc94266-c7d8-42e0-94c0-fabfc098e166","kind":"paragraph","order":975,"section_id":"sec_37862236-9acb-43b9-a9e5-b7a32d79825b","character_id":null,"markdown":"GPUは、大規模学習、大規模推論、画像生成、動画生成、音声生成、科学計算、ロボティクス、シミュレーションまで広く使えます。","render_override":null},{"id":"blk_496883b1-1db0-4666-aa02-812a2144ad78","kind":"paragraph","order":976,"section_id":"sec_37862236-9acb-43b9-a9e5-b7a32d79825b","character_id":null,"markdown":"TPUやLPUは用途が狭い。 \nGPUは広い。","render_override":null},{"id":"blk_a9a17918-2532-4180-96de-3adad4cffe8b","kind":"paragraph","order":977,"section_id":"sec_37862236-9acb-43b9-a9e5-b7a32d79825b","character_id":null,"markdown":"これは非常に大きいです。","render_override":null},{"id":"blk_51e719e1-f572-4d0b-9634-2e5b22e30456","kind":"paragraph","order":978,"section_id":"sec_37862236-9acb-43b9-a9e5-b7a32d79825b","character_id":null,"markdown":"AIのモデル構造は急速に変わります。","render_override":null},{"id":"blk_8afcc4e6-71c5-4ef6-8d1f-7bf8dd92436b","kind":"code","order":979,"section_id":"sec_37862236-9acb-43b9-a9e5-b7a32d79825b","character_id":null,"markdown":"```\nTransformer\nMoE\nDiffusion\nState Space Model\nMultimodal model\nReasoning model\nAgentic model\nRobotics foundation model\n```","render_override":null},{"id":"blk_a01bb8c0-30b2-4099-ac68-80b04f0c7fa0","kind":"paragraph","order":980,"section_id":"sec_37862236-9acb-43b9-a9e5-b7a32d79825b","character_id":null,"markdown":"こうした変化に最も追従しやすいのがGPUです。","render_override":null},{"id":"blk_cb3a0eb7-6642-4e26-ac68-ea721a701f6f","kind":"thematic_break","order":981,"section_id":"sec_37862236-9acb-43b9-a9e5-b7a32d79825b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1ec7afbc-5e84-4f31-adb9-23e7b021baae","kind":"heading","order":982,"section_id":"sec_14bd8876-3457-4ec4-9a08-ed134e3afa59","character_id":null,"markdown":"### \\2. ソフトウェア資産が圧倒的","render_override":null},{"id":"blk_0e49c528-7b0a-4939-874a-b9d5fdbcf53e","kind":"paragraph","order":983,"section_id":"sec_14bd8876-3457-4ec4-9a08-ed134e3afa59","character_id":null,"markdown":"AI研究者・企業・クラウド・OSSの多くが、まずGPUで動くようにモデルを作ります。","render_override":null},{"id":"blk_542a4c9e-af89-4452-a1fc-cf74ae009eaa","kind":"paragraph","order":984,"section_id":"sec_14bd8876-3457-4ec4-9a08-ed134e3afa59","character_id":null,"markdown":"CUDA、PyTorch、TensorRT-LLM、NCCL、Tritonなどの蓄積があるため、新しいモデルが出ても、まずGPUで最適化されやすい。","render_override":null},{"id":"blk_161fe966-0687-47a9-b01c-3ded1af4f4fb","kind":"paragraph","order":985,"section_id":"sec_14bd8876-3457-4ec4-9a08-ed134e3afa59","character_id":null,"markdown":"これは半導体そのもの以上に重要です。","render_override":null},{"id":"blk_7c180376-fcdc-4671-8dc7-445fd213bbbd","kind":"paragraph","order":986,"section_id":"sec_14bd8876-3457-4ec4-9a08-ed134e3afa59","character_id":null,"markdown":"**GPUの優位性は、チップ単体ではなく「GPUを中心にしたAI開発文明」そのもの**です。","render_override":null},{"id":"blk_b0345c1a-c0ed-4525-b32e-ff4691f4b949","kind":"thematic_break","order":987,"section_id":"sec_14bd8876-3457-4ec4-9a08-ed134e3afa59","character_id":null,"markdown":"---","render_override":null},{"id":"blk_973689c7-cbe4-4cab-a341-c92b6652751d","kind":"heading","order":988,"section_id":"sec_adf52b26-6132-43c0-8c99-5e891c018baf","character_id":null,"markdown":"### \\3. 大規模モデルを束ねる能力が高い","render_override":null},{"id":"blk_75c15ea2-05d5-4093-b22b-02724194f719","kind":"paragraph","order":989,"section_id":"sec_adf52b26-6132-43c0-8c99-5e891c018baf","character_id":null,"markdown":"大規模AIでは、1枚のチップでは足りません。 \n何十枚、何百枚、何千枚、何万枚のアクセラレータを束ねる必要があります。","render_override":null},{"id":"blk_f95bacf6-0e67-4548-85eb-1fee466c661b","kind":"paragraph","order":990,"section_id":"sec_adf52b26-6132-43c0-8c99-5e891c018baf","character_id":null,"markdown":"NVIDIAのGB200 NVL72は、36個のGrace CPUと72個のBlackwell GPUを1ラックに収め、72 GPUのNVLinkドメインを1つの巨大GPUのように扱う設計です。NVIDIAは、GB200 NVL72がH100比でリアルタイムLLM推論30倍、LLM学習4倍、エネルギー効率25倍を掲げています。([NVIDIA](https://www.nvidia.com/en-us/data-center/gb200-nvl72/))","render_override":null},{"id":"blk_b7c69721-2688-44f7-a679-9de8f9fccdef","kind":"paragraph","order":991,"section_id":"sec_adf52b26-6132-43c0-8c99-5e891c018baf","character_id":null,"markdown":"つまりGPUの優位性は、","render_override":null},{"id":"blk_dee6c280-d285-467e-8875-f181ef3c2b71","kind":"code","order":992,"section_id":"sec_adf52b26-6132-43c0-8c99-5e891c018baf","character_id":null,"markdown":"```\nGPU単体の性能\n+\nNVLink\n+\nネットワーク\n+\nCPU連携\n+\nソフトウェア\n+\nラックスケール設計\n```","render_override":null},{"id":"blk_28ffb4fc-9d0d-47d0-9195-1baa14e05520","kind":"paragraph","order":993,"section_id":"sec_adf52b26-6132-43c0-8c99-5e891c018baf","character_id":null,"markdown":"まで含めた総合力です。","render_override":null},{"id":"blk_6dd0757b-6dbe-48b1-97ed-737353fba2dc","kind":"thematic_break","order":994,"section_id":"sec_adf52b26-6132-43c0-8c99-5e891c018baf","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2d7c7aa7-b6fd-4200-aae9-d02bb53519ec","kind":"heading","order":995,"section_id":"sec_c4d6d78c-8171-4c06-9259-80a17c5190ec","character_id":null,"markdown":"### \\4. 分岐・不規則処理への耐性がTPU/LPUより高い","render_override":null},{"id":"blk_3ec8b991-7a83-4c23-b548-dc4d1769b3e6","kind":"paragraph","order":996,"section_id":"sec_c4d6d78c-8171-4c06-9259-80a17c5190ec","character_id":null,"markdown":"GPUも分岐は苦手ですが、TPUやLPUよりはまだ柔軟です。","render_override":null},{"id":"blk_7347ab30-98d0-4104-a301-62a161641f5f","kind":"paragraph","order":997,"section_id":"sec_c4d6d78c-8171-4c06-9259-80a17c5190ec","character_id":null,"markdown":"AIエージェント時代には、推論が単純な行列演算だけではなくなります。","render_override":null},{"id":"blk_df603698-2e09-4544-9a26-090b4aaccee5","kind":"code","order":998,"section_id":"sec_c4d6d78c-8171-4c06-9259-80a17c5190ec","character_id":null,"markdown":"```\n長文入力\nRAG\n検索\nツール呼び出し\nマルチモーダル\nMoEルーティング\n推論ステップの変化\n動的バッチング\nKV cache管理\n```","render_override":null},{"id":"blk_a470464b-a1da-4197-a7ac-366310a49704","kind":"paragraph","order":999,"section_id":"sec_c4d6d78c-8171-4c06-9259-80a17c5190ec","character_id":null,"markdown":"こうした複雑さが増えると、完全専用型のTPU/LPUより、GPUの柔軟性が効きやすい。","render_override":null},{"id":"blk_000d500d-cc40-493b-a79b-e4378fe7df4a","kind":"thematic_break","order":1000,"section_id":"sec_c4d6d78c-8171-4c06-9259-80a17c5190ec","character_id":null,"markdown":"---","render_override":null},{"id":"blk_555c27fa-0fd1-4422-8906-b53fe56c3076","kind":"heading","order":1001,"section_id":"sec_e00fcee2-2793-4a33-a30b-6a1fbe8612a9","character_id":null,"markdown":"## GPUが最も強い領域","render_override":null},{"id":"blk_b064861f-ae98-476c-be99-e5908c4f02bc","kind":"figure","order":1002,"section_id":"sec_e00fcee2-2793-4a33-a30b-6a1fbe8612a9","character_id":null,"markdown":"![](/media/688c6acf767727c8a47036ff7fa1cdc0fb97a6eeff9d9205e381867e67ae0c73-content.webp)","render_override":null},{"id":"blk_c58aa657-fada-4887-8c70-6541426be4a4","kind":"paragraph","order":1003,"section_id":"sec_e00fcee2-2793-4a33-a30b-6a1fbe8612a9","character_id":null,"markdown":"つまりGPUは、**AI時代の汎用工作機械**です。","render_override":null},{"id":"blk_85dc3f2f-71f1-4ff5-bc68-b58b95f6c867","kind":"thematic_break","order":1004,"section_id":"sec_e00fcee2-2793-4a33-a30b-6a1fbe8612a9","character_id":null,"markdown":"---","render_override":null},{"id":"blk_0f3f7516-5c8a-4589-aeb7-af906a4b1cb5","kind":"heading","order":1005,"section_id":"sec_fae7dcfd-2c71-47a9-a347-fcf900d7a3c1","character_id":null,"markdown":"## \\2. TPUの優位性","render_override":null},{"id":"blk_0b28d6b4-56f8-4d8a-b8cc-38bd29b88271","kind":"paragraph","order":1006,"section_id":"sec_fae7dcfd-2c71-47a9-a347-fcf900d7a3c1","character_id":null,"markdown":"TPUは、Googleが作った **Tensor Processing Unit** です。 \nGPUよりもさらに機械学習の行列演算に特化したASICです。","render_override":null},{"id":"blk_f8a49ce4-879c-4f4a-8ecb-26931a8442db","kind":"paragraph","order":1007,"section_id":"sec_fae7dcfd-2c71-47a9-a347-fcf900d7a3c1","character_id":null,"markdown":"TPUの中心は **systolic array** です。Google Cloudの説明では、TPUは機械学習向けのASICであり、行列演算を高速に行うため、multiply-accumulateを行う多数の演算器が物理的な行列として接続されています。TPU v3では128×128 ALUのsystolic arrayを2つ持つ構成と説明されています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/system-architecture-tpu-vm?utm_source=chatgpt.com))","render_override":null},{"id":"blk_f4e47dcc-32f0-429f-82d8-f92132cdef52","kind":"paragraph","order":1008,"section_id":"sec_fae7dcfd-2c71-47a9-a347-fcf900d7a3c1","character_id":null,"markdown":"TPUの優位性は、**決まった形の巨大なテンソル計算を、効率よく大量に流すこと**です。","render_override":null},{"id":"blk_a2b33148-05ec-40f8-95ee-dd27de624501","kind":"thematic_break","order":1009,"section_id":"sec_fae7dcfd-2c71-47a9-a347-fcf900d7a3c1","character_id":null,"markdown":"---","render_override":null},{"id":"blk_99dced94-57e9-49e1-b1df-dbddf3d73df7","kind":"heading","order":1010,"section_id":"sec_eb8b000b-6997-4b4e-84b0-2200f9838ea8","character_id":null,"markdown":"## TPUが強い理由","render_override":null},{"id":"blk_d13964f7-e040-4ae8-8cf9-e8e8575590f8","kind":"heading","order":1011,"section_id":"sec_9b77e502-158a-49ee-8cba-ee17adb1a5e1","character_id":null,"markdown":"### \\1. 行列演算に特化している","render_override":null},{"id":"blk_a4f7db20-b377-40a5-a2b1-10a24a15c4dd","kind":"paragraph","order":1012,"section_id":"sec_9b77e502-158a-49ee-8cba-ee17adb1a5e1","character_id":null,"markdown":"GPUは汎用並列プロセッサです。 \nTPUはより専用の行列プロセッサです。","render_override":null},{"id":"blk_f01922cc-b709-464e-98ce-fb254d659fd0","kind":"paragraph","order":1013,"section_id":"sec_9b77e502-158a-49ee-8cba-ee17adb1a5e1","character_id":null,"markdown":"TPUは、","render_override":null},{"id":"blk_d8e25e06-e70a-4976-a2a2-ff7a112f3e57","kind":"code","order":1014,"section_id":"sec_9b77e502-158a-49ee-8cba-ee17adb1a5e1","character_id":null,"markdown":"```\n巨大な行列積\nTransformerのMLP\nAttention\n畳み込み\nランキング/推薦モデル\n大規模バッチ学習\n```","render_override":null},{"id":"blk_42110ece-3eeb-4956-8a32-d2f7067fadae","kind":"paragraph","order":1015,"section_id":"sec_9b77e502-158a-49ee-8cba-ee17adb1a5e1","character_id":null,"markdown":"のような処理が中心なら非常に強い。","render_override":null},{"id":"blk_2219c8fe-2e37-4ff0-92b0-8c5c0e2cb5ad","kind":"paragraph","order":1016,"section_id":"sec_9b77e502-158a-49ee-8cba-ee17adb1a5e1","character_id":null,"markdown":"Google Cloudも、TPUは行列計算が支配的なモデル、大きな有効バッチサイズ、長期間の学習、大規模モデル、超大規模embeddingを持つ推薦モデルなどに向くと説明しています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/intro-to-tpu?utm_source=chatgpt.com))","render_override":null},{"id":"blk_aa3e46e3-8664-4cfc-b710-f5b6bb103ed6","kind":"thematic_break","order":1017,"section_id":"sec_9b77e502-158a-49ee-8cba-ee17adb1a5e1","character_id":null,"markdown":"---","render_override":null},{"id":"blk_e212121d-1573-4067-96df-884c0ab404bb","kind":"heading","order":1018,"section_id":"sec_7cd63e1e-2677-4d19-b9fd-b90537704e22","character_id":null,"markdown":"### \\2. 電力効率・コスト効率を出しやすい","render_override":null},{"id":"blk_17b76a78-841b-4ab2-af78-a3324a7b262f","kind":"paragraph","order":1019,"section_id":"sec_7cd63e1e-2677-4d19-b9fd-b90537704e22","character_id":null,"markdown":"専用化すると、無駄な回路を削れます。","render_override":null},{"id":"blk_8ad3341b-6496-45f5-8733-6b9faf65fba0","kind":"paragraph","order":1020,"section_id":"sec_7cd63e1e-2677-4d19-b9fd-b90537704e22","character_id":null,"markdown":"CPUのような分岐予測や複雑な命令制御、GPUのような幅広い汎用性をある程度削り、その分を行列演算・HBM・データフローに振る。","render_override":null},{"id":"blk_afe231d5-0aff-436f-8992-e47cdc9b70bf","kind":"paragraph","order":1021,"section_id":"sec_7cd63e1e-2677-4d19-b9fd-b90537704e22","character_id":null,"markdown":"そのため、**同じようなテンソル計算を大量に回すなら、GPUより効率がよくなる場面がある**。","render_override":null},{"id":"blk_4b1384ae-2c87-401c-984f-c06d8d2148cb","kind":"paragraph","order":1022,"section_id":"sec_7cd63e1e-2677-4d19-b9fd-b90537704e22","character_id":null,"markdown":"特にGoogle内部のように、","render_override":null},{"id":"blk_4a3e7e0b-f796-46b1-b653-ce868f592dcb","kind":"code","order":1023,"section_id":"sec_7cd63e1e-2677-4d19-b9fd-b90537704e22","character_id":null,"markdown":"```\nモデル設計\nコンパイラ\nデータセンター\nネットワーク\n運用\nフレームワーク\n```","render_override":null},{"id":"blk_c2191714-a88a-41e7-bbb7-0d46818f01d3","kind":"paragraph","order":1024,"section_id":"sec_7cd63e1e-2677-4d19-b9fd-b90537704e22","character_id":null,"markdown":"を垂直統合できる環境では、TPUは非常に強いです。","render_override":null},{"id":"blk_53f742d1-1bf7-4f49-a85f-370e214268ea","kind":"thematic_break","order":1025,"section_id":"sec_7cd63e1e-2677-4d19-b9fd-b90537704e22","character_id":null,"markdown":"---","render_override":null},{"id":"blk_43e20335-2c40-459f-ae3e-cb80c9f04998","kind":"heading","order":1026,"section_id":"sec_652ee95e-1b6c-4ff4-9e88-79a69a291e7e","character_id":null,"markdown":"### \\3. GoogleのAI基盤と一体化している","render_override":null},{"id":"blk_f2289e38-064b-46d3-b4c5-4904fab8bb1c","kind":"paragraph","order":1027,"section_id":"sec_652ee95e-1b6c-4ff4-9e88-79a69a291e7e","character_id":null,"markdown":"TPUは単体チップというより、Googleの巨大AI基盤の一部です。","render_override":null},{"id":"blk_cd6089e1-96e0-4834-bc0a-dca80b391f0c","kind":"paragraph","order":1028,"section_id":"sec_652ee95e-1b6c-4ff4-9e88-79a69a291e7e","character_id":null,"markdown":"Google CloudではTPUをスライスやPodとして束ね、大規模学習や推論に使えます。またXLAコンパイラがMLフレームワークから出たグラフをTPU用機械語へコンパイルし、プログラムの残りはTPUホストマシン上で動きます。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/intro-to-tpu?utm_source=chatgpt.com))","render_override":null},{"id":"blk_aba78a85-e979-4d21-9f61-c2e5c82fc0a9","kind":"paragraph","order":1029,"section_id":"sec_652ee95e-1b6c-4ff4-9e88-79a69a291e7e","character_id":null,"markdown":"つまりTPUは、","render_override":null},{"id":"blk_3dcc6cf7-ce72-4b7b-838f-93002751a7a6","kind":"paragraph","order":1030,"section_id":"sec_652ee95e-1b6c-4ff4-9e88-79a69a291e7e","character_id":null,"markdown":"**Googleのクラウド、Gemini、検索、広告、推薦、YouTube、JAX/XLA文化**","render_override":null},{"id":"blk_81116b3e-7517-4b43-b73b-fa57e9570014","kind":"paragraph","order":1031,"section_id":"sec_652ee95e-1b6c-4ff4-9e88-79a69a291e7e","character_id":null,"markdown":"と相性が良い。","render_override":null},{"id":"blk_2fd56bb8-1861-438d-bf87-8d3a4030d121","kind":"paragraph","order":1032,"section_id":"sec_652ee95e-1b6c-4ff4-9e88-79a69a291e7e","character_id":null,"markdown":"これはNVIDIA GPUとは別の強さです。","render_override":null},{"id":"blk_46524fa6-2c1e-4178-8ce5-b65ef38a82fe","kind":"thematic_break","order":1033,"section_id":"sec_652ee95e-1b6c-4ff4-9e88-79a69a291e7e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1eda6af9-04c7-4243-b964-c2bbd992e068","kind":"heading","order":1034,"section_id":"sec_e0a4ab40-6d88-4200-8cd9-9bea3c8374ca","character_id":null,"markdown":"## TPUの弱点","render_override":null},{"id":"blk_d3285721-a02a-4158-98d2-c517191b0588","kind":"paragraph","order":1035,"section_id":"sec_e0a4ab40-6d88-4200-8cd9-9bea3c8374ca","character_id":null,"markdown":"ただしTPUは、GPUより柔軟性が低いです。","render_override":null},{"id":"blk_12a8fa55-cb7c-4067-ba71-6fa86c215ef5","kind":"paragraph","order":1036,"section_id":"sec_e0a4ab40-6d88-4200-8cd9-9bea3c8374ca","character_id":null,"markdown":"Google Cloudの資料でも、TPUは頻繁な分岐を含む線形代数プログラム、動的shapeのテンソル、main training loopにカスタム演算を含むニューラルネットワークには向かないと説明されています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/intro-to-tpu?utm_source=chatgpt.com))","render_override":null},{"id":"blk_2964c9ae-ef50-426b-ba2c-edcf00e7bc35","kind":"paragraph","order":1037,"section_id":"sec_e0a4ab40-6d88-4200-8cd9-9bea3c8374ca","character_id":null,"markdown":"つまりTPUは、","render_override":null},{"id":"blk_78ab62cf-1355-47f1-898d-e9b040b88519","kind":"code","order":1038,"section_id":"sec_e0a4ab40-6d88-4200-8cd9-9bea3c8374ca","character_id":null,"markdown":"```\n形が決まっている\n巨大な行列計算が多い\n大きなバッチで回せる\nGoogleのXLA/JAX/Cloud TPU環境に乗せられる\n```","render_override":null},{"id":"blk_55854baf-8552-4f09-bdb3-28ea9ff2931e","kind":"paragraph","order":1039,"section_id":"sec_e0a4ab40-6d88-4200-8cd9-9bea3c8374ca","character_id":null,"markdown":"なら強い。","render_override":null},{"id":"blk_fbfc1881-ec07-44af-89c8-fe8e55c35fea","kind":"paragraph","order":1040,"section_id":"sec_e0a4ab40-6d88-4200-8cd9-9bea3c8374ca","character_id":null,"markdown":"逆に、","render_override":null},{"id":"blk_e27fcb4e-d5fa-47c8-b421-3abce94935b7","kind":"code","order":1041,"section_id":"sec_e0a4ab40-6d88-4200-8cd9-9bea3c8374ca","character_id":null,"markdown":"```\nモデル構造が頻繁に変わる\n動的shapeが多い\n独自演算が多い\n分岐が多い\nGPU向けOSSをそのまま使いたい\n```","render_override":null},{"id":"blk_c0f3e54d-da8b-403d-b8d3-850be67a57bd","kind":"paragraph","order":1042,"section_id":"sec_e0a4ab40-6d88-4200-8cd9-9bea3c8374ca","character_id":null,"markdown":"ならGPUの方が扱いやすい。","render_override":null},{"id":"blk_7792a109-9029-46ed-a6ad-ea357aad0f62","kind":"thematic_break","order":1043,"section_id":"sec_e0a4ab40-6d88-4200-8cd9-9bea3c8374ca","character_id":null,"markdown":"---","render_override":null},{"id":"blk_e7b73b56-19c3-452b-91b0-74f947863621","kind":"heading","order":1044,"section_id":"sec_fb1996a9-7c62-4745-b530-69bb1b7b1c72","character_id":null,"markdown":"## \\3. LPUの優位性","render_override":null},{"id":"blk_db2e3b40-eddf-4203-9d06-9f564afba3ae","kind":"paragraph","order":1045,"section_id":"sec_fb1996a9-7c62-4745-b530-69bb1b7b1c72","character_id":null,"markdown":"LPUは、主にGroqが使っている **Language Processing Unit** という用語です。 \nこれはGPUやTPUのような汎用AIアクセラレータではなく、**LLM推論、特に低遅延のトークン生成**に寄せた専用アクセラレータです。","render_override":null},{"id":"blk_7cef39e7-292d-4e53-b4dd-d4738122b662","kind":"paragraph","order":1046,"section_id":"sec_fb1996a9-7c62-4745-b530-69bb1b7b1c72","character_id":null,"markdown":"Groqは、自社のLPUを2016年に開発した推論専用チップとして説明し、設計選択のすべてを「高速で手頃な推論」に向けていると述べています。またGroqCloudは、LPUベースのスタックを世界中のデータセンターで動かし、低レイテンシ応答を提供すると説明しています。([Groq](https://groq.com/))","render_override":null},{"id":"blk_da05f708-2f6c-448c-8075-56a0c4e40d96","kind":"thematic_break","order":1047,"section_id":"sec_fb1996a9-7c62-4745-b530-69bb1b7b1c72","character_id":null,"markdown":"---","render_override":null},{"id":"blk_cef3f0c4-4ad2-43b9-ab93-4db89d9b6737","kind":"heading","order":1048,"section_id":"sec_cc1b232b-edb7-49ea-a40d-3774daef68ea","character_id":null,"markdown":"## LPUが強い理由","render_override":null},{"id":"blk_711070d5-52cd-4fee-a36a-14179cf69fdd","kind":"heading","order":1049,"section_id":"sec_ac9ca8d9-aa0d-48ac-a5c1-8f63e31c299d","character_id":null,"markdown":"### \\1. 低遅延推論に強い","render_override":null},{"id":"blk_4c6745aa-087a-42a0-b2a4-9f737fc5949e","kind":"paragraph","order":1050,"section_id":"sec_ac9ca8d9-aa0d-48ac-a5c1-8f63e31c299d","character_id":null,"markdown":"LPUの最大の強みは、**トークンが速く出ること**です。","render_override":null},{"id":"blk_c35f64a5-64d3-46d1-8af6-d6a3f58de03d","kind":"paragraph","order":1051,"section_id":"sec_ac9ca8d9-aa0d-48ac-a5c1-8f63e31c299d","character_id":null,"markdown":"LLM推論では、ユーザー体験に大きく効くのは2つです。","render_override":null},{"id":"blk_d7cc56dd-a3e6-4d91-8e65-30495c01a97a","kind":"code","order":1052,"section_id":"sec_ac9ca8d9-aa0d-48ac-a5c1-8f63e31c299d","character_id":null,"markdown":"```\nTTFT = 最初のトークンが出るまでの時間\nTPOT = 1トークンごとの生成時間\n```","render_override":null},{"id":"blk_fd9b8423-8433-4d34-bc74-0552b6eca148","kind":"paragraph","order":1053,"section_id":"sec_ac9ca8d9-aa0d-48ac-a5c1-8f63e31c299d","character_id":null,"markdown":"チャット、音声AI、リアルタイム翻訳、AI配信アバター、コーディング補助、エージェントの内部思考ループでは、1秒以下の差が体感に直結します。","render_override":null},{"id":"blk_e31deb74-f401-48b4-b93c-fc9ca68fc633","kind":"paragraph","order":1054,"section_id":"sec_ac9ca8d9-aa0d-48ac-a5c1-8f63e31c299d","character_id":null,"markdown":"この領域では、LPUのような専用推論チップが非常に強くなります。","render_override":null},{"id":"blk_cf0cc49a-a699-463a-9785-c40f7889f507","kind":"thematic_break","order":1055,"section_id":"sec_ac9ca8d9-aa0d-48ac-a5c1-8f63e31c299d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_90d78e86-064d-4b0b-88bc-be41a0933dc1","kind":"heading","order":1056,"section_id":"sec_33a7815c-4a5b-42c7-80f0-c5b08a2f1551","character_id":null,"markdown":"### \\2. 推論専用なので無駄を削れる","render_override":null},{"id":"blk_890e3078-2ec8-4a6d-a11d-dcb45cec1a3d","kind":"paragraph","order":1057,"section_id":"sec_33a7815c-4a5b-42c7-80f0-c5b08a2f1551","character_id":null,"markdown":"GPUは学習にも推論にも画像生成にもHPCにも使えます。 \nその分、汎用性のための余地があります。","render_override":null},{"id":"blk_6a747a5b-69ff-41e4-a873-28229c3586f3","kind":"paragraph","order":1058,"section_id":"sec_33a7815c-4a5b-42c7-80f0-c5b08a2f1551","character_id":null,"markdown":"LPUは、もっと割り切っています。","render_override":null},{"id":"blk_9c5f7894-3e32-44a4-9ae3-e49100603023","kind":"code","order":1059,"section_id":"sec_33a7815c-4a5b-42c7-80f0-c5b08a2f1551","character_id":null,"markdown":"```\n学習より推論\n汎用AIよりLLM推論\n最大柔軟性より低遅延\n大量機能より決まった推論パス\n```","render_override":null},{"id":"blk_58d9801b-2288-47a4-8d79-5a36ba984728","kind":"paragraph","order":1060,"section_id":"sec_33a7815c-4a5b-42c7-80f0-c5b08a2f1551","character_id":null,"markdown":"に寄せられる。","render_override":null},{"id":"blk_4fabea6e-f896-4891-9414-cf2a0c414a93","kind":"paragraph","order":1061,"section_id":"sec_33a7815c-4a5b-42c7-80f0-c5b08a2f1551","character_id":null,"markdown":"この割り切りにより、リアルタイム応答で優位に立てる可能性があります。","render_override":null},{"id":"blk_905b4ee3-3cf0-40f3-b45e-c8e2fc028d3d","kind":"thematic_break","order":1062,"section_id":"sec_33a7815c-4a5b-42c7-80f0-c5b08a2f1551","character_id":null,"markdown":"---","render_override":null},{"id":"blk_24cfd4e9-6049-4e09-9d21-be858b74c6e8","kind":"heading","order":1063,"section_id":"sec_8be67a98-017a-467c-92d9-bdd854efa78c","character_id":null,"markdown":"### \\3. AIエージェント時代の「内部ループ」に向く","render_override":null},{"id":"blk_2652e67b-29f9-4e3d-bc9a-cc1a1ceb1a8e","kind":"paragraph","order":1064,"section_id":"sec_8be67a98-017a-467c-92d9-bdd854efa78c","character_id":null,"markdown":"AIエージェントは、1回だけLLMを呼ぶのではありません。","render_override":null},{"id":"blk_22408a96-9dad-46d8-9f26-82f71918988b","kind":"code","order":1065,"section_id":"sec_8be67a98-017a-467c-92d9-bdd854efa78c","character_id":null,"markdown":"```\n考える\n↓\nツールを呼ぶ\n↓\n結果を見る\n↓\nまた考える\n↓\n次のツールを呼ぶ\n↓\n結果をまとめる\n```","render_override":null},{"id":"blk_63ecb1af-0abd-4a0a-8b34-84d6a94091e8","kind":"paragraph","order":1066,"section_id":"sec_8be67a98-017a-467c-92d9-bdd854efa78c","character_id":null,"markdown":"このように、何度も短い推論を繰り返します。","render_override":null},{"id":"blk_c9ef8297-48d5-4660-9b92-9364843c453a","kind":"paragraph","order":1067,"section_id":"sec_8be67a98-017a-467c-92d9-bdd854efa78c","character_id":null,"markdown":"このとき、1回ごとの推論レイテンシが小さいと、エージェント全体が速くなります。","render_override":null},{"id":"blk_4688f563-5985-4d17-9447-9edaab92e10f","kind":"paragraph","order":1068,"section_id":"sec_8be67a98-017a-467c-92d9-bdd854efa78c","character_id":null,"markdown":"つまりLPUは、**エージェントの「内側の思考反復」を高速化する部品**として魅力があります。","render_override":null},{"id":"blk_a44165ce-403f-4dad-81b6-1736a80485c4","kind":"thematic_break","order":1069,"section_id":"sec_8be67a98-017a-467c-92d9-bdd854efa78c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_6b526716-3580-40df-be23-7440478c81ed","kind":"heading","order":1070,"section_id":"sec_1d659e9b-c444-4464-bc56-f4c9ea399799","character_id":null,"markdown":"## LPUの弱点","render_override":null},{"id":"blk_96aa1817-c848-4428-bab8-ac64feb8449f","kind":"paragraph","order":1071,"section_id":"sec_1d659e9b-c444-4464-bc56-f4c9ea399799","character_id":null,"markdown":"ただしLPUは、GPUの完全代替ではありません。","render_override":null},{"id":"blk_faada417-a67e-44eb-a754-6873b031fa7e","kind":"paragraph","order":1072,"section_id":"sec_1d659e9b-c444-4464-bc56-f4c9ea399799","character_id":null,"markdown":"弱点は明確です。","render_override":null},{"id":"blk_810b5054-5900-405a-a59d-4cf27758dc42","kind":"code","order":1073,"section_id":"sec_1d659e9b-c444-4464-bc56-f4c9ea399799","character_id":null,"markdown":"```\n大規模学習には向きにくい\n画像・動画生成など広範なAIには不向き\nモデル対応範囲がGPUより狭い\nCUDAのような巨大エコシステムはない\n最大規模モデルの運用ではGPUクラスターに劣る可能性\n柔軟性より専用性に振っている\n```","render_override":null},{"id":"blk_df233cf5-d8a7-423e-be4c-f9b4f5578541","kind":"paragraph","order":1074,"section_id":"sec_1d659e9b-c444-4464-bc56-f4c9ea399799","character_id":null,"markdown":"つまりLPUは、","render_override":null},{"id":"blk_9014cdce-16ee-46af-81e5-503b33c7cdc2","kind":"paragraph","order":1075,"section_id":"sec_1d659e9b-c444-4464-bc56-f4c9ea399799","character_id":null,"markdown":"**AI全体の主役**というより、 \n**LLM推論の一部、特に低遅延応答の専用エンジン**","render_override":null},{"id":"blk_20173532-8d0c-464e-9c2f-24adf372c098","kind":"paragraph","order":1076,"section_id":"sec_1d659e9b-c444-4464-bc56-f4c9ea399799","character_id":null,"markdown":"として見るべきです。","render_override":null},{"id":"blk_4ccbe275-53fc-44c7-aa8e-f1ae82e1bd95","kind":"thematic_break","order":1077,"section_id":"sec_1d659e9b-c444-4464-bc56-f4c9ea399799","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b79598f1-59ff-49a4-80a4-34e7474b7923","kind":"heading","order":1078,"section_id":"sec_856dd9b1-a6f3-471c-9eab-37524d6cd112","character_id":null,"markdown":"## \\4. GPU、TPU、LPUを時代別に見る","render_override":null},{"id":"blk_958e9acb-a910-407e-8ca1-48df92bc2b67","kind":"heading","order":1079,"section_id":"sec_6fdcb6d7-61ba-4469-b76b-2d288dd7e005","character_id":null,"markdown":"## 学習の時代","render_override":null},{"id":"blk_320acca4-fe00-496f-b3ec-53abd71d83f2","kind":"paragraph","order":1080,"section_id":"sec_6fdcb6d7-61ba-4469-b76b-2d288dd7e005","character_id":null,"markdown":"AIモデルを巨大化させる時代では、GPUとTPUが強いです。","render_override":null},{"id":"blk_12ef7003-fa0c-428d-8b21-47bfca907d47","kind":"figure","order":1081,"section_id":"sec_6fdcb6d7-61ba-4469-b76b-2d288dd7e005","character_id":null,"markdown":"![](/media/f3696a40154268cbb744ff183f42fa68fd0705ca17a72c018605cda54c105cdc-content.webp)","render_override":null},{"id":"blk_835c930d-5add-4710-9bd8-3e3d10679545","kind":"paragraph","order":1082,"section_id":"sec_6fdcb6d7-61ba-4469-b76b-2d288dd7e005","character_id":null,"markdown":"この段階ではLPUは主役ではありません。 \nLPUは基本的に推論側です。","render_override":null},{"id":"blk_97a3e84f-2e23-447f-974e-ffeeab8bd2d3","kind":"thematic_break","order":1083,"section_id":"sec_6fdcb6d7-61ba-4469-b76b-2d288dd7e005","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2edc3ea3-4ef5-4ee4-b266-65c862d6ee6b","kind":"heading","order":1084,"section_id":"sec_c544a6a5-6261-4dbc-80fa-322c39d5bf5c","character_id":null,"markdown":"## 推論爆増の時代","render_override":null},{"id":"blk_9a9577b1-5683-4603-8cb8-48019d9d1623","kind":"paragraph","order":1085,"section_id":"sec_c544a6a5-6261-4dbc-80fa-322c39d5bf5c","character_id":null,"markdown":"モデルを作るだけでなく、何十億、何百億、何兆回も呼び出す時代になると、LPUやTPUの重要性が上がります。","render_override":null},{"id":"blk_aad7a808-7a02-40eb-9a7f-fd52f5c42733","kind":"figure","order":1086,"section_id":"sec_c544a6a5-6261-4dbc-80fa-322c39d5bf5c","character_id":null,"markdown":"![](/media/7b177aa33fa47e76febfd173dc539fa94ee07064eea8c0ae3ee4f2201911829f-content.webp)","render_override":null},{"id":"blk_38d5c662-fa98-4ee0-b9b1-9ece6f7672dd","kind":"paragraph","order":1087,"section_id":"sec_c544a6a5-6261-4dbc-80fa-322c39d5bf5c","character_id":null,"markdown":"ここでは、GPU一強ではなくなります。","render_override":null},{"id":"blk_58053749-2ccb-4a12-83ca-f894e737ce82","kind":"paragraph","order":1088,"section_id":"sec_c544a6a5-6261-4dbc-80fa-322c39d5bf5c","character_id":null,"markdown":"**大量・定型・低遅延・高頻度**になるほど、専用アクセラレータの存在感が増えます。","render_override":null},{"id":"blk_f9b30f31-a957-4cdd-a477-b113dfd3a13b","kind":"thematic_break","order":1089,"section_id":"sec_c544a6a5-6261-4dbc-80fa-322c39d5bf5c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_105d304e-305e-430a-a874-7acb40264ee1","kind":"heading","order":1090,"section_id":"sec_e4d89d65-63e2-47fd-8f00-443bd9c791af","character_id":null,"markdown":"## AIエージェント時代","render_override":null},{"id":"blk_7d00b349-7966-4f40-a58c-e1eb9af7d085","kind":"paragraph","order":1091,"section_id":"sec_e4d89d65-63e2-47fd-8f00-443bd9c791af","character_id":null,"markdown":"AIエージェント時代は複雑です。","render_override":null},{"id":"blk_bea1866b-60e3-42a9-8fd6-4ec2c1651994","kind":"paragraph","order":1092,"section_id":"sec_e4d89d65-63e2-47fd-8f00-443bd9c791af","character_id":null,"markdown":"なぜなら、エージェントは単純なLLM推論だけでなく、ツール呼び出し、検索、DB、API、Python実行、ファイル操作などを含むからです。","render_override":null},{"id":"blk_1347de50-3f44-46ce-9f69-706d8985f99e","kind":"paragraph","order":1093,"section_id":"sec_e4d89d65-63e2-47fd-8f00-443bd9c791af","character_id":null,"markdown":"この時代の役割分担はこうです。","render_override":null},{"id":"blk_6d40f331-f7bd-4a4e-a0a3-84c4bee824a0","kind":"figure","order":1094,"section_id":"sec_e4d89d65-63e2-47fd-8f00-443bd9c791af","character_id":null,"markdown":"![](/media/869b19b901461a91f206c9e52dae89e54747fbecfe81dab826ef75569a8d6155-content.webp)","render_override":null},{"id":"blk_8c283f3f-c1a7-40ee-b1f6-143d5b365a85","kind":"paragraph","order":1095,"section_id":"sec_e4d89d65-63e2-47fd-8f00-443bd9c791af","character_id":null,"markdown":"つまりAIエージェント時代では、","render_override":null},{"id":"blk_91b3eeb8-2790-4b33-ad2f-08c547233fff","kind":"paragraph","order":1096,"section_id":"sec_e4d89d65-63e2-47fd-8f00-443bd9c791af","character_id":null,"markdown":"**CPUが司令塔** \n**GPUが万能AI工場** \n**TPUが巨大テンソル工場** \n**LPUが低遅延言語エンジン**","render_override":null},{"id":"blk_6e6612ab-b206-4fcb-a817-c10cf099d0c1","kind":"paragraph","order":1097,"section_id":"sec_e4d89d65-63e2-47fd-8f00-443bd9c791af","character_id":null,"markdown":"になります。","render_override":null},{"id":"blk_afeeccf2-1160-42d4-83f2-3f98122f99f2","kind":"thematic_break","order":1098,"section_id":"sec_e4d89d65-63e2-47fd-8f00-443bd9c791af","character_id":null,"markdown":"---","render_override":null},{"id":"blk_62149ad8-0bb1-4d35-94c1-e200288ea764","kind":"heading","order":1099,"section_id":"sec_baddc5ee-e946-4eb4-913e-b5e7a9ccd02b","character_id":null,"markdown":"## \\5. 工学的な違いで見る優位性","render_override":null},{"id":"blk_2bd8cd2e-fdbd-414d-bcd5-24969f81ffcf","kind":"heading","order":1100,"section_id":"sec_fff9a8d8-4eeb-48a3-88b3-5f28242bb340","character_id":null,"markdown":"## GPUの優位性：柔軟な大量並列","render_override":null},{"id":"blk_51869ce5-34d5-4f3e-b170-973b267f2370","kind":"paragraph","order":1101,"section_id":"sec_fff9a8d8-4eeb-48a3-88b3-5f28242bb340","character_id":null,"markdown":"GPUは、多少の分岐や不規則性を含みながらも、大量並列をこなせます。","render_override":null},{"id":"blk_8983742a-5d4d-4679-aaf3-f25dde57c061","kind":"code","order":1102,"section_id":"sec_fff9a8d8-4eeb-48a3-88b3-5f28242bb340","character_id":null,"markdown":"```\n行列演算\nAttention\nMoE\n画像生成\n動画生成\n科学計算\nロボティクス\n独自カーネル\n```","render_override":null},{"id":"blk_8e419a18-2156-4e46-a910-a21a60e14e4a","kind":"paragraph","order":1103,"section_id":"sec_fff9a8d8-4eeb-48a3-88b3-5f28242bb340","character_id":null,"markdown":"に対応しやすい。","render_override":null},{"id":"blk_ecc44fd4-5993-473f-9fa3-4537abb75aa1","kind":"paragraph","order":1104,"section_id":"sec_fff9a8d8-4eeb-48a3-88b3-5f28242bb340","character_id":null,"markdown":"**モデルが変わる時代にはGPUが強い**です。","render_override":null},{"id":"blk_7a204711-3f56-4bc3-8f1d-8e8ee454e3bf","kind":"thematic_break","order":1105,"section_id":"sec_fff9a8d8-4eeb-48a3-88b3-5f28242bb340","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f07ad5b9-96a3-4eae-948e-e9d9d8a735fc","kind":"heading","order":1106,"section_id":"sec_85734f9a-0c32-4d34-9a5f-646477ce1cbc","character_id":null,"markdown":"## TPUの優位性：規則的な行列計算の効率","render_override":null},{"id":"blk_7a9ef3de-9c48-4d50-a549-965fd375c6f3","kind":"paragraph","order":1107,"section_id":"sec_85734f9a-0c32-4d34-9a5f-646477ce1cbc","character_id":null,"markdown":"TPUは、systolic arrayで行列演算を規則的に流します。","render_override":null},{"id":"blk_4c4cc8f7-f0b9-4f69-bd76-0a2602e2938b","kind":"code","order":1108,"section_id":"sec_85734f9a-0c32-4d34-9a5f-646477ce1cbc","character_id":null,"markdown":"```\n巨大バッチ\n定型モデル\nXLAで最適化できる計算グラフ\nGoogleクラウド上の大規模学習/推論\n```","render_override":null},{"id":"blk_6b67c670-c025-4cc4-8423-39c5b04cd380","kind":"paragraph","order":1109,"section_id":"sec_85734f9a-0c32-4d34-9a5f-646477ce1cbc","character_id":null,"markdown":"に強い。","render_override":null},{"id":"blk_95de7845-5630-472c-9dab-f876313e0ad9","kind":"paragraph","order":1110,"section_id":"sec_85734f9a-0c32-4d34-9a5f-646477ce1cbc","character_id":null,"markdown":"**モデルと計算形状が安定している時代にはTPUが強い**です。","render_override":null},{"id":"blk_5fec56bc-9166-495b-971c-c7535e856736","kind":"thematic_break","order":1111,"section_id":"sec_85734f9a-0c32-4d34-9a5f-646477ce1cbc","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f7970d97-ccb1-4eb8-9a25-c62c94bf9075","kind":"heading","order":1112,"section_id":"sec_17a23976-3f69-4cb5-83f7-34584d9112fb","character_id":null,"markdown":"## LPUの優位性：低遅延の逐次トークン生成","render_override":null},{"id":"blk_ca9b5b79-83e6-4341-b9dc-f47c1f8a4f5a","kind":"paragraph","order":1113,"section_id":"sec_17a23976-3f69-4cb5-83f7-34584d9112fb","character_id":null,"markdown":"LPUは、LLM推論のトークン生成を高速・安定・低遅延に流すことに寄っています。","render_override":null},{"id":"blk_4f62ae7c-feeb-4220-b442-4481728ab599","kind":"code","order":1114,"section_id":"sec_17a23976-3f69-4cb5-83f7-34584d9112fb","character_id":null,"markdown":"```\nチャット\n音声AI\nリアルタイム翻訳\nAIエージェントの短い反復推論\nコーディング補助\n低レイテンシAPI\n```","render_override":null},{"id":"blk_8f6c3008-8a22-4708-a2f6-bc3fb29cca76","kind":"paragraph","order":1115,"section_id":"sec_17a23976-3f69-4cb5-83f7-34584d9112fb","character_id":null,"markdown":"に強い。","render_override":null},{"id":"blk_454e9aeb-0b4f-4aaa-80c5-359062bbec5a","kind":"paragraph","order":1116,"section_id":"sec_17a23976-3f69-4cb5-83f7-34584d9112fb","character_id":null,"markdown":"**人間が待っているリアルタイムAIにはLPUが強い**です。","render_override":null},{"id":"blk_35f5b01a-34b6-42e1-b1c0-e1f7527270a8","kind":"thematic_break","order":1117,"section_id":"sec_17a23976-3f69-4cb5-83f7-34584d9112fb","character_id":null,"markdown":"---","render_override":null},{"id":"blk_803ee74f-d6e0-4a65-8cf2-4933b0537511","kind":"heading","order":1118,"section_id":"sec_45d71c82-b4cc-4e1c-9d7c-274c899a21b0","character_id":null,"markdown":"## \\6. かなり簡単なたとえ","render_override":null},{"id":"blk_811ce969-147f-454b-94c4-1519edd7fe3c","kind":"heading","order":1119,"section_id":"sec_97f78ac8-ca75-45ca-a078-6d80fec3b1dd","character_id":null,"markdown":"## GPU","render_override":null},{"id":"blk_6baf8f4e-d6b3-4374-a5fc-6afb3a916b99","kind":"paragraph","order":1120,"section_id":"sec_97f78ac8-ca75-45ca-a078-6d80fec3b1dd","character_id":null,"markdown":"総合AI工場です。","render_override":null},{"id":"blk_c59b3672-5c59-486a-9958-257861230d16","kind":"paragraph","order":1121,"section_id":"sec_97f78ac8-ca75-45ca-a078-6d80fec3b1dd","character_id":null,"markdown":"カレーも作れる。 \n寿司も作れる。 \nパンも作れる。 \n新メニューにも対応できる。 \nしかも巨大チェーン店として世界中に展開済み。","render_override":null},{"id":"blk_ac10cca7-166e-4566-8821-38145cbd185c","kind":"paragraph","order":1122,"section_id":"sec_97f78ac8-ca75-45ca-a078-6d80fec3b1dd","character_id":null,"markdown":"だから一番汎用的で、一番強い。","render_override":null},{"id":"blk_b3a85212-03cf-4ba1-9b4a-50384477da1a","kind":"thematic_break","order":1123,"section_id":"sec_97f78ac8-ca75-45ca-a078-6d80fec3b1dd","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7f701daa-2510-429e-9fb1-77bd42968c9c","kind":"heading","order":1124,"section_id":"sec_c6e4e4f4-d024-4d00-ba07-40a4b2430e66","character_id":null,"markdown":"## TPU","render_override":null},{"id":"blk_da5fd5af-5db2-45ef-86a2-d5c8da7aa084","kind":"paragraph","order":1125,"section_id":"sec_c6e4e4f4-d024-4d00-ba07-40a4b2430e66","character_id":null,"markdown":"Google専用の巨大カレー工場です。","render_override":null},{"id":"blk_c4bdcf27-3ddf-47ef-8b13-d03763455ee2","kind":"paragraph","order":1126,"section_id":"sec_c6e4e4f4-d024-4d00-ba07-40a4b2430e66","character_id":null,"markdown":"カレーを大量に作るなら非常に安く速い。 \n材料搬入、工場ライン、配送、販売までGoogle内部で統合されている。","render_override":null},{"id":"blk_d3b6f744-c2a7-473c-a1ea-7379cdb891fd","kind":"paragraph","order":1127,"section_id":"sec_c6e4e4f4-d024-4d00-ba07-40a4b2430e66","character_id":null,"markdown":"ただし、急に寿司やケーキを作れと言われると、GPUほど柔軟ではない。","render_override":null},{"id":"blk_731cd962-d60a-440f-8c8a-0c028b89fc87","kind":"thematic_break","order":1128,"section_id":"sec_c6e4e4f4-d024-4d00-ba07-40a4b2430e66","character_id":null,"markdown":"---","render_override":null},{"id":"blk_6fef82bd-21b8-4dbd-84f3-409763737421","kind":"heading","order":1129,"section_id":"sec_d6f20a89-661b-4272-8e9b-5197f9cbc945","character_id":null,"markdown":"## LPU","render_override":null},{"id":"blk_a51a8d36-8654-4092-a1b0-928e35cd8aba","kind":"paragraph","order":1130,"section_id":"sec_d6f20a89-661b-4272-8e9b-5197f9cbc945","character_id":null,"markdown":"ラーメン替え玉専用の超高速ラインです。","render_override":null},{"id":"blk_9b435489-0fbb-490f-83c7-21323294c73a","kind":"paragraph","order":1131,"section_id":"sec_d6f20a89-661b-4272-8e9b-5197f9cbc945","character_id":null,"markdown":"1玉ずつ、すぐ出す。 \n待ち時間が少ない。 \nリアルタイム会話に強い。","render_override":null},{"id":"blk_dbc45bdf-104c-42e4-85eb-fcdeae39273c","kind":"paragraph","order":1132,"section_id":"sec_d6f20a89-661b-4272-8e9b-5197f9cbc945","character_id":null,"markdown":"ただし、料理全般を任せる万能厨房ではない。","render_override":null},{"id":"blk_b114cde6-1bd9-4ea9-a1cc-058bd7636682","kind":"thematic_break","order":1133,"section_id":"sec_d6f20a89-661b-4272-8e9b-5197f9cbc945","character_id":null,"markdown":"---","render_override":null},{"id":"blk_49bddcae-b8c5-4cf6-a889-772e6da20a9d","kind":"heading","order":1134,"section_id":"sec_06fdb9da-c6ca-40b2-8163-fbafd8afe4e4","character_id":null,"markdown":"## \\7. 投資・産業目線での整理","render_override":null},{"id":"blk_dfdf78ee-cd70-45bf-a991-2892e9e72ffd","kind":"paragraph","order":1135,"section_id":"sec_06fdb9da-c6ca-40b2-8163-fbafd8afe4e4","character_id":null,"markdown":"この時代、GPUの優位性はまだ非常に強いです。","render_override":null},{"id":"blk_cb8aa81b-506f-4d48-9693-28ab6a1a807f","kind":"paragraph","order":1136,"section_id":"sec_06fdb9da-c6ca-40b2-8163-fbafd8afe4e4","character_id":null,"markdown":"なぜなら、AIの最先端はまだ変化が激しく、学習・推論・マルチモーダル・ロボティクス・シミュレーションまで全部を支える必要があるからです。 \nこの「何にでも対応できるAI工場」というポジションは、GPUの最大の強みです。","render_override":null},{"id":"blk_a04b3224-37e4-4faa-a361-f7794c5126e2","kind":"paragraph","order":1137,"section_id":"sec_06fdb9da-c6ca-40b2-8163-fbafd8afe4e4","character_id":null,"markdown":"一方、TPUやLPUの優位性は、**推論が産業化・定型化・大量化したとき**に強くなります。","render_override":null},{"id":"blk_73f9121f-4b45-4efc-b762-04251b505e90","kind":"code","order":1138,"section_id":"sec_06fdb9da-c6ca-40b2-8163-fbafd8afe4e4","character_id":null,"markdown":"```\n同じモデルを大量に回す\n同じ形の推論を何億回も行う\nレイテンシを極限まで下げる\n1トークンあたりコストを削る\n```","render_override":null},{"id":"blk_ebc8e64d-4726-4844-bf9c-d8a3d272261e","kind":"paragraph","order":1139,"section_id":"sec_06fdb9da-c6ca-40b2-8163-fbafd8afe4e4","character_id":null,"markdown":"こうなると、専用アクセラレータが勝ちやすい。","render_override":null},{"id":"blk_68bfcba5-585a-4984-89cf-217c16a0aca8","kind":"paragraph","order":1140,"section_id":"sec_06fdb9da-c6ca-40b2-8163-fbafd8afe4e4","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_8987c123-d00f-4c3e-81d7-9f0848667781","kind":"paragraph","order":1141,"section_id":"sec_06fdb9da-c6ca-40b2-8163-fbafd8afe4e4","character_id":null,"markdown":"**探索・開発・最先端モデル = GPU優位** \n**定型化した巨大テンソル処理 = TPU優位** \n**低遅延LLM推論 = LPU優位**","render_override":null},{"id":"blk_722b363e-8629-4015-b57c-775e3f035edc","kind":"paragraph","order":1142,"section_id":"sec_06fdb9da-c6ca-40b2-8163-fbafd8afe4e4","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_97ee0b12-8007-414a-babb-4518a2265b47","kind":"thematic_break","order":1143,"section_id":"sec_06fdb9da-c6ca-40b2-8163-fbafd8afe4e4","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d5796274-714f-4ce9-b9a7-f9496726d870","kind":"heading","order":1144,"section_id":"sec_08bb8dd1-0363-42f6-88fc-21ce5f968155","character_id":null,"markdown":"## まとめ","render_override":null},{"id":"blk_8cd9adec-64e9-4ecd-9207-36959abd12ea","kind":"paragraph","order":1145,"section_id":"sec_08bb8dd1-0363-42f6-88fc-21ce5f968155","character_id":null,"markdown":"この時代におけるGPU、TPU、LPUの優位性は、次のように整理できます。","render_override":null},{"id":"blk_8cf58038-cdd3-4759-be8d-ae395077b00c","kind":"figure","order":1146,"section_id":"sec_08bb8dd1-0363-42f6-88fc-21ce5f968155","character_id":null,"markdown":"![](/media/afd991913c0647d5ffa7144dcb6513cf9b434ec60f6c0edde7f85f979065901d-content.webp)","render_override":null},{"id":"blk_e70ed7a7-ea82-49bb-a3be-e2dd1d340b0e","kind":"paragraph","order":1147,"section_id":"sec_08bb8dd1-0363-42f6-88fc-21ce5f968155","character_id":null,"markdown":"最終的には、どれか1つが全部を置き換えるというより、","render_override":null},{"id":"blk_ba5cd6fa-d08a-4312-bbab-8ebef0f8cba0","kind":"code","order":1148,"section_id":"sec_08bb8dd1-0363-42f6-88fc-21ce5f968155","character_id":null,"markdown":"```\nCPU：司令塔\nGPU：万能AI工場\nTPU：巨大テンソル専用工場\nLPU：低遅延言語推論エンジン\n```","render_override":null},{"id":"blk_58bf9f78-ac4b-4610-b2aa-b4d845c15ff9","kind":"paragraph","order":1149,"section_id":"sec_08bb8dd1-0363-42f6-88fc-21ce5f968155","character_id":null,"markdown":"という分業になります。","render_override":null},{"id":"blk_64f9d5fc-c611-48dd-b67b-7f4eb2acac26","kind":"paragraph","order":1150,"section_id":"sec_08bb8dd1-0363-42f6-88fc-21ce5f968155","character_id":null,"markdown":"そして、最も重要なのはここです。","render_override":null},{"id":"blk_4f07fed4-1d0d-43cb-8a89-6ec6ff9dee46","kind":"paragraph","order":1151,"section_id":"sec_08bb8dd1-0363-42f6-88fc-21ce5f968155","character_id":null,"markdown":"**GPUは「変化に強い」。** \n**TPUは「定型化した大規模計算に強い」。** \n**LPUは「リアルタイム推論に強い」。**","render_override":null},{"id":"blk_40d260d0-57e2-4a48-849b-53ba8f3d0642","kind":"paragraph","order":1152,"section_id":"sec_08bb8dd1-0363-42f6-88fc-21ce5f968155","character_id":null,"markdown":"AIがまだ急速に進化している間はGPUが中心に残りやすい。 \n一方で、推論が大量化し、モデルや用途が安定してくるほど、TPUやLPUのような専用アクセラレータの価値が高まっていくと思います。","render_override":null},{"id":"blk_09949e91-2d4f-45fa-b928-6dc3192ebef8","kind":"paragraph","order":1153,"section_id":"sec_08bb8dd1-0363-42f6-88fc-21ce5f968155","character_id":null,"markdown":"はい。ここはかなり重要です。","render_override":null},{"id":"blk_189ff00d-3292-4301-9da8-b231e1529104","kind":"paragraph","order":1154,"section_id":"sec_08bb8dd1-0363-42f6-88fc-21ce5f968155","character_id":null,"markdown":"結論から言うと、**TPU/LPUでGPUを置き換えようとするとき、GPUにあってTPU/LPUに足りない部分をCPUで補うことはできます。** \nただし、それで完全にGPUの代用になるわけではありません。","render_override":null},{"id":"blk_2f37afe8-bf57-4800-9bd1-260af9044e55","kind":"paragraph","order":1155,"section_id":"sec_08bb8dd1-0363-42f6-88fc-21ce5f968155","character_id":null,"markdown":"なぜならGPUの強みは、単なる行列演算能力だけではなく、","render_override":null},{"id":"blk_0fd2643b-00ee-49ac-894b-bbe2e6849bd2","kind":"paragraph","order":1156,"section_id":"sec_08bb8dd1-0363-42f6-88fc-21ce5f968155","character_id":null,"markdown":"**ある程度の汎用性を持った大量並列計算機であること**","render_override":null},{"id":"blk_c6512f1f-574f-4d27-b8a6-10b0ea14ab37","kind":"paragraph","order":1157,"section_id":"sec_08bb8dd1-0363-42f6-88fc-21ce5f968155","character_id":null,"markdown":"にあるからです。","render_override":null},{"id":"blk_2be2b917-3546-4bf2-ae11-cae28f9b9a39","kind":"paragraph","order":1158,"section_id":"sec_08bb8dd1-0363-42f6-88fc-21ce5f968155","character_id":null,"markdown":"TPU/LPUは、より専用化されています。 \nCPUで制御部分を補っても、**GPUが持つ「柔軟な並列計算能力」そのものはCPUでは補いにくい**です。","render_override":null},{"id":"blk_75c3723b-b2e3-4f70-a68d-4e5f06c6f0a2","kind":"thematic_break","order":1159,"section_id":"sec_08bb8dd1-0363-42f6-88fc-21ce5f968155","character_id":null,"markdown":"---","render_override":null},{"id":"blk_054e3030-1fb2-48b1-a33a-85662af1918a","kind":"heading","order":1160,"section_id":"sec_acde9a9d-3d72-4b9d-b007-9e34ee97c95a","character_id":null,"markdown":"## \\1. まず全体像","render_override":null},{"id":"blk_0dcee3c6-43d5-49c5-ab47-6157291b71c1","kind":"paragraph","order":1161,"section_id":"sec_acde9a9d-3d72-4b9d-b007-9e34ee97c95a","character_id":null,"markdown":"役割を分けると、こうです。","render_override":null},{"id":"blk_9896a706-d1cc-4531-97f2-59a0a7103d35","kind":"figure","order":1162,"section_id":"sec_acde9a9d-3d72-4b9d-b007-9e34ee97c95a","character_id":null,"markdown":"![](/media/c000fe4eaaa1efc116026d6c12e9b3c5aceba06420605da309a71b2f71149a83-content.webp)","render_override":null},{"id":"blk_ad77f942-3e62-49fe-b3d5-05c2c447f8ef","kind":"paragraph","order":1163,"section_id":"sec_acde9a9d-3d72-4b9d-b007-9e34ee97c95a","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_6e70a073-a11a-4289-9eb4-9091ffebd363","kind":"code","order":1164,"section_id":"sec_acde9a9d-3d72-4b9d-b007-9e34ee97c95a","character_id":null,"markdown":"```\nCPU + TPU/LPU\n```","render_override":null},{"id":"blk_5905572e-f675-479a-a224-c670105f89ee","kind":"paragraph","order":1165,"section_id":"sec_acde9a9d-3d72-4b9d-b007-9e34ee97c95a","character_id":null,"markdown":"で補えるのは、","render_override":null},{"id":"blk_6683e633-ae32-446d-abf8-bca14bc84e30","kind":"code","order":1166,"section_id":"sec_acde9a9d-3d72-4b9d-b007-9e34ee97c95a","character_id":null,"markdown":"```\nCPU：制御・分岐・OS・I/O\nTPU/LPU：決まったAI計算\n```","render_override":null},{"id":"blk_f4eb0ebd-4f54-4152-b037-c071022183a2","kind":"paragraph","order":1167,"section_id":"sec_acde9a9d-3d72-4b9d-b007-9e34ee97c95a","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_2b0487ac-04c9-4a5b-85ab-5ee87c6275b5","kind":"paragraph","order":1168,"section_id":"sec_acde9a9d-3d72-4b9d-b007-9e34ee97c95a","character_id":null,"markdown":"しかし、GPUの強みである、","render_override":null},{"id":"blk_bb5cdc7c-dbfd-4fd7-b2d9-428936b74b93","kind":"code","order":1169,"section_id":"sec_acde9a9d-3d72-4b9d-b007-9e34ee97c95a","character_id":null,"markdown":"```\n柔軟な大量並列計算\n広いモデル対応\n独自カーネル\n画像・動画・物理シミュレーション\n研究開発の柔軟性\nCUDAエコシステム\n```","render_override":null},{"id":"blk_eff313d8-f48d-4625-a56e-8d06074befd3","kind":"paragraph","order":1170,"section_id":"sec_acde9a9d-3d72-4b9d-b007-9e34ee97c95a","character_id":null,"markdown":"までは、簡単には代用できません。","render_override":null},{"id":"blk_9021c1ba-fa21-4d31-be4c-c9508435429d","kind":"thematic_break","order":1171,"section_id":"sec_acde9a9d-3d72-4b9d-b007-9e34ee97c95a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_30ccebb1-54d6-4b12-84a9-8b68596abe22","kind":"heading","order":1172,"section_id":"sec_a6b0787b-2203-488c-9016-cdea435706ea","character_id":null,"markdown":"## \\2. CPUで補える部分","render_override":null},{"id":"blk_ca79c08b-fafb-4082-a2b2-14721e529237","kind":"paragraph","order":1173,"section_id":"sec_a6b0787b-2203-488c-9016-cdea435706ea","character_id":null,"markdown":"TPU/LPUは、分岐やI/OやOS処理が苦手です。 \nここはCPUでかなり補えます。","render_override":null},{"id":"blk_05630858-6f52-4845-a705-cc66334719d9","kind":"paragraph","order":1174,"section_id":"sec_a6b0787b-2203-488c-9016-cdea435706ea","character_id":null,"markdown":"たとえばAIエージェントでは、CPUが次を担当できます。","render_override":null},{"id":"blk_deb0bc74-b466-418e-9f89-8a8e8cbfd262","kind":"code","order":1175,"section_id":"sec_a6b0787b-2203-488c-9016-cdea435706ea","character_id":null,"markdown":"```\nユーザーリクエスト受付\n認証\nログ保存\nRAG検索\nDB照会\nAPI呼び出し\nPython実行\nツール選択\n条件分岐\nファイルI/O\nネットワーク通信\nエラー処理\n再試行\nジョブスケジューリング\n```","render_override":null},{"id":"blk_7ec0dd08-1bc8-4e8a-87bb-0f7d77feb7f7","kind":"paragraph","order":1176,"section_id":"sec_a6b0787b-2203-488c-9016-cdea435706ea","character_id":null,"markdown":"そして、モデル本体の推論だけをTPU/LPUへ投げます。","render_override":null},{"id":"blk_ea2ae8a0-8804-49d8-b58e-c7b83f7dca36","kind":"code","order":1177,"section_id":"sec_a6b0787b-2203-488c-9016-cdea435706ea","character_id":null,"markdown":"```\nCPU：次に何をすべきか決める\n↓\nTPU/LPU：LLM推論を高速に実行\n↓\nCPU：結果を見て次のツールを呼ぶ\n↓\nTPU/LPU：また推論する\n```","render_override":null},{"id":"blk_e034c019-03ef-40b3-b39f-abee1ff13638","kind":"paragraph","order":1178,"section_id":"sec_a6b0787b-2203-488c-9016-cdea435706ea","character_id":null,"markdown":"これは十分に現実的です。","render_override":null},{"id":"blk_d8eec3c0-6515-45d4-becd-4bc7b92eb0e6","kind":"paragraph","order":1179,"section_id":"sec_a6b0787b-2203-488c-9016-cdea435706ea","character_id":null,"markdown":"特に、**チャット、音声AI、リアルタイム翻訳、定型的なLLM推論、社内AIエージェント**では、この構成は強いです。","render_override":null},{"id":"blk_2b0501a7-4899-46a7-852e-ab4117a1b64d","kind":"thematic_break","order":1180,"section_id":"sec_a6b0787b-2203-488c-9016-cdea435706ea","character_id":null,"markdown":"---","render_override":null},{"id":"blk_768eb63c-d7db-4516-a21a-3422bfdffe12","kind":"heading","order":1181,"section_id":"sec_5f0a504b-c802-42fc-b416-55fb2dc009b9","character_id":null,"markdown":"## \\3. CPU + TPU/LPUで代用しやすい領域","render_override":null},{"id":"blk_03b1617f-9b5a-489b-833d-1f958bdbdfce","kind":"heading","order":1182,"section_id":"sec_3666ba64-35d9-47b3-bc35-956eceae8da9","character_id":null,"markdown":"## \\1. 定型的なLLM推論","render_override":null},{"id":"blk_d9de3a07-05d9-4e08-9268-f43bb1e839e2","kind":"paragraph","order":1183,"section_id":"sec_3666ba64-35d9-47b3-bc35-956eceae8da9","character_id":null,"markdown":"同じモデル、同じような入力、同じような出力形式で大量に回すなら、TPU/LPUは強いです。","render_override":null},{"id":"blk_59569227-32e0-49c0-8417-1ff9fdd8d877","kind":"paragraph","order":1184,"section_id":"sec_3666ba64-35d9-47b3-bc35-956eceae8da9","character_id":null,"markdown":"例：","render_override":null},{"id":"blk_00921094-8d7b-462c-96fd-dad3871e08da","kind":"code","order":1185,"section_id":"sec_3666ba64-35d9-47b3-bc35-956eceae8da9","character_id":null,"markdown":"```\nチャットボット\nカスタマーサポート\n定型要約\n定型翻訳\nFAQ応答\n社内文書検索\n議事録要約\n```","render_override":null},{"id":"blk_7db9af14-a92a-4837-87c0-03eac103071f","kind":"paragraph","order":1186,"section_id":"sec_3666ba64-35d9-47b3-bc35-956eceae8da9","character_id":null,"markdown":"このような用途では、CPUが周辺制御を行い、TPU/LPUが推論を処理する形でGPUを代替しやすいです。","render_override":null},{"id":"blk_7ceb3183-bb93-49a3-aa01-9c790268086b","kind":"thematic_break","order":1187,"section_id":"sec_3666ba64-35d9-47b3-bc35-956eceae8da9","character_id":null,"markdown":"---","render_override":null},{"id":"blk_04c36550-21aa-4289-8295-821cefcaec2c","kind":"heading","order":1188,"section_id":"sec_1016b643-3fd0-4365-8d8c-6f235dd5ff01","character_id":null,"markdown":"## \\2. 低遅延の言語生成","render_override":null},{"id":"blk_e367b2ec-1cdd-4903-935b-e0f85f04ab98","kind":"paragraph","order":1189,"section_id":"sec_1016b643-3fd0-4365-8d8c-6f235dd5ff01","character_id":null,"markdown":"LPUはここが一番強いです。","render_override":null},{"id":"blk_392c4030-c4ef-47e9-9138-5508786c1c23","kind":"paragraph","order":1190,"section_id":"sec_1016b643-3fd0-4365-8d8c-6f235dd5ff01","character_id":null,"markdown":"GroqはLPUについて、静的スケジューリングと決定論的実行により予測可能な性能を出す設計だと説明しています。またオンチップSRAMを主要な重み保存先として使い、レイテンシを抑えるとしています。([Groq](https://groq.com/lpu-architecture?utm_source=chatgpt.com))","render_override":null},{"id":"blk_5043deb9-41b6-4ea6-a42b-366c66bae2dc","kind":"paragraph","order":1191,"section_id":"sec_1016b643-3fd0-4365-8d8c-6f235dd5ff01","character_id":null,"markdown":"つまり、LPUは、","render_override":null},{"id":"blk_cc0d527c-d707-4cc4-900b-1514ccafe9d8","kind":"code","order":1192,"section_id":"sec_1016b643-3fd0-4365-8d8c-6f235dd5ff01","character_id":null,"markdown":"```\n次のトークンを速く出す\nリアルタイム会話を滑らかにする\n音声AIの応答遅延を減らす\nエージェントの短い推論ループを速くする\n```","render_override":null},{"id":"blk_da476672-ffe5-4808-abe4-a445fbf95ea4","kind":"paragraph","order":1193,"section_id":"sec_1016b643-3fd0-4365-8d8c-6f235dd5ff01","character_id":null,"markdown":"用途ではGPUの一部を置き換えやすいです。","render_override":null},{"id":"blk_4456b0c4-2fb3-440c-84bf-3ed6a224943c","kind":"thematic_break","order":1194,"section_id":"sec_1016b643-3fd0-4365-8d8c-6f235dd5ff01","character_id":null,"markdown":"---","render_override":null},{"id":"blk_337310dc-18c7-4194-bb2c-f614d6536b49","kind":"heading","order":1195,"section_id":"sec_decb4039-9a16-4343-928a-9469098196f4","character_id":null,"markdown":"## \\3. Google型の大規模テンソル計算","render_override":null},{"id":"blk_d57f5fa2-f893-4322-8140-ec3d372ca3b8","kind":"paragraph","order":1196,"section_id":"sec_decb4039-9a16-4343-928a-9469098196f4","character_id":null,"markdown":"TPUは、Googleのようにモデル、コンパイラ、クラウド、運用を垂直統合できる環境では非常に強いです。","render_override":null},{"id":"blk_e2ef1703-6b2e-45ef-96a2-6df661a92962","kind":"paragraph","order":1197,"section_id":"sec_decb4039-9a16-4343-928a-9469098196f4","character_id":null,"markdown":"Google Cloudは、TPUは行列計算が支配的な大規模MLジョブ、大きなバッチサイズ、長期間の学習、超大規模embeddingを持つモデルなどに向くと説明しています。一方で、頻繁な分岐、動的shape、main training loop内のカスタム演算などには向かないとしています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/intro-to-tpu?utm_source=chatgpt.com))","render_override":null},{"id":"blk_4f3ab100-06c7-415f-9519-aa73e0959602","kind":"paragraph","order":1198,"section_id":"sec_decb4039-9a16-4343-928a-9469098196f4","character_id":null,"markdown":"つまりTPUは、","render_override":null},{"id":"blk_b37b9897-625b-4cf6-ac71-d4cc37346a2f","kind":"code","order":1199,"section_id":"sec_decb4039-9a16-4343-928a-9469098196f4","character_id":null,"markdown":"```\n形が安定した大規模学習\n大規模推論\n推薦モデル\n検索・広告・ランキング\nGoogle Cloud上のAI\n```","render_override":null},{"id":"blk_ec3df33e-85e0-4287-adf1-106de7083daa","kind":"paragraph","order":1200,"section_id":"sec_decb4039-9a16-4343-928a-9469098196f4","character_id":null,"markdown":"ではGPU代替になりやすい。","render_override":null},{"id":"blk_7144458f-045f-453b-bc84-e4eacf325c1b","kind":"thematic_break","order":1201,"section_id":"sec_decb4039-9a16-4343-928a-9469098196f4","character_id":null,"markdown":"---","render_override":null},{"id":"blk_8e28a550-66fc-4ba2-80fc-6cd29e30a4f3","kind":"heading","order":1202,"section_id":"sec_8a5e933a-b63a-459d-932d-af98eda31351","character_id":null,"markdown":"## \\4. それでもGPU代用が難しい領域","render_override":null},{"id":"blk_d87401c5-ec60-4b1c-aa0b-56df2d6057d2","kind":"paragraph","order":1203,"section_id":"sec_8a5e933a-b63a-459d-932d-af98eda31351","character_id":null,"markdown":"ここが本題です。","render_override":null},{"id":"blk_084ca2aa-0d21-4e48-ac2b-ab181f7d568d","kind":"paragraph","order":1204,"section_id":"sec_8a5e933a-b63a-459d-932d-af98eda31351","character_id":null,"markdown":"CPUで制御を補っても、TPU/LPUでGPUを代用しにくい領域があります。","render_override":null},{"id":"blk_a1399245-9f8a-4d43-ad39-730136dbe4ae","kind":"thematic_break","order":1205,"section_id":"sec_8a5e933a-b63a-459d-932d-af98eda31351","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ca80d5fc-78a9-4e34-a7b1-4db2cb07937d","kind":"heading","order":1206,"section_id":"sec_368badcc-9f77-4be6-9b74-b52df8d896c2","character_id":null,"markdown":"## \\1. 新しいモデル構造への対応","render_override":null},{"id":"blk_7ed28260-f59f-4fb3-a29f-722117b70cf4","kind":"paragraph","order":1207,"section_id":"sec_368badcc-9f77-4be6-9b74-b52df8d896c2","character_id":null,"markdown":"GPUの最大の強みは、**新しいモデルに対する柔軟性**です。","render_override":null},{"id":"blk_eeae2e50-8bfe-4a89-b96b-ebb830d71fa6","kind":"paragraph","order":1208,"section_id":"sec_368badcc-9f77-4be6-9b74-b52df8d896c2","character_id":null,"markdown":"AIのモデル構造は毎年変わります。","render_override":null},{"id":"blk_d6dc77a5-ecd2-4b1f-a8a9-7e69fef289ad","kind":"code","order":1209,"section_id":"sec_368badcc-9f77-4be6-9b74-b52df8d896c2","character_id":null,"markdown":"```\nTransformer\nMoE\nDiffusion\nState Space Model\nMamba系\nマルチモーダルモデル\n動画生成モデル\nロボティクス基盤モデル\n世界モデル\n強化学習\n推論モデル\n```","render_override":null},{"id":"blk_db56ff95-8e40-46d0-bf32-2b25640f0e78","kind":"paragraph","order":1210,"section_id":"sec_368badcc-9f77-4be6-9b74-b52df8d896c2","character_id":null,"markdown":"このように処理の形が変わると、TPU/LPUのような専用機は最適化が追いつきにくいことがあります。","render_override":null},{"id":"blk_35deab40-9a55-469d-9e4f-f9cee5757ec9","kind":"paragraph","order":1211,"section_id":"sec_368badcc-9f77-4be6-9b74-b52df8d896c2","character_id":null,"markdown":"GPUはCUDAやPyTorch、Tritonなどで新しいカーネルを書きやすい。NVIDIAはCUDAを、C++、Python、FortranやPyTorchなどからGPUを活用できるソフトウェア層として位置づけています。([NVIDIA Developer](https://developer.nvidia.com/cuda?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e960c3b4-7a72-45c2-9dd9-fc3a1aa738df","kind":"paragraph","order":1212,"section_id":"sec_368badcc-9f77-4be6-9b74-b52df8d896c2","character_id":null,"markdown":"つまり、GPUは、","render_override":null},{"id":"blk_5a6c5988-1fa9-4b89-9424-867a63470aa0","kind":"code","order":1213,"section_id":"sec_368badcc-9f77-4be6-9b74-b52df8d896c2","character_id":null,"markdown":"```\nまだ形が定まっていないAI\n研究開発中のAI\n新しい演算が必要なAI\n```","render_override":null},{"id":"blk_d95bb0e1-8141-4810-9a73-2120ccdb509b","kind":"paragraph","order":1214,"section_id":"sec_368badcc-9f77-4be6-9b74-b52df8d896c2","character_id":null,"markdown":"に強いです。","render_override":null},{"id":"blk_2d43db2e-3e01-4ab4-9f1a-71a541c60c1a","kind":"paragraph","order":1215,"section_id":"sec_368badcc-9f77-4be6-9b74-b52df8d896c2","character_id":null,"markdown":"CPU + TPU/LPUでは、CPUが制御できても、TPU/LPU側に適した実行パスがなければ性能が出ません。","render_override":null},{"id":"blk_a2d74712-6c07-40e7-9aa0-7f03e2dd6618","kind":"thematic_break","order":1216,"section_id":"sec_368badcc-9f77-4be6-9b74-b52df8d896c2","character_id":null,"markdown":"---","render_override":null},{"id":"blk_8073d8ac-8526-4949-b53f-93f92a6a3ac8","kind":"heading","order":1217,"section_id":"sec_001eec6f-709b-4cab-8986-2957a70ced22","character_id":null,"markdown":"## \\2. 画像生成・動画生成・3D・ロボティクス","render_override":null},{"id":"blk_40a01e2a-24a6-4f5a-95bd-834e70055da7","kind":"paragraph","order":1218,"section_id":"sec_001eec6f-709b-4cab-8986-2957a70ced22","character_id":null,"markdown":"LPUは基本的に言語推論向けです。 \n画像生成や動画生成には向きません。","render_override":null},{"id":"blk_a74ed1e7-4edc-464f-9362-4cb422c21304","kind":"paragraph","order":1219,"section_id":"sec_001eec6f-709b-4cab-8986-2957a70ced22","character_id":null,"markdown":"TPUはテンソル計算なので画像系にも使えますが、現実の生成AIではモデル構造やカスタム演算、メモリパターン、ライブラリ対応が重要です。","render_override":null},{"id":"blk_ac3ec954-d9f7-440d-b97b-a88b6916404c","kind":"paragraph","order":1220,"section_id":"sec_001eec6f-709b-4cab-8986-2957a70ced22","character_id":null,"markdown":"画像生成・動画生成では、","render_override":null},{"id":"blk_56b02311-e0ce-4c30-97ab-c2edd0e061b4","kind":"code","order":1221,"section_id":"sec_001eec6f-709b-4cab-8986-2957a70ced22","character_id":null,"markdown":"```\nDiffusion\nU-Net\nDiT\nVAE\nControlNet\n3D Gaussian Splatting\nNeRF\n動画の時系列処理\nマルチモーダル融合\n```","render_override":null},{"id":"blk_59ebcab7-1c7b-437f-8293-63ad9de1d883","kind":"paragraph","order":1222,"section_id":"sec_001eec6f-709b-4cab-8986-2957a70ced22","character_id":null,"markdown":"のような多様な処理が出ます。","render_override":null},{"id":"blk_1d55350d-3188-410b-8003-b5488fbb48ab","kind":"paragraph","order":1223,"section_id":"sec_001eec6f-709b-4cab-8986-2957a70ced22","character_id":null,"markdown":"GPUはこのような多様な演算を比較的柔軟に処理できます。 \nLPUでは代用が難しい。TPUでも環境やモデル次第で制約が出やすい。","render_override":null},{"id":"blk_f78e8e4c-1528-4e35-bec4-4ea4828ed7d0","kind":"thematic_break","order":1224,"section_id":"sec_001eec6f-709b-4cab-8986-2957a70ced22","character_id":null,"markdown":"---","render_override":null},{"id":"blk_3cff5ec3-72c0-4b2c-bb3f-0b32a2611858","kind":"heading","order":1225,"section_id":"sec_05b8709c-00a4-4ff3-a0fd-502fd1080c73","character_id":null,"markdown":"## \\3. カスタム演算・独自カーネルが多い領域","render_override":null},{"id":"blk_d18d75bf-bfec-46f7-b6d1-9e6e196c99de","kind":"paragraph","order":1226,"section_id":"sec_05b8709c-00a4-4ff3-a0fd-502fd1080c73","character_id":null,"markdown":"AI研究や高度な推論基盤では、標準レイヤーだけでは足りません。","render_override":null},{"id":"blk_90d516aa-dfce-4b8e-97a0-98090c2dd9d7","kind":"code","order":1227,"section_id":"sec_05b8709c-00a4-4ff3-a0fd-502fd1080c73","character_id":null,"markdown":"```\n独自Attention\nFlashAttention系\n独自MoEルーティング\n量子化カーネル\n特殊なKV cache管理\nSparse演算\n低精度演算\n推論最適化カーネル\nカスタムオペレーター\n```","render_override":null},{"id":"blk_6d6dee01-ec94-4d9f-8983-7f9bbb51a6bb","kind":"paragraph","order":1228,"section_id":"sec_05b8709c-00a4-4ff3-a0fd-502fd1080c73","character_id":null,"markdown":"こういう領域では、GPUのプログラマブル性が強いです。","render_override":null},{"id":"blk_0c31fa94-fca3-4d8b-b156-29f83f13ed90","kind":"paragraph","order":1229,"section_id":"sec_05b8709c-00a4-4ff3-a0fd-502fd1080c73","character_id":null,"markdown":"TPUはXLAで最適化できる形なら強いですが、Google Cloud自身もTPUはメインループにカスタム演算を含むニューラルネットワークには向かないと説明しています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/intro-to-tpu?utm_source=chatgpt.com))","render_override":null},{"id":"blk_ab0117c8-91d6-4747-856d-d5119d74bca0","kind":"paragraph","order":1230,"section_id":"sec_05b8709c-00a4-4ff3-a0fd-502fd1080c73","character_id":null,"markdown":"CPUで制御を補っても、肝心の重いカスタム演算を高速に走らせる場所が必要です。 \nここでGPUが残ります。","render_override":null},{"id":"blk_47610c45-4a14-41e1-ab59-8d8ebc628690","kind":"thematic_break","order":1231,"section_id":"sec_05b8709c-00a4-4ff3-a0fd-502fd1080c73","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ec3021f8-6544-4e4e-ab57-ba47874df126","kind":"heading","order":1232,"section_id":"sec_3aad843a-f437-4379-87a0-f87bf411ef73","character_id":null,"markdown":"## \\4. 動的shape・不規則なバッチ・長さがバラバラの推論","render_override":null},{"id":"blk_243ec311-7270-45d9-a0da-b68c766946bd","kind":"paragraph","order":1233,"section_id":"sec_3aad843a-f437-4379-87a0-f87bf411ef73","character_id":null,"markdown":"実サービスのAI推論では、ユーザーごとに入力長が違います。","render_override":null},{"id":"blk_e220d2d9-c9ec-4716-8ccf-5f682a1aced9","kind":"code","order":1234,"section_id":"sec_3aad843a-f437-4379-87a0-f87bf411ef73","character_id":null,"markdown":"```\n10トークンの質問\n1000トークンの文書\n10万トークンの長文\n画像付き入力\nツール呼び出しあり\n途中でキャンセル\nストリーミング出力\n```","render_override":null},{"id":"blk_bdf61509-df46-4059-ab38-958f460334f5","kind":"paragraph","order":1235,"section_id":"sec_3aad843a-f437-4379-87a0-f87bf411ef73","character_id":null,"markdown":"このように形がバラバラです。","render_override":null},{"id":"blk_bc0edb3c-af52-41a8-a716-420cf8871819","kind":"paragraph","order":1236,"section_id":"sec_3aad843a-f437-4379-87a0-f87bf411ef73","character_id":null,"markdown":"TPUは大きなバッチで形が揃っていると強いですが、動的shapeや頻繁な分岐は苦手です。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/intro-to-tpu?utm_source=chatgpt.com))","render_override":null},{"id":"blk_960f8bde-2241-4cfa-acda-18eb966a266b","kind":"paragraph","order":1237,"section_id":"sec_3aad843a-f437-4379-87a0-f87bf411ef73","character_id":null,"markdown":"GPUも完璧ではありません。NVIDIA CUDAでも、warp内で分岐が分かれると各分岐パスを順に実行するため効率が落ちると説明されています。([NVIDIA Docs](https://docs.nvidia.com/cuda/cuda-programming-guide/03-advanced/advanced-kernel-programming.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_44dda86f-1644-4c6b-b4ab-d46eb42f00e9","kind":"paragraph","order":1238,"section_id":"sec_3aad843a-f437-4379-87a0-f87bf411ef73","character_id":null,"markdown":"ただしGPUは、TPU/LPUよりも不規則性に耐えやすいです。","render_override":null},{"id":"blk_0334c12a-ccfe-47fd-bb04-c5a8298c3387","kind":"thematic_break","order":1239,"section_id":"sec_3aad843a-f437-4379-87a0-f87bf411ef73","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2f9a1e7d-bb15-4a79-8626-7e192746fbbd","kind":"heading","order":1240,"section_id":"sec_97ed292d-c8db-40f1-911e-bd6bc12e7cee","character_id":null,"markdown":"## \\5. MoE、ルーティング、疎行列、条件付き計算","render_override":null},{"id":"blk_58b1c918-8046-4fba-8767-0bb132ea1981","kind":"paragraph","order":1241,"section_id":"sec_97ed292d-c8db-40f1-911e-bd6bc12e7cee","character_id":null,"markdown":"MoE、つまりMixture of Expertsでは、トークンごとに使う専門家モデルが変わります。","render_override":null},{"id":"blk_9dc84c45-59d9-4a48-9892-15787e6f1526","kind":"code","order":1242,"section_id":"sec_97ed292d-c8db-40f1-911e-bd6bc12e7cee","character_id":null,"markdown":"```\nこのトークンはExpert 3へ\nこのトークンはExpert 12へ\nこのトークンはExpert 1と7へ\n```","render_override":null},{"id":"blk_15693662-f5b1-492c-b2da-97703c71adf1","kind":"paragraph","order":1243,"section_id":"sec_97ed292d-c8db-40f1-911e-bd6bc12e7cee","character_id":null,"markdown":"これは行列演算だけでなく、","render_override":null},{"id":"blk_b96d2123-3cf1-40f3-8f65-b8e84a88c446","kind":"code","order":1244,"section_id":"sec_97ed292d-c8db-40f1-911e-bd6bc12e7cee","character_id":null,"markdown":"```\nルーティング\n通信\nロードバランス\n疎なアクセス\n専門家ごとのバッチング\n```","render_override":null},{"id":"blk_aae0ab65-8970-4070-9e2d-edd4895f7751","kind":"paragraph","order":1245,"section_id":"sec_97ed292d-c8db-40f1-911e-bd6bc12e7cee","character_id":null,"markdown":"が重要です。","render_override":null},{"id":"blk_607c11ad-d74a-45dc-81e0-575bd15e678d","kind":"paragraph","order":1246,"section_id":"sec_97ed292d-c8db-40f1-911e-bd6bc12e7cee","character_id":null,"markdown":"GPUはNCCL、CUDA、カスタムカーネル、NVLinkなどを使って、このような不規則な大量並列処理に対応しやすい。","render_override":null},{"id":"blk_67f75fa4-a2f9-460c-b5dc-12beed4161e9","kind":"paragraph","order":1247,"section_id":"sec_97ed292d-c8db-40f1-911e-bd6bc12e7cee","character_id":null,"markdown":"TPUでもMoEは可能ですが、実装・環境・コンパイラ・通信設計に強く依存します。 \nLPUはこの種の汎用的なMoE学習・推論には向きにくいです。","render_override":null},{"id":"blk_8a884c08-e70f-46ee-9e27-8f1e7d4201e9","kind":"thematic_break","order":1248,"section_id":"sec_97ed292d-c8db-40f1-911e-bd6bc12e7cee","character_id":null,"markdown":"---","render_override":null},{"id":"blk_df47029d-12c3-4c8f-a0ca-e713b33697b7","kind":"heading","order":1249,"section_id":"sec_5f99fcd2-dfd9-4824-9760-585990f76325","character_id":null,"markdown":"## \\6. 大規模学習","render_override":null},{"id":"blk_0fdfb496-62e6-419d-b7e3-5db4151ea796","kind":"paragraph","order":1250,"section_id":"sec_5f99fcd2-dfd9-4824-9760-585990f76325","character_id":null,"markdown":"LPUは基本的に推論特化なので、大規模学習のGPU代替にはなりにくいです。","render_override":null},{"id":"blk_6fe1b732-7cce-48e4-a0bb-c86a811f1d91","kind":"paragraph","order":1251,"section_id":"sec_5f99fcd2-dfd9-4824-9760-585990f76325","character_id":null,"markdown":"TPUは大規模学習に強いですが、Googleの環境に寄ります。 \n広いAI業界で見ると、研究者・OSS・クラウド・企業内スタックはGPU中心で構築されています。","render_override":null},{"id":"blk_e247c031-283b-4e55-8565-86f4738d5132","kind":"paragraph","order":1252,"section_id":"sec_5f99fcd2-dfd9-4824-9760-585990f76325","character_id":null,"markdown":"大規模学習では、","render_override":null},{"id":"blk_d75cb4ce-3998-4b14-b5f9-638bd06f533a","kind":"code","order":1253,"section_id":"sec_5f99fcd2-dfd9-4824-9760-585990f76325","character_id":null,"markdown":"```\n分散学習\n勾配同期\n混合精度\nチェックポイント\nカスタムオペレーター\n新モデル実験\nデバッグ\nプロファイリング\n```","render_override":null},{"id":"blk_9c7974ec-3dd9-4654-9acf-9c9d02c505c1","kind":"paragraph","order":1254,"section_id":"sec_5f99fcd2-dfd9-4824-9760-585990f76325","character_id":null,"markdown":"が必要です。","render_override":null},{"id":"blk_f4919c60-a094-4bd0-8d2a-7d98bf7954b2","kind":"paragraph","order":1255,"section_id":"sec_5f99fcd2-dfd9-4824-9760-585990f76325","character_id":null,"markdown":"この柔軟性とエコシステムの厚みでは、GPUが非常に強いです。","render_override":null},{"id":"blk_f7f48a28-17b7-4d96-a6b2-420acf068018","kind":"thematic_break","order":1256,"section_id":"sec_5f99fcd2-dfd9-4824-9760-585990f76325","character_id":null,"markdown":"---","render_override":null},{"id":"blk_0f85ad14-8317-430e-9568-d4ac937173d2","kind":"heading","order":1257,"section_id":"sec_72fc0180-5c45-4d8d-90d4-e71e855ca82a","character_id":null,"markdown":"## \\7. HPC、科学技術計算、シミュレーション","render_override":null},{"id":"blk_1436fd40-c9e5-46a4-a389-910fde7fc6a9","kind":"paragraph","order":1258,"section_id":"sec_72fc0180-5c45-4d8d-90d4-e71e855ca82a","character_id":null,"markdown":"GPUはAI以外にも強いです。","render_override":null},{"id":"blk_74533f9e-c7f5-4165-a73f-69678a26fee1","kind":"code","order":1259,"section_id":"sec_72fc0180-5c45-4d8d-90d4-e71e855ca82a","character_id":null,"markdown":"```\n流体解析\n分子動力学\n気象予測\n金融シミュレーション\n物理シミュレーション\nレイトレーシング\n3Dレンダリング\nロボティクスシミュレーション\n```","render_override":null},{"id":"blk_950efb09-c31b-4c1f-9a8d-4da070c43b7c","kind":"paragraph","order":1260,"section_id":"sec_72fc0180-5c45-4d8d-90d4-e71e855ca82a","character_id":null,"markdown":"こうした処理は、単純なLLM推論とは違います。","render_override":null},{"id":"blk_17a212a8-d297-479e-a356-8724bca61a50","kind":"paragraph","order":1261,"section_id":"sec_72fc0180-5c45-4d8d-90d4-e71e855ca82a","character_id":null,"markdown":"TPU/LPUはこの領域では代用しにくいです。 \n特にLPUはほぼ対象外です。","render_override":null},{"id":"blk_f9cb886f-0c0c-4596-81a3-209810650aad","kind":"paragraph","order":1262,"section_id":"sec_72fc0180-5c45-4d8d-90d4-e71e855ca82a","character_id":null,"markdown":"GPUはAIだけでなく、HPCとグラフィックスの歴史を持つため、ここで大きな優位性があります。","render_override":null},{"id":"blk_56abad2f-99a4-4a2a-a537-cdeb26b47564","kind":"thematic_break","order":1263,"section_id":"sec_72fc0180-5c45-4d8d-90d4-e71e855ca82a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_318840b2-7350-489a-95e6-2001c87d7b27","kind":"heading","order":1264,"section_id":"sec_8a3c48bb-c5fe-4497-ae53-5cfda4f7bb1a","character_id":null,"markdown":"## \\5. 「CPUで補う」ときの限界","render_override":null},{"id":"blk_de649cbe-b4f4-4ded-93d0-dd7932be8eba","kind":"paragraph","order":1265,"section_id":"sec_8a3c48bb-c5fe-4497-ae53-5cfda4f7bb1a","character_id":null,"markdown":"CPUでTPU/LPUの弱点を補うことはできます。 \nしかし、CPUで補うときには3つの限界があります。","render_override":null},{"id":"blk_ee7580cd-3a83-406a-8a9a-ae8334203420","kind":"heading","order":1266,"section_id":"sec_37a62ea6-b9e0-45cf-a65a-22bdbcf27595","character_id":null,"markdown":"## 限界1：CPUは計算密度が低い","render_override":null},{"id":"blk_bc3dc107-e1d1-49c5-a645-a065f316f6ea","kind":"paragraph","order":1267,"section_id":"sec_37a62ea6-b9e0-45cf-a65a-22bdbcf27595","character_id":null,"markdown":"CPUは分岐や制御には強いですが、巨大な行列演算ではGPU/TPU/LPUに負けます。","render_override":null},{"id":"blk_92e453ef-1f39-4e8b-a38a-f1c3023a64f3","kind":"paragraph","order":1268,"section_id":"sec_37a62ea6-b9e0-45cf-a65a-22bdbcf27595","character_id":null,"markdown":"つまりCPUは、","render_override":null},{"id":"blk_132fe1e4-e658-45ec-a410-91e721973cd5","kind":"code","order":1269,"section_id":"sec_37a62ea6-b9e0-45cf-a65a-22bdbcf27595","character_id":null,"markdown":"```\n制御はできる\nでも重い並列計算は肩代わりしにくい\n```","render_override":null},{"id":"blk_5f6ac3c5-994c-4048-9643-089d6b91fdbb","kind":"paragraph","order":1270,"section_id":"sec_37a62ea6-b9e0-45cf-a65a-22bdbcf27595","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_41ae6a1e-9ef6-4dc1-953f-7532709a6467","kind":"thematic_break","order":1271,"section_id":"sec_37a62ea6-b9e0-45cf-a65a-22bdbcf27595","character_id":null,"markdown":"---","render_override":null},{"id":"blk_455253bb-fa14-4ee2-92d1-b28a3c1dc37b","kind":"heading","order":1272,"section_id":"sec_ac4d8870-8a91-469f-9618-98d6b795fd19","character_id":null,"markdown":"## 限界2：CPUとTPU/LPUの間でデータ移動が発生する","render_override":null},{"id":"blk_78bb4868-3c35-4b1a-b178-5782a273decc","kind":"paragraph","order":1273,"section_id":"sec_ac4d8870-8a91-469f-9618-98d6b795fd19","character_id":null,"markdown":"CPUが制御し、TPU/LPUが推論する場合、処理のたびにデータ移動や同期が発生します。","render_override":null},{"id":"blk_63fd369c-62a2-4ee0-b9a5-48167357acd1","kind":"code","order":1274,"section_id":"sec_ac4d8870-8a91-469f-9618-98d6b795fd19","character_id":null,"markdown":"```\nCPUで判断\n↓\nアクセラレータへ投入\n↓\n結果をCPUへ戻す\n↓\nCPUで次の判断\n↓\nまたアクセラレータへ投入\n```","render_override":null},{"id":"blk_99d673e5-8f2e-46b4-be76-b336986cfae3","kind":"paragraph","order":1275,"section_id":"sec_ac4d8870-8a91-469f-9618-98d6b795fd19","character_id":null,"markdown":"AIエージェントのように短い推論とツール処理を何度も繰り返すと、この往復がボトルネックになることがあります。","render_override":null},{"id":"blk_5cc871b9-d6e7-4910-be14-7cd8f1862ff6","kind":"thematic_break","order":1276,"section_id":"sec_ac4d8870-8a91-469f-9618-98d6b795fd19","character_id":null,"markdown":"---","render_override":null},{"id":"blk_06960dca-293f-4cc4-8acf-9c69f6bc5ed2","kind":"heading","order":1277,"section_id":"sec_afec0ced-b627-452f-80fe-9f5e5bc537c2","character_id":null,"markdown":"## 限界3：アクセラレータ側が対応していない処理は速くならない","render_override":null},{"id":"blk_342a2549-147c-4fab-b7fb-7ffcf51f9384","kind":"paragraph","order":1278,"section_id":"sec_afec0ced-b627-452f-80fe-9f5e5bc537c2","character_id":null,"markdown":"CPUがどれだけ賢くても、TPU/LPU側にその演算を高速に実行する仕組みがなければ、性能は出ません。","render_override":null},{"id":"blk_8dab0904-ec93-488a-9663-60307050b4d7","kind":"paragraph","order":1279,"section_id":"sec_afec0ced-b627-452f-80fe-9f5e5bc537c2","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_81b0fc78-786f-4596-9f1d-053d931e8aae","kind":"code","order":1280,"section_id":"sec_afec0ced-b627-452f-80fe-9f5e5bc537c2","character_id":null,"markdown":"```\nCPU = 司令塔\nTPU/LPU = 専用工場\n```","render_override":null},{"id":"blk_fa05bf5b-154d-48ef-b6a1-96d552017891","kind":"paragraph","order":1281,"section_id":"sec_afec0ced-b627-452f-80fe-9f5e5bc537c2","character_id":null,"markdown":"だとして、専用工場が作れない品目は、司令塔が命令しても作れません。","render_override":null},{"id":"blk_4daa5ce4-f82c-42eb-b366-b8e42a15085b","kind":"paragraph","order":1282,"section_id":"sec_afec0ced-b627-452f-80fe-9f5e5bc537c2","character_id":null,"markdown":"ここでGPUの「万能工場」性が効きます。","render_override":null},{"id":"blk_a174a8e6-d178-4712-91c9-73d9623d30f6","kind":"thematic_break","order":1283,"section_id":"sec_afec0ced-b627-452f-80fe-9f5e5bc537c2","character_id":null,"markdown":"---","render_override":null},{"id":"blk_30f686f5-6a6f-44bc-b8ac-085306bf4f33","kind":"heading","order":1284,"section_id":"sec_4278c68b-6b3a-4cc9-9eb8-a6a8d19b1043","character_id":null,"markdown":"## \\6. GPUが残り続ける核心部分","render_override":null},{"id":"blk_9206946e-6042-4c68-be13-40529a349a67","kind":"paragraph","order":1285,"section_id":"sec_4278c68b-6b3a-4cc9-9eb8-a6a8d19b1043","character_id":null,"markdown":"GPUにあってTPU/LPUに欠けやすいのは、次の4つです。","render_override":null},{"id":"blk_64500ea4-36c1-4975-917a-3c783a4bd193","kind":"heading","order":1286,"section_id":"sec_ee9f4586-ffc2-4fbb-94bc-ab7b1bb88021","character_id":null,"markdown":"## \\1. 汎用プログラマブル性","render_override":null},{"id":"blk_8b9e5ca1-ee34-4851-a66a-b1eaab443178","kind":"paragraph","order":1287,"section_id":"sec_ee9f4586-ffc2-4fbb-94bc-ab7b1bb88021","character_id":null,"markdown":"GPUは、AI専用機ではなく、広い意味での並列プロセッサです。","render_override":null},{"id":"blk_5eba3731-32e8-4477-970c-87fc1309d8a6","kind":"paragraph","order":1288,"section_id":"sec_ee9f4586-ffc2-4fbb-94bc-ab7b1bb88021","character_id":null,"markdown":"新しい演算、新しいモデル、新しい推論方式に対応しやすい。","render_override":null},{"id":"blk_3e706a2d-9d5e-4454-bbce-64dbb8bd864b","kind":"thematic_break","order":1289,"section_id":"sec_ee9f4586-ffc2-4fbb-94bc-ab7b1bb88021","character_id":null,"markdown":"---","render_override":null},{"id":"blk_efa66194-9a83-4b6f-8cdf-19f5297dff87","kind":"heading","order":1290,"section_id":"sec_55a52660-221d-4608-80aa-c42f3e01b2f4","character_id":null,"markdown":"## \\2. ソフトウェアエコシステム","render_override":null},{"id":"blk_8bcfa113-27c1-433d-a82b-7c27d0092d23","kind":"paragraph","order":1291,"section_id":"sec_55a52660-221d-4608-80aa-c42f3e01b2f4","character_id":null,"markdown":"CUDA、PyTorch、TensorRT、Triton、cuDNN、NCCL、各種カーネル最適化が厚い。","render_override":null},{"id":"blk_037fdf9d-bdf8-433f-bfd1-8685d601ad9a","kind":"paragraph","order":1292,"section_id":"sec_55a52660-221d-4608-80aa-c42f3e01b2f4","character_id":null,"markdown":"このエコシステムが、GPUの最大の堀です。","render_override":null},{"id":"blk_3f0af54f-85ac-40ed-b1eb-eb1ea629a26a","kind":"thematic_break","order":1293,"section_id":"sec_55a52660-221d-4608-80aa-c42f3e01b2f4","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a010b7b6-8c78-4160-aa60-61ea85e9e8bb","kind":"heading","order":1294,"section_id":"sec_6f5049f4-398b-47d8-be63-701f19f1f387","character_id":null,"markdown":"## \\3. 多用途性","render_override":null},{"id":"blk_8064c735-b1c9-463f-bd5d-e793d52365b3","kind":"paragraph","order":1295,"section_id":"sec_6f5049f4-398b-47d8-be63-701f19f1f387","character_id":null,"markdown":"GPUは、","render_override":null},{"id":"blk_a8e64b1e-5923-4eaa-9305-503f07ddac28","kind":"code","order":1296,"section_id":"sec_6f5049f4-398b-47d8-be63-701f19f1f387","character_id":null,"markdown":"```\n学習\n推論\n画像\n動画\n音声\n3D\nHPC\nロボティクス\nシミュレーション\n```","render_override":null},{"id":"blk_fb19862d-d083-48f6-aa2e-e0be5d0d61b3","kind":"paragraph","order":1297,"section_id":"sec_6f5049f4-398b-47d8-be63-701f19f1f387","character_id":null,"markdown":"を横断できます。","render_override":null},{"id":"blk_56a5059e-f80f-47b3-982d-0cf1047fced3","kind":"paragraph","order":1298,"section_id":"sec_6f5049f4-398b-47d8-be63-701f19f1f387","character_id":null,"markdown":"LPUは言語推論に偏ります。 \nTPUはテンソル計算に強いが、環境依存が大きい。","render_override":null},{"id":"blk_81962fe1-14ad-4e52-a520-d7038b327a6e","kind":"thematic_break","order":1299,"section_id":"sec_6f5049f4-398b-47d8-be63-701f19f1f387","character_id":null,"markdown":"---","render_override":null},{"id":"blk_33f775ac-e9c3-4076-afa5-6049686648a8","kind":"heading","order":1300,"section_id":"sec_0ffdfacd-1560-429f-aa48-3ea037faae70","character_id":null,"markdown":"## \\4. 不確実な未来への対応力","render_override":null},{"id":"blk_78de405d-aa95-4ab5-8159-9f81c05e4fb3","kind":"paragraph","order":1301,"section_id":"sec_0ffdfacd-1560-429f-aa48-3ea037faae70","character_id":null,"markdown":"AIはまだ最終形が見えていません。","render_override":null},{"id":"blk_b3cdec30-b940-441c-909a-2738a0172df6","kind":"paragraph","order":1302,"section_id":"sec_0ffdfacd-1560-429f-aa48-3ea037faae70","character_id":null,"markdown":"どのモデル構造が主流になるか、どの推論方式が勝つか、どのデータ型が標準になるか、まだ変化しています。","render_override":null},{"id":"blk_09df0abd-9659-4955-b03b-73fd90ff82d1","kind":"paragraph","order":1303,"section_id":"sec_0ffdfacd-1560-429f-aa48-3ea037faae70","character_id":null,"markdown":"この不確実性の時代には、専用機よりGPUが強いです。","render_override":null},{"id":"blk_4bda0f16-a096-4b4a-8de3-39543c200b95","kind":"thematic_break","order":1304,"section_id":"sec_0ffdfacd-1560-429f-aa48-3ea037faae70","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7c36ad5a-18c4-49b1-8afb-71bce483895c","kind":"heading","order":1305,"section_id":"sec_7dd33398-5283-46c4-a786-e187e63ed76a","character_id":null,"markdown":"## \\7. まとめると","render_override":null},{"id":"blk_f4191a5f-8a7e-4c72-a09d-9563439878d6","kind":"paragraph","order":1306,"section_id":"sec_7dd33398-5283-46c4-a786-e187e63ed76a","character_id":null,"markdown":"CPU + TPU/LPUでGPUを代替しやすい領域は、","render_override":null},{"id":"blk_16af3086-d6a2-4af8-99ad-0f6ba34ed81b","kind":"code","order":1307,"section_id":"sec_7dd33398-5283-46c4-a786-e187e63ed76a","character_id":null,"markdown":"```\n定型LLM推論\n低遅延チャット\n音声AI\n固定モデルの大量推論\nGoogle型の大規模テンソル処理\n社内AIエージェントの一部\n```","render_override":null},{"id":"blk_c0b75037-f9e8-48ac-b4a7-9b8049d62490","kind":"paragraph","order":1308,"section_id":"sec_7dd33398-5283-46c4-a786-e187e63ed76a","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_b795083d-6a13-4f76-b46f-39cfd02a8103","kind":"paragraph","order":1309,"section_id":"sec_7dd33398-5283-46c4-a786-e187e63ed76a","character_id":null,"markdown":"一方、代替しにくい領域は、","render_override":null},{"id":"blk_3c3906db-6b5c-4791-8cc5-a2bf708036b2","kind":"code","order":1310,"section_id":"sec_7dd33398-5283-46c4-a786-e187e63ed76a","character_id":null,"markdown":"```\n新モデル研究開発\n画像生成\n動画生成\nマルチモーダル\nロボティクス\nHPC\n大規模学習\nカスタム演算\n独自カーネル\nMoE・疎演算・動的shape\n不規則な大量並列処理\n```","render_override":null},{"id":"blk_4e2252ad-5879-4db4-8d7c-3a53dd303ef1","kind":"paragraph","order":1311,"section_id":"sec_7dd33398-5283-46c4-a786-e187e63ed76a","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_567fbaf5-d4ab-4961-9cd2-869207c4a696","kind":"paragraph","order":1312,"section_id":"sec_7dd33398-5283-46c4-a786-e187e63ed76a","character_id":null,"markdown":"一言で言うと、","render_override":null},{"id":"blk_4ccb22c5-8e5e-4c66-8749-d5c7b6bb1e09","kind":"paragraph","order":1313,"section_id":"sec_7dd33398-5283-46c4-a786-e187e63ed76a","character_id":null,"markdown":"**CPUでTPU/LPUの“制御の弱さ”は補える。 \nしかし、GPUの“柔軟な大量並列計算能力”は補いにくい。**","render_override":null},{"id":"blk_dd4789de-f066-4f9f-a291-1719664bec3e","kind":"paragraph","order":1314,"section_id":"sec_7dd33398-5283-46c4-a786-e187e63ed76a","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_0c5a9984-e9a9-4cac-9ec0-12e394b22e68","kind":"paragraph","order":1315,"section_id":"sec_7dd33398-5283-46c4-a786-e187e63ed76a","character_id":null,"markdown":"だから今後のAIインフラは、","render_override":null},{"id":"blk_3037cc2d-b924-4a65-a960-bf78a224e1b8","kind":"code","order":1316,"section_id":"sec_7dd33398-5283-46c4-a786-e187e63ed76a","character_id":null,"markdown":"```\nCPU + TPU/LPU がGPUを完全に置き換える\n```","render_override":null},{"id":"blk_5d362d0a-44ce-4b6a-b8a7-e9f3889a4aa0","kind":"paragraph","order":1317,"section_id":"sec_7dd33398-5283-46c4-a786-e187e63ed76a","character_id":null,"markdown":"というより、","render_override":null},{"id":"blk_71a7f283-59a6-477a-bfd7-11b6b20ae669","kind":"code","order":1318,"section_id":"sec_7dd33398-5283-46c4-a786-e187e63ed76a","character_id":null,"markdown":"```\nGPU：変化に強い万能AI基盤\nTPU：定型化した巨大テンソル処理\nLPU：低遅延LLM推論\nCPU：制御・I/O・エージェント実行\n```","render_override":null},{"id":"blk_3c20d903-955e-4227-9551-619795e14fc3","kind":"paragraph","order":1319,"section_id":"sec_7dd33398-5283-46c4-a786-e187e63ed76a","character_id":null,"markdown":"という分業になると思います。","render_override":null},{"id":"blk_a916e781-944b-43f8-b7a5-cb50e2b840e8","kind":"thematic_break","order":1320,"section_id":"sec_7dd33398-5283-46c4-a786-e187e63ed76a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_fc0d82e5-8fa0-49dd-9511-bc6c061e9dff","kind":"heading","order":1321,"section_id":"sec_a1caf1d1-d45f-4c70-b24f-2f29acd7181d","character_id":null,"markdown":"## VLAにおけるCPU、GPU、LPU、TPUの役割","render_override":null},{"id":"blk_a0687f38-60ef-4244-9d1d-577e54222cd6","kind":"paragraph","order":1322,"section_id":"sec_a1caf1d1-d45f-4c70-b24f-2f29acd7181d","character_id":null,"markdown":"結論から言うと、**画像生成・動画生成は、単なるクリエイティブ用途ではなく、VLM/VLA/ロボティクスにとって「世界を学ぶための教材」と「行動を試す仮想実験場」になります。**","render_override":null},{"id":"blk_f3c77b1f-ba1a-4c22-accd-c2a200a00455","kind":"paragraph","order":1323,"section_id":"sec_a1caf1d1-d45f-4c70-b24f-2f29acd7181d","character_id":null,"markdown":"そしてVLAにおける計算資源の役割は、おおまかにこうです。","render_override":null},{"id":"blk_a85f9f94-52a6-41d8-be9d-4e8c8935c67f","kind":"paragraph","order":1324,"section_id":"sec_a1caf1d1-d45f-4c70-b24f-2f29acd7181d","character_id":null,"markdown":"**CPU：身体と現実世界を管理する司令塔** \n**GPU：視覚・動画・生成・学習・シミュレーションの主力** \n**TPU：定型化した巨大テンソル計算を高効率に回す専用工場** \n**LPU：低遅延の言語推論・計画ループを回す補助エンジン**","render_override":null},{"id":"blk_757498dd-cae2-4669-ae4e-9370281259d6","kind":"thematic_break","order":1325,"section_id":"sec_a1caf1d1-d45f-4c70-b24f-2f29acd7181d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_3968b2d8-146b-435a-a0f2-d47eb37a9237","kind":"heading","order":1326,"section_id":"sec_50759b4f-7e29-4ba7-b376-9aafe0ef3db0","character_id":null,"markdown":"## \\1. なぜ画像生成・動画生成がVLM/VLAに重要なのか","render_override":null},{"id":"blk_5f1b9d75-0ec5-4f0d-b4bc-c943dc21fd64","kind":"paragraph","order":1327,"section_id":"sec_50759b4f-7e29-4ba7-b376-9aafe0ef3db0","character_id":null,"markdown":"VLMは **Vision-Language Model**、つまり画像や動画を見て、言語で理解・推論するモデルです。 \nVLAは **Vision-Language-Action Model**、つまり画像・言語を入力し、ロボットの行動まで出力するモデルです。","render_override":null},{"id":"blk_c443242e-62e8-4ea7-a3c2-59c272621191","kind":"paragraph","order":1328,"section_id":"sec_50759b4f-7e29-4ba7-b376-9aafe0ef3db0","character_id":null,"markdown":"Google DeepMindのRT-2は、Web規模の視覚・言語データで事前学習したVLMを、ロボット観測から行動へ変換できるVLAへ拡張する研究です。DeepMindはRT-2について、Webとロボットデータの両方から学習し、視覚と言語の知識をロボット制御に転移するモデルだと説明しています。([Google DeepMind](https://deepmind.google/blog/rt-2-new-model-translates-vision-and-language-into-action/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_8024a8b7-1612-4ba9-8344-d29f36d3bc97","kind":"paragraph","order":1329,"section_id":"sec_50759b4f-7e29-4ba7-b376-9aafe0ef3db0","character_id":null,"markdown":"つまり、VLAはこういう構造です。","render_override":null},{"id":"blk_e190e0a2-498d-4018-b739-a1ddcb277258","kind":"code","order":1330,"section_id":"sec_50759b4f-7e29-4ba7-b376-9aafe0ef3db0","character_id":null,"markdown":"```\n画像を見る\n↓\n言語命令を理解する\n↓\n状況を推論する\n↓\n何を掴むか、どこへ動かすかを決める\n↓\nロボットの行動に変換する\n```","render_override":null},{"id":"blk_57744deb-da5d-42cf-8796-2c6f14117a08","kind":"paragraph","order":1331,"section_id":"sec_50759b4f-7e29-4ba7-b376-9aafe0ef3db0","character_id":null,"markdown":"ここで重要なのは、ロボットが必要とする知能は「物体名を知っている」だけでは足りないことです。","render_override":null},{"id":"blk_3516a7ab-09fb-46aa-a0eb-48f1d7cdde0d","kind":"paragraph","order":1332,"section_id":"sec_50759b4f-7e29-4ba7-b376-9aafe0ef3db0","character_id":null,"markdown":"ロボットは、","render_override":null},{"id":"blk_0e967591-9c1b-48b4-bc4f-bd9403cc5a1a","kind":"code","order":1333,"section_id":"sec_50759b4f-7e29-4ba7-b376-9aafe0ef3db0","character_id":null,"markdown":"```\nこのコップは倒れやすい\nこの箱は押せば滑る\nこの布は柔らかく変形する\nこのドアは取っ手を回す必要がある\nこの人の手を避けなければ危ない\n```","render_override":null},{"id":"blk_80f1b80d-19a6-414f-a86c-35408c395dec","kind":"paragraph","order":1334,"section_id":"sec_50759b4f-7e29-4ba7-b376-9aafe0ef3db0","character_id":null,"markdown":"という、**物理世界の変化**を理解する必要があります。","render_override":null},{"id":"blk_a4443952-1c6b-468f-b3bd-355877c0472b","kind":"paragraph","order":1335,"section_id":"sec_50759b4f-7e29-4ba7-b376-9aafe0ef3db0","character_id":null,"markdown":"この「変化」を学ぶには、静止画像だけでは不十分です。 \nだから動画が重要になります。","render_override":null},{"id":"blk_5e6a0236-187a-4c2d-b386-0dd7573a43f5","kind":"thematic_break","order":1336,"section_id":"sec_50759b4f-7e29-4ba7-b376-9aafe0ef3db0","character_id":null,"markdown":"---","render_override":null},{"id":"blk_87f835af-e507-45af-8443-102a8094895c","kind":"heading","order":1337,"section_id":"sec_c2f776dd-58bc-47e7-8e56-765c078a6ac9","character_id":null,"markdown":"## \\2. 画像生成は「見た目の多様性」を増やす","render_override":null},{"id":"blk_f3676914-5243-4c77-a5a4-b0cde9d83bc7","kind":"paragraph","order":1338,"section_id":"sec_c2f776dd-58bc-47e7-8e56-765c078a6ac9","character_id":null,"markdown":"画像生成は、VLM/VLAにとって **視覚データの多様化装置** です。","render_override":null},{"id":"blk_c46a610c-338a-4d59-8f2a-c5e453ad44c6","kind":"paragraph","order":1339,"section_id":"sec_c2f776dd-58bc-47e7-8e56-765c078a6ac9","character_id":null,"markdown":"ロボットは現実世界で、毎回違うものを見ます。","render_override":null},{"id":"blk_8885d45e-7758-4095-b150-9440cb0f161e","kind":"code","order":1340,"section_id":"sec_c2f776dd-58bc-47e7-8e56-765c078a6ac9","character_id":null,"markdown":"```\n照明が違う\n背景が違う\n物体の色が違う\n机の材質が違う\nカメラ角度が違う\n人間の手が写り込む\n影や反射がある\n物が半分隠れている\n```","render_override":null},{"id":"blk_1fc9bd8c-92e1-4fc2-8879-b3d5676f7dec","kind":"paragraph","order":1341,"section_id":"sec_c2f776dd-58bc-47e7-8e56-765c078a6ac9","character_id":null,"markdown":"現実のロボットデータだけでこれらを全部集めるのは大変です。 \nそこで画像生成や合成データが重要になります。","render_override":null},{"id":"blk_8c5015e4-c2dc-4286-97bf-1b27d0913c5c","kind":"paragraph","order":1342,"section_id":"sec_c2f776dd-58bc-47e7-8e56-765c078a6ac9","character_id":null,"markdown":"画像生成によって、","render_override":null},{"id":"blk_cb9e4527-598f-4fc3-b0fc-802ec025d3d9","kind":"code","order":1343,"section_id":"sec_c2f776dd-58bc-47e7-8e56-765c078a6ac9","character_id":null,"markdown":"```\n同じタスクを別の部屋で再現する\n別の物体に置き換える\n照明や影を変える\n珍しい失敗例を作る\n危険な状況を仮想的に作る\n```","render_override":null},{"id":"blk_92884d98-41fc-4e82-969b-271a40e88e78","kind":"paragraph","order":1344,"section_id":"sec_c2f776dd-58bc-47e7-8e56-765c078a6ac9","character_id":null,"markdown":"ことができます。","render_override":null},{"id":"blk_469be7fa-05bf-4fe2-a0a7-827fcf61001b","kind":"paragraph","order":1345,"section_id":"sec_c2f776dd-58bc-47e7-8e56-765c078a6ac9","character_id":null,"markdown":"これは、VLAにとって「現実で起きる無数の見た目の揺らぎ」に強くなるための訓練になります。","render_override":null},{"id":"blk_77b705a2-7fdb-43d1-ab20-760cabe23090","kind":"paragraph","order":1346,"section_id":"sec_c2f776dd-58bc-47e7-8e56-765c078a6ac9","character_id":null,"markdown":"ただし、画像生成だけでは「時間変化」が足りません。 \nロボットにとって本当に重要なのは、**行動した結果、世界がどう変わるか** です。 \nここで動画生成・世界モデルが重要になります。","render_override":null},{"id":"blk_23588955-7fe6-46b3-b1b3-77093a7e3356","kind":"thematic_break","order":1347,"section_id":"sec_c2f776dd-58bc-47e7-8e56-765c078a6ac9","character_id":null,"markdown":"---","render_override":null},{"id":"blk_169c8829-2b76-44f2-9019-5116069326a1","kind":"heading","order":1348,"section_id":"sec_3757d8cd-d0a6-4101-8072-65ff2d73fa41","character_id":null,"markdown":"## \\3. 動画生成は「物理世界の時間変化」を学ばせる","render_override":null},{"id":"blk_78a415f2-22e7-4588-9e46-6640776a7c1c","kind":"paragraph","order":1349,"section_id":"sec_3757d8cd-d0a6-4101-8072-65ff2d73fa41","character_id":null,"markdown":"動画生成は、VLAにとって **未来予測の教材** です。","render_override":null},{"id":"blk_407b7433-02f2-47df-9b6f-62bb9db5c13c","kind":"paragraph","order":1350,"section_id":"sec_3757d8cd-d0a6-4101-8072-65ff2d73fa41","character_id":null,"markdown":"ロボットは行動する前に、ある程度こう考える必要があります。","render_override":null},{"id":"blk_c263341e-2932-4086-81d8-eeee2350ad13","kind":"code","order":1351,"section_id":"sec_3757d8cd-d0a6-4101-8072-65ff2d73fa41","character_id":null,"markdown":"```\nこれを押したらどう動くか\nこれを掴んだら落ちるか\nこの方向へ腕を動かすとぶつかるか\nこの物体は転がるか\nこの箱は開くか\n人間が近づいてきたらどう避けるか\n```","render_override":null},{"id":"blk_188b05f2-8bf6-499d-b286-28a405c03374","kind":"paragraph","order":1352,"section_id":"sec_3757d8cd-d0a6-4101-8072-65ff2d73fa41","character_id":null,"markdown":"これは言語だけではなく、**動画的な世界理解**です。","render_override":null},{"id":"blk_717eab33-8e9e-45d5-967f-7bf62ea37450","kind":"paragraph","order":1353,"section_id":"sec_3757d8cd-d0a6-4101-8072-65ff2d73fa41","character_id":null,"markdown":"MetaのV-JEPA 2は、インターネット規模の動画データと少量のロボット軌道データを組み合わせ、物理世界を理解・予測・計画するモデルを目指す研究です。MetaはV-JEPA 2を、動画から視覚理解と予測を行い、新しい環境でゼロショットのロボット制御を可能にする世界モデルとして説明しています。([AI Meta](https://ai.meta.com/research/vjepa/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_b4af8072-8d0c-4e6b-8204-31681953f60b","kind":"paragraph","order":1354,"section_id":"sec_3757d8cd-d0a6-4101-8072-65ff2d73fa41","character_id":null,"markdown":"これは非常に重要です。 \nなぜならロボットは、単に「見えているもの」を認識するだけでなく、**次に何が起こるか** を予測しなければならないからです。","render_override":null},{"id":"blk_ac91cb6c-a333-4abb-816a-96666d955602","kind":"paragraph","order":1355,"section_id":"sec_3757d8cd-d0a6-4101-8072-65ff2d73fa41","character_id":null,"markdown":"つまり動画生成・動画予測は、ロボットにとっての「想像力」に近いです。","render_override":null},{"id":"blk_14191709-56be-4250-9e69-715e19ca3ed6","kind":"thematic_break","order":1356,"section_id":"sec_3757d8cd-d0a6-4101-8072-65ff2d73fa41","character_id":null,"markdown":"---","render_override":null},{"id":"blk_cd76fb90-5bb8-4c8f-9623-64e6626f3a3d","kind":"heading","order":1357,"section_id":"sec_a8f7474f-f3e5-4d20-b0b5-450e574f364e","character_id":null,"markdown":"## \\4. 世界モデルは、ロボットの仮想訓練場になる","render_override":null},{"id":"blk_31f36998-7015-4ff6-90fb-42146db5d3b3","kind":"paragraph","order":1358,"section_id":"sec_a8f7474f-f3e5-4d20-b0b5-450e574f364e","character_id":null,"markdown":"動画生成がさらに進むと、単なる動画ではなく **World Model / 世界モデル** になります。","render_override":null},{"id":"blk_2e968a61-19aa-416a-adbe-725c2bfe4576","kind":"paragraph","order":1359,"section_id":"sec_a8f7474f-f3e5-4d20-b0b5-450e574f364e","character_id":null,"markdown":"世界モデルとは、環境の状態や行動の結果を予測するモデルです。 \nGoogle DeepMindはProject Genieについて、世界モデルは環境のダイナミクスをシミュレートし、世界がどう変化するか、行動がどう影響するかを予測するものだと説明しています。([blog.google](https://blog.google/innovation-and-ai/models-and-research/google-deepmind/project-genie/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_9dab6999-0575-48a7-8a36-8293d693c987","kind":"paragraph","order":1360,"section_id":"sec_a8f7474f-f3e5-4d20-b0b5-450e574f364e","character_id":null,"markdown":"NVIDIA Cosmosもこの方向です。NVIDIAはCosmosをPhysical AI向けのWorld Foundation Modelプラットフォームとして位置づけ、テキスト・画像・動画から予測的な動画世界を生成し、エッジケース、閉ループ方策、マルチビューのロボット中心シミュレーションを作れると説明しています。([NVIDIA](https://www.nvidia.com/en-us/ai/cosmos/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_f29ded70-109c-4701-b905-e753ada8e2c4","kind":"paragraph","order":1361,"section_id":"sec_a8f7474f-f3e5-4d20-b0b5-450e574f364e","character_id":null,"markdown":"ここでのポイントは、動画生成が **ロボットの練習場** になることです。","render_override":null},{"id":"blk_8ccf01de-9c4d-4457-b107-9b0c26ed50c1","kind":"paragraph","order":1362,"section_id":"sec_a8f7474f-f3e5-4d20-b0b5-450e574f364e","character_id":null,"markdown":"現実のロボットで学習するには、時間もコストも危険もあります。","render_override":null},{"id":"blk_a7fa95c0-a982-4b95-8676-080d4df56850","kind":"code","order":1363,"section_id":"sec_a8f7474f-f3e5-4d20-b0b5-450e574f364e","character_id":null,"markdown":"```\nロボットが物を落とす\n部品を壊す\n人にぶつかる\n工場ラインを止める\n高価な実機を長時間使う\n```","render_override":null},{"id":"blk_fc0efc0c-3621-4558-804a-b3b68d435c2b","kind":"paragraph","order":1364,"section_id":"sec_a8f7474f-f3e5-4d20-b0b5-450e574f364e","character_id":null,"markdown":"これをすべて現実で試すのは難しい。","render_override":null},{"id":"blk_1a02b9a4-8e10-4662-b4a4-0dbea276614e","kind":"paragraph","order":1365,"section_id":"sec_a8f7474f-f3e5-4d20-b0b5-450e574f364e","character_id":null,"markdown":"だから、世界モデルや動画生成で、","render_override":null},{"id":"blk_0fd01823-e2c9-40aa-aebb-769f24ef32eb","kind":"code","order":1366,"section_id":"sec_a8f7474f-f3e5-4d20-b0b5-450e574f364e","character_id":null,"markdown":"```\n危険な状況を仮想的に作る\n珍しい失敗パターンを作る\n倉庫や工場を仮想生成する\n天候・照明・床面・障害物を変える\nロボットが行動した未来を予測する\n```","render_override":null},{"id":"blk_f8cf09e6-1bd6-4a06-a93e-9d73b3ef94ff","kind":"paragraph","order":1367,"section_id":"sec_a8f7474f-f3e5-4d20-b0b5-450e574f364e","character_id":null,"markdown":"ことが重要になります。","render_override":null},{"id":"blk_3e7a998c-9778-463e-b0e4-fd737807e696","kind":"paragraph","order":1368,"section_id":"sec_a8f7474f-f3e5-4d20-b0b5-450e574f364e","character_id":null,"markdown":"つまり、動画生成は「映像作品を作る技術」ではなく、**フィジカルAIの訓練データ工場** になっていく可能性があります。","render_override":null},{"id":"blk_7037d74b-df61-4d2c-9144-8cc0790bf7be","kind":"thematic_break","order":1369,"section_id":"sec_a8f7474f-f3e5-4d20-b0b5-450e574f364e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_0cd79e5e-2571-4ef9-bcfd-6d885677cddd","kind":"heading","order":1370,"section_id":"sec_d3f834b4-f2a6-461c-bdf9-d2b6f664ed81","character_id":null,"markdown":"## \\5. VLAにおけるCPU、GPU、TPU、LPUの役割","render_override":null},{"id":"blk_bddede50-8f3a-4bcc-b633-007837232cd5","kind":"paragraph","order":1371,"section_id":"sec_d3f834b4-f2a6-461c-bdf9-d2b6f664ed81","character_id":null,"markdown":"VLAは、1つのチップだけで完結するというより、複数の計算資源が役割分担するシステムです。","render_override":null},{"id":"blk_b6f9b0c2-98a0-4510-9b28-e794036fb4a0","kind":"paragraph","order":1372,"section_id":"sec_d3f834b4-f2a6-461c-bdf9-d2b6f664ed81","character_id":null,"markdown":"かなり単純化すると、こうなります。","render_override":null},{"id":"blk_de98706b-53f7-4164-8c86-e8a503d1c3ee","kind":"code","order":1373,"section_id":"sec_d3f834b4-f2a6-461c-bdf9-d2b6f664ed81","character_id":null,"markdown":"```\nカメラ・センサー\n↓\nCPU：入力管理、OS、ROS、I/O、安全制御\n↓\nGPU/TPU：視覚理解、VLM/VLA推論\n↓\nCPU：行動計画、制御、安全確認\n↓\nロボット制御器・モーター\n```","render_override":null},{"id":"blk_16692484-128b-406e-9d14-6acd4a445371","kind":"paragraph","order":1374,"section_id":"sec_d3f834b4-f2a6-461c-bdf9-d2b6f664ed81","character_id":null,"markdown":"さらにクラウド側では、","render_override":null},{"id":"blk_6f852019-375c-404e-8a27-c74c18023c51","kind":"code","order":1375,"section_id":"sec_d3f834b4-f2a6-461c-bdf9-d2b6f664ed81","character_id":null,"markdown":"```\nGPU/TPU：大規模学習、動画生成、世界モデル、シミュレーション\nCPU：データ管理、ジョブ制御、シミュレーション管理\nLPU：低遅延の言語推論・エージェントループ\n```","render_override":null},{"id":"blk_a9dae7c0-3b35-4139-bb4a-09a69ac26470","kind":"paragraph","order":1376,"section_id":"sec_d3f834b4-f2a6-461c-bdf9-d2b6f664ed81","character_id":null,"markdown":"になります。","render_override":null},{"id":"blk_73f32a6d-3367-4195-8960-d82319f0cff4","kind":"thematic_break","order":1377,"section_id":"sec_d3f834b4-f2a6-461c-bdf9-d2b6f664ed81","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1f5338c4-3522-4171-ae42-79782387a2f5","kind":"heading","order":1378,"section_id":"sec_e9704f13-a11a-4040-9f60-a6a26f2b4a77","character_id":null,"markdown":"## CPUの役割：身体と現実世界を管理する","render_override":null},{"id":"blk_95b7397c-9ee8-4260-af6b-2de738ab87de","kind":"paragraph","order":1379,"section_id":"sec_e9704f13-a11a-4040-9f60-a6a26f2b4a77","character_id":null,"markdown":"VLAにおけるCPUは、非常に重要です。","render_override":null},{"id":"blk_4e534801-a21d-4edf-9447-43056d430392","kind":"paragraph","order":1380,"section_id":"sec_e9704f13-a11a-4040-9f60-a6a26f2b4a77","character_id":null,"markdown":"CPUは、ロボットの「身体側」を管理します。","render_override":null},{"id":"blk_8c999846-7b80-45cc-a85b-7454b8c6a7b0","kind":"code","order":1381,"section_id":"sec_e9704f13-a11a-4040-9f60-a6a26f2b4a77","character_id":null,"markdown":"```\nOS\nROS / ROS2\nセンサー入力\nカメラ入力\nLiDAR\nIMU\nモーター制御\nネットワーク通信\nファイルI/O\n安全監視\n異常検知\nタスクスケジューリング\n人間の介入\n```","render_override":null},{"id":"blk_fb9ede3d-0ff5-4196-bca6-f8edfb05a2ff","kind":"paragraph","order":1382,"section_id":"sec_e9704f13-a11a-4040-9f60-a6a26f2b4a77","character_id":null,"markdown":"特にロボットでは、AIモデルの推論だけでなく、**リアルタイム制御** が必要です。","render_override":null},{"id":"blk_99f03ec2-4aba-4968-82aa-a9cb350eabc5","kind":"paragraph","order":1383,"section_id":"sec_e9704f13-a11a-4040-9f60-a6a26f2b4a77","character_id":null,"markdown":"たとえば、VLAが「コップを掴め」と判断しても、実際にはCPU側や制御系が、","render_override":null},{"id":"blk_87fd491b-970c-4b74-8fa0-579e974ec6cf","kind":"code","order":1384,"section_id":"sec_e9704f13-a11a-4040-9f60-a6a26f2b4a77","character_id":null,"markdown":"```\n関節角度を読む\nモーターへ命令する\n力覚センサーを見る\n滑っていないか確認する\n障害物を避ける\n緊急停止する\n```","render_override":null},{"id":"blk_84442348-5889-4e53-87f5-e7bda613a1d0","kind":"paragraph","order":1385,"section_id":"sec_e9704f13-a11a-4040-9f60-a6a26f2b4a77","character_id":null,"markdown":"必要があります。","render_override":null},{"id":"blk_8dd79b27-fad9-46ad-b667-de901d3c931c","kind":"paragraph","order":1386,"section_id":"sec_e9704f13-a11a-4040-9f60-a6a26f2b4a77","character_id":null,"markdown":"つまりCPUは、VLAの中で **現実世界との接続係** です。","render_override":null},{"id":"blk_f825c26b-ea49-419e-9ccf-767cdaa4bb39","kind":"paragraph","order":1387,"section_id":"sec_e9704f13-a11a-4040-9f60-a6a26f2b4a77","character_id":null,"markdown":"AIエージェント文脈で言えば、CPUは「道具を使う」「状況に応じて分岐する」「失敗したら再試行する」部分を担当します。","render_override":null},{"id":"blk_ef483b88-4dc1-47b8-a83b-652fe34df62b","kind":"thematic_break","order":1388,"section_id":"sec_e9704f13-a11a-4040-9f60-a6a26f2b4a77","character_id":null,"markdown":"---","render_override":null},{"id":"blk_901a34c2-1dfa-45fc-8e62-9b098fd19011","kind":"heading","order":1389,"section_id":"sec_370fa449-df14-46e6-92e1-fa36a26d57b3","character_id":null,"markdown":"## GPUの役割：VLA時代でも最も広い主力","render_override":null},{"id":"blk_587e82cf-48ae-40fe-bb2c-86ecfdde254e","kind":"paragraph","order":1390,"section_id":"sec_370fa449-df14-46e6-92e1-fa36a26d57b3","character_id":null,"markdown":"GPUはVLA時代でも非常に重要です。 \nむしろ、画像生成・動画生成・世界モデル・ロボティクスが重要になるほど、GPUの価値は強く残ります。","render_override":null},{"id":"blk_f1fb99e6-50f2-44b2-9216-a5a03b0462c5","kind":"paragraph","order":1391,"section_id":"sec_370fa449-df14-46e6-92e1-fa36a26d57b3","character_id":null,"markdown":"理由は、GPUが以下の処理に強いからです。","render_override":null},{"id":"blk_26c285ef-024c-47e1-8b89-6d4baf6fe2f1","kind":"code","order":1392,"section_id":"sec_370fa449-df14-46e6-92e1-fa36a26d57b3","character_id":null,"markdown":"```\nVLM/VLAの大規模学習\n画像生成\n動画生成\n世界モデル\n3Dシミュレーション\nロボット学習\n強化学習\nマルチモーダル推論\nDiffusion Transformer\nTransformer推論\n物理シミュレーション\nレンダリング\n```","render_override":null},{"id":"blk_efeca178-18d6-4177-9a02-3d287e31182b","kind":"paragraph","order":1393,"section_id":"sec_370fa449-df14-46e6-92e1-fa36a26d57b3","character_id":null,"markdown":"NVIDIAのGR00T N1は、ヒューマノイド向けのVLAモデルで、視覚言語モジュールが環境と指示を解釈し、後続のDiffusion Transformerがリアルタイムに滑らかな運動を生成する構成です。また、実ロボット軌道、人間動画、合成データの混合で学習すると説明されています。([arXiv](https://arxiv.org/abs/2503.14734?utm_source=chatgpt.com))","render_override":null},{"id":"blk_410ab582-c97b-465b-ae9d-c642c730fc2f","kind":"paragraph","order":1394,"section_id":"sec_370fa449-df14-46e6-92e1-fa36a26d57b3","character_id":null,"markdown":"これはGPUの重要性をよく示しています。","render_override":null},{"id":"blk_1410cecb-5058-4b30-922a-341542935d44","kind":"paragraph","order":1395,"section_id":"sec_370fa449-df14-46e6-92e1-fa36a26d57b3","character_id":null,"markdown":"VLAでは、テキストだけでなく、","render_override":null},{"id":"blk_7833f575-7440-4e6d-a56d-e3a64c6f6ac3","kind":"code","order":1396,"section_id":"sec_370fa449-df14-46e6-92e1-fa36a26d57b3","character_id":null,"markdown":"```\n画像\n動画\n3D空間\n人間の動作\nロボット軌道\nシミュレーション\n合成データ\n```","render_override":null},{"id":"blk_39773d8e-86d2-4685-b5f7-d36aba24708e","kind":"paragraph","order":1397,"section_id":"sec_370fa449-df14-46e6-92e1-fa36a26d57b3","character_id":null,"markdown":"を扱います。","render_override":null},{"id":"blk_5df1b45b-3116-487f-9531-37aa96e33887","kind":"paragraph","order":1398,"section_id":"sec_370fa449-df14-46e6-92e1-fa36a26d57b3","character_id":null,"markdown":"このような多様なデータとモデルを横断できるのがGPUです。","render_override":null},{"id":"blk_30f1e6e3-67f7-472a-872d-f30fd99ab182","kind":"paragraph","order":1399,"section_id":"sec_370fa449-df14-46e6-92e1-fa36a26d57b3","character_id":null,"markdown":"GPUは単なるLLM推論チップではなく、**視覚・動画・物理・生成・シミュレーションを統合する万能AI工場** です。","render_override":null},{"id":"blk_0d7fcb0f-f6ab-4ca0-b126-3018cf64b492","kind":"thematic_break","order":1400,"section_id":"sec_370fa449-df14-46e6-92e1-fa36a26d57b3","character_id":null,"markdown":"---","render_override":null},{"id":"blk_10d0a61e-eda3-4024-86f3-c692d912d9c5","kind":"heading","order":1401,"section_id":"sec_5760d85c-4b90-434d-a30a-fe951b607da9","character_id":null,"markdown":"## TPUの役割：巨大テンソル計算を効率よく回す","render_override":null},{"id":"blk_d1c727b8-5ce3-4ea0-bf92-7d25047356f9","kind":"paragraph","order":1402,"section_id":"sec_5760d85c-4b90-434d-a30a-fe951b607da9","character_id":null,"markdown":"TPUは、VLAにおいては主にクラウド側の大規模学習・大規模推論で強みを持ちます。","render_override":null},{"id":"blk_9b48e0d5-c8f0-4088-83ca-a299bca026c4","kind":"paragraph","order":1403,"section_id":"sec_5760d85c-4b90-434d-a30a-fe951b607da9","character_id":null,"markdown":"Google DeepMindのGemini Robotics 1.5は、視覚情報と指示をモーターコマンドへ変換してタスクを実行するVLAモデルとして説明されています。([Google DeepMind](https://deepmind.google/models/gemini-robotics/gemini-robotics/?utm_source=chatgpt.com)) \nまた、Gemini Robotics On-Deviceはロボット本体で動くよう最適化され、ネットワークに依存しないため、低遅延や接続不安定な環境で有利だと説明されています。([Google DeepMind](https://deepmind.google/blog/gemini-robotics-on-device-brings-ai-to-local-robotic-devices/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_008bf859-5ffc-45ac-8040-5163b2c9c780","kind":"paragraph","order":1404,"section_id":"sec_5760d85c-4b90-434d-a30a-fe951b607da9","character_id":null,"markdown":"Google系のVLAでは、TPUはかなり自然な選択肢になります。","render_override":null},{"id":"blk_3594a1af-def7-468a-9168-44f4cc9b0ff4","kind":"paragraph","order":1405,"section_id":"sec_5760d85c-4b90-434d-a30a-fe951b607da9","character_id":null,"markdown":"TPUが向くのは、","render_override":null},{"id":"blk_9e951b37-452a-4da6-a5d9-5785c2f52e9c","kind":"code","order":1406,"section_id":"sec_5760d85c-4b90-434d-a30a-fe951b607da9","character_id":null,"markdown":"```\n巨大なTransformer\n大規模VLM学習\n大規模VLA学習\n定型的なテンソル推論\nGoogle Cloud上の訓練\n大量バッチ推論\n```","render_override":null},{"id":"blk_d28cdf64-08b7-419f-ae41-ac741a7214a1","kind":"paragraph","order":1407,"section_id":"sec_5760d85c-4b90-434d-a30a-fe951b607da9","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_1f5e52c1-625e-41d9-970d-3fbd7f7ece8a","kind":"paragraph","order":1408,"section_id":"sec_5760d85c-4b90-434d-a30a-fe951b607da9","character_id":null,"markdown":"一方で、TPUはGPUほど汎用的ではありません。 \nVLA研究では、モデル構造、ロボット制御、動画生成、3D、Diffusion、シミュレーション、カスタム演算が次々に変わります。","render_override":null},{"id":"blk_2b705663-bde2-476e-9f16-b04a303220b9","kind":"paragraph","order":1409,"section_id":"sec_5760d85c-4b90-434d-a30a-fe951b607da9","character_id":null,"markdown":"そのため、Googleのようにモデル・コンパイラ・クラウド・データセンターを垂直統合できる場合はTPUが強い。 \nしかし、広いロボティクス業界全体では、柔軟性・開発環境・シミュレーション統合の面でGPUが主力になりやすいです。","render_override":null},{"id":"blk_6c2d3150-49fc-4da6-a4e2-d86b5bbd8754","kind":"thematic_break","order":1410,"section_id":"sec_5760d85c-4b90-434d-a30a-fe951b607da9","character_id":null,"markdown":"---","render_override":null},{"id":"blk_3ca2e206-b0c6-4fba-86b4-57cf337997b1","kind":"heading","order":1411,"section_id":"sec_741197d7-6d5e-434d-93c5-573a40fa9156","character_id":null,"markdown":"## LPUの役割：低遅延の言語・推論ループ","render_override":null},{"id":"blk_cf5402f2-1d46-496e-962c-1bec2469c9a4","kind":"paragraph","order":1412,"section_id":"sec_741197d7-6d5e-434d-93c5-573a40fa9156","character_id":null,"markdown":"LPUは、VLA全体の主役というより、**言語推論やエージェント的な短い思考ループを低遅延で回す補助エンジン** と見るのが自然です。","render_override":null},{"id":"blk_6f11b0a8-ffcd-4b81-8a44-c6263872e7c2","kind":"paragraph","order":1413,"section_id":"sec_741197d7-6d5e-434d-93c5-573a40fa9156","character_id":null,"markdown":"VLAロボットは、単に連続的に手を動かすだけではありません。","render_override":null},{"id":"blk_2c27856d-18e3-4592-8ecc-f9ffe145d792","kind":"code","order":1414,"section_id":"sec_741197d7-6d5e-434d-93c5-573a40fa9156","character_id":null,"markdown":"```\n人間の指示を聞く\nタスクを分解する\n途中結果を説明する\n次の行動を決める\n失敗したら再計画する\n別の道具を使う\n```","render_override":null},{"id":"blk_c398c103-90c7-40f0-932c-9d2ff3f2a79b","kind":"paragraph","order":1415,"section_id":"sec_741197d7-6d5e-434d-93c5-573a40fa9156","character_id":null,"markdown":"こういう部分には、低遅延の言語推論が効きます。","render_override":null},{"id":"blk_4fd61cf9-ffff-461d-a417-622db9054595","kind":"paragraph","order":1416,"section_id":"sec_741197d7-6d5e-434d-93c5-573a40fa9156","character_id":null,"markdown":"LPUが向くのは、","render_override":null},{"id":"blk_48a262db-7050-4bdf-9a65-4fbc773b96fd","kind":"code","order":1417,"section_id":"sec_741197d7-6d5e-434d-93c5-573a40fa9156","character_id":null,"markdown":"```\n音声対話\n短いLLM推論\nタスク分解\nエージェントの内部ループ\n人間との応答\nロボットの説明生成\n```","render_override":null},{"id":"blk_981de873-1fb8-4e16-bafa-e87a865429a1","kind":"paragraph","order":1418,"section_id":"sec_741197d7-6d5e-434d-93c5-573a40fa9156","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_c56b3986-dd38-4525-8673-161c8dfd5c3c","kind":"paragraph","order":1419,"section_id":"sec_741197d7-6d5e-434d-93c5-573a40fa9156","character_id":null,"markdown":"ただし、LPUは画像生成・動画生成・3Dシミュレーション・VLA学習の主力にはなりにくいです。 \nLPUは「言語推論の高速ベルトコンベア」であり、フィジカルAIの全体を置き換えるものではありません。","render_override":null},{"id":"blk_7e9ed156-b6f0-44fe-83ef-605cfbda55cd","kind":"thematic_break","order":1420,"section_id":"sec_741197d7-6d5e-434d-93c5-573a40fa9156","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b852c47b-ffb2-45cb-a4bf-c33fba6c8204","kind":"heading","order":1421,"section_id":"sec_30fa6eac-455d-4955-8dcb-435447bbf619","character_id":null,"markdown":"## \\6. VLAを二層構造で見ると分かりやすい","render_override":null},{"id":"blk_7e595c45-5bd9-470a-b2f1-de3e57f2510c","kind":"paragraph","order":1422,"section_id":"sec_30fa6eac-455d-4955-8dcb-435447bbf619","character_id":null,"markdown":"VLAロボットは、よく **遅い思考** と **速い制御** に分けて考えると理解しやすいです。","render_override":null},{"id":"blk_650f33c4-c897-4b18-868c-13da7df56358","kind":"paragraph","order":1423,"section_id":"sec_30fa6eac-455d-4955-8dcb-435447bbf619","character_id":null,"markdown":"NVIDIA GR00T N1も、人間の認知に着想を得た二重システムを採用し、System 2が視覚と言語に基づく熟考的な意思決定、System 1が反射的・直感的な高速行動モデルという構成だと説明されています。([NVIDIA Newsroom](https://nvidianews.nvidia.com/news/nvidia-isaac-gr00t-n1-open-humanoid-robot-foundation-model-simulation-frameworks?utm_source=chatgpt.com))","render_override":null},{"id":"blk_00b9f6fd-130e-4005-81bd-19026a4a716c","kind":"paragraph","order":1424,"section_id":"sec_30fa6eac-455d-4955-8dcb-435447bbf619","character_id":null,"markdown":"これを計算資源に対応させると、こうです。","render_override":null},{"id":"blk_6c99d299-81a2-45d5-a9eb-dbb7fbc8ce76","kind":"code","order":1425,"section_id":"sec_30fa6eac-455d-4955-8dcb-435447bbf619","character_id":null,"markdown":"```\nSystem 2：遅い思考・計画・言語理解\nCPU + GPU/TPU + 場合によってLPU\n\nSystem 1：速い行動・運動生成・制御\nGPU + CPU + ロボット制御器\n```","render_override":null},{"id":"blk_3dfe80bc-069f-423e-83da-ec7ad71626b5","kind":"paragraph","order":1426,"section_id":"sec_30fa6eac-455d-4955-8dcb-435447bbf619","character_id":null,"markdown":"System 2は、","render_override":null},{"id":"blk_4521d871-ccd6-4d48-8807-cda7cb66540c","kind":"code","order":1427,"section_id":"sec_30fa6eac-455d-4955-8dcb-435447bbf619","character_id":null,"markdown":"```\n何をすべきか\nなぜそうするか\nどの物体を対象にするか\n人間の指示は何か\n安全か\n```","render_override":null},{"id":"blk_0d947c1a-dd23-452a-974b-a2525bcb0d8c","kind":"paragraph","order":1428,"section_id":"sec_30fa6eac-455d-4955-8dcb-435447bbf619","character_id":null,"markdown":"を考える層です。","render_override":null},{"id":"blk_3eaf5da0-2bca-4490-9fd6-7c51e30cb6d6","kind":"paragraph","order":1429,"section_id":"sec_30fa6eac-455d-4955-8dcb-435447bbf619","character_id":null,"markdown":"System 1は、","render_override":null},{"id":"blk_7c7861d3-91f1-44e8-a63e-ef941d093dee","kind":"code","order":1430,"section_id":"sec_30fa6eac-455d-4955-8dcb-435447bbf619","character_id":null,"markdown":"```\n腕をどう動かすか\nどの速度で動かすか\nどう掴むか\n滑ったらどう補正するか\n```","render_override":null},{"id":"blk_a5371ae8-320c-4f37-9509-e4189d660139","kind":"paragraph","order":1431,"section_id":"sec_30fa6eac-455d-4955-8dcb-435447bbf619","character_id":null,"markdown":"を処理する層です。","render_override":null},{"id":"blk_386dbc96-e8a4-4ccd-9f30-282af258ed7a","kind":"paragraph","order":1432,"section_id":"sec_30fa6eac-455d-4955-8dcb-435447bbf619","character_id":null,"markdown":"ここで、GPUは両方に関われます。 \n視覚理解にも、行動生成にも、動画/シミュレーションにも使えるからです。","render_override":null},{"id":"blk_dd1bb89e-5414-4167-9007-59af763a0854","kind":"paragraph","order":1433,"section_id":"sec_30fa6eac-455d-4955-8dcb-435447bbf619","character_id":null,"markdown":"TPUは主に大規模モデル側。 \nLPUは言語的な低遅延思考ループ。 \nCPUは全体の接続・安全・現実制御です。","render_override":null},{"id":"blk_66900602-9e85-44ac-8304-3ff379fa3dc6","kind":"thematic_break","order":1434,"section_id":"sec_30fa6eac-455d-4955-8dcb-435447bbf619","character_id":null,"markdown":"---","render_override":null},{"id":"blk_37024c93-f3d8-44ef-a87d-16106db84876","kind":"heading","order":1435,"section_id":"sec_6bcc2a43-7390-4518-87df-b6181c33d220","character_id":null,"markdown":"## \\7. なぜフィジカルAIでGPUが強く残るのか","render_override":null},{"id":"blk_1a21d29c-934f-4d32-a628-2d3cc00f60aa","kind":"paragraph","order":1436,"section_id":"sec_6bcc2a43-7390-4518-87df-b6181c33d220","character_id":null,"markdown":"VLAやロボティクスでは、TPUやLPUも重要ですが、GPUの優位性はかなり強いです。","render_override":null},{"id":"blk_34577a43-8503-40c6-853e-1b4ebacb8e69","kind":"paragraph","order":1437,"section_id":"sec_6bcc2a43-7390-4518-87df-b6181c33d220","character_id":null,"markdown":"理由は、フィジカルAIが非常に雑多な計算の集合だからです。","render_override":null},{"id":"blk_2aade069-2461-4c37-8148-b9fcfc6d3f7a","kind":"code","order":1438,"section_id":"sec_6bcc2a43-7390-4518-87df-b6181c33d220","character_id":null,"markdown":"```\nLLM\nVLM\nVLA\n画像生成\n動画生成\n世界モデル\n3Dシミュレーション\n物理シミュレーション\n強化学習\n模倣学習\nDiffusion Policy\nロボット軌道生成\n視覚エンコーダ\nマルチモーダル推論\n```","render_override":null},{"id":"blk_cc781bf8-88eb-4ec4-82dc-7106d03e681c","kind":"paragraph","order":1439,"section_id":"sec_6bcc2a43-7390-4518-87df-b6181c33d220","character_id":null,"markdown":"これらを全部そこそこ柔軟に処理できるのがGPUです。","render_override":null},{"id":"blk_f7ab7672-34fe-4325-b60a-1f2b47cfb37f","kind":"paragraph","order":1440,"section_id":"sec_6bcc2a43-7390-4518-87df-b6181c33d220","character_id":null,"markdown":"TPUは、形が安定した大規模テンソル計算では強い。 \nLPUは、低遅延の言語推論では強い。 \nしかし、フィジカルAIはまだ研究開発段階で、モデル構造もデータ形式も固まっていません。","render_override":null},{"id":"blk_aca180b7-d4a5-4cd7-8acb-7723ea455fba","kind":"paragraph","order":1441,"section_id":"sec_6bcc2a43-7390-4518-87df-b6181c33d220","character_id":null,"markdown":"だから、**不確実性が高い時代ほどGPUが強い**です。","render_override":null},{"id":"blk_51d05806-b5f4-4614-a8b6-2e326a966d6f","kind":"thematic_break","order":1442,"section_id":"sec_6bcc2a43-7390-4518-87df-b6181c33d220","character_id":null,"markdown":"---","render_override":null},{"id":"blk_3e8a6a89-28b0-4cbf-a454-d60f7b66fba9","kind":"heading","order":1443,"section_id":"sec_eeb195b5-bdb9-4c3c-84e5-7e4ec367e5ac","character_id":null,"markdown":"## \\8. ただし、推論が定型化するとTPU/LPUの領域も増える","render_override":null},{"id":"blk_96a91b41-3cea-405c-bc03-a6eb417252d1","kind":"paragraph","order":1444,"section_id":"sec_eeb195b5-bdb9-4c3c-84e5-7e4ec367e5ac","character_id":null,"markdown":"一方で、将来的にVLAの一部が定型化すると、TPUやLPUの存在感は上がると思います。","render_override":null},{"id":"blk_47f45a14-87c2-4f46-9fe6-f6cb855d7d87","kind":"paragraph","order":1445,"section_id":"sec_eeb195b5-bdb9-4c3c-84e5-7e4ec367e5ac","character_id":null,"markdown":"たとえば、","render_override":null},{"id":"blk_aef43064-3091-416a-9447-4de008b99191","kind":"code","order":1446,"section_id":"sec_eeb195b5-bdb9-4c3c-84e5-7e4ec367e5ac","character_id":null,"markdown":"```\n倉庫ロボットの定型ピッキング\n工場内の検査ロボット\n家庭内の定型タスク\n音声対話付きロボット\n特定業務向けVLA推論\n```","render_override":null},{"id":"blk_f5cbd5d7-dac4-497b-a4cc-4b0f437b8c74","kind":"paragraph","order":1447,"section_id":"sec_eeb195b5-bdb9-4c3c-84e5-7e4ec367e5ac","character_id":null,"markdown":"のように用途が固まると、GPUの汎用性よりも、TPU/LPUの効率や低遅延が重要になる可能性があります。","render_override":null},{"id":"blk_21dfbefb-b82f-45cc-8f72-98d721418240","kind":"paragraph","order":1448,"section_id":"sec_eeb195b5-bdb9-4c3c-84e5-7e4ec367e5ac","character_id":null,"markdown":"特にLPUは、","render_override":null},{"id":"blk_fb6431a8-4337-4bd1-b589-5c0581d5a15d","kind":"code","order":1449,"section_id":"sec_eeb195b5-bdb9-4c3c-84e5-7e4ec367e5ac","character_id":null,"markdown":"```\n人間との会話\n指示理解\n短い計画\nエージェント的な再推論\n```","render_override":null},{"id":"blk_6d2181ba-3220-4664-8ffa-024b8bea34e5","kind":"paragraph","order":1450,"section_id":"sec_eeb195b5-bdb9-4c3c-84e5-7e4ec367e5ac","character_id":null,"markdown":"に向きます。","render_override":null},{"id":"blk_f9d87ee6-37ad-4bf0-8478-b937e34888b4","kind":"paragraph","order":1451,"section_id":"sec_eeb195b5-bdb9-4c3c-84e5-7e4ec367e5ac","character_id":null,"markdown":"TPUは、","render_override":null},{"id":"blk_856cee94-911f-475f-bff9-ad00f93613aa","kind":"code","order":1452,"section_id":"sec_eeb195b5-bdb9-4c3c-84e5-7e4ec367e5ac","character_id":null,"markdown":"```\nGoogle Cloud上の大量VLA推論\n巨大VLM/VLAの学習\n定型化したテンソル計算\n```","render_override":null},{"id":"blk_e13c56e2-a066-4aa5-99fe-cee80608caee","kind":"paragraph","order":1453,"section_id":"sec_eeb195b5-bdb9-4c3c-84e5-7e4ec367e5ac","character_id":null,"markdown":"に向きます。","render_override":null},{"id":"blk_54f48508-9147-412d-b365-3fec41675e46","kind":"paragraph","order":1454,"section_id":"sec_eeb195b5-bdb9-4c3c-84e5-7e4ec367e5ac","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_4a209053-27cc-465f-867a-5ca608e8d216","kind":"paragraph","order":1455,"section_id":"sec_eeb195b5-bdb9-4c3c-84e5-7e4ec367e5ac","character_id":null,"markdown":"**開発・学習・世界モデル生成はGPU中心** \n**Google型の大規模定型計算はTPU** \n**低遅延言語対話はLPU** \n**現実制御はCPU**","render_override":null},{"id":"blk_e962313c-4611-4118-8ffb-29da90ebbd2a","kind":"paragraph","order":1456,"section_id":"sec_eeb195b5-bdb9-4c3c-84e5-7e4ec367e5ac","character_id":null,"markdown":"という分業が現実的です。","render_override":null},{"id":"blk_ac11e712-f1f4-4b7c-8e0e-9d6bcaff1b19","kind":"thematic_break","order":1457,"section_id":"sec_eeb195b5-bdb9-4c3c-84e5-7e4ec367e5ac","character_id":null,"markdown":"---","render_override":null},{"id":"blk_76694f3a-f7a1-41f7-ab70-c825947dc26e","kind":"heading","order":1458,"section_id":"sec_0536cbe1-635c-4c53-8177-029476181d49","character_id":null,"markdown":"## \\9. 投資・産業的な考察","render_override":null},{"id":"blk_ab28c481-0766-4a4f-9ac8-9a7dc57109d8","kind":"paragraph","order":1459,"section_id":"sec_0536cbe1-635c-4c53-8177-029476181d49","character_id":null,"markdown":"この流れを見ると、ロボティクス・フィジカルAIで重要になる半導体は、単に「ロボット用チップ」だけではありません。","render_override":null},{"id":"blk_106fbd54-7b24-4447-8170-eb3a5075ae97","kind":"paragraph","order":1460,"section_id":"sec_0536cbe1-635c-4c53-8177-029476181d49","character_id":null,"markdown":"必要になるのは、","render_override":null},{"id":"blk_6ad77bb8-6326-424f-a874-6dce07b29b73","kind":"code","order":1461,"section_id":"sec_0536cbe1-635c-4c53-8177-029476181d49","character_id":null,"markdown":"```\nGPU：動画生成、世界モデル、VLA学習、シミュレーション\nCPU：ロボット制御、I/O、OS、安全、エージェント制御\nメモリ：動画・センサー・軌道データ・KV cache\nストレージ：ロボットデータ、動画データ、シミュレーションデータ\nネットワーク：クラウド学習、ロボット群管理\nTPU：大規模定型学習・推論\nLPU：低遅延の言語インターフェース\n```","render_override":null},{"id":"blk_f3f34831-0253-4271-b457-a5d7cc23ba93","kind":"paragraph","order":1462,"section_id":"sec_0536cbe1-635c-4c53-8177-029476181d49","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_45a1ee19-4bbc-4cda-9a42-56630d0877e2","kind":"paragraph","order":1463,"section_id":"sec_0536cbe1-635c-4c53-8177-029476181d49","character_id":null,"markdown":"特に画像生成・動画生成がVLAに重要になると、GPU需要は単なる「チャットAI推論」だけでなく、","render_override":null},{"id":"blk_961727b6-1d82-438b-bc40-0b807ae01c72","kind":"code","order":1464,"section_id":"sec_0536cbe1-635c-4c53-8177-029476181d49","character_id":null,"markdown":"```\nロボット訓練用の合成データ生成\n動画世界モデル\nデジタルツイン\n工場・倉庫シミュレーション\n自動運転向けエッジケース生成\n人間動作データの生成・変換\n```","render_override":null},{"id":"blk_b24ef2b0-62cb-4780-b241-7be8414bbc5e","kind":"paragraph","order":1465,"section_id":"sec_0536cbe1-635c-4c53-8177-029476181d49","character_id":null,"markdown":"へ広がります。","render_override":null},{"id":"blk_0dc14bd4-16a7-4dbb-aaef-6c7626e22fcd","kind":"paragraph","order":1466,"section_id":"sec_0536cbe1-635c-4c53-8177-029476181d49","character_id":null,"markdown":"これはかなり大きいです。","render_override":null},{"id":"blk_6f7666ea-289f-4650-9e52-de136c8e5a65","kind":"paragraph","order":1467,"section_id":"sec_0536cbe1-635c-4c53-8177-029476181d49","character_id":null,"markdown":"AIがデジタル空間だけでなく、物理世界へ出ていくほど、**視覚・動画・3D・物理シミュレーション** の需要が増えます。 \nそこではGPUの優位性が再び強くなります。","render_override":null},{"id":"blk_876a0e5b-bd04-4215-9f7d-b22142475821","kind":"thematic_break","order":1468,"section_id":"sec_0536cbe1-635c-4c53-8177-029476181d49","character_id":null,"markdown":"---","render_override":null},{"id":"blk_e13f2f7d-2a7a-4ed4-9c54-dbf6fd33fe8b","kind":"heading","order":1469,"section_id":"sec_dbb3c68f-206c-4562-8817-aa1d651df2e0","character_id":null,"markdown":"## まとめ","render_override":null},{"id":"blk_d6b39fc5-9af3-4ade-ada5-445a840dc475","kind":"paragraph","order":1470,"section_id":"sec_dbb3c68f-206c-4562-8817-aa1d651df2e0","character_id":null,"markdown":"画像生成・動画生成は、VLAやVLMにとって重要です。 \nなぜなら、ロボットに必要なのは「言葉の理解」だけでなく、","render_override":null},{"id":"blk_28586e9e-8a45-44c0-9120-c57a8f9cb7b0","kind":"code","order":1471,"section_id":"sec_dbb3c68f-206c-4562-8817-aa1d651df2e0","character_id":null,"markdown":"```\n物を見る\n変化を予測する\n行動の結果を想像する\n失敗例を学ぶ\n仮想環境で練習する\n現実に近い合成データを使う\n```","render_override":null},{"id":"blk_380a7e3b-395e-40cc-ae2c-29a9b1e6d9e4","kind":"paragraph","order":1472,"section_id":"sec_dbb3c68f-206c-4562-8817-aa1d651df2e0","character_id":null,"markdown":"ことだからです。","render_override":null},{"id":"blk_d2d5b96f-45cf-4652-9325-1d25ae001374","kind":"paragraph","order":1473,"section_id":"sec_dbb3c68f-206c-4562-8817-aa1d651df2e0","character_id":null,"markdown":"VLAにおける役割分担は、こう整理できます。","render_override":null},{"id":"blk_de7ac4f7-c008-45f1-8d4b-9b76cb835446","kind":"figure","order":1474,"section_id":"sec_dbb3c68f-206c-4562-8817-aa1d651df2e0","character_id":null,"markdown":"![](/media/24aaea8e6391491ae1e0e4928d3ced5736caf6edabc05fe8a21b0f0c8e7f1c12-content.webp)","render_override":null},{"id":"blk_9dcfd101-d27d-4361-afb6-68976eac1f48","kind":"paragraph","order":1475,"section_id":"sec_dbb3c68f-206c-4562-8817-aa1d651df2e0","character_id":null,"markdown":"そして最も重要なのは、**フィジカルAIはGPUを弱めるのではなく、むしろGPUの用途を拡張する**という点です。","render_override":null},{"id":"blk_f68da8fd-73a8-4a2c-b901-82730f1d2daa","kind":"paragraph","order":1476,"section_id":"sec_dbb3c68f-206c-4562-8817-aa1d651df2e0","character_id":null,"markdown":"チャットAIでは、GPUは主にLLMを動かす装置でした。 \nしかしフィジカルAIでは、GPUは、","render_override":null},{"id":"blk_825171e7-2c29-4026-971e-3cf13b8c1a5e","kind":"code","order":1477,"section_id":"sec_dbb3c68f-206c-4562-8817-aa1d651df2e0","character_id":null,"markdown":"```\n世界を生成する\n世界を予測する\nロボットを訓練する\n仮想環境を作る\n動画から物理を学ぶ\n行動データを増やす\n```","render_override":null},{"id":"blk_68a1d502-db55-4008-aef3-c52d349c4d45","kind":"paragraph","order":1478,"section_id":"sec_dbb3c68f-206c-4562-8817-aa1d651df2e0","character_id":null,"markdown":"装置になります。","render_override":null},{"id":"blk_8e315cb2-113c-44be-a9b7-7d590a342edd","kind":"paragraph","order":1479,"section_id":"sec_dbb3c68f-206c-4562-8817-aa1d651df2e0","character_id":null,"markdown":"つまり、VLA時代のGPUは、単なるAI計算チップではなく、**ロボットが現実世界を学ぶための「仮想世界生成エンジン」** になっていくと思います。","render_override":null},{"id":"blk_61264b93-aa6d-44a9-a1a2-af15d3a27726","kind":"thematic_break","order":1480,"section_id":"sec_dbb3c68f-206c-4562-8817-aa1d651df2e0","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2714e994-1663-4acb-b48f-68c738331ad3","kind":"paragraph","order":1481,"section_id":"sec_dbb3c68f-206c-4562-8817-aa1d651df2e0","character_id":null,"markdown":"特定銘柄の推奨・勧誘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。","render_override":null},{"id":"blk_347329d2-0578-4dc7-98e5-5c0e80ea9ff4","kind":"paragraph","order":1482,"section_id":"sec_dbb3c68f-206c-4562-8817-aa1d651df2e0","character_id":null,"markdown":"サムネはPixAIsunflowerモデルとGPTImage2.0","render_override":null},{"id":"blk_d07637d3-6857-4c0a-aeef-05e7ab8256aa","kind":"paragraph","order":1483,"section_id":"sec_dbb3c68f-206c-4562-8817-aa1d651df2e0","character_id":null,"markdown":"","render_override":null}],"audio":[],"omitted_media":[],"figures":[{"id":"plc_9a1c8456-01df-4c7c-8165-a895e4ac34b8","block_id":"blk_4763a1a2-bdaa-477a-b8e5-7b4468cc5916","asset_revision_id":"avr_5036c72e-cdbf-496a-bd2f-5f4ffcccab95","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_785ef726-33ae-45c3-a733-cebcea829a87"],"explained_by":[],"source_path":"media/864639dff67dbed3763d677c1cd4aaaef9b185fb5b0b9fe749d00270c7611b54.png","path":"/media/864639dff67dbed3763d677c1cd4aaaef9b185fb5b0b9fe749d00270c7611b54-content.webp","display_derivative":{"source_sha256":"864639dff67dbed3763d677c1cd4aaaef9b185fb5b0b9fe749d00270c7611b54","thumbnail":{"path":"media/864639dff67dbed3763d677c1cd4aaaef9b185fb5b0b9fe749d00270c7611b54-thumbnail.webp","width":560,"height":293,"bytes":44454,"sha256":"32c5bbec0628c209909ec71c730c9dac2eb3d5c3600934ff08552fc5ecd56064"},"content":{"path":"media/864639dff67dbed3763d677c1cd4aaaef9b185fb5b0b9fe749d00270c7611b54-content.webp","width":1619,"height":847,"bytes":347720,"sha256":"ac73ab5fbb0765c2008c2b46febbb9cfa9187df05b8138354f3298206e7fcfd3"}}},{"id":"plc_0cffe127-2e6a-40c8-804a-6aebe4e3f06b","block_id":"blk_18474dbb-f994-492a-bbdf-5aa5afba119f","asset_revision_id":"avr_cb55ac75-4559-4e60-a626-9670964f3083","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_43a2e613-f7bf-4299-ade9-f2c43971c594","blk_11bbddd0-f8ee-4e5d-8e3a-a8c844c28d3d"],"explained_by":[],"source_path":"media/f64df3e3fae6c460a8fe18440ca82545a0643ecf2a0f5415cd31e18303e2eaf2.png","path":"/media/f64df3e3fae6c460a8fe18440ca82545a0643ecf2a0f5415cd31e18303e2eaf2-content.webp","display_derivative":{"source_sha256":"f64df3e3fae6c460a8fe18440ca82545a0643ecf2a0f5415cd31e18303e2eaf2","thumbnail":{"path":"media/f64df3e3fae6c460a8fe18440ca82545a0643ecf2a0f5415cd31e18303e2eaf2-thumbnail.webp","width":560,"height":211,"bytes":7500,"sha256":"0d1d7e016c68ba86463178d4a55296009628422e95f2fdd1a42effdeac77eb06"},"content":{"path":"media/f64df3e3fae6c460a8fe18440ca82545a0643ecf2a0f5415cd31e18303e2eaf2-content.webp","width":874,"height":330,"bytes":21798,"sha256":"243848210a744296a095d8a7769df21b255e43dddda630a8b735f889bac09bbe"}}},{"id":"plc_74e285c8-040d-43fd-8a83-7dbfa7bb25cb","block_id":"blk_cd45491a-5bca-46d2-8e14-5270df57c5cc","asset_revision_id":"avr_95bbe720-01b4-4579-bd3e-7234a86d4a84","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_31c9ac0a-6601-464c-8cc3-c2ee584fdfff","blk_92c68927-edc0-427c-85ec-0d43adcaa0c9"],"explained_by":[],"source_path":"media/42a34582176cc63dd35b759d5db0dd2815366fb6f2756b366a721994f6f02550.png","path":"/media/42a34582176cc63dd35b759d5db0dd2815366fb6f2756b366a721994f6f02550-content.webp","display_derivative":{"source_sha256":"42a34582176cc63dd35b759d5db0dd2815366fb6f2756b366a721994f6f02550","thumbnail":{"path":"media/42a34582176cc63dd35b759d5db0dd2815366fb6f2756b366a721994f6f02550-thumbnail.webp","width":560,"height":185,"bytes":5014,"sha256":"8581a205e5624e8dcdd6bdb1c049bbf1f65404f6aa5f7e0d49885c8cffdbad06"},"content":{"path":"media/42a34582176cc63dd35b759d5db0dd2815366fb6f2756b366a721994f6f02550-content.webp","width":867,"height":286,"bytes":14670,"sha256":"260afb9cfd4db42b22e06aad41e79173aabbbd3755ca20b4abcc55d47bd6eaaf"}}},{"id":"plc_190835a5-7738-4fca-a2ed-5386e4c53641","block_id":"blk_09a049b0-4c27-4046-a49a-fac18fa7a908","asset_revision_id":"avr_6dd62632-6b14-493a-bda3-f339e95ecd9c","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_d1c85cc2-f4e3-48d7-a8fa-101111239aa3","blk_d46dba67-89ff-41c0-b298-448565dad401"],"explained_by":[],"source_path":"media/5e5cd9a324bde83cf758fe3b3b93ff409e39ff989a097962a48e9b5da987b3d4.png","path":"/media/5e5cd9a324bde83cf758fe3b3b93ff409e39ff989a097962a48e9b5da987b3d4-content.webp","display_derivative":{"source_sha256":"5e5cd9a324bde83cf758fe3b3b93ff409e39ff989a097962a48e9b5da987b3d4","thumbnail":{"path":"media/5e5cd9a324bde83cf758fe3b3b93ff409e39ff989a097962a48e9b5da987b3d4-thumbnail.webp","width":560,"height":143,"bytes":5376,"sha256":"edc16a6b34e4c0c44534a5896d90cb4aea68bc7ff129da7537beea17d9351c13"},"content":{"path":"media/5e5cd9a324bde83cf758fe3b3b93ff409e39ff989a097962a48e9b5da987b3d4-content.webp","width":837,"height":214,"bytes":14140,"sha256":"f05383e4b955ca8c8d5348e56d89f15d74c4df5ae703d05d0413a7df7ff42054"}}},{"id":"plc_3e12ac38-e694-4e38-994c-781e368a9cda","block_id":"blk_bf014b2d-c81c-4757-9bbe-a030bc60ef17","asset_revision_id":"avr_24836ff8-f4da-4858-ba9a-3cb94f5df574","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_95af5b65-a70a-442f-8eee-20b4c9f63000","blk_015efde6-9f72-4ae1-8545-c2a55dc3b8d4"],"explained_by":[],"source_path":"media/00ae58a951a41fed83853c893058fca9d3cdf1007e4a906110e93664564c6449.png","path":"/media/00ae58a951a41fed83853c893058fca9d3cdf1007e4a906110e93664564c6449-content.webp","display_derivative":{"source_sha256":"00ae58a951a41fed83853c893058fca9d3cdf1007e4a906110e93664564c6449","thumbnail":{"path":"media/00ae58a951a41fed83853c893058fca9d3cdf1007e4a906110e93664564c6449-thumbnail.webp","width":560,"height":161,"bytes":5344,"sha256":"9af6e6f694553fecdbd64aed46ade3f75e60cefebb5b706c698860c2f5d58655"},"content":{"path":"media/00ae58a951a41fed83853c893058fca9d3cdf1007e4a906110e93664564c6449-content.webp","width":826,"height":237,"bytes":13858,"sha256":"690f8c00b147b70ccf59bc2726fe860df02f64a6955c772c3510a2848f8ff6d4"}}},{"id":"plc_405b11a4-aaf9-4712-bfbf-0e740e7d4d84","block_id":"blk_b6ae790a-5e13-47a4-af11-9c219d023988","asset_revision_id":"avr_0ab52e61-e4d8-46ac-8bff-ccab2c1c1f38","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_a983cf9d-aa06-42f8-89a9-830894a9b026","blk_82dfdb0b-6df8-4c5a-9105-3f28369f2556"],"explained_by":[],"source_path":"media/d9377538d678a33b5d09666339053ce455f3ca41e0a91398a69eb7107fc733fe.png","path":"/media/d9377538d678a33b5d09666339053ce455f3ca41e0a91398a69eb7107fc733fe-content.webp","display_derivative":{"source_sha256":"d9377538d678a33b5d09666339053ce455f3ca41e0a91398a69eb7107fc733fe","thumbnail":{"path":"media/d9377538d678a33b5d09666339053ce455f3ca41e0a91398a69eb7107fc733fe-thumbnail.webp","width":560,"height":205,"bytes":12948,"sha256":"4f495c6ba961f63b9a1183c92de3ec7e20538902b31151b825e6d493fa632515"},"content":{"path":"media/d9377538d678a33b5d09666339053ce455f3ca41e0a91398a69eb7107fc733fe-content.webp","width":967,"height":354,"bytes":43806,"sha256":"dcda4cdd1e77eaceaa7ceaf7234237ef615a6211d4f78fa816082299702d804e"}}},{"id":"plc_0a76dd05-5c2a-4a62-806d-53a52bf7ead0","block_id":"blk_43da1883-dfec-4519-b34d-f0f597d41f62","asset_revision_id":"avr_00040c1d-b690-4a4a-9168-1169908b16bf","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_b4c2b8dc-888d-47a9-bc0a-e9cd04381c75","blk_fc2ceaa5-c000-4294-9de3-8d9f3f74cf7a"],"explained_by":[],"source_path":"media/1f874699c258d795c02e572cd5c4434543f6f7fbbbf18d8d22b2938dc6076366.png","path":"/media/1f874699c258d795c02e572cd5c4434543f6f7fbbbf18d8d22b2938dc6076366-content.webp","display_derivative":{"source_sha256":"1f874699c258d795c02e572cd5c4434543f6f7fbbbf18d8d22b2938dc6076366","thumbnail":{"path":"media/1f874699c258d795c02e572cd5c4434543f6f7fbbbf18d8d22b2938dc6076366-thumbnail.webp","width":560,"height":330,"bytes":6976,"sha256":"37d165bc22c920b904845e9ee69244b52e5dabaa9ffc73bffe1af14a47667148"},"content":{"path":"media/1f874699c258d795c02e572cd5c4434543f6f7fbbbf18d8d22b2938dc6076366-content.webp","width":893,"height":526,"bytes":20428,"sha256":"961e8ab40c67c46b545f609b89d192650b848f74fd40b8a2f21e5d61fbfd6ab4"}}},{"id":"plc_6965c6c8-dcb5-46d6-892f-bf88d17abc6c","block_id":"blk_8d2ba966-987a-4b4b-89ef-62a17f43ad64","asset_revision_id":"avr_c708dc0a-12cf-48ca-b1fc-e89179c895e2","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_28aa323e-5fcb-4b6d-b4f4-156e625171e3","blk_05d8854a-4c3a-4306-8363-0499822c83c5"],"explained_by":[],"source_path":"media/15eb1a74f20133d1f3fa231ab985bf6e13329f090c9117df46d36a226601b348.png","path":"/media/15eb1a74f20133d1f3fa231ab985bf6e13329f090c9117df46d36a226601b348-content.webp","display_derivative":{"source_sha256":"15eb1a74f20133d1f3fa231ab985bf6e13329f090c9117df46d36a226601b348","thumbnail":{"path":"media/15eb1a74f20133d1f3fa231ab985bf6e13329f090c9117df46d36a226601b348-thumbnail.webp","width":560,"height":289,"bytes":6768,"sha256":"9c8c45c04591e548e47b479cd049518e158c1d623d7eb38f8f168f848afa5127"},"content":{"path":"media/15eb1a74f20133d1f3fa231ab985bf6e13329f090c9117df46d36a226601b348-content.webp","width":883,"height":456,"bytes":19114,"sha256":"aa861644aa4d596787b4cc917d607ad425e35632d8498aab84e05a42aee243aa"}}},{"id":"plc_108929ca-35af-41c4-8552-049ee97e1ed0","block_id":"blk_39782e5f-feac-4a4f-9d94-24d830da94a3","asset_revision_id":"avr_96be43bb-8014-4138-9945-77a7aeb11fe5","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_f242ee4d-68f6-4ac4-88fe-94043e8e4b83","blk_c67fc0c0-0c6f-44c0-8074-3bb2dcd7d64c"],"explained_by":[],"source_path":"media/b5fd93fbb39812e22ef37fb89c754d229609c24a952d68c0823bf7a1d21e22b3.png","path":"/media/b5fd93fbb39812e22ef37fb89c754d229609c24a952d68c0823bf7a1d21e22b3-content.webp","display_derivative":{"source_sha256":"b5fd93fbb39812e22ef37fb89c754d229609c24a952d68c0823bf7a1d21e22b3","thumbnail":{"path":"media/b5fd93fbb39812e22ef37fb89c754d229609c24a952d68c0823bf7a1d21e22b3-thumbnail.webp","width":560,"height":350,"bytes":13666,"sha256":"9b6ebf8ea08458d81ad3a29d9d34e75c2ff828c0144a896768e0bbc32c97fe7b"},"content":{"path":"media/b5fd93fbb39812e22ef37fb89c754d229609c24a952d68c0823bf7a1d21e22b3-content.webp","width":804,"height":503,"bytes":34552,"sha256":"8174cf1c700d84d1a00a6d7596782a9d8a2d20c5db55c40a0448d8502701cfb8"}}},{"id":"plc_03b14c8d-1a6a-43b4-829d-4cd4e6a3c3ea","block_id":"blk_6f7b89f0-5908-4245-bc81-e07e832d0dbe","asset_revision_id":"avr_08c899a1-8f88-49ca-8083-34d6a75bd1ba","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_56626d59-dc84-4ad4-bb16-23ea2fdff4a7","blk_f23c3456-32fe-47f7-ad00-3af614573749"],"explained_by":[],"source_path":"media/961abadafaddc26f6f29a053a3b81461d230de65159f3fc986f2f33c1002d6b5.png","path":"/media/961abadafaddc26f6f29a053a3b81461d230de65159f3fc986f2f33c1002d6b5-content.webp","display_derivative":{"source_sha256":"961abadafaddc26f6f29a053a3b81461d230de65159f3fc986f2f33c1002d6b5","thumbnail":{"path":"media/961abadafaddc26f6f29a053a3b81461d230de65159f3fc986f2f33c1002d6b5-thumbnail.webp","width":560,"height":223,"bytes":8976,"sha256":"69f2f355d42a85e59a289b371bf52e016bd1ef35e5e4297a5074853c69b684ca"},"content":{"path":"media/961abadafaddc26f6f29a053a3b81461d230de65159f3fc986f2f33c1002d6b5-content.webp","width":797,"height":317,"bytes":22996,"sha256":"5e5083897c78f7d311d8ac6b3d44148b8db6e324f2674a26673c45ae6f6deb81"}}},{"id":"plc_8eb77fa6-5473-4182-a848-a9b7224b0ad8","block_id":"blk_11a72d7d-8bd1-4cd0-b6f3-b34f5f4cd70f","asset_revision_id":"avr_ce44ab20-85cd-487f-a5c2-7c020af463fa","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_84a8745a-449a-4d9b-bcf7-404c80313363","blk_5b8fdba0-7553-4020-8464-540a956e39ce"],"explained_by":[],"source_path":"media/ecc35ccf645ede7faa3a3584819b1b131182720145eaf6ec53c2216e3b0aa8a4.png","path":"/media/ecc35ccf645ede7faa3a3584819b1b131182720145eaf6ec53c2216e3b0aa8a4-content.webp","display_derivative":{"source_sha256":"ecc35ccf645ede7faa3a3584819b1b131182720145eaf6ec53c2216e3b0aa8a4","thumbnail":{"path":"media/ecc35ccf645ede7faa3a3584819b1b131182720145eaf6ec53c2216e3b0aa8a4-thumbnail.webp","width":560,"height":337,"bytes":11824,"sha256":"a3c366f22bbcceb3897d0cdec1dc0b1b3694c2f9a9f7356c29ba70b9628e4e90"},"content":{"path":"media/ecc35ccf645ede7faa3a3584819b1b131182720145eaf6ec53c2216e3b0aa8a4-content.webp","width":827,"height":497,"bytes":31312,"sha256":"b50083f291e4cfc72d5cef5348d948bd3730a7f0861db4ab43693bdc5d0cfa9d"}}},{"id":"plc_b2e08a31-adaa-44c3-89a0-27159d1ce1aa","block_id":"blk_86dd6dd5-a58f-4bed-bfa6-01eec44b28e9","asset_revision_id":"avr_a2823d00-7f1f-4764-8c85-9958a3e2fd58","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_c741a211-8b12-49c3-9460-ee474e85f773","blk_1fe26465-f5e9-4590-b732-1391f4074881"],"explained_by":[],"source_path":"media/1c1e6e57cee322ee2bc3001ab4de4a31ed1c0e4e23659d3225daecdc596451d8.png","path":"/media/1c1e6e57cee322ee2bc3001ab4de4a31ed1c0e4e23659d3225daecdc596451d8-content.webp","display_derivative":{"source_sha256":"1c1e6e57cee322ee2bc3001ab4de4a31ed1c0e4e23659d3225daecdc596451d8","thumbnail":{"path":"media/1c1e6e57cee322ee2bc3001ab4de4a31ed1c0e4e23659d3225daecdc596451d8-thumbnail.webp","width":560,"height":198,"bytes":7050,"sha256":"d18749da8295a330b4a0c325efb96846138eb7d1402f5494a2a9b2508ab52398"},"content":{"path":"media/1c1e6e57cee322ee2bc3001ab4de4a31ed1c0e4e23659d3225daecdc596451d8-content.webp","width":854,"height":302,"bytes":20770,"sha256":"a1b49f46e53b0f4b6013408362013c8c7ab6401ac874e164990cb3b91bafe40e"}}},{"id":"plc_fd0d3bc5-fcd0-4c00-ae10-b9d6e9fccb24","block_id":"blk_b064861f-ae98-476c-be99-e5908c4f02bc","asset_revision_id":"avr_319db5da-766e-479b-9147-14474e254221","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_555c27fa-0fd1-4422-8906-b53fe56c3076","blk_c58aa657-fada-4887-8c70-6541426be4a4"],"explained_by":[],"source_path":"media/688c6acf767727c8a47036ff7fa1cdc0fb97a6eeff9d9205e381867e67ae0c73.png","path":"/media/688c6acf767727c8a47036ff7fa1cdc0fb97a6eeff9d9205e381867e67ae0c73-content.webp","display_derivative":{"source_sha256":"688c6acf767727c8a47036ff7fa1cdc0fb97a6eeff9d9205e381867e67ae0c73","thumbnail":{"path":"media/688c6acf767727c8a47036ff7fa1cdc0fb97a6eeff9d9205e381867e67ae0c73-thumbnail.webp","width":560,"height":323,"bytes":6960,"sha256":"4e5521f09c89735d46f19e0ea2182e8addf49b4470be3229ac3d5c0d23ec39e2"},"content":{"path":"media/688c6acf767727c8a47036ff7fa1cdc0fb97a6eeff9d9205e381867e67ae0c73-content.webp","width":800,"height":461,"bytes":17362,"sha256":"714db7823a314e82c35160b2625430679bd1968a95ccda06b3e552df82c03278"}}},{"id":"plc_fe7d77dc-5822-4e4f-906d-2a5873dcf422","block_id":"blk_12ef7003-fa0c-428d-8b21-47bfca907d47","asset_revision_id":"avr_f25a29f3-16c0-4a51-9e96-dda64a2f9065","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_320acca4-fe00-496f-b3ec-53abd71d83f2","blk_835c930d-5add-4710-9bd8-3e3d10679545"],"explained_by":[],"source_path":"media/f3696a40154268cbb744ff183f42fa68fd0705ca17a72c018605cda54c105cdc.png","path":"/media/f3696a40154268cbb744ff183f42fa68fd0705ca17a72c018605cda54c105cdc-content.webp","display_derivative":{"source_sha256":"f3696a40154268cbb744ff183f42fa68fd0705ca17a72c018605cda54c105cdc","thumbnail":{"path":"media/f3696a40154268cbb744ff183f42fa68fd0705ca17a72c018605cda54c105cdc-thumbnail.webp","width":560,"height":190,"bytes":4482,"sha256":"4c3ddaec0152b4048dc89c2d00d28db901241ee31703bb7dd1e8b69ff49ba8d4"},"content":{"path":"media/f3696a40154268cbb744ff183f42fa68fd0705ca17a72c018605cda54c105cdc-content.webp","width":797,"height":270,"bytes":10674,"sha256":"306a4cc18b9c5c4e701fc3ed7ae484e79b0c56e929b2aefe7ce70bb1747a83e0"}}},{"id":"plc_29987843-3e00-4ed8-b242-15cf19095ead","block_id":"blk_aad7a808-7a02-40eb-9a7f-fd52f5c42733","asset_revision_id":"avr_dfcc10b3-32bf-405f-8b31-c076b27f5f84","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_9a9577b1-5683-4603-8cb8-48019d9d1623","blk_38d5c662-fa98-4ee0-b9b1-9ece6f7672dd"],"explained_by":[],"source_path":"media/7b177aa33fa47e76febfd173dc539fa94ee07064eea8c0ae3ee4f2201911829f.png","path":"/media/7b177aa33fa47e76febfd173dc539fa94ee07064eea8c0ae3ee4f2201911829f-content.webp","display_derivative":{"source_sha256":"7b177aa33fa47e76febfd173dc539fa94ee07064eea8c0ae3ee4f2201911829f","thumbnail":{"path":"media/7b177aa33fa47e76febfd173dc539fa94ee07064eea8c0ae3ee4f2201911829f-thumbnail.webp","width":560,"height":212,"bytes":5126,"sha256":"2ba61f35f08dc2e16f649f612db538cef075852ee2c1d25d0725a060e68632ea"},"content":{"path":"media/7b177aa33fa47e76febfd173dc539fa94ee07064eea8c0ae3ee4f2201911829f-content.webp","width":834,"height":315,"bytes":13124,"sha256":"928510c0d7dd7be5f995ca8b42dfaf9d8bff5196e9c5233ddb7c63fa3b3df452"}}},{"id":"plc_85b69f63-3a46-456c-b7d2-d09d7fbe5ac1","block_id":"blk_6d40f331-f7bd-4a4e-a0a3-84c4bee824a0","asset_revision_id":"avr_9305c238-a4f3-4e6a-b90c-289b4e2e54b3","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_1347de50-3f44-46ce-9f69-706d8985f99e","blk_8c283f3f-c1a7-40ee-b1f6-143d5b365a85"],"explained_by":[],"source_path":"media/869b19b901461a91f206c9e52dae89e54747fbecfe81dab826ef75569a8d6155.png","path":"/media/869b19b901461a91f206c9e52dae89e54747fbecfe81dab826ef75569a8d6155-content.webp","display_derivative":{"source_sha256":"869b19b901461a91f206c9e52dae89e54747fbecfe81dab826ef75569a8d6155","thumbnail":{"path":"media/869b19b901461a91f206c9e52dae89e54747fbecfe81dab826ef75569a8d6155-thumbnail.webp","width":560,"height":283,"bytes":5426,"sha256":"e6e92f55557d9f9ad0237732039e969d422ad98d0729431dbfba59486070fb13"},"content":{"path":"media/869b19b901461a91f206c9e52dae89e54747fbecfe81dab826ef75569a8d6155-content.webp","width":809,"height":409,"bytes":13630,"sha256":"247c116f202666fa528d5924f73fe0acec6027ef9a69dbae48d69e1a9a6863ca"}}},{"id":"plc_59e16906-b5af-4f1f-89b9-4c21b373f676","block_id":"blk_8cf58038-cdd3-4759-be8d-ae395077b00c","asset_revision_id":"avr_a9a541d0-c36b-4388-9a2a-ef0d788b1b80","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_8cd9adec-64e9-4ecd-9207-36959abd12ea","blk_e70ed7a7-ea82-49bb-a3be-e2dd1d340b0e"],"explained_by":[],"source_path":"media/afd991913c0647d5ffa7144dcb6513cf9b434ec60f6c0edde7f85f979065901d.png","path":"/media/afd991913c0647d5ffa7144dcb6513cf9b434ec60f6c0edde7f85f979065901d-content.webp","display_derivative":{"source_sha256":"afd991913c0647d5ffa7144dcb6513cf9b434ec60f6c0edde7f85f979065901d","thumbnail":{"path":"media/afd991913c0647d5ffa7144dcb6513cf9b434ec60f6c0edde7f85f979065901d-thumbnail.webp","width":560,"height":171,"bytes":11606,"sha256":"e6a4a3ffcd931cf94754f1a24a98e346373093183ff5324302175d1191121388"},"content":{"path":"media/afd991913c0647d5ffa7144dcb6513cf9b434ec60f6c0edde7f85f979065901d-content.webp","width":822,"height":251,"bytes":31254,"sha256":"736be5c398e3eea43449be8f27438dc748d8fc79bed1c5346b551c369eeeae9d"}}},{"id":"plc_fc97c881-9929-4c36-b9e8-f4607dacd017","block_id":"blk_9896a706-d1cc-4531-97f2-59a0a7103d35","asset_revision_id":"avr_f01ff0aa-e08b-4a29-8195-1196f8adfbbc","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_0dcee3c6-43d5-49c5-ab47-6157291b71c1","blk_ad77f942-3e62-49fe-b3d5-05c2c447f8ef"],"explained_by":[],"source_path":"media/c000fe4eaaa1efc116026d6c12e9b3c5aceba06420605da309a71b2f71149a83.png","path":"/media/c000fe4eaaa1efc116026d6c12e9b3c5aceba06420605da309a71b2f71149a83-content.webp","display_derivative":{"source_sha256":"c000fe4eaaa1efc116026d6c12e9b3c5aceba06420605da309a71b2f71149a83","thumbnail":{"path":"media/c000fe4eaaa1efc116026d6c12e9b3c5aceba06420605da309a71b2f71149a83-thumbnail.webp","width":560,"height":248,"bytes":10006,"sha256":"7ae7405b93fa05ed832209f4c3cfa0dce8d903688bf4ba0acae3b3a7d851de54"},"content":{"path":"media/c000fe4eaaa1efc116026d6c12e9b3c5aceba06420605da309a71b2f71149a83-content.webp","width":833,"height":369,"bytes":25572,"sha256":"bc5cbb6a7f77418ca27ef446b94b26eab80a52da692ad84e642a568124190ab0"}}},{"id":"plc_a59b712f-78fb-4459-82aa-21b5e0ccffe0","block_id":"blk_de7ac4f7-c008-45f1-8d4b-9b76cb835446","asset_revision_id":"avr_7e29d875-519f-48af-82ce-e267dbe26a87","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_d2d5b96f-45cf-4652-9325-1d25ae001374","blk_9dcfd101-d27d-4361-afb6-68976eac1f48"],"explained_by":[],"source_path":"media/24aaea8e6391491ae1e0e4928d3ced5736caf6edabc05fe8a21b0f0c8e7f1c12.png","path":"/media/24aaea8e6391491ae1e0e4928d3ced5736caf6edabc05fe8a21b0f0c8e7f1c12-content.webp","display_derivative":{"source_sha256":"24aaea8e6391491ae1e0e4928d3ced5736caf6edabc05fe8a21b0f0c8e7f1c12","thumbnail":{"path":"media/24aaea8e6391491ae1e0e4928d3ced5736caf6edabc05fe8a21b0f0c8e7f1c12-thumbnail.webp","width":560,"height":161,"bytes":8328,"sha256":"f87967db2cc82664e2cb9f5a9eb7db43bb22aa6891104cecc157191db227174b"},"content":{"path":"media/24aaea8e6391491ae1e0e4928d3ced5736caf6edabc05fe8a21b0f0c8e7f1c12-content.webp","width":798,"height":229,"bytes":20808,"sha256":"adf3d80890db67c322b5d4d0aa517087ba90ccc986ee9062ea67841c6eec98a7"}}}],"package_sha256":"2eae03c5d239a625e2a32cfa18e1925a09783e281e7b8a84ac8459b5638079fe","record_type":"article","schema_version":"noia-public-article-1.1.0","dataset_version":"2026.09.23.4","urls":{"source_url":"https://note.com/atom_/n/n1a3ae798251c","release_path":"/articles/rev_2cf94359-bc71-4b68-8fd3-9c93c45ac3eb/","canonical_url":"https://noia-grid.pages.dev/articles/rev_2cf94359-bc71-4b68-8fd3-9c93c45ac3eb/"},"time":{"created_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"published_at":{"value":"2026-05-07 22:10:59","precision":"local_datetime","timezone":null,"status":"source_metadata","basis":"Metadata only; not evidence of historical body availability."},"modified_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"analysis_as_of":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"event_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"recorded_at":{"value":"2026-09-08T05:29:15+00:00","precision":"instant","timezone":"+00:00","status":"archive_record","basis":"canonical_recorded_at"},"content_available_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"unknown"}},"legacy":{"source_date":{"value":"2026-05-07 22:10:59","meaning":"legacy_source_metadata_date","certainty":"source_metadata"}},"rights":{"license_ref":"license:not-specified","rights_status":"unknown","third_party_material":"unknown"},"integrity":{"hash_profile":"noia-evidence-json-v1","content_sha256":"5c2f24834a0e80b49bf0abba19beef4b2719c239cefe7d25523f0137ec500199","lineage":[],"previous_revision_sha256":null,"previous_revision_status":"no_parent","revision_sha256":"91bf93ccc0138f0790735d60a37ad4985a56c4b46066cd3b527a67a70973f74e"}} {"id":"rev_2b771286-9bc4-45c0-b45d-6524baf27996","work_id":"wrk_371c7035-898a-4ffb-9036-25fc84c21bd7","edition_id":"edn_43cc5480-1db1-4beb-8d45-fb8defcc4557","title":"GPU行列・ベクトル演算、HBM、ネットワーク帯域","published_at":"2025-01-30 05:43:42","source_url":"https://note.com/atom_/n/n0ed360caf81f","recorded_at":"2026-09-08T05:30:08+00:00","source_date":"2025-01-30 05:43:42","thumbnail":null,"legacy_slug":null,"topics":["chips","memory","network"],"sections":[{"id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","parent_section_id":null,"heading_block_id":null,"order":0,"character_id":null},{"id":"sec_e4d463be-c63e-4047-a6e0-97bcaeaba69b","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_383fb6fb-1c87-4969-aa65-553350a2039c","order":1,"character_id":null},{"id":"sec_8a4c5d10-7388-42d5-ab4e-c97f7f73ee10","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_89b15974-2f99-49cc-a2c0-630285c848fa","order":2,"character_id":null},{"id":"sec_6e53448c-c1c2-497f-9d4c-908717bce371","parent_section_id":"sec_8a4c5d10-7388-42d5-ab4e-c97f7f73ee10","heading_block_id":"blk_9f7d8237-9622-46e8-9a17-db62fa1d2bfd","order":3,"character_id":null},{"id":"sec_a12cc86c-b0dc-4844-b412-55fe86dfa285","parent_section_id":"sec_8a4c5d10-7388-42d5-ab4e-c97f7f73ee10","heading_block_id":"blk_d540730e-100b-46a2-bfa2-9a0b6744a523","order":4,"character_id":null},{"id":"sec_9862df19-2a44-4b62-86e9-7f21248ed7ac","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_9cabcbff-fcb0-4bd7-bc64-df6d20586137","order":5,"character_id":null},{"id":"sec_62f841dc-4a4d-4d56-af85-e297536e53d3","parent_section_id":"sec_9862df19-2a44-4b62-86e9-7f21248ed7ac","heading_block_id":"blk_af2cca54-52b3-41ed-989c-e2abdd1ee112","order":6,"character_id":null},{"id":"sec_269f3e24-fb91-4821-abd9-9e437e6375cf","parent_section_id":"sec_9862df19-2a44-4b62-86e9-7f21248ed7ac","heading_block_id":"blk_89fe2f15-5219-4787-bc81-8c18a07e7019","order":7,"character_id":null},{"id":"sec_4d030976-a3dc-47ac-9f73-66fe1d1b53fa","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_114f6d32-553b-436d-b0ec-222b4ad3126a","order":8,"character_id":null},{"id":"sec_9a99e161-1479-4deb-964a-107717d9a647","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_3db89e49-45aa-4a01-b5b3-3ec89fd46227","order":9,"character_id":null},{"id":"sec_f7c098a0-9435-4a7a-b169-d6bf32ee1a8a","parent_section_id":"sec_9a99e161-1479-4deb-964a-107717d9a647","heading_block_id":"blk_59f4766f-6072-47e6-93ee-627203c69767","order":10,"character_id":null},{"id":"sec_9c2c4241-9e47-4027-aa30-f7e650fe9f4e","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_79a9dda8-e0ea-43cb-a494-dabff5346eec","order":11,"character_id":null},{"id":"sec_7d7f4fac-a5bf-4bd2-b58d-dfb5507bf682","parent_section_id":"sec_9c2c4241-9e47-4027-aa30-f7e650fe9f4e","heading_block_id":"blk_d152d20b-7e43-4107-b751-436c64263617","order":12,"character_id":null},{"id":"sec_e6ea3210-0884-42b1-b055-d8f6659409c1","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_97f569e3-c9ba-49f6-856f-7843474e8e94","order":13,"character_id":null},{"id":"sec_6d50508b-0ded-4476-9703-510805bc3917","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_057cd78e-0033-4b40-bec0-ebb45d7dab53","order":14,"character_id":null},{"id":"sec_be776e64-ce7f-4811-9798-2610831ce39e","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_84884bad-01fd-4079-a158-4df80eaf0203","order":15,"character_id":null},{"id":"sec_4d4aa4fa-839e-4b8f-b562-6db293b5a2a4","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_3308f159-1050-4a47-a560-2477f87bc882","order":16,"character_id":null},{"id":"sec_260b7ac5-8d78-4992-a351-d7382da865dc","parent_section_id":"sec_4d4aa4fa-839e-4b8f-b562-6db293b5a2a4","heading_block_id":"blk_b3441b45-0fa2-4e94-851a-8441232534f4","order":17,"character_id":null},{"id":"sec_b41bdb28-4a08-4719-89a2-169114d2cad7","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_45929d52-fa87-4865-9c85-e9b3a818f303","order":18,"character_id":null},{"id":"sec_ca474305-3e1a-4af3-9d46-590e525dcf71","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_cb74501d-1a0e-433a-95da-77095da22636","order":19,"character_id":null},{"id":"sec_4f37db86-fa8d-4113-804b-c32a9b00c78a","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_738d3cc7-9cac-466d-83ca-c8a2efbcfc76","order":20,"character_id":null},{"id":"sec_dbce5403-94a7-46c5-87fb-3b542509cf9a","parent_section_id":"sec_4f37db86-fa8d-4113-804b-c32a9b00c78a","heading_block_id":"blk_17de4195-3f9c-4723-81b7-3309f4780158","order":21,"character_id":null},{"id":"sec_ff435a3d-c211-4844-94e8-e1769d6084ae","parent_section_id":"sec_4f37db86-fa8d-4113-804b-c32a9b00c78a","heading_block_id":"blk_c948a3f3-a449-448f-ba3a-71a1d8fb70ec","order":22,"character_id":null},{"id":"sec_fb96c4eb-5cd3-48b5-bc13-242ff3a8dd0f","parent_section_id":"sec_4f37db86-fa8d-4113-804b-c32a9b00c78a","heading_block_id":"blk_c19dbdaa-1f78-4435-a142-0ff6b557e68c","order":23,"character_id":null},{"id":"sec_e0f1ca42-93d2-4468-b56f-63e15e5415dd","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_746f485c-8701-4d41-8ab0-1951b1baf711","order":24,"character_id":null},{"id":"sec_4f5643b9-bc5e-44fa-8558-1b5a365ee90b","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_72dc0a22-dbf2-401e-9120-77ec4b523687","order":25,"character_id":null},{"id":"sec_95aa3b9b-30b5-49ad-a10c-d388907b1d4d","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_5460c7d9-0f1c-426c-b603-fa9368869175","order":26,"character_id":null},{"id":"sec_416527c6-2b24-4e65-a05b-51914df3f784","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_4274cdb4-64b1-4e6f-8a69-eaf5b1af3fd3","order":27,"character_id":null},{"id":"sec_f0ab0e6e-9999-42ca-a353-14ddb64b37d8","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_c1a4e4ec-f625-41e8-ba79-33fcb83dbce7","order":28,"character_id":null},{"id":"sec_aa5cf723-c9b6-444e-abf4-066374abe475","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_cb4f5ef2-51ad-43f1-a566-d4bfc4c88238","order":29,"character_id":null},{"id":"sec_5fa3ebac-975a-4263-ae97-a9adc6db305e","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_dd6e63cc-6759-44f3-b196-3f851dedc5da","order":30,"character_id":null},{"id":"sec_49928b02-4691-4f7f-9f4d-27398fd2148c","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_b43ddfd6-7d4e-4432-b039-4e4353a292b5","order":31,"character_id":null},{"id":"sec_2239b8b1-b4e4-449f-b42f-f4f7ddb7817e","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_942d73c9-6a6e-4a47-b58a-de2a68f0a1d6","order":32,"character_id":null},{"id":"sec_54659db2-07ac-4fa2-a926-aecedb2e749f","parent_section_id":"sec_2239b8b1-b4e4-449f-b42f-f4f7ddb7817e","heading_block_id":"blk_2278fde6-7da0-4348-8c84-2e03b0be0039","order":33,"character_id":null},{"id":"sec_b1eac62e-59df-41f1-bbc4-fedcdff2dd89","parent_section_id":"sec_2239b8b1-b4e4-449f-b42f-f4f7ddb7817e","heading_block_id":"blk_a4786a89-f1ba-42ca-90cc-50f83088208b","order":34,"character_id":null},{"id":"sec_78f32dbd-abdd-4593-8645-7083c2701dba","parent_section_id":"sec_2239b8b1-b4e4-449f-b42f-f4f7ddb7817e","heading_block_id":"blk_16607b58-32e7-42f7-9946-d77a2e30ed92","order":35,"character_id":null},{"id":"sec_b2417297-8b05-4cca-bf65-91782f8b257e","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_8a541031-48c9-49e4-bf0d-4872489fa6eb","order":36,"character_id":null},{"id":"sec_7d6898a0-988d-4a95-8cc5-fcb73f95b44e","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_b9e11f66-b706-4d21-a3e6-a675acdc23f2","order":37,"character_id":null},{"id":"sec_d435aad1-fc26-49db-89d4-f3013fb1721b","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_0cea8df1-5214-4251-bd25-656a4f3c203c","order":38,"character_id":null},{"id":"sec_88bcc9f2-8692-4b68-a664-b38686458694","parent_section_id":"sec_d435aad1-fc26-49db-89d4-f3013fb1721b","heading_block_id":"blk_7bb40bbf-6e01-41c8-b731-cf030d402bc0","order":39,"character_id":null},{"id":"sec_ef11df25-0d6d-4ada-8ef2-9c3d2a15df80","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_1678b8bd-b129-4b3c-be27-064ebdac1ffc","order":40,"character_id":null},{"id":"sec_dad5ae3e-3544-404f-a184-140ce201890a","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_96e7c78f-3b7a-4f71-a29e-39284a75dfe0","order":41,"character_id":null},{"id":"sec_4453ed5f-4670-4c5c-89ba-ab8719b6d4e4","parent_section_id":"sec_dad5ae3e-3544-404f-a184-140ce201890a","heading_block_id":"blk_d072d267-b125-4800-89e5-4dddaf7299e7","order":42,"character_id":null},{"id":"sec_e36365c6-83a3-4e5a-b08f-d0c1641ee454","parent_section_id":"sec_dad5ae3e-3544-404f-a184-140ce201890a","heading_block_id":"blk_7916fb0f-1e0c-4198-a3f2-9e63055258f9","order":43,"character_id":null},{"id":"sec_b5487d29-3200-4398-88f8-8a08a297e4d4","parent_section_id":"sec_dad5ae3e-3544-404f-a184-140ce201890a","heading_block_id":"blk_6eec19c2-7b63-4832-b929-6175140de011","order":44,"character_id":null},{"id":"sec_9fc426f7-26ea-4dfe-a4d9-66c12045fef7","parent_section_id":"sec_dad5ae3e-3544-404f-a184-140ce201890a","heading_block_id":"blk_870ab20d-0769-4325-9b82-dfdf70392b82","order":45,"character_id":null},{"id":"sec_b586224f-6bd9-4052-93f8-ca268a300846","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_5779fd31-3651-4d10-93f0-495bc1519637","order":46,"character_id":null},{"id":"sec_b45e5ff8-2c02-4eaa-8025-c4c982f2235a","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_6a7a032e-2727-4bdf-a25d-5e0999a24670","order":47,"character_id":null},{"id":"sec_c11ff294-9101-4e73-8ee1-d3d5cdc13e04","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_d9220d08-cbc2-42cc-a421-a847c067bc03","order":48,"character_id":null},{"id":"sec_499a5d66-0ed4-4af6-a3b5-785e0bb56003","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_e7c25e44-8f91-49e4-b8f8-c2398a13b8f3","order":49,"character_id":null},{"id":"sec_b4d5f7b5-4b01-49cf-9a7f-65e594d00af6","parent_section_id":"sec_499a5d66-0ed4-4af6-a3b5-785e0bb56003","heading_block_id":"blk_cc0a931c-352b-4cbd-9a5f-1a734175035b","order":50,"character_id":null},{"id":"sec_34679daa-c755-49e7-99fe-587b81d6ea81","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_1cd43323-0181-42ad-9dfb-e1ffa9deb204","order":51,"character_id":null},{"id":"sec_2d960bc8-83fa-4f32-b536-053091e0985d","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_257a61b6-229b-42ee-b348-94515dc0b04f","order":52,"character_id":null},{"id":"sec_b99c46b9-da12-4581-9883-8e9e0aae178f","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_d9dae504-bc4c-4242-b3a6-cc87c3e5b3a3","order":53,"character_id":null},{"id":"sec_af0e7eaf-5317-4a6f-a238-c1c39f7cd0da","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_da5c572a-bf0f-4d6d-9b44-7bf669bca335","order":54,"character_id":null},{"id":"sec_346133df-1eed-484d-8939-63fb85a75d68","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_d1987f32-5154-4efc-a28d-4b9472b960f7","order":55,"character_id":null},{"id":"sec_cbc3c8d4-f7d4-442f-ac25-86d4d2065611","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_77dd226f-7f5d-488a-b7f0-2aa5927e7aab","order":56,"character_id":null},{"id":"sec_282f9169-f128-4678-8d82-ca71c17511c3","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_7a8663e5-724c-4614-8ee7-13240d00e8d0","order":57,"character_id":null},{"id":"sec_5ce3a1e5-1507-4048-8db7-d6ca12ac3318","parent_section_id":"sec_282f9169-f128-4678-8d82-ca71c17511c3","heading_block_id":"blk_fde13dc2-4425-40e8-ba84-75237e36d03d","order":58,"character_id":null},{"id":"sec_6ab20466-e19a-48cc-b0a6-ae1aaa1330ba","parent_section_id":"sec_282f9169-f128-4678-8d82-ca71c17511c3","heading_block_id":"blk_aa23dd88-f060-4135-a72e-8be0f5e69a9a","order":59,"character_id":null},{"id":"sec_fa9d4d77-2af7-4065-bfac-27cf619857f7","parent_section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","heading_block_id":"blk_ab86935e-f799-4742-85c7-3c10bef25f8b","order":60,"character_id":null},{"id":"sec_0e3d9297-b2bd-4dc2-a3f0-261931cc0d1f","parent_section_id":"sec_fa9d4d77-2af7-4065-bfac-27cf619857f7","heading_block_id":"blk_f57c9976-d1d8-4e36-9d80-d254f2f5cf92","order":61,"character_id":null},{"id":"sec_0650a7a0-5570-4327-a6e7-c422cf41482d","parent_section_id":"sec_fa9d4d77-2af7-4065-bfac-27cf619857f7","heading_block_id":"blk_66590a29-d0e2-4208-8b27-ff44ef57e934","order":62,"character_id":null},{"id":"sec_d16e1c18-4366-4aea-87dd-89b53cb02701","parent_section_id":"sec_fa9d4d77-2af7-4065-bfac-27cf619857f7","heading_block_id":"blk_f0f45b1b-6372-406e-8759-67138490869f","order":63,"character_id":null}],"content_available_at":{"basis":"unknown","precision":"unknown","timezone":null,"value":null},"markdown":"![](/media/4dfd7a9f7b4a7d981ae583ec90d285b5b81a84eeac6fcdd0ee4bc5dfbc8f60e8-content.webp)\n\n## GPU行列・ベクトル演算、HBM、ネットワーク帯域について\n\nAIやHPC（高性能計算）向けのGPUは、大量の並列演算を効率的に処理するために最適化されています。ここでは、**行列・ベクトル演算、HBM（高帯域幅メモリ）、ネットワーク帯域**の主要なポイントについて詳しく解説します。\n\n---\n\n## ① GPUの行列・ベクトル演算\n\n### GPUの演算アーキテクチャ\n\nGPUは、数千個の**CUDAコア**（または**Tensorコア**）を持ち、並列処理に特化しています。 \n行列やベクトルの演算は、**SIMD（Single Instruction, Multiple Data）** 方式を活用し、複数のデータを同時に処理します。\n\n### 主要な演算\n\n- 演算種類 説明 主な用途 **スカラ演算** 単一値に対する演算（例：加減乗除）\n- 一般的な計算 **ベクトル演算** 配列同士の演算（例：ベクトル加算）\n- 物理シミュレーション **行列-ベクトル積**\n- 行列とベクトルの掛け算 3Dグラフィックス\n- 機械学習 **行列-行列積（GEMM）**\n- 2つの行列の掛け算（A × B = C） **ディープラーニング、線形代数** **畳み込み演算（Conv）**\n- CNN（畳み込みニューラルネットワーク）で使用 **画像認識、AI推論**\n\n特にAIの**ディープラーニング**では、行列積（GEMM）が頻繁に使われ、GPUの**Tensorコア**（NVIDIA）や**Matrix Core**（AMD）が最適化されています。\n\n---\n\n## ② HBM（High Bandwidth Memory, 高帯域幅メモリ）\n\n### HBMとは？\n\nHBMは、**従来のGDDRメモリに比べて高帯域かつ低消費電力**なメモリ技術です。3D積層構造（スタック構造）を持ち、TSV（Through-Silicon Via）技術により、メモリ間の高速データ転送を実現します。\n\n### HBMの特徴\n\n- **広帯域（高いメモリ転送速度）**\n- **低消費電力**\n- **高密度メモリ（積層構造により省スペース）**\n\n---\n\n## ③ HBMの帯域\n\nHBMの帯域（転送速度）は、**メモリクロック × バス幅 × チャネル数**で決まります。 \n最新のHBMの帯域を以下に示します。\n\nHBM世代 帯域幅（GB/s） バス幅（bit） スタックあたり最大容量 \n \n**HBM1** 最大128GB/s 　　1024bit 　 4GB \n**HBM2** 最大256GB/s 　　1024bit 　 8GB \n**HBM2e** 最大460GB/s 　  1024bit 　16GB \n**HBM3** 最大819GB/s 　　1024bit　  32GB \n**HBM3e** 最大1.5TB/s 　　1024bit 　 36GB\n\n最新のNVIDIA **H100 GPU**（HBM3搭載）の場合、メモリ帯域は**3.35TB/s**（80GB HBM3）に達します。\n\n---\n\n## ④ HBMの容量\n\n### HBMのGPU搭載例\n\nGPU HBM容量 HBM世代 メモリ帯域\n\nNVIDIA 　A100 　     40GB or 80GB 　　  HBM2e 2.0TB/s \nNVIDIA 　H100 　     80GB 　　　　　　 HBM3 3.35TB/s \nAMD 　   MI250X 　  128GB　　　　　    HBM2e 3.2TB/s \nAMD 　   MI300X 　  192GB 　　　　　   HBM3 5.3TB/s\n\nHBMはAI/ディープラーニングモデルの**大規模パラメータ処理**に適しており、**GPT-4、Gemini 1.5** などのLLM（大規模言語モデル）の処理で重要な役割を果たしています。\n\n---\n\n## ⑤ ネットワーク帯域\n\n最新のAI/データセンター向けの**クラスタリングシステム**（Superpod、InfiniBand、NVLinkなど）では、高速なネットワーク帯域が求められます。\n\n### 主要なインターコネクト技術\n\n技術 帯域幅 特徴 \n**PCIe 4.0**       最大16GB/s 一般的なGPU接続 \n**PCIe 5.0      ** 最大32GB/s 最新サーバー向け \n**PCIe 6.0      ** 最大64GB/s AI/HPC向け（2024以降採用） \n**NVLink 4.0 ** 900GB/s（NVIDIA H100） GPU間高速接続（NVIDIA専用） **InfiniBand NDR** 400Gbps AIクラスターネットワーク \n**Ethernet 800G** 800Gbps 高速データセンター向け\n\n最新の**NVIDIA H100**は、**NVLink 4.0（900GB/s）** をサポートし、GPU間の高速通信が可能です。\n\nまた、クラウドAI（AWS、Google Cloudなど）では、**InfiniBand（400Gbps超）** が使用され、大規模AIモデルの分散学習が高速化されています。\n\n---\n\n## まとめ\n\n項目 詳細 **行列・ベクトル演算** GEMM（行列積）がAI学習で重要。Tensorコアで最適化 \n**HBM帯域** HBM3では最大819GB/s、HBM3eでは1.5TB/s超 \n**HBM容量** 80GB（NVIDIA H100）、192GB（AMD MI300X） \n**ネットワーク帯域** NVLink 4.0（900GB/s）、InfiniBand（400Gbps）\n\n次世代のAIワークロードでは、**「GPU × HBM × 高速ネットワーク」** が重要になり、NVIDIA、AMD、Marvell、Broadcom などが技術革新を進めています。\n\n---\n\n## 🔹 HBM（High Bandwidth Memory）とは？\n\n**💡 HBMは、高帯域幅（High Bandwidth）と低消費電力を実現するメモリ技術で、主にGPUやAIアクセラレーター、HPC（ハイパフォーマンスコンピューティング）向けに設計されています。**\n\n---\n\n## 🔹 1. HBMの特徴\n\n✅ **超広帯域（High Bandwidth）** \n✅ **スタック構造によるコンパクト設計** \n✅ **低消費電力で高効率** \n✅ **広いバス幅（1,024-bit以上）** \n✅ **GPU、AIプロセッサ、FPGA、HPCで使用**\n\nHBMは、従来のGDDR（グラフィックスメモリ）よりも**広いメモリバス幅と高速データ転送を実現**しており、特にAI、機械学習、データセンターでの利用が増えています。\n\n---\n\n## 🔹 2. HBMの構造\n\n### 💡 スタック構造（3D TSV技術）\n\n従来のメモリ（GDDR, DDR）と異なり、**HBMは複数のDRAMダイを垂直に積層（3D構造）** し、**TSV（Through-Silicon Via）** を利用して接続しています。\n\n📌 **TSV技術とは？** \nTSV（スルーシリコンビア）は、シリコンウェハ内に微細な貫通電極を作り、**スタックされたDRAMチップ間の高速なデータ転送を可能にする技術** です。\n\n📌 **HBMのバス幅（bit幅）は非常に広い**\n\n- HBM: **1,024-bit / スタック**\n- GDDR6: **256-bit**\n- DDR5: **64-bit**\n\n🚀 **結果：** HBMは超広帯域 & 低消費電力を実現！\n\n---\n\n## 🔹 3. HBMの世代ごとの進化\n\n**HBM世代** **発売年** **バス幅** **帯域幅（1スタック）** **最大容量（1スタック）** **使用製品 \n** \n**HBM1** 2015年 1,024-bit 128 GB/s 4GB AMD Fiji (Radeon R9 Fury) \n**HBM2** 2016年 1,024-bit 256 GB/s 8GB NVIDIA Tesla V100, AMD Vega 64 **HBM2E** 2019年 1,024-bit 460 GB/s 16GB NVIDIA A100, AMD Instinct MI100 **HBM3** 2022年 1,024-bit 819 GB/s 24GB NVIDIA H100, AMD Instinct MI300 **HBM3E** 2024年 1,024-bit 1.2 TB/s 32GB NVIDIA B100 予定\n\n🚀 **進化ポイント：**\n\n- **HBM2 → HBM2E**：帯域幅向上（最大460GB/s）\n- **HBM3 → HBM3E**：帯域幅 **1.2TB/s** 達成\n\n💡 **最新のHBM3/3Eは、LLM（大規模言語モデル）やスーパーコンピュータ向け！**\n\n---\n\n## 🔹 4. HBM vs GDDRメモリ\n\n**特徴** **HBM3** **GDDR6X** **バス幅** 1,024-bit 256-bit **帯域幅（1スタック）** 819 GB/s 96 GB/s **消費電力** **低い** **高い** **コスト** **高い** **安い** **用途** AI, HPC, データセンター ゲーミングGPU\n\n📌 **要点** \n✅ HBMは**超高速 & 低消費電力** だが、コストが高い \n✅ GDDRは**コスト効率が良く、ゲーム向け**（RTX 40シリーズなど）\n\n---\n\n## 🔹 5. HBMの主な用途\n\n### 💡 1. AI / 機械学習\n\n- **大規模言語モデル（GPT, LLaMA, BERT, Claude）**\n- **NVIDIA H100, AMD Instinct MI300X（HBM搭載）**\n- **メモリ帯域がボトルネックとなるAI推論に最適**\n\n### 💡 2. HPC（スーパーコンピュータ）\n\n- **富岳（HBM2搭載）**\n- **Summit, Frontier（AMD MI250, HBM搭載）**\n- **高性能な科学計算、シミュレーション**\n\n### 💡 3. データセンター & クラウド\n\n- **Google TPUs（HBM搭載）**\n- **AWS Trainium & Inferentia（AI推論向け）**\n\n💡 **AI・HPC分野では、今後もHBMの需要は高まり続ける！**\n\n---\n\n## 🔹 6. まとめ\n\n✅ **HBMは、広帯域かつ低消費電力なメモリ技術** \n✅ **スタック構造 & TSVで超高速データ転送を実現** \n✅ **AI、HPC、データセンターで標準化（NVIDIA H100, AMD MI300, Google TPUs）** \n✅ **今後はHBM3Eが主流になり、帯域1.2TB/sの時代へ！**\n\n🚀 **HBMの進化が、AIとHPCのパフォーマンスを加速させる！**\n\n---\n\n## GDDR（Graphics Double Data Rate）メモリとは？\n\nGDDR（Graphics Double Data Rate）は、**GPU向けに最適化された高速DRAM（Dynamic Random Access Memory）** の一種で、**ゲーム、HPC（高性能計算）、AI、データセンター、映像処理** など幅広い用途で使用されます。\n\n---\n\n## ① GDDRメモリの特徴\n\nGDDRは、PCやサーバーの一般的な**DDRメモリ（DDR4/DDR5）** と比較して、以下の点が異なります。\n\n特徴 説明 **高帯域幅** **GDDR6Xでは最大1.44TB/s** のメモリ帯域を提供し、AIや3Dレンダリングに適する **低遅延** GPUのリアルタイム処理を支えるため、高速なアクセスが可能 **広いバス幅** HBMに比べると狭いが、DDRメモリよりも大幅に広いバス幅を持つ（256bit, 384bitなど） **シングルポート設計** 一般的なDDRメモリはデュアルポートだが、GDDRは単一ポート構造でGPUとのやり取りを高速化\n\n**主な用途：**\n\n- ゲーム用GPU（GeForce、Radeon）\n- AI推論向けGPU（NVIDIA RTX 4090など）\n- データセンター（一部のGDDR搭載AIアクセラレーター）\n\n---\n\n## ② GDDRメモリの世代と性能比較\n\nGDDR世代 データ転送速度（Gbps/ピン） バス幅（bit） 帯域幅（GB/s） 代表的なGPU \n**GDDR5|** 8Gbps| 256bit |256GB/s| GTX 1080, Radeon RX 580| \n**GDDR5X** |14Gbps| 256bit |448GB/s |GTX 1080 Ti| \n**GDDR6** |16Gbps |256bit / 384bit |512GB/s |RTX 2080, RTX 3080| \n**GDDR6X** |21Gbps |384bit **1.44TB/s** |RTX 3090, RTX 4090|\n\n最新の **GDDR6X** では、転送速度21Gbps（理論上最大24Gbps）まで達し、GPUメモリ帯域が大幅に向上しています。\n\n---\n\n## ③ GDDRメモリとHBM（High Bandwidth Memory）の違い\n\nGDDRとHBMは、どちらもGPU向けの高速メモリですが、設計コンセプトが異なります。\n\n項目 GDDR HBM **用途** ゲーミング、一般的なグラフィックス AI/HPC、データセンター **帯域幅** 最大1.44TB/s（GDDR6X） 最大5.3TB/s（HBM3e） **消費電力** 比較的高い（広帯域・高クロック） 低い（3D積層設計） **コスト** 安価 高価 **配置** GPUコアの外部に配置（PCB上） GPUと積層される（パッケージ内）\n\n**✅ GDDRはゲーム・コンシューマ向け、HBMはAI・HPC向け** \nGDDRの長所は「安価で広く使われる」ことですが、超高帯域を必要とするAIワークロードにはHBMの方が適しています。\n\n---\n\n## ④ GDDRの今後の展開\n\n1. **GDDR7（2025年頃登場）**\n \n - 転送速度 **32Gbps/ピン**\n - 帯域幅 **最大1.6TB/s以上**\n - **PAM4（Pulse Amplitude Modulation 4）** の導入により、省電力化と高速化\n2. **次世代ゲームやAIアクセラレーション向け**\n \n - **GDDR6Xの改良版**が登場予定（NVIDIA RTX 5090世代）\n\n---\n\n## ⑤ まとめ\n\n項目 GDDRの特徴 **用途** ゲーム、AI推論、映像処理向け **最高速メモリ** GDDR6X（最大1.44TB/s） **コスト** HBMより安価だが、DDRより高価 **今後の進化** GDDR7（32Gbps、1.6TB/s超）\n\nGDDRは、今後もゲーム向けGPUや一般的なデータ処理において、最もコストパフォーマンスの高いメモリとして使用されるでしょう。\n\n---\n\n**Ethernet、InfiniBand、光接続（光ファイバー）** の違いについて、それぞれの特性や用途を比較しながら説明します。\n\n---\n\n## 🔹 1. 各技術の概要\n\n**通信技術** **主な用途** **特徴** \n**Ethernet** |**一般的なネットワーク通信**（インターネット、データセンター、企業ネットワーク）| **標準化されており互換性が高い**、TCP/IPベース、スイッチやルーターが必要 \n \n**InfiniBand (IB)|** **HPC（スーパーコンピュータ）、AIクラスタ、低遅延サーバー間通信** |**高帯域・低遅延な直結通信**、RDMA技術、スイッチあり \n \n**光接続（光ファイバー）|** **高速データ通信（すべてのネットワークで利用）** |電磁干渉なし、長距離通信可能、EthernetやIBの物理層で使用\n\n---\n\n## 🔹 2. 詳細な比較\n\n### (1) Ethernet\n\n**💡 インターネットを含む、最も広く使われているネットワーク技術**\n\n- **プロトコル**：IP（Internet Protocol）、TCP（Transmission Control Protocol）など\n- **帯域幅**：一般的な100Mbps〜1Gbps、データセンターでは**10G, 25G, 40G, 100G, 400G Ethernet**\n- **遅延**：数マイクロ秒（μs）（標準Ethernet）、RDMA（RoCE使用時）で遅延削減\n- **主な用途**：\n \n - 家庭やオフィスのLAN（1GbE）\n - データセンターのサーバー・ストレージ接続（10G～400G Ethernet）\n - クラウド、企業ネットワーク、IoT、5G通信\n\n✅ **長所**\n\n- **広く標準化されている（安価・汎用的）**\n- ネットワークの相互接続性が高く、管理しやすい\n- ルーティング機能が強力で、大規模ネットワーク構築に適している\n\n❌ **短所**\n\n- TCP/IPを使用するため、**CPU負荷が高い**\n- ネットワーク遅延が大きめ（InfiniBandと比較して）\n- RDMA（RoCE：RDMA over Converged Ethernet）を使用しない場合、レイテンシ（遅延）が高い\n\n---\n\n### (2) InfiniBand (IB)\n\n**💡 スーパーコンピュータやAI/HPC用途の超高速・低遅延ネットワーク技術**\n\n- **プロトコル**：RDMA（Remote Direct Memory Access）を使用し、TCP/IPを経由せずメモリ間で直接通信可能\n- **帯域幅**：\n \n - **NDR（NVIDIA Quantum-2）**：400Gb/s（50GB/s）\n - **HDR**：200Gb/s（25GB/s）\n - **EDR**：100Gb/s（12.5GB/s）\n- **遅延**：**数100ナノ秒（ns）レベル（非常に低い）**\n- **主な用途**：\n \n - AIクラスタ、スーパーコンピュータ（NVIDIA DGX/HGX, TOP500のHPCシステム）\n - ハイパフォーマンスデータセンター（HPC）\n - 高周波トレーディング（HFT）\n\n✅ **長所**\n\n- **超低遅延（Ethernetの約1/10の遅延）**\n- **RDMA対応により、CPU負荷を最小化**\n- **スケーラビリティが高く、スーパーコンピュータに最適**\n\n❌ **短所**\n\n- **Ethernetに比べて一般普及していない（コストが高い）**\n- **専用のネットワーク機器が必要（スイッチやNIC）**\n- **クラウドや一般用途には向かない**\n\n---\n\n### (3) 光接続（光ファイバー）\n\n**💡 物理的なデータ伝送方式であり、EthernetやInfiniBandと組み合わせて使用**\n\n- **プロトコル**：Ethernet, InfiniBand, Fiber Channel などのデータ伝送方式を使用\n- **帯域幅**：\n \n - **10GBASE-SR**（光イーサネット）：10Gbps\n - **400GBASE-DR4**（光イーサネット）：400Gbps\n - **InfiniBand NDR（400G）やXDR（800G）も光接続に依存**\n- **遅延**：基本的に**距離に比例**し、長距離（数km）でも100μs程度\n- **主な用途**：\n \n - **データセンター内のサーバー接続**\n - **長距離通信（ISP, 5G, クラウド接続）**\n - **AIクラスタ、スーパーコンピュータの高帯域通信**\n\n✅ **長所**\n\n- 電磁干渉の影響を受けず、安定した通信が可能\n- 長距離通信が可能（数m〜数km）\n- 低レイテンシ、高帯域でAI/データセンターに最適\n\n❌ **短所**\n\n- **光モジュール・光ファイバーは銅線より高価**\n- **物理層の技術であり、EthernetやInfiniBandの上位プロトコルと組み合わせが必要**\n\n---\n\n## 🔹 3. どの技術を選ぶべきか？\n\n\\*\\*✅ 一般的なネットワーク（企業LAN、クラウド、ISP） → **「Ethernet」** \n\\*\\*✅ スーパーコンピュータ、AIデータセンター → **「InfiniBand」** \n\\*\\*✅ 低遅延、高速長距離通信（基盤技術） → **「光接続（光ファイバー）」**\n\n多くのデータセンターでは、**内部通信はInfiniBand、外部接続はEthernet、物理的な通信は光ファイバー** という形で併用しています。\n\n---\n\n## 🔹 RoCEv2（RDMA over Converged Ethernet v2）とは？\n\n**💡 RDMA（Remote Direct Memory Access）をEthernet上で利用するための通信プロトコル（第2世代）**\n\nRoCEv2は、標準的なEthernetネットワーク上でRDMA（Remote Direct Memory Access）を動作させる技術であり、低遅延・高帯域の通信を実現するプロトコルです。\n\n---\n\n## 🔹 1. RoCEとは？\n\n### 💡 RoCE (RDMA over Converged Ethernet) の基本\n\n通常のTCP/IPでは、データの転送時にカーネルスタックを経由するため、**CPU負荷や遅延が増加** します。しかし、**RDMA** を利用すると、 \n✅ **CPUを介さずにリモートメモリへ直接アクセス可能** \n✅ **低レイテンシ・高スループット通信が実現**\n\nRDMAの代表的な実装には以下があります。\n\n**プロトコル|** **物理ネットワーク** |**用途 \n** **InfiniBand (IB)** |専用のInfiniBandネットワーク |HPC, AI, スーパーコンピュータ \n**RoCE (RDMA over Converged Ethernet)** |Ethernet (L2) |データセンター、クラウド \n**iWARP (Internet Wide-area RDMA Protocol)** |TCP/IP |通常のIPネットワーク上で動作\n\n---\n\n## 🔹 2. RoCEv2とRoCEv1の違い\n\n**項目** **RoCEv1** **RoCEv2** **通信レイヤー** L2（イーサネット） L3（IP + UDP） **ルーティング対応** ❌ 同一L2ネットワーク内のみ ✅ ルーティング可能（L3ネットワーク対応） **UDPポート番号** 使用しない 4791 **IPアドレス対応** IPv4 / IPv6 なし IPv4 / IPv6 あり **ユースケース** **同一データセンター内** のサーバ間通信 **大規模データセンター、クラウド、分散環境**\n\n📌 **要点：**\n\n- **RoCEv1** → **L2通信（ブロードキャストドメイン内のみ）**\n- **RoCEv2** → **L3通信（ルーティング可能、WAN対応）**\n\n**💡 RoCEv2は、データセンター間やクラウド環境でも利用可能**！\n\n---\n\n## 🔹 3. RoCEv2の主な特徴\n\n### (1) ルーティング対応（L3/IP over Ethernet）\n\nRoCEv2は、**UDP/IPを使って通信** するため、**異なるサブネットやデータセンター間でもRDMA通信が可能** です。\n\n- **RoCEv1：** L2通信のみ（ブロードキャストドメイン内のみ動作）\n- **RoCEv2：** L3（IP + UDP）を利用し、ルーター越えが可能\n\n✅ これにより、大規模クラウドサービスやデータセンター間通信でもRoCEが利用可能になりました。\n\n---\n\n### (2) PFC（Priority Flow Control）による低遅延\n\nEthernetは、元々**ベストエフォート型**（パケットロスあり）であり、\n\n- TCP通信ではパケットロス発生時にリトライ（再送）が発生し、レイテンシが増加する\n- RDMAは**ロスレス通信が前提** のため、通常のEthernetでは適さない\n\n➡ **解決策：Priority Flow Control（PFC）** を利用し、特定のRDMAパケットの優先度を高めることで **ロスレス通信** を実現。\n\n---\n\n### (3) ECN（Explicit Congestion Notification）対応\n\n大規模データセンターでは、**トラフィック集中による輻輳（ネットワーク混雑）** が問題になります。 \n➡ **RoCEv2は、ECN（輻輳制御）を活用してパケットロスを防止しつつ、安定したパフォーマンスを確保！**\n\n✅ **PFC（ロスレス環境） + ECN（輻輳制御） = 高速 & 安定したデータ通信**\n\n---\n\n### (4) RDMA（カーネルバイパス）によるCPU負荷軽減\n\nRoCEv2は、**RDMAの特徴（カーネルバイパス）** をそのまま活用可能。\n\n- **従来のTCP/IP** → CPUがデータ転送処理を担当（高負荷）\n- **RoCEv2** → **CPUを経由せずに直接メモリアクセス（低負荷 & 高速化）**\n\n📌 **高負荷なAI学習やHPCに最適な通信方式！**\n\n---\n\n## 🔹 4. RoCEv2と他の技術（InfiniBand、TCP/IP）との比較\n\n**プロトコル|** **ネットワーク|** **遅延** |**スケール|** **主な用途 \n** **InfiniBand (IB)|**InfiniBand専用 |**数百ns** |クラスタ向け |AI, HPC, スーパーコンピュータ \n**RoCEv2** |**Ethernet（L3, UDP/IP）|** **1μs以下|** データセンター, クラウド |AI, 高速データ処理 \n**TCP/IP|** Ethernet (L3) |**数十μs** |汎用ネットワーク |Web, クラウド, IoT\n\n✅ **AIやHPCの高速通信では**\n\n- **InfiniBand \\> RoCEv2 \\> TCP/IP** の順で高速\n\n✅ **クラウド/データセンターでの実用性は**\n\n- **RoCEv2 \\> InfiniBand**（Ethernet利用可能）\n\n---\n\n## 🔹 5. RoCEv2が使われる主要分野\n\n**✅ AI / HPC（ハイパフォーマンスコンピューティング）**\n\n- NVIDIA **DGXクラスタ**（InfiniBandまたはRoCE）\n- **大規模AI学習（GPT, LLMs, Transformerモデル）**\n- **スーパーコンピュータ（Top500 HPCシステム）**\n\n**✅ クラウド & データセンター**\n\n- **大規模クラウド（AWS, Azure, Google Cloud）**\n- **ストレージ高速化（NVMe-oF, GPU Direct Storage）**\n\n**✅ 金融（HFT）**\n\n- **高頻度取引（HFT）での超低遅延通信**\n- **NASDAQ・金融市場でのリアルタイムデータ処理**\n\n---\n\n## 🔹 6. RoCEv2を活用する製品\n\n**🔹 NVIDIA & Mellanox 製品**\n\n- **NVIDIA ConnectX シリーズ NIC**\n- **Mellanox Spectrum Ethernet Switch**\n- **NVIDIA DGX H100（RoCEv2 / InfiniBand）**\n- **NVIDIA BlueField DPU（データセンター向け）**\n\n---\n\n## 🔹 まとめ\n\n✅ **RoCEv2は、RDMAをEthernetネットワーク（L3）で実現する技術** \n✅ **InfiniBandに匹敵する低遅延（1μs以下）、高帯域（400G以上）を実現可能** \n✅ **データセンター、AI/HPC、高速ストレージ、HFTなど幅広い分野で活用** \n✅ **Ethernetの既存インフラを活用できるため、InfiniBandより導入しやすい**\n\n🔥 **クラウド & AI時代の標準RDMA技術として、今後さらに普及が進む！**\n\n---\n\n### AI ASICとは？\n\n**AI ASIC（Application-Specific Integrated Circuit for Artificial Intelligence）とは、人工知能（AI）向けに特化して設計された特定用途向け集積回路（ASIC）のことです。 \nGPUやFPGAとは異なり、特定のAIタスク（ディープラーニング、推論処理、トレーニングなど）に最適化された専用チップ**であり、高い処理効率と低消費電力を実現できます。\n\n---\n\n## AI ASICの特徴\n\n1. **AI向けに最適化**\n \n - ニューラルネットワーク演算（畳み込み演算、行列積演算など）を効率化。\n - 低ビット精度（例：8bit、4bit、INT8、BF16）での処理を重視。\n2. **高性能かつ低消費電力**\n \n - GPUよりも高い計算性能（TOPS/TeraOPS）を低消費電力で実行可能。\n - 特定用途（推論処理・トレーニングなど）に特化することで、オーバーヘッドを削減。\n3. **柔軟性が低い（カスタム設計）**\n \n - GPUのように多目的用途には対応できず、特定のAIタスクに限定される。\n - 汎用性は低いが、大規模AIサービス向けに最適化可能。\n\n---\n\n## 🔹 NVLinkとは？\n\n**💡 GPU間やCPU-GPU間の超高速データ転送を目的としたインターコネクト技術**\n\n✅ **主な特徴**\n\n- **主な用途**：GPU間通信（特にAI・HPC向け）\n- **接続対象**：GPU-GPU、CPU-GPU（NVLinkブリッジ使用）\n- **帯域幅**：\n \n - **NVLink 4.0**（NVIDIA H100）：900GB/s（18リンク使用）\n - **NVLink 3.0**（NVIDIA A100）：600GB/s（12リンク使用）\n - **NVLink 2.0**（NVIDIA V100）：300GB/s\n- **トポロジー**：ポイントツーポイント接続、NVSwitchを介して複数GPU接続\n- **主な使用製品**：\n \n - NVIDIA H100、A100、V100\n - DGXシリーズ（スーパーコンピュータ）\n - 一部のワークステーション向けGPU（RTX 3090, RTX 4090など）\n\n---\n\n## 🔹 InfiniBandとは？\n\n**💡 データセンターやスーパーコンピュータの高速ネットワーク構築を目的としたプロトコル & インターコネクト**\n\n✅ **主な特徴**\n\n- **主な用途**：クラスターネットワーク、高速サーバー間通信\n- **接続対象**：サーバー-サーバー、サーバー-GPU、ストレージネットワーク\n- **帯域幅**：\n \n - **NVIDIA Quantum-2 InfiniBand**（NDR）：400Gb/s（シングルレーン）\n - **NVIDIA Quantum InfiniBand**（HDR）：200Gb/s\n - **Mellanox InfiniBand**（EDR/FDR）：100Gb/s\n- **トポロジー**：スイッチを介した多数のノード（GPU, CPU, Storage）接続\n- **主な使用製品**：\n \n - NVIDIA/MellanoxのInfiniBand NIC・スイッチ\n - スーパーコンピュータ、HPCシステム\n - NVIDIA DGX、HGXプラットフォームのクラスタ\n\n---\n\nNVLinkは**GPU間のダイレクトな超高速通信** に特化し、InfiniBandは**大規模ネットワーク接続やサーバークラスタを構築するための技術** です。\n\n➡ **NVLinkはローカルなGPU間通信、InfiniBandはデータセンター全体のネットワーク構築に最適化** されています。\n\n✅ **例：NVIDIA DGXシステム**\n\n- **DGX H100などのスーパーコンピュータ** は、**NVLink** をGPU間で使用し、**InfiniBand** でサーバー間ネットワークを構成しています。\n\n---\n\n## 代表的なAI ASICの種類\n\nメーカー AI ASIC製品 特徴 \n**Google** **TPU（Tensor Processing Unit）** 推論・トレーニング向け。クラウドAI向けに最適化\n\n**Tesla** **Dojo D1** 自動運転（FSD）向け学習用AIチップ\n\n**AWS** **Inferentia / Trainium** クラウド推論・学習向けの独自チップ\n\n**Meta（Facebook）** **MTIA（Meta Training & Inference Accelerator）** 大規模なAI推論・学習に対応\n\n**Intel** **Habana Gaudi** AIトレーニング・推論用アクセラレータ\n\n**Alibaba** **Hanguang 800** クラウド推論向けAIチップ\n\n**Huawei** **Ascend 910 / 310** AIトレーニング・推論を高速化\n\n**Cerebras** **CS-2（Wafer-Scale Engine）** 超大規模AIモデル用のウェハスケールチップ\n\n---\n\n## AI ASICと他のAIチップの比較\n\n**AI ASIC** **GPU（NVIDIA H100 など）** **FPGA（Xilinx、Intel）** **最適化** AI専用設計 汎用性あり（ゲーム・科学計算・AIなど） ハードウェアレベルでカスタマイズ可 **性能** 最適化により高い処理速度 比較的高速（AI用途に適応可能） 設計次第で高速化 **消費電力** 低い 高め 設計次第 **柔軟性** 低い（特定用途向け） 高い（AI以外でも活用可能） 設計変更が可能 **価格** 高価（カスタム設計が必要） 高価だが量産性あり 設計費用が高い **主な用途** データセンター・推論 AI学習・推論・汎用計算 特殊AI用途\n\n- **ASICはAI向けに最適化されているため、消費電力あたりの計算効率（TOPS/W）が最も高い。**\n- **GPUは汎用性が高いため、AI以外の用途（グラフィックス、HPC、ゲーム）にも対応できる。**\n- **FPGAは柔軟なカスタマイズが可能だが、開発が難しくコストが高い。**\n\n---\n\n## AI ASICの主要用途\n\n1. **データセンター・クラウドAI**（Google TPU, AWS Inferentia, Meta MTIA など）\n \n - クラウドサービスでのAI推論や学習（例：Google Cloud AI, AWS AI）。\n - 高性能・低消費電力な処理が求められる。\n2. **自動運転AI**（Tesla Dojo, NVIDIA Drive チップ など）\n \n - 高度な自動運転AIの推論・学習に利用。\n - 消費電力を抑えつつ、高い計算性能を実現。\n3. **組み込みAI（エッジAI）**（Huawei Ascend 310, NVIDIA Jetson など）\n \n - スマートフォン、IoT、エッジデバイスでのリアルタイムAI処理。\n - 低消費電力でAI処理を実行。\n4. **超大規模AIモデル学習**（Cerebras CS-2, Google TPU など）\n \n - GPT-4やLLM（大規模言語モデル）などの学習用に特化したAIアクセラレータ。\n\n---\n\n## AI ASICの今後の展望\n\n### ✅ トレンド\n\n- **独自ASIC開発の加速**（Google, Meta, Microsoft, AmazonなどがASIC開発を強化）\n- **超大規模AIモデル向けASICの発展**（GPT-5, Gemini, Claudeなどのモデル用に）\n- **エッジデバイス向け低消費電力ASIC**（スマホ、IoT、自動運転、ロボティクス）\n\n### 🔥 課題\n\n- **開発コストが非常に高い**\n- **特定用途向けなので、柔軟性が低い**\n- **プロセスノードの微細化と供給不足（TSMC, Samsungへの依存）**\n\n---\n\n## まとめ\n\n**AI ASICは、AI推論や学習に特化した専用チップで、高性能・低消費電力が特徴。**\n\n- **Google TPU** や **AWS Inferentia** などが代表例。\n- **自動運転・エッジAI・データセンターなどで活用が拡大**。\n- **GPUよりも高効率だが、用途が限定されるため汎用性は低い**。\n\n今後も、データセンターやAIの発展に伴い、**AI専用ASICの開発は加速**すると予想されます！\n\n---\n\n### Marvell（マーベル）のAI ASICについて\n\nMarvellは、高度なAI計算処理を効率的に行うためのASIC（特定用途向け集積回路）を開発しています。MarvellのAI ASICは主に**データセンター向け**に設計されており、特に**ネットワーク、ストレージ**の分野における計算最適化を重視しています。具体的なAI向けのASICの一部に関しては、**ネットワークアクセラレーションやディープラーニング（DL）推論処理** に特化したハードウェアが含まれています。\n\n**MarvellのAI向け技術：**\n\n- **OCTEON（オクテオン）シリーズ：** MarvellのOCTEONシリーズは、データセンター向けの**AIアクセラレーション**を提供するプロセッサです。これらのASICは、高スループットで低遅延のデータ通信を実現し、特に**AI推論**や**ディープラーニング推論**を高速化します。\n- **Alaska Ethernet PHYs**： Marvellの通信関連技術がデータセンターのネットワーク帯域を支えており、AIデータトラフィックを効率的に転送する能力も備えています。\n\nMarvellは、これらのネットワーキング向けASICにおいても、ディープラーニングアルゴリズムを実行する際の**高速通信**と**演算の加速**を実現し、AIインフラの全体的な性能向上を支えています。\n\n---\n\n### Broadcom（ブロードコム）のAI ASICについて\n\nBroadcomは、**AI向けハードウェアアクセラレーション**に特化した多くの製品を提供していますが、主に**データセンターとネットワークアクセラレーション**に焦点を当てています。BroadcomのASICは、**ネットワーキング、ストレージ、データ処理**における性能を向上させる役割を果たしており、AIのモデルのトレーニングや推論処理を直接支援するものもあります。\n\n**BroadcomのAI向け技術：**\n\n- **Broadcom AI Acceleration Solutions**：BroadcomはAI計算負荷を効果的に分散させる**アクセラレータカード**を提供しており、その中にはネットワーク処理と連携して動作するものがあります。これにより、AI推論において必要とされる**データの転送帯域とスループット**を支えると共に、**低レイテンシの推論**が実現されます。\n- **Broadcomの光ファイバ技術**：Broadcomは、ネットワークの帯域幅や帯域の効率的な使用を支える**光接続技術**にも強みを持っています。AI訓練データの高速かつ大量な転送に重要な役割を果たします。\n\nBroadcomのAI向け技術は主にデータセンター内の**インフラ最適化**や**通信効率の向上**に役立ちます。\n\n---\n\n### Marvell vs Broadcom：AI ASICにおける違い\n\n- **Marvell**：主に**ネットワークとストレージのアクセラレーション**向けにAI ASICを提供。ディープラーニング推論向けアクセラレーションを重視。\n- **Broadcom**：**ネットワークとデータ転送**に焦点を当て、AIのトレーニングや推論における効率的な**データ伝送と低遅延**の提供を重視。\n\n**要点：**\n\n- MarvellのAI ASICは、**データセンターの計算処理**の効率化に重きを置いています。\n- Broadcomは主に、AIを含む**大規模なデータの転送**を最適化する技術に特化しています。\n\nどちらも**AIハードウェア**の性能を向上させるために、インフラ最適化に貢献しており、それぞれの役割は異なりますが、AIアプリケーション全体を支える重要な要素となっています。\n\n---\n\n私は無知でHBM、ネットワーク帯域の重要性を理解していなかった \n理解どころか目を向けてさえいなかった\n\n生成AIの発展にはより高速なデータセンターが必要になって来る\n\nそれにはGPUだけでなく、メモリやネットワークも重要になるのだ\n\nGPUは汎用性があり使い勝手もいいが、生成AIに特化したAI ASICといったチップもあり、両者ともに外せないのだ\n\n今後の動向を追っていく必要がある\n\nメモリはHBMと呼ばれるものが使われていて、それはDDR4や5、更に高速なGDDRを更に高速なものである\n\nEthernet800G、InfiniBandのようなデータセンターとデータセンターを繋ぐ大規模なネットワークを高速にする規格も重要である \n \nNVLink4.0のようなGPU間、GPUとCPUを高速で繋ぐ事もデータセンターの高速化には重要だ\n\nまた、データーセンターを冷却する冷却技術や、電力を賄うための小型原子炉などの新しい技術開発も重要である\n\nより効率的に最適化していき、消費電力を下げていく事も重要である\n\n記事はchtgptによる出力多め \n画像はnovelai\n\n\n\n","blocks":[{"id":"blk_3f4bec06-66b2-47ff-8a4d-cdb00b783737","kind":"figure","order":0,"section_id":"sec_ce8db3da-a76a-405c-99e8-4ce0c1a821a7","character_id":null,"markdown":"![](/media/4dfd7a9f7b4a7d981ae583ec90d285b5b81a84eeac6fcdd0ee4bc5dfbc8f60e8-content.webp)","render_override":null},{"id":"blk_383fb6fb-1c87-4969-aa65-553350a2039c","kind":"heading","order":1,"section_id":"sec_e4d463be-c63e-4047-a6e0-97bcaeaba69b","character_id":null,"markdown":"## GPU行列・ベクトル演算、HBM、ネットワーク帯域について","render_override":null},{"id":"blk_24806c2f-ea6c-405a-a391-3b119cb8599c","kind":"paragraph","order":2,"section_id":"sec_e4d463be-c63e-4047-a6e0-97bcaeaba69b","character_id":null,"markdown":"AIやHPC（高性能計算）向けのGPUは、大量の並列演算を効率的に処理するために最適化されています。ここでは、**行列・ベクトル演算、HBM（高帯域幅メモリ）、ネットワーク帯域**の主要なポイントについて詳しく解説します。","render_override":null},{"id":"blk_f3634aac-9d36-42d4-8599-0c4042c9ba2c","kind":"thematic_break","order":3,"section_id":"sec_e4d463be-c63e-4047-a6e0-97bcaeaba69b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_89b15974-2f99-49cc-a2c0-630285c848fa","kind":"heading","order":4,"section_id":"sec_8a4c5d10-7388-42d5-ab4e-c97f7f73ee10","character_id":null,"markdown":"## ① GPUの行列・ベクトル演算","render_override":null},{"id":"blk_9f7d8237-9622-46e8-9a17-db62fa1d2bfd","kind":"heading","order":5,"section_id":"sec_6e53448c-c1c2-497f-9d4c-908717bce371","character_id":null,"markdown":"### GPUの演算アーキテクチャ","render_override":null},{"id":"blk_86d841d3-f3a1-4f7c-b382-83747ebe646c","kind":"paragraph","order":6,"section_id":"sec_6e53448c-c1c2-497f-9d4c-908717bce371","character_id":null,"markdown":"GPUは、数千個の**CUDAコア**（または**Tensorコア**）を持ち、並列処理に特化しています。 \n行列やベクトルの演算は、**SIMD（Single Instruction, Multiple Data）** 方式を活用し、複数のデータを同時に処理します。","render_override":null},{"id":"blk_d540730e-100b-46a2-bfa2-9a0b6744a523","kind":"heading","order":7,"section_id":"sec_a12cc86c-b0dc-4844-b412-55fe86dfa285","character_id":null,"markdown":"### 主要な演算","render_override":null},{"id":"blk_dc61e53c-193d-40dd-9ac1-a1a67bb8fe6d","kind":"list","order":8,"section_id":"sec_a12cc86c-b0dc-4844-b412-55fe86dfa285","character_id":null,"markdown":"- 演算種類 説明 主な用途 **スカラ演算** 単一値に対する演算（例：加減乗除）\n- 一般的な計算 **ベクトル演算** 配列同士の演算（例：ベクトル加算）\n- 物理シミュレーション **行列-ベクトル積**\n- 行列とベクトルの掛け算 3Dグラフィックス\n- 機械学習 **行列-行列積（GEMM）**\n- 2つの行列の掛け算（A × B = C） **ディープラーニング、線形代数** **畳み込み演算（Conv）**\n- CNN（畳み込みニューラルネットワーク）で使用 **画像認識、AI推論**","render_override":null},{"id":"blk_3711b3d4-ad2e-4526-bfb7-5312565dfe4f","kind":"paragraph","order":9,"section_id":"sec_a12cc86c-b0dc-4844-b412-55fe86dfa285","character_id":null,"markdown":"特にAIの**ディープラーニング**では、行列積（GEMM）が頻繁に使われ、GPUの**Tensorコア**（NVIDIA）や**Matrix Core**（AMD）が最適化されています。","render_override":null},{"id":"blk_f05f1212-c38a-4d4e-8a1e-336c2051b7f2","kind":"thematic_break","order":10,"section_id":"sec_a12cc86c-b0dc-4844-b412-55fe86dfa285","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9cabcbff-fcb0-4bd7-bc64-df6d20586137","kind":"heading","order":11,"section_id":"sec_9862df19-2a44-4b62-86e9-7f21248ed7ac","character_id":null,"markdown":"## ② HBM（High Bandwidth Memory, 高帯域幅メモリ）","render_override":null},{"id":"blk_af2cca54-52b3-41ed-989c-e2abdd1ee112","kind":"heading","order":12,"section_id":"sec_62f841dc-4a4d-4d56-af85-e297536e53d3","character_id":null,"markdown":"### HBMとは？","render_override":null},{"id":"blk_c696f8dd-673c-43ff-87e1-c9a977319533","kind":"paragraph","order":13,"section_id":"sec_62f841dc-4a4d-4d56-af85-e297536e53d3","character_id":null,"markdown":"HBMは、**従来のGDDRメモリに比べて高帯域かつ低消費電力**なメモリ技術です。3D積層構造（スタック構造）を持ち、TSV（Through-Silicon Via）技術により、メモリ間の高速データ転送を実現します。","render_override":null},{"id":"blk_89fe2f15-5219-4787-bc81-8c18a07e7019","kind":"heading","order":14,"section_id":"sec_269f3e24-fb91-4821-abd9-9e437e6375cf","character_id":null,"markdown":"### HBMの特徴","render_override":null},{"id":"blk_a53c4ee7-2c68-46a5-ab8d-a3a984ae0fce","kind":"list","order":15,"section_id":"sec_269f3e24-fb91-4821-abd9-9e437e6375cf","character_id":null,"markdown":"- **広帯域（高いメモリ転送速度）**\n- **低消費電力**\n- **高密度メモリ（積層構造により省スペース）**","render_override":null},{"id":"blk_97daa2de-3b34-431e-a41b-145979e21338","kind":"thematic_break","order":16,"section_id":"sec_269f3e24-fb91-4821-abd9-9e437e6375cf","character_id":null,"markdown":"---","render_override":null},{"id":"blk_114f6d32-553b-436d-b0ec-222b4ad3126a","kind":"heading","order":17,"section_id":"sec_4d030976-a3dc-47ac-9f73-66fe1d1b53fa","character_id":null,"markdown":"## ③ HBMの帯域","render_override":null},{"id":"blk_923aa23e-b02e-4b56-a229-bbe374d653d5","kind":"paragraph","order":18,"section_id":"sec_4d030976-a3dc-47ac-9f73-66fe1d1b53fa","character_id":null,"markdown":"HBMの帯域（転送速度）は、**メモリクロック × バス幅 × チャネル数**で決まります。 \n最新のHBMの帯域を以下に示します。","render_override":null},{"id":"blk_f382332b-4ca1-4404-b23b-ac5ce7047901","kind":"paragraph","order":19,"section_id":"sec_4d030976-a3dc-47ac-9f73-66fe1d1b53fa","character_id":null,"markdown":"HBM世代 帯域幅（GB/s） バス幅（bit） スタックあたり最大容量 \n \n**HBM1** 最大128GB/s 　　1024bit 　 4GB \n**HBM2** 最大256GB/s 　　1024bit 　 8GB \n**HBM2e** 最大460GB/s 　  1024bit 　16GB \n**HBM3** 最大819GB/s 　　1024bit　  32GB \n**HBM3e** 最大1.5TB/s 　　1024bit 　 36GB","render_override":null},{"id":"blk_c008d477-bd90-4fea-8a32-38673c37a5f6","kind":"paragraph","order":20,"section_id":"sec_4d030976-a3dc-47ac-9f73-66fe1d1b53fa","character_id":null,"markdown":"最新のNVIDIA **H100 GPU**（HBM3搭載）の場合、メモリ帯域は**3.35TB/s**（80GB HBM3）に達します。","render_override":null},{"id":"blk_4291f0a7-7e4e-46d3-90a7-f67a1b652ff9","kind":"thematic_break","order":21,"section_id":"sec_4d030976-a3dc-47ac-9f73-66fe1d1b53fa","character_id":null,"markdown":"---","render_override":null},{"id":"blk_3db89e49-45aa-4a01-b5b3-3ec89fd46227","kind":"heading","order":22,"section_id":"sec_9a99e161-1479-4deb-964a-107717d9a647","character_id":null,"markdown":"## ④ HBMの容量","render_override":null},{"id":"blk_59f4766f-6072-47e6-93ee-627203c69767","kind":"heading","order":23,"section_id":"sec_f7c098a0-9435-4a7a-b169-d6bf32ee1a8a","character_id":null,"markdown":"### HBMのGPU搭載例","render_override":null},{"id":"blk_144ce437-6fb1-4c5b-9b95-372c68a23668","kind":"paragraph","order":24,"section_id":"sec_f7c098a0-9435-4a7a-b169-d6bf32ee1a8a","character_id":null,"markdown":"GPU HBM容量 HBM世代 メモリ帯域","render_override":null},{"id":"blk_b31c4dce-a3aa-4508-8331-442be4edb5a9","kind":"paragraph","order":25,"section_id":"sec_f7c098a0-9435-4a7a-b169-d6bf32ee1a8a","character_id":null,"markdown":"NVIDIA 　A100 　     40GB or 80GB 　　  HBM2e 2.0TB/s \nNVIDIA 　H100 　     80GB 　　　　　　 HBM3 3.35TB/s \nAMD 　   MI250X 　  128GB　　　　　    HBM2e 3.2TB/s \nAMD 　   MI300X 　  192GB 　　　　　   HBM3 5.3TB/s","render_override":null},{"id":"blk_f26990dd-f39f-4678-b65b-ac00b3daa071","kind":"paragraph","order":26,"section_id":"sec_f7c098a0-9435-4a7a-b169-d6bf32ee1a8a","character_id":null,"markdown":"HBMはAI/ディープラーニングモデルの**大規模パラメータ処理**に適しており、**GPT-4、Gemini 1.5** などのLLM（大規模言語モデル）の処理で重要な役割を果たしています。","render_override":null},{"id":"blk_32bcd100-471e-446f-8a53-6005bc7e28f6","kind":"thematic_break","order":27,"section_id":"sec_f7c098a0-9435-4a7a-b169-d6bf32ee1a8a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_79a9dda8-e0ea-43cb-a494-dabff5346eec","kind":"heading","order":28,"section_id":"sec_9c2c4241-9e47-4027-aa30-f7e650fe9f4e","character_id":null,"markdown":"## ⑤ ネットワーク帯域","render_override":null},{"id":"blk_3dfcb7a3-e683-4094-980a-eccfc84d735f","kind":"paragraph","order":29,"section_id":"sec_9c2c4241-9e47-4027-aa30-f7e650fe9f4e","character_id":null,"markdown":"最新のAI/データセンター向けの**クラスタリングシステム**（Superpod、InfiniBand、NVLinkなど）では、高速なネットワーク帯域が求められます。","render_override":null},{"id":"blk_d152d20b-7e43-4107-b751-436c64263617","kind":"heading","order":30,"section_id":"sec_7d7f4fac-a5bf-4bd2-b58d-dfb5507bf682","character_id":null,"markdown":"### 主要なインターコネクト技術","render_override":null},{"id":"blk_5b512c14-f0bf-4a69-a256-7ab5c43b8f67","kind":"paragraph","order":31,"section_id":"sec_7d7f4fac-a5bf-4bd2-b58d-dfb5507bf682","character_id":null,"markdown":"技術 帯域幅 特徴 \n**PCIe 4.0**       最大16GB/s 一般的なGPU接続 \n**PCIe 5.0      ** 最大32GB/s 最新サーバー向け \n**PCIe 6.0      ** 最大64GB/s AI/HPC向け（2024以降採用） \n**NVLink 4.0 ** 900GB/s（NVIDIA H100） GPU間高速接続（NVIDIA専用） **InfiniBand NDR** 400Gbps AIクラスターネットワーク \n**Ethernet 800G** 800Gbps 高速データセンター向け","render_override":null},{"id":"blk_c48a5706-5f25-4693-987d-ddc1e263de7a","kind":"paragraph","order":32,"section_id":"sec_7d7f4fac-a5bf-4bd2-b58d-dfb5507bf682","character_id":null,"markdown":"最新の**NVIDIA H100**は、**NVLink 4.0（900GB/s）** をサポートし、GPU間の高速通信が可能です。","render_override":null},{"id":"blk_850006d9-3306-45b7-99ee-89419f7e888a","kind":"paragraph","order":33,"section_id":"sec_7d7f4fac-a5bf-4bd2-b58d-dfb5507bf682","character_id":null,"markdown":"また、クラウドAI（AWS、Google Cloudなど）では、**InfiniBand（400Gbps超）** が使用され、大規模AIモデルの分散学習が高速化されています。","render_override":null},{"id":"blk_fb5c3f6e-e77d-48e1-866e-4a4695c368b2","kind":"thematic_break","order":34,"section_id":"sec_7d7f4fac-a5bf-4bd2-b58d-dfb5507bf682","character_id":null,"markdown":"---","render_override":null},{"id":"blk_97f569e3-c9ba-49f6-856f-7843474e8e94","kind":"heading","order":35,"section_id":"sec_e6ea3210-0884-42b1-b055-d8f6659409c1","character_id":null,"markdown":"## まとめ","render_override":null},{"id":"blk_78aec8ca-4c28-4fce-b514-90f651b1d8be","kind":"paragraph","order":36,"section_id":"sec_e6ea3210-0884-42b1-b055-d8f6659409c1","character_id":null,"markdown":"項目 詳細 **行列・ベクトル演算** GEMM（行列積）がAI学習で重要。Tensorコアで最適化 \n**HBM帯域** HBM3では最大819GB/s、HBM3eでは1.5TB/s超 \n**HBM容量** 80GB（NVIDIA H100）、192GB（AMD MI300X） \n**ネットワーク帯域** NVLink 4.0（900GB/s）、InfiniBand（400Gbps）","render_override":null},{"id":"blk_e232bef0-883f-479f-82e5-88c8c3bb70a7","kind":"paragraph","order":37,"section_id":"sec_e6ea3210-0884-42b1-b055-d8f6659409c1","character_id":null,"markdown":"次世代のAIワークロードでは、**「GPU × HBM × 高速ネットワーク」** が重要になり、NVIDIA、AMD、Marvell、Broadcom などが技術革新を進めています。","render_override":null},{"id":"blk_1fdc73ed-3d69-4920-840d-1244874b053a","kind":"thematic_break","order":38,"section_id":"sec_e6ea3210-0884-42b1-b055-d8f6659409c1","character_id":null,"markdown":"---","render_override":null},{"id":"blk_057cd78e-0033-4b40-bec0-ebb45d7dab53","kind":"heading","order":39,"section_id":"sec_6d50508b-0ded-4476-9703-510805bc3917","character_id":null,"markdown":"## 🔹 HBM（High Bandwidth Memory）とは？","render_override":null},{"id":"blk_00cb86d5-abb7-46cf-9d50-4e0b6f36a9c4","kind":"paragraph","order":40,"section_id":"sec_6d50508b-0ded-4476-9703-510805bc3917","character_id":null,"markdown":"**💡 HBMは、高帯域幅（High Bandwidth）と低消費電力を実現するメモリ技術で、主にGPUやAIアクセラレーター、HPC（ハイパフォーマンスコンピューティング）向けに設計されています。**","render_override":null},{"id":"blk_e4921206-ad41-4f5d-8aa8-ea2081570a82","kind":"thematic_break","order":41,"section_id":"sec_6d50508b-0ded-4476-9703-510805bc3917","character_id":null,"markdown":"---","render_override":null},{"id":"blk_84884bad-01fd-4079-a158-4df80eaf0203","kind":"heading","order":42,"section_id":"sec_be776e64-ce7f-4811-9798-2610831ce39e","character_id":null,"markdown":"## 🔹 1. HBMの特徴","render_override":null},{"id":"blk_d178ba48-07e6-41eb-8218-f431265c4355","kind":"paragraph","order":43,"section_id":"sec_be776e64-ce7f-4811-9798-2610831ce39e","character_id":null,"markdown":"✅ **超広帯域（High Bandwidth）** \n✅ **スタック構造によるコンパクト設計** \n✅ **低消費電力で高効率** \n✅ **広いバス幅（1,024-bit以上）** \n✅ **GPU、AIプロセッサ、FPGA、HPCで使用**","render_override":null},{"id":"blk_afe6af90-8201-4a0b-93c6-269f3a1fb596","kind":"paragraph","order":44,"section_id":"sec_be776e64-ce7f-4811-9798-2610831ce39e","character_id":null,"markdown":"HBMは、従来のGDDR（グラフィックスメモリ）よりも**広いメモリバス幅と高速データ転送を実現**しており、特にAI、機械学習、データセンターでの利用が増えています。","render_override":null},{"id":"blk_2460eb02-1d5d-40d6-9d7b-8edca8dd0b4e","kind":"thematic_break","order":45,"section_id":"sec_be776e64-ce7f-4811-9798-2610831ce39e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_3308f159-1050-4a47-a560-2477f87bc882","kind":"heading","order":46,"section_id":"sec_4d4aa4fa-839e-4b8f-b562-6db293b5a2a4","character_id":null,"markdown":"## 🔹 2. HBMの構造","render_override":null},{"id":"blk_b3441b45-0fa2-4e94-851a-8441232534f4","kind":"heading","order":47,"section_id":"sec_260b7ac5-8d78-4992-a351-d7382da865dc","character_id":null,"markdown":"### 💡 スタック構造（3D TSV技術）","render_override":null},{"id":"blk_36e45513-81ad-4874-a4a7-bf4c95adf558","kind":"paragraph","order":48,"section_id":"sec_260b7ac5-8d78-4992-a351-d7382da865dc","character_id":null,"markdown":"従来のメモリ（GDDR, DDR）と異なり、**HBMは複数のDRAMダイを垂直に積層（3D構造）** し、**TSV（Through-Silicon Via）** を利用して接続しています。","render_override":null},{"id":"blk_8fa1f730-ab1a-4711-a8e9-e85acd536973","kind":"paragraph","order":49,"section_id":"sec_260b7ac5-8d78-4992-a351-d7382da865dc","character_id":null,"markdown":"📌 **TSV技術とは？** \nTSV（スルーシリコンビア）は、シリコンウェハ内に微細な貫通電極を作り、**スタックされたDRAMチップ間の高速なデータ転送を可能にする技術** です。","render_override":null},{"id":"blk_87f9568c-f685-46ef-9ed8-09f1d5fc6be1","kind":"paragraph","order":50,"section_id":"sec_260b7ac5-8d78-4992-a351-d7382da865dc","character_id":null,"markdown":"📌 **HBMのバス幅（bit幅）は非常に広い**","render_override":null},{"id":"blk_d1fdea0b-7eaa-49cb-bc21-c8336968ec48","kind":"list","order":51,"section_id":"sec_260b7ac5-8d78-4992-a351-d7382da865dc","character_id":null,"markdown":"- HBM: **1,024-bit / スタック**\n- GDDR6: **256-bit**\n- DDR5: **64-bit**","render_override":null},{"id":"blk_6c34b0b2-1afe-4286-aef7-ffc1f01ee819","kind":"paragraph","order":52,"section_id":"sec_260b7ac5-8d78-4992-a351-d7382da865dc","character_id":null,"markdown":"🚀 **結果：** HBMは超広帯域 & 低消費電力を実現！","render_override":null},{"id":"blk_32e028a3-4804-4f56-939b-2473ee1140d9","kind":"thematic_break","order":53,"section_id":"sec_260b7ac5-8d78-4992-a351-d7382da865dc","character_id":null,"markdown":"---","render_override":null},{"id":"blk_45929d52-fa87-4865-9c85-e9b3a818f303","kind":"heading","order":54,"section_id":"sec_b41bdb28-4a08-4719-89a2-169114d2cad7","character_id":null,"markdown":"## 🔹 3. HBMの世代ごとの進化","render_override":null},{"id":"blk_7992f7c2-1b32-4961-8221-aca044db6be0","kind":"paragraph","order":55,"section_id":"sec_b41bdb28-4a08-4719-89a2-169114d2cad7","character_id":null,"markdown":"**HBM世代** **発売年** **バス幅** **帯域幅（1スタック）** **最大容量（1スタック）** **使用製品 \n** \n**HBM1** 2015年 1,024-bit 128 GB/s 4GB AMD Fiji (Radeon R9 Fury) \n**HBM2** 2016年 1,024-bit 256 GB/s 8GB NVIDIA Tesla V100, AMD Vega 64 **HBM2E** 2019年 1,024-bit 460 GB/s 16GB NVIDIA A100, AMD Instinct MI100 **HBM3** 2022年 1,024-bit 819 GB/s 24GB NVIDIA H100, AMD Instinct MI300 **HBM3E** 2024年 1,024-bit 1.2 TB/s 32GB NVIDIA B100 予定","render_override":null},{"id":"blk_8833ce21-60d7-45ef-9dff-485208cd27b3","kind":"paragraph","order":56,"section_id":"sec_b41bdb28-4a08-4719-89a2-169114d2cad7","character_id":null,"markdown":"🚀 **進化ポイント：**","render_override":null},{"id":"blk_3ea02b4a-367d-4aaf-a2e4-e68634284bb0","kind":"list","order":57,"section_id":"sec_b41bdb28-4a08-4719-89a2-169114d2cad7","character_id":null,"markdown":"- **HBM2 → HBM2E**：帯域幅向上（最大460GB/s）\n- **HBM3 → HBM3E**：帯域幅 **1.2TB/s** 達成","render_override":null},{"id":"blk_d87c2294-65ac-4062-a124-fd864802ded3","kind":"paragraph","order":58,"section_id":"sec_b41bdb28-4a08-4719-89a2-169114d2cad7","character_id":null,"markdown":"💡 **最新のHBM3/3Eは、LLM（大規模言語モデル）やスーパーコンピュータ向け！**","render_override":null},{"id":"blk_6969e746-c9d4-48ac-9cc6-22e98c9fa526","kind":"thematic_break","order":59,"section_id":"sec_b41bdb28-4a08-4719-89a2-169114d2cad7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_cb74501d-1a0e-433a-95da-77095da22636","kind":"heading","order":60,"section_id":"sec_ca474305-3e1a-4af3-9d46-590e525dcf71","character_id":null,"markdown":"## 🔹 4. HBM vs GDDRメモリ","render_override":null},{"id":"blk_60b197d0-62e7-46e7-8973-3d61cb5b1495","kind":"paragraph","order":61,"section_id":"sec_ca474305-3e1a-4af3-9d46-590e525dcf71","character_id":null,"markdown":"**特徴** **HBM3** **GDDR6X** **バス幅** 1,024-bit 256-bit **帯域幅（1スタック）** 819 GB/s 96 GB/s **消費電力** **低い** **高い** **コスト** **高い** **安い** **用途** AI, HPC, データセンター ゲーミングGPU","render_override":null},{"id":"blk_2a0ad8eb-d681-4929-9332-56cdee8a17fa","kind":"paragraph","order":62,"section_id":"sec_ca474305-3e1a-4af3-9d46-590e525dcf71","character_id":null,"markdown":"📌 **要点** \n✅ HBMは**超高速 & 低消費電力** だが、コストが高い \n✅ GDDRは**コスト効率が良く、ゲーム向け**（RTX 40シリーズなど）","render_override":null},{"id":"blk_53702e8b-2d19-4870-b0bf-e589482c478b","kind":"thematic_break","order":63,"section_id":"sec_ca474305-3e1a-4af3-9d46-590e525dcf71","character_id":null,"markdown":"---","render_override":null},{"id":"blk_738d3cc7-9cac-466d-83ca-c8a2efbcfc76","kind":"heading","order":64,"section_id":"sec_4f37db86-fa8d-4113-804b-c32a9b00c78a","character_id":null,"markdown":"## 🔹 5. HBMの主な用途","render_override":null},{"id":"blk_17de4195-3f9c-4723-81b7-3309f4780158","kind":"heading","order":65,"section_id":"sec_dbce5403-94a7-46c5-87fb-3b542509cf9a","character_id":null,"markdown":"### 💡 1. AI / 機械学習","render_override":null},{"id":"blk_2508b985-fd1b-43e9-8584-d8730ae46fec","kind":"list","order":66,"section_id":"sec_dbce5403-94a7-46c5-87fb-3b542509cf9a","character_id":null,"markdown":"- **大規模言語モデル（GPT, LLaMA, BERT, Claude）**\n- **NVIDIA H100, AMD Instinct MI300X（HBM搭載）**\n- **メモリ帯域がボトルネックとなるAI推論に最適**","render_override":null},{"id":"blk_c948a3f3-a449-448f-ba3a-71a1d8fb70ec","kind":"heading","order":67,"section_id":"sec_ff435a3d-c211-4844-94e8-e1769d6084ae","character_id":null,"markdown":"### 💡 2. HPC（スーパーコンピュータ）","render_override":null},{"id":"blk_93da3ee2-8be5-4638-a1e9-c53427568d8d","kind":"list","order":68,"section_id":"sec_ff435a3d-c211-4844-94e8-e1769d6084ae","character_id":null,"markdown":"- **富岳（HBM2搭載）**\n- **Summit, Frontier（AMD MI250, HBM搭載）**\n- **高性能な科学計算、シミュレーション**","render_override":null},{"id":"blk_c19dbdaa-1f78-4435-a142-0ff6b557e68c","kind":"heading","order":69,"section_id":"sec_fb96c4eb-5cd3-48b5-bc13-242ff3a8dd0f","character_id":null,"markdown":"### 💡 3. データセンター & クラウド","render_override":null},{"id":"blk_5fcd3e7a-f120-4ac0-bcb6-c4865627c339","kind":"list","order":70,"section_id":"sec_fb96c4eb-5cd3-48b5-bc13-242ff3a8dd0f","character_id":null,"markdown":"- **Google TPUs（HBM搭載）**\n- **AWS Trainium & Inferentia（AI推論向け）**","render_override":null},{"id":"blk_87d2200b-09a2-4965-86c6-f9969334ccee","kind":"paragraph","order":71,"section_id":"sec_fb96c4eb-5cd3-48b5-bc13-242ff3a8dd0f","character_id":null,"markdown":"💡 **AI・HPC分野では、今後もHBMの需要は高まり続ける！**","render_override":null},{"id":"blk_c277869d-73c5-4659-b0eb-76f4d4f04b2a","kind":"thematic_break","order":72,"section_id":"sec_fb96c4eb-5cd3-48b5-bc13-242ff3a8dd0f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_746f485c-8701-4d41-8ab0-1951b1baf711","kind":"heading","order":73,"section_id":"sec_e0f1ca42-93d2-4468-b56f-63e15e5415dd","character_id":null,"markdown":"## 🔹 6. まとめ","render_override":null},{"id":"blk_a0fa8720-2962-45a9-893c-f0ead8ceaef5","kind":"paragraph","order":74,"section_id":"sec_e0f1ca42-93d2-4468-b56f-63e15e5415dd","character_id":null,"markdown":"✅ **HBMは、広帯域かつ低消費電力なメモリ技術** \n✅ **スタック構造 & TSVで超高速データ転送を実現** \n✅ **AI、HPC、データセンターで標準化（NVIDIA H100, AMD MI300, Google TPUs）** \n✅ **今後はHBM3Eが主流になり、帯域1.2TB/sの時代へ！**","render_override":null},{"id":"blk_2de612a1-4052-4582-81d8-7e90e5803633","kind":"paragraph","order":75,"section_id":"sec_e0f1ca42-93d2-4468-b56f-63e15e5415dd","character_id":null,"markdown":"🚀 **HBMの進化が、AIとHPCのパフォーマンスを加速させる！**","render_override":null},{"id":"blk_1dfbeadd-8618-4cee-bb5d-6524d7d896fa","kind":"thematic_break","order":76,"section_id":"sec_e0f1ca42-93d2-4468-b56f-63e15e5415dd","character_id":null,"markdown":"---","render_override":null},{"id":"blk_72dc0a22-dbf2-401e-9120-77ec4b523687","kind":"heading","order":77,"section_id":"sec_4f5643b9-bc5e-44fa-8558-1b5a365ee90b","character_id":null,"markdown":"## GDDR（Graphics Double Data Rate）メモリとは？","render_override":null},{"id":"blk_dccf60fb-e096-4522-a432-fce568641f85","kind":"paragraph","order":78,"section_id":"sec_4f5643b9-bc5e-44fa-8558-1b5a365ee90b","character_id":null,"markdown":"GDDR（Graphics Double Data Rate）は、**GPU向けに最適化された高速DRAM（Dynamic Random Access Memory）** の一種で、**ゲーム、HPC（高性能計算）、AI、データセンター、映像処理** など幅広い用途で使用されます。","render_override":null},{"id":"blk_08cf5001-6dab-434a-ae40-a4f3457591ce","kind":"thematic_break","order":79,"section_id":"sec_4f5643b9-bc5e-44fa-8558-1b5a365ee90b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5460c7d9-0f1c-426c-b603-fa9368869175","kind":"heading","order":80,"section_id":"sec_95aa3b9b-30b5-49ad-a10c-d388907b1d4d","character_id":null,"markdown":"## ① GDDRメモリの特徴","render_override":null},{"id":"blk_71bb0623-5300-4465-bf07-55bd1033a81c","kind":"paragraph","order":81,"section_id":"sec_95aa3b9b-30b5-49ad-a10c-d388907b1d4d","character_id":null,"markdown":"GDDRは、PCやサーバーの一般的な**DDRメモリ（DDR4/DDR5）** と比較して、以下の点が異なります。","render_override":null},{"id":"blk_aaad5d6c-e555-453c-a3b2-be0ab2a9a14d","kind":"paragraph","order":82,"section_id":"sec_95aa3b9b-30b5-49ad-a10c-d388907b1d4d","character_id":null,"markdown":"特徴 説明 **高帯域幅** **GDDR6Xでは最大1.44TB/s** のメモリ帯域を提供し、AIや3Dレンダリングに適する **低遅延** GPUのリアルタイム処理を支えるため、高速なアクセスが可能 **広いバス幅** HBMに比べると狭いが、DDRメモリよりも大幅に広いバス幅を持つ（256bit, 384bitなど） **シングルポート設計** 一般的なDDRメモリはデュアルポートだが、GDDRは単一ポート構造でGPUとのやり取りを高速化","render_override":null},{"id":"blk_fd5305a8-ccd9-4962-aed4-b9c04f045028","kind":"paragraph","order":83,"section_id":"sec_95aa3b9b-30b5-49ad-a10c-d388907b1d4d","character_id":null,"markdown":"**主な用途：**","render_override":null},{"id":"blk_f5fd5b42-ace6-44cb-be76-626a61844a2e","kind":"list","order":84,"section_id":"sec_95aa3b9b-30b5-49ad-a10c-d388907b1d4d","character_id":null,"markdown":"- ゲーム用GPU（GeForce、Radeon）\n- AI推論向けGPU（NVIDIA RTX 4090など）\n- データセンター（一部のGDDR搭載AIアクセラレーター）","render_override":null},{"id":"blk_a633990e-ab01-4fa9-97ed-a2f4d3a0260d","kind":"thematic_break","order":85,"section_id":"sec_95aa3b9b-30b5-49ad-a10c-d388907b1d4d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4274cdb4-64b1-4e6f-8a69-eaf5b1af3fd3","kind":"heading","order":86,"section_id":"sec_416527c6-2b24-4e65-a05b-51914df3f784","character_id":null,"markdown":"## ② GDDRメモリの世代と性能比較","render_override":null},{"id":"blk_3c7dcd29-973a-406a-b718-babcc9fc1ec3","kind":"paragraph","order":87,"section_id":"sec_416527c6-2b24-4e65-a05b-51914df3f784","character_id":null,"markdown":"GDDR世代 データ転送速度（Gbps/ピン） バス幅（bit） 帯域幅（GB/s） 代表的なGPU \n**GDDR5|** 8Gbps| 256bit |256GB/s| GTX 1080, Radeon RX 580| \n**GDDR5X** |14Gbps| 256bit |448GB/s |GTX 1080 Ti| \n**GDDR6** |16Gbps |256bit / 384bit |512GB/s |RTX 2080, RTX 3080| \n**GDDR6X** |21Gbps |384bit **1.44TB/s** |RTX 3090, RTX 4090|","render_override":null},{"id":"blk_9466e994-959b-42aa-9807-1591ae7a94b4","kind":"paragraph","order":88,"section_id":"sec_416527c6-2b24-4e65-a05b-51914df3f784","character_id":null,"markdown":"最新の **GDDR6X** では、転送速度21Gbps（理論上最大24Gbps）まで達し、GPUメモリ帯域が大幅に向上しています。","render_override":null},{"id":"blk_7e5dc810-3c23-4617-9dc5-0d0ee45370fe","kind":"thematic_break","order":89,"section_id":"sec_416527c6-2b24-4e65-a05b-51914df3f784","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c1a4e4ec-f625-41e8-ba79-33fcb83dbce7","kind":"heading","order":90,"section_id":"sec_f0ab0e6e-9999-42ca-a353-14ddb64b37d8","character_id":null,"markdown":"## ③ GDDRメモリとHBM（High Bandwidth Memory）の違い","render_override":null},{"id":"blk_faffacb1-2bf0-46c9-b2d6-7979407667f1","kind":"paragraph","order":91,"section_id":"sec_f0ab0e6e-9999-42ca-a353-14ddb64b37d8","character_id":null,"markdown":"GDDRとHBMは、どちらもGPU向けの高速メモリですが、設計コンセプトが異なります。","render_override":null},{"id":"blk_06b98f9d-8cf6-41aa-a1e4-f20e8c8c6784","kind":"paragraph","order":92,"section_id":"sec_f0ab0e6e-9999-42ca-a353-14ddb64b37d8","character_id":null,"markdown":"項目 GDDR HBM **用途** ゲーミング、一般的なグラフィックス AI/HPC、データセンター **帯域幅** 最大1.44TB/s（GDDR6X） 最大5.3TB/s（HBM3e） **消費電力** 比較的高い（広帯域・高クロック） 低い（3D積層設計） **コスト** 安価 高価 **配置** GPUコアの外部に配置（PCB上） GPUと積層される（パッケージ内）","render_override":null},{"id":"blk_d9722fb8-7666-4f86-a995-d8239c988712","kind":"paragraph","order":93,"section_id":"sec_f0ab0e6e-9999-42ca-a353-14ddb64b37d8","character_id":null,"markdown":"**✅ GDDRはゲーム・コンシューマ向け、HBMはAI・HPC向け** \nGDDRの長所は「安価で広く使われる」ことですが、超高帯域を必要とするAIワークロードにはHBMの方が適しています。","render_override":null},{"id":"blk_bd7f9ff4-6744-46fb-b74d-5d2a70f03471","kind":"thematic_break","order":94,"section_id":"sec_f0ab0e6e-9999-42ca-a353-14ddb64b37d8","character_id":null,"markdown":"---","render_override":null},{"id":"blk_cb4f5ef2-51ad-43f1-a566-d4bfc4c88238","kind":"heading","order":95,"section_id":"sec_aa5cf723-c9b6-444e-abf4-066374abe475","character_id":null,"markdown":"## ④ GDDRの今後の展開","render_override":null},{"id":"blk_eaed6ce3-54b5-47e8-9aba-7bb6102d818a","kind":"list","order":96,"section_id":"sec_aa5cf723-c9b6-444e-abf4-066374abe475","character_id":null,"markdown":"1. **GDDR7（2025年頃登場）**\n \n - 転送速度 **32Gbps/ピン**\n - 帯域幅 **最大1.6TB/s以上**\n - **PAM4（Pulse Amplitude Modulation 4）** の導入により、省電力化と高速化\n2. **次世代ゲームやAIアクセラレーション向け**\n \n - **GDDR6Xの改良版**が登場予定（NVIDIA RTX 5090世代）","render_override":null},{"id":"blk_16262570-d417-48a7-9806-f49d033d1c44","kind":"thematic_break","order":97,"section_id":"sec_aa5cf723-c9b6-444e-abf4-066374abe475","character_id":null,"markdown":"---","render_override":null},{"id":"blk_dd6e63cc-6759-44f3-b196-3f851dedc5da","kind":"heading","order":98,"section_id":"sec_5fa3ebac-975a-4263-ae97-a9adc6db305e","character_id":null,"markdown":"## ⑤ まとめ","render_override":null},{"id":"blk_5271499e-f538-4dc9-8617-11573c3416bb","kind":"paragraph","order":99,"section_id":"sec_5fa3ebac-975a-4263-ae97-a9adc6db305e","character_id":null,"markdown":"項目 GDDRの特徴 **用途** ゲーム、AI推論、映像処理向け **最高速メモリ** GDDR6X（最大1.44TB/s） **コスト** HBMより安価だが、DDRより高価 **今後の進化** GDDR7（32Gbps、1.6TB/s超）","render_override":null},{"id":"blk_99527c3c-02cf-4f0e-847d-01564de90db1","kind":"paragraph","order":100,"section_id":"sec_5fa3ebac-975a-4263-ae97-a9adc6db305e","character_id":null,"markdown":"GDDRは、今後もゲーム向けGPUや一般的なデータ処理において、最もコストパフォーマンスの高いメモリとして使用されるでしょう。","render_override":null},{"id":"blk_94253ab5-2b94-49b2-8b6b-e192193bee7d","kind":"thematic_break","order":101,"section_id":"sec_5fa3ebac-975a-4263-ae97-a9adc6db305e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_8d3f6050-aca3-4b3f-b5ff-c1f1b98d7eb5","kind":"paragraph","order":102,"section_id":"sec_5fa3ebac-975a-4263-ae97-a9adc6db305e","character_id":null,"markdown":"**Ethernet、InfiniBand、光接続（光ファイバー）** の違いについて、それぞれの特性や用途を比較しながら説明します。","render_override":null},{"id":"blk_f640e143-0921-42f6-83ae-ce5eb66b5877","kind":"thematic_break","order":103,"section_id":"sec_5fa3ebac-975a-4263-ae97-a9adc6db305e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b43ddfd6-7d4e-4432-b039-4e4353a292b5","kind":"heading","order":104,"section_id":"sec_49928b02-4691-4f7f-9f4d-27398fd2148c","character_id":null,"markdown":"## 🔹 1. 各技術の概要","render_override":null},{"id":"blk_42d9bf60-8857-42ee-b717-ded9553ea782","kind":"paragraph","order":105,"section_id":"sec_49928b02-4691-4f7f-9f4d-27398fd2148c","character_id":null,"markdown":"**通信技術** **主な用途** **特徴** \n**Ethernet** |**一般的なネットワーク通信**（インターネット、データセンター、企業ネットワーク）| **標準化されており互換性が高い**、TCP/IPベース、スイッチやルーターが必要 \n \n**InfiniBand (IB)|** **HPC（スーパーコンピュータ）、AIクラスタ、低遅延サーバー間通信** |**高帯域・低遅延な直結通信**、RDMA技術、スイッチあり \n \n**光接続（光ファイバー）|** **高速データ通信（すべてのネットワークで利用）** |電磁干渉なし、長距離通信可能、EthernetやIBの物理層で使用","render_override":null},{"id":"blk_ddbf4b56-1ea3-448b-bd85-f2fd727667e2","kind":"thematic_break","order":106,"section_id":"sec_49928b02-4691-4f7f-9f4d-27398fd2148c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_942d73c9-6a6e-4a47-b58a-de2a68f0a1d6","kind":"heading","order":107,"section_id":"sec_2239b8b1-b4e4-449f-b42f-f4f7ddb7817e","character_id":null,"markdown":"## 🔹 2. 詳細な比較","render_override":null},{"id":"blk_2278fde6-7da0-4348-8c84-2e03b0be0039","kind":"heading","order":108,"section_id":"sec_54659db2-07ac-4fa2-a926-aecedb2e749f","character_id":null,"markdown":"### (1) Ethernet","render_override":null},{"id":"blk_a6943328-3857-40a6-a4ce-9c6102700d49","kind":"paragraph","order":109,"section_id":"sec_54659db2-07ac-4fa2-a926-aecedb2e749f","character_id":null,"markdown":"**💡 インターネットを含む、最も広く使われているネットワーク技術**","render_override":null},{"id":"blk_9d1e5932-a499-42b1-bf31-79082fc1903e","kind":"list","order":110,"section_id":"sec_54659db2-07ac-4fa2-a926-aecedb2e749f","character_id":null,"markdown":"- **プロトコル**：IP（Internet Protocol）、TCP（Transmission Control Protocol）など\n- **帯域幅**：一般的な100Mbps〜1Gbps、データセンターでは**10G, 25G, 40G, 100G, 400G Ethernet**\n- **遅延**：数マイクロ秒（μs）（標準Ethernet）、RDMA（RoCE使用時）で遅延削減\n- **主な用途**：\n \n - 家庭やオフィスのLAN（1GbE）\n - データセンターのサーバー・ストレージ接続（10G～400G Ethernet）\n - クラウド、企業ネットワーク、IoT、5G通信","render_override":null},{"id":"blk_d6bc799a-96ca-4752-a22b-dea3314864e7","kind":"paragraph","order":111,"section_id":"sec_54659db2-07ac-4fa2-a926-aecedb2e749f","character_id":null,"markdown":"✅ **長所**","render_override":null},{"id":"blk_66258c61-1d24-4786-8e0e-3edc136f2abd","kind":"list","order":112,"section_id":"sec_54659db2-07ac-4fa2-a926-aecedb2e749f","character_id":null,"markdown":"- **広く標準化されている（安価・汎用的）**\n- ネットワークの相互接続性が高く、管理しやすい\n- ルーティング機能が強力で、大規模ネットワーク構築に適している","render_override":null},{"id":"blk_81c90c67-2852-4e9e-b442-33cf9dc3a9b8","kind":"paragraph","order":113,"section_id":"sec_54659db2-07ac-4fa2-a926-aecedb2e749f","character_id":null,"markdown":"❌ **短所**","render_override":null},{"id":"blk_1f3678b1-81d2-46ff-b3a3-a9eeed9d4bbf","kind":"list","order":114,"section_id":"sec_54659db2-07ac-4fa2-a926-aecedb2e749f","character_id":null,"markdown":"- TCP/IPを使用するため、**CPU負荷が高い**\n- ネットワーク遅延が大きめ（InfiniBandと比較して）\n- RDMA（RoCE：RDMA over Converged Ethernet）を使用しない場合、レイテンシ（遅延）が高い","render_override":null},{"id":"blk_b867d384-3856-4de4-a2c7-750c01b13260","kind":"thematic_break","order":115,"section_id":"sec_54659db2-07ac-4fa2-a926-aecedb2e749f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a4786a89-f1ba-42ca-90cc-50f83088208b","kind":"heading","order":116,"section_id":"sec_b1eac62e-59df-41f1-bbc4-fedcdff2dd89","character_id":null,"markdown":"### (2) InfiniBand (IB)","render_override":null},{"id":"blk_fbee8e11-df3c-44a8-af9c-36bd75690d83","kind":"paragraph","order":117,"section_id":"sec_b1eac62e-59df-41f1-bbc4-fedcdff2dd89","character_id":null,"markdown":"**💡 スーパーコンピュータやAI/HPC用途の超高速・低遅延ネットワーク技術**","render_override":null},{"id":"blk_5e68e1ed-b5c1-4e1d-b4a2-52f9efdb77b7","kind":"list","order":118,"section_id":"sec_b1eac62e-59df-41f1-bbc4-fedcdff2dd89","character_id":null,"markdown":"- **プロトコル**：RDMA（Remote Direct Memory Access）を使用し、TCP/IPを経由せずメモリ間で直接通信可能\n- **帯域幅**：\n \n - **NDR（NVIDIA Quantum-2）**：400Gb/s（50GB/s）\n - **HDR**：200Gb/s（25GB/s）\n - **EDR**：100Gb/s（12.5GB/s）\n- **遅延**：**数100ナノ秒（ns）レベル（非常に低い）**\n- **主な用途**：\n \n - AIクラスタ、スーパーコンピュータ（NVIDIA DGX/HGX, TOP500のHPCシステム）\n - ハイパフォーマンスデータセンター（HPC）\n - 高周波トレーディング（HFT）","render_override":null},{"id":"blk_f45320eb-d849-4f4b-b5f3-fe92c0050aec","kind":"paragraph","order":119,"section_id":"sec_b1eac62e-59df-41f1-bbc4-fedcdff2dd89","character_id":null,"markdown":"✅ **長所**","render_override":null},{"id":"blk_b8225e63-bbf1-4a40-965a-feda5ce4f36c","kind":"list","order":120,"section_id":"sec_b1eac62e-59df-41f1-bbc4-fedcdff2dd89","character_id":null,"markdown":"- **超低遅延（Ethernetの約1/10の遅延）**\n- **RDMA対応により、CPU負荷を最小化**\n- **スケーラビリティが高く、スーパーコンピュータに最適**","render_override":null},{"id":"blk_eb07f9fe-6928-46bd-ba98-380e9b6e96af","kind":"paragraph","order":121,"section_id":"sec_b1eac62e-59df-41f1-bbc4-fedcdff2dd89","character_id":null,"markdown":"❌ **短所**","render_override":null},{"id":"blk_0b4a71ab-7706-4ae1-b473-36e0c79ae752","kind":"list","order":122,"section_id":"sec_b1eac62e-59df-41f1-bbc4-fedcdff2dd89","character_id":null,"markdown":"- **Ethernetに比べて一般普及していない（コストが高い）**\n- **専用のネットワーク機器が必要（スイッチやNIC）**\n- **クラウドや一般用途には向かない**","render_override":null},{"id":"blk_c83af9e2-ede7-43c8-be72-e42e06511b89","kind":"thematic_break","order":123,"section_id":"sec_b1eac62e-59df-41f1-bbc4-fedcdff2dd89","character_id":null,"markdown":"---","render_override":null},{"id":"blk_16607b58-32e7-42f7-9946-d77a2e30ed92","kind":"heading","order":124,"section_id":"sec_78f32dbd-abdd-4593-8645-7083c2701dba","character_id":null,"markdown":"### (3) 光接続（光ファイバー）","render_override":null},{"id":"blk_5e60a422-3fa2-47f5-a254-82f9c1bd4197","kind":"paragraph","order":125,"section_id":"sec_78f32dbd-abdd-4593-8645-7083c2701dba","character_id":null,"markdown":"**💡 物理的なデータ伝送方式であり、EthernetやInfiniBandと組み合わせて使用**","render_override":null},{"id":"blk_2fc6fce3-f55a-42c0-a47c-f60455fb9a1e","kind":"list","order":126,"section_id":"sec_78f32dbd-abdd-4593-8645-7083c2701dba","character_id":null,"markdown":"- **プロトコル**：Ethernet, InfiniBand, Fiber Channel などのデータ伝送方式を使用\n- **帯域幅**：\n \n - **10GBASE-SR**（光イーサネット）：10Gbps\n - **400GBASE-DR4**（光イーサネット）：400Gbps\n - **InfiniBand NDR（400G）やXDR（800G）も光接続に依存**\n- **遅延**：基本的に**距離に比例**し、長距離（数km）でも100μs程度\n- **主な用途**：\n \n - **データセンター内のサーバー接続**\n - **長距離通信（ISP, 5G, クラウド接続）**\n - **AIクラスタ、スーパーコンピュータの高帯域通信**","render_override":null},{"id":"blk_21128da5-a508-4476-8d3a-9d5d91809ba7","kind":"paragraph","order":127,"section_id":"sec_78f32dbd-abdd-4593-8645-7083c2701dba","character_id":null,"markdown":"✅ **長所**","render_override":null},{"id":"blk_ffcd2a8e-676c-4e1f-9e52-ef56da6dc070","kind":"list","order":128,"section_id":"sec_78f32dbd-abdd-4593-8645-7083c2701dba","character_id":null,"markdown":"- 電磁干渉の影響を受けず、安定した通信が可能\n- 長距離通信が可能（数m〜数km）\n- 低レイテンシ、高帯域でAI/データセンターに最適","render_override":null},{"id":"blk_07246b99-c71f-4cb9-b790-2e39371f6d91","kind":"paragraph","order":129,"section_id":"sec_78f32dbd-abdd-4593-8645-7083c2701dba","character_id":null,"markdown":"❌ **短所**","render_override":null},{"id":"blk_a2183553-0724-4267-839b-3501bdc16896","kind":"list","order":130,"section_id":"sec_78f32dbd-abdd-4593-8645-7083c2701dba","character_id":null,"markdown":"- **光モジュール・光ファイバーは銅線より高価**\n- **物理層の技術であり、EthernetやInfiniBandの上位プロトコルと組み合わせが必要**","render_override":null},{"id":"blk_ea4e7027-bcd5-4603-b7ac-04ccf915af14","kind":"thematic_break","order":131,"section_id":"sec_78f32dbd-abdd-4593-8645-7083c2701dba","character_id":null,"markdown":"---","render_override":null},{"id":"blk_8a541031-48c9-49e4-bf0d-4872489fa6eb","kind":"heading","order":132,"section_id":"sec_b2417297-8b05-4cca-bf65-91782f8b257e","character_id":null,"markdown":"## 🔹 3. どの技術を選ぶべきか？","render_override":null},{"id":"blk_94664fea-40cf-4bdb-a79d-721d38edeeb7","kind":"paragraph","order":133,"section_id":"sec_b2417297-8b05-4cca-bf65-91782f8b257e","character_id":null,"markdown":"\\*\\*✅ 一般的なネットワーク（企業LAN、クラウド、ISP） → **「Ethernet」** \n\\*\\*✅ スーパーコンピュータ、AIデータセンター → **「InfiniBand」** \n\\*\\*✅ 低遅延、高速長距離通信（基盤技術） → **「光接続（光ファイバー）」**","render_override":null},{"id":"blk_ae7dbe67-162a-42fd-acda-18a462c09d33","kind":"paragraph","order":134,"section_id":"sec_b2417297-8b05-4cca-bf65-91782f8b257e","character_id":null,"markdown":"多くのデータセンターでは、**内部通信はInfiniBand、外部接続はEthernet、物理的な通信は光ファイバー** という形で併用しています。","render_override":null},{"id":"blk_a1b6e75c-3472-440d-b7a9-8fb77370f0a9","kind":"thematic_break","order":135,"section_id":"sec_b2417297-8b05-4cca-bf65-91782f8b257e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b9e11f66-b706-4d21-a3e6-a675acdc23f2","kind":"heading","order":136,"section_id":"sec_7d6898a0-988d-4a95-8cc5-fcb73f95b44e","character_id":null,"markdown":"## 🔹 RoCEv2（RDMA over Converged Ethernet v2）とは？","render_override":null},{"id":"blk_66831ab8-bf35-4f35-9d85-d613f257b95d","kind":"paragraph","order":137,"section_id":"sec_7d6898a0-988d-4a95-8cc5-fcb73f95b44e","character_id":null,"markdown":"**💡 RDMA（Remote Direct Memory Access）をEthernet上で利用するための通信プロトコル（第2世代）**","render_override":null},{"id":"blk_9fd1af31-2764-4d96-8284-daa177701843","kind":"paragraph","order":138,"section_id":"sec_7d6898a0-988d-4a95-8cc5-fcb73f95b44e","character_id":null,"markdown":"RoCEv2は、標準的なEthernetネットワーク上でRDMA（Remote Direct Memory Access）を動作させる技術であり、低遅延・高帯域の通信を実現するプロトコルです。","render_override":null},{"id":"blk_c9975489-a807-46dc-8b88-952110af893d","kind":"thematic_break","order":139,"section_id":"sec_7d6898a0-988d-4a95-8cc5-fcb73f95b44e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_0cea8df1-5214-4251-bd25-656a4f3c203c","kind":"heading","order":140,"section_id":"sec_d435aad1-fc26-49db-89d4-f3013fb1721b","character_id":null,"markdown":"## 🔹 1. RoCEとは？","render_override":null},{"id":"blk_7bb40bbf-6e01-41c8-b731-cf030d402bc0","kind":"heading","order":141,"section_id":"sec_88bcc9f2-8692-4b68-a664-b38686458694","character_id":null,"markdown":"### 💡 RoCE (RDMA over Converged Ethernet) の基本","render_override":null},{"id":"blk_5b0c244b-86ac-4a5e-8ef9-2ceb5bf39af9","kind":"paragraph","order":142,"section_id":"sec_88bcc9f2-8692-4b68-a664-b38686458694","character_id":null,"markdown":"通常のTCP/IPでは、データの転送時にカーネルスタックを経由するため、**CPU負荷や遅延が増加** します。しかし、**RDMA** を利用すると、 \n✅ **CPUを介さずにリモートメモリへ直接アクセス可能** \n✅ **低レイテンシ・高スループット通信が実現**","render_override":null},{"id":"blk_5ee5df70-45ce-411c-a586-e6da1383be88","kind":"paragraph","order":143,"section_id":"sec_88bcc9f2-8692-4b68-a664-b38686458694","character_id":null,"markdown":"RDMAの代表的な実装には以下があります。","render_override":null},{"id":"blk_dce3240c-d903-4915-a54d-720a84ce776f","kind":"paragraph","order":144,"section_id":"sec_88bcc9f2-8692-4b68-a664-b38686458694","character_id":null,"markdown":"**プロトコル|** **物理ネットワーク** |**用途 \n** **InfiniBand (IB)** |専用のInfiniBandネットワーク |HPC, AI, スーパーコンピュータ \n**RoCE (RDMA over Converged Ethernet)** |Ethernet (L2) |データセンター、クラウド \n**iWARP (Internet Wide-area RDMA Protocol)** |TCP/IP |通常のIPネットワーク上で動作","render_override":null},{"id":"blk_83ce2760-b12f-4efd-8dd3-9f5344d25cec","kind":"thematic_break","order":145,"section_id":"sec_88bcc9f2-8692-4b68-a664-b38686458694","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1678b8bd-b129-4b3c-be27-064ebdac1ffc","kind":"heading","order":146,"section_id":"sec_ef11df25-0d6d-4ada-8ef2-9c3d2a15df80","character_id":null,"markdown":"## 🔹 2. RoCEv2とRoCEv1の違い","render_override":null},{"id":"blk_03862358-c49a-40af-9605-0dc874970474","kind":"paragraph","order":147,"section_id":"sec_ef11df25-0d6d-4ada-8ef2-9c3d2a15df80","character_id":null,"markdown":"**項目** **RoCEv1** **RoCEv2** **通信レイヤー** L2（イーサネット） L3（IP + UDP） **ルーティング対応** ❌ 同一L2ネットワーク内のみ ✅ ルーティング可能（L3ネットワーク対応） **UDPポート番号** 使用しない 4791 **IPアドレス対応** IPv4 / IPv6 なし IPv4 / IPv6 あり **ユースケース** **同一データセンター内** のサーバ間通信 **大規模データセンター、クラウド、分散環境**","render_override":null},{"id":"blk_0b4a6710-ad2b-4436-a0e5-7218ddf71ba4","kind":"paragraph","order":148,"section_id":"sec_ef11df25-0d6d-4ada-8ef2-9c3d2a15df80","character_id":null,"markdown":"📌 **要点：**","render_override":null},{"id":"blk_aa8b4b2a-a431-4cbc-aa19-45f24c47ea8c","kind":"list","order":149,"section_id":"sec_ef11df25-0d6d-4ada-8ef2-9c3d2a15df80","character_id":null,"markdown":"- **RoCEv1** → **L2通信（ブロードキャストドメイン内のみ）**\n- **RoCEv2** → **L3通信（ルーティング可能、WAN対応）**","render_override":null},{"id":"blk_31f08ac4-f62c-4dad-a955-929b53aba0ec","kind":"paragraph","order":150,"section_id":"sec_ef11df25-0d6d-4ada-8ef2-9c3d2a15df80","character_id":null,"markdown":"**💡 RoCEv2は、データセンター間やクラウド環境でも利用可能**！","render_override":null},{"id":"blk_aa597cdd-47d9-47a4-8b1b-e36e255761df","kind":"thematic_break","order":151,"section_id":"sec_ef11df25-0d6d-4ada-8ef2-9c3d2a15df80","character_id":null,"markdown":"---","render_override":null},{"id":"blk_96e7c78f-3b7a-4f71-a29e-39284a75dfe0","kind":"heading","order":152,"section_id":"sec_dad5ae3e-3544-404f-a184-140ce201890a","character_id":null,"markdown":"## 🔹 3. RoCEv2の主な特徴","render_override":null},{"id":"blk_d072d267-b125-4800-89e5-4dddaf7299e7","kind":"heading","order":153,"section_id":"sec_4453ed5f-4670-4c5c-89ba-ab8719b6d4e4","character_id":null,"markdown":"### (1) ルーティング対応（L3/IP over Ethernet）","render_override":null},{"id":"blk_62ff006b-def7-4fe5-955b-d5e13ec9b6b5","kind":"paragraph","order":154,"section_id":"sec_4453ed5f-4670-4c5c-89ba-ab8719b6d4e4","character_id":null,"markdown":"RoCEv2は、**UDP/IPを使って通信** するため、**異なるサブネットやデータセンター間でもRDMA通信が可能** です。","render_override":null},{"id":"blk_5d8e361e-13a7-401d-ab73-30463c3d28c3","kind":"list","order":155,"section_id":"sec_4453ed5f-4670-4c5c-89ba-ab8719b6d4e4","character_id":null,"markdown":"- **RoCEv1：** L2通信のみ（ブロードキャストドメイン内のみ動作）\n- **RoCEv2：** L3（IP + UDP）を利用し、ルーター越えが可能","render_override":null},{"id":"blk_f2e7dc6c-2ddc-4393-85b6-f79df76c51eb","kind":"paragraph","order":156,"section_id":"sec_4453ed5f-4670-4c5c-89ba-ab8719b6d4e4","character_id":null,"markdown":"✅ これにより、大規模クラウドサービスやデータセンター間通信でもRoCEが利用可能になりました。","render_override":null},{"id":"blk_63ee1161-24d2-4988-bf1d-247fe979d049","kind":"thematic_break","order":157,"section_id":"sec_4453ed5f-4670-4c5c-89ba-ab8719b6d4e4","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7916fb0f-1e0c-4198-a3f2-9e63055258f9","kind":"heading","order":158,"section_id":"sec_e36365c6-83a3-4e5a-b08f-d0c1641ee454","character_id":null,"markdown":"### (2) PFC（Priority Flow Control）による低遅延","render_override":null},{"id":"blk_126f1a5f-34de-41cf-96f9-b1ad29cb9666","kind":"paragraph","order":159,"section_id":"sec_e36365c6-83a3-4e5a-b08f-d0c1641ee454","character_id":null,"markdown":"Ethernetは、元々**ベストエフォート型**（パケットロスあり）であり、","render_override":null},{"id":"blk_f8aa53c1-d336-42ae-a4b5-9a7c594e7751","kind":"list","order":160,"section_id":"sec_e36365c6-83a3-4e5a-b08f-d0c1641ee454","character_id":null,"markdown":"- TCP通信ではパケットロス発生時にリトライ（再送）が発生し、レイテンシが増加する\n- RDMAは**ロスレス通信が前提** のため、通常のEthernetでは適さない","render_override":null},{"id":"blk_c6c7020d-501a-40cf-b311-36fd57404e05","kind":"paragraph","order":161,"section_id":"sec_e36365c6-83a3-4e5a-b08f-d0c1641ee454","character_id":null,"markdown":"➡ **解決策：Priority Flow Control（PFC）** を利用し、特定のRDMAパケットの優先度を高めることで **ロスレス通信** を実現。","render_override":null},{"id":"blk_957fa871-60c3-424e-ae41-ae93a3af96ef","kind":"thematic_break","order":162,"section_id":"sec_e36365c6-83a3-4e5a-b08f-d0c1641ee454","character_id":null,"markdown":"---","render_override":null},{"id":"blk_6eec19c2-7b63-4832-b929-6175140de011","kind":"heading","order":163,"section_id":"sec_b5487d29-3200-4398-88f8-8a08a297e4d4","character_id":null,"markdown":"### (3) ECN（Explicit Congestion Notification）対応","render_override":null},{"id":"blk_48e29d4a-bf1d-46a0-8aa9-a86e69910063","kind":"paragraph","order":164,"section_id":"sec_b5487d29-3200-4398-88f8-8a08a297e4d4","character_id":null,"markdown":"大規模データセンターでは、**トラフィック集中による輻輳（ネットワーク混雑）** が問題になります。 \n➡ **RoCEv2は、ECN（輻輳制御）を活用してパケットロスを防止しつつ、安定したパフォーマンスを確保！**","render_override":null},{"id":"blk_a51c8afe-059c-425f-8960-e8272846e4b5","kind":"paragraph","order":165,"section_id":"sec_b5487d29-3200-4398-88f8-8a08a297e4d4","character_id":null,"markdown":"✅ **PFC（ロスレス環境） + ECN（輻輳制御） = 高速 & 安定したデータ通信**","render_override":null},{"id":"blk_a34a41d3-6acb-49ac-ae28-713f321a04a8","kind":"thematic_break","order":166,"section_id":"sec_b5487d29-3200-4398-88f8-8a08a297e4d4","character_id":null,"markdown":"---","render_override":null},{"id":"blk_870ab20d-0769-4325-9b82-dfdf70392b82","kind":"heading","order":167,"section_id":"sec_9fc426f7-26ea-4dfe-a4d9-66c12045fef7","character_id":null,"markdown":"### (4) RDMA（カーネルバイパス）によるCPU負荷軽減","render_override":null},{"id":"blk_5d2fdc77-ea52-420a-a414-4ac25ea85af3","kind":"paragraph","order":168,"section_id":"sec_9fc426f7-26ea-4dfe-a4d9-66c12045fef7","character_id":null,"markdown":"RoCEv2は、**RDMAの特徴（カーネルバイパス）** をそのまま活用可能。","render_override":null},{"id":"blk_2630e887-1ee6-49e5-9a74-ce25282eed18","kind":"list","order":169,"section_id":"sec_9fc426f7-26ea-4dfe-a4d9-66c12045fef7","character_id":null,"markdown":"- **従来のTCP/IP** → CPUがデータ転送処理を担当（高負荷）\n- **RoCEv2** → **CPUを経由せずに直接メモリアクセス（低負荷 & 高速化）**","render_override":null},{"id":"blk_003198a5-665b-4769-8248-4e1e49cb3e09","kind":"paragraph","order":170,"section_id":"sec_9fc426f7-26ea-4dfe-a4d9-66c12045fef7","character_id":null,"markdown":"📌 **高負荷なAI学習やHPCに最適な通信方式！**","render_override":null},{"id":"blk_298dd24e-57f0-4c08-981f-a628f9e4c74d","kind":"thematic_break","order":171,"section_id":"sec_9fc426f7-26ea-4dfe-a4d9-66c12045fef7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5779fd31-3651-4d10-93f0-495bc1519637","kind":"heading","order":172,"section_id":"sec_b586224f-6bd9-4052-93f8-ca268a300846","character_id":null,"markdown":"## 🔹 4. RoCEv2と他の技術（InfiniBand、TCP/IP）との比較","render_override":null},{"id":"blk_0664c1c3-ae84-42b7-a02a-3bd82b677a02","kind":"paragraph","order":173,"section_id":"sec_b586224f-6bd9-4052-93f8-ca268a300846","character_id":null,"markdown":"**プロトコル|** **ネットワーク|** **遅延** |**スケール|** **主な用途 \n** **InfiniBand (IB)|**InfiniBand専用 |**数百ns** |クラスタ向け |AI, HPC, スーパーコンピュータ \n**RoCEv2** |**Ethernet（L3, UDP/IP）|** **1μs以下|** データセンター, クラウド |AI, 高速データ処理 \n**TCP/IP|** Ethernet (L3) |**数十μs** |汎用ネットワーク |Web, クラウド, IoT","render_override":null},{"id":"blk_d01d57cb-72cc-4b0a-a3c4-c455c7bf05cf","kind":"paragraph","order":174,"section_id":"sec_b586224f-6bd9-4052-93f8-ca268a300846","character_id":null,"markdown":"✅ **AIやHPCの高速通信では**","render_override":null},{"id":"blk_8333111d-7709-4302-a129-197f735b3482","kind":"list","order":175,"section_id":"sec_b586224f-6bd9-4052-93f8-ca268a300846","character_id":null,"markdown":"- **InfiniBand \\> RoCEv2 \\> TCP/IP** の順で高速","render_override":null},{"id":"blk_91b23871-b469-4da7-a778-65e2f25cae05","kind":"paragraph","order":176,"section_id":"sec_b586224f-6bd9-4052-93f8-ca268a300846","character_id":null,"markdown":"✅ **クラウド/データセンターでの実用性は**","render_override":null},{"id":"blk_55d8fa3d-35c0-4ff0-941d-e82cf5d8355b","kind":"list","order":177,"section_id":"sec_b586224f-6bd9-4052-93f8-ca268a300846","character_id":null,"markdown":"- **RoCEv2 \\> InfiniBand**（Ethernet利用可能）","render_override":null},{"id":"blk_fd0ea4f7-5a7c-482d-a21a-9a2d821aa68c","kind":"thematic_break","order":178,"section_id":"sec_b586224f-6bd9-4052-93f8-ca268a300846","character_id":null,"markdown":"---","render_override":null},{"id":"blk_6a7a032e-2727-4bdf-a25d-5e0999a24670","kind":"heading","order":179,"section_id":"sec_b45e5ff8-2c02-4eaa-8025-c4c982f2235a","character_id":null,"markdown":"## 🔹 5. RoCEv2が使われる主要分野","render_override":null},{"id":"blk_901ad238-e6cb-4088-915f-470ff1879dee","kind":"paragraph","order":180,"section_id":"sec_b45e5ff8-2c02-4eaa-8025-c4c982f2235a","character_id":null,"markdown":"**✅ AI / HPC（ハイパフォーマンスコンピューティング）**","render_override":null},{"id":"blk_9865deaf-16b3-489e-9b92-97acf3c62910","kind":"list","order":181,"section_id":"sec_b45e5ff8-2c02-4eaa-8025-c4c982f2235a","character_id":null,"markdown":"- NVIDIA **DGXクラスタ**（InfiniBandまたはRoCE）\n- **大規模AI学習（GPT, LLMs, Transformerモデル）**\n- **スーパーコンピュータ（Top500 HPCシステム）**","render_override":null},{"id":"blk_0370de9b-9943-41c9-bc30-ca7db69c6b05","kind":"paragraph","order":182,"section_id":"sec_b45e5ff8-2c02-4eaa-8025-c4c982f2235a","character_id":null,"markdown":"**✅ クラウド & データセンター**","render_override":null},{"id":"blk_194fcab6-4e31-44e0-9168-a1a8d4074f45","kind":"list","order":183,"section_id":"sec_b45e5ff8-2c02-4eaa-8025-c4c982f2235a","character_id":null,"markdown":"- **大規模クラウド（AWS, Azure, Google Cloud）**\n- **ストレージ高速化（NVMe-oF, GPU Direct Storage）**","render_override":null},{"id":"blk_3684d839-7d74-4f86-9a77-c9d3c705eec5","kind":"paragraph","order":184,"section_id":"sec_b45e5ff8-2c02-4eaa-8025-c4c982f2235a","character_id":null,"markdown":"**✅ 金融（HFT）**","render_override":null},{"id":"blk_618dbb63-f6b4-409d-84e8-860ce64ad8f9","kind":"list","order":185,"section_id":"sec_b45e5ff8-2c02-4eaa-8025-c4c982f2235a","character_id":null,"markdown":"- **高頻度取引（HFT）での超低遅延通信**\n- **NASDAQ・金融市場でのリアルタイムデータ処理**","render_override":null},{"id":"blk_9e36268d-984b-49a6-87d1-d6b8ffceff9e","kind":"thematic_break","order":186,"section_id":"sec_b45e5ff8-2c02-4eaa-8025-c4c982f2235a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d9220d08-cbc2-42cc-a421-a847c067bc03","kind":"heading","order":187,"section_id":"sec_c11ff294-9101-4e73-8ee1-d3d5cdc13e04","character_id":null,"markdown":"## 🔹 6. RoCEv2を活用する製品","render_override":null},{"id":"blk_17e24f8f-354e-406f-88e0-93e70f9f6b2d","kind":"paragraph","order":188,"section_id":"sec_c11ff294-9101-4e73-8ee1-d3d5cdc13e04","character_id":null,"markdown":"**🔹 NVIDIA & Mellanox 製品**","render_override":null},{"id":"blk_424772c1-b1d5-4de4-afe8-cd2f14fe22d0","kind":"list","order":189,"section_id":"sec_c11ff294-9101-4e73-8ee1-d3d5cdc13e04","character_id":null,"markdown":"- **NVIDIA ConnectX シリーズ NIC**\n- **Mellanox Spectrum Ethernet Switch**\n- **NVIDIA DGX H100（RoCEv2 / InfiniBand）**\n- **NVIDIA BlueField DPU（データセンター向け）**","render_override":null},{"id":"blk_3dbea3b9-2814-41a0-8fc4-91de98393c05","kind":"thematic_break","order":190,"section_id":"sec_c11ff294-9101-4e73-8ee1-d3d5cdc13e04","character_id":null,"markdown":"---","render_override":null},{"id":"blk_e7c25e44-8f91-49e4-b8f8-c2398a13b8f3","kind":"heading","order":191,"section_id":"sec_499a5d66-0ed4-4af6-a3b5-785e0bb56003","character_id":null,"markdown":"## 🔹 まとめ","render_override":null},{"id":"blk_d6c77f0b-136e-47a9-8a4b-4c2887140a1d","kind":"paragraph","order":192,"section_id":"sec_499a5d66-0ed4-4af6-a3b5-785e0bb56003","character_id":null,"markdown":"✅ **RoCEv2は、RDMAをEthernetネットワーク（L3）で実現する技術** \n✅ **InfiniBandに匹敵する低遅延（1μs以下）、高帯域（400G以上）を実現可能** \n✅ **データセンター、AI/HPC、高速ストレージ、HFTなど幅広い分野で活用** \n✅ **Ethernetの既存インフラを活用できるため、InfiniBandより導入しやすい**","render_override":null},{"id":"blk_bdb6d4e7-babc-41f8-bfd9-265a1458def0","kind":"paragraph","order":193,"section_id":"sec_499a5d66-0ed4-4af6-a3b5-785e0bb56003","character_id":null,"markdown":"🔥 **クラウド & AI時代の標準RDMA技術として、今後さらに普及が進む！**","render_override":null},{"id":"blk_836ae70f-fa0b-4a83-bb60-9d8afe472318","kind":"thematic_break","order":194,"section_id":"sec_499a5d66-0ed4-4af6-a3b5-785e0bb56003","character_id":null,"markdown":"---","render_override":null},{"id":"blk_cc0a931c-352b-4cbd-9a5f-1a734175035b","kind":"heading","order":195,"section_id":"sec_b4d5f7b5-4b01-49cf-9a7f-65e594d00af6","character_id":null,"markdown":"### AI ASICとは？","render_override":null},{"id":"blk_094fb98a-1de8-4302-b866-005edd65a338","kind":"paragraph","order":196,"section_id":"sec_b4d5f7b5-4b01-49cf-9a7f-65e594d00af6","character_id":null,"markdown":"**AI ASIC（Application-Specific Integrated Circuit for Artificial Intelligence）とは、人工知能（AI）向けに特化して設計された特定用途向け集積回路（ASIC）のことです。 \nGPUやFPGAとは異なり、特定のAIタスク（ディープラーニング、推論処理、トレーニングなど）に最適化された専用チップ**であり、高い処理効率と低消費電力を実現できます。","render_override":null},{"id":"blk_5c9a20f4-67f5-44d0-aa9b-dab03c8867ee","kind":"thematic_break","order":197,"section_id":"sec_b4d5f7b5-4b01-49cf-9a7f-65e594d00af6","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1cd43323-0181-42ad-9dfb-e1ffa9deb204","kind":"heading","order":198,"section_id":"sec_34679daa-c755-49e7-99fe-587b81d6ea81","character_id":null,"markdown":"## AI ASICの特徴","render_override":null},{"id":"blk_c809eb21-d575-418f-a169-6a05bf6dca5b","kind":"list","order":199,"section_id":"sec_34679daa-c755-49e7-99fe-587b81d6ea81","character_id":null,"markdown":"1. **AI向けに最適化**\n \n - ニューラルネットワーク演算（畳み込み演算、行列積演算など）を効率化。\n - 低ビット精度（例：8bit、4bit、INT8、BF16）での処理を重視。\n2. **高性能かつ低消費電力**\n \n - GPUよりも高い計算性能（TOPS/TeraOPS）を低消費電力で実行可能。\n - 特定用途（推論処理・トレーニングなど）に特化することで、オーバーヘッドを削減。\n3. **柔軟性が低い（カスタム設計）**\n \n - GPUのように多目的用途には対応できず、特定のAIタスクに限定される。\n - 汎用性は低いが、大規模AIサービス向けに最適化可能。","render_override":null},{"id":"blk_c3eda963-cf36-4f25-bdf5-bc4472b177e3","kind":"thematic_break","order":200,"section_id":"sec_34679daa-c755-49e7-99fe-587b81d6ea81","character_id":null,"markdown":"---","render_override":null},{"id":"blk_257a61b6-229b-42ee-b348-94515dc0b04f","kind":"heading","order":201,"section_id":"sec_2d960bc8-83fa-4f32-b536-053091e0985d","character_id":null,"markdown":"## 🔹 NVLinkとは？","render_override":null},{"id":"blk_6d90d6a2-eb40-4607-8f85-0cd1066b1d4c","kind":"paragraph","order":202,"section_id":"sec_2d960bc8-83fa-4f32-b536-053091e0985d","character_id":null,"markdown":"**💡 GPU間やCPU-GPU間の超高速データ転送を目的としたインターコネクト技術**","render_override":null},{"id":"blk_d877fcd7-6004-481f-a851-2a04c24f9b5d","kind":"paragraph","order":203,"section_id":"sec_2d960bc8-83fa-4f32-b536-053091e0985d","character_id":null,"markdown":"✅ **主な特徴**","render_override":null},{"id":"blk_76c8084a-eb70-46ee-a848-18211dfef892","kind":"list","order":204,"section_id":"sec_2d960bc8-83fa-4f32-b536-053091e0985d","character_id":null,"markdown":"- **主な用途**：GPU間通信（特にAI・HPC向け）\n- **接続対象**：GPU-GPU、CPU-GPU（NVLinkブリッジ使用）\n- **帯域幅**：\n \n - **NVLink 4.0**（NVIDIA H100）：900GB/s（18リンク使用）\n - **NVLink 3.0**（NVIDIA A100）：600GB/s（12リンク使用）\n - **NVLink 2.0**（NVIDIA V100）：300GB/s\n- **トポロジー**：ポイントツーポイント接続、NVSwitchを介して複数GPU接続\n- **主な使用製品**：\n \n - NVIDIA H100、A100、V100\n - DGXシリーズ（スーパーコンピュータ）\n - 一部のワークステーション向けGPU（RTX 3090, RTX 4090など）","render_override":null},{"id":"blk_eb30e9ba-3c62-43b8-9376-97e9b47c78df","kind":"thematic_break","order":205,"section_id":"sec_2d960bc8-83fa-4f32-b536-053091e0985d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d9dae504-bc4c-4242-b3a6-cc87c3e5b3a3","kind":"heading","order":206,"section_id":"sec_b99c46b9-da12-4581-9883-8e9e0aae178f","character_id":null,"markdown":"## 🔹 InfiniBandとは？","render_override":null},{"id":"blk_3a05ab47-f9c9-447c-8f87-ebce6c020891","kind":"paragraph","order":207,"section_id":"sec_b99c46b9-da12-4581-9883-8e9e0aae178f","character_id":null,"markdown":"**💡 データセンターやスーパーコンピュータの高速ネットワーク構築を目的としたプロトコル & インターコネクト**","render_override":null},{"id":"blk_bd1264a8-a463-4694-8232-192b0fce0876","kind":"paragraph","order":208,"section_id":"sec_b99c46b9-da12-4581-9883-8e9e0aae178f","character_id":null,"markdown":"✅ **主な特徴**","render_override":null},{"id":"blk_390fe5ad-d8db-4439-8ac9-74ad4c512be6","kind":"list","order":209,"section_id":"sec_b99c46b9-da12-4581-9883-8e9e0aae178f","character_id":null,"markdown":"- **主な用途**：クラスターネットワーク、高速サーバー間通信\n- **接続対象**：サーバー-サーバー、サーバー-GPU、ストレージネットワーク\n- **帯域幅**：\n \n - **NVIDIA Quantum-2 InfiniBand**（NDR）：400Gb/s（シングルレーン）\n - **NVIDIA Quantum InfiniBand**（HDR）：200Gb/s\n - **Mellanox InfiniBand**（EDR/FDR）：100Gb/s\n- **トポロジー**：スイッチを介した多数のノード（GPU, CPU, Storage）接続\n- **主な使用製品**：\n \n - NVIDIA/MellanoxのInfiniBand NIC・スイッチ\n - スーパーコンピュータ、HPCシステム\n - NVIDIA DGX、HGXプラットフォームのクラスタ","render_override":null},{"id":"blk_5e838f7d-1644-4b2b-aa3d-342bbf95bdff","kind":"thematic_break","order":210,"section_id":"sec_b99c46b9-da12-4581-9883-8e9e0aae178f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_e263af85-6e81-4470-bdbd-3a97e67cb874","kind":"paragraph","order":211,"section_id":"sec_b99c46b9-da12-4581-9883-8e9e0aae178f","character_id":null,"markdown":"NVLinkは**GPU間のダイレクトな超高速通信** に特化し、InfiniBandは**大規模ネットワーク接続やサーバークラスタを構築するための技術** です。","render_override":null},{"id":"blk_fc25fe66-d2a5-4a9e-aba7-021672e0135b","kind":"paragraph","order":212,"section_id":"sec_b99c46b9-da12-4581-9883-8e9e0aae178f","character_id":null,"markdown":"➡ **NVLinkはローカルなGPU間通信、InfiniBandはデータセンター全体のネットワーク構築に最適化** されています。","render_override":null},{"id":"blk_ee00e74e-6bb4-4dcb-b075-c121b36690e9","kind":"paragraph","order":213,"section_id":"sec_b99c46b9-da12-4581-9883-8e9e0aae178f","character_id":null,"markdown":"✅ **例：NVIDIA DGXシステム**","render_override":null},{"id":"blk_46728b28-c46e-4139-9e5e-7c6bd012d8b2","kind":"list","order":214,"section_id":"sec_b99c46b9-da12-4581-9883-8e9e0aae178f","character_id":null,"markdown":"- **DGX H100などのスーパーコンピュータ** は、**NVLink** をGPU間で使用し、**InfiniBand** でサーバー間ネットワークを構成しています。","render_override":null},{"id":"blk_1d280fc2-f53e-449c-82e4-ee7c6186ff88","kind":"thematic_break","order":215,"section_id":"sec_b99c46b9-da12-4581-9883-8e9e0aae178f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_da5c572a-bf0f-4d6d-9b44-7bf669bca335","kind":"heading","order":216,"section_id":"sec_af0e7eaf-5317-4a6f-a238-c1c39f7cd0da","character_id":null,"markdown":"## 代表的なAI ASICの種類","render_override":null},{"id":"blk_251bf69e-59d9-42f3-a5e3-f85cb85256cf","kind":"paragraph","order":217,"section_id":"sec_af0e7eaf-5317-4a6f-a238-c1c39f7cd0da","character_id":null,"markdown":"メーカー AI ASIC製品 特徴 \n**Google** **TPU（Tensor Processing Unit）** 推論・トレーニング向け。クラウドAI向けに最適化","render_override":null},{"id":"blk_6296e2a8-603a-4c12-a319-73d7f2b215c8","kind":"paragraph","order":218,"section_id":"sec_af0e7eaf-5317-4a6f-a238-c1c39f7cd0da","character_id":null,"markdown":"**Tesla** **Dojo D1** 自動運転（FSD）向け学習用AIチップ","render_override":null},{"id":"blk_16d10d89-4e02-4a99-861f-fdb1545ced98","kind":"paragraph","order":219,"section_id":"sec_af0e7eaf-5317-4a6f-a238-c1c39f7cd0da","character_id":null,"markdown":"**AWS** **Inferentia / Trainium** クラウド推論・学習向けの独自チップ","render_override":null},{"id":"blk_4c5a7888-ee82-452b-8056-772dd7d7bb9f","kind":"paragraph","order":220,"section_id":"sec_af0e7eaf-5317-4a6f-a238-c1c39f7cd0da","character_id":null,"markdown":"**Meta（Facebook）** **MTIA（Meta Training & Inference Accelerator）** 大規模なAI推論・学習に対応","render_override":null},{"id":"blk_053fcbd9-d6a9-4e27-a3cc-365c1346d7e9","kind":"paragraph","order":221,"section_id":"sec_af0e7eaf-5317-4a6f-a238-c1c39f7cd0da","character_id":null,"markdown":"**Intel** **Habana Gaudi** AIトレーニング・推論用アクセラレータ","render_override":null},{"id":"blk_9ea196a0-76db-42d8-94dc-edeb39eac40a","kind":"paragraph","order":222,"section_id":"sec_af0e7eaf-5317-4a6f-a238-c1c39f7cd0da","character_id":null,"markdown":"**Alibaba** **Hanguang 800** クラウド推論向けAIチップ","render_override":null},{"id":"blk_8af83ed2-a0ec-44fa-9d24-9ca48ad3d17c","kind":"paragraph","order":223,"section_id":"sec_af0e7eaf-5317-4a6f-a238-c1c39f7cd0da","character_id":null,"markdown":"**Huawei** **Ascend 910 / 310** AIトレーニング・推論を高速化","render_override":null},{"id":"blk_892561a3-4195-4235-9eeb-bfbf5315dd25","kind":"paragraph","order":224,"section_id":"sec_af0e7eaf-5317-4a6f-a238-c1c39f7cd0da","character_id":null,"markdown":"**Cerebras** **CS-2（Wafer-Scale Engine）** 超大規模AIモデル用のウェハスケールチップ","render_override":null},{"id":"blk_921c9d70-8375-46c9-a96a-8d305dc00d08","kind":"thematic_break","order":225,"section_id":"sec_af0e7eaf-5317-4a6f-a238-c1c39f7cd0da","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d1987f32-5154-4efc-a28d-4b9472b960f7","kind":"heading","order":226,"section_id":"sec_346133df-1eed-484d-8939-63fb85a75d68","character_id":null,"markdown":"## AI ASICと他のAIチップの比較","render_override":null},{"id":"blk_0506c6fa-e3b7-47bf-94a5-b0c32182955f","kind":"paragraph","order":227,"section_id":"sec_346133df-1eed-484d-8939-63fb85a75d68","character_id":null,"markdown":"**AI ASIC** **GPU（NVIDIA H100 など）** **FPGA（Xilinx、Intel）** **最適化** AI専用設計 汎用性あり（ゲーム・科学計算・AIなど） ハードウェアレベルでカスタマイズ可 **性能** 最適化により高い処理速度 比較的高速（AI用途に適応可能） 設計次第で高速化 **消費電力** 低い 高め 設計次第 **柔軟性** 低い（特定用途向け） 高い（AI以外でも活用可能） 設計変更が可能 **価格** 高価（カスタム設計が必要） 高価だが量産性あり 設計費用が高い **主な用途** データセンター・推論 AI学習・推論・汎用計算 特殊AI用途","render_override":null},{"id":"blk_7284f7b5-713f-4216-9979-0cfd2c37ef92","kind":"list","order":228,"section_id":"sec_346133df-1eed-484d-8939-63fb85a75d68","character_id":null,"markdown":"- **ASICはAI向けに最適化されているため、消費電力あたりの計算効率（TOPS/W）が最も高い。**\n- **GPUは汎用性が高いため、AI以外の用途（グラフィックス、HPC、ゲーム）にも対応できる。**\n- **FPGAは柔軟なカスタマイズが可能だが、開発が難しくコストが高い。**","render_override":null},{"id":"blk_757bbbcb-bb95-4ac5-887a-ce065bb221ef","kind":"thematic_break","order":229,"section_id":"sec_346133df-1eed-484d-8939-63fb85a75d68","character_id":null,"markdown":"---","render_override":null},{"id":"blk_77dd226f-7f5d-488a-b7f0-2aa5927e7aab","kind":"heading","order":230,"section_id":"sec_cbc3c8d4-f7d4-442f-ac25-86d4d2065611","character_id":null,"markdown":"## AI ASICの主要用途","render_override":null},{"id":"blk_1f189a2c-f4ec-4938-bc55-cbeeee185294","kind":"list","order":231,"section_id":"sec_cbc3c8d4-f7d4-442f-ac25-86d4d2065611","character_id":null,"markdown":"1. **データセンター・クラウドAI**（Google TPU, AWS Inferentia, Meta MTIA など）\n \n - クラウドサービスでのAI推論や学習（例：Google Cloud AI, AWS AI）。\n - 高性能・低消費電力な処理が求められる。\n2. **自動運転AI**（Tesla Dojo, NVIDIA Drive チップ など）\n \n - 高度な自動運転AIの推論・学習に利用。\n - 消費電力を抑えつつ、高い計算性能を実現。\n3. **組み込みAI（エッジAI）**（Huawei Ascend 310, NVIDIA Jetson など）\n \n - スマートフォン、IoT、エッジデバイスでのリアルタイムAI処理。\n - 低消費電力でAI処理を実行。\n4. **超大規模AIモデル学習**（Cerebras CS-2, Google TPU など）\n \n - GPT-4やLLM（大規模言語モデル）などの学習用に特化したAIアクセラレータ。","render_override":null},{"id":"blk_798501b2-5aed-4e89-8181-ca2b6f710f29","kind":"thematic_break","order":232,"section_id":"sec_cbc3c8d4-f7d4-442f-ac25-86d4d2065611","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7a8663e5-724c-4614-8ee7-13240d00e8d0","kind":"heading","order":233,"section_id":"sec_282f9169-f128-4678-8d82-ca71c17511c3","character_id":null,"markdown":"## AI ASICの今後の展望","render_override":null},{"id":"blk_fde13dc2-4425-40e8-ba84-75237e36d03d","kind":"heading","order":234,"section_id":"sec_5ce3a1e5-1507-4048-8db7-d6ca12ac3318","character_id":null,"markdown":"### ✅ トレンド","render_override":null},{"id":"blk_e546bb0c-8b79-46d4-9a99-88355885c70c","kind":"list","order":235,"section_id":"sec_5ce3a1e5-1507-4048-8db7-d6ca12ac3318","character_id":null,"markdown":"- **独自ASIC開発の加速**（Google, Meta, Microsoft, AmazonなどがASIC開発を強化）\n- **超大規模AIモデル向けASICの発展**（GPT-5, Gemini, Claudeなどのモデル用に）\n- **エッジデバイス向け低消費電力ASIC**（スマホ、IoT、自動運転、ロボティクス）","render_override":null},{"id":"blk_aa23dd88-f060-4135-a72e-8be0f5e69a9a","kind":"heading","order":236,"section_id":"sec_6ab20466-e19a-48cc-b0a6-ae1aaa1330ba","character_id":null,"markdown":"### 🔥 課題","render_override":null},{"id":"blk_b2b7c183-7ed2-44c7-8116-80166d2b503e","kind":"list","order":237,"section_id":"sec_6ab20466-e19a-48cc-b0a6-ae1aaa1330ba","character_id":null,"markdown":"- **開発コストが非常に高い**\n- **特定用途向けなので、柔軟性が低い**\n- **プロセスノードの微細化と供給不足（TSMC, Samsungへの依存）**","render_override":null},{"id":"blk_2ccc61a6-754b-41cd-a270-a4cb89721980","kind":"thematic_break","order":238,"section_id":"sec_6ab20466-e19a-48cc-b0a6-ae1aaa1330ba","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ab86935e-f799-4742-85c7-3c10bef25f8b","kind":"heading","order":239,"section_id":"sec_fa9d4d77-2af7-4065-bfac-27cf619857f7","character_id":null,"markdown":"## まとめ","render_override":null},{"id":"blk_8f3ec7c0-d08f-4547-91c9-1114e5cc8aa0","kind":"paragraph","order":240,"section_id":"sec_fa9d4d77-2af7-4065-bfac-27cf619857f7","character_id":null,"markdown":"**AI ASICは、AI推論や学習に特化した専用チップで、高性能・低消費電力が特徴。**","render_override":null},{"id":"blk_d6ac53e1-5c06-48a9-960a-b1bea4e73c94","kind":"list","order":241,"section_id":"sec_fa9d4d77-2af7-4065-bfac-27cf619857f7","character_id":null,"markdown":"- **Google TPU** や **AWS Inferentia** などが代表例。\n- **自動運転・エッジAI・データセンターなどで活用が拡大**。\n- **GPUよりも高効率だが、用途が限定されるため汎用性は低い**。","render_override":null},{"id":"blk_61a7e51b-d45a-4e6f-bc17-fcbf57e36223","kind":"paragraph","order":242,"section_id":"sec_fa9d4d77-2af7-4065-bfac-27cf619857f7","character_id":null,"markdown":"今後も、データセンターやAIの発展に伴い、**AI専用ASICの開発は加速**すると予想されます！","render_override":null},{"id":"blk_d9fa3de5-d4d1-49ef-ab4f-c06c498cc16d","kind":"thematic_break","order":243,"section_id":"sec_fa9d4d77-2af7-4065-bfac-27cf619857f7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f57c9976-d1d8-4e36-9d80-d254f2f5cf92","kind":"heading","order":244,"section_id":"sec_0e3d9297-b2bd-4dc2-a3f0-261931cc0d1f","character_id":null,"markdown":"### Marvell（マーベル）のAI ASICについて","render_override":null},{"id":"blk_7a01a3b0-e976-4a84-aad0-da413014332f","kind":"paragraph","order":245,"section_id":"sec_0e3d9297-b2bd-4dc2-a3f0-261931cc0d1f","character_id":null,"markdown":"Marvellは、高度なAI計算処理を効率的に行うためのASIC（特定用途向け集積回路）を開発しています。MarvellのAI ASICは主に**データセンター向け**に設計されており、特に**ネットワーク、ストレージ**の分野における計算最適化を重視しています。具体的なAI向けのASICの一部に関しては、**ネットワークアクセラレーションやディープラーニング（DL）推論処理** に特化したハードウェアが含まれています。","render_override":null},{"id":"blk_c978ca53-3df9-4446-a621-f6f93a5305db","kind":"paragraph","order":246,"section_id":"sec_0e3d9297-b2bd-4dc2-a3f0-261931cc0d1f","character_id":null,"markdown":"**MarvellのAI向け技術：**","render_override":null},{"id":"blk_35140efe-b1c6-4057-94cb-82074be50720","kind":"list","order":247,"section_id":"sec_0e3d9297-b2bd-4dc2-a3f0-261931cc0d1f","character_id":null,"markdown":"- **OCTEON（オクテオン）シリーズ：** MarvellのOCTEONシリーズは、データセンター向けの**AIアクセラレーション**を提供するプロセッサです。これらのASICは、高スループットで低遅延のデータ通信を実現し、特に**AI推論**や**ディープラーニング推論**を高速化します。\n- **Alaska Ethernet PHYs**： Marvellの通信関連技術がデータセンターのネットワーク帯域を支えており、AIデータトラフィックを効率的に転送する能力も備えています。","render_override":null},{"id":"blk_b7e0ba73-def4-48b8-8a8d-65943d0ed2a1","kind":"paragraph","order":248,"section_id":"sec_0e3d9297-b2bd-4dc2-a3f0-261931cc0d1f","character_id":null,"markdown":"Marvellは、これらのネットワーキング向けASICにおいても、ディープラーニングアルゴリズムを実行する際の**高速通信**と**演算の加速**を実現し、AIインフラの全体的な性能向上を支えています。","render_override":null},{"id":"blk_2e46bc05-a2a7-4680-b1f7-edefba127f33","kind":"thematic_break","order":249,"section_id":"sec_0e3d9297-b2bd-4dc2-a3f0-261931cc0d1f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_66590a29-d0e2-4208-8b27-ff44ef57e934","kind":"heading","order":250,"section_id":"sec_0650a7a0-5570-4327-a6e7-c422cf41482d","character_id":null,"markdown":"### Broadcom（ブロードコム）のAI ASICについて","render_override":null},{"id":"blk_392db6d1-97a8-4e18-bd0c-30b11b0a0d6e","kind":"paragraph","order":251,"section_id":"sec_0650a7a0-5570-4327-a6e7-c422cf41482d","character_id":null,"markdown":"Broadcomは、**AI向けハードウェアアクセラレーション**に特化した多くの製品を提供していますが、主に**データセンターとネットワークアクセラレーション**に焦点を当てています。BroadcomのASICは、**ネットワーキング、ストレージ、データ処理**における性能を向上させる役割を果たしており、AIのモデルのトレーニングや推論処理を直接支援するものもあります。","render_override":null},{"id":"blk_b9cbe2f5-ff9c-4315-9fbb-eb8b9fb05655","kind":"paragraph","order":252,"section_id":"sec_0650a7a0-5570-4327-a6e7-c422cf41482d","character_id":null,"markdown":"**BroadcomのAI向け技術：**","render_override":null},{"id":"blk_2e64f53e-1ce0-4509-b890-a467872265ec","kind":"list","order":253,"section_id":"sec_0650a7a0-5570-4327-a6e7-c422cf41482d","character_id":null,"markdown":"- **Broadcom AI Acceleration Solutions**：BroadcomはAI計算負荷を効果的に分散させる**アクセラレータカード**を提供しており、その中にはネットワーク処理と連携して動作するものがあります。これにより、AI推論において必要とされる**データの転送帯域とスループット**を支えると共に、**低レイテンシの推論**が実現されます。\n- **Broadcomの光ファイバ技術**：Broadcomは、ネットワークの帯域幅や帯域の効率的な使用を支える**光接続技術**にも強みを持っています。AI訓練データの高速かつ大量な転送に重要な役割を果たします。","render_override":null},{"id":"blk_ff5c240b-58ae-4abc-98a3-6820a52cd16e","kind":"paragraph","order":254,"section_id":"sec_0650a7a0-5570-4327-a6e7-c422cf41482d","character_id":null,"markdown":"BroadcomのAI向け技術は主にデータセンター内の**インフラ最適化**や**通信効率の向上**に役立ちます。","render_override":null},{"id":"blk_d852d05d-dc9a-4160-88fd-d6e73ad2c766","kind":"thematic_break","order":255,"section_id":"sec_0650a7a0-5570-4327-a6e7-c422cf41482d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f0f45b1b-6372-406e-8759-67138490869f","kind":"heading","order":256,"section_id":"sec_d16e1c18-4366-4aea-87dd-89b53cb02701","character_id":null,"markdown":"### Marvell vs Broadcom：AI ASICにおける違い","render_override":null},{"id":"blk_218e7e80-683d-4dac-92ad-1859499e4045","kind":"list","order":257,"section_id":"sec_d16e1c18-4366-4aea-87dd-89b53cb02701","character_id":null,"markdown":"- **Marvell**：主に**ネットワークとストレージのアクセラレーション**向けにAI ASICを提供。ディープラーニング推論向けアクセラレーションを重視。\n- **Broadcom**：**ネットワークとデータ転送**に焦点を当て、AIのトレーニングや推論における効率的な**データ伝送と低遅延**の提供を重視。","render_override":null},{"id":"blk_105f3fe5-d6c5-4ddc-ae77-b0f1ab4db2ae","kind":"paragraph","order":258,"section_id":"sec_d16e1c18-4366-4aea-87dd-89b53cb02701","character_id":null,"markdown":"**要点：**","render_override":null},{"id":"blk_bf2e91f5-8afa-4b30-8b88-dc424b740c7b","kind":"list","order":259,"section_id":"sec_d16e1c18-4366-4aea-87dd-89b53cb02701","character_id":null,"markdown":"- MarvellのAI ASICは、**データセンターの計算処理**の効率化に重きを置いています。\n- Broadcomは主に、AIを含む**大規模なデータの転送**を最適化する技術に特化しています。","render_override":null},{"id":"blk_589353ff-8537-4948-b5d1-702765ee777b","kind":"paragraph","order":260,"section_id":"sec_d16e1c18-4366-4aea-87dd-89b53cb02701","character_id":null,"markdown":"どちらも**AIハードウェア**の性能を向上させるために、インフラ最適化に貢献しており、それぞれの役割は異なりますが、AIアプリケーション全体を支える重要な要素となっています。","render_override":null},{"id":"blk_033ed2c4-5756-49ff-b71c-4ccf705ccafa","kind":"thematic_break","order":261,"section_id":"sec_d16e1c18-4366-4aea-87dd-89b53cb02701","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d94f42e4-dae9-4703-9310-2cc122b9e982","kind":"paragraph","order":262,"section_id":"sec_d16e1c18-4366-4aea-87dd-89b53cb02701","character_id":null,"markdown":"私は無知でHBM、ネットワーク帯域の重要性を理解していなかった \n理解どころか目を向けてさえいなかった","render_override":null},{"id":"blk_444b4ce0-271e-4d15-8aa1-9c7bdf58ea9e","kind":"paragraph","order":263,"section_id":"sec_d16e1c18-4366-4aea-87dd-89b53cb02701","character_id":null,"markdown":"生成AIの発展にはより高速なデータセンターが必要になって来る","render_override":null},{"id":"blk_e0e99383-0f7f-4b7b-bba2-b4a5bb75653e","kind":"paragraph","order":264,"section_id":"sec_d16e1c18-4366-4aea-87dd-89b53cb02701","character_id":null,"markdown":"それにはGPUだけでなく、メモリやネットワークも重要になるのだ","render_override":null},{"id":"blk_70a51775-543a-427d-87b5-dbe1a71b4be2","kind":"paragraph","order":265,"section_id":"sec_d16e1c18-4366-4aea-87dd-89b53cb02701","character_id":null,"markdown":"GPUは汎用性があり使い勝手もいいが、生成AIに特化したAI ASICといったチップもあり、両者ともに外せないのだ","render_override":null},{"id":"blk_58c60fbe-4a24-45e5-a489-046569fca2c3","kind":"paragraph","order":266,"section_id":"sec_d16e1c18-4366-4aea-87dd-89b53cb02701","character_id":null,"markdown":"今後の動向を追っていく必要がある","render_override":null},{"id":"blk_37c149d0-5406-46c3-9c36-ce9ba7fd2957","kind":"paragraph","order":267,"section_id":"sec_d16e1c18-4366-4aea-87dd-89b53cb02701","character_id":null,"markdown":"メモリはHBMと呼ばれるものが使われていて、それはDDR4や5、更に高速なGDDRを更に高速なものである","render_override":null},{"id":"blk_20dc5320-cdbd-4a59-9405-2536fe7080b7","kind":"paragraph","order":268,"section_id":"sec_d16e1c18-4366-4aea-87dd-89b53cb02701","character_id":null,"markdown":"Ethernet800G、InfiniBandのようなデータセンターとデータセンターを繋ぐ大規模なネットワークを高速にする規格も重要である \n \nNVLink4.0のようなGPU間、GPUとCPUを高速で繋ぐ事もデータセンターの高速化には重要だ","render_override":null},{"id":"blk_3e2cf6ef-a54e-4dd7-b5b1-ca027586870b","kind":"paragraph","order":269,"section_id":"sec_d16e1c18-4366-4aea-87dd-89b53cb02701","character_id":null,"markdown":"また、データーセンターを冷却する冷却技術や、電力を賄うための小型原子炉などの新しい技術開発も重要である","render_override":null},{"id":"blk_f65ed417-6174-48d9-b2bc-b8c3cceaf2ff","kind":"paragraph","order":270,"section_id":"sec_d16e1c18-4366-4aea-87dd-89b53cb02701","character_id":null,"markdown":"より効率的に最適化していき、消費電力を下げていく事も重要である","render_override":null},{"id":"blk_918b311a-5b8a-44c5-a03c-6e6245514dc9","kind":"paragraph","order":271,"section_id":"sec_d16e1c18-4366-4aea-87dd-89b53cb02701","character_id":null,"markdown":"記事はchtgptによる出力多め \n画像はnovelai","render_override":null},{"id":"blk_99bb448f-ddba-4586-ac41-19a4ae9b7252","kind":"paragraph","order":272,"section_id":"sec_d16e1c18-4366-4aea-87dd-89b53cb02701","character_id":null,"markdown":"","render_override":null},{"id":"blk_10b2b0d3-4605-490e-9ccd-c9300de679c7","kind":"paragraph","order":273,"section_id":"sec_d16e1c18-4366-4aea-87dd-89b53cb02701","character_id":null,"markdown":"","render_override":null}],"audio":[],"omitted_media":[],"figures":[{"id":"plc_4d35a83a-d975-4658-8f56-7b7893128391","block_id":"blk_3f4bec06-66b2-47ff-8a4d-cdb00b783737","asset_revision_id":"avr_cb236cc2-2cf9-4632-a53f-0ab68db3836b","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_383fb6fb-1c87-4969-aa65-553350a2039c"],"explained_by":[],"source_path":"media/4dfd7a9f7b4a7d981ae583ec90d285b5b81a84eeac6fcdd0ee4bc5dfbc8f60e8.png","path":"/media/4dfd7a9f7b4a7d981ae583ec90d285b5b81a84eeac6fcdd0ee4bc5dfbc8f60e8-content.webp","display_derivative":{"source_sha256":"4dfd7a9f7b4a7d981ae583ec90d285b5b81a84eeac6fcdd0ee4bc5dfbc8f60e8","thumbnail":{"path":"media/4dfd7a9f7b4a7d981ae583ec90d285b5b81a84eeac6fcdd0ee4bc5dfbc8f60e8-thumbnail.webp","width":405,"height":212,"bytes":5398,"sha256":"fbbdf792993a191b40e8eb906699c42ed5a01e5fd42e01e76b84fe181a48f6c1"},"content":{"path":"media/4dfd7a9f7b4a7d981ae583ec90d285b5b81a84eeac6fcdd0ee4bc5dfbc8f60e8-content.webp","width":405,"height":212,"bytes":9612,"sha256":"65e5298a4048b7cb70a841b823f60b1104f073d517d2ac8378d6d9100df50a18"}}}],"package_sha256":"fe02f2d6eee8380fba3e88e9239c934cbf1c9ddea3f34837db76f0fd04bed52d","record_type":"article","schema_version":"noia-public-article-1.1.0","dataset_version":"2026.09.23.4","urls":{"source_url":"https://note.com/atom_/n/n0ed360caf81f","release_path":"/articles/rev_2b771286-9bc4-45c0-b45d-6524baf27996/","canonical_url":"https://noia-grid.pages.dev/articles/rev_2b771286-9bc4-45c0-b45d-6524baf27996/"},"time":{"created_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"published_at":{"value":"2025-01-30 05:43:42","precision":"local_datetime","timezone":null,"status":"source_metadata","basis":"Metadata only; not evidence of historical body availability."},"modified_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"analysis_as_of":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"event_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"recorded_at":{"value":"2026-09-08T05:30:08+00:00","precision":"instant","timezone":"+00:00","status":"archive_record","basis":"canonical_recorded_at"},"content_available_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"unknown"}},"legacy":{"source_date":{"value":"2025-01-30 05:43:42","meaning":"legacy_source_metadata_date","certainty":"source_metadata"}},"rights":{"license_ref":"license:not-specified","rights_status":"unknown","third_party_material":"unknown"},"integrity":{"hash_profile":"noia-evidence-json-v1","content_sha256":"c759ddb8fd18361b080cf01bba060c7d500a8b4ea31911127cc533443c4d2675","lineage":[],"previous_revision_sha256":null,"previous_revision_status":"no_parent","revision_sha256":"e815bca470f09bb02483e8eabc8b4a3666ce991b3c59ca899773e2fecb9840a6"}} {"id":"rev_5603783d-df89-4ab1-ba77-c8a24ace4a7b","work_id":"wrk_bbe3569f-7530-42b2-8b5f-75a35e4b1cba","edition_id":"edn_cfffd60c-7123-4bac-a51a-38dadc4c004a","title":"Geminiはなぜ「ポンコツ感」が残るのか","published_at":"2026-06-18 18:53:28","source_url":"https://note.com/atom_/n/nfba214751a96","recorded_at":"2026-09-08T05:29:17+00:00","source_date":"2026-06-18 18:53:28","thumbnail":null,"legacy_slug":null,"topics":["industry"],"sections":[{"id":"sec_6ffbbe35-fd99-4797-9201-965444e17d41","parent_section_id":null,"heading_block_id":null,"order":0,"character_id":null},{"id":"sec_b526b754-2528-4698-bba3-d87944ffd438","parent_section_id":"sec_6ffbbe35-fd99-4797-9201-965444e17d41","heading_block_id":"blk_d3baebd7-4875-4ba0-9674-2d803258d1ea","order":1,"character_id":null},{"id":"sec_7b9c5206-37e0-48f5-90e1-95fd40d4a5a2","parent_section_id":"sec_6ffbbe35-fd99-4797-9201-965444e17d41","heading_block_id":"blk_29c39c8a-2dda-44cd-b15c-8846d5a35002","order":2,"character_id":null},{"id":"sec_ebae0e75-5af9-46d7-afea-4a826efe07e5","parent_section_id":"sec_6ffbbe35-fd99-4797-9201-965444e17d41","heading_block_id":"blk_b3ecb0c6-964c-4479-b14b-e5b63c6a3a1b","order":3,"character_id":null},{"id":"sec_6d8e5488-d079-4cd3-bd8d-a685081c6413","parent_section_id":"sec_6ffbbe35-fd99-4797-9201-965444e17d41","heading_block_id":"blk_39e90cc3-eb0e-44c8-8496-88a361e89f8e","order":4,"character_id":null},{"id":"sec_5ff328a2-003c-49f1-a367-ea968157c1d3","parent_section_id":"sec_6ffbbe35-fd99-4797-9201-965444e17d41","heading_block_id":"blk_50076ac9-e64e-4084-96e3-ad60bb7011c2","order":5,"character_id":null},{"id":"sec_e088f664-5f56-4487-8385-47611c7c0978","parent_section_id":"sec_6ffbbe35-fd99-4797-9201-965444e17d41","heading_block_id":"blk_822979d0-417b-4315-a21b-8661cc559b59","order":6,"character_id":null},{"id":"sec_62547135-6035-4d53-8422-889f6bfeec20","parent_section_id":"sec_6ffbbe35-fd99-4797-9201-965444e17d41","heading_block_id":"blk_cfd7092b-f156-4832-a2da-0b6982022359","order":7,"character_id":null},{"id":"sec_22aa317e-7779-463a-9768-a2eb3bcccd60","parent_section_id":"sec_6ffbbe35-fd99-4797-9201-965444e17d41","heading_block_id":"blk_fde5dc78-4827-46aa-9520-2ec2b0fd259d","order":8,"character_id":null},{"id":"sec_a70d2a83-df62-4e9f-8334-f8d155b4856b","parent_section_id":"sec_6ffbbe35-fd99-4797-9201-965444e17d41","heading_block_id":"blk_b9e12b73-4ebf-4dec-b073-257fcdc323f3","order":9,"character_id":null},{"id":"sec_6fa0c532-d060-4efd-bb15-29528157db56","parent_section_id":"sec_6ffbbe35-fd99-4797-9201-965444e17d41","heading_block_id":"blk_da13f02a-5541-47de-a818-acc880f861bf","order":10,"character_id":null},{"id":"sec_8b0a6b0e-f71d-483b-a3fe-6a04f3fee7de","parent_section_id":"sec_6ffbbe35-fd99-4797-9201-965444e17d41","heading_block_id":"blk_d8ddb0e0-f74c-48c1-a4b8-cbdb16cc9810","order":11,"character_id":null},{"id":"sec_160b4b3c-3530-43cf-9420-d562fb873e95","parent_section_id":"sec_6ffbbe35-fd99-4797-9201-965444e17d41","heading_block_id":"blk_53808e9c-686a-4abe-b804-64aa721adb7a","order":12,"character_id":null},{"id":"sec_d86a2d8a-faad-4ec2-92cf-bc591b10dd7d","parent_section_id":"sec_6ffbbe35-fd99-4797-9201-965444e17d41","heading_block_id":"blk_6f60c516-56b7-4752-b327-a399ebb0d027","order":13,"character_id":null}],"content_available_at":{"basis":"unknown","precision":"unknown","timezone":null,"value":null},"markdown":"![](/media/a59172c055d230126e0b97189aa52a89ec3df06edd786a545adedb535dd18459-content.webp)\n\n## Bardの失敗、ChatGPT/Claude/Grokの強さ、そしてMetaがMuse Sparkを“前菜”にした意味\n\nGoogleは、AIで最も強くなっていなければおかしい会社である。\n\n検索、YouTube、Android、Gmail、Docs、Sheets、Chrome、Google Cloud、TPU、DeepMind。 \nAIに必要な材料をほぼすべて持っている。にもかかわらず、Geminiを実際に使うと、ChatGPTやClaude、場合によってはGrokよりも頼りなく感じる場面がある。\n\n特に問題になるのは、ハルシネーションの多さと、検索確認が必要な場面でもモデル内部の知識だけで即答してしまうところである。\n\nGeminiはマルチモーダル体験としては良い。画像や動画を扱う能力、Googleサービスとの接続、軽快さ、発想の広さには魅力がある。しかし、詳細な調査、投資分析、技術記事作成、コーディング、引用検証、長期作業では、総合的な「作業AI」としての弱さが出やすい。\n\nこれは単に「Geminiのモデルが小さいから」ではない。 \n問題はもっと深い。 \nGeminiは、強い部品をたくさん持っているのに、それらが一人の信頼できる作業AIとして統合されていない。\n\n## Bard時代の失敗は、Google AIの構造問題を早くから示していた\n\nGoogleの生成AIが最初に大きく躓いた象徴がBardだった。\n\nBardは、ChatGPTに急いで対抗する形で登場した。しかし、初期のBardは性能面でも体験面でも弱く、Google検索を持つ会社のAIでありながら、事実確認に失敗するという印象を与えた。プロモーション動画での事実誤認は、市場にも大きな失望を与えた。\n\nBardの問題は、単なる一回のミスではなかった。\n\n当時のBardは、モデルの基礎性能、検索との接続、推論、コード、長文理解、Googleサービスとの統合、ブランド設計のすべてが未成熟だった。つまり、ChatGPTという一つの強い体験に対して、Google側は「検索」「Assistant」「DeepMind」「Brain」「Workspace」「Cloud」が分散したまま、慌ててチャットAIを出したように見えた。\n\nBardの失敗は、GoogleがAI研究で強くても、AIプロダクトとして統合できなければ弱く見えるということを示していた。\n\n## BardからGeminiへの改善で起きたこと\n\nその後、GoogleはBardをかなり大きく作り替えた。\n\nまず、PaLM 2によってモデル性能を改善した。 \n次に、Google BrainとDeepMindを統合し、Google DeepMindを作った。これは研究組織の分断を減らし、基盤モデル開発を一つの中核へ寄せる動きだった。\n\nさらに、Bard ExtensionsによってGmail、Docs、Drive、Maps、YouTubeなどとの接続を進めた。これにより、Bardは単なる会話AIから、Googleサービス上の情報を扱えるAIへ近づいた。\n\nそして最終的に、BardはGeminiへ置き換えられた。 \nGeminiは、Ultra、Pro、Nanoなどの階層を持つ、ネイティブマルチモーダルなモデル系列として打ち出された。さらにGemini 1.5では、長文コンテキストとMixture-of-Experts的な効率化が強調された。\n\nつまり、Bardの改善は、Bardを小手先で直したというより、Bardを捨ててGeminiへ作り替えたに近い。\n\nこの時点でGoogleは、Bard時代の「基礎性能が足りない」という問題をかなり改善した。 \nしかし、現在のGeminiには別の問題が残っている。\n\nそれは、基礎能力はあるのに、作業AIとしての統合が弱いという問題である。\n\n## Geminiの現在の問題点\n\nGeminiの弱さは、主に以下の点に出る。\n\n第一に、検索確認が必要な場面でも、内部知識だけで即答しがちである。 \n最新ニュース、企業決算、人事、製品仕様、ベンチマーク、法律、規制、投資分析のような領域では、本来は検索や公式資料の確認が必要になる。しかしGeminiは、モデル内部の記憶でそれっぽく答えようとすることがある。\n\n第二に、ハルシネーションが目立つ。 \n分からないことを分からないと言わず、もっともらしく推測で埋めてしまう。これはBard時代から続くGoogle AIの弱点に見える。\n\n第三に、引用と主張の対応が甘い。 \n引用らしきものが出ていても、その引用が本当に本文の主張を支えているとは限らない。これは調査AIとして致命的である。\n\n第四に、長い文脈を扱えても、重要情報の圧縮と保持が弱い。 \nGeminiは長いコンテキストを売りにしているが、「長く入る」ことと「長く正確に使える」ことは違う。長文の中から何を残し、何を捨て、どの前提を維持するかが弱いと、途中で論点がズレる。\n\n第五に、創造モードと調査モードが混ざっている。 \nGeminiはアイデア出しや別視点の提示では面白い。しかし、その柔らかさが、詳細調査や投資分析では「いい加減さ」として出る。創作では長所になる性質が、調査では短所になる。\n\n第六に、Googleの部品が一つの作業人格に統合されていない。 \nSearch、Gemini App、AI Overview、Workspace、NotebookLM、AI Studio、Vertex AI、Deep Research、Android、Chrome。部品は強い。しかし、ChatGPTやClaudeのように「このAIに任せれば作業が進む」という一体感が弱い。\n\n## Googleは改善策を持っているが、統合し切れていない\n\nGoogleが何もしていないわけではない。 \nむしろ、改善に必要な部品はかなり揃っている。\n\nGrounding with Google Searchは、GeminiをリアルタイムのWeb情報に接続し、知識カットオフ後の情報や検証可能な出典を使って回答させるための仕組みである。これはハルシネーション対策として非常に重要だ。\n\nDeep Researchは、計画を立て、検索し、読み、反復し、最終レポートを作る調査エージェントである。これは、通常の即答型AIではなく、調査ワークフローに近い。\n\nGemini Enterprise Agent Platform、RAG Engine、Memory Bankなども、企業データに基づく回答や、継続的な文脈保持を実現するための部品である。\n\nつまり、Googleは「検索」「調査」「RAG」「メモリ」「エージェント」「コード実行」の部品を持っている。 \n問題は、それらが通常のGemini体験に自然に統合されていないことだ。\n\nGeminiが本当に改善するには、ユーザーが明示しなくても、質問内容に応じて内部で自動的に処理を切り替える必要がある。\n\n軽い雑談なら即答。 \n最新情報なら検索。 \n投資や技術分析なら複数ソース確認。 \n長文調査ならDeep Research。 \nコードなら実行・テスト・修正ループ。 \n創作なら自由な発想。\n\nこのようなルーティングが必要である。\n\n## ChatGPTが強い理由：モデルではなく統合システムが強い\n\nChatGPTの強さは、モデル単体の知能だけではない。\n\nOpenAIは、速い回答と深い推論を切り替える仕組み、検索、ファイル、画像、コード、ツール、エージェント的実行をChatGPTという一つの体験に統合している。\n\n重要なのは、ユーザーが何を求めているかを見て、軽く答えるべきか、深く考えるべきか、検索すべきか、ファイルを読むべきか、コードを使うべきかを切り替える点である。\n\nつまりChatGPTは、単なる「賢いモデル」ではなく、作業環境として作られている。\n\nGeminiは部品としては似たものを持っている。しかし、それが一つの自然な作業体験としてまとまっていない。ここが大きな差である。\n\n## Claudeが強い理由：慎重さ、長文、作業継続性\n\nClaudeは、長文、文章構成、慎重な推論、コーディング、エージェント作業で強い。\n\nAnthropicは、extended thinkingやthinking budgetのように、どれだけ深く考えるかを制御する方向へ進めている。さらにClaudeは、コーディング、コンピュータ操作、長時間タスク、自己検証に寄せて進化している。\n\nClaudeの強さは、派手なマルチモーダル体験よりも、作業の安定性にある。\n\n長い文章を読み、条件を保持し、余計なことをせず、ユーザーの意図に沿って慎重に出力する。 \nこれは、記事作成、調査、コーディング、業務文書では非常に重要である。\n\nGeminiが「発想は面白いが詰めが甘い」と見えるのに対し、Claudeは「慎重で作業を任せやすい」と見える。 \nこの差は、単なるベンチマークでは測りにくい。\n\n## Grokが強く見える理由：荒削りでも作り替えが速い\n\nGrokはOpenAIやAnthropicに比べると後発で、荒削りな部分もある。 \nしかし、xAIはモデルをかなり速いペースで作り替えている。\n\nGrokは、Xとのリアルタイム性、検索、推論、キャラクター性、長文コンテキスト、画像や動画、コーディングなどを急速に取り込んでいる。Grok 4 Fastのように、コスト効率と推論を両立する方向も強めている。\n\nGrokの強さは、完成度の高さというより、足りない部分を次世代で素早く補う速度にある。\n\nつまり、Grokは「荒いが変化が速い」。 \nGeminiは「材料は強いが、変化が重い」。 \nこの違いがユーザー体験に出ている。\n\n## 一から作り直せる力は、フロンティアAIの強みになる\n\nOpenAI、Anthropic、xAIに共通する強みは、前世代の問題を次世代で大きく作り替える力である。\n\nここでいう「作り直す」とは、毎回すべてをゼロから捨てるという意味ではない。 \n前モデルの失敗ログを集め、評価し、データを変え、RLを変え、推論時設計を変え、ツール統合を変え、プロダクト体験を変えるという意味である。\n\nフロンティアAIでは、モデルを出してみないと本当の弱点は分からない。\n\n検索しない。 \n引用が甘い。 \nコードで余計な変更をする。 \n長文で崩れる。 \nツールを使い間違える。 \nユーザーの意図を保持できない。 \n安全性リスクが予想外に出る。\n\nこうした失敗を次の世代に構造的に反映できる会社が強い。\n\nGeminiの問題は、Googleの巨大な既存事業と製品群の中で、この作り替えが重くなっていることだと思う。\n\n## MetaのMuse Sparkは「本命前の試験炉」\n\nここでMetaのMuse Sparkが重要になる。\n\nMetaのAlexandr Wang氏は、Muse Sparkを「前菜」と表現している。 \nこれは、Muse Sparkが本命ではないという意味である。しかし同時に、これは本命モデルを作る前の試験炉でもある。\n\nMuse Sparkは、ネイティブマルチモーダル、tool use、visual chain of thought、multi-agent orchestrationを備えるモデルとして説明されている。つまり、単に賢いチャットモデルではなく、最初からエージェント用途を意識している。\n\nMetaがMuse Sparkで確認しているのは、おそらく以下である。\n\n新しい学習レシピはスケールするか。 \n推論時スケーリングは効くか。 \n複数エージェントを並列に動かす設計は有効か。 \ntool useは安定するか。 \nマルチモーダル推論はMeta AIやAIグラスに載るか。 \n安全性リスクはどこに出るか。 \nBusiness Agentや広告AIに接続できるか。\n\nこれは、Geminiが今苦しんでいる「部品はあるが統合が弱い」問題を、本命前に潰そうとしているようにも見える。\n\n巨大モデルを本番規模で作ってから、「検索が弱い」「tool useが不安定」「エージェントとして使えない」「製品に載せにくい」と分かると、修正コストは非常に重い。 \nだからMetaは、本命モデルを出す前にMuse Sparkで設計を試している。\n\nこの準備の意味は大きい。\n\n## Alexandr Wang氏とScale AIの意味\n\nWang氏がScale AIの事業家だったことも、この文脈では重要である。\n\nScale AIは、単なるデータラベリング企業ではなく、AIの学習データ、評価、RLHF、モデル評価、安全性評価、レッドチーミング、人間フィードバックなどを扱ってきた企業である。\n\n今のフロンティアモデル競争では、データと評価が極めて重要である。 \nモデルを大きくするだけでは勝てない。 \nどの失敗例を集めるか。 \nどの専門家に評価させるか。 \nどの回答を良いとみなすか。 \nどのエージェント行動を安全とみなすか。 \nどの能力が製品価値や収益に直結するか。\n\nこの工程全体を回すには、研究者だけでなく、AI開発を工業化する事業家が必要になる。\n\nWang氏は、研究の天才というより、AI工場の経営者としてMetaに入った人物だと見るべきである。 \nMuse Sparkは、そのAI工場の最初の試運転かもしれない。\n\n## Geminiは「作り直しに近いこと」が必要\n\nBardがGeminiへ変わった時、Googleはモデル、ブランド、組織、製品接続をかなり大きく作り替えた。\n\n現在のGeminiにも、同じくらい大きな再設計が必要だと思う。 \nただし今回は、名前を変える必要はない。変えるべきなのは、回答の作り方である。\n\n内部知識で即答するAIから、 \n検索し、読み、検証し、矛盾を比べ、引用を監査し、不明なら不明と言うAIへ。\n\nそれが必要である。\n\nつまり、BardからGeminiへの進化が「頭を交換する進化」だったとすれば、次のGemini改善は「仕事の仕方を交換する進化」になる。\n\n## 最終的な結論\n\nGeminiの問題は、GoogleにAIの材料が足りないことではない。 \nむしろGoogleは、世界で最も豊富なAIの材料を持っている。\n\n問題は、その材料が一つの信頼できる作業AIとして統合されていないことだ。\n\nBardは基礎性能不足で失敗した。 \nGeminiは基礎性能を改善したが、今度は作業AIとしての統合不足に苦しんでいる。\n\nChatGPTは、モデル、検索、ツール、ファイル、推論、エージェントを一つの作業環境としてまとめるのが強い。 \nClaudeは、長文、慎重さ、コーディング、自己検証、作業継続性が強い。 \nGrokは、荒削りだが世代交代と作り替えが速い。 \nMetaは、Muse Sparkを前菜として、本命モデルを出す前にスケーリング、tool use、multi-agent、製品導入、安全性を検証している。\n\nこの比較から見えるのは、フロンティアAIの競争が、もはや単純なモデル性能の競争ではないということだ。\n\n重要なのは、モデルをどう作るかだけではない。 \nどう調べるか。 \nどう検証するか。 \nどう引用するか。 \nどう考えさせるか。 \nどうツールを使わせるか。 \nどう作業を継続させるか。 \nどう製品に載せるか。 \nどう収益に変えるか。\n\nここまで含めた「AIシステム設計」の競争である。\n\nGeminiが巻き返すには、さらに賢いモデルを出すだけでは足りない。 \nGeminiを、Googleの強い部品の集合体から、一人の信頼できる作業AIへ作り替える必要がある。\n\nそしてMetaのMuse Sparkは、その失敗を避けるために、本命前に試験炉を回しているように見える。\n\n一言で言えば、 \n**Geminiは本番稼働しながらエンジンと操縦系を組み直している。Metaは本命を出す前に試験炉で火力と設計を確認している。OpenAIとClaudeは、すでに何度も作り直しながら作業AIとしての完成度を上げてきた。**\n\nこの違いが、次の1〜2年のフロンティアAI競争で大きな差になっていく可能性がある。\n\n---\n\n根拠メモです。Bardの初期デモでの事実誤認とAlphabet時価総額への影響はReutersが報じています。([Reuters](https://www.reuters.com/technology/google-ai-chatbot-bard-offers-inaccurate-information-company-ad-2023-02-08/?utm_source=chatgpt.com)) Googleは2023年にBrainとDeepMindを統合してGoogle DeepMindを作り、Bardは2024年2月にGeminiへ改名され、Gemini AdvancedではUltra 1.0が使えるようになりました。([blog.google](https://blog.google/products-and-platforms/products/gemini/bard-gemini-advanced-app/?utm_source=chatgpt.com)) Gemini 1.5は長文理解を大きく改善した次世代モデルとして発表されています。([blog.google](https://blog.google/innovation-and-ai/products/google-gemini-next-generation-model-february-2024/?utm_source=chatgpt.com)) GoogleはGemini APIでGrounding with Google Searchを提供し、リアルタイムWeb情報と検証可能なソースに接続できると説明しています。([Google AI for Developers](https://ai.google.dev/gemini-api/docs/google-search?utm_source=chatgpt.com)) また、Google Search、AI Overview、Geminiの取得ソースが大きく異なり、AI Overviewの一貫性や頑健性に課題があることを示す研究もあります。([arXiv](https://arxiv.org/abs/2604.27790?utm_source=chatgpt.com))\n\nOpenAIはGPT-5を、速いモデルと深い推論モデルをリアルタイムルーターで切り替える統合システムとして説明しています。([OpenAI](https://openai.com/index/introducing-gpt-5/?utm_source=chatgpt.com)) AnthropicはClaudeでextended thinkingやthinking budgetを提供し、Opus 4.5/4.6ではコーディング、エージェント、computer use、検索、金融などの実作業能力を強調しています。([Claude Platform](https://platform.claude.com/docs/en/build-with-claude/extended-thinking?utm_source=chatgpt.com)) xAIはGrok 4 Fastをコスト効率の高い推論モデルとして発表しています。([xAI](https://x.ai/news/grok-4-fast?utm_source=chatgpt.com)) MetaのMuse Sparkは、tool-use、visual chain of thought、multi-agent orchestrationを備えるネイティブマルチモーダル推論モデルとして発表されており、対談でもMuse Sparkが「前菜」で次の本命モデルが準備中であることが語られています。([ai.meta.com](https://ai.meta.com/blog/introducing-muse-spark-msl/?utm_source=chatgpt.com))\n\n---\n\n特定銘柄の推奨・勧誘・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。\n\nサムネはPixAIsunflowerモデルとGPTImage2.0","blocks":[{"id":"blk_9d9deebf-77ce-4829-82fb-f22b6320e3b1","kind":"figure","order":0,"section_id":"sec_6ffbbe35-fd99-4797-9201-965444e17d41","character_id":null,"markdown":"![](/media/a59172c055d230126e0b97189aa52a89ec3df06edd786a545adedb535dd18459-content.webp)","render_override":null},{"id":"blk_d3baebd7-4875-4ba0-9674-2d803258d1ea","kind":"heading","order":1,"section_id":"sec_b526b754-2528-4698-bba3-d87944ffd438","character_id":null,"markdown":"## Bardの失敗、ChatGPT/Claude/Grokの強さ、そしてMetaがMuse Sparkを“前菜”にした意味","render_override":null},{"id":"blk_dea5c0c7-f127-4323-a4ab-9f12090a2cda","kind":"paragraph","order":2,"section_id":"sec_b526b754-2528-4698-bba3-d87944ffd438","character_id":null,"markdown":"Googleは、AIで最も強くなっていなければおかしい会社である。","render_override":null},{"id":"blk_9be5e063-f426-4a22-8a05-dd93771c45a1","kind":"paragraph","order":3,"section_id":"sec_b526b754-2528-4698-bba3-d87944ffd438","character_id":null,"markdown":"検索、YouTube、Android、Gmail、Docs、Sheets、Chrome、Google Cloud、TPU、DeepMind。 \nAIに必要な材料をほぼすべて持っている。にもかかわらず、Geminiを実際に使うと、ChatGPTやClaude、場合によってはGrokよりも頼りなく感じる場面がある。","render_override":null},{"id":"blk_083dcd3a-06c4-48f1-8c4e-3b5bdda629d9","kind":"paragraph","order":4,"section_id":"sec_b526b754-2528-4698-bba3-d87944ffd438","character_id":null,"markdown":"特に問題になるのは、ハルシネーションの多さと、検索確認が必要な場面でもモデル内部の知識だけで即答してしまうところである。","render_override":null},{"id":"blk_4d3b6f11-5b64-4009-a34f-7aa73dd6f548","kind":"paragraph","order":5,"section_id":"sec_b526b754-2528-4698-bba3-d87944ffd438","character_id":null,"markdown":"Geminiはマルチモーダル体験としては良い。画像や動画を扱う能力、Googleサービスとの接続、軽快さ、発想の広さには魅力がある。しかし、詳細な調査、投資分析、技術記事作成、コーディング、引用検証、長期作業では、総合的な「作業AI」としての弱さが出やすい。","render_override":null},{"id":"blk_898985d3-98f0-4459-a6c4-a8fe3bb88b79","kind":"paragraph","order":6,"section_id":"sec_b526b754-2528-4698-bba3-d87944ffd438","character_id":null,"markdown":"これは単に「Geminiのモデルが小さいから」ではない。 \n問題はもっと深い。 \nGeminiは、強い部品をたくさん持っているのに、それらが一人の信頼できる作業AIとして統合されていない。","render_override":null},{"id":"blk_29c39c8a-2dda-44cd-b15c-8846d5a35002","kind":"heading","order":7,"section_id":"sec_7b9c5206-37e0-48f5-90e1-95fd40d4a5a2","character_id":null,"markdown":"## Bard時代の失敗は、Google AIの構造問題を早くから示していた","render_override":null},{"id":"blk_0be3ec04-8213-45c1-8813-ff41ed534a66","kind":"paragraph","order":8,"section_id":"sec_7b9c5206-37e0-48f5-90e1-95fd40d4a5a2","character_id":null,"markdown":"Googleの生成AIが最初に大きく躓いた象徴がBardだった。","render_override":null},{"id":"blk_c582e81e-4db6-4894-aa5f-e69ffa9371c3","kind":"paragraph","order":9,"section_id":"sec_7b9c5206-37e0-48f5-90e1-95fd40d4a5a2","character_id":null,"markdown":"Bardは、ChatGPTに急いで対抗する形で登場した。しかし、初期のBardは性能面でも体験面でも弱く、Google検索を持つ会社のAIでありながら、事実確認に失敗するという印象を与えた。プロモーション動画での事実誤認は、市場にも大きな失望を与えた。","render_override":null},{"id":"blk_db3b687a-68e0-42dc-bb47-9a51cb234cfc","kind":"paragraph","order":10,"section_id":"sec_7b9c5206-37e0-48f5-90e1-95fd40d4a5a2","character_id":null,"markdown":"Bardの問題は、単なる一回のミスではなかった。","render_override":null},{"id":"blk_1b4db6dd-2616-43df-aeb4-b22235b72ff3","kind":"paragraph","order":11,"section_id":"sec_7b9c5206-37e0-48f5-90e1-95fd40d4a5a2","character_id":null,"markdown":"当時のBardは、モデルの基礎性能、検索との接続、推論、コード、長文理解、Googleサービスとの統合、ブランド設計のすべてが未成熟だった。つまり、ChatGPTという一つの強い体験に対して、Google側は「検索」「Assistant」「DeepMind」「Brain」「Workspace」「Cloud」が分散したまま、慌ててチャットAIを出したように見えた。","render_override":null},{"id":"blk_c4708c8d-9102-4575-8e66-0fa1d07643dd","kind":"paragraph","order":12,"section_id":"sec_7b9c5206-37e0-48f5-90e1-95fd40d4a5a2","character_id":null,"markdown":"Bardの失敗は、GoogleがAI研究で強くても、AIプロダクトとして統合できなければ弱く見えるということを示していた。","render_override":null},{"id":"blk_b3ecb0c6-964c-4479-b14b-e5b63c6a3a1b","kind":"heading","order":13,"section_id":"sec_ebae0e75-5af9-46d7-afea-4a826efe07e5","character_id":null,"markdown":"## BardからGeminiへの改善で起きたこと","render_override":null},{"id":"blk_77383a0a-1199-4d75-8b6f-31898719b3b0","kind":"paragraph","order":14,"section_id":"sec_ebae0e75-5af9-46d7-afea-4a826efe07e5","character_id":null,"markdown":"その後、GoogleはBardをかなり大きく作り替えた。","render_override":null},{"id":"blk_ce8c24fc-0b63-451e-b0fd-4c13cba23f5d","kind":"paragraph","order":15,"section_id":"sec_ebae0e75-5af9-46d7-afea-4a826efe07e5","character_id":null,"markdown":"まず、PaLM 2によってモデル性能を改善した。 \n次に、Google BrainとDeepMindを統合し、Google DeepMindを作った。これは研究組織の分断を減らし、基盤モデル開発を一つの中核へ寄せる動きだった。","render_override":null},{"id":"blk_18803e49-fa03-4430-b98b-f8b20c8b8396","kind":"paragraph","order":16,"section_id":"sec_ebae0e75-5af9-46d7-afea-4a826efe07e5","character_id":null,"markdown":"さらに、Bard ExtensionsによってGmail、Docs、Drive、Maps、YouTubeなどとの接続を進めた。これにより、Bardは単なる会話AIから、Googleサービス上の情報を扱えるAIへ近づいた。","render_override":null},{"id":"blk_29681568-4cc4-4d57-8c57-a929f14021d3","kind":"paragraph","order":17,"section_id":"sec_ebae0e75-5af9-46d7-afea-4a826efe07e5","character_id":null,"markdown":"そして最終的に、BardはGeminiへ置き換えられた。 \nGeminiは、Ultra、Pro、Nanoなどの階層を持つ、ネイティブマルチモーダルなモデル系列として打ち出された。さらにGemini 1.5では、長文コンテキストとMixture-of-Experts的な効率化が強調された。","render_override":null},{"id":"blk_bfd11a51-f6d8-4da1-9846-214e7a48882e","kind":"paragraph","order":18,"section_id":"sec_ebae0e75-5af9-46d7-afea-4a826efe07e5","character_id":null,"markdown":"つまり、Bardの改善は、Bardを小手先で直したというより、Bardを捨ててGeminiへ作り替えたに近い。","render_override":null},{"id":"blk_dd4c4f92-d420-4f27-895e-3fef5cead233","kind":"paragraph","order":19,"section_id":"sec_ebae0e75-5af9-46d7-afea-4a826efe07e5","character_id":null,"markdown":"この時点でGoogleは、Bard時代の「基礎性能が足りない」という問題をかなり改善した。 \nしかし、現在のGeminiには別の問題が残っている。","render_override":null},{"id":"blk_74962d69-62b4-4560-83cc-3e52f9158dd4","kind":"paragraph","order":20,"section_id":"sec_ebae0e75-5af9-46d7-afea-4a826efe07e5","character_id":null,"markdown":"それは、基礎能力はあるのに、作業AIとしての統合が弱いという問題である。","render_override":null},{"id":"blk_39e90cc3-eb0e-44c8-8496-88a361e89f8e","kind":"heading","order":21,"section_id":"sec_6d8e5488-d079-4cd3-bd8d-a685081c6413","character_id":null,"markdown":"## Geminiの現在の問題点","render_override":null},{"id":"blk_53f7a257-0233-44cd-a213-01ec5e259305","kind":"paragraph","order":22,"section_id":"sec_6d8e5488-d079-4cd3-bd8d-a685081c6413","character_id":null,"markdown":"Geminiの弱さは、主に以下の点に出る。","render_override":null},{"id":"blk_5b888b82-22b1-4b9a-81b3-07abc809d42d","kind":"paragraph","order":23,"section_id":"sec_6d8e5488-d079-4cd3-bd8d-a685081c6413","character_id":null,"markdown":"第一に、検索確認が必要な場面でも、内部知識だけで即答しがちである。 \n最新ニュース、企業決算、人事、製品仕様、ベンチマーク、法律、規制、投資分析のような領域では、本来は検索や公式資料の確認が必要になる。しかしGeminiは、モデル内部の記憶でそれっぽく答えようとすることがある。","render_override":null},{"id":"blk_2902c42a-3457-4fb6-bec9-9e39d8737db8","kind":"paragraph","order":24,"section_id":"sec_6d8e5488-d079-4cd3-bd8d-a685081c6413","character_id":null,"markdown":"第二に、ハルシネーションが目立つ。 \n分からないことを分からないと言わず、もっともらしく推測で埋めてしまう。これはBard時代から続くGoogle AIの弱点に見える。","render_override":null},{"id":"blk_dd112a64-68c7-4dfc-856b-c5b9ea0eff7f","kind":"paragraph","order":25,"section_id":"sec_6d8e5488-d079-4cd3-bd8d-a685081c6413","character_id":null,"markdown":"第三に、引用と主張の対応が甘い。 \n引用らしきものが出ていても、その引用が本当に本文の主張を支えているとは限らない。これは調査AIとして致命的である。","render_override":null},{"id":"blk_b6c3bbb4-2c69-48b4-99b8-acf3bb75c21e","kind":"paragraph","order":26,"section_id":"sec_6d8e5488-d079-4cd3-bd8d-a685081c6413","character_id":null,"markdown":"第四に、長い文脈を扱えても、重要情報の圧縮と保持が弱い。 \nGeminiは長いコンテキストを売りにしているが、「長く入る」ことと「長く正確に使える」ことは違う。長文の中から何を残し、何を捨て、どの前提を維持するかが弱いと、途中で論点がズレる。","render_override":null},{"id":"blk_19578856-6258-48d1-b837-c5f6d6edca01","kind":"paragraph","order":27,"section_id":"sec_6d8e5488-d079-4cd3-bd8d-a685081c6413","character_id":null,"markdown":"第五に、創造モードと調査モードが混ざっている。 \nGeminiはアイデア出しや別視点の提示では面白い。しかし、その柔らかさが、詳細調査や投資分析では「いい加減さ」として出る。創作では長所になる性質が、調査では短所になる。","render_override":null},{"id":"blk_46f05904-57b3-4fb5-a31e-f63418ec665e","kind":"paragraph","order":28,"section_id":"sec_6d8e5488-d079-4cd3-bd8d-a685081c6413","character_id":null,"markdown":"第六に、Googleの部品が一つの作業人格に統合されていない。 \nSearch、Gemini App、AI Overview、Workspace、NotebookLM、AI Studio、Vertex AI、Deep Research、Android、Chrome。部品は強い。しかし、ChatGPTやClaudeのように「このAIに任せれば作業が進む」という一体感が弱い。","render_override":null},{"id":"blk_50076ac9-e64e-4084-96e3-ad60bb7011c2","kind":"heading","order":29,"section_id":"sec_5ff328a2-003c-49f1-a367-ea968157c1d3","character_id":null,"markdown":"## Googleは改善策を持っているが、統合し切れていない","render_override":null},{"id":"blk_d82f38db-c41b-45d9-935b-20891d5bd0cf","kind":"paragraph","order":30,"section_id":"sec_5ff328a2-003c-49f1-a367-ea968157c1d3","character_id":null,"markdown":"Googleが何もしていないわけではない。 \nむしろ、改善に必要な部品はかなり揃っている。","render_override":null},{"id":"blk_e5c7e63b-6eb4-44b4-bc21-65acae5d43d8","kind":"paragraph","order":31,"section_id":"sec_5ff328a2-003c-49f1-a367-ea968157c1d3","character_id":null,"markdown":"Grounding with Google Searchは、GeminiをリアルタイムのWeb情報に接続し、知識カットオフ後の情報や検証可能な出典を使って回答させるための仕組みである。これはハルシネーション対策として非常に重要だ。","render_override":null},{"id":"blk_d75f71cd-2639-42dc-aff7-0e687805bacb","kind":"paragraph","order":32,"section_id":"sec_5ff328a2-003c-49f1-a367-ea968157c1d3","character_id":null,"markdown":"Deep Researchは、計画を立て、検索し、読み、反復し、最終レポートを作る調査エージェントである。これは、通常の即答型AIではなく、調査ワークフローに近い。","render_override":null},{"id":"blk_1a0bb900-f566-4279-a1c0-c50e0cae83c3","kind":"paragraph","order":33,"section_id":"sec_5ff328a2-003c-49f1-a367-ea968157c1d3","character_id":null,"markdown":"Gemini Enterprise Agent Platform、RAG Engine、Memory Bankなども、企業データに基づく回答や、継続的な文脈保持を実現するための部品である。","render_override":null},{"id":"blk_572ff38a-e38b-4e9a-a28b-25a0391aae78","kind":"paragraph","order":34,"section_id":"sec_5ff328a2-003c-49f1-a367-ea968157c1d3","character_id":null,"markdown":"つまり、Googleは「検索」「調査」「RAG」「メモリ」「エージェント」「コード実行」の部品を持っている。 \n問題は、それらが通常のGemini体験に自然に統合されていないことだ。","render_override":null},{"id":"blk_fe5ec639-3354-4a84-9285-90551c7cfe3d","kind":"paragraph","order":35,"section_id":"sec_5ff328a2-003c-49f1-a367-ea968157c1d3","character_id":null,"markdown":"Geminiが本当に改善するには、ユーザーが明示しなくても、質問内容に応じて内部で自動的に処理を切り替える必要がある。","render_override":null},{"id":"blk_5af8dd2b-27a7-4d9a-93df-e3fca9f55d1e","kind":"paragraph","order":36,"section_id":"sec_5ff328a2-003c-49f1-a367-ea968157c1d3","character_id":null,"markdown":"軽い雑談なら即答。 \n最新情報なら検索。 \n投資や技術分析なら複数ソース確認。 \n長文調査ならDeep Research。 \nコードなら実行・テスト・修正ループ。 \n創作なら自由な発想。","render_override":null},{"id":"blk_406d1947-003f-4582-86c8-e8ed77b32898","kind":"paragraph","order":37,"section_id":"sec_5ff328a2-003c-49f1-a367-ea968157c1d3","character_id":null,"markdown":"このようなルーティングが必要である。","render_override":null},{"id":"blk_822979d0-417b-4315-a21b-8661cc559b59","kind":"heading","order":38,"section_id":"sec_e088f664-5f56-4487-8385-47611c7c0978","character_id":null,"markdown":"## ChatGPTが強い理由：モデルではなく統合システムが強い","render_override":null},{"id":"blk_ab860045-a8e9-4761-b96d-2d5945b8c681","kind":"paragraph","order":39,"section_id":"sec_e088f664-5f56-4487-8385-47611c7c0978","character_id":null,"markdown":"ChatGPTの強さは、モデル単体の知能だけではない。","render_override":null},{"id":"blk_6c3587e8-3b7d-417e-8e9b-f401f1fad2a7","kind":"paragraph","order":40,"section_id":"sec_e088f664-5f56-4487-8385-47611c7c0978","character_id":null,"markdown":"OpenAIは、速い回答と深い推論を切り替える仕組み、検索、ファイル、画像、コード、ツール、エージェント的実行をChatGPTという一つの体験に統合している。","render_override":null},{"id":"blk_39039aa9-3beb-403e-8fe0-615801d93436","kind":"paragraph","order":41,"section_id":"sec_e088f664-5f56-4487-8385-47611c7c0978","character_id":null,"markdown":"重要なのは、ユーザーが何を求めているかを見て、軽く答えるべきか、深く考えるべきか、検索すべきか、ファイルを読むべきか、コードを使うべきかを切り替える点である。","render_override":null},{"id":"blk_7fd37aa8-ba3a-447e-8320-6145acbbfa37","kind":"paragraph","order":42,"section_id":"sec_e088f664-5f56-4487-8385-47611c7c0978","character_id":null,"markdown":"つまりChatGPTは、単なる「賢いモデル」ではなく、作業環境として作られている。","render_override":null},{"id":"blk_192c4534-f0e9-46be-9dea-099455e86f09","kind":"paragraph","order":43,"section_id":"sec_e088f664-5f56-4487-8385-47611c7c0978","character_id":null,"markdown":"Geminiは部品としては似たものを持っている。しかし、それが一つの自然な作業体験としてまとまっていない。ここが大きな差である。","render_override":null},{"id":"blk_cfd7092b-f156-4832-a2da-0b6982022359","kind":"heading","order":44,"section_id":"sec_62547135-6035-4d53-8422-889f6bfeec20","character_id":null,"markdown":"## Claudeが強い理由：慎重さ、長文、作業継続性","render_override":null},{"id":"blk_b05caf49-1b73-49bc-a618-157a96b1bbd5","kind":"paragraph","order":45,"section_id":"sec_62547135-6035-4d53-8422-889f6bfeec20","character_id":null,"markdown":"Claudeは、長文、文章構成、慎重な推論、コーディング、エージェント作業で強い。","render_override":null},{"id":"blk_82b2ace1-2565-44cb-8acc-7ad78bf87b65","kind":"paragraph","order":46,"section_id":"sec_62547135-6035-4d53-8422-889f6bfeec20","character_id":null,"markdown":"Anthropicは、extended thinkingやthinking budgetのように、どれだけ深く考えるかを制御する方向へ進めている。さらにClaudeは、コーディング、コンピュータ操作、長時間タスク、自己検証に寄せて進化している。","render_override":null},{"id":"blk_58bc7fa6-37f3-431e-b756-1453ea102cb6","kind":"paragraph","order":47,"section_id":"sec_62547135-6035-4d53-8422-889f6bfeec20","character_id":null,"markdown":"Claudeの強さは、派手なマルチモーダル体験よりも、作業の安定性にある。","render_override":null},{"id":"blk_560f515e-f796-4944-ae45-750a15489c0d","kind":"paragraph","order":48,"section_id":"sec_62547135-6035-4d53-8422-889f6bfeec20","character_id":null,"markdown":"長い文章を読み、条件を保持し、余計なことをせず、ユーザーの意図に沿って慎重に出力する。 \nこれは、記事作成、調査、コーディング、業務文書では非常に重要である。","render_override":null},{"id":"blk_d5b51883-7f5a-4b2e-bb2f-093f315d44b2","kind":"paragraph","order":49,"section_id":"sec_62547135-6035-4d53-8422-889f6bfeec20","character_id":null,"markdown":"Geminiが「発想は面白いが詰めが甘い」と見えるのに対し、Claudeは「慎重で作業を任せやすい」と見える。 \nこの差は、単なるベンチマークでは測りにくい。","render_override":null},{"id":"blk_fde5dc78-4827-46aa-9520-2ec2b0fd259d","kind":"heading","order":50,"section_id":"sec_22aa317e-7779-463a-9768-a2eb3bcccd60","character_id":null,"markdown":"## Grokが強く見える理由：荒削りでも作り替えが速い","render_override":null},{"id":"blk_32e3edd8-6e63-40c6-b730-b3b28be2ae47","kind":"paragraph","order":51,"section_id":"sec_22aa317e-7779-463a-9768-a2eb3bcccd60","character_id":null,"markdown":"GrokはOpenAIやAnthropicに比べると後発で、荒削りな部分もある。 \nしかし、xAIはモデルをかなり速いペースで作り替えている。","render_override":null},{"id":"blk_ba5d208c-40fd-4c6c-a8b9-06f15afbf9ff","kind":"paragraph","order":52,"section_id":"sec_22aa317e-7779-463a-9768-a2eb3bcccd60","character_id":null,"markdown":"Grokは、Xとのリアルタイム性、検索、推論、キャラクター性、長文コンテキスト、画像や動画、コーディングなどを急速に取り込んでいる。Grok 4 Fastのように、コスト効率と推論を両立する方向も強めている。","render_override":null},{"id":"blk_3f891718-850c-439e-9d4f-d29e5b457ea2","kind":"paragraph","order":53,"section_id":"sec_22aa317e-7779-463a-9768-a2eb3bcccd60","character_id":null,"markdown":"Grokの強さは、完成度の高さというより、足りない部分を次世代で素早く補う速度にある。","render_override":null},{"id":"blk_2a74041a-f6e7-4feb-90f6-d15aefa133be","kind":"paragraph","order":54,"section_id":"sec_22aa317e-7779-463a-9768-a2eb3bcccd60","character_id":null,"markdown":"つまり、Grokは「荒いが変化が速い」。 \nGeminiは「材料は強いが、変化が重い」。 \nこの違いがユーザー体験に出ている。","render_override":null},{"id":"blk_b9e12b73-4ebf-4dec-b073-257fcdc323f3","kind":"heading","order":55,"section_id":"sec_a70d2a83-df62-4e9f-8334-f8d155b4856b","character_id":null,"markdown":"## 一から作り直せる力は、フロンティアAIの強みになる","render_override":null},{"id":"blk_7594e041-f5ad-407f-b0e5-3ee7bc580a9e","kind":"paragraph","order":56,"section_id":"sec_a70d2a83-df62-4e9f-8334-f8d155b4856b","character_id":null,"markdown":"OpenAI、Anthropic、xAIに共通する強みは、前世代の問題を次世代で大きく作り替える力である。","render_override":null},{"id":"blk_4ed40f27-6504-46fc-9772-702ca9f665af","kind":"paragraph","order":57,"section_id":"sec_a70d2a83-df62-4e9f-8334-f8d155b4856b","character_id":null,"markdown":"ここでいう「作り直す」とは、毎回すべてをゼロから捨てるという意味ではない。 \n前モデルの失敗ログを集め、評価し、データを変え、RLを変え、推論時設計を変え、ツール統合を変え、プロダクト体験を変えるという意味である。","render_override":null},{"id":"blk_c9664665-7baf-4a85-ad38-04bc8d69d5a4","kind":"paragraph","order":58,"section_id":"sec_a70d2a83-df62-4e9f-8334-f8d155b4856b","character_id":null,"markdown":"フロンティアAIでは、モデルを出してみないと本当の弱点は分からない。","render_override":null},{"id":"blk_e0ce9b7e-d131-45b7-8468-d16868ac5e7d","kind":"paragraph","order":59,"section_id":"sec_a70d2a83-df62-4e9f-8334-f8d155b4856b","character_id":null,"markdown":"検索しない。 \n引用が甘い。 \nコードで余計な変更をする。 \n長文で崩れる。 \nツールを使い間違える。 \nユーザーの意図を保持できない。 \n安全性リスクが予想外に出る。","render_override":null},{"id":"blk_d5c47364-cea5-468e-a97f-38ff9de691e2","kind":"paragraph","order":60,"section_id":"sec_a70d2a83-df62-4e9f-8334-f8d155b4856b","character_id":null,"markdown":"こうした失敗を次の世代に構造的に反映できる会社が強い。","render_override":null},{"id":"blk_40a72e2a-118c-4805-8ec7-e0848ba618ec","kind":"paragraph","order":61,"section_id":"sec_a70d2a83-df62-4e9f-8334-f8d155b4856b","character_id":null,"markdown":"Geminiの問題は、Googleの巨大な既存事業と製品群の中で、この作り替えが重くなっていることだと思う。","render_override":null},{"id":"blk_da13f02a-5541-47de-a818-acc880f861bf","kind":"heading","order":62,"section_id":"sec_6fa0c532-d060-4efd-bb15-29528157db56","character_id":null,"markdown":"## MetaのMuse Sparkは「本命前の試験炉」","render_override":null},{"id":"blk_fea67bdc-ee02-4b27-8f70-caa9aeef10f8","kind":"paragraph","order":63,"section_id":"sec_6fa0c532-d060-4efd-bb15-29528157db56","character_id":null,"markdown":"ここでMetaのMuse Sparkが重要になる。","render_override":null},{"id":"blk_d3bcb200-e722-4bdd-8af2-cf703ecb3e28","kind":"paragraph","order":64,"section_id":"sec_6fa0c532-d060-4efd-bb15-29528157db56","character_id":null,"markdown":"MetaのAlexandr Wang氏は、Muse Sparkを「前菜」と表現している。 \nこれは、Muse Sparkが本命ではないという意味である。しかし同時に、これは本命モデルを作る前の試験炉でもある。","render_override":null},{"id":"blk_430ccee2-7c5b-44fb-9fb3-ec45207c4b47","kind":"paragraph","order":65,"section_id":"sec_6fa0c532-d060-4efd-bb15-29528157db56","character_id":null,"markdown":"Muse Sparkは、ネイティブマルチモーダル、tool use、visual chain of thought、multi-agent orchestrationを備えるモデルとして説明されている。つまり、単に賢いチャットモデルではなく、最初からエージェント用途を意識している。","render_override":null},{"id":"blk_f2b52b47-34a3-43b1-8b99-5c9aa1a222f1","kind":"paragraph","order":66,"section_id":"sec_6fa0c532-d060-4efd-bb15-29528157db56","character_id":null,"markdown":"MetaがMuse Sparkで確認しているのは、おそらく以下である。","render_override":null},{"id":"blk_eb76e95e-bd5d-441e-9948-c501fe9602ac","kind":"paragraph","order":67,"section_id":"sec_6fa0c532-d060-4efd-bb15-29528157db56","character_id":null,"markdown":"新しい学習レシピはスケールするか。 \n推論時スケーリングは効くか。 \n複数エージェントを並列に動かす設計は有効か。 \ntool useは安定するか。 \nマルチモーダル推論はMeta AIやAIグラスに載るか。 \n安全性リスクはどこに出るか。 \nBusiness Agentや広告AIに接続できるか。","render_override":null},{"id":"blk_cba17eb3-5bd2-40ee-bb95-7869c274f02a","kind":"paragraph","order":68,"section_id":"sec_6fa0c532-d060-4efd-bb15-29528157db56","character_id":null,"markdown":"これは、Geminiが今苦しんでいる「部品はあるが統合が弱い」問題を、本命前に潰そうとしているようにも見える。","render_override":null},{"id":"blk_5a543b32-8093-41eb-9aab-dd1b0a3bd4a3","kind":"paragraph","order":69,"section_id":"sec_6fa0c532-d060-4efd-bb15-29528157db56","character_id":null,"markdown":"巨大モデルを本番規模で作ってから、「検索が弱い」「tool useが不安定」「エージェントとして使えない」「製品に載せにくい」と分かると、修正コストは非常に重い。 \nだからMetaは、本命モデルを出す前にMuse Sparkで設計を試している。","render_override":null},{"id":"blk_ca88862c-25f7-48a0-b795-f5454babd257","kind":"paragraph","order":70,"section_id":"sec_6fa0c532-d060-4efd-bb15-29528157db56","character_id":null,"markdown":"この準備の意味は大きい。","render_override":null},{"id":"blk_d8ddb0e0-f74c-48c1-a4b8-cbdb16cc9810","kind":"heading","order":71,"section_id":"sec_8b0a6b0e-f71d-483b-a3fe-6a04f3fee7de","character_id":null,"markdown":"## Alexandr Wang氏とScale AIの意味","render_override":null},{"id":"blk_5d1fbe7f-2f43-41c7-82a2-eb0461f0be0e","kind":"paragraph","order":72,"section_id":"sec_8b0a6b0e-f71d-483b-a3fe-6a04f3fee7de","character_id":null,"markdown":"Wang氏がScale AIの事業家だったことも、この文脈では重要である。","render_override":null},{"id":"blk_278a5a8a-a85c-4207-ad66-ca44ab89f3d0","kind":"paragraph","order":73,"section_id":"sec_8b0a6b0e-f71d-483b-a3fe-6a04f3fee7de","character_id":null,"markdown":"Scale AIは、単なるデータラベリング企業ではなく、AIの学習データ、評価、RLHF、モデル評価、安全性評価、レッドチーミング、人間フィードバックなどを扱ってきた企業である。","render_override":null},{"id":"blk_0ad12c31-eaf6-48d8-afa6-3de02c7234ca","kind":"paragraph","order":74,"section_id":"sec_8b0a6b0e-f71d-483b-a3fe-6a04f3fee7de","character_id":null,"markdown":"今のフロンティアモデル競争では、データと評価が極めて重要である。 \nモデルを大きくするだけでは勝てない。 \nどの失敗例を集めるか。 \nどの専門家に評価させるか。 \nどの回答を良いとみなすか。 \nどのエージェント行動を安全とみなすか。 \nどの能力が製品価値や収益に直結するか。","render_override":null},{"id":"blk_a027ec45-869a-4296-80ca-fac1c381333e","kind":"paragraph","order":75,"section_id":"sec_8b0a6b0e-f71d-483b-a3fe-6a04f3fee7de","character_id":null,"markdown":"この工程全体を回すには、研究者だけでなく、AI開発を工業化する事業家が必要になる。","render_override":null},{"id":"blk_9824eff4-22d9-4193-b893-13706272f395","kind":"paragraph","order":76,"section_id":"sec_8b0a6b0e-f71d-483b-a3fe-6a04f3fee7de","character_id":null,"markdown":"Wang氏は、研究の天才というより、AI工場の経営者としてMetaに入った人物だと見るべきである。 \nMuse Sparkは、そのAI工場の最初の試運転かもしれない。","render_override":null},{"id":"blk_53808e9c-686a-4abe-b804-64aa721adb7a","kind":"heading","order":77,"section_id":"sec_160b4b3c-3530-43cf-9420-d562fb873e95","character_id":null,"markdown":"## Geminiは「作り直しに近いこと」が必要","render_override":null},{"id":"blk_7d3eb617-04e4-4288-bbf2-22d21cc37ae3","kind":"paragraph","order":78,"section_id":"sec_160b4b3c-3530-43cf-9420-d562fb873e95","character_id":null,"markdown":"BardがGeminiへ変わった時、Googleはモデル、ブランド、組織、製品接続をかなり大きく作り替えた。","render_override":null},{"id":"blk_d6098381-9c1b-4bbf-8612-cbc1faff7cf0","kind":"paragraph","order":79,"section_id":"sec_160b4b3c-3530-43cf-9420-d562fb873e95","character_id":null,"markdown":"現在のGeminiにも、同じくらい大きな再設計が必要だと思う。 \nただし今回は、名前を変える必要はない。変えるべきなのは、回答の作り方である。","render_override":null},{"id":"blk_8521ad51-85c8-431b-8ab7-56dc74a27496","kind":"paragraph","order":80,"section_id":"sec_160b4b3c-3530-43cf-9420-d562fb873e95","character_id":null,"markdown":"内部知識で即答するAIから、 \n検索し、読み、検証し、矛盾を比べ、引用を監査し、不明なら不明と言うAIへ。","render_override":null},{"id":"blk_bc98e797-bded-4623-bbaa-9e5e5608713b","kind":"paragraph","order":81,"section_id":"sec_160b4b3c-3530-43cf-9420-d562fb873e95","character_id":null,"markdown":"それが必要である。","render_override":null},{"id":"blk_1fe5c61d-030c-45db-8239-8346eda5c814","kind":"paragraph","order":82,"section_id":"sec_160b4b3c-3530-43cf-9420-d562fb873e95","character_id":null,"markdown":"つまり、BardからGeminiへの進化が「頭を交換する進化」だったとすれば、次のGemini改善は「仕事の仕方を交換する進化」になる。","render_override":null},{"id":"blk_6f60c516-56b7-4752-b327-a399ebb0d027","kind":"heading","order":83,"section_id":"sec_d86a2d8a-faad-4ec2-92cf-bc591b10dd7d","character_id":null,"markdown":"## 最終的な結論","render_override":null},{"id":"blk_203901bc-c153-4293-92bb-6f8b2d351f11","kind":"paragraph","order":84,"section_id":"sec_d86a2d8a-faad-4ec2-92cf-bc591b10dd7d","character_id":null,"markdown":"Geminiの問題は、GoogleにAIの材料が足りないことではない。 \nむしろGoogleは、世界で最も豊富なAIの材料を持っている。","render_override":null},{"id":"blk_ec268f7a-e0a1-45b1-bdf1-6978adf7781d","kind":"paragraph","order":85,"section_id":"sec_d86a2d8a-faad-4ec2-92cf-bc591b10dd7d","character_id":null,"markdown":"問題は、その材料が一つの信頼できる作業AIとして統合されていないことだ。","render_override":null},{"id":"blk_28c724a1-9edd-41b2-be4f-634a70891df0","kind":"paragraph","order":86,"section_id":"sec_d86a2d8a-faad-4ec2-92cf-bc591b10dd7d","character_id":null,"markdown":"Bardは基礎性能不足で失敗した。 \nGeminiは基礎性能を改善したが、今度は作業AIとしての統合不足に苦しんでいる。","render_override":null},{"id":"blk_da504abd-abe2-4dc4-ae2e-b4da0b1ba0b7","kind":"paragraph","order":87,"section_id":"sec_d86a2d8a-faad-4ec2-92cf-bc591b10dd7d","character_id":null,"markdown":"ChatGPTは、モデル、検索、ツール、ファイル、推論、エージェントを一つの作業環境としてまとめるのが強い。 \nClaudeは、長文、慎重さ、コーディング、自己検証、作業継続性が強い。 \nGrokは、荒削りだが世代交代と作り替えが速い。 \nMetaは、Muse Sparkを前菜として、本命モデルを出す前にスケーリング、tool use、multi-agent、製品導入、安全性を検証している。","render_override":null},{"id":"blk_679de990-9b65-4591-a30c-f99b1da0b252","kind":"paragraph","order":88,"section_id":"sec_d86a2d8a-faad-4ec2-92cf-bc591b10dd7d","character_id":null,"markdown":"この比較から見えるのは、フロンティアAIの競争が、もはや単純なモデル性能の競争ではないということだ。","render_override":null},{"id":"blk_f88f7946-cca4-492c-8229-2cbd726d70ca","kind":"paragraph","order":89,"section_id":"sec_d86a2d8a-faad-4ec2-92cf-bc591b10dd7d","character_id":null,"markdown":"重要なのは、モデルをどう作るかだけではない。 \nどう調べるか。 \nどう検証するか。 \nどう引用するか。 \nどう考えさせるか。 \nどうツールを使わせるか。 \nどう作業を継続させるか。 \nどう製品に載せるか。 \nどう収益に変えるか。","render_override":null},{"id":"blk_bb837fb9-befa-44bb-a0be-eecd1bc9c7e1","kind":"paragraph","order":90,"section_id":"sec_d86a2d8a-faad-4ec2-92cf-bc591b10dd7d","character_id":null,"markdown":"ここまで含めた「AIシステム設計」の競争である。","render_override":null},{"id":"blk_012468c5-0f8f-4393-8601-00b31fba1bbb","kind":"paragraph","order":91,"section_id":"sec_d86a2d8a-faad-4ec2-92cf-bc591b10dd7d","character_id":null,"markdown":"Geminiが巻き返すには、さらに賢いモデルを出すだけでは足りない。 \nGeminiを、Googleの強い部品の集合体から、一人の信頼できる作業AIへ作り替える必要がある。","render_override":null},{"id":"blk_8a6f5021-f7bd-4224-8481-922f606b34d1","kind":"paragraph","order":92,"section_id":"sec_d86a2d8a-faad-4ec2-92cf-bc591b10dd7d","character_id":null,"markdown":"そしてMetaのMuse Sparkは、その失敗を避けるために、本命前に試験炉を回しているように見える。","render_override":null},{"id":"blk_995b9e54-661f-4b39-9e96-1d1fe971049a","kind":"paragraph","order":93,"section_id":"sec_d86a2d8a-faad-4ec2-92cf-bc591b10dd7d","character_id":null,"markdown":"一言で言えば、 \n**Geminiは本番稼働しながらエンジンと操縦系を組み直している。Metaは本命を出す前に試験炉で火力と設計を確認している。OpenAIとClaudeは、すでに何度も作り直しながら作業AIとしての完成度を上げてきた。**","render_override":null},{"id":"blk_9b1dd557-f009-4e1e-8c52-a9d9b2aee974","kind":"paragraph","order":94,"section_id":"sec_d86a2d8a-faad-4ec2-92cf-bc591b10dd7d","character_id":null,"markdown":"この違いが、次の1〜2年のフロンティアAI競争で大きな差になっていく可能性がある。","render_override":null},{"id":"blk_522152b6-ed4a-432a-83ba-8af6d85ce0aa","kind":"thematic_break","order":95,"section_id":"sec_d86a2d8a-faad-4ec2-92cf-bc591b10dd7d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1aee9191-9dc9-48b3-a778-f9101993c01d","kind":"paragraph","order":96,"section_id":"sec_d86a2d8a-faad-4ec2-92cf-bc591b10dd7d","character_id":null,"markdown":"根拠メモです。Bardの初期デモでの事実誤認とAlphabet時価総額への影響はReutersが報じています。([Reuters](https://www.reuters.com/technology/google-ai-chatbot-bard-offers-inaccurate-information-company-ad-2023-02-08/?utm_source=chatgpt.com)) Googleは2023年にBrainとDeepMindを統合してGoogle DeepMindを作り、Bardは2024年2月にGeminiへ改名され、Gemini AdvancedではUltra 1.0が使えるようになりました。([blog.google](https://blog.google/products-and-platforms/products/gemini/bard-gemini-advanced-app/?utm_source=chatgpt.com)) Gemini 1.5は長文理解を大きく改善した次世代モデルとして発表されています。([blog.google](https://blog.google/innovation-and-ai/products/google-gemini-next-generation-model-february-2024/?utm_source=chatgpt.com)) GoogleはGemini APIでGrounding with Google Searchを提供し、リアルタイムWeb情報と検証可能なソースに接続できると説明しています。([Google AI for Developers](https://ai.google.dev/gemini-api/docs/google-search?utm_source=chatgpt.com)) また、Google Search、AI Overview、Geminiの取得ソースが大きく異なり、AI Overviewの一貫性や頑健性に課題があることを示す研究もあります。([arXiv](https://arxiv.org/abs/2604.27790?utm_source=chatgpt.com))","render_override":null},{"id":"blk_902c28ac-762a-4c12-8eea-d31c487cb8d2","kind":"paragraph","order":97,"section_id":"sec_d86a2d8a-faad-4ec2-92cf-bc591b10dd7d","character_id":null,"markdown":"OpenAIはGPT-5を、速いモデルと深い推論モデルをリアルタイムルーターで切り替える統合システムとして説明しています。([OpenAI](https://openai.com/index/introducing-gpt-5/?utm_source=chatgpt.com)) AnthropicはClaudeでextended thinkingやthinking budgetを提供し、Opus 4.5/4.6ではコーディング、エージェント、computer use、検索、金融などの実作業能力を強調しています。([Claude Platform](https://platform.claude.com/docs/en/build-with-claude/extended-thinking?utm_source=chatgpt.com)) xAIはGrok 4 Fastをコスト効率の高い推論モデルとして発表しています。([xAI](https://x.ai/news/grok-4-fast?utm_source=chatgpt.com)) MetaのMuse Sparkは、tool-use、visual chain of thought、multi-agent orchestrationを備えるネイティブマルチモーダル推論モデルとして発表されており、対談でもMuse Sparkが「前菜」で次の本命モデルが準備中であることが語られています。([ai.meta.com](https://ai.meta.com/blog/introducing-muse-spark-msl/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_75f1478d-717d-4aa0-8025-d9f0b5148b96","kind":"thematic_break","order":98,"section_id":"sec_d86a2d8a-faad-4ec2-92cf-bc591b10dd7d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_3b72ee68-9aa0-43c0-91a6-29b9d6d09171","kind":"paragraph","order":99,"section_id":"sec_d86a2d8a-faad-4ec2-92cf-bc591b10dd7d","character_id":null,"markdown":"特定銘柄の推奨・勧誘・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。","render_override":null},{"id":"blk_11e8f0b7-bea3-4874-95b8-2a4782f26312","kind":"paragraph","order":100,"section_id":"sec_d86a2d8a-faad-4ec2-92cf-bc591b10dd7d","character_id":null,"markdown":"サムネはPixAIsunflowerモデルとGPTImage2.0","render_override":null}],"audio":[],"omitted_media":[],"figures":[{"id":"plc_e9227978-5955-456d-ad6a-30cd477d8f62","block_id":"blk_9d9deebf-77ce-4829-82fb-f22b6320e3b1","asset_revision_id":"avr_d97c45ae-bd7a-40be-9f1d-2f80c2da2048","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_d3baebd7-4875-4ba0-9674-2d803258d1ea"],"explained_by":[],"source_path":"media/a59172c055d230126e0b97189aa52a89ec3df06edd786a545adedb535dd18459.png","path":"/media/a59172c055d230126e0b97189aa52a89ec3df06edd786a545adedb535dd18459-content.webp","display_derivative":{"source_sha256":"a59172c055d230126e0b97189aa52a89ec3df06edd786a545adedb535dd18459","thumbnail":{"path":"media/a59172c055d230126e0b97189aa52a89ec3df06edd786a545adedb535dd18459-thumbnail.webp","width":560,"height":293,"bytes":37940,"sha256":"10521fc5a5344dc16c1955ec5e7a2895e089adc51e0bdd94abb2b60f2d45b0a4"},"content":{"path":"media/a59172c055d230126e0b97189aa52a89ec3df06edd786a545adedb535dd18459-content.webp","width":1672,"height":875,"bytes":310876,"sha256":"3e76c37fe8e73c794b89355564c44aea88c9d5fda63f67d8abbbeddef971da48"}}}],"package_sha256":"ea0bf705f086f65d078dd0406d45c89c7d8e36517a999df3302eed8d400ff3ff","record_type":"article","schema_version":"noia-public-article-1.1.0","dataset_version":"2026.09.23.4","urls":{"source_url":"https://note.com/atom_/n/nfba214751a96","release_path":"/articles/rev_5603783d-df89-4ab1-ba77-c8a24ace4a7b/","canonical_url":"https://noia-grid.pages.dev/articles/rev_5603783d-df89-4ab1-ba77-c8a24ace4a7b/"},"time":{"created_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"published_at":{"value":"2026-06-18 18:53:28","precision":"local_datetime","timezone":null,"status":"source_metadata","basis":"Metadata only; not evidence of historical body availability."},"modified_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"analysis_as_of":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"event_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"recorded_at":{"value":"2026-09-08T05:29:17+00:00","precision":"instant","timezone":"+00:00","status":"archive_record","basis":"canonical_recorded_at"},"content_available_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"unknown"}},"legacy":{"source_date":{"value":"2026-06-18 18:53:28","meaning":"legacy_source_metadata_date","certainty":"source_metadata"}},"rights":{"license_ref":"license:not-specified","rights_status":"unknown","third_party_material":"unknown"},"integrity":{"hash_profile":"noia-evidence-json-v1","content_sha256":"115199d1a9ed8b8fff33e0b8ef5e3aba9beb36b4d9c33cf02a00b8ba8c8bb3d7","lineage":[],"previous_revision_sha256":null,"previous_revision_status":"no_parent","revision_sha256":"47e0f1db9e432bd7bab500c2eb09402c2861facdd04217115958202a2e43ac20"}} {"id":"rev_5c1381d3-461d-40ab-acea-997127510f6e","work_id":"wrk_153585aa-ce70-48f0-8fcf-0c54fb47c7a9","edition_id":"edn_a450e353-4c9d-46ae-92b2-98b76acab7cd","title":"Google TPU vs NVIDIA GPU: アーキテクチャとシステム設計の徹底比較","published_at":"2025-11-30 22:14:42","source_url":"https://note.com/atom_/n/n647a0bc5ae7a","recorded_at":"2026-09-08T05:30:42+00:00","source_date":"2025-11-30 22:14:42","thumbnail":null,"legacy_slug":null,"topics":["chips"],"sections":[{"id":"sec_823b45f4-9b11-4b7f-b4e2-cea38b70ef5a","parent_section_id":null,"heading_block_id":null,"order":0,"character_id":null},{"id":"sec_b1baab16-aa34-4ddc-9475-5b871159a34e","parent_section_id":"sec_823b45f4-9b11-4b7f-b4e2-cea38b70ef5a","heading_block_id":"blk_319ca29e-3d60-4fe0-995f-7361e05e40fb","order":1,"character_id":null},{"id":"sec_2f537b94-1cba-4588-ac36-c3f474a9a314","parent_section_id":"sec_823b45f4-9b11-4b7f-b4e2-cea38b70ef5a","heading_block_id":"blk_2f3a0e5c-a836-46cb-99d3-dc5ee3b27a5f","order":2,"character_id":null},{"id":"sec_33fe2740-4221-4422-ace4-53c74e706d2e","parent_section_id":"sec_823b45f4-9b11-4b7f-b4e2-cea38b70ef5a","heading_block_id":"blk_336d66b8-5b7b-45d5-9c20-d90ae7b600c0","order":3,"character_id":null},{"id":"sec_2d0902fb-a012-464f-8408-7154834d8786","parent_section_id":"sec_823b45f4-9b11-4b7f-b4e2-cea38b70ef5a","heading_block_id":"blk_906abe2f-67e9-4e68-8e46-26d9efeaf40c","order":4,"character_id":null},{"id":"sec_91f3f0dc-a356-4bf1-baa1-1426308dd7c2","parent_section_id":"sec_823b45f4-9b11-4b7f-b4e2-cea38b70ef5a","heading_block_id":"blk_d3d0e2e5-3eff-4faf-84de-aa79189309a0","order":5,"character_id":null},{"id":"sec_99481700-0399-4ea8-a141-5e7ac93c0e68","parent_section_id":"sec_823b45f4-9b11-4b7f-b4e2-cea38b70ef5a","heading_block_id":"blk_7d6ed718-7777-4bd2-888c-7552548f6bb4","order":6,"character_id":null},{"id":"sec_bfc051f7-6621-4761-970b-44350d76e549","parent_section_id":"sec_823b45f4-9b11-4b7f-b4e2-cea38b70ef5a","heading_block_id":"blk_0220825d-80b8-42b9-8827-8b43707f56c0","order":7,"character_id":null},{"id":"sec_9244e351-98d9-4a87-9ef1-ef853b27f894","parent_section_id":"sec_823b45f4-9b11-4b7f-b4e2-cea38b70ef5a","heading_block_id":"blk_652ff559-b0c2-4a5e-ac7f-db102ee847a7","order":8,"character_id":null},{"id":"sec_8e666cf5-7b54-47a8-a92f-8a0eef6d8d94","parent_section_id":"sec_9244e351-98d9-4a87-9ef1-ef853b27f894","heading_block_id":"blk_58daa557-2eab-4c4a-9fbc-fd94d01b9e2c","order":9,"character_id":null},{"id":"sec_cf6268d5-0cd3-4e64-a054-e003ad8d4eda","parent_section_id":"sec_9244e351-98d9-4a87-9ef1-ef853b27f894","heading_block_id":"blk_32b49176-ccfa-4fba-aa47-6dc5838079a2","order":10,"character_id":null},{"id":"sec_df69c57f-51f9-40e5-9cb9-d89b874df40f","parent_section_id":"sec_9244e351-98d9-4a87-9ef1-ef853b27f894","heading_block_id":"blk_0c446b2f-ff1e-43e7-a102-01ae851413b5","order":11,"character_id":null},{"id":"sec_cf894d40-08ff-4508-a74b-e18715d25c43","parent_section_id":"sec_9244e351-98d9-4a87-9ef1-ef853b27f894","heading_block_id":"blk_ce1edba4-05a2-4e42-85db-e14cd424cbe1","order":12,"character_id":null},{"id":"sec_a124d4bf-9f68-49be-87ec-fbcbfdc24f60","parent_section_id":"sec_9244e351-98d9-4a87-9ef1-ef853b27f894","heading_block_id":"blk_63f7e8ee-3c68-4ced-922b-cd73101738d9","order":13,"character_id":null},{"id":"sec_064b9083-cba1-4961-befa-c5e47ea9cc9c","parent_section_id":"sec_9244e351-98d9-4a87-9ef1-ef853b27f894","heading_block_id":"blk_8d19fd3d-dcf3-44cb-bf8b-57ebfad19d6d","order":14,"character_id":null},{"id":"sec_021ab50c-23e4-44cc-a08b-6da8c5a9707e","parent_section_id":"sec_9244e351-98d9-4a87-9ef1-ef853b27f894","heading_block_id":"blk_7bcfa84e-5877-4c04-b418-cedfe4c9757c","order":15,"character_id":null},{"id":"sec_713a0f9b-c4e9-4afc-bbed-feccc55d691b","parent_section_id":"sec_9244e351-98d9-4a87-9ef1-ef853b27f894","heading_block_id":"blk_8d12ad04-578b-4406-b701-ec5fbfbadc05","order":16,"character_id":null},{"id":"sec_2e02e8cb-a160-4c06-b754-eb2a8e452d8f","parent_section_id":"sec_9244e351-98d9-4a87-9ef1-ef853b27f894","heading_block_id":"blk_9f8e4b7a-51bc-4397-b300-89808c6566ad","order":17,"character_id":null},{"id":"sec_07854324-f312-4f63-ba77-83492bbecc89","parent_section_id":"sec_9244e351-98d9-4a87-9ef1-ef853b27f894","heading_block_id":"blk_5948346d-8227-4376-9f63-5c1245ca11ee","order":18,"character_id":null},{"id":"sec_4a3cac5b-ffa7-4110-9c1d-e451a0532857","parent_section_id":"sec_9244e351-98d9-4a87-9ef1-ef853b27f894","heading_block_id":"blk_2e74cfa2-f386-4068-b328-ccbdaa8b071d","order":19,"character_id":null},{"id":"sec_7d9fd5b5-93ab-4a07-9ac8-42b419a6b439","parent_section_id":"sec_9244e351-98d9-4a87-9ef1-ef853b27f894","heading_block_id":"blk_6b9660b6-dcd8-4569-8a9f-9d6f4a314ae6","order":20,"character_id":null},{"id":"sec_61711b0d-9dcb-484b-86fa-11bf8f73ed1e","parent_section_id":"sec_9244e351-98d9-4a87-9ef1-ef853b27f894","heading_block_id":"blk_77111227-920e-45b6-85ce-d919b591b673","order":21,"character_id":null},{"id":"sec_620022ef-82be-4ef1-965c-152a501efc70","parent_section_id":"sec_9244e351-98d9-4a87-9ef1-ef853b27f894","heading_block_id":"blk_c544c026-5865-405c-91ee-591d821fc288","order":22,"character_id":null},{"id":"sec_f078aa2c-cb10-4e59-90db-87036b9c4298","parent_section_id":"sec_9244e351-98d9-4a87-9ef1-ef853b27f894","heading_block_id":"blk_d31ecae9-07ea-4744-b97a-51fe7aef5111","order":23,"character_id":null},{"id":"sec_130cebe0-8858-4309-8d6c-42836c9e6bc7","parent_section_id":"sec_823b45f4-9b11-4b7f-b4e2-cea38b70ef5a","heading_block_id":"blk_1921d9e5-46b7-44e0-9810-17223dd9fe39","order":24,"character_id":null},{"id":"sec_391e7dd8-3e1c-4cc0-b2d0-f9aeea9f839b","parent_section_id":"sec_130cebe0-8858-4309-8d6c-42836c9e6bc7","heading_block_id":"blk_5c440151-0fde-4b4b-af9c-fa8f89d0b5d1","order":25,"character_id":null},{"id":"sec_0ff382d5-dc49-4e11-b797-5af33ddc7541","parent_section_id":"sec_130cebe0-8858-4309-8d6c-42836c9e6bc7","heading_block_id":"blk_71168c1b-1ae0-4f28-a353-1f60c596df49","order":26,"character_id":null},{"id":"sec_6e30acca-94d0-4cb1-8e76-9291f25201d9","parent_section_id":"sec_130cebe0-8858-4309-8d6c-42836c9e6bc7","heading_block_id":"blk_971ada94-de2d-45fc-a2b5-0320533c491c","order":27,"character_id":null},{"id":"sec_1c28964f-1995-4372-a8e5-c24e6621f210","parent_section_id":"sec_130cebe0-8858-4309-8d6c-42836c9e6bc7","heading_block_id":"blk_892b7f84-3e72-474e-8a54-b47bfe134c93","order":28,"character_id":null},{"id":"sec_2c5db8d9-5afe-49fc-b2ae-b8e7a34708db","parent_section_id":"sec_130cebe0-8858-4309-8d6c-42836c9e6bc7","heading_block_id":"blk_87e2eccb-4521-4638-bfe5-e8e6fb671a03","order":29,"character_id":null},{"id":"sec_ff527345-a228-4eac-8184-e37ddc788f51","parent_section_id":"sec_130cebe0-8858-4309-8d6c-42836c9e6bc7","heading_block_id":"blk_33868a0e-8331-4da6-9cbc-0f59bb5ed89b","order":30,"character_id":null},{"id":"sec_2a8ff088-f658-4c91-b0d6-5c283a06b954","parent_section_id":"sec_130cebe0-8858-4309-8d6c-42836c9e6bc7","heading_block_id":"blk_8a8f8695-ce0f-469f-9c3d-891543f80094","order":31,"character_id":null},{"id":"sec_c78baf1e-7001-4bea-baf5-df4c72a66a6b","parent_section_id":"sec_130cebe0-8858-4309-8d6c-42836c9e6bc7","heading_block_id":"blk_e02d25d7-ed44-44e9-b00f-33ed04f1fdcf","order":32,"character_id":null},{"id":"sec_a004612e-7e60-4833-8418-33d234198684","parent_section_id":"sec_130cebe0-8858-4309-8d6c-42836c9e6bc7","heading_block_id":"blk_c9e9918c-542c-43ab-899d-83db4f5254fb","order":33,"character_id":null},{"id":"sec_fa9a527f-7c66-490a-a3de-a880dac1ac06","parent_section_id":"sec_130cebe0-8858-4309-8d6c-42836c9e6bc7","heading_block_id":"blk_cf52276f-8a4f-4e23-86e0-7d2ebbf3e16f","order":34,"character_id":null},{"id":"sec_96154bd1-b061-4e2a-87a5-f4884b77b234","parent_section_id":"sec_130cebe0-8858-4309-8d6c-42836c9e6bc7","heading_block_id":"blk_6523d8da-6ac8-4e4e-8f0a-dd6f62b61941","order":35,"character_id":null},{"id":"sec_c73b824c-a6e9-46bc-b130-0fcd9b0d15f5","parent_section_id":"sec_130cebe0-8858-4309-8d6c-42836c9e6bc7","heading_block_id":"blk_a5a40e7b-7240-4310-95f3-ee954d70681a","order":36,"character_id":null},{"id":"sec_5c08fbf6-9b04-4975-b68e-266558e16fa9","parent_section_id":"sec_130cebe0-8858-4309-8d6c-42836c9e6bc7","heading_block_id":"blk_29b604b9-9f8d-4d03-abad-50ac655c2adc","order":37,"character_id":null},{"id":"sec_811713fe-e01a-4fac-8b46-864fca4f9c11","parent_section_id":"sec_130cebe0-8858-4309-8d6c-42836c9e6bc7","heading_block_id":"blk_ef05f699-aae5-494b-8f7e-80ff7842e8b3","order":38,"character_id":null},{"id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","parent_section_id":"sec_823b45f4-9b11-4b7f-b4e2-cea38b70ef5a","heading_block_id":"blk_00a0bc81-405c-4b76-ab3a-b16c72770196","order":39,"character_id":null},{"id":"sec_590fd77d-1f4c-4e9a-9af3-ca2e59cabb4f","parent_section_id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","heading_block_id":"blk_7b821781-a45d-4647-9ac3-bf5df0de3f47","order":40,"character_id":null},{"id":"sec_50b89999-49ef-4e42-9e1c-d72d7bce72a6","parent_section_id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","heading_block_id":"blk_7cabc8ed-607a-4537-94ae-ca25c675b278","order":41,"character_id":null},{"id":"sec_f3370e68-ebf7-4966-a81d-860b4c5aadf4","parent_section_id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","heading_block_id":"blk_ce4406ea-bbbb-4888-bdbe-8685dd487441","order":42,"character_id":null},{"id":"sec_1b19fc42-30cb-4d14-a03a-963e68a76f97","parent_section_id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","heading_block_id":"blk_bfd17997-8a1b-4bcc-8f10-c22e2c692935","order":43,"character_id":null},{"id":"sec_f93869a7-527c-499b-bac7-7c7304d6c368","parent_section_id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","heading_block_id":"blk_435a9d13-b7c0-49bc-8b03-5673d99c33cc","order":44,"character_id":null},{"id":"sec_5b5cd2aa-837d-4620-96d5-2922593b4492","parent_section_id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","heading_block_id":"blk_9fc55924-bb7d-4640-a36e-910c460bdce4","order":45,"character_id":null},{"id":"sec_5c6c4696-607a-403d-a573-b73a42fee97b","parent_section_id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","heading_block_id":"blk_0273e073-c7a6-4bb0-8aac-f02373bb2fc7","order":46,"character_id":null},{"id":"sec_601aeae9-98a2-4b0e-a884-0243790cc5fc","parent_section_id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","heading_block_id":"blk_eb4ec1ce-c5ca-409a-8935-09e052e29bb1","order":47,"character_id":null},{"id":"sec_bfc49134-fc3d-48b6-a2b6-703cafade4ab","parent_section_id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","heading_block_id":"blk_6fcc2157-989a-4739-8dda-d16005001a7c","order":48,"character_id":null},{"id":"sec_2edcc649-a8b2-42ed-917e-2afbf035fd51","parent_section_id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","heading_block_id":"blk_96c7327d-9ed8-43ed-bfab-56d66f2cc950","order":49,"character_id":null},{"id":"sec_af46b7de-edaf-4f26-9b9d-f1a282229941","parent_section_id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","heading_block_id":"blk_307bc7ac-fa31-4d7a-8f2e-29d25c2ff382","order":50,"character_id":null},{"id":"sec_dfe10c56-e2ca-4e35-9b41-3b0d9be91016","parent_section_id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","heading_block_id":"blk_0d2c4935-6bcc-4661-8058-20f90d815b5f","order":51,"character_id":null},{"id":"sec_ed3d9d67-0596-49f2-8921-d31381e9c83d","parent_section_id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","heading_block_id":"blk_259d6413-19c6-4290-9c14-e064d77307ad","order":52,"character_id":null},{"id":"sec_073c9af8-f24f-40e3-b572-182711f586a1","parent_section_id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","heading_block_id":"blk_74f845a5-4133-41e2-88e0-a59904cd48b5","order":53,"character_id":null},{"id":"sec_c3cda480-ccbe-4376-b1e9-26e413f6b13f","parent_section_id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","heading_block_id":"blk_f0866457-3ae4-4abb-82a1-4b466505aee7","order":54,"character_id":null},{"id":"sec_9f699a50-dabc-4fef-ad90-b6ca22ca6940","parent_section_id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","heading_block_id":"blk_ab62c6e0-2fb4-4862-b807-082dceec2bd1","order":55,"character_id":null},{"id":"sec_d95cc333-39a1-428b-a5a1-1bde9cce6575","parent_section_id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","heading_block_id":"blk_a7b20e67-785b-446e-9cf7-c7d756e99942","order":56,"character_id":null},{"id":"sec_f363e30c-6f89-4bf8-ad62-ff1712f3a08f","parent_section_id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","heading_block_id":"blk_cf8a2c56-6ad4-4677-9059-383a8eb052b0","order":57,"character_id":null},{"id":"sec_9760052c-9477-460a-bfc3-48e5292a84ee","parent_section_id":"sec_823b45f4-9b11-4b7f-b4e2-cea38b70ef5a","heading_block_id":"blk_4d619181-9de8-4450-bbea-a7971b088b46","order":58,"character_id":null},{"id":"sec_24eead36-9ec3-48a8-82ea-bc68cbefa51d","parent_section_id":"sec_9760052c-9477-460a-bfc3-48e5292a84ee","heading_block_id":"blk_fbb8305b-4873-49c1-9b19-03a0af59e7ff","order":59,"character_id":null},{"id":"sec_5375e192-286e-41c4-9ed1-f08cfeb088d0","parent_section_id":"sec_9760052c-9477-460a-bfc3-48e5292a84ee","heading_block_id":"blk_2ab02842-eb61-42af-bd6b-6787ace2f3be","order":60,"character_id":null},{"id":"sec_38e96188-6419-43a4-ba5a-b998748bfd82","parent_section_id":"sec_9760052c-9477-460a-bfc3-48e5292a84ee","heading_block_id":"blk_d37fb9cc-606d-453e-ba7c-93e91cb591c4","order":61,"character_id":null},{"id":"sec_82916ef6-5c25-485c-aaa7-64176a3fb588","parent_section_id":"sec_9760052c-9477-460a-bfc3-48e5292a84ee","heading_block_id":"blk_09d466d2-0349-40b9-922d-0c5a98f73ba9","order":62,"character_id":null},{"id":"sec_acaba4f8-02f4-43b3-8988-50377809a77a","parent_section_id":"sec_9760052c-9477-460a-bfc3-48e5292a84ee","heading_block_id":"blk_05c903b5-94b1-46a9-befe-eaf294e4bbc3","order":63,"character_id":null},{"id":"sec_f1f41c15-ae18-4b28-b8bb-0e9dfabcda5f","parent_section_id":"sec_9760052c-9477-460a-bfc3-48e5292a84ee","heading_block_id":"blk_ccb834b1-fa92-4a6e-bc14-a9cee540b7db","order":64,"character_id":null},{"id":"sec_64975387-a839-4239-9d50-384683e4800c","parent_section_id":"sec_9760052c-9477-460a-bfc3-48e5292a84ee","heading_block_id":"blk_ded719dd-cc88-40ba-8de4-587d203ae514","order":65,"character_id":null},{"id":"sec_5224d849-13cd-49bf-a3b2-d83a6c74833c","parent_section_id":"sec_9760052c-9477-460a-bfc3-48e5292a84ee","heading_block_id":"blk_a47e0d57-4b30-43ed-8c13-12f567a93665","order":66,"character_id":null},{"id":"sec_aae23cc6-5d9d-4941-9bb7-6dab3a3539d5","parent_section_id":"sec_9760052c-9477-460a-bfc3-48e5292a84ee","heading_block_id":"blk_7dd357c2-aa20-43a6-967a-03bdf82b7692","order":67,"character_id":null},{"id":"sec_03937923-f3cc-423d-9fc6-6457032fd273","parent_section_id":"sec_9760052c-9477-460a-bfc3-48e5292a84ee","heading_block_id":"blk_5571c9b4-29d2-4d09-a208-f296cad5b9fd","order":68,"character_id":null},{"id":"sec_12de1e25-25b7-410b-aac6-29607659499a","parent_section_id":"sec_9760052c-9477-460a-bfc3-48e5292a84ee","heading_block_id":"blk_6e96738a-e491-4308-830a-5fe1faf1afe9","order":69,"character_id":null},{"id":"sec_d256cbe7-34fe-4e21-99d7-491123bcbd44","parent_section_id":"sec_9760052c-9477-460a-bfc3-48e5292a84ee","heading_block_id":"blk_cf151caf-6770-49b0-a005-188c44dcec6b","order":70,"character_id":null},{"id":"sec_4783faeb-bcfe-4991-9e26-9524d181f047","parent_section_id":"sec_9760052c-9477-460a-bfc3-48e5292a84ee","heading_block_id":"blk_58a2e8cb-79f6-48ff-b437-cac1e8c4832c","order":71,"character_id":null},{"id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","parent_section_id":"sec_9760052c-9477-460a-bfc3-48e5292a84ee","heading_block_id":"blk_5b166031-aaca-41c4-9e4b-e60ef6bf872d","order":72,"character_id":null}],"content_available_at":{"basis":"unknown","precision":"unknown","timezone":null,"value":null},"markdown":"![](/media/d6561d7706f8227b6f1bfcf756f555b09b28f329d82008a0127c2cf21f97d4cb-content.webp)\n\n## \\1. TPUv7 Ironwoodの構成とICI/OCSによる大規模接続 (NVIDIA GPUとの比較)\n\nGoogleの第7世代TPU「**TPUv7 (Ironwood)**」は、チップ間接続とスケーラビリティにおいて大きな特徴があります。Ironwoodでは、各TPUチップが独自の**Inter-Chip Interconnect (ICI)ネットワークで直結され、3次元トーラス型の接続トポロジーを形成しています**[**newsletter.semianalysis.com**](https://newsletter.semianalysis.com/p/tpuv7-google-takes-a-swing-at-the#:~:text=The%20building%20block%20of%20Google%E2%80%99s,fit%20in%20a%20physical%20rack)[**newsletter.semianalysis.com**](https://newsletter.semianalysis.com/p/tpuv7-google-takes-a-swing-at-the#:~:text=But%20what%20is%20so%20great,can%20spend%20countless%20hours%20drawing)**。一つの基本単位は4×4×4のキューブ (64チップ)で、これが物理ラック1台分に相当します**[**newsletter.semianalysis.com**](https://newsletter.semianalysis.com/p/tpuv7-google-takes-a-swing-at-the#:~:text=match%20at%20L711%20The%20building,fit%20in%20a%20physical%20rack)**。Ironwoodではこの64チップのキューブを最大144個**まで光ネットワークで接続可能で、**最大9,216チップ**ものTPUを単一の大規模クラスター（“スーパーPod”）として動作させることができます[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=called%20ICI)。驚異的な規模であり、従来NVIDIA GPUクラスターが一つのシステム内で**64～72枚程度**のGPUを接続するのが一般的だったことを遥かに凌ぎます[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=called%20ICI)。\n\n図: TPUv4ラック（64チップ）の3Dトーラス接続とOptical Circuit Switch（OCS）の概念図[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=A%20single%20TPU%20Rack%20consists,supercomputer%20continues%20to%20appear%20later)。青線はチップ間を電気的に直結する高速ICIリンク、各面の赤線は光スイッチOCSを介した接続を示す。Ironwood TPUではラック（キューブ）間をOCSで動的につなぎ換えることで、最大9216チップもの巨大なトーラス型ネットワークを柔軟に構成できる[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=called%20ICI)。\n\n大規模接続を支える鍵技術が**OCS (Optical Circuit Switch)です。OCSは光回路交換式**のスイッチで、キューブ（ラック）同士を光ファイバで直接つなぐ役割を果たします[newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/tpuv7-google-takes-a-swing-at-the#:~:text=Optics%20for%20ICI)[newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/tpuv7-google-takes-a-swing-at-the#:~:text=match%20at%20L822%20Google%E2%80%99s%20ICI,TPUs%20into%20multiple%20different%20slice)。NVIDIAがGPU間通信に用いるNVLink（電気的インターコネクト）やInfiniBand/Ethernetスイッチとは異なり、Google TPUではOCSを用いた**ソフトウェア定義の光ネットワーク**でラック間接続を実現しています[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=Google%E2%80%99s%20true%20ace%20up%20its,chip%20interconnect%20network%20called%20ICI)。OCSの利点は、ネットワークトポロジーをソフトウェアで**動的に再構成**できる点です。一部のリンクやTPUに障害が発生した場合でも、光スイッチにより**ミリ秒オーダーで迂回経路を確立**し、3Dトーラス網を「スライス」して再構成できます[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=This%20architecture%20allows%20a%20single,defined%20networking)。このおかげで巨大クラスター全体としての可用性が飛躍的に向上しています。またOCSでは信号は光のまま**鏡などで物理的に切り替えられる**ため、電気⇔光変換によるオーバーヘッドが無く、**低消費電力かつ低レイテンシ**で大規模通信を実現できます[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=This%20means%20that%20if%20part,reducing%20power%20consumption%20and%20latency)。\n\nIronwood TPUのICIは帯域幅も非常に高く設計されています。Google公式発表によれば、Ironwoodでは各チップが**9.6 Tb/s**もの高速通信で相互接続されており、クラスター全体で**88473.6 Tbps (約11,059.2 TB/s)という途方もない総帯域を実現しています**[**cloud.google.comcloud.google.com**](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=This%20specialized%20design%20extends%20to,for%20a%20complete%20Ironwood%20superpod)**。さらに、9216個のTPUが共有する総HBM容量は約1.77PB**にも達します[cloud.google.com](https://cloud.google.com/blog/products/compute/ironwood-tpus-and-new-axion-based-vms-for-your-ai-workloads#:~:text=Ironwood%20TPUs%20will%20help%20customers,even%20the%20most%20demanding%20models)。これは各チップに搭載された**8スタック・計192GiBのHBM3e**を相互に直接活用できることを意味しており、大規模モデルでもメモリ帯域・容量のボトルネックを低減しています[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=The%20core%20philosophy%20behind%20the,and%20capacity%20of%20192%20GiB)[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=allowing%20thousands%20of%20chips%20to,and%20capacity%20of%20192%20GiB)。要するに、Ironwoodでは数千規模のTPUチップが**一つの統合スーパーコンピュータ**のように動作し、高速な光ネットワークで緊密に連携できるよう設計されているのです[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=this%20challenge)[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=,distributed%20operations%20within%20the%20cube)。\n\n一方、**NVIDIAのGPUアーキテクチャ**では、例えば最新のHGXやDGXシステムで**NVLink**という高速な電気接続が用いられます。NVLinkやNVSwitchにより1筐体内で数～十数枚のGPUをバス的に直結できますが、筐体を超えた接続にはInfiniBandやイーサネットネットワークに頼る必要があります。結果として、単一のクラスター内で低レイテンシかつ高帯域で直結できるGPU数には限りがあり、NVIDIAの一般的な“スーパーPod”構成でも\\*\\*数十枚規模（例えば8台の8-GPUサーバで合計64GPU、NVLink Switchesで72GPU構成など）\\*\\*に留まるのが普通です[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=called%20ICI)。またNVLinkは高速ですが銅配線ベースのため物理距離が限られ、ノード間接続には追加のネットワーク階層が必要となります。対してGoogle TPUのアプローチは、**高速光接続**を用いて距離や階層の壁を下げ、一体的な大規模計算リソースを実現している点が大きなアーキテクチャ上の違いです[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=Google%E2%80%99s%20true%20ace%20up%20its,chip%20interconnect%20network%20called%20ICI)。\n\n## \\2. TPUの「GEMMエンジン (シストリックアレイ)」 vs GPUの「Tensor Core」：データフローとメモリ管理\n\nTPUとGPUはともに行列演算を高速化するための専用ハードウェアを持ちますが、その設計思想とデータの流し方が大きく異なります。**Google TPU**では、行列乗算を担当するハードウェアとして大規模な**シストリックアレイ (systolic array)型の演算器を搭載しています。このシストリックアレイはTPUの「GEMMエンジン」とも呼ばれ、例えばTPUv4では128×128**の乗算-加算ユニットの格子が1コアに組み込まれていました[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=1)[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=The%20benefit%20of%20such%20a,than%20the%20input%20and%20output)（TPUv7ではこれが256×256に拡大されていると報じられています[newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/tpuv7-google-takes-a-swing-at-the#:~:text=TPUv6%20came%20very%20close%20to,level%20of%20peak%20theoretical%20FLOPs)[newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/tpuv7-google-takes-a-swing-at-the#:~:text=announcing%20TPUs%20as%20they%20ramp,array%20to%20256%20x%20256)）。シストリックアレイではデータを**拍動（systolic）的に隣接する演算素子に次々と流すことで、パイプライン上で大量の積和演算を並列処理します**[**henryhmko.github.io**](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=Systolic%20array%20is%20a%20hardware,the%20results%20to%20neighboring%20PEs)**。一度データを流し始めれば、各PE（Processing Element）は同期して次々と演算とデータ受け渡しを行うため、追加の制御回路なしで大量のMAC演算を実行できます**[**henryhmko.github.io**](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=The%20benefit%20of%20such%20a,than%20the%20input%20and%20output)**。また入力と出力以外では途中でメモリにデータを書き戻す必要もなく、計算が完了するまでデータはアレイ内を移動し続ける**構造になっています[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=The%20benefit%20of%20such%20a,than%20the%20input%20and%20output)。このため演算中のデータ管理がシンプルになり、ハードウェアをフルに動かすことが容易です。TPUはこの特性を生かし、行列演算に特化することで**極めて高いスループット**と**エネルギー効率**を実現しています[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=TPUs%20achieve%20amazing%20throughput%20and,are%20fit%20for%20systolic%20arrays)。\n\n一方、**NVIDIA GPU**の**Tensor Core**は、GPU内の多数の演算コア（SM = Streaming Multiprocessor）に埋め込まれた**小規模行列演算ユニット**です。例えばVolta世代以降のGPUでは各SMに4×4あるいは16×16サイズ程度の行列演算ユニットが搭載され、CUDAのWarp単位でこれらを使用することで行列積を高速に計算します。GPUのTensor Coreは内部的にはシストリックアレイに類似した構造とも言われますが[modal.com](https://modal.com/gpu-glossary/device-hardware/tensor-core#:~:text=What%20is%20a%20Tensor%20Core%3F,be%20systolic%20arrays%2C%20like)、GPU全体として見ると**何千もの演算コアが膨大な数のスレッドを並行実行**し、その中で必要な箇所にTensor Coreを用いる、という動的で汎用的な動作をします[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=TPUs%20often%20struggle%20with%20dynamic,means%20that%20when%20the%20next)。GPUでは**スレッド並列＆SIMD**によって演算を重畳的に実行し、ハードウェアのスケジューラが多数の処理を切り替えながらパイプラインの隙間を埋めて高い演算効率を目指す設計です。Tensor CoreもこのGPUの一部として機能し、必要なときに呼び出されて行列計算を行いますが、その周囲ではGPUの一般演算装置や共有メモリ・キャッシュを活用して**より柔軟なデータフロー**を実現しています[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=TPUs%20often%20struggle%20with%20dynamic,means%20that%20when%20the%20next)。つまり、GPUは**基本ハードが汎用プログラマブル**で、その中に行列向けユニットを組み込んだ形です。一方TPUは**基本ハード自体を行列演算特化**で設計し、周辺の制御もその前提で最適化しているという違いがあります。\n\n**メモリ階層とデータ管理**の観点でもTPUとGPUは対照的です。GPUではL1/L2キャッシュやレジスタ、共有メモリが充実しており、**ハードウェアのキャッシュ機構**がメモリアクセスを自動で隠蔽・最適化します[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=1.%20On,responsible%20for%20the%20computation)。開発者は深く意識せずとも、必要なデータはGPUがメモリ階層から自動的に取り込み、スレッドのスケジューリングで計算とデータ待ちをオーバラップさせるよう工夫されています。一方で**キャッシュ制御には電力・トランジスタ予算を取られ**、アクセスパターン次第ではキャッシュミスによる性能低下も起こりえます[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=First%2C%20recall%20that%20traditional%20caches,note%3A%20compared%20to%20TPUs)。これに対しTPUでは**キャッシュを持たない設計**となっており、代わりにコンパイラ（XLA）が**あらかじめメモリアクセスを解析・計画**することで最適なデータ配置と転送を実現します[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=As%20an%20extreme%20example%2C%20if,a%20buffer%20with%20no%20caches)。TPU各コアには大容量の**オンチップSRAMバッファ**（例えばTPUv4ではUnified Bufferとして**CMEM 128MiB**等）を備え、外部HBMから必要なデータは一度このバッファに明示的にロードされてから演算に供されます[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=3)[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=1.%20On,responsible%20for%20the%20computation)。演算中はデータがシストリックアレイ内を流れるため、**一度ロードしたデータは計算完了まで追加の読み書きが不要**で、メモリ往復を極力減らしています[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=The%20benefit%20of%20such%20a,than%20the%20input%20and%20output)。GPUが\\*\\*「小さなキャッシュを頻繁に活用しながら膨大な演算スレッドを走らせる」**のに対し、TPUは**「大きな局所メモリに必要データをため込み、一気に大量の演算を流し切る」\\*\\*というスタイルです[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=1.%20On,responsible%20for%20the%20computation)[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=This%20is%20the%20complete%20opposite,tens%20of%20thousands%20of%20cores)。\n\nこのような違いから、**データフロー制御**も両者で異なります。TPUでは基本的に**すべての演算シーケンスがコンパイル時に確定**しています。演算の順序やデータのやり取りはXLAコンパイラが最適化した上でハードウェア命令列として発行され、実行時には指示通りに大量のデータがアレイに流し込まれていきます[docs.pytorch.org](https://docs.pytorch.org/xla/master/learn/xla-overview.html#:~:text=,that%20it%20is%20running%20on)。無駄なメモリアクセスや待ち時間が生じないようコンパイラ段階でスケジューリングされているため、TPUは高い**実効演算ユーティリティ (MFU)を発揮できます**[**news.futunn.com**](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=Now%2C%20the%20TPUv7%20,MFU)[**news.futunn.com**](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=frequencies%20but%20enhancing%20actual%20output,MFU)**。一方GPUでは実行時にスレッドブロックが逐次発行され、逐次キャッシュにデータを取りつつ演算を進めます。プログラマは必要ならCUDAストリームやイベントで計算とデータ転送を並行させますが、最終的にはハードウェア側がキャッシュミスやパイプラインの空きを見ながら自動的にリソースを埋める**形で高スループットを目指します。要するに、**GPUは実行時の柔軟性で性能を引き出し、TPUは事前最適化された定型フローで性能を叩き出す**という対比になります。\n\nこうした構造上、**TPUの得意分野は「大規模で規則的な行列演算」であり、これに関しては1チップあたりの理論性能をかなり引き出しやすい設計になっています。一方GPUは汎用性とリアルタイム制御を残している**ため、ピーク性能に対する実効性能は利用状況によって変動しますが、幅広い種類の処理をそつなくこなすことができます[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=TPUs%20often%20struggle%20with%20dynamic,means%20that%20when%20the%20next)。例えばTPUコア数は少ないものの各コアが巨大な行列演算に特化しているのに対し、GPUは非常に多くのコアで様々な演算を並列実行できるため、行列以外の演算や制御処理も同時に処理できる強みがあります。またGPUのプログラミングモデル（CUDA）は開発者に細かな最適化の自由度を与える一方、TPUのプログラミングはXLAコンパイラに大きく依存しており低レベル最適化の自由度は限定的です[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=if%20they%20are%20run%20with,that%20depend%20on%20the%20input)。このような違いを理解して、用途に応じてGPUとTPUの適材適所を判断する必要があります。\n\n## \\3. TPUの「非キャッシュコヒーレント」設計とXLA/ソフトウェアスタックによる補完\n\nGoogle TPUのアーキテクチャには、一般的なCPUや一部のGPUとは異なり**ハードウェアによるキャッシュコヒーレンシ（高速なメモリ一貫性維持機構）が存在しません**。複数のTPUチップがそれぞれ大容量HBMメモリを持っていますが、あるチップのメモリを書き換えても他のチップのキャッシュに自動反映されるような仕組みはなく、**各TPUは基本的に自分の持つメモリ空間しか直接読み取れない**という前提になっています[docs.jax.dev](https://docs.jax.dev/en/latest/pallas/tpu/distributed.html#:~:text=Remote%20Direct%20Memory%20Access%20,Model)。ではTPU同士でデータを共有する必要がある場合はどうするかというと、TPUには**RDMA (Remote Direct Memory Access)と呼ばれるリモートメモリアクセス機能**が用意されています。具体的には、あるTPUから別のTPUへ\\*\\*「メモリ上のデータブロックを指定先アドレスに非同期コピーする」**命令を発行でき、受け取った側は自分のローカルメモリ上にそのデータを直接書き込みます**[**docs.jax.dev**](https://docs.jax.dev/en/latest/pallas/tpu/distributed.html#:~:text=Remote%20Direct%20Memory%20Access%20,Model)[**docs.jax.dev**](https://docs.jax.dev/en/latest/pallas/tpu/distributed.html#:~:text=TPUs%20communicate%20via%20a%20push,values%20to%20a%20shared%20memory)**。このモデルは**push型**とも言われ、送り手が他デバイスのメモリに書き込むイメージです。一方で受け手側から他デバイスのメモリを直接読み込むこと（pull型）はハード的には許されておらず、あくまで**「送り手が送り、受け手は自分の手元のデータしか読まない」**というシンプルなルールに統一されています**[**docs.jax.dev**](https://docs.jax.dev/en/latest/pallas/tpu/distributed.html#:~:text=TPUs%20communicate%20via%20a%20push,values%20to%20a%20shared%20memory)**。この仕組みにより、複数TPU間でデータのやり取りは可能ですが、それは**明示的なデータ転送\\*\\*として行われ、CPUのようにグローバル共有メモリを自由に読み書きするのとは異なる動作になります。\n\nTPUでキャッシュコヒーレンシを省いた理由は、前述のとおり**特定用途に特化した効率**を優先したためです。ハードが勝手に一貫性維持をしないぶん、回路規模や電力を演算リソースに振り向けられます。その代わり、この欠如を埋めるのが**ソフトウェアスタック（コンパイラと通信ライブラリ）の役割**となっています。GoogleのTPUソフトウェアスタック（XLAコンパイラ＋ランタイム）は、複数TPUにまたがる分散計算において必要なデータ転送（例えば勾配のAll-Reduceやパラメータのブロードキャスト等）を**あらかじめ組み立てた実行計画に織り込んでしまいます**[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=Scale%20Workloads%20With%20Minimal%20Effort)。XLAコンパイラにはGSPMD（Generalized SPMD）と呼ばれる自動並列化機能があり、ユーザがモデルの特定テンソルに対して並列分割の指示を与えると、コンパイラが**適切な通信命令（例えば集約やシャッフル）を挿入した並列実行コード**を生成します[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=Scale%20Workloads%20With%20Minimal%20Effort)。これにより、開発者は従来のMPIやNCCLのように手動で通信を記述しなくても、**コンパイラ任せで分散処理を実現**できるようになっています[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=Developing%20efficient%20parallelization%20algorithms%20is,multiple%20hardware%20hosts%20and%20accelerators)。たとえばJAXやPyTorch/XLAでTPUポッド上にモデルを配置すると、裏ではXLAがチップ間通信を組み込んだコードを生成し、実行時にはTPU同士がRDMAによってデータ交換を行います。Googleのレポートによれば、TPUのICIネットワークでは**マルチホップのパケットルーティング**により任意の2チップ間でRDMAパケットを送受でき、All-Reduce等の集合通信も効率よく実現しているとのことです[usenix.org](https://www.usenix.org/system/files/nsdi24-zu.pdf#:~:text=,RDMA%20packets%20to%20be)[micahlerner.com](https://www.micahlerner.com/2025/01/03/resiliency-at-scale-managing-googles-tpuv4-machine-learning-supercomputer.html#:~:text=Resiliency%20at%20Scale%3A%20Managing%20Google%27s,%E2%80%9Ccombine%20all%20of%20the)。\n\nさらに、TPUでは**ホストCPUを介さず**チップ間通信が行える点も重要です。TPUの専用ネットワークICI上でRDMAコピーが完結するため、データを共有するのに一度CPUメモリに戻したりCPUが割り込み処理したりする必要がありません[glennklockwood.com](https://glennklockwood.com/garden/processors/TPUv4#:~:text=ICI)。GoogleはTPUとホスト間の接続にPCIeを用いていますが、TPU同士の通信はPCIeを経由しない**独立した帯域**で行われ、**「フルホストバイパス」と称されています**[**glennklockwood.com**](https://glennklockwood.com/garden/processors/TPUv4#:~:text=ICI)**。この設計により、大規模クラスター内の何千ものTPUが低レイテンシで直接データ交換**しあい、あたかも全体で\\*\\*共有のメモリ空間（1.77ペタバイトのHBMプール）\\*\\*を持っているかのように機能します[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=The%20core%20philosophy%20behind%20the,and%20capacity%20of%20192%20GiB)[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=allowing%20thousands%20of%20chips%20to,and%20capacity%20of%20192%20GiB)。実際には前述のように各自のメモリを書き合っているだけですが、ソフトウェアから見ると巨大な分散共有メモリとして抽象化されているわけです。\n\nもっとも、ハードウェアが何もかも面倒を見てくれるわけではないので、開発者は\\*\\*「メモリ一貫性のモデルはCPUとは異なる」\\*\\*ことを理解しておく必要があります。例えば、一部のデータを複数のTPUで更新し合うような場合、適切に同期（例えばバリア同期やsend/recv完了の確認）を取る必要があります[docs.jax.dev](https://docs.jax.dev/en/latest/pallas/tpu/distributed.html#:~:text=TPUs%20communicate%20via%20a%20push,values%20to%20a%20shared%20memory)[docs.jax.dev](https://docs.jax.dev/en/latest/pallas/tpu/distributed.html#:~:text=Async%20Remote%20Copy%20Operation)。これもXLAランタイムやJAXでは抽象化されており、自動的に同期ポイントが挿入されるか、もしくは高レベルの**lax.psum**のような関数で隠蔽されています。要するに、**TPUではハードによる自動同期は無いものの、ソフト側でそれを補う仕組み（XLAの事前解析＆通信コード挿入）がある**ため、ユーザは通常意識せずとも大規模分散計算が行えるようになっているのです[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=OpenXLA%20makes%20it%20easy%20for,and%20reduce%20memory%20bandwidth%20requirements)[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=Scale%20Workloads%20With%20Minimal%20Effort)。\n\n## \\4. AIトレーニングにおけるCPUとアクセラレータ(TPU/GPU)の役割分担 - データ前処理、オーケストレーション、計算オフロード\n\n大規模なAIトレーニングジョブでは、**ホストCPU**と**AIアクセラレータ（GPUやTPU）がそれぞれ得意な役割を分担して協調動作します。一般論として、CPUはデータ読み込みや前処理、タスクの指揮（オーケストレーション）などを担い、GPU/TPUなどのアクセラレータは数値計算の重い部分をオフロードされるという構図になります**[**artificialintelligencemadesimple.com**](https://www.artificialintelligencemadesimple.com/p/cloud-infrastructure-for-ai-what#:~:text=environments,focuses%20on%20computationally%20intensive%20tasks)**。例えば画像分類モデルの学習であれば、CPUがストレージから画像データを読み込み、サイズ変更や正規化といった前処理を行ってバッチを形成し、それをアクセラレータに送ります。一方アクセラレータ側では、受け取ったバッチを元にフォワード計算・バックプロパゲーションといった膨大な行列演算処理を実行します。トレーニングループ自体（例えばエポックの管理や損失監視など）はCPU上のプログラムが動かしており、各イテレーションでアクセラレータに計算を投げ、結果を受け取って次の処理へ…という具合に制御しています**[**artificialintelligencemadesimple.com**](https://www.artificialintelligencemadesimple.com/p/cloud-infrastructure-for-ai-what#:~:text=environments,focuses%20on%20computationally%20intensive%20tasks)**。このようにCPUは頭脳、アクセラレータは筋肉**として機能すると捉えると分かりやすいでしょう。\n\nとはいえ近年、GPUやTPU側でも単なる計算ユニットに留まらず**CPUの役割の一部をオフロード**する動きが見られます。例えばNVIDIA GPUでは**GPUDirect RDMA**という機能で、ネットワークアダプタやストレージデバイスからGPUメモリへ直接データをDMA転送する仕組みを提供しており、これによりCPUを介さずにGPUがデータを受け取ることができます[linkedin.com](https://www.linkedin.com/posts/ravichandran-paramasivam-a12b3438_gpudirect-rdma-what-it-is-why-it-matters-activity-7385645146681438208-4Yon#:~:text=GPUDirect%20RDMA%3A%20How%20it%20works,bouncing%20through%20host%20DRAM)。またNVIDIAのGrace HopperシステムではCPUとGPUが同一メモリ空間を共有し、データ移動なしにCPU前処理結果をGPU計算に渡すといった統合も図られています。一方GoogleのTPUも、前述した**RDMA over ICI**の仕組みにより**CPUをバイパスした直接通信**を大規模クラスタ上で実現しています[glennklockwood.com](https://glennklockwood.com/garden/processors/TPUv4#:~:text=ICI)。各TPUが他のTPUのHBMに直接データを書き込めるため、例えばあるTPUが前処理したデータを別のTPUに直接送る、ということも可能になります。実際、TPUv4以降のシステムでは**一連の計算を開始する際にホストCPUから各TPUへ初期入力を送り込んだ後は、TPU同士が互いに通信しながら計算を進め、最終的な結果だけをホストに返す**という動作が行われています[glennklockwood.com](https://glennklockwood.com/garden/processors/TPUv4#:~:text=ICI)[glennklockwood.com](https://glennklockwood.com/garden/processors/TPUv4#:~:text=ICI%20is%20a%20%E2%80%9Cproprietary%20inter,400G%20bandwidth%20in%20each%20direction)。この間、ホストCPUは次のバッチ準備など別の作業をしていられるため、計算ノード全体としての並行度が上がり効率的です。\n\nGoogle TPUポッドにおける**ホストとTPUの関係**は、ハードウェア的には「1台のホスト（CPUサーバ）が数個（例えば4個）のTPUチップを管理する」という構成になっています[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=A%20single%20TPU%20tray%20consists,have%201%20core%20per%20chip)。TPUは単独では動作せず、必ずホストからの制御を受けて動く従属デバイスです。ホストCPUからPCIe経由でコマンド（例えばXLAでコンパイルされた実行計画の開始指示）や初期データが送られると、TPUチップ上で計算が始まります[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=A%20single%20TPU%20tray%20consists,have%201%20core%20per%20chip)。計算中、ホストは必要に応じてTPUの状態をポーリングしたり次の処理を送ったりしますが、基本的に**演算処理そのものはTPU上で完結**します。特に勾配計算などで複数TPU間のデータやり取り（AllReduce）が必要な場合も、上で述べたように**TPU同士が直接通信**するため、ホストが介在するのは全体進捗の管理程度です[glennklockwood.com](https://glennklockwood.com/garden/processors/TPUv4#:~:text=ICI)。この構造はNVIDIAのGPUクラスタでも似たようなもので、MPIやNCCLによるGPU間通信はドライバレベルで最適化されており、CPUはそれを呼び出す程度の関与です。しかしTPUではそれがさらに一歩進み、専用の高速網(ICI)によるシームレスなチップ直結が実現している点で特長的です[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=Google%E2%80%99s%20true%20ace%20up%20its,chip%20interconnect%20network%20called%20ICI)。\n\nさらにGoogleは、AIトレーニングクラスター全体の制御に**Orchestration（オーケストレーション）ソフト**を用いています。例えばTPUポッドでは、**Pod Manager**と呼ばれるコンポーネントがOCI（光スイッチ）を設定し、ジョブに応じて適切なトポロジーにネットワークを構成します[glennklockwood.com](https://glennklockwood.com/garden/processors/TPUv4#:~:text=Job%20scheduling)。またBorg（Googleのクラスタスケジューラ）がジョブ開始時に各ホストにバイナリを送り、libtpunetライブラリがTPUたちのネットワーク初期化（トポロジー検出やルーティング設定、全TPU同期のためのクロック調整など）を行います[usenix.org](https://www.usenix.org/system/files/nsdi24-zu.pdf#:~:text=3,the%20ISA%20interface%20for%20RDMA)[usenix.org](https://www.usenix.org/system/files/nsdi24-zu.pdf#:~:text=intent,The)。これらはすべてCPU上のソフトウェアで行われ、TPUが動き出す前の準備段階にあたります。一度ジョブが開始すれば、あとはコンパイル済みの命令に従ってTPU群が動き、大量のデータ計算と相互通信をこなします。万一ハード不良が発生した際はhealthdデーモンが検知してBorgに通知し、ジョブを停止・再スケジュールする、といったメンテナンス処理もCPU側で遂行されます[usenix.org](https://www.usenix.org/system/files/nsdi24-zu.pdf#:~:text=We%20added%20a%20healthd%20daemon,cable%20connection%20and%20associated%20link)[usenix.org](https://www.usenix.org/system/files/nsdi24-zu.pdf#:~:text=are%20ranked%20by%20their%20criticality%2C,The%20former%20provides%20broad%20coverage)。このように**CPUは主に制御と周辺処理、TPU/GPUは計算本体**という役割分担が全体を通して貫かれています。\n\n## \\5. OpenXLAとStableHLOの役割 - フレームワークとハードウェアのギャップを埋め、TPU性能を引き出す\n\nGoogle TPUの高性能を活かすには、優れたソフトウェアコンパイラとミドルウェアの支援が不可欠です。その中心的存在が**XLA (Accelerated Linear Algebra)コンパイラであり、そして近年オープンソース化されたOpenXLAプロジェクト**です。OpenXLAはGoogle主導で2023年に公開された機械学習コンパイラ基盤で、XLAコンパイラ本体に加え、**StableHLO**という共通の中間表現（IR）、およびIREEなど他のバックエンドを含む**モジュール式ツールチェーン**として構成されています[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=Performance%2C%20Scale%2C%20and%20Portability%3A%20Leveraging,the%20OpenXLA%20Ecosystem)。その目的は、**主要な機械学習フレームワーク（TensorFlow, PyTorch, JAXなど）から統一されたコンパイラインタフェース**でモデルを受け取り、ハードウェアに最適化された実行コードを生成することです[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=OpenXLA%20eliminates%20barriers%20for%20ML,optimized%20and%20executed%20on%20hardware)。OpenXLAは標準化されたモデル表現を用いて移植性を確保しつつ、ターゲット非依存およびハードウェア固有の強力な最適化を施せるドメイン固有コンパイラを提供します[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=OpenXLA%20eliminates%20barriers%20for%20ML,optimized%20and%20executed%20on%20hardware)。この仕組みにより、開発者は特定ハード向けの低レベルコードを書くことなく**モデルの性能を引き出す**ことが可能になります[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=OpenXLA%20makes%20it%20easy%20for,and%20reduce%20memory%20bandwidth%20requirements)。\n\n中心となる**StableHLO**は、XLAコンパイラが内部で用いてきたHLO (High-Level Optimizer) 命令セットを安定化・標準化したものです[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=StableHLO)。StableHLOは行列乗算や畳み込み、アクティベーション関数など**高水準な機械学習演算オペレーションの集合**であり、動的形状や量子化、スパース表現といった機能もサポートしています[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=StableHLO)。各フレームワーク（JAX, PyTorch, TensorFlow）はモデルをこのStableHLO形式で出力でき、OpenXLAはそれを入力フォーマットとして受け取ります[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=StableHLO%2C%20a%20portability%20layer%20between,0%20release)。StableHLOはさらにMLIR形式でシリアライズ可能で、後方互換性も保証されているため、長期にわたりポータブルなモデル表現として機能します[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=StableHLO)。要するに、StableHLOを介することで**フレームワーク側とコンパイラ側のインタフェースが統一**され、どのフレームワークで書かれたモデルでもXLAコンパイラを使って各種ハードウェア（TPUを含む）上で効率よく動かせるようになるのです[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=OpenXLA%20provides%20out,serves%20as%20OpenXLA%27s%20input%20format)。\n\nXLAコンパイラ自体は、TensorFlow向けに開発が開始された独自コンパイラですが、Google内部ではTPUの性能を最大限引き出すために不可欠な存在でした。XLAは計算グラフ全体を把握して**全体最適なコード生成**を行うことができます。具体的な最適化例としては、**演算の融合 (operator fusion)** によるメモリアクセス削減、レイアウト最適化によるデータ局所性向上、スケジューリングによるピークメモリ使用量削減や通信隠蔽などが挙げられます[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=OpenXLA%20makes%20it%20easy%20for,and%20reduce%20memory%20bandwidth%20requirements)。例えばTPU上では、行列演算→活性化関数→次の行列演算といった一連のオペレーションを一つにまとめて**巨大なカーネル**として実行し、中間データをメモリに書き戻さないようにします[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=,hardware)。これによりメモリ帯域の節約とMXUのフル活用が図れます。またXLAには**SPMD分割**の自動化（前述のGSPMD）も組み込まれており、大規模モデルを複数デバイスに分散する際のパーティショニングと通信挿入も自動でこなします[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=Scale%20Workloads%20With%20Minimal%20Effort)。さらに特定のモデル・ハードウェア組み合わせに対しては、XLAによる一般最適化の上に**カスタムカーネル**を差し込む仕組みもあります[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=,hardware)[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=that%20combines%20the%20broad%20benefits,fundamental%20tenet%20of%20the%20co)。たとえばGoogleはPallasという仕組みで、JAXやPyTorch上からCUDAやDSL（Tritonなど）で記述した専用カーネルを組み込めるようにし、ボトルネック演算をチューンする手段も提供しています[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=provides%20a%20powerful%20performance%20baseline,design)[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=,hardware)。このように\\*\\*「一般的なコンパイラ最適化 + 必要に応じカスタム最適化」\\*\\*という二段構えで、TPU上でのモデル実行を高速化しているのです[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=provides%20a%20powerful%20performance%20baseline,design)[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=box,fundamental%20tenet%20of%20the%20co)。\n\nOpenXLAがもたらした大きな変化の一つは、**PyTorchやJAXといったフレームワークからTPUをシームレスに利用できるようになった**ことです。かつてTPUは主にTensorFlow (Google) もしくはJAX (Google内部)からしか使えず、PyTorchユーザにとってハードルが高いものでした。しかし現在では**PyTorch/XLA**というオープンソースのツールキットが整備され、PyTorchのモデルをほぼそのままTPU上で実行できます[docs.pytorch.org](https://docs.pytorch.org/xla/master/learn/xla-overview.html#:~:text=PyTorch%2FXLA%20is%20an%20open,from%20their%20existing%20PyTorch%20workflows)。PyTorch/XLAはPyTorchのPythonフロントエンドとXLAコンパイラの間のブリッジとして機能し、PyTorchの演算呼び出しをXLAのHLOグラフに変換してコンパイル・実行する仕組みです[docs.pytorch.org](https://docs.pytorch.org/xla/master/learn/xla-overview.html#:~:text=At%20its%20core%2C%20PyTorch%2FXLA%20acts,get%20the%20following%20key%20features)[docs.pytorch.org](https://docs.pytorch.org/xla/master/learn/xla-overview.html#:~:text=2,that%20it%20is%20running%20on)。特徴的なのは**Lazy Tensor**と呼ばれる仕組みで、演算命令を逐次実行する代わりにまず計算グラフ（IR）として蓄積し、必要になった時点でXLAに渡してコンパイルするという方式を取ります[docs.pytorch.org](https://docs.pytorch.org/xla/master/learn/xla-overview.html#:~:text=1,lead%20to%20significant%20performance%20improvements)。これにより余分なデータ転送や同期をまとめて最適化でき、高効率なバイナリを生成してTPU上で実行できます[docs.pytorch.org](https://docs.pytorch.org/xla/master/learn/xla-overview.html#:~:text=,that%20it%20is%20running%20on)。PyTorch/XLAを使えば**既存のPyTorchコードにごく僅かな修正を加えるだけ**でTPUを活用できるため、研究者・開発者にとってTPU利用のハードルが大きく下がりました[docs.pytorch.org](https://docs.pytorch.org/xla/master/learn/xla-overview.html#:~:text=PyTorch%2FXLA%20is%20an%20open,from%20their%20existing%20PyTorch%20workflows)[docs.pytorch.org](https://docs.pytorch.org/xla/master/learn/xla-overview.html#:~:text=performance%20for%20training%20and%20inference,designed%20AI%20accelerators)。Google自身もこの流れに沿って2023年頃から「TPUでPyTorchをネイティブ動作させる」取り組みを強化し、Lazy Tensor経由ではなくPyTorch 2.0のDynamo + OpenXLAを統合する形で、より使いやすく高性能なソリューションを提供し始めています[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=Previously%2C%20Google%E2%80%99s%20%27super%20captain%27%20Robert,running%20PyTorch%20Native%20on%20TPUs)。加えて、GoogleはTPUを外部提供するにあたりStableHLOやOpenXLAを通じてCUDAエコシステムとの差を埋める努力も続けています[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=For%20a%20long%20time%2C%20the,predominantly%20uses%20PyTorch%20and%20CUDA)[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=Previously%2C%20Google%E2%80%99s%20%27super%20captain%27%20Robert,running%20PyTorch%20Native%20on%20TPUs)。最近ではTPU上での推論向けにvLLMやSGLangなどのオープンソースプロジェクトにもコードを寄与し、PyTorch以外のエコシステムにもTPU最適化の恩恵を広げています[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=Google%20no%20longer%20relies%20on,migrate%20their%20code%20to%20TPUs)。\n\n総じて、OpenXLAとStableHLOは\\*\\*「ソフトウェアとハードウェアの橋渡し役」**として機能し、開発者が高水準のフレームワークを使いながらもTPUの持つポテンシャル（高い計算性能とスケーラビリティ）を発揮できるようにしています。これらのコンパイラ技術なしには、TPUという**特殊なハードウェアを一般ユーザが使いこなすことは困難\\*\\*でした。逆に言えば、Googleはソフトとハードを一体最適化（co-design）することで初めてGPUに匹敵する汎用性と使い勝手をTPUにもたらしたのです[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=As%20machine%20learning%20models%20continue,that%20make%20this%20power%20accessible)[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=,hardware)。\n\n## \\6. 「NVIDIAは汎用プラットフォーム、TPUは特化型アプライアンス」議論 - 動的形状や分岐処理に見る違い\n\nしばしば指摘されるように、**TPUは特定のワークロードに特化した専用機器であり、NVIDIA GPUはより汎用性の高いプラットフォーム**だと言われます[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=TPUs%20often%20struggle%20with%20dynamic,means%20that%20when%20the%20next)。技術的な観点から、その代表的な例が**動的な計算グラフや可変長のデータに対する処理**です。TPUは前述の通り**Ahead-of-Timeコンパイル**が基本で、一度コンパイルした実行プランは入力のサイズや分岐パターンが変わらない前提で最適化されています[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=JAX%2BXLA%20on%20TPUs%20are%20in,tailor%20the%20process%20to%20TPUs)[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=But%20there%27s%20one%20caution%3A%20jitted,that%20depend%20on%20the%20input)。そのため、入力データの形状が逐次変化したり、実行中に条件分岐で処理経路が変わるような**動的なワークロード**はやや苦手としています。実際JAX/TPUでは、**@jit**でコンパイルした関数に異なる形状の入力を与えると都度再コンパイルが必要になり、**動的パディングや入力依存のループ**を含む処理は効率が落ちる傾向があります[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=where%20TPU,tailor%20the%20process%20to%20TPUs)。一例として大規模言語モデル(LLM)の**テキスト生成推論**を考えると、各サンプルの出力長（生成されるトークン数）は異なりますが、TPU上では最大長に合わせてパディングしたバッチをまとめて処理する必要があり、短い系列のためにも無駄な演算が走ってしまうケースがあります。この問題に対処するため、最近ではStableHLOが**動的形状**をサポートし、XLAも動的パディングに対処する機能が拡充されつつありますが[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=StableHLO)、根本的には\\*\\*「静的に最適化された計算グラフを高速に実行する」\\*\\*というTPUの基本思想からくる制約と言えます。\n\nまた**条件分岐や不規則な計算パターン**もTPUの不得手分野です。TPUのコア（シストリックアレイ）は一斉に同じ計算を繰り返すには非常に効率的ですが、処理する要素ごとに実行内容が変わるような場合、柔軟に対応できるプログラム可能コアに比べて効率が大きく低下します[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=TPUs%20often%20struggle%20with%20dynamic,means%20that%20when%20the%20next)。典型例が**スパース（疎）なデータ**や\\*\\*Mixture-of-Experts (MoE)\\*\\*のようなモデルです。シストリックアレイは入力行列内にゼロが多くても全要素について演算を行ってしまうため、スパース演算で本来計算不要な部分にも計算リソースを割いてしまいます[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=Aside%3A%20Downsides%20of%20Systolic%20Arrays,Sparsity)。一方GPUは条件に応じて分岐したり演算をスキップしたりできます（SIMD幅内ではマスクされ無駄は出ますが、それでもTPUより細かな制御が可能です）。またMoEのように入力ごとに異なる専門家ネットワークに振り分けるモデルでは、TPU上で動的に異なる演算パスを取るのは難しく、事前に最大パス数分だけ演算を用意しておき実行時に不要パスを潰す（無駄な演算をする）ような実装になりがちです。対照的にGPUなら、分岐先ごとにスレッドを分けて実行することも可能であり、**プログラムの柔軟性**という点で優れています[reddit.comreddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=TPUs%20often%20struggle%20with%20dynamic,means%20that%20when%20the%20next)。\n\nさらに**カスタム演算の実装容易性**にも差があります。新しいAI手法やレイヤーが登場した際、GPUであればCUDA C++でカスタムカーネルを書いたり、Python実装でもそれなりに動かすことができます。しかしTPUではXLAコンパイラがサポートしない演算は動作させるのが困難で、極端な場合にはTPU用に演算アルゴリズム自体を作り直す必要が出てきます[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=architectures%20that%20don%E2%80%99t%20fit%20their,means%20that%20when%20the%20next)。研究段階のモデルはまずGPU上で実装・検証されることがほとんどであり、「新手法への追随の速さ」という観点でもGPUの方が有利です[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=than%20fixed%20function%20accelerators,port%20it%20to%20alternative%20hardware)[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=decade%20happened%20on%20GPUs%20first,port%20it%20to%20alternative%20hardware)。TPUサポートが整う頃には研究コミュニティはさらに先へ進んでいる、といった事態も起こりえます[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=decade%20happened%20on%20GPUs%20first,port%20it%20to%20alternative%20hardware)。\n\n以上のように、**TPUとGPUは一長一短**があります。TPUは**特定パターンの処理（大規模で規則的な並列演算）に対しては圧倒的な性能と効率**を発揮しますが、**汎用性や柔軟性ではGPUに軍配**が上がります[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=TPUs%20often%20struggle%20with%20dynamic,means%20that%20when%20the%20next)。言い換えれば、TPUは\\*\\*「AI専用アクセラレータ（アプライアンス）」**としてピーク性能とTCOを追求した設計であり、GPUは**「汎用並列計算プラットフォーム」**として幅広いタスクに対応できる設計です。それゆえ、例えば**大規模LLMの事前学習**のように計算が画一的で莫大なリソースを要する部分はTPUが得意とし、一方**動的な推論サービング**や**新規アルゴリズムの試行\\*\\*などはGPUの方が扱いやすい、という状況が生まれています。このギャップを埋めるために、ソフトウェア側でTPUをより汎用的に使う工夫（StableHLOで動的制御をサポートする等）や、GPU側で特定ワークロード向けの最適化（Transformer Engineによる低精度最適化等[artificialintelligencemadesimple.com](https://www.artificialintelligencemadesimple.com/p/cloud-infrastructure-for-ai-what#:~:text=Nvidia%20is%2C%20of%20course%2C%20the,2013%20and%20productized%20in%202017)）が進められており、今後も両者のアプローチは互いに影響を与え合っていくでしょう。\n\n## \\7. デュアルスタック（TPU+GPU併用）運用の難しさとGoogle GeminiにおけるTPU活用\n\n最後に、組織やプロジェクトにおいて**TPUとGPUを併用（デュアルスタック）する場合の課題**について考察します。TPUとGPUは前述のようにハードウェアアーキテクチャもソフトスタックも大きく異なるため、両方を同時に運用することは**技術的・運用的コスト**が高くなりがちです。主な難点としては以下のようなものがあります。\n\n- **コードベースの分断と複雑化**: GPU向けにはCUDAやそれに基づくライブラリ群（cuDNN, NCCL, TensorRTなど）が成熟していますが、TPUではXLAコンパイラやTPU専用ライブラリを使う必要があります[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=You%E2%80%99re%20exactly%20right%3A%20TPUs%20do,not%20run%20CUDA)[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=,plus%20the%20massive%20CUDA%20ecosystem)。既存のCUDA向けコードや最適化をTPU向けに**移植（ポーティング）するには、フレームワークをJAXもしくはPyTorch/XLAに書き換え、性能チューニングをやり直し、必要なら独自オペレーションを実装し直す、といった手間がかかります**[**reddit.com**](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=,You%20have%20to)**。これは数年かけて積み上げたCUDA資産を持つチームにとって容易ではなく、事実上二重の開発・保守コスト**を強いることになります[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=,You%20have%20to)。\n- **デバッグとツールの不足**: GPU分野では統合開発環境やプロファイラ、デバッガ等のエコシステムが充実していますが、TPU向けの開発ツールは限定的です。XLAによる**事前コンパイル**は人間に読みにくい最適化コードを生成するため、不具合発生時に原因を突き止めるのが難しい場合があります。TPUプログラミングに不慣れなチームがGPUとTPUの両対応コードを書けば、デバッグに倍の時間がかかるリスクがあります。\n- **運用コストと専門知識**: GPUインフラは広く普及しておりクラウドやオンプレでもノウハウがありますが、TPUクラスターの自前運用例は限定的です（Googleや一部研究機関を除き、TPU Podは主にGoogle Cloud上で提供される形です）。そのためTPUを導入すると、**新たな知見を持つ人材の確保や学習**が必要になります。複数プラットフォームの混在運用はオペレーションも複雑化し、例えばソフトウェア環境の管理（異なるコンパイラやライブラリの共存）、ジョブスケジューリングの最適化（TPUとGPUでキューが別々になる）など考慮すべき点が増えます。組織としても、CUDAネイティブな人材とXLA/JAXに強い人材の両方を揃える必要が出てきます[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=it%20raises%20friction%20for%20everyone,else)。\n\n以上の理由から、GoogleやMetaのように大規模リソースを持つ企業以外では、TPUを導入するハードルは依然高いとされています[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=%2A%20Re,ops%20and%20internal%20infra)。実際、**業界全体では依然GPUがデファクト標準**であり、TPUは特定の先進企業やクラウドサービス提供分野に限られているのが現状です[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=it%20raises%20friction%20for%20everyone,else)。Google自身、これまで内部利用が中心だったTPUを外部提供するにあたり、PyTorch対応やオープンソースへの寄与などソフト面でハードルを下げる努力をしていますが[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=For%20a%20long%20time%2C%20the,predominantly%20uses%20PyTorch%20and%20CUDA)[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=Previously%2C%20Google%E2%80%99s%20%27super%20captain%27%20Robert,running%20PyTorch%20Native%20on%20TPUs)、それでもなおCUDAエコシステムの厚みには及びません。したがって、両方のプラットフォームを併用する“デュアルスタック”戦略は、**よほど明確なメリット（例えば特定ジョブでTPUが圧倒的有利など）が無い限り運用コストに見合わない**可能性が高いのです。\n\nでは、現在Googleが開発している最先端AIモデル\\*\\*「Gemini」**はこの点どうなのでしょうか。GeminiはGPT-4に対抗するとされる大規模多機能モデルで、その学習にはGoogleのTPUが全面的に活用されています**[**newsletter.semianalysis.com**](https://newsletter.semianalysis.com/p/tpuv7-google-takes-a-swing-at-the#:~:text=to%20Nvidia%E2%80%99s%20NVLink)**。SemiAnalysisのレポートによれば、最新の**Gemini 3モデルは過去のバージョン同様\\*\\*、**学習の全工程をTPU上で実施**しており、これはTPUプラットフォームの技術的成熟を示す何よりの証拠となっています[newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/tpuv7-google-takes-a-swing-at-the#:~:text=to%20Nvidia%E2%80%99s%20NVLink)[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=significantly%20reducing%20power%20consumption%20and,latency)。実際、GeminiやClaude 4.5など現在世界トップクラスのモデルがTPUでフル訓練された事実は、「フロンティアモデルの学習」のような最も困難なタスクをTPUが成し遂げたことを意味します[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=significantly%20reducing%20power%20consumption%20and,latency)。Googleは社運を賭けたGeminiにおいて、あえてGPUではなくTPUを用いる道を選びましたが、それは自社のTPUインフラが**性能的にもコスト的にも十分競争力がある**と判断したからに他なりません[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=Model%20data%20from%20SemiAnalysis%20shows,efficiency%20advantage%20over%20NVIDIA)[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=From%20Google%27s%20internal%20perspective%2C%20the,lower%20than%20purchasing%20GB200)。Gemini開発では研究者とハードウェア・ソフトウェアチームが密接に協力し、TPU向けにモデル実装を最適化することで最高の性能を引き出しています。これは容易なことではありませんが、Googleのように両方の専門性を社内に持つ組織だからこそ可能となったアプローチです。\n\nもっとも、Googleほどの規模でなければ、このような\\*\\*「TPUオンリー戦略」**を採るのは難しいでしょう。一般企業にとっては、TPUを導入するだけでも冒険であり、GPUと併用するとなればなおさらです。Geminiの成功例は、TPUが適切な環境下ではGPUに匹敵しうるどころか凌駕するパフォーマンスを発揮できる可能性を示しました**[**news.futunn.com**](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=Model%20data%20from%20SemiAnalysis%20shows,efficiency%20advantage%20over%20NVIDIA)[**news.futunn.com**](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=From%20Google%27s%20internal%20perspective%2C%20the,lower%20than%20purchasing%20GB200)**。しかしその裏には、Googleによるソフトウェアスタックの大改革（PyTorch対応やオープンソース化）や、Anthropicなどパートナーとの協業によるスケールメリットなど、相当の投資と努力があります**[**news.futunn.com**](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=Removing%20the%20Final%20Barrier%3A%20Changes,in%20the%20Software%20Ecosystem)[**news.futunn.com**](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=to%20the%20KPIs%20of%20Google%27s,internally%27%20to%20%27embracing%20open%20source)**。Geminiがどの程度TPU“のみ”で運用されているか公式な詳細は明かされていませんが、少なくとも学習フェーズはTPUで完結しており、推論提供に関してもGoogle CloudのTPUベースAIハイパークラスター上で行われていると推測されます。Googleにとっては、ハードからソフトまで自社で垂直統合したTPUプラットフォームこそが**競争優位\\*\\*であり、敢えてNVIDIA GPUに頼らない戦略を選んでいるわけです。\n\n以上、(1)～(7)までGoogle TPUとNVIDIA GPUのアーキテクチャ上の違い、特にTPUv7 Ironwoodの光接続とスケーラビリティ、演算コア（GEMMエンジン vs Tensor Core）、メモリ一貫性の設計哲学、CPUとの協調、OpenXLAによるソフト面の橋渡し、動的ワークロードへの適性、そしてデュアルスタック運用の現実について技術的に比較・考察しました。それぞれのプラットフォームには得意不得意があり、使い分けや統合には深い知見が求められます。しかし最終的には、**「システム全体で最良の性能と効率を引き出す」ことが目的であり、Google TPUの設計思想はまさにシステムレベルでの最適化**に重きが置かれている点が印象的です[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=While%20price%20wars%20represent%20tactical,engineering%20constitutes%20Google%E2%80%99s%20strategic%20moat)。今後もNVIDIAとGoogleのアプローチの競い合いから、AIインフラの技術革新が進んでいくことでしょう。\n\n---\n\n## TPU/Broadcom vs NVIDIA GPU のコスト構造\n\nTPU/Broadcom vs NVIDIA GPU のコスト構造をざっくり一言で言うと、\n\n> **「NVIDIA に払っていた超高マージンを、Google と Broadcom が“自分たち側”に取り戻したうえで、システム全体を最適化して TCO を40％前後削っている」**\n\nという構図です。\n\n以下、もう少し丁寧に分解していきます。\n\n---\n\n### \\1. プレイヤーとビジネスモデルの違い\n\n### NVIDIA GPU 側\n\n- H100 / B100 / GB200 / GB300 などの GPU や NVLink/NVSwitch、InfiniBand スイッチまで **NVIDIA が一式売る**。\n- 直近決算で GAAP ベースの粗利益率は約 78％。データセンター製品単体では 75％を超えるとされます。([Klover](https://www.klover.ai/nvidia-ai-strategy-analysis-sustained-dominance-ai/?utm_source=chatgpt.com)) \n → **GPU サーバの TCO は、電力や運用より「GPU Capex」が圧倒的に支配的**。\n- SemiAnalysis の試算では、H100 サーバの月あたりコストは\n \n - 設備（Capex）約 7,025 ドル\n - ホスティング（電力・ラック・運用など Opex）約 1,871 ドル \n → 合計 TCO を決めているのはほぼ GPU 本体の価格。([newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/gpu-cloud-economics-explained-the))\n\nGPU クラウドや他のハイパースケーラーは、この「NVIDIA の高マージン込みの価格」からスタートするため、**自分たちがいくら効率の良いデータセンターを作っても、TCO の大部分は NVIDIA の値付けに支配されてしまう**構造です。\n\n---\n\n### Google TPU 側（Google × Broadcom）\n\n- **アーキテクチャ設計：** Google（TPU v1〜v7, Trillium など）。\n- **論理設計・物理設計・サプライチェーン統合：** 主に Broadcom のカスタム ASIC 部門。\n- **製造：** TSMC（先端ノード）、HBM は Samsung / SK hynix など。([newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/google-ai-infrastructure-supremacy))\n- 英国 CMA の調査報告でも、\\*\\*「TPU は Google が Broadcom と共同開発し、Broadcom が製造・供給している」\\*\\*と明記。([政府出版サービス](https://assets.publishing.service.gov.uk/media/688b8891fdde2b8f73469544/final_decision_report.pdf?utm_source=chatgpt.com))\n\nビジネスモデルは概ね以下の形と考えられます（数字は公開されていないので構造だけ）：\n\n1. **Google → Broadcom**\n \n - 世代ごとの NRE（設計費・マスク費など）を前払い/契約。\n - 量産フェーズでは「ウェハ＋HBM＋パッケージ＋テスト＋Broadcom マージン」を含む **コスト＋マージン型の単価**で TPU ダイを購入。\n2. **Google の内部利用**\n \n - TPU ラック/Pod 全体を自社データセンターに展開し、Search / Ads / YouTube / Gemini / Maps など社内ワークロード＆GCP に供給。\n - **「GPU ベンダーへのマージン」を払わなくて済むので、その分が丸ごと Google 側の経済圏に残る。**\n3. **外販パターン**\n \n - GCP 経由で「TPU-as-a-Service」として時間課金で提供。\n - さらに TPUv7 では **Broadcom が完成ラックを外部（Anthropic）に直接販売**する形も登場（約 40 万個の TPUv7 を約 100 億ドル相当で販売と報じられている）。([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))\n\nBroadcom 側は、Apple や Meta などと同様の「**カスタム ASIC 受託ビジネス**」として大口かつ長期契約を確保し、Google は「**NVIDIA ではなく Broadcom にだけ一段のマージンを払う**」構造になります。\n\nSemiAnalysis は、\n\n> 「Google は Broadcom 経由で自社チップを取得するため、NVIDIA のような高マージンを払わずに済み、**支払うマージンは『かなり低い』**」([newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/tpuv5e-the-new-benchmark-in-cost))\n\nと評価しています。\n\n---\n\n### \\2. TPUv7 vs GB200：TCO の定量比較（公開情報ベース）\n\nSemiAnalysis の最新レポート（Futu 経由要約）では、TPUv7「Ironwood」と NVIDIA GB200 を**サーバレベルの TCO**で比較しています：([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))\n\n- **Google 内部視点（自家消費）：**\n \n - TPUv7 サーバの TCO は **GB200 サーバ比で約 44％低い**。\n- **Anthropic のような外部顧客が GCP 経由で借りる場合（Google＋Broadcom＋GCP 利益込み）：**\n \n - それでも **GB200 を購入・利用する場合より TCO が約 30％低い**。\n - GB300 NVL72 との比較では、さらに大きな差（約 40％超の優位）とされる。\n\nつまり、\n\n> **「Broadcom にも Google にも利益を出しつつ、それでも NVIDIA GPU より 3〜4割 TCO が安い」**\n\nというかなり強烈な数字が出ています。\n\nなぜこんな差が出るのかを、コスト構造から分解します。\n\n---\n\n### \\3. コスト構造の分解：どこで差がつくか\n\n### 3-1. チップそのもののマージン構造\n\n**NVIDIA**\n\n- 1枚あたり数万ドル級の H100/B100/GB200 モジュールに対し、\\*\\*おおよそ 4 倍前後の価格乗せ（約 75％前後の粗利）\\*\\*を取っていると SemiAnalysis は推定。([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))\n- さらに、NVSwitch・InfiniBand スイッチ・NIC といったネットワーク製品にも高いマージンを上乗せ。\n- 結果として、**「チップ＋ネットワーク」の層だけでとんでもない利益」が NVIDIA に集中**。\n\n**Google + Broadcom（TPU）**\n\n- Broadcom はカスタム ASIC ビジネスとして、TPU ダイに対し「**製造コスト＋α（ASIC ビジネスとしては高めだが、NVIDIA GPU よりはるかに低いマージン）**」を乗せる。([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))\n- SemiAnalysis は、\n \n 1. 「チップの BOM の中では Broadcom がかなり大きな利益を取っているが、それでも NVIDIA の 4x マークアップよりは低く、**なお Google 側にも GPU クラウド案件より良い EBIT マージンが残る**」([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge)) \n と分析。\n- 要するに、 \n **「チップ単価＝TSMC＋HBM＋パッケージ＋Broadcom の modest なマージン」** \n という構造で、NVIDIA のような“ブランド GPU プレミアム”が乗っていない。\n\nこの段階で、**1チップあたり数十％レベルでコストが安い**と推定され、それがサーバ TCO 44％差の大きな源泉になっています。\n\n---\n\n### 3-2. ネットワーク（ICI + OCS）vs NVLink + InfiniBand\n\nここが Google の「システム設計としての縦割り最適化」の真骨頂です。SemiAnalysis の TPUv4 分析から：([newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/google-ai-infrastructure-supremacy))\n\n- TPUv4 では、\n \n - **64 チップの「スライス」までは銅ケーブル（DAC）で直結**し、\n - その先は **自社開発の Optical Circuit Switch（OCS）＋光リンク**で接続。\n- 4,096 チップ級の TPUv4 Pod を構成する際、\n \n - Google は **OCS 48 台**で済むのに対し、\n - 同規模の 4,096 GPU クラスターを NVIDIA で組むと、**InfiniBand スイッチが約 568 台必要**と試算。\n- OCS はスイッチ単体では\n \n - **NVIDIA の InfiniBand スイッチより 3.2〜3.5 倍高価**（小売価格ベース）、\n - 製造原価ベースで比較すると **12.8〜14 倍**も高いとされる。 \n それでも、\n - 必要台数が ≒1/12 で済むうえ、\n - 光電変換を減らして消費電力も削減できるため、 \n → **ネットワーク全体としての Capex では TPU 側が有利か、ほぼ同等**。\n- Google は、 \n **「TPUv4 スーパーコンピュータにおいて、ネットワークの Capex は全体の \\<5%、電力も \\<3%」** \n に抑えられていると主張。([newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/google-ai-infrastructure-supremacy))\n\nこれを TPUv7 Ironwood ではさらに強化し、\n\n- **ICI + OCS + 3D Torus ネットワーク**により、\n \n - 1 Pod あたり **9,216 チップ**までスケール可能、\n - OCS による光学スイッチングでトポロジーをソフトウェア的に動的再構成、故障チップを迂回しつつ 3D torus を保つ。([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))\n\n対して NVIDIA の Blackwell/GB200/NVL72 では、\n\n- NVLink スケールは 72GPU（NVL72）〜数百 GPU レベルが実質限界で、そこから先は InfiniBand/Ethernet などの**階層的な Clos ネットワーク**へ。([Reddit](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/?utm_source=chatgpt.com))\n- スイッチ段数が増えるほど、\n \n - スイッチ台数\n - 光トランシーバ本数\n - 光電変換の回数 \n が増え、**ネットワークの Capex と電力が跳ね上がる**。\n\n**まとめると：**\n\n> NVIDIA：GPU は高マージン、ネットワークは多段スイッチなので規模を伸ばすほどネット側のコストも増えやすい。\n\nGoogle：チップは“コスト＋α”、ネットワークは OCS で段数・台数を極限まで削って、ネットワーク Capex を \\<5%に抑える。\n\nここでも \\*\\*「いかにネットワークを安く・効率よく作るか」\\*\\*というシステム視点で、Google は GPU スタックより 10％〜20％単位の追加のコスト差を積み上げています。\n\n---\n\n### 3-3. データセンター全体（PUE・電力・運用）\n\nSemiAnalysis の TCO モデルでは、GPU サーバでは\n\n- 「ホスティングコスト（電力＋ラック＋冷却＋運用）」は月 1,871 ドル、\n- Capex が 7,025 ドルと比べると**二次的な項目**。([newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/gpu-cloud-economics-explained-the))\n\nただし Google のようなハイパースケーラーは、\n\n- PUE ~1.05 付近まで追い込んだ超高効率データセンター\n- 自社設計の電源・冷却・ラック・液冷システム\n\nを持ち、Colo などより大幅に安く建てられるとされています。([newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/gpu-cloud-economics-explained-the))\n\nGPU サーバの場合は、\n\n> 「どう頑張っても TCO の 7〜8割は NVIDIA に払う Capex」\n\nなので、この PUE/インフラ効率の差は TCO 全体の中での重みが小さいですが、**TPU の場合は元のチップコストが安いので、このインフラ効率の差が素直に TCO 削減効果として効いてくる**、という構図になります。\n\n---\n\n### 3-4. ファイナンス面：Super Cloud Vendor Backstop\n\nSemiAnalysis が指摘している、TPUv7 の TCO 優位を支えているもう一つのカギが「**Super Cloud Vendor Backstop**」と呼ぶ金融スキームです。([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))\n\n- AI クラスターの経済寿命：4〜5年\n- データセンターリース・電力契約：15 年クラス\n\nという **期間ミスマッチ** のせいで、中小の GPU クラウドやマイナーは資金調達に苦しみます。\n\nGoogle はここに対して、\n\n- マイナーやコロケーション事業者が建てた施設に TPU ラックを置く際に、\n- \\*\\*「もし借り手が家賃を払えなくなったら Google が肩代わりする」\\*\\*という形のクレジットバックストップを提供。\n- これにより、金融機関から見たリスクが激減し、**低金利で資金調達して安くデータセンターを建てられる**。\n\nこのおかげで、\n\n1. **TPU ラックのインフラコストがさらに下がる**\n2. その TPU を GCP と外部顧客（Anthropic など）とでシェアすることで、**設備稼働率を非常に高く維持できる**\n\n→ 結果として、**TCO/有効 FLOP がさらに GPU より有利になる**、という循環です。([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))\n\nNVIDIA GPU だけを買う GPU クラウド事業者は、このような「クラウドベンダー自身による信用補完」を持たないので、金利・デフォルトリスクを織り込んだ TCO になります。ここも垂直統合のメリットです。\n\n---\n\n### \\4. Broadcom との分業と収益配分\n\nSemiAnalysis/Futu 要約と他報道を組み合わせると、Broadcom–Google–顧客の収益構造はだいたい次のような感じと考えられます：([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))\n\n1. **Google ↔ Broadcom**\n \n - Google が世代ごとの NRE を支払い、最低発注数量をコミット。\n - Broadcom は ASIC 開発・量産・ラック化までを請け負い、チップレベル BOM 上で「比較的大きいが、NVIDIA ほどではないマージン」を取る。\n2. **Broadcom ↔ エンドユーザー（Anthropic）**\n \n - TPUv7 ラック 40万台分を約100億ドルで直接販売（＝Broadcom がハードウェア販売の利益を取る）。\n3. **Google ↔ エンドユーザー（Anthropic、Meta、OpenAIなど）**\n \n - 残り 60 万個の TPUv7 を GCP を通じて時間課金で提供。\n - ここで Google は、\n \n - Broadcom から買ったハードウェアに自らのクラウドマージンを乗せる\n - それでも **GB200/GB300 ベースの GPU クラウドより 30〜40％安い TCO** を提示できる \n と SemiAnalysis は見積もっています。([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))\n\nNVIDIA の場合、\n\n- **NVIDIA が GPU＋ネットワークで超高マージンを取る**\n- その上に GPU クラウドやハイパースケーラーがクラウドマージンを載せる\n\nという「二段構えのマージン」ですが、\n\nTPU スタックでは、\n\n- **チップマージン： Broadcom**\n- **クラウドマージン： Google**\n\nと“自陣営”の中で完結し、しかも総額では NVIDIA スタックより低い。 \nこの構造が、\n\n> **「TPUv7 の TCO が GB200 比で 44%安いのに、Google も Broadcom もちゃんと儲かる」**\n\nという、垂直統合型の美味しい状態を生んでいます。\n\n---\n\n### \\5. NVIDIA GPU TCO と比べた Google 垂直統合の競争優位性\n\nここまでの話を、TCO 観点で整理すると：\n\n### 5-1. TCO の内訳イメージ（大規模 LLM トレーニング・推論クラスター）\n\n（※割合は概念的イメージ）\n\n**NVIDIA GPU スタック（GB200/GB300 NVL72 クラス）**\n\n- GPU/NVLink/NVSwitch/ネットワーク機器：**TCO の 70〜80％**\n \n - うち NVIDIA の粗利が 50％ポイント以上。\n- データセンター建設・電力・冷却・運用：20〜30％\n- ソフトウェア開発・オペレーション：数％（人件費は別勘定）\n\n**Google TPU スタック（TPUv6/TPUv7 クラス）**\n\n- TPU＋OCS＋ラック：**TCO の 50〜60％**\n \n - うち Broadcom マージン＋Google マージンだが、総額は NVIDIA より低い。\n- データセンター・電力・冷却・運用：**40〜50％**\n \n - 高効率インフラ＋Backstop スキーム＋稼働率最適化で絶対額も圧縮。\n- ソフトウェアスタック（XLA, OpenXLA, JAX, PyTorch/XLA 等）：\n \n - 内部ツールも含めて Google 自社の固定費として回収。\n\n**結果：**\n\n- 内部利用では **TPU サーバ TCO が同世代 NVIDIA GPU サーバ比で ~40〜45％安い**。([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))\n- 外部提供（GCP）でも、**GB200/GB300 より ~30〜40％ TCO が安い価格を提示しつつ、Google も十分な利益を確保**。\n\n---\n\n### 5-2. 垂直統合アプローチの経済的メリット（まとめ）\n\n1. **Vendor Margin の内部化**\n \n - 本来 NVIDIA が持っていくはずの GPU マージンの大部分を、 \n **Broadcom＋Google という“味方サイド”で分け合える**。\n2. **システム最適化（ネットワーク＆トポロジ）**\n \n - OCS＋3D Torus により「必要スイッチ数」「光電変換」「ケーブル本数」を削減し、 \n **ネットワーク Capex を \\<5% に抑える**ことで全体 TCO をさらに削る。([newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/google-ai-infrastructure-supremacy))\n3. **PUE とインフラ効率**\n \n - 高効率データセンター＋液冷＋ラック設計まで含めた最適化で、 \n **電力当たりの TFLOP や TB/s を最大化**。\n4. **ファイナンス（Super Cloud Vendor Backstop）**\n \n - 期間ミスマッチを Google の信用で埋めることで、**低金利で巨大クラスターを調達**しつつ、 \n 内部・外部の両方のワークロードで高稼働率を達成。\n5. **ワークロード＆ソフトウェア縦統合**\n \n - Search/Ads/Gmail/Maps/Gemini/YouTube など、**莫大な内部ワークロードを TPU に集約**できるため、 \n 世代交代ごとの NRE やツール開発コストを十分に回収できる。\n - OpenXLA/StableHLO や PyTorch ネイティブサポートを進めることで、**外部顧客も取り込みやすくなり、スケールメリットがさらに増幅**。([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))\n\n---\n\n### 5-3. もちろん弱点もある\n\n公平に見ると、Google 方式にも制約はあります：\n\n- **膨大な初期投資とスケール前提**\n \n - NRE＋インフラ＋ソフトウェア整備に「数十億〜百億ドル」レベルの投資を 4〜5年サイクルで回す必要があり、真似できるのは GAFA 級だけ。\n- **アーキテクチャ外した時のリスク**\n \n - TPUv4i が PaLM のような大型 LLM 推論に向かなかった事例のように、**アーキテクチャのミスは丸ごと自社が被るリスク**。([newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/google-ai-infrastructure-supremacy))\n- **汎用性・エコシステムでは NVIDIA 優位**\n \n - GPU はオンプレからあらゆるクラウドまで、研究〜ゲーム〜HPC まで使われる「汎用 GPU エコシステム」。\n - TPU は基本 GCP と一部の直販先のみで、**長期的な中古市場や転用先は GPU より限定される**。\n- **Broadcom 依存リスク**\n \n - シリコン実装を Broadcom にほぼ一本化しているため、**Broadcom 側の価格交渉力が高まる**リスクも存在。\n\nとはいえ、現時点の公開情報ベースでは、\n\n> **大規模 LLM/RecSys のような TPU にフィットするワークロードに限れば、TPU スタックは NVIDIA GPU スタックに対して 30〜45％程度の TCO 優位を持ち、その利益を Google と Broadcom が分け合える構造になっている**\n\nと評価するのが妥当だと思います。\n\n---\n\n### ざっくり結論\n\n- **コスト構造：**\n \n - NVIDIA：GPU 本体＋ネットワークに極めて高いマージン → GPU サーバ TCO の大部分が「NVIDIA に払うお金」で決まりがち。\n - Google TPU：Broadcom の ASIC マージンはあるが、全体としては NVIDIA よりかなり低い。加えてネットワークとインフラを徹底最適化。\n- **TCO 比較：**\n \n - 内部利用で TPUv7 サーバは GB200 サーバ比 **約 44％ 安い TCO**。\n - 外部顧客に GCP 経由で貸しても **GB200 より約 30％ 安い TCO** を保ちながら Google も高い収益性。([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))\n- **経済的競争優位：**\n \n - この差は単に「チップが安い」だけでなく、 \n **ASIC 設計＋ネットワーク＋PUE＋ファイナンス＋ソフトウェアまでを含む、垂直統合＆システム最適化の結果**。\n - 特に Anthropic や（将来の）Meta/OpenAI など「フロンティア LLM」を大量に回す顧客にとっては、**同じタスクを半分程度の TCO でこなせる可能性がある**ため、GPU 一辺倒から TPU を含むマルチベンダー戦略へ切り替える強いインセンティブが生まれている。\n\n---\n\n## OSCとMEMSミラー\n\n### \\1. OCS（Optical Circuit Switch）って何をしている装置か\n\n### 電気スイッチとの一番大きな違い\n\n普通のEthernetスイッチやInfiniBandスイッチは：\n\n1. 光 → 電気に変換（O/E）\n2. パケットヘッダを見る（MAC / IP / RoCE など）\n3. スイッチチップ内部でルックアップ＋バッファリング\n4. 電気 → 光に再変換（E/O）\n\nという「O-E-O」変換をして、**パケット単位で転送先を決める**機械です。\n\nOCSはこれと全然違っていて、\n\n- **光信号を一度も電気に戻さず**\n- **「この入力ファイバ → この出力ファイバ」という“回線”を物理的に組み替えるだけ**\n\nの装置です。 \nGoogleのJupiter/DCネットワークの解説では、OCSを\n\n> 「2組のMEMSミラーで、N本の入力ファイバとN本の出力ファイバを任意に接続する装置」([Google Cloud](https://cloud.google.com/blog/topics/systems/the-evolution-of-googles-jupiter-data-center-network))\n\nと説明しています。\n\nイメージとしては、\n\n- 「でっかい自動パッチパネル」\n- しかも、**ソフトウェアからコマンドを送ると、ミリ秒オーダーで配線を組み替えてくれる**\n\nという感じです。\n\nその代わり：\n\n- パケットを解釈しない\n- バッファも持たない\n- 切り替え速度はミリ秒オーダー（パケットスイッチの ns〜µs よりずっと遅い）\n\nので、**回線交換（circuit switching）専用**で、「一度つないだら、しばらくそのまま使う」前提の設計です。\n\n---\n\n### \\2. MEMSミラー型OCSの基本構造\n\n### MEMSとは？\n\nMEMS（Micro-Electro-Mechanical Systems）は、\n\n- シリコンウェハ上に\n \n - 微小な機械構造（バネ・梁・ミラー）\n - それを動かす電極\n - 必要なら簡単なセンサ回路\n- をフォトリソ＋エッチングで作り込んだ**超小型機械デバイス**\n\nです。\n\nMEMS光スイッチでは、\n\n- シリコン基板の上に**非常に小さな鏡（数十〜数百 µm）をアレイ状**に並べ、\n- ミラーを支える梁（ヒンジ）と、**静電力などでミラーを傾ける駆動電極**を作っておき、\n- 電圧をかけてミラーの角度を変えることで、光ビームの方向を変えます。([Optical Passive Components](https://opticalpassive.wordpress.com/2021/04/08/the-working-principle-and-application-of-mems-optical-switch/))\n\n結果として、「入力ファイバから出てきた光を、どの出力ファイバに向けるか」を選べます。\n\n### 2D MEMS vs 3D MEMS\n\nMEMS光スイッチには大きく\n\n- **2D型**\n- **3D型**\n\nがあります。([Optical Passive Components](https://opticalpassive.wordpress.com/2021/04/08/the-working-principle-and-application-of-mems-optical-switch/))\n\n**2D MEMS**\n\n- ミラーは基本的に「倒す／立てる」の2状態（あるいは数状態）\n- コリメートした光がミラー列を通過し、\n \n - ミラーが寝ている：まっすぐスルー\n - ミラーが起きている：横方向に反射して別のポートへ\n- 構造は比較的シンプルですが、大規模な N×N クロスコネクトにすると配線が複雑になりがち\n\n**3D MEMS**\n\n- ミラー1枚1枚が**2軸（X/Y）方向にアナログ的に傾けられる**\n- 入力側と出力側で**2段のミラーアレイ**を用意し、\n \n - 入力ファイバ → コリメータ → 入力ミラー（角度θ₁）\n - 入力ミラーが光を空間中に飛ばし、\n - それを出力ミラー（角度θ₂）でキャッチして、\n - 出力ファイバに反射して入れる\n- という構成で、\\*\\*任意の入力ポート i を任意の出力ポート j に接続できる N×N OXC（Optical Cross-Connect）\\*\\*を作れます。\n\nGoogleのJupiter論文中の図もまさにこの「2段のMEMSミラーで入力N本・出力N本を結び直す」構成を示しています。([Google Cloud](https://cloud.google.com/blog/topics/systems/the-evolution-of-googles-jupiter-data-center-network))\n\n---\n\n### \\3. Google TPU v4 / TPUv7(Ironwood) でのOCSの使われ方\n\n### TPU v4 + Palomar OCS\n\nTPU v4の論文と解説記事から分かる構成をざっくりまとめると：([arXiv](https://arxiv.org/pdf/2304.01433))\n\n- **1つの「Cube」**\n \n - 4×4×4 = 64個のTPU v4チップ\n - それぞれがTray内では電気配線（ICI）で3Dトーラス接続\n- Cubeから外に出るリンク\n \n - 6面（±X, ±Y, ±Z）× 16リンク = **96本の光ICIリンク**\n- これらを**複数のOCS（Palomar OCS）に接続**\n \n - Palomar OCSは \\*\\*136×136 ポート（128本+スペア8本）\\*\\*の巨大な3D MEMS OCS\n - ミラー切り替え時間はミリ秒オーダー\n - 片側のファイバに対して「サーキュレータ」を使い双方向伝送（実質ポート数削減）([arXiv](https://arxiv.org/pdf/2304.01433))\n- 4096チップ級のTPU v4スーパーコンピュータでは\n \n - 64個のCube × 96リンク = 6144本の光リンクを\n - **48台のPalomar OCS**でつないで、再構成可能な3Dトーラスを構成\n\nASCIIの解説ではさらに：\n\n- Palomar OCSはO-band (1260–1360 nm)、たぶん 100GBASE-FR1 系のトランシーバを想定\n- Pod全体のCAPEXの**5%未満、消費電力の3%未満**であり、InfiniBandよりかなり安く・低消費電力とGoogleが主張([週刊アスキー - 週アスのITニュースサイト](https://weekly.ascii.jp/elem/000/004/146/4146388/3/))\n- O/E/O変換をせず、**2枚のMEMSミラー＋数枚のハーフミラーだけで光路を切り替える**\n\nと書かれています。\n\n※ハーフミラー＋850nmレーザは、制御用の監視光路（アライメント確認）のためで、ユーザデータ用の1310nm信号とは分離されます。([週刊アスキー - 週アスのITニュースサイト](https://weekly.ascii.jp/elem/000/004/146/4146388/3/))\n\n### Ironwood（TPUv7）とOCS\n\nIronwood（TPUv7）でも基本思想は同じで、\n\n- 1ラック = 64チップで1 Cube（電気配線 3Dトーラス）\n- 複数のCubeを**OCSネットワークで接続してPod/Superpod**を構成\n \n - 例）4 Cubeで256チップPod、144 Cubeで 9,216チップ Superpod\n- OCSの「ファブリックマネージャ」が、故障Cubeや故障リンクを検出すると\n \n - そのCubeを**光学的にバイパス**\n - スペアCubeを代わりにOCS上で接続し直す \n という「光配線レベルのリコンフィグ」を行う([Google Cloud](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack))\n\nここまで来ると、\\*\\*“OCS＋ICIで巨大な一枚岩のメモリ一貫クラスタ”\\*\\*を作っている、という感覚に近いです。\n\n---\n\n### \\4. Googleデータセンター（Jupiter）でのOCS活用\n\nTPUクラスターだけでなく、Googleの普通のDCネットワーク（Jupiter）でもOCSが使われています。([Google Cloud](https://cloud.google.com/blog/topics/systems/the-evolution-of-googles-jupiter-data-center-network))\n\n- 従来：Closトポロジ＋電気スイッチで建屋全体をフラットに接続\n- 課題：\n \n - Spine層が最新速度（40→100→200→400Gbps…）に合わせて一括更新必要\n - 大規模な再配線が必要で「ビル止めメンテ」になりがち\n- 解決策：\n \n - Aggregationブロック間を**OCS経由の光メッシュ**にする\n - OCSを「建物レベルのインターロペラビリティポイント」にする([Google Cloud](https://cloud.google.com/blog/topics/systems/the-evolution-of-googles-jupiter-data-center-network))\n - OCSはプロトコル・速度・波長非依存なので、サーバ側だけ世代交代してもOCSはそのまま使える\n\nこの構成により、\n\n- 電力 40%削減\n- コスト 30%削減\n- ダウンタイム 50×削減\n\nなど、かなり攻めた数字を出しているとGoogleは述べています。([Google Cloud](https://cloud.google.com/blog/topics/systems/the-evolution-of-googles-jupiter-data-center-network))\n\n---\n\n### \\5. MEMS OCS のメリットとデメリット\n\n### メリット\n\n1. **O/E/O変換を省略できる**\n \n - トランシーバ（端点）で電気↔光変換するだけで、\n - 中間のOCSでは**純粋な光学反射のみ** \n → 大規模電気スイッチやSerDesの消費電力・発熱を丸ごと削減。\n2. **速度・プロトコル非依存**\n \n - OCSは「光のビームが通るかどうか」しか見ないので、\n - 100G→200G→400G と世代交代しても、物理ポートの本数と波長帯さえ合えばそのまま使える。([Google Cloud](https://cloud.google.com/blog/topics/systems/the-evolution-of-googles-jupiter-data-center-network))\n3. **大規模N×N接続を実装しやすい**\n \n - 3D MEMSなら、320×320クラスの巨大クロスコネクトも実現可能であることが既存研究・製品で示されています。([USENIX](https://www.usenix.org/system/files/nsdi22-paper-wang_weitao_rdc.pdf?utm_source=chatgpt.com))\n - GoogleのPalomar OCSも 136×136 という大ポート数を実現。([arXiv](https://arxiv.org/pdf/2304.01433))\n4. **消費電力が小さい**\n \n - 大きいのはトランシーバ側のレーザ・DSPの電力で、\n - OCS側は**ミラー駆動用のドライバだけ** \n → ASICスイッチを大量に並べた場合と比べて圧倒的に省電力。\n5. **トポロジーの“光レベル再構成”が可能**\n \n - TPU v4/TPUv7のように、ジョブや故障状況に合わせて3Dトーラスのつなぎ方を変える\n - Jupiterのように、アプリ優先度に応じてトラフィック工学と連携して配線を再構成([Google Cloud](https://cloud.google.com/blog/topics/systems/the-evolution-of-googles-jupiter-data-center-network))\n\n### デメリット / 制約\n\n1. **スイッチング速度はミリ秒オーダー**\n \n - MEMSミラーを物理的に動かすので、ns〜µs単位でパケット毎のルーティングは不可能。\n - そのため、\n \n - **大きな“象トラフィック”（長時間走る大規模ジョブ）向き**\n - 細かいフロー制御は、別の電気スイッチ／ToRで行う、という二層構造が必要。\n2. **バッファがない**\n \n - OCSは単なる「光の経路」であり、キューイングや輻輳制御は行えない。\n - そのため、エッジ側（ToRスイッチやNIC）でのフロー制御・再送制御が必須。\n3. **光損失（挿入損失）がそこそこある**\n \n - Palomarでは2枚のMEMSミラー＋3枚のハーフミラーを通るため、どうしてもdBオーダーの損失が出ると指摘されています。([週刊アスキー - 週アスのITニュースサイト](https://weekly.ascii.jp/elem/000/004/146/4146388/3/))\n - そのため、xBASE-SRのような短距離用ではなく、信号強度に余裕のあるFR/LR系のトランシーバ（100GBASE-FR1など）を前提にしていると分析されています。\n4. **初期キャリブレーションが重い**\n \n - 320×320クラスの3D MEMSでは、各ミラーのアナログ角度→正しい光路へのマッピングを事前に校正してテーブル化する必要があり、これが時間とコストを食うという報告もあります。([opg.optica.org](https://opg.optica.org/jocn/abstract.cfm?URI=jocn-16-1-A1&utm_source=chatgpt.com))\n\n---\n\n### \\6. “MEMSミラーで光路を切り替える” をもう少し直感的に\n\n少しイメージ寄りで説明すると：\n\n1. **ファイバから出た光をコリメート**\n \n - 各入力ポートの先に小さなレンズがあり、ファイバから出た光を平行光にします。\n2. **入力側MEMSミラーで「縦方向」に投げる先を決める**\n \n - 1枚目のミラーアレイ（入力側）が、X方向の角度を変えて“どの方向の空間へ光を飛ばすか”を決める。\n3. **出力側MEMSミラーで「横方向」に捕まえる**\n \n - 空間中を飛んできた光を、出力側のミラーアレイのどれか1枚がキャッチし、\n - 今度はY方向の角度を変えて、自分の後ろにある出力レンズ→出力ファイバに送り込む。\n4. **制御光＋ハーフミラーでアライメントを監視**\n \n - Palomarでは、850nm帯の制御用レーザをハーフミラー経由で通して、ミラーの姿勢と光路が正しいか監視している、とASCII記事は推測しています。([週刊アスキー - 週アスのITニュースサイト](https://weekly.ascii.jp/elem/000/004/146/4146388/3/))\n\nこの「入力ミラーの角度（θ\\_in）」と「出力ミラーの角度（θ\\_out）」の組み合わせを制御ソフトウェアが決めることで、**任意の入力ポート i を任意の出力ポート j にマップ**します。\n\n---\n\n### \\7. TPU / GPU クラスタ設計におけるOCSの位置づけ\n\n最後に、あなたが今追っている「TPU vs NVIDIA」の文脈に引き寄せると：\n\n- **NVIDIA側（GB200/NVL72など）**\n \n - 主戦場はまだ「銅＋パケットスイッチ」で、NVLink/NVSwitch + InfiniBand/Ethernet が主。\n - 将来はCPO/OSFP-XDなどで**光トランシーバの“より近くまで”電気を引っ張る**方向。\n- **Google TPU側（TPUv4〜v7）**\n \n - **ラック内は電気3Dトーラス（ICI）**\n - ラック間・Cube間は**MEMS OCSで光レベル再配線**し、クラスタ全体を「一枚の大きなトーラス」に見せる。\n - データは端点トランシーバで一度光になった後は、目的のトレイまで**一度も電気に戻らない**（途中はOCSの反射のみ）。([arXiv](https://arxiv.org/pdf/2304.01433))\n\nこの「OCS＋MEMSミラー」による光路切り替えは、\n\n- **AIトレーニングのような長時間・大規模ジョブには非常にマッチしている**\n- 逆に、**細かいジョブの多重実行や頻繁なトポロジ変更が必要なワークロード**には向かない\n\nという特徴を持っています。\n\nそのためGoogleは、\n\n- 「TPUクラスタ用の“光トーラス＋OCS”」\n- 「一般サービス用の“Jupiter＋OCS＋電気スイッチ”」\n\nという二段構えで、MEMS OCSをかなり深くDCアーキテクチャに組み込んでいる、というのが今のところの全体像です。\n\n---\n\n## OSCとCPOの違いと、GB300、Rubinではどうなるか\n\n- **NVIDIAは今のところ「GoogleのPalomarみたいなMEMS OCS」をやる気はなくて、** \n **シリコンフォトニクス＋Co-Packaged Optics（CPO）路線に全振り**しています。\n- Spectrum-X / Quantum-X も、**パケットスイッチASIC＋CPO**であって、 \n **MEMSミラー式の光回線交換（OCS）ではない**です。\n- GB300（Blackwell Ultra）、Rubin以降は、\n \n - GB300：**GB200比でだいたい1.5倍クラスのFP4性能＋メモリ1.5倍（288GB HBM3e）**([NVIDIA Developer](https://developer.nvidia.com/blog/inside-nvidia-blackwell-ultra-the-chip-powering-the-ai-factory-era/?utm_source=chatgpt.com))\n - Rubin：\\*\\*Blackwell Ultra比で3.3倍、Rubin Ultraでさらに2倍（最大100 PF4）\\*\\*というロードマップが公表されています。([The Verge](https://www.theverge.com/news/631835/nvidia-blackwell-ultra-ai-chip-gb300?utm_source=chatgpt.com))\n\nここから、質問ごとに整理していきます。\n\n---\n\n### \\1. 「NVIDIAはいつ頃から OCS / MEMS 的なものを導入？」の実態\n\nまず用語整理です：\n\n- **OCS（Optical Circuit Switch）**\n \n - GoogleのPalomarのように、**MEMSミラーでファイバ間を“物理的に”つなぎ替える光回線交換機**。\n - 中では O/E/O しない：**光のままミラーでバウンスさせるだけ**。\n- **NVIDIAがやっているのは CPO（Co-Packaged Optics）＋シリコンフォトニクス**\n \n - **スイッチASICのパッケージの中に光エンジン（シリコンフォトニクス）を同梱**。\n - スイッチ動作自体は**あくまで電気ASICのクロスバ**。光は「I/O部分の電線代わり」。\n\n### ロードマップ（ざっくり時系列）\n\n**GTC 2025（2025年3月）**\n\n- NVIDIAが公式に \n **「シリコンフォトニクスベースのスイッチ」＝Quantum-X Photonics / Spectrum-X Photonics** \n を発表。([NVIDIA Developer](https://developer.nvidia.com/blog/a-new-era-in-data-center-networking-with-nvidia-silicon-photonics-based-network-switching/?utm_source=chatgpt.com))\n- 200G SerDesをベースに、**スイッチASICと光エンジンを同じパッケージに実装**。 \n これによって、\n \n - PCB上の電気配線距離を 14–16 inch → 0.5 inch以下に短縮\n - DSPレスで信号品質を確保\n - **従来のプラガブル光モジュール比で最大3.5倍の電力削減** \n などをうたっています。([NVIDIA Developer](https://developer.nvidia.com/blog/a-new-era-in-data-center-networking-with-nvidia-silicon-photonics-based-network-switching/))\n\n**量産タイミング**\n\n- 市場調査（LightCountingなど）によると、\n \n - **Quantum-X Photonics（InfiniBand用 CPOスイッチ）：2025年後半（2H25）**\n - **Spectrum-X Photonics（Ethernet用 CPOスイッチ）：2026年後半（2H26）** \n に出荷開始とされています。([lightcounting.com](https://www.lightcounting.com/research-note/march-2025-nvidias-cpo-is-the-first-step-in-a-long-journey-395?utm_source=chatgpt.com))\n\n**GPU側への光統合について**\n\n- ReutersインタビューでJensenが明言しているのは：\n \n - CPOはまだ信頼性・コスト面で**GPU本体に乗せるには早い**。\n - まずは**ラックトップのスイッチASICに限定して使う**。\n - 本格的にGPUパッケージに光を統合するのは、**業界全体でのコスト低下と歩留まり改善を待つ必要があり、2028年以降が本命**というニュアンス。([Reuters](https://www.reuters.com/technology/nvidia-ceo-says-power-saving-optical-chip-tech-will-need-wait-wider-use-2025-03-19/?utm_source=chatgpt.com))\n\n**重要ポイント**\n\n> 現時点のNVIDIA公開情報には、 \n> **Google TPUのような「MEMSミラー式 OCS」を採用する計画は出てきません。**\n\n光はあくまで「CPO / co-integrated optics」であり、 \n**スイッチ／GPU間はパケットスイッチ＋光I/O**でいく方針です。\n\n---\n\n### \\2. Spectrum-X / Quantum-X に OCS は入るのか？\n\n結論：\n\n> **OCS（MEMSミラー） は入らない。 \n> 入るのは CPO（シリコンフォトニクスエンジン）だけ。**\n\n### Quantum-X（InfiniBand）\n\n- **Quantum-X800** プラットフォーム向けに \n **「Quantum-X Photonics」** という CPO付きスイッチが提供されます。([NVIDIA](https://www.nvidia.com/en-us/networking/products/silicon-photonics/?utm_source=chatgpt.com))\n- 特徴（公開情報ベース）：\n \n - 200G SerDesベースのポート\n - 144 × 200 Gb/s ポート構成（28.8 Tb/s クラス）\n - 1 CPOパッケージから 324本の光ファイバが出ている（そのうち 288本がデータ、36本がレーザ用）。([APNIC Blog](https://blog.apnic.net/2025/05/07/co-packaged-optics-a-deep-dive/?utm_source=chatgpt.com))\n - 従来のプラガブル光トランシーバ比で**電力 3.5x 削減**。([NVIDIA Developer](https://developer.nvidia.com/blog/a-new-era-in-data-center-networking-with-nvidia-silicon-photonics-based-network-switching/))\n\nここでの「光」は、スイッチASIC横に載った**シリコンフォトニクスの波導＋マイクロリング変調器**で処理されており、 \nGoogleのPalomarのような**自由空間光＋MEMSミラー**ではありません。\n\n### Spectrum-X（Ethernet for AI）\n\n- Spectrum-X は「AI向けイーサネットファブリック」として\n \n - **SpectrumスイッチASIC＋LinkX / CPO光**、\n - GPU側の **GPUDirect RDMA / ネットワークオフロード** \n をひとまとめにしたスタックです。([WEKA](https://www.weka.io/learn/enterprise-technology/nvidia-spectrum-x/?utm_source=chatgpt.com))\n- SDxCentralなどの取材では、\n \n - 従来は大きな**Mach–Zehnder型変調器**ベースだった光エンジンを、\n - **マイクロリング変調器**を使った小型シリコンフォトニクスエンジンに置き換えた \n と説明されています。([sdxcentral.com](https://www.sdxcentral.com/analysis/inside-spectrum-x-nvidias-ethernet-networking-platform/?utm_source=chatgpt.com))\n\nこれも本質的には、\n\n- **パケットルーティングやバッファリングは全部Spectrum ASIC側**\n- 光は**CPOで電線を短く・省電力にしただけ**\n\nなので、**光回線交換（OCS）ではない**です。\n\n### MEMS OCS をやっているのは誰か？\n\n- Cignal AI等のレポートを見ると、 \n **DrutやiPronics** のようなスタートアップが、 \n **MEMSベース／プログラマブル光回路ベースのOCS**をAIネットワーク向けに開発中です。([Cignal AI](https://cignal.ai/2025/11/optical-component-startup-tracker/?utm_source=chatgpt.com))\n- しかし NVIDA 製品カタログやブログには、 \n これらのMEMS OCSを自社スイッチに統合する話は出てきません。\n\n---\n\n### \\3. GB300（Blackwell Ultra）で何がどれだけ速くなるか\n\n**GB300 = Blackwell Ultra** は Blackwell世代の「+α」版です。\n\n### GPU単体のスペック面\n\n公式ブログやデータシートから抜粋すると：([NVIDIA Developer](https://developer.nvidia.com/blog/inside-nvidia-blackwell-ultra-the-chip-powering-the-ai-factory-era/?utm_source=chatgpt.com))\n\n- メモリ\n \n - **HBM3E 288 GB / GPU**\n - H100比で 3.6倍\n - B200（GB200）比で 1.5倍（192 GB → 288 GB）\n - メモリバスは 8192-bit、帯域は **最大 ~8 TB/s**\n- 演算性能（AI向け FP4）\n \n - GB200比で **約1.5倍のFP4 Tensor Core FLOPS**\n - 特に**Attentionレイヤは2倍**の加速をうたう（新しいDynamo FP4やアテンション専用ユニットを込み）。([Tom's Hardware](https://www.tomshardware.com/pc-components/gpus/nvidia-claims-software-and-hardware-upgrades-allow-blackwell-ultra-gb300-to-dominate-mlperf-benchmarks-touts-45-percent-deepseek-r-1-inference-throughput-increase-over-gb200?utm_source=chatgpt.com))\n- TDP / 冷却\n \n - GPUあたり ~1.4 kW クラスと言われており（リーク・解析レベル）([igor´sLAB](https://www.igorslab.de/en/nvidia-blackwell-ultra-gb300-liquid-cooling-or-meltdown/?utm_source=chatgpt.com))、\n - **完全液冷前提**の設計になっています。\n\n### GB300 NVL72 ラック全体\n\n- NVL72は、**72基のBlackwell Ultra GPU + 36基のGrace CPU**で1ラックを構成。([NVIDIA](https://www.nvidia.com/en-us/data-center/gb300-nvl72/?utm_source=chatgpt.com))\n- ラックあたり：\n \n - **FP4 Tensor FLOPS：GB200 NVL72比で1.5倍**、\n - **Attention性能は2倍**、\n - 合計**40 TBのCPU/GPUコヒーレントメモリ**（HBM＋DDRを含む）を提供。([NVIDIA](https://www.nvidia.com/en-us/data-center/gb300-nvl72/?utm_source=chatgpt.com))\n- Hopper世代（H100）との比較では、\n \n - 大規模推論で**最大10倍のレスポンス改善**、\n - **5倍のスループット/W**、\n - 「トークン収益」ベースで**50倍のAIファクトリー出力**というかなり誇張気味のマーケ指標を出しています。([Weights & Biases](https://wandb.ai/onlineinference/genai-research/reports/NVIDIA-GB300-NVL72-A-leap-in-AI-performance-and-efficiency--VmlldzoxMzQ2MjcwNg?utm_source=chatgpt.com))\n\n**要するに GB300 は：**\n\n- **アーキテクチャ刷新というより「メモリとネットワークを盛ったBlackwell最上位SKU」**\n- 「超大規模 LLM（マルチトリリオンパラメータ + 長コンテキスト）」を \n **1ラックで抱えるためのバケモノGPU＋ラック**\n\nという位置づけです。\n\n---\n\n### \\4. Rubin 以降（Vera Rubin / Rubin Ultra）の性能向上\n\nRubin世代は**正式にNVIDIAがロードマップを出している次のアーキテクチャ**です。\n\n### タイムラインと構成\n\n- Tom’s Hardware などによると、 \n **Rubin GPU と Vera CPU は既にTSMCでテープアウト済みで、2026年ローンチ予定**。([Tom's Hardware](https://www.tomshardware.com/tech-industry/artificial-intelligence/nvidias-rubin-gpu-and-vera-cpu-data-center-ai-platforms-begin-tape-out-both-chips-in-fab-and-on-track-for-2026?utm_source=chatgpt.com))\n- Rubinプラットフォームは：\n \n - **Rubin GPU**\n - **Vera CPU（Armベース）**\n - **CX9 SuperNIC**\n - **NVLink 144 scale-up switch**\n - **Spectrum-X系スイッチとシリコンフォトニクスプロセッサ（CPO用）** \n のフルスタックで構成されることが公式に示されています。([Tom's Hardware](https://www.tomshardware.com/tech-industry/artificial-intelligence/nvidias-rubin-gpu-and-vera-cpu-data-center-ai-platforms-begin-tape-out-both-chips-in-fab-and-on-track-for-2026?utm_source=chatgpt.com))\n\n### 性能倍率（公表ベース）\n\nThe Verge など複数のメディアが GTC 2025 での数字をまとめています：([The Verge](https://www.theverge.com/news/631835/nvidia-blackwell-ultra-ai-chip-gb300?utm_source=chatgpt.com))\n\n- **Rubin（初代）**\n \n - Blackwell Ultra（GB300）比で **約3.3倍のAI性能**（FP4ベース）\n - 単体GPUで **50 PF4クラス** を目標値として提示\n- **Rubin Ultra（2027年）**\n \n - Rubin比でさらに2倍 → **100 PF4 / GPU**\n - メモリは最大 **1 TB / GPU** クラスまで拡張\n - Rubin Ultra Superpod 全体では、\n \n - **FP4推論 15 ExaFLOPS**\n - **FP8学習 5 ExaFLOPS**\n - = Blackwell Ultra世代の約14倍 \n という数字が挙げられています。\n\n### Vera Rubin NVL144（システムレベル）\n\n- NVIDIAの日本語ブログによると、 \n **Vera Rubin NVL144** は：([NVIDIA | Japan Blog](https://blogs.nvidia.co.jp/blog/gigawatt-ai-factories-ocp-vera-rubin/?utm_source=chatgpt.com))\n \n - 144 GPU ラック（NVL144）\n - **8 ExaFLOPS級のAI性能**\n - **100 TBの高速メモリ**\n - 100%液冷、**800 V DC データセンター**向けに設計\n- 「ギガワット級 AI ファクトリー」を前提にしたインフラとして、\n \n - 配電・冷却・ラック設計まで含めた**フルスタックの再設計**が進んでいる、と説明されています。\n\n### プロセス・メモリ技術（推定）\n\n- Rubin GPUは TSMC 3nm ＋ 次世代 HBM4 を採用するという報道が多数（ただし公式スペックではなく、**有力リーク＋業界予測レベル**）。([TweakTown](https://www.tweaktown.com/news/102001/nvidias-next-gen-rubin-ai-gpu-could-be-pushed-up-6-months-ahead-of-schedule-with-hbm4/index.html?utm_source=chatgpt.com))\n- また Rubin プラットフォームには\\*\\*「シリコンフォトニクスプロセッサ」\\*\\*が明示されており、 \n ここで CPO / co-integrated optics がさらにGPU側に近づくと見られています。([Tom's Hardware](https://www.tomshardware.com/tech-industry/artificial-intelligence/nvidias-rubin-gpu-and-vera-cpu-data-center-ai-platforms-begin-tape-out-both-chips-in-fab-and-on-track-for-2026?utm_source=chatgpt.com))\n\nただし前述の通り、\n\n- **GPUパッケージ直付けの光I/Oをフルスケールでやるのは 2028年以降（Feynman世代以降）** \n という見方が強いので、\n- Rubin世代では\n \n - ラック/スイッチ側：CPO本格運用\n - GPU側：まだDAC/AOC中心、もしくは短距離の光インターポーザレベル \n という「過渡期」になる可能性が高いです。\n\n---\n\n### \\5. TPUのMEMS OCS路線との対比（ざっくりまとめ）\n\nあなたが前に調べていた **Google TPU v4/v7 + Palomar OCS** と並べてみると：\n\n### Google TPU 側\n\n- **ラック内**：電気 ICI（3Dトーラス）\n- **ラック間 / Pod間**：MEMS OCS（Palomar）で**光回線レベルで3Dトーラスを再配線**([NVIDIA Developer](https://developer.nvidia.com/blog/a-new-era-in-data-center-networking-with-nvidia-silicon-photonics-based-network-switching/))\n- OCSはミリ秒オーダの再構成で、\n \n - 大規模トレーニングジョブ毎にトポロジを最適化\n - 故障Cubeを**光学的にバイパス**して冗長化\n\n### NVIDIA 側\n\n- **GPU内部〜NVLink域**：引き続き銅（将来的にパッケージ内光へ移行予定）\n- **ラック内/ラック間スイッチ**：\n \n - 当面は **Quantum-X / Spectrum-X ASIC＋CPO（シリコンフォトニクス）** で\n - **パケットスイッチ＋光I/O** を徹底強化([NVIDIA Developer](https://developer.nvidia.com/blog/a-new-era-in-data-center-networking-with-nvidia-silicon-photonics-based-network-switching/?utm_source=chatgpt.com))\n- 現時点で **MEMS OCS のような「回線交換」コンポーネントを自社製品に入れる計画は公開されていない**。\n\n**思想の違いを一言で言うと：**\n\n- **Google**： \n 「物理トポロジを光レベルで再構成できる“巨大な一塊のトーラス”を作り、 \n XLA / GSPMD で“分散共有メモリ的”に使う」\n- **NVIDIA**： \n 「従来のClos/Spine-Leaf＋NVLinkクラスタを維持しつつ、 \n **すべてのリンクをシリコンフォトニクス＋CPOで電力/レイテンシごとアップグレード**する」\n\nという感じです。\n\n---\n\n### \\6. ざっくり Q&A まとめ\n\n**Q. NVIDIAはいつ頃から OCS / MEMS のようなものを導入？** \n→ 公開情報ベースでは、**MEMS OCSを導入するロードマップは存在しない**。 \n　代わりに、**2025–26年に CPO付き Quantum-X / Spectrum-X スイッチを量産**し、 \n　将来的にGPU側もシリコンフォトニクスで光I/O化していく方針。\n\n**Q. Spectrum-X / Quantum-X に OCS は使われる？** \n→ **いいえ。どちらもスイッチASIC＋シリコンフォトニクス（CPO）で、 \n　パケットスイッチのままです。** \n　GoogleのようなMEMSミラー式OCSは使っていません。\n\n**Q. GB300 / Rubin ではどんな性能向上？**\n\n- **GB300 (Blackwell Ultra)**\n \n - GB200比：**FP4で約1.5倍、Attentionで2倍**\n - メモリ：**192GB → 288GB HBM3e**（1.5倍）([NVIDIA Developer](https://developer.nvidia.com/blog/inside-nvidia-blackwell-ultra-the-chip-powering-the-ai-factory-era/?utm_source=chatgpt.com))\n - Hopper比では、AIファクトリー全体で最大50倍の“トークン出力”を謳う。\n- **Rubin / Vera Rubin / Rubin Ultra**\n \n - Rubin（2026）：**Blackwell Ultra比で3.3倍、50 PF4 / GPU級**\n - Rubin Ultra（2027）：**さらに2倍 → 100 PF4 / GPU、1TB HBMクラス**\n - Rubin Ultra Superpod：**推論 15 ExaFLOPS、学習 5 ExaFLOPS** を目標とする。([The Verge](https://www.theverge.com/news/631835/nvidia-blackwell-ultra-ai-chip-gb300?utm_source=chatgpt.com))\n\n---\n\n## OSCとCPOの違い\n\n> **CPO =「光トランシーバをチップのすぐ横に埋め込む技術」** \n> **OCS =「光ファイバ同士をミラーでつなぎ替える巨大な“光パッチパネル”」**\n\n同じ「光だけど」役割も中身もまったく別物です。 \n順番に分解してみます。\n\n---\n\n### \\1. それぞれ何をするもの？\n\n### CPO（Co-Packaged Optics）\n\n- **目的**：高速スイッチやGPUの「I/O部分」を省電力＆高帯域にする。\n- やっていること：\n \n - これまでスイッチASICやGPUからは \n → 長い銅配線 → プラガブル光モジュール（QSFP/OSFP） \n というルートで外に出ていた信号を、\n - **スイッチASIC/GPUパッケージのすぐ隣に光エンジン（シリコンフォトニクス）をくっつける**ことで、\n \n - 電気配線を超短距離に縮める\n - SerDesやDSPの負担を減らして**消費電力を大幅に削る**\n- 中心になるのは：\n \n - シリコンフォトニクスの**波導・マイクロリング変調器**\n - レーザダイ\n - それらを載せた小さなモジュールを、スイッチASICと**同じパッケージまたはインターポーザ上に実装**する構造\n\nつまり CPO は、\n\n> **「電線をやめて、チップの足元からいきなり光で出す」ためのI/O技術**\n\nであって、**スイッチング自体は従来どおり電気ASICの中でパケット単位**で行われます。\n\n---\n\n### OCS（Optical Circuit Switch）\n\n- **目的**：大量の光ファイバを「回線レベルで」つなぎ替える。\n- やっていること：\n \n - 例えば「N本の入力ファイバ」と「N本の出力ファイバ」があったとき、\n - **MEMSミラーや光学素子で「この入力→この出力」を物理的に接続し直す**。\n - 中でパケットを解釈したり、電気に戻したりしない。\n- GoogleのPalomar OCSやJupiterのOCSなどが代表例で、\n \n - **N×Nの光クロスコネクト**\n - 全部自由空間光＋MEMSミラーで構成\n - 制御ソフトからコマンドを送ると、ミリ秒オーダーでミラー角度を変えて**トポロジー自体を組み替える**\n\nつまり OCS は、\n\n> **「巨大な、自動で切り替わる光パッチパネル」**\n\nであり、**ネットワーク全体の配線図を光レベルで変える装置**です。 \n中にスイッチASICやバッファはありません。\n\n---\n\n### \\2. データの流れ方の違い\n\n### CPO の場合\n\n1. スイッチASICの中で \n → パケットを見て経路を決定 \n → クロスバ＋バッファで転送先ポートを決める。\n2. ASICの I/O ピンから250Gbps/400Gbpsクラスの電気信号として出る。\n3. すぐ横にある**シリコンフォトニクス光エンジン**で \n → 電気 → 光（変調） \n → ファイバへ。\n\n**スイッチングは完全に電気側で完結**しており、CPOはあくまで \n「電気信号を極力短い距離で光にして外へ出す」だけです。\n\n---\n\n### OCS の場合\n\n1. サーバ／TPU／GPU からの電気信号は \n → 端点の **光トランシーバ／CPO**で光に変換される（ここまではCPOと同じ）。\n2. その光がファイバを通って OCS に到達。\n3. OCS内部では：\n \n - 光は**コリメータレンズ→MEMSミラー**に当たって、\n - ミラーの角度に応じて別方向へ飛び、\n - 別のミラー→出力レンズ→出力ファイバへ。\n4. 一切**電気に戻さないし、パケットを解釈もしない**。\n\n**“どこからどこへつながるか”だけをミラー角度で決める**ので、\n\n- トポロジーの変更は **ミリ秒ごと**\n- 一度つなげばその経路は**ほぼWDMの専用線のように振る舞う**\n\nという性質になります。\n\n---\n\n### \\3. スイッチング粒度と用途の違い\n\n### CPO：パケットスイッチの世界\n\n- 粒度：**パケットごと**にルーティング\n- 速度：ns〜µs レベル（ASICのパイプライン）\n- 用途：\n \n - データセンター内のあらゆる L2/L3/IB/Ethernet トラフィック\n - AIクラスタでのファブリック（Spectrum-X, Quantum-X など）\n- メリット：\n \n - 汎用的（どんなトラフィックも流せる）\n - 従来ネットワークの設計をそのままスケールできる\n- CPOは**これをいかに省電力・高密度で実現するか**という技術\n\n### OCS：回線スイッチの世界\n\n- 粒度：**回線（circuit）単位** \n → 一度「Aラック–Bラック」を結ぶと、その光路は全部その2者専用\n- 速度：ミリ秒オーダー（MEMS駆動）\n- 用途：\n \n - AIトレーニングのような**長時間走る“象トラフィック”の経路を張る**\n - Google Jupiterのように、**データセンター棟内のトポロジーを大きく組み替える**\n- メリット：\n \n - 中でO/E/Oしないので**超省電力・大規模 N×N 接続が可能**\n - 速度やプロトコルに中立（100Gでも400Gでも関係ない）\n\n---\n\n### \\4. アーキテクチャ視点での対比\n\n### 「スタックのどこに効くか？」\n\n- **CPO**\n \n - OSIで言えば **レイヤ1（物理層）の“端点”** を置き換える技術。\n - パケットスイッチのあり方は変えない（ただし距離制約・電力制約を緩める）。\n- **OCS**\n \n - レイヤ1の\\*\\*途中にある“再配線ポイント”\\*\\*を置き換える技術。\n - トポロジーそのものを変えられるので、クラスタの**見かけのグラフ構造**が変化する。\n\n### Google vs NVIDIA の「光」の使い方の違い（ざっくり）\n\n- **Google (TPU / Jupiter)** \n → OCS（MEMSミラー）で \n **「巨大な3Dトーラス/メッシュを光レベルで組み替える」** \n CPOはまだ限定的（ただし今後増える可能性あり）。\n- **NVIDIA (Spectrum-X / Quantum-X / GB200/300)** \n → CPO（シリコンフォトニクス）で \n **「既存のClos/Spine-Leafファブリックを、より省電力・高密度にする」** \n OCSは使わず、あくまでパケットスイッチ＋光I/O。\n\n---\n\n### \\5. メリット・デメリットを一行ずつまとめ\n\n**CPO**\n\n- ✅ メリット\n \n - 電気I/Oの距離を極限まで短縮 → 大幅な省電力＆高帯域\n - 従来のネットワーク設計をほぼそのまま使える（透明）\n- ❌ デメリット\n \n - 実装・パッケージングが難しい（熱/歩留まり/テスト）\n - 「パケットスイッチの階層の多さ」そのものは解決しない\n\n**OCS**\n\n- ✅ メリット\n \n - O/E/Oなしで大規模N×N接続 → スイッチ台数・電力を大幅削減\n - 速度・プロトコル非依存、トポロジーをソフトで再構成できる\n- ❌ デメリット\n \n - 切り替えが遅い（ミリ秒）ので、細かいフロー制御には向かない\n - バッファなし・輻輳制御なし → エッジ側が賢くないと扱いづらい\n\n---\n\n### \\6. まとめ\n\n- **CPO**は \n → 「スイッチ/GPUの“足”を光に変えて、銅線とDSPを減らす技術」 \n → スイッチングは従来通りパケットASICが担当。\n- **OCS**は \n → 「大量の光ファイバをMEMSミラーで物理的に結び直す、光回線スイッチ」 \n → トポロジーそのものを光レベルで組み替える。\n\nなので、\n\n- **CPO vs OCS** は「どっちを採用するか」の比較というより、\n \n 1. **“端点のI/Oをどうするか”（CPO）と、“途中の配線をどうするか”（OCS）はレイヤが違う技術**\n- Googleは **OCS＋電気スイッチ** で巨大トーラスを作り、\n- NVIDIAは **CPO付きスイッチ** で従来Closをひたすら強化している、 \n という構図で押さえておくと整理しやすいと思います。\n\n---\n\n![](/media/eb271d3f580914f9d7a418413e2920eb79f45582ca3b36aff11fb0250b1a2de1-content.webp)\n\n![](/media/57c6118cbf2329d597e2cdf69fc615bd3ff794936e8e67a05f7394179166bc31-content.webp)\n\n---\n\n![](/media/6310344ba894066c3c122887d7fce7beadaf1ccb1c57c50d02738de9d9a98656-content.webp)\n\n1\n\n![](/media/646fa98668f9e1f0006e775b146cb0754709df935b9d10dff8aa4711a4f0c101-content.webp)\n\n2\n\n![](/media/2440635b3ffac9ef3a3434f12760e281c406ad83407215f2073e50f8a2602777-content.webp)\n\n3\n\n![](/media/73a220a0744484102796bb3cdde82db750da2cbfc40b4afd0da349e44b0bdd32-content.webp)\n\n4\n\n![](/media/ca5fd1a8fedc01e43085fd23cdc59441ff153f00aaefabecaf8ff2d4b8a8fbe7-content.webp)\n\n5\n\n![](/media/c364d6d8f4e85dbe4db962aa555d38f25228681ed08001f5052faf4471d2d304-content.webp)\n\n6\n\n![](/media/0bd3aceadc81b8e23a7ff9ec3363ac2e10004a2d1599fbfad465512d0aebcd68-content.webp)\n\n7\n\n![](/media/04b370c4a5185e71f9ffba19909926a5026231ccb1f7f4e6fe74c3be362d5b1f-content.webp)\n\n8\n\n![](/media/6094a1fe047ea13e9809bed6c6cb08e6f478534f198aed819744e5806501a242-content.webp)\n\n9\n\n![](/media/7dbb32f1c580b8fb973df768dff9ee3a2a5dd81491ca87602415296873292ce3-content.webp)\n\n10\n\n![](/media/d30bcbead93d5bf0c3816fbd324bbb7bd330b46077149fd98e40a3b623195a1c-content.webp)\n\n11\n\n![](/media/c1bfa2697f6dcba55cddca28f606beaa69f3e44c2de7febea56e6c013cb0af83-content.webp)\n\n12\n\nTPUとGPU\\_AIインフラの二大哲学とコスト差\n\nCHATGPU5.1 DeepReseach thinkingによる記事作成 \n画像、スライド、音声はnotebooklm \nサムネはPixAI sunflowerモデルとnanobanana","blocks":[{"id":"blk_71abe923-fb1b-4453-9afc-9077a676fcf2","kind":"figure","order":0,"section_id":"sec_823b45f4-9b11-4b7f-b4e2-cea38b70ef5a","character_id":null,"markdown":"![](/media/d6561d7706f8227b6f1bfcf756f555b09b28f329d82008a0127c2cf21f97d4cb-content.webp)","render_override":null},{"id":"blk_319ca29e-3d60-4fe0-995f-7361e05e40fb","kind":"heading","order":1,"section_id":"sec_b1baab16-aa34-4ddc-9475-5b871159a34e","character_id":null,"markdown":"## \\1. TPUv7 Ironwoodの構成とICI/OCSによる大規模接続 (NVIDIA GPUとの比較)","render_override":null},{"id":"blk_e0c5fadd-fffd-4f94-919a-c18ebd073281","kind":"paragraph","order":2,"section_id":"sec_b1baab16-aa34-4ddc-9475-5b871159a34e","character_id":null,"markdown":"Googleの第7世代TPU「**TPUv7 (Ironwood)**」は、チップ間接続とスケーラビリティにおいて大きな特徴があります。Ironwoodでは、各TPUチップが独自の**Inter-Chip Interconnect (ICI)ネットワークで直結され、3次元トーラス型の接続トポロジーを形成しています**[**newsletter.semianalysis.com**](https://newsletter.semianalysis.com/p/tpuv7-google-takes-a-swing-at-the#:~:text=The%20building%20block%20of%20Google%E2%80%99s,fit%20in%20a%20physical%20rack)[**newsletter.semianalysis.com**](https://newsletter.semianalysis.com/p/tpuv7-google-takes-a-swing-at-the#:~:text=But%20what%20is%20so%20great,can%20spend%20countless%20hours%20drawing)**。一つの基本単位は4×4×4のキューブ (64チップ)で、これが物理ラック1台分に相当します**[**newsletter.semianalysis.com**](https://newsletter.semianalysis.com/p/tpuv7-google-takes-a-swing-at-the#:~:text=match%20at%20L711%20The%20building,fit%20in%20a%20physical%20rack)**。Ironwoodではこの64チップのキューブを最大144個**まで光ネットワークで接続可能で、**最大9,216チップ**ものTPUを単一の大規模クラスター（“スーパーPod”）として動作させることができます[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=called%20ICI)。驚異的な規模であり、従来NVIDIA GPUクラスターが一つのシステム内で**64～72枚程度**のGPUを接続するのが一般的だったことを遥かに凌ぎます[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=called%20ICI)。","render_override":null},{"id":"blk_3adac2eb-7cb0-4612-930a-a96bb8f349f1","kind":"paragraph","order":3,"section_id":"sec_b1baab16-aa34-4ddc-9475-5b871159a34e","character_id":null,"markdown":"図: TPUv4ラック（64チップ）の3Dトーラス接続とOptical Circuit Switch（OCS）の概念図[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=A%20single%20TPU%20Rack%20consists,supercomputer%20continues%20to%20appear%20later)。青線はチップ間を電気的に直結する高速ICIリンク、各面の赤線は光スイッチOCSを介した接続を示す。Ironwood TPUではラック（キューブ）間をOCSで動的につなぎ換えることで、最大9216チップもの巨大なトーラス型ネットワークを柔軟に構成できる[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=called%20ICI)。","render_override":null},{"id":"blk_f1f0fde0-2ceb-45c0-837a-29cd7387eb70","kind":"paragraph","order":4,"section_id":"sec_b1baab16-aa34-4ddc-9475-5b871159a34e","character_id":null,"markdown":"大規模接続を支える鍵技術が**OCS (Optical Circuit Switch)です。OCSは光回路交換式**のスイッチで、キューブ（ラック）同士を光ファイバで直接つなぐ役割を果たします[newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/tpuv7-google-takes-a-swing-at-the#:~:text=Optics%20for%20ICI)[newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/tpuv7-google-takes-a-swing-at-the#:~:text=match%20at%20L822%20Google%E2%80%99s%20ICI,TPUs%20into%20multiple%20different%20slice)。NVIDIAがGPU間通信に用いるNVLink（電気的インターコネクト）やInfiniBand/Ethernetスイッチとは異なり、Google TPUではOCSを用いた**ソフトウェア定義の光ネットワーク**でラック間接続を実現しています[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=Google%E2%80%99s%20true%20ace%20up%20its,chip%20interconnect%20network%20called%20ICI)。OCSの利点は、ネットワークトポロジーをソフトウェアで**動的に再構成**できる点です。一部のリンクやTPUに障害が発生した場合でも、光スイッチにより**ミリ秒オーダーで迂回経路を確立**し、3Dトーラス網を「スライス」して再構成できます[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=This%20architecture%20allows%20a%20single,defined%20networking)。このおかげで巨大クラスター全体としての可用性が飛躍的に向上しています。またOCSでは信号は光のまま**鏡などで物理的に切り替えられる**ため、電気⇔光変換によるオーバーヘッドが無く、**低消費電力かつ低レイテンシ**で大規模通信を実現できます[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=This%20means%20that%20if%20part,reducing%20power%20consumption%20and%20latency)。","render_override":null},{"id":"blk_90484fb1-8e40-4bb5-a268-d4a371baf9fa","kind":"paragraph","order":5,"section_id":"sec_b1baab16-aa34-4ddc-9475-5b871159a34e","character_id":null,"markdown":"Ironwood TPUのICIは帯域幅も非常に高く設計されています。Google公式発表によれば、Ironwoodでは各チップが**9.6 Tb/s**もの高速通信で相互接続されており、クラスター全体で**88473.6 Tbps (約11,059.2 TB/s)という途方もない総帯域を実現しています**[**cloud.google.comcloud.google.com**](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=This%20specialized%20design%20extends%20to,for%20a%20complete%20Ironwood%20superpod)**。さらに、9216個のTPUが共有する総HBM容量は約1.77PB**にも達します[cloud.google.com](https://cloud.google.com/blog/products/compute/ironwood-tpus-and-new-axion-based-vms-for-your-ai-workloads#:~:text=Ironwood%20TPUs%20will%20help%20customers,even%20the%20most%20demanding%20models)。これは各チップに搭載された**8スタック・計192GiBのHBM3e**を相互に直接活用できることを意味しており、大規模モデルでもメモリ帯域・容量のボトルネックを低減しています[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=The%20core%20philosophy%20behind%20the,and%20capacity%20of%20192%20GiB)[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=allowing%20thousands%20of%20chips%20to,and%20capacity%20of%20192%20GiB)。要するに、Ironwoodでは数千規模のTPUチップが**一つの統合スーパーコンピュータ**のように動作し、高速な光ネットワークで緊密に連携できるよう設計されているのです[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=this%20challenge)[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=,distributed%20operations%20within%20the%20cube)。","render_override":null},{"id":"blk_97c749d6-7033-4769-ab0b-d352c56a6b5d","kind":"paragraph","order":6,"section_id":"sec_b1baab16-aa34-4ddc-9475-5b871159a34e","character_id":null,"markdown":"一方、**NVIDIAのGPUアーキテクチャ**では、例えば最新のHGXやDGXシステムで**NVLink**という高速な電気接続が用いられます。NVLinkやNVSwitchにより1筐体内で数～十数枚のGPUをバス的に直結できますが、筐体を超えた接続にはInfiniBandやイーサネットネットワークに頼る必要があります。結果として、単一のクラスター内で低レイテンシかつ高帯域で直結できるGPU数には限りがあり、NVIDIAの一般的な“スーパーPod”構成でも\\*\\*数十枚規模（例えば8台の8-GPUサーバで合計64GPU、NVLink Switchesで72GPU構成など）\\*\\*に留まるのが普通です[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=called%20ICI)。またNVLinkは高速ですが銅配線ベースのため物理距離が限られ、ノード間接続には追加のネットワーク階層が必要となります。対してGoogle TPUのアプローチは、**高速光接続**を用いて距離や階層の壁を下げ、一体的な大規模計算リソースを実現している点が大きなアーキテクチャ上の違いです[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=Google%E2%80%99s%20true%20ace%20up%20its,chip%20interconnect%20network%20called%20ICI)。","render_override":null},{"id":"blk_2f3a0e5c-a836-46cb-99d3-dc5ee3b27a5f","kind":"heading","order":7,"section_id":"sec_2f537b94-1cba-4588-ac36-c3f474a9a314","character_id":null,"markdown":"## \\2. TPUの「GEMMエンジン (シストリックアレイ)」 vs GPUの「Tensor Core」：データフローとメモリ管理","render_override":null},{"id":"blk_f1b1d000-74cc-420f-b042-fe9991266daa","kind":"paragraph","order":8,"section_id":"sec_2f537b94-1cba-4588-ac36-c3f474a9a314","character_id":null,"markdown":"TPUとGPUはともに行列演算を高速化するための専用ハードウェアを持ちますが、その設計思想とデータの流し方が大きく異なります。**Google TPU**では、行列乗算を担当するハードウェアとして大規模な**シストリックアレイ (systolic array)型の演算器を搭載しています。このシストリックアレイはTPUの「GEMMエンジン」とも呼ばれ、例えばTPUv4では128×128**の乗算-加算ユニットの格子が1コアに組み込まれていました[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=1)[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=The%20benefit%20of%20such%20a,than%20the%20input%20and%20output)（TPUv7ではこれが256×256に拡大されていると報じられています[newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/tpuv7-google-takes-a-swing-at-the#:~:text=TPUv6%20came%20very%20close%20to,level%20of%20peak%20theoretical%20FLOPs)[newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/tpuv7-google-takes-a-swing-at-the#:~:text=announcing%20TPUs%20as%20they%20ramp,array%20to%20256%20x%20256)）。シストリックアレイではデータを**拍動（systolic）的に隣接する演算素子に次々と流すことで、パイプライン上で大量の積和演算を並列処理します**[**henryhmko.github.io**](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=Systolic%20array%20is%20a%20hardware,the%20results%20to%20neighboring%20PEs)**。一度データを流し始めれば、各PE（Processing Element）は同期して次々と演算とデータ受け渡しを行うため、追加の制御回路なしで大量のMAC演算を実行できます**[**henryhmko.github.io**](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=The%20benefit%20of%20such%20a,than%20the%20input%20and%20output)**。また入力と出力以外では途中でメモリにデータを書き戻す必要もなく、計算が完了するまでデータはアレイ内を移動し続ける**構造になっています[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=The%20benefit%20of%20such%20a,than%20the%20input%20and%20output)。このため演算中のデータ管理がシンプルになり、ハードウェアをフルに動かすことが容易です。TPUはこの特性を生かし、行列演算に特化することで**極めて高いスループット**と**エネルギー効率**を実現しています[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=TPUs%20achieve%20amazing%20throughput%20and,are%20fit%20for%20systolic%20arrays)。","render_override":null},{"id":"blk_0e6848f0-a71e-4cfa-8b24-1ae87bf2dc1f","kind":"paragraph","order":9,"section_id":"sec_2f537b94-1cba-4588-ac36-c3f474a9a314","character_id":null,"markdown":"一方、**NVIDIA GPU**の**Tensor Core**は、GPU内の多数の演算コア（SM = Streaming Multiprocessor）に埋め込まれた**小規模行列演算ユニット**です。例えばVolta世代以降のGPUでは各SMに4×4あるいは16×16サイズ程度の行列演算ユニットが搭載され、CUDAのWarp単位でこれらを使用することで行列積を高速に計算します。GPUのTensor Coreは内部的にはシストリックアレイに類似した構造とも言われますが[modal.com](https://modal.com/gpu-glossary/device-hardware/tensor-core#:~:text=What%20is%20a%20Tensor%20Core%3F,be%20systolic%20arrays%2C%20like)、GPU全体として見ると**何千もの演算コアが膨大な数のスレッドを並行実行**し、その中で必要な箇所にTensor Coreを用いる、という動的で汎用的な動作をします[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=TPUs%20often%20struggle%20with%20dynamic,means%20that%20when%20the%20next)。GPUでは**スレッド並列＆SIMD**によって演算を重畳的に実行し、ハードウェアのスケジューラが多数の処理を切り替えながらパイプラインの隙間を埋めて高い演算効率を目指す設計です。Tensor CoreもこのGPUの一部として機能し、必要なときに呼び出されて行列計算を行いますが、その周囲ではGPUの一般演算装置や共有メモリ・キャッシュを活用して**より柔軟なデータフロー**を実現しています[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=TPUs%20often%20struggle%20with%20dynamic,means%20that%20when%20the%20next)。つまり、GPUは**基本ハードが汎用プログラマブル**で、その中に行列向けユニットを組み込んだ形です。一方TPUは**基本ハード自体を行列演算特化**で設計し、周辺の制御もその前提で最適化しているという違いがあります。","render_override":null},{"id":"blk_ec2fd077-4673-493f-a8df-7da412f486e2","kind":"paragraph","order":10,"section_id":"sec_2f537b94-1cba-4588-ac36-c3f474a9a314","character_id":null,"markdown":"**メモリ階層とデータ管理**の観点でもTPUとGPUは対照的です。GPUではL1/L2キャッシュやレジスタ、共有メモリが充実しており、**ハードウェアのキャッシュ機構**がメモリアクセスを自動で隠蔽・最適化します[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=1.%20On,responsible%20for%20the%20computation)。開発者は深く意識せずとも、必要なデータはGPUがメモリ階層から自動的に取り込み、スレッドのスケジューリングで計算とデータ待ちをオーバラップさせるよう工夫されています。一方で**キャッシュ制御には電力・トランジスタ予算を取られ**、アクセスパターン次第ではキャッシュミスによる性能低下も起こりえます[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=First%2C%20recall%20that%20traditional%20caches,note%3A%20compared%20to%20TPUs)。これに対しTPUでは**キャッシュを持たない設計**となっており、代わりにコンパイラ（XLA）が**あらかじめメモリアクセスを解析・計画**することで最適なデータ配置と転送を実現します[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=As%20an%20extreme%20example%2C%20if,a%20buffer%20with%20no%20caches)。TPU各コアには大容量の**オンチップSRAMバッファ**（例えばTPUv4ではUnified Bufferとして**CMEM 128MiB**等）を備え、外部HBMから必要なデータは一度このバッファに明示的にロードされてから演算に供されます[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=3)[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=1.%20On,responsible%20for%20the%20computation)。演算中はデータがシストリックアレイ内を流れるため、**一度ロードしたデータは計算完了まで追加の読み書きが不要**で、メモリ往復を極力減らしています[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=The%20benefit%20of%20such%20a,than%20the%20input%20and%20output)。GPUが\\*\\*「小さなキャッシュを頻繁に活用しながら膨大な演算スレッドを走らせる」**のに対し、TPUは**「大きな局所メモリに必要データをため込み、一気に大量の演算を流し切る」\\*\\*というスタイルです[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=1.%20On,responsible%20for%20the%20computation)[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=This%20is%20the%20complete%20opposite,tens%20of%20thousands%20of%20cores)。","render_override":null},{"id":"blk_9d0b41fc-a2d5-4ca6-ae8e-67881bf66b6b","kind":"paragraph","order":11,"section_id":"sec_2f537b94-1cba-4588-ac36-c3f474a9a314","character_id":null,"markdown":"このような違いから、**データフロー制御**も両者で異なります。TPUでは基本的に**すべての演算シーケンスがコンパイル時に確定**しています。演算の順序やデータのやり取りはXLAコンパイラが最適化した上でハードウェア命令列として発行され、実行時には指示通りに大量のデータがアレイに流し込まれていきます[docs.pytorch.org](https://docs.pytorch.org/xla/master/learn/xla-overview.html#:~:text=,that%20it%20is%20running%20on)。無駄なメモリアクセスや待ち時間が生じないようコンパイラ段階でスケジューリングされているため、TPUは高い**実効演算ユーティリティ (MFU)を発揮できます**[**news.futunn.com**](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=Now%2C%20the%20TPUv7%20,MFU)[**news.futunn.com**](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=frequencies%20but%20enhancing%20actual%20output,MFU)**。一方GPUでは実行時にスレッドブロックが逐次発行され、逐次キャッシュにデータを取りつつ演算を進めます。プログラマは必要ならCUDAストリームやイベントで計算とデータ転送を並行させますが、最終的にはハードウェア側がキャッシュミスやパイプラインの空きを見ながら自動的にリソースを埋める**形で高スループットを目指します。要するに、**GPUは実行時の柔軟性で性能を引き出し、TPUは事前最適化された定型フローで性能を叩き出す**という対比になります。","render_override":null},{"id":"blk_9562f603-c84f-40cd-ae83-d3d44ec2ccf9","kind":"paragraph","order":12,"section_id":"sec_2f537b94-1cba-4588-ac36-c3f474a9a314","character_id":null,"markdown":"こうした構造上、**TPUの得意分野は「大規模で規則的な行列演算」であり、これに関しては1チップあたりの理論性能をかなり引き出しやすい設計になっています。一方GPUは汎用性とリアルタイム制御を残している**ため、ピーク性能に対する実効性能は利用状況によって変動しますが、幅広い種類の処理をそつなくこなすことができます[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=TPUs%20often%20struggle%20with%20dynamic,means%20that%20when%20the%20next)。例えばTPUコア数は少ないものの各コアが巨大な行列演算に特化しているのに対し、GPUは非常に多くのコアで様々な演算を並列実行できるため、行列以外の演算や制御処理も同時に処理できる強みがあります。またGPUのプログラミングモデル（CUDA）は開発者に細かな最適化の自由度を与える一方、TPUのプログラミングはXLAコンパイラに大きく依存しており低レベル最適化の自由度は限定的です[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=if%20they%20are%20run%20with,that%20depend%20on%20the%20input)。このような違いを理解して、用途に応じてGPUとTPUの適材適所を判断する必要があります。","render_override":null},{"id":"blk_336d66b8-5b7b-45d5-9c20-d90ae7b600c0","kind":"heading","order":13,"section_id":"sec_33fe2740-4221-4422-ace4-53c74e706d2e","character_id":null,"markdown":"## \\3. TPUの「非キャッシュコヒーレント」設計とXLA/ソフトウェアスタックによる補完","render_override":null},{"id":"blk_a54970c6-303f-4e92-b039-b8985eef1ae9","kind":"paragraph","order":14,"section_id":"sec_33fe2740-4221-4422-ace4-53c74e706d2e","character_id":null,"markdown":"Google TPUのアーキテクチャには、一般的なCPUや一部のGPUとは異なり**ハードウェアによるキャッシュコヒーレンシ（高速なメモリ一貫性維持機構）が存在しません**。複数のTPUチップがそれぞれ大容量HBMメモリを持っていますが、あるチップのメモリを書き換えても他のチップのキャッシュに自動反映されるような仕組みはなく、**各TPUは基本的に自分の持つメモリ空間しか直接読み取れない**という前提になっています[docs.jax.dev](https://docs.jax.dev/en/latest/pallas/tpu/distributed.html#:~:text=Remote%20Direct%20Memory%20Access%20,Model)。ではTPU同士でデータを共有する必要がある場合はどうするかというと、TPUには**RDMA (Remote Direct Memory Access)と呼ばれるリモートメモリアクセス機能**が用意されています。具体的には、あるTPUから別のTPUへ\\*\\*「メモリ上のデータブロックを指定先アドレスに非同期コピーする」**命令を発行でき、受け取った側は自分のローカルメモリ上にそのデータを直接書き込みます**[**docs.jax.dev**](https://docs.jax.dev/en/latest/pallas/tpu/distributed.html#:~:text=Remote%20Direct%20Memory%20Access%20,Model)[**docs.jax.dev**](https://docs.jax.dev/en/latest/pallas/tpu/distributed.html#:~:text=TPUs%20communicate%20via%20a%20push,values%20to%20a%20shared%20memory)**。このモデルは**push型**とも言われ、送り手が他デバイスのメモリに書き込むイメージです。一方で受け手側から他デバイスのメモリを直接読み込むこと（pull型）はハード的には許されておらず、あくまで**「送り手が送り、受け手は自分の手元のデータしか読まない」**というシンプルなルールに統一されています**[**docs.jax.dev**](https://docs.jax.dev/en/latest/pallas/tpu/distributed.html#:~:text=TPUs%20communicate%20via%20a%20push,values%20to%20a%20shared%20memory)**。この仕組みにより、複数TPU間でデータのやり取りは可能ですが、それは**明示的なデータ転送\\*\\*として行われ、CPUのようにグローバル共有メモリを自由に読み書きするのとは異なる動作になります。","render_override":null},{"id":"blk_7c8f575c-53f8-49c2-aeb2-c67c24825004","kind":"paragraph","order":15,"section_id":"sec_33fe2740-4221-4422-ace4-53c74e706d2e","character_id":null,"markdown":"TPUでキャッシュコヒーレンシを省いた理由は、前述のとおり**特定用途に特化した効率**を優先したためです。ハードが勝手に一貫性維持をしないぶん、回路規模や電力を演算リソースに振り向けられます。その代わり、この欠如を埋めるのが**ソフトウェアスタック（コンパイラと通信ライブラリ）の役割**となっています。GoogleのTPUソフトウェアスタック（XLAコンパイラ＋ランタイム）は、複数TPUにまたがる分散計算において必要なデータ転送（例えば勾配のAll-Reduceやパラメータのブロードキャスト等）を**あらかじめ組み立てた実行計画に織り込んでしまいます**[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=Scale%20Workloads%20With%20Minimal%20Effort)。XLAコンパイラにはGSPMD（Generalized SPMD）と呼ばれる自動並列化機能があり、ユーザがモデルの特定テンソルに対して並列分割の指示を与えると、コンパイラが**適切な通信命令（例えば集約やシャッフル）を挿入した並列実行コード**を生成します[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=Scale%20Workloads%20With%20Minimal%20Effort)。これにより、開発者は従来のMPIやNCCLのように手動で通信を記述しなくても、**コンパイラ任せで分散処理を実現**できるようになっています[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=Developing%20efficient%20parallelization%20algorithms%20is,multiple%20hardware%20hosts%20and%20accelerators)。たとえばJAXやPyTorch/XLAでTPUポッド上にモデルを配置すると、裏ではXLAがチップ間通信を組み込んだコードを生成し、実行時にはTPU同士がRDMAによってデータ交換を行います。Googleのレポートによれば、TPUのICIネットワークでは**マルチホップのパケットルーティング**により任意の2チップ間でRDMAパケットを送受でき、All-Reduce等の集合通信も効率よく実現しているとのことです[usenix.org](https://www.usenix.org/system/files/nsdi24-zu.pdf#:~:text=,RDMA%20packets%20to%20be)[micahlerner.com](https://www.micahlerner.com/2025/01/03/resiliency-at-scale-managing-googles-tpuv4-machine-learning-supercomputer.html#:~:text=Resiliency%20at%20Scale%3A%20Managing%20Google%27s,%E2%80%9Ccombine%20all%20of%20the)。","render_override":null},{"id":"blk_767cff70-f0dc-4a2d-9ea7-a5e5980c4cb6","kind":"paragraph","order":16,"section_id":"sec_33fe2740-4221-4422-ace4-53c74e706d2e","character_id":null,"markdown":"さらに、TPUでは**ホストCPUを介さず**チップ間通信が行える点も重要です。TPUの専用ネットワークICI上でRDMAコピーが完結するため、データを共有するのに一度CPUメモリに戻したりCPUが割り込み処理したりする必要がありません[glennklockwood.com](https://glennklockwood.com/garden/processors/TPUv4#:~:text=ICI)。GoogleはTPUとホスト間の接続にPCIeを用いていますが、TPU同士の通信はPCIeを経由しない**独立した帯域**で行われ、**「フルホストバイパス」と称されています**[**glennklockwood.com**](https://glennklockwood.com/garden/processors/TPUv4#:~:text=ICI)**。この設計により、大規模クラスター内の何千ものTPUが低レイテンシで直接データ交換**しあい、あたかも全体で\\*\\*共有のメモリ空間（1.77ペタバイトのHBMプール）\\*\\*を持っているかのように機能します[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=The%20core%20philosophy%20behind%20the,and%20capacity%20of%20192%20GiB)[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=allowing%20thousands%20of%20chips%20to,and%20capacity%20of%20192%20GiB)。実際には前述のように各自のメモリを書き合っているだけですが、ソフトウェアから見ると巨大な分散共有メモリとして抽象化されているわけです。","render_override":null},{"id":"blk_4c941202-f588-44fa-b168-3f3092d62c3e","kind":"paragraph","order":17,"section_id":"sec_33fe2740-4221-4422-ace4-53c74e706d2e","character_id":null,"markdown":"もっとも、ハードウェアが何もかも面倒を見てくれるわけではないので、開発者は\\*\\*「メモリ一貫性のモデルはCPUとは異なる」\\*\\*ことを理解しておく必要があります。例えば、一部のデータを複数のTPUで更新し合うような場合、適切に同期（例えばバリア同期やsend/recv完了の確認）を取る必要があります[docs.jax.dev](https://docs.jax.dev/en/latest/pallas/tpu/distributed.html#:~:text=TPUs%20communicate%20via%20a%20push,values%20to%20a%20shared%20memory)[docs.jax.dev](https://docs.jax.dev/en/latest/pallas/tpu/distributed.html#:~:text=Async%20Remote%20Copy%20Operation)。これもXLAランタイムやJAXでは抽象化されており、自動的に同期ポイントが挿入されるか、もしくは高レベルの**lax.psum**のような関数で隠蔽されています。要するに、**TPUではハードによる自動同期は無いものの、ソフト側でそれを補う仕組み（XLAの事前解析＆通信コード挿入）がある**ため、ユーザは通常意識せずとも大規模分散計算が行えるようになっているのです[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=OpenXLA%20makes%20it%20easy%20for,and%20reduce%20memory%20bandwidth%20requirements)[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=Scale%20Workloads%20With%20Minimal%20Effort)。","render_override":null},{"id":"blk_906abe2f-67e9-4e68-8e46-26d9efeaf40c","kind":"heading","order":18,"section_id":"sec_2d0902fb-a012-464f-8408-7154834d8786","character_id":null,"markdown":"## \\4. AIトレーニングにおけるCPUとアクセラレータ(TPU/GPU)の役割分担 - データ前処理、オーケストレーション、計算オフロード","render_override":null},{"id":"blk_08ab9d52-9adc-42e5-b985-9340aa529c9d","kind":"paragraph","order":19,"section_id":"sec_2d0902fb-a012-464f-8408-7154834d8786","character_id":null,"markdown":"大規模なAIトレーニングジョブでは、**ホストCPU**と**AIアクセラレータ（GPUやTPU）がそれぞれ得意な役割を分担して協調動作します。一般論として、CPUはデータ読み込みや前処理、タスクの指揮（オーケストレーション）などを担い、GPU/TPUなどのアクセラレータは数値計算の重い部分をオフロードされるという構図になります**[**artificialintelligencemadesimple.com**](https://www.artificialintelligencemadesimple.com/p/cloud-infrastructure-for-ai-what#:~:text=environments,focuses%20on%20computationally%20intensive%20tasks)**。例えば画像分類モデルの学習であれば、CPUがストレージから画像データを読み込み、サイズ変更や正規化といった前処理を行ってバッチを形成し、それをアクセラレータに送ります。一方アクセラレータ側では、受け取ったバッチを元にフォワード計算・バックプロパゲーションといった膨大な行列演算処理を実行します。トレーニングループ自体（例えばエポックの管理や損失監視など）はCPU上のプログラムが動かしており、各イテレーションでアクセラレータに計算を投げ、結果を受け取って次の処理へ…という具合に制御しています**[**artificialintelligencemadesimple.com**](https://www.artificialintelligencemadesimple.com/p/cloud-infrastructure-for-ai-what#:~:text=environments,focuses%20on%20computationally%20intensive%20tasks)**。このようにCPUは頭脳、アクセラレータは筋肉**として機能すると捉えると分かりやすいでしょう。","render_override":null},{"id":"blk_5be9d52a-e3d9-4f1c-9884-f578b7158952","kind":"paragraph","order":20,"section_id":"sec_2d0902fb-a012-464f-8408-7154834d8786","character_id":null,"markdown":"とはいえ近年、GPUやTPU側でも単なる計算ユニットに留まらず**CPUの役割の一部をオフロード**する動きが見られます。例えばNVIDIA GPUでは**GPUDirect RDMA**という機能で、ネットワークアダプタやストレージデバイスからGPUメモリへ直接データをDMA転送する仕組みを提供しており、これによりCPUを介さずにGPUがデータを受け取ることができます[linkedin.com](https://www.linkedin.com/posts/ravichandran-paramasivam-a12b3438_gpudirect-rdma-what-it-is-why-it-matters-activity-7385645146681438208-4Yon#:~:text=GPUDirect%20RDMA%3A%20How%20it%20works,bouncing%20through%20host%20DRAM)。またNVIDIAのGrace HopperシステムではCPUとGPUが同一メモリ空間を共有し、データ移動なしにCPU前処理結果をGPU計算に渡すといった統合も図られています。一方GoogleのTPUも、前述した**RDMA over ICI**の仕組みにより**CPUをバイパスした直接通信**を大規模クラスタ上で実現しています[glennklockwood.com](https://glennklockwood.com/garden/processors/TPUv4#:~:text=ICI)。各TPUが他のTPUのHBMに直接データを書き込めるため、例えばあるTPUが前処理したデータを別のTPUに直接送る、ということも可能になります。実際、TPUv4以降のシステムでは**一連の計算を開始する際にホストCPUから各TPUへ初期入力を送り込んだ後は、TPU同士が互いに通信しながら計算を進め、最終的な結果だけをホストに返す**という動作が行われています[glennklockwood.com](https://glennklockwood.com/garden/processors/TPUv4#:~:text=ICI)[glennklockwood.com](https://glennklockwood.com/garden/processors/TPUv4#:~:text=ICI%20is%20a%20%E2%80%9Cproprietary%20inter,400G%20bandwidth%20in%20each%20direction)。この間、ホストCPUは次のバッチ準備など別の作業をしていられるため、計算ノード全体としての並行度が上がり効率的です。","render_override":null},{"id":"blk_cd50ff57-c5af-4918-9fa9-6981ee8cdb20","kind":"paragraph","order":21,"section_id":"sec_2d0902fb-a012-464f-8408-7154834d8786","character_id":null,"markdown":"Google TPUポッドにおける**ホストとTPUの関係**は、ハードウェア的には「1台のホスト（CPUサーバ）が数個（例えば4個）のTPUチップを管理する」という構成になっています[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=A%20single%20TPU%20tray%20consists,have%201%20core%20per%20chip)。TPUは単独では動作せず、必ずホストからの制御を受けて動く従属デバイスです。ホストCPUからPCIe経由でコマンド（例えばXLAでコンパイルされた実行計画の開始指示）や初期データが送られると、TPUチップ上で計算が始まります[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=A%20single%20TPU%20tray%20consists,have%201%20core%20per%20chip)。計算中、ホストは必要に応じてTPUの状態をポーリングしたり次の処理を送ったりしますが、基本的に**演算処理そのものはTPU上で完結**します。特に勾配計算などで複数TPU間のデータやり取り（AllReduce）が必要な場合も、上で述べたように**TPU同士が直接通信**するため、ホストが介在するのは全体進捗の管理程度です[glennklockwood.com](https://glennklockwood.com/garden/processors/TPUv4#:~:text=ICI)。この構造はNVIDIAのGPUクラスタでも似たようなもので、MPIやNCCLによるGPU間通信はドライバレベルで最適化されており、CPUはそれを呼び出す程度の関与です。しかしTPUではそれがさらに一歩進み、専用の高速網(ICI)によるシームレスなチップ直結が実現している点で特長的です[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=Google%E2%80%99s%20true%20ace%20up%20its,chip%20interconnect%20network%20called%20ICI)。","render_override":null},{"id":"blk_d18a6316-60ec-4bac-b40e-65e9ed4a23ea","kind":"paragraph","order":22,"section_id":"sec_2d0902fb-a012-464f-8408-7154834d8786","character_id":null,"markdown":"さらにGoogleは、AIトレーニングクラスター全体の制御に**Orchestration（オーケストレーション）ソフト**を用いています。例えばTPUポッドでは、**Pod Manager**と呼ばれるコンポーネントがOCI（光スイッチ）を設定し、ジョブに応じて適切なトポロジーにネットワークを構成します[glennklockwood.com](https://glennklockwood.com/garden/processors/TPUv4#:~:text=Job%20scheduling)。またBorg（Googleのクラスタスケジューラ）がジョブ開始時に各ホストにバイナリを送り、libtpunetライブラリがTPUたちのネットワーク初期化（トポロジー検出やルーティング設定、全TPU同期のためのクロック調整など）を行います[usenix.org](https://www.usenix.org/system/files/nsdi24-zu.pdf#:~:text=3,the%20ISA%20interface%20for%20RDMA)[usenix.org](https://www.usenix.org/system/files/nsdi24-zu.pdf#:~:text=intent,The)。これらはすべてCPU上のソフトウェアで行われ、TPUが動き出す前の準備段階にあたります。一度ジョブが開始すれば、あとはコンパイル済みの命令に従ってTPU群が動き、大量のデータ計算と相互通信をこなします。万一ハード不良が発生した際はhealthdデーモンが検知してBorgに通知し、ジョブを停止・再スケジュールする、といったメンテナンス処理もCPU側で遂行されます[usenix.org](https://www.usenix.org/system/files/nsdi24-zu.pdf#:~:text=We%20added%20a%20healthd%20daemon,cable%20connection%20and%20associated%20link)[usenix.org](https://www.usenix.org/system/files/nsdi24-zu.pdf#:~:text=are%20ranked%20by%20their%20criticality%2C,The%20former%20provides%20broad%20coverage)。このように**CPUは主に制御と周辺処理、TPU/GPUは計算本体**という役割分担が全体を通して貫かれています。","render_override":null},{"id":"blk_d3d0e2e5-3eff-4faf-84de-aa79189309a0","kind":"heading","order":23,"section_id":"sec_91f3f0dc-a356-4bf1-baa1-1426308dd7c2","character_id":null,"markdown":"## \\5. OpenXLAとStableHLOの役割 - フレームワークとハードウェアのギャップを埋め、TPU性能を引き出す","render_override":null},{"id":"blk_75b8b789-c9c6-4d3b-9283-e25403966fea","kind":"paragraph","order":24,"section_id":"sec_91f3f0dc-a356-4bf1-baa1-1426308dd7c2","character_id":null,"markdown":"Google TPUの高性能を活かすには、優れたソフトウェアコンパイラとミドルウェアの支援が不可欠です。その中心的存在が**XLA (Accelerated Linear Algebra)コンパイラであり、そして近年オープンソース化されたOpenXLAプロジェクト**です。OpenXLAはGoogle主導で2023年に公開された機械学習コンパイラ基盤で、XLAコンパイラ本体に加え、**StableHLO**という共通の中間表現（IR）、およびIREEなど他のバックエンドを含む**モジュール式ツールチェーン**として構成されています[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=Performance%2C%20Scale%2C%20and%20Portability%3A%20Leveraging,the%20OpenXLA%20Ecosystem)。その目的は、**主要な機械学習フレームワーク（TensorFlow, PyTorch, JAXなど）から統一されたコンパイラインタフェース**でモデルを受け取り、ハードウェアに最適化された実行コードを生成することです[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=OpenXLA%20eliminates%20barriers%20for%20ML,optimized%20and%20executed%20on%20hardware)。OpenXLAは標準化されたモデル表現を用いて移植性を確保しつつ、ターゲット非依存およびハードウェア固有の強力な最適化を施せるドメイン固有コンパイラを提供します[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=OpenXLA%20eliminates%20barriers%20for%20ML,optimized%20and%20executed%20on%20hardware)。この仕組みにより、開発者は特定ハード向けの低レベルコードを書くことなく**モデルの性能を引き出す**ことが可能になります[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=OpenXLA%20makes%20it%20easy%20for,and%20reduce%20memory%20bandwidth%20requirements)。","render_override":null},{"id":"blk_628a1921-a8be-45ac-b4c9-60f07302d082","kind":"paragraph","order":25,"section_id":"sec_91f3f0dc-a356-4bf1-baa1-1426308dd7c2","character_id":null,"markdown":"中心となる**StableHLO**は、XLAコンパイラが内部で用いてきたHLO (High-Level Optimizer) 命令セットを安定化・標準化したものです[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=StableHLO)。StableHLOは行列乗算や畳み込み、アクティベーション関数など**高水準な機械学習演算オペレーションの集合**であり、動的形状や量子化、スパース表現といった機能もサポートしています[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=StableHLO)。各フレームワーク（JAX, PyTorch, TensorFlow）はモデルをこのStableHLO形式で出力でき、OpenXLAはそれを入力フォーマットとして受け取ります[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=StableHLO%2C%20a%20portability%20layer%20between,0%20release)。StableHLOはさらにMLIR形式でシリアライズ可能で、後方互換性も保証されているため、長期にわたりポータブルなモデル表現として機能します[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=StableHLO)。要するに、StableHLOを介することで**フレームワーク側とコンパイラ側のインタフェースが統一**され、どのフレームワークで書かれたモデルでもXLAコンパイラを使って各種ハードウェア（TPUを含む）上で効率よく動かせるようになるのです[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=OpenXLA%20provides%20out,serves%20as%20OpenXLA%27s%20input%20format)。","render_override":null},{"id":"blk_5af25a04-3aaf-4916-b75d-fca405444cb6","kind":"paragraph","order":26,"section_id":"sec_91f3f0dc-a356-4bf1-baa1-1426308dd7c2","character_id":null,"markdown":"XLAコンパイラ自体は、TensorFlow向けに開発が開始された独自コンパイラですが、Google内部ではTPUの性能を最大限引き出すために不可欠な存在でした。XLAは計算グラフ全体を把握して**全体最適なコード生成**を行うことができます。具体的な最適化例としては、**演算の融合 (operator fusion)** によるメモリアクセス削減、レイアウト最適化によるデータ局所性向上、スケジューリングによるピークメモリ使用量削減や通信隠蔽などが挙げられます[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=OpenXLA%20makes%20it%20easy%20for,and%20reduce%20memory%20bandwidth%20requirements)。例えばTPU上では、行列演算→活性化関数→次の行列演算といった一連のオペレーションを一つにまとめて**巨大なカーネル**として実行し、中間データをメモリに書き戻さないようにします[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=,hardware)。これによりメモリ帯域の節約とMXUのフル活用が図れます。またXLAには**SPMD分割**の自動化（前述のGSPMD）も組み込まれており、大規模モデルを複数デバイスに分散する際のパーティショニングと通信挿入も自動でこなします[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=Scale%20Workloads%20With%20Minimal%20Effort)。さらに特定のモデル・ハードウェア組み合わせに対しては、XLAによる一般最適化の上に**カスタムカーネル**を差し込む仕組みもあります[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=,hardware)[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=that%20combines%20the%20broad%20benefits,fundamental%20tenet%20of%20the%20co)。たとえばGoogleはPallasという仕組みで、JAXやPyTorch上からCUDAやDSL（Tritonなど）で記述した専用カーネルを組み込めるようにし、ボトルネック演算をチューンする手段も提供しています[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=provides%20a%20powerful%20performance%20baseline,design)[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=,hardware)。このように\\*\\*「一般的なコンパイラ最適化 + 必要に応じカスタム最適化」\\*\\*という二段構えで、TPU上でのモデル実行を高速化しているのです[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=provides%20a%20powerful%20performance%20baseline,design)[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=box,fundamental%20tenet%20of%20the%20co)。","render_override":null},{"id":"blk_6e0c0545-99aa-4e31-a5d2-af0730fede4d","kind":"paragraph","order":27,"section_id":"sec_91f3f0dc-a356-4bf1-baa1-1426308dd7c2","character_id":null,"markdown":"OpenXLAがもたらした大きな変化の一つは、**PyTorchやJAXといったフレームワークからTPUをシームレスに利用できるようになった**ことです。かつてTPUは主にTensorFlow (Google) もしくはJAX (Google内部)からしか使えず、PyTorchユーザにとってハードルが高いものでした。しかし現在では**PyTorch/XLA**というオープンソースのツールキットが整備され、PyTorchのモデルをほぼそのままTPU上で実行できます[docs.pytorch.org](https://docs.pytorch.org/xla/master/learn/xla-overview.html#:~:text=PyTorch%2FXLA%20is%20an%20open,from%20their%20existing%20PyTorch%20workflows)。PyTorch/XLAはPyTorchのPythonフロントエンドとXLAコンパイラの間のブリッジとして機能し、PyTorchの演算呼び出しをXLAのHLOグラフに変換してコンパイル・実行する仕組みです[docs.pytorch.org](https://docs.pytorch.org/xla/master/learn/xla-overview.html#:~:text=At%20its%20core%2C%20PyTorch%2FXLA%20acts,get%20the%20following%20key%20features)[docs.pytorch.org](https://docs.pytorch.org/xla/master/learn/xla-overview.html#:~:text=2,that%20it%20is%20running%20on)。特徴的なのは**Lazy Tensor**と呼ばれる仕組みで、演算命令を逐次実行する代わりにまず計算グラフ（IR）として蓄積し、必要になった時点でXLAに渡してコンパイルするという方式を取ります[docs.pytorch.org](https://docs.pytorch.org/xla/master/learn/xla-overview.html#:~:text=1,lead%20to%20significant%20performance%20improvements)。これにより余分なデータ転送や同期をまとめて最適化でき、高効率なバイナリを生成してTPU上で実行できます[docs.pytorch.org](https://docs.pytorch.org/xla/master/learn/xla-overview.html#:~:text=,that%20it%20is%20running%20on)。PyTorch/XLAを使えば**既存のPyTorchコードにごく僅かな修正を加えるだけ**でTPUを活用できるため、研究者・開発者にとってTPU利用のハードルが大きく下がりました[docs.pytorch.org](https://docs.pytorch.org/xla/master/learn/xla-overview.html#:~:text=PyTorch%2FXLA%20is%20an%20open,from%20their%20existing%20PyTorch%20workflows)[docs.pytorch.org](https://docs.pytorch.org/xla/master/learn/xla-overview.html#:~:text=performance%20for%20training%20and%20inference,designed%20AI%20accelerators)。Google自身もこの流れに沿って2023年頃から「TPUでPyTorchをネイティブ動作させる」取り組みを強化し、Lazy Tensor経由ではなくPyTorch 2.0のDynamo + OpenXLAを統合する形で、より使いやすく高性能なソリューションを提供し始めています[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=Previously%2C%20Google%E2%80%99s%20%27super%20captain%27%20Robert,running%20PyTorch%20Native%20on%20TPUs)。加えて、GoogleはTPUを外部提供するにあたりStableHLOやOpenXLAを通じてCUDAエコシステムとの差を埋める努力も続けています[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=For%20a%20long%20time%2C%20the,predominantly%20uses%20PyTorch%20and%20CUDA)[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=Previously%2C%20Google%E2%80%99s%20%27super%20captain%27%20Robert,running%20PyTorch%20Native%20on%20TPUs)。最近ではTPU上での推論向けにvLLMやSGLangなどのオープンソースプロジェクトにもコードを寄与し、PyTorch以外のエコシステムにもTPU最適化の恩恵を広げています[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=Google%20no%20longer%20relies%20on,migrate%20their%20code%20to%20TPUs)。","render_override":null},{"id":"blk_f814dcbd-3983-4449-85ad-840a9f3c37f1","kind":"paragraph","order":28,"section_id":"sec_91f3f0dc-a356-4bf1-baa1-1426308dd7c2","character_id":null,"markdown":"総じて、OpenXLAとStableHLOは\\*\\*「ソフトウェアとハードウェアの橋渡し役」**として機能し、開発者が高水準のフレームワークを使いながらもTPUの持つポテンシャル（高い計算性能とスケーラビリティ）を発揮できるようにしています。これらのコンパイラ技術なしには、TPUという**特殊なハードウェアを一般ユーザが使いこなすことは困難\\*\\*でした。逆に言えば、Googleはソフトとハードを一体最適化（co-design）することで初めてGPUに匹敵する汎用性と使い勝手をTPUにもたらしたのです[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=As%20machine%20learning%20models%20continue,that%20make%20this%20power%20accessible)[cloud.google.com](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack#:~:text=,hardware)。","render_override":null},{"id":"blk_7d6ed718-7777-4bd2-888c-7552548f6bb4","kind":"heading","order":29,"section_id":"sec_99481700-0399-4ea8-a141-5e7ac93c0e68","character_id":null,"markdown":"## \\6. 「NVIDIAは汎用プラットフォーム、TPUは特化型アプライアンス」議論 - 動的形状や分岐処理に見る違い","render_override":null},{"id":"blk_6512e2d3-9a56-435d-a682-f98b8a19e05e","kind":"paragraph","order":30,"section_id":"sec_99481700-0399-4ea8-a141-5e7ac93c0e68","character_id":null,"markdown":"しばしば指摘されるように、**TPUは特定のワークロードに特化した専用機器であり、NVIDIA GPUはより汎用性の高いプラットフォーム**だと言われます[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=TPUs%20often%20struggle%20with%20dynamic,means%20that%20when%20the%20next)。技術的な観点から、その代表的な例が**動的な計算グラフや可変長のデータに対する処理**です。TPUは前述の通り**Ahead-of-Timeコンパイル**が基本で、一度コンパイルした実行プランは入力のサイズや分岐パターンが変わらない前提で最適化されています[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=JAX%2BXLA%20on%20TPUs%20are%20in,tailor%20the%20process%20to%20TPUs)[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=But%20there%27s%20one%20caution%3A%20jitted,that%20depend%20on%20the%20input)。そのため、入力データの形状が逐次変化したり、実行中に条件分岐で処理経路が変わるような**動的なワークロード**はやや苦手としています。実際JAX/TPUでは、**@jit**でコンパイルした関数に異なる形状の入力を与えると都度再コンパイルが必要になり、**動的パディングや入力依存のループ**を含む処理は効率が落ちる傾向があります[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=where%20TPU,tailor%20the%20process%20to%20TPUs)。一例として大規模言語モデル(LLM)の**テキスト生成推論**を考えると、各サンプルの出力長（生成されるトークン数）は異なりますが、TPU上では最大長に合わせてパディングしたバッチをまとめて処理する必要があり、短い系列のためにも無駄な演算が走ってしまうケースがあります。この問題に対処するため、最近ではStableHLOが**動的形状**をサポートし、XLAも動的パディングに対処する機能が拡充されつつありますが[opensource.googleblog.com](https://opensource.googleblog.com/2023/03/openxla-is-ready-to-accelerate-and-simplify-ml-development.html#:~:text=StableHLO)、根本的には\\*\\*「静的に最適化された計算グラフを高速に実行する」\\*\\*というTPUの基本思想からくる制約と言えます。","render_override":null},{"id":"blk_f078faee-26f3-4fb8-b4c3-88c0b086631c","kind":"paragraph","order":31,"section_id":"sec_99481700-0399-4ea8-a141-5e7ac93c0e68","character_id":null,"markdown":"また**条件分岐や不規則な計算パターン**もTPUの不得手分野です。TPUのコア（シストリックアレイ）は一斉に同じ計算を繰り返すには非常に効率的ですが、処理する要素ごとに実行内容が変わるような場合、柔軟に対応できるプログラム可能コアに比べて効率が大きく低下します[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=TPUs%20often%20struggle%20with%20dynamic,means%20that%20when%20the%20next)。典型例が**スパース（疎）なデータ**や\\*\\*Mixture-of-Experts (MoE)\\*\\*のようなモデルです。シストリックアレイは入力行列内にゼロが多くても全要素について演算を行ってしまうため、スパース演算で本来計算不要な部分にも計算リソースを割いてしまいます[henryhmko.github.io](https://henryhmko.github.io/posts/tpu/tpu.html#:~:text=Aside%3A%20Downsides%20of%20Systolic%20Arrays,Sparsity)。一方GPUは条件に応じて分岐したり演算をスキップしたりできます（SIMD幅内ではマスクされ無駄は出ますが、それでもTPUより細かな制御が可能です）。またMoEのように入力ごとに異なる専門家ネットワークに振り分けるモデルでは、TPU上で動的に異なる演算パスを取るのは難しく、事前に最大パス数分だけ演算を用意しておき実行時に不要パスを潰す（無駄な演算をする）ような実装になりがちです。対照的にGPUなら、分岐先ごとにスレッドを分けて実行することも可能であり、**プログラムの柔軟性**という点で優れています[reddit.comreddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=TPUs%20often%20struggle%20with%20dynamic,means%20that%20when%20the%20next)。","render_override":null},{"id":"blk_a35905ca-a5cb-4e81-883e-bf3c5436fc0e","kind":"paragraph","order":32,"section_id":"sec_99481700-0399-4ea8-a141-5e7ac93c0e68","character_id":null,"markdown":"さらに**カスタム演算の実装容易性**にも差があります。新しいAI手法やレイヤーが登場した際、GPUであればCUDA C++でカスタムカーネルを書いたり、Python実装でもそれなりに動かすことができます。しかしTPUではXLAコンパイラがサポートしない演算は動作させるのが困難で、極端な場合にはTPU用に演算アルゴリズム自体を作り直す必要が出てきます[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=architectures%20that%20don%E2%80%99t%20fit%20their,means%20that%20when%20the%20next)。研究段階のモデルはまずGPU上で実装・検証されることがほとんどであり、「新手法への追随の速さ」という観点でもGPUの方が有利です[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=than%20fixed%20function%20accelerators,port%20it%20to%20alternative%20hardware)[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=decade%20happened%20on%20GPUs%20first,port%20it%20to%20alternative%20hardware)。TPUサポートが整う頃には研究コミュニティはさらに先へ進んでいる、といった事態も起こりえます[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=decade%20happened%20on%20GPUs%20first,port%20it%20to%20alternative%20hardware)。","render_override":null},{"id":"blk_41f3edb9-fe9d-4d0e-a058-86997b366ed8","kind":"paragraph","order":33,"section_id":"sec_99481700-0399-4ea8-a141-5e7ac93c0e68","character_id":null,"markdown":"以上のように、**TPUとGPUは一長一短**があります。TPUは**特定パターンの処理（大規模で規則的な並列演算）に対しては圧倒的な性能と効率**を発揮しますが、**汎用性や柔軟性ではGPUに軍配**が上がります[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=TPUs%20often%20struggle%20with%20dynamic,means%20that%20when%20the%20next)。言い換えれば、TPUは\\*\\*「AI専用アクセラレータ（アプライアンス）」**としてピーク性能とTCOを追求した設計であり、GPUは**「汎用並列計算プラットフォーム」**として幅広いタスクに対応できる設計です。それゆえ、例えば**大規模LLMの事前学習**のように計算が画一的で莫大なリソースを要する部分はTPUが得意とし、一方**動的な推論サービング**や**新規アルゴリズムの試行\\*\\*などはGPUの方が扱いやすい、という状況が生まれています。このギャップを埋めるために、ソフトウェア側でTPUをより汎用的に使う工夫（StableHLOで動的制御をサポートする等）や、GPU側で特定ワークロード向けの最適化（Transformer Engineによる低精度最適化等[artificialintelligencemadesimple.com](https://www.artificialintelligencemadesimple.com/p/cloud-infrastructure-for-ai-what#:~:text=Nvidia%20is%2C%20of%20course%2C%20the,2013%20and%20productized%20in%202017)）が進められており、今後も両者のアプローチは互いに影響を与え合っていくでしょう。","render_override":null},{"id":"blk_0220825d-80b8-42b9-8827-8b43707f56c0","kind":"heading","order":34,"section_id":"sec_bfc051f7-6621-4761-970b-44350d76e549","character_id":null,"markdown":"## \\7. デュアルスタック（TPU+GPU併用）運用の難しさとGoogle GeminiにおけるTPU活用","render_override":null},{"id":"blk_1edc8d33-52a9-43e1-b3ea-67ad96c08c5b","kind":"paragraph","order":35,"section_id":"sec_bfc051f7-6621-4761-970b-44350d76e549","character_id":null,"markdown":"最後に、組織やプロジェクトにおいて**TPUとGPUを併用（デュアルスタック）する場合の課題**について考察します。TPUとGPUは前述のようにハードウェアアーキテクチャもソフトスタックも大きく異なるため、両方を同時に運用することは**技術的・運用的コスト**が高くなりがちです。主な難点としては以下のようなものがあります。","render_override":null},{"id":"blk_7debb805-9563-431c-98f7-fc32d549a26b","kind":"list","order":36,"section_id":"sec_bfc051f7-6621-4761-970b-44350d76e549","character_id":null,"markdown":"- **コードベースの分断と複雑化**: GPU向けにはCUDAやそれに基づくライブラリ群（cuDNN, NCCL, TensorRTなど）が成熟していますが、TPUではXLAコンパイラやTPU専用ライブラリを使う必要があります[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=You%E2%80%99re%20exactly%20right%3A%20TPUs%20do,not%20run%20CUDA)[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=,plus%20the%20massive%20CUDA%20ecosystem)。既存のCUDA向けコードや最適化をTPU向けに**移植（ポーティング）するには、フレームワークをJAXもしくはPyTorch/XLAに書き換え、性能チューニングをやり直し、必要なら独自オペレーションを実装し直す、といった手間がかかります**[**reddit.com**](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=,You%20have%20to)**。これは数年かけて積み上げたCUDA資産を持つチームにとって容易ではなく、事実上二重の開発・保守コスト**を強いることになります[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=,You%20have%20to)。\n- **デバッグとツールの不足**: GPU分野では統合開発環境やプロファイラ、デバッガ等のエコシステムが充実していますが、TPU向けの開発ツールは限定的です。XLAによる**事前コンパイル**は人間に読みにくい最適化コードを生成するため、不具合発生時に原因を突き止めるのが難しい場合があります。TPUプログラミングに不慣れなチームがGPUとTPUの両対応コードを書けば、デバッグに倍の時間がかかるリスクがあります。\n- **運用コストと専門知識**: GPUインフラは広く普及しておりクラウドやオンプレでもノウハウがありますが、TPUクラスターの自前運用例は限定的です（Googleや一部研究機関を除き、TPU Podは主にGoogle Cloud上で提供される形です）。そのためTPUを導入すると、**新たな知見を持つ人材の確保や学習**が必要になります。複数プラットフォームの混在運用はオペレーションも複雑化し、例えばソフトウェア環境の管理（異なるコンパイラやライブラリの共存）、ジョブスケジューリングの最適化（TPUとGPUでキューが別々になる）など考慮すべき点が増えます。組織としても、CUDAネイティブな人材とXLA/JAXに強い人材の両方を揃える必要が出てきます[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=it%20raises%20friction%20for%20everyone,else)。","render_override":null},{"id":"blk_041bb262-9b76-46e3-a68d-3439adf2f3ed","kind":"paragraph","order":37,"section_id":"sec_bfc051f7-6621-4761-970b-44350d76e549","character_id":null,"markdown":"以上の理由から、GoogleやMetaのように大規模リソースを持つ企業以外では、TPUを導入するハードルは依然高いとされています[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=%2A%20Re,ops%20and%20internal%20infra)。実際、**業界全体では依然GPUがデファクト標準**であり、TPUは特定の先進企業やクラウドサービス提供分野に限られているのが現状です[reddit.com](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/#:~:text=it%20raises%20friction%20for%20everyone,else)。Google自身、これまで内部利用が中心だったTPUを外部提供するにあたり、PyTorch対応やオープンソースへの寄与などソフト面でハードルを下げる努力をしていますが[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=For%20a%20long%20time%2C%20the,predominantly%20uses%20PyTorch%20and%20CUDA)[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=Previously%2C%20Google%E2%80%99s%20%27super%20captain%27%20Robert,running%20PyTorch%20Native%20on%20TPUs)、それでもなおCUDAエコシステムの厚みには及びません。したがって、両方のプラットフォームを併用する“デュアルスタック”戦略は、**よほど明確なメリット（例えば特定ジョブでTPUが圧倒的有利など）が無い限り運用コストに見合わない**可能性が高いのです。","render_override":null},{"id":"blk_1436eaad-2fd7-447f-a14a-c45a8facc070","kind":"paragraph","order":38,"section_id":"sec_bfc051f7-6621-4761-970b-44350d76e549","character_id":null,"markdown":"では、現在Googleが開発している最先端AIモデル\\*\\*「Gemini」**はこの点どうなのでしょうか。GeminiはGPT-4に対抗するとされる大規模多機能モデルで、その学習にはGoogleのTPUが全面的に活用されています**[**newsletter.semianalysis.com**](https://newsletter.semianalysis.com/p/tpuv7-google-takes-a-swing-at-the#:~:text=to%20Nvidia%E2%80%99s%20NVLink)**。SemiAnalysisのレポートによれば、最新の**Gemini 3モデルは過去のバージョン同様\\*\\*、**学習の全工程をTPU上で実施**しており、これはTPUプラットフォームの技術的成熟を示す何よりの証拠となっています[newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/tpuv7-google-takes-a-swing-at-the#:~:text=to%20Nvidia%E2%80%99s%20NVLink)[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=significantly%20reducing%20power%20consumption%20and,latency)。実際、GeminiやClaude 4.5など現在世界トップクラスのモデルがTPUでフル訓練された事実は、「フロンティアモデルの学習」のような最も困難なタスクをTPUが成し遂げたことを意味します[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=significantly%20reducing%20power%20consumption%20and,latency)。Googleは社運を賭けたGeminiにおいて、あえてGPUではなくTPUを用いる道を選びましたが、それは自社のTPUインフラが**性能的にもコスト的にも十分競争力がある**と判断したからに他なりません[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=Model%20data%20from%20SemiAnalysis%20shows,efficiency%20advantage%20over%20NVIDIA)[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=From%20Google%27s%20internal%20perspective%2C%20the,lower%20than%20purchasing%20GB200)。Gemini開発では研究者とハードウェア・ソフトウェアチームが密接に協力し、TPU向けにモデル実装を最適化することで最高の性能を引き出しています。これは容易なことではありませんが、Googleのように両方の専門性を社内に持つ組織だからこそ可能となったアプローチです。","render_override":null},{"id":"blk_7f3d6c32-3b27-41ad-a771-2cacf1f9677e","kind":"paragraph","order":39,"section_id":"sec_bfc051f7-6621-4761-970b-44350d76e549","character_id":null,"markdown":"もっとも、Googleほどの規模でなければ、このような\\*\\*「TPUオンリー戦略」**を採るのは難しいでしょう。一般企業にとっては、TPUを導入するだけでも冒険であり、GPUと併用するとなればなおさらです。Geminiの成功例は、TPUが適切な環境下ではGPUに匹敵しうるどころか凌駕するパフォーマンスを発揮できる可能性を示しました**[**news.futunn.com**](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=Model%20data%20from%20SemiAnalysis%20shows,efficiency%20advantage%20over%20NVIDIA)[**news.futunn.com**](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=From%20Google%27s%20internal%20perspective%2C%20the,lower%20than%20purchasing%20GB200)**。しかしその裏には、Googleによるソフトウェアスタックの大改革（PyTorch対応やオープンソース化）や、Anthropicなどパートナーとの協業によるスケールメリットなど、相当の投資と努力があります**[**news.futunn.com**](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=Removing%20the%20Final%20Barrier%3A%20Changes,in%20the%20Software%20Ecosystem)[**news.futunn.com**](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=to%20the%20KPIs%20of%20Google%27s,internally%27%20to%20%27embracing%20open%20source)**。Geminiがどの程度TPU“のみ”で運用されているか公式な詳細は明かされていませんが、少なくとも学習フェーズはTPUで完結しており、推論提供に関してもGoogle CloudのTPUベースAIハイパークラスター上で行われていると推測されます。Googleにとっては、ハードからソフトまで自社で垂直統合したTPUプラットフォームこそが**競争優位\\*\\*であり、敢えてNVIDIA GPUに頼らない戦略を選んでいるわけです。","render_override":null},{"id":"blk_a6b3a87a-2a1f-48fd-a4b1-db494d02bd93","kind":"paragraph","order":40,"section_id":"sec_bfc051f7-6621-4761-970b-44350d76e549","character_id":null,"markdown":"以上、(1)～(7)までGoogle TPUとNVIDIA GPUのアーキテクチャ上の違い、特にTPUv7 Ironwoodの光接続とスケーラビリティ、演算コア（GEMMエンジン vs Tensor Core）、メモリ一貫性の設計哲学、CPUとの協調、OpenXLAによるソフト面の橋渡し、動的ワークロードへの適性、そしてデュアルスタック運用の現実について技術的に比較・考察しました。それぞれのプラットフォームには得意不得意があり、使い分けや統合には深い知見が求められます。しかし最終的には、**「システム全体で最良の性能と効率を引き出す」ことが目的であり、Google TPUの設計思想はまさにシステムレベルでの最適化**に重きが置かれている点が印象的です[news.futunn.com](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge#:~:text=While%20price%20wars%20represent%20tactical,engineering%20constitutes%20Google%E2%80%99s%20strategic%20moat)。今後もNVIDIAとGoogleのアプローチの競い合いから、AIインフラの技術革新が進んでいくことでしょう。","render_override":null},{"id":"blk_624b09c8-f5b4-4eb0-b55d-6bacf6e12504","kind":"thematic_break","order":41,"section_id":"sec_bfc051f7-6621-4761-970b-44350d76e549","character_id":null,"markdown":"---","render_override":null},{"id":"blk_652ff559-b0c2-4a5e-ac7f-db102ee847a7","kind":"heading","order":42,"section_id":"sec_9244e351-98d9-4a87-9ef1-ef853b27f894","character_id":null,"markdown":"## TPU/Broadcom vs NVIDIA GPU のコスト構造","render_override":null},{"id":"blk_1a1af72e-7578-4ded-945a-f29f3b9dc0d7","kind":"paragraph","order":43,"section_id":"sec_9244e351-98d9-4a87-9ef1-ef853b27f894","character_id":null,"markdown":"TPU/Broadcom vs NVIDIA GPU のコスト構造をざっくり一言で言うと、","render_override":null},{"id":"blk_d42d1c79-23f1-454d-99ae-a137cb113050","kind":"quote","order":44,"section_id":"sec_9244e351-98d9-4a87-9ef1-ef853b27f894","character_id":null,"markdown":"> **「NVIDIA に払っていた超高マージンを、Google と Broadcom が“自分たち側”に取り戻したうえで、システム全体を最適化して TCO を40％前後削っている」**","render_override":null},{"id":"blk_71f5d89f-8dda-4aaf-a862-3e575ff64ba0","kind":"paragraph","order":45,"section_id":"sec_9244e351-98d9-4a87-9ef1-ef853b27f894","character_id":null,"markdown":"という構図です。","render_override":null},{"id":"blk_12b4aa17-9008-4653-b9c1-b31893c877c1","kind":"paragraph","order":46,"section_id":"sec_9244e351-98d9-4a87-9ef1-ef853b27f894","character_id":null,"markdown":"以下、もう少し丁寧に分解していきます。","render_override":null},{"id":"blk_b5789a16-3626-45a0-98b2-b838fdb12cc4","kind":"thematic_break","order":47,"section_id":"sec_9244e351-98d9-4a87-9ef1-ef853b27f894","character_id":null,"markdown":"---","render_override":null},{"id":"blk_58daa557-2eab-4c4a-9fbc-fd94d01b9e2c","kind":"heading","order":48,"section_id":"sec_8e666cf5-7b54-47a8-a92f-8a0eef6d8d94","character_id":null,"markdown":"### \\1. プレイヤーとビジネスモデルの違い","render_override":null},{"id":"blk_32b49176-ccfa-4fba-aa47-6dc5838079a2","kind":"heading","order":49,"section_id":"sec_cf6268d5-0cd3-4e64-a054-e003ad8d4eda","character_id":null,"markdown":"### NVIDIA GPU 側","render_override":null},{"id":"blk_c55936ee-0fca-4265-abe6-9ef8e4388035","kind":"list","order":50,"section_id":"sec_cf6268d5-0cd3-4e64-a054-e003ad8d4eda","character_id":null,"markdown":"- H100 / B100 / GB200 / GB300 などの GPU や NVLink/NVSwitch、InfiniBand スイッチまで **NVIDIA が一式売る**。\n- 直近決算で GAAP ベースの粗利益率は約 78％。データセンター製品単体では 75％を超えるとされます。([Klover](https://www.klover.ai/nvidia-ai-strategy-analysis-sustained-dominance-ai/?utm_source=chatgpt.com)) \n → **GPU サーバの TCO は、電力や運用より「GPU Capex」が圧倒的に支配的**。\n- SemiAnalysis の試算では、H100 サーバの月あたりコストは\n \n - 設備（Capex）約 7,025 ドル\n - ホスティング（電力・ラック・運用など Opex）約 1,871 ドル \n → 合計 TCO を決めているのはほぼ GPU 本体の価格。([newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/gpu-cloud-economics-explained-the))","render_override":null},{"id":"blk_2a9e6ec1-3b0f-4c22-b5cf-3b39b2e980b4","kind":"paragraph","order":51,"section_id":"sec_cf6268d5-0cd3-4e64-a054-e003ad8d4eda","character_id":null,"markdown":"GPU クラウドや他のハイパースケーラーは、この「NVIDIA の高マージン込みの価格」からスタートするため、**自分たちがいくら効率の良いデータセンターを作っても、TCO の大部分は NVIDIA の値付けに支配されてしまう**構造です。","render_override":null},{"id":"blk_6aed634a-f68f-4c79-916b-00d8ad3ca976","kind":"thematic_break","order":52,"section_id":"sec_cf6268d5-0cd3-4e64-a054-e003ad8d4eda","character_id":null,"markdown":"---","render_override":null},{"id":"blk_0c446b2f-ff1e-43e7-a102-01ae851413b5","kind":"heading","order":53,"section_id":"sec_df69c57f-51f9-40e5-9cb9-d89b874df40f","character_id":null,"markdown":"### Google TPU 側（Google × Broadcom）","render_override":null},{"id":"blk_591eb282-00ef-4a17-b45d-35c78fecee80","kind":"list","order":54,"section_id":"sec_df69c57f-51f9-40e5-9cb9-d89b874df40f","character_id":null,"markdown":"- **アーキテクチャ設計：** Google（TPU v1〜v7, Trillium など）。\n- **論理設計・物理設計・サプライチェーン統合：** 主に Broadcom のカスタム ASIC 部門。\n- **製造：** TSMC（先端ノード）、HBM は Samsung / SK hynix など。([newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/google-ai-infrastructure-supremacy))\n- 英国 CMA の調査報告でも、\\*\\*「TPU は Google が Broadcom と共同開発し、Broadcom が製造・供給している」\\*\\*と明記。([政府出版サービス](https://assets.publishing.service.gov.uk/media/688b8891fdde2b8f73469544/final_decision_report.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_2d1b150c-f8af-4445-a63d-1d6633511c14","kind":"paragraph","order":55,"section_id":"sec_df69c57f-51f9-40e5-9cb9-d89b874df40f","character_id":null,"markdown":"ビジネスモデルは概ね以下の形と考えられます（数字は公開されていないので構造だけ）：","render_override":null},{"id":"blk_52147c51-f08d-4e39-962f-c990abd63c77","kind":"list","order":56,"section_id":"sec_df69c57f-51f9-40e5-9cb9-d89b874df40f","character_id":null,"markdown":"1. **Google → Broadcom**\n \n - 世代ごとの NRE（設計費・マスク費など）を前払い/契約。\n - 量産フェーズでは「ウェハ＋HBM＋パッケージ＋テスト＋Broadcom マージン」を含む **コスト＋マージン型の単価**で TPU ダイを購入。\n2. **Google の内部利用**\n \n - TPU ラック/Pod 全体を自社データセンターに展開し、Search / Ads / YouTube / Gemini / Maps など社内ワークロード＆GCP に供給。\n - **「GPU ベンダーへのマージン」を払わなくて済むので、その分が丸ごと Google 側の経済圏に残る。**\n3. **外販パターン**\n \n - GCP 経由で「TPU-as-a-Service」として時間課金で提供。\n - さらに TPUv7 では **Broadcom が完成ラックを外部（Anthropic）に直接販売**する形も登場（約 40 万個の TPUv7 を約 100 億ドル相当で販売と報じられている）。([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))","render_override":null},{"id":"blk_73d41b40-f708-495a-922c-3b52f484da1b","kind":"paragraph","order":57,"section_id":"sec_df69c57f-51f9-40e5-9cb9-d89b874df40f","character_id":null,"markdown":"Broadcom 側は、Apple や Meta などと同様の「**カスタム ASIC 受託ビジネス**」として大口かつ長期契約を確保し、Google は「**NVIDIA ではなく Broadcom にだけ一段のマージンを払う**」構造になります。","render_override":null},{"id":"blk_ec8a4067-7ddb-4da8-bdef-29198cab69de","kind":"paragraph","order":58,"section_id":"sec_df69c57f-51f9-40e5-9cb9-d89b874df40f","character_id":null,"markdown":"SemiAnalysis は、","render_override":null},{"id":"blk_917f6960-e909-4d7e-a568-eb5a74ba9a09","kind":"quote","order":59,"section_id":"sec_df69c57f-51f9-40e5-9cb9-d89b874df40f","character_id":null,"markdown":"> 「Google は Broadcom 経由で自社チップを取得するため、NVIDIA のような高マージンを払わずに済み、**支払うマージンは『かなり低い』**」([newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/tpuv5e-the-new-benchmark-in-cost))","render_override":null},{"id":"blk_59f419e9-e163-43e2-b1c8-22deab12488b","kind":"paragraph","order":60,"section_id":"sec_df69c57f-51f9-40e5-9cb9-d89b874df40f","character_id":null,"markdown":"と評価しています。","render_override":null},{"id":"blk_e0228f45-cb85-496e-a9de-b98f6a5ebd7d","kind":"thematic_break","order":61,"section_id":"sec_df69c57f-51f9-40e5-9cb9-d89b874df40f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ce1edba4-05a2-4e42-85db-e14cd424cbe1","kind":"heading","order":62,"section_id":"sec_cf894d40-08ff-4508-a74b-e18715d25c43","character_id":null,"markdown":"### \\2. TPUv7 vs GB200：TCO の定量比較（公開情報ベース）","render_override":null},{"id":"blk_e4ab976c-0908-4377-875a-5e2b689c32d4","kind":"paragraph","order":63,"section_id":"sec_cf894d40-08ff-4508-a74b-e18715d25c43","character_id":null,"markdown":"SemiAnalysis の最新レポート（Futu 経由要約）では、TPUv7「Ironwood」と NVIDIA GB200 を**サーバレベルの TCO**で比較しています：([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))","render_override":null},{"id":"blk_90f5da96-0cb9-4bfe-8c75-41456daff61f","kind":"list","order":64,"section_id":"sec_cf894d40-08ff-4508-a74b-e18715d25c43","character_id":null,"markdown":"- **Google 内部視点（自家消費）：**\n \n - TPUv7 サーバの TCO は **GB200 サーバ比で約 44％低い**。\n- **Anthropic のような外部顧客が GCP 経由で借りる場合（Google＋Broadcom＋GCP 利益込み）：**\n \n - それでも **GB200 を購入・利用する場合より TCO が約 30％低い**。\n - GB300 NVL72 との比較では、さらに大きな差（約 40％超の優位）とされる。","render_override":null},{"id":"blk_acb64155-a2fd-4bfa-9a5e-4748b43ffcd8","kind":"paragraph","order":65,"section_id":"sec_cf894d40-08ff-4508-a74b-e18715d25c43","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_fdff5f55-88eb-4731-a99f-99d03931e5e6","kind":"quote","order":66,"section_id":"sec_cf894d40-08ff-4508-a74b-e18715d25c43","character_id":null,"markdown":"> **「Broadcom にも Google にも利益を出しつつ、それでも NVIDIA GPU より 3〜4割 TCO が安い」**","render_override":null},{"id":"blk_d73b336d-f3ec-405f-acef-9864618201b4","kind":"paragraph","order":67,"section_id":"sec_cf894d40-08ff-4508-a74b-e18715d25c43","character_id":null,"markdown":"というかなり強烈な数字が出ています。","render_override":null},{"id":"blk_d4323017-7a02-410b-a824-c77f1a81fd75","kind":"paragraph","order":68,"section_id":"sec_cf894d40-08ff-4508-a74b-e18715d25c43","character_id":null,"markdown":"なぜこんな差が出るのかを、コスト構造から分解します。","render_override":null},{"id":"blk_43ec36a1-b963-4baf-aa6c-fc580084e90e","kind":"thematic_break","order":69,"section_id":"sec_cf894d40-08ff-4508-a74b-e18715d25c43","character_id":null,"markdown":"---","render_override":null},{"id":"blk_63f7e8ee-3c68-4ced-922b-cd73101738d9","kind":"heading","order":70,"section_id":"sec_a124d4bf-9f68-49be-87ec-fbcbfdc24f60","character_id":null,"markdown":"### \\3. コスト構造の分解：どこで差がつくか","render_override":null},{"id":"blk_8d19fd3d-dcf3-44cb-bf8b-57ebfad19d6d","kind":"heading","order":71,"section_id":"sec_064b9083-cba1-4961-befa-c5e47ea9cc9c","character_id":null,"markdown":"### 3-1. チップそのもののマージン構造","render_override":null},{"id":"blk_94ab89bc-ffb3-48db-ad9f-401ae992d976","kind":"paragraph","order":72,"section_id":"sec_064b9083-cba1-4961-befa-c5e47ea9cc9c","character_id":null,"markdown":"**NVIDIA**","render_override":null},{"id":"blk_efeae90c-8c46-4ee1-ad0a-4047527563a9","kind":"list","order":73,"section_id":"sec_064b9083-cba1-4961-befa-c5e47ea9cc9c","character_id":null,"markdown":"- 1枚あたり数万ドル級の H100/B100/GB200 モジュールに対し、\\*\\*おおよそ 4 倍前後の価格乗せ（約 75％前後の粗利）\\*\\*を取っていると SemiAnalysis は推定。([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))\n- さらに、NVSwitch・InfiniBand スイッチ・NIC といったネットワーク製品にも高いマージンを上乗せ。\n- 結果として、**「チップ＋ネットワーク」の層だけでとんでもない利益」が NVIDIA に集中**。","render_override":null},{"id":"blk_4308ed95-5e8d-4f91-a432-d0f29f77a63b","kind":"paragraph","order":74,"section_id":"sec_064b9083-cba1-4961-befa-c5e47ea9cc9c","character_id":null,"markdown":"**Google + Broadcom（TPU）**","render_override":null},{"id":"blk_5a253073-05fa-40b3-8c9b-fba7e714c810","kind":"list","order":75,"section_id":"sec_064b9083-cba1-4961-befa-c5e47ea9cc9c","character_id":null,"markdown":"- Broadcom はカスタム ASIC ビジネスとして、TPU ダイに対し「**製造コスト＋α（ASIC ビジネスとしては高めだが、NVIDIA GPU よりはるかに低いマージン）**」を乗せる。([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))\n- SemiAnalysis は、\n \n 1. 「チップの BOM の中では Broadcom がかなり大きな利益を取っているが、それでも NVIDIA の 4x マークアップよりは低く、**なお Google 側にも GPU クラウド案件より良い EBIT マージンが残る**」([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge)) \n と分析。\n- 要するに、 \n **「チップ単価＝TSMC＋HBM＋パッケージ＋Broadcom の modest なマージン」** \n という構造で、NVIDIA のような“ブランド GPU プレミアム”が乗っていない。","render_override":null},{"id":"blk_295d4e99-38ff-4c09-980a-61a407de96c1","kind":"paragraph","order":76,"section_id":"sec_064b9083-cba1-4961-befa-c5e47ea9cc9c","character_id":null,"markdown":"この段階で、**1チップあたり数十％レベルでコストが安い**と推定され、それがサーバ TCO 44％差の大きな源泉になっています。","render_override":null},{"id":"blk_350dd589-5087-4a39-93b3-37c5cfd779ab","kind":"thematic_break","order":77,"section_id":"sec_064b9083-cba1-4961-befa-c5e47ea9cc9c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7bcfa84e-5877-4c04-b418-cedfe4c9757c","kind":"heading","order":78,"section_id":"sec_021ab50c-23e4-44cc-a08b-6da8c5a9707e","character_id":null,"markdown":"### 3-2. ネットワーク（ICI + OCS）vs NVLink + InfiniBand","render_override":null},{"id":"blk_fd638e0f-18d6-45ca-ae23-c209d4e0e193","kind":"paragraph","order":79,"section_id":"sec_021ab50c-23e4-44cc-a08b-6da8c5a9707e","character_id":null,"markdown":"ここが Google の「システム設計としての縦割り最適化」の真骨頂です。SemiAnalysis の TPUv4 分析から：([newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/google-ai-infrastructure-supremacy))","render_override":null},{"id":"blk_f6fde2f5-8568-471e-a19c-b63a641af6a0","kind":"list","order":80,"section_id":"sec_021ab50c-23e4-44cc-a08b-6da8c5a9707e","character_id":null,"markdown":"- TPUv4 では、\n \n - **64 チップの「スライス」までは銅ケーブル（DAC）で直結**し、\n - その先は **自社開発の Optical Circuit Switch（OCS）＋光リンク**で接続。\n- 4,096 チップ級の TPUv4 Pod を構成する際、\n \n - Google は **OCS 48 台**で済むのに対し、\n - 同規模の 4,096 GPU クラスターを NVIDIA で組むと、**InfiniBand スイッチが約 568 台必要**と試算。\n- OCS はスイッチ単体では\n \n - **NVIDIA の InfiniBand スイッチより 3.2〜3.5 倍高価**（小売価格ベース）、\n - 製造原価ベースで比較すると **12.8〜14 倍**も高いとされる。 \n それでも、\n - 必要台数が ≒1/12 で済むうえ、\n - 光電変換を減らして消費電力も削減できるため、 \n → **ネットワーク全体としての Capex では TPU 側が有利か、ほぼ同等**。\n- Google は、 \n **「TPUv4 スーパーコンピュータにおいて、ネットワークの Capex は全体の \\<5%、電力も \\<3%」** \n に抑えられていると主張。([newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/google-ai-infrastructure-supremacy))","render_override":null},{"id":"blk_33ad1569-1456-42b1-9ee0-1af27932a77b","kind":"paragraph","order":81,"section_id":"sec_021ab50c-23e4-44cc-a08b-6da8c5a9707e","character_id":null,"markdown":"これを TPUv7 Ironwood ではさらに強化し、","render_override":null},{"id":"blk_b55d6e18-f6e9-4b94-8882-f9b1112114bd","kind":"list","order":82,"section_id":"sec_021ab50c-23e4-44cc-a08b-6da8c5a9707e","character_id":null,"markdown":"- **ICI + OCS + 3D Torus ネットワーク**により、\n \n - 1 Pod あたり **9,216 チップ**までスケール可能、\n - OCS による光学スイッチングでトポロジーをソフトウェア的に動的再構成、故障チップを迂回しつつ 3D torus を保つ。([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))","render_override":null},{"id":"blk_a476a496-fee8-42ed-9e29-378c250b141a","kind":"paragraph","order":83,"section_id":"sec_021ab50c-23e4-44cc-a08b-6da8c5a9707e","character_id":null,"markdown":"対して NVIDIA の Blackwell/GB200/NVL72 では、","render_override":null},{"id":"blk_2119dcf8-6af6-468e-a72b-a3e26762b64a","kind":"list","order":84,"section_id":"sec_021ab50c-23e4-44cc-a08b-6da8c5a9707e","character_id":null,"markdown":"- NVLink スケールは 72GPU（NVL72）〜数百 GPU レベルが実質限界で、そこから先は InfiniBand/Ethernet などの**階層的な Clos ネットワーク**へ。([Reddit](https://www.reddit.com/r/NVDA_Stock/comments/1p66o4e/tpu_vs_gpu/?utm_source=chatgpt.com))\n- スイッチ段数が増えるほど、\n \n - スイッチ台数\n - 光トランシーバ本数\n - 光電変換の回数 \n が増え、**ネットワークの Capex と電力が跳ね上がる**。","render_override":null},{"id":"blk_8e37cb84-7d6d-4a65-b409-991ec87435d5","kind":"paragraph","order":85,"section_id":"sec_021ab50c-23e4-44cc-a08b-6da8c5a9707e","character_id":null,"markdown":"**まとめると：**","render_override":null},{"id":"blk_4f2de54f-d15c-402b-8a49-35ee1dbefbbd","kind":"quote","order":86,"section_id":"sec_021ab50c-23e4-44cc-a08b-6da8c5a9707e","character_id":null,"markdown":"> NVIDIA：GPU は高マージン、ネットワークは多段スイッチなので規模を伸ばすほどネット側のコストも増えやすい。\n\nGoogle：チップは“コスト＋α”、ネットワークは OCS で段数・台数を極限まで削って、ネットワーク Capex を \\<5%に抑える。","render_override":null},{"id":"blk_044af7c8-9322-4706-b184-b89565a73ecb","kind":"paragraph","order":87,"section_id":"sec_021ab50c-23e4-44cc-a08b-6da8c5a9707e","character_id":null,"markdown":"ここでも \\*\\*「いかにネットワークを安く・効率よく作るか」\\*\\*というシステム視点で、Google は GPU スタックより 10％〜20％単位の追加のコスト差を積み上げています。","render_override":null},{"id":"blk_89595639-f863-4279-af7b-cad0d4376368","kind":"thematic_break","order":88,"section_id":"sec_021ab50c-23e4-44cc-a08b-6da8c5a9707e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_8d12ad04-578b-4406-b701-ec5fbfbadc05","kind":"heading","order":89,"section_id":"sec_713a0f9b-c4e9-4afc-bbed-feccc55d691b","character_id":null,"markdown":"### 3-3. データセンター全体（PUE・電力・運用）","render_override":null},{"id":"blk_648400ad-6062-497d-8d44-7c7458b3fb82","kind":"paragraph","order":90,"section_id":"sec_713a0f9b-c4e9-4afc-bbed-feccc55d691b","character_id":null,"markdown":"SemiAnalysis の TCO モデルでは、GPU サーバでは","render_override":null},{"id":"blk_91bac263-baab-43c5-859b-e3e6894225a4","kind":"list","order":91,"section_id":"sec_713a0f9b-c4e9-4afc-bbed-feccc55d691b","character_id":null,"markdown":"- 「ホスティングコスト（電力＋ラック＋冷却＋運用）」は月 1,871 ドル、\n- Capex が 7,025 ドルと比べると**二次的な項目**。([newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/gpu-cloud-economics-explained-the))","render_override":null},{"id":"blk_1dd6afde-35b1-4534-81c1-8b50120b88dc","kind":"paragraph","order":92,"section_id":"sec_713a0f9b-c4e9-4afc-bbed-feccc55d691b","character_id":null,"markdown":"ただし Google のようなハイパースケーラーは、","render_override":null},{"id":"blk_75820141-bcda-4a25-8e0f-bd2d66aaff3e","kind":"list","order":93,"section_id":"sec_713a0f9b-c4e9-4afc-bbed-feccc55d691b","character_id":null,"markdown":"- PUE ~1.05 付近まで追い込んだ超高効率データセンター\n- 自社設計の電源・冷却・ラック・液冷システム","render_override":null},{"id":"blk_da056c4c-67b2-4cf8-a4a9-2a3ba680e6ae","kind":"paragraph","order":94,"section_id":"sec_713a0f9b-c4e9-4afc-bbed-feccc55d691b","character_id":null,"markdown":"を持ち、Colo などより大幅に安く建てられるとされています。([newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/gpu-cloud-economics-explained-the))","render_override":null},{"id":"blk_14725c51-9625-4bbe-96c8-b85b921e1f7c","kind":"paragraph","order":95,"section_id":"sec_713a0f9b-c4e9-4afc-bbed-feccc55d691b","character_id":null,"markdown":"GPU サーバの場合は、","render_override":null},{"id":"blk_e4abfb90-f202-4af7-a26c-c6bb5db4bb9c","kind":"quote","order":96,"section_id":"sec_713a0f9b-c4e9-4afc-bbed-feccc55d691b","character_id":null,"markdown":"> 「どう頑張っても TCO の 7〜8割は NVIDIA に払う Capex」","render_override":null},{"id":"blk_bf704028-2d5d-4a32-b943-02e7a1917042","kind":"paragraph","order":97,"section_id":"sec_713a0f9b-c4e9-4afc-bbed-feccc55d691b","character_id":null,"markdown":"なので、この PUE/インフラ効率の差は TCO 全体の中での重みが小さいですが、**TPU の場合は元のチップコストが安いので、このインフラ効率の差が素直に TCO 削減効果として効いてくる**、という構図になります。","render_override":null},{"id":"blk_3e3e2e41-01d7-4d13-ab8f-af3400b6708d","kind":"thematic_break","order":98,"section_id":"sec_713a0f9b-c4e9-4afc-bbed-feccc55d691b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9f8e4b7a-51bc-4397-b300-89808c6566ad","kind":"heading","order":99,"section_id":"sec_2e02e8cb-a160-4c06-b754-eb2a8e452d8f","character_id":null,"markdown":"### 3-4. ファイナンス面：Super Cloud Vendor Backstop","render_override":null},{"id":"blk_ea7cb64c-8e39-421a-90a0-060e3f03a6e2","kind":"paragraph","order":100,"section_id":"sec_2e02e8cb-a160-4c06-b754-eb2a8e452d8f","character_id":null,"markdown":"SemiAnalysis が指摘している、TPUv7 の TCO 優位を支えているもう一つのカギが「**Super Cloud Vendor Backstop**」と呼ぶ金融スキームです。([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))","render_override":null},{"id":"blk_a7bf40d1-5ca4-4cf6-9b90-67f66dddbea8","kind":"list","order":101,"section_id":"sec_2e02e8cb-a160-4c06-b754-eb2a8e452d8f","character_id":null,"markdown":"- AI クラスターの経済寿命：4〜5年\n- データセンターリース・電力契約：15 年クラス","render_override":null},{"id":"blk_6729eab1-b209-418e-b1f3-1cc50a2b95fa","kind":"paragraph","order":102,"section_id":"sec_2e02e8cb-a160-4c06-b754-eb2a8e452d8f","character_id":null,"markdown":"という **期間ミスマッチ** のせいで、中小の GPU クラウドやマイナーは資金調達に苦しみます。","render_override":null},{"id":"blk_63186c10-a125-489d-8991-cda183fb85cc","kind":"paragraph","order":103,"section_id":"sec_2e02e8cb-a160-4c06-b754-eb2a8e452d8f","character_id":null,"markdown":"Google はここに対して、","render_override":null},{"id":"blk_a252af2b-5288-4657-8d68-b844a4160ca5","kind":"list","order":104,"section_id":"sec_2e02e8cb-a160-4c06-b754-eb2a8e452d8f","character_id":null,"markdown":"- マイナーやコロケーション事業者が建てた施設に TPU ラックを置く際に、\n- \\*\\*「もし借り手が家賃を払えなくなったら Google が肩代わりする」\\*\\*という形のクレジットバックストップを提供。\n- これにより、金融機関から見たリスクが激減し、**低金利で資金調達して安くデータセンターを建てられる**。","render_override":null},{"id":"blk_2f8caa01-52f1-4b32-8906-754594e5eef5","kind":"paragraph","order":105,"section_id":"sec_2e02e8cb-a160-4c06-b754-eb2a8e452d8f","character_id":null,"markdown":"このおかげで、","render_override":null},{"id":"blk_fc3fa504-a519-4eca-8069-cc4590674d42","kind":"list","order":106,"section_id":"sec_2e02e8cb-a160-4c06-b754-eb2a8e452d8f","character_id":null,"markdown":"1. **TPU ラックのインフラコストがさらに下がる**\n2. その TPU を GCP と外部顧客（Anthropic など）とでシェアすることで、**設備稼働率を非常に高く維持できる**","render_override":null},{"id":"blk_5cbf5012-f5cf-4379-be09-c47af0d9e47e","kind":"paragraph","order":107,"section_id":"sec_2e02e8cb-a160-4c06-b754-eb2a8e452d8f","character_id":null,"markdown":"→ 結果として、**TCO/有効 FLOP がさらに GPU より有利になる**、という循環です。([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))","render_override":null},{"id":"blk_a97f37bf-f719-4802-80e9-7fb981514dfa","kind":"paragraph","order":108,"section_id":"sec_2e02e8cb-a160-4c06-b754-eb2a8e452d8f","character_id":null,"markdown":"NVIDIA GPU だけを買う GPU クラウド事業者は、このような「クラウドベンダー自身による信用補完」を持たないので、金利・デフォルトリスクを織り込んだ TCO になります。ここも垂直統合のメリットです。","render_override":null},{"id":"blk_81cc613e-f646-4529-8a80-e405ff5c65e4","kind":"thematic_break","order":109,"section_id":"sec_2e02e8cb-a160-4c06-b754-eb2a8e452d8f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5948346d-8227-4376-9f63-5c1245ca11ee","kind":"heading","order":110,"section_id":"sec_07854324-f312-4f63-ba77-83492bbecc89","character_id":null,"markdown":"### \\4. Broadcom との分業と収益配分","render_override":null},{"id":"blk_e22a8022-750e-4093-8f2c-7ca067cc5985","kind":"paragraph","order":111,"section_id":"sec_07854324-f312-4f63-ba77-83492bbecc89","character_id":null,"markdown":"SemiAnalysis/Futu 要約と他報道を組み合わせると、Broadcom–Google–顧客の収益構造はだいたい次のような感じと考えられます：([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))","render_override":null},{"id":"blk_d1abe3bb-cb33-4cfa-9485-9121dd8456a8","kind":"list","order":112,"section_id":"sec_07854324-f312-4f63-ba77-83492bbecc89","character_id":null,"markdown":"1. **Google ↔ Broadcom**\n \n - Google が世代ごとの NRE を支払い、最低発注数量をコミット。\n - Broadcom は ASIC 開発・量産・ラック化までを請け負い、チップレベル BOM 上で「比較的大きいが、NVIDIA ほどではないマージン」を取る。\n2. **Broadcom ↔ エンドユーザー（Anthropic）**\n \n - TPUv7 ラック 40万台分を約100億ドルで直接販売（＝Broadcom がハードウェア販売の利益を取る）。\n3. **Google ↔ エンドユーザー（Anthropic、Meta、OpenAIなど）**\n \n - 残り 60 万個の TPUv7 を GCP を通じて時間課金で提供。\n - ここで Google は、\n \n - Broadcom から買ったハードウェアに自らのクラウドマージンを乗せる\n - それでも **GB200/GB300 ベースの GPU クラウドより 30〜40％安い TCO** を提示できる \n と SemiAnalysis は見積もっています。([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))","render_override":null},{"id":"blk_26bb3300-92d2-4344-b828-48043af83b59","kind":"paragraph","order":113,"section_id":"sec_07854324-f312-4f63-ba77-83492bbecc89","character_id":null,"markdown":"NVIDIA の場合、","render_override":null},{"id":"blk_4e034716-cd4c-4ea2-8e99-7220aa73de79","kind":"list","order":114,"section_id":"sec_07854324-f312-4f63-ba77-83492bbecc89","character_id":null,"markdown":"- **NVIDIA が GPU＋ネットワークで超高マージンを取る**\n- その上に GPU クラウドやハイパースケーラーがクラウドマージンを載せる","render_override":null},{"id":"blk_4fb81e35-72be-4917-ba5e-db41692cd634","kind":"paragraph","order":115,"section_id":"sec_07854324-f312-4f63-ba77-83492bbecc89","character_id":null,"markdown":"という「二段構えのマージン」ですが、","render_override":null},{"id":"blk_90773719-00f4-4ae5-a819-00df4af86671","kind":"paragraph","order":116,"section_id":"sec_07854324-f312-4f63-ba77-83492bbecc89","character_id":null,"markdown":"TPU スタックでは、","render_override":null},{"id":"blk_732964a8-8292-439a-94e0-875c9e8b0940","kind":"list","order":117,"section_id":"sec_07854324-f312-4f63-ba77-83492bbecc89","character_id":null,"markdown":"- **チップマージン： Broadcom**\n- **クラウドマージン： Google**","render_override":null},{"id":"blk_e45834c8-2895-46ca-9d4f-c5bab8e6a646","kind":"paragraph","order":118,"section_id":"sec_07854324-f312-4f63-ba77-83492bbecc89","character_id":null,"markdown":"と“自陣営”の中で完結し、しかも総額では NVIDIA スタックより低い。 \nこの構造が、","render_override":null},{"id":"blk_f5de1c82-7193-4fb2-8bb8-857bc1ca7bcf","kind":"quote","order":119,"section_id":"sec_07854324-f312-4f63-ba77-83492bbecc89","character_id":null,"markdown":"> **「TPUv7 の TCO が GB200 比で 44%安いのに、Google も Broadcom もちゃんと儲かる」**","render_override":null},{"id":"blk_846cfca1-1f34-488e-bc43-848a02c69791","kind":"paragraph","order":120,"section_id":"sec_07854324-f312-4f63-ba77-83492bbecc89","character_id":null,"markdown":"という、垂直統合型の美味しい状態を生んでいます。","render_override":null},{"id":"blk_f100b524-270d-42e8-8fbc-e490314f121c","kind":"thematic_break","order":121,"section_id":"sec_07854324-f312-4f63-ba77-83492bbecc89","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2e74cfa2-f386-4068-b328-ccbdaa8b071d","kind":"heading","order":122,"section_id":"sec_4a3cac5b-ffa7-4110-9c1d-e451a0532857","character_id":null,"markdown":"### \\5. NVIDIA GPU TCO と比べた Google 垂直統合の競争優位性","render_override":null},{"id":"blk_2135cf7f-2070-40be-b1a0-21aa44d777f0","kind":"paragraph","order":123,"section_id":"sec_4a3cac5b-ffa7-4110-9c1d-e451a0532857","character_id":null,"markdown":"ここまでの話を、TCO 観点で整理すると：","render_override":null},{"id":"blk_6b9660b6-dcd8-4569-8a9f-9d6f4a314ae6","kind":"heading","order":124,"section_id":"sec_7d9fd5b5-93ab-4a07-9ac8-42b419a6b439","character_id":null,"markdown":"### 5-1. TCO の内訳イメージ（大規模 LLM トレーニング・推論クラスター）","render_override":null},{"id":"blk_90d5a96d-614d-4e2b-ac09-150c9fa07399","kind":"paragraph","order":125,"section_id":"sec_7d9fd5b5-93ab-4a07-9ac8-42b419a6b439","character_id":null,"markdown":"（※割合は概念的イメージ）","render_override":null},{"id":"blk_e28f77f0-3153-45d3-b994-aebc36ae4ee0","kind":"paragraph","order":126,"section_id":"sec_7d9fd5b5-93ab-4a07-9ac8-42b419a6b439","character_id":null,"markdown":"**NVIDIA GPU スタック（GB200/GB300 NVL72 クラス）**","render_override":null},{"id":"blk_40b6affa-34a4-4525-9093-088a957e2e89","kind":"list","order":127,"section_id":"sec_7d9fd5b5-93ab-4a07-9ac8-42b419a6b439","character_id":null,"markdown":"- GPU/NVLink/NVSwitch/ネットワーク機器：**TCO の 70〜80％**\n \n - うち NVIDIA の粗利が 50％ポイント以上。\n- データセンター建設・電力・冷却・運用：20〜30％\n- ソフトウェア開発・オペレーション：数％（人件費は別勘定）","render_override":null},{"id":"blk_e0ba318e-9b51-4ebe-a42d-16756cd3a43a","kind":"paragraph","order":128,"section_id":"sec_7d9fd5b5-93ab-4a07-9ac8-42b419a6b439","character_id":null,"markdown":"**Google TPU スタック（TPUv6/TPUv7 クラス）**","render_override":null},{"id":"blk_9e3197c8-8415-4ad6-94a9-b0b2581f8bdd","kind":"list","order":129,"section_id":"sec_7d9fd5b5-93ab-4a07-9ac8-42b419a6b439","character_id":null,"markdown":"- TPU＋OCS＋ラック：**TCO の 50〜60％**\n \n - うち Broadcom マージン＋Google マージンだが、総額は NVIDIA より低い。\n- データセンター・電力・冷却・運用：**40〜50％**\n \n - 高効率インフラ＋Backstop スキーム＋稼働率最適化で絶対額も圧縮。\n- ソフトウェアスタック（XLA, OpenXLA, JAX, PyTorch/XLA 等）：\n \n - 内部ツールも含めて Google 自社の固定費として回収。","render_override":null},{"id":"blk_00302d17-4b95-4f08-9789-1cb054df55d7","kind":"paragraph","order":130,"section_id":"sec_7d9fd5b5-93ab-4a07-9ac8-42b419a6b439","character_id":null,"markdown":"**結果：**","render_override":null},{"id":"blk_947f7053-8ebd-40dc-aafb-fd40ac2e646e","kind":"list","order":131,"section_id":"sec_7d9fd5b5-93ab-4a07-9ac8-42b419a6b439","character_id":null,"markdown":"- 内部利用では **TPU サーバ TCO が同世代 NVIDIA GPU サーバ比で ~40〜45％安い**。([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))\n- 外部提供（GCP）でも、**GB200/GB300 より ~30〜40％ TCO が安い価格を提示しつつ、Google も十分な利益を確保**。","render_override":null},{"id":"blk_74e916a1-b668-4a57-9501-1e705ce6a59b","kind":"thematic_break","order":132,"section_id":"sec_7d9fd5b5-93ab-4a07-9ac8-42b419a6b439","character_id":null,"markdown":"---","render_override":null},{"id":"blk_77111227-920e-45b6-85ce-d919b591b673","kind":"heading","order":133,"section_id":"sec_61711b0d-9dcb-484b-86fa-11bf8f73ed1e","character_id":null,"markdown":"### 5-2. 垂直統合アプローチの経済的メリット（まとめ）","render_override":null},{"id":"blk_0ad75591-ddef-4820-b466-91e7eb332205","kind":"list","order":134,"section_id":"sec_61711b0d-9dcb-484b-86fa-11bf8f73ed1e","character_id":null,"markdown":"1. **Vendor Margin の内部化**\n \n - 本来 NVIDIA が持っていくはずの GPU マージンの大部分を、 \n **Broadcom＋Google という“味方サイド”で分け合える**。\n2. **システム最適化（ネットワーク＆トポロジ）**\n \n - OCS＋3D Torus により「必要スイッチ数」「光電変換」「ケーブル本数」を削減し、 \n **ネットワーク Capex を \\<5% に抑える**ことで全体 TCO をさらに削る。([newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/google-ai-infrastructure-supremacy))\n3. **PUE とインフラ効率**\n \n - 高効率データセンター＋液冷＋ラック設計まで含めた最適化で、 \n **電力当たりの TFLOP や TB/s を最大化**。\n4. **ファイナンス（Super Cloud Vendor Backstop）**\n \n - 期間ミスマッチを Google の信用で埋めることで、**低金利で巨大クラスターを調達**しつつ、 \n 内部・外部の両方のワークロードで高稼働率を達成。\n5. **ワークロード＆ソフトウェア縦統合**\n \n - Search/Ads/Gmail/Maps/Gemini/YouTube など、**莫大な内部ワークロードを TPU に集約**できるため、 \n 世代交代ごとの NRE やツール開発コストを十分に回収できる。\n - OpenXLA/StableHLO や PyTorch ネイティブサポートを進めることで、**外部顧客も取り込みやすくなり、スケールメリットがさらに増幅**。([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))","render_override":null},{"id":"blk_e0d85c96-83af-4ee6-a78f-2b1fb79d65f0","kind":"thematic_break","order":135,"section_id":"sec_61711b0d-9dcb-484b-86fa-11bf8f73ed1e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c544c026-5865-405c-91ee-591d821fc288","kind":"heading","order":136,"section_id":"sec_620022ef-82be-4ef1-965c-152a501efc70","character_id":null,"markdown":"### 5-3. もちろん弱点もある","render_override":null},{"id":"blk_7ea77cb0-2c1d-46f4-bb9c-514787519135","kind":"paragraph","order":137,"section_id":"sec_620022ef-82be-4ef1-965c-152a501efc70","character_id":null,"markdown":"公平に見ると、Google 方式にも制約はあります：","render_override":null},{"id":"blk_7d9f4e80-d9bb-40f6-99cd-7e1369f1caf3","kind":"list","order":138,"section_id":"sec_620022ef-82be-4ef1-965c-152a501efc70","character_id":null,"markdown":"- **膨大な初期投資とスケール前提**\n \n - NRE＋インフラ＋ソフトウェア整備に「数十億〜百億ドル」レベルの投資を 4〜5年サイクルで回す必要があり、真似できるのは GAFA 級だけ。\n- **アーキテクチャ外した時のリスク**\n \n - TPUv4i が PaLM のような大型 LLM 推論に向かなかった事例のように、**アーキテクチャのミスは丸ごと自社が被るリスク**。([newsletter.semianalysis.com](https://newsletter.semianalysis.com/p/google-ai-infrastructure-supremacy))\n- **汎用性・エコシステムでは NVIDIA 優位**\n \n - GPU はオンプレからあらゆるクラウドまで、研究〜ゲーム〜HPC まで使われる「汎用 GPU エコシステム」。\n - TPU は基本 GCP と一部の直販先のみで、**長期的な中古市場や転用先は GPU より限定される**。\n- **Broadcom 依存リスク**\n \n - シリコン実装を Broadcom にほぼ一本化しているため、**Broadcom 側の価格交渉力が高まる**リスクも存在。","render_override":null},{"id":"blk_8255bb4b-b43a-420f-b8b3-9a3d67c44271","kind":"paragraph","order":139,"section_id":"sec_620022ef-82be-4ef1-965c-152a501efc70","character_id":null,"markdown":"とはいえ、現時点の公開情報ベースでは、","render_override":null},{"id":"blk_effa82ac-9480-4a78-a2bc-b666112ef90c","kind":"quote","order":140,"section_id":"sec_620022ef-82be-4ef1-965c-152a501efc70","character_id":null,"markdown":"> **大規模 LLM/RecSys のような TPU にフィットするワークロードに限れば、TPU スタックは NVIDIA GPU スタックに対して 30〜45％程度の TCO 優位を持ち、その利益を Google と Broadcom が分け合える構造になっている**","render_override":null},{"id":"blk_c3f08962-79bf-4dee-a858-ee2f530c3664","kind":"paragraph","order":141,"section_id":"sec_620022ef-82be-4ef1-965c-152a501efc70","character_id":null,"markdown":"と評価するのが妥当だと思います。","render_override":null},{"id":"blk_5aabf031-b2cb-49e2-bd3e-530844c72755","kind":"thematic_break","order":142,"section_id":"sec_620022ef-82be-4ef1-965c-152a501efc70","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d31ecae9-07ea-4744-b97a-51fe7aef5111","kind":"heading","order":143,"section_id":"sec_f078aa2c-cb10-4e59-90db-87036b9c4298","character_id":null,"markdown":"### ざっくり結論","render_override":null},{"id":"blk_79f0ccf6-d080-423c-9cbe-eb75919ec456","kind":"list","order":144,"section_id":"sec_f078aa2c-cb10-4e59-90db-87036b9c4298","character_id":null,"markdown":"- **コスト構造：**\n \n - NVIDIA：GPU 本体＋ネットワークに極めて高いマージン → GPU サーバ TCO の大部分が「NVIDIA に払うお金」で決まりがち。\n - Google TPU：Broadcom の ASIC マージンはあるが、全体としては NVIDIA よりかなり低い。加えてネットワークとインフラを徹底最適化。\n- **TCO 比較：**\n \n - 内部利用で TPUv7 サーバは GB200 サーバ比 **約 44％ 安い TCO**。\n - 外部顧客に GCP 経由で貸しても **GB200 より約 30％ 安い TCO** を保ちながら Google も高い収益性。([富途新闻](https://news.futunn.com/en/post/65577736/semianalysis-provides-in-depth-analysis-of-tpu-google-s-challenge))\n- **経済的競争優位：**\n \n - この差は単に「チップが安い」だけでなく、 \n **ASIC 設計＋ネットワーク＋PUE＋ファイナンス＋ソフトウェアまでを含む、垂直統合＆システム最適化の結果**。\n - 特に Anthropic や（将来の）Meta/OpenAI など「フロンティア LLM」を大量に回す顧客にとっては、**同じタスクを半分程度の TCO でこなせる可能性がある**ため、GPU 一辺倒から TPU を含むマルチベンダー戦略へ切り替える強いインセンティブが生まれている。","render_override":null},{"id":"blk_d594a6cd-8093-4faa-90ef-7abdfa83ffa5","kind":"thematic_break","order":145,"section_id":"sec_f078aa2c-cb10-4e59-90db-87036b9c4298","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1921d9e5-46b7-44e0-9810-17223dd9fe39","kind":"heading","order":146,"section_id":"sec_130cebe0-8858-4309-8d6c-42836c9e6bc7","character_id":null,"markdown":"## OSCとMEMSミラー","render_override":null},{"id":"blk_5c440151-0fde-4b4b-af9c-fa8f89d0b5d1","kind":"heading","order":147,"section_id":"sec_391e7dd8-3e1c-4cc0-b2d0-f9aeea9f839b","character_id":null,"markdown":"### \\1. OCS（Optical Circuit Switch）って何をしている装置か","render_override":null},{"id":"blk_71168c1b-1ae0-4f28-a353-1f60c596df49","kind":"heading","order":148,"section_id":"sec_0ff382d5-dc49-4e11-b797-5af33ddc7541","character_id":null,"markdown":"### 電気スイッチとの一番大きな違い","render_override":null},{"id":"blk_be75c4a7-594d-491b-ac19-ed592121934f","kind":"paragraph","order":149,"section_id":"sec_0ff382d5-dc49-4e11-b797-5af33ddc7541","character_id":null,"markdown":"普通のEthernetスイッチやInfiniBandスイッチは：","render_override":null},{"id":"blk_ae5e49d4-50de-4673-b99d-169796a9b0ec","kind":"list","order":150,"section_id":"sec_0ff382d5-dc49-4e11-b797-5af33ddc7541","character_id":null,"markdown":"1. 光 → 電気に変換（O/E）\n2. パケットヘッダを見る（MAC / IP / RoCE など）\n3. スイッチチップ内部でルックアップ＋バッファリング\n4. 電気 → 光に再変換（E/O）","render_override":null},{"id":"blk_c284a54d-d94e-48bf-bcfd-813d3288ea3e","kind":"paragraph","order":151,"section_id":"sec_0ff382d5-dc49-4e11-b797-5af33ddc7541","character_id":null,"markdown":"という「O-E-O」変換をして、**パケット単位で転送先を決める**機械です。","render_override":null},{"id":"blk_7a3f3755-2941-4aae-9c8c-54a46ec0bfed","kind":"paragraph","order":152,"section_id":"sec_0ff382d5-dc49-4e11-b797-5af33ddc7541","character_id":null,"markdown":"OCSはこれと全然違っていて、","render_override":null},{"id":"blk_1555c561-d0a4-4101-86be-8768d4475b8b","kind":"list","order":153,"section_id":"sec_0ff382d5-dc49-4e11-b797-5af33ddc7541","character_id":null,"markdown":"- **光信号を一度も電気に戻さず**\n- **「この入力ファイバ → この出力ファイバ」という“回線”を物理的に組み替えるだけ**","render_override":null},{"id":"blk_2d9659f0-f99e-4527-9806-44651f89b3be","kind":"paragraph","order":154,"section_id":"sec_0ff382d5-dc49-4e11-b797-5af33ddc7541","character_id":null,"markdown":"の装置です。 \nGoogleのJupiter/DCネットワークの解説では、OCSを","render_override":null},{"id":"blk_38ab28fb-4fb9-4f79-b171-20b6e542a6b1","kind":"quote","order":155,"section_id":"sec_0ff382d5-dc49-4e11-b797-5af33ddc7541","character_id":null,"markdown":"> 「2組のMEMSミラーで、N本の入力ファイバとN本の出力ファイバを任意に接続する装置」([Google Cloud](https://cloud.google.com/blog/topics/systems/the-evolution-of-googles-jupiter-data-center-network))","render_override":null},{"id":"blk_9f5df4ed-4a2b-4102-8f06-3937292f4a6a","kind":"paragraph","order":156,"section_id":"sec_0ff382d5-dc49-4e11-b797-5af33ddc7541","character_id":null,"markdown":"と説明しています。","render_override":null},{"id":"blk_5034dc7e-524c-4554-a48a-0c7698f6dda6","kind":"paragraph","order":157,"section_id":"sec_0ff382d5-dc49-4e11-b797-5af33ddc7541","character_id":null,"markdown":"イメージとしては、","render_override":null},{"id":"blk_1236a117-b918-4c97-a932-fe6be9539a7e","kind":"list","order":158,"section_id":"sec_0ff382d5-dc49-4e11-b797-5af33ddc7541","character_id":null,"markdown":"- 「でっかい自動パッチパネル」\n- しかも、**ソフトウェアからコマンドを送ると、ミリ秒オーダーで配線を組み替えてくれる**","render_override":null},{"id":"blk_58e74877-51c8-4e16-8fc3-27a3bf297d2e","kind":"paragraph","order":159,"section_id":"sec_0ff382d5-dc49-4e11-b797-5af33ddc7541","character_id":null,"markdown":"という感じです。","render_override":null},{"id":"blk_234f2d1a-d22a-4cda-8a54-eb5b03d86608","kind":"paragraph","order":160,"section_id":"sec_0ff382d5-dc49-4e11-b797-5af33ddc7541","character_id":null,"markdown":"その代わり：","render_override":null},{"id":"blk_00787098-2559-4162-8c3d-75497cebd9d6","kind":"list","order":161,"section_id":"sec_0ff382d5-dc49-4e11-b797-5af33ddc7541","character_id":null,"markdown":"- パケットを解釈しない\n- バッファも持たない\n- 切り替え速度はミリ秒オーダー（パケットスイッチの ns〜µs よりずっと遅い）","render_override":null},{"id":"blk_e0f50c2e-a290-433e-a638-82860e89860d","kind":"paragraph","order":162,"section_id":"sec_0ff382d5-dc49-4e11-b797-5af33ddc7541","character_id":null,"markdown":"ので、**回線交換（circuit switching）専用**で、「一度つないだら、しばらくそのまま使う」前提の設計です。","render_override":null},{"id":"blk_f67f2b95-ce28-48ca-9a8a-2337579dc7d7","kind":"thematic_break","order":163,"section_id":"sec_0ff382d5-dc49-4e11-b797-5af33ddc7541","character_id":null,"markdown":"---","render_override":null},{"id":"blk_971ada94-de2d-45fc-a2b5-0320533c491c","kind":"heading","order":164,"section_id":"sec_6e30acca-94d0-4cb1-8e76-9291f25201d9","character_id":null,"markdown":"### \\2. MEMSミラー型OCSの基本構造","render_override":null},{"id":"blk_892b7f84-3e72-474e-8a54-b47bfe134c93","kind":"heading","order":165,"section_id":"sec_1c28964f-1995-4372-a8e5-c24e6621f210","character_id":null,"markdown":"### MEMSとは？","render_override":null},{"id":"blk_2ef48fe1-7dc3-496c-af0b-8c9253a04232","kind":"paragraph","order":166,"section_id":"sec_1c28964f-1995-4372-a8e5-c24e6621f210","character_id":null,"markdown":"MEMS（Micro-Electro-Mechanical Systems）は、","render_override":null},{"id":"blk_a2a51fbd-d4e2-48f6-bfaf-780a0d6c2a24","kind":"list","order":167,"section_id":"sec_1c28964f-1995-4372-a8e5-c24e6621f210","character_id":null,"markdown":"- シリコンウェハ上に\n \n - 微小な機械構造（バネ・梁・ミラー）\n - それを動かす電極\n - 必要なら簡単なセンサ回路\n- をフォトリソ＋エッチングで作り込んだ**超小型機械デバイス**","render_override":null},{"id":"blk_ee3ea30a-77b8-41ee-8cb7-8ffb92ea77ab","kind":"paragraph","order":168,"section_id":"sec_1c28964f-1995-4372-a8e5-c24e6621f210","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_5788afa4-ad4e-4811-a269-4c7311570086","kind":"paragraph","order":169,"section_id":"sec_1c28964f-1995-4372-a8e5-c24e6621f210","character_id":null,"markdown":"MEMS光スイッチでは、","render_override":null},{"id":"blk_284677e1-419a-49fa-b105-ea6d03342441","kind":"list","order":170,"section_id":"sec_1c28964f-1995-4372-a8e5-c24e6621f210","character_id":null,"markdown":"- シリコン基板の上に**非常に小さな鏡（数十〜数百 µm）をアレイ状**に並べ、\n- ミラーを支える梁（ヒンジ）と、**静電力などでミラーを傾ける駆動電極**を作っておき、\n- 電圧をかけてミラーの角度を変えることで、光ビームの方向を変えます。([Optical Passive Components](https://opticalpassive.wordpress.com/2021/04/08/the-working-principle-and-application-of-mems-optical-switch/))","render_override":null},{"id":"blk_01dbc8c3-0b9f-4683-894a-34f34a161d58","kind":"paragraph","order":171,"section_id":"sec_1c28964f-1995-4372-a8e5-c24e6621f210","character_id":null,"markdown":"結果として、「入力ファイバから出てきた光を、どの出力ファイバに向けるか」を選べます。","render_override":null},{"id":"blk_87e2eccb-4521-4638-bfe5-e8e6fb671a03","kind":"heading","order":172,"section_id":"sec_2c5db8d9-5afe-49fc-b2ae-b8e7a34708db","character_id":null,"markdown":"### 2D MEMS vs 3D MEMS","render_override":null},{"id":"blk_4bedda58-2666-487f-8963-bc8321cf94d6","kind":"paragraph","order":173,"section_id":"sec_2c5db8d9-5afe-49fc-b2ae-b8e7a34708db","character_id":null,"markdown":"MEMS光スイッチには大きく","render_override":null},{"id":"blk_75c82cd6-bd68-45c6-a024-e330902fabe5","kind":"list","order":174,"section_id":"sec_2c5db8d9-5afe-49fc-b2ae-b8e7a34708db","character_id":null,"markdown":"- **2D型**\n- **3D型**","render_override":null},{"id":"blk_c2828605-29f9-436a-858b-353b43e34692","kind":"paragraph","order":175,"section_id":"sec_2c5db8d9-5afe-49fc-b2ae-b8e7a34708db","character_id":null,"markdown":"があります。([Optical Passive Components](https://opticalpassive.wordpress.com/2021/04/08/the-working-principle-and-application-of-mems-optical-switch/))","render_override":null},{"id":"blk_88d3e3f8-f591-4d5e-a71d-c717649ab12b","kind":"paragraph","order":176,"section_id":"sec_2c5db8d9-5afe-49fc-b2ae-b8e7a34708db","character_id":null,"markdown":"**2D MEMS**","render_override":null},{"id":"blk_fc66791d-3460-4fd0-a8cd-9de6668f4047","kind":"list","order":177,"section_id":"sec_2c5db8d9-5afe-49fc-b2ae-b8e7a34708db","character_id":null,"markdown":"- ミラーは基本的に「倒す／立てる」の2状態（あるいは数状態）\n- コリメートした光がミラー列を通過し、\n \n - ミラーが寝ている：まっすぐスルー\n - ミラーが起きている：横方向に反射して別のポートへ\n- 構造は比較的シンプルですが、大規模な N×N クロスコネクトにすると配線が複雑になりがち","render_override":null},{"id":"blk_a10b0337-ebec-452b-8a7d-0af0c563f926","kind":"paragraph","order":178,"section_id":"sec_2c5db8d9-5afe-49fc-b2ae-b8e7a34708db","character_id":null,"markdown":"**3D MEMS**","render_override":null},{"id":"blk_806f30dd-029a-4618-a7e9-2f4806317ced","kind":"list","order":179,"section_id":"sec_2c5db8d9-5afe-49fc-b2ae-b8e7a34708db","character_id":null,"markdown":"- ミラー1枚1枚が**2軸（X/Y）方向にアナログ的に傾けられる**\n- 入力側と出力側で**2段のミラーアレイ**を用意し、\n \n - 入力ファイバ → コリメータ → 入力ミラー（角度θ₁）\n - 入力ミラーが光を空間中に飛ばし、\n - それを出力ミラー（角度θ₂）でキャッチして、\n - 出力ファイバに反射して入れる\n- という構成で、\\*\\*任意の入力ポート i を任意の出力ポート j に接続できる N×N OXC（Optical Cross-Connect）\\*\\*を作れます。","render_override":null},{"id":"blk_918a49bf-5c11-489b-a485-0a46ac9f55c2","kind":"paragraph","order":180,"section_id":"sec_2c5db8d9-5afe-49fc-b2ae-b8e7a34708db","character_id":null,"markdown":"GoogleのJupiter論文中の図もまさにこの「2段のMEMSミラーで入力N本・出力N本を結び直す」構成を示しています。([Google Cloud](https://cloud.google.com/blog/topics/systems/the-evolution-of-googles-jupiter-data-center-network))","render_override":null},{"id":"blk_2abf6544-8243-444f-88df-1c57300c14be","kind":"thematic_break","order":181,"section_id":"sec_2c5db8d9-5afe-49fc-b2ae-b8e7a34708db","character_id":null,"markdown":"---","render_override":null},{"id":"blk_33868a0e-8331-4da6-9cbc-0f59bb5ed89b","kind":"heading","order":182,"section_id":"sec_ff527345-a228-4eac-8184-e37ddc788f51","character_id":null,"markdown":"### \\3. Google TPU v4 / TPUv7(Ironwood) でのOCSの使われ方","render_override":null},{"id":"blk_8a8f8695-ce0f-469f-9c3d-891543f80094","kind":"heading","order":183,"section_id":"sec_2a8ff088-f658-4c91-b0d6-5c283a06b954","character_id":null,"markdown":"### TPU v4 + Palomar OCS","render_override":null},{"id":"blk_893fb05c-cc9e-4186-aca5-170bd65dd7f7","kind":"paragraph","order":184,"section_id":"sec_2a8ff088-f658-4c91-b0d6-5c283a06b954","character_id":null,"markdown":"TPU v4の論文と解説記事から分かる構成をざっくりまとめると：([arXiv](https://arxiv.org/pdf/2304.01433))","render_override":null},{"id":"blk_45f8dcce-bbf4-436c-8e84-d5e2599ba35e","kind":"list","order":185,"section_id":"sec_2a8ff088-f658-4c91-b0d6-5c283a06b954","character_id":null,"markdown":"- **1つの「Cube」**\n \n - 4×4×4 = 64個のTPU v4チップ\n - それぞれがTray内では電気配線（ICI）で3Dトーラス接続\n- Cubeから外に出るリンク\n \n - 6面（±X, ±Y, ±Z）× 16リンク = **96本の光ICIリンク**\n- これらを**複数のOCS（Palomar OCS）に接続**\n \n - Palomar OCSは \\*\\*136×136 ポート（128本+スペア8本）\\*\\*の巨大な3D MEMS OCS\n - ミラー切り替え時間はミリ秒オーダー\n - 片側のファイバに対して「サーキュレータ」を使い双方向伝送（実質ポート数削減）([arXiv](https://arxiv.org/pdf/2304.01433))\n- 4096チップ級のTPU v4スーパーコンピュータでは\n \n - 64個のCube × 96リンク = 6144本の光リンクを\n - **48台のPalomar OCS**でつないで、再構成可能な3Dトーラスを構成","render_override":null},{"id":"blk_2f644f52-a3a0-44a1-ac75-6535f6a2cc3e","kind":"paragraph","order":186,"section_id":"sec_2a8ff088-f658-4c91-b0d6-5c283a06b954","character_id":null,"markdown":"ASCIIの解説ではさらに：","render_override":null},{"id":"blk_62691c63-b8d1-44d1-9688-66125856dcd0","kind":"list","order":187,"section_id":"sec_2a8ff088-f658-4c91-b0d6-5c283a06b954","character_id":null,"markdown":"- Palomar OCSはO-band (1260–1360 nm)、たぶん 100GBASE-FR1 系のトランシーバを想定\n- Pod全体のCAPEXの**5%未満、消費電力の3%未満**であり、InfiniBandよりかなり安く・低消費電力とGoogleが主張([週刊アスキー - 週アスのITニュースサイト](https://weekly.ascii.jp/elem/000/004/146/4146388/3/))\n- O/E/O変換をせず、**2枚のMEMSミラー＋数枚のハーフミラーだけで光路を切り替える**","render_override":null},{"id":"blk_82f92b82-7428-4c6b-b6ac-89220d916a5b","kind":"paragraph","order":188,"section_id":"sec_2a8ff088-f658-4c91-b0d6-5c283a06b954","character_id":null,"markdown":"と書かれています。","render_override":null},{"id":"blk_f741b932-7f37-4c43-b9e8-cd49027b3d87","kind":"paragraph","order":189,"section_id":"sec_2a8ff088-f658-4c91-b0d6-5c283a06b954","character_id":null,"markdown":"※ハーフミラー＋850nmレーザは、制御用の監視光路（アライメント確認）のためで、ユーザデータ用の1310nm信号とは分離されます。([週刊アスキー - 週アスのITニュースサイト](https://weekly.ascii.jp/elem/000/004/146/4146388/3/))","render_override":null},{"id":"blk_e02d25d7-ed44-44e9-b00f-33ed04f1fdcf","kind":"heading","order":190,"section_id":"sec_c78baf1e-7001-4bea-baf5-df4c72a66a6b","character_id":null,"markdown":"### Ironwood（TPUv7）とOCS","render_override":null},{"id":"blk_02a5c0f5-bf47-4506-9921-5da44341275d","kind":"paragraph","order":191,"section_id":"sec_c78baf1e-7001-4bea-baf5-df4c72a66a6b","character_id":null,"markdown":"Ironwood（TPUv7）でも基本思想は同じで、","render_override":null},{"id":"blk_97e065e9-eb92-4829-9d62-6260720b4250","kind":"list","order":192,"section_id":"sec_c78baf1e-7001-4bea-baf5-df4c72a66a6b","character_id":null,"markdown":"- 1ラック = 64チップで1 Cube（電気配線 3Dトーラス）\n- 複数のCubeを**OCSネットワークで接続してPod/Superpod**を構成\n \n - 例）4 Cubeで256チップPod、144 Cubeで 9,216チップ Superpod\n- OCSの「ファブリックマネージャ」が、故障Cubeや故障リンクを検出すると\n \n - そのCubeを**光学的にバイパス**\n - スペアCubeを代わりにOCS上で接続し直す \n という「光配線レベルのリコンフィグ」を行う([Google Cloud](https://cloud.google.com/blog/products/compute/inside-the-ironwood-tpu-codesigned-ai-stack))","render_override":null},{"id":"blk_9e561e9b-7aee-40ee-8411-7777b490a7a7","kind":"paragraph","order":193,"section_id":"sec_c78baf1e-7001-4bea-baf5-df4c72a66a6b","character_id":null,"markdown":"ここまで来ると、\\*\\*“OCS＋ICIで巨大な一枚岩のメモリ一貫クラスタ”\\*\\*を作っている、という感覚に近いです。","render_override":null},{"id":"blk_aba9e722-99c1-4a86-bae4-df3971d55b42","kind":"thematic_break","order":194,"section_id":"sec_c78baf1e-7001-4bea-baf5-df4c72a66a6b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c9e9918c-542c-43ab-899d-83db4f5254fb","kind":"heading","order":195,"section_id":"sec_a004612e-7e60-4833-8418-33d234198684","character_id":null,"markdown":"### \\4. Googleデータセンター（Jupiter）でのOCS活用","render_override":null},{"id":"blk_b9fb2eb3-df2f-4829-850a-7d2ab063824b","kind":"paragraph","order":196,"section_id":"sec_a004612e-7e60-4833-8418-33d234198684","character_id":null,"markdown":"TPUクラスターだけでなく、Googleの普通のDCネットワーク（Jupiter）でもOCSが使われています。([Google Cloud](https://cloud.google.com/blog/topics/systems/the-evolution-of-googles-jupiter-data-center-network))","render_override":null},{"id":"blk_3da9679a-ad68-4a23-92c5-81b7fb96192d","kind":"list","order":197,"section_id":"sec_a004612e-7e60-4833-8418-33d234198684","character_id":null,"markdown":"- 従来：Closトポロジ＋電気スイッチで建屋全体をフラットに接続\n- 課題：\n \n - Spine層が最新速度（40→100→200→400Gbps…）に合わせて一括更新必要\n - 大規模な再配線が必要で「ビル止めメンテ」になりがち\n- 解決策：\n \n - Aggregationブロック間を**OCS経由の光メッシュ**にする\n - OCSを「建物レベルのインターロペラビリティポイント」にする([Google Cloud](https://cloud.google.com/blog/topics/systems/the-evolution-of-googles-jupiter-data-center-network))\n - OCSはプロトコル・速度・波長非依存なので、サーバ側だけ世代交代してもOCSはそのまま使える","render_override":null},{"id":"blk_7679b346-43ca-42cc-8373-b3fbaa0b6c09","kind":"paragraph","order":198,"section_id":"sec_a004612e-7e60-4833-8418-33d234198684","character_id":null,"markdown":"この構成により、","render_override":null},{"id":"blk_faa1ffb9-ac77-411e-b3ce-188447679fc5","kind":"list","order":199,"section_id":"sec_a004612e-7e60-4833-8418-33d234198684","character_id":null,"markdown":"- 電力 40%削減\n- コスト 30%削減\n- ダウンタイム 50×削減","render_override":null},{"id":"blk_3912f434-2497-41b5-adb8-fb4dd5344acf","kind":"paragraph","order":200,"section_id":"sec_a004612e-7e60-4833-8418-33d234198684","character_id":null,"markdown":"など、かなり攻めた数字を出しているとGoogleは述べています。([Google Cloud](https://cloud.google.com/blog/topics/systems/the-evolution-of-googles-jupiter-data-center-network))","render_override":null},{"id":"blk_9bbdbe91-fbca-4539-ad02-19ac88201395","kind":"thematic_break","order":201,"section_id":"sec_a004612e-7e60-4833-8418-33d234198684","character_id":null,"markdown":"---","render_override":null},{"id":"blk_cf52276f-8a4f-4e23-86e0-7d2ebbf3e16f","kind":"heading","order":202,"section_id":"sec_fa9a527f-7c66-490a-a3de-a880dac1ac06","character_id":null,"markdown":"### \\5. MEMS OCS のメリットとデメリット","render_override":null},{"id":"blk_6523d8da-6ac8-4e4e-8f0a-dd6f62b61941","kind":"heading","order":203,"section_id":"sec_96154bd1-b061-4e2a-87a5-f4884b77b234","character_id":null,"markdown":"### メリット","render_override":null},{"id":"blk_856640a7-1d48-497a-abdd-d5a6f5a7b126","kind":"list","order":204,"section_id":"sec_96154bd1-b061-4e2a-87a5-f4884b77b234","character_id":null,"markdown":"1. **O/E/O変換を省略できる**\n \n - トランシーバ（端点）で電気↔光変換するだけで、\n - 中間のOCSでは**純粋な光学反射のみ** \n → 大規模電気スイッチやSerDesの消費電力・発熱を丸ごと削減。\n2. **速度・プロトコル非依存**\n \n - OCSは「光のビームが通るかどうか」しか見ないので、\n - 100G→200G→400G と世代交代しても、物理ポートの本数と波長帯さえ合えばそのまま使える。([Google Cloud](https://cloud.google.com/blog/topics/systems/the-evolution-of-googles-jupiter-data-center-network))\n3. **大規模N×N接続を実装しやすい**\n \n - 3D MEMSなら、320×320クラスの巨大クロスコネクトも実現可能であることが既存研究・製品で示されています。([USENIX](https://www.usenix.org/system/files/nsdi22-paper-wang_weitao_rdc.pdf?utm_source=chatgpt.com))\n - GoogleのPalomar OCSも 136×136 という大ポート数を実現。([arXiv](https://arxiv.org/pdf/2304.01433))\n4. **消費電力が小さい**\n \n - 大きいのはトランシーバ側のレーザ・DSPの電力で、\n - OCS側は**ミラー駆動用のドライバだけ** \n → ASICスイッチを大量に並べた場合と比べて圧倒的に省電力。\n5. **トポロジーの“光レベル再構成”が可能**\n \n - TPU v4/TPUv7のように、ジョブや故障状況に合わせて3Dトーラスのつなぎ方を変える\n - Jupiterのように、アプリ優先度に応じてトラフィック工学と連携して配線を再構成([Google Cloud](https://cloud.google.com/blog/topics/systems/the-evolution-of-googles-jupiter-data-center-network))","render_override":null},{"id":"blk_a5a40e7b-7240-4310-95f3-ee954d70681a","kind":"heading","order":205,"section_id":"sec_c73b824c-a6e9-46bc-b130-0fcd9b0d15f5","character_id":null,"markdown":"### デメリット / 制約","render_override":null},{"id":"blk_cc4250ff-b070-4164-9f76-5a047ea7f80a","kind":"list","order":206,"section_id":"sec_c73b824c-a6e9-46bc-b130-0fcd9b0d15f5","character_id":null,"markdown":"1. **スイッチング速度はミリ秒オーダー**\n \n - MEMSミラーを物理的に動かすので、ns〜µs単位でパケット毎のルーティングは不可能。\n - そのため、\n \n - **大きな“象トラフィック”（長時間走る大規模ジョブ）向き**\n - 細かいフロー制御は、別の電気スイッチ／ToRで行う、という二層構造が必要。\n2. **バッファがない**\n \n - OCSは単なる「光の経路」であり、キューイングや輻輳制御は行えない。\n - そのため、エッジ側（ToRスイッチやNIC）でのフロー制御・再送制御が必須。\n3. **光損失（挿入損失）がそこそこある**\n \n - Palomarでは2枚のMEMSミラー＋3枚のハーフミラーを通るため、どうしてもdBオーダーの損失が出ると指摘されています。([週刊アスキー - 週アスのITニュースサイト](https://weekly.ascii.jp/elem/000/004/146/4146388/3/))\n - そのため、xBASE-SRのような短距離用ではなく、信号強度に余裕のあるFR/LR系のトランシーバ（100GBASE-FR1など）を前提にしていると分析されています。\n4. **初期キャリブレーションが重い**\n \n - 320×320クラスの3D MEMSでは、各ミラーのアナログ角度→正しい光路へのマッピングを事前に校正してテーブル化する必要があり、これが時間とコストを食うという報告もあります。([opg.optica.org](https://opg.optica.org/jocn/abstract.cfm?URI=jocn-16-1-A1&utm_source=chatgpt.com))","render_override":null},{"id":"blk_9c9a6dcd-ba69-4fe5-af0e-263a07296463","kind":"thematic_break","order":207,"section_id":"sec_c73b824c-a6e9-46bc-b130-0fcd9b0d15f5","character_id":null,"markdown":"---","render_override":null},{"id":"blk_29b604b9-9f8d-4d03-abad-50ac655c2adc","kind":"heading","order":208,"section_id":"sec_5c08fbf6-9b04-4975-b68e-266558e16fa9","character_id":null,"markdown":"### \\6. “MEMSミラーで光路を切り替える” をもう少し直感的に","render_override":null},{"id":"blk_a997dc33-3ee4-4bf7-a528-a79c7214ce32","kind":"paragraph","order":209,"section_id":"sec_5c08fbf6-9b04-4975-b68e-266558e16fa9","character_id":null,"markdown":"少しイメージ寄りで説明すると：","render_override":null},{"id":"blk_d82e802c-944b-4d50-8c90-b7706d3ece3a","kind":"list","order":210,"section_id":"sec_5c08fbf6-9b04-4975-b68e-266558e16fa9","character_id":null,"markdown":"1. **ファイバから出た光をコリメート**\n \n - 各入力ポートの先に小さなレンズがあり、ファイバから出た光を平行光にします。\n2. **入力側MEMSミラーで「縦方向」に投げる先を決める**\n \n - 1枚目のミラーアレイ（入力側）が、X方向の角度を変えて“どの方向の空間へ光を飛ばすか”を決める。\n3. **出力側MEMSミラーで「横方向」に捕まえる**\n \n - 空間中を飛んできた光を、出力側のミラーアレイのどれか1枚がキャッチし、\n - 今度はY方向の角度を変えて、自分の後ろにある出力レンズ→出力ファイバに送り込む。\n4. **制御光＋ハーフミラーでアライメントを監視**\n \n - Palomarでは、850nm帯の制御用レーザをハーフミラー経由で通して、ミラーの姿勢と光路が正しいか監視している、とASCII記事は推測しています。([週刊アスキー - 週アスのITニュースサイト](https://weekly.ascii.jp/elem/000/004/146/4146388/3/))","render_override":null},{"id":"blk_2c311cae-26e8-45d1-99df-ef89a39e250b","kind":"paragraph","order":211,"section_id":"sec_5c08fbf6-9b04-4975-b68e-266558e16fa9","character_id":null,"markdown":"この「入力ミラーの角度（θ\\_in）」と「出力ミラーの角度（θ\\_out）」の組み合わせを制御ソフトウェアが決めることで、**任意の入力ポート i を任意の出力ポート j にマップ**します。","render_override":null},{"id":"blk_0c9f95af-d9b1-4552-af8b-9fac8e41e365","kind":"thematic_break","order":212,"section_id":"sec_5c08fbf6-9b04-4975-b68e-266558e16fa9","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ef05f699-aae5-494b-8f7e-80ff7842e8b3","kind":"heading","order":213,"section_id":"sec_811713fe-e01a-4fac-8b46-864fca4f9c11","character_id":null,"markdown":"### \\7. TPU / GPU クラスタ設計におけるOCSの位置づけ","render_override":null},{"id":"blk_2e25714f-247c-4247-a356-a9e96e38c631","kind":"paragraph","order":214,"section_id":"sec_811713fe-e01a-4fac-8b46-864fca4f9c11","character_id":null,"markdown":"最後に、あなたが今追っている「TPU vs NVIDIA」の文脈に引き寄せると：","render_override":null},{"id":"blk_d7b9ac6c-44dc-4e7b-b19b-5cf107239e54","kind":"list","order":215,"section_id":"sec_811713fe-e01a-4fac-8b46-864fca4f9c11","character_id":null,"markdown":"- **NVIDIA側（GB200/NVL72など）**\n \n - 主戦場はまだ「銅＋パケットスイッチ」で、NVLink/NVSwitch + InfiniBand/Ethernet が主。\n - 将来はCPO/OSFP-XDなどで**光トランシーバの“より近くまで”電気を引っ張る**方向。\n- **Google TPU側（TPUv4〜v7）**\n \n - **ラック内は電気3Dトーラス（ICI）**\n - ラック間・Cube間は**MEMS OCSで光レベル再配線**し、クラスタ全体を「一枚の大きなトーラス」に見せる。\n - データは端点トランシーバで一度光になった後は、目的のトレイまで**一度も電気に戻らない**（途中はOCSの反射のみ）。([arXiv](https://arxiv.org/pdf/2304.01433))","render_override":null},{"id":"blk_da8bfd91-501d-40d8-a5cc-bfb3d1eeac99","kind":"paragraph","order":216,"section_id":"sec_811713fe-e01a-4fac-8b46-864fca4f9c11","character_id":null,"markdown":"この「OCS＋MEMSミラー」による光路切り替えは、","render_override":null},{"id":"blk_e56fd0b9-6f80-4cd7-8cae-5da81f908115","kind":"list","order":217,"section_id":"sec_811713fe-e01a-4fac-8b46-864fca4f9c11","character_id":null,"markdown":"- **AIトレーニングのような長時間・大規模ジョブには非常にマッチしている**\n- 逆に、**細かいジョブの多重実行や頻繁なトポロジ変更が必要なワークロード**には向かない","render_override":null},{"id":"blk_9951658e-2130-4e7d-b33f-491915ea0e80","kind":"paragraph","order":218,"section_id":"sec_811713fe-e01a-4fac-8b46-864fca4f9c11","character_id":null,"markdown":"という特徴を持っています。","render_override":null},{"id":"blk_a4ad995f-5b1e-4756-9b52-67577e956229","kind":"paragraph","order":219,"section_id":"sec_811713fe-e01a-4fac-8b46-864fca4f9c11","character_id":null,"markdown":"そのためGoogleは、","render_override":null},{"id":"blk_cebd8348-9613-4e61-9da9-b065f19874d5","kind":"list","order":220,"section_id":"sec_811713fe-e01a-4fac-8b46-864fca4f9c11","character_id":null,"markdown":"- 「TPUクラスタ用の“光トーラス＋OCS”」\n- 「一般サービス用の“Jupiter＋OCS＋電気スイッチ”」","render_override":null},{"id":"blk_69fbf433-2c95-4c03-bfed-432f19a94b61","kind":"paragraph","order":221,"section_id":"sec_811713fe-e01a-4fac-8b46-864fca4f9c11","character_id":null,"markdown":"という二段構えで、MEMS OCSをかなり深くDCアーキテクチャに組み込んでいる、というのが今のところの全体像です。","render_override":null},{"id":"blk_12f644a4-4d84-4fa6-9cf6-c7264b78f097","kind":"thematic_break","order":222,"section_id":"sec_811713fe-e01a-4fac-8b46-864fca4f9c11","character_id":null,"markdown":"---","render_override":null},{"id":"blk_00a0bc81-405c-4b76-ab3a-b16c72770196","kind":"heading","order":223,"section_id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","character_id":null,"markdown":"## OSCとCPOの違いと、GB300、Rubinではどうなるか","render_override":null},{"id":"blk_510f2234-c58f-40ad-8983-6078144e79a2","kind":"list","order":224,"section_id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","character_id":null,"markdown":"- **NVIDIAは今のところ「GoogleのPalomarみたいなMEMS OCS」をやる気はなくて、** \n **シリコンフォトニクス＋Co-Packaged Optics（CPO）路線に全振り**しています。\n- Spectrum-X / Quantum-X も、**パケットスイッチASIC＋CPO**であって、 \n **MEMSミラー式の光回線交換（OCS）ではない**です。\n- GB300（Blackwell Ultra）、Rubin以降は、\n \n - GB300：**GB200比でだいたい1.5倍クラスのFP4性能＋メモリ1.5倍（288GB HBM3e）**([NVIDIA Developer](https://developer.nvidia.com/blog/inside-nvidia-blackwell-ultra-the-chip-powering-the-ai-factory-era/?utm_source=chatgpt.com))\n - Rubin：\\*\\*Blackwell Ultra比で3.3倍、Rubin Ultraでさらに2倍（最大100 PF4）\\*\\*というロードマップが公表されています。([The Verge](https://www.theverge.com/news/631835/nvidia-blackwell-ultra-ai-chip-gb300?utm_source=chatgpt.com))","render_override":null},{"id":"blk_9f4e983b-c5d5-42f1-a32d-972a460bfc8d","kind":"paragraph","order":225,"section_id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","character_id":null,"markdown":"ここから、質問ごとに整理していきます。","render_override":null},{"id":"blk_390a3010-76fa-4847-b97f-8987ca8e4af8","kind":"thematic_break","order":226,"section_id":"sec_93559fcb-69bc-45a4-b0c1-0ca86b85d766","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7b821781-a45d-4647-9ac3-bf5df0de3f47","kind":"heading","order":227,"section_id":"sec_590fd77d-1f4c-4e9a-9af3-ca2e59cabb4f","character_id":null,"markdown":"### \\1. 「NVIDIAはいつ頃から OCS / MEMS 的なものを導入？」の実態","render_override":null},{"id":"blk_a1ac242b-c912-411e-9e37-cf53b50ced71","kind":"paragraph","order":228,"section_id":"sec_590fd77d-1f4c-4e9a-9af3-ca2e59cabb4f","character_id":null,"markdown":"まず用語整理です：","render_override":null},{"id":"blk_15484efd-7df2-4c50-80f7-a25fe7c77d42","kind":"list","order":229,"section_id":"sec_590fd77d-1f4c-4e9a-9af3-ca2e59cabb4f","character_id":null,"markdown":"- **OCS（Optical Circuit Switch）**\n \n - GoogleのPalomarのように、**MEMSミラーでファイバ間を“物理的に”つなぎ替える光回線交換機**。\n - 中では O/E/O しない：**光のままミラーでバウンスさせるだけ**。\n- **NVIDIAがやっているのは CPO（Co-Packaged Optics）＋シリコンフォトニクス**\n \n - **スイッチASICのパッケージの中に光エンジン（シリコンフォトニクス）を同梱**。\n - スイッチ動作自体は**あくまで電気ASICのクロスバ**。光は「I/O部分の電線代わり」。","render_override":null},{"id":"blk_7cabc8ed-607a-4537-94ae-ca25c675b278","kind":"heading","order":230,"section_id":"sec_50b89999-49ef-4e42-9e1c-d72d7bce72a6","character_id":null,"markdown":"### ロードマップ（ざっくり時系列）","render_override":null},{"id":"blk_4bed04cb-2151-4c30-97ca-38244c7283e0","kind":"paragraph","order":231,"section_id":"sec_50b89999-49ef-4e42-9e1c-d72d7bce72a6","character_id":null,"markdown":"**GTC 2025（2025年3月）**","render_override":null},{"id":"blk_4dccb32c-fcca-4417-b8e7-9e848f29a4ef","kind":"list","order":232,"section_id":"sec_50b89999-49ef-4e42-9e1c-d72d7bce72a6","character_id":null,"markdown":"- NVIDIAが公式に \n **「シリコンフォトニクスベースのスイッチ」＝Quantum-X Photonics / Spectrum-X Photonics** \n を発表。([NVIDIA Developer](https://developer.nvidia.com/blog/a-new-era-in-data-center-networking-with-nvidia-silicon-photonics-based-network-switching/?utm_source=chatgpt.com))\n- 200G SerDesをベースに、**スイッチASICと光エンジンを同じパッケージに実装**。 \n これによって、\n \n - PCB上の電気配線距離を 14–16 inch → 0.5 inch以下に短縮\n - DSPレスで信号品質を確保\n - **従来のプラガブル光モジュール比で最大3.5倍の電力削減** \n などをうたっています。([NVIDIA Developer](https://developer.nvidia.com/blog/a-new-era-in-data-center-networking-with-nvidia-silicon-photonics-based-network-switching/))","render_override":null},{"id":"blk_033588aa-8e98-44b3-8c1e-a192404c3b29","kind":"paragraph","order":233,"section_id":"sec_50b89999-49ef-4e42-9e1c-d72d7bce72a6","character_id":null,"markdown":"**量産タイミング**","render_override":null},{"id":"blk_dd6ea930-1e6c-4cfe-b4a4-e50e75546d70","kind":"list","order":234,"section_id":"sec_50b89999-49ef-4e42-9e1c-d72d7bce72a6","character_id":null,"markdown":"- 市場調査（LightCountingなど）によると、\n \n - **Quantum-X Photonics（InfiniBand用 CPOスイッチ）：2025年後半（2H25）**\n - **Spectrum-X Photonics（Ethernet用 CPOスイッチ）：2026年後半（2H26）** \n に出荷開始とされています。([lightcounting.com](https://www.lightcounting.com/research-note/march-2025-nvidias-cpo-is-the-first-step-in-a-long-journey-395?utm_source=chatgpt.com))","render_override":null},{"id":"blk_f2882c4b-a834-4485-b38b-a6ef1bf012df","kind":"paragraph","order":235,"section_id":"sec_50b89999-49ef-4e42-9e1c-d72d7bce72a6","character_id":null,"markdown":"**GPU側への光統合について**","render_override":null},{"id":"blk_87000ca4-f6ea-4d75-b4e9-ad223eea88cb","kind":"list","order":236,"section_id":"sec_50b89999-49ef-4e42-9e1c-d72d7bce72a6","character_id":null,"markdown":"- ReutersインタビューでJensenが明言しているのは：\n \n - CPOはまだ信頼性・コスト面で**GPU本体に乗せるには早い**。\n - まずは**ラックトップのスイッチASICに限定して使う**。\n - 本格的にGPUパッケージに光を統合するのは、**業界全体でのコスト低下と歩留まり改善を待つ必要があり、2028年以降が本命**というニュアンス。([Reuters](https://www.reuters.com/technology/nvidia-ceo-says-power-saving-optical-chip-tech-will-need-wait-wider-use-2025-03-19/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_4e1fd2ab-a4f5-403f-bf2f-33e1d3df3ed3","kind":"paragraph","order":237,"section_id":"sec_50b89999-49ef-4e42-9e1c-d72d7bce72a6","character_id":null,"markdown":"**重要ポイント**","render_override":null},{"id":"blk_5611e5be-6199-4992-87b8-0d95085cab8b","kind":"quote","order":238,"section_id":"sec_50b89999-49ef-4e42-9e1c-d72d7bce72a6","character_id":null,"markdown":"> 現時点のNVIDIA公開情報には、 \n> **Google TPUのような「MEMSミラー式 OCS」を採用する計画は出てきません。**","render_override":null},{"id":"blk_1a4a8dc8-dfd2-4816-8653-a55cea27a209","kind":"paragraph","order":239,"section_id":"sec_50b89999-49ef-4e42-9e1c-d72d7bce72a6","character_id":null,"markdown":"光はあくまで「CPO / co-integrated optics」であり、 \n**スイッチ／GPU間はパケットスイッチ＋光I/O**でいく方針です。","render_override":null},{"id":"blk_62ab6d77-fc37-4773-899a-7a103b480d74","kind":"thematic_break","order":240,"section_id":"sec_50b89999-49ef-4e42-9e1c-d72d7bce72a6","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ce4406ea-bbbb-4888-bdbe-8685dd487441","kind":"heading","order":241,"section_id":"sec_f3370e68-ebf7-4966-a81d-860b4c5aadf4","character_id":null,"markdown":"### \\2. Spectrum-X / Quantum-X に OCS は入るのか？","render_override":null},{"id":"blk_4e59b0a9-2ead-422c-a063-79ed3b7c1227","kind":"paragraph","order":242,"section_id":"sec_f3370e68-ebf7-4966-a81d-860b4c5aadf4","character_id":null,"markdown":"結論：","render_override":null},{"id":"blk_39cf1aed-7d44-49dd-8e92-89e814b9000f","kind":"quote","order":243,"section_id":"sec_f3370e68-ebf7-4966-a81d-860b4c5aadf4","character_id":null,"markdown":"> **OCS（MEMSミラー） は入らない。 \n> 入るのは CPO（シリコンフォトニクスエンジン）だけ。**","render_override":null},{"id":"blk_bfd17997-8a1b-4bcc-8f10-c22e2c692935","kind":"heading","order":244,"section_id":"sec_1b19fc42-30cb-4d14-a03a-963e68a76f97","character_id":null,"markdown":"### Quantum-X（InfiniBand）","render_override":null},{"id":"blk_b33c8dae-b724-490d-b215-cf934b8abff8","kind":"list","order":245,"section_id":"sec_1b19fc42-30cb-4d14-a03a-963e68a76f97","character_id":null,"markdown":"- **Quantum-X800** プラットフォーム向けに \n **「Quantum-X Photonics」** という CPO付きスイッチが提供されます。([NVIDIA](https://www.nvidia.com/en-us/networking/products/silicon-photonics/?utm_source=chatgpt.com))\n- 特徴（公開情報ベース）：\n \n - 200G SerDesベースのポート\n - 144 × 200 Gb/s ポート構成（28.8 Tb/s クラス）\n - 1 CPOパッケージから 324本の光ファイバが出ている（そのうち 288本がデータ、36本がレーザ用）。([APNIC Blog](https://blog.apnic.net/2025/05/07/co-packaged-optics-a-deep-dive/?utm_source=chatgpt.com))\n - 従来のプラガブル光トランシーバ比で**電力 3.5x 削減**。([NVIDIA Developer](https://developer.nvidia.com/blog/a-new-era-in-data-center-networking-with-nvidia-silicon-photonics-based-network-switching/))","render_override":null},{"id":"blk_f5e031b1-99bc-4904-9be6-7ced8c26ba34","kind":"paragraph","order":246,"section_id":"sec_1b19fc42-30cb-4d14-a03a-963e68a76f97","character_id":null,"markdown":"ここでの「光」は、スイッチASIC横に載った**シリコンフォトニクスの波導＋マイクロリング変調器**で処理されており、 \nGoogleのPalomarのような**自由空間光＋MEMSミラー**ではありません。","render_override":null},{"id":"blk_435a9d13-b7c0-49bc-8b03-5673d99c33cc","kind":"heading","order":247,"section_id":"sec_f93869a7-527c-499b-bac7-7c7304d6c368","character_id":null,"markdown":"### Spectrum-X（Ethernet for AI）","render_override":null},{"id":"blk_f85beb0c-bb78-4390-8f9b-465489d25492","kind":"list","order":248,"section_id":"sec_f93869a7-527c-499b-bac7-7c7304d6c368","character_id":null,"markdown":"- Spectrum-X は「AI向けイーサネットファブリック」として\n \n - **SpectrumスイッチASIC＋LinkX / CPO光**、\n - GPU側の **GPUDirect RDMA / ネットワークオフロード** \n をひとまとめにしたスタックです。([WEKA](https://www.weka.io/learn/enterprise-technology/nvidia-spectrum-x/?utm_source=chatgpt.com))\n- SDxCentralなどの取材では、\n \n - 従来は大きな**Mach–Zehnder型変調器**ベースだった光エンジンを、\n - **マイクロリング変調器**を使った小型シリコンフォトニクスエンジンに置き換えた \n と説明されています。([sdxcentral.com](https://www.sdxcentral.com/analysis/inside-spectrum-x-nvidias-ethernet-networking-platform/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_c55d2396-def1-4f45-89b9-6d4cf55ff15a","kind":"paragraph","order":249,"section_id":"sec_f93869a7-527c-499b-bac7-7c7304d6c368","character_id":null,"markdown":"これも本質的には、","render_override":null},{"id":"blk_31acbf39-c320-47dd-a91f-23919b023a8a","kind":"list","order":250,"section_id":"sec_f93869a7-527c-499b-bac7-7c7304d6c368","character_id":null,"markdown":"- **パケットルーティングやバッファリングは全部Spectrum ASIC側**\n- 光は**CPOで電線を短く・省電力にしただけ**","render_override":null},{"id":"blk_92ad8e54-b6ca-4894-974e-fa7f8a5f0d1f","kind":"paragraph","order":251,"section_id":"sec_f93869a7-527c-499b-bac7-7c7304d6c368","character_id":null,"markdown":"なので、**光回線交換（OCS）ではない**です。","render_override":null},{"id":"blk_9fc55924-bb7d-4640-a36e-910c460bdce4","kind":"heading","order":252,"section_id":"sec_5b5cd2aa-837d-4620-96d5-2922593b4492","character_id":null,"markdown":"### MEMS OCS をやっているのは誰か？","render_override":null},{"id":"blk_cc85ceeb-012b-475f-88e0-c68a0c715219","kind":"list","order":253,"section_id":"sec_5b5cd2aa-837d-4620-96d5-2922593b4492","character_id":null,"markdown":"- Cignal AI等のレポートを見ると、 \n **DrutやiPronics** のようなスタートアップが、 \n **MEMSベース／プログラマブル光回路ベースのOCS**をAIネットワーク向けに開発中です。([Cignal AI](https://cignal.ai/2025/11/optical-component-startup-tracker/?utm_source=chatgpt.com))\n- しかし NVIDA 製品カタログやブログには、 \n これらのMEMS OCSを自社スイッチに統合する話は出てきません。","render_override":null},{"id":"blk_609b1a77-b6dd-425c-9665-0c15405a20ad","kind":"thematic_break","order":254,"section_id":"sec_5b5cd2aa-837d-4620-96d5-2922593b4492","character_id":null,"markdown":"---","render_override":null},{"id":"blk_0273e073-c7a6-4bb0-8aac-f02373bb2fc7","kind":"heading","order":255,"section_id":"sec_5c6c4696-607a-403d-a573-b73a42fee97b","character_id":null,"markdown":"### \\3. GB300（Blackwell Ultra）で何がどれだけ速くなるか","render_override":null},{"id":"blk_eff65ed5-2f92-46cb-b0a1-1223efa930f8","kind":"paragraph","order":256,"section_id":"sec_5c6c4696-607a-403d-a573-b73a42fee97b","character_id":null,"markdown":"**GB300 = Blackwell Ultra** は Blackwell世代の「+α」版です。","render_override":null},{"id":"blk_eb4ec1ce-c5ca-409a-8935-09e052e29bb1","kind":"heading","order":257,"section_id":"sec_601aeae9-98a2-4b0e-a884-0243790cc5fc","character_id":null,"markdown":"### GPU単体のスペック面","render_override":null},{"id":"blk_83c4cf88-6971-44e1-afa8-ab41db3fede8","kind":"paragraph","order":258,"section_id":"sec_601aeae9-98a2-4b0e-a884-0243790cc5fc","character_id":null,"markdown":"公式ブログやデータシートから抜粋すると：([NVIDIA Developer](https://developer.nvidia.com/blog/inside-nvidia-blackwell-ultra-the-chip-powering-the-ai-factory-era/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_3ab408d1-31db-4157-921d-3461d59c9147","kind":"list","order":259,"section_id":"sec_601aeae9-98a2-4b0e-a884-0243790cc5fc","character_id":null,"markdown":"- メモリ\n \n - **HBM3E 288 GB / GPU**\n - H100比で 3.6倍\n - B200（GB200）比で 1.5倍（192 GB → 288 GB）\n - メモリバスは 8192-bit、帯域は **最大 ~8 TB/s**\n- 演算性能（AI向け FP4）\n \n - GB200比で **約1.5倍のFP4 Tensor Core FLOPS**\n - 特に**Attentionレイヤは2倍**の加速をうたう（新しいDynamo FP4やアテンション専用ユニットを込み）。([Tom's Hardware](https://www.tomshardware.com/pc-components/gpus/nvidia-claims-software-and-hardware-upgrades-allow-blackwell-ultra-gb300-to-dominate-mlperf-benchmarks-touts-45-percent-deepseek-r-1-inference-throughput-increase-over-gb200?utm_source=chatgpt.com))\n- TDP / 冷却\n \n - GPUあたり ~1.4 kW クラスと言われており（リーク・解析レベル）([igor´sLAB](https://www.igorslab.de/en/nvidia-blackwell-ultra-gb300-liquid-cooling-or-meltdown/?utm_source=chatgpt.com))、\n - **完全液冷前提**の設計になっています。","render_override":null},{"id":"blk_6fcc2157-989a-4739-8dda-d16005001a7c","kind":"heading","order":260,"section_id":"sec_bfc49134-fc3d-48b6-a2b6-703cafade4ab","character_id":null,"markdown":"### GB300 NVL72 ラック全体","render_override":null},{"id":"blk_89eb3a37-dbb2-4cae-91fe-71042d474f87","kind":"list","order":261,"section_id":"sec_bfc49134-fc3d-48b6-a2b6-703cafade4ab","character_id":null,"markdown":"- NVL72は、**72基のBlackwell Ultra GPU + 36基のGrace CPU**で1ラックを構成。([NVIDIA](https://www.nvidia.com/en-us/data-center/gb300-nvl72/?utm_source=chatgpt.com))\n- ラックあたり：\n \n - **FP4 Tensor FLOPS：GB200 NVL72比で1.5倍**、\n - **Attention性能は2倍**、\n - 合計**40 TBのCPU/GPUコヒーレントメモリ**（HBM＋DDRを含む）を提供。([NVIDIA](https://www.nvidia.com/en-us/data-center/gb300-nvl72/?utm_source=chatgpt.com))\n- Hopper世代（H100）との比較では、\n \n - 大規模推論で**最大10倍のレスポンス改善**、\n - **5倍のスループット/W**、\n - 「トークン収益」ベースで**50倍のAIファクトリー出力**というかなり誇張気味のマーケ指標を出しています。([Weights & Biases](https://wandb.ai/onlineinference/genai-research/reports/NVIDIA-GB300-NVL72-A-leap-in-AI-performance-and-efficiency--VmlldzoxMzQ2MjcwNg?utm_source=chatgpt.com))","render_override":null},{"id":"blk_a108fe8d-8f00-42ac-8f9c-e87d49e1549b","kind":"paragraph","order":262,"section_id":"sec_bfc49134-fc3d-48b6-a2b6-703cafade4ab","character_id":null,"markdown":"**要するに GB300 は：**","render_override":null},{"id":"blk_0294895f-484c-45eb-a82c-ca665351fe95","kind":"list","order":263,"section_id":"sec_bfc49134-fc3d-48b6-a2b6-703cafade4ab","character_id":null,"markdown":"- **アーキテクチャ刷新というより「メモリとネットワークを盛ったBlackwell最上位SKU」**\n- 「超大規模 LLM（マルチトリリオンパラメータ + 長コンテキスト）」を \n **1ラックで抱えるためのバケモノGPU＋ラック**","render_override":null},{"id":"blk_055fd500-4f47-412f-8523-37ad04885939","kind":"paragraph","order":264,"section_id":"sec_bfc49134-fc3d-48b6-a2b6-703cafade4ab","character_id":null,"markdown":"という位置づけです。","render_override":null},{"id":"blk_d8dc4d05-b77d-4b7f-92f5-80ec99bda256","kind":"thematic_break","order":265,"section_id":"sec_bfc49134-fc3d-48b6-a2b6-703cafade4ab","character_id":null,"markdown":"---","render_override":null},{"id":"blk_96c7327d-9ed8-43ed-bfab-56d66f2cc950","kind":"heading","order":266,"section_id":"sec_2edcc649-a8b2-42ed-917e-2afbf035fd51","character_id":null,"markdown":"### \\4. Rubin 以降（Vera Rubin / Rubin Ultra）の性能向上","render_override":null},{"id":"blk_e784ef62-50c6-4b1f-8cdb-f280e74f0aa3","kind":"paragraph","order":267,"section_id":"sec_2edcc649-a8b2-42ed-917e-2afbf035fd51","character_id":null,"markdown":"Rubin世代は**正式にNVIDIAがロードマップを出している次のアーキテクチャ**です。","render_override":null},{"id":"blk_307bc7ac-fa31-4d7a-8f2e-29d25c2ff382","kind":"heading","order":268,"section_id":"sec_af46b7de-edaf-4f26-9b9d-f1a282229941","character_id":null,"markdown":"### タイムラインと構成","render_override":null},{"id":"blk_4427ab1f-6371-4d1b-b6e9-173ab1f4d306","kind":"list","order":269,"section_id":"sec_af46b7de-edaf-4f26-9b9d-f1a282229941","character_id":null,"markdown":"- Tom’s Hardware などによると、 \n **Rubin GPU と Vera CPU は既にTSMCでテープアウト済みで、2026年ローンチ予定**。([Tom's Hardware](https://www.tomshardware.com/tech-industry/artificial-intelligence/nvidias-rubin-gpu-and-vera-cpu-data-center-ai-platforms-begin-tape-out-both-chips-in-fab-and-on-track-for-2026?utm_source=chatgpt.com))\n- Rubinプラットフォームは：\n \n - **Rubin GPU**\n - **Vera CPU（Armベース）**\n - **CX9 SuperNIC**\n - **NVLink 144 scale-up switch**\n - **Spectrum-X系スイッチとシリコンフォトニクスプロセッサ（CPO用）** \n のフルスタックで構成されることが公式に示されています。([Tom's Hardware](https://www.tomshardware.com/tech-industry/artificial-intelligence/nvidias-rubin-gpu-and-vera-cpu-data-center-ai-platforms-begin-tape-out-both-chips-in-fab-and-on-track-for-2026?utm_source=chatgpt.com))","render_override":null},{"id":"blk_0d2c4935-6bcc-4661-8058-20f90d815b5f","kind":"heading","order":270,"section_id":"sec_dfe10c56-e2ca-4e35-9b41-3b0d9be91016","character_id":null,"markdown":"### 性能倍率（公表ベース）","render_override":null},{"id":"blk_dc21e45b-dce4-4fc1-8fbb-7509816bf633","kind":"paragraph","order":271,"section_id":"sec_dfe10c56-e2ca-4e35-9b41-3b0d9be91016","character_id":null,"markdown":"The Verge など複数のメディアが GTC 2025 での数字をまとめています：([The Verge](https://www.theverge.com/news/631835/nvidia-blackwell-ultra-ai-chip-gb300?utm_source=chatgpt.com))","render_override":null},{"id":"blk_4b357c59-dc28-45be-9e34-c8fa903715e9","kind":"list","order":272,"section_id":"sec_dfe10c56-e2ca-4e35-9b41-3b0d9be91016","character_id":null,"markdown":"- **Rubin（初代）**\n \n - Blackwell Ultra（GB300）比で **約3.3倍のAI性能**（FP4ベース）\n - 単体GPUで **50 PF4クラス** を目標値として提示\n- **Rubin Ultra（2027年）**\n \n - Rubin比でさらに2倍 → **100 PF4 / GPU**\n - メモリは最大 **1 TB / GPU** クラスまで拡張\n - Rubin Ultra Superpod 全体では、\n \n - **FP4推論 15 ExaFLOPS**\n - **FP8学習 5 ExaFLOPS**\n - = Blackwell Ultra世代の約14倍 \n という数字が挙げられています。","render_override":null},{"id":"blk_259d6413-19c6-4290-9c14-e064d77307ad","kind":"heading","order":273,"section_id":"sec_ed3d9d67-0596-49f2-8921-d31381e9c83d","character_id":null,"markdown":"### Vera Rubin NVL144（システムレベル）","render_override":null},{"id":"blk_5b1de7dc-2a8f-4761-bf63-5dc5b27bd6c9","kind":"list","order":274,"section_id":"sec_ed3d9d67-0596-49f2-8921-d31381e9c83d","character_id":null,"markdown":"- NVIDIAの日本語ブログによると、 \n **Vera Rubin NVL144** は：([NVIDIA | Japan Blog](https://blogs.nvidia.co.jp/blog/gigawatt-ai-factories-ocp-vera-rubin/?utm_source=chatgpt.com))\n \n - 144 GPU ラック（NVL144）\n - **8 ExaFLOPS級のAI性能**\n - **100 TBの高速メモリ**\n - 100%液冷、**800 V DC データセンター**向けに設計\n- 「ギガワット級 AI ファクトリー」を前提にしたインフラとして、\n \n - 配電・冷却・ラック設計まで含めた**フルスタックの再設計**が進んでいる、と説明されています。","render_override":null},{"id":"blk_74f845a5-4133-41e2-88e0-a59904cd48b5","kind":"heading","order":275,"section_id":"sec_073c9af8-f24f-40e3-b572-182711f586a1","character_id":null,"markdown":"### プロセス・メモリ技術（推定）","render_override":null},{"id":"blk_c1fd1561-92d2-4413-9465-3952bad4640e","kind":"list","order":276,"section_id":"sec_073c9af8-f24f-40e3-b572-182711f586a1","character_id":null,"markdown":"- Rubin GPUは TSMC 3nm ＋ 次世代 HBM4 を採用するという報道が多数（ただし公式スペックではなく、**有力リーク＋業界予測レベル**）。([TweakTown](https://www.tweaktown.com/news/102001/nvidias-next-gen-rubin-ai-gpu-could-be-pushed-up-6-months-ahead-of-schedule-with-hbm4/index.html?utm_source=chatgpt.com))\n- また Rubin プラットフォームには\\*\\*「シリコンフォトニクスプロセッサ」\\*\\*が明示されており、 \n ここで CPO / co-integrated optics がさらにGPU側に近づくと見られています。([Tom's Hardware](https://www.tomshardware.com/tech-industry/artificial-intelligence/nvidias-rubin-gpu-and-vera-cpu-data-center-ai-platforms-begin-tape-out-both-chips-in-fab-and-on-track-for-2026?utm_source=chatgpt.com))","render_override":null},{"id":"blk_74402658-075e-49d6-ac2b-92553e14a2ef","kind":"paragraph","order":277,"section_id":"sec_073c9af8-f24f-40e3-b572-182711f586a1","character_id":null,"markdown":"ただし前述の通り、","render_override":null},{"id":"blk_00100284-8cac-49de-9fb6-203fa9bf8bc8","kind":"list","order":278,"section_id":"sec_073c9af8-f24f-40e3-b572-182711f586a1","character_id":null,"markdown":"- **GPUパッケージ直付けの光I/Oをフルスケールでやるのは 2028年以降（Feynman世代以降）** \n という見方が強いので、\n- Rubin世代では\n \n - ラック/スイッチ側：CPO本格運用\n - GPU側：まだDAC/AOC中心、もしくは短距離の光インターポーザレベル \n という「過渡期」になる可能性が高いです。","render_override":null},{"id":"blk_d160cf31-9b43-47ea-b320-694314754ab5","kind":"thematic_break","order":279,"section_id":"sec_073c9af8-f24f-40e3-b572-182711f586a1","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f0866457-3ae4-4abb-82a1-4b466505aee7","kind":"heading","order":280,"section_id":"sec_c3cda480-ccbe-4376-b1e9-26e413f6b13f","character_id":null,"markdown":"### \\5. TPUのMEMS OCS路線との対比（ざっくりまとめ）","render_override":null},{"id":"blk_ce755a9e-ee53-4067-8174-b9894b503a1c","kind":"paragraph","order":281,"section_id":"sec_c3cda480-ccbe-4376-b1e9-26e413f6b13f","character_id":null,"markdown":"あなたが前に調べていた **Google TPU v4/v7 + Palomar OCS** と並べてみると：","render_override":null},{"id":"blk_ab62c6e0-2fb4-4862-b807-082dceec2bd1","kind":"heading","order":282,"section_id":"sec_9f699a50-dabc-4fef-ad90-b6ca22ca6940","character_id":null,"markdown":"### Google TPU 側","render_override":null},{"id":"blk_19b8d1eb-bd4c-4b75-87ce-9a40b05fd90a","kind":"list","order":283,"section_id":"sec_9f699a50-dabc-4fef-ad90-b6ca22ca6940","character_id":null,"markdown":"- **ラック内**：電気 ICI（3Dトーラス）\n- **ラック間 / Pod間**：MEMS OCS（Palomar）で**光回線レベルで3Dトーラスを再配線**([NVIDIA Developer](https://developer.nvidia.com/blog/a-new-era-in-data-center-networking-with-nvidia-silicon-photonics-based-network-switching/))\n- OCSはミリ秒オーダの再構成で、\n \n - 大規模トレーニングジョブ毎にトポロジを最適化\n - 故障Cubeを**光学的にバイパス**して冗長化","render_override":null},{"id":"blk_a7b20e67-785b-446e-9cf7-c7d756e99942","kind":"heading","order":284,"section_id":"sec_d95cc333-39a1-428b-a5a1-1bde9cce6575","character_id":null,"markdown":"### NVIDIA 側","render_override":null},{"id":"blk_c19cd87f-70c7-47df-8e73-7e71aee441e0","kind":"list","order":285,"section_id":"sec_d95cc333-39a1-428b-a5a1-1bde9cce6575","character_id":null,"markdown":"- **GPU内部〜NVLink域**：引き続き銅（将来的にパッケージ内光へ移行予定）\n- **ラック内/ラック間スイッチ**：\n \n - 当面は **Quantum-X / Spectrum-X ASIC＋CPO（シリコンフォトニクス）** で\n - **パケットスイッチ＋光I/O** を徹底強化([NVIDIA Developer](https://developer.nvidia.com/blog/a-new-era-in-data-center-networking-with-nvidia-silicon-photonics-based-network-switching/?utm_source=chatgpt.com))\n- 現時点で **MEMS OCS のような「回線交換」コンポーネントを自社製品に入れる計画は公開されていない**。","render_override":null},{"id":"blk_854d4ddc-4b02-4bf7-a588-6c9f0b70caf1","kind":"paragraph","order":286,"section_id":"sec_d95cc333-39a1-428b-a5a1-1bde9cce6575","character_id":null,"markdown":"**思想の違いを一言で言うと：**","render_override":null},{"id":"blk_dfb725cb-57bb-4095-8639-13af3f682dab","kind":"list","order":287,"section_id":"sec_d95cc333-39a1-428b-a5a1-1bde9cce6575","character_id":null,"markdown":"- **Google**： \n 「物理トポロジを光レベルで再構成できる“巨大な一塊のトーラス”を作り、 \n XLA / GSPMD で“分散共有メモリ的”に使う」\n- **NVIDIA**： \n 「従来のClos/Spine-Leaf＋NVLinkクラスタを維持しつつ、 \n **すべてのリンクをシリコンフォトニクス＋CPOで電力/レイテンシごとアップグレード**する」","render_override":null},{"id":"blk_8c92b5ae-671a-49a5-a2af-459da75775db","kind":"paragraph","order":288,"section_id":"sec_d95cc333-39a1-428b-a5a1-1bde9cce6575","character_id":null,"markdown":"という感じです。","render_override":null},{"id":"blk_7de1a63e-923c-401b-873e-e11a097a7e05","kind":"thematic_break","order":289,"section_id":"sec_d95cc333-39a1-428b-a5a1-1bde9cce6575","character_id":null,"markdown":"---","render_override":null},{"id":"blk_cf8a2c56-6ad4-4677-9059-383a8eb052b0","kind":"heading","order":290,"section_id":"sec_f363e30c-6f89-4bf8-ad62-ff1712f3a08f","character_id":null,"markdown":"### \\6. ざっくり Q&A まとめ","render_override":null},{"id":"blk_41217555-806c-44b2-8227-a25288c537c7","kind":"paragraph","order":291,"section_id":"sec_f363e30c-6f89-4bf8-ad62-ff1712f3a08f","character_id":null,"markdown":"**Q. NVIDIAはいつ頃から OCS / MEMS のようなものを導入？** \n→ 公開情報ベースでは、**MEMS OCSを導入するロードマップは存在しない**。 \n　代わりに、**2025–26年に CPO付き Quantum-X / Spectrum-X スイッチを量産**し、 \n　将来的にGPU側もシリコンフォトニクスで光I/O化していく方針。","render_override":null},{"id":"blk_8e7883e8-3a1d-42ca-bcc0-2bc23080539d","kind":"paragraph","order":292,"section_id":"sec_f363e30c-6f89-4bf8-ad62-ff1712f3a08f","character_id":null,"markdown":"**Q. Spectrum-X / Quantum-X に OCS は使われる？** \n→ **いいえ。どちらもスイッチASIC＋シリコンフォトニクス（CPO）で、 \n　パケットスイッチのままです。** \n　GoogleのようなMEMSミラー式OCSは使っていません。","render_override":null},{"id":"blk_953873f6-d449-4f50-8462-bfafed725dff","kind":"paragraph","order":293,"section_id":"sec_f363e30c-6f89-4bf8-ad62-ff1712f3a08f","character_id":null,"markdown":"**Q. GB300 / Rubin ではどんな性能向上？**","render_override":null},{"id":"blk_7660ac37-4694-4f7e-8cca-6943241c9896","kind":"list","order":294,"section_id":"sec_f363e30c-6f89-4bf8-ad62-ff1712f3a08f","character_id":null,"markdown":"- **GB300 (Blackwell Ultra)**\n \n - GB200比：**FP4で約1.5倍、Attentionで2倍**\n - メモリ：**192GB → 288GB HBM3e**（1.5倍）([NVIDIA Developer](https://developer.nvidia.com/blog/inside-nvidia-blackwell-ultra-the-chip-powering-the-ai-factory-era/?utm_source=chatgpt.com))\n - Hopper比では、AIファクトリー全体で最大50倍の“トークン出力”を謳う。\n- **Rubin / Vera Rubin / Rubin Ultra**\n \n - Rubin（2026）：**Blackwell Ultra比で3.3倍、50 PF4 / GPU級**\n - Rubin Ultra（2027）：**さらに2倍 → 100 PF4 / GPU、1TB HBMクラス**\n - Rubin Ultra Superpod：**推論 15 ExaFLOPS、学習 5 ExaFLOPS** を目標とする。([The Verge](https://www.theverge.com/news/631835/nvidia-blackwell-ultra-ai-chip-gb300?utm_source=chatgpt.com))","render_override":null},{"id":"blk_322333d0-28d2-4809-945c-8f8c5804d821","kind":"thematic_break","order":295,"section_id":"sec_f363e30c-6f89-4bf8-ad62-ff1712f3a08f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4d619181-9de8-4450-bbea-a7971b088b46","kind":"heading","order":296,"section_id":"sec_9760052c-9477-460a-bfc3-48e5292a84ee","character_id":null,"markdown":"## OSCとCPOの違い","render_override":null},{"id":"blk_a0273d4c-8489-49cf-a7fb-69fc4ced4a97","kind":"quote","order":297,"section_id":"sec_9760052c-9477-460a-bfc3-48e5292a84ee","character_id":null,"markdown":"> **CPO =「光トランシーバをチップのすぐ横に埋め込む技術」** \n> **OCS =「光ファイバ同士をミラーでつなぎ替える巨大な“光パッチパネル”」**","render_override":null},{"id":"blk_988aa0da-7dc4-475f-8551-04df2467d3c1","kind":"paragraph","order":298,"section_id":"sec_9760052c-9477-460a-bfc3-48e5292a84ee","character_id":null,"markdown":"同じ「光だけど」役割も中身もまったく別物です。 \n順番に分解してみます。","render_override":null},{"id":"blk_b8ab40dc-a027-415c-95a4-376ab304ceaf","kind":"thematic_break","order":299,"section_id":"sec_9760052c-9477-460a-bfc3-48e5292a84ee","character_id":null,"markdown":"---","render_override":null},{"id":"blk_fbb8305b-4873-49c1-9b19-03a0af59e7ff","kind":"heading","order":300,"section_id":"sec_24eead36-9ec3-48a8-82ea-bc68cbefa51d","character_id":null,"markdown":"### \\1. それぞれ何をするもの？","render_override":null},{"id":"blk_2ab02842-eb61-42af-bd6b-6787ace2f3be","kind":"heading","order":301,"section_id":"sec_5375e192-286e-41c4-9ed1-f08cfeb088d0","character_id":null,"markdown":"### CPO（Co-Packaged Optics）","render_override":null},{"id":"blk_c424f844-6024-435e-8a40-b36cdc430bef","kind":"list","order":302,"section_id":"sec_5375e192-286e-41c4-9ed1-f08cfeb088d0","character_id":null,"markdown":"- **目的**：高速スイッチやGPUの「I/O部分」を省電力＆高帯域にする。\n- やっていること：\n \n - これまでスイッチASICやGPUからは \n → 長い銅配線 → プラガブル光モジュール（QSFP/OSFP） \n というルートで外に出ていた信号を、\n - **スイッチASIC/GPUパッケージのすぐ隣に光エンジン（シリコンフォトニクス）をくっつける**ことで、\n \n - 電気配線を超短距離に縮める\n - SerDesやDSPの負担を減らして**消費電力を大幅に削る**\n- 中心になるのは：\n \n - シリコンフォトニクスの**波導・マイクロリング変調器**\n - レーザダイ\n - それらを載せた小さなモジュールを、スイッチASICと**同じパッケージまたはインターポーザ上に実装**する構造","render_override":null},{"id":"blk_74da547f-6050-4515-b844-245dd7aad635","kind":"paragraph","order":303,"section_id":"sec_5375e192-286e-41c4-9ed1-f08cfeb088d0","character_id":null,"markdown":"つまり CPO は、","render_override":null},{"id":"blk_f2408380-3046-47d6-b7a6-e598cf3f32a6","kind":"quote","order":304,"section_id":"sec_5375e192-286e-41c4-9ed1-f08cfeb088d0","character_id":null,"markdown":"> **「電線をやめて、チップの足元からいきなり光で出す」ためのI/O技術**","render_override":null},{"id":"blk_6a58c6cb-2f22-4ee2-baa4-f435cb16077e","kind":"paragraph","order":305,"section_id":"sec_5375e192-286e-41c4-9ed1-f08cfeb088d0","character_id":null,"markdown":"であって、**スイッチング自体は従来どおり電気ASICの中でパケット単位**で行われます。","render_override":null},{"id":"blk_3d2cebb2-4b00-4c28-9fdb-31fb3e605a21","kind":"thematic_break","order":306,"section_id":"sec_5375e192-286e-41c4-9ed1-f08cfeb088d0","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d37fb9cc-606d-453e-ba7c-93e91cb591c4","kind":"heading","order":307,"section_id":"sec_38e96188-6419-43a4-ba5a-b998748bfd82","character_id":null,"markdown":"### OCS（Optical Circuit Switch）","render_override":null},{"id":"blk_4bffafc2-9675-46bd-ae90-ca9180a1850b","kind":"list","order":308,"section_id":"sec_38e96188-6419-43a4-ba5a-b998748bfd82","character_id":null,"markdown":"- **目的**：大量の光ファイバを「回線レベルで」つなぎ替える。\n- やっていること：\n \n - 例えば「N本の入力ファイバ」と「N本の出力ファイバ」があったとき、\n - **MEMSミラーや光学素子で「この入力→この出力」を物理的に接続し直す**。\n - 中でパケットを解釈したり、電気に戻したりしない。\n- GoogleのPalomar OCSやJupiterのOCSなどが代表例で、\n \n - **N×Nの光クロスコネクト**\n - 全部自由空間光＋MEMSミラーで構成\n - 制御ソフトからコマンドを送ると、ミリ秒オーダーでミラー角度を変えて**トポロジー自体を組み替える**","render_override":null},{"id":"blk_cdb9ea87-7508-4ad0-bdfa-e763e6a7ee0a","kind":"paragraph","order":309,"section_id":"sec_38e96188-6419-43a4-ba5a-b998748bfd82","character_id":null,"markdown":"つまり OCS は、","render_override":null},{"id":"blk_625f7a3e-2637-497f-af87-8b2a15b8f645","kind":"quote","order":310,"section_id":"sec_38e96188-6419-43a4-ba5a-b998748bfd82","character_id":null,"markdown":"> **「巨大な、自動で切り替わる光パッチパネル」**","render_override":null},{"id":"blk_a73e0422-e3e8-4c5f-b571-29c7c72d41ff","kind":"paragraph","order":311,"section_id":"sec_38e96188-6419-43a4-ba5a-b998748bfd82","character_id":null,"markdown":"であり、**ネットワーク全体の配線図を光レベルで変える装置**です。 \n中にスイッチASICやバッファはありません。","render_override":null},{"id":"blk_24dbf301-7f64-4c97-b45b-f250e8c4c2a3","kind":"thematic_break","order":312,"section_id":"sec_38e96188-6419-43a4-ba5a-b998748bfd82","character_id":null,"markdown":"---","render_override":null},{"id":"blk_09d466d2-0349-40b9-922d-0c5a98f73ba9","kind":"heading","order":313,"section_id":"sec_82916ef6-5c25-485c-aaa7-64176a3fb588","character_id":null,"markdown":"### \\2. データの流れ方の違い","render_override":null},{"id":"blk_05c903b5-94b1-46a9-befe-eaf294e4bbc3","kind":"heading","order":314,"section_id":"sec_acaba4f8-02f4-43b3-8988-50377809a77a","character_id":null,"markdown":"### CPO の場合","render_override":null},{"id":"blk_d60aa183-af87-4ae2-9698-1efdc6d0bf69","kind":"list","order":315,"section_id":"sec_acaba4f8-02f4-43b3-8988-50377809a77a","character_id":null,"markdown":"1. スイッチASICの中で \n → パケットを見て経路を決定 \n → クロスバ＋バッファで転送先ポートを決める。\n2. ASICの I/O ピンから250Gbps/400Gbpsクラスの電気信号として出る。\n3. すぐ横にある**シリコンフォトニクス光エンジン**で \n → 電気 → 光（変調） \n → ファイバへ。","render_override":null},{"id":"blk_d1f7be1a-7d23-451f-b606-560dabbed5c9","kind":"paragraph","order":316,"section_id":"sec_acaba4f8-02f4-43b3-8988-50377809a77a","character_id":null,"markdown":"**スイッチングは完全に電気側で完結**しており、CPOはあくまで \n「電気信号を極力短い距離で光にして外へ出す」だけです。","render_override":null},{"id":"blk_b3eb3c2e-088e-441e-b11e-1075b76f6653","kind":"thematic_break","order":317,"section_id":"sec_acaba4f8-02f4-43b3-8988-50377809a77a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ccb834b1-fa92-4a6e-bc14-a9cee540b7db","kind":"heading","order":318,"section_id":"sec_f1f41c15-ae18-4b28-b8bb-0e9dfabcda5f","character_id":null,"markdown":"### OCS の場合","render_override":null},{"id":"blk_132d3523-7faf-4557-b793-8535c3801cf8","kind":"list","order":319,"section_id":"sec_f1f41c15-ae18-4b28-b8bb-0e9dfabcda5f","character_id":null,"markdown":"1. サーバ／TPU／GPU からの電気信号は \n → 端点の **光トランシーバ／CPO**で光に変換される（ここまではCPOと同じ）。\n2. その光がファイバを通って OCS に到達。\n3. OCS内部では：\n \n - 光は**コリメータレンズ→MEMSミラー**に当たって、\n - ミラーの角度に応じて別方向へ飛び、\n - 別のミラー→出力レンズ→出力ファイバへ。\n4. 一切**電気に戻さないし、パケットを解釈もしない**。","render_override":null},{"id":"blk_b0419c25-7a4d-48d4-b8fc-8c54977a6821","kind":"paragraph","order":320,"section_id":"sec_f1f41c15-ae18-4b28-b8bb-0e9dfabcda5f","character_id":null,"markdown":"**“どこからどこへつながるか”だけをミラー角度で決める**ので、","render_override":null},{"id":"blk_bc46339a-75d2-44b1-9dc4-5c928ea496ca","kind":"list","order":321,"section_id":"sec_f1f41c15-ae18-4b28-b8bb-0e9dfabcda5f","character_id":null,"markdown":"- トポロジーの変更は **ミリ秒ごと**\n- 一度つなげばその経路は**ほぼWDMの専用線のように振る舞う**","render_override":null},{"id":"blk_13065250-1b32-4051-a315-ff0106fa1a1d","kind":"paragraph","order":322,"section_id":"sec_f1f41c15-ae18-4b28-b8bb-0e9dfabcda5f","character_id":null,"markdown":"という性質になります。","render_override":null},{"id":"blk_24a4a50d-197e-4e48-9271-cfe14a131c51","kind":"thematic_break","order":323,"section_id":"sec_f1f41c15-ae18-4b28-b8bb-0e9dfabcda5f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ded719dd-cc88-40ba-8de4-587d203ae514","kind":"heading","order":324,"section_id":"sec_64975387-a839-4239-9d50-384683e4800c","character_id":null,"markdown":"### \\3. スイッチング粒度と用途の違い","render_override":null},{"id":"blk_a47e0d57-4b30-43ed-8c13-12f567a93665","kind":"heading","order":325,"section_id":"sec_5224d849-13cd-49bf-a3b2-d83a6c74833c","character_id":null,"markdown":"### CPO：パケットスイッチの世界","render_override":null},{"id":"blk_0471d79a-9658-455b-9c60-54371241d337","kind":"list","order":326,"section_id":"sec_5224d849-13cd-49bf-a3b2-d83a6c74833c","character_id":null,"markdown":"- 粒度：**パケットごと**にルーティング\n- 速度：ns〜µs レベル（ASICのパイプライン）\n- 用途：\n \n - データセンター内のあらゆる L2/L3/IB/Ethernet トラフィック\n - AIクラスタでのファブリック（Spectrum-X, Quantum-X など）\n- メリット：\n \n - 汎用的（どんなトラフィックも流せる）\n - 従来ネットワークの設計をそのままスケールできる\n- CPOは**これをいかに省電力・高密度で実現するか**という技術","render_override":null},{"id":"blk_7dd357c2-aa20-43a6-967a-03bdf82b7692","kind":"heading","order":327,"section_id":"sec_aae23cc6-5d9d-4941-9bb7-6dab3a3539d5","character_id":null,"markdown":"### OCS：回線スイッチの世界","render_override":null},{"id":"blk_6e2a27ab-66a8-4674-a6ad-b11abd8c98a0","kind":"list","order":328,"section_id":"sec_aae23cc6-5d9d-4941-9bb7-6dab3a3539d5","character_id":null,"markdown":"- 粒度：**回線（circuit）単位** \n → 一度「Aラック–Bラック」を結ぶと、その光路は全部その2者専用\n- 速度：ミリ秒オーダー（MEMS駆動）\n- 用途：\n \n - AIトレーニングのような**長時間走る“象トラフィック”の経路を張る**\n - Google Jupiterのように、**データセンター棟内のトポロジーを大きく組み替える**\n- メリット：\n \n - 中でO/E/Oしないので**超省電力・大規模 N×N 接続が可能**\n - 速度やプロトコルに中立（100Gでも400Gでも関係ない）","render_override":null},{"id":"blk_67605ed8-e8a1-4320-9885-4246e2b396f7","kind":"thematic_break","order":329,"section_id":"sec_aae23cc6-5d9d-4941-9bb7-6dab3a3539d5","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5571c9b4-29d2-4d09-a208-f296cad5b9fd","kind":"heading","order":330,"section_id":"sec_03937923-f3cc-423d-9fc6-6457032fd273","character_id":null,"markdown":"### \\4. アーキテクチャ視点での対比","render_override":null},{"id":"blk_6e96738a-e491-4308-830a-5fe1faf1afe9","kind":"heading","order":331,"section_id":"sec_12de1e25-25b7-410b-aac6-29607659499a","character_id":null,"markdown":"### 「スタックのどこに効くか？」","render_override":null},{"id":"blk_cb7d4df1-0f35-485a-a8a9-45e4b6684398","kind":"list","order":332,"section_id":"sec_12de1e25-25b7-410b-aac6-29607659499a","character_id":null,"markdown":"- **CPO**\n \n - OSIで言えば **レイヤ1（物理層）の“端点”** を置き換える技術。\n - パケットスイッチのあり方は変えない（ただし距離制約・電力制約を緩める）。\n- **OCS**\n \n - レイヤ1の\\*\\*途中にある“再配線ポイント”\\*\\*を置き換える技術。\n - トポロジーそのものを変えられるので、クラスタの**見かけのグラフ構造**が変化する。","render_override":null},{"id":"blk_cf151caf-6770-49b0-a005-188c44dcec6b","kind":"heading","order":333,"section_id":"sec_d256cbe7-34fe-4e21-99d7-491123bcbd44","character_id":null,"markdown":"### Google vs NVIDIA の「光」の使い方の違い（ざっくり）","render_override":null},{"id":"blk_330af3e9-d82c-46de-9653-45d7e52cea7e","kind":"list","order":334,"section_id":"sec_d256cbe7-34fe-4e21-99d7-491123bcbd44","character_id":null,"markdown":"- **Google (TPU / Jupiter)** \n → OCS（MEMSミラー）で \n **「巨大な3Dトーラス/メッシュを光レベルで組み替える」** \n CPOはまだ限定的（ただし今後増える可能性あり）。\n- **NVIDIA (Spectrum-X / Quantum-X / GB200/300)** \n → CPO（シリコンフォトニクス）で \n **「既存のClos/Spine-Leafファブリックを、より省電力・高密度にする」** \n OCSは使わず、あくまでパケットスイッチ＋光I/O。","render_override":null},{"id":"blk_d9c70dd7-c914-43b0-b184-0cb5caf7f4e1","kind":"thematic_break","order":335,"section_id":"sec_d256cbe7-34fe-4e21-99d7-491123bcbd44","character_id":null,"markdown":"---","render_override":null},{"id":"blk_58a2e8cb-79f6-48ff-b437-cac1e8c4832c","kind":"heading","order":336,"section_id":"sec_4783faeb-bcfe-4991-9e26-9524d181f047","character_id":null,"markdown":"### \\5. メリット・デメリットを一行ずつまとめ","render_override":null},{"id":"blk_c639c5e9-216f-46d7-ad6f-c2db2a4d8ab7","kind":"paragraph","order":337,"section_id":"sec_4783faeb-bcfe-4991-9e26-9524d181f047","character_id":null,"markdown":"**CPO**","render_override":null},{"id":"blk_c8e734b1-bdbd-46d7-a51a-96ee16142713","kind":"list","order":338,"section_id":"sec_4783faeb-bcfe-4991-9e26-9524d181f047","character_id":null,"markdown":"- ✅ メリット\n \n - 電気I/Oの距離を極限まで短縮 → 大幅な省電力＆高帯域\n - 従来のネットワーク設計をほぼそのまま使える（透明）\n- ❌ デメリット\n \n - 実装・パッケージングが難しい（熱/歩留まり/テスト）\n - 「パケットスイッチの階層の多さ」そのものは解決しない","render_override":null},{"id":"blk_78f39caf-a547-4d90-bae5-b884323b66a7","kind":"paragraph","order":339,"section_id":"sec_4783faeb-bcfe-4991-9e26-9524d181f047","character_id":null,"markdown":"**OCS**","render_override":null},{"id":"blk_9ff48927-7f5c-4ea6-bae4-4c47bcdced57","kind":"list","order":340,"section_id":"sec_4783faeb-bcfe-4991-9e26-9524d181f047","character_id":null,"markdown":"- ✅ メリット\n \n - O/E/Oなしで大規模N×N接続 → スイッチ台数・電力を大幅削減\n - 速度・プロトコル非依存、トポロジーをソフトで再構成できる\n- ❌ デメリット\n \n - 切り替えが遅い（ミリ秒）ので、細かいフロー制御には向かない\n - バッファなし・輻輳制御なし → エッジ側が賢くないと扱いづらい","render_override":null},{"id":"blk_9380dcbd-b18a-41fc-9dcd-7aefde9a5a7a","kind":"thematic_break","order":341,"section_id":"sec_4783faeb-bcfe-4991-9e26-9524d181f047","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5b166031-aaca-41c4-9e4b-e60ef6bf872d","kind":"heading","order":342,"section_id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","character_id":null,"markdown":"### \\6. まとめ","render_override":null},{"id":"blk_315d8f25-d668-4465-bea4-c7cd9ff357bf","kind":"list","order":343,"section_id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","character_id":null,"markdown":"- **CPO**は \n → 「スイッチ/GPUの“足”を光に変えて、銅線とDSPを減らす技術」 \n → スイッチングは従来通りパケットASICが担当。\n- **OCS**は \n → 「大量の光ファイバをMEMSミラーで物理的に結び直す、光回線スイッチ」 \n → トポロジーそのものを光レベルで組み替える。","render_override":null},{"id":"blk_97fe9954-eeed-4268-babb-56f5cb412bba","kind":"paragraph","order":344,"section_id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","character_id":null,"markdown":"なので、","render_override":null},{"id":"blk_6453a35c-e873-4871-9dc0-d8e411cef751","kind":"list","order":345,"section_id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","character_id":null,"markdown":"- **CPO vs OCS** は「どっちを採用するか」の比較というより、\n \n 1. **“端点のI/Oをどうするか”（CPO）と、“途中の配線をどうするか”（OCS）はレイヤが違う技術**\n- Googleは **OCS＋電気スイッチ** で巨大トーラスを作り、\n- NVIDIAは **CPO付きスイッチ** で従来Closをひたすら強化している、 \n という構図で押さえておくと整理しやすいと思います。","render_override":null},{"id":"blk_b13bfc50-96cc-4d26-8d31-60836c2435a4","kind":"thematic_break","order":346,"section_id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9a248927-40f4-4791-a5ab-bd0081fb0894","kind":"figure","order":347,"section_id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","character_id":null,"markdown":"![](/media/eb271d3f580914f9d7a418413e2920eb79f45582ca3b36aff11fb0250b1a2de1-content.webp)","render_override":null},{"id":"blk_c3b816d2-bb3e-4a1f-b4dd-2b4e24dc9407","kind":"figure","order":348,"section_id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","character_id":null,"markdown":"![](/media/57c6118cbf2329d597e2cdf69fc615bd3ff794936e8e67a05f7394179166bc31-content.webp)","render_override":null},{"id":"blk_484fa66c-d3b5-4a7a-8c0b-d758079f508b","kind":"thematic_break","order":349,"section_id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1345899d-4e88-4f92-b376-a4c452ef8fee","kind":"figure","order":350,"section_id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","character_id":null,"markdown":"![](/media/6310344ba894066c3c122887d7fce7beadaf1ccb1c57c50d02738de9d9a98656-content.webp)\n\n1","render_override":null},{"id":"blk_e8c01a77-ab5b-4552-97aa-ef63ad0f528c","kind":"figure","order":351,"section_id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","character_id":null,"markdown":"![](/media/646fa98668f9e1f0006e775b146cb0754709df935b9d10dff8aa4711a4f0c101-content.webp)\n\n2","render_override":null},{"id":"blk_524ddfac-6590-4a1c-881b-987f5b3c2f22","kind":"figure","order":352,"section_id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","character_id":null,"markdown":"![](/media/2440635b3ffac9ef3a3434f12760e281c406ad83407215f2073e50f8a2602777-content.webp)\n\n3","render_override":null},{"id":"blk_4730af4c-02a3-4587-a0a2-8155ae3e5e4f","kind":"figure","order":353,"section_id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","character_id":null,"markdown":"![](/media/73a220a0744484102796bb3cdde82db750da2cbfc40b4afd0da349e44b0bdd32-content.webp)\n\n4","render_override":null},{"id":"blk_2c41c2c6-4603-4587-a004-aa5273eb5002","kind":"figure","order":354,"section_id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","character_id":null,"markdown":"![](/media/ca5fd1a8fedc01e43085fd23cdc59441ff153f00aaefabecaf8ff2d4b8a8fbe7-content.webp)\n\n5","render_override":null},{"id":"blk_ce6baf10-44fe-4ad5-b0b3-fcde3f666253","kind":"figure","order":355,"section_id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","character_id":null,"markdown":"![](/media/c364d6d8f4e85dbe4db962aa555d38f25228681ed08001f5052faf4471d2d304-content.webp)\n\n6","render_override":null},{"id":"blk_6eb37e92-5b3b-451d-9b6a-c3f58029a6a6","kind":"figure","order":356,"section_id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","character_id":null,"markdown":"![](/media/0bd3aceadc81b8e23a7ff9ec3363ac2e10004a2d1599fbfad465512d0aebcd68-content.webp)\n\n7","render_override":null},{"id":"blk_f002f528-798a-4179-be33-f83f92ff83af","kind":"figure","order":357,"section_id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","character_id":null,"markdown":"![](/media/04b370c4a5185e71f9ffba19909926a5026231ccb1f7f4e6fe74c3be362d5b1f-content.webp)\n\n8","render_override":null},{"id":"blk_411f773d-f286-4a1f-98c8-cd898ec34d2c","kind":"figure","order":358,"section_id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","character_id":null,"markdown":"![](/media/6094a1fe047ea13e9809bed6c6cb08e6f478534f198aed819744e5806501a242-content.webp)\n\n9","render_override":null},{"id":"blk_165b3279-d455-467e-bccb-31ac4fdc5f29","kind":"figure","order":359,"section_id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","character_id":null,"markdown":"![](/media/7dbb32f1c580b8fb973df768dff9ee3a2a5dd81491ca87602415296873292ce3-content.webp)\n\n10","render_override":null},{"id":"blk_e627e94b-f25d-4eae-b519-7fae96593c9f","kind":"figure","order":360,"section_id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","character_id":null,"markdown":"![](/media/d30bcbead93d5bf0c3816fbd324bbb7bd330b46077149fd98e40a3b623195a1c-content.webp)\n\n11","render_override":null},{"id":"blk_354843ce-8365-4099-b174-3332527ee363","kind":"figure","order":361,"section_id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","character_id":null,"markdown":"![](/media/c1bfa2697f6dcba55cddca28f606beaa69f3e44c2de7febea56e6c013cb0af83-content.webp)\n\n12","render_override":null},{"id":"blk_32e247f8-d90b-4a1b-907a-70c47f8d92dc","kind":"paragraph","order":362,"section_id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","character_id":null,"markdown":"TPUとGPU\\_AIインフラの二大哲学とコスト差","render_override":null},{"id":"blk_bf1f6e68-6e6f-48ee-8cf6-26610b0ea391","kind":"paragraph","order":363,"section_id":"sec_a9af58fa-68c6-4be2-b7e1-c3dc09816bf9","character_id":null,"markdown":"CHATGPU5.1 DeepReseach thinkingによる記事作成 \n画像、スライド、音声はnotebooklm \nサムネはPixAI sunflowerモデルとnanobanana","render_override":null}],"audio":[],"omitted_media":[{"block_id":"blk_32e247f8-d90b-4a1b-907a-70c47f8d92dc","kind":"audio","reason":"collection_media_policy"}],"figures":[{"id":"plc_bf79e337-8760-46d2-9b7d-d67fe7c3cd02","block_id":"blk_71abe923-fb1b-4453-9afc-9077a676fcf2","asset_revision_id":"avr_76951553-cb05-4830-aa9e-d7258b993639","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_319ca29e-3d60-4fe0-995f-7361e05e40fb"],"explained_by":[],"source_path":"media/d6561d7706f8227b6f1bfcf756f555b09b28f329d82008a0127c2cf21f97d4cb.png","path":"/media/d6561d7706f8227b6f1bfcf756f555b09b28f329d82008a0127c2cf21f97d4cb-content.webp","display_derivative":{"source_sha256":"d6561d7706f8227b6f1bfcf756f555b09b28f329d82008a0127c2cf21f97d4cb","thumbnail":{"path":"media/d6561d7706f8227b6f1bfcf756f555b09b28f329d82008a0127c2cf21f97d4cb-thumbnail.webp","width":560,"height":293,"bytes":35480,"sha256":"e5015d0d34cf366781fe66195441e202cf8e5808c4339551ad0129479aa2a884"},"content":{"path":"media/d6561d7706f8227b6f1bfcf756f555b09b28f329d82008a0127c2cf21f97d4cb-content.webp","width":1920,"height":1005,"bytes":379580,"sha256":"f78ffc63b09d8db9c3d77cfe9472bbaa1024cd4c8815be093179f46dd7d36df4"}}},{"id":"plc_64c722d5-8e04-44cf-bad6-d73a48ec0298","block_id":"blk_9a248927-40f4-4791-a5ab-bd0081fb0894","asset_revision_id":"avr_3d39e61e-74ad-4e33-a783-38714db0f342","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_b13bfc50-96cc-4d26-8d31-60836c2435a4","blk_c3b816d2-bb3e-4a1f-b4dd-2b4e24dc9407"],"explained_by":[],"source_path":"media/eb271d3f580914f9d7a418413e2920eb79f45582ca3b36aff11fb0250b1a2de1.png","path":"/media/eb271d3f580914f9d7a418413e2920eb79f45582ca3b36aff11fb0250b1a2de1-content.webp","display_derivative":{"source_sha256":"eb271d3f580914f9d7a418413e2920eb79f45582ca3b36aff11fb0250b1a2de1","thumbnail":{"path":"media/eb271d3f580914f9d7a418413e2920eb79f45582ca3b36aff11fb0250b1a2de1-thumbnail.webp","width":560,"height":313,"bytes":43724,"sha256":"ab89df42d082440ddfe7cf20bdeef996973680f8d5921beb328ecaba4a5f7e23"},"content":{"path":"media/eb271d3f580914f9d7a418413e2920eb79f45582ca3b36aff11fb0250b1a2de1-content.webp","width":2400,"height":1340,"bytes":739936,"sha256":"020f4c82db0d90bec725f1f381d8acae825a1c49658130b2b87b3235de579105"}}},{"id":"plc_52deba70-a42e-4923-9128-58d2ba47a1e9","block_id":"blk_c3b816d2-bb3e-4a1f-b4dd-2b4e24dc9407","asset_revision_id":"avr_7e3c95a7-332e-4736-9faf-daab9b41ffdd","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_9a248927-40f4-4791-a5ab-bd0081fb0894","blk_484fa66c-d3b5-4a7a-8c0b-d758079f508b"],"explained_by":[],"source_path":"media/57c6118cbf2329d597e2cdf69fc615bd3ff794936e8e67a05f7394179166bc31.png","path":"/media/57c6118cbf2329d597e2cdf69fc615bd3ff794936e8e67a05f7394179166bc31-content.webp","display_derivative":{"source_sha256":"57c6118cbf2329d597e2cdf69fc615bd3ff794936e8e67a05f7394179166bc31","thumbnail":{"path":"media/57c6118cbf2329d597e2cdf69fc615bd3ff794936e8e67a05f7394179166bc31-thumbnail.webp","width":560,"height":313,"bytes":53300,"sha256":"56c7f67fc9a38d952b879f2f5f20b21de60d4566e5ba0f2adc4efc9e61a54eca"},"content":{"path":"media/57c6118cbf2329d597e2cdf69fc615bd3ff794936e8e67a05f7394179166bc31-content.webp","width":2400,"height":1340,"bytes":851050,"sha256":"a6d2056ceb58f8ef846bc3057bd9fc35174366ad3f4baa7a1f0356f21e911405"}}},{"id":"plc_45cf4809-1ec2-4138-8061-ecb66936707a","block_id":"blk_1345899d-4e88-4f92-b376-a4c452ef8fee","asset_revision_id":"avr_cc1c7e06-d3dc-43c3-b991-3ab367c1c972","asset_class":"other","caption":"1","alt":"","adjacent_to":["blk_484fa66c-d3b5-4a7a-8c0b-d758079f508b","blk_e8c01a77-ab5b-4552-97aa-ef63ad0f528c"],"explained_by":[],"source_path":"media/6310344ba894066c3c122887d7fce7beadaf1ccb1c57c50d02738de9d9a98656.png","path":"/media/6310344ba894066c3c122887d7fce7beadaf1ccb1c57c50d02738de9d9a98656-content.webp","display_derivative":{"source_sha256":"6310344ba894066c3c122887d7fce7beadaf1ccb1c57c50d02738de9d9a98656","thumbnail":{"path":"media/6310344ba894066c3c122887d7fce7beadaf1ccb1c57c50d02738de9d9a98656-thumbnail.webp","width":560,"height":313,"bytes":31568,"sha256":"d6ad05d6e8503dcdeb745c8c75bb55194591e334de777024d7b51e453b2190da"},"content":{"path":"media/6310344ba894066c3c122887d7fce7beadaf1ccb1c57c50d02738de9d9a98656-content.webp","width":1376,"height":768,"bytes":185286,"sha256":"9208f966f90c592a0cb4a4448af2c32f2ff12fca7d78342fd3c94a5dbd924078"}}},{"id":"plc_089eebb4-26b6-434b-b11c-1c50a97b8ae9","block_id":"blk_e8c01a77-ab5b-4552-97aa-ef63ad0f528c","asset_revision_id":"avr_86ada17f-2410-438d-a284-24694300316a","asset_class":"other","caption":"2","alt":"","adjacent_to":["blk_1345899d-4e88-4f92-b376-a4c452ef8fee","blk_524ddfac-6590-4a1c-881b-987f5b3c2f22"],"explained_by":[],"source_path":"media/646fa98668f9e1f0006e775b146cb0754709df935b9d10dff8aa4711a4f0c101.png","path":"/media/646fa98668f9e1f0006e775b146cb0754709df935b9d10dff8aa4711a4f0c101-content.webp","display_derivative":{"source_sha256":"646fa98668f9e1f0006e775b146cb0754709df935b9d10dff8aa4711a4f0c101","thumbnail":{"path":"media/646fa98668f9e1f0006e775b146cb0754709df935b9d10dff8aa4711a4f0c101-thumbnail.webp","width":560,"height":313,"bytes":41680,"sha256":"189b7e1542d0eb3e95309b30562b009065469309027b41072fb5047b04cf2725"},"content":{"path":"media/646fa98668f9e1f0006e775b146cb0754709df935b9d10dff8aa4711a4f0c101-content.webp","width":1376,"height":768,"bytes":228630,"sha256":"b98522f9ca0ce55c160130dc7ac01f35c22590a387d62690b1a0b10d52170738"}}},{"id":"plc_6b4a2e40-17e4-4820-8e84-ba0a2176eb6d","block_id":"blk_524ddfac-6590-4a1c-881b-987f5b3c2f22","asset_revision_id":"avr_0b111b4e-7a20-49cc-9f80-3edd8be678fa","asset_class":"other","caption":"3","alt":"","adjacent_to":["blk_e8c01a77-ab5b-4552-97aa-ef63ad0f528c","blk_4730af4c-02a3-4587-a0a2-8155ae3e5e4f"],"explained_by":[],"source_path":"media/2440635b3ffac9ef3a3434f12760e281c406ad83407215f2073e50f8a2602777.png","path":"/media/2440635b3ffac9ef3a3434f12760e281c406ad83407215f2073e50f8a2602777-content.webp","display_derivative":{"source_sha256":"2440635b3ffac9ef3a3434f12760e281c406ad83407215f2073e50f8a2602777","thumbnail":{"path":"media/2440635b3ffac9ef3a3434f12760e281c406ad83407215f2073e50f8a2602777-thumbnail.webp","width":560,"height":313,"bytes":41554,"sha256":"4f5edb57b2f413413988c85afbe7853ff41b3b7ed4175c2eb1bd7c7fdc20ba74"},"content":{"path":"media/2440635b3ffac9ef3a3434f12760e281c406ad83407215f2073e50f8a2602777-content.webp","width":1376,"height":768,"bytes":233976,"sha256":"242a1160bf69e58d96c53d4a741022f90fc4602f2ab6880e28ad73fbf37b5795"}}},{"id":"plc_ca92c1a0-a019-4682-a7f9-683048f595e7","block_id":"blk_4730af4c-02a3-4587-a0a2-8155ae3e5e4f","asset_revision_id":"avr_d319ae6a-ae63-4028-8342-648aac5902b8","asset_class":"other","caption":"4","alt":"","adjacent_to":["blk_524ddfac-6590-4a1c-881b-987f5b3c2f22","blk_2c41c2c6-4603-4587-a004-aa5273eb5002"],"explained_by":[],"source_path":"media/73a220a0744484102796bb3cdde82db750da2cbfc40b4afd0da349e44b0bdd32.png","path":"/media/73a220a0744484102796bb3cdde82db750da2cbfc40b4afd0da349e44b0bdd32-content.webp","display_derivative":{"source_sha256":"73a220a0744484102796bb3cdde82db750da2cbfc40b4afd0da349e44b0bdd32","thumbnail":{"path":"media/73a220a0744484102796bb3cdde82db750da2cbfc40b4afd0da349e44b0bdd32-thumbnail.webp","width":560,"height":313,"bytes":35438,"sha256":"8773b19f366e29a49b48985df0d822e8c6a897490c0715917e03a490c674b71e"},"content":{"path":"media/73a220a0744484102796bb3cdde82db750da2cbfc40b4afd0da349e44b0bdd32-content.webp","width":1376,"height":768,"bytes":166640,"sha256":"2fd2b36ca0c5a8d562bd95ec6441d10455219b83bb8758f72b6be8376b402a21"}}},{"id":"plc_57fe1b11-0c9d-49d9-b172-ec207d920fc5","block_id":"blk_2c41c2c6-4603-4587-a004-aa5273eb5002","asset_revision_id":"avr_5bc8e8d9-7b57-4ded-bc7e-55c26cec69a2","asset_class":"other","caption":"5","alt":"","adjacent_to":["blk_4730af4c-02a3-4587-a0a2-8155ae3e5e4f","blk_ce6baf10-44fe-4ad5-b0b3-fcde3f666253"],"explained_by":[],"source_path":"media/ca5fd1a8fedc01e43085fd23cdc59441ff153f00aaefabecaf8ff2d4b8a8fbe7.png","path":"/media/ca5fd1a8fedc01e43085fd23cdc59441ff153f00aaefabecaf8ff2d4b8a8fbe7-content.webp","display_derivative":{"source_sha256":"ca5fd1a8fedc01e43085fd23cdc59441ff153f00aaefabecaf8ff2d4b8a8fbe7","thumbnail":{"path":"media/ca5fd1a8fedc01e43085fd23cdc59441ff153f00aaefabecaf8ff2d4b8a8fbe7-thumbnail.webp","width":560,"height":313,"bytes":45546,"sha256":"cb99d6f69795bceed5de1bcc49c733d14f443b386f1e2c0dde8ea94e4ead7fb3"},"content":{"path":"media/ca5fd1a8fedc01e43085fd23cdc59441ff153f00aaefabecaf8ff2d4b8a8fbe7-content.webp","width":1376,"height":768,"bytes":225040,"sha256":"ce6684b64d8795b80709cb27b7facba0c060a428213ec46404ffe48da44a6234"}}},{"id":"plc_4e9d7d5f-69e8-40b6-ae29-cfbd48f0ef63","block_id":"blk_ce6baf10-44fe-4ad5-b0b3-fcde3f666253","asset_revision_id":"avr_d181ab06-cb89-46b7-b294-cf6d0c9ccc0e","asset_class":"other","caption":"6","alt":"","adjacent_to":["blk_2c41c2c6-4603-4587-a004-aa5273eb5002","blk_6eb37e92-5b3b-451d-9b6a-c3f58029a6a6"],"explained_by":[],"source_path":"media/c364d6d8f4e85dbe4db962aa555d38f25228681ed08001f5052faf4471d2d304.png","path":"/media/c364d6d8f4e85dbe4db962aa555d38f25228681ed08001f5052faf4471d2d304-content.webp","display_derivative":{"source_sha256":"c364d6d8f4e85dbe4db962aa555d38f25228681ed08001f5052faf4471d2d304","thumbnail":{"path":"media/c364d6d8f4e85dbe4db962aa555d38f25228681ed08001f5052faf4471d2d304-thumbnail.webp","width":560,"height":313,"bytes":41786,"sha256":"6109db63218f250becfdf38e82d447d42992782ac5bc8c1464299acde503dc34"},"content":{"path":"media/c364d6d8f4e85dbe4db962aa555d38f25228681ed08001f5052faf4471d2d304-content.webp","width":1376,"height":768,"bytes":209104,"sha256":"b99ee52fb95f7f8856ab4931910bd96ab4c49444d033a91b74fbe9c7c6853252"}}},{"id":"plc_7506a5d0-10bd-4ee1-9d6f-694f52b6f00b","block_id":"blk_6eb37e92-5b3b-451d-9b6a-c3f58029a6a6","asset_revision_id":"avr_f8b9d133-d9d0-409a-9088-f2b12c89156a","asset_class":"other","caption":"7","alt":"","adjacent_to":["blk_ce6baf10-44fe-4ad5-b0b3-fcde3f666253","blk_f002f528-798a-4179-be33-f83f92ff83af"],"explained_by":[],"source_path":"media/0bd3aceadc81b8e23a7ff9ec3363ac2e10004a2d1599fbfad465512d0aebcd68.png","path":"/media/0bd3aceadc81b8e23a7ff9ec3363ac2e10004a2d1599fbfad465512d0aebcd68-content.webp","display_derivative":{"source_sha256":"0bd3aceadc81b8e23a7ff9ec3363ac2e10004a2d1599fbfad465512d0aebcd68","thumbnail":{"path":"media/0bd3aceadc81b8e23a7ff9ec3363ac2e10004a2d1599fbfad465512d0aebcd68-thumbnail.webp","width":560,"height":313,"bytes":38306,"sha256":"2306aeaae4aca6b2c24871fa96810f23c43bdef0e0dc2177cd09696e11e1a601"},"content":{"path":"media/0bd3aceadc81b8e23a7ff9ec3363ac2e10004a2d1599fbfad465512d0aebcd68-content.webp","width":1376,"height":768,"bytes":184258,"sha256":"75de25477fa8c11a98d9cddea6d9a0666a18cdaa14680fa6edd428264a80da45"}}},{"id":"plc_46940667-b03c-4467-ac3e-7fe395544671","block_id":"blk_f002f528-798a-4179-be33-f83f92ff83af","asset_revision_id":"avr_b45d42e6-92ce-48a6-95a5-bb6a02aa664c","asset_class":"other","caption":"8","alt":"","adjacent_to":["blk_6eb37e92-5b3b-451d-9b6a-c3f58029a6a6","blk_411f773d-f286-4a1f-98c8-cd898ec34d2c"],"explained_by":[],"source_path":"media/04b370c4a5185e71f9ffba19909926a5026231ccb1f7f4e6fe74c3be362d5b1f.png","path":"/media/04b370c4a5185e71f9ffba19909926a5026231ccb1f7f4e6fe74c3be362d5b1f-content.webp","display_derivative":{"source_sha256":"04b370c4a5185e71f9ffba19909926a5026231ccb1f7f4e6fe74c3be362d5b1f","thumbnail":{"path":"media/04b370c4a5185e71f9ffba19909926a5026231ccb1f7f4e6fe74c3be362d5b1f-thumbnail.webp","width":560,"height":313,"bytes":32266,"sha256":"ea874621a8a8a69f8eac2bcbe3b9f8f7c9470f69278e5627117aea448c4bdb59"},"content":{"path":"media/04b370c4a5185e71f9ffba19909926a5026231ccb1f7f4e6fe74c3be362d5b1f-content.webp","width":1376,"height":768,"bytes":160688,"sha256":"b2304ceb05ff2113cee2de07295b903038da3e6ea5409697e86be68b026ee95e"}}},{"id":"plc_e0fef81e-0793-44a3-b525-9a6b61f4a40c","block_id":"blk_411f773d-f286-4a1f-98c8-cd898ec34d2c","asset_revision_id":"avr_40b73a06-e07c-4207-a0e6-18b1a3a39fcf","asset_class":"other","caption":"9","alt":"","adjacent_to":["blk_f002f528-798a-4179-be33-f83f92ff83af","blk_165b3279-d455-467e-bccb-31ac4fdc5f29"],"explained_by":[],"source_path":"media/6094a1fe047ea13e9809bed6c6cb08e6f478534f198aed819744e5806501a242.png","path":"/media/6094a1fe047ea13e9809bed6c6cb08e6f478534f198aed819744e5806501a242-content.webp","display_derivative":{"source_sha256":"6094a1fe047ea13e9809bed6c6cb08e6f478534f198aed819744e5806501a242","thumbnail":{"path":"media/6094a1fe047ea13e9809bed6c6cb08e6f478534f198aed819744e5806501a242-thumbnail.webp","width":560,"height":313,"bytes":22662,"sha256":"350c10ab3c3216920ab7d3efc8097e1bb459d07c6267dd0b07d22473b9ea0f16"},"content":{"path":"media/6094a1fe047ea13e9809bed6c6cb08e6f478534f198aed819744e5806501a242-content.webp","width":1376,"height":768,"bytes":102916,"sha256":"83315d228071514ad571531e8f113fefd22414806e59ab8cfcc89e90f2267154"}}},{"id":"plc_8f548193-ca67-4d2f-8ce4-494ee916930d","block_id":"blk_165b3279-d455-467e-bccb-31ac4fdc5f29","asset_revision_id":"avr_a7c8796a-aefb-4bb5-b14a-a35c19001468","asset_class":"other","caption":"10","alt":"","adjacent_to":["blk_411f773d-f286-4a1f-98c8-cd898ec34d2c","blk_e627e94b-f25d-4eae-b519-7fae96593c9f"],"explained_by":[],"source_path":"media/7dbb32f1c580b8fb973df768dff9ee3a2a5dd81491ca87602415296873292ce3.png","path":"/media/7dbb32f1c580b8fb973df768dff9ee3a2a5dd81491ca87602415296873292ce3-content.webp","display_derivative":{"source_sha256":"7dbb32f1c580b8fb973df768dff9ee3a2a5dd81491ca87602415296873292ce3","thumbnail":{"path":"media/7dbb32f1c580b8fb973df768dff9ee3a2a5dd81491ca87602415296873292ce3-thumbnail.webp","width":560,"height":313,"bytes":32204,"sha256":"b362f76154407efa5cc153f15edc66dad190308ede2ecb9c0ed2174e6dddeefc"},"content":{"path":"media/7dbb32f1c580b8fb973df768dff9ee3a2a5dd81491ca87602415296873292ce3-content.webp","width":1376,"height":768,"bytes":154844,"sha256":"d465ab7f594978b9a58c71edec0fdb9866515619ea3f85459b042df08fba98e0"}}},{"id":"plc_3bcea063-6dac-4cad-9910-6c68641b0e61","block_id":"blk_e627e94b-f25d-4eae-b519-7fae96593c9f","asset_revision_id":"avr_07277b9c-d360-45a2-8d92-7abe040da027","asset_class":"other","caption":"11","alt":"","adjacent_to":["blk_165b3279-d455-467e-bccb-31ac4fdc5f29","blk_354843ce-8365-4099-b174-3332527ee363"],"explained_by":[],"source_path":"media/d30bcbead93d5bf0c3816fbd324bbb7bd330b46077149fd98e40a3b623195a1c.png","path":"/media/d30bcbead93d5bf0c3816fbd324bbb7bd330b46077149fd98e40a3b623195a1c-content.webp","display_derivative":{"source_sha256":"d30bcbead93d5bf0c3816fbd324bbb7bd330b46077149fd98e40a3b623195a1c","thumbnail":{"path":"media/d30bcbead93d5bf0c3816fbd324bbb7bd330b46077149fd98e40a3b623195a1c-thumbnail.webp","width":560,"height":313,"bytes":29146,"sha256":"4efd45627298e478837ceddbae9b9f50d09d6bb4f396d1f258d991e7045c7703"},"content":{"path":"media/d30bcbead93d5bf0c3816fbd324bbb7bd330b46077149fd98e40a3b623195a1c-content.webp","width":1376,"height":768,"bytes":138042,"sha256":"9a7495ae7906d2114618b8c7021e98e504b4229d3a349a7341780ccd73b0b0b6"}}},{"id":"plc_36d2d1de-619d-4c75-98ca-f26f5f65877e","block_id":"blk_354843ce-8365-4099-b174-3332527ee363","asset_revision_id":"avr_fbd66446-b4e4-4918-9af8-2e492e67e03d","asset_class":"other","caption":"12","alt":"","adjacent_to":["blk_e627e94b-f25d-4eae-b519-7fae96593c9f","blk_32e247f8-d90b-4a1b-907a-70c47f8d92dc"],"explained_by":[],"source_path":"media/c1bfa2697f6dcba55cddca28f606beaa69f3e44c2de7febea56e6c013cb0af83.png","path":"/media/c1bfa2697f6dcba55cddca28f606beaa69f3e44c2de7febea56e6c013cb0af83-content.webp","display_derivative":{"source_sha256":"c1bfa2697f6dcba55cddca28f606beaa69f3e44c2de7febea56e6c013cb0af83","thumbnail":{"path":"media/c1bfa2697f6dcba55cddca28f606beaa69f3e44c2de7febea56e6c013cb0af83-thumbnail.webp","width":560,"height":313,"bytes":37516,"sha256":"a0ff62b6fb7b8c679d366a9d4c8cc1e278153c33bad22c69f226ae18ada3fcaf"},"content":{"path":"media/c1bfa2697f6dcba55cddca28f606beaa69f3e44c2de7febea56e6c013cb0af83-content.webp","width":1376,"height":768,"bytes":175122,"sha256":"2de76698142c3fbba1c73347d1b82bff41f4a2b69136072f7271784c1e1b70e1"}}}],"package_sha256":"9d7c1046e2faba43686221cf4d4fdfa4e76cd2439e26dc7317761b0d3f5554c6","record_type":"article","schema_version":"noia-public-article-1.1.0","dataset_version":"2026.09.23.4","urls":{"source_url":"https://note.com/atom_/n/n647a0bc5ae7a","release_path":"/articles/rev_5c1381d3-461d-40ab-acea-997127510f6e/","canonical_url":"https://noia-grid.pages.dev/articles/rev_5c1381d3-461d-40ab-acea-997127510f6e/"},"time":{"created_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"published_at":{"value":"2025-11-30 22:14:42","precision":"local_datetime","timezone":null,"status":"source_metadata","basis":"Metadata only; not evidence of historical body availability."},"modified_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"analysis_as_of":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"event_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"recorded_at":{"value":"2026-09-08T05:30:42+00:00","precision":"instant","timezone":"+00:00","status":"archive_record","basis":"canonical_recorded_at"},"content_available_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"unknown"}},"legacy":{"source_date":{"value":"2025-11-30 22:14:42","meaning":"legacy_source_metadata_date","certainty":"source_metadata"}},"rights":{"license_ref":"license:not-specified","rights_status":"unknown","third_party_material":"unknown"},"integrity":{"hash_profile":"noia-evidence-json-v1","content_sha256":"d657e9ad3006477bc00619da6181764dfba4cba8aa91d5179d54cd93730e7f64","lineage":[],"previous_revision_sha256":null,"previous_revision_status":"no_parent","revision_sha256":"299b47d0ce7744376ce689b486e9ce9445cf68e3cc57c454825811f61b0a1b89"}} {"id":"rev_4eb110b8-6300-4d37-befb-7de1200dd0be","work_id":"wrk_34d11714-0800-4643-88ea-3e7aabfd2897","edition_id":"edn_2af275df-72c8-4a08-a5aa-a9f59022afe5","title":"Google TPUとNVIDIA GPUについて再考察","published_at":"2025-12-05 06:42:53","source_url":"https://note.com/atom_/n/n66d05dd96ef9","recorded_at":"2026-09-08T05:30:42+00:00","source_date":"2025-12-05 06:42:53","thumbnail":null,"legacy_slug":null,"topics":["chips"],"sections":[{"id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","parent_section_id":null,"heading_block_id":null,"order":0,"character_id":null}],"content_available_at":{"basis":"unknown","precision":"unknown","timezone":null,"value":null},"markdown":"![](/media/4c343d5e48dbc15cdd7483ee7c1540ef5901b1e079d93de0f9ce063bb45b45d2-content.webp)\n\nironwoodのpodはjupiterのleafスイッチでAECなどによって繋がれているわけではなく、ironwoodのpodとは別に中のTPUサーバーがHostCPUからそれぞれleafに繋がっている理解で合ってますかね？ \n \njupiterでのleafスイッチはbroadcomのTomahawkが主流でNVIDIAではSpectrum-X、Quantum-Xという感じ \n \nAECはノイズ混じりで弱くなった電気信号をデジタル信号にしてからノイズを除去して綺麗にして強い信号に作り直してから送るやつ \n \nデジタルに変換して綺麗な信号に直す装置をDSPと言って、タイミングを調整して送り出す装置をリタイマという \n \n合わせてDSPリタイマと言ったり、リタイマだけでも通じたりする \nAECはアクティブ銅とか言われていて、credoとかがやってる \n \nリタイマはAsteraのAriesがCPUとGPUの間では圧倒的で8割以上はそれが使われている \n \nでそれはCXLにも対応している \n \nAECの分野でもAsteraはTaurusというリタイマをやってるけど、credoの紫ケーブルが圧倒的で7割くらいが使われているとされている \n \nAsteraのTaurusはケーブルまではやっていないくてケーブルに搭載する頭脳の部分リタイマをやってる \n \nデータセンターにはCPUとかGPUとかDRAMとかSSDとかHDDでそれぞれ箱に分けられている\n\nそれらがケーブルを通して繋がってサーバーになり、サーバーがパッシブ銅で繋がれてラックになる\n\nラックからアクティブ銅でそれぞれのGPUが対応したleafスイッチに繋がれて、そのleafスイッチがspineスイッチに繋がれる\n\nspineスイッチからsuper spineに繋がれて、それがデータセンター間接続で緩く繋がれている \n \nironwoodではTPU同士が直接繋がっており、それが3Dトーラスの構造をしている、これをICI接続と呼んでいる \n \n3Dトーラスというのは、右端に行ったら左端にワープするような構造だ \n通常は3×3×3であるが4×4×4の構造をしているルービックキューブを想像してみて欲しい \n \nironwoodも実際に4×4×4の構造をしており、これで64チップがICIで電気的に繋がりラックになっている \n \nルービックキューブとの違いは、ironwoodでは面だけでなく中にも8個のTPUが存在している事だ \n \nこのirowoodのキューブはX軸、Y軸、Z軸でそれぞれ端に行くと帰って来るような構造をしている \n \n将棋でいうと一番右端に行くと左端のマス目に戻るみたいな構造だ \nこういうものをトーラスという \n \n面の端のチップは三方向にワープするし、辺は二方向、真ん中は一方向にワープする \n \nそのワープの電気的な接続はパッシブ銅ケーブルでされている \nサーバーは2×2の4TPUでHostCPUがPCleでTPUと接続されていて、SSDやDRAMはDIMMで繋がれている \n \nNVIDIA GB200はsuperchipという構造を取っていてCPU一枚にGPUがサンドイッチして一つのchipのような構造を取っている \n \nGPU間接続はCompute Trayが銅のバックプレーン（NVLink Spine）で9台のNVLink Switch Tray に接続され、ラックから一歩も出ずにNVLinkの帯域（1.8TB/s）接続される \n \nそしてラック外の73個目のGPUと接続する時leafスイッチが出てくる \nGB200のleafまでの経路は GPU からNVLink-C2C 経由で Grace にデータを渡しGrace の PCIe Root からConnectX-7 / BlueField-3 などの NIC/DPU に行って、そこから 400G/800G 光/DAC で InfiniBand/Ethernetのleaf スイッチに接続される \n \n一つのサーバーにつき4つのGPUを積むのはGB200でもironwoodでも共通している \n \nGB200 NVL72ではサーバーをCompute Trayと呼んでいる一つのラックにつきCompute Trayが18個入っており、1サーバーにCPU2基、GPU4基、SSD (NVMe)約 16TB ～ 30TB、メモリ (Unified)1.7 TBが入っている \n \nCXLも付けられるが標準搭載はされていない \n \n1サーバーに4つのGPUなので1ラックで72基のGPUがある \n \nそれがleafで32本のラックに相当するGPUが繋がれる\n\nここで2304GPUは繋がれている\n\nこのleafがspineに繋がれるspineでは32～64のleafが繋がれる、ここで73728GPUが繋がれる計算になる\n\nこの上にsuper spineというのがあるが、これをやらない場合は64繋いで、繋がない場合は32繋いでsuper spineに繋ぐ感じだ \n \nでこのsuper spineには数百～千のspineを繋げるため理論的には7億GPUとかを一つのclos構造でやる事は可能だが、実際はリスクと距離の限界がある為、今のところは数十万規模に留め、データセンター同士を電気信号を光信号に変換するモジュールと光ファイバで横に繋いでいる \n \nironwoodではどうかというと、ironwoodはそもそもclosの構造を取っていないpodとjupiterで分かれる \n \npodはMEMSミラーという鏡で反射してOCSスイッチを使い電気から光への変換を省き4×4×4のキューブを繋いでいる \n \n光ファイバの接続先を鏡で変えられる為、故障した箇所を回避したり、トポロジー（3Dトーラスの形状）を柔軟に変更したり出来る \n \n最大9,216TPUを接続する事が可能 \n \nこれによりTomahawkなどのスイッチ抜きになるためコストと電力を大幅に削減でき、それを計算に回す事が出来る \n \npodでガッチリ組めば電力辺りの性能では効率がよくGB200のラック圧倒的な性能を出すが、それは所詮ラック単位の話で、それ以上のleafやspineまで絡んで来ると到底敵わない \n \n9216チップは少なく感じられるがOCSを使って桁違いの規模で密結合で繋がっている \n \nこれを緩く横に並べて使う感じだが、それとは別に先ほども書いたようにleafに向かって2×2のTPUサーバーが繋がっているjupiterもある \n \nこれはspineの部分をMEMSミラーを使ったOCSスイッチでやりくりさせている \n \nOCSスイッチを使ってleafスイッチを繋ぎ、数万のTPUを繋げる \n \nそしてJupiterネットワークでは繋ごうと思えばGPUもOCSスイッチで繋げる \nしかし、数十万と数百万には到底届かない \n \nとはいえ、この数万クラスタのTPUを並べてゆるいアルゴリズムで光ファイバとモジュールで繋いで使えばよい \n \nこれはNVIDIAのGB200などでも同じ事である \n \n数十万規模になるとゆるく繋がないと限界がある \n \nTPUでは行列乗算の際にシストリックアレイを使っている、これは256×256の乗算-加算ユニットの格子が1コアに組み込まれている \n \n一度データを入れると血液のようにドクンと送り出され、隣の演算器へ、さらにその隣へと、バケツリレー形式で規則正しく流れていく \n \n途中でメモリに書き起こす必要がなくエネルギー効率がよいが、一度動きはじめると止める事が難しいため分岐処理が難しい \n \nGPUの場合は、GPU全体に何千もの小さなコアがあり、その中にTensor Core 4×4或いは16×16の演算子が埋め込まれている \n \n多数のスレッド（処理の単位）が同時に走り、必要な時だけTensor Coreを呼び出して計算する \n \nその為に汎用性が高く、行列演算以外の処理や複雑な条件分岐が混ざっても柔軟に対応できる \n \nGPUはメインメモリの内容を近くのキャッシュにコピーして持っている \n \nあるコアAがデータを書き換えた瞬間、コアBやCが持っている古いコピーを『無効』にする、または『新しい値』に更新するような事が出来る \nこれをキャッシュコヒーレンシーという \nこれは分岐処理が演算中に行われた時にかなり強力に働く\n\n腹が減ったから猫を撫でるという条件分岐をする時、腹が減っていないから、減っているに変わった時にコアAで更新して、コアBで腹が減っていない状態を示す事が出来、コアBがコアAを認識して分岐処理をはじめられるのはコヒーレンシーがあるからできる\n\nコアが一つしかない場合でも、分岐処理を出来ないわけではない \nコアAだけでも腹が減った状態に自分で書き換えて自分で認識する事は出来る\n\nただしこの場合、予め分岐を書いておく必要がある\n\nTPUではそれらの処理はXLAコンパイラというものでする事が多い\n\n実行中に分岐が変わったり、サイズが変わったりした場合、柔軟に対応するのが難しい\n\nGPUでは一行ごとに修正しながら開発出来るが、TPUでは最初に全て設計しておく必要がある\n\nとはいえ本番のLLM学習では殆どが最初に設計して決まった構造を何十万ステップも回している\n\n最近ではGPUでも研究段階ではPython + PyTorch で好き放題分岐して収束したらXLAのこうなコンパイル系で本番用に固めて最適化という形が増えて来ているらしい\n\n試作や研究ではGPUで回して修正しながらしているのだ、実際GoogleもGPUを購入して使っている\n\nTPUとGPUを同時に使ってやっていくのは難易度が異常に高い為、厳しいと考えられる\n\nソフトウェアもXLAコンパイラとCUDAで全然違う \nNVIDIAのnvlinkとclosとTPUのようなICI、jupiterネットワークでは通信方法が違う \nGPUでは上手くいってTPUでは上手くいかないといったような、デバッグ・再現性が異なる\n\nこういった事がある為、どこでもTPUをすぐに導入できるわけではない\n\nGoogleが異常なだけだ\n\n後OpenAIも、TPUを採用するらしいがその能力があったという事だろう\n\nASICは今のところGoogleの独壇場で、AWSのTrainiumがそれに続いている感じだ\n\nTrainiumはClaudeで利用されているが、やはりNVIDIAのGPUなしでは厳しい\n\nMetaもMicrosoftもやっているが、彼らに至っては殆どがNVIDIAのGPUである\n\nそれに製造キャパでみても、NVIDIAのGPUで埋まっている\n\n設計能力はあっても製造が追いつかないのだ\n\n特にHBMメモリは逼迫している、TSMCの製造能力にも限界がある、CoWoS/SoICのCoWo-Lは殆どNVIDIAが抑えている、Googleはintel EMIBなどの別ルートを模索している段階だ\n\nこれが現実なので、TPUがGPUを無に帰す事はまず不可能だろう\n\n今のシェアの80～90％NVIDIAのGPUが60〜80%まで下げられたらTPU側が上出来と言ったくらいだと思われる\n\nTPUがNVIDIAのぼったくりを幾らか軽減する可能性はあるが、そもそもHBMもぼったりである\n\nむしろTPU、GPUともに需要が逼迫し価格が上がってしまうのではないだろうか\n\nTPU や Trainium のような ASIC 陣営は、NVIDIA の価格決定力をゼロにはできないが、「これ以上はさすがに無理だ」という上限を付けるオプション価値として効いている \n \nしかし、彼らも同じ HBM と先端パッケージに依存している以上、真に「安い計算」を実現するには、メモリとパッケージのサプライチェーンを含めた全体のボトルネック解消が必要になる\n\n[https://gemini.google.com/share/743db66eb2f0](https://gemini.google.com/share/743db66eb2f0)\n\nTPUとGPU\\_AIインフラの二大哲学とコスト差\n\n---\n\n![](/media/001a16c2d2c03ee43650cae56e0cb03f8b103b9308f7c588910dc6260fa47d51-content.webp)\n\n1\n\n---\n\n![](/media/960327b5e48c089b0bcb52ca8e4020c9ad4c839fb40d691523c7d1b07ffc56d6-content.webp)\n\n2\n\n---\n\n![](/media/931f0ddb6a277e6868ff23215535ed25e89493530c148b2c3a5c0aaa243c145d-content.webp)\n\n3\n\n---\n\n![](/media/6c98004e17b33a7f5081a6c019caeffa5797d3d4a1e1b9f12f019cb8f9306df1-content.webp)\n\n4\n\n---\n\n![](/media/cd8be110b33280ccc2aafbeca463dcff27810746d8beb3f1108b6b5c571c4504-content.webp)\n\n5\n\n---\n\n![](/media/6eabe4c849ce88e0fdceb05c23ef558ef4f7104d9cb007a6d56f014c59a24657-content.webp)\n\n6\n\n---\n\n![](/media/1f63a455d3c5f6bff8145b3d22ec852aeae4707326b9a5f39bb805d54bdea08b-content.webp)\n\n7\n\n---\n\n![](/media/660eba6f861565473bfbca0e6e0ee9739b4c5c63e455beb7aec4755258da4d65-content.webp)\n\n8\n\n---\n\n![](/media/b34f7d592851e1a44d19dabbd013c3e2bd5d997e59c4f2ae8010943f051e8632-content.webp)\n\n9\n\n---\n\n![](/media/a8012993829320ac6c99925b782dc5d20318d65cfe428fc54a51e9928f2b33fe-content.webp)\n\n10\n\n---\n\n![](/media/1b1cfcf9d106310c7b645d2bfe1499942f8eedc712f7663870d213b86e7012ee-content.webp)\n\n11\n\n---\n\n![](/media/4cacd33e76799f5080829a03c7a759e259778db4658db258ebff85127540d602-content.webp)\n\n12\n\n---\n\n![](/media/c487d7e9efc27bb05f7c60a9a224c17e176e5561b858afe1e1f3c999dba56ae7-content.webp)\n\n13\n\n---\n\n![](/media/686843cfb9ab8899803872c1bf6f516d022df8d34a869adfefae02f1b5da4c4f-content.webp)\n\n14\n\n記事は9割私が書きました \ngemini3.0proとchagpt5.1thinkingを多用して調査しています \n内容が正しいのかは正直、よくわかりません \n素人です\n\nサムネはPixAIsunflowerとnanobanan\n\n画像、音声はnotebooklmです","blocks":[{"id":"blk_37e154b8-b6bb-4c2e-8734-cf3518812083","kind":"figure","order":0,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"![](/media/4c343d5e48dbc15cdd7483ee7c1540ef5901b1e079d93de0f9ce063bb45b45d2-content.webp)","render_override":null},{"id":"blk_5af7b36c-3ed1-425a-a4b9-b9dca34cbe3f","kind":"paragraph","order":1,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"ironwoodのpodはjupiterのleafスイッチでAECなどによって繋がれているわけではなく、ironwoodのpodとは別に中のTPUサーバーがHostCPUからそれぞれleafに繋がっている理解で合ってますかね？ \n \njupiterでのleafスイッチはbroadcomのTomahawkが主流でNVIDIAではSpectrum-X、Quantum-Xという感じ \n \nAECはノイズ混じりで弱くなった電気信号をデジタル信号にしてからノイズを除去して綺麗にして強い信号に作り直してから送るやつ \n \nデジタルに変換して綺麗な信号に直す装置をDSPと言って、タイミングを調整して送り出す装置をリタイマという \n \n合わせてDSPリタイマと言ったり、リタイマだけでも通じたりする \nAECはアクティブ銅とか言われていて、credoとかがやってる \n \nリタイマはAsteraのAriesがCPUとGPUの間では圧倒的で8割以上はそれが使われている \n \nでそれはCXLにも対応している \n \nAECの分野でもAsteraはTaurusというリタイマをやってるけど、credoの紫ケーブルが圧倒的で7割くらいが使われているとされている \n \nAsteraのTaurusはケーブルまではやっていないくてケーブルに搭載する頭脳の部分リタイマをやってる \n \nデータセンターにはCPUとかGPUとかDRAMとかSSDとかHDDでそれぞれ箱に分けられている","render_override":null},{"id":"blk_6b0e6690-43fc-47da-b409-e14e8921d87c","kind":"paragraph","order":2,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"それらがケーブルを通して繋がってサーバーになり、サーバーがパッシブ銅で繋がれてラックになる","render_override":null},{"id":"blk_2732b8ac-4c4b-43bb-9aac-eb70ad2c7be2","kind":"paragraph","order":3,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"ラックからアクティブ銅でそれぞれのGPUが対応したleafスイッチに繋がれて、そのleafスイッチがspineスイッチに繋がれる","render_override":null},{"id":"blk_aeb120b1-208c-4c6a-b643-518b52992753","kind":"paragraph","order":4,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"spineスイッチからsuper spineに繋がれて、それがデータセンター間接続で緩く繋がれている \n \nironwoodではTPU同士が直接繋がっており、それが3Dトーラスの構造をしている、これをICI接続と呼んでいる \n \n3Dトーラスというのは、右端に行ったら左端にワープするような構造だ \n通常は3×3×3であるが4×4×4の構造をしているルービックキューブを想像してみて欲しい \n \nironwoodも実際に4×4×4の構造をしており、これで64チップがICIで電気的に繋がりラックになっている \n \nルービックキューブとの違いは、ironwoodでは面だけでなく中にも8個のTPUが存在している事だ \n \nこのirowoodのキューブはX軸、Y軸、Z軸でそれぞれ端に行くと帰って来るような構造をしている \n \n将棋でいうと一番右端に行くと左端のマス目に戻るみたいな構造だ \nこういうものをトーラスという \n \n面の端のチップは三方向にワープするし、辺は二方向、真ん中は一方向にワープする \n \nそのワープの電気的な接続はパッシブ銅ケーブルでされている \nサーバーは2×2の4TPUでHostCPUがPCleでTPUと接続されていて、SSDやDRAMはDIMMで繋がれている \n \nNVIDIA GB200はsuperchipという構造を取っていてCPU一枚にGPUがサンドイッチして一つのchipのような構造を取っている \n \nGPU間接続はCompute Trayが銅のバックプレーン（NVLink Spine）で9台のNVLink Switch Tray に接続され、ラックから一歩も出ずにNVLinkの帯域（1.8TB/s）接続される \n \nそしてラック外の73個目のGPUと接続する時leafスイッチが出てくる \nGB200のleafまでの経路は GPU からNVLink-C2C 経由で Grace にデータを渡しGrace の PCIe Root からConnectX-7 / BlueField-3 などの NIC/DPU に行って、そこから 400G/800G 光/DAC で InfiniBand/Ethernetのleaf スイッチに接続される \n \n一つのサーバーにつき4つのGPUを積むのはGB200でもironwoodでも共通している \n \nGB200 NVL72ではサーバーをCompute Trayと呼んでいる一つのラックにつきCompute Trayが18個入っており、1サーバーにCPU2基、GPU4基、SSD (NVMe)約 16TB ～ 30TB、メモリ (Unified)1.7 TBが入っている \n \nCXLも付けられるが標準搭載はされていない \n \n1サーバーに4つのGPUなので1ラックで72基のGPUがある \n \nそれがleafで32本のラックに相当するGPUが繋がれる","render_override":null},{"id":"blk_74e0d47a-529f-4beb-b6fc-70ced7738e07","kind":"paragraph","order":5,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"ここで2304GPUは繋がれている","render_override":null},{"id":"blk_213217f1-db34-44ff-a99a-10b1abc384fb","kind":"paragraph","order":6,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"このleafがspineに繋がれるspineでは32～64のleafが繋がれる、ここで73728GPUが繋がれる計算になる","render_override":null},{"id":"blk_9114125c-3ae0-4835-bed4-5ebcd10be626","kind":"paragraph","order":7,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"この上にsuper spineというのがあるが、これをやらない場合は64繋いで、繋がない場合は32繋いでsuper spineに繋ぐ感じだ \n \nでこのsuper spineには数百～千のspineを繋げるため理論的には7億GPUとかを一つのclos構造でやる事は可能だが、実際はリスクと距離の限界がある為、今のところは数十万規模に留め、データセンター同士を電気信号を光信号に変換するモジュールと光ファイバで横に繋いでいる \n \nironwoodではどうかというと、ironwoodはそもそもclosの構造を取っていないpodとjupiterで分かれる \n \npodはMEMSミラーという鏡で反射してOCSスイッチを使い電気から光への変換を省き4×4×4のキューブを繋いでいる \n \n光ファイバの接続先を鏡で変えられる為、故障した箇所を回避したり、トポロジー（3Dトーラスの形状）を柔軟に変更したり出来る \n \n最大9,216TPUを接続する事が可能 \n \nこれによりTomahawkなどのスイッチ抜きになるためコストと電力を大幅に削減でき、それを計算に回す事が出来る \n \npodでガッチリ組めば電力辺りの性能では効率がよくGB200のラック圧倒的な性能を出すが、それは所詮ラック単位の話で、それ以上のleafやspineまで絡んで来ると到底敵わない \n \n9216チップは少なく感じられるがOCSを使って桁違いの規模で密結合で繋がっている \n \nこれを緩く横に並べて使う感じだが、それとは別に先ほども書いたようにleafに向かって2×2のTPUサーバーが繋がっているjupiterもある \n \nこれはspineの部分をMEMSミラーを使ったOCSスイッチでやりくりさせている \n \nOCSスイッチを使ってleafスイッチを繋ぎ、数万のTPUを繋げる \n \nそしてJupiterネットワークでは繋ごうと思えばGPUもOCSスイッチで繋げる \nしかし、数十万と数百万には到底届かない \n \nとはいえ、この数万クラスタのTPUを並べてゆるいアルゴリズムで光ファイバとモジュールで繋いで使えばよい \n \nこれはNVIDIAのGB200などでも同じ事である \n \n数十万規模になるとゆるく繋がないと限界がある \n \nTPUでは行列乗算の際にシストリックアレイを使っている、これは256×256の乗算-加算ユニットの格子が1コアに組み込まれている \n \n一度データを入れると血液のようにドクンと送り出され、隣の演算器へ、さらにその隣へと、バケツリレー形式で規則正しく流れていく \n \n途中でメモリに書き起こす必要がなくエネルギー効率がよいが、一度動きはじめると止める事が難しいため分岐処理が難しい \n \nGPUの場合は、GPU全体に何千もの小さなコアがあり、その中にTensor Core 4×4或いは16×16の演算子が埋め込まれている \n \n多数のスレッド（処理の単位）が同時に走り、必要な時だけTensor Coreを呼び出して計算する \n \nその為に汎用性が高く、行列演算以外の処理や複雑な条件分岐が混ざっても柔軟に対応できる \n \nGPUはメインメモリの内容を近くのキャッシュにコピーして持っている \n \nあるコアAがデータを書き換えた瞬間、コアBやCが持っている古いコピーを『無効』にする、または『新しい値』に更新するような事が出来る \nこれをキャッシュコヒーレンシーという \nこれは分岐処理が演算中に行われた時にかなり強力に働く","render_override":null},{"id":"blk_228abe3e-25b1-411f-b648-0e89ef45c376","kind":"paragraph","order":8,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"腹が減ったから猫を撫でるという条件分岐をする時、腹が減っていないから、減っているに変わった時にコアAで更新して、コアBで腹が減っていない状態を示す事が出来、コアBがコアAを認識して分岐処理をはじめられるのはコヒーレンシーがあるからできる","render_override":null},{"id":"blk_2917da92-a6bc-4ff5-a17f-abe60a8ab3f0","kind":"paragraph","order":9,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"コアが一つしかない場合でも、分岐処理を出来ないわけではない \nコアAだけでも腹が減った状態に自分で書き換えて自分で認識する事は出来る","render_override":null},{"id":"blk_c6fca27b-d9ac-4d98-9c30-3cfda7d18fb6","kind":"paragraph","order":10,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"ただしこの場合、予め分岐を書いておく必要がある","render_override":null},{"id":"blk_4c7cea35-0faf-4f15-94c4-c0a562c6429d","kind":"paragraph","order":11,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"TPUではそれらの処理はXLAコンパイラというものでする事が多い","render_override":null},{"id":"blk_0984796a-d272-4f96-ba04-d27e5b8eb42d","kind":"paragraph","order":12,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"実行中に分岐が変わったり、サイズが変わったりした場合、柔軟に対応するのが難しい","render_override":null},{"id":"blk_2a20fb05-bf0a-4276-9616-9eb0d6474422","kind":"paragraph","order":13,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"GPUでは一行ごとに修正しながら開発出来るが、TPUでは最初に全て設計しておく必要がある","render_override":null},{"id":"blk_8406706f-abd9-4b2c-9350-c265fd5dfcf3","kind":"paragraph","order":14,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"とはいえ本番のLLM学習では殆どが最初に設計して決まった構造を何十万ステップも回している","render_override":null},{"id":"blk_c03274ef-bdc1-4ddd-b237-29ada9e4f9cc","kind":"paragraph","order":15,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"最近ではGPUでも研究段階ではPython + PyTorch で好き放題分岐して収束したらXLAのこうなコンパイル系で本番用に固めて最適化という形が増えて来ているらしい","render_override":null},{"id":"blk_24358a66-cedb-410a-94c5-4005ccafd94b","kind":"paragraph","order":16,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"試作や研究ではGPUで回して修正しながらしているのだ、実際GoogleもGPUを購入して使っている","render_override":null},{"id":"blk_15d7529c-8496-4a5d-b9b7-df1fb2e816d6","kind":"paragraph","order":17,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"TPUとGPUを同時に使ってやっていくのは難易度が異常に高い為、厳しいと考えられる","render_override":null},{"id":"blk_d1e1da8d-3e9a-45bd-9bc6-88e8a939980f","kind":"paragraph","order":18,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"ソフトウェアもXLAコンパイラとCUDAで全然違う \nNVIDIAのnvlinkとclosとTPUのようなICI、jupiterネットワークでは通信方法が違う \nGPUでは上手くいってTPUでは上手くいかないといったような、デバッグ・再現性が異なる","render_override":null},{"id":"blk_dbf4a872-a717-4722-8ba2-7025d056e28f","kind":"paragraph","order":19,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"こういった事がある為、どこでもTPUをすぐに導入できるわけではない","render_override":null},{"id":"blk_1039b666-08b1-4e7e-b5c6-3dd8316802eb","kind":"paragraph","order":20,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"Googleが異常なだけだ","render_override":null},{"id":"blk_98dda021-ef66-4512-b895-62c6614eb317","kind":"paragraph","order":21,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"後OpenAIも、TPUを採用するらしいがその能力があったという事だろう","render_override":null},{"id":"blk_3aee159a-9ce9-4dc8-a21b-b18c8bac4512","kind":"paragraph","order":22,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"ASICは今のところGoogleの独壇場で、AWSのTrainiumがそれに続いている感じだ","render_override":null},{"id":"blk_92cd1539-6cef-45e5-bc28-9524e6acfaa5","kind":"paragraph","order":23,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"TrainiumはClaudeで利用されているが、やはりNVIDIAのGPUなしでは厳しい","render_override":null},{"id":"blk_d75e0ace-22f5-41d7-97c0-bd5e312c13a8","kind":"paragraph","order":24,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"MetaもMicrosoftもやっているが、彼らに至っては殆どがNVIDIAのGPUである","render_override":null},{"id":"blk_05b536a6-150e-48cf-a085-f8b2a74dadfd","kind":"paragraph","order":25,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"それに製造キャパでみても、NVIDIAのGPUで埋まっている","render_override":null},{"id":"blk_df254c4d-38f7-46a5-a3b0-52b8aef4646f","kind":"paragraph","order":26,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"設計能力はあっても製造が追いつかないのだ","render_override":null},{"id":"blk_bd96ba14-9b85-4519-836a-a3b13b09cf1d","kind":"paragraph","order":27,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"特にHBMメモリは逼迫している、TSMCの製造能力にも限界がある、CoWoS/SoICのCoWo-Lは殆どNVIDIAが抑えている、Googleはintel EMIBなどの別ルートを模索している段階だ","render_override":null},{"id":"blk_9fddc87b-3dd8-4b14-854e-00ff50b2dc05","kind":"paragraph","order":28,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"これが現実なので、TPUがGPUを無に帰す事はまず不可能だろう","render_override":null},{"id":"blk_1dbe7e45-256c-4147-a9f4-e01b6e4d4126","kind":"paragraph","order":29,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"今のシェアの80～90％NVIDIAのGPUが60〜80%まで下げられたらTPU側が上出来と言ったくらいだと思われる","render_override":null},{"id":"blk_52fd3a39-e774-4cf5-acae-7ec75650f387","kind":"paragraph","order":30,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"TPUがNVIDIAのぼったくりを幾らか軽減する可能性はあるが、そもそもHBMもぼったりである","render_override":null},{"id":"blk_501f67d6-a528-49cb-8ffc-44ece4377d6e","kind":"paragraph","order":31,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"むしろTPU、GPUともに需要が逼迫し価格が上がってしまうのではないだろうか","render_override":null},{"id":"blk_a4a66a27-3f17-4196-bc81-7fa5cdd9f9a2","kind":"paragraph","order":32,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"TPU や Trainium のような ASIC 陣営は、NVIDIA の価格決定力をゼロにはできないが、「これ以上はさすがに無理だ」という上限を付けるオプション価値として効いている \n \nしかし、彼らも同じ HBM と先端パッケージに依存している以上、真に「安い計算」を実現するには、メモリとパッケージのサプライチェーンを含めた全体のボトルネック解消が必要になる","render_override":null},{"id":"blk_9ee1f1eb-dc11-4303-b1f4-9ca559913b96","kind":"paragraph","order":33,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"[https://gemini.google.com/share/743db66eb2f0](https://gemini.google.com/share/743db66eb2f0)","render_override":null},{"id":"blk_81b43c72-8157-49c9-86b5-ea90556fb273","kind":"paragraph","order":34,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"TPUとGPU\\_AIインフラの二大哲学とコスト差","render_override":null},{"id":"blk_4bdaedd0-2896-42f4-9dc4-7060c9a06b77","kind":"thematic_break","order":35,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_987879c9-1bd0-4469-b683-6aa315c594fd","kind":"figure","order":36,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"![](/media/001a16c2d2c03ee43650cae56e0cb03f8b103b9308f7c588910dc6260fa47d51-content.webp)\n\n1","render_override":null},{"id":"blk_21dad4eb-cd02-47a1-abcd-935f57ae1e60","kind":"thematic_break","order":37,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9d63d14e-0eb6-4365-95e7-7bbd404cd895","kind":"figure","order":38,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"![](/media/960327b5e48c089b0bcb52ca8e4020c9ad4c839fb40d691523c7d1b07ffc56d6-content.webp)\n\n2","render_override":null},{"id":"blk_9db5abae-2e5f-4b7a-8300-3f2725dbd36b","kind":"thematic_break","order":39,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_eabad115-1a9a-4465-8983-87f7ab1e7781","kind":"figure","order":40,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"![](/media/931f0ddb6a277e6868ff23215535ed25e89493530c148b2c3a5c0aaa243c145d-content.webp)\n\n3","render_override":null},{"id":"blk_66cd63f7-c306-48a7-87e4-c26ab06909eb","kind":"thematic_break","order":41,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a16e4084-c09b-474c-a5ef-a166f507cdc9","kind":"figure","order":42,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"![](/media/6c98004e17b33a7f5081a6c019caeffa5797d3d4a1e1b9f12f019cb8f9306df1-content.webp)\n\n4","render_override":null},{"id":"blk_83ba48aa-83b9-4811-bb0f-6993ac2fc069","kind":"thematic_break","order":43,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_290fd011-61d1-4a48-99e1-09c0d0cbe5a2","kind":"figure","order":44,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"![](/media/cd8be110b33280ccc2aafbeca463dcff27810746d8beb3f1108b6b5c571c4504-content.webp)\n\n5","render_override":null},{"id":"blk_1f9bba21-fe5b-4bbb-bf2e-a1a47b18548a","kind":"thematic_break","order":45,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_6aabcf4b-052a-4692-a8bd-f69fa66db36a","kind":"figure","order":46,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"![](/media/6eabe4c849ce88e0fdceb05c23ef558ef4f7104d9cb007a6d56f014c59a24657-content.webp)\n\n6","render_override":null},{"id":"blk_a8b0ceda-834f-43ea-8b5d-9f79562db827","kind":"thematic_break","order":47,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_23dbe738-bd79-4e2b-b389-e80bbdc81745","kind":"figure","order":48,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"![](/media/1f63a455d3c5f6bff8145b3d22ec852aeae4707326b9a5f39bb805d54bdea08b-content.webp)\n\n7","render_override":null},{"id":"blk_fb2a70b7-fbac-406d-921f-9068407f4076","kind":"thematic_break","order":49,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_6f248da8-8e30-4d1e-b9ef-2898c8fdd614","kind":"figure","order":50,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"![](/media/660eba6f861565473bfbca0e6e0ee9739b4c5c63e455beb7aec4755258da4d65-content.webp)\n\n8","render_override":null},{"id":"blk_158dea2b-7b12-4572-8302-0b09ec73caf1","kind":"thematic_break","order":51,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_26e6a77c-4d0c-4ec3-a3d1-27e2cff31345","kind":"figure","order":52,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"![](/media/b34f7d592851e1a44d19dabbd013c3e2bd5d997e59c4f2ae8010943f051e8632-content.webp)\n\n9","render_override":null},{"id":"blk_553196bb-d168-44bb-9ec0-17e75a9439ce","kind":"thematic_break","order":53,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_339e2959-f25a-4158-894e-d55367794c5e","kind":"figure","order":54,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"![](/media/a8012993829320ac6c99925b782dc5d20318d65cfe428fc54a51e9928f2b33fe-content.webp)\n\n10","render_override":null},{"id":"blk_71378f37-e13e-4cc3-b38f-85b0e01969d7","kind":"thematic_break","order":55,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ccf7622d-c921-4e52-b115-dec13c37f5a3","kind":"figure","order":56,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"![](/media/1b1cfcf9d106310c7b645d2bfe1499942f8eedc712f7663870d213b86e7012ee-content.webp)\n\n11","render_override":null},{"id":"blk_258b9674-05ec-483e-bfc3-598cb0e7640c","kind":"thematic_break","order":57,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b69576a5-0064-4c46-b12e-63459f12b3aa","kind":"figure","order":58,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"![](/media/4cacd33e76799f5080829a03c7a759e259778db4658db258ebff85127540d602-content.webp)\n\n12","render_override":null},{"id":"blk_735c72ce-0e75-4ec1-b00b-e662c233ef42","kind":"thematic_break","order":59,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4b16c0fa-ea20-4746-8181-fd588fc5aa7b","kind":"figure","order":60,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"![](/media/c487d7e9efc27bb05f7c60a9a224c17e176e5561b858afe1e1f3c999dba56ae7-content.webp)\n\n13","render_override":null},{"id":"blk_2e7d87ad-a643-4bfb-a8b8-0b766a6e883c","kind":"thematic_break","order":61,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7478d2a1-28e8-48bc-ba1a-eb78d838982d","kind":"figure","order":62,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"![](/media/686843cfb9ab8899803872c1bf6f516d022df8d34a869adfefae02f1b5da4c4f-content.webp)\n\n14","render_override":null},{"id":"blk_351c68f9-f40f-475d-8f4c-9dd0f2d48db2","kind":"paragraph","order":63,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"記事は9割私が書きました \ngemini3.0proとchagpt5.1thinkingを多用して調査しています \n内容が正しいのかは正直、よくわかりません \n素人です","render_override":null},{"id":"blk_ca196252-b14d-4aad-8e5f-556d522617d9","kind":"paragraph","order":64,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"サムネはPixAIsunflowerとnanobanan","render_override":null},{"id":"blk_99616599-3d96-4668-a5a1-68e6b414b490","kind":"paragraph","order":65,"section_id":"sec_754e017b-fb31-47a9-b9a9-cfe3371063f7","character_id":null,"markdown":"画像、音声はnotebooklmです","render_override":null}],"audio":[],"omitted_media":[{"block_id":"blk_81b43c72-8157-49c9-86b5-ea90556fb273","kind":"audio","reason":"collection_media_policy"}],"figures":[{"id":"plc_d2529a58-2da4-4c9d-8eca-bff1e21a4d8f","block_id":"blk_37e154b8-b6bb-4c2e-8734-cf3518812083","asset_revision_id":"avr_5e286d48-5a03-4b96-927e-f5de75b86f5a","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_5af7b36c-3ed1-425a-a4b9-b9dca34cbe3f"],"explained_by":[],"source_path":"media/4c343d5e48dbc15cdd7483ee7c1540ef5901b1e079d93de0f9ce063bb45b45d2.png","path":"/media/4c343d5e48dbc15cdd7483ee7c1540ef5901b1e079d93de0f9ce063bb45b45d2-content.webp","display_derivative":{"source_sha256":"4c343d5e48dbc15cdd7483ee7c1540ef5901b1e079d93de0f9ce063bb45b45d2","thumbnail":{"path":"media/4c343d5e48dbc15cdd7483ee7c1540ef5901b1e079d93de0f9ce063bb45b45d2-thumbnail.webp","width":560,"height":293,"bytes":43122,"sha256":"36825e10cec7bd0f7bddd7c6cb9d3d5b08a00663d8aeec7e5e46a14591ea03be"},"content":{"path":"media/4c343d5e48dbc15cdd7483ee7c1540ef5901b1e079d93de0f9ce063bb45b45d2-content.webp","width":1920,"height":1005,"bytes":475648,"sha256":"eb89714f1f806757a839de786fd26dcff40dc1a259f5856dd6626bb101732bca"}}},{"id":"plc_28df4942-4b9b-48e5-9f00-41e840905ccf","block_id":"blk_987879c9-1bd0-4469-b683-6aa315c594fd","asset_revision_id":"avr_2dcf97d5-340d-4746-b87c-1949e918cf03","asset_class":"other","caption":"1","alt":"","adjacent_to":["blk_4bdaedd0-2896-42f4-9dc4-7060c9a06b77","blk_21dad4eb-cd02-47a1-abcd-935f57ae1e60"],"explained_by":[],"source_path":"media/001a16c2d2c03ee43650cae56e0cb03f8b103b9308f7c588910dc6260fa47d51.png","path":"/media/001a16c2d2c03ee43650cae56e0cb03f8b103b9308f7c588910dc6260fa47d51-content.webp","display_derivative":{"source_sha256":"001a16c2d2c03ee43650cae56e0cb03f8b103b9308f7c588910dc6260fa47d51","thumbnail":{"path":"media/001a16c2d2c03ee43650cae56e0cb03f8b103b9308f7c588910dc6260fa47d51-thumbnail.webp","width":560,"height":313,"bytes":37288,"sha256":"9a5099c23ed9690b9d76a9b2fbb380787d0db75f77d9cfed61415d7ebc3fba8a"},"content":{"path":"media/001a16c2d2c03ee43650cae56e0cb03f8b103b9308f7c588910dc6260fa47d51-content.webp","width":1376,"height":768,"bytes":191070,"sha256":"cbb60119f3d0cf0ef4afbf379cc39e50c75d125166eb1c3472adb2acbfb5c2b7"}}},{"id":"plc_b09fcd63-8651-40e5-a0cb-502f52e45f32","block_id":"blk_9d63d14e-0eb6-4365-95e7-7bbd404cd895","asset_revision_id":"avr_aa00c857-826d-448d-9c8b-85440d2ac725","asset_class":"other","caption":"2","alt":"","adjacent_to":["blk_21dad4eb-cd02-47a1-abcd-935f57ae1e60","blk_9db5abae-2e5f-4b7a-8300-3f2725dbd36b"],"explained_by":[],"source_path":"media/960327b5e48c089b0bcb52ca8e4020c9ad4c839fb40d691523c7d1b07ffc56d6.png","path":"/media/960327b5e48c089b0bcb52ca8e4020c9ad4c839fb40d691523c7d1b07ffc56d6-content.webp","display_derivative":{"source_sha256":"960327b5e48c089b0bcb52ca8e4020c9ad4c839fb40d691523c7d1b07ffc56d6","thumbnail":{"path":"media/960327b5e48c089b0bcb52ca8e4020c9ad4c839fb40d691523c7d1b07ffc56d6-thumbnail.webp","width":560,"height":313,"bytes":31720,"sha256":"bc70792069ccb08ac1ca8cac4515d1922c8b631c45746a9704d45d669e051547"},"content":{"path":"media/960327b5e48c089b0bcb52ca8e4020c9ad4c839fb40d691523c7d1b07ffc56d6-content.webp","width":1376,"height":768,"bytes":153354,"sha256":"555dffd97ada90c0cb5f68be78059b1a8cb731eff77badd6a48a620cfdb08623"}}},{"id":"plc_cee53fb8-7f59-439f-92e6-0d0aac523a43","block_id":"blk_eabad115-1a9a-4465-8983-87f7ab1e7781","asset_revision_id":"avr_4fb3cdcc-44ba-48ca-bd1d-bd97b987e468","asset_class":"other","caption":"3","alt":"","adjacent_to":["blk_9db5abae-2e5f-4b7a-8300-3f2725dbd36b","blk_66cd63f7-c306-48a7-87e4-c26ab06909eb"],"explained_by":[],"source_path":"media/931f0ddb6a277e6868ff23215535ed25e89493530c148b2c3a5c0aaa243c145d.png","path":"/media/931f0ddb6a277e6868ff23215535ed25e89493530c148b2c3a5c0aaa243c145d-content.webp","display_derivative":{"source_sha256":"931f0ddb6a277e6868ff23215535ed25e89493530c148b2c3a5c0aaa243c145d","thumbnail":{"path":"media/931f0ddb6a277e6868ff23215535ed25e89493530c148b2c3a5c0aaa243c145d-thumbnail.webp","width":560,"height":313,"bytes":36416,"sha256":"8fa11e0bec9decc3f5d8ec7fc8159d2327223495338042a531e23d55c4346b3a"},"content":{"path":"media/931f0ddb6a277e6868ff23215535ed25e89493530c148b2c3a5c0aaa243c145d-content.webp","width":1376,"height":768,"bytes":178342,"sha256":"3b8eacbe40f58d19c70e8a30587cd688ea81e0d21404057349e69059f82ae762"}}},{"id":"plc_20c3e146-8dae-4d77-bbbf-61ede3e1b71e","block_id":"blk_a16e4084-c09b-474c-a5ef-a166f507cdc9","asset_revision_id":"avr_e69d701f-75a1-4691-85aa-c654408dbda8","asset_class":"other","caption":"4","alt":"","adjacent_to":["blk_66cd63f7-c306-48a7-87e4-c26ab06909eb","blk_83ba48aa-83b9-4811-bb0f-6993ac2fc069"],"explained_by":[],"source_path":"media/6c98004e17b33a7f5081a6c019caeffa5797d3d4a1e1b9f12f019cb8f9306df1.png","path":"/media/6c98004e17b33a7f5081a6c019caeffa5797d3d4a1e1b9f12f019cb8f9306df1-content.webp","display_derivative":{"source_sha256":"6c98004e17b33a7f5081a6c019caeffa5797d3d4a1e1b9f12f019cb8f9306df1","thumbnail":{"path":"media/6c98004e17b33a7f5081a6c019caeffa5797d3d4a1e1b9f12f019cb8f9306df1-thumbnail.webp","width":560,"height":313,"bytes":27218,"sha256":"a69a6973b12aa101036124f9a47b18de14b06a2d6f35ad56376556fc37777850"},"content":{"path":"media/6c98004e17b33a7f5081a6c019caeffa5797d3d4a1e1b9f12f019cb8f9306df1-content.webp","width":1376,"height":768,"bytes":123988,"sha256":"a4c85a9130276217fba577fd483bbddc7d96a021bb1e4e0e39f87603b3f63b90"}}},{"id":"plc_f7382a79-ff46-4d48-857f-f76b79629f38","block_id":"blk_290fd011-61d1-4a48-99e1-09c0d0cbe5a2","asset_revision_id":"avr_58a55435-e33f-4ebe-a920-3b095fafb824","asset_class":"other","caption":"5","alt":"","adjacent_to":["blk_83ba48aa-83b9-4811-bb0f-6993ac2fc069","blk_1f9bba21-fe5b-4bbb-bf2e-a1a47b18548a"],"explained_by":[],"source_path":"media/cd8be110b33280ccc2aafbeca463dcff27810746d8beb3f1108b6b5c571c4504.png","path":"/media/cd8be110b33280ccc2aafbeca463dcff27810746d8beb3f1108b6b5c571c4504-content.webp","display_derivative":{"source_sha256":"cd8be110b33280ccc2aafbeca463dcff27810746d8beb3f1108b6b5c571c4504","thumbnail":{"path":"media/cd8be110b33280ccc2aafbeca463dcff27810746d8beb3f1108b6b5c571c4504-thumbnail.webp","width":560,"height":313,"bytes":31292,"sha256":"2470f31cac6a40276efe79b9ef908fe00f627881d2d2351cb6831a18cf6c8696"},"content":{"path":"media/cd8be110b33280ccc2aafbeca463dcff27810746d8beb3f1108b6b5c571c4504-content.webp","width":1376,"height":768,"bytes":131466,"sha256":"8d06d83425d7fb508bdc9127d3f2fceb368b75e8b7a9633fea017d5bd76241a2"}}},{"id":"plc_6da785a9-172e-45ba-8227-1f362513a57b","block_id":"blk_6aabcf4b-052a-4692-a8bd-f69fa66db36a","asset_revision_id":"avr_1a642091-5eea-4c7e-b965-10ceb9076611","asset_class":"other","caption":"6","alt":"","adjacent_to":["blk_1f9bba21-fe5b-4bbb-bf2e-a1a47b18548a","blk_a8b0ceda-834f-43ea-8b5d-9f79562db827"],"explained_by":[],"source_path":"media/6eabe4c849ce88e0fdceb05c23ef558ef4f7104d9cb007a6d56f014c59a24657.png","path":"/media/6eabe4c849ce88e0fdceb05c23ef558ef4f7104d9cb007a6d56f014c59a24657-content.webp","display_derivative":{"source_sha256":"6eabe4c849ce88e0fdceb05c23ef558ef4f7104d9cb007a6d56f014c59a24657","thumbnail":{"path":"media/6eabe4c849ce88e0fdceb05c23ef558ef4f7104d9cb007a6d56f014c59a24657-thumbnail.webp","width":560,"height":313,"bytes":33710,"sha256":"d191728cdf3cdb22e57050187bd2d7dc0d5afffdf251948f317a77865fbd77d7"},"content":{"path":"media/6eabe4c849ce88e0fdceb05c23ef558ef4f7104d9cb007a6d56f014c59a24657-content.webp","width":1376,"height":768,"bytes":149402,"sha256":"04cb7ee786e1f24ac4536be9ece346ac08a6302cd5002ff3c716ee7ddcc0e9e8"}}},{"id":"plc_b35ea1f2-f026-4237-84be-998817dd1840","block_id":"blk_23dbe738-bd79-4e2b-b389-e80bbdc81745","asset_revision_id":"avr_892e6067-6174-4763-9f0c-275bedabb318","asset_class":"other","caption":"7","alt":"","adjacent_to":["blk_a8b0ceda-834f-43ea-8b5d-9f79562db827","blk_fb2a70b7-fbac-406d-921f-9068407f4076"],"explained_by":[],"source_path":"media/1f63a455d3c5f6bff8145b3d22ec852aeae4707326b9a5f39bb805d54bdea08b.png","path":"/media/1f63a455d3c5f6bff8145b3d22ec852aeae4707326b9a5f39bb805d54bdea08b-content.webp","display_derivative":{"source_sha256":"1f63a455d3c5f6bff8145b3d22ec852aeae4707326b9a5f39bb805d54bdea08b","thumbnail":{"path":"media/1f63a455d3c5f6bff8145b3d22ec852aeae4707326b9a5f39bb805d54bdea08b-thumbnail.webp","width":560,"height":313,"bytes":31096,"sha256":"a85f88b3a19eebec2e8cb6bce7555aff278146203b684d72bb80d2937fedd074"},"content":{"path":"media/1f63a455d3c5f6bff8145b3d22ec852aeae4707326b9a5f39bb805d54bdea08b-content.webp","width":1376,"height":768,"bytes":142540,"sha256":"2c439a95ede868429405d0a8a4ed21606a96fea497e862c97f80568fdb0a6cf9"}}},{"id":"plc_2cfca353-26ac-4c8c-9247-a14d48dec570","block_id":"blk_6f248da8-8e30-4d1e-b9ef-2898c8fdd614","asset_revision_id":"avr_ff2b8bc5-b1f9-465a-a940-e54db14fc03a","asset_class":"other","caption":"8","alt":"","adjacent_to":["blk_fb2a70b7-fbac-406d-921f-9068407f4076","blk_158dea2b-7b12-4572-8302-0b09ec73caf1"],"explained_by":[],"source_path":"media/660eba6f861565473bfbca0e6e0ee9739b4c5c63e455beb7aec4755258da4d65.png","path":"/media/660eba6f861565473bfbca0e6e0ee9739b4c5c63e455beb7aec4755258da4d65-content.webp","display_derivative":{"source_sha256":"660eba6f861565473bfbca0e6e0ee9739b4c5c63e455beb7aec4755258da4d65","thumbnail":{"path":"media/660eba6f861565473bfbca0e6e0ee9739b4c5c63e455beb7aec4755258da4d65-thumbnail.webp","width":560,"height":313,"bytes":37284,"sha256":"3a6071319b27965230d617856f595be071585694eeb2201c73b4e64cdee3b4e8"},"content":{"path":"media/660eba6f861565473bfbca0e6e0ee9739b4c5c63e455beb7aec4755258da4d65-content.webp","width":1376,"height":768,"bytes":184306,"sha256":"030284d3040226d2aa45e14d9f13771e5a05b57ceec40d9c3b7064ddc44abbaa"}}},{"id":"plc_8fc8c7b4-310e-4911-a890-9f982a3fa22e","block_id":"blk_26e6a77c-4d0c-4ec3-a3d1-27e2cff31345","asset_revision_id":"avr_b3ffaa64-c4d6-4ff5-94e7-39d30c2c650c","asset_class":"other","caption":"9","alt":"","adjacent_to":["blk_158dea2b-7b12-4572-8302-0b09ec73caf1","blk_553196bb-d168-44bb-9ec0-17e75a9439ce"],"explained_by":[],"source_path":"media/b34f7d592851e1a44d19dabbd013c3e2bd5d997e59c4f2ae8010943f051e8632.png","path":"/media/b34f7d592851e1a44d19dabbd013c3e2bd5d997e59c4f2ae8010943f051e8632-content.webp","display_derivative":{"source_sha256":"b34f7d592851e1a44d19dabbd013c3e2bd5d997e59c4f2ae8010943f051e8632","thumbnail":{"path":"media/b34f7d592851e1a44d19dabbd013c3e2bd5d997e59c4f2ae8010943f051e8632-thumbnail.webp","width":560,"height":313,"bytes":22770,"sha256":"ee351ec70ed2787df85aee5eec58fc61b15b662f81e024c2d787bc37cea0ddf5"},"content":{"path":"media/b34f7d592851e1a44d19dabbd013c3e2bd5d997e59c4f2ae8010943f051e8632-content.webp","width":1376,"height":768,"bytes":108374,"sha256":"0904f3449ac30af5db8906819334358f237acfbb6c777051ec536af4b949f134"}}},{"id":"plc_48efd05b-f69d-4692-8df0-14a24fbcb5ea","block_id":"blk_339e2959-f25a-4158-894e-d55367794c5e","asset_revision_id":"avr_d120eacd-ee24-4d6c-aacf-71469f6f7f9b","asset_class":"other","caption":"10","alt":"","adjacent_to":["blk_553196bb-d168-44bb-9ec0-17e75a9439ce","blk_71378f37-e13e-4cc3-b38f-85b0e01969d7"],"explained_by":[],"source_path":"media/a8012993829320ac6c99925b782dc5d20318d65cfe428fc54a51e9928f2b33fe.png","path":"/media/a8012993829320ac6c99925b782dc5d20318d65cfe428fc54a51e9928f2b33fe-content.webp","display_derivative":{"source_sha256":"a8012993829320ac6c99925b782dc5d20318d65cfe428fc54a51e9928f2b33fe","thumbnail":{"path":"media/a8012993829320ac6c99925b782dc5d20318d65cfe428fc54a51e9928f2b33fe-thumbnail.webp","width":560,"height":313,"bytes":26614,"sha256":"36b7690a7579254906bc70d7733d4f85c909fe529dbe8946ccc39e9ce238d0c2"},"content":{"path":"media/a8012993829320ac6c99925b782dc5d20318d65cfe428fc54a51e9928f2b33fe-content.webp","width":1376,"height":768,"bytes":130346,"sha256":"54bb20d557ad3869626b60a02f5b2c189f5a300e37bcc43bec9f278b09de5d02"}}},{"id":"plc_528480b6-0e2f-4ecc-a228-bef632a0d420","block_id":"blk_ccf7622d-c921-4e52-b115-dec13c37f5a3","asset_revision_id":"avr_ef9b11df-a344-4861-9c57-ed3297591e3a","asset_class":"other","caption":"11","alt":"","adjacent_to":["blk_71378f37-e13e-4cc3-b38f-85b0e01969d7","blk_258b9674-05ec-483e-bfc3-598cb0e7640c"],"explained_by":[],"source_path":"media/1b1cfcf9d106310c7b645d2bfe1499942f8eedc712f7663870d213b86e7012ee.png","path":"/media/1b1cfcf9d106310c7b645d2bfe1499942f8eedc712f7663870d213b86e7012ee-content.webp","display_derivative":{"source_sha256":"1b1cfcf9d106310c7b645d2bfe1499942f8eedc712f7663870d213b86e7012ee","thumbnail":{"path":"media/1b1cfcf9d106310c7b645d2bfe1499942f8eedc712f7663870d213b86e7012ee-thumbnail.webp","width":560,"height":313,"bytes":27082,"sha256":"ff972d7d151529c4ca47e736d6a85a5c1c812c5cb7044945302694613f679559"},"content":{"path":"media/1b1cfcf9d106310c7b645d2bfe1499942f8eedc712f7663870d213b86e7012ee-content.webp","width":1376,"height":768,"bytes":129454,"sha256":"20f4c5be41be8e9860c6edb9dab1db4d6cce4fe4ca64efa0884b281cb3de6b9a"}}},{"id":"plc_8f539307-0e87-4f54-95a2-1cfc32c53fb9","block_id":"blk_b69576a5-0064-4c46-b12e-63459f12b3aa","asset_revision_id":"avr_f0e1b0a5-0980-4041-8487-4c3d24f9894b","asset_class":"other","caption":"12","alt":"","adjacent_to":["blk_258b9674-05ec-483e-bfc3-598cb0e7640c","blk_735c72ce-0e75-4ec1-b00b-e662c233ef42"],"explained_by":[],"source_path":"media/4cacd33e76799f5080829a03c7a759e259778db4658db258ebff85127540d602.png","path":"/media/4cacd33e76799f5080829a03c7a759e259778db4658db258ebff85127540d602-content.webp","display_derivative":{"source_sha256":"4cacd33e76799f5080829a03c7a759e259778db4658db258ebff85127540d602","thumbnail":{"path":"media/4cacd33e76799f5080829a03c7a759e259778db4658db258ebff85127540d602-thumbnail.webp","width":560,"height":313,"bytes":28724,"sha256":"5333f21de1097f112555e78974340ca5346ea59675c92e189e7058ca6c4b6e94"},"content":{"path":"media/4cacd33e76799f5080829a03c7a759e259778db4658db258ebff85127540d602-content.webp","width":1376,"height":768,"bytes":120744,"sha256":"8651a11666b444e31b5cf27424df81af868fef0545fc0ae206147fd763395a98"}}},{"id":"plc_e09024c4-e698-40b8-8b3f-13c82338a035","block_id":"blk_4b16c0fa-ea20-4746-8181-fd588fc5aa7b","asset_revision_id":"avr_238c3701-3980-4024-a1e6-5378e60a01de","asset_class":"other","caption":"13","alt":"","adjacent_to":["blk_735c72ce-0e75-4ec1-b00b-e662c233ef42","blk_2e7d87ad-a643-4bfb-a8b8-0b766a6e883c"],"explained_by":[],"source_path":"media/c487d7e9efc27bb05f7c60a9a224c17e176e5561b858afe1e1f3c999dba56ae7.png","path":"/media/c487d7e9efc27bb05f7c60a9a224c17e176e5561b858afe1e1f3c999dba56ae7-content.webp","display_derivative":{"source_sha256":"c487d7e9efc27bb05f7c60a9a224c17e176e5561b858afe1e1f3c999dba56ae7","thumbnail":{"path":"media/c487d7e9efc27bb05f7c60a9a224c17e176e5561b858afe1e1f3c999dba56ae7-thumbnail.webp","width":560,"height":313,"bytes":25008,"sha256":"f70dd99fd2553efe59ba142dc7ae52fd2465df11601c9e09a800e0ebc8f4e7ec"},"content":{"path":"media/c487d7e9efc27bb05f7c60a9a224c17e176e5561b858afe1e1f3c999dba56ae7-content.webp","width":1376,"height":768,"bytes":119548,"sha256":"6c277d8e967aa6db9dabf53424b3a12066cefdb002c0a0b6c35c2990925db67f"}}},{"id":"plc_fa7bfc82-c780-4fc3-a80f-1addf6f107e8","block_id":"blk_7478d2a1-28e8-48bc-ba1a-eb78d838982d","asset_revision_id":"avr_e60c1100-4cd9-4afc-928f-46ba83cce176","asset_class":"other","caption":"14","alt":"","adjacent_to":["blk_2e7d87ad-a643-4bfb-a8b8-0b766a6e883c","blk_351c68f9-f40f-475d-8f4c-9dd0f2d48db2"],"explained_by":[],"source_path":"media/686843cfb9ab8899803872c1bf6f516d022df8d34a869adfefae02f1b5da4c4f.png","path":"/media/686843cfb9ab8899803872c1bf6f516d022df8d34a869adfefae02f1b5da4c4f-content.webp","display_derivative":{"source_sha256":"686843cfb9ab8899803872c1bf6f516d022df8d34a869adfefae02f1b5da4c4f","thumbnail":{"path":"media/686843cfb9ab8899803872c1bf6f516d022df8d34a869adfefae02f1b5da4c4f-thumbnail.webp","width":560,"height":313,"bytes":25452,"sha256":"80b2dfc1140403d915708b5e6ca69208b663f3d85aa22423e711a259ac9c95d9"},"content":{"path":"media/686843cfb9ab8899803872c1bf6f516d022df8d34a869adfefae02f1b5da4c4f-content.webp","width":1376,"height":768,"bytes":112982,"sha256":"bc5350eca0ddac7dc2aa0a7451cfa20bcc37ce7a10f2ce6b3e59e01baaa09154"}}}],"package_sha256":"268c6b5d7be294cd47d606def6d81f1d9569e06edb86b99319894681aa4950fb","record_type":"article","schema_version":"noia-public-article-1.1.0","dataset_version":"2026.09.23.4","urls":{"source_url":"https://note.com/atom_/n/n66d05dd96ef9","release_path":"/articles/rev_4eb110b8-6300-4d37-befb-7de1200dd0be/","canonical_url":"https://noia-grid.pages.dev/articles/rev_4eb110b8-6300-4d37-befb-7de1200dd0be/"},"time":{"created_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"published_at":{"value":"2025-12-05 06:42:53","precision":"local_datetime","timezone":null,"status":"source_metadata","basis":"Metadata only; not evidence of historical body availability."},"modified_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"analysis_as_of":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"event_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"recorded_at":{"value":"2026-09-08T05:30:42+00:00","precision":"instant","timezone":"+00:00","status":"archive_record","basis":"canonical_recorded_at"},"content_available_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"unknown"}},"legacy":{"source_date":{"value":"2025-12-05 06:42:53","meaning":"legacy_source_metadata_date","certainty":"source_metadata"}},"rights":{"license_ref":"license:not-specified","rights_status":"unknown","third_party_material":"unknown"},"integrity":{"hash_profile":"noia-evidence-json-v1","content_sha256":"265872213d7a511c32d884387e3ce30f4b33e61a5231d5a38fddafb72503ee8a","lineage":[],"previous_revision_sha256":null,"previous_revision_status":"no_parent","revision_sha256":"b55b4053fc179f8df43726c9703d7f589ebb8738128de98a63856999b110cb0c"}} {"id":"rev_0d8f6bbc-636e-4d8d-8ba4-920514c5aff2","work_id":"wrk_c5776fd4-c51f-4d7f-811d-7493ad4e5e3f","edition_id":"edn_2509a9df-fb9a-4adc-baa0-ffd9899e24ff","title":"HBMとGPUとDRAMのぜんぶ：バス幅／メモリコントローラ／VRAM容量／スタック（Hi）／ピン速度／帯域まで一気に理解する","published_at":"2025-09-18 22:43:38","source_url":"https://note.com/atom_/n/n3e8769a26dc0","recorded_at":"2026-09-08T05:30:26+00:00","source_date":"2025-09-18 22:43:38","thumbnail":null,"legacy_slug":null,"topics":["chips","memory"],"sections":[{"id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","parent_section_id":null,"heading_block_id":null,"order":0,"character_id":null},{"id":"sec_cc15bd6b-351a-40a1-ad94-9ed06b10698a","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_aa78dfbf-d956-488a-b77e-61077ba625cc","order":1,"character_id":null},{"id":"sec_64850811-da94-468e-9cbd-eab64c889e10","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_3fc46e90-1b02-464f-a478-3fb7a0e5f121","order":2,"character_id":null},{"id":"sec_5b84cd81-5517-4365-98e6-bc28a83b086b","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_731636c5-c84e-4fe6-bf90-8135431376c4","order":3,"character_id":null},{"id":"sec_50851d07-62b7-4f7c-9a16-76921cf25957","parent_section_id":"sec_5b84cd81-5517-4365-98e6-bc28a83b086b","heading_block_id":"blk_02aa0769-ee75-4ab1-9518-3d00e201abd3","order":4,"character_id":null},{"id":"sec_a0caf0ad-4d7b-4cde-8608-bee5aacf1928","parent_section_id":"sec_5b84cd81-5517-4365-98e6-bc28a83b086b","heading_block_id":"blk_c88409d8-d7ff-400f-abb3-b0426bbf97da","order":5,"character_id":null},{"id":"sec_0db70f08-fde3-429a-9752-ed3ffee3265e","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_a8902e21-343a-428f-945f-e1370df47782","order":6,"character_id":null},{"id":"sec_06cd7bab-6823-4994-ab6b-73e24e373e88","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_85c3c751-6f7f-40fe-93c6-017caea073a2","order":7,"character_id":null},{"id":"sec_a400381f-b58b-4566-9481-bef76aa12d76","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_818c5cdb-bbb2-426c-8da9-7d87cf9355ac","order":8,"character_id":null},{"id":"sec_6fcb1fbb-4274-4e78-84a5-0573814eadc5","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_7c2e5986-79dc-42d2-af04-be491c3681d5","order":9,"character_id":null},{"id":"sec_8c74463a-77ce-4c7c-811a-0d70f5e68aa0","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_30fb9508-e7bf-49db-8dbb-ebaaafc30182","order":10,"character_id":null},{"id":"sec_e2e26a6e-f118-410d-b0ff-bd594e29ed63","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_56b56fb3-0c75-4e72-b523-aac2581af0a3","order":11,"character_id":null},{"id":"sec_8e3cbcb8-8234-4734-91b8-ec20a8714a47","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_a47dea4f-664b-4d80-9692-d7e4d403af59","order":12,"character_id":null},{"id":"sec_2ebe03f5-dee4-456e-8514-3498c5378d22","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_1a1cb5a0-8fd0-47a2-813f-ec9c77859852","order":13,"character_id":null},{"id":"sec_f3094e2d-1f03-4b0a-9e49-9820cfba53e9","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_ce0fb228-111b-4c84-ba35-49064474aed8","order":14,"character_id":null},{"id":"sec_589d09c5-a5e9-47f2-a94a-1f57d1d85773","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_959a8467-8e8f-4348-9b48-58fb7b8c73ea","order":15,"character_id":null},{"id":"sec_ae42d00c-b1a5-46eb-986e-e9355e4ece2c","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_4300eab5-7e69-4754-84e8-6cc1bab229a5","order":16,"character_id":null},{"id":"sec_fd88b1c3-bbb3-44dd-aea3-6d31b06ca586","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_2a98bfa9-3581-4e98-b6e0-daab0834a310","order":17,"character_id":null},{"id":"sec_200e060a-102a-4365-b986-0288208e4cce","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_4cdd6bdf-9fbe-43a6-b5f6-06eaca1116c9","order":18,"character_id":null},{"id":"sec_6dc85931-8a82-4668-b0a7-853b73539bcb","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_fad66aa9-6380-417b-9899-249fd67c594d","order":19,"character_id":null},{"id":"sec_f883f54e-842a-4642-9075-109c014b7c11","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_3b44461c-a5f4-46ff-9d18-a368f40b4d89","order":20,"character_id":null},{"id":"sec_edd4e924-31b6-4691-9154-f13977efb4c5","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_aa2b01ec-8a33-4282-a35e-57f4bf920c38","order":21,"character_id":null},{"id":"sec_f9f5582d-ac42-48e0-9188-2d47aaa9e1da","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_8548f64a-a3ed-4a92-86f9-616ceaba2d0c","order":22,"character_id":null},{"id":"sec_115e2b48-e0fe-451d-9971-db79642ed6c0","parent_section_id":"sec_f9f5582d-ac42-48e0-9188-2d47aaa9e1da","heading_block_id":"blk_aa21d320-0397-416b-9151-52b528eec5f5","order":23,"character_id":null},{"id":"sec_01624ec0-c65d-4896-914d-7bd0da75fd8a","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_20ef95d5-30c4-4bf4-9f1b-d826e40489f2","order":24,"character_id":null},{"id":"sec_b2a43f0c-7f48-4d92-bbd6-393fd0ae60cc","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_d1cf2ea4-2971-4574-bbaf-3df01ed27974","order":25,"character_id":null},{"id":"sec_2cc76a29-a533-44ee-b7cb-827741642dee","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_796426d1-fd0b-40f0-98d3-02f5aebdcb93","order":26,"character_id":null},{"id":"sec_1a1269f3-a340-4c9e-a8c9-46711ab033b4","parent_section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","heading_block_id":"blk_0e56f1f7-c88e-44fa-9941-567e2c000006","order":27,"character_id":null}],"content_available_at":{"basis":"unknown","precision":"unknown","timezone":null,"value":null},"markdown":"![](/media/bed96126d7031a93ed88415806efdec6c44aa2f6c072f3efda3ef98b21acd8a4-content.webp)\n\n## HBMとGPUとDRAMのぜんぶ：バス幅／メモリコントローラ／VRAM容量／スタック（Hi）／ピン速度／帯域まで一気に理解する\n\n> 「スペック表の数字が“意味”でつながる」と、複雑に思える概念も理解しやすいです。 **SK hynixのHBM4**にも触れます。\n\n---\n\n## まずは俯瞰：GPU・DRAM・HBM・VRAMの関係\n\n- **GPU**：演算プロセッサ本体。メモリにアクセスしてデータを読み書きする側（≒主人公）。\n- **DRAM**：揮発性メモリの総称/技術。PCの**DDR5**、スマホの**LPDDR5(X/6)**、グラフィックス用の**GDDR6/7**、高帯域の**HBM**は “いずれもDRAMの種類”。\n- **VRAM**：GPU専用に直結して使う**用途名**。GDDRやHBMがGPUに直結していれば、それはそのボードの「VRAM」。\n- **HBM**：**High Bandwidth Memory**。DRAMダイを**縦に積む（TSV）規格で、超広幅I/Oと短配線**で高帯域・高効率を狙う。最新は**HBM4**。JEDEC（業界標準化団体）が仕様を定めています。([Tom's Hardware](https://www.tomshardware.com/pc-components/ram/jedec-finalizes-hbm4-memory-standard-with-major-bandwidth-and-efficiency-upgrades?utm_source=chatgpt.com))\n\n![](/media/da4aa14e8fee4b8ce29f565780e82d89cac0aa798b5f4fbc8e502029e078297a-content.webp)\n\n---\n\n## バス幅とメモリコントローラ：数字がどう噛み合うか\n\n### GDDR系（一般的なdGPUの作法）\n\n- \\*\\*1チップ=32bit幅（x32）**が通例。したがって バス幅\\[bit\\] = 32 ×（チップ枚数）。 \n 例：256bitなら x32チップが8枚。MicronのGDDR6資料でも**“32 DQs per component（=x32）”\\*\\*と明記。([assets.micron.com](https://assets.micron.com/adobe/assets/urn%3Aaaid%3Aaem%3Ad5533dc7-d0ed-4fb2-a784-2208c94e7a9b/renditions/original/as/gddr6-product-flyer.pdf?utm_source=chatgpt.com))\n- **メモリコントローラ**はGPUダイ内に**32bit単位で複数**入り、**本数の合計＝バス幅**になります（例：6本→192bit、8本→256bit）。\n- SKUの作り分けはだいたいこの三択： \n ① **コントローラ本数（=バス幅）を変える　② チップ密度だけ上げて容量だけ増**（バス幅据え置き）　③ **メモリレート**を上げて**帯域だけ増**。\n\n### HBM（HBM3→HBM4）\n\n- **単位は“1スタック”**（縦積みDRAM＋ベースロジック）。\n- **HBM3**は1スタック**1,024bit**、**HBM4**は**2,048bit**まで拡大（**32チャネル×各64bit**、各チャネルは擬似チャネル×2）。この“幅の倍増”が帯域ジャンプの土台。([Tom's Hardware](https://www.tomshardware.com/pc-components/ram/jedec-finalizes-hbm4-memory-standard-with-major-bandwidth-and-efficiency-upgrades?utm_source=chatgpt.com))\n- GPU側には**スタック単位のメモリコントローラ**IPを複数載せ、**スタック数**を増やして容量・帯域を水平にスケールさせます。\n\n---\n\n## VRAM容量の決まり方：HBMは「ダイ容量×段数」\n\n- **HBMの1スタック容量** \n = **（ダイ容量）×（段数=8/12/16-Hi）** \n 例：**32Gb（=4GB）/ダイ × 16-Hi = 64GB/スタック**。JEDECのHBM4は**24Gb/32Gb密度**と**最大16-Hi**に対応→**1スタック最大64GB**が上限設計の目安です。([HPCwire](https://www.hpcwire.com/off-the-wire/jedec-releases-hbm4-standard-to-advance-ai-and-hpc-memory/?utm_source=chatgpt.com))\n- **総VRAM容量** = **（1スタック容量）×（スタック数）**。 \n 例：48GB/スタック × 8スタック = **384GB**。\n\n> ポイント：**バス幅やチャネル数は“速さ（帯域）”の話であって“容量”は「密度×段数」で決まる**、を身体で覚える。\n\n---\n\n## Hi（ハイ）＝“何段重ねか”の素直な数え方\n\n- **8-Hi / 12-Hi / 16-Hi** … は**縦積み段数**のこと。\n- 段数を増やすと**容量は線形に増える**が、**熱・歩留まり・高さ**の課題も増えるため、**実製品は発熱対策（MUF接着、薄型ダイ等）を駆使してバランスを取ります。HBM4世代でも12-Hi/16-Hi**が主要レンジ。([SK hynix Newsroom -](https://news.skhynix.com/sk-hynix-completes-worlds-first-hbm4-development-and-readies-mass-production/?utm_source=chatgpt.com))\n\n---\n\n## ピン（per-pin）の速度と“Gb/s”の正体\n\n- メモリの「**○○Gb/s（per pin）**」は、**1本の信号線が1秒あたりに運ぶビット数**。\n- GDDRもHBMも**DDR（倍転送）系なので、公称“Gb/s”は既に倍転送を織り込んだ有効レートです（ここに×2**をさらに掛けないのがコツ）。\n\n---\n\n- **スタック**＝“**ビルの棟数**”\n- **Hi**＝そのビルの“**階数**”\n\n## スタック（HBMスタック）とは？\n\n- **1つのHBM“塊”のこと。 \n ロジックベースダイ（下階の管制塔）＋複数枚のDRAMダイを縦に積層**（TSVで接続）したユニットを指します。\n- GPUパッケージの周囲にこの**スタックを複数本**並べます（例：6スタック、8スタック…）。\n- **帯域と容量を“横方向”に足す単位**：\n \n - **帯域**…スタックごとに**固定のI/O幅**（HBM2/3: 1,024bit、HBM4: 2,048bit）を持つので、**スタック数を増やすと帯域がほぼ線形に増える**。\n - **容量**…1スタックの容量の\\*\\*“本数分”**が合算されるので、こちらも**線形に増える\\*\\*。\n\nたとえば HBM3 の 1スタックが ≈1.2TB/s の帯域・24GBの容量なら、**8スタックで ≈9.6TB/s・192GB** といった具合で伸びます（実効は配線・消費電力・温度で前後）。\n\n---\n\n## Hi（ハイ）とは？\n\n- 「**N-Hi**」は\\*\\*そのスタックの“DRAMダイの枚数”\\*\\*を表す記号です（**ロジックベースは数えない**）。\n \n - **4-Hi / 8-Hi / 12-Hi / 16-Hi** …と増えるほど、**縦方向に何枚積んだか**を示す。\n- **容量を“縦方向”に増やすノブ**：\n \n - **1ダイの密度（Gb） × Hi（枚数） = 1スタック容量**\n - 例：1ダイ **24Gb（=3GB）** のHBM3で **8-Hi** → **24Gb×8 = 192Gb = 24GB/スタック**。\n- **帯域は基本“Hiで変わらない”**：\n \n - 帯域は\\*\\*I/O幅（bit）×ピン速度（Gb/s）\\*\\*で決まり、**Hiの増減では増えない**（内部並列度やタイミング条件でわずかに差が出ることはあっても、設計上は容量ノブ）。\n\nスタックは一塊のイメージでHiに1ダイの密度を掛ける事でスタックの容量が求められます\n\n![](/media/7a546bd682d820109e22c0b7256b9cc5f934ef92896600634b14481d59e9f3ef-content.webp)\n\n## 計算ミニチート\n\n- **1スタック容量** ＝ **（1ダイ容量）×（Hi）**\n- **1スタック帯域（GB/s）** ＝ **（I/O幅\\[bit\\] ÷ 8）×（ピン速度\\[Gb/s\\]）**\n \n - HBM3：**1,024bit**、HBM4：**2,048bit**\n- **総容量**＝ **1スタック容量 × スタック数**\n- **総帯域**＝ **1スタック帯域 × スタック数**\n\n## 具体例（感覚づけ）\n\n- **HBM3（例）**：1ダイ=**24Gb=3GB**\n \n - **8-Hi** → **24Gb×8=192Gb=24GB/スタック**\n - ピン速度 **9.6Gb/s** とすると **1スタック帯域 ≈ (1024/8)×9.6 = 1,228.8 GB/s ≈ 1.23TB/s**\n - **8スタック**なら **容量=24GB×8=192GB**, **帯域≈1.23×8=≈9.8TB/s**\n- **HBM4（例）**：1ダイ=**32Gb=4GB**、**2,048bit**\n \n - **16-Hi** → **32Gb×16=512Gb=64GB/スタック**\n - ピン速度 **8Gb/s**（JEDEC）→ **1スタック 2.0TB/s**、**10Gb/s**実装なら **2.56TB/s**\n - **8スタック**で **容量=64GB×8=512GB**, **帯域=2.0〜2.56×8=16〜20.5TB/s**\n\n- \\*\\*より多く“入れたい”\\*\\*なら：\\*\\*Hi（縦）\\*\\*を上げる or \\*\\*スタック数（横）\\*\\*を増やす。\n \n - ただし **Hiを上げる**と**熱・高さ・歩留まり**の難易度が上がる。\n- \\*\\*より速く“回したい”\\*\\*なら：**スタック数**を増やす（=I/O幅合計を増やす）か、**ピン速度**の高い世代/グレードを選ぶ。\n \n - **Hiを増やしても帯域は増えない**点がハマりどころ。\n\n---\n\n## 帯域幅の式（覚えやすい版）\n\n![](/media/3d6479dcef82fe0934746e7a421c3a019989f88d041cadb6bf64f1327120baa6-content.webp)\n\n- **HBM4（1スタック）例**：**2,048bit × 8Gb/s ÷ 8 = 2,048GB/s ≒ 2.0TB/s**（JEDEC標準レート）。**10Gb/s**なら**2.56TB/s**/スタック。([Tom's Hardware](https://www.tomshardware.com/pc-components/ram/jedec-finalizes-hbm4-memory-standard-with-major-bandwidth-and-efficiency-upgrades?utm_source=chatgpt.com))\n- **総帯域**は**スタック数倍**でほぼスケール（配線・電力・熱が許す範囲で）。\n\n---\n\n## SK hynixのHBM4：標準を超えるスピードと量産準備\n\n- **JEDECのHBM4**は**2,048-bit**幅と**最大8Gb/s/ピン**を規定（理論**2TB/s/スタック**）。**ダイ密度は24Gb/32Gb**、**最大16-Hi**で**64GB/スタック**までの道筋が整理されました。([Tom's Hardware](https://www.tomshardware.com/pc-components/ram/jedec-finalizes-hbm4-memory-standard-with-major-bandwidth-and-efficiency-upgrades?utm_source=chatgpt.com))\n- **SK hynix**は **HBM4の開発完了＆量産準備**を発表。**“10Gb/s超/ピン”を実現し、標準（8Gb/s）比で25％超**のマージンを掲示。**12-Hi実装・MR-MUF**などの積層・放熱技術もアピールしています。([SK hynix Newsroom -](https://news.skhynix.com/sk-hynix-completes-worlds-first-hbm4-development-and-readies-mass-production/?utm_source=chatgpt.com))\n- 報道では、**2025年にサンプル出荷～量産立ち上げ**の流れが示唆され、主要顧客（AI/GPUベンダ）向けに**2,048-I/O×10Gb/s級**を供給する見通し。([Reuters](https://www.reuters.com/world/sk-hynix-says-readying-hbm4-production-after-completing-internal-certification-2025-09-12/?utm_source=chatgpt.com))\n\n> まとめると：\\*\\*HBM4の“幅（2,048bit）×速さ（8→10Gb/s/ピン）×高さ（12/16-Hi）”\\*\\*の三段攻めで、**1スタック2～2.56TB/s**、**容量は最大64GB/スタック**まで見える——これが“次世代AI/GPUのエンジン”たる所以です。\n\n---\n\n## スペック表の読み方・実戦メモ（GDDRとHBM）\n\n- **GDDR系**\n \n 1. **バス幅**（192/256/320/384bit…）を見る\n 2. **チップ枚数 ≒ バス幅/32**（x32が基本） → **概容量＝（チップ容量）×（枚数）**\n 3. **帯域＝（バス幅/8）×Gb/s**（Gb/sはそのまま使う）\n 4. **GDDR6X**は**JEDEC標準外のベンダー拡張**（Micron×NVIDIA、PAM4）。“標準”と混同しない。([Tom's Hardware](https://www.tomshardware.com/news/micron-reveals-gddr6x-details-the-future-of-memory-or-a-proprietary-dram?utm_source=chatgpt.com))\n- **HBM系**\n \n 1. **スタック数**（= 本数）を見る\n 2. **1スタック容量＝（ダイ密度）×（Hi）** → **総容量＝スタック数倍**\n 3. **1スタック帯域＝（2,048/8）×Gb/s**（HBM4） → **総帯域＝スタック数倍**\n 4. 実効は**冷却・電力・配線品質**で上下。レビューでは**温度・スロットリング挙動**も必ず確認。\n\n---\n\n## よくある疑問に一言で\n\n- **「HBMに“VRAM”はあるの？」** \n → **ある**。HBMは**規格名**、VRAMは**使い方（用途名）**。GPU直結のHBMは、そのボードの**VRAMそのもの**。\n- **「バス幅と容量って関係ある？」** \n → **直接はない**。**容量=密度×段数**、**速さ=バス幅×Gb/s**。\n- **「Hiって何者？」** \n → **縦積み枚数**。8/12/16-Hi の“高さ”で容量を稼ぐ。\n- **「per-pin ってなに？」** \n → **1本の信号線の速度**（Gb/s）。HBM4は標準8Gb/s、SK hynixは10Gb/s超を公表。([Tom's Hardware](https://www.tomshardware.com/pc-components/ram/jedec-finalizes-hbm4-memory-standard-with-major-bandwidth-and-efficiency-upgrades?utm_source=chatgpt.com))\n\n---\n\n## 1スーパーチップ事のHBMスタック数\n\n主要アクセラレータの**HBMスタック数（横に何本）**・**総容量（VRAM）**・**実効帯域**をざっと俯瞰できる表から。数字は“1 GPU（または1スーパー チップ）あたり”の代表値です（OEMや世代差で微差あり）。\n\n![](/media/61a721681ad8d3293fc3e4e108948fa2e9a6168186e17adf8b41281c2f1d63f1-content.webp)\n\n\\* スタック数＝“パッケージ上でGPUダイの周囲に並ぶHBMスタックの本数（横）”。 \n（注）GB200は**B200×2**の“スーパー チップ”なので、表示は**1スーパー チップ**単位。Grace CPU側のLPDDR5Xメモリは別枠です（最大480GB級が一般的ですが、HBMではありません）。([Lenovo Press](https://lenovopress.lenovo.com/lp1732-thinksystem-nvidia-h100-pcie-gen5-gpu?utm_source=chatgpt.com))\n\n---\n\n## 「スタック数の最大値」は何で決まる？（横の上限）\n\n- **現行実装の上限は8スタック**が主流（B200、MI3xx、Gaudi 3 など）。基板サイズ／シリコンインターポーザ面積（“ビーチフロント”）／熱設計が制約。\n- **次の増加ポイントは12スタック**：TSMCはCoWoS-Lの拡張で\\*\\*“最大12 HBMスタック”\\*\\*を公式に示しており、**2027年量産**のロードマップが公表済み。これは“横に何本置けるか”の物理上限を押し上げます。([ori.co](https://www.ori.co/blog/nvidia-h200-vs-h100?utm_source=chatgpt.com))\n\n> 実務的には「8→12スタック」への拡張で、同じ世代でも**容量・帯域が直線的に伸びる**（電力/冷却/歩留まりとのトレードオフは増大）。\n\n---\n\n## 「Hi（層数）の最大値」は？（縦の上限）\n\n- **HBM3/3E**：一般に**12-Hi**（12層）まで。\n- **HBM4**：標準で**12-Hi/16-Hi**が想定され、1ダイ\\*\\*24Gb（=3GB）\\*\\*クラスが主流見込み。\n \n - 12-Hi ⇒ **36GB/スタック**、16-Hi ⇒ **48GB/スタック**が目安。([Tom's Hardware](https://www.tomshardware.com/tech-industry/semiconductors/hbm-roadmaps-for-micron-samsung-and-sk-hynix-to-hbm4-and-beyond?utm_source=chatgpt.com))\n- さらにHBM4は**I/Oが2,048-bitに倍増**、JEDEC基準の**8 Gb/s/Pin**に対し、各社は**10 Gb/s級**をアピール。\\*\\*電力効率も＋40%\\*\\*をうたいます。([micron.com](https://www.micron.com/products/memory/hbm/hbm3e?srsltid=AfmBOorpfe8OSw1Jm18zeRnkmskpkKY4s9Z94udXzqrQIthdWimdCgAP&utm_source=chatgpt.com))\n\n---\n\n## SK hynixのHBM4：どこまで来ている？\n\n- **2025年9月**に**HBM4の開発完了と量産準備**を公式発表。**2,048-bit**、**\\>10 Gb/s/pin**、**12-Hi対応**などを明示。([SK hynix Newsroom -](https://news.skhynix.com/sk-hynix-completes-worlds-first-hbm4-development-and-readies-mass-production/?utm_source=chatgpt.com))\n- 業界ロードマップでは、**12-Hi/16-Hi**と**24Gbダイ**を前提に**36～48GB/スタック**が標準化される見込み。次世代（HBM4E）も視野。([Tom's Hardware](https://www.tomshardware.com/tech-industry/semiconductors/hbm-roadmaps-for-micron-samsung-and-sk-hynix-to-hbm4-and-beyond?utm_source=chatgpt.com))\n\n---\n\n## これから“何が”増えるのか（まとめ）\n\n1. **横**（スタック数） \n → **8 → 12スタック**へ。パッケージング（CoWoS-L/R等）の発展で**総容量・総帯域が素直に伸びる**。([ori.co](https://www.ori.co/blog/nvidia-h200-vs-h100?utm_source=chatgpt.com))\n2. **縦**（Hi：層数） \n → **HBM4で12-Hi/16-Hi**が一般化し、**1スタック=36～48GB**時代へ。([Tom's Hardware](https://www.tomshardware.com/tech-industry/semiconductors/hbm-roadmaps-for-micron-samsung-and-sk-hynix-to-hbm4-and-beyond?utm_source=chatgpt.com))\n3. **I/Oとピン速度** \n → **2048-bit ×（8～10+ Gb/s/pin）で帯域が1スタックあたり倍増級**。同一電力での効率も改善。([micron.com](https://www.micron.com/products/memory/hbm/hbm3e?srsltid=AfmBOorpfe8OSw1Jm18zeRnkmskpkKY4s9Z94udXzqrQIthdWimdCgAP&utm_source=chatgpt.com))\n4. **製品例の見通し**\n\n- **GB200/B200級**：8スタック→**将来12スタック**版が視野。HBM4化で“**（スタック数）×（層数）×（ピン速度）**”の三重増。\n- **AMD MI350/355X後継**：既に**288GB/～8TB/s**まで到達。HBM4採用世代で\\*\\*\\>300GB/8TB/s超\\*\\*が当たり前に。([AMD](https://www.amd.com/content/dam/amd/en/documents/instinct-tech-docs/product-briefs/amd-instinct-mi350x-gpu-brochure.pdf?utm_source=chatgpt.com))\n- **Gaudi系**：現行はHBM2e 128GB/3.7TB/s。HBM4世代では**容量・帯域のテコ入れ**が鍵。([cdrdv2-public.intel.com](https://cdrdv2-public.intel.com/817486/gaudi-3-ai-accelerator-white-paper.pdf?utm_source=chatgpt.com))\n\n---\n\n## 余談：GB200の“VRAMはいくつ？”問題\n\n- **B200単体**は**192GB/～8TB/s**が目安（8スタック）。([NVIDIA Developer](https://developer.nvidia.com/blog/nvidia-hopper-architecture-in-depth/?utm_source=chatgpt.com))\n- **GB200 Superchip**は**B200×2**なので、\\*\\*“HBM合計は最大372GB/スーパー チップ”\\*\\*と記すサーバーベンダーの資料が多数（ECCや予約領域を含む“可用容量”の表記差に注意）。([Lenovo Press](https://lenovopress.lenovo.com/lp1732-thinksystem-nvidia-h100-pcie-gen5-gpu?utm_source=chatgpt.com))\n\n---\n\n### 使い分けの指針（再掲）\n\n- **VRAM容量（=HBM容量）は大規模モデルの収容力**に直結。\n- **帯域**は学習/推論時の**スループット**に直結。\n- **スタック数（横）とHi（縦）**、**ピン速度**の三つ巴で“**総容量×実効帯域**”が決まる、という理解でOK。\n\n---\n\n## I/Oピンのbitとは？\n\n- HBMの**データI/O幅（bus width）は「1本のDQピン＝1bit幅」として数えます。 \n 例：HBM2/3は1024-bit**＝1024本のデータピン、HBM4は**2048-bit**。この“bit”が広いほど同じピン速度でも帯域は大きくなります。HBMはチャネルを束ねてこの幅を作ります（HBM2=8×128bit、HBM3=16×64bit、HBM4=32×64bit）。([EE Times Asia](https://www.eetasia.com/19012202-jedec-looks-to-push-hbms-limits/))\n- \\*\\*ピンあたり転送速度（Gb/s per pin）\\*\\*は1ピンで何ギガビット/秒送れるか。DDR系なので両エッジ転送ですが、公開されるGb/s値はその効果込みの“実効”です。\n- \\*\\*帯域幅（1スタック）\\*\\*は \n **帯域\\[GB/s\\] =（I/O幅\\[bit\\] ÷ 8）×（ピンあたり速度\\[Gb/s\\]）**。 \n ※bit→Byte換算で÷8。\n\n## 世代ごとのI/O構成と帯域（代表値）\n\n![](/media/aa1cafbc71accb2a76d6c533f417131c3fd00177df96155c48ebcf3cda67a481-content.webp)\n\n**出典（構成と速度）**\n\n- HBM/2：1チャネル128bit、HBM2は疑似チャネル（64+64）を導入、最大2.4Gb/sまで拡張。([EE Times Asia](https://www.eetasia.com/19012202-jedec-looks-to-push-hbms-limits/))\n- HBM3：**16×64bit＝1024-bit**構成、**6.4Gb/s**で\\*\\*〜819 GB/s/stack\\*\\*。([synopsys.com](https://www.synopsys.com/articles/hbm3-ip-dwtb.html?utm_source=chatgpt.com))\n- HBM3E：1024-bit据え置きで**9.2〜9.6Gb/s**（ベンダーにより表記差）。([Medium](https://medium.com/chip-design-insider/the-role-of-high-bandwidth-memory-hbm-in-advancing-ai-caffc63154e5?utm_source=chatgpt.com))\n- HBM4：**2048-bit**へ倍増、JEDECは**8Gb/s/pin** → **2TB/s/stack**。([オールアバウトサーキット](https://www.allaboutcircuits.com/news/jedec-officially-releases-hbm4-memory-standard/?utm_source=chatgpt.com))\n \n - SK hynixは**10Gb/s/pin**達成を発表（JEDEC比+25%）。([SK hynix Newsroom -](https://news.skhynix.com/sk-hynix-completes-worlds-first-hbm4-development-and-readies-mass-production/?utm_source=chatgpt.com))\n\n> 補足：I/Oは「データDQ」に加えてコマンド/アドレス/クロックなどの信号もあり、HBM3E世代では**総配線は約2000本規模**に達します（データ+制御）。このため実装はシリコンインターポーザ等の2.5D配線技術が必須になります。([Semiconductor Engineering](https://semiengineering.com/hbm3e-all-about-bandwidth/?utm_source=chatgpt.com))\n\n## 計算式とサクッと計算例\n\n- **式**：帯域\\[GB/s\\] = (I/O幅\\[bit\\] ÷ 8) ×（ピン速度\\[Gb/s\\]）\n- 例1：HBM3（1024-bit, 6.4Gb/s）→ (1024/8)×6.4 = **819.2 GB/s**。([ServeTheHome](https://www.servethehome.com/jedec-publishes-jesd238-hbm3-spec-for-next-gen-accelerators/?utm_source=chatgpt.com))\n- 例2：HBM4（2048-bit, 8.0Gb/s）→ (2048/8)×8.0 = **2048 GB/s = 2.0 TB/s**。([オールアバウトサーキット](https://www.allaboutcircuits.com/news/jedec-officially-releases-hbm4-memory-standard/?utm_source=chatgpt.com))\n- 例3：HBM3E（1024-bit, 9.6Gb/s）→ (1024/8)×9.6 = **1228.8 GB/s ≈ 1.23 TB/s**。\n- 例4（ベンダー実装例）：HBM4（2048-bit, 10Gb/s）→ (2048/8)×10 = **2560 GB/s = 2.56 TB/s**。([ServeTheHome](https://www.servethehome.com/sk-hynix-produces-hbm4-faster-than-jedec-specs-entering-mass-production/?utm_source=chatgpt.com))\n\n## 進化のポイント（I/Oピン視点）\n\n1. **幅を広げる**：HBM→HBM3までは**1024-bit**で推移、HBM4で**2048-bit**に倍増（チャネルも8→16→32へ）。([ServeTheHome](https://www.servethehome.com/jedec-publishes-jesd238-hbm3-spec-for-next-gen-accelerators/?utm_source=chatgpt.com))\n2. **ピン速度を上げる**：1.0→2.4→3.6→6.4→9.x→8（HBM4 JEDEC）/10（実装例）。世代ごとに信号方式・クロッキング・RAS/ECC強化などで引き上げ。([EE Times Asia](https://www.eetasia.com/19012202-jedec-looks-to-push-hbms-limits/))\n3. **制御の細分化**：HBM2の疑似チャネル導入→HBM3で**16×64bit**化→HBM4で**32×64bit**化。並列度が増え、実効性が上がります。([EE Times Asia](https://www.eetasia.com/19012202-jedec-looks-to-push-hbms-limits/))\n\n---\n\nこの記事の狙いは「**数字が意味でつながる体験**」です。\n\n- \\*\\*HBM＝“幅を倍に、積み重ねで容量を伸ばし、短配線で効率を上げる”\\*\\*発想。\n- **GDDR＝“x32チップを並べて幅を作り、レートで速さを足す”発想。 \n どちらも式に落ちると読みやすい。次にスペック表を見かけたら、（バス幅/8）×Gb/s**と、**密度×Hi×スタック数**を指でなぞってみてください。もう“ただの数字”ではなくなります。\n\n---\n\n参照（主要ソース）\n\n- **JEDEC HBM4 概要**：**2,048-bit**, **8Gb/s/ピン**, **32チャネル**, **最大64GB/スタック**（24/32Gb×16-Hi）。([Tom's Hardware](https://www.tomshardware.com/pc-components/ram/jedec-finalizes-hbm4-memory-standard-with-major-bandwidth-and-efficiency-upgrades?utm_source=chatgpt.com))\n- **Cadence**：HBM4の**24Gb/32Gb密度**と**16-Hiで64GB/スタック**の解説。([Cadence Community](https://community.cadence.com/cadence_blogs_8/b/ip/posts/hbm4-boosts-memory-performance-for-ai-training?utm_source=chatgpt.com))\n- **SK hynix**：HBM4 **開発完了・量産準備**／**10Gb/s超/ピン**公表。([SK hynix Newsroom -](https://news.skhynix.com/sk-hynix-completes-worlds-first-hbm4-development-and-readies-mass-production/?utm_source=chatgpt.com))\n- **報道**：HBM4 **サンプル～量産**の進捗、**2,048-I/O×10Gb/s**級の文脈。([Reuters](https://www.reuters.com/world/sk-hynix-says-readying-hbm4-production-after-completing-internal-certification-2025-09-12/?utm_source=chatgpt.com))\n- **GDDR6のx32（32 DQ）**：1チップ=**32bit幅**の一次資料。([assets.micron.com](https://assets.micron.com/adobe/assets/urn%3Aaaid%3Aaem%3Ad5533dc7-d0ed-4fb2-a784-2208c94e7a9b/renditions/original/as/gddr6-product-flyer.pdf?utm_source=chatgpt.com))\n- H100/H200/B200/GB200のメモリ仕様とベンダー資料：NVIDIA公式・Supermicro等。([TRG Datacenters](https://www.trgdatacenters.com/resource/nvidia-h100-price/?utm_source=chatgpt.com))\n- AMD MI300X/MI325X/MI350X/MI355Xの容量・帯域：AMD資料/各種報道。([Civo.com](https://www.civo.com/blog/comparing-nvidia-b200-and-h100?utm_source=chatgpt.com))\n- Intel Gaudi 3の容量・帯域：Intelホワイトペーパーほか。([cdrdv2-public.intel.com](https://cdrdv2-public.intel.com/817486/gaudi-3-ai-accelerator-white-paper.pdf?utm_source=chatgpt.com))\n- **TSMC CoWoS-L**の“**12スタック**”ロードマップ：TSMC公式。([ori.co](https://www.ori.co/blog/nvidia-h200-vs-h100?utm_source=chatgpt.com))\n- **JEDEC HBM4の骨子**（2048-bit/8Gb/s/pin、12–16Hi想定など）とロードマップ記事：JEDEC公開情報の解説、各業界紙。([micron.com](https://www.micron.com/products/memory/hbm/hbm3e?srsltid=AfmBOorpfe8OSw1Jm18zeRnkmskpkKY4s9Z94udXzqrQIthdWimdCgAP&utm_source=chatgpt.com))\n- **SK hynix HBM4**の最新発表（開発完了・量産準備、10Gb/s級、12-Hi等）：公式ニュース/報道。([SK hynix Newsroom -](https://news.skhynix.com/sk-hynix-completes-worlds-first-hbm4-development-and-readies-mass-production/?utm_source=chatgpt.com))\n\n---\n\nサムネ　pixai sunflowerモデル","blocks":[{"id":"blk_8a9284b1-fea9-4b7e-85ca-14470d119c7c","kind":"figure","order":0,"section_id":"sec_c6e111eb-e9de-43dc-9b17-a2736b8a5c64","character_id":null,"markdown":"![](/media/bed96126d7031a93ed88415806efdec6c44aa2f6c072f3efda3ef98b21acd8a4-content.webp)","render_override":null},{"id":"blk_aa78dfbf-d956-488a-b77e-61077ba625cc","kind":"heading","order":1,"section_id":"sec_cc15bd6b-351a-40a1-ad94-9ed06b10698a","character_id":null,"markdown":"## HBMとGPUとDRAMのぜんぶ：バス幅／メモリコントローラ／VRAM容量／スタック（Hi）／ピン速度／帯域まで一気に理解する","render_override":null},{"id":"blk_2af6749c-cc8f-41a5-a301-378f99bf51d3","kind":"quote","order":2,"section_id":"sec_cc15bd6b-351a-40a1-ad94-9ed06b10698a","character_id":null,"markdown":"> 「スペック表の数字が“意味”でつながる」と、複雑に思える概念も理解しやすいです。 **SK hynixのHBM4**にも触れます。","render_override":null},{"id":"blk_761abe98-0f22-4ee9-8959-e8659a2e5dde","kind":"thematic_break","order":3,"section_id":"sec_cc15bd6b-351a-40a1-ad94-9ed06b10698a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_3fc46e90-1b02-464f-a478-3fb7a0e5f121","kind":"heading","order":4,"section_id":"sec_64850811-da94-468e-9cbd-eab64c889e10","character_id":null,"markdown":"## まずは俯瞰：GPU・DRAM・HBM・VRAMの関係","render_override":null},{"id":"blk_765b9c3e-47e4-44d3-b522-5f22dcc2af6e","kind":"list","order":5,"section_id":"sec_64850811-da94-468e-9cbd-eab64c889e10","character_id":null,"markdown":"- **GPU**：演算プロセッサ本体。メモリにアクセスしてデータを読み書きする側（≒主人公）。\n- **DRAM**：揮発性メモリの総称/技術。PCの**DDR5**、スマホの**LPDDR5(X/6)**、グラフィックス用の**GDDR6/7**、高帯域の**HBM**は “いずれもDRAMの種類”。\n- **VRAM**：GPU専用に直結して使う**用途名**。GDDRやHBMがGPUに直結していれば、それはそのボードの「VRAM」。\n- **HBM**：**High Bandwidth Memory**。DRAMダイを**縦に積む（TSV）規格で、超広幅I/Oと短配線**で高帯域・高効率を狙う。最新は**HBM4**。JEDEC（業界標準化団体）が仕様を定めています。([Tom's Hardware](https://www.tomshardware.com/pc-components/ram/jedec-finalizes-hbm4-memory-standard-with-major-bandwidth-and-efficiency-upgrades?utm_source=chatgpt.com))","render_override":null},{"id":"blk_1589661e-4c14-47f2-a091-1a144d5b7c3b","kind":"figure","order":6,"section_id":"sec_64850811-da94-468e-9cbd-eab64c889e10","character_id":null,"markdown":"![](/media/da4aa14e8fee4b8ce29f565780e82d89cac0aa798b5f4fbc8e502029e078297a-content.webp)","render_override":null},{"id":"blk_5cca56bd-b329-4d4c-a659-df8e434f9955","kind":"thematic_break","order":7,"section_id":"sec_64850811-da94-468e-9cbd-eab64c889e10","character_id":null,"markdown":"---","render_override":null},{"id":"blk_731636c5-c84e-4fe6-bf90-8135431376c4","kind":"heading","order":8,"section_id":"sec_5b84cd81-5517-4365-98e6-bc28a83b086b","character_id":null,"markdown":"## バス幅とメモリコントローラ：数字がどう噛み合うか","render_override":null},{"id":"blk_02aa0769-ee75-4ab1-9518-3d00e201abd3","kind":"heading","order":9,"section_id":"sec_50851d07-62b7-4f7c-9a16-76921cf25957","character_id":null,"markdown":"### GDDR系（一般的なdGPUの作法）","render_override":null},{"id":"blk_3948a34c-95b0-4298-8ac5-cd591a520f08","kind":"list","order":10,"section_id":"sec_50851d07-62b7-4f7c-9a16-76921cf25957","character_id":null,"markdown":"- \\*\\*1チップ=32bit幅（x32）**が通例。したがって バス幅\\[bit\\] = 32 ×（チップ枚数）。 \n 例：256bitなら x32チップが8枚。MicronのGDDR6資料でも**“32 DQs per component（=x32）”\\*\\*と明記。([assets.micron.com](https://assets.micron.com/adobe/assets/urn%3Aaaid%3Aaem%3Ad5533dc7-d0ed-4fb2-a784-2208c94e7a9b/renditions/original/as/gddr6-product-flyer.pdf?utm_source=chatgpt.com))\n- **メモリコントローラ**はGPUダイ内に**32bit単位で複数**入り、**本数の合計＝バス幅**になります（例：6本→192bit、8本→256bit）。\n- SKUの作り分けはだいたいこの三択： \n ① **コントローラ本数（=バス幅）を変える　② チップ密度だけ上げて容量だけ増**（バス幅据え置き）　③ **メモリレート**を上げて**帯域だけ増**。","render_override":null},{"id":"blk_c88409d8-d7ff-400f-abb3-b0426bbf97da","kind":"heading","order":11,"section_id":"sec_a0caf0ad-4d7b-4cde-8608-bee5aacf1928","character_id":null,"markdown":"### HBM（HBM3→HBM4）","render_override":null},{"id":"blk_fe16925e-7831-4436-8ec3-87608e078ca0","kind":"list","order":12,"section_id":"sec_a0caf0ad-4d7b-4cde-8608-bee5aacf1928","character_id":null,"markdown":"- **単位は“1スタック”**（縦積みDRAM＋ベースロジック）。\n- **HBM3**は1スタック**1,024bit**、**HBM4**は**2,048bit**まで拡大（**32チャネル×各64bit**、各チャネルは擬似チャネル×2）。この“幅の倍増”が帯域ジャンプの土台。([Tom's Hardware](https://www.tomshardware.com/pc-components/ram/jedec-finalizes-hbm4-memory-standard-with-major-bandwidth-and-efficiency-upgrades?utm_source=chatgpt.com))\n- GPU側には**スタック単位のメモリコントローラ**IPを複数載せ、**スタック数**を増やして容量・帯域を水平にスケールさせます。","render_override":null},{"id":"blk_e5bdacbe-90f0-4920-b788-c15863d5332d","kind":"thematic_break","order":13,"section_id":"sec_a0caf0ad-4d7b-4cde-8608-bee5aacf1928","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a8902e21-343a-428f-945f-e1370df47782","kind":"heading","order":14,"section_id":"sec_0db70f08-fde3-429a-9752-ed3ffee3265e","character_id":null,"markdown":"## VRAM容量の決まり方：HBMは「ダイ容量×段数」","render_override":null},{"id":"blk_d2868b14-f70d-4b79-b0a8-5a387ee13731","kind":"list","order":15,"section_id":"sec_0db70f08-fde3-429a-9752-ed3ffee3265e","character_id":null,"markdown":"- **HBMの1スタック容量** \n = **（ダイ容量）×（段数=8/12/16-Hi）** \n 例：**32Gb（=4GB）/ダイ × 16-Hi = 64GB/スタック**。JEDECのHBM4は**24Gb/32Gb密度**と**最大16-Hi**に対応→**1スタック最大64GB**が上限設計の目安です。([HPCwire](https://www.hpcwire.com/off-the-wire/jedec-releases-hbm4-standard-to-advance-ai-and-hpc-memory/?utm_source=chatgpt.com))\n- **総VRAM容量** = **（1スタック容量）×（スタック数）**。 \n 例：48GB/スタック × 8スタック = **384GB**。","render_override":null},{"id":"blk_f455ed1b-6413-4a27-bd83-0d0f0701076c","kind":"quote","order":16,"section_id":"sec_0db70f08-fde3-429a-9752-ed3ffee3265e","character_id":null,"markdown":"> ポイント：**バス幅やチャネル数は“速さ（帯域）”の話であって“容量”は「密度×段数」で決まる**、を身体で覚える。","render_override":null},{"id":"blk_a0dfac65-b5da-4125-9001-00c163d0fc01","kind":"thematic_break","order":17,"section_id":"sec_0db70f08-fde3-429a-9752-ed3ffee3265e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_85c3c751-6f7f-40fe-93c6-017caea073a2","kind":"heading","order":18,"section_id":"sec_06cd7bab-6823-4994-ab6b-73e24e373e88","character_id":null,"markdown":"## Hi（ハイ）＝“何段重ねか”の素直な数え方","render_override":null},{"id":"blk_f360d718-b54d-45be-8daa-bd7d3ed58b40","kind":"list","order":19,"section_id":"sec_06cd7bab-6823-4994-ab6b-73e24e373e88","character_id":null,"markdown":"- **8-Hi / 12-Hi / 16-Hi** … は**縦積み段数**のこと。\n- 段数を増やすと**容量は線形に増える**が、**熱・歩留まり・高さ**の課題も増えるため、**実製品は発熱対策（MUF接着、薄型ダイ等）を駆使してバランスを取ります。HBM4世代でも12-Hi/16-Hi**が主要レンジ。([SK hynix Newsroom -](https://news.skhynix.com/sk-hynix-completes-worlds-first-hbm4-development-and-readies-mass-production/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_c9fce78d-9838-43ed-9af5-8a5863caafd6","kind":"thematic_break","order":20,"section_id":"sec_06cd7bab-6823-4994-ab6b-73e24e373e88","character_id":null,"markdown":"---","render_override":null},{"id":"blk_818c5cdb-bbb2-426c-8da9-7d87cf9355ac","kind":"heading","order":21,"section_id":"sec_a400381f-b58b-4566-9481-bef76aa12d76","character_id":null,"markdown":"## ピン（per-pin）の速度と“Gb/s”の正体","render_override":null},{"id":"blk_637b60be-aa29-4bc4-8724-9699e3907d37","kind":"list","order":22,"section_id":"sec_a400381f-b58b-4566-9481-bef76aa12d76","character_id":null,"markdown":"- メモリの「**○○Gb/s（per pin）**」は、**1本の信号線が1秒あたりに運ぶビット数**。\n- GDDRもHBMも**DDR（倍転送）系なので、公称“Gb/s”は既に倍転送を織り込んだ有効レートです（ここに×2**をさらに掛けないのがコツ）。","render_override":null},{"id":"blk_e6a1eda5-b94d-4adb-a9f2-6752251fab51","kind":"thematic_break","order":23,"section_id":"sec_a400381f-b58b-4566-9481-bef76aa12d76","character_id":null,"markdown":"---","render_override":null},{"id":"blk_68156308-eb4a-48e4-bc2e-8dbc403b4808","kind":"list","order":24,"section_id":"sec_a400381f-b58b-4566-9481-bef76aa12d76","character_id":null,"markdown":"- **スタック**＝“**ビルの棟数**”\n- **Hi**＝そのビルの“**階数**”","render_override":null},{"id":"blk_7c2e5986-79dc-42d2-af04-be491c3681d5","kind":"heading","order":25,"section_id":"sec_6fcb1fbb-4274-4e78-84a5-0573814eadc5","character_id":null,"markdown":"## スタック（HBMスタック）とは？","render_override":null},{"id":"blk_d942d964-fdbd-4063-9b78-1a469eefb47a","kind":"list","order":26,"section_id":"sec_6fcb1fbb-4274-4e78-84a5-0573814eadc5","character_id":null,"markdown":"- **1つのHBM“塊”のこと。 \n ロジックベースダイ（下階の管制塔）＋複数枚のDRAMダイを縦に積層**（TSVで接続）したユニットを指します。\n- GPUパッケージの周囲にこの**スタックを複数本**並べます（例：6スタック、8スタック…）。\n- **帯域と容量を“横方向”に足す単位**：\n \n - **帯域**…スタックごとに**固定のI/O幅**（HBM2/3: 1,024bit、HBM4: 2,048bit）を持つので、**スタック数を増やすと帯域がほぼ線形に増える**。\n - **容量**…1スタックの容量の\\*\\*“本数分”**が合算されるので、こちらも**線形に増える\\*\\*。","render_override":null},{"id":"blk_91682485-ffdf-417b-8c70-655065b551c8","kind":"paragraph","order":27,"section_id":"sec_6fcb1fbb-4274-4e78-84a5-0573814eadc5","character_id":null,"markdown":"たとえば HBM3 の 1スタックが ≈1.2TB/s の帯域・24GBの容量なら、**8スタックで ≈9.6TB/s・192GB** といった具合で伸びます（実効は配線・消費電力・温度で前後）。","render_override":null},{"id":"blk_2533a0ca-8e57-4e6e-a356-f1849d52a5ae","kind":"thematic_break","order":28,"section_id":"sec_6fcb1fbb-4274-4e78-84a5-0573814eadc5","character_id":null,"markdown":"---","render_override":null},{"id":"blk_30fb9508-e7bf-49db-8dbb-ebaaafc30182","kind":"heading","order":29,"section_id":"sec_8c74463a-77ce-4c7c-811a-0d70f5e68aa0","character_id":null,"markdown":"## Hi（ハイ）とは？","render_override":null},{"id":"blk_86dcf5f3-85b2-4716-8e45-088385114980","kind":"list","order":30,"section_id":"sec_8c74463a-77ce-4c7c-811a-0d70f5e68aa0","character_id":null,"markdown":"- 「**N-Hi**」は\\*\\*そのスタックの“DRAMダイの枚数”\\*\\*を表す記号です（**ロジックベースは数えない**）。\n \n - **4-Hi / 8-Hi / 12-Hi / 16-Hi** …と増えるほど、**縦方向に何枚積んだか**を示す。\n- **容量を“縦方向”に増やすノブ**：\n \n - **1ダイの密度（Gb） × Hi（枚数） = 1スタック容量**\n - 例：1ダイ **24Gb（=3GB）** のHBM3で **8-Hi** → **24Gb×8 = 192Gb = 24GB/スタック**。\n- **帯域は基本“Hiで変わらない”**：\n \n - 帯域は\\*\\*I/O幅（bit）×ピン速度（Gb/s）\\*\\*で決まり、**Hiの増減では増えない**（内部並列度やタイミング条件でわずかに差が出ることはあっても、設計上は容量ノブ）。","render_override":null},{"id":"blk_044f52e1-dfb7-4cb9-a15d-ee45fcc42288","kind":"paragraph","order":31,"section_id":"sec_8c74463a-77ce-4c7c-811a-0d70f5e68aa0","character_id":null,"markdown":"スタックは一塊のイメージでHiに1ダイの密度を掛ける事でスタックの容量が求められます","render_override":null},{"id":"blk_aa533d93-4286-4f66-a7c5-944b6df08338","kind":"figure","order":32,"section_id":"sec_8c74463a-77ce-4c7c-811a-0d70f5e68aa0","character_id":null,"markdown":"![](/media/7a546bd682d820109e22c0b7256b9cc5f934ef92896600634b14481d59e9f3ef-content.webp)","render_override":null},{"id":"blk_56b56fb3-0c75-4e72-b523-aac2581af0a3","kind":"heading","order":33,"section_id":"sec_e2e26a6e-f118-410d-b0ff-bd594e29ed63","character_id":null,"markdown":"## 計算ミニチート","render_override":null},{"id":"blk_916d9b98-d004-429a-99ac-0efd7eeccaad","kind":"list","order":34,"section_id":"sec_e2e26a6e-f118-410d-b0ff-bd594e29ed63","character_id":null,"markdown":"- **1スタック容量** ＝ **（1ダイ容量）×（Hi）**\n- **1スタック帯域（GB/s）** ＝ **（I/O幅\\[bit\\] ÷ 8）×（ピン速度\\[Gb/s\\]）**\n \n - HBM3：**1,024bit**、HBM4：**2,048bit**\n- **総容量**＝ **1スタック容量 × スタック数**\n- **総帯域**＝ **1スタック帯域 × スタック数**","render_override":null},{"id":"blk_a47dea4f-664b-4d80-9692-d7e4d403af59","kind":"heading","order":35,"section_id":"sec_8e3cbcb8-8234-4734-91b8-ec20a8714a47","character_id":null,"markdown":"## 具体例（感覚づけ）","render_override":null},{"id":"blk_4e0de24f-a2af-4967-aeb4-0f43d360c566","kind":"list","order":36,"section_id":"sec_8e3cbcb8-8234-4734-91b8-ec20a8714a47","character_id":null,"markdown":"- **HBM3（例）**：1ダイ=**24Gb=3GB**\n \n - **8-Hi** → **24Gb×8=192Gb=24GB/スタック**\n - ピン速度 **9.6Gb/s** とすると **1スタック帯域 ≈ (1024/8)×9.6 = 1,228.8 GB/s ≈ 1.23TB/s**\n - **8スタック**なら **容量=24GB×8=192GB**, **帯域≈1.23×8=≈9.8TB/s**\n- **HBM4（例）**：1ダイ=**32Gb=4GB**、**2,048bit**\n \n - **16-Hi** → **32Gb×16=512Gb=64GB/スタック**\n - ピン速度 **8Gb/s**（JEDEC）→ **1スタック 2.0TB/s**、**10Gb/s**実装なら **2.56TB/s**\n - **8スタック**で **容量=64GB×8=512GB**, **帯域=2.0〜2.56×8=16〜20.5TB/s**","render_override":null},{"id":"blk_e1727f19-ecd0-4e7f-92a3-02084645fc28","kind":"list","order":37,"section_id":"sec_8e3cbcb8-8234-4734-91b8-ec20a8714a47","character_id":null,"markdown":"- \\*\\*より多く“入れたい”\\*\\*なら：\\*\\*Hi（縦）\\*\\*を上げる or \\*\\*スタック数（横）\\*\\*を増やす。\n \n - ただし **Hiを上げる**と**熱・高さ・歩留まり**の難易度が上がる。\n- \\*\\*より速く“回したい”\\*\\*なら：**スタック数**を増やす（=I/O幅合計を増やす）か、**ピン速度**の高い世代/グレードを選ぶ。\n \n - **Hiを増やしても帯域は増えない**点がハマりどころ。","render_override":null},{"id":"blk_821c635f-4946-416c-a177-8a6929c807a2","kind":"thematic_break","order":38,"section_id":"sec_8e3cbcb8-8234-4734-91b8-ec20a8714a47","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1a1cb5a0-8fd0-47a2-813f-ec9c77859852","kind":"heading","order":39,"section_id":"sec_2ebe03f5-dee4-456e-8514-3498c5378d22","character_id":null,"markdown":"## 帯域幅の式（覚えやすい版）","render_override":null},{"id":"blk_fe1c7b6e-0c35-4dca-9b75-344de99ee6f7","kind":"figure","order":40,"section_id":"sec_2ebe03f5-dee4-456e-8514-3498c5378d22","character_id":null,"markdown":"![](/media/3d6479dcef82fe0934746e7a421c3a019989f88d041cadb6bf64f1327120baa6-content.webp)","render_override":null},{"id":"blk_733f9886-126b-4b60-96b7-88387044e883","kind":"list","order":41,"section_id":"sec_2ebe03f5-dee4-456e-8514-3498c5378d22","character_id":null,"markdown":"- **HBM4（1スタック）例**：**2,048bit × 8Gb/s ÷ 8 = 2,048GB/s ≒ 2.0TB/s**（JEDEC標準レート）。**10Gb/s**なら**2.56TB/s**/スタック。([Tom's Hardware](https://www.tomshardware.com/pc-components/ram/jedec-finalizes-hbm4-memory-standard-with-major-bandwidth-and-efficiency-upgrades?utm_source=chatgpt.com))\n- **総帯域**は**スタック数倍**でほぼスケール（配線・電力・熱が許す範囲で）。","render_override":null},{"id":"blk_57f7f22a-8726-45c5-aa72-2a4c9a096ffe","kind":"thematic_break","order":42,"section_id":"sec_2ebe03f5-dee4-456e-8514-3498c5378d22","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ce0fb228-111b-4c84-ba35-49064474aed8","kind":"heading","order":43,"section_id":"sec_f3094e2d-1f03-4b0a-9e49-9820cfba53e9","character_id":null,"markdown":"## SK hynixのHBM4：標準を超えるスピードと量産準備","render_override":null},{"id":"blk_3cc877ec-1e06-4482-bd43-9b86f58aa9ad","kind":"list","order":44,"section_id":"sec_f3094e2d-1f03-4b0a-9e49-9820cfba53e9","character_id":null,"markdown":"- **JEDECのHBM4**は**2,048-bit**幅と**最大8Gb/s/ピン**を規定（理論**2TB/s/スタック**）。**ダイ密度は24Gb/32Gb**、**最大16-Hi**で**64GB/スタック**までの道筋が整理されました。([Tom's Hardware](https://www.tomshardware.com/pc-components/ram/jedec-finalizes-hbm4-memory-standard-with-major-bandwidth-and-efficiency-upgrades?utm_source=chatgpt.com))\n- **SK hynix**は **HBM4の開発完了＆量産準備**を発表。**“10Gb/s超/ピン”を実現し、標準（8Gb/s）比で25％超**のマージンを掲示。**12-Hi実装・MR-MUF**などの積層・放熱技術もアピールしています。([SK hynix Newsroom -](https://news.skhynix.com/sk-hynix-completes-worlds-first-hbm4-development-and-readies-mass-production/?utm_source=chatgpt.com))\n- 報道では、**2025年にサンプル出荷～量産立ち上げ**の流れが示唆され、主要顧客（AI/GPUベンダ）向けに**2,048-I/O×10Gb/s級**を供給する見通し。([Reuters](https://www.reuters.com/world/sk-hynix-says-readying-hbm4-production-after-completing-internal-certification-2025-09-12/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_4376b810-dc1c-434a-9f6f-82c824a8346b","kind":"quote","order":45,"section_id":"sec_f3094e2d-1f03-4b0a-9e49-9820cfba53e9","character_id":null,"markdown":"> まとめると：\\*\\*HBM4の“幅（2,048bit）×速さ（8→10Gb/s/ピン）×高さ（12/16-Hi）”\\*\\*の三段攻めで、**1スタック2～2.56TB/s**、**容量は最大64GB/スタック**まで見える——これが“次世代AI/GPUのエンジン”たる所以です。","render_override":null},{"id":"blk_8a5ee982-5912-492a-a4e3-dcf587bd59b1","kind":"thematic_break","order":46,"section_id":"sec_f3094e2d-1f03-4b0a-9e49-9820cfba53e9","character_id":null,"markdown":"---","render_override":null},{"id":"blk_959a8467-8e8f-4348-9b48-58fb7b8c73ea","kind":"heading","order":47,"section_id":"sec_589d09c5-a5e9-47f2-a94a-1f57d1d85773","character_id":null,"markdown":"## スペック表の読み方・実戦メモ（GDDRとHBM）","render_override":null},{"id":"blk_253c6753-016c-43fc-8403-bf3722d80990","kind":"list","order":48,"section_id":"sec_589d09c5-a5e9-47f2-a94a-1f57d1d85773","character_id":null,"markdown":"- **GDDR系**\n \n 1. **バス幅**（192/256/320/384bit…）を見る\n 2. **チップ枚数 ≒ バス幅/32**（x32が基本） → **概容量＝（チップ容量）×（枚数）**\n 3. **帯域＝（バス幅/8）×Gb/s**（Gb/sはそのまま使う）\n 4. **GDDR6X**は**JEDEC標準外のベンダー拡張**（Micron×NVIDIA、PAM4）。“標準”と混同しない。([Tom's Hardware](https://www.tomshardware.com/news/micron-reveals-gddr6x-details-the-future-of-memory-or-a-proprietary-dram?utm_source=chatgpt.com))\n- **HBM系**\n \n 1. **スタック数**（= 本数）を見る\n 2. **1スタック容量＝（ダイ密度）×（Hi）** → **総容量＝スタック数倍**\n 3. **1スタック帯域＝（2,048/8）×Gb/s**（HBM4） → **総帯域＝スタック数倍**\n 4. 実効は**冷却・電力・配線品質**で上下。レビューでは**温度・スロットリング挙動**も必ず確認。","render_override":null},{"id":"blk_68d9ce01-b82d-4560-b40c-cd6b2b304283","kind":"thematic_break","order":49,"section_id":"sec_589d09c5-a5e9-47f2-a94a-1f57d1d85773","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4300eab5-7e69-4754-84e8-6cc1bab229a5","kind":"heading","order":50,"section_id":"sec_ae42d00c-b1a5-46eb-986e-e9355e4ece2c","character_id":null,"markdown":"## よくある疑問に一言で","render_override":null},{"id":"blk_d9f6aed9-a8ce-4e37-bf45-eca82f207df4","kind":"list","order":51,"section_id":"sec_ae42d00c-b1a5-46eb-986e-e9355e4ece2c","character_id":null,"markdown":"- **「HBMに“VRAM”はあるの？」** \n → **ある**。HBMは**規格名**、VRAMは**使い方（用途名）**。GPU直結のHBMは、そのボードの**VRAMそのもの**。\n- **「バス幅と容量って関係ある？」** \n → **直接はない**。**容量=密度×段数**、**速さ=バス幅×Gb/s**。\n- **「Hiって何者？」** \n → **縦積み枚数**。8/12/16-Hi の“高さ”で容量を稼ぐ。\n- **「per-pin ってなに？」** \n → **1本の信号線の速度**（Gb/s）。HBM4は標準8Gb/s、SK hynixは10Gb/s超を公表。([Tom's Hardware](https://www.tomshardware.com/pc-components/ram/jedec-finalizes-hbm4-memory-standard-with-major-bandwidth-and-efficiency-upgrades?utm_source=chatgpt.com))","render_override":null},{"id":"blk_7c6def7e-8ea6-4e9e-a7cf-1a77f9532fb4","kind":"thematic_break","order":52,"section_id":"sec_ae42d00c-b1a5-46eb-986e-e9355e4ece2c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2a98bfa9-3581-4e98-b6e0-daab0834a310","kind":"heading","order":53,"section_id":"sec_fd88b1c3-bbb3-44dd-aea3-6d31b06ca586","character_id":null,"markdown":"## 1スーパーチップ事のHBMスタック数","render_override":null},{"id":"blk_3b29426e-16da-4bad-93c0-0203315627d2","kind":"paragraph","order":54,"section_id":"sec_fd88b1c3-bbb3-44dd-aea3-6d31b06ca586","character_id":null,"markdown":"主要アクセラレータの**HBMスタック数（横に何本）**・**総容量（VRAM）**・**実効帯域**をざっと俯瞰できる表から。数字は“1 GPU（または1スーパー チップ）あたり”の代表値です（OEMや世代差で微差あり）。","render_override":null},{"id":"blk_a3ecbdd5-fded-494b-b345-e0e786833d62","kind":"figure","order":55,"section_id":"sec_fd88b1c3-bbb3-44dd-aea3-6d31b06ca586","character_id":null,"markdown":"![](/media/61a721681ad8d3293fc3e4e108948fa2e9a6168186e17adf8b41281c2f1d63f1-content.webp)","render_override":null},{"id":"blk_94a0879c-ddc5-4bc0-b622-75118dd50206","kind":"paragraph","order":56,"section_id":"sec_fd88b1c3-bbb3-44dd-aea3-6d31b06ca586","character_id":null,"markdown":"\\* スタック数＝“パッケージ上でGPUダイの周囲に並ぶHBMスタックの本数（横）”。 \n（注）GB200は**B200×2**の“スーパー チップ”なので、表示は**1スーパー チップ**単位。Grace CPU側のLPDDR5Xメモリは別枠です（最大480GB級が一般的ですが、HBMではありません）。([Lenovo Press](https://lenovopress.lenovo.com/lp1732-thinksystem-nvidia-h100-pcie-gen5-gpu?utm_source=chatgpt.com))","render_override":null},{"id":"blk_1d233831-31a7-4124-98ef-b8d48fb0f183","kind":"thematic_break","order":57,"section_id":"sec_fd88b1c3-bbb3-44dd-aea3-6d31b06ca586","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4cdd6bdf-9fbe-43a6-b5f6-06eaca1116c9","kind":"heading","order":58,"section_id":"sec_200e060a-102a-4365-b986-0288208e4cce","character_id":null,"markdown":"## 「スタック数の最大値」は何で決まる？（横の上限）","render_override":null},{"id":"blk_e170b9e8-3206-476c-8f2f-50a67934dfc0","kind":"list","order":59,"section_id":"sec_200e060a-102a-4365-b986-0288208e4cce","character_id":null,"markdown":"- **現行実装の上限は8スタック**が主流（B200、MI3xx、Gaudi 3 など）。基板サイズ／シリコンインターポーザ面積（“ビーチフロント”）／熱設計が制約。\n- **次の増加ポイントは12スタック**：TSMCはCoWoS-Lの拡張で\\*\\*“最大12 HBMスタック”\\*\\*を公式に示しており、**2027年量産**のロードマップが公表済み。これは“横に何本置けるか”の物理上限を押し上げます。([ori.co](https://www.ori.co/blog/nvidia-h200-vs-h100?utm_source=chatgpt.com))","render_override":null},{"id":"blk_1e9caab8-9827-4905-891e-bcc317c870e2","kind":"quote","order":60,"section_id":"sec_200e060a-102a-4365-b986-0288208e4cce","character_id":null,"markdown":"> 実務的には「8→12スタック」への拡張で、同じ世代でも**容量・帯域が直線的に伸びる**（電力/冷却/歩留まりとのトレードオフは増大）。","render_override":null},{"id":"blk_f56a817e-f163-4d99-a0ab-dcb448018ccd","kind":"thematic_break","order":61,"section_id":"sec_200e060a-102a-4365-b986-0288208e4cce","character_id":null,"markdown":"---","render_override":null},{"id":"blk_fad66aa9-6380-417b-9899-249fd67c594d","kind":"heading","order":62,"section_id":"sec_6dc85931-8a82-4668-b0a7-853b73539bcb","character_id":null,"markdown":"## 「Hi（層数）の最大値」は？（縦の上限）","render_override":null},{"id":"blk_c77306fb-cea5-4d26-af11-bfe6e4607b67","kind":"list","order":63,"section_id":"sec_6dc85931-8a82-4668-b0a7-853b73539bcb","character_id":null,"markdown":"- **HBM3/3E**：一般に**12-Hi**（12層）まで。\n- **HBM4**：標準で**12-Hi/16-Hi**が想定され、1ダイ\\*\\*24Gb（=3GB）\\*\\*クラスが主流見込み。\n \n - 12-Hi ⇒ **36GB/スタック**、16-Hi ⇒ **48GB/スタック**が目安。([Tom's Hardware](https://www.tomshardware.com/tech-industry/semiconductors/hbm-roadmaps-for-micron-samsung-and-sk-hynix-to-hbm4-and-beyond?utm_source=chatgpt.com))\n- さらにHBM4は**I/Oが2,048-bitに倍増**、JEDEC基準の**8 Gb/s/Pin**に対し、各社は**10 Gb/s級**をアピール。\\*\\*電力効率も＋40%\\*\\*をうたいます。([micron.com](https://www.micron.com/products/memory/hbm/hbm3e?srsltid=AfmBOorpfe8OSw1Jm18zeRnkmskpkKY4s9Z94udXzqrQIthdWimdCgAP&utm_source=chatgpt.com))","render_override":null},{"id":"blk_05d97147-47d2-43f2-8377-1ea1881fa0b6","kind":"thematic_break","order":64,"section_id":"sec_6dc85931-8a82-4668-b0a7-853b73539bcb","character_id":null,"markdown":"---","render_override":null},{"id":"blk_3b44461c-a5f4-46ff-9d18-a368f40b4d89","kind":"heading","order":65,"section_id":"sec_f883f54e-842a-4642-9075-109c014b7c11","character_id":null,"markdown":"## SK hynixのHBM4：どこまで来ている？","render_override":null},{"id":"blk_b17652e8-48a8-4f2b-99f8-e7067aca7607","kind":"list","order":66,"section_id":"sec_f883f54e-842a-4642-9075-109c014b7c11","character_id":null,"markdown":"- **2025年9月**に**HBM4の開発完了と量産準備**を公式発表。**2,048-bit**、**\\>10 Gb/s/pin**、**12-Hi対応**などを明示。([SK hynix Newsroom -](https://news.skhynix.com/sk-hynix-completes-worlds-first-hbm4-development-and-readies-mass-production/?utm_source=chatgpt.com))\n- 業界ロードマップでは、**12-Hi/16-Hi**と**24Gbダイ**を前提に**36～48GB/スタック**が標準化される見込み。次世代（HBM4E）も視野。([Tom's Hardware](https://www.tomshardware.com/tech-industry/semiconductors/hbm-roadmaps-for-micron-samsung-and-sk-hynix-to-hbm4-and-beyond?utm_source=chatgpt.com))","render_override":null},{"id":"blk_4bc2c08e-f26e-4d3b-b654-0a8a8b68218f","kind":"thematic_break","order":67,"section_id":"sec_f883f54e-842a-4642-9075-109c014b7c11","character_id":null,"markdown":"---","render_override":null},{"id":"blk_aa2b01ec-8a33-4282-a35e-57f4bf920c38","kind":"heading","order":68,"section_id":"sec_edd4e924-31b6-4691-9154-f13977efb4c5","character_id":null,"markdown":"## これから“何が”増えるのか（まとめ）","render_override":null},{"id":"blk_3a47f80a-9351-4917-98e6-9489748d989f","kind":"list","order":69,"section_id":"sec_edd4e924-31b6-4691-9154-f13977efb4c5","character_id":null,"markdown":"1. **横**（スタック数） \n → **8 → 12スタック**へ。パッケージング（CoWoS-L/R等）の発展で**総容量・総帯域が素直に伸びる**。([ori.co](https://www.ori.co/blog/nvidia-h200-vs-h100?utm_source=chatgpt.com))\n2. **縦**（Hi：層数） \n → **HBM4で12-Hi/16-Hi**が一般化し、**1スタック=36～48GB**時代へ。([Tom's Hardware](https://www.tomshardware.com/tech-industry/semiconductors/hbm-roadmaps-for-micron-samsung-and-sk-hynix-to-hbm4-and-beyond?utm_source=chatgpt.com))\n3. **I/Oとピン速度** \n → **2048-bit ×（8～10+ Gb/s/pin）で帯域が1スタックあたり倍増級**。同一電力での効率も改善。([micron.com](https://www.micron.com/products/memory/hbm/hbm3e?srsltid=AfmBOorpfe8OSw1Jm18zeRnkmskpkKY4s9Z94udXzqrQIthdWimdCgAP&utm_source=chatgpt.com))\n4. **製品例の見通し**","render_override":null},{"id":"blk_d48183e5-7eb5-466b-8e6b-25db583cfaf9","kind":"list","order":70,"section_id":"sec_edd4e924-31b6-4691-9154-f13977efb4c5","character_id":null,"markdown":"- **GB200/B200級**：8スタック→**将来12スタック**版が視野。HBM4化で“**（スタック数）×（層数）×（ピン速度）**”の三重増。\n- **AMD MI350/355X後継**：既に**288GB/～8TB/s**まで到達。HBM4採用世代で\\*\\*\\>300GB/8TB/s超\\*\\*が当たり前に。([AMD](https://www.amd.com/content/dam/amd/en/documents/instinct-tech-docs/product-briefs/amd-instinct-mi350x-gpu-brochure.pdf?utm_source=chatgpt.com))\n- **Gaudi系**：現行はHBM2e 128GB/3.7TB/s。HBM4世代では**容量・帯域のテコ入れ**が鍵。([cdrdv2-public.intel.com](https://cdrdv2-public.intel.com/817486/gaudi-3-ai-accelerator-white-paper.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_d200a13f-b5dc-4674-977d-6c3dbc3f245c","kind":"thematic_break","order":71,"section_id":"sec_edd4e924-31b6-4691-9154-f13977efb4c5","character_id":null,"markdown":"---","render_override":null},{"id":"blk_8548f64a-a3ed-4a92-86f9-616ceaba2d0c","kind":"heading","order":72,"section_id":"sec_f9f5582d-ac42-48e0-9188-2d47aaa9e1da","character_id":null,"markdown":"## 余談：GB200の“VRAMはいくつ？”問題","render_override":null},{"id":"blk_0ae5c8d2-95e1-4385-8948-5e82d09490cb","kind":"list","order":73,"section_id":"sec_f9f5582d-ac42-48e0-9188-2d47aaa9e1da","character_id":null,"markdown":"- **B200単体**は**192GB/～8TB/s**が目安（8スタック）。([NVIDIA Developer](https://developer.nvidia.com/blog/nvidia-hopper-architecture-in-depth/?utm_source=chatgpt.com))\n- **GB200 Superchip**は**B200×2**なので、\\*\\*“HBM合計は最大372GB/スーパー チップ”\\*\\*と記すサーバーベンダーの資料が多数（ECCや予約領域を含む“可用容量”の表記差に注意）。([Lenovo Press](https://lenovopress.lenovo.com/lp1732-thinksystem-nvidia-h100-pcie-gen5-gpu?utm_source=chatgpt.com))","render_override":null},{"id":"blk_513b7f72-7353-493e-a582-8f8eaedf5406","kind":"thematic_break","order":74,"section_id":"sec_f9f5582d-ac42-48e0-9188-2d47aaa9e1da","character_id":null,"markdown":"---","render_override":null},{"id":"blk_aa21d320-0397-416b-9151-52b528eec5f5","kind":"heading","order":75,"section_id":"sec_115e2b48-e0fe-451d-9971-db79642ed6c0","character_id":null,"markdown":"### 使い分けの指針（再掲）","render_override":null},{"id":"blk_2f9ce5b8-53f4-4de7-a69c-daf34ffea42d","kind":"list","order":76,"section_id":"sec_115e2b48-e0fe-451d-9971-db79642ed6c0","character_id":null,"markdown":"- **VRAM容量（=HBM容量）は大規模モデルの収容力**に直結。\n- **帯域**は学習/推論時の**スループット**に直結。\n- **スタック数（横）とHi（縦）**、**ピン速度**の三つ巴で“**総容量×実効帯域**”が決まる、という理解でOK。","render_override":null},{"id":"blk_aed3b29f-9d61-4892-b221-322970d704f4","kind":"thematic_break","order":77,"section_id":"sec_115e2b48-e0fe-451d-9971-db79642ed6c0","character_id":null,"markdown":"---","render_override":null},{"id":"blk_20ef95d5-30c4-4bf4-9f1b-d826e40489f2","kind":"heading","order":78,"section_id":"sec_01624ec0-c65d-4896-914d-7bd0da75fd8a","character_id":null,"markdown":"## I/Oピンのbitとは？","render_override":null},{"id":"blk_db39da94-64bd-420d-84bd-4d7591eb9c3f","kind":"list","order":79,"section_id":"sec_01624ec0-c65d-4896-914d-7bd0da75fd8a","character_id":null,"markdown":"- HBMの**データI/O幅（bus width）は「1本のDQピン＝1bit幅」として数えます。 \n 例：HBM2/3は1024-bit**＝1024本のデータピン、HBM4は**2048-bit**。この“bit”が広いほど同じピン速度でも帯域は大きくなります。HBMはチャネルを束ねてこの幅を作ります（HBM2=8×128bit、HBM3=16×64bit、HBM4=32×64bit）。([EE Times Asia](https://www.eetasia.com/19012202-jedec-looks-to-push-hbms-limits/))\n- \\*\\*ピンあたり転送速度（Gb/s per pin）\\*\\*は1ピンで何ギガビット/秒送れるか。DDR系なので両エッジ転送ですが、公開されるGb/s値はその効果込みの“実効”です。\n- \\*\\*帯域幅（1スタック）\\*\\*は \n **帯域\\[GB/s\\] =（I/O幅\\[bit\\] ÷ 8）×（ピンあたり速度\\[Gb/s\\]）**。 \n ※bit→Byte換算で÷8。","render_override":null},{"id":"blk_d1cf2ea4-2971-4574-bbaf-3df01ed27974","kind":"heading","order":80,"section_id":"sec_b2a43f0c-7f48-4d92-bbd6-393fd0ae60cc","character_id":null,"markdown":"## 世代ごとのI/O構成と帯域（代表値）","render_override":null},{"id":"blk_68624f4d-112a-4d92-a90e-842fed52eaf1","kind":"figure","order":81,"section_id":"sec_b2a43f0c-7f48-4d92-bbd6-393fd0ae60cc","character_id":null,"markdown":"![](/media/aa1cafbc71accb2a76d6c533f417131c3fd00177df96155c48ebcf3cda67a481-content.webp)","render_override":null},{"id":"blk_45b13362-439b-42b1-b361-a1350cf98dee","kind":"paragraph","order":82,"section_id":"sec_b2a43f0c-7f48-4d92-bbd6-393fd0ae60cc","character_id":null,"markdown":"**出典（構成と速度）**","render_override":null},{"id":"blk_feeabdc7-39f1-4fce-9eee-2a1dc0355472","kind":"list","order":83,"section_id":"sec_b2a43f0c-7f48-4d92-bbd6-393fd0ae60cc","character_id":null,"markdown":"- HBM/2：1チャネル128bit、HBM2は疑似チャネル（64+64）を導入、最大2.4Gb/sまで拡張。([EE Times Asia](https://www.eetasia.com/19012202-jedec-looks-to-push-hbms-limits/))\n- HBM3：**16×64bit＝1024-bit**構成、**6.4Gb/s**で\\*\\*〜819 GB/s/stack\\*\\*。([synopsys.com](https://www.synopsys.com/articles/hbm3-ip-dwtb.html?utm_source=chatgpt.com))\n- HBM3E：1024-bit据え置きで**9.2〜9.6Gb/s**（ベンダーにより表記差）。([Medium](https://medium.com/chip-design-insider/the-role-of-high-bandwidth-memory-hbm-in-advancing-ai-caffc63154e5?utm_source=chatgpt.com))\n- HBM4：**2048-bit**へ倍増、JEDECは**8Gb/s/pin** → **2TB/s/stack**。([オールアバウトサーキット](https://www.allaboutcircuits.com/news/jedec-officially-releases-hbm4-memory-standard/?utm_source=chatgpt.com))\n \n - SK hynixは**10Gb/s/pin**達成を発表（JEDEC比+25%）。([SK hynix Newsroom -](https://news.skhynix.com/sk-hynix-completes-worlds-first-hbm4-development-and-readies-mass-production/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_bf0a569c-eca9-4c01-91f1-5cbcc38d63fa","kind":"quote","order":84,"section_id":"sec_b2a43f0c-7f48-4d92-bbd6-393fd0ae60cc","character_id":null,"markdown":"> 補足：I/Oは「データDQ」に加えてコマンド/アドレス/クロックなどの信号もあり、HBM3E世代では**総配線は約2000本規模**に達します（データ+制御）。このため実装はシリコンインターポーザ等の2.5D配線技術が必須になります。([Semiconductor Engineering](https://semiengineering.com/hbm3e-all-about-bandwidth/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_796426d1-fd0b-40f0-98d3-02f5aebdcb93","kind":"heading","order":85,"section_id":"sec_2cc76a29-a533-44ee-b7cb-827741642dee","character_id":null,"markdown":"## 計算式とサクッと計算例","render_override":null},{"id":"blk_a7268182-bd43-49fa-ae30-c05b88f80045","kind":"list","order":86,"section_id":"sec_2cc76a29-a533-44ee-b7cb-827741642dee","character_id":null,"markdown":"- **式**：帯域\\[GB/s\\] = (I/O幅\\[bit\\] ÷ 8) ×（ピン速度\\[Gb/s\\]）\n- 例1：HBM3（1024-bit, 6.4Gb/s）→ (1024/8)×6.4 = **819.2 GB/s**。([ServeTheHome](https://www.servethehome.com/jedec-publishes-jesd238-hbm3-spec-for-next-gen-accelerators/?utm_source=chatgpt.com))\n- 例2：HBM4（2048-bit, 8.0Gb/s）→ (2048/8)×8.0 = **2048 GB/s = 2.0 TB/s**。([オールアバウトサーキット](https://www.allaboutcircuits.com/news/jedec-officially-releases-hbm4-memory-standard/?utm_source=chatgpt.com))\n- 例3：HBM3E（1024-bit, 9.6Gb/s）→ (1024/8)×9.6 = **1228.8 GB/s ≈ 1.23 TB/s**。\n- 例4（ベンダー実装例）：HBM4（2048-bit, 10Gb/s）→ (2048/8)×10 = **2560 GB/s = 2.56 TB/s**。([ServeTheHome](https://www.servethehome.com/sk-hynix-produces-hbm4-faster-than-jedec-specs-entering-mass-production/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_0e56f1f7-c88e-44fa-9941-567e2c000006","kind":"heading","order":87,"section_id":"sec_1a1269f3-a340-4c9e-a8c9-46711ab033b4","character_id":null,"markdown":"## 進化のポイント（I/Oピン視点）","render_override":null},{"id":"blk_4fc8e6e9-01de-43f6-834f-a1d0ed2325ed","kind":"list","order":88,"section_id":"sec_1a1269f3-a340-4c9e-a8c9-46711ab033b4","character_id":null,"markdown":"1. **幅を広げる**：HBM→HBM3までは**1024-bit**で推移、HBM4で**2048-bit**に倍増（チャネルも8→16→32へ）。([ServeTheHome](https://www.servethehome.com/jedec-publishes-jesd238-hbm3-spec-for-next-gen-accelerators/?utm_source=chatgpt.com))\n2. **ピン速度を上げる**：1.0→2.4→3.6→6.4→9.x→8（HBM4 JEDEC）/10（実装例）。世代ごとに信号方式・クロッキング・RAS/ECC強化などで引き上げ。([EE Times Asia](https://www.eetasia.com/19012202-jedec-looks-to-push-hbms-limits/))\n3. **制御の細分化**：HBM2の疑似チャネル導入→HBM3で**16×64bit**化→HBM4で**32×64bit**化。並列度が増え、実効性が上がります。([EE Times Asia](https://www.eetasia.com/19012202-jedec-looks-to-push-hbms-limits/))","render_override":null},{"id":"blk_09920c45-ceee-43b1-a9dd-d154887a2c8b","kind":"thematic_break","order":89,"section_id":"sec_1a1269f3-a340-4c9e-a8c9-46711ab033b4","character_id":null,"markdown":"---","render_override":null},{"id":"blk_47d3c283-d9e2-47f5-b8d3-1014ce3c88ec","kind":"paragraph","order":90,"section_id":"sec_1a1269f3-a340-4c9e-a8c9-46711ab033b4","character_id":null,"markdown":"この記事の狙いは「**数字が意味でつながる体験**」です。","render_override":null},{"id":"blk_d9f18eb9-4c6d-429a-a77d-c2a0260dab0a","kind":"list","order":91,"section_id":"sec_1a1269f3-a340-4c9e-a8c9-46711ab033b4","character_id":null,"markdown":"- \\*\\*HBM＝“幅を倍に、積み重ねで容量を伸ばし、短配線で効率を上げる”\\*\\*発想。\n- **GDDR＝“x32チップを並べて幅を作り、レートで速さを足す”発想。 \n どちらも式に落ちると読みやすい。次にスペック表を見かけたら、（バス幅/8）×Gb/s**と、**密度×Hi×スタック数**を指でなぞってみてください。もう“ただの数字”ではなくなります。","render_override":null},{"id":"blk_e475712e-d3a9-4407-9fc8-d1696cfb505e","kind":"thematic_break","order":92,"section_id":"sec_1a1269f3-a340-4c9e-a8c9-46711ab033b4","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c595130e-8d1f-458b-af96-504164ccb4b8","kind":"paragraph","order":93,"section_id":"sec_1a1269f3-a340-4c9e-a8c9-46711ab033b4","character_id":null,"markdown":"参照（主要ソース）","render_override":null},{"id":"blk_cfc3b4cc-2a35-45d5-957d-45aabcf01bae","kind":"list","order":94,"section_id":"sec_1a1269f3-a340-4c9e-a8c9-46711ab033b4","character_id":null,"markdown":"- **JEDEC HBM4 概要**：**2,048-bit**, **8Gb/s/ピン**, **32チャネル**, **最大64GB/スタック**（24/32Gb×16-Hi）。([Tom's Hardware](https://www.tomshardware.com/pc-components/ram/jedec-finalizes-hbm4-memory-standard-with-major-bandwidth-and-efficiency-upgrades?utm_source=chatgpt.com))\n- **Cadence**：HBM4の**24Gb/32Gb密度**と**16-Hiで64GB/スタック**の解説。([Cadence Community](https://community.cadence.com/cadence_blogs_8/b/ip/posts/hbm4-boosts-memory-performance-for-ai-training?utm_source=chatgpt.com))\n- **SK hynix**：HBM4 **開発完了・量産準備**／**10Gb/s超/ピン**公表。([SK hynix Newsroom -](https://news.skhynix.com/sk-hynix-completes-worlds-first-hbm4-development-and-readies-mass-production/?utm_source=chatgpt.com))\n- **報道**：HBM4 **サンプル～量産**の進捗、**2,048-I/O×10Gb/s**級の文脈。([Reuters](https://www.reuters.com/world/sk-hynix-says-readying-hbm4-production-after-completing-internal-certification-2025-09-12/?utm_source=chatgpt.com))\n- **GDDR6のx32（32 DQ）**：1チップ=**32bit幅**の一次資料。([assets.micron.com](https://assets.micron.com/adobe/assets/urn%3Aaaid%3Aaem%3Ad5533dc7-d0ed-4fb2-a784-2208c94e7a9b/renditions/original/as/gddr6-product-flyer.pdf?utm_source=chatgpt.com))\n- H100/H200/B200/GB200のメモリ仕様とベンダー資料：NVIDIA公式・Supermicro等。([TRG Datacenters](https://www.trgdatacenters.com/resource/nvidia-h100-price/?utm_source=chatgpt.com))\n- AMD MI300X/MI325X/MI350X/MI355Xの容量・帯域：AMD資料/各種報道。([Civo.com](https://www.civo.com/blog/comparing-nvidia-b200-and-h100?utm_source=chatgpt.com))\n- Intel Gaudi 3の容量・帯域：Intelホワイトペーパーほか。([cdrdv2-public.intel.com](https://cdrdv2-public.intel.com/817486/gaudi-3-ai-accelerator-white-paper.pdf?utm_source=chatgpt.com))\n- **TSMC CoWoS-L**の“**12スタック**”ロードマップ：TSMC公式。([ori.co](https://www.ori.co/blog/nvidia-h200-vs-h100?utm_source=chatgpt.com))\n- **JEDEC HBM4の骨子**（2048-bit/8Gb/s/pin、12–16Hi想定など）とロードマップ記事：JEDEC公開情報の解説、各業界紙。([micron.com](https://www.micron.com/products/memory/hbm/hbm3e?srsltid=AfmBOorpfe8OSw1Jm18zeRnkmskpkKY4s9Z94udXzqrQIthdWimdCgAP&utm_source=chatgpt.com))\n- **SK hynix HBM4**の最新発表（開発完了・量産準備、10Gb/s級、12-Hi等）：公式ニュース/報道。([SK hynix Newsroom -](https://news.skhynix.com/sk-hynix-completes-worlds-first-hbm4-development-and-readies-mass-production/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_0e587db0-58fc-4a99-b2fe-74c551d53203","kind":"thematic_break","order":95,"section_id":"sec_1a1269f3-a340-4c9e-a8c9-46711ab033b4","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f8585763-d02f-470f-bbaf-de4fc2e9091b","kind":"paragraph","order":96,"section_id":"sec_1a1269f3-a340-4c9e-a8c9-46711ab033b4","character_id":null,"markdown":"サムネ　pixai sunflowerモデル","render_override":null}],"audio":[],"omitted_media":[],"figures":[{"id":"plc_7f9b10eb-3f1b-498b-82ad-c96b83bfd5bf","block_id":"blk_8a9284b1-fea9-4b7e-85ca-14470d119c7c","asset_revision_id":"avr_96051bc6-5d8b-427f-a636-068792a8c831","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_aa78dfbf-d956-488a-b77e-61077ba625cc"],"explained_by":[],"source_path":"media/bed96126d7031a93ed88415806efdec6c44aa2f6c072f3efda3ef98b21acd8a4.png","path":"/media/bed96126d7031a93ed88415806efdec6c44aa2f6c072f3efda3ef98b21acd8a4-content.webp","display_derivative":{"source_sha256":"bed96126d7031a93ed88415806efdec6c44aa2f6c072f3efda3ef98b21acd8a4","thumbnail":{"path":"media/bed96126d7031a93ed88415806efdec6c44aa2f6c072f3efda3ef98b21acd8a4-thumbnail.webp","width":427,"height":224,"bytes":10132,"sha256":"678becc09d0c91d9f8700e89648a213e9411fc64dd85a2d484fc101033318702"},"content":{"path":"media/bed96126d7031a93ed88415806efdec6c44aa2f6c072f3efda3ef98b21acd8a4-content.webp","width":427,"height":224,"bytes":17630,"sha256":"5a97ffcb917c86cfd493c26b88180072a29d5ac2bfb2833c66bcfa9a23876960"}}},{"id":"plc_9543fab4-9606-4918-a8db-f26fb1cb0724","block_id":"blk_1589661e-4c14-47f2-a091-1a144d5b7c3b","asset_revision_id":"avr_8dd8f150-0595-419d-a66f-3e43c52a0d88","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_765b9c3e-47e4-44d3-b522-5f22dcc2af6e","blk_5cca56bd-b329-4d4c-a659-df8e434f9955"],"explained_by":[],"source_path":"media/da4aa14e8fee4b8ce29f565780e82d89cac0aa798b5f4fbc8e502029e078297a.png","path":"/media/da4aa14e8fee4b8ce29f565780e82d89cac0aa798b5f4fbc8e502029e078297a-content.webp","display_derivative":{"source_sha256":"da4aa14e8fee4b8ce29f565780e82d89cac0aa798b5f4fbc8e502029e078297a","thumbnail":{"path":"media/da4aa14e8fee4b8ce29f565780e82d89cac0aa798b5f4fbc8e502029e078297a-thumbnail.webp","width":560,"height":350,"bytes":18154,"sha256":"24749b1b7940ead4230e1dd032b1251d625b506f7076eaeb132fb3ae363c16d5"},"content":{"path":"media/da4aa14e8fee4b8ce29f565780e82d89cac0aa798b5f4fbc8e502029e078297a-content.webp","width":833,"height":520,"bytes":46042,"sha256":"814e09717dd3e07f1141fe517e065190cea888dc860d332d7415c6137d24b19d"}}},{"id":"plc_ae19d5c8-1479-40b5-9a1a-3ba2d084b528","block_id":"blk_aa533d93-4286-4f66-a7c5-944b6df08338","asset_revision_id":"avr_9722e911-fca2-4165-a27e-12ed0cdf9867","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_044f52e1-dfb7-4cb9-a15d-ee45fcc42288","blk_56b56fb3-0c75-4e72-b523-aac2581af0a3"],"explained_by":[],"source_path":"media/7a546bd682d820109e22c0b7256b9cc5f934ef92896600634b14481d59e9f3ef.png","path":"/media/7a546bd682d820109e22c0b7256b9cc5f934ef92896600634b14481d59e9f3ef-content.webp","display_derivative":{"source_sha256":"7a546bd682d820109e22c0b7256b9cc5f934ef92896600634b14481d59e9f3ef","thumbnail":{"path":"media/7a546bd682d820109e22c0b7256b9cc5f934ef92896600634b14481d59e9f3ef-thumbnail.webp","width":560,"height":154,"bytes":9040,"sha256":"797c19ae8e5894a51f594cf9d8551c1a08b955dfad55de325283fb6b353bf43e"},"content":{"path":"media/7a546bd682d820109e22c0b7256b9cc5f934ef92896600634b14481d59e9f3ef-content.webp","width":783,"height":215,"bytes":19892,"sha256":"9555861faed7b727015a72c44ea09b93a82e2655eb5d48fc8c49e3998c92a7dd"}}},{"id":"plc_d76aff75-a4ab-4c08-886e-59d67f157074","block_id":"blk_fe1c7b6e-0c35-4dca-9b75-344de99ee6f7","asset_revision_id":"avr_ce9ecd47-5018-4b21-9d2e-dfcbe107855f","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_1a1cb5a0-8fd0-47a2-813f-ec9c77859852","blk_733f9886-126b-4b60-96b7-88387044e883"],"explained_by":[],"source_path":"media/3d6479dcef82fe0934746e7a421c3a019989f88d041cadb6bf64f1327120baa6.png","path":"/media/3d6479dcef82fe0934746e7a421c3a019989f88d041cadb6bf64f1327120baa6-content.webp","display_derivative":{"source_sha256":"3d6479dcef82fe0934746e7a421c3a019989f88d041cadb6bf64f1327120baa6","thumbnail":{"path":"media/3d6479dcef82fe0934746e7a421c3a019989f88d041cadb6bf64f1327120baa6-thumbnail.webp","width":560,"height":89,"bytes":4610,"sha256":"924db1881f49a6f47a46fb8c33d653c5604db249c5fa2c4bee996324ddb263db"},"content":{"path":"media/3d6479dcef82fe0934746e7a421c3a019989f88d041cadb6bf64f1327120baa6-content.webp","width":764,"height":121,"bytes":9716,"sha256":"6ed8fae3d3370abcde4b1a8641820f423aaabd9c73e1d71bc896d366fa890f2b"}}},{"id":"plc_478ec83d-be93-4798-9d9d-8aedadd5c383","block_id":"blk_a3ecbdd5-fded-494b-b345-e0e786833d62","asset_revision_id":"avr_879823a1-09a5-484d-9a8a-51931ffad5a8","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_3b29426e-16da-4bad-93c0-0203315627d2","blk_94a0879c-ddc5-4bc0-b622-75118dd50206"],"explained_by":[],"source_path":"media/61a721681ad8d3293fc3e4e108948fa2e9a6168186e17adf8b41281c2f1d63f1.png","path":"/media/61a721681ad8d3293fc3e4e108948fa2e9a6168186e17adf8b41281c2f1d63f1-content.webp","display_derivative":{"source_sha256":"61a721681ad8d3293fc3e4e108948fa2e9a6168186e17adf8b41281c2f1d63f1","thumbnail":{"path":"media/61a721681ad8d3293fc3e4e108948fa2e9a6168186e17adf8b41281c2f1d63f1-thumbnail.webp","width":560,"height":360,"bytes":16054,"sha256":"a5d4f82a1efa532389575502bb1a7f53d17677767806aef340c1b30bab3e3c41"},"content":{"path":"media/61a721681ad8d3293fc3e4e108948fa2e9a6168186e17adf8b41281c2f1d63f1-content.webp","width":876,"height":563,"bytes":42744,"sha256":"f5bfe80235679ce0ef0b073a071a5c575e07c5993b1b27d8dbd7c497ef13bb28"}}},{"id":"plc_4ce3656c-1061-494e-b3c6-65404685fe53","block_id":"blk_68624f4d-112a-4d92-a90e-842fed52eaf1","asset_revision_id":"avr_5d349733-d81d-47ca-ab41-ed54f467aea7","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_d1cf2ea4-2971-4574-bbaf-3df01ed27974","blk_45b13362-439b-42b1-b361-a1350cf98dee"],"explained_by":[],"source_path":"media/aa1cafbc71accb2a76d6c533f417131c3fd00177df96155c48ebcf3cda67a481.png","path":"/media/aa1cafbc71accb2a76d6c533f417131c3fd00177df96155c48ebcf3cda67a481-content.webp","display_derivative":{"source_sha256":"aa1cafbc71accb2a76d6c533f417131c3fd00177df96155c48ebcf3cda67a481","thumbnail":{"path":"media/aa1cafbc71accb2a76d6c533f417131c3fd00177df96155c48ebcf3cda67a481-thumbnail.webp","width":560,"height":290,"bytes":17148,"sha256":"cb8a8c083e3f5cbebcd8ad12f2c755d34e22ae644fd611089caf082da7c3c53d"},"content":{"path":"media/aa1cafbc71accb2a76d6c533f417131c3fd00177df96155c48ebcf3cda67a481-content.webp","width":802,"height":415,"bytes":39080,"sha256":"3a215a100833cdda2a688ed28c1ac82f48ed6d54595184a0fdae9ffc22546753"}}}],"package_sha256":"057aa6370a5932419d652bd198ea40f0086010402926f5dde9baea9889644d0e","record_type":"article","schema_version":"noia-public-article-1.1.0","dataset_version":"2026.09.23.4","urls":{"source_url":"https://note.com/atom_/n/n3e8769a26dc0","release_path":"/articles/rev_0d8f6bbc-636e-4d8d-8ba4-920514c5aff2/","canonical_url":"https://noia-grid.pages.dev/articles/rev_0d8f6bbc-636e-4d8d-8ba4-920514c5aff2/"},"time":{"created_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"published_at":{"value":"2025-09-18 22:43:38","precision":"local_datetime","timezone":null,"status":"source_metadata","basis":"Metadata only; not evidence of historical body availability."},"modified_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"analysis_as_of":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"event_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"recorded_at":{"value":"2026-09-08T05:30:26+00:00","precision":"instant","timezone":"+00:00","status":"archive_record","basis":"canonical_recorded_at"},"content_available_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"unknown"}},"legacy":{"source_date":{"value":"2025-09-18 22:43:38","meaning":"legacy_source_metadata_date","certainty":"source_metadata"}},"rights":{"license_ref":"license:not-specified","rights_status":"unknown","third_party_material":"unknown"},"integrity":{"hash_profile":"noia-evidence-json-v1","content_sha256":"5797016883eb2226564147c0e2fd0b054eaec6032aadf33e8298341867996a10","lineage":[],"previous_revision_sha256":null,"previous_revision_status":"no_parent","revision_sha256":"287c5860af0417b918cfad36411613806605b43b47dfcdf33ba5d57a1699d87e"}} {"id":"rev_a4cce969-13d1-46b4-be66-954788627617","work_id":"wrk_2beaf3ee-732b-4a38-b298-4a26d607c8fc","edition_id":"edn_a1e49f49-547d-4658-9865-b6b37115b84d","title":"HBMは本当に「最も高価なメモリー」なのか","published_at":"2026-07-04 05:44:59","source_url":"https://note.com/atom_/n/n4153735fe41b","recorded_at":"2026-09-08T05:29:18+00:00","source_date":"2026-07-04 05:44:59","thumbnail":null,"legacy_slug":null,"topics":["memory"],"sections":[{"id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","parent_section_id":null,"heading_block_id":null,"order":0,"character_id":null},{"id":"sec_785ac7e4-5b4f-4e0e-80f0-333c5022a050","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_e86ad0d0-659b-4b75-8fc1-27b4c9e3df5c","order":1,"character_id":null},{"id":"sec_8f313445-f40a-4b64-b1d0-fd75a3c714bd","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_b6b785b5-db0e-4736-b83c-309745c4691d","order":2,"character_id":null},{"id":"sec_caf0eddc-8c82-434d-a1d4-d14e8cbf62d0","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_1bbfdd13-736d-4995-ba33-b8758c886fff","order":3,"character_id":null},{"id":"sec_263e8ad8-f9c2-462e-b5a0-69b99e77f003","parent_section_id":"sec_caf0eddc-8c82-434d-a1d4-d14e8cbf62d0","heading_block_id":"blk_69c7ceba-3c94-4cc4-a25c-5ad8622dc422","order":4,"character_id":null},{"id":"sec_732f9cea-08b2-4441-9c36-88f34ebc4bc2","parent_section_id":"sec_caf0eddc-8c82-434d-a1d4-d14e8cbf62d0","heading_block_id":"blk_d00f6eb6-554b-480e-b0a8-37bef164d5a8","order":5,"character_id":null},{"id":"sec_9de06c98-b0aa-41dd-8009-08bde9c31a21","parent_section_id":"sec_caf0eddc-8c82-434d-a1d4-d14e8cbf62d0","heading_block_id":"blk_acce263a-ea14-4508-946a-91c9e79bb5c3","order":6,"character_id":null},{"id":"sec_729f97a9-d9d9-4179-a4d5-aed64d765e60","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_07beb650-417d-43af-b01e-3be936f87ef8","order":7,"character_id":null},{"id":"sec_998ec5a2-c74b-4258-8a97-c32c617f7a2f","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_ef7518b8-a1d2-4966-bbfd-2d69da3fed5f","order":8,"character_id":null},{"id":"sec_515f64b1-753d-4d6a-b3e3-a001a8644042","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_271482f1-d935-4607-8378-e5f806c03de8","order":9,"character_id":null},{"id":"sec_fd08b703-e597-4d1c-a076-ce0c8856d503","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_17369e09-64a9-4824-896d-de651ce78663","order":10,"character_id":null},{"id":"sec_704e1b91-ccdb-4bb4-8def-d227517950d1","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_5f51773e-5a96-4a4a-8298-187bc2632df3","order":11,"character_id":null},{"id":"sec_b94c5d13-b3f1-4626-94d4-4c8216a96869","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_148c2d4d-9e49-49c2-8c41-d86b140c6c3e","order":12,"character_id":null},{"id":"sec_07bd0190-4541-49ed-9cd5-889bebd958c9","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_877980d0-90e0-4658-8415-a24bc1088d18","order":13,"character_id":null},{"id":"sec_1504a0ec-a6ee-4e4c-a60e-c8ac362dd916","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_f156f12e-acb5-415f-af40-8a127c9eb2f7","order":14,"character_id":null},{"id":"sec_0dbad813-a9a0-434a-ad47-6538b1ed2286","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_edc079af-8b38-4449-81b4-75f5d63d6345","order":15,"character_id":null},{"id":"sec_76525ed8-5438-412b-bf43-7239401bdb52","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_0f58b629-77ca-447a-86d6-bc546b810021","order":16,"character_id":null},{"id":"sec_7f812e1f-b0b5-4705-bd6d-835c30e08fed","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_caf19d8d-1b42-4bee-8667-5de00be058ba","order":17,"character_id":null},{"id":"sec_1ba07b2f-493e-48ab-a9d2-7fc4fe6e2c40","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_4b99fa42-92bc-477a-8f88-0e4c4b165c71","order":18,"character_id":null},{"id":"sec_85d4adeb-5b84-4e36-ade1-1d302eae56ac","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_be83206d-6a88-4645-804c-abf9ada6d25c","order":19,"character_id":null},{"id":"sec_817e1caf-98f1-4e0c-aabe-71c27e7e993a","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_02c0c597-04c9-49bc-ad52-5d48f30553c8","order":20,"character_id":null},{"id":"sec_1b1af77b-b4ac-4045-9a15-4c6e4a1d1db3","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_4b56d93f-0f60-42b7-b8ea-436e3caed7c1","order":21,"character_id":null},{"id":"sec_b2b328be-0fc5-4b4b-8f1e-2dd3f2760844","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_9c3b3b39-b61c-4d32-baee-bc32cbec08a7","order":22,"character_id":null},{"id":"sec_aa4c86da-16e4-4fc1-b2fd-fc3d639967da","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_9b018528-48da-414e-ac90-3bafa4d7bd6e","order":23,"character_id":null},{"id":"sec_f0ed8239-70bf-496c-bd8b-244ae7f200a3","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_810fe4e2-4c7a-44a7-be93-7cbab885a7c7","order":24,"character_id":null},{"id":"sec_bf0ec203-50cc-40ef-8c58-48c7fda1f94e","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_62903174-4d35-4e43-8381-e2f69c7c940b","order":25,"character_id":null},{"id":"sec_232b8bfc-21b2-49da-8f23-f12cb56ed2e2","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_29da85af-f5df-417f-b075-19da29d46f86","order":26,"character_id":null},{"id":"sec_bb0794d1-8be0-490e-84ae-7f37014fbcd9","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_0304f608-ebea-4928-be04-0f1f3bab7921","order":27,"character_id":null},{"id":"sec_ebefbaca-9e0d-4425-91e8-e529d2cf1b68","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_3a515ed7-3427-490b-b743-f4e64115a1fb","order":28,"character_id":null},{"id":"sec_720187a0-a4e3-4acb-ba49-08fdd8f4062b","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_75f91faf-f92e-47e4-9864-2b65ac45bcee","order":29,"character_id":null},{"id":"sec_fc39d002-9c2b-41cf-8a34-a66e91abe177","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_1c9a0d16-36da-4aeb-8278-1e7473c40206","order":30,"character_id":null},{"id":"sec_01d0216c-7806-4a95-a227-62d9456e12e1","parent_section_id":"sec_fc39d002-9c2b-41cf-8a34-a66e91abe177","heading_block_id":"blk_e444ed31-a0ec-491e-94b9-e380eac3ac90","order":31,"character_id":null},{"id":"sec_f911e2f1-b068-4f5f-b3c8-b325cde03e42","parent_section_id":"sec_fc39d002-9c2b-41cf-8a34-a66e91abe177","heading_block_id":"blk_3ca09d20-4ee1-4499-a880-91776bf46630","order":32,"character_id":null},{"id":"sec_5d889672-c61e-4786-a2ee-9366ff51257d","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_ba88f825-c5de-4f13-80c9-819904e829cc","order":33,"character_id":null},{"id":"sec_88e932b9-7d40-431d-a522-fa4ffe005886","parent_section_id":"sec_5d889672-c61e-4786-a2ee-9366ff51257d","heading_block_id":"blk_77f28884-6fec-4301-800e-e41e77e037a2","order":34,"character_id":null},{"id":"sec_30be29c8-c99a-4544-a8b4-d891c4707015","parent_section_id":"sec_5d889672-c61e-4786-a2ee-9366ff51257d","heading_block_id":"blk_f23442d9-bd51-421b-8dec-1ca1bcdafe44","order":35,"character_id":null},{"id":"sec_3884c94d-ba4b-4149-ab24-9e771b722401","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_1018c5ac-9436-4af7-aa69-426fdde8517e","order":36,"character_id":null},{"id":"sec_5996da2b-1807-424f-9c07-89b05614232e","parent_section_id":"sec_3884c94d-ba4b-4149-ab24-9e771b722401","heading_block_id":"blk_6064089a-f826-49df-bd05-452fee554159","order":37,"character_id":null},{"id":"sec_ac4b4c22-4c11-4b12-a644-21c993adb108","parent_section_id":"sec_3884c94d-ba4b-4149-ab24-9e771b722401","heading_block_id":"blk_ac503a19-4f10-4ab6-8491-0d33c1151bff","order":38,"character_id":null},{"id":"sec_e990f83b-4216-443a-b62e-d7a83a39bee4","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_866f4878-ce75-4be4-99bc-d26eb93bca80","order":39,"character_id":null},{"id":"sec_100de779-ada2-41ab-8d3a-32e40cec2aef","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_261d2951-edc4-4a82-99da-f72c51acb073","order":40,"character_id":null},{"id":"sec_fe5b292e-1737-42f6-a020-b02a71dbfdcb","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_99cef13e-0bd7-4ac2-835e-c82537081d0b","order":41,"character_id":null},{"id":"sec_923d3140-be86-4d35-a924-51b329cfc30b","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_b4542601-7711-48d9-93f0-25275403880a","order":42,"character_id":null},{"id":"sec_c4b538e9-2f34-45e6-9e1e-dfca16c47e53","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_ccff186d-0a80-48e8-960e-84f4123c9c36","order":43,"character_id":null},{"id":"sec_2df73756-aebb-40ae-a040-5e8ddc8b142c","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_164adf9e-3d8b-4683-a892-d03892325166","order":44,"character_id":null},{"id":"sec_ac277e34-b810-47ba-a2ca-2296ccbbfb2f","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_609bf00f-b24f-4f2b-918e-102912e109a7","order":45,"character_id":null},{"id":"sec_9f0c6b86-c499-4cbe-bba1-aec656a33167","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_72199090-4a0c-4795-9d3a-0af7b2ceebe6","order":46,"character_id":null},{"id":"sec_cc75c0ab-30b3-4236-9d0b-c54dcdbddb4a","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_3adef0eb-6209-49ce-9160-e84e8dc2db51","order":47,"character_id":null},{"id":"sec_f158520c-7832-4a59-b034-8db9e374b49a","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_5cf6c1dc-6148-40c8-a337-3ff7bc861916","order":48,"character_id":null},{"id":"sec_21021d0e-059a-4e06-8fa0-d5633b486710","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_80faa46c-0dfd-419d-bafe-f04348780f72","order":49,"character_id":null},{"id":"sec_88ccb6ea-dae6-484f-b0c6-c157c9ee3cdf","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_8a9fbfe5-173f-4833-b6a2-51b5a9574ffb","order":50,"character_id":null},{"id":"sec_4e695214-a7a1-41ea-9511-c9af61fdb310","parent_section_id":"sec_88ccb6ea-dae6-484f-b0c6-c157c9ee3cdf","heading_block_id":"blk_e515d1b7-c99a-4f95-9c59-84a9cdb9067f","order":51,"character_id":null},{"id":"sec_14318825-2435-4b4a-8230-7ceafbd82be4","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_f5f15b9f-d03e-40e7-a3f5-26aa98059b03","order":52,"character_id":null},{"id":"sec_451ab260-47b0-4fda-abdc-60668e074e5e","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_edce8956-2236-4cea-b5d7-3e8cb04685fa","order":53,"character_id":null},{"id":"sec_447b85c2-c2ed-4f90-87b1-409d1827b55e","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_d9ca8e75-a3b5-4e6f-be54-76a73e1984d1","order":54,"character_id":null},{"id":"sec_b8bb3966-0b92-49c4-a072-7a2148712838","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_b369783c-5d13-49c1-854c-ef47ee82a2e1","order":55,"character_id":null},{"id":"sec_b672a581-13df-4be5-b1be-44cb163cf7e1","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_d2c5b6e4-c570-4539-8d2d-c0fc86017545","order":56,"character_id":null},{"id":"sec_e64a1906-994d-499b-86a1-df93fad33a5f","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_74521ec8-365e-4de0-9356-309e9fdd0b31","order":57,"character_id":null},{"id":"sec_aa8a15bb-823f-48eb-abb0-928c248909a2","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_44b57996-b73f-43b5-8448-8dd4bfbb7848","order":58,"character_id":null},{"id":"sec_9d0eda29-2512-482b-adc7-d999906722ae","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_407cad33-72e5-4fff-9dd5-6e3f3351cbbb","order":59,"character_id":null},{"id":"sec_d23fa3f3-f308-48d5-a0b7-0783dcdf918e","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_99c25153-0925-419e-8118-065d31b85d1f","order":60,"character_id":null},{"id":"sec_8887730b-6d45-40e2-b449-b3dd74ebc20b","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_0e7311f6-779a-4374-977d-b4f25cfad2f1","order":61,"character_id":null},{"id":"sec_440cc29b-d061-494b-94c3-3c9e19f58427","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_98c1a95e-63b0-474b-b1df-e64a4342675d","order":62,"character_id":null},{"id":"sec_fbdceb25-fd48-4d8c-96a3-a8633c887aa1","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_7ae68e50-bdb2-4576-b2d6-b3509b436c84","order":63,"character_id":null},{"id":"sec_a82205f8-097e-41ef-b7d7-2f68d0fae9a2","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_4eb9b325-9fff-4c61-86f5-70229228bfe2","order":64,"character_id":null},{"id":"sec_0badf3fc-e4d1-4d91-92af-f039cf2e2e5f","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_fb127807-1bf1-4c92-b8d8-0e78f847f59b","order":65,"character_id":null},{"id":"sec_b4ad4f5d-283f-4303-abcd-1ecc7ed5b30e","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_6564f69f-639f-431f-9697-cd107ed0581d","order":66,"character_id":null},{"id":"sec_50c5767e-8558-45e6-93b8-f97cf11bd7e7","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_812fece9-614e-4b5a-8f88-1b07e4be6d31","order":67,"character_id":null},{"id":"sec_ca56be7f-cce2-49ae-8a1b-174f37c88fe2","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_99dd9af5-5c03-4487-885c-92e50569911f","order":68,"character_id":null},{"id":"sec_4b8079f8-ac8a-4a87-a698-e0f38bd3756e","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_8bd83294-088a-4458-94cb-076f45d80520","order":69,"character_id":null},{"id":"sec_490a78de-e94a-4c89-96f9-2de07500d8ab","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_681c5920-3771-4d02-96b1-c07c4ce1fdeb","order":70,"character_id":null},{"id":"sec_71c3a1f0-1605-4af9-a8ec-9984ffc466f0","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_ffc969e2-a1a6-4bf0-8c8f-e885b06f7052","order":71,"character_id":null},{"id":"sec_dbf4f8c4-611d-46fd-8ace-c1841d40422b","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_7b2c85a8-d83b-46f1-8026-b8895b89d04a","order":72,"character_id":null},{"id":"sec_77aa7290-21f6-4538-b851-d56898094c59","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_52f1adfe-57c6-4257-9a6a-961b944e0818","order":73,"character_id":null},{"id":"sec_c51734dd-a052-4910-9d7c-7eeba851456d","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_7848e22e-4101-4c5e-8dbd-79d63c93966c","order":74,"character_id":null},{"id":"sec_da44235c-f067-4c6c-8d24-43fca37ac329","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_0132e4d4-bbb7-42db-984d-e9af95fa1447","order":75,"character_id":null},{"id":"sec_8cfa90ed-d809-492a-a692-8f46b9fda5e9","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_fcb2c29a-f164-4ab9-b682-11eb17cd9f80","order":76,"character_id":null},{"id":"sec_d8d37ef2-eae0-4994-9e13-ea1913d05f34","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_61552ff6-f45f-4389-8c9b-2d47a52d53ba","order":77,"character_id":null},{"id":"sec_c3d9d676-74ae-4c0b-a790-ea9af1f9cd2e","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_dc76d429-bc10-414c-83f8-b025735546b9","order":78,"character_id":null},{"id":"sec_3fe3d9ca-b292-45df-9c87-8130a8dced5c","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_5cb30d1c-f475-43ae-abb4-2fdfc3b2b347","order":79,"character_id":null},{"id":"sec_221201a2-56b7-4747-9817-08d16afe222f","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_c3467b7f-f2a6-487e-a601-116c5769093c","order":80,"character_id":null},{"id":"sec_00749093-feed-4075-90b3-02fc2f52c640","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_2c447c38-2f39-47bf-9ee7-47292d2ce9c4","order":81,"character_id":null},{"id":"sec_22bb2275-1e65-4eeb-98aa-91180c8a5827","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_b4ee6c37-9bb7-48e2-bed0-bda2594e8374","order":82,"character_id":null},{"id":"sec_eae176b0-99d4-419e-8e19-e28ff8f8f236","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_5af24df5-95e6-43d4-a184-52e70397fc57","order":83,"character_id":null},{"id":"sec_b9c06a6c-26c3-4e09-9cc0-ba38e4bb2382","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_d33b3dc7-2240-4a63-9626-e6b6939d7577","order":84,"character_id":null},{"id":"sec_b7ad2c90-4688-43ef-8047-5689af4f8de2","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_ed74bb98-2445-48e7-915f-5731c4eeeed8","order":85,"character_id":null},{"id":"sec_e90ce8ba-9a50-4d91-b1e3-efb6046fbbf4","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_fa36454d-e27b-4a2d-a7c2-e0cab3b77b95","order":86,"character_id":null},{"id":"sec_eb8730d4-5638-43b2-953c-2fc634bffdcb","parent_section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","heading_block_id":"blk_02a49378-5fc1-473c-aa69-ee985e2b0d9f","order":87,"character_id":null}],"content_available_at":{"basis":"unknown","precision":"unknown","timezone":null,"value":null},"markdown":"![](/media/1a99be3ed9e1b26fc23d0dde9d7cfdfc8930d237ffd4a201898e7b510f0d960f-content.webp)\n\n## HBMは本当に「最も高価なメモリー」なのか\n\n## レジスタ・SRAM・HBM・DRAMを、1bit当たりと製品総額の両方から比較する\n\nAI半導体の価格を見ていると、HBMは特別に高価なメモリーに見える。\n\n実際、AIアクセラレーターには数十GBから数百GBのHBMが搭載され、複数のDRAMダイ、TSV、ベースダイ、先端パッケージまで必要になる。GPUの部品コストの中でも、HBMは非常に大きな割合を占める。\n\nしかし、**同じ1GBを保存する費用**で比べると、最も高価なのはHBMではない。\n\n大まかな順番は次のようになる。\n\n> **レジスタ ＞ オンチップSRAM ＞ HBM ＞ DDR・LPDDR ＞ NAND**\n\n意外に見える理由は、「部品一式の価格」と「1bit当たりの価格」を混同しやすいからである。\n\n---\n\n## 1．「高価」には三つの意味がある\n\nメモリー価格を比較するときは、最低でも次の三つを分けなければならない。\n\n### 1bit・1GB当たりの価格\n\n同じ容量を保存するために、どれだけのシリコンと費用が必要かという比較である。\n\nこの基準では、トランジスタを大量に使うレジスタとSRAMが圧倒的に高い。\n\n### 部品一個当たりの価格\n\nHBMは1スタックで24GB、36GBなどの大容量を持つ。複数スタックをGPUの周囲へ搭載するため、部品一式では数千ドル規模になりやすい。\n\n### システム全体に与える費用\n\nオンチップSRAMを増やすと、GPUやASICのダイ面積が拡大し、ウェハーから取れるチップ数と歩留まりが悪化する。独立した部品代としては見えなくても、AIチップそのものの原価を大きく押し上げる。\n\nつまり、\n\n> **HBMは請求書上で目立つ。SRAMとレジスタはロジックダイの内部に隠れている。**\n\nという違いがある。\n\n---\n\n## 2．実際の価格を並べる\n\n価格は世代、顧客、契約時期、数量によって大きく変わる。特にHBMの契約価格と、オンチップSRAM・レジスタの原価は公開されない。\n\nそこで、公開されているBOM推計、契約価格、セル面積、ウェハー価格を使って、おおよその範囲を比較する。\n\n```\n| メモリー | 1GB当たりの概算 | 数字の性質 |\n| レジスタファイル | 300～1,000ドル超相当 | 面積から推定。実際に1GB作るのは非現実的 |\n| オンチップSRAM | 100～300ドル相当 | 先端ロジック上のシリコン・歩留まり価値 |\n| HBM3／HBM3E | 約14～20ドル | 公開BOM推計と価格動向 |\n| DDR5／LPDDR | 約5～11ドル | 大口契約・部品価格の例 |\n| NANDフラッシュ | DRAMより大幅に安い | TLC・QLC、世代、市況で変動 |\n```\n\nこの表のSRAMとレジスタは、市場で購入できる製品価格ではない。**同じ1GBを先端ロジック上へ実装した場合の、等価的な製造コスト・機会費用**である。\n\n---\n\n## 3．HBMの実価格はどれくらいか\n\nSemiAnalysisは、H100に使われる80GBのHBMについて、NVIDIAの調達費を約1,150ドルと推計していた。\n\n1GB当たりでは、\n\n**1,150ドル ÷ 80GB ＝ 約14.4ドル／GB**\n\nとなる。別の推計でもHBM3は約15ドル／GBとされていた。2026年にはHBM3Eの一部供給価格を約20％引き上げる動きも報じられているため、世代や契約によっては15～20ドル／GB程度、HBM4ではさらに高くなる可能性がある。([SemiAnalysis](https://newsletter.semianalysis.com/p/ai-server-cost-analysis-memory-is?utm_source=chatgpt.com))\n\nMicronのHBM3Eは1スタック当たり24GBまたは36GBで、1.2TB/sを超える帯域を持つ。([Micron Technology](https://www.micron.com/products/memory/hbm/hbm3e?utm_source=chatgpt.com))\n\n仮に1GB当たり15～20ドルとすると、\n\n```\n| HBM構成 | HBM単体の概算 |\n| 24GB | 約360～480ドル |\n| 36GB | 約540～720ドル |\n| 80GB | 約1,200～1,600ドル |\n| 192GB | 約2,880～3,840ドル |\n| 288GB | 約4,320～5,760ドル |\n```\n\n実際には世代、選別グレード、ベースダイ、顧客契約、パッケージ費用が異なるため、これは単純な容量換算である。\n\nそれでも、数百GBを搭載すれば、HBMの合計額が数千ドルになる理由は分かる。\n\n---\n\n## HBMは通常DRAMより何倍高いのか\n\n通常時のHBMは、一般的なDDR5より1GB当たり数倍高い。\n\nSemiAnalysisは、HBMを標準DDR5の3倍以上、LPDDRをHBMの約5分の1のコストと説明している。([SemiAnalysis](https://newsletter.semianalysis.com/p/the-memory-wall?utm_source=chatgpt.com))\n\nただし2025年後半から2026年にかけては、通常DRAMの供給不足が極端に進んだ。\n\nTrendForceはDDR5の価格例として0.65ドル／Gbを示している。1バイトは8bitなので、\n\n**0.65ドル × 8 ＝ 5.20ドル／GB**\n\nとなる。([TrendForce](https://www.trendforce.com/research/download/RP251022KY?utm_source=chatgpt.com))\n\nさらにSemiAnalysisの2026年システム原価モデルでは、LPDDRの大口調達価格が約6.77～10.63ドル／GBとされている。([SemiAnalysis](https://newsletter.semianalysis.com/p/vera-rubin-extreme-co-design-an-evolution?utm_source=chatgpt.com))\n\n現在はDRAM価格が急騰したため、特定の契約ではDDR・LPDDRとHBMの価格差がかなり縮小している。これは恒久的な技術コストの逆転というより、供給不足による市況の影響である。\n\n---\n\n## 4．SRAMを1GB作ると、どれだけ大きくなるのか\n\nTSMCが公表した5nm高密度SRAMセルは、1bit当たり0.021平方マイクロメートルである。([TSMC Research](https://research.tsmc.com/page/logic/7.html?utm_source=chatgpt.com))\n\n1GBは約85.9億bitなので、セルだけでも、\n\n**85.9億bit × 0.021µm² \n＝ 約180mm²**\n\nを必要とする。\n\nしかし実際のSRAMには、\n\n- ワード線・ビット線\n- デコーダー\n- センスアンプ\n- 書き込み回路\n- ECC\n- 冗長セル\n- 電源回路\n- クロック・制御回路\n\nが必要になる。\n\nSRAMセル配列が全体の55～70％を占めると仮定すると、1GBのSRAMマクロ全体は、\n\n**約258～328mm²**\n\nになる。\n\nこれは、SRAMだけで大型CPUやGPUに匹敵する面積を使うということである。\n\n---\n\n## SRAMの1GB当たりコストを計算する\n\n業界推計では、TSMCのN5ウェハーはおよそ1万6,000～1万7,000ドルとされてきた。([SemiAnalysis](https://newsletter.semianalysis.com/p/apples-a14-packs-134-million-transistorsmm?utm_source=chatgpt.com))\n\n300mmウェハーの面積とエッジロスを考慮すると、258～328mm²のSRAMダイを作る場合、理想的なシリコン費用だけでも数十ドルになる。\n\nそこへ、\n\n- 欠陥による歩留まり低下\n- テスト\n- ダイ選別\n- 設計費\n- パッケージ\n- 冗長領域\n- 高速・多ポート化\n\nを加えると、単純な高密度SRAMでも**1GB当たり100～200ドル前後**の等価コストになる。\n\nさらに、巨大なAIロジックダイの一部として実装する場合、SRAMが演算器を置ける面積を奪い、ダイ全体の歩留まりも悪化させる。その機会費用まで考えると、**100～300ドル／GB程度**と見るのが妥当な範囲になる。\n\nしたがってHBMが15～20ドル／GBなら、オンチップSRAMは、同容量当たりでHBMの**5～20倍程度**高くなり得る。\n\n---\n\n## 5．なぜレジスタはSRAMよりさらに高価なのか\n\n一般的な高密度SRAMは、1bitを6トランジスタで保持する6Tセルを使う。\n\nレジスタにはフリップフロップや、高速な多ポート・レジスタファイルが使われる。TSMCが公表した5nmの2ポート・レジスタファイルの例では、1bit当たり16トランジスタのセルを使っている。([TSMC Research](https://research.tsmc.com/japanese/collaborations/events/event/conferences-5.html?utm_source=chatgpt.com))\n\n単純なトランジスタ数だけでも、\n\n**16T ÷ 6T ＝ 約2.7倍**\n\nである。\n\n実際にはレジスタファイルには、\n\n- 複数の読み出しポート\n- 複数の書き込みポート\n- バイパス回路\n- 高速クロック配線\n- 大電流のドライバー\n- 多数の演算器へ向かう広い配線\n\nが必要になる。\n\nそのため1bit当たりの面積は、通常のSRAMの2～5倍以上になることがある。\n\nSRAMの等価コストを100～300ドル／GBとすれば、レジスタファイルを1GB相当まで拡張した場合、\n\n> **数百ドルから1,000ドル／GBを超える**\n\n可能性がある。\n\nただし現実には、1GBのレジスタファイルは面積、電力、配線、ポート数の面で成立しにくい。そのためこの数字は製品価格ではなく、**なぜレジスタを数十MB程度に抑える必要があるかを示す換算値**である。\n\n---\n\n## 6．なぜHBMが一番高く見えるのか\n\nレジスタとSRAMは、GPUダイの価格に埋め込まれている。\n\n購入者が見る請求書には、\n\n```\nGPUロジックダイ　○○ドル\nHBM　　　　　　○○ドル\n先端パッケージ　○○ドル\n```\n\nと表示されても、\n\n```\nレジスタ　　　　○○ドル\nL2 SRAM　　　　○○ドル\n```\n\nとは表示されない。\n\nSRAMの費用は、GPUロジックダイの面積、歩留まり、ファウンドリー代として隠れている。\n\n一方HBMは、24GBや36GBのスタックを4個、6個、8個と搭載する。MicronのHBM3Eは24GBまたは36GB、HBM4も36GBの12層構成を持つ。([Micron Technology](https://www.micron.com/products/memory/hbm/hbm3e?utm_source=chatgpt.com))\n\nそのため、1GB当たりではSRAMより安くても、**搭載容量が数百倍大きいので総額ではHBMが最大になる**。\n\n---\n\n## 7．SRAMを増やすと、AIチップの価格はどれくらい上がるか\n\n600mm²の大型AI ASICを例に考える。\n\nTSMC N5の高密度SRAMセルと、周辺回路を含む60％程度の配列効率を仮定すると、追加面積は概ね次のようになる。\n\n```\n| 追加SRAM | 推定追加面積 |\n| 64MB | 約19mm² |\n| 128MB | 約38mm² |\n| 256MB | 約75mm² |\n| 512MB | 約150mm² |\n| 1GB | 約300mm² |\n```\n\nウェハー価格を1万7,000ドル、欠陥密度を0.1個／cm²とした簡易的な歩留まりモデルでは、600mm²のダイ原価を基準として次のようになる。\n\n```\n| 構成 | ダイ面積 | 良品ダイ原価の概算 | 基準からの上昇 |\n| 元のASIC | 600mm² | 約342ドル | ― |\n| ＋256MB SRAM | 675mm² | 約422ドル | 約24％ |\n| ＋512MB SRAM | 750mm² | 約515ドル | 約51％ |\n| ＋1GB SRAM | 900mm² | 約742ドル | 約117％ |\n```\n\nこれは設計費、パッケージ、テスト、マージンを含まない説明用の試算である。実際の歩留まりは工程、設計、冗長性、欠陥密度によって大きく異なる。\n\nそれでも、SRAMを1GB増やすだけで、ダイ面積は約50％増え、良品ロジックダイ原価が倍以上になる可能性があることが分かる。\n\n---\n\n## 8．それでもSRAMを増やす理由\n\nSRAMはDRAM容量を同じだけ置き換えるために使うのではない。\n\n例えば256MBのSRAMを追加しても、256GBのHBMやDRAMが不要になるわけではない。\n\n目的は、頻繁に使うデータを演算器の近くへ残し、\n\n- HBMから同じ重みを繰り返し読まない\n- 中間結果を外部へ書き戻さない\n- 行列演算のタイルを再利用する\n- ホットなKVキャッシュを保持する\n- 演算器の待ち時間を短くする\n\nことである。\n\n```\n少量の高価なSRAMを追加\n ↓\nHBMアクセス回数を削減\n ↓\n必要帯域と消費電力を削減\n ↓\n演算器の稼働率を向上\n```\n\n例えばチップ原価が20％上昇しても、推論性能が30％向上し、必要なGPU台数を減らせるなら、データセンター全体では安くなる可能性がある。\n\nここでは「GB当たりの安さ」ではなく、**1ドル当たり何トークン処理できるか**が重要になる。\n\n---\n\n## 9．3D積層SRAMなら安くなるのか\n\nSRAMをロジックダイ上へ直接増設すると、計算ダイ全体が大型化し、歩留まりが悪化する。\n\nそこで、\n\n```\n上層：SRAMキャッシュダイ\n　　　　↕\n下層：演算ロジックダイ\n```\n\nという3D積層が検討される。\n\n別の小型SRAMダイとして製造すれば、巨大な演算ダイをさらに拡大する必要はない。\n\nしかし、\n\n- SRAMダイの製造費\n- ハイブリッドボンディング\n- Known Good Dieの選別\n- 積層後テスト\n- 熱設計\n- パッケージ歩留まり\n\nが追加される。\n\n3D積層はSRAMをHBM並みに安くする技術ではない。**巨大な単一ダイにSRAMを追加するより、経済的に容量を増やしやすくする技術**である。\n\nSRAMのスケーリングは5nm以降停滞しており、3nmや2nmへ移ってもロジックほど面積が縮まらないことが、積層化を促す一因になっている。([SemiAnalysis](https://newsletter.semianalysis.com/p/clash-of-the-foundries?utm_source=chatgpt.com))\n\n---\n\n## 10．最終的な価格序列\n\n## 同じ1GBを実装するなら\n\n> **レジスタ ＞ SRAM ＞ HBM ＞ DDR・LPDDR ＞ NAND**\n\n## AIチップ一個の部品総額なら\n\n> **大容量・複数搭載のHBMが最大になりやすい**\n\n## ダイ面積への負担なら\n\n> **SRAMとレジスタが非常に重い**\n\n## 保存容量を増やすなら\n\n> **HBMよりDRAM、さらにNANDの方が安い**\n\nこれを住宅に例えるなら、\n\n- レジスタ：演算器の真横にある専用の机\n- SRAM：都心の個室\n- HBM：高速エレベーター付きの高級高層住宅\n- DDR：郊外の大規模集合住宅\n- NAND：巨大な保管倉庫\n\nとなる。\n\n高級高層住宅であるHBMは、建物一棟では非常に高い。しかし1人当たりの床面積では、演算器の横を一人で占有するレジスタの方が高価である。\n\n---\n\n## まとめ\n\nHBMが高価であること自体は間違いではない。\n\nただし、正確には、\n\n> **HBMは「大容量部品として総額が高い」。 \n> レジスタとSRAMは「1bit当たりのシリコンコストが高い」。**\n\nという違いである。\n\nAIチップがSRAMだけでもHBMだけでも成立しないのは、この価格と性能の差があるからだ。\n\n```\n今計算している値　　　→ レジスタ\n何度も再利用する値　　→ SRAM\nモデル全体・Active KV → HBM\n退避・大容量作業領域　→ DDR・LPDDR\n保存データ　　　　　　→ NAND\n```\n\n性能だけを考えれば、すべてをレジスタやSRAMに置きたい。しかし、それではダイが巨大化し、コストと歩留まりが破綻する。\n\n容量だけを考えれば、すべてをNANDに置きたい。しかし、それでは演算器がデータを待ち続ける。\n\n**AI半導体の設計とは、速くて高価な上位メモリーをどこまで増やし、安くて大容量な下位メモリーへ何を逃がすかを決める作業である。**\n\n---\n\n## SRAMとHBMの総容量で価格比較\n\n**AI ASICは、GPUよりSRAMを多めに配分しやすい**です。特に低遅延推論、推薦、エッジ処理など、処理内容が決まっているASICでは、再利用するデータをオンチップSRAMへ明示的に置き、HBMやDRAMへのアクセスを減らせます。\n\nただし、学習用TPUや大規模生成AI向けASICは大量のHBMも必要です。したがって、\n\n- **SRAM重視ASIC**：Meta MTIA、Groq LPU型\n- **HBM重視ASIC**：Google TPU型\n- **SRAM＋HBM併用型**：多くの大規模AI ASIC\n\nに分かれます。\n\n価格は1bit当たりではSRAMがHBMの**約9～31倍**高いと試算できます。一方、1ラックではHBM容量がSRAMの数百倍になるため、**HBMの総額がSRAMの約25～83倍**になるケースがあります。\n\n---\n\n## 1．なぜAI ASICはSRAMを多めにしやすいのか\n\nGPUはさまざまなモデルや計算へ対応する汎用アクセラレーターです。そのため、モデル全体やKVキャッシュを大容量HBMへ置き、ハードウェアキャッシュで必要な部分を取り込みます。\n\nASICは用途を限定できるので、\n\n- どのデータを何回再利用するか\n- 演算する順番\n- 必要なバッファ容量\n- チップ間通信のタイミング\n\nを設計時に決められます。\n\nそのため、頻繁に使う重み、活性値、中間結果、KVキャッシュの一部をSRAMへ固定しやすくなります。\n\nMetaは次世代MTIAについて、一般的なGPUより相対的に大きなSRAMを持たせることで、小さいバッチサイズでも高い稼働率を実現すると説明しています。同チップは256MBのオンチップSRAMと128GBのLPDDR5を搭載し、最大72個を1ラックに収容します。([AI Meta](https://ai.meta.com/blog/next-generation-meta-training-inference-accelerator-AI-MTIA/))\n\nGroq系LPUはさらに極端で、1チップ当たり500MBのSRAMを主要な作業領域として使います。8チップのLPXトレイでは合計4GBのオンチップSRAMと1.2PB/sのSRAM帯域を持ちます。([NVIDIA Developer](https://developer.nvidia.com/blog/inside-nvidia-groq-3-lpx-the-low-latency-inference-accelerator-for-the-nvidia-vera-rubin-platform/?utm_source=chatgpt.com))\n\n一方、Google TPU7xは1チップ当たり192GBのHBMを搭載します。これはASICだから必ずSRAM中心になるわけではなく、大規模モデル向けではHBMが引き続き中心になることを示しています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/tpu7x?utm_source=chatgpt.com))\n\n---\n\n## 2．今回の価格計算で使う前提\n\nSRAMには、HBMのような「1GBいくら」という市場価格がありません。AI ASICのロジックダイ内部へ埋め込まれているためです。\n\nそこで、SRAMは**SRAMを追加したことで増える良品ダイ原価**として計算します。\n\n## SRAMの計算前提\n\nTSMCの5nm高密度SRAMセルは、1bit当たり0.021µm²です。([TSMC Research](https://research.tsmc.com/japanese/research/logic/transistor-structure/publish-time-2.html?utm_source=chatgpt.com))\n\n256MBの場合、\n\n- 容量：20.48億bit\n- セルだけの面積：約43mm²\n- 周辺回路を含む推定面積：約61～78mm²\n\nとなります。\n\nここに、\n\n- N5ウェハー価格：1枚1万6500～1万8500ドル\n- SRAM配列効率：55～70％\n- 欠陥密度：0.08～0.12個/cm²\n- Meta MTIAの実ダイ面積：421mm²\n\nを当てはめました。N5ウェハー価格は公開契約価格ではありませんが、SemiAnalysisは約1万6500ドルとの推計を示しており、最近の市場推計では1万8500ドル前後です。([SemiAnalysis](https://newsletter.semianalysis.com/p/tsmc-3nm-wafer-shipments-pushed-into?utm_source=chatgpt.com))\n\nこのモデルでは、256MBのSRAMを組み込む増分原価は約34～62ドルです。\n\nしたがって、\n\n> **組み込みSRAM：約135～245ドル/GB**\n\nと推定します。\n\nこれは設計費、メーカー利益、完成パッケージ費を除いた、製造原価に近い等価値です。\n\n---\n\n## HBMの計算前提\n\nHBM価格は顧客、世代、選別、契約量で変わり、正式価格は非公開です。\n\n公開推計では、\n\n- HBM3：約15ドル/GB\n- 80GBのH100向けHBM：約1150ドル\n- 2026年の36GB HBM3E：約300ドル前後、約8.3ドル/GB\n\nといった値があります。2026年分については約20％の価格引き上げ報道もあります。([SemiAnalysis](https://newsletter.semianalysis.com/p/groq-inference-tokenomics-speed-but?utm_source=chatgpt.com))\n\n契約差を考慮し、今回は、\n\n> **HBM：約8～15ドル/GB**\n\nとして計算します。\n\nこの価格は主にHBMスタック自体で、インターポーザーや先端パッケージ費用は含めません。\n\n---\n\n## 3．1bit当たりの価格比較\n\nメモリー推定価格/GB推定価格/GbitオンチップSRAM135～245ドル16.9～30.6ドルHBM8～15ドル1.0～1.88ドル\n\nしたがって同じ容量を保存する場合、\n\n> **SRAMはHBMの約9～31倍/bit高い**\n\nと推定できます。\n\n中央値で比較すると、\n\n- SRAM：約185ドル/GB\n- HBM：約11.5ドル/GB\n\nなので、\n\n**185 ÷ 11.5 ≒ 16倍**\n\nです。\n\nSRAMが高い理由は、HBMが高密度なDRAMセルを専用メモリー工程で作るのに対し、SRAMは先端ロジック工程上で6個前後のトランジスタを1bitごとに使用するためです。\n\n---\n\n## 4．1ラックで比較する\n\n異なる製品を公平に比較するため、**72個のAIアクセラレーターを搭載するラック**に統一します。\n\nSRAM容量にはMeta MTIAの256MB/チップ、HBM容量にはGoogle TPU7xの192GB/チップを使います。\n\nこれは実在する単一製品の構成ではなく、SRAMとHBMの容量・費用差を示すための標準化シナリオです。\n\n## 容量\n\n### SRAM\n\n72個 × 256MB \n＝ **18.432GB**\n\n### HBM\n\n72個 × 192GB \n＝ **13,824GB＝約13.8TB**\n\nHBM容量はSRAM容量の、\n\n**13,824 ÷ 18.432＝750倍**\n\nです。\n\n---\n\n## 5．1ラック当たりのSRAMコスト\n\nSRAMを135～245ドル/GBとすると、\n\n### 下限\n\n18.432GB × 135ドル \n＝ **約2488ドル**\n\n### 上限\n\n18.432GB × 245ドル \n＝ **約4516ドル**\n\nしたがって、72チップ分のオンチップSRAM増分原価は、\n\n> **約2500～4500ドル/ラック**\n\nです。\n\n1ドル150円で単純換算すると、約37万～68万円です。\n\nこれはSRAM部分だけの製造原価相当であり、AI ASIC全体の価格ではありません。\n\n---\n\n## 6．1ラック当たりのHBMコスト\n\nHBMを8～15ドル/GBとすると、\n\n### 下限\n\n13,824GB × 8ドル \n＝ **11万592ドル**\n\n### 上限\n\n13,824GB × 15ドル \n＝ **20万7360ドル**\n\nしたがって、\n\n> **約11万～20.7万ドル/ラック**\n\nです。\n\n1ドル150円なら、約1660万～3110万円となります。\n\nさらに実際のHBMシステムでは、\n\n- シリコンインターポーザー\n- ベースダイ\n- CoWoSなどの先端パッケージ\n- 実装・テスト\n- パッケージ歩留まり\n\nが加わります。\n\nそのため完成アクセラレーター内でのHBM関連費用は、ここで示した数字より高くなります。\n\n---\n\n## 7．1ラックで見ると、HBMはSRAMの何倍高いのか\n\n項目SRAMHBM1チップ容量256MB192GB72チップ合計18.4GB13.8TB容量比1750価格/GB135～245ドル8～15ドルラック総額約2500～4500ドル約11万～20.7万ドル\n\n組み合わせによって変わりますが、HBM総額はSRAM総額の、\n\n> **約25～83倍**\n\nです。\n\n中央値では、\n\n- SRAM：約3410ドル\n- HBM：約15万9000ドル\n\nとなり、\n\n> **HBM総額はSRAM総額の約47倍**\n\nです。\n\nつまり、\n\n- 1bit当たり：SRAMが約16倍高い\n- 1ラック総額：HBMが約47倍高い\n\nという逆転が起きます。\n\n理由は、HBMをSRAMの約750倍も搭載するからです。\n\n---\n\n## 8．さらにSRAMが多いGroq型の場合\n\nGroq 3 LPUは1チップ当たり500MBのSRAMを持ちます。([NVIDIA Developer](https://developer.nvidia.com/blog/inside-nvidia-groq-3-lpx-the-low-latency-inference-accelerator-for-the-nvidia-vera-rubin-platform/?utm_source=chatgpt.com))\n\n72チップへ換算すると、\n\n72 × 500MB \n＝ **36GB SRAM**\n\nです。\n\nSRAM費用は、\n\n- 下限：36GB × 135ドル＝約4860ドル\n- 上限：36GB × 245ドル＝約8820ドル\n\nとなります。\n\n同じ72チップに192GBずつHBMを搭載した場合と比べると、HBM総額はSRAM総額の約13～43倍です。\n\n72チップ構成容量推定費用Groq型SRAM36GB約4900～8800ドルTPU型HBM13.8TB約11万～20.7万ドル\n\nGroq型はSRAM量がMTIA型の約2倍ですが、それでもHBMラックの総メモリー費用には届きません。\n\nただしGroq型では、大きなモデルを多数のLPUへ分割する必要があります。そのためSRAM原価以外に、\n\n- チップ数\n- チップ間ネットワーク\n- 基板\n- 電源\n- 通信回路\n- ソフトウェア\n\nのコストが増えます。\n\n---\n\n## 9．ASIC全体ではSRAMは高いのか、安いのか\n\nラック全体の金額ではHBMより小さく見えますが、**AI ASICのダイ内部ではSRAMは非常に重いコスト要因**です。\n\nMeta MTIAを例にすると、推定61～78mm²のSRAM領域は421mm²ダイの約15～19％を占めます。\n\nつまりSRAMを増やすことは、\n\n- 演算器を置ける面積が減る\n- ダイが大型化する\n- ウェハー当たり個数が減る\n- 良品率が下がる\n- テスト時間が伸びる\n\nことを意味します。\n\nHBMは外付けなので高価でも追加容量を増やしやすい。一方SRAMは、少量を増やすだけでもAI ASICのダイ設計そのものへ影響します。\n\n---\n\n## 10．何を基準に選ぶのか\n\n## SRAMを増やすべきケース\n\n- バッチ1などの低遅延推論\n- 同じデータを繰り返し使う\n- データフローを事前に固定できる\n- HBMアクセスを大幅に削減できる\n- 少ない容量で演算器の稼働率を高められる\n\n## HBMを増やすべきケース\n\n- 大規模モデル全体を保持したい\n- 長いKVキャッシュが必要\n- 学習処理\n- 大きなバッチサイズ\n- 多様なモデルを同じチップで動かす\n- 容量と帯域の両方が必要\n\n---\n\n## 最終整理\n\nAI ASICはGPUよりSRAMを多めに設計しやすいものの、すべてのASICがSRAM中心になるわけではありません。\n\n価格関係は次の通りです。\n\n## 1bit当たり\n\n> **SRAM：約135～245ドル/GB** \n> **HBM：約8～15ドル/GB**\n\nしたがって、\n\n> **SRAMはHBMの約9～31倍高い**\n\n## 72アクセラレーターのラック総額\n\n> **SRAM：約2500～4500ドル** \n> **HBM：約11万～20.7万ドル**\n\nしたがって、\n\n> **HBMの総額はSRAMの約25～83倍**\n\nになります。\n\n一見矛盾していますが、\n\n> **SRAMは少量でも非常に高価。 \n> HBMは1bit当たりでは安いが、搭載量が桁違いに多いため総額が大きい。**\n\nという関係です。\n\nAI ASICの経済性を考えるときは、SRAMとHBMの部品価格だけでなく、\n\n> **SRAMを増やしてHBMアクセスを減らした結果、ラック全体で何個のアクセラレーターが必要になるか**\n\nまで見る必要があります。SRAM増加によって必要チップ数や消費電力を減らせれば、メモリー単体では高くても、システム全体では安くなる可能性があります。\n\n---\n\n## 追記：1bitではSRAM、総額ではHBMが高くなる理由\n\n## AI ASICとラック全体で見るメモリー価格の逆転\n\nAIチップのメモリー価格を考えるとき、少し不思議な現象が起きる。\n\n同じ1GBを実装するなら、オンチップSRAMはHBMよりはるかに高い。ところがAIアクセラレーター1個、あるいはラック全体のメモリー費用を合計すると、HBMの方が数十倍高くなる場合がある。\n\nこれは価格評価が矛盾しているのではない。\n\n> **SRAMは1bitが高いが、搭載量が少ない。 \n> HBMは1bitではSRAMより安いが、搭載量が数百倍多い。**\n\nこの容量差が、総額を逆転させる。\n\n---\n\n## 1．比較に使う標準モデル\n\n実際のASICは製品ごとに構成が異なり、SRAM容量を公表していない企業も多い。そこで今回は、公開されている実製品の数字を参考にした比較用モデルを作る。\n\n### 比較用AIアクセラレーター\n\n- オンチップSRAM：256MB＝0.25GB\n- HBM：192GB\n- 1ラック当たり：72アクセラレーター\n\n256MBのオンチップメモリーはMetaのMTIA、192GBのHBMはGoogleのTPU7x、72台構成はMetaのラック設計を参考にしている。ただし、これらは同一製品の仕様ではなく、SRAMとHBMの経済性を比較するために組み合わせた仮想モデルである。MetaのMTIAは256MBのオンチップメモリーと128GBのLPDDR5を備え、最大72基をラックへ搭載する構成を公開している。Google TPU7xは1チップ当たり192GBのHBMを搭載する。([AI Meta](https://ai.meta.com/blog/next-generation-meta-training-inference-accelerator-AI-MTIA/?utm_source=chatgpt.com))\n\n---\n\n## 2．1GB当たりのコストを設定する\n\n## オンチップSRAM\n\nSRAMは独立部品として「1GBいくら」で販売されるものではない。ASICのロジックダイ内に作り込まれるため、その価格は主に、\n\n- 使用するシリコン面積\n- ウェハー単価\n- ダイ大型化による歩留まり低下\n- 周辺回路\n- テスト\n- 演算器を置けなくなる機会費用\n\nとして現れる。\n\nTSMCの5nm高密度SRAMセルは、1bit当たり0.021µm²と公表されている。N5ウェハー価格については、顧客契約で差があるものの、SemiAnalysisは約1万6500ドルと推定している。([TSMC Research](https://research.tsmc.com/page/transistor-structure/7.html?utm_source=chatgpt.com))\n\nセル面積だけでなく、デコーダー、センスアンプ、ECC、配線、冗長領域を加え、さらにダイ大型化による良品率低下を考慮すると、オンチップSRAMの増分原価は概算で、\n\n> **約150～300ドル／GB**\n\n程度と見積もれる。\n\nこれは市場販売価格ではなく、先端ASICにSRAMを追加した場合の**製造原価・機会費用換算**である。元のASICが大きく歩留まりが低い場合は、300ドル／GBを超えることもあり得る。\n\n---\n\n## HBM\n\nHBMも正式な契約価格は公開されていないが、世代と容量から概算できる。\n\nHBM3Eの12層品は1スタック36GB。MicronとSamsungはいずれも36GB品を公開している。([Micron Technology](https://www.micron.com/about/blog/applications/ai/micron-continues-memory-industry-leadership-with-hbm3e-12-high-36gb?utm_source=chatgpt.com))\n\n業界報道では、12層HBM3Eは1スタック300ドル台半ば、HBM4は500ドル台半ばと推定されている。36GBで割ると、\n\n- HBM3E：約9～11ドル／GB\n- HBM4：約14～16ドル／GB\n\n程度になる。([TrendForce](https://www.trendforce.com/news/2025/11/27/news-samsung-reportedly-targets-hbm4-price-parity-with-sk-hynix-amid-strong-nvidia-demand/?utm_source=chatgpt.com))\n\n今回は世代差を含め、\n\n> **HBM：約10～15ドル／GB**\n\nとして計算する。\n\n---\n\n## 3．1bit当たりではSRAMが圧倒的に高い\n\nメモリー概算コスト／GBオンチップSRAM150～300ドルHBM10～15ドル\n\n同じ1GBを保存するなら、SRAMはHBMの、\n\n- 最小差：150 ÷ 15＝**10倍**\n- 最大差：300 ÷ 10＝**30倍**\n\nとなる。\n\nしたがって、\n\n> **1bit当たりではSRAMがHBMの約10～30倍高い**\n\nという関係になる。\n\n中央値として、\n\n- SRAM：200ドル／GB\n- HBM：12ドル／GB\n\nを使えば、\n\n**200 ÷ 12＝約16.7倍**\n\nである。\n\nHBMは高価なメモリーだが、先端ロジック工程上へ6トランジスタ型セルを並べるSRAMよりは、はるかに高密度に容量を作れる。\n\n---\n\n## 4．1アクセラレーターで見ると価格が逆転する\n\n比較用モデルでは、1個のアクセラレーターに、\n\n- SRAM：0.25GB\n- HBM：192GB\n\nを搭載する。\n\nHBM容量はSRAM容量の、\n\n**192 ÷ 0.25＝768倍**\n\nである。\n\n## SRAMの総額\n\n0.25GB × 150～300ドル\n\n＝ **37.5～75ドル**\n\n## HBMの総額\n\n192GB × 10～15ドル\n\n＝ **1920～2880ドル**\n\n```\n| デバイス | 搭載容量 | 1GB当たり推定単価 | 推定総額 |\n| SRAM | 0.25GB | 150～300ドル | 約38～75ドル |\n| HBM | 192GB | 10～15ドル | 約1920～2880ドル |\n```\n\nしたがって総額では、HBMがSRAMの、\n\n- 最小差：1920 ÷ 75＝**約26倍**\n- 最大差：2880 ÷ 37.5＝**約77倍**\n\nになる。\n\n中央値なら、\n\n- SRAM：0.25GB × 200ドル＝**50ドル**\n- HBM：192GB × 12ドル＝**2304ドル**\n\nとなり、\n\n> **HBM総額はSRAM総額の約46倍**\n\nである。\n\n---\n\n## 5．ラック全体ではどうなるか\n\n同じアクセラレーターを72個搭載すると仮定する。\n\n## SRAMの総量\n\n0.25GB × 72基\n\n＝ **18GB**\n\n## HBMの総量\n\n192GB × 72基\n\n＝ **13,824GB＝約13.8TB**\n\n容量だけでも、HBMはSRAMの768倍である。\n\n---\n\n## SRAMのラック総額\n\n18GB × 150～300ドル\n\n＝ **2700～5400ドル**\n\n## HBMのラック総額\n\n13,824GB × 10～15ドル\n\n＝ **13万8240～20万7360ドル**\n\n```\n| 構成 | 総容量 | 推定総額 |\n| SRAM | 18GB | 約2,700～5,400ドル |\n| HBM | 約13.8TB | 約13.8万～20.7万ドル |\n```\n\n1ドル150円で単純換算すると、\n\n- SRAM：約41万～81万円\n- HBM：約2074万～3110万円\n\nとなる。\n\n中央値では、\n\n- SRAM：18GB × 200ドル＝**3600ドル**\n- HBM：13,824GB × 12ドル＝**16万5888ドル**\n\nであり、やはりHBM総額はSRAMの**約46倍**になる。\n\n---\n\n## 6．なぜASIC単体でもラックでも比率が同じなのか\n\n同じアクセラレーターを72個に増やしただけなら、SRAMとHBMの両方が72倍になる。\n\n```\n1アクセラレーター\nSRAM：50ドル\nHBM：2304ドル\n差：約46倍\n\n72アクセラレーター\nSRAM：3600ドル\nHBM：16万5888ドル\n差：約46倍\n```\n\nしたがって、同一設計を並べる限り、1チップでも1ラックでも価格比は変わらない。\n\n変わるのは絶対額である。\n\nラック全体ではHBMだけで10万～20万ドルを超えるため、HBM価格の10％変動だけでも、ラック原価が1万～2万ドル程度変動し得る。\n\n---\n\n## 7．SRAMを増やせば価格差は縮まる\n\nSRAM重視型ASICでは、256MBより多くのSRAMを搭載する可能性がある。\n\n中央値として、\n\n- SRAM：200ドル／GB\n- HBM：12ドル／GB\n- HBM容量：192GB\n\nを固定して比較する。\n\n```\n| SRAM容量／ASIC | SRAM総額 | HBM総額 | HBMとの差 |\n| 256MB | 50ドル | 2304ドル | HBMが約46倍 |\n| 512MB | 100ドル | 2304ドル | 約23倍 |\n| 1GB | 200ドル | 2304ドル | 約12倍 |\n| 2GB | 400ドル | 2304ドル | 約5.8倍 |\n| 4GB | 800ドル | 2304ドル | 約2.9倍 |\n```\n\nSRAMを4GBまで増やせば、メモリー総額の差は約3倍まで縮まる。\n\nしかし4GBのオンチップSRAMを平面上に置くのは現実的に非常に難しい。\n\n5nmの0.021µm²セルを基準にすると、1GBのSRAMはセルだけでも約168～180mm²を使う。周辺回路込みでは250～300mm²前後になり得るため、4GBなら大型AIチップ数個分に相当する面積が必要になる。([TSMC Research](https://research.tsmc.com/page/transistor-structure/7.html?utm_source=chatgpt.com))\n\n実現するには、\n\n- SRAMチップレット\n- 3D積層SRAM\n- SoICやハイブリッドボンディング\n- 複数のSRAM中心ASICをネットワーク接続\n\nといった構成が必要になる。\n\nその場合、SRAMセル以外にもパッケージ、接合、テスト、基板、ネットワークの費用が増える。\n\n---\n\n## 8．HBM総額にはさらに費用が加わる\n\nここまでのHBM価格は主にメモリースタック単体の推定である。\n\n実際のアクセラレーターには、\n\n- シリコンインターポーザー\n- HBMベースダイ\n- 2.5Dパッケージ\n- 高密度基板\n- HBMとASICの実装\n- Known Good Dieの選別\n- 完成後のテスト\n- パッケージ歩留まり\n\nも必要になる。\n\nまたHBM4ではI/O数がHBM3Eの1024本から2048本へ倍増し、ロジックベースダイの採用によって製造難度とコストが上昇する。TrendForceはHBM4の導入時プレミアムが30％を超える可能性を示している。([TrendForce](https://www.trendforce.com/presscenter/news/20250522-12589.html?utm_source=chatgpt.com))\n\nしたがって、完成パッケージ内の「HBM関連費用」は、先ほど計算したHBMスタック代よりさらに大きくなる可能性がある。\n\n---\n\n## 9．それでもSRAMの方が高価だと言える理由\n\nラック総額だけを見るとHBMが圧倒的に高く、SRAMは小さな費用に見える。\n\nしかしSRAMには、単純な製造費以外の負担がある。\n\nSRAMを増やすと、\n\n- ASICダイが大型化する\n- ウェハーから取れる個数が減る\n- 良品率が下がる\n- 演算器の面積が減る\n- 配線と電力供給が難しくなる\n- テスト時間が延びる\n\nという影響が生じる。\n\nつまり、SRAMの本当の費用は「SRAM部分のシリコン代」だけではない。\n\n> **SRAMはASICの設計可能面積を消費する。 \n> HBMは外付け費用とパッケージ費用を消費する。**\n\nという異なるコスト構造を持つ。\n\n---\n\n## 10．SRAMを増やす経済合理性\n\nSRAMを増やす目的は、HBMと同じ容量を置き換えることではない。\n\n256MBのSRAMを追加しても、192GBのHBMを不要にはできない。\n\nSRAMへ置くのは、\n\n- 今すぐ再利用する重み\n- 行列演算のタイル\n- 活性値\n- 中間結果\n- ホットなKVキャッシュ\n- ルーティング情報\n\nなどである。\n\nこれにより、\n\n- HBMアクセス回数を減らす\n- HBM帯域を節約する\n- データ移動電力を減らす\n- 演算器の待機時間を短縮する\n- 1チップ当たりの処理性能を高める\n\nことができる。\n\n仮にSRAM追加でチップ原価が50ドル増えても、推論性能が上がってラックに必要なアクセラレーター数を1基減らせるなら、数千ドル規模のHBMやパッケージ費用を削減できる可能性がある。\n\nしたがってASIC設計で重要なのは、SRAMとHBMの単純な価格差ではなく、\n\n> **SRAMへ1ドル追加したとき、HBMアクセスと必要アクセラレーター台数をどれだけ減らせるか**\n\nである。\n\n---\n\n## まとめ\n\nSRAMとHBMは、価格の見方によって高低が逆転する。\n\n## 1GB当たり\n\n- SRAM：約150～300ドル\n- HBM：約10～15ドル\n- **SRAMが約10～30倍高い**\n\n## 1アクセラレーター\n\n256MB SRAM＋192GB HBMの比較モデル\n\n- SRAM：約38～75ドル\n- HBM：約1920～2880ドル\n- **HBM総額が約26～77倍大きい**\n\n## 72基ラック\n\n- SRAM：18GB、約2700～5400ドル\n- HBM：約13.8TB、約13.8万～20.7万ドル\n- **HBM総額が約26～77倍大きい**\n\nこの逆転は、HBMの搭載容量がSRAMの768倍あるために起きる。\n\n> **SRAMは、少量でも非常に高価な高速メモリー。 \n> HBMは、1bit当たりではSRAMより安いが、数百GB単位で搭載するため総額が巨大になるメモリー。**\n\nAI ASICの設計とは、SRAMかHBMのどちらかを選ぶ作業ではない。\n\n少量の高価なSRAMを使ってデータを再利用し、その外側に大容量のHBMを配置することで、速度、容量、電力、チップ面積、ラック原価の均衡を取る作業である。\n\n## SRAMは「メモリー御三家」だけが作るものではない\n\n## TSMCの供給逼迫がSamsung・Intelに開くAI ASICの第二供給網\n\nAI半導体の供給網を理解するとき、まず整理しておきたいのは、**SRAMとDRAM・HBM・NANDでは製造の位置づけが異なる**という点です。\n\nDRAM、HBM、NANDは、Samsung Electronics、SK hynix、Micronなどが独立したメモリーダイとして大量生産します。一方、AI ASICで使われるSRAMの大部分は、演算器や制御回路と同じロジックダイに埋め込まれた「組み込みSRAM」です。\n\nしたがってAI ASIC内部のSRAMは、メモリー御三家ではなく、**そのASICを製造するファウンドリーがロジック回路と一緒に作ります。**\n\nそして2026年、TSMCの先端工程と先端パッケージ能力がAI需要で逼迫していることは、Samsung FoundryとIntel Foundryにとって大きな商機になりつつあります。\n\n---\n\n## 1．AI ASICのSRAMは誰が作るのか\n\n例えば、あるAI企業が独自ASICをTSMCの2nm工程で製造するとします。\n\nそのチップに含まれる、\n\n- 行列演算器\n- レジスタ\n- L1・L2キャッシュ\n- スクラッチパッド\n- SRAMバッファ\n- HBMコントローラー\n- 高速通信回路\n\nは、すべてTSMCの同じロジック工程で製造されます。\n\nTSMCは2nmナノシート工程で、0.021平方マイクロメートルの高密度SRAMセルと、38.1Mb/mm²のSRAMマクロを公表しています。つまりTSMCはDRAMやNANDを販売しなくても、CPU・GPU・ASIC内部のSRAMについては、世界最大級の製造企業なのです。([TSMC Research](https://research.tsmc.com/page/memory/4.html?utm_source=chatgpt.com))\n\n同じことはSamsung FoundryとIntel Foundryにも当てはまります。\n\nSamsungは3nm GAA工程で、SRAMを構成する各トランジスタのチャネル幅を調整し、読み出し安定性、書き込み性能、低電圧動作を最適化する技術を説明しています。([Samsung Semiconductor Global](https://semiconductor.samsung.com/news-events/tech-blog/3nm-gaa-mbcfet-unrivaled-sram-design-flexibility/?utm_source=chatgpt.com))\n\nIntelも18A工程で0.021平方マイクロメートルの高密度6T SRAMを実証し、18A-Pでは低動作電圧向けのSRAMをAIアクセラレーターやCPU、GPUへ統合する方針を示しています。([Intel](https://www.intel.com/content/dam/www/central-libraries/us/en/documents/2025-03/foundry-18a-platform-brief.pdf?utm_source=chatgpt.com))\n\nしたがって、先端AI ASICのSRAM製造企業は主に、\n\n> **TSMC、Samsung Foundry、Intel Foundry**\n\nです。\n\n成熟工程まで広げれば、UMCなどのファウンドリーも組み込みSRAMや特殊メモリーを提供しています。ただし大規模な生成AI向けASICで中心になるのは、2nm、3nm、4nm級の先端ロジック工程です。([UMC](https://www.umc.com/en/News/press_release/Content/technology_related/20021118?utm_source=chatgpt.com))\n\n---\n\n## 2．なぜメモリーメーカーではなくファウンドリーがSRAMを作るのか\n\n通常のSRAMセルは、1bitをおよそ6個のトランジスタで保持します。\n\nこのトランジスタは、AI演算器を構成するトランジスタと同じロジック製造工程で作れます。そのためSRAMだけを別のチップとして作り、外から接続するよりも、ASIC内へ埋め込んだ方が圧倒的に低遅延になります。\n\n構造は次のようになります。\n\n```\nAI ASICロジックダイ\n├─ 演算器\n├─ レジスタ\n├─ オンチップSRAM\n├─ 制御回路\n├─ HBMコントローラー\n└─ 高速I/O\n\n外部\n├─ HBM\n├─ CPU側DRAM\n└─ SSD・NAND\n```\n\nつまり、オンチップSRAMは「外から購入して載せるメモリー」ではなく、**ASICそのものの一部分**です。\n\n一方、HBMはASICの横に搭載される独立したメモリースタックであり、NANDは主にSSDとしてサーバーやラック側へ搭載されます。\n\n---\n\n## 3．TSMCのキャパシティ逼迫が意味すること\n\nAI ASICの供給制約には、大きく二つあります。\n\n一つは、2nm、3nm、4nmなどの**先端ロジックウェハー能力**です。\n\nもう一つは、ASICと複数のHBMを接続する**CoWoSなどの先端パッケージ能力**です。\n\n2026年3月にはBroadcom関係者が、TSMCの製造能力をAI半導体供給のボトルネックとして挙げ、従来はほぼ無限に見えたTSMCの能力でも需要を吸収できなくなっていると報じられました。([Reuters](https://www.reuters.com/world/asia-pacific/broadcom-flags-supply-constraints-says-tsmc-capacity-bottleneck-2026-03-24/?utm_source=chatgpt.com))\n\nTSMC自身も2025年から2026年にかけて能力増強を加速し、2030年までにウェハーファブと先端パッケージを合わせて九つのフェーズを建設する計画を示しています。2026年の設備投資計画も520億～560億ドル規模です。([Reuters](https://www.reuters.com/world/asia-pacific/tsmc-says-global-chip-market-hit-15-trillion-by-2030-ai-drives-growth-2026-05-14/?utm_source=chatgpt.com))\n\nそれでもTrendForceは、TSMCのCoWoS供給不足率が2026年末に向けて縮小するものの、完全には解消せず、需給ギャップが残るとの見方を伝えています。([TrendForce](https://www.trendforce.com/news/2026/06/15/news-tsmc-cowos-supply-demand-gap-reportedly-seen-narrowing-from-20-to-10-by-end-2026-as-capacity-expands/?utm_source=chatgpt.com))\n\nこの状況では、AI企業にとって、\n\n> 「最も高性能なファウンドリーを選ぶ」\n\nだけでなく、\n\n> 「必要な時期に必要な枚数を確保できるファウンドリーを選ぶ」\n\nことが重要になります。\n\nこれがSamsungとIntelに追い風となる理由です。\n\n---\n\n## 4．Samsungが持つ最大の強み\n\nSamsung FoundryでAI ASICを製造する場合、チップ内部のSRAMもSamsungのロジック工程で製造されます。\n\nしかしSamsungの強みは、SRAMを作れることだけではありません。\n\nSamsung Electronicsの内部には、\n\n- **Foundry**：ASIC、演算器、組み込みSRAM\n- **Memory**：HBM、DDR、LPDDR\n- **Flash**：NAND、エンタープライズSSD\n- **Advanced Packaging**：2.5D、3D、チップレット統合\n- **System LSI・設計基盤**：コントローラー、設計支援\n\nがそろっています。\n\nSamsung自身も2026年、メモリー、ロジック、ファウンドリー、先端パッケージを横断する「Total AI Solution」を提供できる企業であると説明しています。([Samsung Global Newsroom](https://news.samsung.com/global/samsung-unveils-hbm4e-showcasing-comprehensive-ai-solutions-nvidia-partnership-and-vision-at-nvidia-gtc-2026?utm_source=chatgpt.com))\n\n理想的には、次のような受注構造を作れます。\n\n```\n外部AI企業が独自ASICを開発\n ↓\nSamsung FoundryがASICを製造\n ↓\nASIC内部のSRAMもSamsung工程\n ↓\nSamsung HBMを組み合わせる\n ↓\nSamsungの2.5Dパッケージで統合\n ↓\nラック側にSamsung DDR・SSDを供給\n```\n\nTSMCでもASICとSRAM、先端パッケージまでは提供できます。\n\nしかしTSMCはHBM、DRAM、NANDを自社製品として製造していません。外部のSamsung、SK hynix、Micron、Kioxia、Solidigmなどと組み合わせる必要があります。\n\nSamsungは、これらを社内で束ねられる点が異なります。\n\n---\n\n## 5．ASICとHBMを一体で握ることの強み\n\n## 設計の共同最適化\n\nAI ASICの性能は、演算器だけでは決まりません。\n\nオンチップSRAMから演算器へデータを渡す速度、ASICからHBMへの配線、HBMベースダイ、パッケージの熱設計まで一体で決まります。\n\nSamsungがロジックとHBMの両方を供給すれば、\n\n- SRAM容量とHBM帯域の配分\n- HBMコントローラー\n- ベースダイ\n- 信号電圧\n- 電力管理\n- パッケージ配線\n- 熱設計\n\nを同じロードマップで調整しやすくなります。\n\nSamsung Foundryは、ロジック、HBM、先端パッケージを統一した開発環境で共同最適化することを明示しています。([Samsung Semiconductor Global](https://semiconductor.samsung.com/news-events/tech-blog/advanced-packaging-and-the-shift-to-system-level-semiconductor-innovation/?utm_source=chatgpt.com))\n\n---\n\n## 供給能力をまとめて確保できる\n\nAI企業が別々の企業から調達する場合、\n\n```\nTSMC：ASIC\nSK hynix：HBM\nOSAT：パッケージ\n別企業：基板\n別企業：SSD\n```\n\nという複数契約になります。\n\nどこか一つでも遅れれば、完成アクセラレーターを出荷できません。\n\nSamsungへ一括発注できれば、少なくとも理論上は、\n\n- ロジックウェハー\n- HBM\n- パッケージ\n- テスト\n\nの生産計画を合わせやすくなります。\n\nSamsungはHBM、先端パッケージ、ファウンドリーを組み合わせたカスタム・ターンキーサービスを以前から掲げています。([Samsung Semiconductor Global](https://semiconductor.samsung.com/news-events/news/samsung-electronics-holds-memory-tech-day-2023-unveiling-new-innovations-to-lead-the-hyperscale-ai-era/?utm_source=chatgpt.com))\n\n---\n\n## 不良原因の責任分界を減らせる\n\nAIアクセラレーターが正常に動作しない場合、原因は、\n\n- ASICダイ\n- SRAM\n- HBM\n- インターポーザー\n- 接合\n- 基板\n- 電源\n- 熱\n\nのどこにあるか、切り分けが難しくなります。\n\n複数企業が関与すると、原因解析と責任分担に時間がかかります。\n\nSamsungがASIC、HBM、パッケージ、テストをまとめて受ければ、歩留まり解析と設計修正を内部で回しやすくなります。これは性能以上に、量産立ち上げ速度に効く可能性があります。\n\n---\n\n## 6．NANDはASIC受注に自動付属するわけではない\n\nここは区別が必要です。\n\nHBMはAIアクセラレーターのパッケージに直接搭載されるため、ASIC受注と結びつきやすい部品です。\n\nしかしNANDは通常、ASICパッケージには入りません。\n\n```\nAIアクセラレーター\n├─ ASIC\n├─ SRAM\n└─ HBM\n\nAIサーバー・ラック\n├─ アクセラレーター\n├─ CPU\n├─ DRAM\n└─ SSD・NAND\n```\n\nしたがってSamsungがASICを受注しても、NANDやSSDまで自動的にSamsung製になるわけではありません。\n\nそれでも同じ顧客に対して、\n\n- 学習データ用eSSD\n- KVキャッシュ退避用SSD\n- モデル保存用QLC SSD\n- チェックポイント保存\n- 大容量データレイク\n\nを提案できます。\n\nSamsungはAI時代において、HBMだけでなく、高性能ストレージや大容量NANDも必要になると説明し、QLC第9世代V-NANDをサーバーSSDへ展開しています。([Samsung Semiconductor Global](https://semiconductor.samsung.com/news-events/tech-blog/samsung-v-nand-landmark-of-the-hyperscale-ai-era/?utm_source=chatgpt.com))\n\nつまりNANDの強みは、\n\n> **ASICに付属する部品ではなく、同じAIインフラ投資をラック・ストレージ層まで横展開できること**\n\nです。\n\n---\n\n## 7．Intel Foundryにとっての追い風\n\nIntelもTSMC逼迫の代替候補です。\n\nIntel 18AはRibbonFETとPowerViaを採用し、AI・HPC向けの先端SRAM、ロジック、低電圧動作を提供します。Intel Foundryはさらに、EMIBとFoverosによる2.5D・3Dパッケージを外部顧客にも提供しています。([Intel](https://www.intel.com/content/dam/www/central-libraries/us/en/documents/2025-03/foundry-18a-platform-brief.pdf?utm_source=chatgpt.com))\n\nIntelの強みは、\n\n- 米国内製造能力\n- 18A・14Aロードマップ\n- 高密度SRAM\n- EMIB\n- Foveros\n- 大型チップレットパッケージ\n- UCIeを利用したオープンな統合\n\nです。\n\nEMIB-Tは将来のHBM搭載を想定した大規模パッケージ向け技術として位置づけられています。([Intel Community](https://community.intel.com/t5/Blogs/Intel-Foundry/Systems-Foundry-for-the-AI-Era/Intel-Foundry-s-Advanced-Packaging-Innovations-Lead-the-Industry/post/1738888?utm_source=chatgpt.com))\n\nただしIntelは現在、SamsungのようにHBMやNANDを自社供給できません。\n\nIntelはNAND・SSD事業をSK hynixへ売却し、Solidigmとして分離しました。([Intel](https://www.intc.com/news-events/press-releases/detail/1513/intel-sells-ssd-business-and-dalian-facility-to-sk-hynix?utm_source=chatgpt.com))\n\nそのためIntelのモデルは、\n\n```\nIntel Foundry\n├─ ASIC・SRAM\n├─ EMIB・Foveros\n└─ テスト・パッケージ\n\n外部企業\n├─ SK hynix HBM\n├─ Samsung HBM\n└─ Micron HBM\n```\n\nという**オープン統合型**です。\n\nSamsungのような完全垂直統合ではありませんが、顧客が複数社のHBMやチップレットを自由に組み合わせたい場合には、それが中立性という強みになります。\n\n---\n\n## 8．TSMCの逼迫だけでは受注は移らない\n\nTSMCが混雑しているからといって、設計を簡単にSamsungやIntelへ移せるわけではありません。\n\nSRAMセル、標準セル、I/O、HBMコントローラーなどは各ファウンドリーの製造工程に合わせて設計されています。\n\nTSMC向けに完成したASICをSamsungへ移すには、\n\n- SRAMマクロの置き換え\n- 標準セルの置き換え\n- 回路配置の再設計\n- タイミング検証\n- 消費電力検証\n- マスクの再作成\n- ソフトウェア再検証\n- HBMとパッケージの再認証\n\nが必要です。\n\nそのため顧客は、単に空いているファブではなく、\n\n> **十分な歩留まり、設計IP、EDA環境、先端パッケージ、量産実績を持つ代替ファブ**\n\nを求めます。\n\nSamsungとIntelにとって追い風ではありますが、TSMCの受注がそのまま自動的に流れてくるわけではありません。\n\n---\n\n## 9．Samsungにとって成立し得るフライホイール\n\nSamsungが外部AI ASICの大型顧客を獲得し、量産を成功させた場合、次の循環が成立する可能性があります。\n\n```\nTSMCの能力不足\n ↓\nSamsungへセカンドソース需要\n ↓\nAI ASIC・組み込みSRAM受注\n ↓\n先端ファブの稼働率上昇\n ↓\n歩留まりと設計実績が改善\n ↓\nSamsung HBM採用率上昇\n ↓\n先端パッケージ受注\n ↓\nDRAM・SSDへクロスセル\n ↓\n次世代ASICも継続受注\n```\n\n重要なのは、ASICの売上だけではありません。\n\nSamsungが一つのアクセラレーターから獲得できる可能性のある売上は、\n\n1. AI ASICウェハー\n2. ASIC内部のSRAM面積\n3. HBM\n4. HBMベースダイ\n5. インターポーザー\n6. 先端パッケージ\n7. テスト\n8. サーバーDRAM\n9. eSSD・NAND\n\nまで広がります。\n\nこれが実現すれば、Samsungはメモリー市況に左右される企業から、**AIシステム全体の部品構成を握る企業**へ一段変化します。\n\n---\n\n## 最終評価\n\nSRAMは、DRAM・HBM・NANDと同じようにメモリー御三家だけが製造するものではありません。\n\nAI ASIC内のSRAMは、そのチップを作るロジックファウンドリーが製造します。\n\nしたがって、\n\n- TSMCはSRAMを含むASICを製造する\n- SamsungもSRAMを含むASICを製造する\n- Intelも18AでSRAMを含むASICを製造できる\n- DRAM・HBM・NANDは別の専用メモリー事業で製造する\n\nという構造です。\n\nTSMCの先端工程とCoWoS能力が逼迫する局面では、SamsungとIntelが代替供給先として評価される余地が広がります。\n\nその中でもSamsungの特徴は、\n\n> **ASIC内部のSRAMから、外付けHBM、サーバーDRAM、NAND、SSD、先端パッケージまで一社で持っていること**\n\nです。\n\nただし本当の競争力は、単に製品を全部持っていることではありません。\n\n> **外部AI ASICを十分な歩留まりで量産し、Samsung製HBMとパッケージの採用率を高め、その顧客関係をDRAM・SSDへ広げられるか**\n\nにあります。\n\nTSMCの供給逼迫は、その垂直統合モデルを試す大きな機会です。Samsungがここで外部顧客を獲得できれば、AIメモリー需要の受益企業から、**AI ASICとメモリー階層を一体で供給するシステム半導体企業**へ再評価される可能性があります。\n\n---\n\n特定銘柄の推奨・勧誘・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。\n\nサムネはPixAIsunflowerモデルとGPTImage2.0","blocks":[{"id":"blk_9582f26f-9979-485c-91b6-1157cf91830b","kind":"figure","order":0,"section_id":"sec_94e556c6-f4f8-4640-853a-5f3e91a81457","character_id":null,"markdown":"![](/media/1a99be3ed9e1b26fc23d0dde9d7cfdfc8930d237ffd4a201898e7b510f0d960f-content.webp)","render_override":null},{"id":"blk_e86ad0d0-659b-4b75-8fc1-27b4c9e3df5c","kind":"heading","order":1,"section_id":"sec_785ac7e4-5b4f-4e0e-80f0-333c5022a050","character_id":null,"markdown":"## HBMは本当に「最も高価なメモリー」なのか","render_override":null},{"id":"blk_b6b785b5-db0e-4736-b83c-309745c4691d","kind":"heading","order":2,"section_id":"sec_8f313445-f40a-4b64-b1d0-fd75a3c714bd","character_id":null,"markdown":"## レジスタ・SRAM・HBM・DRAMを、1bit当たりと製品総額の両方から比較する","render_override":null},{"id":"blk_c35cfd4c-bab4-4f65-9181-fceec2aa319e","kind":"paragraph","order":3,"section_id":"sec_8f313445-f40a-4b64-b1d0-fd75a3c714bd","character_id":null,"markdown":"AI半導体の価格を見ていると、HBMは特別に高価なメモリーに見える。","render_override":null},{"id":"blk_e1ec3b7f-ae90-40b3-a78b-d88e20cee1e1","kind":"paragraph","order":4,"section_id":"sec_8f313445-f40a-4b64-b1d0-fd75a3c714bd","character_id":null,"markdown":"実際、AIアクセラレーターには数十GBから数百GBのHBMが搭載され、複数のDRAMダイ、TSV、ベースダイ、先端パッケージまで必要になる。GPUの部品コストの中でも、HBMは非常に大きな割合を占める。","render_override":null},{"id":"blk_e6d203c7-86c0-481a-bd50-de5eaa3d8164","kind":"paragraph","order":5,"section_id":"sec_8f313445-f40a-4b64-b1d0-fd75a3c714bd","character_id":null,"markdown":"しかし、**同じ1GBを保存する費用**で比べると、最も高価なのはHBMではない。","render_override":null},{"id":"blk_02459ef4-61f4-49a3-a61b-7fda62f5a108","kind":"paragraph","order":6,"section_id":"sec_8f313445-f40a-4b64-b1d0-fd75a3c714bd","character_id":null,"markdown":"大まかな順番は次のようになる。","render_override":null},{"id":"blk_f95f86b8-dd4d-4430-a136-8f5be43ab026","kind":"quote","order":7,"section_id":"sec_8f313445-f40a-4b64-b1d0-fd75a3c714bd","character_id":null,"markdown":"> **レジスタ ＞ オンチップSRAM ＞ HBM ＞ DDR・LPDDR ＞ NAND**","render_override":null},{"id":"blk_6a718f5f-813e-4567-9f68-0efaef23a562","kind":"paragraph","order":8,"section_id":"sec_8f313445-f40a-4b64-b1d0-fd75a3c714bd","character_id":null,"markdown":"意外に見える理由は、「部品一式の価格」と「1bit当たりの価格」を混同しやすいからである。","render_override":null},{"id":"blk_ece970d9-13ee-4756-881a-4c8beab611a3","kind":"thematic_break","order":9,"section_id":"sec_8f313445-f40a-4b64-b1d0-fd75a3c714bd","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1bbfdd13-736d-4995-ba33-b8758c886fff","kind":"heading","order":10,"section_id":"sec_caf0eddc-8c82-434d-a1d4-d14e8cbf62d0","character_id":null,"markdown":"## 1．「高価」には三つの意味がある","render_override":null},{"id":"blk_1a5c7002-fb36-4291-9e95-5bbdbb5ed5f2","kind":"paragraph","order":11,"section_id":"sec_caf0eddc-8c82-434d-a1d4-d14e8cbf62d0","character_id":null,"markdown":"メモリー価格を比較するときは、最低でも次の三つを分けなければならない。","render_override":null},{"id":"blk_69c7ceba-3c94-4cc4-a25c-5ad8622dc422","kind":"heading","order":12,"section_id":"sec_263e8ad8-f9c2-462e-b5a0-69b99e77f003","character_id":null,"markdown":"### 1bit・1GB当たりの価格","render_override":null},{"id":"blk_51207487-3167-4be1-b606-9b23d65ee8b5","kind":"paragraph","order":13,"section_id":"sec_263e8ad8-f9c2-462e-b5a0-69b99e77f003","character_id":null,"markdown":"同じ容量を保存するために、どれだけのシリコンと費用が必要かという比較である。","render_override":null},{"id":"blk_0be5dc82-40b9-43f1-a44b-39af2a8041da","kind":"paragraph","order":14,"section_id":"sec_263e8ad8-f9c2-462e-b5a0-69b99e77f003","character_id":null,"markdown":"この基準では、トランジスタを大量に使うレジスタとSRAMが圧倒的に高い。","render_override":null},{"id":"blk_d00f6eb6-554b-480e-b0a8-37bef164d5a8","kind":"heading","order":15,"section_id":"sec_732f9cea-08b2-4441-9c36-88f34ebc4bc2","character_id":null,"markdown":"### 部品一個当たりの価格","render_override":null},{"id":"blk_df7dbb64-9aa3-4243-8086-14695bd49609","kind":"paragraph","order":16,"section_id":"sec_732f9cea-08b2-4441-9c36-88f34ebc4bc2","character_id":null,"markdown":"HBMは1スタックで24GB、36GBなどの大容量を持つ。複数スタックをGPUの周囲へ搭載するため、部品一式では数千ドル規模になりやすい。","render_override":null},{"id":"blk_acce263a-ea14-4508-946a-91c9e79bb5c3","kind":"heading","order":17,"section_id":"sec_9de06c98-b0aa-41dd-8009-08bde9c31a21","character_id":null,"markdown":"### システム全体に与える費用","render_override":null},{"id":"blk_3027b320-1cc2-432e-907e-9523da16b907","kind":"paragraph","order":18,"section_id":"sec_9de06c98-b0aa-41dd-8009-08bde9c31a21","character_id":null,"markdown":"オンチップSRAMを増やすと、GPUやASICのダイ面積が拡大し、ウェハーから取れるチップ数と歩留まりが悪化する。独立した部品代としては見えなくても、AIチップそのものの原価を大きく押し上げる。","render_override":null},{"id":"blk_a7fcbaa4-9286-45a5-9184-7759a5eda3b1","kind":"paragraph","order":19,"section_id":"sec_9de06c98-b0aa-41dd-8009-08bde9c31a21","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_dff7d09f-63d2-4999-a1ad-3ca566ff246c","kind":"quote","order":20,"section_id":"sec_9de06c98-b0aa-41dd-8009-08bde9c31a21","character_id":null,"markdown":"> **HBMは請求書上で目立つ。SRAMとレジスタはロジックダイの内部に隠れている。**","render_override":null},{"id":"blk_0dba2629-c6a5-4750-a454-978d3ad71090","kind":"paragraph","order":21,"section_id":"sec_9de06c98-b0aa-41dd-8009-08bde9c31a21","character_id":null,"markdown":"という違いがある。","render_override":null},{"id":"blk_d503a5dc-d0da-4a66-943e-9e354602e6b9","kind":"thematic_break","order":22,"section_id":"sec_9de06c98-b0aa-41dd-8009-08bde9c31a21","character_id":null,"markdown":"---","render_override":null},{"id":"blk_07beb650-417d-43af-b01e-3be936f87ef8","kind":"heading","order":23,"section_id":"sec_729f97a9-d9d9-4179-a4d5-aed64d765e60","character_id":null,"markdown":"## 2．実際の価格を並べる","render_override":null},{"id":"blk_0596f7d9-b2e9-4522-938e-6a7dc2442389","kind":"paragraph","order":24,"section_id":"sec_729f97a9-d9d9-4179-a4d5-aed64d765e60","character_id":null,"markdown":"価格は世代、顧客、契約時期、数量によって大きく変わる。特にHBMの契約価格と、オンチップSRAM・レジスタの原価は公開されない。","render_override":null},{"id":"blk_c027fb42-5334-4e0d-9e92-2026b511ff7f","kind":"paragraph","order":25,"section_id":"sec_729f97a9-d9d9-4179-a4d5-aed64d765e60","character_id":null,"markdown":"そこで、公開されているBOM推計、契約価格、セル面積、ウェハー価格を使って、おおよその範囲を比較する。","render_override":null},{"id":"blk_1f16ba3f-048d-4250-82e1-df69f2782701","kind":"code","order":26,"section_id":"sec_729f97a9-d9d9-4179-a4d5-aed64d765e60","character_id":null,"markdown":"```\n| メモリー | 1GB当たりの概算 | 数字の性質 |\n| レジスタファイル | 300～1,000ドル超相当 | 面積から推定。実際に1GB作るのは非現実的 |\n| オンチップSRAM | 100～300ドル相当 | 先端ロジック上のシリコン・歩留まり価値 |\n| HBM3／HBM3E | 約14～20ドル | 公開BOM推計と価格動向 |\n| DDR5／LPDDR | 約5～11ドル | 大口契約・部品価格の例 |\n| NANDフラッシュ | DRAMより大幅に安い | TLC・QLC、世代、市況で変動 |\n```","render_override":null},{"id":"blk_0c24dd2a-9171-4615-82cc-437fc7dc978f","kind":"paragraph","order":27,"section_id":"sec_729f97a9-d9d9-4179-a4d5-aed64d765e60","character_id":null,"markdown":"この表のSRAMとレジスタは、市場で購入できる製品価格ではない。**同じ1GBを先端ロジック上へ実装した場合の、等価的な製造コスト・機会費用**である。","render_override":null},{"id":"blk_105cb23f-0905-44c5-8d73-51665b4f2ab6","kind":"thematic_break","order":28,"section_id":"sec_729f97a9-d9d9-4179-a4d5-aed64d765e60","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ef7518b8-a1d2-4966-bbfd-2d69da3fed5f","kind":"heading","order":29,"section_id":"sec_998ec5a2-c74b-4258-8a97-c32c617f7a2f","character_id":null,"markdown":"## 3．HBMの実価格はどれくらいか","render_override":null},{"id":"blk_e6466bf0-8659-4512-8d7f-a49872dda2bc","kind":"paragraph","order":30,"section_id":"sec_998ec5a2-c74b-4258-8a97-c32c617f7a2f","character_id":null,"markdown":"SemiAnalysisは、H100に使われる80GBのHBMについて、NVIDIAの調達費を約1,150ドルと推計していた。","render_override":null},{"id":"blk_0810ed46-9194-4a83-9dfd-017c549e4fc7","kind":"paragraph","order":31,"section_id":"sec_998ec5a2-c74b-4258-8a97-c32c617f7a2f","character_id":null,"markdown":"1GB当たりでは、","render_override":null},{"id":"blk_d0f2daf4-61b4-4810-a67c-b02233f4526f","kind":"paragraph","order":32,"section_id":"sec_998ec5a2-c74b-4258-8a97-c32c617f7a2f","character_id":null,"markdown":"**1,150ドル ÷ 80GB ＝ 約14.4ドル／GB**","render_override":null},{"id":"blk_12c2c6cc-b586-44f1-bf6a-4ce2edc4125c","kind":"paragraph","order":33,"section_id":"sec_998ec5a2-c74b-4258-8a97-c32c617f7a2f","character_id":null,"markdown":"となる。別の推計でもHBM3は約15ドル／GBとされていた。2026年にはHBM3Eの一部供給価格を約20％引き上げる動きも報じられているため、世代や契約によっては15～20ドル／GB程度、HBM4ではさらに高くなる可能性がある。([SemiAnalysis](https://newsletter.semianalysis.com/p/ai-server-cost-analysis-memory-is?utm_source=chatgpt.com))","render_override":null},{"id":"blk_7e91d3f9-78dc-427f-9d6a-1582a661b80c","kind":"paragraph","order":34,"section_id":"sec_998ec5a2-c74b-4258-8a97-c32c617f7a2f","character_id":null,"markdown":"MicronのHBM3Eは1スタック当たり24GBまたは36GBで、1.2TB/sを超える帯域を持つ。([Micron Technology](https://www.micron.com/products/memory/hbm/hbm3e?utm_source=chatgpt.com))","render_override":null},{"id":"blk_dc858006-afb9-4c68-8729-ea98f5aeb7d4","kind":"paragraph","order":35,"section_id":"sec_998ec5a2-c74b-4258-8a97-c32c617f7a2f","character_id":null,"markdown":"仮に1GB当たり15～20ドルとすると、","render_override":null},{"id":"blk_ffe2de3e-3eb7-4457-b279-89304c5e5d0c","kind":"code","order":36,"section_id":"sec_998ec5a2-c74b-4258-8a97-c32c617f7a2f","character_id":null,"markdown":"```\n| HBM構成 | HBM単体の概算 |\n| 24GB | 約360～480ドル |\n| 36GB | 約540～720ドル |\n| 80GB | 約1,200～1,600ドル |\n| 192GB | 約2,880～3,840ドル |\n| 288GB | 約4,320～5,760ドル |\n```","render_override":null},{"id":"blk_009d7fa0-edaa-43de-98ac-efb57e592c08","kind":"paragraph","order":37,"section_id":"sec_998ec5a2-c74b-4258-8a97-c32c617f7a2f","character_id":null,"markdown":"実際には世代、選別グレード、ベースダイ、顧客契約、パッケージ費用が異なるため、これは単純な容量換算である。","render_override":null},{"id":"blk_26eb13cc-de2b-4113-92bf-96dc9144fd01","kind":"paragraph","order":38,"section_id":"sec_998ec5a2-c74b-4258-8a97-c32c617f7a2f","character_id":null,"markdown":"それでも、数百GBを搭載すれば、HBMの合計額が数千ドルになる理由は分かる。","render_override":null},{"id":"blk_40a497fc-3f0f-45cf-9601-44f098f2d934","kind":"thematic_break","order":39,"section_id":"sec_998ec5a2-c74b-4258-8a97-c32c617f7a2f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_271482f1-d935-4607-8378-e5f806c03de8","kind":"heading","order":40,"section_id":"sec_515f64b1-753d-4d6a-b3e3-a001a8644042","character_id":null,"markdown":"## HBMは通常DRAMより何倍高いのか","render_override":null},{"id":"blk_c520360a-ba8b-4838-88bb-0e8678c12c18","kind":"paragraph","order":41,"section_id":"sec_515f64b1-753d-4d6a-b3e3-a001a8644042","character_id":null,"markdown":"通常時のHBMは、一般的なDDR5より1GB当たり数倍高い。","render_override":null},{"id":"blk_257431c8-fc3a-47b9-bf60-f5b166a77623","kind":"paragraph","order":42,"section_id":"sec_515f64b1-753d-4d6a-b3e3-a001a8644042","character_id":null,"markdown":"SemiAnalysisは、HBMを標準DDR5の3倍以上、LPDDRをHBMの約5分の1のコストと説明している。([SemiAnalysis](https://newsletter.semianalysis.com/p/the-memory-wall?utm_source=chatgpt.com))","render_override":null},{"id":"blk_557bebd3-fd1c-4a5c-a557-d4566600bc92","kind":"paragraph","order":43,"section_id":"sec_515f64b1-753d-4d6a-b3e3-a001a8644042","character_id":null,"markdown":"ただし2025年後半から2026年にかけては、通常DRAMの供給不足が極端に進んだ。","render_override":null},{"id":"blk_6129e9b6-263d-4652-a08b-a12a0af7aa7c","kind":"paragraph","order":44,"section_id":"sec_515f64b1-753d-4d6a-b3e3-a001a8644042","character_id":null,"markdown":"TrendForceはDDR5の価格例として0.65ドル／Gbを示している。1バイトは8bitなので、","render_override":null},{"id":"blk_9644dd0e-22ba-453d-8047-80fcd52385ab","kind":"paragraph","order":45,"section_id":"sec_515f64b1-753d-4d6a-b3e3-a001a8644042","character_id":null,"markdown":"**0.65ドル × 8 ＝ 5.20ドル／GB**","render_override":null},{"id":"blk_df984177-598d-4861-84af-6065196b8d1c","kind":"paragraph","order":46,"section_id":"sec_515f64b1-753d-4d6a-b3e3-a001a8644042","character_id":null,"markdown":"となる。([TrendForce](https://www.trendforce.com/research/download/RP251022KY?utm_source=chatgpt.com))","render_override":null},{"id":"blk_2adb90a4-a90d-40a0-811b-cade353d3c33","kind":"paragraph","order":47,"section_id":"sec_515f64b1-753d-4d6a-b3e3-a001a8644042","character_id":null,"markdown":"さらにSemiAnalysisの2026年システム原価モデルでは、LPDDRの大口調達価格が約6.77～10.63ドル／GBとされている。([SemiAnalysis](https://newsletter.semianalysis.com/p/vera-rubin-extreme-co-design-an-evolution?utm_source=chatgpt.com))","render_override":null},{"id":"blk_fa67f190-3d16-4b5f-b30b-41a1fb6ccbba","kind":"paragraph","order":48,"section_id":"sec_515f64b1-753d-4d6a-b3e3-a001a8644042","character_id":null,"markdown":"現在はDRAM価格が急騰したため、特定の契約ではDDR・LPDDRとHBMの価格差がかなり縮小している。これは恒久的な技術コストの逆転というより、供給不足による市況の影響である。","render_override":null},{"id":"blk_cf93c30b-473b-4f28-8fe3-fde8302f0e75","kind":"thematic_break","order":49,"section_id":"sec_515f64b1-753d-4d6a-b3e3-a001a8644042","character_id":null,"markdown":"---","render_override":null},{"id":"blk_17369e09-64a9-4824-896d-de651ce78663","kind":"heading","order":50,"section_id":"sec_fd08b703-e597-4d1c-a076-ce0c8856d503","character_id":null,"markdown":"## 4．SRAMを1GB作ると、どれだけ大きくなるのか","render_override":null},{"id":"blk_63ad7977-0c0e-4bfe-9e48-266dd7a2d1b8","kind":"paragraph","order":51,"section_id":"sec_fd08b703-e597-4d1c-a076-ce0c8856d503","character_id":null,"markdown":"TSMCが公表した5nm高密度SRAMセルは、1bit当たり0.021平方マイクロメートルである。([TSMC Research](https://research.tsmc.com/page/logic/7.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_f8e2d5d8-2aa3-4722-a054-2b49dff833e4","kind":"paragraph","order":52,"section_id":"sec_fd08b703-e597-4d1c-a076-ce0c8856d503","character_id":null,"markdown":"1GBは約85.9億bitなので、セルだけでも、","render_override":null},{"id":"blk_78c1a035-5169-4f6d-8af1-24435f1ab719","kind":"paragraph","order":53,"section_id":"sec_fd08b703-e597-4d1c-a076-ce0c8856d503","character_id":null,"markdown":"**85.9億bit × 0.021µm² \n＝ 約180mm²**","render_override":null},{"id":"blk_1fb39c00-7049-4f64-b417-fb2a9480cbf8","kind":"paragraph","order":54,"section_id":"sec_fd08b703-e597-4d1c-a076-ce0c8856d503","character_id":null,"markdown":"を必要とする。","render_override":null},{"id":"blk_871eb855-75ec-435d-b075-70ece8cb7fd6","kind":"paragraph","order":55,"section_id":"sec_fd08b703-e597-4d1c-a076-ce0c8856d503","character_id":null,"markdown":"しかし実際のSRAMには、","render_override":null},{"id":"blk_ccf87285-281e-4986-bd97-51f279d48c01","kind":"list","order":56,"section_id":"sec_fd08b703-e597-4d1c-a076-ce0c8856d503","character_id":null,"markdown":"- ワード線・ビット線\n- デコーダー\n- センスアンプ\n- 書き込み回路\n- ECC\n- 冗長セル\n- 電源回路\n- クロック・制御回路","render_override":null},{"id":"blk_f966c3a8-abd2-4b51-916f-db8c20b99d59","kind":"paragraph","order":57,"section_id":"sec_fd08b703-e597-4d1c-a076-ce0c8856d503","character_id":null,"markdown":"が必要になる。","render_override":null},{"id":"blk_6eb8e55a-e3ec-4863-979f-134fa610d3ad","kind":"paragraph","order":58,"section_id":"sec_fd08b703-e597-4d1c-a076-ce0c8856d503","character_id":null,"markdown":"SRAMセル配列が全体の55～70％を占めると仮定すると、1GBのSRAMマクロ全体は、","render_override":null},{"id":"blk_ea9cb653-4567-43e0-b78d-750bea8ec735","kind":"paragraph","order":59,"section_id":"sec_fd08b703-e597-4d1c-a076-ce0c8856d503","character_id":null,"markdown":"**約258～328mm²**","render_override":null},{"id":"blk_6d688c3f-7a87-4752-a187-8db5d2717042","kind":"paragraph","order":60,"section_id":"sec_fd08b703-e597-4d1c-a076-ce0c8856d503","character_id":null,"markdown":"になる。","render_override":null},{"id":"blk_f01a9270-0fb5-4384-8cf8-49b0418bc08d","kind":"paragraph","order":61,"section_id":"sec_fd08b703-e597-4d1c-a076-ce0c8856d503","character_id":null,"markdown":"これは、SRAMだけで大型CPUやGPUに匹敵する面積を使うということである。","render_override":null},{"id":"blk_19366754-dcdf-4b6c-9337-1c946a466f47","kind":"thematic_break","order":62,"section_id":"sec_fd08b703-e597-4d1c-a076-ce0c8856d503","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5f51773e-5a96-4a4a-8298-187bc2632df3","kind":"heading","order":63,"section_id":"sec_704e1b91-ccdb-4bb4-8def-d227517950d1","character_id":null,"markdown":"## SRAMの1GB当たりコストを計算する","render_override":null},{"id":"blk_18784169-2a2d-4213-bb55-d078511e0f82","kind":"paragraph","order":64,"section_id":"sec_704e1b91-ccdb-4bb4-8def-d227517950d1","character_id":null,"markdown":"業界推計では、TSMCのN5ウェハーはおよそ1万6,000～1万7,000ドルとされてきた。([SemiAnalysis](https://newsletter.semianalysis.com/p/apples-a14-packs-134-million-transistorsmm?utm_source=chatgpt.com))","render_override":null},{"id":"blk_20e8df23-e5ce-418e-b486-d781bbc7b1aa","kind":"paragraph","order":65,"section_id":"sec_704e1b91-ccdb-4bb4-8def-d227517950d1","character_id":null,"markdown":"300mmウェハーの面積とエッジロスを考慮すると、258～328mm²のSRAMダイを作る場合、理想的なシリコン費用だけでも数十ドルになる。","render_override":null},{"id":"blk_87f6f59c-253c-4d86-a0c6-4297d7148332","kind":"paragraph","order":66,"section_id":"sec_704e1b91-ccdb-4bb4-8def-d227517950d1","character_id":null,"markdown":"そこへ、","render_override":null},{"id":"blk_2d8ff906-fec0-4b9e-b44b-513b1a9c6247","kind":"list","order":67,"section_id":"sec_704e1b91-ccdb-4bb4-8def-d227517950d1","character_id":null,"markdown":"- 欠陥による歩留まり低下\n- テスト\n- ダイ選別\n- 設計費\n- パッケージ\n- 冗長領域\n- 高速・多ポート化","render_override":null},{"id":"blk_03f1a9ee-2d6d-4a43-a308-9b436c0d11b5","kind":"paragraph","order":68,"section_id":"sec_704e1b91-ccdb-4bb4-8def-d227517950d1","character_id":null,"markdown":"を加えると、単純な高密度SRAMでも**1GB当たり100～200ドル前後**の等価コストになる。","render_override":null},{"id":"blk_c6e06add-16d7-48be-8e0e-5fed566caefb","kind":"paragraph","order":69,"section_id":"sec_704e1b91-ccdb-4bb4-8def-d227517950d1","character_id":null,"markdown":"さらに、巨大なAIロジックダイの一部として実装する場合、SRAMが演算器を置ける面積を奪い、ダイ全体の歩留まりも悪化させる。その機会費用まで考えると、**100～300ドル／GB程度**と見るのが妥当な範囲になる。","render_override":null},{"id":"blk_7e4e3e18-0597-47bf-9d5d-1bf7f7fa866d","kind":"paragraph","order":70,"section_id":"sec_704e1b91-ccdb-4bb4-8def-d227517950d1","character_id":null,"markdown":"したがってHBMが15～20ドル／GBなら、オンチップSRAMは、同容量当たりでHBMの**5～20倍程度**高くなり得る。","render_override":null},{"id":"blk_7becc571-853b-4624-ad19-608fe3927b49","kind":"thematic_break","order":71,"section_id":"sec_704e1b91-ccdb-4bb4-8def-d227517950d1","character_id":null,"markdown":"---","render_override":null},{"id":"blk_148c2d4d-9e49-49c2-8c41-d86b140c6c3e","kind":"heading","order":72,"section_id":"sec_b94c5d13-b3f1-4626-94d4-4c8216a96869","character_id":null,"markdown":"## 5．なぜレジスタはSRAMよりさらに高価なのか","render_override":null},{"id":"blk_d636a052-2807-4bac-b513-b645ef7cc47f","kind":"paragraph","order":73,"section_id":"sec_b94c5d13-b3f1-4626-94d4-4c8216a96869","character_id":null,"markdown":"一般的な高密度SRAMは、1bitを6トランジスタで保持する6Tセルを使う。","render_override":null},{"id":"blk_3ec0a991-fa89-458f-9828-84b3c65407f7","kind":"paragraph","order":74,"section_id":"sec_b94c5d13-b3f1-4626-94d4-4c8216a96869","character_id":null,"markdown":"レジスタにはフリップフロップや、高速な多ポート・レジスタファイルが使われる。TSMCが公表した5nmの2ポート・レジスタファイルの例では、1bit当たり16トランジスタのセルを使っている。([TSMC Research](https://research.tsmc.com/japanese/collaborations/events/event/conferences-5.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_fb4ba5db-c249-4c0f-acda-b4ae5da48289","kind":"paragraph","order":75,"section_id":"sec_b94c5d13-b3f1-4626-94d4-4c8216a96869","character_id":null,"markdown":"単純なトランジスタ数だけでも、","render_override":null},{"id":"blk_c06be5a5-5c7c-40ea-9002-629b8c97d7d1","kind":"paragraph","order":76,"section_id":"sec_b94c5d13-b3f1-4626-94d4-4c8216a96869","character_id":null,"markdown":"**16T ÷ 6T ＝ 約2.7倍**","render_override":null},{"id":"blk_0cee35f6-3ccc-47c4-b01d-f4c4a9667724","kind":"paragraph","order":77,"section_id":"sec_b94c5d13-b3f1-4626-94d4-4c8216a96869","character_id":null,"markdown":"である。","render_override":null},{"id":"blk_509376a6-72a4-4618-9c32-6c68a3ab8321","kind":"paragraph","order":78,"section_id":"sec_b94c5d13-b3f1-4626-94d4-4c8216a96869","character_id":null,"markdown":"実際にはレジスタファイルには、","render_override":null},{"id":"blk_30e537af-4c99-4481-ae15-bd93f2656998","kind":"list","order":79,"section_id":"sec_b94c5d13-b3f1-4626-94d4-4c8216a96869","character_id":null,"markdown":"- 複数の読み出しポート\n- 複数の書き込みポート\n- バイパス回路\n- 高速クロック配線\n- 大電流のドライバー\n- 多数の演算器へ向かう広い配線","render_override":null},{"id":"blk_d8d8cf0d-7117-4c06-9a46-c9e84ee996e3","kind":"paragraph","order":80,"section_id":"sec_b94c5d13-b3f1-4626-94d4-4c8216a96869","character_id":null,"markdown":"が必要になる。","render_override":null},{"id":"blk_c6826f24-60b1-4542-b7ba-6cbb9688853e","kind":"paragraph","order":81,"section_id":"sec_b94c5d13-b3f1-4626-94d4-4c8216a96869","character_id":null,"markdown":"そのため1bit当たりの面積は、通常のSRAMの2～5倍以上になることがある。","render_override":null},{"id":"blk_d469fd86-1cb6-4357-993d-59bf6d00eaa5","kind":"paragraph","order":82,"section_id":"sec_b94c5d13-b3f1-4626-94d4-4c8216a96869","character_id":null,"markdown":"SRAMの等価コストを100～300ドル／GBとすれば、レジスタファイルを1GB相当まで拡張した場合、","render_override":null},{"id":"blk_0271d652-2a43-45ea-ad57-ff129d712c88","kind":"quote","order":83,"section_id":"sec_b94c5d13-b3f1-4626-94d4-4c8216a96869","character_id":null,"markdown":"> **数百ドルから1,000ドル／GBを超える**","render_override":null},{"id":"blk_0e461d6b-08e3-4d43-9465-cf9963f53f3f","kind":"paragraph","order":84,"section_id":"sec_b94c5d13-b3f1-4626-94d4-4c8216a96869","character_id":null,"markdown":"可能性がある。","render_override":null},{"id":"blk_45d20f75-3cf0-4c71-937a-25b37aade579","kind":"paragraph","order":85,"section_id":"sec_b94c5d13-b3f1-4626-94d4-4c8216a96869","character_id":null,"markdown":"ただし現実には、1GBのレジスタファイルは面積、電力、配線、ポート数の面で成立しにくい。そのためこの数字は製品価格ではなく、**なぜレジスタを数十MB程度に抑える必要があるかを示す換算値**である。","render_override":null},{"id":"blk_c4b5d2c9-1cd6-438f-b56b-5f197e8f4eec","kind":"thematic_break","order":86,"section_id":"sec_b94c5d13-b3f1-4626-94d4-4c8216a96869","character_id":null,"markdown":"---","render_override":null},{"id":"blk_877980d0-90e0-4658-8415-a24bc1088d18","kind":"heading","order":87,"section_id":"sec_07bd0190-4541-49ed-9cd5-889bebd958c9","character_id":null,"markdown":"## 6．なぜHBMが一番高く見えるのか","render_override":null},{"id":"blk_a0f830b0-ea1e-48e5-80ef-22e558e70d87","kind":"paragraph","order":88,"section_id":"sec_07bd0190-4541-49ed-9cd5-889bebd958c9","character_id":null,"markdown":"レジスタとSRAMは、GPUダイの価格に埋め込まれている。","render_override":null},{"id":"blk_6474bcfd-3ad0-43db-a0a5-1fe75ffbc1c4","kind":"paragraph","order":89,"section_id":"sec_07bd0190-4541-49ed-9cd5-889bebd958c9","character_id":null,"markdown":"購入者が見る請求書には、","render_override":null},{"id":"blk_484125f4-7af6-442a-b9f2-67920569a9ae","kind":"code","order":90,"section_id":"sec_07bd0190-4541-49ed-9cd5-889bebd958c9","character_id":null,"markdown":"```\nGPUロジックダイ　○○ドル\nHBM　　　　　　○○ドル\n先端パッケージ　○○ドル\n```","render_override":null},{"id":"blk_07471968-04c2-4b1f-9d38-8bd6eecf35f6","kind":"paragraph","order":91,"section_id":"sec_07bd0190-4541-49ed-9cd5-889bebd958c9","character_id":null,"markdown":"と表示されても、","render_override":null},{"id":"blk_93634fc9-3ef8-41cf-92a3-2eab624b3db5","kind":"code","order":92,"section_id":"sec_07bd0190-4541-49ed-9cd5-889bebd958c9","character_id":null,"markdown":"```\nレジスタ　　　　○○ドル\nL2 SRAM　　　　○○ドル\n```","render_override":null},{"id":"blk_8903860b-17a1-433f-9881-e815e662bc1c","kind":"paragraph","order":93,"section_id":"sec_07bd0190-4541-49ed-9cd5-889bebd958c9","character_id":null,"markdown":"とは表示されない。","render_override":null},{"id":"blk_1b56c40c-2b7f-4017-818e-9ddeace688cc","kind":"paragraph","order":94,"section_id":"sec_07bd0190-4541-49ed-9cd5-889bebd958c9","character_id":null,"markdown":"SRAMの費用は、GPUロジックダイの面積、歩留まり、ファウンドリー代として隠れている。","render_override":null},{"id":"blk_0cd103a6-ddd0-4c05-a510-00a715a246d3","kind":"paragraph","order":95,"section_id":"sec_07bd0190-4541-49ed-9cd5-889bebd958c9","character_id":null,"markdown":"一方HBMは、24GBや36GBのスタックを4個、6個、8個と搭載する。MicronのHBM3Eは24GBまたは36GB、HBM4も36GBの12層構成を持つ。([Micron Technology](https://www.micron.com/products/memory/hbm/hbm3e?utm_source=chatgpt.com))","render_override":null},{"id":"blk_8da0c4ba-15e0-40d4-8f58-5f130b98d55d","kind":"paragraph","order":96,"section_id":"sec_07bd0190-4541-49ed-9cd5-889bebd958c9","character_id":null,"markdown":"そのため、1GB当たりではSRAMより安くても、**搭載容量が数百倍大きいので総額ではHBMが最大になる**。","render_override":null},{"id":"blk_40242611-106e-4f7f-8cc8-6f94697984be","kind":"thematic_break","order":97,"section_id":"sec_07bd0190-4541-49ed-9cd5-889bebd958c9","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f156f12e-acb5-415f-af40-8a127c9eb2f7","kind":"heading","order":98,"section_id":"sec_1504a0ec-a6ee-4e4c-a60e-c8ac362dd916","character_id":null,"markdown":"## 7．SRAMを増やすと、AIチップの価格はどれくらい上がるか","render_override":null},{"id":"blk_3f3bc507-1657-4714-acd9-c852cef52ba1","kind":"paragraph","order":99,"section_id":"sec_1504a0ec-a6ee-4e4c-a60e-c8ac362dd916","character_id":null,"markdown":"600mm²の大型AI ASICを例に考える。","render_override":null},{"id":"blk_71513eef-93c3-48fd-9248-d1d82e70cb56","kind":"paragraph","order":100,"section_id":"sec_1504a0ec-a6ee-4e4c-a60e-c8ac362dd916","character_id":null,"markdown":"TSMC N5の高密度SRAMセルと、周辺回路を含む60％程度の配列効率を仮定すると、追加面積は概ね次のようになる。","render_override":null},{"id":"blk_7dcfd102-84b1-4ac6-ad61-b3dcef74ed9b","kind":"code","order":101,"section_id":"sec_1504a0ec-a6ee-4e4c-a60e-c8ac362dd916","character_id":null,"markdown":"```\n| 追加SRAM | 推定追加面積 |\n| 64MB | 約19mm² |\n| 128MB | 約38mm² |\n| 256MB | 約75mm² |\n| 512MB | 約150mm² |\n| 1GB | 約300mm² |\n```","render_override":null},{"id":"blk_c101132d-af27-48ac-af3f-d5f6af443a51","kind":"paragraph","order":102,"section_id":"sec_1504a0ec-a6ee-4e4c-a60e-c8ac362dd916","character_id":null,"markdown":"ウェハー価格を1万7,000ドル、欠陥密度を0.1個／cm²とした簡易的な歩留まりモデルでは、600mm²のダイ原価を基準として次のようになる。","render_override":null},{"id":"blk_b53a70d5-d48f-4957-888a-3768a5667d6c","kind":"code","order":103,"section_id":"sec_1504a0ec-a6ee-4e4c-a60e-c8ac362dd916","character_id":null,"markdown":"```\n| 構成 | ダイ面積 | 良品ダイ原価の概算 | 基準からの上昇 |\n| 元のASIC | 600mm² | 約342ドル | ― |\n| ＋256MB SRAM | 675mm² | 約422ドル | 約24％ |\n| ＋512MB SRAM | 750mm² | 約515ドル | 約51％ |\n| ＋1GB SRAM | 900mm² | 約742ドル | 約117％ |\n```","render_override":null},{"id":"blk_8b6b2833-a8f6-4875-bba7-c3bfb10610b1","kind":"paragraph","order":104,"section_id":"sec_1504a0ec-a6ee-4e4c-a60e-c8ac362dd916","character_id":null,"markdown":"これは設計費、パッケージ、テスト、マージンを含まない説明用の試算である。実際の歩留まりは工程、設計、冗長性、欠陥密度によって大きく異なる。","render_override":null},{"id":"blk_7e5fb3f9-7dc0-41af-a8bc-cf21ef41d78f","kind":"paragraph","order":105,"section_id":"sec_1504a0ec-a6ee-4e4c-a60e-c8ac362dd916","character_id":null,"markdown":"それでも、SRAMを1GB増やすだけで、ダイ面積は約50％増え、良品ロジックダイ原価が倍以上になる可能性があることが分かる。","render_override":null},{"id":"blk_454b1227-e2b4-4b94-8a47-e2da46e92743","kind":"thematic_break","order":106,"section_id":"sec_1504a0ec-a6ee-4e4c-a60e-c8ac362dd916","character_id":null,"markdown":"---","render_override":null},{"id":"blk_edc079af-8b38-4449-81b4-75f5d63d6345","kind":"heading","order":107,"section_id":"sec_0dbad813-a9a0-434a-ad47-6538b1ed2286","character_id":null,"markdown":"## 8．それでもSRAMを増やす理由","render_override":null},{"id":"blk_0c09c804-1a1a-491c-b05b-a95a14dbe026","kind":"paragraph","order":108,"section_id":"sec_0dbad813-a9a0-434a-ad47-6538b1ed2286","character_id":null,"markdown":"SRAMはDRAM容量を同じだけ置き換えるために使うのではない。","render_override":null},{"id":"blk_b48db9c6-f6fc-4234-bace-eb6393da588f","kind":"paragraph","order":109,"section_id":"sec_0dbad813-a9a0-434a-ad47-6538b1ed2286","character_id":null,"markdown":"例えば256MBのSRAMを追加しても、256GBのHBMやDRAMが不要になるわけではない。","render_override":null},{"id":"blk_773f63e0-7a5b-419b-9790-a6c123ba2be4","kind":"paragraph","order":110,"section_id":"sec_0dbad813-a9a0-434a-ad47-6538b1ed2286","character_id":null,"markdown":"目的は、頻繁に使うデータを演算器の近くへ残し、","render_override":null},{"id":"blk_7370d205-eaef-473e-a982-f74d2cc235fb","kind":"list","order":111,"section_id":"sec_0dbad813-a9a0-434a-ad47-6538b1ed2286","character_id":null,"markdown":"- HBMから同じ重みを繰り返し読まない\n- 中間結果を外部へ書き戻さない\n- 行列演算のタイルを再利用する\n- ホットなKVキャッシュを保持する\n- 演算器の待ち時間を短くする","render_override":null},{"id":"blk_cdc9d2d9-482b-4f6d-b1e5-501609980332","kind":"paragraph","order":112,"section_id":"sec_0dbad813-a9a0-434a-ad47-6538b1ed2286","character_id":null,"markdown":"ことである。","render_override":null},{"id":"blk_6f7c21ae-f3fb-422b-9324-4c1247b2785e","kind":"code","order":113,"section_id":"sec_0dbad813-a9a0-434a-ad47-6538b1ed2286","character_id":null,"markdown":"```\n少量の高価なSRAMを追加\n ↓\nHBMアクセス回数を削減\n ↓\n必要帯域と消費電力を削減\n ↓\n演算器の稼働率を向上\n```","render_override":null},{"id":"blk_47a3596e-0669-4966-8be8-9e6c9c963b9f","kind":"paragraph","order":114,"section_id":"sec_0dbad813-a9a0-434a-ad47-6538b1ed2286","character_id":null,"markdown":"例えばチップ原価が20％上昇しても、推論性能が30％向上し、必要なGPU台数を減らせるなら、データセンター全体では安くなる可能性がある。","render_override":null},{"id":"blk_c9edbc05-48a7-40c4-bf0e-c45817bf4bbb","kind":"paragraph","order":115,"section_id":"sec_0dbad813-a9a0-434a-ad47-6538b1ed2286","character_id":null,"markdown":"ここでは「GB当たりの安さ」ではなく、**1ドル当たり何トークン処理できるか**が重要になる。","render_override":null},{"id":"blk_a323d028-0b28-4ea7-b2a8-acb1fefa24fd","kind":"thematic_break","order":116,"section_id":"sec_0dbad813-a9a0-434a-ad47-6538b1ed2286","character_id":null,"markdown":"---","render_override":null},{"id":"blk_0f58b629-77ca-447a-86d6-bc546b810021","kind":"heading","order":117,"section_id":"sec_76525ed8-5438-412b-bf43-7239401bdb52","character_id":null,"markdown":"## 9．3D積層SRAMなら安くなるのか","render_override":null},{"id":"blk_e81c9811-2848-4b27-819d-307911797cea","kind":"paragraph","order":118,"section_id":"sec_76525ed8-5438-412b-bf43-7239401bdb52","character_id":null,"markdown":"SRAMをロジックダイ上へ直接増設すると、計算ダイ全体が大型化し、歩留まりが悪化する。","render_override":null},{"id":"blk_b9f2b8bd-1886-41db-8851-88e62496a0b4","kind":"paragraph","order":119,"section_id":"sec_76525ed8-5438-412b-bf43-7239401bdb52","character_id":null,"markdown":"そこで、","render_override":null},{"id":"blk_79530d0f-bd83-4b22-b7d7-01f783d7e94b","kind":"code","order":120,"section_id":"sec_76525ed8-5438-412b-bf43-7239401bdb52","character_id":null,"markdown":"```\n上層：SRAMキャッシュダイ\n　　　　↕\n下層：演算ロジックダイ\n```","render_override":null},{"id":"blk_39f11fa6-33a6-4f3c-80bc-c9f67ba3bc06","kind":"paragraph","order":121,"section_id":"sec_76525ed8-5438-412b-bf43-7239401bdb52","character_id":null,"markdown":"という3D積層が検討される。","render_override":null},{"id":"blk_f0066372-13ab-4d1c-b657-b768ba364078","kind":"paragraph","order":122,"section_id":"sec_76525ed8-5438-412b-bf43-7239401bdb52","character_id":null,"markdown":"別の小型SRAMダイとして製造すれば、巨大な演算ダイをさらに拡大する必要はない。","render_override":null},{"id":"blk_c8531ed6-2499-4594-a1e5-30a8968007ef","kind":"paragraph","order":123,"section_id":"sec_76525ed8-5438-412b-bf43-7239401bdb52","character_id":null,"markdown":"しかし、","render_override":null},{"id":"blk_63790a67-2f3b-462e-a0ab-84894855e368","kind":"list","order":124,"section_id":"sec_76525ed8-5438-412b-bf43-7239401bdb52","character_id":null,"markdown":"- SRAMダイの製造費\n- ハイブリッドボンディング\n- Known Good Dieの選別\n- 積層後テスト\n- 熱設計\n- パッケージ歩留まり","render_override":null},{"id":"blk_243ea2d9-9259-44ee-ae00-3da5bac8fde9","kind":"paragraph","order":125,"section_id":"sec_76525ed8-5438-412b-bf43-7239401bdb52","character_id":null,"markdown":"が追加される。","render_override":null},{"id":"blk_69c7f12a-9053-43c6-a4da-7953ad7a2925","kind":"paragraph","order":126,"section_id":"sec_76525ed8-5438-412b-bf43-7239401bdb52","character_id":null,"markdown":"3D積層はSRAMをHBM並みに安くする技術ではない。**巨大な単一ダイにSRAMを追加するより、経済的に容量を増やしやすくする技術**である。","render_override":null},{"id":"blk_30ae61cd-6d46-4209-82fa-1b338e225c66","kind":"paragraph","order":127,"section_id":"sec_76525ed8-5438-412b-bf43-7239401bdb52","character_id":null,"markdown":"SRAMのスケーリングは5nm以降停滞しており、3nmや2nmへ移ってもロジックほど面積が縮まらないことが、積層化を促す一因になっている。([SemiAnalysis](https://newsletter.semianalysis.com/p/clash-of-the-foundries?utm_source=chatgpt.com))","render_override":null},{"id":"blk_c7302d11-6a31-4252-a384-44a88aa2b8ee","kind":"thematic_break","order":128,"section_id":"sec_76525ed8-5438-412b-bf43-7239401bdb52","character_id":null,"markdown":"---","render_override":null},{"id":"blk_caf19d8d-1b42-4bee-8667-5de00be058ba","kind":"heading","order":129,"section_id":"sec_7f812e1f-b0b5-4705-bd6d-835c30e08fed","character_id":null,"markdown":"## 10．最終的な価格序列","render_override":null},{"id":"blk_4b99fa42-92bc-477a-8f88-0e4c4b165c71","kind":"heading","order":130,"section_id":"sec_1ba07b2f-493e-48ab-a9d2-7fc4fe6e2c40","character_id":null,"markdown":"## 同じ1GBを実装するなら","render_override":null},{"id":"blk_489d6de9-24ba-4440-a353-734a0aace987","kind":"quote","order":131,"section_id":"sec_1ba07b2f-493e-48ab-a9d2-7fc4fe6e2c40","character_id":null,"markdown":"> **レジスタ ＞ SRAM ＞ HBM ＞ DDR・LPDDR ＞ NAND**","render_override":null},{"id":"blk_be83206d-6a88-4645-804c-abf9ada6d25c","kind":"heading","order":132,"section_id":"sec_85d4adeb-5b84-4e36-ade1-1d302eae56ac","character_id":null,"markdown":"## AIチップ一個の部品総額なら","render_override":null},{"id":"blk_f0adb1bd-ddf6-4168-9a0a-b3b721255c79","kind":"quote","order":133,"section_id":"sec_85d4adeb-5b84-4e36-ade1-1d302eae56ac","character_id":null,"markdown":"> **大容量・複数搭載のHBMが最大になりやすい**","render_override":null},{"id":"blk_02c0c597-04c9-49bc-ad52-5d48f30553c8","kind":"heading","order":134,"section_id":"sec_817e1caf-98f1-4e0c-aabe-71c27e7e993a","character_id":null,"markdown":"## ダイ面積への負担なら","render_override":null},{"id":"blk_91ecc2a0-78db-40db-86e8-88c15061ae5c","kind":"quote","order":135,"section_id":"sec_817e1caf-98f1-4e0c-aabe-71c27e7e993a","character_id":null,"markdown":"> **SRAMとレジスタが非常に重い**","render_override":null},{"id":"blk_4b56d93f-0f60-42b7-b8ea-436e3caed7c1","kind":"heading","order":136,"section_id":"sec_1b1af77b-b4ac-4045-9a15-4c6e4a1d1db3","character_id":null,"markdown":"## 保存容量を増やすなら","render_override":null},{"id":"blk_0ef3f0e5-0d4c-45e0-a38a-505842381e53","kind":"quote","order":137,"section_id":"sec_1b1af77b-b4ac-4045-9a15-4c6e4a1d1db3","character_id":null,"markdown":"> **HBMよりDRAM、さらにNANDの方が安い**","render_override":null},{"id":"blk_704e5135-9f33-460f-b2de-d2203a2058aa","kind":"paragraph","order":138,"section_id":"sec_1b1af77b-b4ac-4045-9a15-4c6e4a1d1db3","character_id":null,"markdown":"これを住宅に例えるなら、","render_override":null},{"id":"blk_29f7695f-a5ce-4bb3-a370-357390081d5a","kind":"list","order":139,"section_id":"sec_1b1af77b-b4ac-4045-9a15-4c6e4a1d1db3","character_id":null,"markdown":"- レジスタ：演算器の真横にある専用の机\n- SRAM：都心の個室\n- HBM：高速エレベーター付きの高級高層住宅\n- DDR：郊外の大規模集合住宅\n- NAND：巨大な保管倉庫","render_override":null},{"id":"blk_cf840cc6-8854-4b98-be53-e05cebfb37f4","kind":"paragraph","order":140,"section_id":"sec_1b1af77b-b4ac-4045-9a15-4c6e4a1d1db3","character_id":null,"markdown":"となる。","render_override":null},{"id":"blk_3263230a-df10-4da8-a909-bd53cd669799","kind":"paragraph","order":141,"section_id":"sec_1b1af77b-b4ac-4045-9a15-4c6e4a1d1db3","character_id":null,"markdown":"高級高層住宅であるHBMは、建物一棟では非常に高い。しかし1人当たりの床面積では、演算器の横を一人で占有するレジスタの方が高価である。","render_override":null},{"id":"blk_0256f31e-ac2e-47cd-bdc2-a7938f570d6d","kind":"thematic_break","order":142,"section_id":"sec_1b1af77b-b4ac-4045-9a15-4c6e4a1d1db3","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9c3b3b39-b61c-4d32-baee-bc32cbec08a7","kind":"heading","order":143,"section_id":"sec_b2b328be-0fc5-4b4b-8f1e-2dd3f2760844","character_id":null,"markdown":"## まとめ","render_override":null},{"id":"blk_a29bc885-15a9-48b3-9a5a-3145f1546646","kind":"paragraph","order":144,"section_id":"sec_b2b328be-0fc5-4b4b-8f1e-2dd3f2760844","character_id":null,"markdown":"HBMが高価であること自体は間違いではない。","render_override":null},{"id":"blk_653b1199-724f-4a5a-a965-0b4c6ce9b62d","kind":"paragraph","order":145,"section_id":"sec_b2b328be-0fc5-4b4b-8f1e-2dd3f2760844","character_id":null,"markdown":"ただし、正確には、","render_override":null},{"id":"blk_f1ada5c5-8aee-41fd-9658-0167683a7b54","kind":"quote","order":146,"section_id":"sec_b2b328be-0fc5-4b4b-8f1e-2dd3f2760844","character_id":null,"markdown":"> **HBMは「大容量部品として総額が高い」。 \n> レジスタとSRAMは「1bit当たりのシリコンコストが高い」。**","render_override":null},{"id":"blk_4f9f0184-be49-4b8e-9809-7ce019aa25e7","kind":"paragraph","order":147,"section_id":"sec_b2b328be-0fc5-4b4b-8f1e-2dd3f2760844","character_id":null,"markdown":"という違いである。","render_override":null},{"id":"blk_42d0fd1e-0cac-4295-96b1-a846a9066d40","kind":"paragraph","order":148,"section_id":"sec_b2b328be-0fc5-4b4b-8f1e-2dd3f2760844","character_id":null,"markdown":"AIチップがSRAMだけでもHBMだけでも成立しないのは、この価格と性能の差があるからだ。","render_override":null},{"id":"blk_ae84e2af-1efd-4aed-b745-cd897168eaf4","kind":"code","order":149,"section_id":"sec_b2b328be-0fc5-4b4b-8f1e-2dd3f2760844","character_id":null,"markdown":"```\n今計算している値　　　→ レジスタ\n何度も再利用する値　　→ SRAM\nモデル全体・Active KV → HBM\n退避・大容量作業領域　→ DDR・LPDDR\n保存データ　　　　　　→ NAND\n```","render_override":null},{"id":"blk_6b86cb91-2f06-4837-85fc-b45c3220ca6d","kind":"paragraph","order":150,"section_id":"sec_b2b328be-0fc5-4b4b-8f1e-2dd3f2760844","character_id":null,"markdown":"性能だけを考えれば、すべてをレジスタやSRAMに置きたい。しかし、それではダイが巨大化し、コストと歩留まりが破綻する。","render_override":null},{"id":"blk_b0c7670d-a249-4b99-8007-abe2c9e6ee94","kind":"paragraph","order":151,"section_id":"sec_b2b328be-0fc5-4b4b-8f1e-2dd3f2760844","character_id":null,"markdown":"容量だけを考えれば、すべてをNANDに置きたい。しかし、それでは演算器がデータを待ち続ける。","render_override":null},{"id":"blk_669a020e-4b19-4b34-8e2b-e8605f9f7cb1","kind":"paragraph","order":152,"section_id":"sec_b2b328be-0fc5-4b4b-8f1e-2dd3f2760844","character_id":null,"markdown":"**AI半導体の設計とは、速くて高価な上位メモリーをどこまで増やし、安くて大容量な下位メモリーへ何を逃がすかを決める作業である。**","render_override":null},{"id":"blk_89af326a-03e1-40ab-9570-96c3ae2ac6de","kind":"thematic_break","order":153,"section_id":"sec_b2b328be-0fc5-4b4b-8f1e-2dd3f2760844","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9b018528-48da-414e-ac90-3bafa4d7bd6e","kind":"heading","order":154,"section_id":"sec_aa4c86da-16e4-4fc1-b2fd-fc3d639967da","character_id":null,"markdown":"## SRAMとHBMの総容量で価格比較","render_override":null},{"id":"blk_1692e996-3604-4e54-a0f1-4773c1cc4526","kind":"paragraph","order":155,"section_id":"sec_aa4c86da-16e4-4fc1-b2fd-fc3d639967da","character_id":null,"markdown":"**AI ASICは、GPUよりSRAMを多めに配分しやすい**です。特に低遅延推論、推薦、エッジ処理など、処理内容が決まっているASICでは、再利用するデータをオンチップSRAMへ明示的に置き、HBMやDRAMへのアクセスを減らせます。","render_override":null},{"id":"blk_95e26855-0ef3-4935-9ef1-c474ba74188c","kind":"paragraph","order":156,"section_id":"sec_aa4c86da-16e4-4fc1-b2fd-fc3d639967da","character_id":null,"markdown":"ただし、学習用TPUや大規模生成AI向けASICは大量のHBMも必要です。したがって、","render_override":null},{"id":"blk_5d2ff859-502e-4b4c-b931-54dd30a946b8","kind":"list","order":157,"section_id":"sec_aa4c86da-16e4-4fc1-b2fd-fc3d639967da","character_id":null,"markdown":"- **SRAM重視ASIC**：Meta MTIA、Groq LPU型\n- **HBM重視ASIC**：Google TPU型\n- **SRAM＋HBM併用型**：多くの大規模AI ASIC","render_override":null},{"id":"blk_8bde6e7a-2141-4367-83c6-30fb39e9672a","kind":"paragraph","order":158,"section_id":"sec_aa4c86da-16e4-4fc1-b2fd-fc3d639967da","character_id":null,"markdown":"に分かれます。","render_override":null},{"id":"blk_3b70489d-b785-4715-a436-48101ee9d51e","kind":"paragraph","order":159,"section_id":"sec_aa4c86da-16e4-4fc1-b2fd-fc3d639967da","character_id":null,"markdown":"価格は1bit当たりではSRAMがHBMの**約9～31倍**高いと試算できます。一方、1ラックではHBM容量がSRAMの数百倍になるため、**HBMの総額がSRAMの約25～83倍**になるケースがあります。","render_override":null},{"id":"blk_945c4c1e-d4c6-449b-82b4-25a5a801a929","kind":"thematic_break","order":160,"section_id":"sec_aa4c86da-16e4-4fc1-b2fd-fc3d639967da","character_id":null,"markdown":"---","render_override":null},{"id":"blk_810fe4e2-4c7a-44a7-be93-7cbab885a7c7","kind":"heading","order":161,"section_id":"sec_f0ed8239-70bf-496c-bd8b-244ae7f200a3","character_id":null,"markdown":"## 1．なぜAI ASICはSRAMを多めにしやすいのか","render_override":null},{"id":"blk_2717be2d-39c2-498e-952d-0c92e4fe74fb","kind":"paragraph","order":162,"section_id":"sec_f0ed8239-70bf-496c-bd8b-244ae7f200a3","character_id":null,"markdown":"GPUはさまざまなモデルや計算へ対応する汎用アクセラレーターです。そのため、モデル全体やKVキャッシュを大容量HBMへ置き、ハードウェアキャッシュで必要な部分を取り込みます。","render_override":null},{"id":"blk_4139d838-3d95-4b97-bafa-a40718fe6e52","kind":"paragraph","order":163,"section_id":"sec_f0ed8239-70bf-496c-bd8b-244ae7f200a3","character_id":null,"markdown":"ASICは用途を限定できるので、","render_override":null},{"id":"blk_fb269d5e-88f3-42d3-9f8b-124028cb70ca","kind":"list","order":164,"section_id":"sec_f0ed8239-70bf-496c-bd8b-244ae7f200a3","character_id":null,"markdown":"- どのデータを何回再利用するか\n- 演算する順番\n- 必要なバッファ容量\n- チップ間通信のタイミング","render_override":null},{"id":"blk_94c7ffb7-734a-4ab7-bb82-a3742aba1e1c","kind":"paragraph","order":165,"section_id":"sec_f0ed8239-70bf-496c-bd8b-244ae7f200a3","character_id":null,"markdown":"を設計時に決められます。","render_override":null},{"id":"blk_362f4331-ab1b-4df4-ac1e-1fbcef0543d8","kind":"paragraph","order":166,"section_id":"sec_f0ed8239-70bf-496c-bd8b-244ae7f200a3","character_id":null,"markdown":"そのため、頻繁に使う重み、活性値、中間結果、KVキャッシュの一部をSRAMへ固定しやすくなります。","render_override":null},{"id":"blk_1ecad095-20ad-42db-bde4-538e1d68a949","kind":"paragraph","order":167,"section_id":"sec_f0ed8239-70bf-496c-bd8b-244ae7f200a3","character_id":null,"markdown":"Metaは次世代MTIAについて、一般的なGPUより相対的に大きなSRAMを持たせることで、小さいバッチサイズでも高い稼働率を実現すると説明しています。同チップは256MBのオンチップSRAMと128GBのLPDDR5を搭載し、最大72個を1ラックに収容します。([AI Meta](https://ai.meta.com/blog/next-generation-meta-training-inference-accelerator-AI-MTIA/))","render_override":null},{"id":"blk_a9b4097a-e9a6-4604-82e9-380aba399b8f","kind":"paragraph","order":168,"section_id":"sec_f0ed8239-70bf-496c-bd8b-244ae7f200a3","character_id":null,"markdown":"Groq系LPUはさらに極端で、1チップ当たり500MBのSRAMを主要な作業領域として使います。8チップのLPXトレイでは合計4GBのオンチップSRAMと1.2PB/sのSRAM帯域を持ちます。([NVIDIA Developer](https://developer.nvidia.com/blog/inside-nvidia-groq-3-lpx-the-low-latency-inference-accelerator-for-the-nvidia-vera-rubin-platform/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_10859511-f4f8-4b1d-a8ac-ce7b5033668f","kind":"paragraph","order":169,"section_id":"sec_f0ed8239-70bf-496c-bd8b-244ae7f200a3","character_id":null,"markdown":"一方、Google TPU7xは1チップ当たり192GBのHBMを搭載します。これはASICだから必ずSRAM中心になるわけではなく、大規模モデル向けではHBMが引き続き中心になることを示しています。([Google Cloud Documentation](https://docs.cloud.google.com/tpu/docs/tpu7x?utm_source=chatgpt.com))","render_override":null},{"id":"blk_3cc193c9-f329-45e1-8197-8da248433728","kind":"thematic_break","order":170,"section_id":"sec_f0ed8239-70bf-496c-bd8b-244ae7f200a3","character_id":null,"markdown":"---","render_override":null},{"id":"blk_62903174-4d35-4e43-8381-e2f69c7c940b","kind":"heading","order":171,"section_id":"sec_bf0ec203-50cc-40ef-8c58-48c7fda1f94e","character_id":null,"markdown":"## 2．今回の価格計算で使う前提","render_override":null},{"id":"blk_76c4cf50-1d98-4ec2-a11d-0b23a721a855","kind":"paragraph","order":172,"section_id":"sec_bf0ec203-50cc-40ef-8c58-48c7fda1f94e","character_id":null,"markdown":"SRAMには、HBMのような「1GBいくら」という市場価格がありません。AI ASICのロジックダイ内部へ埋め込まれているためです。","render_override":null},{"id":"blk_3f7798a2-0791-4fbe-9d65-29700a0dc1c6","kind":"paragraph","order":173,"section_id":"sec_bf0ec203-50cc-40ef-8c58-48c7fda1f94e","character_id":null,"markdown":"そこで、SRAMは**SRAMを追加したことで増える良品ダイ原価**として計算します。","render_override":null},{"id":"blk_29da85af-f5df-417f-b075-19da29d46f86","kind":"heading","order":174,"section_id":"sec_232b8bfc-21b2-49da-8f23-f12cb56ed2e2","character_id":null,"markdown":"## SRAMの計算前提","render_override":null},{"id":"blk_281fba2e-bd41-4337-b6ec-78c6f2c69e70","kind":"paragraph","order":175,"section_id":"sec_232b8bfc-21b2-49da-8f23-f12cb56ed2e2","character_id":null,"markdown":"TSMCの5nm高密度SRAMセルは、1bit当たり0.021µm²です。([TSMC Research](https://research.tsmc.com/japanese/research/logic/transistor-structure/publish-time-2.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_c923db94-78e6-4e04-bc9c-9933de5590fe","kind":"paragraph","order":176,"section_id":"sec_232b8bfc-21b2-49da-8f23-f12cb56ed2e2","character_id":null,"markdown":"256MBの場合、","render_override":null},{"id":"blk_6698f03b-1a53-4581-802f-5cadb21b8a0c","kind":"list","order":177,"section_id":"sec_232b8bfc-21b2-49da-8f23-f12cb56ed2e2","character_id":null,"markdown":"- 容量：20.48億bit\n- セルだけの面積：約43mm²\n- 周辺回路を含む推定面積：約61～78mm²","render_override":null},{"id":"blk_bb73aa55-6181-4782-a0f5-0ed97030c5cd","kind":"paragraph","order":178,"section_id":"sec_232b8bfc-21b2-49da-8f23-f12cb56ed2e2","character_id":null,"markdown":"となります。","render_override":null},{"id":"blk_e1ac10ce-9e3b-4589-861d-cb17a066bd23","kind":"paragraph","order":179,"section_id":"sec_232b8bfc-21b2-49da-8f23-f12cb56ed2e2","character_id":null,"markdown":"ここに、","render_override":null},{"id":"blk_b5aba785-960b-4bb2-a692-6f78b9063408","kind":"list","order":180,"section_id":"sec_232b8bfc-21b2-49da-8f23-f12cb56ed2e2","character_id":null,"markdown":"- N5ウェハー価格：1枚1万6500～1万8500ドル\n- SRAM配列効率：55～70％\n- 欠陥密度：0.08～0.12個/cm²\n- Meta MTIAの実ダイ面積：421mm²","render_override":null},{"id":"blk_7f9cc095-1551-4f31-8133-cb1c2756e757","kind":"paragraph","order":181,"section_id":"sec_232b8bfc-21b2-49da-8f23-f12cb56ed2e2","character_id":null,"markdown":"を当てはめました。N5ウェハー価格は公開契約価格ではありませんが、SemiAnalysisは約1万6500ドルとの推計を示しており、最近の市場推計では1万8500ドル前後です。([SemiAnalysis](https://newsletter.semianalysis.com/p/tsmc-3nm-wafer-shipments-pushed-into?utm_source=chatgpt.com))","render_override":null},{"id":"blk_b4f63774-2703-44a3-b3f3-8a864fb225d1","kind":"paragraph","order":182,"section_id":"sec_232b8bfc-21b2-49da-8f23-f12cb56ed2e2","character_id":null,"markdown":"このモデルでは、256MBのSRAMを組み込む増分原価は約34～62ドルです。","render_override":null},{"id":"blk_01d18928-a7eb-4abc-81ee-77590662df85","kind":"paragraph","order":183,"section_id":"sec_232b8bfc-21b2-49da-8f23-f12cb56ed2e2","character_id":null,"markdown":"したがって、","render_override":null},{"id":"blk_40e26e8e-9215-47eb-bb44-8ba76b2afa79","kind":"quote","order":184,"section_id":"sec_232b8bfc-21b2-49da-8f23-f12cb56ed2e2","character_id":null,"markdown":"> **組み込みSRAM：約135～245ドル/GB**","render_override":null},{"id":"blk_62ff335c-108e-4a45-bce0-515ddbd5bf73","kind":"paragraph","order":185,"section_id":"sec_232b8bfc-21b2-49da-8f23-f12cb56ed2e2","character_id":null,"markdown":"と推定します。","render_override":null},{"id":"blk_287c0f3c-2a46-4d66-b670-acb501e95489","kind":"paragraph","order":186,"section_id":"sec_232b8bfc-21b2-49da-8f23-f12cb56ed2e2","character_id":null,"markdown":"これは設計費、メーカー利益、完成パッケージ費を除いた、製造原価に近い等価値です。","render_override":null},{"id":"blk_e1afd2a7-950b-45dc-bac8-e04841e15953","kind":"thematic_break","order":187,"section_id":"sec_232b8bfc-21b2-49da-8f23-f12cb56ed2e2","character_id":null,"markdown":"---","render_override":null},{"id":"blk_0304f608-ebea-4928-be04-0f1f3bab7921","kind":"heading","order":188,"section_id":"sec_bb0794d1-8be0-490e-84ae-7f37014fbcd9","character_id":null,"markdown":"## HBMの計算前提","render_override":null},{"id":"blk_6dc1f36e-289c-46c9-b1c6-595faed9f55c","kind":"paragraph","order":189,"section_id":"sec_bb0794d1-8be0-490e-84ae-7f37014fbcd9","character_id":null,"markdown":"HBM価格は顧客、世代、選別、契約量で変わり、正式価格は非公開です。","render_override":null},{"id":"blk_42d67409-a384-4161-b5de-6b62f99ce444","kind":"paragraph","order":190,"section_id":"sec_bb0794d1-8be0-490e-84ae-7f37014fbcd9","character_id":null,"markdown":"公開推計では、","render_override":null},{"id":"blk_8569d4c0-666b-41a0-8388-f319872398aa","kind":"list","order":191,"section_id":"sec_bb0794d1-8be0-490e-84ae-7f37014fbcd9","character_id":null,"markdown":"- HBM3：約15ドル/GB\n- 80GBのH100向けHBM：約1150ドル\n- 2026年の36GB HBM3E：約300ドル前後、約8.3ドル/GB","render_override":null},{"id":"blk_01d018e7-21c1-4442-80d5-2f14ab0485a7","kind":"paragraph","order":192,"section_id":"sec_bb0794d1-8be0-490e-84ae-7f37014fbcd9","character_id":null,"markdown":"といった値があります。2026年分については約20％の価格引き上げ報道もあります。([SemiAnalysis](https://newsletter.semianalysis.com/p/groq-inference-tokenomics-speed-but?utm_source=chatgpt.com))","render_override":null},{"id":"blk_35a096c7-6b6f-4994-bef5-c058ac5cd1fd","kind":"paragraph","order":193,"section_id":"sec_bb0794d1-8be0-490e-84ae-7f37014fbcd9","character_id":null,"markdown":"契約差を考慮し、今回は、","render_override":null},{"id":"blk_96a9f1aa-8d5e-415e-8337-e8c15dcb70a0","kind":"quote","order":194,"section_id":"sec_bb0794d1-8be0-490e-84ae-7f37014fbcd9","character_id":null,"markdown":"> **HBM：約8～15ドル/GB**","render_override":null},{"id":"blk_889b5eee-98be-4dd1-b8b1-4f6d9cf9e97e","kind":"paragraph","order":195,"section_id":"sec_bb0794d1-8be0-490e-84ae-7f37014fbcd9","character_id":null,"markdown":"として計算します。","render_override":null},{"id":"blk_df5dcebf-246a-42d7-9c6b-4af1e28a82da","kind":"paragraph","order":196,"section_id":"sec_bb0794d1-8be0-490e-84ae-7f37014fbcd9","character_id":null,"markdown":"この価格は主にHBMスタック自体で、インターポーザーや先端パッケージ費用は含めません。","render_override":null},{"id":"blk_d5dbd694-0dba-4759-bba6-e9bc105e2a39","kind":"thematic_break","order":197,"section_id":"sec_bb0794d1-8be0-490e-84ae-7f37014fbcd9","character_id":null,"markdown":"---","render_override":null},{"id":"blk_3a515ed7-3427-490b-b743-f4e64115a1fb","kind":"heading","order":198,"section_id":"sec_ebefbaca-9e0d-4425-91e8-e529d2cf1b68","character_id":null,"markdown":"## 3．1bit当たりの価格比較","render_override":null},{"id":"blk_f29d4f15-ada3-47a1-adae-b8ef7ae7f590","kind":"paragraph","order":199,"section_id":"sec_ebefbaca-9e0d-4425-91e8-e529d2cf1b68","character_id":null,"markdown":"メモリー推定価格/GB推定価格/GbitオンチップSRAM135～245ドル16.9～30.6ドルHBM8～15ドル1.0～1.88ドル","render_override":null},{"id":"blk_6b4b004f-d1f7-4bcb-a380-f92b612b18da","kind":"paragraph","order":200,"section_id":"sec_ebefbaca-9e0d-4425-91e8-e529d2cf1b68","character_id":null,"markdown":"したがって同じ容量を保存する場合、","render_override":null},{"id":"blk_edaabdf3-4434-49cd-8b61-86186727c88f","kind":"quote","order":201,"section_id":"sec_ebefbaca-9e0d-4425-91e8-e529d2cf1b68","character_id":null,"markdown":"> **SRAMはHBMの約9～31倍/bit高い**","render_override":null},{"id":"blk_b48131e8-7c7c-4938-ad2d-1a83d33349e3","kind":"paragraph","order":202,"section_id":"sec_ebefbaca-9e0d-4425-91e8-e529d2cf1b68","character_id":null,"markdown":"と推定できます。","render_override":null},{"id":"blk_c5663f35-ff15-4e49-b24c-14ab1df7387f","kind":"paragraph","order":203,"section_id":"sec_ebefbaca-9e0d-4425-91e8-e529d2cf1b68","character_id":null,"markdown":"中央値で比較すると、","render_override":null},{"id":"blk_296dcecc-7dca-4299-9a15-c1524c410a3f","kind":"list","order":204,"section_id":"sec_ebefbaca-9e0d-4425-91e8-e529d2cf1b68","character_id":null,"markdown":"- SRAM：約185ドル/GB\n- HBM：約11.5ドル/GB","render_override":null},{"id":"blk_fd920edf-4fd6-433a-9e84-2991c34ef122","kind":"paragraph","order":205,"section_id":"sec_ebefbaca-9e0d-4425-91e8-e529d2cf1b68","character_id":null,"markdown":"なので、","render_override":null},{"id":"blk_b4bedf7f-4795-4263-8220-5d3c28f4d534","kind":"paragraph","order":206,"section_id":"sec_ebefbaca-9e0d-4425-91e8-e529d2cf1b68","character_id":null,"markdown":"**185 ÷ 11.5 ≒ 16倍**","render_override":null},{"id":"blk_68e5ae44-54ed-438b-9b9d-c0f1fbb510b6","kind":"paragraph","order":207,"section_id":"sec_ebefbaca-9e0d-4425-91e8-e529d2cf1b68","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_944e6958-b668-47a7-a2eb-ec39b41ea318","kind":"paragraph","order":208,"section_id":"sec_ebefbaca-9e0d-4425-91e8-e529d2cf1b68","character_id":null,"markdown":"SRAMが高い理由は、HBMが高密度なDRAMセルを専用メモリー工程で作るのに対し、SRAMは先端ロジック工程上で6個前後のトランジスタを1bitごとに使用するためです。","render_override":null},{"id":"blk_be6739ae-dde4-4d57-96df-27997e430bac","kind":"thematic_break","order":209,"section_id":"sec_ebefbaca-9e0d-4425-91e8-e529d2cf1b68","character_id":null,"markdown":"---","render_override":null},{"id":"blk_75f91faf-f92e-47e4-9864-2b65ac45bcee","kind":"heading","order":210,"section_id":"sec_720187a0-a4e3-4acb-ba49-08fdd8f4062b","character_id":null,"markdown":"## 4．1ラックで比較する","render_override":null},{"id":"blk_f9b2c71f-572c-4669-a75c-812aa5c26c58","kind":"paragraph","order":211,"section_id":"sec_720187a0-a4e3-4acb-ba49-08fdd8f4062b","character_id":null,"markdown":"異なる製品を公平に比較するため、**72個のAIアクセラレーターを搭載するラック**に統一します。","render_override":null},{"id":"blk_43cf516d-a994-422b-ad3c-f59ee83629e0","kind":"paragraph","order":212,"section_id":"sec_720187a0-a4e3-4acb-ba49-08fdd8f4062b","character_id":null,"markdown":"SRAM容量にはMeta MTIAの256MB/チップ、HBM容量にはGoogle TPU7xの192GB/チップを使います。","render_override":null},{"id":"blk_17685782-6b01-4337-88c6-1624b1872aa2","kind":"paragraph","order":213,"section_id":"sec_720187a0-a4e3-4acb-ba49-08fdd8f4062b","character_id":null,"markdown":"これは実在する単一製品の構成ではなく、SRAMとHBMの容量・費用差を示すための標準化シナリオです。","render_override":null},{"id":"blk_1c9a0d16-36da-4aeb-8278-1e7473c40206","kind":"heading","order":214,"section_id":"sec_fc39d002-9c2b-41cf-8a34-a66e91abe177","character_id":null,"markdown":"## 容量","render_override":null},{"id":"blk_e444ed31-a0ec-491e-94b9-e380eac3ac90","kind":"heading","order":215,"section_id":"sec_01d0216c-7806-4a95-a227-62d9456e12e1","character_id":null,"markdown":"### SRAM","render_override":null},{"id":"blk_d86cad4e-b217-4d98-88b1-ba6f74f09092","kind":"paragraph","order":216,"section_id":"sec_01d0216c-7806-4a95-a227-62d9456e12e1","character_id":null,"markdown":"72個 × 256MB \n＝ **18.432GB**","render_override":null},{"id":"blk_3ca09d20-4ee1-4499-a880-91776bf46630","kind":"heading","order":217,"section_id":"sec_f911e2f1-b068-4f5f-b3c8-b325cde03e42","character_id":null,"markdown":"### HBM","render_override":null},{"id":"blk_5031b544-9410-4fb5-be1f-698a898f6fa3","kind":"paragraph","order":218,"section_id":"sec_f911e2f1-b068-4f5f-b3c8-b325cde03e42","character_id":null,"markdown":"72個 × 192GB \n＝ **13,824GB＝約13.8TB**","render_override":null},{"id":"blk_47d81efd-687a-4cfb-991d-059d5c89d411","kind":"paragraph","order":219,"section_id":"sec_f911e2f1-b068-4f5f-b3c8-b325cde03e42","character_id":null,"markdown":"HBM容量はSRAM容量の、","render_override":null},{"id":"blk_578311e6-0262-489f-9d80-41d43832174b","kind":"paragraph","order":220,"section_id":"sec_f911e2f1-b068-4f5f-b3c8-b325cde03e42","character_id":null,"markdown":"**13,824 ÷ 18.432＝750倍**","render_override":null},{"id":"blk_7351b89f-42a6-428d-ab78-8027cdd8812f","kind":"paragraph","order":221,"section_id":"sec_f911e2f1-b068-4f5f-b3c8-b325cde03e42","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_95bf6a13-86a3-4d76-b13e-6e388fa836bb","kind":"thematic_break","order":222,"section_id":"sec_f911e2f1-b068-4f5f-b3c8-b325cde03e42","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ba88f825-c5de-4f13-80c9-819904e829cc","kind":"heading","order":223,"section_id":"sec_5d889672-c61e-4786-a2ee-9366ff51257d","character_id":null,"markdown":"## 5．1ラック当たりのSRAMコスト","render_override":null},{"id":"blk_8d62c0ec-0375-4adb-a0c7-0dd53fae90c0","kind":"paragraph","order":224,"section_id":"sec_5d889672-c61e-4786-a2ee-9366ff51257d","character_id":null,"markdown":"SRAMを135～245ドル/GBとすると、","render_override":null},{"id":"blk_77f28884-6fec-4301-800e-e41e77e037a2","kind":"heading","order":225,"section_id":"sec_88e932b9-7d40-431d-a522-fa4ffe005886","character_id":null,"markdown":"### 下限","render_override":null},{"id":"blk_c886a2a8-7f72-4a53-b7a9-67abca3d466d","kind":"paragraph","order":226,"section_id":"sec_88e932b9-7d40-431d-a522-fa4ffe005886","character_id":null,"markdown":"18.432GB × 135ドル \n＝ **約2488ドル**","render_override":null},{"id":"blk_f23442d9-bd51-421b-8dec-1ca1bcdafe44","kind":"heading","order":227,"section_id":"sec_30be29c8-c99a-4544-a8b4-d891c4707015","character_id":null,"markdown":"### 上限","render_override":null},{"id":"blk_82c23612-41aa-46a1-9692-b029948d235f","kind":"paragraph","order":228,"section_id":"sec_30be29c8-c99a-4544-a8b4-d891c4707015","character_id":null,"markdown":"18.432GB × 245ドル \n＝ **約4516ドル**","render_override":null},{"id":"blk_2ce3bd36-cd69-4cc0-9186-caa01b6e24be","kind":"paragraph","order":229,"section_id":"sec_30be29c8-c99a-4544-a8b4-d891c4707015","character_id":null,"markdown":"したがって、72チップ分のオンチップSRAM増分原価は、","render_override":null},{"id":"blk_b3e4c73f-8fb5-4587-ae06-74050d4ac681","kind":"quote","order":230,"section_id":"sec_30be29c8-c99a-4544-a8b4-d891c4707015","character_id":null,"markdown":"> **約2500～4500ドル/ラック**","render_override":null},{"id":"blk_0e4121d2-6ce6-4430-8fd0-504d65991011","kind":"paragraph","order":231,"section_id":"sec_30be29c8-c99a-4544-a8b4-d891c4707015","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_68291e09-258a-4677-9cdd-c3359d2a9220","kind":"paragraph","order":232,"section_id":"sec_30be29c8-c99a-4544-a8b4-d891c4707015","character_id":null,"markdown":"1ドル150円で単純換算すると、約37万～68万円です。","render_override":null},{"id":"blk_5d719648-3818-47dd-8ce8-2377cd527e7b","kind":"paragraph","order":233,"section_id":"sec_30be29c8-c99a-4544-a8b4-d891c4707015","character_id":null,"markdown":"これはSRAM部分だけの製造原価相当であり、AI ASIC全体の価格ではありません。","render_override":null},{"id":"blk_cda80d71-4d2f-41b0-af32-fc36c56bd6d5","kind":"thematic_break","order":234,"section_id":"sec_30be29c8-c99a-4544-a8b4-d891c4707015","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1018c5ac-9436-4af7-aa69-426fdde8517e","kind":"heading","order":235,"section_id":"sec_3884c94d-ba4b-4149-ab24-9e771b722401","character_id":null,"markdown":"## 6．1ラック当たりのHBMコスト","render_override":null},{"id":"blk_f51cf944-af93-4682-9b1e-fc66d04b2392","kind":"paragraph","order":236,"section_id":"sec_3884c94d-ba4b-4149-ab24-9e771b722401","character_id":null,"markdown":"HBMを8～15ドル/GBとすると、","render_override":null},{"id":"blk_6064089a-f826-49df-bd05-452fee554159","kind":"heading","order":237,"section_id":"sec_5996da2b-1807-424f-9c07-89b05614232e","character_id":null,"markdown":"### 下限","render_override":null},{"id":"blk_41ffc1e6-373b-4187-a121-ca11dbc44085","kind":"paragraph","order":238,"section_id":"sec_5996da2b-1807-424f-9c07-89b05614232e","character_id":null,"markdown":"13,824GB × 8ドル \n＝ **11万592ドル**","render_override":null},{"id":"blk_ac503a19-4f10-4ab6-8491-0d33c1151bff","kind":"heading","order":239,"section_id":"sec_ac4b4c22-4c11-4b12-a644-21c993adb108","character_id":null,"markdown":"### 上限","render_override":null},{"id":"blk_d43109c9-6c0a-49b3-a2fb-bee6043544aa","kind":"paragraph","order":240,"section_id":"sec_ac4b4c22-4c11-4b12-a644-21c993adb108","character_id":null,"markdown":"13,824GB × 15ドル \n＝ **20万7360ドル**","render_override":null},{"id":"blk_922afc39-62ac-49bd-b93d-38be11e29f72","kind":"paragraph","order":241,"section_id":"sec_ac4b4c22-4c11-4b12-a644-21c993adb108","character_id":null,"markdown":"したがって、","render_override":null},{"id":"blk_86bdbe01-dc3d-45e3-8f4b-af69975af54e","kind":"quote","order":242,"section_id":"sec_ac4b4c22-4c11-4b12-a644-21c993adb108","character_id":null,"markdown":"> **約11万～20.7万ドル/ラック**","render_override":null},{"id":"blk_6fe11046-d313-4bd8-a61d-6dddc56173dd","kind":"paragraph","order":243,"section_id":"sec_ac4b4c22-4c11-4b12-a644-21c993adb108","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_5895f21e-967a-46fd-aa7e-2d11fb3ed715","kind":"paragraph","order":244,"section_id":"sec_ac4b4c22-4c11-4b12-a644-21c993adb108","character_id":null,"markdown":"1ドル150円なら、約1660万～3110万円となります。","render_override":null},{"id":"blk_9445d166-3ce1-4e21-829a-47b5a0fd6e34","kind":"paragraph","order":245,"section_id":"sec_ac4b4c22-4c11-4b12-a644-21c993adb108","character_id":null,"markdown":"さらに実際のHBMシステムでは、","render_override":null},{"id":"blk_96b81f50-4151-4327-b392-d776efa9f45b","kind":"list","order":246,"section_id":"sec_ac4b4c22-4c11-4b12-a644-21c993adb108","character_id":null,"markdown":"- シリコンインターポーザー\n- ベースダイ\n- CoWoSなどの先端パッケージ\n- 実装・テスト\n- パッケージ歩留まり","render_override":null},{"id":"blk_28ffa9eb-4038-46a2-8424-7d67f5c83520","kind":"paragraph","order":247,"section_id":"sec_ac4b4c22-4c11-4b12-a644-21c993adb108","character_id":null,"markdown":"が加わります。","render_override":null},{"id":"blk_f508b7c0-43f7-4e56-888c-8072f2066e9c","kind":"paragraph","order":248,"section_id":"sec_ac4b4c22-4c11-4b12-a644-21c993adb108","character_id":null,"markdown":"そのため完成アクセラレーター内でのHBM関連費用は、ここで示した数字より高くなります。","render_override":null},{"id":"blk_9a1173dd-31ea-4364-bf9e-8555d44e562e","kind":"thematic_break","order":249,"section_id":"sec_ac4b4c22-4c11-4b12-a644-21c993adb108","character_id":null,"markdown":"---","render_override":null},{"id":"blk_866f4878-ce75-4be4-99bc-d26eb93bca80","kind":"heading","order":250,"section_id":"sec_e990f83b-4216-443a-b62e-d7a83a39bee4","character_id":null,"markdown":"## 7．1ラックで見ると、HBMはSRAMの何倍高いのか","render_override":null},{"id":"blk_8ef4c147-29ac-4b04-9337-2d837c1de7e7","kind":"paragraph","order":251,"section_id":"sec_e990f83b-4216-443a-b62e-d7a83a39bee4","character_id":null,"markdown":"項目SRAMHBM1チップ容量256MB192GB72チップ合計18.4GB13.8TB容量比1750価格/GB135～245ドル8～15ドルラック総額約2500～4500ドル約11万～20.7万ドル","render_override":null},{"id":"blk_4ca13b3e-8161-43db-9177-e5e6cea76e4e","kind":"paragraph","order":252,"section_id":"sec_e990f83b-4216-443a-b62e-d7a83a39bee4","character_id":null,"markdown":"組み合わせによって変わりますが、HBM総額はSRAM総額の、","render_override":null},{"id":"blk_03edab66-ba1c-468a-a46e-af7e43a558ef","kind":"quote","order":253,"section_id":"sec_e990f83b-4216-443a-b62e-d7a83a39bee4","character_id":null,"markdown":"> **約25～83倍**","render_override":null},{"id":"blk_579da15c-3b7c-4bd3-beae-d58ecd385bb5","kind":"paragraph","order":254,"section_id":"sec_e990f83b-4216-443a-b62e-d7a83a39bee4","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_2eb24f43-a772-4125-b322-0add0f7fb680","kind":"paragraph","order":255,"section_id":"sec_e990f83b-4216-443a-b62e-d7a83a39bee4","character_id":null,"markdown":"中央値では、","render_override":null},{"id":"blk_7c93e0e5-a0c3-4a5e-bea0-ebd43b1cbc13","kind":"list","order":256,"section_id":"sec_e990f83b-4216-443a-b62e-d7a83a39bee4","character_id":null,"markdown":"- SRAM：約3410ドル\n- HBM：約15万9000ドル","render_override":null},{"id":"blk_ebdb1112-87de-456f-92e4-bd27754e4549","kind":"paragraph","order":257,"section_id":"sec_e990f83b-4216-443a-b62e-d7a83a39bee4","character_id":null,"markdown":"となり、","render_override":null},{"id":"blk_094a35e8-7e41-4c26-85a6-73762e3b400c","kind":"quote","order":258,"section_id":"sec_e990f83b-4216-443a-b62e-d7a83a39bee4","character_id":null,"markdown":"> **HBM総額はSRAM総額の約47倍**","render_override":null},{"id":"blk_6492d253-42ce-4ee1-bb0e-c9950bb33d61","kind":"paragraph","order":259,"section_id":"sec_e990f83b-4216-443a-b62e-d7a83a39bee4","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_2dadd9e7-2621-46fc-8349-f7df61d0b7e4","kind":"paragraph","order":260,"section_id":"sec_e990f83b-4216-443a-b62e-d7a83a39bee4","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_6bb157ec-f40b-40d1-9feb-4a1ac209e42a","kind":"list","order":261,"section_id":"sec_e990f83b-4216-443a-b62e-d7a83a39bee4","character_id":null,"markdown":"- 1bit当たり：SRAMが約16倍高い\n- 1ラック総額：HBMが約47倍高い","render_override":null},{"id":"blk_7f8cf326-dd4d-42c9-a9b8-17252bf23f93","kind":"paragraph","order":262,"section_id":"sec_e990f83b-4216-443a-b62e-d7a83a39bee4","character_id":null,"markdown":"という逆転が起きます。","render_override":null},{"id":"blk_4358870d-fd7b-4523-b215-c823385b3315","kind":"paragraph","order":263,"section_id":"sec_e990f83b-4216-443a-b62e-d7a83a39bee4","character_id":null,"markdown":"理由は、HBMをSRAMの約750倍も搭載するからです。","render_override":null},{"id":"blk_83f7ca5a-9774-47df-95f5-52088e01e527","kind":"thematic_break","order":264,"section_id":"sec_e990f83b-4216-443a-b62e-d7a83a39bee4","character_id":null,"markdown":"---","render_override":null},{"id":"blk_261d2951-edc4-4a82-99da-f72c51acb073","kind":"heading","order":265,"section_id":"sec_100de779-ada2-41ab-8d3a-32e40cec2aef","character_id":null,"markdown":"## 8．さらにSRAMが多いGroq型の場合","render_override":null},{"id":"blk_bba0cdfe-0f16-417c-90f7-be5aebf79810","kind":"paragraph","order":266,"section_id":"sec_100de779-ada2-41ab-8d3a-32e40cec2aef","character_id":null,"markdown":"Groq 3 LPUは1チップ当たり500MBのSRAMを持ちます。([NVIDIA Developer](https://developer.nvidia.com/blog/inside-nvidia-groq-3-lpx-the-low-latency-inference-accelerator-for-the-nvidia-vera-rubin-platform/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e29e6765-a030-4827-b551-78a19cb3e1b5","kind":"paragraph","order":267,"section_id":"sec_100de779-ada2-41ab-8d3a-32e40cec2aef","character_id":null,"markdown":"72チップへ換算すると、","render_override":null},{"id":"blk_c76da84b-8710-4070-8b57-6a7e5a998295","kind":"paragraph","order":268,"section_id":"sec_100de779-ada2-41ab-8d3a-32e40cec2aef","character_id":null,"markdown":"72 × 500MB \n＝ **36GB SRAM**","render_override":null},{"id":"blk_a8592290-09c3-46e1-93d7-693f8dd80d14","kind":"paragraph","order":269,"section_id":"sec_100de779-ada2-41ab-8d3a-32e40cec2aef","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_df2c3529-fdfe-483b-8b98-f98556b4b949","kind":"paragraph","order":270,"section_id":"sec_100de779-ada2-41ab-8d3a-32e40cec2aef","character_id":null,"markdown":"SRAM費用は、","render_override":null},{"id":"blk_b22a2382-2739-4044-91ed-067879293445","kind":"list","order":271,"section_id":"sec_100de779-ada2-41ab-8d3a-32e40cec2aef","character_id":null,"markdown":"- 下限：36GB × 135ドル＝約4860ドル\n- 上限：36GB × 245ドル＝約8820ドル","render_override":null},{"id":"blk_e35e08e5-93c3-418e-941e-b7bf6bcb746e","kind":"paragraph","order":272,"section_id":"sec_100de779-ada2-41ab-8d3a-32e40cec2aef","character_id":null,"markdown":"となります。","render_override":null},{"id":"blk_b302954a-204f-430f-ad8b-2af92e02d98b","kind":"paragraph","order":273,"section_id":"sec_100de779-ada2-41ab-8d3a-32e40cec2aef","character_id":null,"markdown":"同じ72チップに192GBずつHBMを搭載した場合と比べると、HBM総額はSRAM総額の約13～43倍です。","render_override":null},{"id":"blk_bc9c28ad-09fb-4997-b861-cbf7c791a9f1","kind":"paragraph","order":274,"section_id":"sec_100de779-ada2-41ab-8d3a-32e40cec2aef","character_id":null,"markdown":"72チップ構成容量推定費用Groq型SRAM36GB約4900～8800ドルTPU型HBM13.8TB約11万～20.7万ドル","render_override":null},{"id":"blk_ee892da4-9def-422f-bc7b-bd02fa85a456","kind":"paragraph","order":275,"section_id":"sec_100de779-ada2-41ab-8d3a-32e40cec2aef","character_id":null,"markdown":"Groq型はSRAM量がMTIA型の約2倍ですが、それでもHBMラックの総メモリー費用には届きません。","render_override":null},{"id":"blk_b544adc3-c846-43d4-82c2-b8f8fcd7df64","kind":"paragraph","order":276,"section_id":"sec_100de779-ada2-41ab-8d3a-32e40cec2aef","character_id":null,"markdown":"ただしGroq型では、大きなモデルを多数のLPUへ分割する必要があります。そのためSRAM原価以外に、","render_override":null},{"id":"blk_c3536916-4f1f-4327-a7ff-daafef67a6f8","kind":"list","order":277,"section_id":"sec_100de779-ada2-41ab-8d3a-32e40cec2aef","character_id":null,"markdown":"- チップ数\n- チップ間ネットワーク\n- 基板\n- 電源\n- 通信回路\n- ソフトウェア","render_override":null},{"id":"blk_e20a8286-5bd7-4adb-a017-ccb2fd6fd090","kind":"paragraph","order":278,"section_id":"sec_100de779-ada2-41ab-8d3a-32e40cec2aef","character_id":null,"markdown":"のコストが増えます。","render_override":null},{"id":"blk_42112fe8-813f-4de6-addd-ac92be2de4c4","kind":"thematic_break","order":279,"section_id":"sec_100de779-ada2-41ab-8d3a-32e40cec2aef","character_id":null,"markdown":"---","render_override":null},{"id":"blk_99cef13e-0bd7-4ac2-835e-c82537081d0b","kind":"heading","order":280,"section_id":"sec_fe5b292e-1737-42f6-a020-b02a71dbfdcb","character_id":null,"markdown":"## 9．ASIC全体ではSRAMは高いのか、安いのか","render_override":null},{"id":"blk_be60b999-6941-41fd-a4b4-d4400a9c4892","kind":"paragraph","order":281,"section_id":"sec_fe5b292e-1737-42f6-a020-b02a71dbfdcb","character_id":null,"markdown":"ラック全体の金額ではHBMより小さく見えますが、**AI ASICのダイ内部ではSRAMは非常に重いコスト要因**です。","render_override":null},{"id":"blk_f958d608-bb50-4218-9300-47d59fb721ef","kind":"paragraph","order":282,"section_id":"sec_fe5b292e-1737-42f6-a020-b02a71dbfdcb","character_id":null,"markdown":"Meta MTIAを例にすると、推定61～78mm²のSRAM領域は421mm²ダイの約15～19％を占めます。","render_override":null},{"id":"blk_cf455ad7-7ed7-4265-ab44-4645899498a3","kind":"paragraph","order":283,"section_id":"sec_fe5b292e-1737-42f6-a020-b02a71dbfdcb","character_id":null,"markdown":"つまりSRAMを増やすことは、","render_override":null},{"id":"blk_aaef6d96-61fa-4738-8811-d40d5f19ce47","kind":"list","order":284,"section_id":"sec_fe5b292e-1737-42f6-a020-b02a71dbfdcb","character_id":null,"markdown":"- 演算器を置ける面積が減る\n- ダイが大型化する\n- ウェハー当たり個数が減る\n- 良品率が下がる\n- テスト時間が伸びる","render_override":null},{"id":"blk_cbaf78db-514a-4e9d-95ca-6d835992f500","kind":"paragraph","order":285,"section_id":"sec_fe5b292e-1737-42f6-a020-b02a71dbfdcb","character_id":null,"markdown":"ことを意味します。","render_override":null},{"id":"blk_50a3431f-174d-461f-b76d-94909d38db44","kind":"paragraph","order":286,"section_id":"sec_fe5b292e-1737-42f6-a020-b02a71dbfdcb","character_id":null,"markdown":"HBMは外付けなので高価でも追加容量を増やしやすい。一方SRAMは、少量を増やすだけでもAI ASICのダイ設計そのものへ影響します。","render_override":null},{"id":"blk_277de3d3-956d-4810-bcd0-28c34e4afb02","kind":"thematic_break","order":287,"section_id":"sec_fe5b292e-1737-42f6-a020-b02a71dbfdcb","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b4542601-7711-48d9-93f0-25275403880a","kind":"heading","order":288,"section_id":"sec_923d3140-be86-4d35-a924-51b329cfc30b","character_id":null,"markdown":"## 10．何を基準に選ぶのか","render_override":null},{"id":"blk_ccff186d-0a80-48e8-960e-84f4123c9c36","kind":"heading","order":289,"section_id":"sec_c4b538e9-2f34-45e6-9e1e-dfca16c47e53","character_id":null,"markdown":"## SRAMを増やすべきケース","render_override":null},{"id":"blk_2af45d7e-cabd-4cba-8a96-af2a1b9d30d8","kind":"list","order":290,"section_id":"sec_c4b538e9-2f34-45e6-9e1e-dfca16c47e53","character_id":null,"markdown":"- バッチ1などの低遅延推論\n- 同じデータを繰り返し使う\n- データフローを事前に固定できる\n- HBMアクセスを大幅に削減できる\n- 少ない容量で演算器の稼働率を高められる","render_override":null},{"id":"blk_164adf9e-3d8b-4683-a892-d03892325166","kind":"heading","order":291,"section_id":"sec_2df73756-aebb-40ae-a040-5e8ddc8b142c","character_id":null,"markdown":"## HBMを増やすべきケース","render_override":null},{"id":"blk_516a9cb5-9096-489c-bd02-0cb4c9509ada","kind":"list","order":292,"section_id":"sec_2df73756-aebb-40ae-a040-5e8ddc8b142c","character_id":null,"markdown":"- 大規模モデル全体を保持したい\n- 長いKVキャッシュが必要\n- 学習処理\n- 大きなバッチサイズ\n- 多様なモデルを同じチップで動かす\n- 容量と帯域の両方が必要","render_override":null},{"id":"blk_79c5edd6-4f07-4448-b6a7-f0bf080fb1a1","kind":"thematic_break","order":293,"section_id":"sec_2df73756-aebb-40ae-a040-5e8ddc8b142c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_609bf00f-b24f-4f2b-918e-102912e109a7","kind":"heading","order":294,"section_id":"sec_ac277e34-b810-47ba-a2ca-2296ccbbfb2f","character_id":null,"markdown":"## 最終整理","render_override":null},{"id":"blk_3a2dc7fb-6447-4db3-97bb-91bfb8ef7cef","kind":"paragraph","order":295,"section_id":"sec_ac277e34-b810-47ba-a2ca-2296ccbbfb2f","character_id":null,"markdown":"AI ASICはGPUよりSRAMを多めに設計しやすいものの、すべてのASICがSRAM中心になるわけではありません。","render_override":null},{"id":"blk_02192ec1-7f25-4911-bbab-b856f278e7ed","kind":"paragraph","order":296,"section_id":"sec_ac277e34-b810-47ba-a2ca-2296ccbbfb2f","character_id":null,"markdown":"価格関係は次の通りです。","render_override":null},{"id":"blk_72199090-4a0c-4795-9d3a-0af7b2ceebe6","kind":"heading","order":297,"section_id":"sec_9f0c6b86-c499-4cbe-bba1-aec656a33167","character_id":null,"markdown":"## 1bit当たり","render_override":null},{"id":"blk_caa7c821-828c-473d-83b1-e683a296b235","kind":"quote","order":298,"section_id":"sec_9f0c6b86-c499-4cbe-bba1-aec656a33167","character_id":null,"markdown":"> **SRAM：約135～245ドル/GB** \n> **HBM：約8～15ドル/GB**","render_override":null},{"id":"blk_db396d38-d977-451f-a9b2-b747e3a35ef8","kind":"paragraph","order":299,"section_id":"sec_9f0c6b86-c499-4cbe-bba1-aec656a33167","character_id":null,"markdown":"したがって、","render_override":null},{"id":"blk_7ed8ea35-bbe2-45e2-8c71-4904e27cf2ab","kind":"quote","order":300,"section_id":"sec_9f0c6b86-c499-4cbe-bba1-aec656a33167","character_id":null,"markdown":"> **SRAMはHBMの約9～31倍高い**","render_override":null},{"id":"blk_3adef0eb-6209-49ce-9160-e84e8dc2db51","kind":"heading","order":301,"section_id":"sec_cc75c0ab-30b3-4236-9d0b-c54dcdbddb4a","character_id":null,"markdown":"## 72アクセラレーターのラック総額","render_override":null},{"id":"blk_b8ef8899-67f4-4c0d-ba26-053c2a815740","kind":"quote","order":302,"section_id":"sec_cc75c0ab-30b3-4236-9d0b-c54dcdbddb4a","character_id":null,"markdown":"> **SRAM：約2500～4500ドル** \n> **HBM：約11万～20.7万ドル**","render_override":null},{"id":"blk_fe3eb13f-6ac6-42a0-b231-4c65174b9424","kind":"paragraph","order":303,"section_id":"sec_cc75c0ab-30b3-4236-9d0b-c54dcdbddb4a","character_id":null,"markdown":"したがって、","render_override":null},{"id":"blk_79aa03c3-c373-43ce-aa98-88b7608e167d","kind":"quote","order":304,"section_id":"sec_cc75c0ab-30b3-4236-9d0b-c54dcdbddb4a","character_id":null,"markdown":"> **HBMの総額はSRAMの約25～83倍**","render_override":null},{"id":"blk_62c48663-8a3a-4c3e-a550-e3de3c10b0f2","kind":"paragraph","order":305,"section_id":"sec_cc75c0ab-30b3-4236-9d0b-c54dcdbddb4a","character_id":null,"markdown":"になります。","render_override":null},{"id":"blk_0f3193c0-82b2-423b-a5fe-b542ba1cb054","kind":"paragraph","order":306,"section_id":"sec_cc75c0ab-30b3-4236-9d0b-c54dcdbddb4a","character_id":null,"markdown":"一見矛盾していますが、","render_override":null},{"id":"blk_aace65e3-4ef5-48b7-b871-43eb88ec22c2","kind":"quote","order":307,"section_id":"sec_cc75c0ab-30b3-4236-9d0b-c54dcdbddb4a","character_id":null,"markdown":"> **SRAMは少量でも非常に高価。 \n> HBMは1bit当たりでは安いが、搭載量が桁違いに多いため総額が大きい。**","render_override":null},{"id":"blk_54f6a305-775d-4efa-ae74-702b62a56167","kind":"paragraph","order":308,"section_id":"sec_cc75c0ab-30b3-4236-9d0b-c54dcdbddb4a","character_id":null,"markdown":"という関係です。","render_override":null},{"id":"blk_78788969-6fa7-482e-9349-18b2198390b9","kind":"paragraph","order":309,"section_id":"sec_cc75c0ab-30b3-4236-9d0b-c54dcdbddb4a","character_id":null,"markdown":"AI ASICの経済性を考えるときは、SRAMとHBMの部品価格だけでなく、","render_override":null},{"id":"blk_82ffe313-466e-4068-9025-09c7f3240b3b","kind":"quote","order":310,"section_id":"sec_cc75c0ab-30b3-4236-9d0b-c54dcdbddb4a","character_id":null,"markdown":"> **SRAMを増やしてHBMアクセスを減らした結果、ラック全体で何個のアクセラレーターが必要になるか**","render_override":null},{"id":"blk_34f3a2eb-9c34-4fd1-ac35-9f2d7772fa72","kind":"paragraph","order":311,"section_id":"sec_cc75c0ab-30b3-4236-9d0b-c54dcdbddb4a","character_id":null,"markdown":"まで見る必要があります。SRAM増加によって必要チップ数や消費電力を減らせれば、メモリー単体では高くても、システム全体では安くなる可能性があります。","render_override":null},{"id":"blk_c964ce76-148f-43fc-a542-fcf7d098e36a","kind":"thematic_break","order":312,"section_id":"sec_cc75c0ab-30b3-4236-9d0b-c54dcdbddb4a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5cf6c1dc-6148-40c8-a337-3ff7bc861916","kind":"heading","order":313,"section_id":"sec_f158520c-7832-4a59-b034-8db9e374b49a","character_id":null,"markdown":"## 追記：1bitではSRAM、総額ではHBMが高くなる理由","render_override":null},{"id":"blk_80faa46c-0dfd-419d-bafe-f04348780f72","kind":"heading","order":314,"section_id":"sec_21021d0e-059a-4e06-8fa0-d5633b486710","character_id":null,"markdown":"## AI ASICとラック全体で見るメモリー価格の逆転","render_override":null},{"id":"blk_19566bd9-1882-4ecb-b270-54fae603548a","kind":"paragraph","order":315,"section_id":"sec_21021d0e-059a-4e06-8fa0-d5633b486710","character_id":null,"markdown":"AIチップのメモリー価格を考えるとき、少し不思議な現象が起きる。","render_override":null},{"id":"blk_1be98ac3-9798-4f24-8131-50418f6e8120","kind":"paragraph","order":316,"section_id":"sec_21021d0e-059a-4e06-8fa0-d5633b486710","character_id":null,"markdown":"同じ1GBを実装するなら、オンチップSRAMはHBMよりはるかに高い。ところがAIアクセラレーター1個、あるいはラック全体のメモリー費用を合計すると、HBMの方が数十倍高くなる場合がある。","render_override":null},{"id":"blk_aa914936-6dc1-4ccb-a8ac-c66f66a8053e","kind":"paragraph","order":317,"section_id":"sec_21021d0e-059a-4e06-8fa0-d5633b486710","character_id":null,"markdown":"これは価格評価が矛盾しているのではない。","render_override":null},{"id":"blk_e9162103-dee2-4ce5-a4c3-30bb1185b21b","kind":"quote","order":318,"section_id":"sec_21021d0e-059a-4e06-8fa0-d5633b486710","character_id":null,"markdown":"> **SRAMは1bitが高いが、搭載量が少ない。 \n> HBMは1bitではSRAMより安いが、搭載量が数百倍多い。**","render_override":null},{"id":"blk_16cb7fbf-2c22-4672-bb1b-3f9ae1bd28c6","kind":"paragraph","order":319,"section_id":"sec_21021d0e-059a-4e06-8fa0-d5633b486710","character_id":null,"markdown":"この容量差が、総額を逆転させる。","render_override":null},{"id":"blk_0d19f2ee-011e-46dc-bcf8-46257700bf7a","kind":"thematic_break","order":320,"section_id":"sec_21021d0e-059a-4e06-8fa0-d5633b486710","character_id":null,"markdown":"---","render_override":null},{"id":"blk_8a9fbfe5-173f-4833-b6a2-51b5a9574ffb","kind":"heading","order":321,"section_id":"sec_88ccb6ea-dae6-484f-b0c6-c157c9ee3cdf","character_id":null,"markdown":"## 1．比較に使う標準モデル","render_override":null},{"id":"blk_573e5b20-ecd7-43d3-acb5-c4b8be036793","kind":"paragraph","order":322,"section_id":"sec_88ccb6ea-dae6-484f-b0c6-c157c9ee3cdf","character_id":null,"markdown":"実際のASICは製品ごとに構成が異なり、SRAM容量を公表していない企業も多い。そこで今回は、公開されている実製品の数字を参考にした比較用モデルを作る。","render_override":null},{"id":"blk_e515d1b7-c99a-4f95-9c59-84a9cdb9067f","kind":"heading","order":323,"section_id":"sec_4e695214-a7a1-41ea-9511-c9af61fdb310","character_id":null,"markdown":"### 比較用AIアクセラレーター","render_override":null},{"id":"blk_51622730-fd7b-4bde-adf4-2ecb3d8e779d","kind":"list","order":324,"section_id":"sec_4e695214-a7a1-41ea-9511-c9af61fdb310","character_id":null,"markdown":"- オンチップSRAM：256MB＝0.25GB\n- HBM：192GB\n- 1ラック当たり：72アクセラレーター","render_override":null},{"id":"blk_bc3fa051-f218-42d0-a189-01b3be1a0e72","kind":"paragraph","order":325,"section_id":"sec_4e695214-a7a1-41ea-9511-c9af61fdb310","character_id":null,"markdown":"256MBのオンチップメモリーはMetaのMTIA、192GBのHBMはGoogleのTPU7x、72台構成はMetaのラック設計を参考にしている。ただし、これらは同一製品の仕様ではなく、SRAMとHBMの経済性を比較するために組み合わせた仮想モデルである。MetaのMTIAは256MBのオンチップメモリーと128GBのLPDDR5を備え、最大72基をラックへ搭載する構成を公開している。Google TPU7xは1チップ当たり192GBのHBMを搭載する。([AI Meta](https://ai.meta.com/blog/next-generation-meta-training-inference-accelerator-AI-MTIA/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_064bb190-1474-4d17-aa97-f68bbe97d9c7","kind":"thematic_break","order":326,"section_id":"sec_4e695214-a7a1-41ea-9511-c9af61fdb310","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f5f15b9f-d03e-40e7-a3f5-26aa98059b03","kind":"heading","order":327,"section_id":"sec_14318825-2435-4b4a-8230-7ceafbd82be4","character_id":null,"markdown":"## 2．1GB当たりのコストを設定する","render_override":null},{"id":"blk_edce8956-2236-4cea-b5d7-3e8cb04685fa","kind":"heading","order":328,"section_id":"sec_451ab260-47b0-4fda-abdc-60668e074e5e","character_id":null,"markdown":"## オンチップSRAM","render_override":null},{"id":"blk_fb911539-9345-4315-a771-32f99fc51ac7","kind":"paragraph","order":329,"section_id":"sec_451ab260-47b0-4fda-abdc-60668e074e5e","character_id":null,"markdown":"SRAMは独立部品として「1GBいくら」で販売されるものではない。ASICのロジックダイ内に作り込まれるため、その価格は主に、","render_override":null},{"id":"blk_2c02cdb7-8648-474d-b557-581382908f58","kind":"list","order":330,"section_id":"sec_451ab260-47b0-4fda-abdc-60668e074e5e","character_id":null,"markdown":"- 使用するシリコン面積\n- ウェハー単価\n- ダイ大型化による歩留まり低下\n- 周辺回路\n- テスト\n- 演算器を置けなくなる機会費用","render_override":null},{"id":"blk_410ac1e4-8dbc-4a6e-9256-9bba4ac827a8","kind":"paragraph","order":331,"section_id":"sec_451ab260-47b0-4fda-abdc-60668e074e5e","character_id":null,"markdown":"として現れる。","render_override":null},{"id":"blk_1af8844f-0c35-4f13-a653-a1fb026d3d6a","kind":"paragraph","order":332,"section_id":"sec_451ab260-47b0-4fda-abdc-60668e074e5e","character_id":null,"markdown":"TSMCの5nm高密度SRAMセルは、1bit当たり0.021µm²と公表されている。N5ウェハー価格については、顧客契約で差があるものの、SemiAnalysisは約1万6500ドルと推定している。([TSMC Research](https://research.tsmc.com/page/transistor-structure/7.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e3d0d610-6743-4691-819c-1ab867ee8e78","kind":"paragraph","order":333,"section_id":"sec_451ab260-47b0-4fda-abdc-60668e074e5e","character_id":null,"markdown":"セル面積だけでなく、デコーダー、センスアンプ、ECC、配線、冗長領域を加え、さらにダイ大型化による良品率低下を考慮すると、オンチップSRAMの増分原価は概算で、","render_override":null},{"id":"blk_88aad7ca-8e44-4fdb-a41b-e8859eb4a513","kind":"quote","order":334,"section_id":"sec_451ab260-47b0-4fda-abdc-60668e074e5e","character_id":null,"markdown":"> **約150～300ドル／GB**","render_override":null},{"id":"blk_f4dfffce-5dbd-4582-83ec-1f85249c7b75","kind":"paragraph","order":335,"section_id":"sec_451ab260-47b0-4fda-abdc-60668e074e5e","character_id":null,"markdown":"程度と見積もれる。","render_override":null},{"id":"blk_e041c792-07c9-4f51-8d63-866140e4ac6c","kind":"paragraph","order":336,"section_id":"sec_451ab260-47b0-4fda-abdc-60668e074e5e","character_id":null,"markdown":"これは市場販売価格ではなく、先端ASICにSRAMを追加した場合の**製造原価・機会費用換算**である。元のASICが大きく歩留まりが低い場合は、300ドル／GBを超えることもあり得る。","render_override":null},{"id":"blk_f8f5ce8b-c8ac-4268-81e2-7acfb903739a","kind":"thematic_break","order":337,"section_id":"sec_451ab260-47b0-4fda-abdc-60668e074e5e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d9ca8e75-a3b5-4e6f-be54-76a73e1984d1","kind":"heading","order":338,"section_id":"sec_447b85c2-c2ed-4f90-87b1-409d1827b55e","character_id":null,"markdown":"## HBM","render_override":null},{"id":"blk_9f19fa5a-5558-4f0d-8ab5-bbfc5460a0fc","kind":"paragraph","order":339,"section_id":"sec_447b85c2-c2ed-4f90-87b1-409d1827b55e","character_id":null,"markdown":"HBMも正式な契約価格は公開されていないが、世代と容量から概算できる。","render_override":null},{"id":"blk_6ca18113-ebc8-4c3f-99fd-907d2adf2caa","kind":"paragraph","order":340,"section_id":"sec_447b85c2-c2ed-4f90-87b1-409d1827b55e","character_id":null,"markdown":"HBM3Eの12層品は1スタック36GB。MicronとSamsungはいずれも36GB品を公開している。([Micron Technology](https://www.micron.com/about/blog/applications/ai/micron-continues-memory-industry-leadership-with-hbm3e-12-high-36gb?utm_source=chatgpt.com))","render_override":null},{"id":"blk_f93c720a-4308-4be7-b5c1-a5848b63dc9e","kind":"paragraph","order":341,"section_id":"sec_447b85c2-c2ed-4f90-87b1-409d1827b55e","character_id":null,"markdown":"業界報道では、12層HBM3Eは1スタック300ドル台半ば、HBM4は500ドル台半ばと推定されている。36GBで割ると、","render_override":null},{"id":"blk_4a801f13-0639-49d8-9162-6253dd7df074","kind":"list","order":342,"section_id":"sec_447b85c2-c2ed-4f90-87b1-409d1827b55e","character_id":null,"markdown":"- HBM3E：約9～11ドル／GB\n- HBM4：約14～16ドル／GB","render_override":null},{"id":"blk_b8569c9a-572e-4005-9cce-c22eaf1f2a71","kind":"paragraph","order":343,"section_id":"sec_447b85c2-c2ed-4f90-87b1-409d1827b55e","character_id":null,"markdown":"程度になる。([TrendForce](https://www.trendforce.com/news/2025/11/27/news-samsung-reportedly-targets-hbm4-price-parity-with-sk-hynix-amid-strong-nvidia-demand/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_f15c662c-c688-4a79-944c-7b03e975f0a1","kind":"paragraph","order":344,"section_id":"sec_447b85c2-c2ed-4f90-87b1-409d1827b55e","character_id":null,"markdown":"今回は世代差を含め、","render_override":null},{"id":"blk_6f9a1092-4be3-471b-9b6f-a76cc16b2980","kind":"quote","order":345,"section_id":"sec_447b85c2-c2ed-4f90-87b1-409d1827b55e","character_id":null,"markdown":"> **HBM：約10～15ドル／GB**","render_override":null},{"id":"blk_597de2ec-63e1-417f-b37e-87aa3f276f7d","kind":"paragraph","order":346,"section_id":"sec_447b85c2-c2ed-4f90-87b1-409d1827b55e","character_id":null,"markdown":"として計算する。","render_override":null},{"id":"blk_272fce0f-6efd-4f39-b0bc-a4b8d3cd93b7","kind":"thematic_break","order":347,"section_id":"sec_447b85c2-c2ed-4f90-87b1-409d1827b55e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b369783c-5d13-49c1-854c-ef47ee82a2e1","kind":"heading","order":348,"section_id":"sec_b8bb3966-0b92-49c4-a072-7a2148712838","character_id":null,"markdown":"## 3．1bit当たりではSRAMが圧倒的に高い","render_override":null},{"id":"blk_3aebe292-f197-4990-ad7b-40053c1ca4fa","kind":"paragraph","order":349,"section_id":"sec_b8bb3966-0b92-49c4-a072-7a2148712838","character_id":null,"markdown":"メモリー概算コスト／GBオンチップSRAM150～300ドルHBM10～15ドル","render_override":null},{"id":"blk_0624192e-3ae5-4826-8f55-96cab65cdfd7","kind":"paragraph","order":350,"section_id":"sec_b8bb3966-0b92-49c4-a072-7a2148712838","character_id":null,"markdown":"同じ1GBを保存するなら、SRAMはHBMの、","render_override":null},{"id":"blk_dd06d229-a12f-4837-9a76-bf95d82e2f47","kind":"list","order":351,"section_id":"sec_b8bb3966-0b92-49c4-a072-7a2148712838","character_id":null,"markdown":"- 最小差：150 ÷ 15＝**10倍**\n- 最大差：300 ÷ 10＝**30倍**","render_override":null},{"id":"blk_22be698b-66eb-4535-bf49-65e032977099","kind":"paragraph","order":352,"section_id":"sec_b8bb3966-0b92-49c4-a072-7a2148712838","character_id":null,"markdown":"となる。","render_override":null},{"id":"blk_8eee5ec7-1a83-430d-9dd0-5544a206d469","kind":"paragraph","order":353,"section_id":"sec_b8bb3966-0b92-49c4-a072-7a2148712838","character_id":null,"markdown":"したがって、","render_override":null},{"id":"blk_57c26d48-4e17-428a-8fc6-e16e9d6c592c","kind":"quote","order":354,"section_id":"sec_b8bb3966-0b92-49c4-a072-7a2148712838","character_id":null,"markdown":"> **1bit当たりではSRAMがHBMの約10～30倍高い**","render_override":null},{"id":"blk_31ec5d83-e089-42e4-99f2-151e8c554fd8","kind":"paragraph","order":355,"section_id":"sec_b8bb3966-0b92-49c4-a072-7a2148712838","character_id":null,"markdown":"という関係になる。","render_override":null},{"id":"blk_a20c4df1-9e73-4d48-9f70-7d5f974c1f1e","kind":"paragraph","order":356,"section_id":"sec_b8bb3966-0b92-49c4-a072-7a2148712838","character_id":null,"markdown":"中央値として、","render_override":null},{"id":"blk_4a07be91-d5de-49b3-a645-c18769cbca48","kind":"list","order":357,"section_id":"sec_b8bb3966-0b92-49c4-a072-7a2148712838","character_id":null,"markdown":"- SRAM：200ドル／GB\n- HBM：12ドル／GB","render_override":null},{"id":"blk_71e3798b-b246-4bb5-ad7d-c6dbbe94979c","kind":"paragraph","order":358,"section_id":"sec_b8bb3966-0b92-49c4-a072-7a2148712838","character_id":null,"markdown":"を使えば、","render_override":null},{"id":"blk_a8543e12-c4e5-45d3-9002-4a8d4ebba2b0","kind":"paragraph","order":359,"section_id":"sec_b8bb3966-0b92-49c4-a072-7a2148712838","character_id":null,"markdown":"**200 ÷ 12＝約16.7倍**","render_override":null},{"id":"blk_06e1043d-2662-4f52-8686-09e055236f14","kind":"paragraph","order":360,"section_id":"sec_b8bb3966-0b92-49c4-a072-7a2148712838","character_id":null,"markdown":"である。","render_override":null},{"id":"blk_0b4e6dc3-39c7-4398-ad6a-c694f7b0bcdc","kind":"paragraph","order":361,"section_id":"sec_b8bb3966-0b92-49c4-a072-7a2148712838","character_id":null,"markdown":"HBMは高価なメモリーだが、先端ロジック工程上へ6トランジスタ型セルを並べるSRAMよりは、はるかに高密度に容量を作れる。","render_override":null},{"id":"blk_7d301410-1b95-47ab-a743-e9c3db6ae69b","kind":"thematic_break","order":362,"section_id":"sec_b8bb3966-0b92-49c4-a072-7a2148712838","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d2c5b6e4-c570-4539-8d2d-c0fc86017545","kind":"heading","order":363,"section_id":"sec_b672a581-13df-4be5-b1be-44cb163cf7e1","character_id":null,"markdown":"## 4．1アクセラレーターで見ると価格が逆転する","render_override":null},{"id":"blk_330114f4-dee6-47dc-b9fc-adbeef75a8d4","kind":"paragraph","order":364,"section_id":"sec_b672a581-13df-4be5-b1be-44cb163cf7e1","character_id":null,"markdown":"比較用モデルでは、1個のアクセラレーターに、","render_override":null},{"id":"blk_1de18490-5141-44fe-8b23-6ca3f8ca85f7","kind":"list","order":365,"section_id":"sec_b672a581-13df-4be5-b1be-44cb163cf7e1","character_id":null,"markdown":"- SRAM：0.25GB\n- HBM：192GB","render_override":null},{"id":"blk_76944528-9ba2-4b81-a623-7e11a95abd66","kind":"paragraph","order":366,"section_id":"sec_b672a581-13df-4be5-b1be-44cb163cf7e1","character_id":null,"markdown":"を搭載する。","render_override":null},{"id":"blk_b6fd3188-c794-4320-b3fa-8e59647726f5","kind":"paragraph","order":367,"section_id":"sec_b672a581-13df-4be5-b1be-44cb163cf7e1","character_id":null,"markdown":"HBM容量はSRAM容量の、","render_override":null},{"id":"blk_21558f57-d331-42bf-9e5e-cdc1c1a31a52","kind":"paragraph","order":368,"section_id":"sec_b672a581-13df-4be5-b1be-44cb163cf7e1","character_id":null,"markdown":"**192 ÷ 0.25＝768倍**","render_override":null},{"id":"blk_ced9a796-2f56-4f68-9f6b-7eacd0d35c99","kind":"paragraph","order":369,"section_id":"sec_b672a581-13df-4be5-b1be-44cb163cf7e1","character_id":null,"markdown":"である。","render_override":null},{"id":"blk_74521ec8-365e-4de0-9356-309e9fdd0b31","kind":"heading","order":370,"section_id":"sec_e64a1906-994d-499b-86a1-df93fad33a5f","character_id":null,"markdown":"## SRAMの総額","render_override":null},{"id":"blk_72797b47-e206-467e-a723-4331cedef11d","kind":"paragraph","order":371,"section_id":"sec_e64a1906-994d-499b-86a1-df93fad33a5f","character_id":null,"markdown":"0.25GB × 150～300ドル","render_override":null},{"id":"blk_a318422d-7415-4d32-880c-92172db9dcc5","kind":"paragraph","order":372,"section_id":"sec_e64a1906-994d-499b-86a1-df93fad33a5f","character_id":null,"markdown":"＝ **37.5～75ドル**","render_override":null},{"id":"blk_44b57996-b73f-43b5-8448-8dd4bfbb7848","kind":"heading","order":373,"section_id":"sec_aa8a15bb-823f-48eb-abb0-928c248909a2","character_id":null,"markdown":"## HBMの総額","render_override":null},{"id":"blk_2ecf8cf3-4805-499c-aa31-d3112f1b1f03","kind":"paragraph","order":374,"section_id":"sec_aa8a15bb-823f-48eb-abb0-928c248909a2","character_id":null,"markdown":"192GB × 10～15ドル","render_override":null},{"id":"blk_ca623e46-bf7f-4dbe-b0b9-8f0b0c1f87e4","kind":"paragraph","order":375,"section_id":"sec_aa8a15bb-823f-48eb-abb0-928c248909a2","character_id":null,"markdown":"＝ **1920～2880ドル**","render_override":null},{"id":"blk_653fa192-e3f6-4671-b545-d07aa11327f7","kind":"code","order":376,"section_id":"sec_aa8a15bb-823f-48eb-abb0-928c248909a2","character_id":null,"markdown":"```\n| デバイス | 搭載容量 | 1GB当たり推定単価 | 推定総額 |\n| SRAM | 0.25GB | 150～300ドル | 約38～75ドル |\n| HBM | 192GB | 10～15ドル | 約1920～2880ドル |\n```","render_override":null},{"id":"blk_1362c3cf-b43f-486d-9c51-931c4585c2d8","kind":"paragraph","order":377,"section_id":"sec_aa8a15bb-823f-48eb-abb0-928c248909a2","character_id":null,"markdown":"したがって総額では、HBMがSRAMの、","render_override":null},{"id":"blk_6f684716-6218-4c96-8464-835048ebee3d","kind":"list","order":378,"section_id":"sec_aa8a15bb-823f-48eb-abb0-928c248909a2","character_id":null,"markdown":"- 最小差：1920 ÷ 75＝**約26倍**\n- 最大差：2880 ÷ 37.5＝**約77倍**","render_override":null},{"id":"blk_12ef1756-f694-464e-ad3a-92edaab5c8c1","kind":"paragraph","order":379,"section_id":"sec_aa8a15bb-823f-48eb-abb0-928c248909a2","character_id":null,"markdown":"になる。","render_override":null},{"id":"blk_bca4e5b6-f837-4f09-a5a2-859aefd723e9","kind":"paragraph","order":380,"section_id":"sec_aa8a15bb-823f-48eb-abb0-928c248909a2","character_id":null,"markdown":"中央値なら、","render_override":null},{"id":"blk_e3b7c3b5-060f-4835-a514-71c8a5878c8f","kind":"list","order":381,"section_id":"sec_aa8a15bb-823f-48eb-abb0-928c248909a2","character_id":null,"markdown":"- SRAM：0.25GB × 200ドル＝**50ドル**\n- HBM：192GB × 12ドル＝**2304ドル**","render_override":null},{"id":"blk_49639c03-4feb-4374-9a24-62044b2d60e0","kind":"paragraph","order":382,"section_id":"sec_aa8a15bb-823f-48eb-abb0-928c248909a2","character_id":null,"markdown":"となり、","render_override":null},{"id":"blk_76c459d0-5e2b-4a6e-9415-52d1cad6d0d2","kind":"quote","order":383,"section_id":"sec_aa8a15bb-823f-48eb-abb0-928c248909a2","character_id":null,"markdown":"> **HBM総額はSRAM総額の約46倍**","render_override":null},{"id":"blk_f60523f3-2750-44da-b630-007dc0aa0bef","kind":"paragraph","order":384,"section_id":"sec_aa8a15bb-823f-48eb-abb0-928c248909a2","character_id":null,"markdown":"である。","render_override":null},{"id":"blk_0e42a7d9-bb65-4809-8bc2-6d6fef95aea8","kind":"thematic_break","order":385,"section_id":"sec_aa8a15bb-823f-48eb-abb0-928c248909a2","character_id":null,"markdown":"---","render_override":null},{"id":"blk_407cad33-72e5-4fff-9dd5-6e3f3351cbbb","kind":"heading","order":386,"section_id":"sec_9d0eda29-2512-482b-adc7-d999906722ae","character_id":null,"markdown":"## 5．ラック全体ではどうなるか","render_override":null},{"id":"blk_c50df82a-1feb-4f45-a267-705c44404c20","kind":"paragraph","order":387,"section_id":"sec_9d0eda29-2512-482b-adc7-d999906722ae","character_id":null,"markdown":"同じアクセラレーターを72個搭載すると仮定する。","render_override":null},{"id":"blk_99c25153-0925-419e-8118-065d31b85d1f","kind":"heading","order":388,"section_id":"sec_d23fa3f3-f308-48d5-a0b7-0783dcdf918e","character_id":null,"markdown":"## SRAMの総量","render_override":null},{"id":"blk_6d2378fb-4cbf-41d4-a0a7-9768cfd5a0fc","kind":"paragraph","order":389,"section_id":"sec_d23fa3f3-f308-48d5-a0b7-0783dcdf918e","character_id":null,"markdown":"0.25GB × 72基","render_override":null},{"id":"blk_1217e3e4-1181-4332-afb2-221ed6952d00","kind":"paragraph","order":390,"section_id":"sec_d23fa3f3-f308-48d5-a0b7-0783dcdf918e","character_id":null,"markdown":"＝ **18GB**","render_override":null},{"id":"blk_0e7311f6-779a-4374-977d-b4f25cfad2f1","kind":"heading","order":391,"section_id":"sec_8887730b-6d45-40e2-b449-b3dd74ebc20b","character_id":null,"markdown":"## HBMの総量","render_override":null},{"id":"blk_37c44b47-5cd4-411f-a30f-ad6956621695","kind":"paragraph","order":392,"section_id":"sec_8887730b-6d45-40e2-b449-b3dd74ebc20b","character_id":null,"markdown":"192GB × 72基","render_override":null},{"id":"blk_53f22cb1-0fd1-4551-b25d-d3231b4a2513","kind":"paragraph","order":393,"section_id":"sec_8887730b-6d45-40e2-b449-b3dd74ebc20b","character_id":null,"markdown":"＝ **13,824GB＝約13.8TB**","render_override":null},{"id":"blk_6ac08b99-d02d-4ba4-9aea-f14c3b8b314c","kind":"paragraph","order":394,"section_id":"sec_8887730b-6d45-40e2-b449-b3dd74ebc20b","character_id":null,"markdown":"容量だけでも、HBMはSRAMの768倍である。","render_override":null},{"id":"blk_0e94f00a-b409-4a12-a957-17aa013f5346","kind":"thematic_break","order":395,"section_id":"sec_8887730b-6d45-40e2-b449-b3dd74ebc20b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_98c1a95e-63b0-474b-b1df-e64a4342675d","kind":"heading","order":396,"section_id":"sec_440cc29b-d061-494b-94c3-3c9e19f58427","character_id":null,"markdown":"## SRAMのラック総額","render_override":null},{"id":"blk_681738f8-b4b1-455e-880e-ef853745db8d","kind":"paragraph","order":397,"section_id":"sec_440cc29b-d061-494b-94c3-3c9e19f58427","character_id":null,"markdown":"18GB × 150～300ドル","render_override":null},{"id":"blk_636c7a86-9d01-4782-ba3c-55c2a562ab8a","kind":"paragraph","order":398,"section_id":"sec_440cc29b-d061-494b-94c3-3c9e19f58427","character_id":null,"markdown":"＝ **2700～5400ドル**","render_override":null},{"id":"blk_7ae68e50-bdb2-4576-b2d6-b3509b436c84","kind":"heading","order":399,"section_id":"sec_fbdceb25-fd48-4d8c-96a3-a8633c887aa1","character_id":null,"markdown":"## HBMのラック総額","render_override":null},{"id":"blk_edf1d050-6121-4d5c-bd0c-57b90e2cd1fa","kind":"paragraph","order":400,"section_id":"sec_fbdceb25-fd48-4d8c-96a3-a8633c887aa1","character_id":null,"markdown":"13,824GB × 10～15ドル","render_override":null},{"id":"blk_50f29ad6-0415-47d5-828d-5dc8230ebda1","kind":"paragraph","order":401,"section_id":"sec_fbdceb25-fd48-4d8c-96a3-a8633c887aa1","character_id":null,"markdown":"＝ **13万8240～20万7360ドル**","render_override":null},{"id":"blk_d7e9882d-fe77-4a53-ab58-7c4cd20b3f32","kind":"code","order":402,"section_id":"sec_fbdceb25-fd48-4d8c-96a3-a8633c887aa1","character_id":null,"markdown":"```\n| 構成 | 総容量 | 推定総額 |\n| SRAM | 18GB | 約2,700～5,400ドル |\n| HBM | 約13.8TB | 約13.8万～20.7万ドル |\n```","render_override":null},{"id":"blk_53d993e7-5a4f-4fd5-a954-87ba7e7095f9","kind":"paragraph","order":403,"section_id":"sec_fbdceb25-fd48-4d8c-96a3-a8633c887aa1","character_id":null,"markdown":"1ドル150円で単純換算すると、","render_override":null},{"id":"blk_d9849ab5-4cba-4543-bb91-fcf0e359d56e","kind":"list","order":404,"section_id":"sec_fbdceb25-fd48-4d8c-96a3-a8633c887aa1","character_id":null,"markdown":"- SRAM：約41万～81万円\n- HBM：約2074万～3110万円","render_override":null},{"id":"blk_be463a03-c317-4341-9f9f-ad5ca61ef4a1","kind":"paragraph","order":405,"section_id":"sec_fbdceb25-fd48-4d8c-96a3-a8633c887aa1","character_id":null,"markdown":"となる。","render_override":null},{"id":"blk_9bab74e8-0233-4c5e-b0e1-b17e2e369ece","kind":"paragraph","order":406,"section_id":"sec_fbdceb25-fd48-4d8c-96a3-a8633c887aa1","character_id":null,"markdown":"中央値では、","render_override":null},{"id":"blk_da17c395-db93-4e9b-96f8-278163712c1d","kind":"list","order":407,"section_id":"sec_fbdceb25-fd48-4d8c-96a3-a8633c887aa1","character_id":null,"markdown":"- SRAM：18GB × 200ドル＝**3600ドル**\n- HBM：13,824GB × 12ドル＝**16万5888ドル**","render_override":null},{"id":"blk_790336c9-7701-45c4-9682-74595e2e4fda","kind":"paragraph","order":408,"section_id":"sec_fbdceb25-fd48-4d8c-96a3-a8633c887aa1","character_id":null,"markdown":"であり、やはりHBM総額はSRAMの**約46倍**になる。","render_override":null},{"id":"blk_272cd02e-5f4d-40f3-b0fa-140f45d97ba6","kind":"thematic_break","order":409,"section_id":"sec_fbdceb25-fd48-4d8c-96a3-a8633c887aa1","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4eb9b325-9fff-4c61-86f5-70229228bfe2","kind":"heading","order":410,"section_id":"sec_a82205f8-097e-41ef-b7d7-2f68d0fae9a2","character_id":null,"markdown":"## 6．なぜASIC単体でもラックでも比率が同じなのか","render_override":null},{"id":"blk_268db5a7-f7e5-4cfe-b4d6-b3966e147fb3","kind":"paragraph","order":411,"section_id":"sec_a82205f8-097e-41ef-b7d7-2f68d0fae9a2","character_id":null,"markdown":"同じアクセラレーターを72個に増やしただけなら、SRAMとHBMの両方が72倍になる。","render_override":null},{"id":"blk_5db370d7-062a-42df-b2e6-22d68f875fa5","kind":"code","order":412,"section_id":"sec_a82205f8-097e-41ef-b7d7-2f68d0fae9a2","character_id":null,"markdown":"```\n1アクセラレーター\nSRAM：50ドル\nHBM：2304ドル\n差：約46倍\n\n72アクセラレーター\nSRAM：3600ドル\nHBM：16万5888ドル\n差：約46倍\n```","render_override":null},{"id":"blk_4c63b555-a1db-4268-9094-22288016f205","kind":"paragraph","order":413,"section_id":"sec_a82205f8-097e-41ef-b7d7-2f68d0fae9a2","character_id":null,"markdown":"したがって、同一設計を並べる限り、1チップでも1ラックでも価格比は変わらない。","render_override":null},{"id":"blk_f4028c7d-d9dc-4c08-90ca-4d7ca8c85e46","kind":"paragraph","order":414,"section_id":"sec_a82205f8-097e-41ef-b7d7-2f68d0fae9a2","character_id":null,"markdown":"変わるのは絶対額である。","render_override":null},{"id":"blk_3a7c1995-e44c-4254-86b6-3e3218400917","kind":"paragraph","order":415,"section_id":"sec_a82205f8-097e-41ef-b7d7-2f68d0fae9a2","character_id":null,"markdown":"ラック全体ではHBMだけで10万～20万ドルを超えるため、HBM価格の10％変動だけでも、ラック原価が1万～2万ドル程度変動し得る。","render_override":null},{"id":"blk_65fcdcd6-ac78-4807-8b35-469bbdae36c6","kind":"thematic_break","order":416,"section_id":"sec_a82205f8-097e-41ef-b7d7-2f68d0fae9a2","character_id":null,"markdown":"---","render_override":null},{"id":"blk_fb127807-1bf1-4c92-b8d8-0e78f847f59b","kind":"heading","order":417,"section_id":"sec_0badf3fc-e4d1-4d91-92af-f039cf2e2e5f","character_id":null,"markdown":"## 7．SRAMを増やせば価格差は縮まる","render_override":null},{"id":"blk_0a38acfe-a0e5-45c4-ae29-dfcc39c60def","kind":"paragraph","order":418,"section_id":"sec_0badf3fc-e4d1-4d91-92af-f039cf2e2e5f","character_id":null,"markdown":"SRAM重視型ASICでは、256MBより多くのSRAMを搭載する可能性がある。","render_override":null},{"id":"blk_59850f00-d42f-419f-9807-90d207493f58","kind":"paragraph","order":419,"section_id":"sec_0badf3fc-e4d1-4d91-92af-f039cf2e2e5f","character_id":null,"markdown":"中央値として、","render_override":null},{"id":"blk_f68c7005-d21d-4cb4-bc1b-3d227c52ba5d","kind":"list","order":420,"section_id":"sec_0badf3fc-e4d1-4d91-92af-f039cf2e2e5f","character_id":null,"markdown":"- SRAM：200ドル／GB\n- HBM：12ドル／GB\n- HBM容量：192GB","render_override":null},{"id":"blk_16b66b50-58e1-4664-915b-746c2a87331b","kind":"paragraph","order":421,"section_id":"sec_0badf3fc-e4d1-4d91-92af-f039cf2e2e5f","character_id":null,"markdown":"を固定して比較する。","render_override":null},{"id":"blk_cffde8fc-41d0-4185-9722-997172fdd3c1","kind":"code","order":422,"section_id":"sec_0badf3fc-e4d1-4d91-92af-f039cf2e2e5f","character_id":null,"markdown":"```\n| SRAM容量／ASIC | SRAM総額 | HBM総額 | HBMとの差 |\n| 256MB | 50ドル | 2304ドル | HBMが約46倍 |\n| 512MB | 100ドル | 2304ドル | 約23倍 |\n| 1GB | 200ドル | 2304ドル | 約12倍 |\n| 2GB | 400ドル | 2304ドル | 約5.8倍 |\n| 4GB | 800ドル | 2304ドル | 約2.9倍 |\n```","render_override":null},{"id":"blk_8d0a5926-5279-4829-8022-f8e88ee547e0","kind":"paragraph","order":423,"section_id":"sec_0badf3fc-e4d1-4d91-92af-f039cf2e2e5f","character_id":null,"markdown":"SRAMを4GBまで増やせば、メモリー総額の差は約3倍まで縮まる。","render_override":null},{"id":"blk_82186b9f-59b3-40ce-9669-c9736db6ee18","kind":"paragraph","order":424,"section_id":"sec_0badf3fc-e4d1-4d91-92af-f039cf2e2e5f","character_id":null,"markdown":"しかし4GBのオンチップSRAMを平面上に置くのは現実的に非常に難しい。","render_override":null},{"id":"blk_ffe0acbf-4c78-4c54-98bf-61be0b0220d1","kind":"paragraph","order":425,"section_id":"sec_0badf3fc-e4d1-4d91-92af-f039cf2e2e5f","character_id":null,"markdown":"5nmの0.021µm²セルを基準にすると、1GBのSRAMはセルだけでも約168～180mm²を使う。周辺回路込みでは250～300mm²前後になり得るため、4GBなら大型AIチップ数個分に相当する面積が必要になる。([TSMC Research](https://research.tsmc.com/page/transistor-structure/7.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_9c4c8f3d-0ed6-496a-b0ed-e19f521ac744","kind":"paragraph","order":426,"section_id":"sec_0badf3fc-e4d1-4d91-92af-f039cf2e2e5f","character_id":null,"markdown":"実現するには、","render_override":null},{"id":"blk_e2433bfd-78f3-4aea-99bf-70c6884a7f5f","kind":"list","order":427,"section_id":"sec_0badf3fc-e4d1-4d91-92af-f039cf2e2e5f","character_id":null,"markdown":"- SRAMチップレット\n- 3D積層SRAM\n- SoICやハイブリッドボンディング\n- 複数のSRAM中心ASICをネットワーク接続","render_override":null},{"id":"blk_7dc7997b-d7b7-4bd3-98b2-d712ef9ac05c","kind":"paragraph","order":428,"section_id":"sec_0badf3fc-e4d1-4d91-92af-f039cf2e2e5f","character_id":null,"markdown":"といった構成が必要になる。","render_override":null},{"id":"blk_9e0a84c6-f121-425f-8ff6-866312cabdd8","kind":"paragraph","order":429,"section_id":"sec_0badf3fc-e4d1-4d91-92af-f039cf2e2e5f","character_id":null,"markdown":"その場合、SRAMセル以外にもパッケージ、接合、テスト、基板、ネットワークの費用が増える。","render_override":null},{"id":"blk_982d670c-123d-4915-a5ba-717de6a62bbb","kind":"thematic_break","order":430,"section_id":"sec_0badf3fc-e4d1-4d91-92af-f039cf2e2e5f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_6564f69f-639f-431f-9697-cd107ed0581d","kind":"heading","order":431,"section_id":"sec_b4ad4f5d-283f-4303-abcd-1ecc7ed5b30e","character_id":null,"markdown":"## 8．HBM総額にはさらに費用が加わる","render_override":null},{"id":"blk_d7076e44-693d-4e9d-ae8b-08c91ea0f845","kind":"paragraph","order":432,"section_id":"sec_b4ad4f5d-283f-4303-abcd-1ecc7ed5b30e","character_id":null,"markdown":"ここまでのHBM価格は主にメモリースタック単体の推定である。","render_override":null},{"id":"blk_9ad60de3-9902-4d59-b8dd-f8a66c6d1876","kind":"paragraph","order":433,"section_id":"sec_b4ad4f5d-283f-4303-abcd-1ecc7ed5b30e","character_id":null,"markdown":"実際のアクセラレーターには、","render_override":null},{"id":"blk_53d6c4fb-de1d-4c72-922b-b9a76720adb5","kind":"list","order":434,"section_id":"sec_b4ad4f5d-283f-4303-abcd-1ecc7ed5b30e","character_id":null,"markdown":"- シリコンインターポーザー\n- HBMベースダイ\n- 2.5Dパッケージ\n- 高密度基板\n- HBMとASICの実装\n- Known Good Dieの選別\n- 完成後のテスト\n- パッケージ歩留まり","render_override":null},{"id":"blk_fcd73835-7451-4f2a-a377-390737ca93d0","kind":"paragraph","order":435,"section_id":"sec_b4ad4f5d-283f-4303-abcd-1ecc7ed5b30e","character_id":null,"markdown":"も必要になる。","render_override":null},{"id":"blk_3d04dfaf-3970-4f42-b5eb-d5622cfa5acf","kind":"paragraph","order":436,"section_id":"sec_b4ad4f5d-283f-4303-abcd-1ecc7ed5b30e","character_id":null,"markdown":"またHBM4ではI/O数がHBM3Eの1024本から2048本へ倍増し、ロジックベースダイの採用によって製造難度とコストが上昇する。TrendForceはHBM4の導入時プレミアムが30％を超える可能性を示している。([TrendForce](https://www.trendforce.com/presscenter/news/20250522-12589.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_f137e477-aee7-46ad-9c63-5a1153681d3a","kind":"paragraph","order":437,"section_id":"sec_b4ad4f5d-283f-4303-abcd-1ecc7ed5b30e","character_id":null,"markdown":"したがって、完成パッケージ内の「HBM関連費用」は、先ほど計算したHBMスタック代よりさらに大きくなる可能性がある。","render_override":null},{"id":"blk_eda8c298-66f5-422d-b981-9fca7e464b02","kind":"thematic_break","order":438,"section_id":"sec_b4ad4f5d-283f-4303-abcd-1ecc7ed5b30e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_812fece9-614e-4b5a-8f88-1b07e4be6d31","kind":"heading","order":439,"section_id":"sec_50c5767e-8558-45e6-93b8-f97cf11bd7e7","character_id":null,"markdown":"## 9．それでもSRAMの方が高価だと言える理由","render_override":null},{"id":"blk_a9e5d44e-fecf-45dc-b257-e9dab5adc3a0","kind":"paragraph","order":440,"section_id":"sec_50c5767e-8558-45e6-93b8-f97cf11bd7e7","character_id":null,"markdown":"ラック総額だけを見るとHBMが圧倒的に高く、SRAMは小さな費用に見える。","render_override":null},{"id":"blk_43efcea7-2e00-4e8f-a40e-54e94bf0a6c2","kind":"paragraph","order":441,"section_id":"sec_50c5767e-8558-45e6-93b8-f97cf11bd7e7","character_id":null,"markdown":"しかしSRAMには、単純な製造費以外の負担がある。","render_override":null},{"id":"blk_71395ce7-628a-4e9b-883e-fe0cdba20a42","kind":"paragraph","order":442,"section_id":"sec_50c5767e-8558-45e6-93b8-f97cf11bd7e7","character_id":null,"markdown":"SRAMを増やすと、","render_override":null},{"id":"blk_d6fc6f88-0218-4140-9fbe-3404a1aa8fb8","kind":"list","order":443,"section_id":"sec_50c5767e-8558-45e6-93b8-f97cf11bd7e7","character_id":null,"markdown":"- ASICダイが大型化する\n- ウェハーから取れる個数が減る\n- 良品率が下がる\n- 演算器の面積が減る\n- 配線と電力供給が難しくなる\n- テスト時間が延びる","render_override":null},{"id":"blk_02376efe-1198-4ef9-a9bd-87790d372f4d","kind":"paragraph","order":444,"section_id":"sec_50c5767e-8558-45e6-93b8-f97cf11bd7e7","character_id":null,"markdown":"という影響が生じる。","render_override":null},{"id":"blk_c48a50c9-5a87-4a75-a386-b735958692af","kind":"paragraph","order":445,"section_id":"sec_50c5767e-8558-45e6-93b8-f97cf11bd7e7","character_id":null,"markdown":"つまり、SRAMの本当の費用は「SRAM部分のシリコン代」だけではない。","render_override":null},{"id":"blk_f96ae77c-1b87-46fc-8c5e-2bf8982ba7a7","kind":"quote","order":446,"section_id":"sec_50c5767e-8558-45e6-93b8-f97cf11bd7e7","character_id":null,"markdown":"> **SRAMはASICの設計可能面積を消費する。 \n> HBMは外付け費用とパッケージ費用を消費する。**","render_override":null},{"id":"blk_25a72979-8813-4dd9-be21-1dd2791e67dd","kind":"paragraph","order":447,"section_id":"sec_50c5767e-8558-45e6-93b8-f97cf11bd7e7","character_id":null,"markdown":"という異なるコスト構造を持つ。","render_override":null},{"id":"blk_b825e7d1-c2bf-45ba-9aeb-911b1e6c4fe9","kind":"thematic_break","order":448,"section_id":"sec_50c5767e-8558-45e6-93b8-f97cf11bd7e7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_99dd9af5-5c03-4487-885c-92e50569911f","kind":"heading","order":449,"section_id":"sec_ca56be7f-cce2-49ae-8a1b-174f37c88fe2","character_id":null,"markdown":"## 10．SRAMを増やす経済合理性","render_override":null},{"id":"blk_e97df582-aa4a-4004-b88e-6fb19708d456","kind":"paragraph","order":450,"section_id":"sec_ca56be7f-cce2-49ae-8a1b-174f37c88fe2","character_id":null,"markdown":"SRAMを増やす目的は、HBMと同じ容量を置き換えることではない。","render_override":null},{"id":"blk_ba1ddb4c-8a1f-452e-8f08-aaadf2e563ed","kind":"paragraph","order":451,"section_id":"sec_ca56be7f-cce2-49ae-8a1b-174f37c88fe2","character_id":null,"markdown":"256MBのSRAMを追加しても、192GBのHBMを不要にはできない。","render_override":null},{"id":"blk_6caaeae4-431f-49dc-8d21-ee553f8d7760","kind":"paragraph","order":452,"section_id":"sec_ca56be7f-cce2-49ae-8a1b-174f37c88fe2","character_id":null,"markdown":"SRAMへ置くのは、","render_override":null},{"id":"blk_4b86c5d0-398a-4fb4-a1a5-69ef655b44bd","kind":"list","order":453,"section_id":"sec_ca56be7f-cce2-49ae-8a1b-174f37c88fe2","character_id":null,"markdown":"- 今すぐ再利用する重み\n- 行列演算のタイル\n- 活性値\n- 中間結果\n- ホットなKVキャッシュ\n- ルーティング情報","render_override":null},{"id":"blk_9e6ba84b-10dd-41fd-9d93-1885b4c406fb","kind":"paragraph","order":454,"section_id":"sec_ca56be7f-cce2-49ae-8a1b-174f37c88fe2","character_id":null,"markdown":"などである。","render_override":null},{"id":"blk_49dd3628-945a-4cc4-87bd-a2aa2fa157a8","kind":"paragraph","order":455,"section_id":"sec_ca56be7f-cce2-49ae-8a1b-174f37c88fe2","character_id":null,"markdown":"これにより、","render_override":null},{"id":"blk_a0c652d1-539b-45ff-9803-6e049272410c","kind":"list","order":456,"section_id":"sec_ca56be7f-cce2-49ae-8a1b-174f37c88fe2","character_id":null,"markdown":"- HBMアクセス回数を減らす\n- HBM帯域を節約する\n- データ移動電力を減らす\n- 演算器の待機時間を短縮する\n- 1チップ当たりの処理性能を高める","render_override":null},{"id":"blk_d2b176fe-a4ec-40bc-b69b-ec145dc26fb9","kind":"paragraph","order":457,"section_id":"sec_ca56be7f-cce2-49ae-8a1b-174f37c88fe2","character_id":null,"markdown":"ことができる。","render_override":null},{"id":"blk_87539a26-16ef-4dcc-b67d-b7fc95c88254","kind":"paragraph","order":458,"section_id":"sec_ca56be7f-cce2-49ae-8a1b-174f37c88fe2","character_id":null,"markdown":"仮にSRAM追加でチップ原価が50ドル増えても、推論性能が上がってラックに必要なアクセラレーター数を1基減らせるなら、数千ドル規模のHBMやパッケージ費用を削減できる可能性がある。","render_override":null},{"id":"blk_a55e22f6-8e48-4cfd-9673-83376fac14b2","kind":"paragraph","order":459,"section_id":"sec_ca56be7f-cce2-49ae-8a1b-174f37c88fe2","character_id":null,"markdown":"したがってASIC設計で重要なのは、SRAMとHBMの単純な価格差ではなく、","render_override":null},{"id":"blk_e7975229-5ef9-4574-b80f-7a345916b135","kind":"quote","order":460,"section_id":"sec_ca56be7f-cce2-49ae-8a1b-174f37c88fe2","character_id":null,"markdown":"> **SRAMへ1ドル追加したとき、HBMアクセスと必要アクセラレーター台数をどれだけ減らせるか**","render_override":null},{"id":"blk_dc483302-a2b9-4a9d-97c0-1d3f96525aab","kind":"paragraph","order":461,"section_id":"sec_ca56be7f-cce2-49ae-8a1b-174f37c88fe2","character_id":null,"markdown":"である。","render_override":null},{"id":"blk_7ccf1238-6f8b-4440-82d8-3cccf70abb5b","kind":"thematic_break","order":462,"section_id":"sec_ca56be7f-cce2-49ae-8a1b-174f37c88fe2","character_id":null,"markdown":"---","render_override":null},{"id":"blk_8bd83294-088a-4458-94cb-076f45d80520","kind":"heading","order":463,"section_id":"sec_4b8079f8-ac8a-4a87-a698-e0f38bd3756e","character_id":null,"markdown":"## まとめ","render_override":null},{"id":"blk_08591f52-f272-425a-80f6-605fe596326d","kind":"paragraph","order":464,"section_id":"sec_4b8079f8-ac8a-4a87-a698-e0f38bd3756e","character_id":null,"markdown":"SRAMとHBMは、価格の見方によって高低が逆転する。","render_override":null},{"id":"blk_681c5920-3771-4d02-96b1-c07c4ce1fdeb","kind":"heading","order":465,"section_id":"sec_490a78de-e94a-4c89-96f9-2de07500d8ab","character_id":null,"markdown":"## 1GB当たり","render_override":null},{"id":"blk_0c431f11-1cf4-49f3-b406-587844dd66b1","kind":"list","order":466,"section_id":"sec_490a78de-e94a-4c89-96f9-2de07500d8ab","character_id":null,"markdown":"- SRAM：約150～300ドル\n- HBM：約10～15ドル\n- **SRAMが約10～30倍高い**","render_override":null},{"id":"blk_ffc969e2-a1a6-4bf0-8c8f-e885b06f7052","kind":"heading","order":467,"section_id":"sec_71c3a1f0-1605-4af9-a8ec-9984ffc466f0","character_id":null,"markdown":"## 1アクセラレーター","render_override":null},{"id":"blk_5e64718a-5a40-4814-97d7-6ea3a7754539","kind":"paragraph","order":468,"section_id":"sec_71c3a1f0-1605-4af9-a8ec-9984ffc466f0","character_id":null,"markdown":"256MB SRAM＋192GB HBMの比較モデル","render_override":null},{"id":"blk_a05632e7-fb49-461c-a24a-92bd07824d51","kind":"list","order":469,"section_id":"sec_71c3a1f0-1605-4af9-a8ec-9984ffc466f0","character_id":null,"markdown":"- SRAM：約38～75ドル\n- HBM：約1920～2880ドル\n- **HBM総額が約26～77倍大きい**","render_override":null},{"id":"blk_7b2c85a8-d83b-46f1-8026-b8895b89d04a","kind":"heading","order":470,"section_id":"sec_dbf4f8c4-611d-46fd-8ace-c1841d40422b","character_id":null,"markdown":"## 72基ラック","render_override":null},{"id":"blk_31583023-86aa-4a98-95b5-bcc064e1516f","kind":"list","order":471,"section_id":"sec_dbf4f8c4-611d-46fd-8ace-c1841d40422b","character_id":null,"markdown":"- SRAM：18GB、約2700～5400ドル\n- HBM：約13.8TB、約13.8万～20.7万ドル\n- **HBM総額が約26～77倍大きい**","render_override":null},{"id":"blk_b44ab45f-5026-4e21-9558-416afe3869e8","kind":"paragraph","order":472,"section_id":"sec_dbf4f8c4-611d-46fd-8ace-c1841d40422b","character_id":null,"markdown":"この逆転は、HBMの搭載容量がSRAMの768倍あるために起きる。","render_override":null},{"id":"blk_24eadc96-c769-4e3d-9281-77d68ac15bbc","kind":"quote","order":473,"section_id":"sec_dbf4f8c4-611d-46fd-8ace-c1841d40422b","character_id":null,"markdown":"> **SRAMは、少量でも非常に高価な高速メモリー。 \n> HBMは、1bit当たりではSRAMより安いが、数百GB単位で搭載するため総額が巨大になるメモリー。**","render_override":null},{"id":"blk_4296b039-384b-4530-8cc8-ae7d4b473802","kind":"paragraph","order":474,"section_id":"sec_dbf4f8c4-611d-46fd-8ace-c1841d40422b","character_id":null,"markdown":"AI ASICの設計とは、SRAMかHBMのどちらかを選ぶ作業ではない。","render_override":null},{"id":"blk_ff3cc7ad-a8df-4e44-9200-b255d73d5d1f","kind":"paragraph","order":475,"section_id":"sec_dbf4f8c4-611d-46fd-8ace-c1841d40422b","character_id":null,"markdown":"少量の高価なSRAMを使ってデータを再利用し、その外側に大容量のHBMを配置することで、速度、容量、電力、チップ面積、ラック原価の均衡を取る作業である。","render_override":null},{"id":"blk_52f1adfe-57c6-4257-9a6a-961b944e0818","kind":"heading","order":476,"section_id":"sec_77aa7290-21f6-4538-b851-d56898094c59","character_id":null,"markdown":"## SRAMは「メモリー御三家」だけが作るものではない","render_override":null},{"id":"blk_7848e22e-4101-4c5e-8dbd-79d63c93966c","kind":"heading","order":477,"section_id":"sec_c51734dd-a052-4910-9d7c-7eeba851456d","character_id":null,"markdown":"## TSMCの供給逼迫がSamsung・Intelに開くAI ASICの第二供給網","render_override":null},{"id":"blk_5c3c2787-fd9a-424c-9acc-453b7fc7ea73","kind":"paragraph","order":478,"section_id":"sec_c51734dd-a052-4910-9d7c-7eeba851456d","character_id":null,"markdown":"AI半導体の供給網を理解するとき、まず整理しておきたいのは、**SRAMとDRAM・HBM・NANDでは製造の位置づけが異なる**という点です。","render_override":null},{"id":"blk_1bc033de-548c-4621-bf51-335fbeb688c2","kind":"paragraph","order":479,"section_id":"sec_c51734dd-a052-4910-9d7c-7eeba851456d","character_id":null,"markdown":"DRAM、HBM、NANDは、Samsung Electronics、SK hynix、Micronなどが独立したメモリーダイとして大量生産します。一方、AI ASICで使われるSRAMの大部分は、演算器や制御回路と同じロジックダイに埋め込まれた「組み込みSRAM」です。","render_override":null},{"id":"blk_f8cbdf57-ab54-478b-a97c-db19214bcb7e","kind":"paragraph","order":480,"section_id":"sec_c51734dd-a052-4910-9d7c-7eeba851456d","character_id":null,"markdown":"したがってAI ASIC内部のSRAMは、メモリー御三家ではなく、**そのASICを製造するファウンドリーがロジック回路と一緒に作ります。**","render_override":null},{"id":"blk_4f53c7c8-62d7-4000-8b7a-a766ce709507","kind":"paragraph","order":481,"section_id":"sec_c51734dd-a052-4910-9d7c-7eeba851456d","character_id":null,"markdown":"そして2026年、TSMCの先端工程と先端パッケージ能力がAI需要で逼迫していることは、Samsung FoundryとIntel Foundryにとって大きな商機になりつつあります。","render_override":null},{"id":"blk_f88fd74b-b773-4bc7-8b46-23d61bbb1ddd","kind":"thematic_break","order":482,"section_id":"sec_c51734dd-a052-4910-9d7c-7eeba851456d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_0132e4d4-bbb7-42db-984d-e9af95fa1447","kind":"heading","order":483,"section_id":"sec_da44235c-f067-4c6c-8d24-43fca37ac329","character_id":null,"markdown":"## 1．AI ASICのSRAMは誰が作るのか","render_override":null},{"id":"blk_caeefe82-f201-436d-8335-3df5405a5c66","kind":"paragraph","order":484,"section_id":"sec_da44235c-f067-4c6c-8d24-43fca37ac329","character_id":null,"markdown":"例えば、あるAI企業が独自ASICをTSMCの2nm工程で製造するとします。","render_override":null},{"id":"blk_199e7f20-056a-45c9-88de-86dda2162464","kind":"paragraph","order":485,"section_id":"sec_da44235c-f067-4c6c-8d24-43fca37ac329","character_id":null,"markdown":"そのチップに含まれる、","render_override":null},{"id":"blk_6df0a93e-f990-487e-85c4-fc039c03e6f6","kind":"list","order":486,"section_id":"sec_da44235c-f067-4c6c-8d24-43fca37ac329","character_id":null,"markdown":"- 行列演算器\n- レジスタ\n- L1・L2キャッシュ\n- スクラッチパッド\n- SRAMバッファ\n- HBMコントローラー\n- 高速通信回路","render_override":null},{"id":"blk_9798c685-d2fe-4b4a-a965-41a2b6c4ea62","kind":"paragraph","order":487,"section_id":"sec_da44235c-f067-4c6c-8d24-43fca37ac329","character_id":null,"markdown":"は、すべてTSMCの同じロジック工程で製造されます。","render_override":null},{"id":"blk_23c552e2-79f2-4109-be15-5ff6d0537b97","kind":"paragraph","order":488,"section_id":"sec_da44235c-f067-4c6c-8d24-43fca37ac329","character_id":null,"markdown":"TSMCは2nmナノシート工程で、0.021平方マイクロメートルの高密度SRAMセルと、38.1Mb/mm²のSRAMマクロを公表しています。つまりTSMCはDRAMやNANDを販売しなくても、CPU・GPU・ASIC内部のSRAMについては、世界最大級の製造企業なのです。([TSMC Research](https://research.tsmc.com/page/memory/4.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_72bef563-945c-4158-a908-c9fb33931c3e","kind":"paragraph","order":489,"section_id":"sec_da44235c-f067-4c6c-8d24-43fca37ac329","character_id":null,"markdown":"同じことはSamsung FoundryとIntel Foundryにも当てはまります。","render_override":null},{"id":"blk_6f32383c-5ee7-4c63-8acd-99dca97c6b65","kind":"paragraph","order":490,"section_id":"sec_da44235c-f067-4c6c-8d24-43fca37ac329","character_id":null,"markdown":"Samsungは3nm GAA工程で、SRAMを構成する各トランジスタのチャネル幅を調整し、読み出し安定性、書き込み性能、低電圧動作を最適化する技術を説明しています。([Samsung Semiconductor Global](https://semiconductor.samsung.com/news-events/tech-blog/3nm-gaa-mbcfet-unrivaled-sram-design-flexibility/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_a4e8f4b6-f370-4ac8-b3d4-64610ca0b2e4","kind":"paragraph","order":491,"section_id":"sec_da44235c-f067-4c6c-8d24-43fca37ac329","character_id":null,"markdown":"Intelも18A工程で0.021平方マイクロメートルの高密度6T SRAMを実証し、18A-Pでは低動作電圧向けのSRAMをAIアクセラレーターやCPU、GPUへ統合する方針を示しています。([Intel](https://www.intel.com/content/dam/www/central-libraries/us/en/documents/2025-03/foundry-18a-platform-brief.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_02952088-4727-49ef-b499-066ac1f4d247","kind":"paragraph","order":492,"section_id":"sec_da44235c-f067-4c6c-8d24-43fca37ac329","character_id":null,"markdown":"したがって、先端AI ASICのSRAM製造企業は主に、","render_override":null},{"id":"blk_1165597a-c9b9-4d34-8225-a6185b1588b1","kind":"quote","order":493,"section_id":"sec_da44235c-f067-4c6c-8d24-43fca37ac329","character_id":null,"markdown":"> **TSMC、Samsung Foundry、Intel Foundry**","render_override":null},{"id":"blk_1ba53019-92f7-459b-adc3-964451751a2b","kind":"paragraph","order":494,"section_id":"sec_da44235c-f067-4c6c-8d24-43fca37ac329","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_b40b988e-31bf-41ff-bcb5-9f9ba59415f1","kind":"paragraph","order":495,"section_id":"sec_da44235c-f067-4c6c-8d24-43fca37ac329","character_id":null,"markdown":"成熟工程まで広げれば、UMCなどのファウンドリーも組み込みSRAMや特殊メモリーを提供しています。ただし大規模な生成AI向けASICで中心になるのは、2nm、3nm、4nm級の先端ロジック工程です。([UMC](https://www.umc.com/en/News/press_release/Content/technology_related/20021118?utm_source=chatgpt.com))","render_override":null},{"id":"blk_72ed405d-11e2-45e9-bfa3-3784f05e2177","kind":"thematic_break","order":496,"section_id":"sec_da44235c-f067-4c6c-8d24-43fca37ac329","character_id":null,"markdown":"---","render_override":null},{"id":"blk_fcb2c29a-f164-4ab9-b682-11eb17cd9f80","kind":"heading","order":497,"section_id":"sec_8cfa90ed-d809-492a-a692-8f46b9fda5e9","character_id":null,"markdown":"## 2．なぜメモリーメーカーではなくファウンドリーがSRAMを作るのか","render_override":null},{"id":"blk_0c97106f-7489-4206-82ad-ba24f7c3f6df","kind":"paragraph","order":498,"section_id":"sec_8cfa90ed-d809-492a-a692-8f46b9fda5e9","character_id":null,"markdown":"通常のSRAMセルは、1bitをおよそ6個のトランジスタで保持します。","render_override":null},{"id":"blk_91faf100-e1fb-43db-8eca-bfebdb4eaadf","kind":"paragraph","order":499,"section_id":"sec_8cfa90ed-d809-492a-a692-8f46b9fda5e9","character_id":null,"markdown":"このトランジスタは、AI演算器を構成するトランジスタと同じロジック製造工程で作れます。そのためSRAMだけを別のチップとして作り、外から接続するよりも、ASIC内へ埋め込んだ方が圧倒的に低遅延になります。","render_override":null},{"id":"blk_b37fab38-47b5-4de4-ad60-c192c2899399","kind":"paragraph","order":500,"section_id":"sec_8cfa90ed-d809-492a-a692-8f46b9fda5e9","character_id":null,"markdown":"構造は次のようになります。","render_override":null},{"id":"blk_744bea9f-9f93-4f64-9429-901059e7f693","kind":"code","order":501,"section_id":"sec_8cfa90ed-d809-492a-a692-8f46b9fda5e9","character_id":null,"markdown":"```\nAI ASICロジックダイ\n├─ 演算器\n├─ レジスタ\n├─ オンチップSRAM\n├─ 制御回路\n├─ HBMコントローラー\n└─ 高速I/O\n\n外部\n├─ HBM\n├─ CPU側DRAM\n└─ SSD・NAND\n```","render_override":null},{"id":"blk_a9a736d7-762e-4afa-8a23-de128c83fbfb","kind":"paragraph","order":502,"section_id":"sec_8cfa90ed-d809-492a-a692-8f46b9fda5e9","character_id":null,"markdown":"つまり、オンチップSRAMは「外から購入して載せるメモリー」ではなく、**ASICそのものの一部分**です。","render_override":null},{"id":"blk_ed09efa3-ded6-452a-a0c9-811e3e3248a5","kind":"paragraph","order":503,"section_id":"sec_8cfa90ed-d809-492a-a692-8f46b9fda5e9","character_id":null,"markdown":"一方、HBMはASICの横に搭載される独立したメモリースタックであり、NANDは主にSSDとしてサーバーやラック側へ搭載されます。","render_override":null},{"id":"blk_f7334571-06b2-481c-a948-76ab2709cdcd","kind":"thematic_break","order":504,"section_id":"sec_8cfa90ed-d809-492a-a692-8f46b9fda5e9","character_id":null,"markdown":"---","render_override":null},{"id":"blk_61552ff6-f45f-4389-8c9b-2d47a52d53ba","kind":"heading","order":505,"section_id":"sec_d8d37ef2-eae0-4994-9e13-ea1913d05f34","character_id":null,"markdown":"## 3．TSMCのキャパシティ逼迫が意味すること","render_override":null},{"id":"blk_a0c70061-7a30-4ad7-bbd0-d354c0d2f098","kind":"paragraph","order":506,"section_id":"sec_d8d37ef2-eae0-4994-9e13-ea1913d05f34","character_id":null,"markdown":"AI ASICの供給制約には、大きく二つあります。","render_override":null},{"id":"blk_fae44309-07e9-4541-85c1-2c9723b16029","kind":"paragraph","order":507,"section_id":"sec_d8d37ef2-eae0-4994-9e13-ea1913d05f34","character_id":null,"markdown":"一つは、2nm、3nm、4nmなどの**先端ロジックウェハー能力**です。","render_override":null},{"id":"blk_2a9a0341-2b3f-41c7-bdfe-f4d40b037805","kind":"paragraph","order":508,"section_id":"sec_d8d37ef2-eae0-4994-9e13-ea1913d05f34","character_id":null,"markdown":"もう一つは、ASICと複数のHBMを接続する**CoWoSなどの先端パッケージ能力**です。","render_override":null},{"id":"blk_3e04d9aa-3232-4786-ae83-ad7e7708ea42","kind":"paragraph","order":509,"section_id":"sec_d8d37ef2-eae0-4994-9e13-ea1913d05f34","character_id":null,"markdown":"2026年3月にはBroadcom関係者が、TSMCの製造能力をAI半導体供給のボトルネックとして挙げ、従来はほぼ無限に見えたTSMCの能力でも需要を吸収できなくなっていると報じられました。([Reuters](https://www.reuters.com/world/asia-pacific/broadcom-flags-supply-constraints-says-tsmc-capacity-bottleneck-2026-03-24/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_cca008e4-4822-47a5-aed3-3aef8ba79687","kind":"paragraph","order":510,"section_id":"sec_d8d37ef2-eae0-4994-9e13-ea1913d05f34","character_id":null,"markdown":"TSMC自身も2025年から2026年にかけて能力増強を加速し、2030年までにウェハーファブと先端パッケージを合わせて九つのフェーズを建設する計画を示しています。2026年の設備投資計画も520億～560億ドル規模です。([Reuters](https://www.reuters.com/world/asia-pacific/tsmc-says-global-chip-market-hit-15-trillion-by-2030-ai-drives-growth-2026-05-14/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_7b70370c-c6cc-4be5-8973-3c5b02d79872","kind":"paragraph","order":511,"section_id":"sec_d8d37ef2-eae0-4994-9e13-ea1913d05f34","character_id":null,"markdown":"それでもTrendForceは、TSMCのCoWoS供給不足率が2026年末に向けて縮小するものの、完全には解消せず、需給ギャップが残るとの見方を伝えています。([TrendForce](https://www.trendforce.com/news/2026/06/15/news-tsmc-cowos-supply-demand-gap-reportedly-seen-narrowing-from-20-to-10-by-end-2026-as-capacity-expands/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_fe594722-0f34-494d-98a6-75f26ab79b37","kind":"paragraph","order":512,"section_id":"sec_d8d37ef2-eae0-4994-9e13-ea1913d05f34","character_id":null,"markdown":"この状況では、AI企業にとって、","render_override":null},{"id":"blk_a8606a96-5b95-4bf9-bcf5-65702bc2378c","kind":"quote","order":513,"section_id":"sec_d8d37ef2-eae0-4994-9e13-ea1913d05f34","character_id":null,"markdown":"> 「最も高性能なファウンドリーを選ぶ」","render_override":null},{"id":"blk_9dbe8828-bc94-4668-8de8-0126df44481f","kind":"paragraph","order":514,"section_id":"sec_d8d37ef2-eae0-4994-9e13-ea1913d05f34","character_id":null,"markdown":"だけでなく、","render_override":null},{"id":"blk_3442c0d7-ef8f-4375-9e56-da26de945e87","kind":"quote","order":515,"section_id":"sec_d8d37ef2-eae0-4994-9e13-ea1913d05f34","character_id":null,"markdown":"> 「必要な時期に必要な枚数を確保できるファウンドリーを選ぶ」","render_override":null},{"id":"blk_5c28c763-ffc0-4349-923d-f0474a55653b","kind":"paragraph","order":516,"section_id":"sec_d8d37ef2-eae0-4994-9e13-ea1913d05f34","character_id":null,"markdown":"ことが重要になります。","render_override":null},{"id":"blk_1675976e-cc9a-42c6-9b26-c80dd42292c6","kind":"paragraph","order":517,"section_id":"sec_d8d37ef2-eae0-4994-9e13-ea1913d05f34","character_id":null,"markdown":"これがSamsungとIntelに追い風となる理由です。","render_override":null},{"id":"blk_efae5265-250c-43dc-8263-e0a3b48b1867","kind":"thematic_break","order":518,"section_id":"sec_d8d37ef2-eae0-4994-9e13-ea1913d05f34","character_id":null,"markdown":"---","render_override":null},{"id":"blk_dc76d429-bc10-414c-83f8-b025735546b9","kind":"heading","order":519,"section_id":"sec_c3d9d676-74ae-4c0b-a790-ea9af1f9cd2e","character_id":null,"markdown":"## 4．Samsungが持つ最大の強み","render_override":null},{"id":"blk_4a24f319-4bb4-479e-9f1e-44dc930b9237","kind":"paragraph","order":520,"section_id":"sec_c3d9d676-74ae-4c0b-a790-ea9af1f9cd2e","character_id":null,"markdown":"Samsung FoundryでAI ASICを製造する場合、チップ内部のSRAMもSamsungのロジック工程で製造されます。","render_override":null},{"id":"blk_d1d4c2b7-0707-4fa6-a758-6208cb4627e6","kind":"paragraph","order":521,"section_id":"sec_c3d9d676-74ae-4c0b-a790-ea9af1f9cd2e","character_id":null,"markdown":"しかしSamsungの強みは、SRAMを作れることだけではありません。","render_override":null},{"id":"blk_a6d48c58-2259-4a82-8215-c01a6b7d466e","kind":"paragraph","order":522,"section_id":"sec_c3d9d676-74ae-4c0b-a790-ea9af1f9cd2e","character_id":null,"markdown":"Samsung Electronicsの内部には、","render_override":null},{"id":"blk_87ca5169-fffe-4dbf-bda9-a7553985ccf6","kind":"list","order":523,"section_id":"sec_c3d9d676-74ae-4c0b-a790-ea9af1f9cd2e","character_id":null,"markdown":"- **Foundry**：ASIC、演算器、組み込みSRAM\n- **Memory**：HBM、DDR、LPDDR\n- **Flash**：NAND、エンタープライズSSD\n- **Advanced Packaging**：2.5D、3D、チップレット統合\n- **System LSI・設計基盤**：コントローラー、設計支援","render_override":null},{"id":"blk_b04fbb6e-1cf2-4213-aaf7-121373005332","kind":"paragraph","order":524,"section_id":"sec_c3d9d676-74ae-4c0b-a790-ea9af1f9cd2e","character_id":null,"markdown":"がそろっています。","render_override":null},{"id":"blk_04d00aed-e2f5-446b-ab35-ca0550f36665","kind":"paragraph","order":525,"section_id":"sec_c3d9d676-74ae-4c0b-a790-ea9af1f9cd2e","character_id":null,"markdown":"Samsung自身も2026年、メモリー、ロジック、ファウンドリー、先端パッケージを横断する「Total AI Solution」を提供できる企業であると説明しています。([Samsung Global Newsroom](https://news.samsung.com/global/samsung-unveils-hbm4e-showcasing-comprehensive-ai-solutions-nvidia-partnership-and-vision-at-nvidia-gtc-2026?utm_source=chatgpt.com))","render_override":null},{"id":"blk_735edec7-b246-4f55-8015-1fec89c2d3ef","kind":"paragraph","order":526,"section_id":"sec_c3d9d676-74ae-4c0b-a790-ea9af1f9cd2e","character_id":null,"markdown":"理想的には、次のような受注構造を作れます。","render_override":null},{"id":"blk_403bb069-ff18-4703-9c66-b969b0d2f509","kind":"code","order":527,"section_id":"sec_c3d9d676-74ae-4c0b-a790-ea9af1f9cd2e","character_id":null,"markdown":"```\n外部AI企業が独自ASICを開発\n ↓\nSamsung FoundryがASICを製造\n ↓\nASIC内部のSRAMもSamsung工程\n ↓\nSamsung HBMを組み合わせる\n ↓\nSamsungの2.5Dパッケージで統合\n ↓\nラック側にSamsung DDR・SSDを供給\n```","render_override":null},{"id":"blk_812e2176-2582-43ca-85f7-c6f88003ee75","kind":"paragraph","order":528,"section_id":"sec_c3d9d676-74ae-4c0b-a790-ea9af1f9cd2e","character_id":null,"markdown":"TSMCでもASICとSRAM、先端パッケージまでは提供できます。","render_override":null},{"id":"blk_ff58d1e3-1131-43b6-866a-7809f347ed7a","kind":"paragraph","order":529,"section_id":"sec_c3d9d676-74ae-4c0b-a790-ea9af1f9cd2e","character_id":null,"markdown":"しかしTSMCはHBM、DRAM、NANDを自社製品として製造していません。外部のSamsung、SK hynix、Micron、Kioxia、Solidigmなどと組み合わせる必要があります。","render_override":null},{"id":"blk_ddd54a53-4eef-4465-a484-9c56e8b90c01","kind":"paragraph","order":530,"section_id":"sec_c3d9d676-74ae-4c0b-a790-ea9af1f9cd2e","character_id":null,"markdown":"Samsungは、これらを社内で束ねられる点が異なります。","render_override":null},{"id":"blk_fb531359-40a7-433d-bf9c-a71ca010b09b","kind":"thematic_break","order":531,"section_id":"sec_c3d9d676-74ae-4c0b-a790-ea9af1f9cd2e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5cb30d1c-f475-43ae-abb4-2fdfc3b2b347","kind":"heading","order":532,"section_id":"sec_3fe3d9ca-b292-45df-9c87-8130a8dced5c","character_id":null,"markdown":"## 5．ASICとHBMを一体で握ることの強み","render_override":null},{"id":"blk_c3467b7f-f2a6-487e-a601-116c5769093c","kind":"heading","order":533,"section_id":"sec_221201a2-56b7-4747-9817-08d16afe222f","character_id":null,"markdown":"## 設計の共同最適化","render_override":null},{"id":"blk_8861092f-89e9-4abb-9d8c-a112fc8fa99b","kind":"paragraph","order":534,"section_id":"sec_221201a2-56b7-4747-9817-08d16afe222f","character_id":null,"markdown":"AI ASICの性能は、演算器だけでは決まりません。","render_override":null},{"id":"blk_84f7ca66-873c-4310-a31c-9df46c6a6113","kind":"paragraph","order":535,"section_id":"sec_221201a2-56b7-4747-9817-08d16afe222f","character_id":null,"markdown":"オンチップSRAMから演算器へデータを渡す速度、ASICからHBMへの配線、HBMベースダイ、パッケージの熱設計まで一体で決まります。","render_override":null},{"id":"blk_d2acf57f-7b41-4582-aa09-26927e534594","kind":"paragraph","order":536,"section_id":"sec_221201a2-56b7-4747-9817-08d16afe222f","character_id":null,"markdown":"SamsungがロジックとHBMの両方を供給すれば、","render_override":null},{"id":"blk_a2ad9a97-6b10-4dfa-abeb-d71a4f9cc184","kind":"list","order":537,"section_id":"sec_221201a2-56b7-4747-9817-08d16afe222f","character_id":null,"markdown":"- SRAM容量とHBM帯域の配分\n- HBMコントローラー\n- ベースダイ\n- 信号電圧\n- 電力管理\n- パッケージ配線\n- 熱設計","render_override":null},{"id":"blk_05521d1a-f713-413e-8381-dd2c482b809c","kind":"paragraph","order":538,"section_id":"sec_221201a2-56b7-4747-9817-08d16afe222f","character_id":null,"markdown":"を同じロードマップで調整しやすくなります。","render_override":null},{"id":"blk_d5798894-9e75-4917-ac79-5588a944b5e8","kind":"paragraph","order":539,"section_id":"sec_221201a2-56b7-4747-9817-08d16afe222f","character_id":null,"markdown":"Samsung Foundryは、ロジック、HBM、先端パッケージを統一した開発環境で共同最適化することを明示しています。([Samsung Semiconductor Global](https://semiconductor.samsung.com/news-events/tech-blog/advanced-packaging-and-the-shift-to-system-level-semiconductor-innovation/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_6e3309f1-5ff8-4881-91ac-52bf505d89da","kind":"thematic_break","order":540,"section_id":"sec_221201a2-56b7-4747-9817-08d16afe222f","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2c447c38-2f39-47bf-9ee7-47292d2ce9c4","kind":"heading","order":541,"section_id":"sec_00749093-feed-4075-90b3-02fc2f52c640","character_id":null,"markdown":"## 供給能力をまとめて確保できる","render_override":null},{"id":"blk_86b4a56a-c34a-4e1d-9c9e-0d0097647c48","kind":"paragraph","order":542,"section_id":"sec_00749093-feed-4075-90b3-02fc2f52c640","character_id":null,"markdown":"AI企業が別々の企業から調達する場合、","render_override":null},{"id":"blk_460b2ad6-e5de-40a9-b94b-ba8deb531e51","kind":"code","order":543,"section_id":"sec_00749093-feed-4075-90b3-02fc2f52c640","character_id":null,"markdown":"```\nTSMC：ASIC\nSK hynix：HBM\nOSAT：パッケージ\n別企業：基板\n別企業：SSD\n```","render_override":null},{"id":"blk_4fe11c85-900c-4159-8874-765b657899ba","kind":"paragraph","order":544,"section_id":"sec_00749093-feed-4075-90b3-02fc2f52c640","character_id":null,"markdown":"という複数契約になります。","render_override":null},{"id":"blk_a7c906c2-2dc7-493c-8463-670ce0af7da9","kind":"paragraph","order":545,"section_id":"sec_00749093-feed-4075-90b3-02fc2f52c640","character_id":null,"markdown":"どこか一つでも遅れれば、完成アクセラレーターを出荷できません。","render_override":null},{"id":"blk_1dd445cf-44c5-459c-8175-3ae2e9946a91","kind":"paragraph","order":546,"section_id":"sec_00749093-feed-4075-90b3-02fc2f52c640","character_id":null,"markdown":"Samsungへ一括発注できれば、少なくとも理論上は、","render_override":null},{"id":"blk_bdb3cca6-318c-4f8b-b3a4-5b872ed433c2","kind":"list","order":547,"section_id":"sec_00749093-feed-4075-90b3-02fc2f52c640","character_id":null,"markdown":"- ロジックウェハー\n- HBM\n- パッケージ\n- テスト","render_override":null},{"id":"blk_97221eaa-c214-4b2c-98a1-2de98aef5551","kind":"paragraph","order":548,"section_id":"sec_00749093-feed-4075-90b3-02fc2f52c640","character_id":null,"markdown":"の生産計画を合わせやすくなります。","render_override":null},{"id":"blk_1ea465cf-9e52-4f42-94f6-250eb7ade094","kind":"paragraph","order":549,"section_id":"sec_00749093-feed-4075-90b3-02fc2f52c640","character_id":null,"markdown":"SamsungはHBM、先端パッケージ、ファウンドリーを組み合わせたカスタム・ターンキーサービスを以前から掲げています。([Samsung Semiconductor Global](https://semiconductor.samsung.com/news-events/news/samsung-electronics-holds-memory-tech-day-2023-unveiling-new-innovations-to-lead-the-hyperscale-ai-era/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_8eaa8515-7aaf-43c8-9b85-ffa456c8f229","kind":"thematic_break","order":550,"section_id":"sec_00749093-feed-4075-90b3-02fc2f52c640","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b4ee6c37-9bb7-48e2-bed0-bda2594e8374","kind":"heading","order":551,"section_id":"sec_22bb2275-1e65-4eeb-98aa-91180c8a5827","character_id":null,"markdown":"## 不良原因の責任分界を減らせる","render_override":null},{"id":"blk_21a2de31-acb2-4ca5-877c-ca1de3d5e545","kind":"paragraph","order":552,"section_id":"sec_22bb2275-1e65-4eeb-98aa-91180c8a5827","character_id":null,"markdown":"AIアクセラレーターが正常に動作しない場合、原因は、","render_override":null},{"id":"blk_4402ca65-8d61-4f00-bcd9-d28f55aef66c","kind":"list","order":553,"section_id":"sec_22bb2275-1e65-4eeb-98aa-91180c8a5827","character_id":null,"markdown":"- ASICダイ\n- SRAM\n- HBM\n- インターポーザー\n- 接合\n- 基板\n- 電源\n- 熱","render_override":null},{"id":"blk_53895fa7-6fef-4116-bb8a-65ccfab69bcc","kind":"paragraph","order":554,"section_id":"sec_22bb2275-1e65-4eeb-98aa-91180c8a5827","character_id":null,"markdown":"のどこにあるか、切り分けが難しくなります。","render_override":null},{"id":"blk_bf18641e-b765-4e0f-ba29-5febaa9df1a6","kind":"paragraph","order":555,"section_id":"sec_22bb2275-1e65-4eeb-98aa-91180c8a5827","character_id":null,"markdown":"複数企業が関与すると、原因解析と責任分担に時間がかかります。","render_override":null},{"id":"blk_290aed46-4172-44c7-a699-cd502ff0729d","kind":"paragraph","order":556,"section_id":"sec_22bb2275-1e65-4eeb-98aa-91180c8a5827","character_id":null,"markdown":"SamsungがASIC、HBM、パッケージ、テストをまとめて受ければ、歩留まり解析と設計修正を内部で回しやすくなります。これは性能以上に、量産立ち上げ速度に効く可能性があります。","render_override":null},{"id":"blk_91133c11-4909-4b1d-9026-875459374546","kind":"thematic_break","order":557,"section_id":"sec_22bb2275-1e65-4eeb-98aa-91180c8a5827","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5af24df5-95e6-43d4-a184-52e70397fc57","kind":"heading","order":558,"section_id":"sec_eae176b0-99d4-419e-8e19-e28ff8f8f236","character_id":null,"markdown":"## 6．NANDはASIC受注に自動付属するわけではない","render_override":null},{"id":"blk_94478160-dd34-4341-9853-c8d711a3ee23","kind":"paragraph","order":559,"section_id":"sec_eae176b0-99d4-419e-8e19-e28ff8f8f236","character_id":null,"markdown":"ここは区別が必要です。","render_override":null},{"id":"blk_0c72602b-c7b6-47c3-901d-52a8152841ac","kind":"paragraph","order":560,"section_id":"sec_eae176b0-99d4-419e-8e19-e28ff8f8f236","character_id":null,"markdown":"HBMはAIアクセラレーターのパッケージに直接搭載されるため、ASIC受注と結びつきやすい部品です。","render_override":null},{"id":"blk_134f66f0-e2d0-407b-99be-6594d5525ebe","kind":"paragraph","order":561,"section_id":"sec_eae176b0-99d4-419e-8e19-e28ff8f8f236","character_id":null,"markdown":"しかしNANDは通常、ASICパッケージには入りません。","render_override":null},{"id":"blk_28612600-e678-4abb-a0a7-28ee868a59ea","kind":"code","order":562,"section_id":"sec_eae176b0-99d4-419e-8e19-e28ff8f8f236","character_id":null,"markdown":"```\nAIアクセラレーター\n├─ ASIC\n├─ SRAM\n└─ HBM\n\nAIサーバー・ラック\n├─ アクセラレーター\n├─ CPU\n├─ DRAM\n└─ SSD・NAND\n```","render_override":null},{"id":"blk_ce90170c-efa9-4dcf-ba2a-9d9b0429ed7a","kind":"paragraph","order":563,"section_id":"sec_eae176b0-99d4-419e-8e19-e28ff8f8f236","character_id":null,"markdown":"したがってSamsungがASICを受注しても、NANDやSSDまで自動的にSamsung製になるわけではありません。","render_override":null},{"id":"blk_17f1596a-0fe2-4f9f-bdee-0daf6e6ab13f","kind":"paragraph","order":564,"section_id":"sec_eae176b0-99d4-419e-8e19-e28ff8f8f236","character_id":null,"markdown":"それでも同じ顧客に対して、","render_override":null},{"id":"blk_61250300-ffb2-4696-bdd6-22ba67b8d29b","kind":"list","order":565,"section_id":"sec_eae176b0-99d4-419e-8e19-e28ff8f8f236","character_id":null,"markdown":"- 学習データ用eSSD\n- KVキャッシュ退避用SSD\n- モデル保存用QLC SSD\n- チェックポイント保存\n- 大容量データレイク","render_override":null},{"id":"blk_8eabf969-a0dc-4757-8d49-2ccf710e3585","kind":"paragraph","order":566,"section_id":"sec_eae176b0-99d4-419e-8e19-e28ff8f8f236","character_id":null,"markdown":"を提案できます。","render_override":null},{"id":"blk_de973759-5813-49bf-a3eb-32bdd76b24d7","kind":"paragraph","order":567,"section_id":"sec_eae176b0-99d4-419e-8e19-e28ff8f8f236","character_id":null,"markdown":"SamsungはAI時代において、HBMだけでなく、高性能ストレージや大容量NANDも必要になると説明し、QLC第9世代V-NANDをサーバーSSDへ展開しています。([Samsung Semiconductor Global](https://semiconductor.samsung.com/news-events/tech-blog/samsung-v-nand-landmark-of-the-hyperscale-ai-era/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_07f73ddc-6d90-45bb-aa34-0b3345a060b0","kind":"paragraph","order":568,"section_id":"sec_eae176b0-99d4-419e-8e19-e28ff8f8f236","character_id":null,"markdown":"つまりNANDの強みは、","render_override":null},{"id":"blk_282bc033-9b08-495a-9dfa-879c7d426cd9","kind":"quote","order":569,"section_id":"sec_eae176b0-99d4-419e-8e19-e28ff8f8f236","character_id":null,"markdown":"> **ASICに付属する部品ではなく、同じAIインフラ投資をラック・ストレージ層まで横展開できること**","render_override":null},{"id":"blk_13095a0b-91bf-4c76-a051-78a1d389773e","kind":"paragraph","order":570,"section_id":"sec_eae176b0-99d4-419e-8e19-e28ff8f8f236","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_8c9ce017-a52c-4c82-aacd-13506dd35a2d","kind":"thematic_break","order":571,"section_id":"sec_eae176b0-99d4-419e-8e19-e28ff8f8f236","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d33b3dc7-2240-4a63-9626-e6b6939d7577","kind":"heading","order":572,"section_id":"sec_b9c06a6c-26c3-4e09-9cc0-ba38e4bb2382","character_id":null,"markdown":"## 7．Intel Foundryにとっての追い風","render_override":null},{"id":"blk_325e5e8f-ead5-4bd7-a2de-fe86bb49d9b1","kind":"paragraph","order":573,"section_id":"sec_b9c06a6c-26c3-4e09-9cc0-ba38e4bb2382","character_id":null,"markdown":"IntelもTSMC逼迫の代替候補です。","render_override":null},{"id":"blk_6035bfde-7663-41df-8f29-5c1d711d3c64","kind":"paragraph","order":574,"section_id":"sec_b9c06a6c-26c3-4e09-9cc0-ba38e4bb2382","character_id":null,"markdown":"Intel 18AはRibbonFETとPowerViaを採用し、AI・HPC向けの先端SRAM、ロジック、低電圧動作を提供します。Intel Foundryはさらに、EMIBとFoverosによる2.5D・3Dパッケージを外部顧客にも提供しています。([Intel](https://www.intel.com/content/dam/www/central-libraries/us/en/documents/2025-03/foundry-18a-platform-brief.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_5b63edc7-56a6-4b1a-9662-0ad0f84dacf4","kind":"paragraph","order":575,"section_id":"sec_b9c06a6c-26c3-4e09-9cc0-ba38e4bb2382","character_id":null,"markdown":"Intelの強みは、","render_override":null},{"id":"blk_411a456a-3f41-49fe-9d10-5884e1ff63df","kind":"list","order":576,"section_id":"sec_b9c06a6c-26c3-4e09-9cc0-ba38e4bb2382","character_id":null,"markdown":"- 米国内製造能力\n- 18A・14Aロードマップ\n- 高密度SRAM\n- EMIB\n- Foveros\n- 大型チップレットパッケージ\n- UCIeを利用したオープンな統合","render_override":null},{"id":"blk_b1b1c1f5-2fc2-4d38-b553-a85f74d2ec22","kind":"paragraph","order":577,"section_id":"sec_b9c06a6c-26c3-4e09-9cc0-ba38e4bb2382","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_6b906603-836b-44e0-8818-bef5da389f3b","kind":"paragraph","order":578,"section_id":"sec_b9c06a6c-26c3-4e09-9cc0-ba38e4bb2382","character_id":null,"markdown":"EMIB-Tは将来のHBM搭載を想定した大規模パッケージ向け技術として位置づけられています。([Intel Community](https://community.intel.com/t5/Blogs/Intel-Foundry/Systems-Foundry-for-the-AI-Era/Intel-Foundry-s-Advanced-Packaging-Innovations-Lead-the-Industry/post/1738888?utm_source=chatgpt.com))","render_override":null},{"id":"blk_7d4162c3-c68b-4897-a6e3-ec07921722f2","kind":"paragraph","order":579,"section_id":"sec_b9c06a6c-26c3-4e09-9cc0-ba38e4bb2382","character_id":null,"markdown":"ただしIntelは現在、SamsungのようにHBMやNANDを自社供給できません。","render_override":null},{"id":"blk_a5a218b2-dbf8-4899-a3e0-1ec661306e7c","kind":"paragraph","order":580,"section_id":"sec_b9c06a6c-26c3-4e09-9cc0-ba38e4bb2382","character_id":null,"markdown":"IntelはNAND・SSD事業をSK hynixへ売却し、Solidigmとして分離しました。([Intel](https://www.intc.com/news-events/press-releases/detail/1513/intel-sells-ssd-business-and-dalian-facility-to-sk-hynix?utm_source=chatgpt.com))","render_override":null},{"id":"blk_5f0ebd21-10ab-4b27-84ee-596a3bf92e14","kind":"paragraph","order":581,"section_id":"sec_b9c06a6c-26c3-4e09-9cc0-ba38e4bb2382","character_id":null,"markdown":"そのためIntelのモデルは、","render_override":null},{"id":"blk_445b7f86-d84b-47a0-939c-f9768d2dea34","kind":"code","order":582,"section_id":"sec_b9c06a6c-26c3-4e09-9cc0-ba38e4bb2382","character_id":null,"markdown":"```\nIntel Foundry\n├─ ASIC・SRAM\n├─ EMIB・Foveros\n└─ テスト・パッケージ\n\n外部企業\n├─ SK hynix HBM\n├─ Samsung HBM\n└─ Micron HBM\n```","render_override":null},{"id":"blk_007ca6de-d594-4997-a717-1d974b3bb3e6","kind":"paragraph","order":583,"section_id":"sec_b9c06a6c-26c3-4e09-9cc0-ba38e4bb2382","character_id":null,"markdown":"という**オープン統合型**です。","render_override":null},{"id":"blk_6ea686e7-c0b2-4d9f-b1a8-63c5d084d909","kind":"paragraph","order":584,"section_id":"sec_b9c06a6c-26c3-4e09-9cc0-ba38e4bb2382","character_id":null,"markdown":"Samsungのような完全垂直統合ではありませんが、顧客が複数社のHBMやチップレットを自由に組み合わせたい場合には、それが中立性という強みになります。","render_override":null},{"id":"blk_0ed95f15-4b5b-40da-b0a5-17edf881c215","kind":"thematic_break","order":585,"section_id":"sec_b9c06a6c-26c3-4e09-9cc0-ba38e4bb2382","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ed74bb98-2445-48e7-915f-5731c4eeeed8","kind":"heading","order":586,"section_id":"sec_b7ad2c90-4688-43ef-8047-5689af4f8de2","character_id":null,"markdown":"## 8．TSMCの逼迫だけでは受注は移らない","render_override":null},{"id":"blk_715df9e4-e5c1-4d7b-91ef-b65212a75340","kind":"paragraph","order":587,"section_id":"sec_b7ad2c90-4688-43ef-8047-5689af4f8de2","character_id":null,"markdown":"TSMCが混雑しているからといって、設計を簡単にSamsungやIntelへ移せるわけではありません。","render_override":null},{"id":"blk_3c408a84-9e4c-43c4-8764-a549ba7ad3b8","kind":"paragraph","order":588,"section_id":"sec_b7ad2c90-4688-43ef-8047-5689af4f8de2","character_id":null,"markdown":"SRAMセル、標準セル、I/O、HBMコントローラーなどは各ファウンドリーの製造工程に合わせて設計されています。","render_override":null},{"id":"blk_638bf057-dd02-4f88-b0fb-ac616e846ceb","kind":"paragraph","order":589,"section_id":"sec_b7ad2c90-4688-43ef-8047-5689af4f8de2","character_id":null,"markdown":"TSMC向けに完成したASICをSamsungへ移すには、","render_override":null},{"id":"blk_7cc8c16f-61e5-4551-a9b1-b0f08aab908a","kind":"list","order":590,"section_id":"sec_b7ad2c90-4688-43ef-8047-5689af4f8de2","character_id":null,"markdown":"- SRAMマクロの置き換え\n- 標準セルの置き換え\n- 回路配置の再設計\n- タイミング検証\n- 消費電力検証\n- マスクの再作成\n- ソフトウェア再検証\n- HBMとパッケージの再認証","render_override":null},{"id":"blk_d316eb9b-0f03-425b-84b3-dc91227f9f91","kind":"paragraph","order":591,"section_id":"sec_b7ad2c90-4688-43ef-8047-5689af4f8de2","character_id":null,"markdown":"が必要です。","render_override":null},{"id":"blk_7e5ae0a6-a25a-4570-be88-0968544f770c","kind":"paragraph","order":592,"section_id":"sec_b7ad2c90-4688-43ef-8047-5689af4f8de2","character_id":null,"markdown":"そのため顧客は、単に空いているファブではなく、","render_override":null},{"id":"blk_a95f32f2-b18a-4f88-80a5-ae0bf6b33f49","kind":"quote","order":593,"section_id":"sec_b7ad2c90-4688-43ef-8047-5689af4f8de2","character_id":null,"markdown":"> **十分な歩留まり、設計IP、EDA環境、先端パッケージ、量産実績を持つ代替ファブ**","render_override":null},{"id":"blk_e9bdf206-0eb4-4d3a-b257-342bf9a43c01","kind":"paragraph","order":594,"section_id":"sec_b7ad2c90-4688-43ef-8047-5689af4f8de2","character_id":null,"markdown":"を求めます。","render_override":null},{"id":"blk_dd7f2bf9-2e9e-4690-bf67-71c60769933e","kind":"paragraph","order":595,"section_id":"sec_b7ad2c90-4688-43ef-8047-5689af4f8de2","character_id":null,"markdown":"SamsungとIntelにとって追い風ではありますが、TSMCの受注がそのまま自動的に流れてくるわけではありません。","render_override":null},{"id":"blk_25b1a60e-28fc-456c-ac6c-072132e7c2f3","kind":"thematic_break","order":596,"section_id":"sec_b7ad2c90-4688-43ef-8047-5689af4f8de2","character_id":null,"markdown":"---","render_override":null},{"id":"blk_fa36454d-e27b-4a2d-a7c2-e0cab3b77b95","kind":"heading","order":597,"section_id":"sec_e90ce8ba-9a50-4d91-b1e3-efb6046fbbf4","character_id":null,"markdown":"## 9．Samsungにとって成立し得るフライホイール","render_override":null},{"id":"blk_83aadab3-f787-4b9c-b843-7ed13b9782ec","kind":"paragraph","order":598,"section_id":"sec_e90ce8ba-9a50-4d91-b1e3-efb6046fbbf4","character_id":null,"markdown":"Samsungが外部AI ASICの大型顧客を獲得し、量産を成功させた場合、次の循環が成立する可能性があります。","render_override":null},{"id":"blk_33ee5abf-2a2a-40f1-a47f-7745817bb60b","kind":"code","order":599,"section_id":"sec_e90ce8ba-9a50-4d91-b1e3-efb6046fbbf4","character_id":null,"markdown":"```\nTSMCの能力不足\n ↓\nSamsungへセカンドソース需要\n ↓\nAI ASIC・組み込みSRAM受注\n ↓\n先端ファブの稼働率上昇\n ↓\n歩留まりと設計実績が改善\n ↓\nSamsung HBM採用率上昇\n ↓\n先端パッケージ受注\n ↓\nDRAM・SSDへクロスセル\n ↓\n次世代ASICも継続受注\n```","render_override":null},{"id":"blk_e5d98129-2b3e-4fd8-b033-be8b13b5c08a","kind":"paragraph","order":600,"section_id":"sec_e90ce8ba-9a50-4d91-b1e3-efb6046fbbf4","character_id":null,"markdown":"重要なのは、ASICの売上だけではありません。","render_override":null},{"id":"blk_a3673bba-9fd5-45d8-8157-c4776238640c","kind":"paragraph","order":601,"section_id":"sec_e90ce8ba-9a50-4d91-b1e3-efb6046fbbf4","character_id":null,"markdown":"Samsungが一つのアクセラレーターから獲得できる可能性のある売上は、","render_override":null},{"id":"blk_cd62b9f3-d2f8-4409-b299-0b4098965a43","kind":"list","order":602,"section_id":"sec_e90ce8ba-9a50-4d91-b1e3-efb6046fbbf4","character_id":null,"markdown":"1. AI ASICウェハー\n2. ASIC内部のSRAM面積\n3. HBM\n4. HBMベースダイ\n5. インターポーザー\n6. 先端パッケージ\n7. テスト\n8. サーバーDRAM\n9. eSSD・NAND","render_override":null},{"id":"blk_0b1e4346-d750-4625-8cfb-bce060d3169a","kind":"paragraph","order":603,"section_id":"sec_e90ce8ba-9a50-4d91-b1e3-efb6046fbbf4","character_id":null,"markdown":"まで広がります。","render_override":null},{"id":"blk_1d25cc99-d302-47d7-931f-cc49be0d9186","kind":"paragraph","order":604,"section_id":"sec_e90ce8ba-9a50-4d91-b1e3-efb6046fbbf4","character_id":null,"markdown":"これが実現すれば、Samsungはメモリー市況に左右される企業から、**AIシステム全体の部品構成を握る企業**へ一段変化します。","render_override":null},{"id":"blk_acc14b25-cc85-45c1-9873-226980939b6f","kind":"thematic_break","order":605,"section_id":"sec_e90ce8ba-9a50-4d91-b1e3-efb6046fbbf4","character_id":null,"markdown":"---","render_override":null},{"id":"blk_02a49378-5fc1-473c-aa69-ee985e2b0d9f","kind":"heading","order":606,"section_id":"sec_eb8730d4-5638-43b2-953c-2fc634bffdcb","character_id":null,"markdown":"## 最終評価","render_override":null},{"id":"blk_0e40cff8-2423-45a6-bc16-2e57f390f28d","kind":"paragraph","order":607,"section_id":"sec_eb8730d4-5638-43b2-953c-2fc634bffdcb","character_id":null,"markdown":"SRAMは、DRAM・HBM・NANDと同じようにメモリー御三家だけが製造するものではありません。","render_override":null},{"id":"blk_5ea16808-c51e-41f0-9750-9556888a0c69","kind":"paragraph","order":608,"section_id":"sec_eb8730d4-5638-43b2-953c-2fc634bffdcb","character_id":null,"markdown":"AI ASIC内のSRAMは、そのチップを作るロジックファウンドリーが製造します。","render_override":null},{"id":"blk_327e43dd-3525-4952-8dd2-f9acaf35433a","kind":"paragraph","order":609,"section_id":"sec_eb8730d4-5638-43b2-953c-2fc634bffdcb","character_id":null,"markdown":"したがって、","render_override":null},{"id":"blk_b1f74044-54f5-4156-b6bb-cc4024c1d894","kind":"list","order":610,"section_id":"sec_eb8730d4-5638-43b2-953c-2fc634bffdcb","character_id":null,"markdown":"- TSMCはSRAMを含むASICを製造する\n- SamsungもSRAMを含むASICを製造する\n- Intelも18AでSRAMを含むASICを製造できる\n- DRAM・HBM・NANDは別の専用メモリー事業で製造する","render_override":null},{"id":"blk_0ee57975-e93e-4f2d-a140-6e9bff8ec154","kind":"paragraph","order":611,"section_id":"sec_eb8730d4-5638-43b2-953c-2fc634bffdcb","character_id":null,"markdown":"という構造です。","render_override":null},{"id":"blk_a966969d-c0de-422d-b75e-c5d3dd4574bf","kind":"paragraph","order":612,"section_id":"sec_eb8730d4-5638-43b2-953c-2fc634bffdcb","character_id":null,"markdown":"TSMCの先端工程とCoWoS能力が逼迫する局面では、SamsungとIntelが代替供給先として評価される余地が広がります。","render_override":null},{"id":"blk_eb1500ce-e511-41b4-9846-4c10052771fd","kind":"paragraph","order":613,"section_id":"sec_eb8730d4-5638-43b2-953c-2fc634bffdcb","character_id":null,"markdown":"その中でもSamsungの特徴は、","render_override":null},{"id":"blk_da1f0454-bbef-43a4-877b-fc27ad12b178","kind":"quote","order":614,"section_id":"sec_eb8730d4-5638-43b2-953c-2fc634bffdcb","character_id":null,"markdown":"> **ASIC内部のSRAMから、外付けHBM、サーバーDRAM、NAND、SSD、先端パッケージまで一社で持っていること**","render_override":null},{"id":"blk_1a530600-c6cc-448d-a5d2-0355282197f0","kind":"paragraph","order":615,"section_id":"sec_eb8730d4-5638-43b2-953c-2fc634bffdcb","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_cbeef623-8ed7-465c-963b-eb6362eb6a82","kind":"paragraph","order":616,"section_id":"sec_eb8730d4-5638-43b2-953c-2fc634bffdcb","character_id":null,"markdown":"ただし本当の競争力は、単に製品を全部持っていることではありません。","render_override":null},{"id":"blk_6e775df5-fea2-43df-b672-c1c8fe339474","kind":"quote","order":617,"section_id":"sec_eb8730d4-5638-43b2-953c-2fc634bffdcb","character_id":null,"markdown":"> **外部AI ASICを十分な歩留まりで量産し、Samsung製HBMとパッケージの採用率を高め、その顧客関係をDRAM・SSDへ広げられるか**","render_override":null},{"id":"blk_bb415387-983b-4911-927e-912be42d80e5","kind":"paragraph","order":618,"section_id":"sec_eb8730d4-5638-43b2-953c-2fc634bffdcb","character_id":null,"markdown":"にあります。","render_override":null},{"id":"blk_3183bcee-0024-4fab-a6fa-8f0e72c259b7","kind":"paragraph","order":619,"section_id":"sec_eb8730d4-5638-43b2-953c-2fc634bffdcb","character_id":null,"markdown":"TSMCの供給逼迫は、その垂直統合モデルを試す大きな機会です。Samsungがここで外部顧客を獲得できれば、AIメモリー需要の受益企業から、**AI ASICとメモリー階層を一体で供給するシステム半導体企業**へ再評価される可能性があります。","render_override":null},{"id":"blk_20225d10-c1c7-46e0-b9f5-05454f47c324","kind":"thematic_break","order":620,"section_id":"sec_eb8730d4-5638-43b2-953c-2fc634bffdcb","character_id":null,"markdown":"---","render_override":null},{"id":"blk_89c0b9b1-32f3-45c6-a41b-8d5d2d50485c","kind":"paragraph","order":621,"section_id":"sec_eb8730d4-5638-43b2-953c-2fc634bffdcb","character_id":null,"markdown":"特定銘柄の推奨・勧誘・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。","render_override":null},{"id":"blk_1f987b5e-91d9-4208-b390-ecd3868002db","kind":"paragraph","order":622,"section_id":"sec_eb8730d4-5638-43b2-953c-2fc634bffdcb","character_id":null,"markdown":"サムネはPixAIsunflowerモデルとGPTImage2.0","render_override":null}],"audio":[],"omitted_media":[],"figures":[{"id":"plc_ed89cab3-c3b6-4c1a-ab22-4af1ee801205","block_id":"blk_9582f26f-9979-485c-91b6-1157cf91830b","asset_revision_id":"avr_b6642757-8ac4-4e43-bfa3-994ea3ae6ad8","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_e86ad0d0-659b-4b75-8fc1-27b4c9e3df5c"],"explained_by":[],"source_path":"media/1a99be3ed9e1b26fc23d0dde9d7cfdfc8930d237ffd4a201898e7b510f0d960f.png","path":"/media/1a99be3ed9e1b26fc23d0dde9d7cfdfc8930d237ffd4a201898e7b510f0d960f-content.webp","display_derivative":{"source_sha256":"1a99be3ed9e1b26fc23d0dde9d7cfdfc8930d237ffd4a201898e7b510f0d960f","thumbnail":{"path":"media/1a99be3ed9e1b26fc23d0dde9d7cfdfc8930d237ffd4a201898e7b510f0d960f-thumbnail.webp","width":560,"height":293,"bytes":35442,"sha256":"f96d95a7c96b1aaec1882de8f91ea87272ff17fdfe38c3358e2507da2e1f20ab"},"content":{"path":"media/1a99be3ed9e1b26fc23d0dde9d7cfdfc8930d237ffd4a201898e7b510f0d960f-content.webp","width":1672,"height":875,"bytes":295250,"sha256":"7c317e0cf61a246d798ce901a23be57579e1d2ef4ebc666efb8c5970e00dbae8"}}}],"package_sha256":"ef7502f7bb2c5be406befaa7f092f6e650af2e4c27c6a0fc051f0c0b7af0844e","record_type":"article","schema_version":"noia-public-article-1.1.0","dataset_version":"2026.09.23.4","urls":{"source_url":"https://note.com/atom_/n/n4153735fe41b","release_path":"/articles/rev_a4cce969-13d1-46b4-be66-954788627617/","canonical_url":"https://noia-grid.pages.dev/articles/rev_a4cce969-13d1-46b4-be66-954788627617/"},"time":{"created_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"published_at":{"value":"2026-07-04 05:44:59","precision":"local_datetime","timezone":null,"status":"source_metadata","basis":"Metadata only; not evidence of historical body availability."},"modified_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"analysis_as_of":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"event_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"recorded_at":{"value":"2026-09-08T05:29:18+00:00","precision":"instant","timezone":"+00:00","status":"archive_record","basis":"canonical_recorded_at"},"content_available_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"unknown"}},"legacy":{"source_date":{"value":"2026-07-04 05:44:59","meaning":"legacy_source_metadata_date","certainty":"source_metadata"}},"rights":{"license_ref":"license:not-specified","rights_status":"unknown","third_party_material":"unknown"},"integrity":{"hash_profile":"noia-evidence-json-v1","content_sha256":"82267812cd645440cf6844e752cb5314401180f843ef948c50389675c7cf8a64","lineage":[],"previous_revision_sha256":null,"previous_revision_status":"no_parent","revision_sha256":"5b62a358dcf00ff1ec3f48593a488d2d7f76f3b5ab8a8cee6d5d653ac7f22800"}} {"id":"rev_02adfd14-3d0d-45ef-8656-fd05494af55e","work_id":"wrk_290ccba2-8109-4f98-bacd-a2555bd818ab","edition_id":"edn_00570b13-3e46-4e51-961b-205206b2483a","title":"HDDはどう読み・どう書くのか。記録方式と読み取りヘッドの進化をやさしく解説","published_at":"2026-03-19 20:56:14","source_url":"https://note.com/atom_/n/nf56b3dea2e4c","recorded_at":"2026-09-08T05:29:13+00:00","source_date":"2026-03-19 20:56:14","thumbnail":null,"legacy_slug":null,"topics":["memory"],"sections":[{"id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","parent_section_id":null,"heading_block_id":null,"order":0,"character_id":null},{"id":"sec_cbb9f242-2fa5-46bf-a780-4c3dbc9a0f96","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_17d41a05-6b6a-4bcf-99de-7dcb70abae4c","order":1,"character_id":null},{"id":"sec_60515478-8b68-424b-ad54-3b3ee133e5e7","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_5f3f1662-2c83-4318-b0c5-a5964e3d362d","order":2,"character_id":null},{"id":"sec_a6d5f673-2902-4a50-8242-3c19fbb61193","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_c06d2abb-20f2-40da-a86e-ecd2af83e7dc","order":3,"character_id":null},{"id":"sec_1551b339-1503-476b-a188-d797163fbbdb","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_42a01d8c-65b2-441a-8cde-46a96031ac27","order":4,"character_id":null},{"id":"sec_81e90237-9437-4f79-9079-5ef1ebdc7927","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_6b41f678-331a-457f-bf36-afcea3ec7fd7","order":5,"character_id":null},{"id":"sec_bba908b3-4f31-4a5f-bd58-3ac4a9aa9fa2","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_dab39fdd-d7d4-4a7f-8a68-c3bf3d317feb","order":6,"character_id":null},{"id":"sec_fb425dc2-116c-4984-9f41-c463dcba724c","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_e4daac82-506b-42b5-9e49-e04b7433c11c","order":7,"character_id":null},{"id":"sec_c6b9f048-10e7-4ee2-8836-c16f9ab7def9","parent_section_id":"sec_fb425dc2-116c-4984-9f41-c463dcba724c","heading_block_id":"blk_d7edbd5c-f1bd-471a-959d-05e68a0a0d3f","order":8,"character_id":null},{"id":"sec_32456632-6a63-40b9-b0f1-ce8f7f14c53e","parent_section_id":"sec_fb425dc2-116c-4984-9f41-c463dcba724c","heading_block_id":"blk_eb75ee7a-369f-401c-8bb6-f37cbd2b70ff","order":9,"character_id":null},{"id":"sec_68f449d4-9451-4a66-914d-58d3e5dfeefe","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_d435cdc0-435c-40f0-a44d-b57e0d568887","order":10,"character_id":null},{"id":"sec_cd9df7cb-f148-4f31-aa77-69ce75301723","parent_section_id":"sec_68f449d4-9451-4a66-914d-58d3e5dfeefe","heading_block_id":"blk_429ba62a-a8f7-49bb-b583-8c27d4b04887","order":11,"character_id":null},{"id":"sec_0fd83a31-2865-41a4-8251-3dcd68c4bebb","parent_section_id":"sec_68f449d4-9451-4a66-914d-58d3e5dfeefe","heading_block_id":"blk_8f4a3b1d-ac87-4cab-82ee-6be3efa356fd","order":12,"character_id":null},{"id":"sec_0643dba0-56b5-442a-8a69-c29340ec7464","parent_section_id":"sec_68f449d4-9451-4a66-914d-58d3e5dfeefe","heading_block_id":"blk_5640c34c-74ed-4d53-90d4-d53b4b335424","order":13,"character_id":null},{"id":"sec_25fee1b5-0084-4ae5-a467-3d56c4031d48","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_110c42ef-d90b-436e-8ea8-336db33735b3","order":14,"character_id":null},{"id":"sec_36942ab1-6b7a-4e45-8f38-caabcd513b8e","parent_section_id":"sec_25fee1b5-0084-4ae5-a467-3d56c4031d48","heading_block_id":"blk_231ed853-c688-4aed-8c60-905b3cbb346e","order":15,"character_id":null},{"id":"sec_b4f82bcd-ca6b-4bd3-ab86-563995f7b847","parent_section_id":"sec_25fee1b5-0084-4ae5-a467-3d56c4031d48","heading_block_id":"blk_21a3a956-70ae-476d-9c24-b0cc0503d564","order":16,"character_id":null},{"id":"sec_b2b75f8e-c31e-4440-afe1-e27250f97b8a","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_6ef2d896-585e-4f9e-9085-7fcda9593362","order":17,"character_id":null},{"id":"sec_8056e5a8-e26f-49c4-9e6a-7827cce38a63","parent_section_id":"sec_b2b75f8e-c31e-4440-afe1-e27250f97b8a","heading_block_id":"blk_34406165-45e2-42ed-8fb1-38f6b6341cd5","order":18,"character_id":null},{"id":"sec_39896bb4-7414-42e0-95a9-4ec740c6945b","parent_section_id":"sec_b2b75f8e-c31e-4440-afe1-e27250f97b8a","heading_block_id":"blk_69152ce4-ccfb-489d-a04b-5a650a221346","order":19,"character_id":null},{"id":"sec_2f277d3b-7eb3-4c11-9eac-ba0a946ad69b","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_5e5f7294-d525-4f33-b1e9-7c181755b80e","order":20,"character_id":null},{"id":"sec_aec7cf8f-38c1-4fce-a986-4e88f8ee9962","parent_section_id":"sec_2f277d3b-7eb3-4c11-9eac-ba0a946ad69b","heading_block_id":"blk_93a15ed7-1c6c-4221-b83b-f14070204321","order":21,"character_id":null},{"id":"sec_d25c52b0-55b5-4513-8024-8c79e4a7cfed","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_739f7b3c-dcd6-44d9-b089-574adb87c507","order":22,"character_id":null},{"id":"sec_2a201618-ebc9-4477-92a8-3e1a6b58efd9","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_5866d868-d133-40aa-940f-02ccd696ce90","order":23,"character_id":null},{"id":"sec_0e4636d1-2f58-4a84-a98c-ecd1a89c1a7a","parent_section_id":"sec_2a201618-ebc9-4477-92a8-3e1a6b58efd9","heading_block_id":"blk_2fd94244-a025-44cb-8415-e1e4c4c72207","order":24,"character_id":null},{"id":"sec_6c13934b-f7f6-4a44-8f4d-d08c1c5dd0aa","parent_section_id":"sec_2a201618-ebc9-4477-92a8-3e1a6b58efd9","heading_block_id":"blk_a0fdd369-4e07-4c2f-803c-e068aea9471f","order":25,"character_id":null},{"id":"sec_16e87d02-29fd-414c-82aa-9f0cbfebfee9","parent_section_id":"sec_2a201618-ebc9-4477-92a8-3e1a6b58efd9","heading_block_id":"blk_e0de7deb-a131-415a-b655-fc689ea63b51","order":26,"character_id":null},{"id":"sec_19b6d1c7-b6e7-4812-abe6-70939c308865","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_f7d375bb-c6bd-4c7f-a2f9-58e40b0bd39b","order":27,"character_id":null},{"id":"sec_3dd26b0f-23e8-4c57-80be-643543e37831","parent_section_id":"sec_19b6d1c7-b6e7-4812-abe6-70939c308865","heading_block_id":"blk_a1b2140b-af68-48c1-9865-cc76c3594d96","order":28,"character_id":null},{"id":"sec_484de26b-a44c-4426-81de-71cbbf31cc8d","parent_section_id":"sec_19b6d1c7-b6e7-4812-abe6-70939c308865","heading_block_id":"blk_09da462b-a3fd-4ca3-9c35-69b6fde7f485","order":29,"character_id":null},{"id":"sec_0bfb46f3-3ce9-4f97-8634-3b4487bf12ef","parent_section_id":"sec_19b6d1c7-b6e7-4812-abe6-70939c308865","heading_block_id":"blk_6187cbf4-3014-4a21-8802-e0b0082ee122","order":30,"character_id":null},{"id":"sec_b9b59608-e45d-4527-8dbb-7d50968bf9b2","parent_section_id":"sec_19b6d1c7-b6e7-4812-abe6-70939c308865","heading_block_id":"blk_d27188f2-2ada-46dc-a993-53f87f9b5389","order":31,"character_id":null},{"id":"sec_8d5944fb-a85d-4398-9a45-969f47aa3439","parent_section_id":"sec_19b6d1c7-b6e7-4812-abe6-70939c308865","heading_block_id":"blk_e1da884a-2a81-4696-9d15-4dbbfa8723fa","order":32,"character_id":null},{"id":"sec_f38bb893-ee33-4966-93b5-30265d77f928","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_9806d389-eccc-4f09-8646-335511343d6c","order":33,"character_id":null},{"id":"sec_36be6477-faa1-4d8d-b067-a18378120a40","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_5d399a33-b5b8-4baa-b516-0ac5a18fee9d","order":34,"character_id":null},{"id":"sec_2fab7115-6ce1-464d-9616-1a26f7099b7c","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_661e14f1-6f37-4530-a199-c8a402f13012","order":35,"character_id":null},{"id":"sec_c1d59dd7-348d-42b0-9553-a82c07b804f3","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_cb79aab4-7d31-4dae-aaae-81c573847948","order":36,"character_id":null},{"id":"sec_005e13e2-3ef3-4027-87bc-d935cbc38dd9","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_34298b11-d376-41ed-a868-038b48d15447","order":37,"character_id":null},{"id":"sec_97b8bd53-8921-49e8-a7ce-893e9cd10c84","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_86324f0c-4891-4c6e-ba31-fdbf0fb3a811","order":38,"character_id":null},{"id":"sec_cf619202-6b53-42ae-893e-7c93078ae6b7","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_44d32e4b-3838-4d0e-b335-444529abd6bf","order":39,"character_id":null},{"id":"sec_644a6fb7-0005-4bd2-b654-e0f8ac2a5ac2","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_f56b3a6e-708f-434a-aacc-ed78d7dfa1ed","order":40,"character_id":null},{"id":"sec_38ecc0dd-8cd4-4c41-abae-c3d4ab69efb5","parent_section_id":"sec_644a6fb7-0005-4bd2-b654-e0f8ac2a5ac2","heading_block_id":"blk_8b89d1bb-ed3f-4f98-8e11-cf9947682bb8","order":41,"character_id":null},{"id":"sec_3e353c51-808d-4fb7-9fb7-93acc9d95042","parent_section_id":"sec_644a6fb7-0005-4bd2-b654-e0f8ac2a5ac2","heading_block_id":"blk_4d0ccd90-9f0d-4906-bd68-fdf4d8a0ca70","order":42,"character_id":null},{"id":"sec_9a9ed0d3-2de4-4e7a-b583-dd6573feb46d","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_919ed5a2-3f17-4613-b197-ce3ea8102ff0","order":43,"character_id":null},{"id":"sec_b376451c-6d03-46ff-ae19-d114d4ec7935","parent_section_id":"sec_9a9ed0d3-2de4-4e7a-b583-dd6573feb46d","heading_block_id":"blk_f71af6cf-32a1-45dd-ac06-efdcdec1434d","order":44,"character_id":null},{"id":"sec_359935eb-2b6e-45bc-bbe7-14a9a2b2d6c0","parent_section_id":"sec_9a9ed0d3-2de4-4e7a-b583-dd6573feb46d","heading_block_id":"blk_9a6e0e87-e73f-47fb-a468-f33ab91654f9","order":45,"character_id":null},{"id":"sec_3bc4b45e-75b5-4a41-b17c-f0c7cdd9f39c","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_98c8463f-6a0b-4305-9afd-037ba9561c00","order":46,"character_id":null},{"id":"sec_a2ce77f7-f5fb-414a-b346-a5a558cf1926","parent_section_id":"sec_3bc4b45e-75b5-4a41-b17c-f0c7cdd9f39c","heading_block_id":"blk_3f4b546d-c836-44b0-a867-bfdd063daadd","order":47,"character_id":null},{"id":"sec_407eecc0-873b-4cc5-8800-168308cb0cc5","parent_section_id":"sec_3bc4b45e-75b5-4a41-b17c-f0c7cdd9f39c","heading_block_id":"blk_cdde3c6c-82da-4555-af1a-7cdebf90a86a","order":48,"character_id":null},{"id":"sec_764d14bd-b6e2-47ba-a2f5-1590f9fbc830","parent_section_id":"sec_3bc4b45e-75b5-4a41-b17c-f0c7cdd9f39c","heading_block_id":"blk_6b5abdd6-1944-4c94-a304-63f75c00f53c","order":49,"character_id":null},{"id":"sec_fe46b5ed-017d-4964-94c8-f68016929a48","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_35adf3d1-38ca-4483-b2b5-a2d54dcc4bb4","order":50,"character_id":null},{"id":"sec_90822993-517d-4cfd-a468-8816899d7c06","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_22012c98-3932-4b81-9446-aa0074ac7159","order":51,"character_id":null},{"id":"sec_adf3c64a-faa7-4666-bbd4-6ac9a1946f53","parent_section_id":"sec_90822993-517d-4cfd-a468-8816899d7c06","heading_block_id":"blk_e9ca5e8f-5c6a-40ef-8ebf-93443f19fa8c","order":52,"character_id":null},{"id":"sec_4768f181-e56f-4b8f-91fe-17e57d389caa","parent_section_id":"sec_90822993-517d-4cfd-a468-8816899d7c06","heading_block_id":"blk_3a32f151-448e-451d-8fcc-43b45a813cc9","order":53,"character_id":null},{"id":"sec_2b31267b-2b16-412c-8a2d-0df0ee96bf34","parent_section_id":"sec_90822993-517d-4cfd-a468-8816899d7c06","heading_block_id":"blk_2ce5c934-8f81-48a1-b866-21d1ef657c62","order":54,"character_id":null},{"id":"sec_c6b67f89-072b-4c14-b9e2-f890daad4030","parent_section_id":"sec_90822993-517d-4cfd-a468-8816899d7c06","heading_block_id":"blk_6d0ac9e6-414a-4637-8be9-5ce93dcc79c9","order":55,"character_id":null},{"id":"sec_c3787210-b579-42f0-8ec3-4c4b0ef36e8b","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_72cf5d7a-c077-4968-b669-ad38934f80f8","order":56,"character_id":null},{"id":"sec_6dc0986a-5a3a-45ed-ab35-6d85f6896c70","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_62a26747-1cde-4ba4-978e-174fd34e137f","order":57,"character_id":null},{"id":"sec_688ea1a0-af34-4e4f-8bd0-9e577430c842","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_ceeae1c0-cf40-4bc4-b0d4-d1ea3840be22","order":58,"character_id":null},{"id":"sec_2a18ce02-c13b-4f33-a369-089eaa1dcd52","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_f55116c9-9348-4dfc-a63d-314e2fad73f5","order":59,"character_id":null},{"id":"sec_f165f338-f3cc-4bb1-8bca-4d40f40fdc12","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_4b823b30-d62e-4cd1-adc1-1d7484317087","order":60,"character_id":null},{"id":"sec_23f14f4b-e16f-47a3-bb6e-6468e3736302","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_82119152-98e0-4733-aced-dbfc28398660","order":61,"character_id":null},{"id":"sec_cee55330-af15-4690-b75b-5fe69e30f53b","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_58a6de52-8061-44d1-a81f-26a8c2388b6a","order":62,"character_id":null},{"id":"sec_2b6546b3-2b0b-4257-8b27-f78882741557","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_196b986a-b3fb-464f-bc30-067245985d43","order":63,"character_id":null},{"id":"sec_01f01220-e9b5-43fd-a075-d7bb3283d381","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_a27ecf8e-64b6-436a-be64-a8a26a767630","order":64,"character_id":null},{"id":"sec_26cfc598-d8fb-40f2-91b0-51c2397ecf20","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_3f4f80d8-f5b7-4182-be58-7ec65d9e3bd3","order":65,"character_id":null},{"id":"sec_cf3dc64b-2a54-44ea-8349-c6cb65186e66","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_dff9b76e-c9bd-4518-ac8f-c2f5c48c6a69","order":66,"character_id":null},{"id":"sec_adc7a500-3bd9-408f-8e80-984aa1bfa823","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_1246ffbc-99a7-4450-90f6-eca2a931f6bd","order":67,"character_id":null},{"id":"sec_b41775de-2140-4746-ad76-62f5820ced2e","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_25b11d84-91fd-4331-a373-76f5f3c540c2","order":68,"character_id":null},{"id":"sec_24f3c511-3183-49de-9068-8b9c5dd564fe","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_25eb46be-9eb7-4b5a-96f7-4a69318910ef","order":69,"character_id":null},{"id":"sec_c61219f5-8b6d-4993-bb19-7886a7dfa96a","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_66d98897-caf6-4677-9524-78d8ad0a7394","order":70,"character_id":null},{"id":"sec_9789c424-6596-41d8-a441-4a3cae1e3d72","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_9ecd1862-c8ee-4048-adce-60f0a22bfc5b","order":71,"character_id":null},{"id":"sec_042e12a6-1c66-4d81-ae78-9919a193b214","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_a0b62507-4f26-44e8-8846-871636d4f4f8","order":72,"character_id":null},{"id":"sec_dd1301a6-358e-463b-a9c0-4e3023b532fd","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_edbd039e-5924-467c-9aa2-2741fa4f7e0d","order":73,"character_id":null},{"id":"sec_4b816fca-c500-4c88-a486-cfba54789085","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_19e316f4-03c6-43ba-9c49-44495b7bdbe6","order":74,"character_id":null},{"id":"sec_49b09e28-a5cf-420b-8a28-8e0021b11ace","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_4dfbbba6-48ad-43cc-b114-212185db7990","order":75,"character_id":null},{"id":"sec_593714eb-3dcc-4696-a770-905b04717327","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_cbbdbdb7-7230-4e51-a28f-4ea1a79d488f","order":76,"character_id":null},{"id":"sec_606588c2-c2fd-4618-8f65-60b19f87e13b","parent_section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","heading_block_id":"blk_cda18517-f635-4c81-8989-cf1a7a9154e7","order":77,"character_id":null}],"content_available_at":{"basis":"unknown","precision":"unknown","timezone":null,"value":null},"markdown":"![](/media/343c84d8ea196fb9b536c3b2151346f4102209a8a150041e823f5589a4e684b3-content.webp)\n\n## HDDはどうやって動くのか\n\n## LMRからHAMRまで、高密度化の歴史と仕組みをやさしく解説\n\nHDD（ハードディスクドライブ）は、見た目は「回る円盤」ですが、中ではかなり高度な物理と微細加工技術が使われています。 \nそしてHDDの進化は、単に部品を大きくしたり速くしたりしたのではなく、いかに小さな磁石を、より正確に、より密に、より安定して並べるかという戦いでした。WDの技術資料でも、現代のCMR/SMRやePMR/MAMR/HAMRは、すべてPMRを土台にした高密度化技術だと整理されています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))\n\nこの記事では、まずHDDの基本動作を説明し、その後でLMRからHAMRまでの技術の進化を順番に見ていきます。\n\n---\n\n## \\1. HDDの基本動作\n\nHDDは、回転する円盤の表面にある**磁性体の向き**を変えることでデータを保存します。 \nとても小さな領域ごとに、磁化の向きが「上向き」か「下向き」か、あるいは昔の方式では「左向き」か「右向き」かのように決まり、それを 0 と 1 に対応させます。PMRの説明資料では、記録技術の本質は、こうした微小なビットをより小さく、より密に配置することにあると説明されています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))\n\nHDDの内部では、主に次の3つが重要です。\n\n- **ディスク（媒体）** \n データを保存する場所です。\n- **書き込みヘッド** \n 磁場を使って、媒体の磁化の向きを変えます。\n- **読み取りヘッド** \n すでに書かれた磁気の変化を検出して、電気信号として読み出します。\n\nかなり単純化すると、HDDはこういう装置です。\n\n```\n書き込みヘッド → 磁化の向きを変える → データを書く\n読み取りヘッド → 磁気の変化を感じる → データを読む\n```\n\n---\n\n## \\2. 容量を増やすとはどういうことか\n\nHDDの容量を増やすには、**同じ面積により多くのビットを入れる**必要があります。 \nそのために重要なのが **BPI** と **TPI** です。WDは、HDDの面記録密度は主にこの2つで決まると説明しています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))\n\n- **BPI（Bits Per Inch）** \n トラックの長さ方向1インチあたりに何個のビットを並べられるか\n- **TPI（Tracks Per Inch）** \n 1インチの幅の中に何本のトラックを並べられるか\n\nつまり容量を増やすには、\n\n- ビットをもっと短くする\n- トラック同士をもっと狭くする\n\n必要があります。 \nただし、ここで問題になるのが**読みづらさ**と**書きづらさ**です。ビットを小さくしすぎると、信号が弱くなったり、熱で不安定になったりします。IRDSも、面記録密度を伸ばすうえで最大の課題の一つが **SNR（信号対雑音比）** の改善だと述べています。 ([irds.ieee.org](https://irds.ieee.org/images/files/pdf/2023/2023IRDS_MDS.pdf?utm_source=chatgpt.com))\n\n---\n\n## \\3. LMR：昔の基本方式\n\nHDDの昔の方式は **LMR（Longitudinal Magnetic Recording）**、日本語では**水平磁気記録**です。 \nこれは、磁化をディスク表面に沿って横向きに並べる方式です。WDのPMR白書では、LMRではリング型ヘッドのギャップから出るフリンジ磁場を使って記録すると説明されています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))\n\nイメージはこうです。\n\n```\nLMR\n→ → → → →\n表面に沿って横向きに並ぶ\n```\n\nLMRは長い間使われましたが、ビットをどんどん小さくしていくと、隣のビットとの干渉や熱的不安定性が問題になり、さらに高密度化するのが難しくなっていきました。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))\n\n---\n\n## \\4. PMR：現代HDDの土台\n\nその次に登場したのが **PMR（Perpendicular Magnetic Recording）**、日本語では**垂直磁気記録**です。 \nこれは磁化をディスク表面に対して垂直、つまり上下方向に立てて記録する方式です。WDは、現在語られるePMR、MAMR、HAMRも含め、現代の記録技術はPMRを土台にしていると説明しています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))\n\nイメージはこうです。\n\n```\nPMR\n↑ ↓ ↑ ↓ ↑ ↓\n表面に対して縦向きに並ぶ\n```\n\nPMRが重要だった理由は、**ビットをより高密度に配置しやすくなったこと**です。 \nさらにPMRでは、記録層の下に **軟磁性下地層（Soft Underlayer, SUL）** を置くことで、書き込みヘッドの磁束を効率よく通し、より強い垂直磁場を作れるようになりました。WDとSeagateの資料は、これによって高保磁力媒体にも書き込みやすくなったと説明しています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))\n\n---\n\n## \\5. 記録層と軟磁性下地層\n\nPMRを理解するには、この2つが大事です。\n\n### 記録層\n\n実際にデータを保存する磁性体の層です。 \nここにある粒子の磁化の向きで 0 と 1 を表します。\n\n### 軟磁性下地層\n\n記録層の下にある、磁束を通しやすい層です。 \nこれはデータ保存の主役ではなく、**磁場を強く・集中して通すための磁気回路の土台**です。WDのPMR白書では、small pole-tip の下に磁束が集中し、その下のSULがより大きな有効書き込み磁場を可能にすると説明しています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))\n\nかなり簡単にいうと、\n\n- 記録層 = データを書く紙\n- 軟磁性下地層 = きれいに書くための下敷き\n\nです。\n\n---\n\n## \\6. 書き込みヘッドとは何か\n\nHDDの書き込みヘッドは、**狙ったごく小さな場所に強い磁場を当てるための部品**です。 \n高密度化のためには、次の4つが必要になります。\n\n- 強い磁場\n- 狭い場所に集中した磁場\n- 境界がシャープな磁場\n- 毎回同じように再現できる磁場\n\nここで重要になるのが、**write pole** と **trailing shield** です。WDは、PMRヘッドにおいて main pole（主極）と trailing shield が重要だと説明しています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))\n\n### write pole\n\n書き込みヘッド先端の主極です。 \n媒体に強い磁場を集中して当てる「ペン先」にあたります。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/technology-brief-energy-assisted-magnetic-recording.pdf?utm_source=chatgpt.com))\n\n### trailing shield\n\nwrite pole の後ろ側にある構造で、磁場の広がりを抑え、境界をシャープにする部品です。 \nこれは「ペン先の書き味を整えるガイド」のようなものです。WDのPMR白書では、trailing shield によって磁場勾配が急峻になり、ビット境界がより鋭くなると説明されています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))\n\n### read head\n\nこれは読むためのセンサーです。 \nwrite pole のように磁場を出して書くのではなく、すでに書かれた磁気変化を読み取ります。読み書きは別の役目です。 ([irds.ieee.org](https://irds.ieee.org/images/files/pdf/2023/2023IRDS_MDS.pdf?utm_source=chatgpt.com))\n\n---\n\n## \\7. ePMR：PMRをより精密にした方式\n\nその次の進化が **ePMR（energy-assisted PMR / EPMR）** です。 \nWDの技術資料では、ePMRはMAMRなど他のEAMR技術の研究過程で製品化された最初のEAMR実装だと説明されています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/technology-brief-energy-assisted-magnetic-recording.pdf?utm_source=chatgpt.com))\n\nePMRのポイントは、**書き込みヘッドの主極にDCバイアス電流を流す**ことです。 \nIRDSは、これによって write head の switching が **より一貫して、より速く**なり、**timing jitter** が減ると説明しています。 ([irds.ieee.org](https://irds.ieee.org/images/files/pdf/2023/2023IRDS_MDS.pdf?utm_source=chatgpt.com))\n\n### timing jitter とは\n\n本来同じ位置・同じタイミングで起きてほしい磁化反転が、少し早かったり遅かったりしてズレることです。 \nこのズレが大きいと、ビット境界がぼやけ、隣のビットと干渉しやすくなります。 ([irds.ieee.org](https://irds.ieee.org/images/files/pdf/2023/2023IRDS_MDS.pdf?utm_source=chatgpt.com))\n\n### ePMRの効果\n\nePMRでは、主極への電流で磁化反転に“preferred path”を与え、毎回似たような書き込みができるようになります。WDは、その結果 **jitter が減り、SNR が改善する** と説明しています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))\n\nここでいう **SNR改善** は、読みたい信号がノイズに埋もれにくくなることです。 \nそして **BPI向上** は、トラックの長さ方向により多くのビットを詰めて書けるようになることです。IRDSは、ePMRによって bits can be written closer together になり、Higher BPI を実現すると説明しています。 ([irds.ieee.org](https://irds.ieee.org/images/files/pdf/2023/2023IRDS_MDS.pdf?utm_source=chatgpt.com))\n\nつまりePMRは、 \n**“もっと強引に書く技術”というより、“もっと正確に、もっと揃えて書く技術”** \nです。主効果は容量密度の向上で、速度向上は副次的です。 ([irds.ieee.org](https://irds.ieee.org/images/files/pdf/2023/2023IRDS_MDS.pdf?utm_source=chatgpt.com))\n\n---\n\n## \\8. 異方性 K と保磁力\n\nここで、高密度化の物理を少し見ます。 \nHDDでは、ビットを小さくすれば容量は増えますが、小さくしすぎると熱で磁化が勝手に変わりやすくなります。Seagateは、高密度化では grain volume を小さくする必要がある一方、熱安定性を保つには **異方性 K** を上げる必要があると説明しています。 ([seagate.com](https://www.seagate.com/www-content/ti-dm/tech-insights/en-us/docs/TP707-1-1712US_HAMR.pdf?utm_source=chatgpt.com))\n\n### 異方性 K\n\n磁化が「この向きにいたい」と主張する強さです。 \nK が高いほど、磁化はその向きにとどまりやすく、保存中は安定です。\n\n### 保磁力\n\n実際に磁化の向きをひっくり返すのに必要な力の大きさです。 \n高K媒体は一般に保磁力も高くなりやすく、保存には有利ですが、そのままでは書き込みにくくなります。Toshibaはこれを、scaling・thermal stability・writability の三つ巴の問題、つまり磁気記録の trilemma と説明しています。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/content/dam/toshiba-ss-v3/master/en/company/technical-review/pdf/technical-review-microwave-assisted-magnetic-recording-technology_e.pdf?utm_source=chatgpt.com))\n\nここで重要なのは、\n\n- 小さいビットにしたい\n- でも小さいと不安定\n- だから高K媒体にしたい\n- でも高K媒体は書きにくい\n\nという矛盾です。これを解決するために出てきたのが **MAMR** と **HAMR** です。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/content/dam/toshiba-ss-v3/master/en/company/technical-review/pdf/technical-review-microwave-assisted-magnetic-recording-technology_e.pdf?utm_source=chatgpt.com))\n\n---\n\n## \\9. MAMR：マイクロ波で書き込みを助ける\n\n**MAMR（Microwave-Assisted Magnetic Recording）** は、マイクロ波を使って磁化反転を助ける方式です。 \nToshibaの技術資料では、MAMRはヘッド内部の **STO（Spin Torque Oscillator）** によってマイクロ波磁場を発生させ、それが記録を助けると説明されています。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/content/dam/toshiba-ss-v3/master/en/company/technical-review/pdf/technical-review-microwave-assisted-magnetic-recording-technology_e.pdf?utm_source=chatgpt.com))\n\n### STOとは\n\n超小型の発振器で、スピンの効果を使って高周波の振動を作ります。 \nMAMRでは、このSTOがマイクロ波を発生し、それが媒体の磁化反転に必要な磁場を下げる方向に働きます。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/content/dam/toshiba-ss-v3/master/en/company/technical-review/pdf/technical-review-microwave-assisted-magnetic-recording-technology_e.pdf?utm_source=chatgpt.com))\n\nToshibaは、MAMRは高Ku媒体での trilemma を乗り越える有望技術だと説明しており、実際にFC-MAMRを18TB級製品に展開しました。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/content/dam/toshiba-ss-v3/master/en/company/technical-review/pdf/technical-review-microwave-assisted-magnetic-recording-technology_e.pdf?utm_source=chatgpt.com))\n\nMAMRは、かなり噛み砕くと \n**“磁石をただ押すだけではなく、ちょうどいいリズムで揺さぶって反転しやすくする技術”** \nです。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/content/dam/toshiba-ss-v3/master/en/company/technical-review/pdf/technical-review-microwave-assisted-magnetic-recording-technology_e.pdf?utm_source=chatgpt.com))\n\n---\n\n## \\10. HAMR：熱で一時的に書きやすくする\n\n**HAMR（Heat-Assisted Magnetic Recording）** は、熱を使って書き込みを助ける方式です。 \nSeagateのHAMR技術資料では、HAMRは媒体を**熱いときに書き、冷えた後は保存する**方式だと説明されています。 ([seagate.com](https://www.seagate.com/www-content/ti-dm/tech-insights/en-us/docs/TP707-1-1712US_HAMR.pdf?utm_source=chatgpt.com))\n\n考え方はこうです。\n\n- 普段は高保磁力で安定な媒体を使う\n- そのままだと書けない\n- 書く瞬間だけ局所的に加熱する\n- すると一時的に保磁力が下がり、書き込みヘッドで書ける\n- 冷えるとまた高保磁力に戻り、安定保存できる\n\nつまりHAMRは、 \n**“普段は強くて安定、書く瞬間だけ弱くして書きやすくする”** \n方式です。Seagateは、この考え方によって高異方性媒体を使え、より小さい grain でも安定性を確保できると説明しています。 ([seagate.com](https://www.seagate.com/www-content/ti-dm/tech-insights/en-us/docs/TP707-1-1712US_HAMR.pdf?utm_source=chatgpt.com))\n\nこれによって、より小さいビットを長期安定に使えるようになり、結果として容量が増えます。 ([seagate.com](https://www.seagate.com/www-content/ti-dm/tech-insights/en-us/docs/TP707-1-1712US_HAMR.pdf?utm_source=chatgpt.com))\n\n---\n\n## \\11. HAMRのレーザー＋光導波路＋NFTとは何か\n\nHAMRでは、通常のPMRヘッドにない3つの光学部品が追加されます。Seagateは、HAMRヘッドには **laser、optical waveguide、NFT** を追加すると説明しています。 ([seagate.com](https://www.seagate.com/www-content/ti-dm/tech-insights/en-us/docs/TP707-1-1712US_HAMR.pdf?utm_source=chatgpt.com))\n\n### レーザー\n\n加熱の元になる光を作る部品です。 \nこれが光エネルギーの出発点になります。 ([seagate.com](https://www.seagate.com/www-content/ti-dm/tech-insights/en-us/docs/TP707-1-1712US_HAMR.pdf?utm_source=chatgpt.com))\n\n### 光導波路（optical waveguide）\n\nレーザーの光を、ヘッドの先端まで運ぶ通路です。 \n発電所から送電線で電気を送るようなものです。 ([seagate.com](https://www.seagate.com/www-content/ti-dm/tech-insights/en-us/docs/TP707-1-1712US_HAMR.pdf?utm_source=chatgpt.com))\n\n### NFT（near-field transducer）\n\n最も重要な部品です。 \n普通の光は広がってしまうので、そのままでは数十nmという極小スポットにできません。NFTは、光を**近接場**として極小領域に集中させ、媒体表面のごく一部だけを加熱します。Seagate系資料では、HAMRでは thermal and magnetic spots が 30nm未満である必要があると説明されています。 ([evatecnet.com](https://evatecnet.com/media/hzvds4rt/layers6_semi_seagate_2705a.pdf?utm_source=chatgpt.com))\n\nつまりHAMRの光学系は、\n\n```\nレーザー → 光導波路 → NFT → 媒体の極小領域を加熱\n```\n\nという流れです。 \nこのおかげで、隣のビットまで温めずに、必要な場所だけ一瞬だけ加熱できます。Seagateは heating, writing, and cooling が 1ナノ秒未満で起きると説明しています。 ([seagate.com](https://www.seagate.com/www-content/ti-dm/tech-insights/en-us/docs/TP707-1-1712US_HAMR.pdf?utm_source=chatgpt.com))\n\n---\n\n## \\12. 各技術の違いをまとめる\n\nここまでを整理すると、各方式の違いはこうなります。\n\n### LMR\n\n横向きに記録する昔の方式。 \n高密度化に限界が見えやすかった。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))\n\n### PMR\n\n縦向きに記録する現代HDDの土台。 \n軟磁性下地層を使って強い垂直磁場を作れる。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))\n\n### ePMR\n\nPMRをより精密にした方式。 \n主極への電流で jitter を減らし、SNRを改善し、BPIを上げる。 ([irds.ieee.org](https://irds.ieee.org/images/files/pdf/2023/2023IRDS_MDS.pdf?utm_source=chatgpt.com))\n\n### MAMR\n\nマイクロ波で磁化反転を助ける方式。 \nSTOを使い、高保磁力媒体への書き込みを助ける。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/content/dam/toshiba-ss-v3/master/en/company/technical-review/pdf/technical-review-microwave-assisted-magnetic-recording-technology_e.pdf?utm_source=chatgpt.com))\n\n### HAMR\n\n熱で一時的に書きやすくする方式。 \nレーザー＋光導波路＋NFTで媒体の極小領域だけを加熱する。 ([seagate.com](https://www.seagate.com/www-content/ti-dm/tech-insights/en-us/docs/TP707-1-1712US_HAMR.pdf?utm_source=chatgpt.com))\n\n---\n\n## \\13. 一本道ではなく、PMRから枝分かれしている\n\nここで大事なのは、 \n**LMR → PMR → ePMR → MAMR → HAMR** は厳密な一本道ではない、ということです。 \n正確には、**LMRからPMRへ世代交代したあと、PMRをさらに高密度化するために ePMR、MAMR、HAMR という枝分かれが生まれた**、と理解するのが正確です。WDの記録技術資料も、この見方を取っています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))\n\n---\n\n## \\14. まとめ\n\nHDDの進化を一言で表すなら、 \n**“より小さな磁石を、より正確に、より安定して並べるための技術進化”** \nです。\n\n流れを短くまとめるとこうなります。\n\n- **LMR** \n 横向きに記録していた昔の方式。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))\n- **PMR** \n 縦向きに記録し、軟磁性下地層で強い垂直磁場を作る現代HDDの土台。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))\n- **ePMR** \n 書き込みヘッドをより安定化し、jitter を減らして高密度化。 ([irds.ieee.org](https://irds.ieee.org/images/files/pdf/2023/2023IRDS_MDS.pdf?utm_source=chatgpt.com))\n- **MAMR** \n STOでマイクロ波を発生し、磁化反転を助ける。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/content/dam/toshiba-ss-v3/master/en/company/technical-review/pdf/technical-review-microwave-assisted-magnetic-recording-technology_e.pdf?utm_source=chatgpt.com))\n- **HAMR** \n レーザー＋光導波路＋NFTで媒体のごく一部だけを加熱し、高保磁力媒体でも書けるようにする。 ([seagate.com](https://www.seagate.com/www-content/ti-dm/tech-insights/en-us/docs/TP707-1-1712US_HAMR.pdf?utm_source=chatgpt.com))\n\nつまり、\n\n- **PMR** は「縦向きにして詰め込んだ」\n- **ePMR** は「より正確に書けるようにした」\n- **MAMR** は「マイクロ波で書きやすくした」\n- **HAMR** は「熱で一瞬だけ書きやすくした」\n\nという違いです。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))\n\n---\n\nはい。 \n以下に、**HDDの読み込み技術の推移**と、**その背後にある物理の発見がどう応用されてきたか**を、高校生でも追いやすいように記事の形でまとめます。\n\n---\n\n## HDDの「読む技術」はどう進化したのか\n\n## 物理の発見が、どうやってハードディスクを進化させたのか\n\nハードディスクドライブ（HDD）というと、「円盤が回って、データを書いたり読んだりする装置」というイメージがあると思います。 \nでも実は、HDDの進化を支えてきた最大の要因のひとつは、**“読む技術”の進化**です。物理学の新しい発見が、そのままHDDの読み取りヘッドに応用され、より小さなビットを読めるようになったことで、容量がどんどん増えてきました。ノーベル賞の解説でも、GMRの発見はハードディスクの読出し技術を大きく変えたと説明されています。 ([NobelPrize.org](https://www.nobelprize.org/prizes/physics/2007/popular-information/?utm_source=chatgpt.com))\n\nこの記事では、まずHDDの基本から始めて、 \n**誘導ヘッド → AMR → GMR → TMR** \nという読み取り技術の流れと、 \n**物理の発見 → センサー化 → HDDへの応用** \nという歴史を、順番に見ていきます。MRS Bulletinのレビューでも、HDDのMR reader技術は AMR から GMR、そして現在の CPP-TMR へ進化したと整理されています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))\n\n---\n\n## \\1. HDDは「書く」と「読む」で別の技術を使っている\n\nHDDでは、データを保存するにはまずディスク表面の磁性体の向きを変えて**書き込み**ます。 \n一方、保存されたデータを取り出すには、その磁気の変化を壊さずに**読み取り**ます。\n\nここが大事で、**書く技術と読む技術は別々に進化してきました。** \nたとえば、これまで話題に出てきた PMR、ePMR、HAMR は主に「どう書くか」の技術です。 \nそれに対して、AMR、GMR、TMR は「どう読むか」の技術です。レビュー論文でも、HDDは write element と read sensor を別に持ち、readerの進化が高面記録密度化を支えたと説明されています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))\n\nかなり簡単に書くと、HDDはこういう仕組みです。\n\n```\n書く = 強い磁場でビットを作る\n読む = そのビットが作る弱い磁場を検出する\n```\n\n---\n\n## \\2. 昔のHDDは「コイル」で読んでいた\n\n最初期のHDDは、磁気の変化を**コイル**で読む「誘導ヘッド」が中心でした。 \nこれは、磁場が変化するとコイルに電圧が発生する、という電磁誘導の原理を使う方式です。1956年にIBM 350 Disk Storageが登場して以降、こうした磁気ディスク装置が発展していきました。 ([museum.ipsj.or.jp](https://museum.ipsj.or.jp/en/computer/device/magnetic_disk/index.html?utm_source=chatgpt.com))\n\nこの方式はわかりやすくて実用的でしたが、ビットがどんどん小さくなると問題が出ます。 \n**小さいビットほど、そこから出る磁場変化も小さくなり、コイルで拾える信号が弱くなる**のです。ノーベル賞の解説でも、ハードディスクが小型化・高密度化するにつれて、より敏感な読出しヘッドが必要になったと説明されています。 ([NobelPrize.org](https://www.nobelprize.org/prizes/physics/2007/press-release/?utm_source=chatgpt.com))\n\nつまり、\n\n```\nビットが大きい → コイルでも読める\nビットが小さい → 信号が弱すぎて厳しい\n```\n\nという壁にぶつかったわけです。\n\n---\n\n## \\3. そこで出てきたのが「磁気抵抗」を使う読み取り\n\nこの壁を越えるために重要になったのが、\\*\\*磁気抵抗（magnetoresistance, MR）\\*\\*です。 \nこれは、「磁場や磁化の向きによって、電気抵抗が変わる」という現象です。HDDでは、この抵抗変化を電圧や電流の変化として読み取ることで、ディスク上のビットを検出します。Computer History Museumも、MR、GMR、TMR heads が successive increases in storage density を支えたと説明しています。 ([CHM](https://www.computerhistory.org/storageengine/magnetoresistive-read-head-hdd-introduced/?utm_source=chatgpt.com))\n\nイメージとしては、\n\n```\n磁気ビットの磁場\n↓\n読み取り素子の抵抗が少し変わる\n↓\nその変化を電気信号として読む\n```\n\nです。\n\nここからHDDの「読む技術」は、 \n**AMR → GMR → TMR** \nと進化していきます。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))\n\n---\n\n## \\4. AMR：最初の実用的なMRヘッド\n\n### AMRとは何か\n\n**AMR** は **Anisotropic Magnetoresistance**、日本語では**異方性磁気抵抗効果**です。 \nこれは、強磁性体の中で**電流の向きと磁化の向きの相対関係によって抵抗が変わる**現象です。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))\n\n図っぽく言うと、\n\n```\n電流 →→→→\n\n磁化 →→→→ 抵抗が少し変わる\n磁化 ↑↑↑↑ 抵抗が少し変わる\n```\n\nという感じです。\n\n### なぜ重要だったのか\n\nAMRは、\\*\\*「磁場の変化をコイルで拾う」のではなく、「磁場で抵抗が変わる素子を直接読む」\\*\\*という新しい考え方でした。 \nこれによって、誘導ヘッドより小さいビットを読めるようになりました。Computer History Museumは、IBM 0663 “Corsair” を1991年のAMR read-head HDDとして挙げています。 ([CHM](https://www.computerhistory.org/storageengine/magnetoresistive-read-head-hdd-introduced/?utm_source=chatgpt.com))\n\nただしAMRの抵抗変化は比較的小さく、さらに高密度化するには、もっと大きな信号変化が必要でした。MRS Bulletinでも、AMRの次にGMRが導入され、面記録密度成長を押し上げたと説明されています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))\n\n---\n\n## \\5. GMR：ノーベル賞級の発見がHDDを変えた\n\n### GMRとは何か\n\n**GMR** は **Giant Magnetoresistance**、日本語では**巨大磁気抵抗効果**です。 \n1988年に Albert Fert と Peter Grünberg が独立に発見し、2007年ノーベル物理学賞の対象になりました。ノーベル賞は、GMRが sensitive read-out heads for compact hard disks を可能にしたと説明しています。 ([NobelPrize.org](https://www.nobelprize.org/prizes/physics/2007/popular-information/?utm_source=chatgpt.com))\n\nGMRは、ざっくり言うと\n\n```\n磁性層\n金属層\n磁性層\n```\n\nのような多層膜構造で起こります。 \n上下の磁性層の磁化が**平行**のときと**反平行**のときで、電子の散乱のされ方が変わり、抵抗が大きく変わります。 ([NobelPrize.org](https://www.nobelprize.org/prizes/physics/2007/popular-information/?utm_source=chatgpt.com))\n\n図にするとこうです。\n\n```\n平行\n↑\n-\n↑ → 低抵抗\n\n反平行\n↑\n-\n↓ → 高抵抗\n```\n\n### なぜHDDに効いたのか\n\nAMRよりも抵抗変化が大きいので、**より小さな磁場差を、より大きな電気信号として取り出せる**ようになりました。 \nNational MagLabの解説では、IBMが1997年に最初のGMR read headを導入したと説明しています。 ([nationalmaglab.org](https://nationalmaglab.org/magnet-academy/read-science-stories/science-simplified/giant-magnetoresistance/?utm_source=chatgpt.com))\n\nこの「小さな磁気をよりはっきり読める」ことが、HDDの大容量化を強く後押ししました。MRS Bulletinでも、AMRとGMRの導入で面記録密度の成長率が大きく伸びたとされています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/services/aop-cambridge-core/content/view/3CCD708BD7A71E7F6944F76ED661B887/S0883769418000039a.pdf/read_sensor_technology_for_ultrahigh_density_magnetic_recording.pdf?utm_source=chatgpt.com))\n\nここが、**物理学の基礎発見がそのまま情報機器を変えた代表例**のひとつです。 ([NobelPrize.org](https://www.nobelprize.org/prizes/physics/2007/popular-information/?utm_source=chatgpt.com))\n\n---\n\n## \\6. TMR：さらに高感度な「トンネル型」へ\n\n### TMRとは何か\n\n**TMR** は **Tunneling Magnetoresistance**、日本語では**トンネル磁気抵抗効果**です。 \nGMRと似ていますが、構造が違います。TMRは **MTJ（Magnetic Tunnel Junction, 磁気トンネル接合）** を使い、\n\n```\n磁性層\n絶縁層（とても薄い）\n磁性層\n```\n\nという構造をとります。Nature系の解説では、MTJは2つの磁性層の間に薄いトンネル障壁を挟んだ構造だと説明されています。 ([Nature](https://www.nature.com/articles/s44306-024-00058-9?utm_source=chatgpt.com))\n\n真ん中は絶縁体ですが、非常に薄いので、量子力学の**トンネル効果**で電子が通り抜けられます。 \nそして、上下の磁化が平行か反平行かで、その通りやすさが変わります。\n\n```\n平行\n↑\n|絶縁|\n↑ → 通りやすい → 低抵抗\n\n反平行\n↑\n|絶縁|\n↓ → 通りにくい → 高抵抗\n```\n\n### MgO barrier の重要性\n\nTMRを実用レベルに押し上げた大きな要因が **MgO barrier** です。 \nMgO（酸化マグネシウム）を使った結晶性トンネル障壁は、非常に大きなTMR比を実現しやすく、HDDやMRAMで重要な材料になりました。MRS Bulletinのレビューでも、現代のHDD read sensor は CPP-TMR と MgO barrier を中心に進んだと説明されています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))\n\n### HDDでの役割\n\nTMRはGMRよりさらに大きな抵抗変化を得やすく、\\*\\*より高いSNR（信号対雑音比）\\*\\*を実現しやすいのが強みです。 \nそのため、より小さなビットでも読み取りやすく、現在のHDD read headの主流になっています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))\n\n---\n\n## \\7. AMR・GMR・TMRを図で並べると\n\nここで、3つを並べて見ると違いがわかりやすいです。\n\n```\nAMR\n────────────────────\n[ 磁性体 1枚 ]\n電流と磁化の角度で抵抗が少し変わる\n\nGMR\n────────────────────\n[磁性体] [金属] [磁性体]\n磁化が平行/反平行で散乱が変わる\n\nTMR\n────────────────────\n[磁性体] [絶縁体] [磁性体]\n磁化が平行/反平行でトンネルの通りやすさが変わる\n```\n\n要するに、\n\n- **AMR** = 1枚の磁性体の向き依存抵抗\n- **GMR** = 金属多層膜での散乱差\n- **TMR** = トンネル障壁をまたぐ電子の通りやすさの差\n\nです。レビュー論文も、この順にMR reader技術が発展したと説明しています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))\n\n---\n\n## \\8. 物理の発見と応用の推移\n\nここまでを「物理の発見 → 応用」という視点で並べると、こう見えます。\n\n### ① 電磁誘導の時代\n\n磁場変化でコイルに電圧が出る、という基本原理を使って読んでいた。 \nただし高密度化で限界が見えた。 ([NobelPrize.org](https://www.nobelprize.org/prizes/physics/2007/press-release/?utm_source=chatgpt.com))\n\n### ② 磁気抵抗の利用\n\n磁場で抵抗が変わることを利用するAMRが実用化。 \n「磁場を直接センサーで読む」時代へ。IBMのAMR read-head HDDがこの節目です。 ([CHM](https://www.computerhistory.org/storageengine/magnetoresistive-read-head-hdd-introduced/?utm_source=chatgpt.com))\n\n### ③ ナノ多層膜の物理が応用される\n\n1988年にGMRが発見され、ナノメートル厚の多層膜で大きな抵抗変化が得られることがわかった。 \nこれがHDDのGMRヘッドへつながった。 ([NobelPrize.org](https://www.nobelprize.org/prizes/physics/2007/popular-information/?utm_source=chatgpt.com))\n\n### ④ 量子トンネル効果の応用\n\nTMRでは、超薄い絶縁膜を電子がトンネルする量子効果を利用。 \nMgO barrier の進展で実用性が高まり、現代HDDのreaderへ。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))\n\nつまりHDDの読み取り技術は、 \n**高校物理で習う電磁誘導**から始まり、 \n**固体物理・薄膜物理・スピントロニクス・量子力学**へと進んでいったわけです。 ([NobelPrize.org](https://www.nobelprize.org/prizes/physics/2007/popular-information/?utm_source=chatgpt.com))\n\n---\n\n## \\9. なぜ「読む技術」がそこまで重要だったのか\n\nHDDの容量を増やすには、ビットをどんどん小さくする必要があります。 \nでもビットが小さくなると、そこから出る磁気信号も弱くなります。 \nそこで重要になるのが、**どれだけ小さな磁場を、どれだけ高いSNRで読めるか**です。MRS Bulletinは、ultrahigh density magnetic recording において read sensor 技術が本質的だと説明しています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))\n\nかなり簡単に言うと、\n\n```\nビットが大きい → 読みやすい\nビットが小さい → 読みにくい\nだから reader を敏感にする必要がある\n```\n\nということです。\n\n---\n\n## \\10. 高校生向けに超ざっくりまとめると\n\nHDDの「読む技術」は、こう進化してきました。\n\n```\nコイルで読む\n↓\nAMR\n↓\nGMR\n↓\nTMR\n```\n\n- **AMR** \n 磁石の向きと電流の向きで抵抗が少し変わる\n- **GMR** \n 磁石2枚と金属を重ねると、向きで抵抗が大きく変わる\n- **TMR** \n 磁石2枚の間に超薄い絶縁膜を入れて、電子のトンネルしやすさで抵抗が変わる\n\nこの進化によって、HDDは**より小さいビットを、より正確に、より高密度で読める**ようになりました。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))\n\n---\n\n## \\11. 最後に\n\nHDDの進化は、単なる工学の改良だけではありません。 \n**物理学の新しい発見が、そのまま情報機器の性能向上につながった歴史**でもあります。 \nGMRがノーベル賞級の発見として評価されたのも、その現象が「面白い物理」だっただけでなく、実際にハードディスクの読出し技術を変え、情報社会の基盤を押し上げたからです。 ([NobelPrize.org](https://www.nobelprize.org/prizes/physics/2007/popular-information/?utm_source=chatgpt.com))\n\n一言でまとめると、 \n**HDDの読み取り技術の歴史は、“より弱い磁気を読むために、物理学をどんどん深く使ってきた歴史”** \nです。 \nそして現在のHDDは、その到達点として、**TMR reader で読み、PMR/ePMR/HAMR系で書く**という形になっています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))\n\n---\n\nｂはい。\n\n以下に、**HDDの誕生から、読み込み技術と書き込み技術の両方がどう発展してきたのかを、年代とともに追う記事**としてまとめます。 \n高校生でも読めるように、まず全体像を出してから、時代ごとの転換点を順に説明します。\n\n---\n\n## HDDはどう進化してきたのか\n\n## 誕生から現在までを、読み込み技術と書き込み技術の両方からたどる\n\nハードディスクドライブ、つまり **HDD** は、 \n**回転する円盤に磁気でデータを書き、必要なときにその磁気を読んで取り出す装置**です。 \n一見すると単純ですが、その中では、\n\n- **どう書くか**\n- **どう読むか**\n\nという2つの技術が、長い時間をかけて別々に進化してきました。 \n実際、HDDの高密度化は、**書き込み方式の進化**と**読み取りセンサーの進化**の両方によって支えられてきました。MRS Bulletinのレビューでも、HDDは記録方式とMR読取りセンサーの両方の進歩で高面記録密度化してきたと整理されています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))\n\n---\n\n## まず全体の流れ\n\nかなり大づかみにすると、HDDの歴史はこう見られます。\n\n```\n1956 HDD誕生（IBM 350 / RAMAC）\n1960s 浮上ヘッドの確立\n1973 Winchester構造が現代HDDの原型に\n1991 AMR読取りヘッド実用化\n1997 GMR読取りヘッド実用化\n2005-2007 TMR読取りヘッド本格化\n2005-2006 PMR（垂直磁気記録）実用化\n2019-2020 ePMR本格化\n2021- MAMR/FC-MAMR実用展開\n2024- HAMR本格量産拡大\n```\n\nここで大事なのは、 \n**読み込み技術は「誘導 → AMR → GMR → TMR」**、 \n**書き込み技術は「LMR → PMR → ePMR / MAMR / HAMR」** \nというふうに、少し違う軸で発展してきたことです。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))\n\n---\n\n## \\1. 1956年 ― HDDの誕生\n\nHDDの始まりは、**1956年のIBM 350 Disk Storage Unit** です。 \nこれは **IBM 305 RAMAC** の一部として登場し、広く「最初の商用HDD」とされています。IBM自身もRAMACを「その後のすべてのHDDの祖先」と説明しており、Computer History Museumも1956年6月の出荷を最初の商用HDDとして扱っています。 ([IBM](https://www.ibm.com/history/ramac?utm_source=chatgpt.com))\n\nこの最初のHDDは、**50枚の24インチディスク**が**1200 RPM**で回り、\\*\\*約500万文字（約3.75MB）\\*\\*を保存できました。 ([CHM](https://www.computerhistory.org/revolution/memory-storage/8/233/923?utm_source=chatgpt.com))\n\nこの時代の読み書きは、まだかなり機械的で、大きく、現在のHDDとは比べものにならないほど巨大でした。 \nただ、ここで既にHDDの本質は完成しています。\n\n- 回転する円盤\n- 磁気でデータを保存\n- 必要な場所へランダムアクセス\n\nこの考え方自体は、今も同じです。 ([IBM](https://www.ibm.com/history/ramac?utm_source=chatgpt.com))\n\n---\n\n## \\2. 1960年代 ― 浮上ヘッドで速度と密度が上がる\n\n初期HDDの大きな課題は、**ヘッドとディスクの距離**でした。 \n近づけるほど強い信号を扱えますが、近すぎると接触して壊れます。\n\nこれを大きく改善したのが、**1961年発表・1962年出荷のIBM 1301** で使われた\\*\\*浮上ヘッド（flying head）\\*\\*です。Computer History Museumは、この方式がRAMAC比で容量10倍、アクセス時間1/10を目指した改良だったと説明しています。 ([CHM](https://www.computerhistory.org/storageengine/flying-heads-improve-hdd-capacity-speed/?utm_source=chatgpt.com))\n\n浮上ヘッドは、ディスクの回転で生じる空気の流れを利用して、ヘッドを表面すれすれに「浮かせる」仕組みです。 \nこれにより、\n\n- ヘッドをもっと近づけられる\n- より強い信号を読める\n- より細かく書ける\n\nようになりました。 ([CHM](https://www.computerhistory.org/storageengine/flying-heads-improve-hdd-capacity-speed/?utm_source=chatgpt.com))\n\nここで、**高密度化のためには機械構造の改善も重要**だという流れが始まります。\n\n---\n\n## \\3. 1973年 ― Winchesterが現代HDDの原型になる\n\n**1973年のIBM 3340 “Winchester”** は、現代HDDの原型としてよく語られます。 \nComputer History Museumは、この機種が**低負荷・低質量・着陸型ヘッドと潤滑ディスク**を実用化し、その後の主流技術を築いたと説明しています。 ([CHM](https://www.computerhistory.org/storageengine/winchester-pioneers-key-hdd-technology/?utm_source=chatgpt.com))\n\nWinchesterの重要性は、単に容量が増えたことではなく、\n\n- ヘッド\n- ディスク\n- アクセス機構\n\nを**密閉に近い構造で一体的に扱う方向**を確立したことにあります。 \n情報処理学会コンピュータ博物館も、IBM 3340が業界標準のディスク設計につながったと説明しています。 ([museum.ipsj.or.jp](https://museum.ipsj.or.jp/en/computer/device/magnetic_disk/history.html?utm_source=chatgpt.com))\n\nつまり、ここでHDDは \n**「巨大な実験装置」から「工業製品として洗練された保存装置」** \nへ大きく近づきました。\n\n---\n\n## \\4. 1980年 ― PC時代と小型HDDの普及\n\n**1980年のSeagate ST-506** は、PC時代のHDDの象徴的な製品です。 \nComputer History Museumは、これを最初の5.25インチHDDであり、PC向けHDD市場を大きく変えたモデルだと説明しています。 ([CHM](https://www.computerhistory.org/storageengine/seagate-5-25-inch-hdd-becomes-pc-standard/?utm_source=chatgpt.com))\n\nこの時代の重要な変化は、\n\n- HDDが大型計算機だけのものではなくなる\n- 小型フォームファクタ化が進む\n- PC市場に広がる\n\nことでした。 ([CHM](https://www.computerhistory.org/storageengine/seagate-5-25-inch-hdd-becomes-pc-standard/?utm_source=chatgpt.com))\n\nここまでは、まだ**読み取りは主に誘導型**、書き込みも\\*\\*長手記録（LMR）\\*\\*の時代です。\n\n---\n\n## \\5. 読み込み技術の第1世代 ― 誘導ヘッド\n\nHDD初期の読み取りは、基本的に**電磁誘導**を使っていました。 \n磁場が変化するとコイルに電圧が生じる、という高校物理でも出てくる原理です。\n\nこれはシンプルでしたが、ビットが小さくなると、**読み出せる信号も小さくなりすぎる**という問題がありました。ノーベル賞の解説でも、高密度化にはより高感度な読取り方式が必要になったと説明されています。 ([CHM](https://computerhistory.org/blog/the-storage-engine-a-timeline-of-milestones-in-storage-technology/?utm_source=chatgpt.com))\n\nつまり、\n\n```\nビットを小さくしたい\n↓\nでも誘導方式では信号が弱くなる\n↓\nもっと敏感な「読む目」が必要\n```\n\nという流れです。\n\n---\n\n## \\6. 1991年 ― AMR読取りヘッドの実用化\n\nここで登場するのが **AMR（異方性磁気抵抗効果）** です。 \nAMRは、**磁化の向きと電流の向きの関係で抵抗が少し変わる現象**で、これを利用すると磁場を抵抗変化として読めます。MRS Bulletinのレビューは、HDDのMR reader 技術の出発点として AMR を挙げています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))\n\nComputer History Museumは、**1990年にIBMがMR read-head HDDを導入**したとまとめています。実用展開の節目としては、1991年のIBM機がよく挙げられます。 ([CHM](https://www.computerhistory.org/storageengine/magnetoresistive-read-head-hdd-introduced/?utm_source=chatgpt.com))\n\nAMRによって、HDDは\n\n- コイルで読む時代\n- 磁気抵抗で読む時代\n\nへ移りました。 \nこれは読み取り技術の大転換でした。 ([CHM](https://www.computerhistory.org/storageengine/magnetoresistive-read-head-hdd-introduced/?utm_source=chatgpt.com))\n\n---\n\n## \\7. 1997年 ― GMRがHDDを大きく押し上げる\n\nその次に来たのが **GMR（巨大磁気抵抗効果）** です。 \nGMRは1988年に Albert Fert と Peter Grünberg が独立に発見し、2007年ノーベル物理学賞の対象になりました。ノーベル賞は、GMRがコンパクトHDDの高感度読出しヘッドを可能にしたと説明しています。 ([Computer History Archive](https://archive.computerhistory.org/resources/access/text/2019/09/102781311-05-01-acc.pdf?utm_source=chatgpt.com))\n\nComputer History Museumは、**1997年にIBMがspin-valve GMR headを導入**し、1 Gbit/in²級の記録密度を達成したとまとめています。 ([CHM](https://www.computerhistory.org/storageengine/magnetoresistive-read-head-hdd-introduced/?utm_source=chatgpt.com))\n\nGMRの意義は、AMRよりも**抵抗変化が大きく、より小さなビットを読める**ことでした。 \nMRS Bulletinのレビューでも、AMRとGMRの導入によって面記録密度が大きく伸びたとされています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/services/aop-cambridge-core/content/view/3CCD708BD7A71E7F6944F76ED661B887/S0883769418000039a.pdf/read_sensor_technology_for_ultrahigh_density_magnetic_recording.pdf?utm_source=chatgpt.com))\n\nここは、 \n**基礎物理の発見が、そのまま大容量化へつながった代表例** \nです。 ([Computer History Archive](https://archive.computerhistory.org/resources/access/text/2019/09/102781311-05-01-acc.pdf?utm_source=chatgpt.com))\n\n---\n\n## \\8. 2000年代半ば ― TMRとMgOでさらに高感度に\n\n次の読み取り技術が **TMR（トンネル磁気抵抗効果）** です。 \nTMRは、**磁性体 / 絶縁体 / 磁性体** の構造で、電子のトンネルのしやすさが磁化配列で変わる現象です。MRS Bulletinのレビューは、HDD reader 技術が **AMR → CIP-GMR → CPP-TMR** と進んだと説明しています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))\n\nTMRが実用化で大きく前進した要因のひとつが **MgO barrier** です。 \nAISTは2004年、MgOをトンネル障壁に使った高性能TMR素子で、室温230%の巨大磁気抵抗比を達成したと発表しました。 ([aist.go.jp](https://www.aist.go.jp/aist_e/list/latest_research/2004/20040907/20040907.html?utm_source=chatgpt.com))\n\nさらに、JST/AIST系資料では、**MgO-TMR head が2007年に商用化**されたとされています。 ([jst.go.jp](https://www.jst.go.jp/sicp/ws2009_sp1st/presentation/15.pdf?utm_source=chatgpt.com))\n\nつまり読み取り技術の流れは、ざっくりこうです。\n\n```\n誘導ヘッド\n↓\nAMR\n↓\nGMR\n↓\nTMR\n```\n\nそして現在は、**TMR reader が主流**という理解で大きく外しません。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))\n\n---\n\n## \\9. 書き込み技術の初期 ― LMRの時代\n\nここからは**書き込み技術**の話です。 \n長い間HDDは **LMR（Longitudinal Magnetic Recording）**、つまり**長手磁気記録**を使っていました。\n\nLMRでは、磁化はディスク表面に沿って横向きに並びます。 \nSeagateは、**PMRが2006年に導入されるまで、LMRが1956年以来の方式だった**と説明しています。 ([investors.seagate.com](https://investors.seagate.com/news/news-details/2012/Seagate-reaches-One-Terabit-per-Square-Inch-Milestone-in-Hard-Drive-Storage-with-New-Technology-Demonstration/default.aspx?utm_source=chatgpt.com))\n\nLMRは長く主流でしたが、高密度化が進むと\n\n- ビット同士の干渉\n- 熱安定性の悪化\n\nが問題になり、さらに細かく書くのが難しくなっていきました。 ([investors.seagate.com](https://investors.seagate.com/news/news-details/2012/Seagate-reaches-One-Terabit-per-Square-Inch-Milestone-in-Hard-Drive-Storage-with-New-Technology-Demonstration/default.aspx?utm_source=chatgpt.com))\n\n---\n\n## \\10. 2005〜2006年 ― PMRへの世代交代\n\nここで大きな転換点になるのが **PMR（Perpendicular Magnetic Recording）**、つまり**垂直磁気記録**です。 \nToshibaは**2005年に業界初のPMR HDDを商用化**したと案内しており、Seagateは**PMRが2006年に導入され、LMRを置き換えた**と説明しています。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/ap-en/storage/about-our-storage-products/milestones.html?utm_source=chatgpt.com))\n\nPMRのポイントは、磁化を**表面に対して垂直方向**に立てて記録することです。 \nこれによって、より小さなビットを安定して並べやすくなりました。 ([investors.seagate.com](https://investors.seagate.com/news/news-details/2012/Seagate-reaches-One-Terabit-per-Square-Inch-Milestone-in-Hard-Drive-Storage-with-New-Technology-Demonstration/default.aspx?utm_source=chatgpt.com))\n\nまたPMRでは、記録層の下に\\*\\*軟磁性下地層（SUL）\\*\\*を置き、書き込みヘッドの磁束を効率よく回すことで、より強い垂直磁場を作れるようになりました。これは高保磁力媒体を使ううえでも重要でした。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/services/aop-cambridge-core/content/view/3CCD708BD7A71E7F6944F76ED661B887/S0883769418000039a.pdf/read_sensor_technology_for_ultrahigh_density_magnetic_recording.pdf?utm_source=chatgpt.com))\n\nここで、書き込み技術は \n**「横向きに書く」から「縦向きに書く」へ** \n大きく変わりました。\n\n---\n\n## \\11. 2010年代後半〜2020年ごろ ― ePMR\n\nPMRの次に出てきたのが **ePMR** です。 \nePMRは、PMRの延長線上で、**書き込みヘッドの主極に電流を流して書き込みの再現性を上げる**技術です。IRDSは、これにより write head の switching がより一貫して速くなり、**timing jitter を減らし、bits can be written closer together** になると説明しています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))\n\nWDは、ePMRをMAMRなど他のEAMR技術研究の過程で製品化した最初の実装として説明しており、**2019年末に18TB CMR/20TB SMR製品を発表**しています。 ([CHM](https://www.computerhistory.org/storageengine/magnetoresistive-read-head-hdd-introduced/?utm_source=chatgpt.com))\n\nePMRの本質は、 \n**「より強引に書く」より「より正確に揃えて書く」** \nことです。 \nこれによってBPIが上がり、容量密度が伸びます。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))\n\n---\n\n## \\12. 2021年ごろ〜 ― MAMRの実用展開\n\n**MAMR（Microwave-Assisted Magnetic Recording）** は、マイクロ波で書き込みを助ける方式です。 \nToshibaは **FC-MAMR** を18TB級から実製品に展開しており、24TB級にも拡大しています。ここでは、STO（Spin Torque Oscillator）を用いてマイクロ波を発生させ、磁化反転を助けます。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/ap-en/storage/about-our-storage-products/milestones.html?utm_source=chatgpt.com))\n\nMAMRの役割は、 \n**高保磁力で安定な媒体を、マイクロ波の助けで書きやすくする** \nことです。 \nPMRだけでは厳しくなってきた高密度化を、もう一段押し上げる技術です。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/ap-en/storage/about-our-storage-products/milestones.html?utm_source=chatgpt.com))\n\n---\n\n## \\13. 2024年以降 ― HAMRが本格量産段階へ\n\nさらに先へ行く技術が **HAMR（Heat-Assisted Magnetic Recording）** です。 \nHAMRでは、**書く瞬間だけ媒体のごく小さな部分を加熱し、一時的に書き込みやすくする**ことで、普段は高保磁力で安定な媒体を使えるようにします。SeagateはHAMRを、PMRの次の高密度化本命として長く開発してきました。 ([investors.seagate.com](https://investors.seagate.com/news/news-details/2012/Seagate-reaches-One-Terabit-per-Square-Inch-Milestone-in-Hard-Drive-Storage-with-New-Technology-Demonstration/default.aspx?utm_source=chatgpt.com))\n\nHAMRのヘッドには、\n\n- **レーザー**\n- **光導波路**\n- **NFT（near-field transducer）**\n\nが追加されます。 \nこれにより、媒体のごく小さな領域だけを瞬間的に加熱できます。SeagateのHAMR技術説明でも、この3要素がヘッドに追加されるとされています。 ([investors.seagate.com](https://investors.seagate.com/news/news-details/2012/Seagate-reaches-One-Terabit-per-Square-Inch-Milestone-in-Hard-Drive-Storage-with-New-Technology-Demonstration/default.aspx?utm_source=chatgpt.com))\n\nここで書き込み技術は、ついに \n**磁場だけでなく、熱も使う** \n段階へ進んだわけです。 ([investors.seagate.com](https://investors.seagate.com/news/news-details/2012/Seagate-reaches-One-Terabit-per-Square-Inch-Milestone-in-Hard-Drive-Storage-with-New-Technology-Demonstration/default.aspx?utm_source=chatgpt.com))\n\n---\n\n## \\14. 読み込み技術と書き込み技術を並べると\n\nここまでの流れを、読む技術と書く技術で並べるとこうなります。\n\n```\n読む技術\n誘導ヘッド\n↓\nAMR（1990/1991ごろ）\n↓\nGMR（1997ごろ）\n↓\nTMR（2004-2007ごろ本格化）\n\n書く技術\nLMR（1956-2005/2006ごろ）\n↓\nPMR（2005-2006ごろ）\n↓\nePMR（2019-2020ごろ本格化）\n↓\nMAMR（2021ごろ実用拡大）\n↓\nHAMR（2024以降本格量産拡大）\n```\n\nつまりHDDの進化は、 \n**読む目を高感度にしながら、書き方も高密度化してきた二本立ての歴史** \nです。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))\n\n---\n\n## \\15. 物理の発見と応用の歴史でもある\n\nHDDの歴史は、単なる機械工学の歴史ではありません。 \nそれは同時に、**物理の発見が工業製品に組み込まれていく歴史**でもあります。\n\n- **電磁誘導** → 初期の読み取りヘッド\n- **磁気抵抗** → AMR\n- **巨大磁気抵抗** → GMR\n- **量子トンネル効果** → TMR\n- **垂直磁気記録** → PMR\n- **ヘッド電流制御** → ePMR\n- **スピントルク発振** → MAMR\n- **局所加熱と近接場光学** → HAMR\n\nというふうに、HDDはその時代ごとの最先端の物理を取り込みながら進化してきました。 ([Computer History Archive](https://archive.computerhistory.org/resources/access/text/2019/09/102781311-05-01-acc.pdf?utm_source=chatgpt.com))\n\n---\n\n## \\16. まとめ\n\nHDDの歴史を一言でまとめるなら、\n\n**「より小さな磁気を、より正確に書き、より敏感に読むための技術の積み重ね」**\n\nです。\n\n年代ごとに見ると、\n\n- **1956年** \n IBM 350でHDD誕生。 ([CHM](https://www.computerhistory.org/storageengine/first-commercial-hard-disk-drive-shipped/?utm_source=chatgpt.com))\n- **1960年代** \n 浮上ヘッドで密度と速度が向上。 ([CHM](https://www.computerhistory.org/storageengine/flying-heads-improve-hdd-capacity-speed/?utm_source=chatgpt.com))\n- **1973年** \n Winchesterで現代的な構造が確立。 ([CHM](https://www.computerhistory.org/storageengine/winchester-pioneers-key-hdd-technology/?utm_source=chatgpt.com))\n- **1990〜1991年** \n AMR読取りヘッド実用化。 ([CHM](https://www.computerhistory.org/storageengine/magnetoresistive-read-head-hdd-introduced/?utm_source=chatgpt.com))\n- **1997年** \n GMR読取りヘッド実用化。 ([CHM](https://www.computerhistory.org/storageengine/magnetoresistive-read-head-hdd-introduced/?utm_source=chatgpt.com))\n- **2004〜2007年** \n MgO-TMRが進展し、TMR reader が本格化。 ([aist.go.jp](https://www.aist.go.jp/aist_e/list/latest_research/2004/20040907/20040907.html?utm_source=chatgpt.com))\n- **2005〜2006年** \n PMRがLMRを置き換え始める。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/ap-en/storage/about-our-storage-products/milestones.html?utm_source=chatgpt.com))\n- **2019〜2020年** \n ePMRが大容量HDDで本格化。 ([IBM](https://www.ibm.com/history/lou-stevens?utm_source=chatgpt.com))\n- **2021年ごろ以降** \n MAMR実用展開。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/ap-en/storage/about-our-storage-products/milestones.html?utm_source=chatgpt.com))\n- **2024年以降** \n HAMRが本格量産段階へ。 ([investors.seagate.com](https://investors.seagate.com/news/news-details/2012/Seagate-reaches-One-Terabit-per-Square-Inch-Milestone-in-Hard-Drive-Storage-with-New-Technology-Demonstration/default.aspx?utm_source=chatgpt.com))\n\n現在のHDDは、 \n**TMRで読み、PMR/ePMR/MAMR/HAMR系で書く** \nという、長い進化の積み重ねの上に成り立っています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))\n\nサムネはPixAIsunflowerモデルとnanobanana2","blocks":[{"id":"blk_f65139c4-6a8c-45af-a386-1684a26b5049","kind":"figure","order":0,"section_id":"sec_79add717-e55e-4d0d-917f-fd60874b4f6a","character_id":null,"markdown":"![](/media/343c84d8ea196fb9b536c3b2151346f4102209a8a150041e823f5589a4e684b3-content.webp)","render_override":null},{"id":"blk_17d41a05-6b6a-4bcf-99de-7dcb70abae4c","kind":"heading","order":1,"section_id":"sec_cbb9f242-2fa5-46bf-a780-4c3dbc9a0f96","character_id":null,"markdown":"## HDDはどうやって動くのか","render_override":null},{"id":"blk_5f3f1662-2c83-4318-b0c5-a5964e3d362d","kind":"heading","order":2,"section_id":"sec_60515478-8b68-424b-ad54-3b3ee133e5e7","character_id":null,"markdown":"## LMRからHAMRまで、高密度化の歴史と仕組みをやさしく解説","render_override":null},{"id":"blk_100d8a27-b487-4ecc-a551-d0a16607fb05","kind":"paragraph","order":3,"section_id":"sec_60515478-8b68-424b-ad54-3b3ee133e5e7","character_id":null,"markdown":"HDD（ハードディスクドライブ）は、見た目は「回る円盤」ですが、中ではかなり高度な物理と微細加工技術が使われています。 \nそしてHDDの進化は、単に部品を大きくしたり速くしたりしたのではなく、いかに小さな磁石を、より正確に、より密に、より安定して並べるかという戦いでした。WDの技術資料でも、現代のCMR/SMRやePMR/MAMR/HAMRは、すべてPMRを土台にした高密度化技術だと整理されています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_6431258e-13fe-4204-9d53-162f4e342fa2","kind":"paragraph","order":4,"section_id":"sec_60515478-8b68-424b-ad54-3b3ee133e5e7","character_id":null,"markdown":"この記事では、まずHDDの基本動作を説明し、その後でLMRからHAMRまでの技術の進化を順番に見ていきます。","render_override":null},{"id":"blk_1561ff88-8786-4103-b38f-5a6293e074b0","kind":"thematic_break","order":5,"section_id":"sec_60515478-8b68-424b-ad54-3b3ee133e5e7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c06d2abb-20f2-40da-a86e-ecd2af83e7dc","kind":"heading","order":6,"section_id":"sec_a6d5f673-2902-4a50-8242-3c19fbb61193","character_id":null,"markdown":"## \\1. HDDの基本動作","render_override":null},{"id":"blk_2b17c4e8-b87a-464f-9529-f9ad142250ac","kind":"paragraph","order":7,"section_id":"sec_a6d5f673-2902-4a50-8242-3c19fbb61193","character_id":null,"markdown":"HDDは、回転する円盤の表面にある**磁性体の向き**を変えることでデータを保存します。 \nとても小さな領域ごとに、磁化の向きが「上向き」か「下向き」か、あるいは昔の方式では「左向き」か「右向き」かのように決まり、それを 0 と 1 に対応させます。PMRの説明資料では、記録技術の本質は、こうした微小なビットをより小さく、より密に配置することにあると説明されています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_6e23fe8e-e989-416a-b10c-37e252b8da33","kind":"paragraph","order":8,"section_id":"sec_a6d5f673-2902-4a50-8242-3c19fbb61193","character_id":null,"markdown":"HDDの内部では、主に次の3つが重要です。","render_override":null},{"id":"blk_d7c61a13-d104-424b-8ed3-e257c0c148c8","kind":"list","order":9,"section_id":"sec_a6d5f673-2902-4a50-8242-3c19fbb61193","character_id":null,"markdown":"- **ディスク（媒体）** \n データを保存する場所です。\n- **書き込みヘッド** \n 磁場を使って、媒体の磁化の向きを変えます。\n- **読み取りヘッド** \n すでに書かれた磁気の変化を検出して、電気信号として読み出します。","render_override":null},{"id":"blk_6d932947-5b25-4e21-9f06-42df12bd937e","kind":"paragraph","order":10,"section_id":"sec_a6d5f673-2902-4a50-8242-3c19fbb61193","character_id":null,"markdown":"かなり単純化すると、HDDはこういう装置です。","render_override":null},{"id":"blk_7296869a-df5c-4046-89cd-e415039144b9","kind":"code","order":11,"section_id":"sec_a6d5f673-2902-4a50-8242-3c19fbb61193","character_id":null,"markdown":"```\n書き込みヘッド → 磁化の向きを変える → データを書く\n読み取りヘッド → 磁気の変化を感じる → データを読む\n```","render_override":null},{"id":"blk_03e2ee2e-208d-4304-a356-77ad8331c624","kind":"thematic_break","order":12,"section_id":"sec_a6d5f673-2902-4a50-8242-3c19fbb61193","character_id":null,"markdown":"---","render_override":null},{"id":"blk_42a01d8c-65b2-441a-8cde-46a96031ac27","kind":"heading","order":13,"section_id":"sec_1551b339-1503-476b-a188-d797163fbbdb","character_id":null,"markdown":"## \\2. 容量を増やすとはどういうことか","render_override":null},{"id":"blk_9ee905d4-b041-49b3-9d27-257080712af3","kind":"paragraph","order":14,"section_id":"sec_1551b339-1503-476b-a188-d797163fbbdb","character_id":null,"markdown":"HDDの容量を増やすには、**同じ面積により多くのビットを入れる**必要があります。 \nそのために重要なのが **BPI** と **TPI** です。WDは、HDDの面記録密度は主にこの2つで決まると説明しています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_9fddf6f9-08be-41ff-8d91-60ab649fca4a","kind":"list","order":15,"section_id":"sec_1551b339-1503-476b-a188-d797163fbbdb","character_id":null,"markdown":"- **BPI（Bits Per Inch）** \n トラックの長さ方向1インチあたりに何個のビットを並べられるか\n- **TPI（Tracks Per Inch）** \n 1インチの幅の中に何本のトラックを並べられるか","render_override":null},{"id":"blk_63e48a74-eeb2-4eb6-9c7f-c231aee1cb6c","kind":"paragraph","order":16,"section_id":"sec_1551b339-1503-476b-a188-d797163fbbdb","character_id":null,"markdown":"つまり容量を増やすには、","render_override":null},{"id":"blk_599fb04a-b013-4705-aa2e-b1462a09048d","kind":"list","order":17,"section_id":"sec_1551b339-1503-476b-a188-d797163fbbdb","character_id":null,"markdown":"- ビットをもっと短くする\n- トラック同士をもっと狭くする","render_override":null},{"id":"blk_b5d48813-a3d7-4190-801b-68dad4afe40e","kind":"paragraph","order":18,"section_id":"sec_1551b339-1503-476b-a188-d797163fbbdb","character_id":null,"markdown":"必要があります。 \nただし、ここで問題になるのが**読みづらさ**と**書きづらさ**です。ビットを小さくしすぎると、信号が弱くなったり、熱で不安定になったりします。IRDSも、面記録密度を伸ばすうえで最大の課題の一つが **SNR（信号対雑音比）** の改善だと述べています。 ([irds.ieee.org](https://irds.ieee.org/images/files/pdf/2023/2023IRDS_MDS.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_edb247a0-092f-4c8f-a9d0-9dfd35273180","kind":"thematic_break","order":19,"section_id":"sec_1551b339-1503-476b-a188-d797163fbbdb","character_id":null,"markdown":"---","render_override":null},{"id":"blk_6b41f678-331a-457f-bf36-afcea3ec7fd7","kind":"heading","order":20,"section_id":"sec_81e90237-9437-4f79-9079-5ef1ebdc7927","character_id":null,"markdown":"## \\3. LMR：昔の基本方式","render_override":null},{"id":"blk_e93e1ce7-4363-40ff-aab2-81fa6e73f988","kind":"paragraph","order":21,"section_id":"sec_81e90237-9437-4f79-9079-5ef1ebdc7927","character_id":null,"markdown":"HDDの昔の方式は **LMR（Longitudinal Magnetic Recording）**、日本語では**水平磁気記録**です。 \nこれは、磁化をディスク表面に沿って横向きに並べる方式です。WDのPMR白書では、LMRではリング型ヘッドのギャップから出るフリンジ磁場を使って記録すると説明されています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_2e10c356-d6a4-43b7-8cfe-c9cfc50a7a0c","kind":"paragraph","order":22,"section_id":"sec_81e90237-9437-4f79-9079-5ef1ebdc7927","character_id":null,"markdown":"イメージはこうです。","render_override":null},{"id":"blk_e62ada3d-8ceb-4d34-90c7-4b0f36678d1a","kind":"code","order":23,"section_id":"sec_81e90237-9437-4f79-9079-5ef1ebdc7927","character_id":null,"markdown":"```\nLMR\n→ → → → →\n表面に沿って横向きに並ぶ\n```","render_override":null},{"id":"blk_7729fc6a-a0e2-40d7-8bdf-1c7786cc7e6d","kind":"paragraph","order":24,"section_id":"sec_81e90237-9437-4f79-9079-5ef1ebdc7927","character_id":null,"markdown":"LMRは長い間使われましたが、ビットをどんどん小さくしていくと、隣のビットとの干渉や熱的不安定性が問題になり、さらに高密度化するのが難しくなっていきました。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_50e93031-3010-4d9f-b81a-c6163f5ad998","kind":"thematic_break","order":25,"section_id":"sec_81e90237-9437-4f79-9079-5ef1ebdc7927","character_id":null,"markdown":"---","render_override":null},{"id":"blk_dab39fdd-d7d4-4a7f-8a68-c3bf3d317feb","kind":"heading","order":26,"section_id":"sec_bba908b3-4f31-4a5f-bd58-3ac4a9aa9fa2","character_id":null,"markdown":"## \\4. PMR：現代HDDの土台","render_override":null},{"id":"blk_1a0f6514-4cb7-4ea6-8e2d-71198c7437f2","kind":"paragraph","order":27,"section_id":"sec_bba908b3-4f31-4a5f-bd58-3ac4a9aa9fa2","character_id":null,"markdown":"その次に登場したのが **PMR（Perpendicular Magnetic Recording）**、日本語では**垂直磁気記録**です。 \nこれは磁化をディスク表面に対して垂直、つまり上下方向に立てて記録する方式です。WDは、現在語られるePMR、MAMR、HAMRも含め、現代の記録技術はPMRを土台にしていると説明しています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_6a5ef5dc-b537-414d-ab81-6a97f3b27f61","kind":"paragraph","order":28,"section_id":"sec_bba908b3-4f31-4a5f-bd58-3ac4a9aa9fa2","character_id":null,"markdown":"イメージはこうです。","render_override":null},{"id":"blk_51bfc001-367d-4233-a86a-ca4f38ba631e","kind":"code","order":29,"section_id":"sec_bba908b3-4f31-4a5f-bd58-3ac4a9aa9fa2","character_id":null,"markdown":"```\nPMR\n↑ ↓ ↑ ↓ ↑ ↓\n表面に対して縦向きに並ぶ\n```","render_override":null},{"id":"blk_7bda2c84-2685-4c21-97a3-114a3e45349d","kind":"paragraph","order":30,"section_id":"sec_bba908b3-4f31-4a5f-bd58-3ac4a9aa9fa2","character_id":null,"markdown":"PMRが重要だった理由は、**ビットをより高密度に配置しやすくなったこと**です。 \nさらにPMRでは、記録層の下に **軟磁性下地層（Soft Underlayer, SUL）** を置くことで、書き込みヘッドの磁束を効率よく通し、より強い垂直磁場を作れるようになりました。WDとSeagateの資料は、これによって高保磁力媒体にも書き込みやすくなったと説明しています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_1ea71bfe-b481-4c9c-8c8f-a0f42a88c0f9","kind":"thematic_break","order":31,"section_id":"sec_bba908b3-4f31-4a5f-bd58-3ac4a9aa9fa2","character_id":null,"markdown":"---","render_override":null},{"id":"blk_e4daac82-506b-42b5-9e49-e04b7433c11c","kind":"heading","order":32,"section_id":"sec_fb425dc2-116c-4984-9f41-c463dcba724c","character_id":null,"markdown":"## \\5. 記録層と軟磁性下地層","render_override":null},{"id":"blk_39a598c0-b966-4be4-b979-019fac239ce4","kind":"paragraph","order":33,"section_id":"sec_fb425dc2-116c-4984-9f41-c463dcba724c","character_id":null,"markdown":"PMRを理解するには、この2つが大事です。","render_override":null},{"id":"blk_d7edbd5c-f1bd-471a-959d-05e68a0a0d3f","kind":"heading","order":34,"section_id":"sec_c6b9f048-10e7-4ee2-8836-c16f9ab7def9","character_id":null,"markdown":"### 記録層","render_override":null},{"id":"blk_38cbdaf0-4d3b-4b31-9159-eeae6dc317e0","kind":"paragraph","order":35,"section_id":"sec_c6b9f048-10e7-4ee2-8836-c16f9ab7def9","character_id":null,"markdown":"実際にデータを保存する磁性体の層です。 \nここにある粒子の磁化の向きで 0 と 1 を表します。","render_override":null},{"id":"blk_eb75ee7a-369f-401c-8bb6-f37cbd2b70ff","kind":"heading","order":36,"section_id":"sec_32456632-6a63-40b9-b0f1-ce8f7f14c53e","character_id":null,"markdown":"### 軟磁性下地層","render_override":null},{"id":"blk_f41e7b4d-2fc1-4506-83ab-bf8bfc8380f3","kind":"paragraph","order":37,"section_id":"sec_32456632-6a63-40b9-b0f1-ce8f7f14c53e","character_id":null,"markdown":"記録層の下にある、磁束を通しやすい層です。 \nこれはデータ保存の主役ではなく、**磁場を強く・集中して通すための磁気回路の土台**です。WDのPMR白書では、small pole-tip の下に磁束が集中し、その下のSULがより大きな有効書き込み磁場を可能にすると説明しています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_783a69c6-b462-46ef-be7f-6ce55dd4ab0a","kind":"paragraph","order":38,"section_id":"sec_32456632-6a63-40b9-b0f1-ce8f7f14c53e","character_id":null,"markdown":"かなり簡単にいうと、","render_override":null},{"id":"blk_aac1b3a3-fb5b-4e55-bb6a-ee3bf2c08a0c","kind":"list","order":39,"section_id":"sec_32456632-6a63-40b9-b0f1-ce8f7f14c53e","character_id":null,"markdown":"- 記録層 = データを書く紙\n- 軟磁性下地層 = きれいに書くための下敷き","render_override":null},{"id":"blk_208f61b3-089d-47d8-9475-150b5d7b5ecf","kind":"paragraph","order":40,"section_id":"sec_32456632-6a63-40b9-b0f1-ce8f7f14c53e","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_1207887e-1f27-4e47-8c89-29bd8cf7663c","kind":"thematic_break","order":41,"section_id":"sec_32456632-6a63-40b9-b0f1-ce8f7f14c53e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d435cdc0-435c-40f0-a44d-b57e0d568887","kind":"heading","order":42,"section_id":"sec_68f449d4-9451-4a66-914d-58d3e5dfeefe","character_id":null,"markdown":"## \\6. 書き込みヘッドとは何か","render_override":null},{"id":"blk_1b879fcc-1d25-4b79-b0a0-e15a31f99e6a","kind":"paragraph","order":43,"section_id":"sec_68f449d4-9451-4a66-914d-58d3e5dfeefe","character_id":null,"markdown":"HDDの書き込みヘッドは、**狙ったごく小さな場所に強い磁場を当てるための部品**です。 \n高密度化のためには、次の4つが必要になります。","render_override":null},{"id":"blk_c977650c-7582-4961-932f-90d8977559a7","kind":"list","order":44,"section_id":"sec_68f449d4-9451-4a66-914d-58d3e5dfeefe","character_id":null,"markdown":"- 強い磁場\n- 狭い場所に集中した磁場\n- 境界がシャープな磁場\n- 毎回同じように再現できる磁場","render_override":null},{"id":"blk_18da05ab-d0fd-47b3-aee8-b1b694b05fc3","kind":"paragraph","order":45,"section_id":"sec_68f449d4-9451-4a66-914d-58d3e5dfeefe","character_id":null,"markdown":"ここで重要になるのが、**write pole** と **trailing shield** です。WDは、PMRヘッドにおいて main pole（主極）と trailing shield が重要だと説明しています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_429ba62a-a8f7-49bb-b583-8c27d4b04887","kind":"heading","order":46,"section_id":"sec_cd9df7cb-f148-4f31-aa77-69ce75301723","character_id":null,"markdown":"### write pole","render_override":null},{"id":"blk_d1cd2754-495c-41f9-8758-638a816845e0","kind":"paragraph","order":47,"section_id":"sec_cd9df7cb-f148-4f31-aa77-69ce75301723","character_id":null,"markdown":"書き込みヘッド先端の主極です。 \n媒体に強い磁場を集中して当てる「ペン先」にあたります。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/technology-brief-energy-assisted-magnetic-recording.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_8f4a3b1d-ac87-4cab-82ee-6be3efa356fd","kind":"heading","order":48,"section_id":"sec_0fd83a31-2865-41a4-8251-3dcd68c4bebb","character_id":null,"markdown":"### trailing shield","render_override":null},{"id":"blk_e2c011b1-514a-4e55-b814-5a5daca6d23c","kind":"paragraph","order":49,"section_id":"sec_0fd83a31-2865-41a4-8251-3dcd68c4bebb","character_id":null,"markdown":"write pole の後ろ側にある構造で、磁場の広がりを抑え、境界をシャープにする部品です。 \nこれは「ペン先の書き味を整えるガイド」のようなものです。WDのPMR白書では、trailing shield によって磁場勾配が急峻になり、ビット境界がより鋭くなると説明されています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_5640c34c-74ed-4d53-90d4-d53b4b335424","kind":"heading","order":50,"section_id":"sec_0643dba0-56b5-442a-8a69-c29340ec7464","character_id":null,"markdown":"### read head","render_override":null},{"id":"blk_73381363-c0d6-48b2-93b3-966a47a126a3","kind":"paragraph","order":51,"section_id":"sec_0643dba0-56b5-442a-8a69-c29340ec7464","character_id":null,"markdown":"これは読むためのセンサーです。 \nwrite pole のように磁場を出して書くのではなく、すでに書かれた磁気変化を読み取ります。読み書きは別の役目です。 ([irds.ieee.org](https://irds.ieee.org/images/files/pdf/2023/2023IRDS_MDS.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_8864935e-b66b-431e-b706-ff316608e84b","kind":"thematic_break","order":52,"section_id":"sec_0643dba0-56b5-442a-8a69-c29340ec7464","character_id":null,"markdown":"---","render_override":null},{"id":"blk_110c42ef-d90b-436e-8ea8-336db33735b3","kind":"heading","order":53,"section_id":"sec_25fee1b5-0084-4ae5-a467-3d56c4031d48","character_id":null,"markdown":"## \\7. ePMR：PMRをより精密にした方式","render_override":null},{"id":"blk_ea40267f-83f3-4660-8a2b-0545695c3e5f","kind":"paragraph","order":54,"section_id":"sec_25fee1b5-0084-4ae5-a467-3d56c4031d48","character_id":null,"markdown":"その次の進化が **ePMR（energy-assisted PMR / EPMR）** です。 \nWDの技術資料では、ePMRはMAMRなど他のEAMR技術の研究過程で製品化された最初のEAMR実装だと説明されています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/technology-brief-energy-assisted-magnetic-recording.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_06fc2632-4eac-4840-b2f5-dce30852293b","kind":"paragraph","order":55,"section_id":"sec_25fee1b5-0084-4ae5-a467-3d56c4031d48","character_id":null,"markdown":"ePMRのポイントは、**書き込みヘッドの主極にDCバイアス電流を流す**ことです。 \nIRDSは、これによって write head の switching が **より一貫して、より速く**なり、**timing jitter** が減ると説明しています。 ([irds.ieee.org](https://irds.ieee.org/images/files/pdf/2023/2023IRDS_MDS.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_231ed853-c688-4aed-8c60-905b3cbb346e","kind":"heading","order":56,"section_id":"sec_36942ab1-6b7a-4e45-8f38-caabcd513b8e","character_id":null,"markdown":"### timing jitter とは","render_override":null},{"id":"blk_4439280e-a137-478a-ada9-4ce01ca247b1","kind":"paragraph","order":57,"section_id":"sec_36942ab1-6b7a-4e45-8f38-caabcd513b8e","character_id":null,"markdown":"本来同じ位置・同じタイミングで起きてほしい磁化反転が、少し早かったり遅かったりしてズレることです。 \nこのズレが大きいと、ビット境界がぼやけ、隣のビットと干渉しやすくなります。 ([irds.ieee.org](https://irds.ieee.org/images/files/pdf/2023/2023IRDS_MDS.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_21a3a956-70ae-476d-9c24-b0cc0503d564","kind":"heading","order":58,"section_id":"sec_b4f82bcd-ca6b-4bd3-ab86-563995f7b847","character_id":null,"markdown":"### ePMRの効果","render_override":null},{"id":"blk_fd79218b-9ac6-47be-988d-1b8714376d06","kind":"paragraph","order":59,"section_id":"sec_b4f82bcd-ca6b-4bd3-ab86-563995f7b847","character_id":null,"markdown":"ePMRでは、主極への電流で磁化反転に“preferred path”を与え、毎回似たような書き込みができるようになります。WDは、その結果 **jitter が減り、SNR が改善する** と説明しています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_7068fc9c-7cb3-428f-a27f-c50f2d94be9d","kind":"paragraph","order":60,"section_id":"sec_b4f82bcd-ca6b-4bd3-ab86-563995f7b847","character_id":null,"markdown":"ここでいう **SNR改善** は、読みたい信号がノイズに埋もれにくくなることです。 \nそして **BPI向上** は、トラックの長さ方向により多くのビットを詰めて書けるようになることです。IRDSは、ePMRによって bits can be written closer together になり、Higher BPI を実現すると説明しています。 ([irds.ieee.org](https://irds.ieee.org/images/files/pdf/2023/2023IRDS_MDS.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_b10cfe4e-9f1a-4ab2-890d-80696d941e1e","kind":"paragraph","order":61,"section_id":"sec_b4f82bcd-ca6b-4bd3-ab86-563995f7b847","character_id":null,"markdown":"つまりePMRは、 \n**“もっと強引に書く技術”というより、“もっと正確に、もっと揃えて書く技術”** \nです。主効果は容量密度の向上で、速度向上は副次的です。 ([irds.ieee.org](https://irds.ieee.org/images/files/pdf/2023/2023IRDS_MDS.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_a42e163f-62d4-4626-b50a-6de2427bfb4c","kind":"thematic_break","order":62,"section_id":"sec_b4f82bcd-ca6b-4bd3-ab86-563995f7b847","character_id":null,"markdown":"---","render_override":null},{"id":"blk_6ef2d896-585e-4f9e-9085-7fcda9593362","kind":"heading","order":63,"section_id":"sec_b2b75f8e-c31e-4440-afe1-e27250f97b8a","character_id":null,"markdown":"## \\8. 異方性 K と保磁力","render_override":null},{"id":"blk_54705139-43aa-45a1-955e-5c578ccb2b38","kind":"paragraph","order":64,"section_id":"sec_b2b75f8e-c31e-4440-afe1-e27250f97b8a","character_id":null,"markdown":"ここで、高密度化の物理を少し見ます。 \nHDDでは、ビットを小さくすれば容量は増えますが、小さくしすぎると熱で磁化が勝手に変わりやすくなります。Seagateは、高密度化では grain volume を小さくする必要がある一方、熱安定性を保つには **異方性 K** を上げる必要があると説明しています。 ([seagate.com](https://www.seagate.com/www-content/ti-dm/tech-insights/en-us/docs/TP707-1-1712US_HAMR.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_34406165-45e2-42ed-8fb1-38f6b6341cd5","kind":"heading","order":65,"section_id":"sec_8056e5a8-e26f-49c4-9e6a-7827cce38a63","character_id":null,"markdown":"### 異方性 K","render_override":null},{"id":"blk_e91a48ad-be37-4102-8814-eee2b6f74fd1","kind":"paragraph","order":66,"section_id":"sec_8056e5a8-e26f-49c4-9e6a-7827cce38a63","character_id":null,"markdown":"磁化が「この向きにいたい」と主張する強さです。 \nK が高いほど、磁化はその向きにとどまりやすく、保存中は安定です。","render_override":null},{"id":"blk_69152ce4-ccfb-489d-a04b-5a650a221346","kind":"heading","order":67,"section_id":"sec_39896bb4-7414-42e0-95a9-4ec740c6945b","character_id":null,"markdown":"### 保磁力","render_override":null},{"id":"blk_04140439-ceeb-40d0-937f-b171939be7fb","kind":"paragraph","order":68,"section_id":"sec_39896bb4-7414-42e0-95a9-4ec740c6945b","character_id":null,"markdown":"実際に磁化の向きをひっくり返すのに必要な力の大きさです。 \n高K媒体は一般に保磁力も高くなりやすく、保存には有利ですが、そのままでは書き込みにくくなります。Toshibaはこれを、scaling・thermal stability・writability の三つ巴の問題、つまり磁気記録の trilemma と説明しています。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/content/dam/toshiba-ss-v3/master/en/company/technical-review/pdf/technical-review-microwave-assisted-magnetic-recording-technology_e.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_a1877200-3b0f-48be-81a4-191c3319cf46","kind":"paragraph","order":69,"section_id":"sec_39896bb4-7414-42e0-95a9-4ec740c6945b","character_id":null,"markdown":"ここで重要なのは、","render_override":null},{"id":"blk_a92e7e11-875a-4943-8c73-ad838a8d87c2","kind":"list","order":70,"section_id":"sec_39896bb4-7414-42e0-95a9-4ec740c6945b","character_id":null,"markdown":"- 小さいビットにしたい\n- でも小さいと不安定\n- だから高K媒体にしたい\n- でも高K媒体は書きにくい","render_override":null},{"id":"blk_acc34cba-7eb6-4b22-be52-0fb02acc3700","kind":"paragraph","order":71,"section_id":"sec_39896bb4-7414-42e0-95a9-4ec740c6945b","character_id":null,"markdown":"という矛盾です。これを解決するために出てきたのが **MAMR** と **HAMR** です。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/content/dam/toshiba-ss-v3/master/en/company/technical-review/pdf/technical-review-microwave-assisted-magnetic-recording-technology_e.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_cefb4c11-318b-4876-b320-bd925327f9af","kind":"thematic_break","order":72,"section_id":"sec_39896bb4-7414-42e0-95a9-4ec740c6945b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5e5f7294-d525-4f33-b1e9-7c181755b80e","kind":"heading","order":73,"section_id":"sec_2f277d3b-7eb3-4c11-9eac-ba0a946ad69b","character_id":null,"markdown":"## \\9. MAMR：マイクロ波で書き込みを助ける","render_override":null},{"id":"blk_8c9f997f-5ae3-4991-b808-387d2382b501","kind":"paragraph","order":74,"section_id":"sec_2f277d3b-7eb3-4c11-9eac-ba0a946ad69b","character_id":null,"markdown":"**MAMR（Microwave-Assisted Magnetic Recording）** は、マイクロ波を使って磁化反転を助ける方式です。 \nToshibaの技術資料では、MAMRはヘッド内部の **STO（Spin Torque Oscillator）** によってマイクロ波磁場を発生させ、それが記録を助けると説明されています。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/content/dam/toshiba-ss-v3/master/en/company/technical-review/pdf/technical-review-microwave-assisted-magnetic-recording-technology_e.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_93a15ed7-1c6c-4221-b83b-f14070204321","kind":"heading","order":75,"section_id":"sec_aec7cf8f-38c1-4fce-a986-4e88f8ee9962","character_id":null,"markdown":"### STOとは","render_override":null},{"id":"blk_d59530eb-3682-4d8e-9839-56391b920e26","kind":"paragraph","order":76,"section_id":"sec_aec7cf8f-38c1-4fce-a986-4e88f8ee9962","character_id":null,"markdown":"超小型の発振器で、スピンの効果を使って高周波の振動を作ります。 \nMAMRでは、このSTOがマイクロ波を発生し、それが媒体の磁化反転に必要な磁場を下げる方向に働きます。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/content/dam/toshiba-ss-v3/master/en/company/technical-review/pdf/technical-review-microwave-assisted-magnetic-recording-technology_e.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_4b713a03-b70d-43c3-a978-175e493a8473","kind":"paragraph","order":77,"section_id":"sec_aec7cf8f-38c1-4fce-a986-4e88f8ee9962","character_id":null,"markdown":"Toshibaは、MAMRは高Ku媒体での trilemma を乗り越える有望技術だと説明しており、実際にFC-MAMRを18TB級製品に展開しました。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/content/dam/toshiba-ss-v3/master/en/company/technical-review/pdf/technical-review-microwave-assisted-magnetic-recording-technology_e.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_f866cc47-185d-452c-a423-434e05bb6de6","kind":"paragraph","order":78,"section_id":"sec_aec7cf8f-38c1-4fce-a986-4e88f8ee9962","character_id":null,"markdown":"MAMRは、かなり噛み砕くと \n**“磁石をただ押すだけではなく、ちょうどいいリズムで揺さぶって反転しやすくする技術”** \nです。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/content/dam/toshiba-ss-v3/master/en/company/technical-review/pdf/technical-review-microwave-assisted-magnetic-recording-technology_e.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_d0fb82f8-a280-4d65-8c35-12a4a6aaa803","kind":"thematic_break","order":79,"section_id":"sec_aec7cf8f-38c1-4fce-a986-4e88f8ee9962","character_id":null,"markdown":"---","render_override":null},{"id":"blk_739f7b3c-dcd6-44d9-b089-574adb87c507","kind":"heading","order":80,"section_id":"sec_d25c52b0-55b5-4513-8024-8c79e4a7cfed","character_id":null,"markdown":"## \\10. HAMR：熱で一時的に書きやすくする","render_override":null},{"id":"blk_31e47344-cc8e-40a4-b5e2-6a818c817a33","kind":"paragraph","order":81,"section_id":"sec_d25c52b0-55b5-4513-8024-8c79e4a7cfed","character_id":null,"markdown":"**HAMR（Heat-Assisted Magnetic Recording）** は、熱を使って書き込みを助ける方式です。 \nSeagateのHAMR技術資料では、HAMRは媒体を**熱いときに書き、冷えた後は保存する**方式だと説明されています。 ([seagate.com](https://www.seagate.com/www-content/ti-dm/tech-insights/en-us/docs/TP707-1-1712US_HAMR.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_9daaa69b-da01-4fd0-bf6f-1049a2b81a30","kind":"paragraph","order":82,"section_id":"sec_d25c52b0-55b5-4513-8024-8c79e4a7cfed","character_id":null,"markdown":"考え方はこうです。","render_override":null},{"id":"blk_f327d04e-37b9-4c3b-ad54-185b06eb3f35","kind":"list","order":83,"section_id":"sec_d25c52b0-55b5-4513-8024-8c79e4a7cfed","character_id":null,"markdown":"- 普段は高保磁力で安定な媒体を使う\n- そのままだと書けない\n- 書く瞬間だけ局所的に加熱する\n- すると一時的に保磁力が下がり、書き込みヘッドで書ける\n- 冷えるとまた高保磁力に戻り、安定保存できる","render_override":null},{"id":"blk_5961d717-540c-4619-ad2d-9f6a4001f9a4","kind":"paragraph","order":84,"section_id":"sec_d25c52b0-55b5-4513-8024-8c79e4a7cfed","character_id":null,"markdown":"つまりHAMRは、 \n**“普段は強くて安定、書く瞬間だけ弱くして書きやすくする”** \n方式です。Seagateは、この考え方によって高異方性媒体を使え、より小さい grain でも安定性を確保できると説明しています。 ([seagate.com](https://www.seagate.com/www-content/ti-dm/tech-insights/en-us/docs/TP707-1-1712US_HAMR.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_39319108-8677-4cef-9e98-9d80c96fe321","kind":"paragraph","order":85,"section_id":"sec_d25c52b0-55b5-4513-8024-8c79e4a7cfed","character_id":null,"markdown":"これによって、より小さいビットを長期安定に使えるようになり、結果として容量が増えます。 ([seagate.com](https://www.seagate.com/www-content/ti-dm/tech-insights/en-us/docs/TP707-1-1712US_HAMR.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_775b90f5-1bcf-44e3-b5f6-cc7e162d1375","kind":"thematic_break","order":86,"section_id":"sec_d25c52b0-55b5-4513-8024-8c79e4a7cfed","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5866d868-d133-40aa-940f-02ccd696ce90","kind":"heading","order":87,"section_id":"sec_2a201618-ebc9-4477-92a8-3e1a6b58efd9","character_id":null,"markdown":"## \\11. HAMRのレーザー＋光導波路＋NFTとは何か","render_override":null},{"id":"blk_4caa0e23-ef77-4eb2-915a-0bd10240a4ac","kind":"paragraph","order":88,"section_id":"sec_2a201618-ebc9-4477-92a8-3e1a6b58efd9","character_id":null,"markdown":"HAMRでは、通常のPMRヘッドにない3つの光学部品が追加されます。Seagateは、HAMRヘッドには **laser、optical waveguide、NFT** を追加すると説明しています。 ([seagate.com](https://www.seagate.com/www-content/ti-dm/tech-insights/en-us/docs/TP707-1-1712US_HAMR.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_2fd94244-a025-44cb-8415-e1e4c4c72207","kind":"heading","order":89,"section_id":"sec_0e4636d1-2f58-4a84-a98c-ecd1a89c1a7a","character_id":null,"markdown":"### レーザー","render_override":null},{"id":"blk_f8014bf2-152a-44bd-9ac6-814793c84a2b","kind":"paragraph","order":90,"section_id":"sec_0e4636d1-2f58-4a84-a98c-ecd1a89c1a7a","character_id":null,"markdown":"加熱の元になる光を作る部品です。 \nこれが光エネルギーの出発点になります。 ([seagate.com](https://www.seagate.com/www-content/ti-dm/tech-insights/en-us/docs/TP707-1-1712US_HAMR.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_a0fdd369-4e07-4c2f-803c-e068aea9471f","kind":"heading","order":91,"section_id":"sec_6c13934b-f7f6-4a44-8f4d-d08c1c5dd0aa","character_id":null,"markdown":"### 光導波路（optical waveguide）","render_override":null},{"id":"blk_8d50ed07-99ee-4d39-96b7-ce0ff2d83dcf","kind":"paragraph","order":92,"section_id":"sec_6c13934b-f7f6-4a44-8f4d-d08c1c5dd0aa","character_id":null,"markdown":"レーザーの光を、ヘッドの先端まで運ぶ通路です。 \n発電所から送電線で電気を送るようなものです。 ([seagate.com](https://www.seagate.com/www-content/ti-dm/tech-insights/en-us/docs/TP707-1-1712US_HAMR.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e0de7deb-a131-415a-b655-fc689ea63b51","kind":"heading","order":93,"section_id":"sec_16e87d02-29fd-414c-82aa-9f0cbfebfee9","character_id":null,"markdown":"### NFT（near-field transducer）","render_override":null},{"id":"blk_5425d5c0-2b37-449d-b20d-face87228a0d","kind":"paragraph","order":94,"section_id":"sec_16e87d02-29fd-414c-82aa-9f0cbfebfee9","character_id":null,"markdown":"最も重要な部品です。 \n普通の光は広がってしまうので、そのままでは数十nmという極小スポットにできません。NFTは、光を**近接場**として極小領域に集中させ、媒体表面のごく一部だけを加熱します。Seagate系資料では、HAMRでは thermal and magnetic spots が 30nm未満である必要があると説明されています。 ([evatecnet.com](https://evatecnet.com/media/hzvds4rt/layers6_semi_seagate_2705a.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_60941749-546a-4adc-9bfc-b12aa582225f","kind":"paragraph","order":95,"section_id":"sec_16e87d02-29fd-414c-82aa-9f0cbfebfee9","character_id":null,"markdown":"つまりHAMRの光学系は、","render_override":null},{"id":"blk_85d04318-8ec0-499a-abad-9f551defb51c","kind":"code","order":96,"section_id":"sec_16e87d02-29fd-414c-82aa-9f0cbfebfee9","character_id":null,"markdown":"```\nレーザー → 光導波路 → NFT → 媒体の極小領域を加熱\n```","render_override":null},{"id":"blk_110ba1f4-5cba-4f46-8ef8-9f0f0c1073b3","kind":"paragraph","order":97,"section_id":"sec_16e87d02-29fd-414c-82aa-9f0cbfebfee9","character_id":null,"markdown":"という流れです。 \nこのおかげで、隣のビットまで温めずに、必要な場所だけ一瞬だけ加熱できます。Seagateは heating, writing, and cooling が 1ナノ秒未満で起きると説明しています。 ([seagate.com](https://www.seagate.com/www-content/ti-dm/tech-insights/en-us/docs/TP707-1-1712US_HAMR.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_85c35f4f-ac80-413e-a24d-1e7cef87cec4","kind":"thematic_break","order":98,"section_id":"sec_16e87d02-29fd-414c-82aa-9f0cbfebfee9","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f7d375bb-c6bd-4c7f-a2f9-58e40b0bd39b","kind":"heading","order":99,"section_id":"sec_19b6d1c7-b6e7-4812-abe6-70939c308865","character_id":null,"markdown":"## \\12. 各技術の違いをまとめる","render_override":null},{"id":"blk_b68fe0b0-5c88-46bb-9bc2-28222b3c4d7d","kind":"paragraph","order":100,"section_id":"sec_19b6d1c7-b6e7-4812-abe6-70939c308865","character_id":null,"markdown":"ここまでを整理すると、各方式の違いはこうなります。","render_override":null},{"id":"blk_a1b2140b-af68-48c1-9865-cc76c3594d96","kind":"heading","order":101,"section_id":"sec_3dd26b0f-23e8-4c57-80be-643543e37831","character_id":null,"markdown":"### LMR","render_override":null},{"id":"blk_9ed9c522-39da-4eab-9452-5938b71c4f38","kind":"paragraph","order":102,"section_id":"sec_3dd26b0f-23e8-4c57-80be-643543e37831","character_id":null,"markdown":"横向きに記録する昔の方式。 \n高密度化に限界が見えやすかった。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_09da462b-a3fd-4ca3-9c35-69b6fde7f485","kind":"heading","order":103,"section_id":"sec_484de26b-a44c-4426-81de-71cbbf31cc8d","character_id":null,"markdown":"### PMR","render_override":null},{"id":"blk_b7886762-3132-4952-9d81-18b3d74e5b17","kind":"paragraph","order":104,"section_id":"sec_484de26b-a44c-4426-81de-71cbbf31cc8d","character_id":null,"markdown":"縦向きに記録する現代HDDの土台。 \n軟磁性下地層を使って強い垂直磁場を作れる。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_6187cbf4-3014-4a21-8802-e0b0082ee122","kind":"heading","order":105,"section_id":"sec_0bfb46f3-3ce9-4f97-8634-3b4487bf12ef","character_id":null,"markdown":"### ePMR","render_override":null},{"id":"blk_feb3cd2f-3eae-4155-9d69-3df452e3ca2a","kind":"paragraph","order":106,"section_id":"sec_0bfb46f3-3ce9-4f97-8634-3b4487bf12ef","character_id":null,"markdown":"PMRをより精密にした方式。 \n主極への電流で jitter を減らし、SNRを改善し、BPIを上げる。 ([irds.ieee.org](https://irds.ieee.org/images/files/pdf/2023/2023IRDS_MDS.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_d27188f2-2ada-46dc-a993-53f87f9b5389","kind":"heading","order":107,"section_id":"sec_b9b59608-e45d-4527-8dbb-7d50968bf9b2","character_id":null,"markdown":"### MAMR","render_override":null},{"id":"blk_87c0df70-e9ad-4c15-b523-f7a73a04213b","kind":"paragraph","order":108,"section_id":"sec_b9b59608-e45d-4527-8dbb-7d50968bf9b2","character_id":null,"markdown":"マイクロ波で磁化反転を助ける方式。 \nSTOを使い、高保磁力媒体への書き込みを助ける。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/content/dam/toshiba-ss-v3/master/en/company/technical-review/pdf/technical-review-microwave-assisted-magnetic-recording-technology_e.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e1da884a-2a81-4696-9d15-4dbbfa8723fa","kind":"heading","order":109,"section_id":"sec_8d5944fb-a85d-4398-9a45-969f47aa3439","character_id":null,"markdown":"### HAMR","render_override":null},{"id":"blk_3ee129f1-38af-4aa6-9945-c509afcd06a2","kind":"paragraph","order":110,"section_id":"sec_8d5944fb-a85d-4398-9a45-969f47aa3439","character_id":null,"markdown":"熱で一時的に書きやすくする方式。 \nレーザー＋光導波路＋NFTで媒体の極小領域だけを加熱する。 ([seagate.com](https://www.seagate.com/www-content/ti-dm/tech-insights/en-us/docs/TP707-1-1712US_HAMR.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_859c061e-9d55-4f44-9939-b474a3b32c7f","kind":"thematic_break","order":111,"section_id":"sec_8d5944fb-a85d-4398-9a45-969f47aa3439","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9806d389-eccc-4f09-8646-335511343d6c","kind":"heading","order":112,"section_id":"sec_f38bb893-ee33-4966-93b5-30265d77f928","character_id":null,"markdown":"## \\13. 一本道ではなく、PMRから枝分かれしている","render_override":null},{"id":"blk_36f01d92-7502-4aa3-9d50-55a96cebfd9b","kind":"paragraph","order":113,"section_id":"sec_f38bb893-ee33-4966-93b5-30265d77f928","character_id":null,"markdown":"ここで大事なのは、 \n**LMR → PMR → ePMR → MAMR → HAMR** は厳密な一本道ではない、ということです。 \n正確には、**LMRからPMRへ世代交代したあと、PMRをさらに高密度化するために ePMR、MAMR、HAMR という枝分かれが生まれた**、と理解するのが正確です。WDの記録技術資料も、この見方を取っています。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_910ec357-f556-490f-9757-760d0c4a88ba","kind":"thematic_break","order":114,"section_id":"sec_f38bb893-ee33-4966-93b5-30265d77f928","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5d399a33-b5b8-4baa-b516-0ac5a18fee9d","kind":"heading","order":115,"section_id":"sec_36be6477-faa1-4d8d-b067-a18378120a40","character_id":null,"markdown":"## \\14. まとめ","render_override":null},{"id":"blk_098c4435-97ed-4795-b429-899c698bdbaf","kind":"paragraph","order":116,"section_id":"sec_36be6477-faa1-4d8d-b067-a18378120a40","character_id":null,"markdown":"HDDの進化を一言で表すなら、 \n**“より小さな磁石を、より正確に、より安定して並べるための技術進化”** \nです。","render_override":null},{"id":"blk_482d3b6e-3eb4-44f5-be2a-f8c9bc6d4833","kind":"paragraph","order":117,"section_id":"sec_36be6477-faa1-4d8d-b067-a18378120a40","character_id":null,"markdown":"流れを短くまとめるとこうなります。","render_override":null},{"id":"blk_e3f7dccb-2b11-4f42-bc5c-f29157e4f59f","kind":"list","order":118,"section_id":"sec_36be6477-faa1-4d8d-b067-a18378120a40","character_id":null,"markdown":"- **LMR** \n 横向きに記録していた昔の方式。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))\n- **PMR** \n 縦向きに記録し、軟磁性下地層で強い垂直磁場を作る現代HDDの土台。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))\n- **ePMR** \n 書き込みヘッドをより安定化し、jitter を減らして高密度化。 ([irds.ieee.org](https://irds.ieee.org/images/files/pdf/2023/2023IRDS_MDS.pdf?utm_source=chatgpt.com))\n- **MAMR** \n STOでマイクロ波を発生し、磁化反転を助ける。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/content/dam/toshiba-ss-v3/master/en/company/technical-review/pdf/technical-review-microwave-assisted-magnetic-recording-technology_e.pdf?utm_source=chatgpt.com))\n- **HAMR** \n レーザー＋光導波路＋NFTで媒体のごく一部だけを加熱し、高保磁力媒体でも書けるようにする。 ([seagate.com](https://www.seagate.com/www-content/ti-dm/tech-insights/en-us/docs/TP707-1-1712US_HAMR.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_9961ee1e-7f6d-4697-b10f-f5c8eed1ec85","kind":"paragraph","order":119,"section_id":"sec_36be6477-faa1-4d8d-b067-a18378120a40","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_4900cfae-abe8-46b7-bb51-a82bb1c7f3e8","kind":"list","order":120,"section_id":"sec_36be6477-faa1-4d8d-b067-a18378120a40","character_id":null,"markdown":"- **PMR** は「縦向きにして詰め込んだ」\n- **ePMR** は「より正確に書けるようにした」\n- **MAMR** は「マイクロ波で書きやすくした」\n- **HAMR** は「熱で一瞬だけ書きやすくした」","render_override":null},{"id":"blk_9ab13e36-a095-407b-8b5f-0addc8a77aed","kind":"paragraph","order":121,"section_id":"sec_36be6477-faa1-4d8d-b067-a18378120a40","character_id":null,"markdown":"という違いです。 ([documents.westerndigital.com](https://documents.westerndigital.com/content/dam/doc-library/en_us/assets/public/western-digital/collateral/tech-brief/tech-brief-recording-technologies.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_d99cfd5a-8e13-4fd7-9931-10c236fb48ab","kind":"thematic_break","order":122,"section_id":"sec_36be6477-faa1-4d8d-b067-a18378120a40","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f6a127dd-60c8-48f3-866c-60cd0c0e2771","kind":"paragraph","order":123,"section_id":"sec_36be6477-faa1-4d8d-b067-a18378120a40","character_id":null,"markdown":"はい。 \n以下に、**HDDの読み込み技術の推移**と、**その背後にある物理の発見がどう応用されてきたか**を、高校生でも追いやすいように記事の形でまとめます。","render_override":null},{"id":"blk_bca6b2a5-5648-4545-9fd5-66cf3dd2d509","kind":"thematic_break","order":124,"section_id":"sec_36be6477-faa1-4d8d-b067-a18378120a40","character_id":null,"markdown":"---","render_override":null},{"id":"blk_661e14f1-6f37-4530-a199-c8a402f13012","kind":"heading","order":125,"section_id":"sec_2fab7115-6ce1-464d-9616-1a26f7099b7c","character_id":null,"markdown":"## HDDの「読む技術」はどう進化したのか","render_override":null},{"id":"blk_cb79aab4-7d31-4dae-aaae-81c573847948","kind":"heading","order":126,"section_id":"sec_c1d59dd7-348d-42b0-9553-a82c07b804f3","character_id":null,"markdown":"## 物理の発見が、どうやってハードディスクを進化させたのか","render_override":null},{"id":"blk_4314db33-d2c1-4378-80fd-fe7fffbdbd5f","kind":"paragraph","order":127,"section_id":"sec_c1d59dd7-348d-42b0-9553-a82c07b804f3","character_id":null,"markdown":"ハードディスクドライブ（HDD）というと、「円盤が回って、データを書いたり読んだりする装置」というイメージがあると思います。 \nでも実は、HDDの進化を支えてきた最大の要因のひとつは、**“読む技術”の進化**です。物理学の新しい発見が、そのままHDDの読み取りヘッドに応用され、より小さなビットを読めるようになったことで、容量がどんどん増えてきました。ノーベル賞の解説でも、GMRの発見はハードディスクの読出し技術を大きく変えたと説明されています。 ([NobelPrize.org](https://www.nobelprize.org/prizes/physics/2007/popular-information/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_1a245c96-1ef5-4083-8fd6-ad707f028d8e","kind":"paragraph","order":128,"section_id":"sec_c1d59dd7-348d-42b0-9553-a82c07b804f3","character_id":null,"markdown":"この記事では、まずHDDの基本から始めて、 \n**誘導ヘッド → AMR → GMR → TMR** \nという読み取り技術の流れと、 \n**物理の発見 → センサー化 → HDDへの応用** \nという歴史を、順番に見ていきます。MRS Bulletinのレビューでも、HDDのMR reader技術は AMR から GMR、そして現在の CPP-TMR へ進化したと整理されています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))","render_override":null},{"id":"blk_0652c64f-d2fd-481f-a233-ac9095e8b725","kind":"thematic_break","order":129,"section_id":"sec_c1d59dd7-348d-42b0-9553-a82c07b804f3","character_id":null,"markdown":"---","render_override":null},{"id":"blk_34298b11-d376-41ed-a868-038b48d15447","kind":"heading","order":130,"section_id":"sec_005e13e2-3ef3-4027-87bc-d935cbc38dd9","character_id":null,"markdown":"## \\1. HDDは「書く」と「読む」で別の技術を使っている","render_override":null},{"id":"blk_d68e84c7-a683-4e52-8eea-7901f96fc879","kind":"paragraph","order":131,"section_id":"sec_005e13e2-3ef3-4027-87bc-d935cbc38dd9","character_id":null,"markdown":"HDDでは、データを保存するにはまずディスク表面の磁性体の向きを変えて**書き込み**ます。 \n一方、保存されたデータを取り出すには、その磁気の変化を壊さずに**読み取り**ます。","render_override":null},{"id":"blk_52b76c7b-228f-441c-a13c-b29846ae740a","kind":"paragraph","order":132,"section_id":"sec_005e13e2-3ef3-4027-87bc-d935cbc38dd9","character_id":null,"markdown":"ここが大事で、**書く技術と読む技術は別々に進化してきました。** \nたとえば、これまで話題に出てきた PMR、ePMR、HAMR は主に「どう書くか」の技術です。 \nそれに対して、AMR、GMR、TMR は「どう読むか」の技術です。レビュー論文でも、HDDは write element と read sensor を別に持ち、readerの進化が高面記録密度化を支えたと説明されています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))","render_override":null},{"id":"blk_0a10eb25-7eed-482c-9855-ef3d26685133","kind":"paragraph","order":133,"section_id":"sec_005e13e2-3ef3-4027-87bc-d935cbc38dd9","character_id":null,"markdown":"かなり簡単に書くと、HDDはこういう仕組みです。","render_override":null},{"id":"blk_117ce0ce-61b5-48e7-a1b9-f6abb3e4b342","kind":"code","order":134,"section_id":"sec_005e13e2-3ef3-4027-87bc-d935cbc38dd9","character_id":null,"markdown":"```\n書く = 強い磁場でビットを作る\n読む = そのビットが作る弱い磁場を検出する\n```","render_override":null},{"id":"blk_37888e94-779c-4ef4-bcf1-d7ee75ed99a2","kind":"thematic_break","order":135,"section_id":"sec_005e13e2-3ef3-4027-87bc-d935cbc38dd9","character_id":null,"markdown":"---","render_override":null},{"id":"blk_86324f0c-4891-4c6e-ba31-fdbf0fb3a811","kind":"heading","order":136,"section_id":"sec_97b8bd53-8921-49e8-a7ce-893e9cd10c84","character_id":null,"markdown":"## \\2. 昔のHDDは「コイル」で読んでいた","render_override":null},{"id":"blk_b7da30ea-7d5e-48a7-912d-db2353490ec3","kind":"paragraph","order":137,"section_id":"sec_97b8bd53-8921-49e8-a7ce-893e9cd10c84","character_id":null,"markdown":"最初期のHDDは、磁気の変化を**コイル**で読む「誘導ヘッド」が中心でした。 \nこれは、磁場が変化するとコイルに電圧が発生する、という電磁誘導の原理を使う方式です。1956年にIBM 350 Disk Storageが登場して以降、こうした磁気ディスク装置が発展していきました。 ([museum.ipsj.or.jp](https://museum.ipsj.or.jp/en/computer/device/magnetic_disk/index.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_8ce2fca5-066a-4c43-bf6d-9c43fadfebca","kind":"paragraph","order":138,"section_id":"sec_97b8bd53-8921-49e8-a7ce-893e9cd10c84","character_id":null,"markdown":"この方式はわかりやすくて実用的でしたが、ビットがどんどん小さくなると問題が出ます。 \n**小さいビットほど、そこから出る磁場変化も小さくなり、コイルで拾える信号が弱くなる**のです。ノーベル賞の解説でも、ハードディスクが小型化・高密度化するにつれて、より敏感な読出しヘッドが必要になったと説明されています。 ([NobelPrize.org](https://www.nobelprize.org/prizes/physics/2007/press-release/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_925623d7-8d63-4238-bf19-288fb10d67da","kind":"paragraph","order":139,"section_id":"sec_97b8bd53-8921-49e8-a7ce-893e9cd10c84","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_7876e9c8-0d87-47c8-aaf2-96191f7d9618","kind":"code","order":140,"section_id":"sec_97b8bd53-8921-49e8-a7ce-893e9cd10c84","character_id":null,"markdown":"```\nビットが大きい → コイルでも読める\nビットが小さい → 信号が弱すぎて厳しい\n```","render_override":null},{"id":"blk_14832072-8fc7-4948-b535-5350a485f465","kind":"paragraph","order":141,"section_id":"sec_97b8bd53-8921-49e8-a7ce-893e9cd10c84","character_id":null,"markdown":"という壁にぶつかったわけです。","render_override":null},{"id":"blk_16d7a2be-246a-4d0e-a998-343086b5d7f5","kind":"thematic_break","order":142,"section_id":"sec_97b8bd53-8921-49e8-a7ce-893e9cd10c84","character_id":null,"markdown":"---","render_override":null},{"id":"blk_44d32e4b-3838-4d0e-b335-444529abd6bf","kind":"heading","order":143,"section_id":"sec_cf619202-6b53-42ae-893e-7c93078ae6b7","character_id":null,"markdown":"## \\3. そこで出てきたのが「磁気抵抗」を使う読み取り","render_override":null},{"id":"blk_ac236d88-109f-4da4-a332-86830aecf1eb","kind":"paragraph","order":144,"section_id":"sec_cf619202-6b53-42ae-893e-7c93078ae6b7","character_id":null,"markdown":"この壁を越えるために重要になったのが、\\*\\*磁気抵抗（magnetoresistance, MR）\\*\\*です。 \nこれは、「磁場や磁化の向きによって、電気抵抗が変わる」という現象です。HDDでは、この抵抗変化を電圧や電流の変化として読み取ることで、ディスク上のビットを検出します。Computer History Museumも、MR、GMR、TMR heads が successive increases in storage density を支えたと説明しています。 ([CHM](https://www.computerhistory.org/storageengine/magnetoresistive-read-head-hdd-introduced/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e5442fd7-15d2-4494-b0d1-b1967579a11c","kind":"paragraph","order":145,"section_id":"sec_cf619202-6b53-42ae-893e-7c93078ae6b7","character_id":null,"markdown":"イメージとしては、","render_override":null},{"id":"blk_0960936f-d66d-487b-8fc6-ffb6468fd061","kind":"code","order":146,"section_id":"sec_cf619202-6b53-42ae-893e-7c93078ae6b7","character_id":null,"markdown":"```\n磁気ビットの磁場\n↓\n読み取り素子の抵抗が少し変わる\n↓\nその変化を電気信号として読む\n```","render_override":null},{"id":"blk_b168b0e5-0253-47b7-b42e-cda518d46bcd","kind":"paragraph","order":147,"section_id":"sec_cf619202-6b53-42ae-893e-7c93078ae6b7","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_e33bf0b1-eb5b-4541-8e2b-2b29b35976e4","kind":"paragraph","order":148,"section_id":"sec_cf619202-6b53-42ae-893e-7c93078ae6b7","character_id":null,"markdown":"ここからHDDの「読む技術」は、 \n**AMR → GMR → TMR** \nと進化していきます。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))","render_override":null},{"id":"blk_7cd7a22d-1ce5-4eb6-8f83-b7e7d31e0b3c","kind":"thematic_break","order":149,"section_id":"sec_cf619202-6b53-42ae-893e-7c93078ae6b7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f56b3a6e-708f-434a-aacc-ed78d7dfa1ed","kind":"heading","order":150,"section_id":"sec_644a6fb7-0005-4bd2-b654-e0f8ac2a5ac2","character_id":null,"markdown":"## \\4. AMR：最初の実用的なMRヘッド","render_override":null},{"id":"blk_8b89d1bb-ed3f-4f98-8e11-cf9947682bb8","kind":"heading","order":151,"section_id":"sec_38ecc0dd-8cd4-4c41-abae-c3d4ab69efb5","character_id":null,"markdown":"### AMRとは何か","render_override":null},{"id":"blk_0dc829db-5c7f-4727-84fd-24fc51c5a63b","kind":"paragraph","order":152,"section_id":"sec_38ecc0dd-8cd4-4c41-abae-c3d4ab69efb5","character_id":null,"markdown":"**AMR** は **Anisotropic Magnetoresistance**、日本語では**異方性磁気抵抗効果**です。 \nこれは、強磁性体の中で**電流の向きと磁化の向きの相対関係によって抵抗が変わる**現象です。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))","render_override":null},{"id":"blk_797851cb-baf8-4cdb-850f-6bdffc75460e","kind":"paragraph","order":153,"section_id":"sec_38ecc0dd-8cd4-4c41-abae-c3d4ab69efb5","character_id":null,"markdown":"図っぽく言うと、","render_override":null},{"id":"blk_f6f74aa8-b41d-46c3-b334-423cd7633df4","kind":"code","order":154,"section_id":"sec_38ecc0dd-8cd4-4c41-abae-c3d4ab69efb5","character_id":null,"markdown":"```\n電流 →→→→\n\n磁化 →→→→ 抵抗が少し変わる\n磁化 ↑↑↑↑ 抵抗が少し変わる\n```","render_override":null},{"id":"blk_61632661-f65d-478d-a5f5-45efd8f26c6c","kind":"paragraph","order":155,"section_id":"sec_38ecc0dd-8cd4-4c41-abae-c3d4ab69efb5","character_id":null,"markdown":"という感じです。","render_override":null},{"id":"blk_4d0ccd90-9f0d-4906-bd68-fdf4d8a0ca70","kind":"heading","order":156,"section_id":"sec_3e353c51-808d-4fb7-9fb7-93acc9d95042","character_id":null,"markdown":"### なぜ重要だったのか","render_override":null},{"id":"blk_6030a89d-1b04-4c9a-9e84-3e7405038fe6","kind":"paragraph","order":157,"section_id":"sec_3e353c51-808d-4fb7-9fb7-93acc9d95042","character_id":null,"markdown":"AMRは、\\*\\*「磁場の変化をコイルで拾う」のではなく、「磁場で抵抗が変わる素子を直接読む」\\*\\*という新しい考え方でした。 \nこれによって、誘導ヘッドより小さいビットを読めるようになりました。Computer History Museumは、IBM 0663 “Corsair” を1991年のAMR read-head HDDとして挙げています。 ([CHM](https://www.computerhistory.org/storageengine/magnetoresistive-read-head-hdd-introduced/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_fa1cc990-30f0-4656-a213-7f37d7c0df3a","kind":"paragraph","order":158,"section_id":"sec_3e353c51-808d-4fb7-9fb7-93acc9d95042","character_id":null,"markdown":"ただしAMRの抵抗変化は比較的小さく、さらに高密度化するには、もっと大きな信号変化が必要でした。MRS Bulletinでも、AMRの次にGMRが導入され、面記録密度成長を押し上げたと説明されています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))","render_override":null},{"id":"blk_c19150e2-6760-421f-b05f-5feb8ba39704","kind":"thematic_break","order":159,"section_id":"sec_3e353c51-808d-4fb7-9fb7-93acc9d95042","character_id":null,"markdown":"---","render_override":null},{"id":"blk_919ed5a2-3f17-4613-b197-ce3ea8102ff0","kind":"heading","order":160,"section_id":"sec_9a9ed0d3-2de4-4e7a-b583-dd6573feb46d","character_id":null,"markdown":"## \\5. GMR：ノーベル賞級の発見がHDDを変えた","render_override":null},{"id":"blk_f71af6cf-32a1-45dd-ac06-efdcdec1434d","kind":"heading","order":161,"section_id":"sec_b376451c-6d03-46ff-ae19-d114d4ec7935","character_id":null,"markdown":"### GMRとは何か","render_override":null},{"id":"blk_645f366a-ec23-4096-8261-9069449863fd","kind":"paragraph","order":162,"section_id":"sec_b376451c-6d03-46ff-ae19-d114d4ec7935","character_id":null,"markdown":"**GMR** は **Giant Magnetoresistance**、日本語では**巨大磁気抵抗効果**です。 \n1988年に Albert Fert と Peter Grünberg が独立に発見し、2007年ノーベル物理学賞の対象になりました。ノーベル賞は、GMRが sensitive read-out heads for compact hard disks を可能にしたと説明しています。 ([NobelPrize.org](https://www.nobelprize.org/prizes/physics/2007/popular-information/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_643298d0-8ec1-47b7-a11e-b7b213344b3c","kind":"paragraph","order":163,"section_id":"sec_b376451c-6d03-46ff-ae19-d114d4ec7935","character_id":null,"markdown":"GMRは、ざっくり言うと","render_override":null},{"id":"blk_bcd039fe-49d1-4588-9ae2-b6eb2d10da6b","kind":"code","order":164,"section_id":"sec_b376451c-6d03-46ff-ae19-d114d4ec7935","character_id":null,"markdown":"```\n磁性層\n金属層\n磁性層\n```","render_override":null},{"id":"blk_93a976cb-f1fa-427a-b3f1-19be7705830f","kind":"paragraph","order":165,"section_id":"sec_b376451c-6d03-46ff-ae19-d114d4ec7935","character_id":null,"markdown":"のような多層膜構造で起こります。 \n上下の磁性層の磁化が**平行**のときと**反平行**のときで、電子の散乱のされ方が変わり、抵抗が大きく変わります。 ([NobelPrize.org](https://www.nobelprize.org/prizes/physics/2007/popular-information/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_852b2f18-f147-4ba7-ba9f-13bf35676901","kind":"paragraph","order":166,"section_id":"sec_b376451c-6d03-46ff-ae19-d114d4ec7935","character_id":null,"markdown":"図にするとこうです。","render_override":null},{"id":"blk_e6e6e1f5-809c-490f-9c63-56bfc595007b","kind":"code","order":167,"section_id":"sec_b376451c-6d03-46ff-ae19-d114d4ec7935","character_id":null,"markdown":"```\n平行\n↑\n-\n↑ → 低抵抗\n\n反平行\n↑\n-\n↓ → 高抵抗\n```","render_override":null},{"id":"blk_9a6e0e87-e73f-47fb-a468-f33ab91654f9","kind":"heading","order":168,"section_id":"sec_359935eb-2b6e-45bc-bbe7-14a9a2b2d6c0","character_id":null,"markdown":"### なぜHDDに効いたのか","render_override":null},{"id":"blk_2a86f3c0-bd44-4052-82f9-1cbd2012f2cd","kind":"paragraph","order":169,"section_id":"sec_359935eb-2b6e-45bc-bbe7-14a9a2b2d6c0","character_id":null,"markdown":"AMRよりも抵抗変化が大きいので、**より小さな磁場差を、より大きな電気信号として取り出せる**ようになりました。 \nNational MagLabの解説では、IBMが1997年に最初のGMR read headを導入したと説明しています。 ([nationalmaglab.org](https://nationalmaglab.org/magnet-academy/read-science-stories/science-simplified/giant-magnetoresistance/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_72753945-5f3c-4214-9176-b55025102792","kind":"paragraph","order":170,"section_id":"sec_359935eb-2b6e-45bc-bbe7-14a9a2b2d6c0","character_id":null,"markdown":"この「小さな磁気をよりはっきり読める」ことが、HDDの大容量化を強く後押ししました。MRS Bulletinでも、AMRとGMRの導入で面記録密度の成長率が大きく伸びたとされています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/services/aop-cambridge-core/content/view/3CCD708BD7A71E7F6944F76ED661B887/S0883769418000039a.pdf/read_sensor_technology_for_ultrahigh_density_magnetic_recording.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_21dd0a74-3e55-4762-839b-71e031369cf6","kind":"paragraph","order":171,"section_id":"sec_359935eb-2b6e-45bc-bbe7-14a9a2b2d6c0","character_id":null,"markdown":"ここが、**物理学の基礎発見がそのまま情報機器を変えた代表例**のひとつです。 ([NobelPrize.org](https://www.nobelprize.org/prizes/physics/2007/popular-information/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_62759c98-73ea-4605-945d-1e7773117c54","kind":"thematic_break","order":172,"section_id":"sec_359935eb-2b6e-45bc-bbe7-14a9a2b2d6c0","character_id":null,"markdown":"---","render_override":null},{"id":"blk_98c8463f-6a0b-4305-9afd-037ba9561c00","kind":"heading","order":173,"section_id":"sec_3bc4b45e-75b5-4a41-b17c-f0c7cdd9f39c","character_id":null,"markdown":"## \\6. TMR：さらに高感度な「トンネル型」へ","render_override":null},{"id":"blk_3f4b546d-c836-44b0-a867-bfdd063daadd","kind":"heading","order":174,"section_id":"sec_a2ce77f7-f5fb-414a-b346-a5a558cf1926","character_id":null,"markdown":"### TMRとは何か","render_override":null},{"id":"blk_92fe0dae-5d84-4c4f-b6f0-970f2225172b","kind":"paragraph","order":175,"section_id":"sec_a2ce77f7-f5fb-414a-b346-a5a558cf1926","character_id":null,"markdown":"**TMR** は **Tunneling Magnetoresistance**、日本語では**トンネル磁気抵抗効果**です。 \nGMRと似ていますが、構造が違います。TMRは **MTJ（Magnetic Tunnel Junction, 磁気トンネル接合）** を使い、","render_override":null},{"id":"blk_8ba0baf8-1112-48d8-b223-e672d02a321f","kind":"code","order":176,"section_id":"sec_a2ce77f7-f5fb-414a-b346-a5a558cf1926","character_id":null,"markdown":"```\n磁性層\n絶縁層（とても薄い）\n磁性層\n```","render_override":null},{"id":"blk_1171f338-acc1-406e-9481-c309b8d7f2a7","kind":"paragraph","order":177,"section_id":"sec_a2ce77f7-f5fb-414a-b346-a5a558cf1926","character_id":null,"markdown":"という構造をとります。Nature系の解説では、MTJは2つの磁性層の間に薄いトンネル障壁を挟んだ構造だと説明されています。 ([Nature](https://www.nature.com/articles/s44306-024-00058-9?utm_source=chatgpt.com))","render_override":null},{"id":"blk_ae95e708-7897-4869-8304-6a6cb579e9ef","kind":"paragraph","order":178,"section_id":"sec_a2ce77f7-f5fb-414a-b346-a5a558cf1926","character_id":null,"markdown":"真ん中は絶縁体ですが、非常に薄いので、量子力学の**トンネル効果**で電子が通り抜けられます。 \nそして、上下の磁化が平行か反平行かで、その通りやすさが変わります。","render_override":null},{"id":"blk_fc90453c-4711-4791-9f85-0eb104103794","kind":"code","order":179,"section_id":"sec_a2ce77f7-f5fb-414a-b346-a5a558cf1926","character_id":null,"markdown":"```\n平行\n↑\n|絶縁|\n↑ → 通りやすい → 低抵抗\n\n反平行\n↑\n|絶縁|\n↓ → 通りにくい → 高抵抗\n```","render_override":null},{"id":"blk_cdde3c6c-82da-4555-af1a-7cdebf90a86a","kind":"heading","order":180,"section_id":"sec_407eecc0-873b-4cc5-8800-168308cb0cc5","character_id":null,"markdown":"### MgO barrier の重要性","render_override":null},{"id":"blk_4135592b-c37e-4715-8eb3-4289a906961d","kind":"paragraph","order":181,"section_id":"sec_407eecc0-873b-4cc5-8800-168308cb0cc5","character_id":null,"markdown":"TMRを実用レベルに押し上げた大きな要因が **MgO barrier** です。 \nMgO（酸化マグネシウム）を使った結晶性トンネル障壁は、非常に大きなTMR比を実現しやすく、HDDやMRAMで重要な材料になりました。MRS Bulletinのレビューでも、現代のHDD read sensor は CPP-TMR と MgO barrier を中心に進んだと説明されています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))","render_override":null},{"id":"blk_6b5abdd6-1944-4c94-a304-63f75c00f53c","kind":"heading","order":182,"section_id":"sec_764d14bd-b6e2-47ba-a2f5-1590f9fbc830","character_id":null,"markdown":"### HDDでの役割","render_override":null},{"id":"blk_b2a25270-ec3c-4f7f-9f3a-ceec7ce40d37","kind":"paragraph","order":183,"section_id":"sec_764d14bd-b6e2-47ba-a2f5-1590f9fbc830","character_id":null,"markdown":"TMRはGMRよりさらに大きな抵抗変化を得やすく、\\*\\*より高いSNR（信号対雑音比）\\*\\*を実現しやすいのが強みです。 \nそのため、より小さなビットでも読み取りやすく、現在のHDD read headの主流になっています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))","render_override":null},{"id":"blk_fcac1940-4adc-46ad-a19a-8f04e9a244bf","kind":"thematic_break","order":184,"section_id":"sec_764d14bd-b6e2-47ba-a2f5-1590f9fbc830","character_id":null,"markdown":"---","render_override":null},{"id":"blk_35adf3d1-38ca-4483-b2b5-a2d54dcc4bb4","kind":"heading","order":185,"section_id":"sec_fe46b5ed-017d-4964-94c8-f68016929a48","character_id":null,"markdown":"## \\7. AMR・GMR・TMRを図で並べると","render_override":null},{"id":"blk_b3f8b4d1-d856-487c-b2eb-8728a0a47aa6","kind":"paragraph","order":186,"section_id":"sec_fe46b5ed-017d-4964-94c8-f68016929a48","character_id":null,"markdown":"ここで、3つを並べて見ると違いがわかりやすいです。","render_override":null},{"id":"blk_caf56c6b-ccfa-4332-8f9f-a769a19e7ad2","kind":"code","order":187,"section_id":"sec_fe46b5ed-017d-4964-94c8-f68016929a48","character_id":null,"markdown":"```\nAMR\n────────────────────\n[ 磁性体 1枚 ]\n電流と磁化の角度で抵抗が少し変わる\n\nGMR\n────────────────────\n[磁性体] [金属] [磁性体]\n磁化が平行/反平行で散乱が変わる\n\nTMR\n────────────────────\n[磁性体] [絶縁体] [磁性体]\n磁化が平行/反平行でトンネルの通りやすさが変わる\n```","render_override":null},{"id":"blk_c7d968fd-74ef-49d7-b227-4d7ba096a29a","kind":"paragraph","order":188,"section_id":"sec_fe46b5ed-017d-4964-94c8-f68016929a48","character_id":null,"markdown":"要するに、","render_override":null},{"id":"blk_276357e2-21b8-47db-a125-293a44071897","kind":"list","order":189,"section_id":"sec_fe46b5ed-017d-4964-94c8-f68016929a48","character_id":null,"markdown":"- **AMR** = 1枚の磁性体の向き依存抵抗\n- **GMR** = 金属多層膜での散乱差\n- **TMR** = トンネル障壁をまたぐ電子の通りやすさの差","render_override":null},{"id":"blk_cd78decf-d65f-4e41-b98b-01c71aec76d1","kind":"paragraph","order":190,"section_id":"sec_fe46b5ed-017d-4964-94c8-f68016929a48","character_id":null,"markdown":"です。レビュー論文も、この順にMR reader技術が発展したと説明しています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))","render_override":null},{"id":"blk_25ae4333-c62e-4dee-93c9-0dbcece9dd59","kind":"thematic_break","order":191,"section_id":"sec_fe46b5ed-017d-4964-94c8-f68016929a48","character_id":null,"markdown":"---","render_override":null},{"id":"blk_22012c98-3932-4b81-9446-aa0074ac7159","kind":"heading","order":192,"section_id":"sec_90822993-517d-4cfd-a468-8816899d7c06","character_id":null,"markdown":"## \\8. 物理の発見と応用の推移","render_override":null},{"id":"blk_da796450-58a4-4e26-93f0-4cd30eec5dce","kind":"paragraph","order":193,"section_id":"sec_90822993-517d-4cfd-a468-8816899d7c06","character_id":null,"markdown":"ここまでを「物理の発見 → 応用」という視点で並べると、こう見えます。","render_override":null},{"id":"blk_e9ca5e8f-5c6a-40ef-8ebf-93443f19fa8c","kind":"heading","order":194,"section_id":"sec_adf3c64a-faa7-4666-bbd4-6ac9a1946f53","character_id":null,"markdown":"### ① 電磁誘導の時代","render_override":null},{"id":"blk_500abe43-9e3d-431e-95e5-ab98f935ce8b","kind":"paragraph","order":195,"section_id":"sec_adf3c64a-faa7-4666-bbd4-6ac9a1946f53","character_id":null,"markdown":"磁場変化でコイルに電圧が出る、という基本原理を使って読んでいた。 \nただし高密度化で限界が見えた。 ([NobelPrize.org](https://www.nobelprize.org/prizes/physics/2007/press-release/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_3a32f151-448e-451d-8fcc-43b45a813cc9","kind":"heading","order":196,"section_id":"sec_4768f181-e56f-4b8f-91fe-17e57d389caa","character_id":null,"markdown":"### ② 磁気抵抗の利用","render_override":null},{"id":"blk_53e48a88-309e-4d2e-a6bb-df2365f9fa71","kind":"paragraph","order":197,"section_id":"sec_4768f181-e56f-4b8f-91fe-17e57d389caa","character_id":null,"markdown":"磁場で抵抗が変わることを利用するAMRが実用化。 \n「磁場を直接センサーで読む」時代へ。IBMのAMR read-head HDDがこの節目です。 ([CHM](https://www.computerhistory.org/storageengine/magnetoresistive-read-head-hdd-introduced/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_2ce5c934-8f81-48a1-b866-21d1ef657c62","kind":"heading","order":198,"section_id":"sec_2b31267b-2b16-412c-8a2d-0df0ee96bf34","character_id":null,"markdown":"### ③ ナノ多層膜の物理が応用される","render_override":null},{"id":"blk_6b2b0cfb-92ec-47e8-82a5-2d9ebdfe64e6","kind":"paragraph","order":199,"section_id":"sec_2b31267b-2b16-412c-8a2d-0df0ee96bf34","character_id":null,"markdown":"1988年にGMRが発見され、ナノメートル厚の多層膜で大きな抵抗変化が得られることがわかった。 \nこれがHDDのGMRヘッドへつながった。 ([NobelPrize.org](https://www.nobelprize.org/prizes/physics/2007/popular-information/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_6d0ac9e6-414a-4637-8be9-5ce93dcc79c9","kind":"heading","order":200,"section_id":"sec_c6b67f89-072b-4c14-b9e2-f890daad4030","character_id":null,"markdown":"### ④ 量子トンネル効果の応用","render_override":null},{"id":"blk_da1ac415-5edf-4121-9e81-dca10573ea60","kind":"paragraph","order":201,"section_id":"sec_c6b67f89-072b-4c14-b9e2-f890daad4030","character_id":null,"markdown":"TMRでは、超薄い絶縁膜を電子がトンネルする量子効果を利用。 \nMgO barrier の進展で実用性が高まり、現代HDDのreaderへ。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))","render_override":null},{"id":"blk_7c5224fe-8353-4242-9cd6-e36dbde977df","kind":"paragraph","order":202,"section_id":"sec_c6b67f89-072b-4c14-b9e2-f890daad4030","character_id":null,"markdown":"つまりHDDの読み取り技術は、 \n**高校物理で習う電磁誘導**から始まり、 \n**固体物理・薄膜物理・スピントロニクス・量子力学**へと進んでいったわけです。 ([NobelPrize.org](https://www.nobelprize.org/prizes/physics/2007/popular-information/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_0ca04d2c-ccfd-43e5-a63d-49389d8fe790","kind":"thematic_break","order":203,"section_id":"sec_c6b67f89-072b-4c14-b9e2-f890daad4030","character_id":null,"markdown":"---","render_override":null},{"id":"blk_72cf5d7a-c077-4968-b669-ad38934f80f8","kind":"heading","order":204,"section_id":"sec_c3787210-b579-42f0-8ec3-4c4b0ef36e8b","character_id":null,"markdown":"## \\9. なぜ「読む技術」がそこまで重要だったのか","render_override":null},{"id":"blk_2f801f55-e9d6-4860-9a21-dfad9453c716","kind":"paragraph","order":205,"section_id":"sec_c3787210-b579-42f0-8ec3-4c4b0ef36e8b","character_id":null,"markdown":"HDDの容量を増やすには、ビットをどんどん小さくする必要があります。 \nでもビットが小さくなると、そこから出る磁気信号も弱くなります。 \nそこで重要になるのが、**どれだけ小さな磁場を、どれだけ高いSNRで読めるか**です。MRS Bulletinは、ultrahigh density magnetic recording において read sensor 技術が本質的だと説明しています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))","render_override":null},{"id":"blk_bd5a97a1-296b-4ae4-a70f-8a0ee9dae04d","kind":"paragraph","order":206,"section_id":"sec_c3787210-b579-42f0-8ec3-4c4b0ef36e8b","character_id":null,"markdown":"かなり簡単に言うと、","render_override":null},{"id":"blk_ca1c5597-072e-4b7b-bb46-014d11350431","kind":"code","order":207,"section_id":"sec_c3787210-b579-42f0-8ec3-4c4b0ef36e8b","character_id":null,"markdown":"```\nビットが大きい → 読みやすい\nビットが小さい → 読みにくい\nだから reader を敏感にする必要がある\n```","render_override":null},{"id":"blk_0b69f535-d9e9-4bb2-8c1f-b858147adb56","kind":"paragraph","order":208,"section_id":"sec_c3787210-b579-42f0-8ec3-4c4b0ef36e8b","character_id":null,"markdown":"ということです。","render_override":null},{"id":"blk_ed544084-3194-468d-9c21-004be8688925","kind":"thematic_break","order":209,"section_id":"sec_c3787210-b579-42f0-8ec3-4c4b0ef36e8b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_62a26747-1cde-4ba4-978e-174fd34e137f","kind":"heading","order":210,"section_id":"sec_6dc0986a-5a3a-45ed-ab35-6d85f6896c70","character_id":null,"markdown":"## \\10. 高校生向けに超ざっくりまとめると","render_override":null},{"id":"blk_9a322713-0daf-4e6a-8a05-95d175d3092c","kind":"paragraph","order":211,"section_id":"sec_6dc0986a-5a3a-45ed-ab35-6d85f6896c70","character_id":null,"markdown":"HDDの「読む技術」は、こう進化してきました。","render_override":null},{"id":"blk_6349cacb-e825-4ff1-9cf4-c698aaf03681","kind":"code","order":212,"section_id":"sec_6dc0986a-5a3a-45ed-ab35-6d85f6896c70","character_id":null,"markdown":"```\nコイルで読む\n↓\nAMR\n↓\nGMR\n↓\nTMR\n```","render_override":null},{"id":"blk_90580dc6-dd4f-4535-b266-6af6094b9f60","kind":"list","order":213,"section_id":"sec_6dc0986a-5a3a-45ed-ab35-6d85f6896c70","character_id":null,"markdown":"- **AMR** \n 磁石の向きと電流の向きで抵抗が少し変わる\n- **GMR** \n 磁石2枚と金属を重ねると、向きで抵抗が大きく変わる\n- **TMR** \n 磁石2枚の間に超薄い絶縁膜を入れて、電子のトンネルしやすさで抵抗が変わる","render_override":null},{"id":"blk_e084daee-94d3-471e-9894-48e2d38eb276","kind":"paragraph","order":214,"section_id":"sec_6dc0986a-5a3a-45ed-ab35-6d85f6896c70","character_id":null,"markdown":"この進化によって、HDDは**より小さいビットを、より正確に、より高密度で読める**ようになりました。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))","render_override":null},{"id":"blk_157d424a-2710-4c05-9fe9-35075a6509db","kind":"thematic_break","order":215,"section_id":"sec_6dc0986a-5a3a-45ed-ab35-6d85f6896c70","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ceeae1c0-cf40-4bc4-b0d4-d1ea3840be22","kind":"heading","order":216,"section_id":"sec_688ea1a0-af34-4e4f-8bd0-9e577430c842","character_id":null,"markdown":"## \\11. 最後に","render_override":null},{"id":"blk_c2eeb1f6-c708-4c85-b864-4f99d830aed8","kind":"paragraph","order":217,"section_id":"sec_688ea1a0-af34-4e4f-8bd0-9e577430c842","character_id":null,"markdown":"HDDの進化は、単なる工学の改良だけではありません。 \n**物理学の新しい発見が、そのまま情報機器の性能向上につながった歴史**でもあります。 \nGMRがノーベル賞級の発見として評価されたのも、その現象が「面白い物理」だっただけでなく、実際にハードディスクの読出し技術を変え、情報社会の基盤を押し上げたからです。 ([NobelPrize.org](https://www.nobelprize.org/prizes/physics/2007/popular-information/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_d73efc67-cc0f-4d09-b638-285f8811c25b","kind":"paragraph","order":218,"section_id":"sec_688ea1a0-af34-4e4f-8bd0-9e577430c842","character_id":null,"markdown":"一言でまとめると、 \n**HDDの読み取り技術の歴史は、“より弱い磁気を読むために、物理学をどんどん深く使ってきた歴史”** \nです。 \nそして現在のHDDは、その到達点として、**TMR reader で読み、PMR/ePMR/HAMR系で書く**という形になっています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))","render_override":null},{"id":"blk_82f69db1-6175-4bce-8ee5-26cae58c4402","kind":"thematic_break","order":219,"section_id":"sec_688ea1a0-af34-4e4f-8bd0-9e577430c842","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f365ad0f-c139-4316-aa78-ffe5e639a372","kind":"paragraph","order":220,"section_id":"sec_688ea1a0-af34-4e4f-8bd0-9e577430c842","character_id":null,"markdown":"ｂはい。","render_override":null},{"id":"blk_36431743-a50b-4ac6-90ed-483d6982bc67","kind":"paragraph","order":221,"section_id":"sec_688ea1a0-af34-4e4f-8bd0-9e577430c842","character_id":null,"markdown":"以下に、**HDDの誕生から、読み込み技術と書き込み技術の両方がどう発展してきたのかを、年代とともに追う記事**としてまとめます。 \n高校生でも読めるように、まず全体像を出してから、時代ごとの転換点を順に説明します。","render_override":null},{"id":"blk_fd87aa1e-6d3b-4e90-a43c-0f6343ec1591","kind":"thematic_break","order":222,"section_id":"sec_688ea1a0-af34-4e4f-8bd0-9e577430c842","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f55116c9-9348-4dfc-a63d-314e2fad73f5","kind":"heading","order":223,"section_id":"sec_2a18ce02-c13b-4f33-a369-089eaa1dcd52","character_id":null,"markdown":"## HDDはどう進化してきたのか","render_override":null},{"id":"blk_4b823b30-d62e-4cd1-adc1-1d7484317087","kind":"heading","order":224,"section_id":"sec_f165f338-f3cc-4bb1-8bca-4d40f40fdc12","character_id":null,"markdown":"## 誕生から現在までを、読み込み技術と書き込み技術の両方からたどる","render_override":null},{"id":"blk_79943ac4-2b48-4ba5-a1ed-c370406e47da","kind":"paragraph","order":225,"section_id":"sec_f165f338-f3cc-4bb1-8bca-4d40f40fdc12","character_id":null,"markdown":"ハードディスクドライブ、つまり **HDD** は、 \n**回転する円盤に磁気でデータを書き、必要なときにその磁気を読んで取り出す装置**です。 \n一見すると単純ですが、その中では、","render_override":null},{"id":"blk_33c7db68-b4a6-430b-b641-5053f52ad0e1","kind":"list","order":226,"section_id":"sec_f165f338-f3cc-4bb1-8bca-4d40f40fdc12","character_id":null,"markdown":"- **どう書くか**\n- **どう読むか**","render_override":null},{"id":"blk_37d11a2e-8e26-4140-9ed6-03be73857d05","kind":"paragraph","order":227,"section_id":"sec_f165f338-f3cc-4bb1-8bca-4d40f40fdc12","character_id":null,"markdown":"という2つの技術が、長い時間をかけて別々に進化してきました。 \n実際、HDDの高密度化は、**書き込み方式の進化**と**読み取りセンサーの進化**の両方によって支えられてきました。MRS Bulletinのレビューでも、HDDは記録方式とMR読取りセンサーの両方の進歩で高面記録密度化してきたと整理されています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))","render_override":null},{"id":"blk_a7ae0999-04c1-465c-a9e2-6bdb003178cc","kind":"thematic_break","order":228,"section_id":"sec_f165f338-f3cc-4bb1-8bca-4d40f40fdc12","character_id":null,"markdown":"---","render_override":null},{"id":"blk_82119152-98e0-4733-aced-dbfc28398660","kind":"heading","order":229,"section_id":"sec_23f14f4b-e16f-47a3-bb6e-6468e3736302","character_id":null,"markdown":"## まず全体の流れ","render_override":null},{"id":"blk_7f92eca1-dab5-49fb-ab5a-c4b1c9968385","kind":"paragraph","order":230,"section_id":"sec_23f14f4b-e16f-47a3-bb6e-6468e3736302","character_id":null,"markdown":"かなり大づかみにすると、HDDの歴史はこう見られます。","render_override":null},{"id":"blk_999cc1b5-a3a0-450e-bbf5-235d5fd5961d","kind":"code","order":231,"section_id":"sec_23f14f4b-e16f-47a3-bb6e-6468e3736302","character_id":null,"markdown":"```\n1956 HDD誕生（IBM 350 / RAMAC）\n1960s 浮上ヘッドの確立\n1973 Winchester構造が現代HDDの原型に\n1991 AMR読取りヘッド実用化\n1997 GMR読取りヘッド実用化\n2005-2007 TMR読取りヘッド本格化\n2005-2006 PMR（垂直磁気記録）実用化\n2019-2020 ePMR本格化\n2021- MAMR/FC-MAMR実用展開\n2024- HAMR本格量産拡大\n```","render_override":null},{"id":"blk_9da2f53a-cb8e-45c0-aeb7-f928925d315f","kind":"paragraph","order":232,"section_id":"sec_23f14f4b-e16f-47a3-bb6e-6468e3736302","character_id":null,"markdown":"ここで大事なのは、 \n**読み込み技術は「誘導 → AMR → GMR → TMR」**、 \n**書き込み技術は「LMR → PMR → ePMR / MAMR / HAMR」** \nというふうに、少し違う軸で発展してきたことです。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))","render_override":null},{"id":"blk_6dc3b050-b32e-4209-ae92-a9f19fc38037","kind":"thematic_break","order":233,"section_id":"sec_23f14f4b-e16f-47a3-bb6e-6468e3736302","character_id":null,"markdown":"---","render_override":null},{"id":"blk_58a6de52-8061-44d1-a81f-26a8c2388b6a","kind":"heading","order":234,"section_id":"sec_cee55330-af15-4690-b75b-5fe69e30f53b","character_id":null,"markdown":"## \\1. 1956年 ― HDDの誕生","render_override":null},{"id":"blk_560d99de-3a3b-489c-a735-8563d8486fef","kind":"paragraph","order":235,"section_id":"sec_cee55330-af15-4690-b75b-5fe69e30f53b","character_id":null,"markdown":"HDDの始まりは、**1956年のIBM 350 Disk Storage Unit** です。 \nこれは **IBM 305 RAMAC** の一部として登場し、広く「最初の商用HDD」とされています。IBM自身もRAMACを「その後のすべてのHDDの祖先」と説明しており、Computer History Museumも1956年6月の出荷を最初の商用HDDとして扱っています。 ([IBM](https://www.ibm.com/history/ramac?utm_source=chatgpt.com))","render_override":null},{"id":"blk_831624c0-b58a-4e95-8042-5ecfbcc3e459","kind":"paragraph","order":236,"section_id":"sec_cee55330-af15-4690-b75b-5fe69e30f53b","character_id":null,"markdown":"この最初のHDDは、**50枚の24インチディスク**が**1200 RPM**で回り、\\*\\*約500万文字（約3.75MB）\\*\\*を保存できました。 ([CHM](https://www.computerhistory.org/revolution/memory-storage/8/233/923?utm_source=chatgpt.com))","render_override":null},{"id":"blk_8cf8c957-893b-4af4-b44b-78735eb57aa4","kind":"paragraph","order":237,"section_id":"sec_cee55330-af15-4690-b75b-5fe69e30f53b","character_id":null,"markdown":"この時代の読み書きは、まだかなり機械的で、大きく、現在のHDDとは比べものにならないほど巨大でした。 \nただ、ここで既にHDDの本質は完成しています。","render_override":null},{"id":"blk_11053154-2007-4781-9e8e-feb917df2586","kind":"list","order":238,"section_id":"sec_cee55330-af15-4690-b75b-5fe69e30f53b","character_id":null,"markdown":"- 回転する円盤\n- 磁気でデータを保存\n- 必要な場所へランダムアクセス","render_override":null},{"id":"blk_8ad44549-9f59-45c4-81bd-3ad8030dc365","kind":"paragraph","order":239,"section_id":"sec_cee55330-af15-4690-b75b-5fe69e30f53b","character_id":null,"markdown":"この考え方自体は、今も同じです。 ([IBM](https://www.ibm.com/history/ramac?utm_source=chatgpt.com))","render_override":null},{"id":"blk_80601d1a-16b1-475c-bf77-32ec06efb077","kind":"thematic_break","order":240,"section_id":"sec_cee55330-af15-4690-b75b-5fe69e30f53b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_196b986a-b3fb-464f-bc30-067245985d43","kind":"heading","order":241,"section_id":"sec_2b6546b3-2b0b-4257-8b27-f78882741557","character_id":null,"markdown":"## \\2. 1960年代 ― 浮上ヘッドで速度と密度が上がる","render_override":null},{"id":"blk_6bab2f40-85e2-43da-ae79-effc5a9169be","kind":"paragraph","order":242,"section_id":"sec_2b6546b3-2b0b-4257-8b27-f78882741557","character_id":null,"markdown":"初期HDDの大きな課題は、**ヘッドとディスクの距離**でした。 \n近づけるほど強い信号を扱えますが、近すぎると接触して壊れます。","render_override":null},{"id":"blk_1dca6141-da06-4e5a-895a-fd7680782881","kind":"paragraph","order":243,"section_id":"sec_2b6546b3-2b0b-4257-8b27-f78882741557","character_id":null,"markdown":"これを大きく改善したのが、**1961年発表・1962年出荷のIBM 1301** で使われた\\*\\*浮上ヘッド（flying head）\\*\\*です。Computer History Museumは、この方式がRAMAC比で容量10倍、アクセス時間1/10を目指した改良だったと説明しています。 ([CHM](https://www.computerhistory.org/storageengine/flying-heads-improve-hdd-capacity-speed/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_99c37f15-ea53-442a-aa03-9ade62470bf8","kind":"paragraph","order":244,"section_id":"sec_2b6546b3-2b0b-4257-8b27-f78882741557","character_id":null,"markdown":"浮上ヘッドは、ディスクの回転で生じる空気の流れを利用して、ヘッドを表面すれすれに「浮かせる」仕組みです。 \nこれにより、","render_override":null},{"id":"blk_79d76e5a-28ba-4305-8d6f-77e08def0c0d","kind":"list","order":245,"section_id":"sec_2b6546b3-2b0b-4257-8b27-f78882741557","character_id":null,"markdown":"- ヘッドをもっと近づけられる\n- より強い信号を読める\n- より細かく書ける","render_override":null},{"id":"blk_a83996f7-193f-4fcf-be8f-9065eea02e01","kind":"paragraph","order":246,"section_id":"sec_2b6546b3-2b0b-4257-8b27-f78882741557","character_id":null,"markdown":"ようになりました。 ([CHM](https://www.computerhistory.org/storageengine/flying-heads-improve-hdd-capacity-speed/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e2040f62-d897-464a-8b7a-c0e7ad040b7a","kind":"paragraph","order":247,"section_id":"sec_2b6546b3-2b0b-4257-8b27-f78882741557","character_id":null,"markdown":"ここで、**高密度化のためには機械構造の改善も重要**だという流れが始まります。","render_override":null},{"id":"blk_a559180a-ef2d-45f2-8d89-ca519a0ab4d4","kind":"thematic_break","order":248,"section_id":"sec_2b6546b3-2b0b-4257-8b27-f78882741557","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a27ecf8e-64b6-436a-be64-a8a26a767630","kind":"heading","order":249,"section_id":"sec_01f01220-e9b5-43fd-a075-d7bb3283d381","character_id":null,"markdown":"## \\3. 1973年 ― Winchesterが現代HDDの原型になる","render_override":null},{"id":"blk_d558e165-d189-46d8-9d6a-aa3edcf30d65","kind":"paragraph","order":250,"section_id":"sec_01f01220-e9b5-43fd-a075-d7bb3283d381","character_id":null,"markdown":"**1973年のIBM 3340 “Winchester”** は、現代HDDの原型としてよく語られます。 \nComputer History Museumは、この機種が**低負荷・低質量・着陸型ヘッドと潤滑ディスク**を実用化し、その後の主流技術を築いたと説明しています。 ([CHM](https://www.computerhistory.org/storageengine/winchester-pioneers-key-hdd-technology/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_3209a3c7-52f2-49da-b3e8-5327441c6be0","kind":"paragraph","order":251,"section_id":"sec_01f01220-e9b5-43fd-a075-d7bb3283d381","character_id":null,"markdown":"Winchesterの重要性は、単に容量が増えたことではなく、","render_override":null},{"id":"blk_386b28ab-a923-4472-b55e-c3b339a0ca42","kind":"list","order":252,"section_id":"sec_01f01220-e9b5-43fd-a075-d7bb3283d381","character_id":null,"markdown":"- ヘッド\n- ディスク\n- アクセス機構","render_override":null},{"id":"blk_39bd3d64-4e07-4741-9459-613870744860","kind":"paragraph","order":253,"section_id":"sec_01f01220-e9b5-43fd-a075-d7bb3283d381","character_id":null,"markdown":"を**密閉に近い構造で一体的に扱う方向**を確立したことにあります。 \n情報処理学会コンピュータ博物館も、IBM 3340が業界標準のディスク設計につながったと説明しています。 ([museum.ipsj.or.jp](https://museum.ipsj.or.jp/en/computer/device/magnetic_disk/history.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_eedff85b-2cdc-4784-b886-3420629356b2","kind":"paragraph","order":254,"section_id":"sec_01f01220-e9b5-43fd-a075-d7bb3283d381","character_id":null,"markdown":"つまり、ここでHDDは \n**「巨大な実験装置」から「工業製品として洗練された保存装置」** \nへ大きく近づきました。","render_override":null},{"id":"blk_6e08a4ba-c6d1-439c-8b4a-ebc2f4fadf14","kind":"thematic_break","order":255,"section_id":"sec_01f01220-e9b5-43fd-a075-d7bb3283d381","character_id":null,"markdown":"---","render_override":null},{"id":"blk_3f4f80d8-f5b7-4182-be58-7ec65d9e3bd3","kind":"heading","order":256,"section_id":"sec_26cfc598-d8fb-40f2-91b0-51c2397ecf20","character_id":null,"markdown":"## \\4. 1980年 ― PC時代と小型HDDの普及","render_override":null},{"id":"blk_047c093a-9188-4b97-9672-b3d522d58656","kind":"paragraph","order":257,"section_id":"sec_26cfc598-d8fb-40f2-91b0-51c2397ecf20","character_id":null,"markdown":"**1980年のSeagate ST-506** は、PC時代のHDDの象徴的な製品です。 \nComputer History Museumは、これを最初の5.25インチHDDであり、PC向けHDD市場を大きく変えたモデルだと説明しています。 ([CHM](https://www.computerhistory.org/storageengine/seagate-5-25-inch-hdd-becomes-pc-standard/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_10e5b8d9-9b8a-4ea6-9f9d-233b5df16e45","kind":"paragraph","order":258,"section_id":"sec_26cfc598-d8fb-40f2-91b0-51c2397ecf20","character_id":null,"markdown":"この時代の重要な変化は、","render_override":null},{"id":"blk_3cf7f5c1-2ac3-4081-9c77-68793634271b","kind":"list","order":259,"section_id":"sec_26cfc598-d8fb-40f2-91b0-51c2397ecf20","character_id":null,"markdown":"- HDDが大型計算機だけのものではなくなる\n- 小型フォームファクタ化が進む\n- PC市場に広がる","render_override":null},{"id":"blk_fa5d98d6-edc4-429b-b3b7-eb880cf9e6ed","kind":"paragraph","order":260,"section_id":"sec_26cfc598-d8fb-40f2-91b0-51c2397ecf20","character_id":null,"markdown":"ことでした。 ([CHM](https://www.computerhistory.org/storageengine/seagate-5-25-inch-hdd-becomes-pc-standard/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_f839d72e-a47b-4eb3-a496-09104f075937","kind":"paragraph","order":261,"section_id":"sec_26cfc598-d8fb-40f2-91b0-51c2397ecf20","character_id":null,"markdown":"ここまでは、まだ**読み取りは主に誘導型**、書き込みも\\*\\*長手記録（LMR）\\*\\*の時代です。","render_override":null},{"id":"blk_54b17e9b-afa3-4cc9-85e3-ae4757664eaa","kind":"thematic_break","order":262,"section_id":"sec_26cfc598-d8fb-40f2-91b0-51c2397ecf20","character_id":null,"markdown":"---","render_override":null},{"id":"blk_dff9b76e-c9bd-4518-ac8f-c2f5c48c6a69","kind":"heading","order":263,"section_id":"sec_cf3dc64b-2a54-44ea-8349-c6cb65186e66","character_id":null,"markdown":"## \\5. 読み込み技術の第1世代 ― 誘導ヘッド","render_override":null},{"id":"blk_6a648731-6210-445f-8621-ae023d112ada","kind":"paragraph","order":264,"section_id":"sec_cf3dc64b-2a54-44ea-8349-c6cb65186e66","character_id":null,"markdown":"HDD初期の読み取りは、基本的に**電磁誘導**を使っていました。 \n磁場が変化するとコイルに電圧が生じる、という高校物理でも出てくる原理です。","render_override":null},{"id":"blk_7ef2cd10-feae-4ce5-8a90-5cbf6aa6172b","kind":"paragraph","order":265,"section_id":"sec_cf3dc64b-2a54-44ea-8349-c6cb65186e66","character_id":null,"markdown":"これはシンプルでしたが、ビットが小さくなると、**読み出せる信号も小さくなりすぎる**という問題がありました。ノーベル賞の解説でも、高密度化にはより高感度な読取り方式が必要になったと説明されています。 ([CHM](https://computerhistory.org/blog/the-storage-engine-a-timeline-of-milestones-in-storage-technology/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_d33c6045-c71e-47c1-a713-ee61233ec565","kind":"paragraph","order":266,"section_id":"sec_cf3dc64b-2a54-44ea-8349-c6cb65186e66","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_dad79107-cfd4-497a-bf4e-794f0dade33f","kind":"code","order":267,"section_id":"sec_cf3dc64b-2a54-44ea-8349-c6cb65186e66","character_id":null,"markdown":"```\nビットを小さくしたい\n↓\nでも誘導方式では信号が弱くなる\n↓\nもっと敏感な「読む目」が必要\n```","render_override":null},{"id":"blk_973ec6ce-5ba0-4683-a3de-c843a93edd8d","kind":"paragraph","order":268,"section_id":"sec_cf3dc64b-2a54-44ea-8349-c6cb65186e66","character_id":null,"markdown":"という流れです。","render_override":null},{"id":"blk_fa0b4f36-95a1-425d-a04b-348fd5226745","kind":"thematic_break","order":269,"section_id":"sec_cf3dc64b-2a54-44ea-8349-c6cb65186e66","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1246ffbc-99a7-4450-90f6-eca2a931f6bd","kind":"heading","order":270,"section_id":"sec_adc7a500-3bd9-408f-8e80-984aa1bfa823","character_id":null,"markdown":"## \\6. 1991年 ― AMR読取りヘッドの実用化","render_override":null},{"id":"blk_32e3dc5c-bf63-45bb-b7b0-249b5ae971ba","kind":"paragraph","order":271,"section_id":"sec_adc7a500-3bd9-408f-8e80-984aa1bfa823","character_id":null,"markdown":"ここで登場するのが **AMR（異方性磁気抵抗効果）** です。 \nAMRは、**磁化の向きと電流の向きの関係で抵抗が少し変わる現象**で、これを利用すると磁場を抵抗変化として読めます。MRS Bulletinのレビューは、HDDのMR reader 技術の出発点として AMR を挙げています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))","render_override":null},{"id":"blk_d3e8c1b4-470f-4961-b22b-690b3b803cdd","kind":"paragraph","order":272,"section_id":"sec_adc7a500-3bd9-408f-8e80-984aa1bfa823","character_id":null,"markdown":"Computer History Museumは、**1990年にIBMがMR read-head HDDを導入**したとまとめています。実用展開の節目としては、1991年のIBM機がよく挙げられます。 ([CHM](https://www.computerhistory.org/storageengine/magnetoresistive-read-head-hdd-introduced/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_9bf3079d-1c9f-4775-aff9-b1669f798b38","kind":"paragraph","order":273,"section_id":"sec_adc7a500-3bd9-408f-8e80-984aa1bfa823","character_id":null,"markdown":"AMRによって、HDDは","render_override":null},{"id":"blk_9d3b2b85-4de6-4a60-8643-95ed4cf9cdd2","kind":"list","order":274,"section_id":"sec_adc7a500-3bd9-408f-8e80-984aa1bfa823","character_id":null,"markdown":"- コイルで読む時代\n- 磁気抵抗で読む時代","render_override":null},{"id":"blk_fdad8023-bc8a-46b2-b3fe-0a83ccea62d2","kind":"paragraph","order":275,"section_id":"sec_adc7a500-3bd9-408f-8e80-984aa1bfa823","character_id":null,"markdown":"へ移りました。 \nこれは読み取り技術の大転換でした。 ([CHM](https://www.computerhistory.org/storageengine/magnetoresistive-read-head-hdd-introduced/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_af09eb21-615b-46b0-a9e4-bcaf4a9b0c56","kind":"thematic_break","order":276,"section_id":"sec_adc7a500-3bd9-408f-8e80-984aa1bfa823","character_id":null,"markdown":"---","render_override":null},{"id":"blk_25b11d84-91fd-4331-a373-76f5f3c540c2","kind":"heading","order":277,"section_id":"sec_b41775de-2140-4746-ad76-62f5820ced2e","character_id":null,"markdown":"## \\7. 1997年 ― GMRがHDDを大きく押し上げる","render_override":null},{"id":"blk_ca02493b-cffe-4288-858b-4c339252bdfd","kind":"paragraph","order":278,"section_id":"sec_b41775de-2140-4746-ad76-62f5820ced2e","character_id":null,"markdown":"その次に来たのが **GMR（巨大磁気抵抗効果）** です。 \nGMRは1988年に Albert Fert と Peter Grünberg が独立に発見し、2007年ノーベル物理学賞の対象になりました。ノーベル賞は、GMRがコンパクトHDDの高感度読出しヘッドを可能にしたと説明しています。 ([Computer History Archive](https://archive.computerhistory.org/resources/access/text/2019/09/102781311-05-01-acc.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_2efce4f9-8d97-4880-a565-23b6c8331c4f","kind":"paragraph","order":279,"section_id":"sec_b41775de-2140-4746-ad76-62f5820ced2e","character_id":null,"markdown":"Computer History Museumは、**1997年にIBMがspin-valve GMR headを導入**し、1 Gbit/in²級の記録密度を達成したとまとめています。 ([CHM](https://www.computerhistory.org/storageengine/magnetoresistive-read-head-hdd-introduced/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_0ac7ce6c-47c2-47f2-b9fa-6199c52fb91f","kind":"paragraph","order":280,"section_id":"sec_b41775de-2140-4746-ad76-62f5820ced2e","character_id":null,"markdown":"GMRの意義は、AMRよりも**抵抗変化が大きく、より小さなビットを読める**ことでした。 \nMRS Bulletinのレビューでも、AMRとGMRの導入によって面記録密度が大きく伸びたとされています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/services/aop-cambridge-core/content/view/3CCD708BD7A71E7F6944F76ED661B887/S0883769418000039a.pdf/read_sensor_technology_for_ultrahigh_density_magnetic_recording.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_fc2023b0-c813-48c5-8ddc-976b7ade2f71","kind":"paragraph","order":281,"section_id":"sec_b41775de-2140-4746-ad76-62f5820ced2e","character_id":null,"markdown":"ここは、 \n**基礎物理の発見が、そのまま大容量化へつながった代表例** \nです。 ([Computer History Archive](https://archive.computerhistory.org/resources/access/text/2019/09/102781311-05-01-acc.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_49b25e23-9b39-4780-8011-f43322db98bc","kind":"thematic_break","order":282,"section_id":"sec_b41775de-2140-4746-ad76-62f5820ced2e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_25eb46be-9eb7-4b5a-96f7-4a69318910ef","kind":"heading","order":283,"section_id":"sec_24f3c511-3183-49de-9068-8b9c5dd564fe","character_id":null,"markdown":"## \\8. 2000年代半ば ― TMRとMgOでさらに高感度に","render_override":null},{"id":"blk_483c69ca-dfe0-4dec-b8fc-02aa3c58bd2b","kind":"paragraph","order":284,"section_id":"sec_24f3c511-3183-49de-9068-8b9c5dd564fe","character_id":null,"markdown":"次の読み取り技術が **TMR（トンネル磁気抵抗効果）** です。 \nTMRは、**磁性体 / 絶縁体 / 磁性体** の構造で、電子のトンネルのしやすさが磁化配列で変わる現象です。MRS Bulletinのレビューは、HDD reader 技術が **AMR → CIP-GMR → CPP-TMR** と進んだと説明しています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))","render_override":null},{"id":"blk_84b2ece8-d6e5-4d2e-b8ec-9f8c6208ceae","kind":"paragraph","order":285,"section_id":"sec_24f3c511-3183-49de-9068-8b9c5dd564fe","character_id":null,"markdown":"TMRが実用化で大きく前進した要因のひとつが **MgO barrier** です。 \nAISTは2004年、MgOをトンネル障壁に使った高性能TMR素子で、室温230%の巨大磁気抵抗比を達成したと発表しました。 ([aist.go.jp](https://www.aist.go.jp/aist_e/list/latest_research/2004/20040907/20040907.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_2dc5b52c-71f6-4ae8-bd1b-5ed9b408cc31","kind":"paragraph","order":286,"section_id":"sec_24f3c511-3183-49de-9068-8b9c5dd564fe","character_id":null,"markdown":"さらに、JST/AIST系資料では、**MgO-TMR head が2007年に商用化**されたとされています。 ([jst.go.jp](https://www.jst.go.jp/sicp/ws2009_sp1st/presentation/15.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_94c1ad5b-a741-49ed-b1b9-c59be0904fc7","kind":"paragraph","order":287,"section_id":"sec_24f3c511-3183-49de-9068-8b9c5dd564fe","character_id":null,"markdown":"つまり読み取り技術の流れは、ざっくりこうです。","render_override":null},{"id":"blk_630a0112-15ce-46ac-8a18-4dae672d3487","kind":"code","order":288,"section_id":"sec_24f3c511-3183-49de-9068-8b9c5dd564fe","character_id":null,"markdown":"```\n誘導ヘッド\n↓\nAMR\n↓\nGMR\n↓\nTMR\n```","render_override":null},{"id":"blk_c7b39627-5fe7-46f2-a630-0c55a68eea72","kind":"paragraph","order":289,"section_id":"sec_24f3c511-3183-49de-9068-8b9c5dd564fe","character_id":null,"markdown":"そして現在は、**TMR reader が主流**という理解で大きく外しません。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))","render_override":null},{"id":"blk_174f889e-c118-4232-a226-5c369f5ec25a","kind":"thematic_break","order":290,"section_id":"sec_24f3c511-3183-49de-9068-8b9c5dd564fe","character_id":null,"markdown":"---","render_override":null},{"id":"blk_66d98897-caf6-4677-9524-78d8ad0a7394","kind":"heading","order":291,"section_id":"sec_c61219f5-8b6d-4993-bb19-7886a7dfa96a","character_id":null,"markdown":"## \\9. 書き込み技術の初期 ― LMRの時代","render_override":null},{"id":"blk_4b704565-4a24-4f3b-9a98-07c90820a3a7","kind":"paragraph","order":292,"section_id":"sec_c61219f5-8b6d-4993-bb19-7886a7dfa96a","character_id":null,"markdown":"ここからは**書き込み技術**の話です。 \n長い間HDDは **LMR（Longitudinal Magnetic Recording）**、つまり**長手磁気記録**を使っていました。","render_override":null},{"id":"blk_c7496acf-f453-4c76-8cf6-78d78211fb2e","kind":"paragraph","order":293,"section_id":"sec_c61219f5-8b6d-4993-bb19-7886a7dfa96a","character_id":null,"markdown":"LMRでは、磁化はディスク表面に沿って横向きに並びます。 \nSeagateは、**PMRが2006年に導入されるまで、LMRが1956年以来の方式だった**と説明しています。 ([investors.seagate.com](https://investors.seagate.com/news/news-details/2012/Seagate-reaches-One-Terabit-per-Square-Inch-Milestone-in-Hard-Drive-Storage-with-New-Technology-Demonstration/default.aspx?utm_source=chatgpt.com))","render_override":null},{"id":"blk_d60b333c-8abf-4d94-9750-ce936792fc03","kind":"paragraph","order":294,"section_id":"sec_c61219f5-8b6d-4993-bb19-7886a7dfa96a","character_id":null,"markdown":"LMRは長く主流でしたが、高密度化が進むと","render_override":null},{"id":"blk_745e79a3-867d-40a7-a9d7-05f83604c2bb","kind":"list","order":295,"section_id":"sec_c61219f5-8b6d-4993-bb19-7886a7dfa96a","character_id":null,"markdown":"- ビット同士の干渉\n- 熱安定性の悪化","render_override":null},{"id":"blk_74894330-533b-4453-a8ff-ce2cdad50c7e","kind":"paragraph","order":296,"section_id":"sec_c61219f5-8b6d-4993-bb19-7886a7dfa96a","character_id":null,"markdown":"が問題になり、さらに細かく書くのが難しくなっていきました。 ([investors.seagate.com](https://investors.seagate.com/news/news-details/2012/Seagate-reaches-One-Terabit-per-Square-Inch-Milestone-in-Hard-Drive-Storage-with-New-Technology-Demonstration/default.aspx?utm_source=chatgpt.com))","render_override":null},{"id":"blk_13cd1a94-bb5f-4945-ad6e-5fccfca22381","kind":"thematic_break","order":297,"section_id":"sec_c61219f5-8b6d-4993-bb19-7886a7dfa96a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9ecd1862-c8ee-4048-adce-60f0a22bfc5b","kind":"heading","order":298,"section_id":"sec_9789c424-6596-41d8-a441-4a3cae1e3d72","character_id":null,"markdown":"## \\10. 2005〜2006年 ― PMRへの世代交代","render_override":null},{"id":"blk_f45c7614-ea70-4544-8ab8-aa61e7e025b4","kind":"paragraph","order":299,"section_id":"sec_9789c424-6596-41d8-a441-4a3cae1e3d72","character_id":null,"markdown":"ここで大きな転換点になるのが **PMR（Perpendicular Magnetic Recording）**、つまり**垂直磁気記録**です。 \nToshibaは**2005年に業界初のPMR HDDを商用化**したと案内しており、Seagateは**PMRが2006年に導入され、LMRを置き換えた**と説明しています。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/ap-en/storage/about-our-storage-products/milestones.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_3f40c185-edf1-45da-8c73-10c2c7c14415","kind":"paragraph","order":300,"section_id":"sec_9789c424-6596-41d8-a441-4a3cae1e3d72","character_id":null,"markdown":"PMRのポイントは、磁化を**表面に対して垂直方向**に立てて記録することです。 \nこれによって、より小さなビットを安定して並べやすくなりました。 ([investors.seagate.com](https://investors.seagate.com/news/news-details/2012/Seagate-reaches-One-Terabit-per-Square-Inch-Milestone-in-Hard-Drive-Storage-with-New-Technology-Demonstration/default.aspx?utm_source=chatgpt.com))","render_override":null},{"id":"blk_1ccbab2e-d523-4974-af9e-22fa1d56bcdc","kind":"paragraph","order":301,"section_id":"sec_9789c424-6596-41d8-a441-4a3cae1e3d72","character_id":null,"markdown":"またPMRでは、記録層の下に\\*\\*軟磁性下地層（SUL）\\*\\*を置き、書き込みヘッドの磁束を効率よく回すことで、より強い垂直磁場を作れるようになりました。これは高保磁力媒体を使ううえでも重要でした。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/services/aop-cambridge-core/content/view/3CCD708BD7A71E7F6944F76ED661B887/S0883769418000039a.pdf/read_sensor_technology_for_ultrahigh_density_magnetic_recording.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_175ae6c1-bfa2-41cb-b7e0-ba1e88a1f3c7","kind":"paragraph","order":302,"section_id":"sec_9789c424-6596-41d8-a441-4a3cae1e3d72","character_id":null,"markdown":"ここで、書き込み技術は \n**「横向きに書く」から「縦向きに書く」へ** \n大きく変わりました。","render_override":null},{"id":"blk_459f3d09-5275-42bf-8dc9-343f22117ac7","kind":"thematic_break","order":303,"section_id":"sec_9789c424-6596-41d8-a441-4a3cae1e3d72","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a0b62507-4f26-44e8-8846-871636d4f4f8","kind":"heading","order":304,"section_id":"sec_042e12a6-1c66-4d81-ae78-9919a193b214","character_id":null,"markdown":"## \\11. 2010年代後半〜2020年ごろ ― ePMR","render_override":null},{"id":"blk_f7c59133-9fbe-46fd-b7fe-583924c2112d","kind":"paragraph","order":305,"section_id":"sec_042e12a6-1c66-4d81-ae78-9919a193b214","character_id":null,"markdown":"PMRの次に出てきたのが **ePMR** です。 \nePMRは、PMRの延長線上で、**書き込みヘッドの主極に電流を流して書き込みの再現性を上げる**技術です。IRDSは、これにより write head の switching がより一貫して速くなり、**timing jitter を減らし、bits can be written closer together** になると説明しています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))","render_override":null},{"id":"blk_6785f7a9-b60f-4fa7-8933-a191ac98ddbe","kind":"paragraph","order":306,"section_id":"sec_042e12a6-1c66-4d81-ae78-9919a193b214","character_id":null,"markdown":"WDは、ePMRをMAMRなど他のEAMR技術研究の過程で製品化した最初の実装として説明しており、**2019年末に18TB CMR/20TB SMR製品を発表**しています。 ([CHM](https://www.computerhistory.org/storageengine/magnetoresistive-read-head-hdd-introduced/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_15b9e6b7-772d-42d6-93dc-5f7537bf25ba","kind":"paragraph","order":307,"section_id":"sec_042e12a6-1c66-4d81-ae78-9919a193b214","character_id":null,"markdown":"ePMRの本質は、 \n**「より強引に書く」より「より正確に揃えて書く」** \nことです。 \nこれによってBPIが上がり、容量密度が伸びます。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))","render_override":null},{"id":"blk_e7c63e16-41c4-4c27-8c0a-80fbe8155906","kind":"thematic_break","order":308,"section_id":"sec_042e12a6-1c66-4d81-ae78-9919a193b214","character_id":null,"markdown":"---","render_override":null},{"id":"blk_edbd039e-5924-467c-9aa2-2741fa4f7e0d","kind":"heading","order":309,"section_id":"sec_dd1301a6-358e-463b-a9c0-4e3023b532fd","character_id":null,"markdown":"## \\12. 2021年ごろ〜 ― MAMRの実用展開","render_override":null},{"id":"blk_22d4a93e-78e8-4225-9d19-ce64cf0721f7","kind":"paragraph","order":310,"section_id":"sec_dd1301a6-358e-463b-a9c0-4e3023b532fd","character_id":null,"markdown":"**MAMR（Microwave-Assisted Magnetic Recording）** は、マイクロ波で書き込みを助ける方式です。 \nToshibaは **FC-MAMR** を18TB級から実製品に展開しており、24TB級にも拡大しています。ここでは、STO（Spin Torque Oscillator）を用いてマイクロ波を発生させ、磁化反転を助けます。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/ap-en/storage/about-our-storage-products/milestones.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_55542397-97df-4e4c-9648-48495179e2d5","kind":"paragraph","order":311,"section_id":"sec_dd1301a6-358e-463b-a9c0-4e3023b532fd","character_id":null,"markdown":"MAMRの役割は、 \n**高保磁力で安定な媒体を、マイクロ波の助けで書きやすくする** \nことです。 \nPMRだけでは厳しくなってきた高密度化を、もう一段押し上げる技術です。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/ap-en/storage/about-our-storage-products/milestones.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_a454aef5-716c-4337-8d82-acd3c2aa8fa1","kind":"thematic_break","order":312,"section_id":"sec_dd1301a6-358e-463b-a9c0-4e3023b532fd","character_id":null,"markdown":"---","render_override":null},{"id":"blk_19e316f4-03c6-43ba-9c49-44495b7bdbe6","kind":"heading","order":313,"section_id":"sec_4b816fca-c500-4c88-a486-cfba54789085","character_id":null,"markdown":"## \\13. 2024年以降 ― HAMRが本格量産段階へ","render_override":null},{"id":"blk_a33f1060-a151-4228-8447-0c69361cf0a9","kind":"paragraph","order":314,"section_id":"sec_4b816fca-c500-4c88-a486-cfba54789085","character_id":null,"markdown":"さらに先へ行く技術が **HAMR（Heat-Assisted Magnetic Recording）** です。 \nHAMRでは、**書く瞬間だけ媒体のごく小さな部分を加熱し、一時的に書き込みやすくする**ことで、普段は高保磁力で安定な媒体を使えるようにします。SeagateはHAMRを、PMRの次の高密度化本命として長く開発してきました。 ([investors.seagate.com](https://investors.seagate.com/news/news-details/2012/Seagate-reaches-One-Terabit-per-Square-Inch-Milestone-in-Hard-Drive-Storage-with-New-Technology-Demonstration/default.aspx?utm_source=chatgpt.com))","render_override":null},{"id":"blk_bc1a825f-3cc6-481e-b583-5a23c56d952a","kind":"paragraph","order":315,"section_id":"sec_4b816fca-c500-4c88-a486-cfba54789085","character_id":null,"markdown":"HAMRのヘッドには、","render_override":null},{"id":"blk_f0f10bb7-4116-483f-bb17-23eb63e535dd","kind":"list","order":316,"section_id":"sec_4b816fca-c500-4c88-a486-cfba54789085","character_id":null,"markdown":"- **レーザー**\n- **光導波路**\n- **NFT（near-field transducer）**","render_override":null},{"id":"blk_8517038e-ddc3-4229-9591-b8333d46d9da","kind":"paragraph","order":317,"section_id":"sec_4b816fca-c500-4c88-a486-cfba54789085","character_id":null,"markdown":"が追加されます。 \nこれにより、媒体のごく小さな領域だけを瞬間的に加熱できます。SeagateのHAMR技術説明でも、この3要素がヘッドに追加されるとされています。 ([investors.seagate.com](https://investors.seagate.com/news/news-details/2012/Seagate-reaches-One-Terabit-per-Square-Inch-Milestone-in-Hard-Drive-Storage-with-New-Technology-Demonstration/default.aspx?utm_source=chatgpt.com))","render_override":null},{"id":"blk_321987d2-810e-41ee-86d6-b6f17425d8bc","kind":"paragraph","order":318,"section_id":"sec_4b816fca-c500-4c88-a486-cfba54789085","character_id":null,"markdown":"ここで書き込み技術は、ついに \n**磁場だけでなく、熱も使う** \n段階へ進んだわけです。 ([investors.seagate.com](https://investors.seagate.com/news/news-details/2012/Seagate-reaches-One-Terabit-per-Square-Inch-Milestone-in-Hard-Drive-Storage-with-New-Technology-Demonstration/default.aspx?utm_source=chatgpt.com))","render_override":null},{"id":"blk_b78fad30-b91b-4e6c-be67-a4c5dedcd7c0","kind":"thematic_break","order":319,"section_id":"sec_4b816fca-c500-4c88-a486-cfba54789085","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4dfbbba6-48ad-43cc-b114-212185db7990","kind":"heading","order":320,"section_id":"sec_49b09e28-a5cf-420b-8a28-8e0021b11ace","character_id":null,"markdown":"## \\14. 読み込み技術と書き込み技術を並べると","render_override":null},{"id":"blk_26859bb9-1ff2-47e0-be6b-5e3105332d85","kind":"paragraph","order":321,"section_id":"sec_49b09e28-a5cf-420b-8a28-8e0021b11ace","character_id":null,"markdown":"ここまでの流れを、読む技術と書く技術で並べるとこうなります。","render_override":null},{"id":"blk_4b590cec-bdb4-4efe-ba7a-4928894ac239","kind":"code","order":322,"section_id":"sec_49b09e28-a5cf-420b-8a28-8e0021b11ace","character_id":null,"markdown":"```\n読む技術\n誘導ヘッド\n↓\nAMR（1990/1991ごろ）\n↓\nGMR（1997ごろ）\n↓\nTMR（2004-2007ごろ本格化）\n\n書く技術\nLMR（1956-2005/2006ごろ）\n↓\nPMR（2005-2006ごろ）\n↓\nePMR（2019-2020ごろ本格化）\n↓\nMAMR（2021ごろ実用拡大）\n↓\nHAMR（2024以降本格量産拡大）\n```","render_override":null},{"id":"blk_943dab85-4959-4329-bb03-2c8d58c58c7d","kind":"paragraph","order":323,"section_id":"sec_49b09e28-a5cf-420b-8a28-8e0021b11ace","character_id":null,"markdown":"つまりHDDの進化は、 \n**読む目を高感度にしながら、書き方も高密度化してきた二本立ての歴史** \nです。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))","render_override":null},{"id":"blk_4db13eed-7d3d-456c-aadc-4a9f1f8e1316","kind":"thematic_break","order":324,"section_id":"sec_49b09e28-a5cf-420b-8a28-8e0021b11ace","character_id":null,"markdown":"---","render_override":null},{"id":"blk_cbbdbdb7-7230-4e51-a28f-4ea1a79d488f","kind":"heading","order":325,"section_id":"sec_593714eb-3dcc-4696-a770-905b04717327","character_id":null,"markdown":"## \\15. 物理の発見と応用の歴史でもある","render_override":null},{"id":"blk_2a41a69b-9341-494b-8d28-04f29eed8ffa","kind":"paragraph","order":326,"section_id":"sec_593714eb-3dcc-4696-a770-905b04717327","character_id":null,"markdown":"HDDの歴史は、単なる機械工学の歴史ではありません。 \nそれは同時に、**物理の発見が工業製品に組み込まれていく歴史**でもあります。","render_override":null},{"id":"blk_6dc4d44c-ee70-4372-a003-60e86de75ae3","kind":"list","order":327,"section_id":"sec_593714eb-3dcc-4696-a770-905b04717327","character_id":null,"markdown":"- **電磁誘導** → 初期の読み取りヘッド\n- **磁気抵抗** → AMR\n- **巨大磁気抵抗** → GMR\n- **量子トンネル効果** → TMR\n- **垂直磁気記録** → PMR\n- **ヘッド電流制御** → ePMR\n- **スピントルク発振** → MAMR\n- **局所加熱と近接場光学** → HAMR","render_override":null},{"id":"blk_81ae9620-8f39-4414-8346-aaa6a4fe3f10","kind":"paragraph","order":328,"section_id":"sec_593714eb-3dcc-4696-a770-905b04717327","character_id":null,"markdown":"というふうに、HDDはその時代ごとの最先端の物理を取り込みながら進化してきました。 ([Computer History Archive](https://archive.computerhistory.org/resources/access/text/2019/09/102781311-05-01-acc.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_c19236f5-7ce0-4b9c-8aa3-ba5c01e3359a","kind":"thematic_break","order":329,"section_id":"sec_593714eb-3dcc-4696-a770-905b04717327","character_id":null,"markdown":"---","render_override":null},{"id":"blk_cda18517-f635-4c81-8989-cf1a7a9154e7","kind":"heading","order":330,"section_id":"sec_606588c2-c2fd-4618-8f65-60b19f87e13b","character_id":null,"markdown":"## \\16. まとめ","render_override":null},{"id":"blk_e036e946-c746-4d00-b02d-854528b31c15","kind":"paragraph","order":331,"section_id":"sec_606588c2-c2fd-4618-8f65-60b19f87e13b","character_id":null,"markdown":"HDDの歴史を一言でまとめるなら、","render_override":null},{"id":"blk_f598c701-c8c3-4708-9138-04e9398eda49","kind":"paragraph","order":332,"section_id":"sec_606588c2-c2fd-4618-8f65-60b19f87e13b","character_id":null,"markdown":"**「より小さな磁気を、より正確に書き、より敏感に読むための技術の積み重ね」**","render_override":null},{"id":"blk_49452868-4545-44c6-9504-3cf174797380","kind":"paragraph","order":333,"section_id":"sec_606588c2-c2fd-4618-8f65-60b19f87e13b","character_id":null,"markdown":"です。","render_override":null},{"id":"blk_b1d0c125-fe3b-4327-af39-1c560c16fb7d","kind":"paragraph","order":334,"section_id":"sec_606588c2-c2fd-4618-8f65-60b19f87e13b","character_id":null,"markdown":"年代ごとに見ると、","render_override":null},{"id":"blk_194c77f8-7513-4562-ab0f-00c82bedade9","kind":"list","order":335,"section_id":"sec_606588c2-c2fd-4618-8f65-60b19f87e13b","character_id":null,"markdown":"- **1956年** \n IBM 350でHDD誕生。 ([CHM](https://www.computerhistory.org/storageengine/first-commercial-hard-disk-drive-shipped/?utm_source=chatgpt.com))\n- **1960年代** \n 浮上ヘッドで密度と速度が向上。 ([CHM](https://www.computerhistory.org/storageengine/flying-heads-improve-hdd-capacity-speed/?utm_source=chatgpt.com))\n- **1973年** \n Winchesterで現代的な構造が確立。 ([CHM](https://www.computerhistory.org/storageengine/winchester-pioneers-key-hdd-technology/?utm_source=chatgpt.com))\n- **1990〜1991年** \n AMR読取りヘッド実用化。 ([CHM](https://www.computerhistory.org/storageengine/magnetoresistive-read-head-hdd-introduced/?utm_source=chatgpt.com))\n- **1997年** \n GMR読取りヘッド実用化。 ([CHM](https://www.computerhistory.org/storageengine/magnetoresistive-read-head-hdd-introduced/?utm_source=chatgpt.com))\n- **2004〜2007年** \n MgO-TMRが進展し、TMR reader が本格化。 ([aist.go.jp](https://www.aist.go.jp/aist_e/list/latest_research/2004/20040907/20040907.html?utm_source=chatgpt.com))\n- **2005〜2006年** \n PMRがLMRを置き換え始める。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/ap-en/storage/about-our-storage-products/milestones.html?utm_source=chatgpt.com))\n- **2019〜2020年** \n ePMRが大容量HDDで本格化。 ([IBM](https://www.ibm.com/history/lou-stevens?utm_source=chatgpt.com))\n- **2021年ごろ以降** \n MAMR実用展開。 ([Toshiba Semicon Storage](https://toshiba.semicon-storage.com/ap-en/storage/about-our-storage-products/milestones.html?utm_source=chatgpt.com))\n- **2024年以降** \n HAMRが本格量産段階へ。 ([investors.seagate.com](https://investors.seagate.com/news/news-details/2012/Seagate-reaches-One-Terabit-per-Square-Inch-Milestone-in-Hard-Drive-Storage-with-New-Technology-Demonstration/default.aspx?utm_source=chatgpt.com))","render_override":null},{"id":"blk_9fb8569e-35a0-41b6-8e03-11867f719a9c","kind":"paragraph","order":336,"section_id":"sec_606588c2-c2fd-4618-8f65-60b19f87e13b","character_id":null,"markdown":"現在のHDDは、 \n**TMRで読み、PMR/ePMR/MAMR/HAMR系で書く** \nという、長い進化の積み重ねの上に成り立っています。 ([Cambridge University Press & Assessment](https://www.cambridge.org/core/journals/mrs-bulletin/article/read-sensor-technology-for-ultrahigh-density-magnetic-recording/3CCD708BD7A71E7F6944F76ED661B887?utm_source=chatgpt.com))","render_override":null},{"id":"blk_7a9616be-06f0-4afa-879f-2f4283ac95ff","kind":"paragraph","order":337,"section_id":"sec_606588c2-c2fd-4618-8f65-60b19f87e13b","character_id":null,"markdown":"サムネはPixAIsunflowerモデルとnanobanana2","render_override":null}],"audio":[],"omitted_media":[],"figures":[{"id":"plc_5c1261fd-0234-47ba-aa6e-3079e7d257ac","block_id":"blk_f65139c4-6a8c-45af-a386-1684a26b5049","asset_revision_id":"avr_4440b5a3-481f-41ff-bf4b-22b520c0914d","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_17d41a05-6b6a-4bcf-99de-7dcb70abae4c"],"explained_by":[],"source_path":"media/343c84d8ea196fb9b536c3b2151346f4102209a8a150041e823f5589a4e684b3.png","path":"/media/343c84d8ea196fb9b536c3b2151346f4102209a8a150041e823f5589a4e684b3-content.webp","display_derivative":{"source_sha256":"343c84d8ea196fb9b536c3b2151346f4102209a8a150041e823f5589a4e684b3","thumbnail":{"path":"media/343c84d8ea196fb9b536c3b2151346f4102209a8a150041e823f5589a4e684b3-thumbnail.webp","width":560,"height":293,"bytes":33016,"sha256":"39c82b32465e187bf5f58621bf4443bcf3355dea4af45208693d0ce7d98af37e"},"content":{"path":"media/343c84d8ea196fb9b536c3b2151346f4102209a8a150041e823f5589a4e684b3-content.webp","width":1461,"height":765,"bytes":228720,"sha256":"d7d8e0d4b90a0929c73c3b11361281102808f99e707b380807030ce02194b104"}}}],"package_sha256":"be4b6a46bc4a4ced8a461e51e26d98318b70187eda78e61bf2ced4ca230c2ae3","record_type":"article","schema_version":"noia-public-article-1.1.0","dataset_version":"2026.09.23.4","urls":{"source_url":"https://note.com/atom_/n/nf56b3dea2e4c","release_path":"/articles/rev_02adfd14-3d0d-45ef-8656-fd05494af55e/","canonical_url":"https://noia-grid.pages.dev/articles/rev_02adfd14-3d0d-45ef-8656-fd05494af55e/"},"time":{"created_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"published_at":{"value":"2026-03-19 20:56:14","precision":"local_datetime","timezone":null,"status":"source_metadata","basis":"Metadata only; not evidence of historical body availability."},"modified_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"analysis_as_of":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"event_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"recorded_at":{"value":"2026-09-08T05:29:13+00:00","precision":"instant","timezone":"+00:00","status":"archive_record","basis":"canonical_recorded_at"},"content_available_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"unknown"}},"legacy":{"source_date":{"value":"2026-03-19 20:56:14","meaning":"legacy_source_metadata_date","certainty":"source_metadata"}},"rights":{"license_ref":"license:not-specified","rights_status":"unknown","third_party_material":"unknown"},"integrity":{"hash_profile":"noia-evidence-json-v1","content_sha256":"39e7477db07b51e61a7f10cd1dcc22e15c0dc563886f74cad7c1184f91562ef3","lineage":[],"previous_revision_sha256":null,"previous_revision_status":"no_parent","revision_sha256":"7bdb7121f0c7aac3be37787c2321efa02929a08d9f39cd618b1a7986a8790e75"}} {"id":"rev_3fd4618d-8d1a-4a0a-8f71-c67475f7c6b1","work_id":"wrk_8fbff868-af29-43ba-894f-00d62785aa5f","edition_id":"edn_ab5fad4f-c358-45fa-bccf-9a22038b11d4","title":"HUMNを分解すると見えてくるPhysical AIのHBM","published_at":"2026-08-20 19:36:11","source_url":"https://note.com/atom_/n/nb22ffbfb7006","recorded_at":"2026-09-08T05:29:27+00:00","source_date":"2026-08-20 19:36:11","thumbnail":null,"legacy_slug":null,"topics":["memory","models","materials"],"sections":[{"id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","parent_section_id":null,"heading_block_id":null,"order":0,"character_id":null},{"id":"sec_d825279c-6675-4acb-b6ef-7588c2dbd2c2","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_941c333d-9d8c-4f95-bd0a-594eb4c9d248","order":1,"character_id":null},{"id":"sec_46771ade-8e86-4124-819c-e4b50b36c85c","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_a0cbc606-2911-4143-b011-39e3bf5f2099","order":2,"character_id":null},{"id":"sec_42dd7fce-1bcf-4687-a2da-eadb3a080d2a","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_e442aef5-78e0-49b1-92d0-a8ae1146e1f3","order":3,"character_id":null},{"id":"sec_b303e043-40fd-41ef-96b3-26e566f41af4","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_d4527574-1664-4426-a5cf-992b3d888885","order":4,"character_id":null},{"id":"sec_916d23e7-53fc-4494-bd90-3486b8c7a3bf","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_5691ee17-b969-440d-8f52-e8f37057333f","order":5,"character_id":null},{"id":"sec_7746cb21-1f89-4c1d-9d83-4ff5f883c587","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_b79c1d8e-1ce4-46ad-be58-de1cc1c29b8c","order":6,"character_id":null},{"id":"sec_6f2703f8-9ddc-4ff1-a03f-edac424c1e23","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_5c0af54e-85de-484a-86bf-42095de21d1d","order":7,"character_id":null},{"id":"sec_3e158a07-94ee-4d10-b5fc-698a937eea08","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_40d537fb-de31-4b8a-800f-62adf69dda2e","order":8,"character_id":null},{"id":"sec_43be2457-b556-43a3-93cc-43ae92ee97f0","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_553e2ee3-f50d-4a85-a12b-0e85668d04f6","order":9,"character_id":null},{"id":"sec_b1c7e1d7-4f86-46e5-afc2-844acc308f87","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_9532365e-f77c-423f-a38e-d98b20191077","order":10,"character_id":null},{"id":"sec_870fffd2-dbb1-4e9b-8706-2baec89eb592","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_f02d55a0-98b3-4086-bc3b-ebd8f40d99a9","order":11,"character_id":null},{"id":"sec_61ffbdba-2ecb-4536-bb7e-13e209b98eff","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_2ff1edba-aae6-43fe-bdbc-4fbbd299986f","order":12,"character_id":null},{"id":"sec_6f6b5da0-6bd2-4f58-8aff-02d1844c5ba2","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_7d1829cb-1df3-469a-96b1-d2e275cec8ae","order":13,"character_id":null},{"id":"sec_3362f1d1-4b3d-4dfb-96ac-5246a0ac717f","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_f853e1ff-b4b0-4b03-bfab-7395254fd25f","order":14,"character_id":null},{"id":"sec_f326878d-f1df-4775-be18-4cbf820b94b0","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_2224b5b9-1ae4-43be-96b2-944fa670243d","order":15,"character_id":null},{"id":"sec_df12ce63-3b43-4f2b-b114-5d76cddaa916","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_bcbe26cf-31cb-40d8-9da6-175a83289a6c","order":16,"character_id":null},{"id":"sec_dfdd427f-8e17-45a0-b75f-8bf4afc784a0","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_62386d52-b9c2-4111-86cc-4b3bcd8e3659","order":17,"character_id":null},{"id":"sec_0c1633b1-eb38-49a2-b2cf-823b7a6db43b","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_78afdf69-f7ed-4ab9-b616-82fbfb5db251","order":18,"character_id":null},{"id":"sec_2253e4d8-0c40-4add-b422-585f75fb1fb9","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_b6473db9-3c37-4fd6-8964-41bafd2f73e6","order":19,"character_id":null},{"id":"sec_861cb89f-24c5-40b3-96d5-09df1c7f77c7","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_d4801b42-6f48-4502-bbad-39b31b7e8f34","order":20,"character_id":null},{"id":"sec_ea537d27-af58-42a2-a0dc-46736fd4de57","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_9d880828-3c3a-46e7-aed7-7aeaf792cbd0","order":21,"character_id":null},{"id":"sec_d7445e21-eca5-47f6-a66d-a01c3fe5be69","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_9161f786-19e8-412b-88c7-68fc903aab24","order":22,"character_id":null},{"id":"sec_70102ee9-1460-49c4-9faf-353f345a4538","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_a4d8c0e8-65d3-409e-8aa8-ffe290e8d211","order":23,"character_id":null},{"id":"sec_57c86daf-e538-467b-a680-b16b43182983","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_f77f2365-f248-42c8-a530-b280a09dce3d","order":24,"character_id":null},{"id":"sec_68341871-f92e-475d-9cbe-5136519cc5b1","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_91c6d934-c56d-4cce-979a-000da6753094","order":25,"character_id":null},{"id":"sec_0e49c475-18a1-4a82-9f03-d72bdb40f5b8","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_75ff798b-0254-443a-a391-14122d59fcdf","order":26,"character_id":null},{"id":"sec_6c658823-0044-4445-b3cc-0c1d1641dab8","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_71fc20a7-f507-4e52-8496-d9072b76acf2","order":27,"character_id":null},{"id":"sec_030fbb96-f127-481b-92c8-21123918803b","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_9b435a6d-b271-4870-a531-925081c6cb17","order":28,"character_id":null},{"id":"sec_86d3507f-77f7-4139-b499-c5979bfbe040","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_0e9f835d-7214-4bdc-934a-039ceb36c7b1","order":29,"character_id":null},{"id":"sec_bee3f532-d72c-4ed1-ba54-2826de49be01","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_e545e5d9-6027-48c2-ae65-bce15d3f5284","order":30,"character_id":null},{"id":"sec_c21bfbdd-d61b-4815-a137-c6bfc75579c1","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_794f5a1d-230e-476f-8e23-9496edb61763","order":31,"character_id":null},{"id":"sec_334e59b6-b44b-4fab-9288-c39e5246ffc8","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_fd05133c-69a8-425c-853f-b4423e082c5a","order":32,"character_id":null},{"id":"sec_fcdf7ab4-dfdd-4d5f-b163-f3e745f1d358","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_684435ad-946a-4724-a3f0-4196bc76f282","order":33,"character_id":null},{"id":"sec_eb006e78-44bc-44f6-9cee-e2bf4a36ca0b","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_99b9d4cb-ad3f-4d0c-a718-627091287bd9","order":34,"character_id":null},{"id":"sec_9315eced-e066-4348-91d3-7544ec52b546","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_79c01859-69de-49b6-a410-3c36ac3b02d4","order":35,"character_id":null},{"id":"sec_d1ab9d1d-e540-4591-96d3-62a7ac0be446","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_06f4d347-60fd-4bef-b468-ffcb0b20a223","order":36,"character_id":null},{"id":"sec_ca27b6e9-9931-4bf4-a30b-d9314891556c","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_e318ad4b-1d07-4cce-9ef7-b99fc4d14fd9","order":37,"character_id":null},{"id":"sec_fa8e4b78-a2aa-47a5-8292-6385901c0a06","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_f5ec59c5-975a-41a5-87ae-0f9b4b4494cb","order":38,"character_id":null},{"id":"sec_edbbc773-f0ee-4fa5-8994-10aa415290fa","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_cfd344ea-4bbe-4c11-a079-d482a55bdc12","order":39,"character_id":null},{"id":"sec_74044e6c-ecda-4bdb-b054-265d5f6c5cd4","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_9716d22b-b801-41ae-8e3e-f2b4e7a09c49","order":40,"character_id":null},{"id":"sec_f998c176-6b7f-4a41-b1a0-e68c5c4f1d96","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_f620da7e-d0f5-4edd-b791-a07156816e11","order":41,"character_id":null},{"id":"sec_49e8c484-26a5-4319-88d7-ae2c8f98b961","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_31412905-c62f-4ee0-93d1-7ea0ee3c8ce9","order":42,"character_id":null},{"id":"sec_7ca2e5f3-588d-489c-836f-b3bddfd704ae","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_fa205eb4-0372-4f75-bfb2-296edc40c2d8","order":43,"character_id":null},{"id":"sec_d8f303b8-90ae-41bd-aad2-6ba1d1a7ff7f","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_ef020f93-8f28-4162-94e8-13aa3fa8e5a7","order":44,"character_id":null},{"id":"sec_3f1f4a42-360c-4f2f-985f-58e65992a417","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_d31a271d-4e76-4b18-9de2-54315ff86c3f","order":45,"character_id":null},{"id":"sec_2c389d65-4bff-40e0-abe7-5eb781eae34d","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_ebaeeba7-444f-4ca9-aa25-d8c3ba75b54a","order":46,"character_id":null},{"id":"sec_aae93cf4-7dfd-4f2f-b119-22d5af80514f","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_5de95fad-97b0-468d-8940-89e20db497b3","order":47,"character_id":null},{"id":"sec_25ce38aa-098c-4e7b-840d-fa8c19aeb9fc","parent_section_id":"sec_aae93cf4-7dfd-4f2f-b119-22d5af80514f","heading_block_id":"blk_c09f7c3b-d8e3-47bc-a299-502bc2733b3a","order":48,"character_id":null},{"id":"sec_33764563-a4bf-4063-9721-68d2527aa14e","parent_section_id":"sec_aae93cf4-7dfd-4f2f-b119-22d5af80514f","heading_block_id":"blk_472e67e0-bf7a-4b68-981a-242698a65612","order":49,"character_id":null},{"id":"sec_bc0255a8-79a9-4926-a1b7-d0811f3a7454","parent_section_id":"sec_aae93cf4-7dfd-4f2f-b119-22d5af80514f","heading_block_id":"blk_757c09ee-8590-4fce-b289-67cdd62e8ecf","order":50,"character_id":null},{"id":"sec_639d5ed0-0244-419c-b758-f7a85f0bdaf8","parent_section_id":"sec_aae93cf4-7dfd-4f2f-b119-22d5af80514f","heading_block_id":"blk_746b2d77-e44b-4007-ad13-aae7e72df19b","order":51,"character_id":null},{"id":"sec_21954d2c-37db-47b6-97a3-1e22ecd6749b","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_9775a961-d66a-42de-8ccf-0530fe27940a","order":52,"character_id":null},{"id":"sec_dce3c38b-a6ac-4800-8d2c-0657f85f4345","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_42fe941b-1886-4f05-8aa2-ba8d18def16c","order":53,"character_id":null},{"id":"sec_495a3734-408e-4e26-8870-040f6fbce177","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_bd3fd896-07a0-466d-a213-01263ce72834","order":54,"character_id":null},{"id":"sec_fcbc5559-db9c-4b49-8242-c48b1d7599c7","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_fb55c0a2-5b78-4106-ba18-ac9bf91840ee","order":55,"character_id":null},{"id":"sec_df26cca2-42e3-4259-b25e-7cc8de9eb9da","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_419c7bf8-180f-4250-99c4-a40a72413c38","order":56,"character_id":null},{"id":"sec_a9226120-e7af-40af-a2fa-58aeb98ccb37","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_0fcfb7ed-4b9b-4d96-abbf-3e58cfad74d9","order":57,"character_id":null},{"id":"sec_2a7009c2-317f-4a86-a161-9ae9a706e55f","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_879e8ea2-a749-4dc2-af84-1cc2c0a5291a","order":58,"character_id":null},{"id":"sec_a6909fda-67f6-448d-96e1-f8d90bf20781","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_3ef4922c-d3f4-4e49-add4-9161890f13d0","order":59,"character_id":null},{"id":"sec_160d7498-3ddc-45ff-a896-35971d3a41b6","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_7c8df6a9-4763-4fd5-8e55-e270b8c29068","order":60,"character_id":null},{"id":"sec_40751fb3-0b4c-4a78-9ad7-4fc49d26d3ce","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_4e311e9c-dce8-46eb-94b2-5b018b7c9bea","order":61,"character_id":null},{"id":"sec_d965b1a2-d217-47f1-90d3-7fd38cf08c7a","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_2c36b8c8-22a2-4246-b7f3-0aa8bc12bdef","order":62,"character_id":null},{"id":"sec_c4289ae4-6027-467e-b4a6-31ce80214ae1","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_55e27ef8-49d6-4602-b84d-bb16cfd45116","order":63,"character_id":null},{"id":"sec_4d6a2481-9ab0-4529-89f4-056b7b44fe16","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_4a0e1504-cdbd-4c7c-9bb0-3160c6307fc5","order":64,"character_id":null},{"id":"sec_0a1c66e7-1d81-4c3c-a25e-50a0ce921ea6","parent_section_id":"sec_4d6a2481-9ab0-4529-89f4-056b7b44fe16","heading_block_id":"blk_65e23572-0abc-4607-a5d6-53e31360e34a","order":65,"character_id":null},{"id":"sec_fe9b537d-c49c-4ee4-9b1e-983d135b444c","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_e5a55662-562d-40b4-acc4-0774c9141b14","order":66,"character_id":null},{"id":"sec_d7513016-4257-4d01-a5a9-8bc4f9315132","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_49c81d43-c296-4fd9-a77a-93e60fad14d6","order":67,"character_id":null},{"id":"sec_1aa35404-b840-4aff-9ba5-89ddc1cabbac","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_97761afd-cbab-4212-8e33-b8a89ba9835e","order":68,"character_id":null},{"id":"sec_e703d12d-8666-4bba-85cf-119735c18fb2","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_170431ca-20ab-4c8b-b873-53a9405b1994","order":69,"character_id":null},{"id":"sec_81be29da-710b-4752-b0df-c80db48e75aa","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_fcfde7b4-2313-4f75-8d58-49452f716c94","order":70,"character_id":null},{"id":"sec_adda5d6d-e406-4fda-981b-395149656b4c","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_9c75f85c-6faa-4715-aef6-4095111456d2","order":71,"character_id":null},{"id":"sec_842225d0-53a0-4590-842b-52a4bf56b748","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_a1844465-0ee8-42d8-ac08-6a259fc54b33","order":72,"character_id":null},{"id":"sec_d8017e40-9dd7-4614-8060-3f6ef36aaa88","parent_section_id":"sec_842225d0-53a0-4590-842b-52a4bf56b748","heading_block_id":"blk_d13bb823-2f40-4688-a0e6-6a1b606cc6cc","order":73,"character_id":null},{"id":"sec_74bbc030-601d-4010-afb2-6d253a36652f","parent_section_id":"sec_842225d0-53a0-4590-842b-52a4bf56b748","heading_block_id":"blk_074d8eec-84ea-4dd1-a523-0da9c59a2dd6","order":74,"character_id":null},{"id":"sec_c4d7f6cd-9177-41a4-a408-85b1a123869b","parent_section_id":"sec_842225d0-53a0-4590-842b-52a4bf56b748","heading_block_id":"blk_c946552c-aaac-4164-b82d-ad9ae0d9d5ce","order":75,"character_id":null},{"id":"sec_65c82595-5b97-4154-804b-e1c134c72bb7","parent_section_id":"sec_842225d0-53a0-4590-842b-52a4bf56b748","heading_block_id":"blk_87948370-55b7-4080-8be4-ea845997ff15","order":76,"character_id":null},{"id":"sec_f63cc0af-e612-46a5-881c-df8d5fb6fd27","parent_section_id":"sec_842225d0-53a0-4590-842b-52a4bf56b748","heading_block_id":"blk_b382d7f6-d843-456c-ac1c-62b2e14f5227","order":77,"character_id":null},{"id":"sec_c1636c0c-6e1c-415f-b575-e8299d90170e","parent_section_id":"sec_842225d0-53a0-4590-842b-52a4bf56b748","heading_block_id":"blk_03ee8675-5fc7-499c-8f97-3d2efa36be8d","order":78,"character_id":null},{"id":"sec_d023810e-c6a6-49f0-a449-973e750faddf","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_883d6a66-e9db-4a45-8e62-d90b29628b9b","order":79,"character_id":null},{"id":"sec_eccb7da4-1eea-41e9-b769-0fbba53ba9fc","parent_section_id":"sec_d023810e-c6a6-49f0-a449-973e750faddf","heading_block_id":"blk_c25e1858-e116-478a-9641-abe9a76ceb68","order":80,"character_id":null},{"id":"sec_8ce0284b-c00c-457a-8dfe-456636ce6c7f","parent_section_id":"sec_d023810e-c6a6-49f0-a449-973e750faddf","heading_block_id":"blk_56cd8d8f-36ec-4c09-be10-0a3707672a9e","order":81,"character_id":null},{"id":"sec_62b0d046-5e7e-4854-ba27-422a77832143","parent_section_id":"sec_d023810e-c6a6-49f0-a449-973e750faddf","heading_block_id":"blk_ed923696-4622-43ac-bfd4-323c6432cafb","order":82,"character_id":null},{"id":"sec_b6b0f97b-d1bb-4548-a5e5-d6e2697ab087","parent_section_id":"sec_d023810e-c6a6-49f0-a449-973e750faddf","heading_block_id":"blk_409d94a9-24ff-409c-88a7-d51ba29ca2b1","order":83,"character_id":null},{"id":"sec_81085cfc-4a47-4dfd-ad29-7ef7096bf4c0","parent_section_id":"sec_d023810e-c6a6-49f0-a449-973e750faddf","heading_block_id":"blk_205bf2e4-67eb-4174-9fa7-5734d2136fd6","order":84,"character_id":null},{"id":"sec_37826d2b-859a-4f14-a7eb-0ff5c28fabde","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_d1786d6f-dfbb-4f39-bfdc-36ce0de9630a","order":85,"character_id":null},{"id":"sec_04bebbed-7513-414c-9bcc-1247b6ca4e09","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_8ffcae15-96d9-4c8e-88ae-dec92e39275a","order":86,"character_id":null},{"id":"sec_4700aa91-0902-4771-9341-000c732f5376","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_f1008a9f-5c84-45b5-8ae2-ad837899bae7","order":87,"character_id":null},{"id":"sec_5fa9761f-d703-4a7b-8518-57d5cad91faa","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_d93b7e5f-2846-4476-a684-1c8c0a9b008b","order":88,"character_id":null},{"id":"sec_ac95a02f-c225-4cc5-bc93-5f8775bf6c71","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_44063b67-ff58-4793-ab61-3592d87cbdaf","order":89,"character_id":null},{"id":"sec_8d9003f9-4a8b-409d-8882-e6261db64cef","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_3fc83dc1-7b98-4180-9cf9-5a7e112a73da","order":90,"character_id":null},{"id":"sec_81d656d2-f4cb-4610-babf-a92d31423506","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_87a19c84-b010-41fd-95ef-7cfdd33945af","order":91,"character_id":null},{"id":"sec_48cfdf26-e743-4135-be3a-c81ec5a72beb","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_c3c97908-5439-45ab-8752-1b055e425a86","order":92,"character_id":null},{"id":"sec_a4fc2248-af18-4b8a-b590-c549113402a5","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_65c2da47-2c03-4eb1-bbd5-7cc1dff4625a","order":93,"character_id":null},{"id":"sec_e7ba3875-d70c-4ca3-b9f5-6d93d0e2de01","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_c6edac27-c965-43d1-b61c-7ca0ec272397","order":94,"character_id":null},{"id":"sec_8836321d-3d70-4c8f-b002-2bd4caf16612","parent_section_id":"sec_e7ba3875-d70c-4ca3-b9f5-6d93d0e2de01","heading_block_id":"blk_d8b6b87a-0d5f-4bf0-a26a-b290f44e7b2e","order":95,"character_id":null},{"id":"sec_cff5ede8-b7a5-41ad-b382-64a7a066863b","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_099ae42a-7278-4e61-961f-028e6d037d94","order":96,"character_id":null},{"id":"sec_bea0ed79-df4e-47af-a87b-76f69337c848","parent_section_id":"sec_cff5ede8-b7a5-41ad-b382-64a7a066863b","heading_block_id":"blk_fa0bb81e-10e4-4110-aa75-01e034d371b6","order":97,"character_id":null},{"id":"sec_e2682dbd-4c5b-4d1e-8e4e-7f51d3795686","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_3aea4ef0-1adc-484c-b830-72c1dcc6025d","order":98,"character_id":null},{"id":"sec_9f1009cf-7540-4410-b4d7-2c3c32ceee8d","parent_section_id":"sec_e2682dbd-4c5b-4d1e-8e4e-7f51d3795686","heading_block_id":"blk_a2f144c8-07e4-42cf-99ae-2a2a0a0739cd","order":99,"character_id":null},{"id":"sec_8b36ed80-b04c-4fed-ad7e-58bfe2eb0f6d","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_c5013698-6a81-4173-b826-2bccf800a01e","order":100,"character_id":null},{"id":"sec_3f4c93d7-cb5e-4504-9899-53fda24a24fc","parent_section_id":"sec_8b36ed80-b04c-4fed-ad7e-58bfe2eb0f6d","heading_block_id":"blk_4bf1182d-ab5a-435c-937a-685498e8f85b","order":101,"character_id":null},{"id":"sec_998b5cc8-ab3a-4142-9d1c-e95fb68d6ecd","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_d84aa53f-1d61-4de4-8e4b-a9b9bb9bf02e","order":102,"character_id":null},{"id":"sec_a97762b4-f216-4b5c-a17a-c03152b4f717","parent_section_id":"sec_998b5cc8-ab3a-4142-9d1c-e95fb68d6ecd","heading_block_id":"blk_1def82fb-e9e7-47fa-9b36-23a3fb40e0a6","order":103,"character_id":null},{"id":"sec_056be7e6-26ac-4851-9bae-9a9899ce775d","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_78644190-5217-4c50-80fe-b8eeba6b1568","order":104,"character_id":null},{"id":"sec_3f487cf8-b3d1-4555-a1b0-a037d4d70bda","parent_section_id":"sec_056be7e6-26ac-4851-9bae-9a9899ce775d","heading_block_id":"blk_a36a3a75-18c2-478d-9da4-586d07d09d77","order":105,"character_id":null},{"id":"sec_1e365250-2520-4056-9417-20a53a2964e3","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_654e588f-7382-467e-a7f1-2d0c950eb008","order":106,"character_id":null},{"id":"sec_f446e067-f459-4991-b5f6-3a2fa8b3a206","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_360f4f40-f2bb-4988-a134-cafab35d009b","order":107,"character_id":null},{"id":"sec_96764489-6637-4a5b-a602-708b916cb371","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_7a67670d-c1ac-4b68-8ab2-0bdaffbe5688","order":108,"character_id":null},{"id":"sec_7c91e38f-a6ad-4906-b8fd-d3fa9c9bcae5","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_eb18dff9-f377-4d9d-98ef-1f5bca16b8f4","order":109,"character_id":null},{"id":"sec_57a5f512-cdbe-4687-a86b-16082891cc26","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_2d940a51-13e7-41c9-aa49-2ccf4e025ba8","order":110,"character_id":null},{"id":"sec_9a6fa19c-fe56-4d82-a01d-1a219559a74d","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_75ba130a-51e9-43ff-b6f7-a8e3adad0531","order":111,"character_id":null},{"id":"sec_bbdfaeb9-00ac-4ef6-90dc-f01d8eac26bd","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_6a9f771f-7cbb-4caf-9f3f-d161dfcc0ff9","order":112,"character_id":null},{"id":"sec_9fded5ee-0c98-4e20-89d7-da865dc5a698","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_801733f2-3c04-442e-bf5f-a03fcdca43c5","order":113,"character_id":null},{"id":"sec_3b06f1b5-d2b7-4fa4-8f65-5ac8459c3dd6","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_352d0406-0b48-4421-9b2a-0cd2078636c0","order":114,"character_id":null},{"id":"sec_7e472cde-ea0e-40c6-b2b2-9c7d5325f9f6","parent_section_id":"sec_3b06f1b5-d2b7-4fa4-8f65-5ac8459c3dd6","heading_block_id":"blk_a8831459-7f7d-4ca3-9afb-a3ddbad0fd06","order":115,"character_id":null},{"id":"sec_3c9b0946-a887-4717-b270-619a76a5aede","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_b419fcba-dcb5-4a79-9c85-270d2021b0e6","order":116,"character_id":null},{"id":"sec_10eb72d1-010b-424b-a494-d297f8096785","parent_section_id":"sec_3c9b0946-a887-4717-b270-619a76a5aede","heading_block_id":"blk_2f19b4e1-6488-4d4a-bb0c-82bedc1f5e98","order":117,"character_id":null},{"id":"sec_78a29b22-49b1-45a8-8698-9805942404df","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_bee8c249-ddd2-4228-864c-15738dd7098f","order":118,"character_id":null},{"id":"sec_e20368ac-6b5b-4429-b2ab-1fb769494a1e","parent_section_id":"sec_78a29b22-49b1-45a8-8698-9805942404df","heading_block_id":"blk_24eb0339-a56c-4d23-9be7-70b7fba74a94","order":119,"character_id":null},{"id":"sec_5b95eb00-67a8-4f35-94f1-8b40372488c8","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_fef2a255-51bf-4309-8bdb-aa82a4942174","order":120,"character_id":null},{"id":"sec_208f4386-90aa-4a96-97e2-7112be9d2171","parent_section_id":"sec_5b95eb00-67a8-4f35-94f1-8b40372488c8","heading_block_id":"blk_ba32284a-940a-45f9-a9a5-c25479867d69","order":121,"character_id":null},{"id":"sec_a7b07528-ad9e-4d00-a522-711eff2d69d9","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_fe8711ee-a1ad-4fff-adc7-7945e7755ee2","order":122,"character_id":null},{"id":"sec_ddc7da84-71ea-4ac8-a53f-221afc8c0532","parent_section_id":"sec_a7b07528-ad9e-4d00-a522-711eff2d69d9","heading_block_id":"blk_5be16dac-3932-4b7b-bdae-fe1683f326f3","order":123,"character_id":null},{"id":"sec_d327fdc6-2c4b-462d-9ff0-d1ce1151d0af","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_092e4b10-5d48-48de-a194-782510c664bf","order":124,"character_id":null},{"id":"sec_ce5282ac-ae3c-48b9-a405-46032ee22a28","parent_section_id":"sec_d327fdc6-2c4b-462d-9ff0-d1ce1151d0af","heading_block_id":"blk_765dff84-7ecb-4133-aab8-8efbf3857cbd","order":125,"character_id":null},{"id":"sec_08b52666-2828-43d9-a70f-911e7b3b832b","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_c12f5f25-fd16-416a-8e8d-b54caff1fce0","order":126,"character_id":null},{"id":"sec_91eaa448-4c29-4745-abdb-21ac27b6f31b","parent_section_id":"sec_08b52666-2828-43d9-a70f-911e7b3b832b","heading_block_id":"blk_fed53e14-fe4b-42dd-ba77-6b93639469c7","order":127,"character_id":null},{"id":"sec_ac358ab0-90bb-41f4-9077-c5dd5a6e2aad","parent_section_id":"sec_08b52666-2828-43d9-a70f-911e7b3b832b","heading_block_id":"blk_2ddadc06-4b2d-48bb-9f48-ca923f30ee3d","order":128,"character_id":null},{"id":"sec_3a84ed6f-44bc-4f24-afe5-269cab16a45b","parent_section_id":"sec_08b52666-2828-43d9-a70f-911e7b3b832b","heading_block_id":"blk_08ba3008-15a5-46df-a0d5-2180b4656716","order":129,"character_id":null},{"id":"sec_915e16f9-02fb-4ad4-bfec-c4d3adae42e6","parent_section_id":"sec_08b52666-2828-43d9-a70f-911e7b3b832b","heading_block_id":"blk_cfa13865-a90d-423c-8110-f351ca585c37","order":130,"character_id":null},{"id":"sec_a752f9f8-51f6-43c4-aea4-bc36c7f681ec","parent_section_id":"sec_08b52666-2828-43d9-a70f-911e7b3b832b","heading_block_id":"blk_3bffb39b-4af6-470e-8064-f088c750cfe3","order":131,"character_id":null},{"id":"sec_507d36ac-c8e8-45cc-8cd2-df8a9a2013e1","parent_section_id":"sec_08b52666-2828-43d9-a70f-911e7b3b832b","heading_block_id":"blk_615fa701-16b7-4364-9528-b5015f1278ca","order":132,"character_id":null},{"id":"sec_49731bc3-d197-411c-854d-d09046655386","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_ca54a9ed-04d4-4759-8939-eb2237f1dbfe","order":133,"character_id":null},{"id":"sec_d98b2717-46e4-420a-8ae1-87ecbec19d31","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_e37b6562-da7d-4a67-9b64-c27f520a91a0","order":134,"character_id":null},{"id":"sec_64b1f132-3cbb-480e-a20b-8e5fb2e492b3","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_03b3cecb-3558-4b5e-9b1f-db325f10849d","order":135,"character_id":null},{"id":"sec_331aba54-3d37-4500-846f-c71b2d3d4a86","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_0422488c-c07f-4c06-9076-ab55b2190a69","order":136,"character_id":null},{"id":"sec_fb5c169c-1647-43d6-a033-0d029f3433ec","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_c31acd36-f226-4a23-ba57-d022a52758d4","order":137,"character_id":null},{"id":"sec_5f93d481-757e-412f-94da-23913289c61f","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_d1af7ba5-24a1-4eac-9e90-393f8dab08ee","order":138,"character_id":null},{"id":"sec_ad9e396c-93e6-417c-9b08-257a3462251f","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_d9146c1b-57a7-4d66-bc20-4900cf957f43","order":139,"character_id":null},{"id":"sec_19ee2f22-81ad-40d0-9d19-49c2f6f1bcf8","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_9c8b1c62-0b5f-49df-b066-2ebeb81fbf54","order":140,"character_id":null},{"id":"sec_6eec7c84-17b3-4b9c-9f52-ef6c12ba1c7e","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_c376c035-f4b3-4d92-8d99-0d304db23275","order":141,"character_id":null},{"id":"sec_d1ae9439-44d1-4752-901b-badac09ac0eb","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_6d7b9762-8e14-4ae6-a8eb-ddf1b7fac39d","order":142,"character_id":null},{"id":"sec_56e57b42-dec3-489d-b1b4-5c513851abeb","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_9978a471-7c9b-4c4d-b474-87e90266a9b4","order":143,"character_id":null},{"id":"sec_58e471ec-0098-4686-8ca9-4c0f5dcdf3be","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_b22465f0-67be-4a05-a35f-25d59b03b607","order":144,"character_id":null},{"id":"sec_004b35d0-4c99-4cb4-b221-665f487e01d4","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_1f66748f-2647-4f45-a2da-171f136b5484","order":145,"character_id":null},{"id":"sec_2f700ad8-ea09-4564-bf40-92950dd357ab","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_abb23ebd-cb29-40f9-9b8f-bb31fddeb76c","order":146,"character_id":null},{"id":"sec_7bfb84f1-9264-4bac-bcea-a202b5999c56","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_0a5ed5fb-2c0e-4ac8-8b84-d77c722c4a91","order":147,"character_id":null},{"id":"sec_1d4e685d-ee96-44be-8a78-165358704172","parent_section_id":"sec_7bfb84f1-9264-4bac-bcea-a202b5999c56","heading_block_id":"blk_a460d3c0-b891-4384-84c8-302de213a6c5","order":148,"character_id":null},{"id":"sec_a447a13d-005d-4226-9820-28dff7d024d3","parent_section_id":"sec_7bfb84f1-9264-4bac-bcea-a202b5999c56","heading_block_id":"blk_44b826d1-84ec-4038-a312-1c7b270f0263","order":149,"character_id":null},{"id":"sec_4de74b58-88e0-4551-ad25-80b7f9c5c7e7","parent_section_id":"sec_7bfb84f1-9264-4bac-bcea-a202b5999c56","heading_block_id":"blk_b9039da9-6fc0-4ed1-8503-c3e373676605","order":150,"character_id":null},{"id":"sec_f6cc5ec6-81c3-4b5a-ab60-768b8bbca4e4","parent_section_id":"sec_7bfb84f1-9264-4bac-bcea-a202b5999c56","heading_block_id":"blk_b34fd989-2a04-4298-bb8a-ce3de5d9caf5","order":151,"character_id":null},{"id":"sec_367b6d63-4f4c-460c-97c9-1757e67a57c7","parent_section_id":"sec_7bfb84f1-9264-4bac-bcea-a202b5999c56","heading_block_id":"blk_61719f79-b0ab-483d-9793-105b4cd8ca76","order":152,"character_id":null},{"id":"sec_5217b92d-28f7-4ab9-9849-48054d78e595","parent_section_id":"sec_7bfb84f1-9264-4bac-bcea-a202b5999c56","heading_block_id":"blk_22b00759-e000-426b-840e-3986ed2f3b37","order":153,"character_id":null},{"id":"sec_a6be54b1-9d44-4725-9b6f-2e8b0a7d1e94","parent_section_id":"sec_7bfb84f1-9264-4bac-bcea-a202b5999c56","heading_block_id":"blk_5d640c54-8245-423d-bf32-5ef20c2e113e","order":154,"character_id":null},{"id":"sec_223afe38-7eff-4656-a994-5dd34d965d29","parent_section_id":"sec_7bfb84f1-9264-4bac-bcea-a202b5999c56","heading_block_id":"blk_44aa94fe-609a-4053-a54b-11c346b7cb9f","order":155,"character_id":null},{"id":"sec_c94554be-cfa5-4217-8c1c-b3729ef8078b","parent_section_id":"sec_7bfb84f1-9264-4bac-bcea-a202b5999c56","heading_block_id":"blk_d1156fe7-843a-4ce4-a802-48bfb67f2a91","order":156,"character_id":null},{"id":"sec_4ae2ba32-c7ac-4045-82b4-48dfb55645ec","parent_section_id":"sec_7bfb84f1-9264-4bac-bcea-a202b5999c56","heading_block_id":"blk_7264e1f4-2bee-4599-bfa3-c88bbe79ad1d","order":157,"character_id":null},{"id":"sec_0bc81739-7319-409a-b7a1-c1e88961a5b0","parent_section_id":"sec_7bfb84f1-9264-4bac-bcea-a202b5999c56","heading_block_id":"blk_6af07d04-0be2-460b-8a89-44b236384654","order":158,"character_id":null},{"id":"sec_9b7e1c02-3831-46b7-9ac4-8169bee3e832","parent_section_id":"sec_7bfb84f1-9264-4bac-bcea-a202b5999c56","heading_block_id":"blk_b7a7f6ac-b43a-4e44-8bf0-94ee69f01870","order":159,"character_id":null},{"id":"sec_a5d397aa-922a-4b40-9be4-38cf1a910a40","parent_section_id":"sec_7bfb84f1-9264-4bac-bcea-a202b5999c56","heading_block_id":"blk_dd4b2ae8-d236-4745-8045-de3b7f8cd6a4","order":160,"character_id":null},{"id":"sec_2c860b00-e02e-4ce9-bec3-bc7d71a134c3","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_989d883d-5a3b-439e-bed3-e7982d72ce69","order":161,"character_id":null},{"id":"sec_5ebaf02e-5dd9-4616-95a2-7a89ecadec0f","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_a9957f24-0982-434d-87f4-2dc665ad0d03","order":162,"character_id":null},{"id":"sec_827f7651-7c61-4f35-8d52-3c8fe56e9f41","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_9bf610c9-410d-4bdd-876b-e9f18b1523ad","order":163,"character_id":null},{"id":"sec_bc900796-ad20-4fea-a7ce-7d4695e2e743","parent_section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","heading_block_id":"blk_ba631f55-a77e-4baa-968a-9d3516e1ab24","order":164,"character_id":null}],"content_available_at":{"basis":"unknown","precision":"unknown","timezone":null,"value":null},"markdown":"![](/media/abb4befc873ecd78ae233ce4cf3d9d478bf0e502403f839271452e91a1eca39a-content.webp)\n\n## HUMNを分解すると見えてくる「Physical AIのHBM」――ヒューマノイド1台の全BOMから、次の供給制約と未織込み銘柄を探す\n\nRoundhill Humanoid Robotics ETF、ティッカー**HUMN**。\n\n名前だけを見ると「TeslaやUBTechなど、ヒューマノイドメーカーを集めたETF」に見える。\n\nしかし中身を詳しく見ていくと、少し違った姿が見えてくる。\n\n2026年6月30日時点でRoundhillが示している上位銘柄は、UBTech、Teslaに続いて**Harmonic Drive Systems、Leader Harmonious Drive Systems、Hyundai Motor**である。つまり完成ロボットメーカーだけでなく、ヒューマノイドの関節を支える精密減速機メーカーがかなり上位に入っている。HUMNはアクティブETFであり、構成銘柄は随時変更される点には注意が必要だが、設計思想としては明らかに「完成ロボットだけ」ではない。([Roundhill Investments](https://www.roundhillinvestments.com/etf/humn/))\n\nでは、なぜ減速機メーカーがそこまで重要なのだろうか。\n\n答えは、ヒューマノイドを一台、部品レベルまで分解していくと見えてくる。\n\nヒューマノイドは単なる、\n\n**AI＋モーター**\n\nではない。\n\n一台の中に、\n\n- モーター\n- 精密減速機\n- Ball Screw\n- Planetary Roller Screw\n- Bearing\n- Encoder\n- Force/Torque Sensor\n- Tactile Sensor\n- Camera\n- LiDAR\n- IMU\n- MCU\n- Motor Driver\n- MOSFET/GaN\n- DRAM\n- NAND\n- Battery\n- BMS\n- DC/DC\n- Connector\n- FPC\n- Thermal Management\n- 構造材\n\nなど、非常に多くの部品が存在する。\n\nそしてAIサーバーにおけるHBMと同じように、\n\n> **「完成品が増えれば、それ以上の倍率で部品需要が増える場所」**\n\nが存在する。\n\n今回はHUMNを入口に、ヒューマノイド／Physical AIを部材まで完全に分解する。\n\nさらに、\n\n**市場規模** \n**× 1台当たり搭載数** \n**× ASP** \n**× 100万・300万・1,000万台時TAM** \n**× 供給集中度** \n**× 技術難度** \n**× 粗利率** \n**× Design Win** \n**× 現在PER/P/S** \n**× 現在売上に対するレバレッジ**\n\nまで重ね、\n\n## 「Physical AI版で、最もHBM化しやすい部品は何か」\n\nそして、\n\n## 「本当にボトルネックなのに、まだ株価へ十分織り込まれていない企業はどこか」\n\nまで考えてみる。\n\n---\n\n## 1．ヒューマノイドのBOMで最大なのはGPUではない\n\n最初に重要なことを確認しておきたい。\n\nMcKinseyによれば、現在のヒューマノイドのBOMは大まかに、\n\n- **Actuation：40～60％**\n- Sensing / Perception：10～20％\n- Compute / Control：10～15％\n- Structure：5～10％\n- Battery：5～10％\n\n程度に分かれる。([McKinsey & Company](https://www.mckinsey.com/industries/industrials/our-insights/turning-humanoid-supply-chain-constraints-into-billion-dollar-wins?utm_source=chatgpt.com))\n\nつまり最大のコストブロックは、\n\n## GPUではなく「身体を動かす部分」\n\nなのである。\n\nPhysical AIのハードウェアを非常に単純化すると、\n\n**目** \n↓ \nCamera / LiDAR / IMU\n\n**脳** \n↓ \nGPU / NPU / CPU\n\n**脊髄・小脳** \n↓ \nMCU / Motion Controller\n\n**神経** \n↓ \nEtherCAT / CAN / Ethernet / Cable\n\n**筋肉** \n↓ \nMotor\n\n**関節** \n↓ \nReducer / Screw / Bearing / Sensor\n\n**骨** \n↓ \nAluminum / Steel / Magnesium / CFRP\n\n**心臓・エネルギータンク** \n↓ \nBattery / BMS / Power Electronics\n\nとなる。\n\nAIが「箱を持ち上げろ」と判断してから、実際に腕が動くまでには、\n\n**AI** \n↓ \nMotion Planning \n↓ \nJoint Controller \n↓ \nMotor Driver \n↓ \nPower Semiconductor \n↓ \nMotor \n↓ \nReducer / Screw \n↓ \nJoint \n↓ \nSensor Feedback \n↓ \nAI\n\nという閉ループが存在する。\n\nPhysical AIとは、AIモデルだけではなく、\n\n> **AIの判断を現実世界の力へ変換し、その結果を再びセンサーでAIへ返すシステム**\n\nなのである。\n\n![](/media/e6f0ba5979a0e2218803111d04637592f778b316db3e80b3ac7262aeeafaa8f8-content.webp)\n\n---\n\n## 2．最重要部品――Integrated Actuator / System-on-Joint\n\nヒューマノイドの産業構造を考えるうえで、最も重要になる可能性があるのが、\n\n## Integrated Actuator\n\nあるいは、\n\n## System-on-Joint\n\nである。\n\n従来なら、\n\nMotor \nReducer \nBearing \nEncoder \nTorque Sensor \nMotor Driver \nMCU \nBrake \nHousing \nCooling\n\nを別々に調達して組み立てる。\n\nしかし量産が進めば、これらを一つの完成した「関節」にまとめ、\n\n**OEMはJoint Moduleを買って取り付けるだけ**\n\nという構造へ進む可能性がある。\n\n半導体で言えば、\n\nDiscrete IC\n\nから\n\nSoC\n\nへ移ったのとよく似ている。\n\nMcKinseyによればIntegrated Actuator内部でもコスト構成は、\n\n- Gearbox：約30～50％\n- Driver：約15～20％\n- Motor：約10～20％\n- Mechanical components：約10～20％\n- Sensors：約5～10％\n\n程度になる。([McKinsey & Company](https://www.mckinsey.com/industries/industrials/our-insights/turning-humanoid-supply-chain-constraints-into-billion-dollar-wins?utm_source=chatgpt.com))\n\nつまり価値の中心は「モーター単品」ではない。\n\n**Motor＋Reducer＋Sensor＋Electronicsを一体最適化する能力**\n\nが重要になってくる。\n\n![](/media/00aac0e39439d8bca93189c916ce7c2960788d0fc8cc0886dae3e3d77df0f450-content.webp)\n\n---\n\n## 3．Motor――電気を筋力へ変える\n\nヒューマノイドではFrameless BLDCやPMSMが重要になる。\n\nFrameless Motorでは通常のモーターケースなどを省き、\n\n**Rotor＋Stator**\n\nを直接ロボットJointへ組み込む。\n\nこれにより、\n\n- 軽量\n- 小型\n- 高Torque Density\n- 中空構造\n- 冷却統合\n- 配線自由度\n\nを高められる。\n\nMcKinseyもFrameless BLDCをヒューマノイドActuatorの中心的なモーター方式として挙げる一方、Motor自体はReducerなどに比べれば比較的commoditizeされやすいと分析している。([McKinsey & Company](https://www.mckinsey.com/industries/industrials/our-insights/turning-humanoid-supply-chain-constraints-into-billion-dollar-wins?utm_source=chatgpt.com))\n\n重要なのは、\n\n## Motor単体からJointへ上がれるか\n\nである。\n\nLeadshineはまさにこの方向へ進んでいる。\n\n同社は2025年に**12万個超のframeless motorを出荷**し、中国の主要ヒューマノイドメーカーの80％超のsupply chainへ参入。さらにharmonic/planetary Joint Moduleと21自由度Dexterous Handを量産段階へ進め、年200万unit能力の生産ラインも建設している。([Leadshine](https://static.leadshine.com/newsEvent/details/leadshine-2025-annual-report-%26-2026-q1-report%3A-accelerating-the-growth-flywheel%2C-revenue-hits-new-highs.html?utm_source=chatgpt.com))\n\nつまり、\n\n**Motorメーカー** \n↓ \n**Motion Controlメーカー** \n↓ \n**System-on-Jointメーカー**\n\nへ上がろうとしている。\n\n![](/media/8a42596fa5a5142deaa6620173d1152c7a7ad9c40375367061d5ab3eda248cae-content.webp)\n\n---\n\n## 4．Reducer――高速回転を怪力へ変える\n\n小型Motorをそのまま使っても、人間サイズの身体を動かすTorqueは得にくい。\n\nそこで、\n\n## Reducer\n\nが必要になる。\n\n代表方式は、\n\n- Strain-wave / Harmonic\n- Cycloidal\n- Planetary\n\nなど。\n\n特にStrain-wave reducerは、\n\n**小型** \n**高減速比** \n**低Backlash** \n**高い位置精度**\n\nを同時に実現しやすい。\n\n一方で高精度加工、metrology、専用tooling、qualificationが必要で、簡単に生産能力を増やせない。\n\nMcKinseyもHarmonic Drive、Nabtesco、LeaderDriveなどを挙げ、**strain-wave reducerをヒューマノイド量産時の主要choke pointの一つ**としている。([McKinsey & Company](https://www.mckinsey.com/industries/industrials/our-insights/turning-humanoid-supply-chain-constraints-into-billion-dollar-wins?utm_source=chatgpt.com))\n\nここだけを見ればHarmonic DriveやLeaderDriveは非常に魅力的である。\n\n問題は株価だ。\n\n2026年8月初旬時点でHarmonic Drive SystemsはForward PER約100倍、P/S約11倍。LeaderDriveはForward PERが約280倍に達している。([StockAnalysis.com](https://stockanalysis.com/quote/tyo/6324/statistics/?utm_source=chatgpt.com))\n\nつまり、\n\n> 「ボトルネックになること」\n\nそのものは既に市場にかなり知られている。\n\n![](/media/d94103af0b3356e63465388d4431440880c2d4f99ed0b8ede89b24dcbc3cd049-content.webp)\n\n---\n\n## 5．Planetary Roller Screw――Physical AI最大級の隠れボトルネック候補\n\nヒューマノイドは回転Jointだけではない。\n\nMotorの回転を直線運動へ変える、\n\n## Linear Actuator\n\nも重要になる。\n\nその中心候補の一つが、\n\n## Planetary Roller Screw\n\nである。\n\nBall Screwではボールを転がすが、Planetary Roller Screwでは複数のthreaded rollerを使って荷重を分散する。\n\nこれによって、\n\n**小型** \n**高荷重** \n**高剛性** \n**高精度** \n**高耐久**\n\nを実現できる。\n\n膝、股関節、肘など、\n\n大きな力を直線方向へ出したい場所と相性が良い。\n\nMcKinseyはこれをstrain-wave reducer以上に深刻になり得る供給制約候補としている。\n\n理由は、\n\n- 現在市場が小さい\n- supplier poolが狭い\n- 高精度加工が必要\n- lead timeが長い\n- 代替が容易ではない\n\nからである。([McKinsey & Company](https://www.mckinsey.com/industries/industrials/our-insights/turning-humanoid-supply-chain-constraints-into-billion-dollar-wins?utm_source=chatgpt.com))\n\nこれは非常にHBM的な特徴である。\n\n![](/media/6ec9e9b0439888e8bd034e385cbd8d06e88264c3666f42c399e9770df8ba682f-content.webp)\n\n---\n\n## 6．Ball Screw / Linear Guide\n\nPlanetary Roller Screwほど特殊でなくても、\n\nBall ScrewやLinear Guideは大量に必要になる。\n\n代表企業は、\n\n- THK\n- Hiwin\n- SKF\n- Bosch Rexroth\n\nなど。\n\nMcKinseyは総生産能力そのものより、\n\n> **humanoid用のcompact / low-clearance / high-durability gradeを量産認定できるか**\n\nが問題になると指摘している。([McKinsey & Company](https://www.mckinsey.com/industries/industrials/our-insights/turning-humanoid-supply-chain-constraints-into-billion-dollar-wins?utm_source=chatgpt.com))\n\nこの観点でTHKはかなり興味深い。\n\nTHKは単なるLM Guide企業ではなく、自社ヒューマノイドFREDで、\n\n**Cycloidal Gear** \n**＋ Outer Rotor Motor** \n**＋ Forced-Air Cooling**\n\nを一体化した高出力Actuatorを開発している。([THK](https://www.thk.com/jp/en/journal/products/article-02072025-1.html?utm_source=chatgpt.com))\n\nつまり、\n\n**Linear Motionメーカー** \n↓ \n**Robot Jointメーカー**\n\nへ進める技術基盤を既に持っている。\n\n![](/media/07736d71075986584b01864877ca1793022caef96bfc12584ad740a0b78783be-content.webp)\n\n---\n\n## 7．Bearing――地味だが全ての関節に必要\n\nBearingも大量に使われる。\n\n特に、\n\n- Cross Roller Bearing\n- Angular Contact Bearing\n- Precision Ball Bearing\n\nなど。\n\n重要なのは単なる回転ではなく、\n\n**Radial load** \n**Axial load** \n**Moment load**\n\nを小さな空間で支えること。\n\n一台に数十～100個以上が使われる可能性があるため数量は大きい。\n\nSchaeffler、SKF、NSK、NTN、JTEKTなどの既存precision-motion企業へ需要が波及する。\n\nただしBearing単品では競争が多い。\n\nここでも、\n\n## Bearingを持つ会社がIntegrated Jointまで上がれるか\n\nの方が重要になる。\n\n![](/media/c5c259fe04b1d97cf67ec1df90b90c4ee2c060c706b05d28256436a0a7d52114-content.webp)\n\n---\n\n## 8．Encoder――ロボットの固有感覚\n\n人間は目を閉じても、自分の腕がどの角度にあるかある程度分かる。\n\nロボットでは、\n\n## Encoder\n\nがそれを担当する。\n\nMotor側だけでなくOutput側にもEncoderを置けば、\n\nReducerの弾性やBacklashを含めた実際のJoint角度まで測定できる。\n\nヒューマノイドが50～80自由度へ進めば、\n\nEncoderも数十個単位で必要になる。\n\nここはNovantaなどが重要になる。\n\n![](/media/1ab0d47de7f4fff945e51fffa8fe622fc4e2511db5bf942876eef99e8b602029-content.webp)\n\n---\n\n## 9．Force / Torque Sensor――ロボットを「触れるAI」にする\n\n位置だけ分かっても、\n\n「どれくらい強く押しているのか」\n\nが分からなければ、人間と一緒には働けない。\n\nそこで、\n\n## Force / Torque Sensor\n\nが必要になる。\n\n特に6-axis F/T Sensorなら、\n\nFx \nFy \nFz \nTx \nTy \nTz\n\nの6方向を同時に測定できる。\n\nNovanta傘下ATIのVaroは、まさにHumanoid limbs、mobile arms、OEM robotics向けに設計された6軸F/T Sensorで、prototypeから量産まで統一されたcalibration/electronics platformを狙っている。([Novanta](https://novanta.com/robotics-automation/products/varo/?utm_source=chatgpt.com))\n\nNovanta自身も2026年に欧州でhumanoid関連のdesign winを獲得したと説明している。([Novanta](https://novanta.com/news/precision-motion-and-sensing-powering-the-future-of-humanoid-robots/?utm_source=chatgpt.com))\n\n一方VPGはさらに一段進んでいる。\n\n2026年第2四半期に、最初のhumanoid customerから正式な**Vendor Nomination Letter**を受領した。\n\n2年以上にわたる共同engineering、qualificationなどを経たもので、顧客側は2026年後半からproduction rampを予定している。さらに3社目、4社目にもprototypeを供給している。([The Motley Fool](https://www.fool.com/earnings/call-transcripts/2026/08/12/vishay-precision-group-vpg-q2-2026-earnings-call-transcript/?utm_source=chatgpt.com))\n\nこれは単なる「ロボット関連銘柄」ではない。\n\n既に、\n\n**Prototype** \n↓ \n**Qualification** \n↓ \n**Nomination** \n↓ \n**Production**\n\nへ入ろうとしている。\n\n![](/media/cc2a9d3926572f2335ec77c3789c6166457227b904ad32400136f4de480c718e-content.webp)\n\n---\n\n## 10．Tactile Sensor――Physical AIの皮膚\n\nDexterous Handを本当に人間並みにするには、指の位置だけでは足りない。\n\n必要なのは、\n\n- 圧力\n- 接触位置\n- 滑り\n- 剪断力\n- 温度\n\nなどを検出するTactile Sensorだ。\n\nここはまだarchitectureが固まっていない。\n\nだからこそ非常に面白い。\n\n現在市場が小さく、標準部品も少なく、どの方式が勝つのか分からない。\n\nつまり、\n\n## 技術リスクも最大級だが、勝者の上振れも最大級\n\nという分野になる。\n\n![](/media/0baa4259525b5884d2309f8bc6a7abfa2a79b70d24681479dd8daf78b4d11f9e-content.webp)\n\n---\n\n## 11．Dexterous Hand――一台のロボットの中にもう一台のロボットがある\n\n手はさらに複雑だ。\n\n中には、\n\nMicro Motor \nCoreless Motor \nMicro Reducer \nCable/Tendon \nEncoder \nForce Sensor \nTactile Sensor \nDriver IC \nMCU\n\nなどが入る。\n\n身体に28個程度の主要Actuatorがあるモデルでも、手まで高度化すると全体のActuation Channelは50～80以上へ増える可能性がある。\n\nしたがってPhysical AIで重要なのは、\n\n## Robot台数だけではない。\n\nより本質的には、\n\n## Robot台数 × DOF × 1DOF当たりBOM\n\nである。\n\n100万台のロボットが28自由度なら、\n\n2,800万Joint。\n\n80自由度なら、\n\n8,000万Joint。\n\n同じ100万台でも部材需要が3倍近く違う。\n\n![](/media/a2de9ed4d082cb1af2e02714554d5c832f2babe3d9b3c0d19074f5ffcb4b41a3-content.webp)\n\n---\n\n## 12．Camera / LiDAR / IMU――目と内耳\n\nCameraは外界認識の中心。\n\nRGB Cameraから、\n\nObject Detection \nPose Estimation \nVLA \nVisual SLAM\n\nなどへつなぐ。\n\nDepth CameraならStereo、ToF、Structured Lightなどで距離を測る。\n\nLiDARなら3D Point Cloudを作れる。\n\nIMUではAccelerometer＋Gyroscopeから身体の傾きや角速度を把握する。\n\nこれらは必須だが、投資上は少し事情が違う。\n\nCameraやIMUは巨大な既存市場があり、supplierも多い。\n\nLiDARもHesai、RoboSense、Ousterなど既に自動車・robotics市場へ展開している。\n\nしたがって、\n\n> **ヒューマノイド100万台だけで会社全体を変えるほどの売上レバレッジ**\n\nはActuatorやForce Sensorほど大きくない。\n\n![](/media/038c9b99852fd34ec206f91db7ce1649e40c98aedda1669b11fce54ca6c59244-content.webp)\n\n---\n\n## 13．GPU / AI SoC――脳だが、数量は少ない\n\nCentral AI Computerでは、\n\nGPU \nNPU \nCPU \nDRAM \nStorage\n\nが必要になる。\n\nしかし一台のロボットにAI SoCは通常1～数個。\n\n一方、\n\nMotorやEncoderは数十個。\n\nだからPhysical AIでNVIDIAが重要でないという話ではない。\n\nむしろRobot Foundation Modelのtrainingやsimulationまで含めればNVIDIAの役割は巨大である。\n\nただし、\n\n## 「ヒューマノイド本体BOMへの数量レバレッジ」\n\nではJoint関連企業の方が大きい。\n\n![](/media/ce5955a5e3759fcf7978e6f82a159b3acf71950ad30df5a0bc2c88fdbec3cfe1-content.webp)\n\n---\n\n## 14．MCU / Motor Driver / MOSFET / GaN――身体中に散らばる小脳\n\nCentral GPUが全Motorを直接μ秒単位で制御するわけではない。\n\n各Joint付近にMCUを置き、\n\nEncoder \n↓ \nCurrent Sensor \n↓ \nTorque calculation \n↓ \nPWM \n↓ \nMotor Driver\n\nというlocal feedback loopを回す。\n\nそのため一台に数十個の、\n\n- MCU\n- Gate Driver\n- MOSFET\n- Current Sensor\n\nが使われる可能性がある。\n\nこれは数量的には非常に大きい。\n\nただしInfineon、TI、ST、NXPなどの会社全体が既に巨大なので、\n\n100万台程度では全社業績への寄与率はそれほど大きくない。\n\n![](/media/58dd7cc520d58e9da76839c26cd352cfaacdedf105ee453a7f1c2a1c01a32b9e-content.webp)\n\n---\n\n## 15．Battery / BMS / DC-DC\n\nPhysical AIでは、\n\n軽い \n長時間動く \n高出力 \n安全\n\nを同時に満たす必要がある。\n\nBattery Packの中には、\n\nCell \nBMS \nContactor \nFuse \nCurrent Sensor \nTemperature Sensor\n\nなどが存在する。\n\nさらに48VなどのBattery Busから、\n\n24V \n12V \n5V \n3.3V \n1V前後\n\nまで複数のVoltage Railへ変換する。\n\nただしBatteryも既に巨大市場である。\n\nCATLやLG Energy Solutionにとって、ヒューマノイド100万台だけで会社が変わるわけではない。\n\n![](/media/daed4c4b15f4daa2ac8b371eb2bc443e107b5df8755fc95e64b69b36ca075cc2-content.webp)\n\n---\n\n## 16．Cooling――Torque Densityの裏側\n\nMotorを小さくして強くすると、\n\n発熱密度が上がる。\n\nAI SoCも発熱する。\n\nPower Semiconductorも発熱する。\n\nつまりPhysical AIの高性能化は、\n\n## Thermal Engineering\n\nと不可分である。\n\nTHKのFREDでForced-Air CoolingをJointへ統合しているのは象徴的だ。([THK](https://www.thk.com/jp/ja/journal/products/article-02072025-1.html?utm_source=chatgpt.com))\n\n将来的には、\n\n- Heat Sink\n- Heat Pipe\n- Vapor Chamber\n- TIM\n- Micro Fan\n- Liquid Cooling\n\nなども重要になる可能性がある。\n\n![](/media/50f2be7cf8e6d269cf63bfba173dbe97b2e0e1079152b6b602406d74d45ff380-content.webp)\n\n---\n\n## 17．Skeleton / Housing――軽量化はモーター容量を減らす\n\nロボットは、\n\n「強い材料を使えばよい」\n\nわけではない。\n\n1kg重くなる \n↓ \n必要Torqueが増える \n↓ \nMotorが大きくなる \n↓ \nBatteryが増える \n↓ \nさらに重くなる\n\nという悪循環が起きる。\n\nそこで、\n\n- Aluminum\n- Magnesium\n- Titanium\n- High-strength steel\n- CFRP\n- Engineering plastics\n\nなどを使い分ける。\n\nここでは自動車産業の、\n\n**軽量化** \n**Die Casting** \n**Forging** \n**Thermal Management** \n**量産品質管理**\n\nがそのままPhysical AIへ移植できる。\n\nTuopuのような自動車Tier1が注目される理由の一つである。\n\n![](/media/a836ab03bdaac3e8aa8caf3c4b8b85200e8145663b1e9ed6225bc58ed93eacba-content.webp)\n\n---\n\n## 18．Physical AI全BOM巨大表\n\nここから数量化する。\n\n以下は市場予想そのものではなく、比較のための**筆者Base Case**である。\n\n100万台時を量産ASPの基準とし、\n\n- 100万台：ASP 100％\n- 300万台：ASP 90％\n- 1,000万台：ASP 75％\n\nまでcost-downすると仮定する。\n\nなおIntegrated ActuatorやNdFeBは下位部品と重複するため、総BOM合計では二重計上しない。\n\n$$\n\\begin{array}{|l|l|c|c|c|c|c|c|l|c|c|c|l|}\n\\text{分野}&\\text{部材・機能}&\\text{搭載数/台}&\\text{ASP USD}&\\text{USD/台}&\\text{TAM：100万台}&\\text{TAM：300万台}&\\text{TAM：1,000万台}&\\text{主要供給候補}&\\text{技術難度}&\\text{供給集中}&\\text{Design Win確度}&\\text{100万台×10％シェア時の代表企業売上レバレッジ}\\cr\\hline\n\\text{Actuation}&\\text{Body Frameless Motor}&\\text{28}&\\text{USD 45}&\\text{USD 1,260}&\\text{USD 1.26B}&\\text{USD 3.40B}&\\text{USD 9.45B}&\\text{Leadshine / Nidec / Allient / Inovance}&\\text{3.5}&\\text{3}&\\text{Leadshine 5}&\\text{Leadshine +40％超}\\cr\\hline\n\\text{Actuation}&\\text{Hand Micro Motor}&\\text{50}&\\text{USD 8}&\\text{USD 400}&\\text{USD 0.40B}&\\text{USD 1.08B}&\\text{USD 3.00B}&\\text{Zhaowei / Nidec / Maxon}&\\text{4}&\\text{3.5}&\\text{2～3}&\\text{Zhaowei +10％超}\\cr\\hline\n\\text{Actuation}&\\text{Strain-wave Reducer}&\\text{9}&\\text{USD 90}&\\text{USD 810}&\\text{USD 0.81B}&\\text{USD 2.19B}&\\text{USD 6.08B}&\\text{Harmonic Drive / LeaderDrive}&\\text{5}&\\text{5}&\\text{4}&\\text{HDS +20％級}\\cr\\hline\n\\text{Actuation}&\\text{Cycloidal Reducer}&\\text{3}&\\text{USD 130}&\\text{USD 390}&\\text{USD 0.39B}&\\text{USD 1.05B}&\\text{USD 2.93B}&\\text{Nabtesco / THK / Schaeffler}&\\text{4.5}&\\text{3.5}&\\text{2～4}&\\text{中}\\cr\\hline\n\\text{Actuation}&\\text{Planetary Reducer}&\\text{2}&\\text{USD 45}&\\text{USD 90}&\\text{USD 0.09B}&\\text{USD 0.24B}&\\text{USD 0.68B}&\\text{Wittenstein / Neugart等}&\\text{3.5}&\\text{3}&\\text{2}&\\text{小}\\cr\\hline\n\\text{Linear}&\\text{Planetary Roller Screw}&\\text{8}&\\text{USD 180}&\\text{USD 1,440}&\\text{USD 1.44B}&\\text{USD 3.89B}&\\text{USD 10.8B}&\\text{SKF / Schaeffler / 中国精密勢}&\\text{5}&\\text{5}&\\text{3～4}&\\text{極めて大}\\cr\\hline\n\\text{Linear}&\\text{Ball Screw}&\\text{6}&\\text{USD 110}&\\text{USD 660}&\\text{USD 0.66B}&\\text{USD 1.78B}&\\text{USD 4.95B}&\\text{THK / Hiwin / NSK}&\\text{4.5}&\\text{4}&\\text{2～3}&\\text{Hiwin約+8％}\\cr\\hline\n\\text{Linear}&\\text{Linear Guide}&\\text{14}&\\text{USD 35}&\\text{USD 490}&\\text{USD 0.49B}&\\text{USD 1.32B}&\\text{USD 3.68B}&\\text{THK / Hiwin}&\\text{4}&\\text{3.5}&\\text{2～3}&\\text{THK数％}\\cr\\hline\n\\text{Mechanical}&\\text{Precision Bearing}&\\text{100+}&\\text{—}&\\text{USD 774}&\\text{USD 0.77B}&\\text{USD 2.09B}&\\text{USD 5.81B}&\\text{Schaeffler / SKF / NSK}&\\text{4}&\\text{3}&\\text{3～5}&\\text{小}\\cr\\hline\n\\text{Sensing}&\\text{Encoder}&\\text{50～80}&\\text{—}&\\text{USD 760}&\\text{USD 0.76B}&\\text{USD 2.05B}&\\text{USD 5.70B}&\\text{Novanta / Heidenhain}&\\text{4}&\\text{3}&\\text{3～4}&\\text{Novanta約+7％}\\cr\\hline\n\\text{Sensing}&\\text{1D Force/Torque}&\\text{28}&\\text{USD 25}&\\text{USD 700}&\\text{USD 0.70B}&\\text{USD 1.89B}&\\text{USD 5.25B}&\\text{VPG等}&\\text{5}&\\text{4.5}&\\text{5}&\\text{VPG約+21％}\\cr\\hline\n\\text{Sensing}&\\text{6-axis F/T}&\\text{4}&\\text{USD 100}&\\text{USD 400}&\\text{USD 0.40B}&\\text{USD 1.08B}&\\text{USD 3.00B}&\\text{Novanta/ATI / OnRobot}&\\text{5}&\\text{5}&\\text{4}&\\text{Novanta約+4％}\\cr\\hline\n\\text{Sensing}&\\text{Tactile / e-skin}&\\text{多数}&\\text{—}&\\text{USD 200}&\\text{USD 0.20B}&\\text{USD 0.54B}&\\text{USD 1.50B}&\\text{Startup / sensor勢}&\\text{5}&\\text{4.5}&\\text{1～3}&\\text{潜在的に大}\\cr\\hline\n\\text{Perception}&\\text{RGB Camera}&\\text{6}&\\text{USD 35}&\\text{USD 210}&\\text{USD 0.21B}&\\text{USD 0.57B}&\\text{USD 1.58B}&\\text{Sony / OmniVision}&\\text{3}&\\text{2}&\\text{5}&\\text{小}\\cr\\hline\n\\text{Perception}&\\text{Depth / ToF}&\\text{2}&\\text{USD 45}&\\text{USD 90}&\\text{USD 0.09B}&\\text{USD 0.24B}&\\text{USD 0.68B}&\\text{Sony / ST / Orbbec}&\\text{3.5}&\\text{2.5}&\\text{4}&\\text{小}\\cr\\hline\n\\text{Perception}&\\text{LiDAR}&\\text{0～1}&\\text{—}&\\text{USD 90平均}&\\text{USD 0.09B}&\\text{USD 0.24B}&\\text{USD 0.68B}&\\text{Hesai / RoboSense / Ouster}&\\text{4}&\\text{2.5}&\\text{4}&\\text{数％以下}\\cr\\hline\n\\text{Sensing}&\\text{IMU}&\\text{2}&\\text{USD 15}&\\text{USD 30}&\\text{USD 0.03B}&\\text{USD 0.08B}&\\text{USD 0.23B}&\\text{TDK / Bosch / ST}&\\text{4}&\\text{2}&\\text{5}&\\text{小}\\cr\\hline\n\\text{Compute}&\\text{Central AI Compute}&\\text{1}&\\text{USD 750}&\\text{USD 750}&\\text{USD 0.75B}&\\text{USD 2.03B}&\\text{USD 5.63B}&\\text{NVIDIA / Qualcomm / ASIC}&\\text{5}&\\text{3.5}&\\text{5}&\\text{NVIDIA全社では極小}\\cr\\hline\n\\text{Compute}&\\text{Joint MCU}&\\text{30}&\\text{USD 3}&\\text{USD 90}&\\text{USD 0.09B}&\\text{USD 0.24B}&\\text{USD 0.68B}&\\text{NXP / Infineon / ST}&\\text{3.5}&\\text{2}&\\text{4}&\\text{小}\\cr\\hline\n\\text{Power}&\\text{Motor Driver/MOSFET/GaN}&\\text{50～80}&\\text{—}&\\text{USD 546}&\\text{USD 0.55B}&\\text{USD 1.47B}&\\text{USD 4.10B}&\\text{Infineon / TI / ST}&\\text{4}&\\text{2.5}&\\text{4}&\\text{小}\\cr\\hline\n\\text{Memory}&\\text{LPDDR}&\\text{1式}&\\text{—}&\\text{USD 200}&\\text{USD 0.20B}&\\text{USD 0.54B}&\\text{USD 1.50B}&\\text{Samsung / SK hynix / Micron}&\\text{4}&\\text{2.5}&\\text{5}&\\text{小}\\cr\\hline\n\\text{Storage}&\\text{NAND/UFS}&\\text{1式}&\\text{—}&\\text{USD 50}&\\text{USD 0.05B}&\\text{USD 0.14B}&\\text{USD 0.38B}&\\text{Samsung / Kioxia / Micron}&\\text{3}&\\text{2}&\\text{5}&\\text{小}\\cr\\hline\n\\text{Power}&\\text{PMIC/DC-DC/ADC}&\\text{1式}&\\text{—}&\\text{USD 250}&\\text{USD 0.25B}&\\text{USD 0.68B}&\\text{USD 1.88B}&\\text{TI / ADI / Infineon}&\\text{4}&\\text{2}&\\text{5}&\\text{小}\\cr\\hline\n\\text{Network}&\\text{CAN/EtherCAT/Ethernet}&\\text{1式}&\\text{—}&\\text{USD 100}&\\text{USD 0.10B}&\\text{USD 0.27B}&\\text{USD 0.75B}&\\text{NXP / TI / Broadcom}&\\text{4}&\\text{2}&\\text{4}&\\text{小}\\cr\\hline\n\\text{Power}&\\text{Battery Pack}&\\text{1}&\\text{USD 550}&\\text{USD 550}&\\text{USD 0.55B}&\\text{USD 1.49B}&\\text{USD 4.13B}&\\text{CATL / LGES / Samsung SDI}&\\text{3}&\\text{1.5}&\\text{5}&\\text{小}\\cr\\hline\n\\text{Power}&\\text{BMS}&\\text{1}&\\text{USD 100}&\\text{USD 100}&\\text{USD 0.10B}&\\text{USD 0.27B}&\\text{USD 0.75B}&\\text{TI / NXP / ADI}&\\text{4}&\\text{2}&\\text{5}&\\text{小}\\cr\\hline\n\\text{Structure}&\\text{Skeleton / Lightweight}&\\text{一式}&\\text{—}&\\text{USD 700}&\\text{USD 0.70B}&\\text{USD 1.89B}&\\text{USD 5.25B}&\\text{Minth / Composite勢}&\\text{2.5}&\\text{2}&\\text{2～3}&\\text{中}\\cr\\hline\n\\text{Structure}&\\text{Housing/Casting}&\\text{一式}&\\text{—}&\\text{USD 500}&\\text{USD 0.50B}&\\text{USD 1.35B}&\\text{USD 3.75B}&\\text{Tuopu / Minth等}&\\text{3}&\\text{2}&\\text{3}&\\text{中}\\cr\\hline\n\\text{Thermal}&\\text{Cooling/TIM/Heat pipe}&\\text{一式}&\\text{—}&\\text{USD 300}&\\text{USD 0.30B}&\\text{USD 0.81B}&\\text{USD 2.25B}&\\text{Delta / Auras / Sunon}&\\text{4}&\\text{2.5}&\\text{2～3}&\\text{中}\\cr\\hline\n\\text{Wiring}&\\text{Connector/FPC/Harness}&\\text{一式}&\\text{—}&\\text{USD 350}&\\text{USD 0.35B}&\\text{USD 0.95B}&\\text{USD 2.63B}&\\text{Amphenol / TE / Molex}&\\text{3}&\\text{2}&\\text{4}&\\text{小}\\cr\\hline\n\\text{Hands}&\\text{Hand mechanics/Tendon}&\\text{一式}&\\text{—}&\\text{USD 500}&\\text{USD 0.50B}&\\text{USD 1.35B}&\\text{USD 3.75B}&\\text{Robot OEM / specialist}&\\text{4.5}&\\text{3.5}&\\text{2}&\\text{大}\\cr\\hline\n\\text{材料※}&\\text{NdFeB Magnet}&\\text{Motor内}&\\text{—}&\\text{USD 300相当}&\\text{USD 0.30B}&\\text{USD 0.81B}&\\text{USD 2.25B}&\\text{JL MAG等}&\\text{3.5}&\\text{5}&\\text{—}&\\text{中}\\cr\\hline\n\\text{統合※}&\\text{System-on-Joint}&\\text{28}&\\text{USD 250}&\\text{USD 7,000}&\\text{USD 7.0B}&\\text{USD 18.9B}&\\text{USD 52.5B}&\\text{Leadshine / Tuopu / Inovance / Schaeffler}&\\text{5}&\\text{4.5}&\\text{3～5}&\\text{最大級}\\cr\\hline\n\\end{array}\n$$\n\n※System-on-JointとNdFeBは下位部材との重複があるため、BOM総額にはそのまま加算しない。\n\nこのBase Caseでは非重複のハードウェアBOMはおよそ、\n\n## 100万台：約146億ドル\n\n## 300万台：約396億ドル\n\n## 1,000万台：約1,100億ドル\n\nとなる。\n\nあくまで比較用モデルだが、重要なのは絶対額以上に**どこに数量が掛かるか**である。\n\n---\n\n## 19．Physical AI版HBMは何か\n\nこの表から見える最大の特徴は、\n\n## Motion Stackが圧倒的に大きい\n\nことである。\n\nMotor \nReducer \nScrew \nBearing \nEncoder \nForce Sensor \nDriver \nMCU\n\nまで含めれば、ハードウェアBOMの半分以上を占める。\n\nさらにSystem-on-Jointへ統合すると、\n\n$$\n\\text{28 Joint}\\times\\text{USD 250}\n$$\n\nだけで、\n\n## $7,000 / Robot\n\nとなる。\n\n100万台なら、\n\n## $7B\n\n300万台ならASPを10％下げても、\n\n## $18.9B\n\n1,000万台なら25％値下げしても、\n\n## $52.5B\n\nである。\n\n私はこれを、\n\n## Physical AI版のHBM\n\nに最も近い構造だと考えている。\n\n理由は、\n\n**完成品1台に多数必要** \n**性能への寄与が大きい** \n**技術難度が高い** \n**供給品質が重要** \n**数量増が直接需要増になる**\n\nからだ。\n\n![](/media/a60ad7d6dc9e9170162914c38cce414ad364859223d94935612856f9962881fb-content.webp)\n\n---\n\n## 20．その下にある「第二のHBM」\n\nSystem-on-Jointをさらに分解すると、とくに面白いのは、\n\n### Planetary Roller Screw\n\n### Force/Torque Sensor\n\n### Strain-wave Reducer\n\n### Encoder\n\nである。\n\nこれらは、\n\n**現在市場が小さい** \n＋ \n**量産難度が高い** \n＋ \n**精密加工・校正が必要** \n＋ \n**供給企業が限られる** \n＋ \n**一台に複数個必要**\n\nという特徴がある。\n\nMcKinseyもとくにstrain-wave reducer、roller screw、robotics-grade linear guide、force/tactile sensingを高リスク供給領域としている。([McKinsey & Company](https://www.mckinsey.com/industries/industrials/our-insights/turning-humanoid-supply-chain-constraints-into-billion-dollar-wins?utm_source=chatgpt.com))\n\n![](/media/a36470686e85b5f7913548f572c95a80435ab45f2f853f90aed07f630a2e7188-content.webp)\n\n---\n\n## 21．しかし「最良の部品」＝「最良の株」ではない\n\nここから投資評価になる。\n\n例えばHarmonic Driveは技術的には最高クラス。\n\nしかしForward PER約100倍。\n\nLeaderDriveなら約280倍。([StockAnalysis.com](https://stockanalysis.com/quote/tyo/6324/statistics/?utm_source=chatgpt.com))\n\n一方、\n\nTuopuはForward PER約25倍、P/S約2.8倍。([StockAnalysis.com](https://stockanalysis.com/quote/sha/601689/financials/?utm_source=chatgpt.com))\n\nInovanceはForward PER約28倍、P/S約3.8倍。([StockAnalysis.com](https://stockanalysis.com/quote/she/300124/statistics/?utm_source=chatgpt.com))\n\nSchaefflerはForward PER約14倍、P/S約0.3倍。([StockAnalysis.com](https://stockanalysis.com/quote/etr/SHA0/statistics/?utm_source=chatgpt.com))\n\nTHKもデータ更新時点によって差はあるがForward PERは概ね20倍台前半～半ば、P/S約3倍である。([StockAnalysis.com](https://stockanalysis.com/quote/tyo/6481/statistics/?utm_source=chatgpt.com))\n\nしたがって、\n\n> **ボトルネックになることは間違っていないが、それをいくらで買うのか**\n\nまで考えなければいけない。\n\n![](/media/f9c936e54d8924a91c71b2c1cec46cc69b07da2c8a59b3525648f4c263aa1d0f-content.webp)\n\n---\n\n## 22．「未織込みボトルネック」スコア\n\n今回は、\n\n**技術難度：15点** \n**供給集中度：15点** \n**Design Win：15点** \n**100万台時売上レバレッジ：20点** \n**Valuation：30点** \n**粗利率：5点**\n\nの100点満点で比較する。\n\nこれは筆者による比較モデルであり、投資判断そのものではない。\n\n![](/media/464f07fb1b3543353a5f409692a7385a0b14b837b75765c787036f1e4f306518-content.webp)\n\n---\n\n## 23．Physical AI版「未織込みボトルネック銘柄」ランキング\n\n$$\n\\begin{array}{|c|l|l|c|c|c|c|c|}\n\\text{順位}&\\text{銘柄}&\\text{主戦場}&\\text{技術}&\\text{供給制約}&\\text{Design Win}&\\text{Valuation}&\\text{総合}\\cr\\hline\n\\text{1}&\\text{Inovance}&\\text{Motion / Servo / Integrated Actuator}&\\text{★★★★☆}&\\text{★★★★}&\\text{★★★★☆}&\\text{★★★★★}&\\text{86}\\cr\\hline\n\\text{2}&\\text{Tuopu}&\\text{Integrated Actuator / Structure}&\\text{★★★★☆}&\\text{★★★★}&\\text{★★★☆}&\\text{★★★★★}&\\text{84}\\cr\\hline\n\\text{3}&\\text{VPG}&\\text{Force/Torque Sensor}&\\text{★★★★★}&\\text{★★★★★}&\\text{★★★★★}&\\text{★★★}&\\text{83}\\cr\\hline\n\\text{4}&\\text{Leadshine}&\\text{Motor → System-on-Joint}&\\text{★★★★}&\\text{★★★★}&\\text{★★★★★}&\\text{★★★}&\\text{82}\\cr\\hline\n\\text{5}&\\text{Schaeffler}&\\text{Integrated Actuator}&\\text{★★★★★}&\\text{★★★★☆}&\\text{★★★★★}&\\text{★★★★★}&\\text{81}\\cr\\hline\n\\text{6}&\\text{Novanta}&\\text{6-axis F/T / Encoder}&\\text{★★★★★}&\\text{★★★★★}&\\text{★★★★}&\\text{★★★☆}&\\text{79}\\cr\\hline\n\\text{7}&\\text{THK}&\\text{Screw / Linear / Joint}&\\text{★★★★☆}&\\text{★★★★}&\\text{★★}&\\text{★★★★★}&\\text{76}\\cr\\hline\n\\text{8}&\\text{Allient}&\\text{Frameless / Integrated Motor}&\\text{★★★☆}&\\text{★★★}&\\text{★★☆}&\\text{★★★★}&\\text{74}\\cr\\hline\n\\text{9}&\\text{Harmonic Drive}&\\text{Strain-wave Reducer}&\\text{★★★★★}&\\text{★★★★★}&\\text{★★★★}&\\text{★}&\\text{70}\\cr\\hline\n\\text{10}&\\text{Hiwin}&\\text{Screw / Linear Guide}&\\text{★★★★}&\\text{★★★★}&\\text{★★☆}&\\text{★★★}&\\text{69}\\cr\\hline\n\\text{11}&\\text{LeaderDrive}&\\text{Strain-wave Reducer}&\\text{★★★★★}&\\text{★★★★★}&\\text{★★★★}&\\text{☆}&\\text{65}\\cr\\hline\n\\text{12}&\\text{Zhaowei}&\\text{Hand Micro Actuation}&\\text{★★★★}&\\text{★★★☆}&\\text{★★☆}&\\text{★★}&\\text{60}\\cr\\hline\n\\end{array}\n$$\n\n---\n\n## 24．1位 Inovance――Physical AI版Motion Platform候補\n\nInovanceの面白さは、一部品会社ではないことだ。\n\n既に、\n\n- Servo Motor\n- Servo Drive\n- PLC\n- Motion Controller\n- Industrial Robot\n- Frameless Motor\n- Linear Actuator\n- Rotary Actuator\n\nという大きなMotion Stackを持っている。\n\n現在Forward PERは約28倍、P/S約3.8倍。ROICも17％台で、本業自体がIndustrial Automationとして成立している。([StockAnalysis.com](https://stockanalysis.com/quote/she/300124/statistics/?utm_source=chatgpt.com))\n\nつまり、\n\n**ヒューマノイドが失敗したら終わる会社**\n\nではない。\n\nFactory Automationの利益を持ちながら、\n\n**Motion Control → Joint → Physical AI**\n\nへ拡張できる。\n\nここが最大の強みである。\n\n---\n\n## 25．2位 Tuopu――自動車Tier1の中にロボット事業が眠っている\n\nTuopuも非常に面白い。\n\n2025年のRobot Actuator売上はまだ約1,359万元に過ぎない。\n\nしかしgross marginは、\n\n## 28.25％\n\nであり、従来自動車部品事業の約18％より高い。([Tuopu](https://www.tuopu.com/wp-content/uploads/2026/03/%E6%8B%93%E6%99%AE%E9%9B%86%E5%9B%A22025%E5%B9%B4%E5%B9%B4%E5%BA%A6%E6%8A%A5%E5%91%8A.pdf?utm_source=chatgpt.com))\n\nつまりRobot事業が伸びれば、\n\n**売上増** \n＋ \n**Margin Mix改善**\n\nを同時に起こせる。\n\nさらに、\n\nLinear Actuator \nRotary Actuator \nMotor \nReducer \nSensor \nDexterous Hand \nStructure\n\nまで広げられる。\n\nForward PER約25倍という評価も、Robot専業銘柄と比べれば低い。([StockAnalysis.com](https://stockanalysis.com/quote/sha/601689/financials/?utm_source=chatgpt.com))\n\n---\n\n## 26．3位 VPG――最も純粋なSensor Bottleneck\n\nVPGは事業規模が小さい。\n\nそれゆえ、Humanoid売上が増えた時の全社レバレッジが非常に大きい。\n\nしかも正式Vendor Nominationまで進んでいる。([The Motley Fool](https://www.fool.com/earnings/call-transcripts/2026/08/12/vishay-precision-group-vpg-q2-2026-earnings-call-transcript/?utm_source=chatgpt.com))\n\nForce Sensorは、\n\nMotorのように大量の既存supplierがいるわけではない。\n\n高精度strain gauge \ntemperature compensation \nmechanical design \nmetrology \ncalibration\n\nが必要になる。\n\nだから、\n\n## 数量増＋技術難度\n\nを同時に取れる。\n\n弱点はForward PERが50倍台まで上がっていること。([StockAnalysis.com](https://stockanalysis.com/stocks/vpg/financials/?utm_source=chatgpt.com))\n\nつまり「未発見」ではなくなりつつある。\n\n---\n\n## 27．4位 Leadshine――最も数量レバレッジが大きい\n\nLeadshineは現在の6～12社の中でも、\n\n## Humanoid量産との距離が最も近い\n\n企業の一つである。\n\n12万個超のframeless motor出荷、中国主要OEMの80％超、Joint Module量産という数字は大きい。([Leadshine](https://static.leadshine.com/newsEvent/details/leadshine-2025-annual-report-%26-2026-q1-report%3A-accelerating-the-growth-flywheel%2C-revenue-hits-new-highs.html?utm_source=chatgpt.com))\n\n一方Forward PERは約59倍まで上がっている。([StockAnalysis.com](https://stockanalysis.com/quote/she/002979/?utm_source=chatgpt.com))\n\nしたがって、\n\n**事業レバレッジ★★★★★** \nだが、 \n**未織込み度★★★**\n\nという評価になる。\n\n---\n\n## 28．5位 Schaeffler――最も安いSystem-on-Joint候補\n\nSchaefflerは全く違うタイプだ。\n\n同社はHexagon Roboticsと、strain-wave / planetary actuatorの供給契約を締結している。\n\nさらにSchaeffler自身が今後7年間で少なくとも1,000台のAEON humanoidを自社工場へ導入予定だ。([Schaeffler](https://www.schaeffler.com/en/media/press-releases/press-releases-detail.jsp?id=88184987&utm_source=chatgpt.com))\n\nHumanoidともactuator供給を含むstrategic partnershipを締結している。([Schaeffler](https://www.schaeffler.com/en/investor-relations/events-publications/ir-releases/ir_releases_detail.jsp?id=88159810&utm_source=chatgpt.com))\n\nそれでもForward PER約14倍、P/S約0.3倍。([StockAnalysis.com](https://stockanalysis.com/quote/etr/SHA0/statistics/?utm_source=chatgpt.com))\n\n問題は会社が巨大であること。\n\nHumanoidが100万台になっても、全社EPSが何倍にもなるわけではない。\n\nしたがって、\n\n## Quantity leverage株\n\nではなく、\n\n## Auto Parts → Motion Technology → Physical AI\n\nという、\n\n### PER rerating銘柄\n\nとして見る方が自然だ。\n\n---\n\n## 29．6位 Novanta――Force/Torque＋Encoderという非常に良い位置\n\nNovantaはsensor側で非常に強い。\n\nVaro 6-axis Force/Torque SensorはHumanoid向けに明確に設計されている。([Novanta](https://novanta.com/robotics-automation/products/varo/?utm_source=chatgpt.com))\n\nさらにposition sensing、motion controlまで持てる。\n\n同社は2026年、欧州でhumanoid関連のrecent design winsがあることを公表している。([Novanta](https://novanta.com/news/precision-motion-and-sensing-powering-the-future-of-humanoid-robots/?utm_source=chatgpt.com))\n\n一方Forward PERは40倍弱、P/Sは5倍台。([StockAnalysis.com](https://stockanalysis.com/stocks/novt/financials/?utm_source=chatgpt.com))\n\nVPGほど小型ではないため業績レバレッジは少し下がるが、企業品質は高い。\n\n---\n\n## 30．7位 THK――日本で最も面白い「まだ確定していないオプション」\n\nTHKは、\n\nLinear Guide \nBall Screw \nPrecision Motion\n\nという既存産業を持つ。\n\nさらに自社でIntegrated Actuatorまで作れることをFREDで実証している。([THK](https://www.thk.com/jp/en/journal/products/article-02072025-1.html?utm_source=chatgpt.com))\n\nForward PERは20倍台。([StockAnalysis.com](https://stockanalysis.com/quote/tyo/6481/statistics/?utm_source=chatgpt.com))\n\n最大の問題は、\n\n## 大型外部Humanoid OEMの正式Design Win\n\nがまだはっきりしないこと。\n\n逆に言えば、ここが出れば評価が大きく変わる可能性がある。\n\n---\n\n## 31．なぜHarmonic Driveがランキング上位ではないのか\n\nこれは「企業が悪い」からではない。\n\nむしろ技術だけなら最高クラスだ。\n\nしかしForward PER100倍前後という価格なら、\n\n> Humanoidが成功する\n\nだけでは足りない。\n\n> **Humanoidが市場予想以上に成功する**\n\n必要が出てくる。\n\nLeaderDriveならさらに極端である。\n\nこれはHBM株でも同じだ。\n\n供給制約が本物でも、\n\n株価が既にその供給制約を完全に理解していれば、\n\n投資妙味は別問題になる。\n\n---\n\n## 32．Physical AIはヒューマノイドだけではない\n\nここが最後の重要な論点である。\n\n今回見た部品は、\n\nHumanoid専用品ばかりではない。\n\nむしろ多くは、\n\n## Physical AI全体の共通インフラ\n\nである。\n\n![](/media/ff9e28ad78dd9ce4bfe39641d800e781fadd4b69147ca0a711668647c34c5996-content.webp)\n\n---\n\n## 33．工作機械\n\n工作機械には既に、\n\n- Servo Motor\n- Drive\n- Encoder\n- Ball Screw\n- Linear Guide\n- Bearing\n- Force sensing\n- Motion Controller\n\nが使われている。\n\nそこへAIが入り、\n\n**Tool wear prediction** \n**Adaptive machining** \n**Autonomous setup** \n**Vision inspection** \n**Force-controlled cutting**\n\nが進めば、\n\nPhysical AIのMotion Stack需要が増える。\n\nこの場合、\n\n### THK\n\n### Hiwin\n\n### Inovance\n\n### Yaskawa\n\n### FANUC\n\n### Schaeffler\n\nなどが恩恵候補になる。\n\n特にTHKとHiwinは「ヒューマノイドが失敗しても工作機械・FA市場がある」という点が強い。\n\n![](/media/65d76f5e5000706d7d08a55d58ecb10c13f21722946488f5bbea7e53c12421ec-content.webp)\n\n---\n\n## 34．協働ロボット\n\nCobotsでは、\n\n人間と同じ場所で安全に動く必要がある。\n\nしたがって、\n\n**Torque Sensor** \n**6-axis F/T** \n**Encoder** \n**Backdrivable Joint** \n**Integrated Actuator**\n\nが非常に重要になる。\n\nここでは、\n\n### Novanta\n\n### VPG\n\n### Schaeffler\n\n### Leadshine\n\n### Inovance\n\nなどの技術がそのまま使える。\n\n![](/media/942e8f16bdb6229c5c57e8026274b37413da32015955f689d3404c811dcbe03e-content.webp)\n\n---\n\n## 35．AMR・物流ロボット\n\n倉庫ロボットやmobile manipulatorでは、\n\nMotor \nServo \nWheel Drive \nLiDAR \nCamera \nIMU \nEdge AI \nBattery \nConnector\n\nが必要になる。\n\nLeadshine自身もtraditional motion controlだけでなく物流、3C、半導体、包装へ展開している。([Leadshine](https://static.leadshine.com/newsEvent/details/leadshine-2025-annual-report-%26-2026-q1-report%3A-accelerating-the-growth-flywheel%2C-revenue-hits-new-highs.html?utm_source=chatgpt.com))\n\nつまりHumanoidの成長を待たずともPhysical AIの周辺市場が伸びる。\n\n![](/media/22336d079044eceb9cd15135bac3a9ac62744c0e3faa43d08c3f299c06389848-content.webp)\n\n---\n\n## 36．半導体製造装置\n\nこれはかなり面白い。\n\n半導体装置では、\n\n**nm～µmレベルのPrecision Motion**\n\nが必要になる。\n\nEncoder \nLinear Motor \nForce Sensor \nPrecision Stage \nBearing \nServo\n\nなどが既に大量に使われている。\n\nVPGも2026Q2で、AI関連需要としてsemiconductor equipmentやdata-center infrastructure向け受注の強さを説明している。([The Motley Fool](https://www.fool.com/earnings/call-transcripts/2026/08/12/vishay-precision-group-vpg-q2-2026-earnings-call-transcript/?utm_source=chatgpt.com))\n\nつまり、\n\n## AI Data Center投資\n\nと\n\n## Physical AI\n\nの両方から需要を取れる企業も存在する。\n\n![](/media/abf224f48a1acd0bdf5b19d153d00a1277d6f7f100d4c525696a11d99d6fcd1f-content.webp)\n\n---\n\n## 37．医療・手術ロボット\n\n手術ロボットでは、\n\n- 小型Motor\n- 高精度Encoder\n- 6-axis F/T\n- Force Feedback\n- Precision Gear\n- Low-backlash Motion\n\nが重要になる。\n\nNovantaもForce/Torque Sensorの用途としてhumanoidだけでなくrobotic surgeryやadvanced automationを挙げている。([Novanta](https://novanta.com/news/scaling-the-technologies-that-will-power-physical-ai/?utm_source=chatgpt.com))\n\nしたがってForce Sensorは、\n\n## Humanoidだけに賭けているわけではない。\n\nここがVPGやNovantaの大きな強みになる。\n\n![](/media/a6954b2818496122756bf62241650b769144a9ba70096e99fb140fa564aa5fea-content.webp)\n\n---\n\n## 38．自動倉庫・工場・AI Factory\n\n最終的にPhysical AIが広がると、\n\n人型だけでなく、\n\n- Autonomous Forklift\n- AMR\n- Cobot\n- Robot Arm\n- Machine Tool\n- Inspection Robot\n- Warehouse Robot\n- Surgical Robot\n- Construction Robot\n- Agriculture Robot\n\nなどへ同じ部品技術が横展開される。\n\nつまり本当に取りにいきたいのは、\n\n## Humanoid TAM\n\nだけではなく、\n\n## Physical Motion TAM\n\nなのである。\n\n![](/media/e11dab9fd66265ca882530937732132be01926c95132f65799b39680c60b4573-content.webp)\n\n---\n\n## 39．この観点で再び銘柄を見る\n\n### Inovance\n\nHumanoidが伸びる \n↓ \nActuator需要増\n\nHumanoidが遅れる \n↓ \nFactory Automation / Servo / Motion Controlが残る\n\nつまり、\n\n## Physical AI Compounder型\n\n---\n\n### Tuopu\n\nEV Tier1 \n＋ \nThermal \n＋ \nStructure \n＋ \nActuator \n＋ \nRobot\n\nなので、\n\n## 自動車量産技術をPhysical AIへ移植する型\n\n---\n\n### Leadshine\n\nIndustrial Motion \n↓ \nFrameless Motor \n↓ \nJoint Module \n↓ \nDexterous Hand\n\nなので、\n\n## Humanoid数量レバレッジ型\n\n---\n\n### Schaeffler\n\nBearing \n＋ \nGear \n＋ \nMotor \n＋ \nActuator \n＋ \nIndustrial customer base\n\nなので、\n\n## Motion Platform型\n\n---\n\n### VPG / Novanta\n\nSemiconductor equipment \nIndustrial automation \nMedical robotics \nHumanoid\n\nを横断する、\n\n## Precision Sensing型\n\n---\n\n### THK / Hiwin\n\nMachine Tool \nSemiconductor equipment \nFactory Automation \nRobot\n\nを横断する、\n\n## Precision Linear Motion型\n\nである。\n\n![](/media/a71e4c297304daa969269534291c87b85e072cf494bf7d8841dd59fb5b3dcec9-content.webp)\n\n---\n\n## 40．結局、どこが最も面白いのか\n\nPhysical AIで一番大きな誤解は、\n\n> 「ヒューマノイドメーカーの勝者を当てればいい」\n\nと考えることかもしれない。\n\nTeslaが勝つのか。\n\nUBTechなのか。\n\nFigureなのか。\n\nAgilityなのか。\n\n中国勢なのか。\n\nそれを予想することは非常に難しい。\n\nしかし、\n\nどのロボットが勝っても、\n\n**Motorは要る。**\n\n**Jointは要る。**\n\n**Force Sensorは要る。**\n\n**Encoderは要る。**\n\n**Precision Screwは要る。**\n\nそして台数が増えるほど、\n\n## Robot台数 × 自由度\n\nで数量が増える。\n\nこの構造は、\n\nAI Acceleratorが増える \n↓ \nHBM stackが増える \n↓ \nDRAM die需要が増える\n\nという現在のAIインフラ供給網と非常によく似ている。\n\n![](/media/acc21763f8c9e3f2db07310ef2d2f405578253415a2c3f668cc14201aa15abbf-content.webp)\n\n---\n\n## 41．現時点で追いたい3階層\n\n## 第1階層――System-on-Joint\n\n最重要。\n\n候補：\n\n**Inovance** \n**Tuopu** \n**Leadshine** \n**Schaeffler** \n**THK**\n\n---\n\n## 第2階層――供給制約部品\n\n特に、\n\n**Planetary Roller Screw** \n**Strain-wave Reducer** \n**Force/Torque Sensor** \n**Encoder**\n\n候補：\n\n**THK / Hiwin / SKF / Schaeffler** \n**Harmonic Drive / LeaderDrive** \n**VPG / Novanta**\n\n---\n\n## 第3階層――数量複利\n\nMotor \nBearing \nDriver \nMCU \nPower semiconductor \nConnector\n\nは非常に大量に必要になる。\n\nただしsupplierが多く、価格競争も起こりやすい。\n\nそのため、\n\n> **単品を売る会社より、Jointへ統合できる会社**\n\nを優先して見たい。\n\n---\n\n## 42．現在の私の分類\n\n## 最も総合バランスが良い\n\n### Inovance\n\n既存利益＋Motion Platform＋合理的valuation。\n\n---\n\n## 最も安いRobot Optionality\n\n### Tuopu\n\nRobot事業はまだ極小だが高marginで、全社valuationはRobot専業より低い。\n\n---\n\n## 最も純粋なSensor Bottleneck\n\n### VPG\n\n正式Nominationまで進んでいる。\n\n---\n\n## 最も数量レバレッジが大きい\n\n### Leadshine\n\n既に大量出荷へ進んでいる。\n\n---\n\n## 最も割安なSystem-on-Joint候補\n\n### Schaeffler\n\nただし利益レバレッジよりrerating型。\n\n---\n\n## 日本の最大オプション\n\n### THK\n\n外部OEM Design Winが確認されれば評価が変わる。\n\n---\n\n## 43．今後最も見るべき指標\n\n株価以上に、次を追いたい。\n\n### Leadshine\n\n12万Motor \n↓ \n50万 \n↓ \n100万 \n↓ \nJoint Module比率\n\n---\n\n### Tuopu\n\nRobot Actuator売上\n\n1,359万元 \n↓ \n1億元 \n↓ \n10億元\n\nとなるか。\n\n---\n\n### VPG\n\nVendor Nomination \n↓ \n週数十台 \n↓ \n数百台 \n↓ \n数千台\n\nへ本当にrampするか。\n\n---\n\n### Novanta\n\nEuropean Design Win \n↓ \nproduction nomination\n\nへ進むか。\n\n---\n\n### THK\n\n自社FRED \n↓ \n外部OEM sample \n↓ \n正式nomination\n\nへ進むか。\n\n---\n\n### Schaeffler\n\n契約数 \n↓ \nActuator数量 \n↓ \nRobot売上開示\n\nへ進むか。\n\n---\n\n## 44．最大のリスク\n\nもちろんPhysical AIの成長は確定していない。\n\n最大の問題は、\n\n## 「作れるか」ではなく「経済合理性があるか」\n\nである。\n\n人間を置き換えるRobotが、\n\n10万ドルするなら採算が合わない。\n\n2万ドルでも寿命が短ければ合わない。\n\n修理が頻繁でも合わない。\n\nしたがって最終的には、\n\n$$\n\\frac{\\text{Robot価格}}{\\text{年間労働時間}\\times\\text{耐用年数}}+\\text{保守費}+\\text{電力費}\n$$\n\nと、\n\n人間のLabor Cost\n\nを比較する必要がある。\n\nさらに、\n\n- 転倒耐性\n- Battery life\n- Safety\n- Dexterous Hand\n- AI reliability\n- Maintenance\n- Regulatory risk\n\nも残る。\n\n---\n\n## 45．しかし量産が始まれば、部品供給網の変化は非常に大きい\n\nもし世界年間生産が、\n\n100万台 \n↓ \n300万台 \n↓ \n1,000万台\n\nへ進めば、\n\nFrameless Motorは数億個。\n\nEncoderも数億個。\n\nBearingは10億個規模。\n\nJoint Moduleは数億unit。\n\nForce Sensorも数億channel。\n\nという世界になる。\n\nこの時、\n\nPhysical AIは「ロボット産業」という一つのsectorではなく、\n\n## 精密機械\n\n## 自動車部品\n\n## 半導体\n\n## センサー\n\n## 工作機械\n\n## 材料\n\n## Battery\n\n## Thermal\n\n## Network\n\nを巻き込んだ巨大な設備投資サイクルになる。\n\n---\n\n## 結論――HUMNを見ると、「ロボット」ではなく「次の産業機械」が見えてくる\n\nRoundhill HUMNを分解していくと、非常に面白いことが分かる。\n\nこれは単純なTesla Optimus ETFではない。\n\nHarmonic Drive、LeaderDriveなどが上位へ入っていることからも分かるように、\n\n## 「ヒューマノイドそのもの」だけでなく、\n\n## 「ヒューマノイドを動かす供給網」\n\nへ投資している。\n\nそしてBOMまで分解すると、\n\nPhysical AIで最も重要なのはGPUだけではない。\n\nむしろ、\n\n### Integrated Actuator / System-on-Joint\n\nを中心に、\n\n### Planetary Roller Screw\n\n### Precision Reducer\n\n### Force/Torque Sensor\n\n### Encoder\n\n### Frameless Motor\n\nへ巨大な数量複利が発生する可能性がある。\n\nその中でも現在、\n\n**技術力** \n× \n**供給制約** \n× \n**Design Win** \n× \n**売上レバレッジ** \n× \n**Valuation**\n\nまで重ねると、\n\n### Inovance\n\n### Tuopu\n\n### VPG\n\n### Leadshine\n\n### Schaeffler\n\n### Novanta\n\n### THK\n\nあたりは特に追う価値がある。\n\n一方、\n\nHarmonic DriveやLeaderDriveは本物のボトルネック企業だが、\n\n## 「良い会社か」\n\nではなく、\n\n## 「現在価格からさらに期待値を上回れるか」\n\nという問題へ既に移っている。\n\nそして最も重要なのは、これらの技術がヒューマノイドだけに使われるわけではないことである。\n\n**工作機械** \n**半導体製造装置** \n**協働ロボット** \n**物流ロボット** \n**医療ロボット** \n**自動倉庫** \n**自律建機** \n**農業ロボット**\n\nなどへ横展開できる。\n\nだから長期的な投資テーマは、\n\n## Humanoid Robotics\n\nよりさらに広く、\n\n## Physical Motion Infrastructure\n\nと捉えた方が良いのかもしれない。\n\nAIがデータセンターの中だけで計算していた時代には、\n\nGPU \nHBM \nNetwork \nPower \nCooling\n\nがボトルネックになった。\n\nAIが現実世界へ出ていく時代には、\n\nMotor \nReducer \nScrew \nSensor \nBearing \nJoint \nPower Electronics\n\nが新しいボトルネックになる。\n\nAIインフラの次の巨大な供給制約は、\n\n**シリコンの中だけではなく、機械の関節の中で起こるのかもしれない。**\n\n特定銘柄の推奨・勧誘・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。","blocks":[{"id":"blk_f76a1d3a-7f41-4df4-9909-86b8edf7fb7e","kind":"figure","order":0,"section_id":"sec_30aca67f-c36b-45b7-b172-1c48fb73dccb","character_id":null,"markdown":"![](/media/abb4befc873ecd78ae233ce4cf3d9d478bf0e502403f839271452e91a1eca39a-content.webp)","render_override":null},{"id":"blk_941c333d-9d8c-4f95-bd0a-594eb4c9d248","kind":"heading","order":1,"section_id":"sec_d825279c-6675-4acb-b6ef-7588c2dbd2c2","character_id":null,"markdown":"## HUMNを分解すると見えてくる「Physical AIのHBM」――ヒューマノイド1台の全BOMから、次の供給制約と未織込み銘柄を探す","render_override":null},{"id":"blk_201a01b0-60b0-41c1-a68c-a039ade0456b","kind":"paragraph","order":2,"section_id":"sec_d825279c-6675-4acb-b6ef-7588c2dbd2c2","character_id":null,"markdown":"Roundhill Humanoid Robotics ETF、ティッカー**HUMN**。","render_override":null},{"id":"blk_358575eb-3cd0-4b68-9725-1b423636fe94","kind":"paragraph","order":3,"section_id":"sec_d825279c-6675-4acb-b6ef-7588c2dbd2c2","character_id":null,"markdown":"名前だけを見ると「TeslaやUBTechなど、ヒューマノイドメーカーを集めたETF」に見える。","render_override":null},{"id":"blk_a093b7ff-e234-4bd3-8b0e-33e701f09fee","kind":"paragraph","order":4,"section_id":"sec_d825279c-6675-4acb-b6ef-7588c2dbd2c2","character_id":null,"markdown":"しかし中身を詳しく見ていくと、少し違った姿が見えてくる。","render_override":null},{"id":"blk_14839379-3b51-4d85-be16-2d40fbd50ea6","kind":"paragraph","order":5,"section_id":"sec_d825279c-6675-4acb-b6ef-7588c2dbd2c2","character_id":null,"markdown":"2026年6月30日時点でRoundhillが示している上位銘柄は、UBTech、Teslaに続いて**Harmonic Drive Systems、Leader Harmonious Drive Systems、Hyundai Motor**である。つまり完成ロボットメーカーだけでなく、ヒューマノイドの関節を支える精密減速機メーカーがかなり上位に入っている。HUMNはアクティブETFであり、構成銘柄は随時変更される点には注意が必要だが、設計思想としては明らかに「完成ロボットだけ」ではない。([Roundhill Investments](https://www.roundhillinvestments.com/etf/humn/))","render_override":null},{"id":"blk_091c172c-5c67-49ed-a57f-c2ed759b48c5","kind":"paragraph","order":6,"section_id":"sec_d825279c-6675-4acb-b6ef-7588c2dbd2c2","character_id":null,"markdown":"では、なぜ減速機メーカーがそこまで重要なのだろうか。","render_override":null},{"id":"blk_d083f205-4991-497d-84e0-5a19babf5ddf","kind":"paragraph","order":7,"section_id":"sec_d825279c-6675-4acb-b6ef-7588c2dbd2c2","character_id":null,"markdown":"答えは、ヒューマノイドを一台、部品レベルまで分解していくと見えてくる。","render_override":null},{"id":"blk_d0ab9f78-7c8f-4e51-886d-eb0b7d085273","kind":"paragraph","order":8,"section_id":"sec_d825279c-6675-4acb-b6ef-7588c2dbd2c2","character_id":null,"markdown":"ヒューマノイドは単なる、","render_override":null},{"id":"blk_a94c9931-fa68-412b-b8c6-ce8447aa2897","kind":"paragraph","order":9,"section_id":"sec_d825279c-6675-4acb-b6ef-7588c2dbd2c2","character_id":null,"markdown":"**AI＋モーター**","render_override":null},{"id":"blk_1bebd8d5-9c7a-4741-9a6f-a27ecdbf78a6","kind":"paragraph","order":10,"section_id":"sec_d825279c-6675-4acb-b6ef-7588c2dbd2c2","character_id":null,"markdown":"ではない。","render_override":null},{"id":"blk_0cb1bb61-8752-489c-b9b0-b64afd82cc8a","kind":"paragraph","order":11,"section_id":"sec_d825279c-6675-4acb-b6ef-7588c2dbd2c2","character_id":null,"markdown":"一台の中に、","render_override":null},{"id":"blk_358b551c-5981-4c55-b9c7-ab3f2491c76d","kind":"list","order":12,"section_id":"sec_d825279c-6675-4acb-b6ef-7588c2dbd2c2","character_id":null,"markdown":"- モーター\n- 精密減速機\n- Ball Screw\n- Planetary Roller Screw\n- Bearing\n- Encoder\n- Force/Torque Sensor\n- Tactile Sensor\n- Camera\n- LiDAR\n- IMU\n- MCU\n- Motor Driver\n- MOSFET/GaN\n- DRAM\n- NAND\n- Battery\n- BMS\n- DC/DC\n- Connector\n- FPC\n- Thermal Management\n- 構造材","render_override":null},{"id":"blk_1f15b10f-86be-4279-9a58-761f93821b4b","kind":"paragraph","order":13,"section_id":"sec_d825279c-6675-4acb-b6ef-7588c2dbd2c2","character_id":null,"markdown":"など、非常に多くの部品が存在する。","render_override":null},{"id":"blk_fbc6faef-a80c-4e6c-8ec2-73eaef0f39f2","kind":"paragraph","order":14,"section_id":"sec_d825279c-6675-4acb-b6ef-7588c2dbd2c2","character_id":null,"markdown":"そしてAIサーバーにおけるHBMと同じように、","render_override":null},{"id":"blk_2c4e97c1-5c21-4b8d-a428-e2a69f12e3c6","kind":"quote","order":15,"section_id":"sec_d825279c-6675-4acb-b6ef-7588c2dbd2c2","character_id":null,"markdown":"> **「完成品が増えれば、それ以上の倍率で部品需要が増える場所」**","render_override":null},{"id":"blk_459e3d76-d9fc-42f2-8e34-48eb2c3053ed","kind":"paragraph","order":16,"section_id":"sec_d825279c-6675-4acb-b6ef-7588c2dbd2c2","character_id":null,"markdown":"が存在する。","render_override":null},{"id":"blk_cd015e8c-e06a-4299-9c60-b6abf829c05e","kind":"paragraph","order":17,"section_id":"sec_d825279c-6675-4acb-b6ef-7588c2dbd2c2","character_id":null,"markdown":"今回はHUMNを入口に、ヒューマノイド／Physical AIを部材まで完全に分解する。","render_override":null},{"id":"blk_0cf6b4c6-8d57-48d4-8a10-b5ee500174f4","kind":"paragraph","order":18,"section_id":"sec_d825279c-6675-4acb-b6ef-7588c2dbd2c2","character_id":null,"markdown":"さらに、","render_override":null},{"id":"blk_b7cbf900-3947-45f2-8902-97b705ed4e5c","kind":"paragraph","order":19,"section_id":"sec_d825279c-6675-4acb-b6ef-7588c2dbd2c2","character_id":null,"markdown":"**市場規模** \n**× 1台当たり搭載数** \n**× ASP** \n**× 100万・300万・1,000万台時TAM** \n**× 供給集中度** \n**× 技術難度** \n**× 粗利率** \n**× Design Win** \n**× 現在PER/P/S** \n**× 現在売上に対するレバレッジ**","render_override":null},{"id":"blk_e3465982-a530-47e3-84a2-4226f3065497","kind":"paragraph","order":20,"section_id":"sec_d825279c-6675-4acb-b6ef-7588c2dbd2c2","character_id":null,"markdown":"まで重ね、","render_override":null},{"id":"blk_a0cbc606-2911-4143-b011-39e3bf5f2099","kind":"heading","order":21,"section_id":"sec_46771ade-8e86-4124-819c-e4b50b36c85c","character_id":null,"markdown":"## 「Physical AI版で、最もHBM化しやすい部品は何か」","render_override":null},{"id":"blk_0681a7d0-376d-47f3-8728-ea138239a04a","kind":"paragraph","order":22,"section_id":"sec_46771ade-8e86-4124-819c-e4b50b36c85c","character_id":null,"markdown":"そして、","render_override":null},{"id":"blk_e442aef5-78e0-49b1-92d0-a8ae1146e1f3","kind":"heading","order":23,"section_id":"sec_42dd7fce-1bcf-4687-a2da-eadb3a080d2a","character_id":null,"markdown":"## 「本当にボトルネックなのに、まだ株価へ十分織り込まれていない企業はどこか」","render_override":null},{"id":"blk_b617dbd1-9793-404f-9a87-6cc5b5f0fa82","kind":"paragraph","order":24,"section_id":"sec_42dd7fce-1bcf-4687-a2da-eadb3a080d2a","character_id":null,"markdown":"まで考えてみる。","render_override":null},{"id":"blk_d801678a-85d5-43f4-9bf6-7e8e86bed009","kind":"thematic_break","order":25,"section_id":"sec_42dd7fce-1bcf-4687-a2da-eadb3a080d2a","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d4527574-1664-4426-a5cf-992b3d888885","kind":"heading","order":26,"section_id":"sec_b303e043-40fd-41ef-96b3-26e566f41af4","character_id":null,"markdown":"## 1．ヒューマノイドのBOMで最大なのはGPUではない","render_override":null},{"id":"blk_8b77d62c-64db-4f47-b768-6aecb694ee3b","kind":"paragraph","order":27,"section_id":"sec_b303e043-40fd-41ef-96b3-26e566f41af4","character_id":null,"markdown":"最初に重要なことを確認しておきたい。","render_override":null},{"id":"blk_a5204e93-658e-4ecd-baeb-cfb5469e9ab4","kind":"paragraph","order":28,"section_id":"sec_b303e043-40fd-41ef-96b3-26e566f41af4","character_id":null,"markdown":"McKinseyによれば、現在のヒューマノイドのBOMは大まかに、","render_override":null},{"id":"blk_23c5694b-aacf-4080-8698-2b11a284f9ec","kind":"list","order":29,"section_id":"sec_b303e043-40fd-41ef-96b3-26e566f41af4","character_id":null,"markdown":"- **Actuation：40～60％**\n- Sensing / Perception：10～20％\n- Compute / Control：10～15％\n- Structure：5～10％\n- Battery：5～10％","render_override":null},{"id":"blk_dc0f4f67-87fc-49ab-8825-cc47c98a0913","kind":"paragraph","order":30,"section_id":"sec_b303e043-40fd-41ef-96b3-26e566f41af4","character_id":null,"markdown":"程度に分かれる。([McKinsey & Company](https://www.mckinsey.com/industries/industrials/our-insights/turning-humanoid-supply-chain-constraints-into-billion-dollar-wins?utm_source=chatgpt.com))","render_override":null},{"id":"blk_15a01192-429c-4a4a-9147-db94265c3486","kind":"paragraph","order":31,"section_id":"sec_b303e043-40fd-41ef-96b3-26e566f41af4","character_id":null,"markdown":"つまり最大のコストブロックは、","render_override":null},{"id":"blk_5691ee17-b969-440d-8f52-e8f37057333f","kind":"heading","order":32,"section_id":"sec_916d23e7-53fc-4494-bd90-3486b8c7a3bf","character_id":null,"markdown":"## GPUではなく「身体を動かす部分」","render_override":null},{"id":"blk_5fe6cc93-b8aa-400f-b5e0-2de0e3ac9847","kind":"paragraph","order":33,"section_id":"sec_916d23e7-53fc-4494-bd90-3486b8c7a3bf","character_id":null,"markdown":"なのである。","render_override":null},{"id":"blk_1f79b30d-7d01-49ce-8e87-636c266d18b7","kind":"paragraph","order":34,"section_id":"sec_916d23e7-53fc-4494-bd90-3486b8c7a3bf","character_id":null,"markdown":"Physical AIのハードウェアを非常に単純化すると、","render_override":null},{"id":"blk_a2d6927a-3bc7-4ab2-a582-7deb4bbb06e5","kind":"paragraph","order":35,"section_id":"sec_916d23e7-53fc-4494-bd90-3486b8c7a3bf","character_id":null,"markdown":"**目** \n↓ \nCamera / LiDAR / IMU","render_override":null},{"id":"blk_e95d9b09-92f9-4aa4-874d-2aecad276c21","kind":"paragraph","order":36,"section_id":"sec_916d23e7-53fc-4494-bd90-3486b8c7a3bf","character_id":null,"markdown":"**脳** \n↓ \nGPU / NPU / CPU","render_override":null},{"id":"blk_cb958ec5-c1ad-4d75-8e41-45cdfdc1a88b","kind":"paragraph","order":37,"section_id":"sec_916d23e7-53fc-4494-bd90-3486b8c7a3bf","character_id":null,"markdown":"**脊髄・小脳** \n↓ \nMCU / Motion Controller","render_override":null},{"id":"blk_ab5fc570-b946-48a4-85a2-79d259bed1f7","kind":"paragraph","order":38,"section_id":"sec_916d23e7-53fc-4494-bd90-3486b8c7a3bf","character_id":null,"markdown":"**神経** \n↓ \nEtherCAT / CAN / Ethernet / Cable","render_override":null},{"id":"blk_0e7f4194-d957-4b18-9d2f-95510069ce98","kind":"paragraph","order":39,"section_id":"sec_916d23e7-53fc-4494-bd90-3486b8c7a3bf","character_id":null,"markdown":"**筋肉** \n↓ \nMotor","render_override":null},{"id":"blk_96c16f27-8252-46d4-8a0d-8774f7aed081","kind":"paragraph","order":40,"section_id":"sec_916d23e7-53fc-4494-bd90-3486b8c7a3bf","character_id":null,"markdown":"**関節** \n↓ \nReducer / Screw / Bearing / Sensor","render_override":null},{"id":"blk_d2577382-3b44-46d1-9d26-0c0121094697","kind":"paragraph","order":41,"section_id":"sec_916d23e7-53fc-4494-bd90-3486b8c7a3bf","character_id":null,"markdown":"**骨** \n↓ \nAluminum / Steel / Magnesium / CFRP","render_override":null},{"id":"blk_f09d944d-a0c2-4c12-b1d7-2996ed7f75b7","kind":"paragraph","order":42,"section_id":"sec_916d23e7-53fc-4494-bd90-3486b8c7a3bf","character_id":null,"markdown":"**心臓・エネルギータンク** \n↓ \nBattery / BMS / Power Electronics","render_override":null},{"id":"blk_0a44d984-dd96-4428-a245-dbf66388b755","kind":"paragraph","order":43,"section_id":"sec_916d23e7-53fc-4494-bd90-3486b8c7a3bf","character_id":null,"markdown":"となる。","render_override":null},{"id":"blk_ac6736a2-32ae-48b7-b226-8e61af5a536d","kind":"paragraph","order":44,"section_id":"sec_916d23e7-53fc-4494-bd90-3486b8c7a3bf","character_id":null,"markdown":"AIが「箱を持ち上げろ」と判断してから、実際に腕が動くまでには、","render_override":null},{"id":"blk_ec7926be-ba9d-4a0e-96d7-815994d7026b","kind":"paragraph","order":45,"section_id":"sec_916d23e7-53fc-4494-bd90-3486b8c7a3bf","character_id":null,"markdown":"**AI** \n↓ \nMotion Planning \n↓ \nJoint Controller \n↓ \nMotor Driver \n↓ \nPower Semiconductor \n↓ \nMotor \n↓ \nReducer / Screw \n↓ \nJoint \n↓ \nSensor Feedback \n↓ \nAI","render_override":null},{"id":"blk_ca48c601-bd9f-4f9d-954f-3dfe988a74a3","kind":"paragraph","order":46,"section_id":"sec_916d23e7-53fc-4494-bd90-3486b8c7a3bf","character_id":null,"markdown":"という閉ループが存在する。","render_override":null},{"id":"blk_46372492-295e-478d-bd8b-831f19e986ca","kind":"paragraph","order":47,"section_id":"sec_916d23e7-53fc-4494-bd90-3486b8c7a3bf","character_id":null,"markdown":"Physical AIとは、AIモデルだけではなく、","render_override":null},{"id":"blk_c089f3ab-a6c8-4efc-8b17-c96a83a1bb96","kind":"quote","order":48,"section_id":"sec_916d23e7-53fc-4494-bd90-3486b8c7a3bf","character_id":null,"markdown":"> **AIの判断を現実世界の力へ変換し、その結果を再びセンサーでAIへ返すシステム**","render_override":null},{"id":"blk_a6dad23a-4a12-4b5c-981e-8cfc81653a62","kind":"paragraph","order":49,"section_id":"sec_916d23e7-53fc-4494-bd90-3486b8c7a3bf","character_id":null,"markdown":"なのである。","render_override":null},{"id":"blk_d32a8e5f-7bf4-4d37-b605-c8215e589342","kind":"figure","order":50,"section_id":"sec_916d23e7-53fc-4494-bd90-3486b8c7a3bf","character_id":null,"markdown":"![](/media/e6f0ba5979a0e2218803111d04637592f778b316db3e80b3ac7262aeeafaa8f8-content.webp)","render_override":null},{"id":"blk_24b2c6be-edb8-42d9-8fb1-213e09e3fa65","kind":"thematic_break","order":51,"section_id":"sec_916d23e7-53fc-4494-bd90-3486b8c7a3bf","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b79c1d8e-1ce4-46ad-be58-de1cc1c29b8c","kind":"heading","order":52,"section_id":"sec_7746cb21-1f89-4c1d-9d83-4ff5f883c587","character_id":null,"markdown":"## 2．最重要部品――Integrated Actuator / System-on-Joint","render_override":null},{"id":"blk_647e6213-687a-4ea5-86a4-41a55619aa50","kind":"paragraph","order":53,"section_id":"sec_7746cb21-1f89-4c1d-9d83-4ff5f883c587","character_id":null,"markdown":"ヒューマノイドの産業構造を考えるうえで、最も重要になる可能性があるのが、","render_override":null},{"id":"blk_5c0af54e-85de-484a-86bf-42095de21d1d","kind":"heading","order":54,"section_id":"sec_6f2703f8-9ddc-4ff1-a03f-edac424c1e23","character_id":null,"markdown":"## Integrated Actuator","render_override":null},{"id":"blk_46bb3587-718c-4eb2-a705-df6b9ba9d230","kind":"paragraph","order":55,"section_id":"sec_6f2703f8-9ddc-4ff1-a03f-edac424c1e23","character_id":null,"markdown":"あるいは、","render_override":null},{"id":"blk_40d537fb-de31-4b8a-800f-62adf69dda2e","kind":"heading","order":56,"section_id":"sec_3e158a07-94ee-4d10-b5fc-698a937eea08","character_id":null,"markdown":"## System-on-Joint","render_override":null},{"id":"blk_a601dfd0-b1a8-462b-8354-e594976cf9df","kind":"paragraph","order":57,"section_id":"sec_3e158a07-94ee-4d10-b5fc-698a937eea08","character_id":null,"markdown":"である。","render_override":null},{"id":"blk_d80297a5-2680-49ad-af8f-780e787ab3fd","kind":"paragraph","order":58,"section_id":"sec_3e158a07-94ee-4d10-b5fc-698a937eea08","character_id":null,"markdown":"従来なら、","render_override":null},{"id":"blk_6eaf6358-9101-4790-8e62-def1e71643af","kind":"paragraph","order":59,"section_id":"sec_3e158a07-94ee-4d10-b5fc-698a937eea08","character_id":null,"markdown":"Motor \nReducer \nBearing \nEncoder \nTorque Sensor \nMotor Driver \nMCU \nBrake \nHousing \nCooling","render_override":null},{"id":"blk_0dea995f-4255-4209-a5b7-0ccfc8b4aefb","kind":"paragraph","order":60,"section_id":"sec_3e158a07-94ee-4d10-b5fc-698a937eea08","character_id":null,"markdown":"を別々に調達して組み立てる。","render_override":null},{"id":"blk_0fd8b519-912c-4ea7-99b4-9570af3cfc1e","kind":"paragraph","order":61,"section_id":"sec_3e158a07-94ee-4d10-b5fc-698a937eea08","character_id":null,"markdown":"しかし量産が進めば、これらを一つの完成した「関節」にまとめ、","render_override":null},{"id":"blk_13d74281-15bb-4ac4-8108-ac34d0b360df","kind":"paragraph","order":62,"section_id":"sec_3e158a07-94ee-4d10-b5fc-698a937eea08","character_id":null,"markdown":"**OEMはJoint Moduleを買って取り付けるだけ**","render_override":null},{"id":"blk_b33a84e2-0a3e-4738-bb1e-8678d96d5885","kind":"paragraph","order":63,"section_id":"sec_3e158a07-94ee-4d10-b5fc-698a937eea08","character_id":null,"markdown":"という構造へ進む可能性がある。","render_override":null},{"id":"blk_e9c141ed-0586-4569-bcf6-9e48ecf71fb2","kind":"paragraph","order":64,"section_id":"sec_3e158a07-94ee-4d10-b5fc-698a937eea08","character_id":null,"markdown":"半導体で言えば、","render_override":null},{"id":"blk_3a92e4b0-f3ed-48f1-b650-716b622cb4b3","kind":"paragraph","order":65,"section_id":"sec_3e158a07-94ee-4d10-b5fc-698a937eea08","character_id":null,"markdown":"Discrete IC","render_override":null},{"id":"blk_54e77445-c21d-442b-b82e-4da089111336","kind":"paragraph","order":66,"section_id":"sec_3e158a07-94ee-4d10-b5fc-698a937eea08","character_id":null,"markdown":"から","render_override":null},{"id":"blk_69c22152-199f-40c3-a573-33821770daee","kind":"paragraph","order":67,"section_id":"sec_3e158a07-94ee-4d10-b5fc-698a937eea08","character_id":null,"markdown":"SoC","render_override":null},{"id":"blk_cdc0d0b7-f22b-4e5d-a7c0-53c11f7b0bc4","kind":"paragraph","order":68,"section_id":"sec_3e158a07-94ee-4d10-b5fc-698a937eea08","character_id":null,"markdown":"へ移ったのとよく似ている。","render_override":null},{"id":"blk_917e0fdf-6140-47aa-a0d5-964d788c3649","kind":"paragraph","order":69,"section_id":"sec_3e158a07-94ee-4d10-b5fc-698a937eea08","character_id":null,"markdown":"McKinseyによればIntegrated Actuator内部でもコスト構成は、","render_override":null},{"id":"blk_99efa4fe-db00-4566-b1f5-5e0117ac9117","kind":"list","order":70,"section_id":"sec_3e158a07-94ee-4d10-b5fc-698a937eea08","character_id":null,"markdown":"- Gearbox：約30～50％\n- Driver：約15～20％\n- Motor：約10～20％\n- Mechanical components：約10～20％\n- Sensors：約5～10％","render_override":null},{"id":"blk_aafbda96-d0e2-48ee-a0dd-499456e757a5","kind":"paragraph","order":71,"section_id":"sec_3e158a07-94ee-4d10-b5fc-698a937eea08","character_id":null,"markdown":"程度になる。([McKinsey & Company](https://www.mckinsey.com/industries/industrials/our-insights/turning-humanoid-supply-chain-constraints-into-billion-dollar-wins?utm_source=chatgpt.com))","render_override":null},{"id":"blk_d785b07f-48d8-47fb-8045-5f3999496b6a","kind":"paragraph","order":72,"section_id":"sec_3e158a07-94ee-4d10-b5fc-698a937eea08","character_id":null,"markdown":"つまり価値の中心は「モーター単品」ではない。","render_override":null},{"id":"blk_98332023-9b91-4c80-94f2-7c09309b6e74","kind":"paragraph","order":73,"section_id":"sec_3e158a07-94ee-4d10-b5fc-698a937eea08","character_id":null,"markdown":"**Motor＋Reducer＋Sensor＋Electronicsを一体最適化する能力**","render_override":null},{"id":"blk_eda027d4-a1c3-4e29-bd6a-79ea00635364","kind":"paragraph","order":74,"section_id":"sec_3e158a07-94ee-4d10-b5fc-698a937eea08","character_id":null,"markdown":"が重要になってくる。","render_override":null},{"id":"blk_7b11eb2f-5474-4e47-b760-934ae6044203","kind":"figure","order":75,"section_id":"sec_3e158a07-94ee-4d10-b5fc-698a937eea08","character_id":null,"markdown":"![](/media/00aac0e39439d8bca93189c916ce7c2960788d0fc8cc0886dae3e3d77df0f450-content.webp)","render_override":null},{"id":"blk_0b1e05a3-6e0c-4679-ab8f-9020b7d82a5d","kind":"thematic_break","order":76,"section_id":"sec_3e158a07-94ee-4d10-b5fc-698a937eea08","character_id":null,"markdown":"---","render_override":null},{"id":"blk_553e2ee3-f50d-4a85-a12b-0e85668d04f6","kind":"heading","order":77,"section_id":"sec_43be2457-b556-43a3-93cc-43ae92ee97f0","character_id":null,"markdown":"## 3．Motor――電気を筋力へ変える","render_override":null},{"id":"blk_bb261ca6-42fe-402c-8800-298fc5389caf","kind":"paragraph","order":78,"section_id":"sec_43be2457-b556-43a3-93cc-43ae92ee97f0","character_id":null,"markdown":"ヒューマノイドではFrameless BLDCやPMSMが重要になる。","render_override":null},{"id":"blk_09d2a9d8-62c8-45ce-8802-59d45a3733db","kind":"paragraph","order":79,"section_id":"sec_43be2457-b556-43a3-93cc-43ae92ee97f0","character_id":null,"markdown":"Frameless Motorでは通常のモーターケースなどを省き、","render_override":null},{"id":"blk_a55434a2-325e-4b7a-8638-f026affc29d7","kind":"paragraph","order":80,"section_id":"sec_43be2457-b556-43a3-93cc-43ae92ee97f0","character_id":null,"markdown":"**Rotor＋Stator**","render_override":null},{"id":"blk_453dd8bc-a91e-42f7-b783-c4403f1fcb44","kind":"paragraph","order":81,"section_id":"sec_43be2457-b556-43a3-93cc-43ae92ee97f0","character_id":null,"markdown":"を直接ロボットJointへ組み込む。","render_override":null},{"id":"blk_8b88f9e5-2af1-4965-ae5c-4ebf7bc96fe9","kind":"paragraph","order":82,"section_id":"sec_43be2457-b556-43a3-93cc-43ae92ee97f0","character_id":null,"markdown":"これにより、","render_override":null},{"id":"blk_04f7e352-d854-461d-a113-fcfe0af9bfe3","kind":"list","order":83,"section_id":"sec_43be2457-b556-43a3-93cc-43ae92ee97f0","character_id":null,"markdown":"- 軽量\n- 小型\n- 高Torque Density\n- 中空構造\n- 冷却統合\n- 配線自由度","render_override":null},{"id":"blk_9af7ae71-eafb-4231-a264-aa8c09401c42","kind":"paragraph","order":84,"section_id":"sec_43be2457-b556-43a3-93cc-43ae92ee97f0","character_id":null,"markdown":"を高められる。","render_override":null},{"id":"blk_fa032835-7637-431a-ae67-1c938edee326","kind":"paragraph","order":85,"section_id":"sec_43be2457-b556-43a3-93cc-43ae92ee97f0","character_id":null,"markdown":"McKinseyもFrameless BLDCをヒューマノイドActuatorの中心的なモーター方式として挙げる一方、Motor自体はReducerなどに比べれば比較的commoditizeされやすいと分析している。([McKinsey & Company](https://www.mckinsey.com/industries/industrials/our-insights/turning-humanoid-supply-chain-constraints-into-billion-dollar-wins?utm_source=chatgpt.com))","render_override":null},{"id":"blk_2e49b6de-a18a-4ff8-8af4-22c1f4d0b532","kind":"paragraph","order":86,"section_id":"sec_43be2457-b556-43a3-93cc-43ae92ee97f0","character_id":null,"markdown":"重要なのは、","render_override":null},{"id":"blk_9532365e-f77c-423f-a38e-d98b20191077","kind":"heading","order":87,"section_id":"sec_b1c7e1d7-4f86-46e5-afc2-844acc308f87","character_id":null,"markdown":"## Motor単体からJointへ上がれるか","render_override":null},{"id":"blk_5998f49c-de81-404e-9770-cfabffbca33f","kind":"paragraph","order":88,"section_id":"sec_b1c7e1d7-4f86-46e5-afc2-844acc308f87","character_id":null,"markdown":"である。","render_override":null},{"id":"blk_cad38cb7-4db7-41db-ae75-cd423a9dda04","kind":"paragraph","order":89,"section_id":"sec_b1c7e1d7-4f86-46e5-afc2-844acc308f87","character_id":null,"markdown":"Leadshineはまさにこの方向へ進んでいる。","render_override":null},{"id":"blk_22e74ee1-af86-4903-8ecf-2efb876d859c","kind":"paragraph","order":90,"section_id":"sec_b1c7e1d7-4f86-46e5-afc2-844acc308f87","character_id":null,"markdown":"同社は2025年に**12万個超のframeless motorを出荷**し、中国の主要ヒューマノイドメーカーの80％超のsupply chainへ参入。さらにharmonic/planetary Joint Moduleと21自由度Dexterous Handを量産段階へ進め、年200万unit能力の生産ラインも建設している。([Leadshine](https://static.leadshine.com/newsEvent/details/leadshine-2025-annual-report-%26-2026-q1-report%3A-accelerating-the-growth-flywheel%2C-revenue-hits-new-highs.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_4aaca519-ba93-48a7-a30d-24a02112c6bf","kind":"paragraph","order":91,"section_id":"sec_b1c7e1d7-4f86-46e5-afc2-844acc308f87","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_8dc390c2-5553-40a1-a978-6ff76ca53038","kind":"paragraph","order":92,"section_id":"sec_b1c7e1d7-4f86-46e5-afc2-844acc308f87","character_id":null,"markdown":"**Motorメーカー** \n↓ \n**Motion Controlメーカー** \n↓ \n**System-on-Jointメーカー**","render_override":null},{"id":"blk_7ebb3e10-cdcb-4703-80ce-cd98897464e9","kind":"paragraph","order":93,"section_id":"sec_b1c7e1d7-4f86-46e5-afc2-844acc308f87","character_id":null,"markdown":"へ上がろうとしている。","render_override":null},{"id":"blk_76f2fe22-ee40-4e1f-bcc9-df6849c97e80","kind":"figure","order":94,"section_id":"sec_b1c7e1d7-4f86-46e5-afc2-844acc308f87","character_id":null,"markdown":"![](/media/8a42596fa5a5142deaa6620173d1152c7a7ad9c40375367061d5ab3eda248cae-content.webp)","render_override":null},{"id":"blk_16c19e46-ef14-4341-9321-7c9dd97a9626","kind":"thematic_break","order":95,"section_id":"sec_b1c7e1d7-4f86-46e5-afc2-844acc308f87","character_id":null,"markdown":"---","render_override":null},{"id":"blk_f02d55a0-98b3-4086-bc3b-ebd8f40d99a9","kind":"heading","order":96,"section_id":"sec_870fffd2-dbb1-4e9b-8706-2baec89eb592","character_id":null,"markdown":"## 4．Reducer――高速回転を怪力へ変える","render_override":null},{"id":"blk_a493fcef-5f70-4b4e-a7f4-4defb7f56bc1","kind":"paragraph","order":97,"section_id":"sec_870fffd2-dbb1-4e9b-8706-2baec89eb592","character_id":null,"markdown":"小型Motorをそのまま使っても、人間サイズの身体を動かすTorqueは得にくい。","render_override":null},{"id":"blk_705fff04-ddab-45f8-9142-ca36dd325e1e","kind":"paragraph","order":98,"section_id":"sec_870fffd2-dbb1-4e9b-8706-2baec89eb592","character_id":null,"markdown":"そこで、","render_override":null},{"id":"blk_2ff1edba-aae6-43fe-bdbc-4fbbd299986f","kind":"heading","order":99,"section_id":"sec_61ffbdba-2ecb-4536-bb7e-13e209b98eff","character_id":null,"markdown":"## Reducer","render_override":null},{"id":"blk_434f650a-6e2e-4e7c-8853-38648f0ffde4","kind":"paragraph","order":100,"section_id":"sec_61ffbdba-2ecb-4536-bb7e-13e209b98eff","character_id":null,"markdown":"が必要になる。","render_override":null},{"id":"blk_5c948721-1a09-4eb3-8f6a-3dba104d23f8","kind":"paragraph","order":101,"section_id":"sec_61ffbdba-2ecb-4536-bb7e-13e209b98eff","character_id":null,"markdown":"代表方式は、","render_override":null},{"id":"blk_3ee357b8-e7c8-448c-8dcf-170903b8c247","kind":"list","order":102,"section_id":"sec_61ffbdba-2ecb-4536-bb7e-13e209b98eff","character_id":null,"markdown":"- Strain-wave / Harmonic\n- Cycloidal\n- Planetary","render_override":null},{"id":"blk_8e783d10-83b8-4631-a2d2-c74771906afa","kind":"paragraph","order":103,"section_id":"sec_61ffbdba-2ecb-4536-bb7e-13e209b98eff","character_id":null,"markdown":"など。","render_override":null},{"id":"blk_25d04ae5-da09-44c0-a8cb-39d574f54050","kind":"paragraph","order":104,"section_id":"sec_61ffbdba-2ecb-4536-bb7e-13e209b98eff","character_id":null,"markdown":"特にStrain-wave reducerは、","render_override":null},{"id":"blk_f9dc7e3b-915b-4e9b-9224-7ce415605f8a","kind":"paragraph","order":105,"section_id":"sec_61ffbdba-2ecb-4536-bb7e-13e209b98eff","character_id":null,"markdown":"**小型** \n**高減速比** \n**低Backlash** \n**高い位置精度**","render_override":null},{"id":"blk_0bbbecbd-73be-41f3-ac5e-5546f4f2290f","kind":"paragraph","order":106,"section_id":"sec_61ffbdba-2ecb-4536-bb7e-13e209b98eff","character_id":null,"markdown":"を同時に実現しやすい。","render_override":null},{"id":"blk_ea4ef4eb-68eb-4faa-8c07-df56f1dc22a6","kind":"paragraph","order":107,"section_id":"sec_61ffbdba-2ecb-4536-bb7e-13e209b98eff","character_id":null,"markdown":"一方で高精度加工、metrology、専用tooling、qualificationが必要で、簡単に生産能力を増やせない。","render_override":null},{"id":"blk_3fa98647-3f9c-40f3-883a-f25f9a8ddfbc","kind":"paragraph","order":108,"section_id":"sec_61ffbdba-2ecb-4536-bb7e-13e209b98eff","character_id":null,"markdown":"McKinseyもHarmonic Drive、Nabtesco、LeaderDriveなどを挙げ、**strain-wave reducerをヒューマノイド量産時の主要choke pointの一つ**としている。([McKinsey & Company](https://www.mckinsey.com/industries/industrials/our-insights/turning-humanoid-supply-chain-constraints-into-billion-dollar-wins?utm_source=chatgpt.com))","render_override":null},{"id":"blk_95e2926b-a20e-430b-ab58-c0a417659f96","kind":"paragraph","order":109,"section_id":"sec_61ffbdba-2ecb-4536-bb7e-13e209b98eff","character_id":null,"markdown":"ここだけを見ればHarmonic DriveやLeaderDriveは非常に魅力的である。","render_override":null},{"id":"blk_fb802052-b300-408d-9aa6-904df01afdfc","kind":"paragraph","order":110,"section_id":"sec_61ffbdba-2ecb-4536-bb7e-13e209b98eff","character_id":null,"markdown":"問題は株価だ。","render_override":null},{"id":"blk_c2e0021e-4493-46b6-b770-95863f498e2a","kind":"paragraph","order":111,"section_id":"sec_61ffbdba-2ecb-4536-bb7e-13e209b98eff","character_id":null,"markdown":"2026年8月初旬時点でHarmonic Drive SystemsはForward PER約100倍、P/S約11倍。LeaderDriveはForward PERが約280倍に達している。([StockAnalysis.com](https://stockanalysis.com/quote/tyo/6324/statistics/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_17ca96ee-28d1-47db-939c-fc85c4d930d8","kind":"paragraph","order":112,"section_id":"sec_61ffbdba-2ecb-4536-bb7e-13e209b98eff","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_e4999068-b15d-4f2c-a490-07609ba4b4b4","kind":"quote","order":113,"section_id":"sec_61ffbdba-2ecb-4536-bb7e-13e209b98eff","character_id":null,"markdown":"> 「ボトルネックになること」","render_override":null},{"id":"blk_6c49616f-9232-48ec-8582-83ae6c0b3265","kind":"paragraph","order":114,"section_id":"sec_61ffbdba-2ecb-4536-bb7e-13e209b98eff","character_id":null,"markdown":"そのものは既に市場にかなり知られている。","render_override":null},{"id":"blk_6d45ad40-9a72-40a3-a3b8-59157d8bbc46","kind":"figure","order":115,"section_id":"sec_61ffbdba-2ecb-4536-bb7e-13e209b98eff","character_id":null,"markdown":"![](/media/d94103af0b3356e63465388d4431440880c2d4f99ed0b8ede89b24dcbc3cd049-content.webp)","render_override":null},{"id":"blk_fb11969c-a7a0-4e17-85e5-851ec6d547d6","kind":"thematic_break","order":116,"section_id":"sec_61ffbdba-2ecb-4536-bb7e-13e209b98eff","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7d1829cb-1df3-469a-96b1-d2e275cec8ae","kind":"heading","order":117,"section_id":"sec_6f6b5da0-6bd2-4f58-8aff-02d1844c5ba2","character_id":null,"markdown":"## 5．Planetary Roller Screw――Physical AI最大級の隠れボトルネック候補","render_override":null},{"id":"blk_90f11ef9-8b6e-422b-80df-d6c4caf3fd3a","kind":"paragraph","order":118,"section_id":"sec_6f6b5da0-6bd2-4f58-8aff-02d1844c5ba2","character_id":null,"markdown":"ヒューマノイドは回転Jointだけではない。","render_override":null},{"id":"blk_8e372a4c-827c-4d9f-8226-ec899fce41fe","kind":"paragraph","order":119,"section_id":"sec_6f6b5da0-6bd2-4f58-8aff-02d1844c5ba2","character_id":null,"markdown":"Motorの回転を直線運動へ変える、","render_override":null},{"id":"blk_f853e1ff-b4b0-4b03-bfab-7395254fd25f","kind":"heading","order":120,"section_id":"sec_3362f1d1-4b3d-4dfb-96ac-5246a0ac717f","character_id":null,"markdown":"## Linear Actuator","render_override":null},{"id":"blk_2580b96b-d17e-47c4-9c04-f6763963b50f","kind":"paragraph","order":121,"section_id":"sec_3362f1d1-4b3d-4dfb-96ac-5246a0ac717f","character_id":null,"markdown":"も重要になる。","render_override":null},{"id":"blk_b9f164e6-2e63-48f5-ab97-d17b0ed6037c","kind":"paragraph","order":122,"section_id":"sec_3362f1d1-4b3d-4dfb-96ac-5246a0ac717f","character_id":null,"markdown":"その中心候補の一つが、","render_override":null},{"id":"blk_2224b5b9-1ae4-43be-96b2-944fa670243d","kind":"heading","order":123,"section_id":"sec_f326878d-f1df-4775-be18-4cbf820b94b0","character_id":null,"markdown":"## Planetary Roller Screw","render_override":null},{"id":"blk_c268504e-7e7e-4937-a36e-4884b200af21","kind":"paragraph","order":124,"section_id":"sec_f326878d-f1df-4775-be18-4cbf820b94b0","character_id":null,"markdown":"である。","render_override":null},{"id":"blk_d46ba662-b1d4-46f0-8be7-004a08cc6a57","kind":"paragraph","order":125,"section_id":"sec_f326878d-f1df-4775-be18-4cbf820b94b0","character_id":null,"markdown":"Ball Screwではボールを転がすが、Planetary Roller Screwでは複数のthreaded rollerを使って荷重を分散する。","render_override":null},{"id":"blk_b70f847a-1fea-41d0-8d3c-523ada480363","kind":"paragraph","order":126,"section_id":"sec_f326878d-f1df-4775-be18-4cbf820b94b0","character_id":null,"markdown":"これによって、","render_override":null},{"id":"blk_0e160135-e3b7-47b0-baee-589bd37bb644","kind":"paragraph","order":127,"section_id":"sec_f326878d-f1df-4775-be18-4cbf820b94b0","character_id":null,"markdown":"**小型** \n**高荷重** \n**高剛性** \n**高精度** \n**高耐久**","render_override":null},{"id":"blk_3431ccb5-0fe9-4715-ab92-d6596b40acd2","kind":"paragraph","order":128,"section_id":"sec_f326878d-f1df-4775-be18-4cbf820b94b0","character_id":null,"markdown":"を実現できる。","render_override":null},{"id":"blk_1c7f0dca-1baa-4dc2-b743-d9ec885cb89e","kind":"paragraph","order":129,"section_id":"sec_f326878d-f1df-4775-be18-4cbf820b94b0","character_id":null,"markdown":"膝、股関節、肘など、","render_override":null},{"id":"blk_9f6620bc-ac11-4d75-869d-a4b6f4822036","kind":"paragraph","order":130,"section_id":"sec_f326878d-f1df-4775-be18-4cbf820b94b0","character_id":null,"markdown":"大きな力を直線方向へ出したい場所と相性が良い。","render_override":null},{"id":"blk_03fc9830-81d0-445b-8920-5ce9afd1ce5b","kind":"paragraph","order":131,"section_id":"sec_f326878d-f1df-4775-be18-4cbf820b94b0","character_id":null,"markdown":"McKinseyはこれをstrain-wave reducer以上に深刻になり得る供給制約候補としている。","render_override":null},{"id":"blk_030bbcc4-4970-45d9-a6b4-fbf6f85d36a1","kind":"paragraph","order":132,"section_id":"sec_f326878d-f1df-4775-be18-4cbf820b94b0","character_id":null,"markdown":"理由は、","render_override":null},{"id":"blk_4b0ecb09-ef7f-419e-bebe-0e9188366be6","kind":"list","order":133,"section_id":"sec_f326878d-f1df-4775-be18-4cbf820b94b0","character_id":null,"markdown":"- 現在市場が小さい\n- supplier poolが狭い\n- 高精度加工が必要\n- lead timeが長い\n- 代替が容易ではない","render_override":null},{"id":"blk_25ccced6-56b9-4313-9b9a-6fc48daf9179","kind":"paragraph","order":134,"section_id":"sec_f326878d-f1df-4775-be18-4cbf820b94b0","character_id":null,"markdown":"からである。([McKinsey & Company](https://www.mckinsey.com/industries/industrials/our-insights/turning-humanoid-supply-chain-constraints-into-billion-dollar-wins?utm_source=chatgpt.com))","render_override":null},{"id":"blk_a520322f-f36d-4e24-8644-4a2651c358af","kind":"paragraph","order":135,"section_id":"sec_f326878d-f1df-4775-be18-4cbf820b94b0","character_id":null,"markdown":"これは非常にHBM的な特徴である。","render_override":null},{"id":"blk_e999b36b-8d5a-4c40-a398-3d394ad917d3","kind":"figure","order":136,"section_id":"sec_f326878d-f1df-4775-be18-4cbf820b94b0","character_id":null,"markdown":"![](/media/6ec9e9b0439888e8bd034e385cbd8d06e88264c3666f42c399e9770df8ba682f-content.webp)","render_override":null},{"id":"blk_bad7ad95-8852-4250-8db3-8da3763aeaeb","kind":"thematic_break","order":137,"section_id":"sec_f326878d-f1df-4775-be18-4cbf820b94b0","character_id":null,"markdown":"---","render_override":null},{"id":"blk_bcbe26cf-31cb-40d8-9da6-175a83289a6c","kind":"heading","order":138,"section_id":"sec_df12ce63-3b43-4f2b-b114-5d76cddaa916","character_id":null,"markdown":"## 6．Ball Screw / Linear Guide","render_override":null},{"id":"blk_5e8b3297-d787-4d2b-b648-72aa7f0e78e3","kind":"paragraph","order":139,"section_id":"sec_df12ce63-3b43-4f2b-b114-5d76cddaa916","character_id":null,"markdown":"Planetary Roller Screwほど特殊でなくても、","render_override":null},{"id":"blk_1fbc2afc-4d59-4a5f-a694-7930e0126be0","kind":"paragraph","order":140,"section_id":"sec_df12ce63-3b43-4f2b-b114-5d76cddaa916","character_id":null,"markdown":"Ball ScrewやLinear Guideは大量に必要になる。","render_override":null},{"id":"blk_3bdd8582-f9ee-487b-b5c7-889eaebf088e","kind":"paragraph","order":141,"section_id":"sec_df12ce63-3b43-4f2b-b114-5d76cddaa916","character_id":null,"markdown":"代表企業は、","render_override":null},{"id":"blk_ad4f28a4-1abe-40ef-babd-4d2f07f0a444","kind":"list","order":142,"section_id":"sec_df12ce63-3b43-4f2b-b114-5d76cddaa916","character_id":null,"markdown":"- THK\n- Hiwin\n- SKF\n- Bosch Rexroth","render_override":null},{"id":"blk_ace795e0-76e7-48cb-a1be-01a236744628","kind":"paragraph","order":143,"section_id":"sec_df12ce63-3b43-4f2b-b114-5d76cddaa916","character_id":null,"markdown":"など。","render_override":null},{"id":"blk_31af3f25-bcea-4beb-9820-43f13ffe52ae","kind":"paragraph","order":144,"section_id":"sec_df12ce63-3b43-4f2b-b114-5d76cddaa916","character_id":null,"markdown":"McKinseyは総生産能力そのものより、","render_override":null},{"id":"blk_7fe46d3b-d474-4576-bc02-5403b94f2621","kind":"quote","order":145,"section_id":"sec_df12ce63-3b43-4f2b-b114-5d76cddaa916","character_id":null,"markdown":"> **humanoid用のcompact / low-clearance / high-durability gradeを量産認定できるか**","render_override":null},{"id":"blk_d6f076d3-6bbb-4e91-9230-9b3659284f7f","kind":"paragraph","order":146,"section_id":"sec_df12ce63-3b43-4f2b-b114-5d76cddaa916","character_id":null,"markdown":"が問題になると指摘している。([McKinsey & Company](https://www.mckinsey.com/industries/industrials/our-insights/turning-humanoid-supply-chain-constraints-into-billion-dollar-wins?utm_source=chatgpt.com))","render_override":null},{"id":"blk_1090eb69-eef7-442b-b055-d5a99eb5b555","kind":"paragraph","order":147,"section_id":"sec_df12ce63-3b43-4f2b-b114-5d76cddaa916","character_id":null,"markdown":"この観点でTHKはかなり興味深い。","render_override":null},{"id":"blk_4f9b1e53-aa35-4474-9189-5f1ad7ccd22a","kind":"paragraph","order":148,"section_id":"sec_df12ce63-3b43-4f2b-b114-5d76cddaa916","character_id":null,"markdown":"THKは単なるLM Guide企業ではなく、自社ヒューマノイドFREDで、","render_override":null},{"id":"blk_f0528e47-2774-4f7f-a2a0-edbcc4ee0e9d","kind":"paragraph","order":149,"section_id":"sec_df12ce63-3b43-4f2b-b114-5d76cddaa916","character_id":null,"markdown":"**Cycloidal Gear** \n**＋ Outer Rotor Motor** \n**＋ Forced-Air Cooling**","render_override":null},{"id":"blk_36254203-68a2-455a-9d1d-caf70a504172","kind":"paragraph","order":150,"section_id":"sec_df12ce63-3b43-4f2b-b114-5d76cddaa916","character_id":null,"markdown":"を一体化した高出力Actuatorを開発している。([THK](https://www.thk.com/jp/en/journal/products/article-02072025-1.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_550595a8-11aa-4c49-905b-995459fa5ad8","kind":"paragraph","order":151,"section_id":"sec_df12ce63-3b43-4f2b-b114-5d76cddaa916","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_468c4481-7cf3-471f-9134-b62e8ff85a67","kind":"paragraph","order":152,"section_id":"sec_df12ce63-3b43-4f2b-b114-5d76cddaa916","character_id":null,"markdown":"**Linear Motionメーカー** \n↓ \n**Robot Jointメーカー**","render_override":null},{"id":"blk_4eb6b8c9-100c-40d8-b2fc-3f903f7c3e61","kind":"paragraph","order":153,"section_id":"sec_df12ce63-3b43-4f2b-b114-5d76cddaa916","character_id":null,"markdown":"へ進める技術基盤を既に持っている。","render_override":null},{"id":"blk_d73b65c8-d3fa-46ab-b530-a36f529d299e","kind":"figure","order":154,"section_id":"sec_df12ce63-3b43-4f2b-b114-5d76cddaa916","character_id":null,"markdown":"![](/media/07736d71075986584b01864877ca1793022caef96bfc12584ad740a0b78783be-content.webp)","render_override":null},{"id":"blk_84e75d91-8173-4e26-9358-e1df18414642","kind":"thematic_break","order":155,"section_id":"sec_df12ce63-3b43-4f2b-b114-5d76cddaa916","character_id":null,"markdown":"---","render_override":null},{"id":"blk_62386d52-b9c2-4111-86cc-4b3bcd8e3659","kind":"heading","order":156,"section_id":"sec_dfdd427f-8e17-45a0-b75f-8bf4afc784a0","character_id":null,"markdown":"## 7．Bearing――地味だが全ての関節に必要","render_override":null},{"id":"blk_a5ca7c3d-bd48-43a0-81ba-903e76ff1d7b","kind":"paragraph","order":157,"section_id":"sec_dfdd427f-8e17-45a0-b75f-8bf4afc784a0","character_id":null,"markdown":"Bearingも大量に使われる。","render_override":null},{"id":"blk_9a4bd87f-3074-4beb-83f3-a1692581c0a5","kind":"paragraph","order":158,"section_id":"sec_dfdd427f-8e17-45a0-b75f-8bf4afc784a0","character_id":null,"markdown":"特に、","render_override":null},{"id":"blk_2fe054b1-2335-4a70-ada5-f569ae3a117a","kind":"list","order":159,"section_id":"sec_dfdd427f-8e17-45a0-b75f-8bf4afc784a0","character_id":null,"markdown":"- Cross Roller Bearing\n- Angular Contact Bearing\n- Precision Ball Bearing","render_override":null},{"id":"blk_61a0f836-097e-4425-8995-ce293cf337d4","kind":"paragraph","order":160,"section_id":"sec_dfdd427f-8e17-45a0-b75f-8bf4afc784a0","character_id":null,"markdown":"など。","render_override":null},{"id":"blk_b75e4829-6289-421e-a0ef-9788bb3b0653","kind":"paragraph","order":161,"section_id":"sec_dfdd427f-8e17-45a0-b75f-8bf4afc784a0","character_id":null,"markdown":"重要なのは単なる回転ではなく、","render_override":null},{"id":"blk_38d9c7d1-8d6c-4c1d-a63f-7702ee1ed94d","kind":"paragraph","order":162,"section_id":"sec_dfdd427f-8e17-45a0-b75f-8bf4afc784a0","character_id":null,"markdown":"**Radial load** \n**Axial load** \n**Moment load**","render_override":null},{"id":"blk_878fe3a1-026f-4339-bb54-fd89196dc1ab","kind":"paragraph","order":163,"section_id":"sec_dfdd427f-8e17-45a0-b75f-8bf4afc784a0","character_id":null,"markdown":"を小さな空間で支えること。","render_override":null},{"id":"blk_69c8db60-f6cc-4147-9a2c-4395f11cf69e","kind":"paragraph","order":164,"section_id":"sec_dfdd427f-8e17-45a0-b75f-8bf4afc784a0","character_id":null,"markdown":"一台に数十～100個以上が使われる可能性があるため数量は大きい。","render_override":null},{"id":"blk_3c7c5532-7462-4174-9dd2-87722bea33ad","kind":"paragraph","order":165,"section_id":"sec_dfdd427f-8e17-45a0-b75f-8bf4afc784a0","character_id":null,"markdown":"Schaeffler、SKF、NSK、NTN、JTEKTなどの既存precision-motion企業へ需要が波及する。","render_override":null},{"id":"blk_5f3d9945-4aab-4dff-9241-4fd24cf78ab8","kind":"paragraph","order":166,"section_id":"sec_dfdd427f-8e17-45a0-b75f-8bf4afc784a0","character_id":null,"markdown":"ただしBearing単品では競争が多い。","render_override":null},{"id":"blk_2dcd5ad4-63bb-4368-aa39-5c96efeb3a80","kind":"paragraph","order":167,"section_id":"sec_dfdd427f-8e17-45a0-b75f-8bf4afc784a0","character_id":null,"markdown":"ここでも、","render_override":null},{"id":"blk_78afdf69-f7ed-4ab9-b616-82fbfb5db251","kind":"heading","order":168,"section_id":"sec_0c1633b1-eb38-49a2-b2cf-823b7a6db43b","character_id":null,"markdown":"## Bearingを持つ会社がIntegrated Jointまで上がれるか","render_override":null},{"id":"blk_1c11ba90-9e4a-4932-8548-9ca01f698be9","kind":"paragraph","order":169,"section_id":"sec_0c1633b1-eb38-49a2-b2cf-823b7a6db43b","character_id":null,"markdown":"の方が重要になる。","render_override":null},{"id":"blk_2ed87035-68eb-45c0-be83-352370adc9ed","kind":"figure","order":170,"section_id":"sec_0c1633b1-eb38-49a2-b2cf-823b7a6db43b","character_id":null,"markdown":"![](/media/c5c259fe04b1d97cf67ec1df90b90c4ee2c060c706b05d28256436a0a7d52114-content.webp)","render_override":null},{"id":"blk_086298da-5fe7-48bd-a54b-b0449595d34f","kind":"thematic_break","order":171,"section_id":"sec_0c1633b1-eb38-49a2-b2cf-823b7a6db43b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b6473db9-3c37-4fd6-8964-41bafd2f73e6","kind":"heading","order":172,"section_id":"sec_2253e4d8-0c40-4add-b422-585f75fb1fb9","character_id":null,"markdown":"## 8．Encoder――ロボットの固有感覚","render_override":null},{"id":"blk_f468796d-8a80-44b4-84f6-59f485560624","kind":"paragraph","order":173,"section_id":"sec_2253e4d8-0c40-4add-b422-585f75fb1fb9","character_id":null,"markdown":"人間は目を閉じても、自分の腕がどの角度にあるかある程度分かる。","render_override":null},{"id":"blk_e5b41a8c-0a4e-4c31-98dd-3fa7ec4a9eb3","kind":"paragraph","order":174,"section_id":"sec_2253e4d8-0c40-4add-b422-585f75fb1fb9","character_id":null,"markdown":"ロボットでは、","render_override":null},{"id":"blk_d4801b42-6f48-4502-bbad-39b31b7e8f34","kind":"heading","order":175,"section_id":"sec_861cb89f-24c5-40b3-96d5-09df1c7f77c7","character_id":null,"markdown":"## Encoder","render_override":null},{"id":"blk_11c33bf9-fe48-41a6-8a10-70c86e130069","kind":"paragraph","order":176,"section_id":"sec_861cb89f-24c5-40b3-96d5-09df1c7f77c7","character_id":null,"markdown":"がそれを担当する。","render_override":null},{"id":"blk_48e6ee71-1080-4874-be50-9a3bf2d0da00","kind":"paragraph","order":177,"section_id":"sec_861cb89f-24c5-40b3-96d5-09df1c7f77c7","character_id":null,"markdown":"Motor側だけでなくOutput側にもEncoderを置けば、","render_override":null},{"id":"blk_52824ff2-1ffd-4b55-ba48-489f663f4b9c","kind":"paragraph","order":178,"section_id":"sec_861cb89f-24c5-40b3-96d5-09df1c7f77c7","character_id":null,"markdown":"Reducerの弾性やBacklashを含めた実際のJoint角度まで測定できる。","render_override":null},{"id":"blk_91d6ae8f-105b-4dc5-8cce-ac5cd5b9f87d","kind":"paragraph","order":179,"section_id":"sec_861cb89f-24c5-40b3-96d5-09df1c7f77c7","character_id":null,"markdown":"ヒューマノイドが50～80自由度へ進めば、","render_override":null},{"id":"blk_2244b98f-9430-4ce7-aa94-eb68893b8963","kind":"paragraph","order":180,"section_id":"sec_861cb89f-24c5-40b3-96d5-09df1c7f77c7","character_id":null,"markdown":"Encoderも数十個単位で必要になる。","render_override":null},{"id":"blk_933e0ed9-d273-4fac-8468-3fff6425aad0","kind":"paragraph","order":181,"section_id":"sec_861cb89f-24c5-40b3-96d5-09df1c7f77c7","character_id":null,"markdown":"ここはNovantaなどが重要になる。","render_override":null},{"id":"blk_15df8297-0da6-4d81-83dc-f3eca7eb4739","kind":"figure","order":182,"section_id":"sec_861cb89f-24c5-40b3-96d5-09df1c7f77c7","character_id":null,"markdown":"![](/media/1ab0d47de7f4fff945e51fffa8fe622fc4e2511db5bf942876eef99e8b602029-content.webp)","render_override":null},{"id":"blk_244ecaad-1c3a-4ca3-a01e-32d690ca187a","kind":"thematic_break","order":183,"section_id":"sec_861cb89f-24c5-40b3-96d5-09df1c7f77c7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9d880828-3c3a-46e7-aed7-7aeaf792cbd0","kind":"heading","order":184,"section_id":"sec_ea537d27-af58-42a2-a0dc-46736fd4de57","character_id":null,"markdown":"## 9．Force / Torque Sensor――ロボットを「触れるAI」にする","render_override":null},{"id":"blk_42b41b96-4d16-45aa-94fd-04dab6a02843","kind":"paragraph","order":185,"section_id":"sec_ea537d27-af58-42a2-a0dc-46736fd4de57","character_id":null,"markdown":"位置だけ分かっても、","render_override":null},{"id":"blk_5bc53b7a-2c55-47f4-9d7f-0491b0294901","kind":"paragraph","order":186,"section_id":"sec_ea537d27-af58-42a2-a0dc-46736fd4de57","character_id":null,"markdown":"「どれくらい強く押しているのか」","render_override":null},{"id":"blk_1e3c9f96-15c5-4177-8e5d-a56e32c5540b","kind":"paragraph","order":187,"section_id":"sec_ea537d27-af58-42a2-a0dc-46736fd4de57","character_id":null,"markdown":"が分からなければ、人間と一緒には働けない。","render_override":null},{"id":"blk_56193b89-1c69-45e2-932d-9836f05d3805","kind":"paragraph","order":188,"section_id":"sec_ea537d27-af58-42a2-a0dc-46736fd4de57","character_id":null,"markdown":"そこで、","render_override":null},{"id":"blk_9161f786-19e8-412b-88c7-68fc903aab24","kind":"heading","order":189,"section_id":"sec_d7445e21-eca5-47f6-a66d-a01c3fe5be69","character_id":null,"markdown":"## Force / Torque Sensor","render_override":null},{"id":"blk_56986c00-3dcb-45f4-acdb-571b7917efec","kind":"paragraph","order":190,"section_id":"sec_d7445e21-eca5-47f6-a66d-a01c3fe5be69","character_id":null,"markdown":"が必要になる。","render_override":null},{"id":"blk_34910cd0-aff3-4829-9ce0-5832907c9a7a","kind":"paragraph","order":191,"section_id":"sec_d7445e21-eca5-47f6-a66d-a01c3fe5be69","character_id":null,"markdown":"特に6-axis F/T Sensorなら、","render_override":null},{"id":"blk_36876a67-a10a-4d05-a668-63f7f6b63bca","kind":"paragraph","order":192,"section_id":"sec_d7445e21-eca5-47f6-a66d-a01c3fe5be69","character_id":null,"markdown":"Fx \nFy \nFz \nTx \nTy \nTz","render_override":null},{"id":"blk_c0ebe251-5d7f-47bb-bc0e-a0ea9b57c62b","kind":"paragraph","order":193,"section_id":"sec_d7445e21-eca5-47f6-a66d-a01c3fe5be69","character_id":null,"markdown":"の6方向を同時に測定できる。","render_override":null},{"id":"blk_48ae5cb3-d704-42c2-88c8-c30088a0f6e7","kind":"paragraph","order":194,"section_id":"sec_d7445e21-eca5-47f6-a66d-a01c3fe5be69","character_id":null,"markdown":"Novanta傘下ATIのVaroは、まさにHumanoid limbs、mobile arms、OEM robotics向けに設計された6軸F/T Sensorで、prototypeから量産まで統一されたcalibration/electronics platformを狙っている。([Novanta](https://novanta.com/robotics-automation/products/varo/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_07571de0-683b-46b1-a65f-c8d5edc27b7f","kind":"paragraph","order":195,"section_id":"sec_d7445e21-eca5-47f6-a66d-a01c3fe5be69","character_id":null,"markdown":"Novanta自身も2026年に欧州でhumanoid関連のdesign winを獲得したと説明している。([Novanta](https://novanta.com/news/precision-motion-and-sensing-powering-the-future-of-humanoid-robots/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_3b8a176f-fcc1-4eb6-a52d-cdb91a9b6dc1","kind":"paragraph","order":196,"section_id":"sec_d7445e21-eca5-47f6-a66d-a01c3fe5be69","character_id":null,"markdown":"一方VPGはさらに一段進んでいる。","render_override":null},{"id":"blk_895b6ed8-0e16-44be-83ae-38f19b0498c4","kind":"paragraph","order":197,"section_id":"sec_d7445e21-eca5-47f6-a66d-a01c3fe5be69","character_id":null,"markdown":"2026年第2四半期に、最初のhumanoid customerから正式な**Vendor Nomination Letter**を受領した。","render_override":null},{"id":"blk_6ffb9b4d-ca2c-4588-8e31-bde7ccb559f8","kind":"paragraph","order":198,"section_id":"sec_d7445e21-eca5-47f6-a66d-a01c3fe5be69","character_id":null,"markdown":"2年以上にわたる共同engineering、qualificationなどを経たもので、顧客側は2026年後半からproduction rampを予定している。さらに3社目、4社目にもprototypeを供給している。([The Motley Fool](https://www.fool.com/earnings/call-transcripts/2026/08/12/vishay-precision-group-vpg-q2-2026-earnings-call-transcript/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_f9f31633-0202-4be5-ae4c-d32d049c7a9d","kind":"paragraph","order":199,"section_id":"sec_d7445e21-eca5-47f6-a66d-a01c3fe5be69","character_id":null,"markdown":"これは単なる「ロボット関連銘柄」ではない。","render_override":null},{"id":"blk_e3031b22-91ed-4f8c-8d56-dd49385712e4","kind":"paragraph","order":200,"section_id":"sec_d7445e21-eca5-47f6-a66d-a01c3fe5be69","character_id":null,"markdown":"既に、","render_override":null},{"id":"blk_24578e7e-fb62-4b6a-a5ca-16930fcdb4d8","kind":"paragraph","order":201,"section_id":"sec_d7445e21-eca5-47f6-a66d-a01c3fe5be69","character_id":null,"markdown":"**Prototype** \n↓ \n**Qualification** \n↓ \n**Nomination** \n↓ \n**Production**","render_override":null},{"id":"blk_09a7e84d-60e8-4344-adb2-5a926e622369","kind":"paragraph","order":202,"section_id":"sec_d7445e21-eca5-47f6-a66d-a01c3fe5be69","character_id":null,"markdown":"へ入ろうとしている。","render_override":null},{"id":"blk_12f2f0f1-608b-425c-b91c-93a240a5af88","kind":"figure","order":203,"section_id":"sec_d7445e21-eca5-47f6-a66d-a01c3fe5be69","character_id":null,"markdown":"![](/media/cc2a9d3926572f2335ec77c3789c6166457227b904ad32400136f4de480c718e-content.webp)","render_override":null},{"id":"blk_9da9fb87-d4ba-413b-a877-9fbe24709d0c","kind":"thematic_break","order":204,"section_id":"sec_d7445e21-eca5-47f6-a66d-a01c3fe5be69","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a4d8c0e8-65d3-409e-8aa8-ffe290e8d211","kind":"heading","order":205,"section_id":"sec_70102ee9-1460-49c4-9faf-353f345a4538","character_id":null,"markdown":"## 10．Tactile Sensor――Physical AIの皮膚","render_override":null},{"id":"blk_1354edbc-042f-4014-939c-ebd6ffe47075","kind":"paragraph","order":206,"section_id":"sec_70102ee9-1460-49c4-9faf-353f345a4538","character_id":null,"markdown":"Dexterous Handを本当に人間並みにするには、指の位置だけでは足りない。","render_override":null},{"id":"blk_f1448900-48f9-43d0-b3ee-ca08d9d323f2","kind":"paragraph","order":207,"section_id":"sec_70102ee9-1460-49c4-9faf-353f345a4538","character_id":null,"markdown":"必要なのは、","render_override":null},{"id":"blk_a780624a-816c-46ec-9599-e734384a65cf","kind":"list","order":208,"section_id":"sec_70102ee9-1460-49c4-9faf-353f345a4538","character_id":null,"markdown":"- 圧力\n- 接触位置\n- 滑り\n- 剪断力\n- 温度","render_override":null},{"id":"blk_d946a199-f297-4a83-a1a2-8581e8c9db61","kind":"paragraph","order":209,"section_id":"sec_70102ee9-1460-49c4-9faf-353f345a4538","character_id":null,"markdown":"などを検出するTactile Sensorだ。","render_override":null},{"id":"blk_2f845fb3-b1ef-4548-a58b-a50c6d7e6505","kind":"paragraph","order":210,"section_id":"sec_70102ee9-1460-49c4-9faf-353f345a4538","character_id":null,"markdown":"ここはまだarchitectureが固まっていない。","render_override":null},{"id":"blk_32119530-d297-4035-ae82-af1a816a99d8","kind":"paragraph","order":211,"section_id":"sec_70102ee9-1460-49c4-9faf-353f345a4538","character_id":null,"markdown":"だからこそ非常に面白い。","render_override":null},{"id":"blk_681623b5-a3af-41a6-87b4-7fb4cf09c8a2","kind":"paragraph","order":212,"section_id":"sec_70102ee9-1460-49c4-9faf-353f345a4538","character_id":null,"markdown":"現在市場が小さく、標準部品も少なく、どの方式が勝つのか分からない。","render_override":null},{"id":"blk_7b37b12b-3955-43c2-81bb-0fcfc1e34fba","kind":"paragraph","order":213,"section_id":"sec_70102ee9-1460-49c4-9faf-353f345a4538","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_f77f2365-f248-42c8-a530-b280a09dce3d","kind":"heading","order":214,"section_id":"sec_57c86daf-e538-467b-a680-b16b43182983","character_id":null,"markdown":"## 技術リスクも最大級だが、勝者の上振れも最大級","render_override":null},{"id":"blk_b20d2583-7598-45c1-807a-ea48e6470c38","kind":"paragraph","order":215,"section_id":"sec_57c86daf-e538-467b-a680-b16b43182983","character_id":null,"markdown":"という分野になる。","render_override":null},{"id":"blk_c1c97f92-a0de-41a5-b3ea-bec8e19fe874","kind":"figure","order":216,"section_id":"sec_57c86daf-e538-467b-a680-b16b43182983","character_id":null,"markdown":"![](/media/0baa4259525b5884d2309f8bc6a7abfa2a79b70d24681479dd8daf78b4d11f9e-content.webp)","render_override":null},{"id":"blk_c430ec87-ee2a-4f8d-a405-2ee2b1014415","kind":"thematic_break","order":217,"section_id":"sec_57c86daf-e538-467b-a680-b16b43182983","character_id":null,"markdown":"---","render_override":null},{"id":"blk_91c6d934-c56d-4cce-979a-000da6753094","kind":"heading","order":218,"section_id":"sec_68341871-f92e-475d-9cbe-5136519cc5b1","character_id":null,"markdown":"## 11．Dexterous Hand――一台のロボットの中にもう一台のロボットがある","render_override":null},{"id":"blk_0388959a-22a2-48e9-9194-cc008c2c9db6","kind":"paragraph","order":219,"section_id":"sec_68341871-f92e-475d-9cbe-5136519cc5b1","character_id":null,"markdown":"手はさらに複雑だ。","render_override":null},{"id":"blk_1a9f9fda-35bb-4bba-946b-3a58563ba78f","kind":"paragraph","order":220,"section_id":"sec_68341871-f92e-475d-9cbe-5136519cc5b1","character_id":null,"markdown":"中には、","render_override":null},{"id":"blk_300fff0d-148e-4af5-8482-8615bb7aaad3","kind":"paragraph","order":221,"section_id":"sec_68341871-f92e-475d-9cbe-5136519cc5b1","character_id":null,"markdown":"Micro Motor \nCoreless Motor \nMicro Reducer \nCable/Tendon \nEncoder \nForce Sensor \nTactile Sensor \nDriver IC \nMCU","render_override":null},{"id":"blk_6b9235e7-7aee-4f4d-b226-33feed134f32","kind":"paragraph","order":222,"section_id":"sec_68341871-f92e-475d-9cbe-5136519cc5b1","character_id":null,"markdown":"などが入る。","render_override":null},{"id":"blk_4878b83f-b959-4c18-b131-cd9ea9d8dcc6","kind":"paragraph","order":223,"section_id":"sec_68341871-f92e-475d-9cbe-5136519cc5b1","character_id":null,"markdown":"身体に28個程度の主要Actuatorがあるモデルでも、手まで高度化すると全体のActuation Channelは50～80以上へ増える可能性がある。","render_override":null},{"id":"blk_b1f71916-3173-4fcc-8d43-476c9629131b","kind":"paragraph","order":224,"section_id":"sec_68341871-f92e-475d-9cbe-5136519cc5b1","character_id":null,"markdown":"したがってPhysical AIで重要なのは、","render_override":null},{"id":"blk_75ff798b-0254-443a-a391-14122d59fcdf","kind":"heading","order":225,"section_id":"sec_0e49c475-18a1-4a82-9f03-d72bdb40f5b8","character_id":null,"markdown":"## Robot台数だけではない。","render_override":null},{"id":"blk_8e65dd18-d2f7-4f43-aba5-b4ef422bfeeb","kind":"paragraph","order":226,"section_id":"sec_0e49c475-18a1-4a82-9f03-d72bdb40f5b8","character_id":null,"markdown":"より本質的には、","render_override":null},{"id":"blk_71fc20a7-f507-4e52-8496-d9072b76acf2","kind":"heading","order":227,"section_id":"sec_6c658823-0044-4445-b3cc-0c1d1641dab8","character_id":null,"markdown":"## Robot台数 × DOF × 1DOF当たりBOM","render_override":null},{"id":"blk_d9e3ac87-3552-4f37-9912-75dfbe313da6","kind":"paragraph","order":228,"section_id":"sec_6c658823-0044-4445-b3cc-0c1d1641dab8","character_id":null,"markdown":"である。","render_override":null},{"id":"blk_02cdce61-d4e4-4049-aece-4ac24807dfd6","kind":"paragraph","order":229,"section_id":"sec_6c658823-0044-4445-b3cc-0c1d1641dab8","character_id":null,"markdown":"100万台のロボットが28自由度なら、","render_override":null},{"id":"blk_829fdb4c-55b7-41d3-bd9f-c1053a72a05f","kind":"paragraph","order":230,"section_id":"sec_6c658823-0044-4445-b3cc-0c1d1641dab8","character_id":null,"markdown":"2,800万Joint。","render_override":null},{"id":"blk_892b185a-3e5f-42d4-b63e-eebcfe10ae23","kind":"paragraph","order":231,"section_id":"sec_6c658823-0044-4445-b3cc-0c1d1641dab8","character_id":null,"markdown":"80自由度なら、","render_override":null},{"id":"blk_57a64b13-563a-4568-ab7e-70a0a9b1ee5f","kind":"paragraph","order":232,"section_id":"sec_6c658823-0044-4445-b3cc-0c1d1641dab8","character_id":null,"markdown":"8,000万Joint。","render_override":null},{"id":"blk_19698cb5-b702-4b72-be24-7a9b9c662eea","kind":"paragraph","order":233,"section_id":"sec_6c658823-0044-4445-b3cc-0c1d1641dab8","character_id":null,"markdown":"同じ100万台でも部材需要が3倍近く違う。","render_override":null},{"id":"blk_94842477-ed49-4237-bf6a-e52cad3c00cf","kind":"figure","order":234,"section_id":"sec_6c658823-0044-4445-b3cc-0c1d1641dab8","character_id":null,"markdown":"![](/media/a2de9ed4d082cb1af2e02714554d5c832f2babe3d9b3c0d19074f5ffcb4b41a3-content.webp)","render_override":null},{"id":"blk_5275a4e8-1d69-491c-927b-f5e262d9a4a3","kind":"thematic_break","order":235,"section_id":"sec_6c658823-0044-4445-b3cc-0c1d1641dab8","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9b435a6d-b271-4870-a531-925081c6cb17","kind":"heading","order":236,"section_id":"sec_030fbb96-f127-481b-92c8-21123918803b","character_id":null,"markdown":"## 12．Camera / LiDAR / IMU――目と内耳","render_override":null},{"id":"blk_a6ede0c4-77d0-4574-8f5e-0fca3bc53613","kind":"paragraph","order":237,"section_id":"sec_030fbb96-f127-481b-92c8-21123918803b","character_id":null,"markdown":"Cameraは外界認識の中心。","render_override":null},{"id":"blk_c1f4c1b3-c82e-4de2-9855-8871cda972b3","kind":"paragraph","order":238,"section_id":"sec_030fbb96-f127-481b-92c8-21123918803b","character_id":null,"markdown":"RGB Cameraから、","render_override":null},{"id":"blk_98801645-1902-49ca-a5bd-ceacf3e5be34","kind":"paragraph","order":239,"section_id":"sec_030fbb96-f127-481b-92c8-21123918803b","character_id":null,"markdown":"Object Detection \nPose Estimation \nVLA \nVisual SLAM","render_override":null},{"id":"blk_f1983a97-9072-4130-8a2e-1e04053a4e04","kind":"paragraph","order":240,"section_id":"sec_030fbb96-f127-481b-92c8-21123918803b","character_id":null,"markdown":"などへつなぐ。","render_override":null},{"id":"blk_cf7d8294-506a-4f42-843b-2d2ff6cc0555","kind":"paragraph","order":241,"section_id":"sec_030fbb96-f127-481b-92c8-21123918803b","character_id":null,"markdown":"Depth CameraならStereo、ToF、Structured Lightなどで距離を測る。","render_override":null},{"id":"blk_eea28374-2a78-4ef9-be8a-1d662bda73e9","kind":"paragraph","order":242,"section_id":"sec_030fbb96-f127-481b-92c8-21123918803b","character_id":null,"markdown":"LiDARなら3D Point Cloudを作れる。","render_override":null},{"id":"blk_fe573149-3e51-4cb7-893d-adf361322b1b","kind":"paragraph","order":243,"section_id":"sec_030fbb96-f127-481b-92c8-21123918803b","character_id":null,"markdown":"IMUではAccelerometer＋Gyroscopeから身体の傾きや角速度を把握する。","render_override":null},{"id":"blk_0da33357-7560-48ed-bf40-7362d8c012c3","kind":"paragraph","order":244,"section_id":"sec_030fbb96-f127-481b-92c8-21123918803b","character_id":null,"markdown":"これらは必須だが、投資上は少し事情が違う。","render_override":null},{"id":"blk_d8945505-5ca7-4ff0-8dec-703f7a69f899","kind":"paragraph","order":245,"section_id":"sec_030fbb96-f127-481b-92c8-21123918803b","character_id":null,"markdown":"CameraやIMUは巨大な既存市場があり、supplierも多い。","render_override":null},{"id":"blk_1e6d9b53-db11-4b2c-84f6-1c738a243d5f","kind":"paragraph","order":246,"section_id":"sec_030fbb96-f127-481b-92c8-21123918803b","character_id":null,"markdown":"LiDARもHesai、RoboSense、Ousterなど既に自動車・robotics市場へ展開している。","render_override":null},{"id":"blk_66799f4b-35df-4852-bc66-0bc5b4f0af64","kind":"paragraph","order":247,"section_id":"sec_030fbb96-f127-481b-92c8-21123918803b","character_id":null,"markdown":"したがって、","render_override":null},{"id":"blk_e94ae00a-c70d-4653-8281-bc8e2b25a67b","kind":"quote","order":248,"section_id":"sec_030fbb96-f127-481b-92c8-21123918803b","character_id":null,"markdown":"> **ヒューマノイド100万台だけで会社全体を変えるほどの売上レバレッジ**","render_override":null},{"id":"blk_bed87ca9-be91-4699-9763-47fd4ab4cde2","kind":"paragraph","order":249,"section_id":"sec_030fbb96-f127-481b-92c8-21123918803b","character_id":null,"markdown":"はActuatorやForce Sensorほど大きくない。","render_override":null},{"id":"blk_c4fd1f82-eed8-417a-a834-ab667f4ea246","kind":"figure","order":250,"section_id":"sec_030fbb96-f127-481b-92c8-21123918803b","character_id":null,"markdown":"![](/media/038c9b99852fd34ec206f91db7ce1649e40c98aedda1669b11fce54ca6c59244-content.webp)","render_override":null},{"id":"blk_21b53d65-ea8a-404b-8b52-3a0bc6388111","kind":"thematic_break","order":251,"section_id":"sec_030fbb96-f127-481b-92c8-21123918803b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_0e9f835d-7214-4bdc-934a-039ceb36c7b1","kind":"heading","order":252,"section_id":"sec_86d3507f-77f7-4139-b499-c5979bfbe040","character_id":null,"markdown":"## 13．GPU / AI SoC――脳だが、数量は少ない","render_override":null},{"id":"blk_5b016028-8370-442c-b35f-4893434264cf","kind":"paragraph","order":253,"section_id":"sec_86d3507f-77f7-4139-b499-c5979bfbe040","character_id":null,"markdown":"Central AI Computerでは、","render_override":null},{"id":"blk_f2976bd8-47c6-445d-8c7a-93f3181d4a4c","kind":"paragraph","order":254,"section_id":"sec_86d3507f-77f7-4139-b499-c5979bfbe040","character_id":null,"markdown":"GPU \nNPU \nCPU \nDRAM \nStorage","render_override":null},{"id":"blk_2b595f91-ac84-4641-bb7a-0120c6abaa16","kind":"paragraph","order":255,"section_id":"sec_86d3507f-77f7-4139-b499-c5979bfbe040","character_id":null,"markdown":"が必要になる。","render_override":null},{"id":"blk_ec13bef4-2416-449a-ae31-09057d2ee14f","kind":"paragraph","order":256,"section_id":"sec_86d3507f-77f7-4139-b499-c5979bfbe040","character_id":null,"markdown":"しかし一台のロボットにAI SoCは通常1～数個。","render_override":null},{"id":"blk_79e5bd2c-b9a8-46a5-8db4-7208137e885f","kind":"paragraph","order":257,"section_id":"sec_86d3507f-77f7-4139-b499-c5979bfbe040","character_id":null,"markdown":"一方、","render_override":null},{"id":"blk_2a19e141-497e-444b-87ba-3a293f4d13db","kind":"paragraph","order":258,"section_id":"sec_86d3507f-77f7-4139-b499-c5979bfbe040","character_id":null,"markdown":"MotorやEncoderは数十個。","render_override":null},{"id":"blk_cd4d7513-f3c3-44cd-8e4a-f35b86086c2f","kind":"paragraph","order":259,"section_id":"sec_86d3507f-77f7-4139-b499-c5979bfbe040","character_id":null,"markdown":"だからPhysical AIでNVIDIAが重要でないという話ではない。","render_override":null},{"id":"blk_3e95651a-e1bd-491e-81be-bd9136bfaefa","kind":"paragraph","order":260,"section_id":"sec_86d3507f-77f7-4139-b499-c5979bfbe040","character_id":null,"markdown":"むしろRobot Foundation Modelのtrainingやsimulationまで含めればNVIDIAの役割は巨大である。","render_override":null},{"id":"blk_f0c402fa-c362-4a89-8d1b-4af10a81925f","kind":"paragraph","order":261,"section_id":"sec_86d3507f-77f7-4139-b499-c5979bfbe040","character_id":null,"markdown":"ただし、","render_override":null},{"id":"blk_e545e5d9-6027-48c2-ae65-bce15d3f5284","kind":"heading","order":262,"section_id":"sec_bee3f532-d72c-4ed1-ba54-2826de49be01","character_id":null,"markdown":"## 「ヒューマノイド本体BOMへの数量レバレッジ」","render_override":null},{"id":"blk_7773e00c-80ae-47aa-8997-41465cac9678","kind":"paragraph","order":263,"section_id":"sec_bee3f532-d72c-4ed1-ba54-2826de49be01","character_id":null,"markdown":"ではJoint関連企業の方が大きい。","render_override":null},{"id":"blk_902c8072-5412-49d7-9304-cddd6be99365","kind":"figure","order":264,"section_id":"sec_bee3f532-d72c-4ed1-ba54-2826de49be01","character_id":null,"markdown":"![](/media/ce5955a5e3759fcf7978e6f82a159b3acf71950ad30df5a0bc2c88fdbec3cfe1-content.webp)","render_override":null},{"id":"blk_7d16dc35-0be4-4e17-a009-3dd8c112ed31","kind":"thematic_break","order":265,"section_id":"sec_bee3f532-d72c-4ed1-ba54-2826de49be01","character_id":null,"markdown":"---","render_override":null},{"id":"blk_794f5a1d-230e-476f-8e23-9496edb61763","kind":"heading","order":266,"section_id":"sec_c21bfbdd-d61b-4815-a137-c6bfc75579c1","character_id":null,"markdown":"## 14．MCU / Motor Driver / MOSFET / GaN――身体中に散らばる小脳","render_override":null},{"id":"blk_108612e6-cf3f-48a0-bff5-1f240cda8e63","kind":"paragraph","order":267,"section_id":"sec_c21bfbdd-d61b-4815-a137-c6bfc75579c1","character_id":null,"markdown":"Central GPUが全Motorを直接μ秒単位で制御するわけではない。","render_override":null},{"id":"blk_a4053b04-7f78-4ddf-ac84-eac0a1fbc9de","kind":"paragraph","order":268,"section_id":"sec_c21bfbdd-d61b-4815-a137-c6bfc75579c1","character_id":null,"markdown":"各Joint付近にMCUを置き、","render_override":null},{"id":"blk_a729562d-3b18-424f-9ba4-097fbd60a5ca","kind":"paragraph","order":269,"section_id":"sec_c21bfbdd-d61b-4815-a137-c6bfc75579c1","character_id":null,"markdown":"Encoder \n↓ \nCurrent Sensor \n↓ \nTorque calculation \n↓ \nPWM \n↓ \nMotor Driver","render_override":null},{"id":"blk_64a2b105-e33c-4f8e-acc3-145c356d81d3","kind":"paragraph","order":270,"section_id":"sec_c21bfbdd-d61b-4815-a137-c6bfc75579c1","character_id":null,"markdown":"というlocal feedback loopを回す。","render_override":null},{"id":"blk_1e4ee717-8add-4912-b7e7-19c9cac1192a","kind":"paragraph","order":271,"section_id":"sec_c21bfbdd-d61b-4815-a137-c6bfc75579c1","character_id":null,"markdown":"そのため一台に数十個の、","render_override":null},{"id":"blk_a82ae876-23a4-42c5-9510-d499004a5b49","kind":"list","order":272,"section_id":"sec_c21bfbdd-d61b-4815-a137-c6bfc75579c1","character_id":null,"markdown":"- MCU\n- Gate Driver\n- MOSFET\n- Current Sensor","render_override":null},{"id":"blk_e9b877a6-17a8-403f-a12d-be3a4379b325","kind":"paragraph","order":273,"section_id":"sec_c21bfbdd-d61b-4815-a137-c6bfc75579c1","character_id":null,"markdown":"が使われる可能性がある。","render_override":null},{"id":"blk_40df5008-17c9-40a0-b71e-2c3176005399","kind":"paragraph","order":274,"section_id":"sec_c21bfbdd-d61b-4815-a137-c6bfc75579c1","character_id":null,"markdown":"これは数量的には非常に大きい。","render_override":null},{"id":"blk_4dd99ef4-254e-4b9a-8ea8-fbebabeb3e77","kind":"paragraph","order":275,"section_id":"sec_c21bfbdd-d61b-4815-a137-c6bfc75579c1","character_id":null,"markdown":"ただしInfineon、TI、ST、NXPなどの会社全体が既に巨大なので、","render_override":null},{"id":"blk_fc3548c0-3874-4753-9dc0-0f16d8a4cf61","kind":"paragraph","order":276,"section_id":"sec_c21bfbdd-d61b-4815-a137-c6bfc75579c1","character_id":null,"markdown":"100万台程度では全社業績への寄与率はそれほど大きくない。","render_override":null},{"id":"blk_bf6df2c7-47b3-4650-8f04-252d8782ec71","kind":"figure","order":277,"section_id":"sec_c21bfbdd-d61b-4815-a137-c6bfc75579c1","character_id":null,"markdown":"![](/media/58dd7cc520d58e9da76839c26cd352cfaacdedf105ee453a7f1c2a1c01a32b9e-content.webp)","render_override":null},{"id":"blk_102ebdae-c9b2-4b6d-b236-fedfb8d6229d","kind":"thematic_break","order":278,"section_id":"sec_c21bfbdd-d61b-4815-a137-c6bfc75579c1","character_id":null,"markdown":"---","render_override":null},{"id":"blk_fd05133c-69a8-425c-853f-b4423e082c5a","kind":"heading","order":279,"section_id":"sec_334e59b6-b44b-4fab-9288-c39e5246ffc8","character_id":null,"markdown":"## 15．Battery / BMS / DC-DC","render_override":null},{"id":"blk_c500bdd8-1dcd-4a21-aaef-2b22ad376d78","kind":"paragraph","order":280,"section_id":"sec_334e59b6-b44b-4fab-9288-c39e5246ffc8","character_id":null,"markdown":"Physical AIでは、","render_override":null},{"id":"blk_4d10552b-57bb-4915-98d9-364c62d2d9c0","kind":"paragraph","order":281,"section_id":"sec_334e59b6-b44b-4fab-9288-c39e5246ffc8","character_id":null,"markdown":"軽い \n長時間動く \n高出力 \n安全","render_override":null},{"id":"blk_1ff11411-a9e9-4841-9f7a-f062be7b0dbe","kind":"paragraph","order":282,"section_id":"sec_334e59b6-b44b-4fab-9288-c39e5246ffc8","character_id":null,"markdown":"を同時に満たす必要がある。","render_override":null},{"id":"blk_1c97dcd0-51b6-4c8f-aef3-01c3abc73922","kind":"paragraph","order":283,"section_id":"sec_334e59b6-b44b-4fab-9288-c39e5246ffc8","character_id":null,"markdown":"Battery Packの中には、","render_override":null},{"id":"blk_996a9aa5-1fdc-467e-8107-ec50c985c2a9","kind":"paragraph","order":284,"section_id":"sec_334e59b6-b44b-4fab-9288-c39e5246ffc8","character_id":null,"markdown":"Cell \nBMS \nContactor \nFuse \nCurrent Sensor \nTemperature Sensor","render_override":null},{"id":"blk_3b3361f0-db8c-4556-84de-de6e574594f3","kind":"paragraph","order":285,"section_id":"sec_334e59b6-b44b-4fab-9288-c39e5246ffc8","character_id":null,"markdown":"などが存在する。","render_override":null},{"id":"blk_f98552ad-d640-4b51-9811-98a6db4ba354","kind":"paragraph","order":286,"section_id":"sec_334e59b6-b44b-4fab-9288-c39e5246ffc8","character_id":null,"markdown":"さらに48VなどのBattery Busから、","render_override":null},{"id":"blk_9674738f-ab49-4041-8de6-47befcf062d1","kind":"paragraph","order":287,"section_id":"sec_334e59b6-b44b-4fab-9288-c39e5246ffc8","character_id":null,"markdown":"24V \n12V \n5V \n3.3V \n1V前後","render_override":null},{"id":"blk_eaa9cfda-8466-478b-9758-82d11c130bf6","kind":"paragraph","order":288,"section_id":"sec_334e59b6-b44b-4fab-9288-c39e5246ffc8","character_id":null,"markdown":"まで複数のVoltage Railへ変換する。","render_override":null},{"id":"blk_eb0bacc5-4e91-4022-af1d-19e7c260554d","kind":"paragraph","order":289,"section_id":"sec_334e59b6-b44b-4fab-9288-c39e5246ffc8","character_id":null,"markdown":"ただしBatteryも既に巨大市場である。","render_override":null},{"id":"blk_a178458b-3468-4d42-bdb6-603976c7ae98","kind":"paragraph","order":290,"section_id":"sec_334e59b6-b44b-4fab-9288-c39e5246ffc8","character_id":null,"markdown":"CATLやLG Energy Solutionにとって、ヒューマノイド100万台だけで会社が変わるわけではない。","render_override":null},{"id":"blk_c2a771d6-1d30-4613-8209-dcdd83b58e7a","kind":"figure","order":291,"section_id":"sec_334e59b6-b44b-4fab-9288-c39e5246ffc8","character_id":null,"markdown":"![](/media/daed4c4b15f4daa2ac8b371eb2bc443e107b5df8755fc95e64b69b36ca075cc2-content.webp)","render_override":null},{"id":"blk_51636dcd-ab52-4cf2-8d84-919fa68e4526","kind":"thematic_break","order":292,"section_id":"sec_334e59b6-b44b-4fab-9288-c39e5246ffc8","character_id":null,"markdown":"---","render_override":null},{"id":"blk_684435ad-946a-4724-a3f0-4196bc76f282","kind":"heading","order":293,"section_id":"sec_fcdf7ab4-dfdd-4d5f-b163-f3e745f1d358","character_id":null,"markdown":"## 16．Cooling――Torque Densityの裏側","render_override":null},{"id":"blk_e22f41e1-a04b-49ca-800f-128ab9773077","kind":"paragraph","order":294,"section_id":"sec_fcdf7ab4-dfdd-4d5f-b163-f3e745f1d358","character_id":null,"markdown":"Motorを小さくして強くすると、","render_override":null},{"id":"blk_4b642365-80c3-4ef7-9317-6ddf749adc34","kind":"paragraph","order":295,"section_id":"sec_fcdf7ab4-dfdd-4d5f-b163-f3e745f1d358","character_id":null,"markdown":"発熱密度が上がる。","render_override":null},{"id":"blk_1d9c34bb-8b44-4af3-8436-3957b2b45737","kind":"paragraph","order":296,"section_id":"sec_fcdf7ab4-dfdd-4d5f-b163-f3e745f1d358","character_id":null,"markdown":"AI SoCも発熱する。","render_override":null},{"id":"blk_367da18a-f423-4453-b60f-e0c2eb433f4a","kind":"paragraph","order":297,"section_id":"sec_fcdf7ab4-dfdd-4d5f-b163-f3e745f1d358","character_id":null,"markdown":"Power Semiconductorも発熱する。","render_override":null},{"id":"blk_a78d148e-e2e6-46eb-a54b-7d0c87b5a57a","kind":"paragraph","order":298,"section_id":"sec_fcdf7ab4-dfdd-4d5f-b163-f3e745f1d358","character_id":null,"markdown":"つまりPhysical AIの高性能化は、","render_override":null},{"id":"blk_99b9d4cb-ad3f-4d0c-a718-627091287bd9","kind":"heading","order":299,"section_id":"sec_eb006e78-44bc-44f6-9cee-e2bf4a36ca0b","character_id":null,"markdown":"## Thermal Engineering","render_override":null},{"id":"blk_f83fc454-21e0-49dc-b7fd-8ab4b9350ac3","kind":"paragraph","order":300,"section_id":"sec_eb006e78-44bc-44f6-9cee-e2bf4a36ca0b","character_id":null,"markdown":"と不可分である。","render_override":null},{"id":"blk_16a03a85-e637-48ae-be4d-f1ae830e88b7","kind":"paragraph","order":301,"section_id":"sec_eb006e78-44bc-44f6-9cee-e2bf4a36ca0b","character_id":null,"markdown":"THKのFREDでForced-Air CoolingをJointへ統合しているのは象徴的だ。([THK](https://www.thk.com/jp/ja/journal/products/article-02072025-1.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_ada4c715-6bb6-4e16-989f-4c5ff1e75983","kind":"paragraph","order":302,"section_id":"sec_eb006e78-44bc-44f6-9cee-e2bf4a36ca0b","character_id":null,"markdown":"将来的には、","render_override":null},{"id":"blk_be15c7d6-a9f9-4b06-baea-acc5e5602992","kind":"list","order":303,"section_id":"sec_eb006e78-44bc-44f6-9cee-e2bf4a36ca0b","character_id":null,"markdown":"- Heat Sink\n- Heat Pipe\n- Vapor Chamber\n- TIM\n- Micro Fan\n- Liquid Cooling","render_override":null},{"id":"blk_d696bfc6-9e29-4dce-bdc0-51bb800cd703","kind":"paragraph","order":304,"section_id":"sec_eb006e78-44bc-44f6-9cee-e2bf4a36ca0b","character_id":null,"markdown":"なども重要になる可能性がある。","render_override":null},{"id":"blk_524e8d64-504e-4616-8f36-9f9a98aee4d9","kind":"figure","order":305,"section_id":"sec_eb006e78-44bc-44f6-9cee-e2bf4a36ca0b","character_id":null,"markdown":"![](/media/50f2be7cf8e6d269cf63bfba173dbe97b2e0e1079152b6b602406d74d45ff380-content.webp)","render_override":null},{"id":"blk_10f1416d-077f-4181-9cb8-062348f6947e","kind":"thematic_break","order":306,"section_id":"sec_eb006e78-44bc-44f6-9cee-e2bf4a36ca0b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_79c01859-69de-49b6-a410-3c36ac3b02d4","kind":"heading","order":307,"section_id":"sec_9315eced-e066-4348-91d3-7544ec52b546","character_id":null,"markdown":"## 17．Skeleton / Housing――軽量化はモーター容量を減らす","render_override":null},{"id":"blk_9f2ac871-e1b7-4acd-ace3-41dab5513420","kind":"paragraph","order":308,"section_id":"sec_9315eced-e066-4348-91d3-7544ec52b546","character_id":null,"markdown":"ロボットは、","render_override":null},{"id":"blk_885b9849-8df9-4a12-aae3-edbd7320c7f0","kind":"paragraph","order":309,"section_id":"sec_9315eced-e066-4348-91d3-7544ec52b546","character_id":null,"markdown":"「強い材料を使えばよい」","render_override":null},{"id":"blk_5c23ab1c-8c7a-4773-b78f-bddbce14f504","kind":"paragraph","order":310,"section_id":"sec_9315eced-e066-4348-91d3-7544ec52b546","character_id":null,"markdown":"わけではない。","render_override":null},{"id":"blk_2ce61b66-782c-41f1-85f1-d8ad946383bf","kind":"paragraph","order":311,"section_id":"sec_9315eced-e066-4348-91d3-7544ec52b546","character_id":null,"markdown":"1kg重くなる \n↓ \n必要Torqueが増える \n↓ \nMotorが大きくなる \n↓ \nBatteryが増える \n↓ \nさらに重くなる","render_override":null},{"id":"blk_46f1bf60-91f6-4d3b-b00c-5c3240a18c99","kind":"paragraph","order":312,"section_id":"sec_9315eced-e066-4348-91d3-7544ec52b546","character_id":null,"markdown":"という悪循環が起きる。","render_override":null},{"id":"blk_9082ad35-25e7-4efb-bf79-761ba53efc6c","kind":"paragraph","order":313,"section_id":"sec_9315eced-e066-4348-91d3-7544ec52b546","character_id":null,"markdown":"そこで、","render_override":null},{"id":"blk_6ddf12d9-4b78-4b62-aa9f-3b8845e6b7e9","kind":"list","order":314,"section_id":"sec_9315eced-e066-4348-91d3-7544ec52b546","character_id":null,"markdown":"- Aluminum\n- Magnesium\n- Titanium\n- High-strength steel\n- CFRP\n- Engineering plastics","render_override":null},{"id":"blk_c422d6bd-df85-4b1c-acd2-62a9ea51d99d","kind":"paragraph","order":315,"section_id":"sec_9315eced-e066-4348-91d3-7544ec52b546","character_id":null,"markdown":"などを使い分ける。","render_override":null},{"id":"blk_3a7df9a5-47c8-4f7d-a832-c4432eae4ebd","kind":"paragraph","order":316,"section_id":"sec_9315eced-e066-4348-91d3-7544ec52b546","character_id":null,"markdown":"ここでは自動車産業の、","render_override":null},{"id":"blk_086d8ddb-9310-46a2-b37f-f19bca8a9e82","kind":"paragraph","order":317,"section_id":"sec_9315eced-e066-4348-91d3-7544ec52b546","character_id":null,"markdown":"**軽量化** \n**Die Casting** \n**Forging** \n**Thermal Management** \n**量産品質管理**","render_override":null},{"id":"blk_78cf7f86-2143-4a5b-9e29-d9c67427ae99","kind":"paragraph","order":318,"section_id":"sec_9315eced-e066-4348-91d3-7544ec52b546","character_id":null,"markdown":"がそのままPhysical AIへ移植できる。","render_override":null},{"id":"blk_6ddf0337-cee6-4721-918f-33dfba5e5c14","kind":"paragraph","order":319,"section_id":"sec_9315eced-e066-4348-91d3-7544ec52b546","character_id":null,"markdown":"Tuopuのような自動車Tier1が注目される理由の一つである。","render_override":null},{"id":"blk_02ef8a2d-028d-4d88-8eb4-9b61c237b090","kind":"figure","order":320,"section_id":"sec_9315eced-e066-4348-91d3-7544ec52b546","character_id":null,"markdown":"![](/media/a836ab03bdaac3e8aa8caf3c4b8b85200e8145663b1e9ed6225bc58ed93eacba-content.webp)","render_override":null},{"id":"blk_b57ac956-3b63-4224-8c7c-04c66749dfc9","kind":"thematic_break","order":321,"section_id":"sec_9315eced-e066-4348-91d3-7544ec52b546","character_id":null,"markdown":"---","render_override":null},{"id":"blk_06f4d347-60fd-4bef-b468-ffcb0b20a223","kind":"heading","order":322,"section_id":"sec_d1ab9d1d-e540-4591-96d3-62a7ac0be446","character_id":null,"markdown":"## 18．Physical AI全BOM巨大表","render_override":null},{"id":"blk_6a2adccf-91f5-4f37-997d-76be1d2f78b0","kind":"paragraph","order":323,"section_id":"sec_d1ab9d1d-e540-4591-96d3-62a7ac0be446","character_id":null,"markdown":"ここから数量化する。","render_override":null},{"id":"blk_b16e15de-9001-49d0-a57a-d95e0c31459b","kind":"paragraph","order":324,"section_id":"sec_d1ab9d1d-e540-4591-96d3-62a7ac0be446","character_id":null,"markdown":"以下は市場予想そのものではなく、比較のための**筆者Base Case**である。","render_override":null},{"id":"blk_ddcd9536-d11b-44a0-b8bf-6c224a10f309","kind":"paragraph","order":325,"section_id":"sec_d1ab9d1d-e540-4591-96d3-62a7ac0be446","character_id":null,"markdown":"100万台時を量産ASPの基準とし、","render_override":null},{"id":"blk_48eb1666-0ce9-4071-b704-d5d77a04fe91","kind":"list","order":326,"section_id":"sec_d1ab9d1d-e540-4591-96d3-62a7ac0be446","character_id":null,"markdown":"- 100万台：ASP 100％\n- 300万台：ASP 90％\n- 1,000万台：ASP 75％","render_override":null},{"id":"blk_f1cde5fe-3422-4dc9-9241-b9553efc5f86","kind":"paragraph","order":327,"section_id":"sec_d1ab9d1d-e540-4591-96d3-62a7ac0be446","character_id":null,"markdown":"までcost-downすると仮定する。","render_override":null},{"id":"blk_8d43ed18-e804-4fc5-959f-5913a8b801d0","kind":"paragraph","order":328,"section_id":"sec_d1ab9d1d-e540-4591-96d3-62a7ac0be446","character_id":null,"markdown":"なおIntegrated ActuatorやNdFeBは下位部品と重複するため、総BOM合計では二重計上しない。","render_override":null},{"id":"blk_3a20e832-8a8b-46f0-a227-b853eabd976e","kind":"math","order":329,"section_id":"sec_d1ab9d1d-e540-4591-96d3-62a7ac0be446","character_id":null,"markdown":"$$\n\\begin{array}{|l|l|c|c|c|c|c|c|l|c|c|c|l|}\n\\text{分野}&\\text{部材・機能}&\\text{搭載数/台}&\\text{ASP USD}&\\text{USD/台}&\\text{TAM：100万台}&\\text{TAM：300万台}&\\text{TAM：1,000万台}&\\text{主要供給候補}&\\text{技術難度}&\\text{供給集中}&\\text{Design Win確度}&\\text{100万台×10％シェア時の代表企業売上レバレッジ}\\cr\\hline\n\\text{Actuation}&\\text{Body Frameless Motor}&\\text{28}&\\text{USD 45}&\\text{USD 1,260}&\\text{USD 1.26B}&\\text{USD 3.40B}&\\text{USD 9.45B}&\\text{Leadshine / Nidec / Allient / Inovance}&\\text{3.5}&\\text{3}&\\text{Leadshine 5}&\\text{Leadshine +40％超}\\cr\\hline\n\\text{Actuation}&\\text{Hand Micro Motor}&\\text{50}&\\text{USD 8}&\\text{USD 400}&\\text{USD 0.40B}&\\text{USD 1.08B}&\\text{USD 3.00B}&\\text{Zhaowei / Nidec / Maxon}&\\text{4}&\\text{3.5}&\\text{2～3}&\\text{Zhaowei +10％超}\\cr\\hline\n\\text{Actuation}&\\text{Strain-wave Reducer}&\\text{9}&\\text{USD 90}&\\text{USD 810}&\\text{USD 0.81B}&\\text{USD 2.19B}&\\text{USD 6.08B}&\\text{Harmonic Drive / LeaderDrive}&\\text{5}&\\text{5}&\\text{4}&\\text{HDS +20％級}\\cr\\hline\n\\text{Actuation}&\\text{Cycloidal Reducer}&\\text{3}&\\text{USD 130}&\\text{USD 390}&\\text{USD 0.39B}&\\text{USD 1.05B}&\\text{USD 2.93B}&\\text{Nabtesco / THK / Schaeffler}&\\text{4.5}&\\text{3.5}&\\text{2～4}&\\text{中}\\cr\\hline\n\\text{Actuation}&\\text{Planetary Reducer}&\\text{2}&\\text{USD 45}&\\text{USD 90}&\\text{USD 0.09B}&\\text{USD 0.24B}&\\text{USD 0.68B}&\\text{Wittenstein / Neugart等}&\\text{3.5}&\\text{3}&\\text{2}&\\text{小}\\cr\\hline\n\\text{Linear}&\\text{Planetary Roller Screw}&\\text{8}&\\text{USD 180}&\\text{USD 1,440}&\\text{USD 1.44B}&\\text{USD 3.89B}&\\text{USD 10.8B}&\\text{SKF / Schaeffler / 中国精密勢}&\\text{5}&\\text{5}&\\text{3～4}&\\text{極めて大}\\cr\\hline\n\\text{Linear}&\\text{Ball Screw}&\\text{6}&\\text{USD 110}&\\text{USD 660}&\\text{USD 0.66B}&\\text{USD 1.78B}&\\text{USD 4.95B}&\\text{THK / Hiwin / NSK}&\\text{4.5}&\\text{4}&\\text{2～3}&\\text{Hiwin約+8％}\\cr\\hline\n\\text{Linear}&\\text{Linear Guide}&\\text{14}&\\text{USD 35}&\\text{USD 490}&\\text{USD 0.49B}&\\text{USD 1.32B}&\\text{USD 3.68B}&\\text{THK / Hiwin}&\\text{4}&\\text{3.5}&\\text{2～3}&\\text{THK数％}\\cr\\hline\n\\text{Mechanical}&\\text{Precision Bearing}&\\text{100+}&\\text{—}&\\text{USD 774}&\\text{USD 0.77B}&\\text{USD 2.09B}&\\text{USD 5.81B}&\\text{Schaeffler / SKF / NSK}&\\text{4}&\\text{3}&\\text{3～5}&\\text{小}\\cr\\hline\n\\text{Sensing}&\\text{Encoder}&\\text{50～80}&\\text{—}&\\text{USD 760}&\\text{USD 0.76B}&\\text{USD 2.05B}&\\text{USD 5.70B}&\\text{Novanta / Heidenhain}&\\text{4}&\\text{3}&\\text{3～4}&\\text{Novanta約+7％}\\cr\\hline\n\\text{Sensing}&\\text{1D Force/Torque}&\\text{28}&\\text{USD 25}&\\text{USD 700}&\\text{USD 0.70B}&\\text{USD 1.89B}&\\text{USD 5.25B}&\\text{VPG等}&\\text{5}&\\text{4.5}&\\text{5}&\\text{VPG約+21％}\\cr\\hline\n\\text{Sensing}&\\text{6-axis F/T}&\\text{4}&\\text{USD 100}&\\text{USD 400}&\\text{USD 0.40B}&\\text{USD 1.08B}&\\text{USD 3.00B}&\\text{Novanta/ATI / OnRobot}&\\text{5}&\\text{5}&\\text{4}&\\text{Novanta約+4％}\\cr\\hline\n\\text{Sensing}&\\text{Tactile / e-skin}&\\text{多数}&\\text{—}&\\text{USD 200}&\\text{USD 0.20B}&\\text{USD 0.54B}&\\text{USD 1.50B}&\\text{Startup / sensor勢}&\\text{5}&\\text{4.5}&\\text{1～3}&\\text{潜在的に大}\\cr\\hline\n\\text{Perception}&\\text{RGB Camera}&\\text{6}&\\text{USD 35}&\\text{USD 210}&\\text{USD 0.21B}&\\text{USD 0.57B}&\\text{USD 1.58B}&\\text{Sony / OmniVision}&\\text{3}&\\text{2}&\\text{5}&\\text{小}\\cr\\hline\n\\text{Perception}&\\text{Depth / ToF}&\\text{2}&\\text{USD 45}&\\text{USD 90}&\\text{USD 0.09B}&\\text{USD 0.24B}&\\text{USD 0.68B}&\\text{Sony / ST / Orbbec}&\\text{3.5}&\\text{2.5}&\\text{4}&\\text{小}\\cr\\hline\n\\text{Perception}&\\text{LiDAR}&\\text{0～1}&\\text{—}&\\text{USD 90平均}&\\text{USD 0.09B}&\\text{USD 0.24B}&\\text{USD 0.68B}&\\text{Hesai / RoboSense / Ouster}&\\text{4}&\\text{2.5}&\\text{4}&\\text{数％以下}\\cr\\hline\n\\text{Sensing}&\\text{IMU}&\\text{2}&\\text{USD 15}&\\text{USD 30}&\\text{USD 0.03B}&\\text{USD 0.08B}&\\text{USD 0.23B}&\\text{TDK / Bosch / ST}&\\text{4}&\\text{2}&\\text{5}&\\text{小}\\cr\\hline\n\\text{Compute}&\\text{Central AI Compute}&\\text{1}&\\text{USD 750}&\\text{USD 750}&\\text{USD 0.75B}&\\text{USD 2.03B}&\\text{USD 5.63B}&\\text{NVIDIA / Qualcomm / ASIC}&\\text{5}&\\text{3.5}&\\text{5}&\\text{NVIDIA全社では極小}\\cr\\hline\n\\text{Compute}&\\text{Joint MCU}&\\text{30}&\\text{USD 3}&\\text{USD 90}&\\text{USD 0.09B}&\\text{USD 0.24B}&\\text{USD 0.68B}&\\text{NXP / Infineon / ST}&\\text{3.5}&\\text{2}&\\text{4}&\\text{小}\\cr\\hline\n\\text{Power}&\\text{Motor Driver/MOSFET/GaN}&\\text{50～80}&\\text{—}&\\text{USD 546}&\\text{USD 0.55B}&\\text{USD 1.47B}&\\text{USD 4.10B}&\\text{Infineon / TI / ST}&\\text{4}&\\text{2.5}&\\text{4}&\\text{小}\\cr\\hline\n\\text{Memory}&\\text{LPDDR}&\\text{1式}&\\text{—}&\\text{USD 200}&\\text{USD 0.20B}&\\text{USD 0.54B}&\\text{USD 1.50B}&\\text{Samsung / SK hynix / Micron}&\\text{4}&\\text{2.5}&\\text{5}&\\text{小}\\cr\\hline\n\\text{Storage}&\\text{NAND/UFS}&\\text{1式}&\\text{—}&\\text{USD 50}&\\text{USD 0.05B}&\\text{USD 0.14B}&\\text{USD 0.38B}&\\text{Samsung / Kioxia / Micron}&\\text{3}&\\text{2}&\\text{5}&\\text{小}\\cr\\hline\n\\text{Power}&\\text{PMIC/DC-DC/ADC}&\\text{1式}&\\text{—}&\\text{USD 250}&\\text{USD 0.25B}&\\text{USD 0.68B}&\\text{USD 1.88B}&\\text{TI / ADI / Infineon}&\\text{4}&\\text{2}&\\text{5}&\\text{小}\\cr\\hline\n\\text{Network}&\\text{CAN/EtherCAT/Ethernet}&\\text{1式}&\\text{—}&\\text{USD 100}&\\text{USD 0.10B}&\\text{USD 0.27B}&\\text{USD 0.75B}&\\text{NXP / TI / Broadcom}&\\text{4}&\\text{2}&\\text{4}&\\text{小}\\cr\\hline\n\\text{Power}&\\text{Battery Pack}&\\text{1}&\\text{USD 550}&\\text{USD 550}&\\text{USD 0.55B}&\\text{USD 1.49B}&\\text{USD 4.13B}&\\text{CATL / LGES / Samsung SDI}&\\text{3}&\\text{1.5}&\\text{5}&\\text{小}\\cr\\hline\n\\text{Power}&\\text{BMS}&\\text{1}&\\text{USD 100}&\\text{USD 100}&\\text{USD 0.10B}&\\text{USD 0.27B}&\\text{USD 0.75B}&\\text{TI / NXP / ADI}&\\text{4}&\\text{2}&\\text{5}&\\text{小}\\cr\\hline\n\\text{Structure}&\\text{Skeleton / Lightweight}&\\text{一式}&\\text{—}&\\text{USD 700}&\\text{USD 0.70B}&\\text{USD 1.89B}&\\text{USD 5.25B}&\\text{Minth / Composite勢}&\\text{2.5}&\\text{2}&\\text{2～3}&\\text{中}\\cr\\hline\n\\text{Structure}&\\text{Housing/Casting}&\\text{一式}&\\text{—}&\\text{USD 500}&\\text{USD 0.50B}&\\text{USD 1.35B}&\\text{USD 3.75B}&\\text{Tuopu / Minth等}&\\text{3}&\\text{2}&\\text{3}&\\text{中}\\cr\\hline\n\\text{Thermal}&\\text{Cooling/TIM/Heat pipe}&\\text{一式}&\\text{—}&\\text{USD 300}&\\text{USD 0.30B}&\\text{USD 0.81B}&\\text{USD 2.25B}&\\text{Delta / Auras / Sunon}&\\text{4}&\\text{2.5}&\\text{2～3}&\\text{中}\\cr\\hline\n\\text{Wiring}&\\text{Connector/FPC/Harness}&\\text{一式}&\\text{—}&\\text{USD 350}&\\text{USD 0.35B}&\\text{USD 0.95B}&\\text{USD 2.63B}&\\text{Amphenol / TE / Molex}&\\text{3}&\\text{2}&\\text{4}&\\text{小}\\cr\\hline\n\\text{Hands}&\\text{Hand mechanics/Tendon}&\\text{一式}&\\text{—}&\\text{USD 500}&\\text{USD 0.50B}&\\text{USD 1.35B}&\\text{USD 3.75B}&\\text{Robot OEM / specialist}&\\text{4.5}&\\text{3.5}&\\text{2}&\\text{大}\\cr\\hline\n\\text{材料※}&\\text{NdFeB Magnet}&\\text{Motor内}&\\text{—}&\\text{USD 300相当}&\\text{USD 0.30B}&\\text{USD 0.81B}&\\text{USD 2.25B}&\\text{JL MAG等}&\\text{3.5}&\\text{5}&\\text{—}&\\text{中}\\cr\\hline\n\\text{統合※}&\\text{System-on-Joint}&\\text{28}&\\text{USD 250}&\\text{USD 7,000}&\\text{USD 7.0B}&\\text{USD 18.9B}&\\text{USD 52.5B}&\\text{Leadshine / Tuopu / Inovance / Schaeffler}&\\text{5}&\\text{4.5}&\\text{3～5}&\\text{最大級}\\cr\\hline\n\\end{array}\n$$","render_override":null},{"id":"blk_94c59463-90d2-4f36-81c1-13db4267119e","kind":"paragraph","order":330,"section_id":"sec_d1ab9d1d-e540-4591-96d3-62a7ac0be446","character_id":null,"markdown":"※System-on-JointとNdFeBは下位部材との重複があるため、BOM総額にはそのまま加算しない。","render_override":null},{"id":"blk_47447c8f-0fe7-43cc-83db-52132e16daa9","kind":"paragraph","order":331,"section_id":"sec_d1ab9d1d-e540-4591-96d3-62a7ac0be446","character_id":null,"markdown":"このBase Caseでは非重複のハードウェアBOMはおよそ、","render_override":null},{"id":"blk_e318ad4b-1d07-4cce-9ef7-b99fc4d14fd9","kind":"heading","order":332,"section_id":"sec_ca27b6e9-9931-4bf4-a30b-d9314891556c","character_id":null,"markdown":"## 100万台：約146億ドル","render_override":null},{"id":"blk_f5ec59c5-975a-41a5-87ae-0f9b4b4494cb","kind":"heading","order":333,"section_id":"sec_fa8e4b78-a2aa-47a5-8292-6385901c0a06","character_id":null,"markdown":"## 300万台：約396億ドル","render_override":null},{"id":"blk_cfd344ea-4bbe-4c11-a079-d482a55bdc12","kind":"heading","order":334,"section_id":"sec_edbbc773-f0ee-4fa5-8994-10aa415290fa","character_id":null,"markdown":"## 1,000万台：約1,100億ドル","render_override":null},{"id":"blk_f28c25bb-1677-479f-ba39-6546f65bdbab","kind":"paragraph","order":335,"section_id":"sec_edbbc773-f0ee-4fa5-8994-10aa415290fa","character_id":null,"markdown":"となる。","render_override":null},{"id":"blk_b284ede8-4d83-4a9c-a992-a142ced395df","kind":"paragraph","order":336,"section_id":"sec_edbbc773-f0ee-4fa5-8994-10aa415290fa","character_id":null,"markdown":"あくまで比較用モデルだが、重要なのは絶対額以上に**どこに数量が掛かるか**である。","render_override":null},{"id":"blk_8d37d345-4542-4af8-bdf2-380cf84e9e3e","kind":"thematic_break","order":337,"section_id":"sec_edbbc773-f0ee-4fa5-8994-10aa415290fa","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9716d22b-b801-41ae-8e3e-f2b4e7a09c49","kind":"heading","order":338,"section_id":"sec_74044e6c-ecda-4bdb-b054-265d5f6c5cd4","character_id":null,"markdown":"## 19．Physical AI版HBMは何か","render_override":null},{"id":"blk_b70f02b2-2fe9-4479-afbe-c99afdd9d7c7","kind":"paragraph","order":339,"section_id":"sec_74044e6c-ecda-4bdb-b054-265d5f6c5cd4","character_id":null,"markdown":"この表から見える最大の特徴は、","render_override":null},{"id":"blk_f620da7e-d0f5-4edd-b791-a07156816e11","kind":"heading","order":340,"section_id":"sec_f998c176-6b7f-4a41-b1a0-e68c5c4f1d96","character_id":null,"markdown":"## Motion Stackが圧倒的に大きい","render_override":null},{"id":"blk_2ef2078e-9e79-43af-8ce2-262cc8020ee2","kind":"paragraph","order":341,"section_id":"sec_f998c176-6b7f-4a41-b1a0-e68c5c4f1d96","character_id":null,"markdown":"ことである。","render_override":null},{"id":"blk_a0e718ec-3e6b-49b4-b35e-da8f089ca08f","kind":"paragraph","order":342,"section_id":"sec_f998c176-6b7f-4a41-b1a0-e68c5c4f1d96","character_id":null,"markdown":"Motor \nReducer \nScrew \nBearing \nEncoder \nForce Sensor \nDriver \nMCU","render_override":null},{"id":"blk_0c882244-0c77-4d6c-a35b-aa250576b473","kind":"paragraph","order":343,"section_id":"sec_f998c176-6b7f-4a41-b1a0-e68c5c4f1d96","character_id":null,"markdown":"まで含めれば、ハードウェアBOMの半分以上を占める。","render_override":null},{"id":"blk_ba2828bb-8c16-4888-9cc7-b0705ef11a77","kind":"paragraph","order":344,"section_id":"sec_f998c176-6b7f-4a41-b1a0-e68c5c4f1d96","character_id":null,"markdown":"さらにSystem-on-Jointへ統合すると、","render_override":null},{"id":"blk_bbb2e395-a38e-48e6-93cf-123820278619","kind":"math","order":345,"section_id":"sec_f998c176-6b7f-4a41-b1a0-e68c5c4f1d96","character_id":null,"markdown":"$$\n\\text{28 Joint}\\times\\text{USD 250}\n$$","render_override":null},{"id":"blk_184d68d1-7fb9-4869-9f3a-82adc28d98e6","kind":"paragraph","order":346,"section_id":"sec_f998c176-6b7f-4a41-b1a0-e68c5c4f1d96","character_id":null,"markdown":"だけで、","render_override":null},{"id":"blk_31412905-c62f-4ee0-93d1-7ea0ee3c8ce9","kind":"heading","order":347,"section_id":"sec_49e8c484-26a5-4319-88d7-ae2c8f98b961","character_id":null,"markdown":"## $7,000 / Robot","render_override":null},{"id":"blk_1b389037-8960-4e45-ae0f-344d12053f62","kind":"paragraph","order":348,"section_id":"sec_49e8c484-26a5-4319-88d7-ae2c8f98b961","character_id":null,"markdown":"となる。","render_override":null},{"id":"blk_c2fd4347-34d6-4485-9f9f-058ab0df6618","kind":"paragraph","order":349,"section_id":"sec_49e8c484-26a5-4319-88d7-ae2c8f98b961","character_id":null,"markdown":"100万台なら、","render_override":null},{"id":"blk_fa205eb4-0372-4f75-bfb2-296edc40c2d8","kind":"heading","order":350,"section_id":"sec_7ca2e5f3-588d-489c-836f-b3bddfd704ae","character_id":null,"markdown":"## $7B","render_override":null},{"id":"blk_634ef11b-85d7-4d40-93b4-635fde76ce51","kind":"paragraph","order":351,"section_id":"sec_7ca2e5f3-588d-489c-836f-b3bddfd704ae","character_id":null,"markdown":"300万台ならASPを10％下げても、","render_override":null},{"id":"blk_ef020f93-8f28-4162-94e8-13aa3fa8e5a7","kind":"heading","order":352,"section_id":"sec_d8f303b8-90ae-41bd-aad2-6ba1d1a7ff7f","character_id":null,"markdown":"## $18.9B","render_override":null},{"id":"blk_10b13962-1522-4ffd-9710-218a42010d8a","kind":"paragraph","order":353,"section_id":"sec_d8f303b8-90ae-41bd-aad2-6ba1d1a7ff7f","character_id":null,"markdown":"1,000万台なら25％値下げしても、","render_override":null},{"id":"blk_d31a271d-4e76-4b18-9de2-54315ff86c3f","kind":"heading","order":354,"section_id":"sec_3f1f4a42-360c-4f2f-985f-58e65992a417","character_id":null,"markdown":"## $52.5B","render_override":null},{"id":"blk_8e49f8a3-2f8c-4987-9d8a-6d43242bfef9","kind":"paragraph","order":355,"section_id":"sec_3f1f4a42-360c-4f2f-985f-58e65992a417","character_id":null,"markdown":"である。","render_override":null},{"id":"blk_ca818448-2533-441d-9149-a518ffb4250f","kind":"paragraph","order":356,"section_id":"sec_3f1f4a42-360c-4f2f-985f-58e65992a417","character_id":null,"markdown":"私はこれを、","render_override":null},{"id":"blk_ebaeeba7-444f-4ca9-aa25-d8c3ba75b54a","kind":"heading","order":357,"section_id":"sec_2c389d65-4bff-40e0-abe7-5eb781eae34d","character_id":null,"markdown":"## Physical AI版のHBM","render_override":null},{"id":"blk_4bd4bf58-a0ff-46a3-b916-5a8ffa769665","kind":"paragraph","order":358,"section_id":"sec_2c389d65-4bff-40e0-abe7-5eb781eae34d","character_id":null,"markdown":"に最も近い構造だと考えている。","render_override":null},{"id":"blk_8be63b75-8f3f-4f5e-9685-3bd3d88f96c2","kind":"paragraph","order":359,"section_id":"sec_2c389d65-4bff-40e0-abe7-5eb781eae34d","character_id":null,"markdown":"理由は、","render_override":null},{"id":"blk_23907b6f-b2c7-47b3-af08-e54ea8c739b1","kind":"paragraph","order":360,"section_id":"sec_2c389d65-4bff-40e0-abe7-5eb781eae34d","character_id":null,"markdown":"**完成品1台に多数必要** \n**性能への寄与が大きい** \n**技術難度が高い** \n**供給品質が重要** \n**数量増が直接需要増になる**","render_override":null},{"id":"blk_afccb472-9e0b-4014-bf4d-ce2a3b14a60e","kind":"paragraph","order":361,"section_id":"sec_2c389d65-4bff-40e0-abe7-5eb781eae34d","character_id":null,"markdown":"からだ。","render_override":null},{"id":"blk_46ccffc7-21b4-4547-bf7b-9b2bcd38388c","kind":"figure","order":362,"section_id":"sec_2c389d65-4bff-40e0-abe7-5eb781eae34d","character_id":null,"markdown":"![](/media/a60ad7d6dc9e9170162914c38cce414ad364859223d94935612856f9962881fb-content.webp)","render_override":null},{"id":"blk_d3541886-0de7-4380-adfe-8c7d3cb7f6c8","kind":"thematic_break","order":363,"section_id":"sec_2c389d65-4bff-40e0-abe7-5eb781eae34d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_5de95fad-97b0-468d-8940-89e20db497b3","kind":"heading","order":364,"section_id":"sec_aae93cf4-7dfd-4f2f-b119-22d5af80514f","character_id":null,"markdown":"## 20．その下にある「第二のHBM」","render_override":null},{"id":"blk_d33a255c-f72f-4cb1-9497-68e14450cb32","kind":"paragraph","order":365,"section_id":"sec_aae93cf4-7dfd-4f2f-b119-22d5af80514f","character_id":null,"markdown":"System-on-Jointをさらに分解すると、とくに面白いのは、","render_override":null},{"id":"blk_c09f7c3b-d8e3-47bc-a299-502bc2733b3a","kind":"heading","order":366,"section_id":"sec_25ce38aa-098c-4e7b-840d-fa8c19aeb9fc","character_id":null,"markdown":"### Planetary Roller Screw","render_override":null},{"id":"blk_472e67e0-bf7a-4b68-981a-242698a65612","kind":"heading","order":367,"section_id":"sec_33764563-a4bf-4063-9721-68d2527aa14e","character_id":null,"markdown":"### Force/Torque Sensor","render_override":null},{"id":"blk_757c09ee-8590-4fce-b289-67cdd62e8ecf","kind":"heading","order":368,"section_id":"sec_bc0255a8-79a9-4926-a1b7-d0811f3a7454","character_id":null,"markdown":"### Strain-wave Reducer","render_override":null},{"id":"blk_746b2d77-e44b-4007-ad13-aae7e72df19b","kind":"heading","order":369,"section_id":"sec_639d5ed0-0244-419c-b758-f7a85f0bdaf8","character_id":null,"markdown":"### Encoder","render_override":null},{"id":"blk_a80b585f-4600-4e9d-a11d-2e03127491c1","kind":"paragraph","order":370,"section_id":"sec_639d5ed0-0244-419c-b758-f7a85f0bdaf8","character_id":null,"markdown":"である。","render_override":null},{"id":"blk_fa63b62a-cd95-4f3b-b914-cc62c9ed9d17","kind":"paragraph","order":371,"section_id":"sec_639d5ed0-0244-419c-b758-f7a85f0bdaf8","character_id":null,"markdown":"これらは、","render_override":null},{"id":"blk_d8e5f9aa-1a4a-4606-b05d-6505db2b35e4","kind":"paragraph","order":372,"section_id":"sec_639d5ed0-0244-419c-b758-f7a85f0bdaf8","character_id":null,"markdown":"**現在市場が小さい** \n＋ \n**量産難度が高い** \n＋ \n**精密加工・校正が必要** \n＋ \n**供給企業が限られる** \n＋ \n**一台に複数個必要**","render_override":null},{"id":"blk_f5003cae-d5fe-473d-babd-28511a6f7e48","kind":"paragraph","order":373,"section_id":"sec_639d5ed0-0244-419c-b758-f7a85f0bdaf8","character_id":null,"markdown":"という特徴がある。","render_override":null},{"id":"blk_d6d7a2e1-a5c8-4da1-8612-ba9669a3522d","kind":"paragraph","order":374,"section_id":"sec_639d5ed0-0244-419c-b758-f7a85f0bdaf8","character_id":null,"markdown":"McKinseyもとくにstrain-wave reducer、roller screw、robotics-grade linear guide、force/tactile sensingを高リスク供給領域としている。([McKinsey & Company](https://www.mckinsey.com/industries/industrials/our-insights/turning-humanoid-supply-chain-constraints-into-billion-dollar-wins?utm_source=chatgpt.com))","render_override":null},{"id":"blk_7fe0a160-d156-425a-886e-df248f6f3060","kind":"figure","order":375,"section_id":"sec_639d5ed0-0244-419c-b758-f7a85f0bdaf8","character_id":null,"markdown":"![](/media/a36470686e85b5f7913548f572c95a80435ab45f2f853f90aed07f630a2e7188-content.webp)","render_override":null},{"id":"blk_1e02d681-95b1-46d3-8c64-92ee662e9996","kind":"thematic_break","order":376,"section_id":"sec_639d5ed0-0244-419c-b758-f7a85f0bdaf8","character_id":null,"markdown":"---","render_override":null},{"id":"blk_9775a961-d66a-42de-8ccf-0530fe27940a","kind":"heading","order":377,"section_id":"sec_21954d2c-37db-47b6-97a3-1e22ecd6749b","character_id":null,"markdown":"## 21．しかし「最良の部品」＝「最良の株」ではない","render_override":null},{"id":"blk_846f4e63-6cc4-4cc4-a5e0-9503e4c26da4","kind":"paragraph","order":378,"section_id":"sec_21954d2c-37db-47b6-97a3-1e22ecd6749b","character_id":null,"markdown":"ここから投資評価になる。","render_override":null},{"id":"blk_0742e9db-f599-4400-92ae-ad8e2e4c138e","kind":"paragraph","order":379,"section_id":"sec_21954d2c-37db-47b6-97a3-1e22ecd6749b","character_id":null,"markdown":"例えばHarmonic Driveは技術的には最高クラス。","render_override":null},{"id":"blk_2412f58e-f612-438b-b448-a3521167f6f5","kind":"paragraph","order":380,"section_id":"sec_21954d2c-37db-47b6-97a3-1e22ecd6749b","character_id":null,"markdown":"しかしForward PER約100倍。","render_override":null},{"id":"blk_cb3a71bf-e58b-4df0-9b3e-a762b251badc","kind":"paragraph","order":381,"section_id":"sec_21954d2c-37db-47b6-97a3-1e22ecd6749b","character_id":null,"markdown":"LeaderDriveなら約280倍。([StockAnalysis.com](https://stockanalysis.com/quote/tyo/6324/statistics/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_216cfbae-0484-4415-ae0d-584bc20bbb4c","kind":"paragraph","order":382,"section_id":"sec_21954d2c-37db-47b6-97a3-1e22ecd6749b","character_id":null,"markdown":"一方、","render_override":null},{"id":"blk_fb799ac8-8b7d-4922-a027-bc8d4bfddd73","kind":"paragraph","order":383,"section_id":"sec_21954d2c-37db-47b6-97a3-1e22ecd6749b","character_id":null,"markdown":"TuopuはForward PER約25倍、P/S約2.8倍。([StockAnalysis.com](https://stockanalysis.com/quote/sha/601689/financials/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_4986e2e1-3351-461a-b8c1-fa4684420345","kind":"paragraph","order":384,"section_id":"sec_21954d2c-37db-47b6-97a3-1e22ecd6749b","character_id":null,"markdown":"InovanceはForward PER約28倍、P/S約3.8倍。([StockAnalysis.com](https://stockanalysis.com/quote/she/300124/statistics/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_88c0a72d-8fac-489b-9b4c-b865f7ad734d","kind":"paragraph","order":385,"section_id":"sec_21954d2c-37db-47b6-97a3-1e22ecd6749b","character_id":null,"markdown":"SchaefflerはForward PER約14倍、P/S約0.3倍。([StockAnalysis.com](https://stockanalysis.com/quote/etr/SHA0/statistics/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_50fc5ea0-9f74-45b4-bb4f-272aac5444b0","kind":"paragraph","order":386,"section_id":"sec_21954d2c-37db-47b6-97a3-1e22ecd6749b","character_id":null,"markdown":"THKもデータ更新時点によって差はあるがForward PERは概ね20倍台前半～半ば、P/S約3倍である。([StockAnalysis.com](https://stockanalysis.com/quote/tyo/6481/statistics/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_93d7392d-31f1-4b27-9180-cf154203adbf","kind":"paragraph","order":387,"section_id":"sec_21954d2c-37db-47b6-97a3-1e22ecd6749b","character_id":null,"markdown":"したがって、","render_override":null},{"id":"blk_d9647dce-42e8-4701-b251-110760cc2de7","kind":"quote","order":388,"section_id":"sec_21954d2c-37db-47b6-97a3-1e22ecd6749b","character_id":null,"markdown":"> **ボトルネックになることは間違っていないが、それをいくらで買うのか**","render_override":null},{"id":"blk_52de5b66-5a04-4420-adfb-71955c6e838e","kind":"paragraph","order":389,"section_id":"sec_21954d2c-37db-47b6-97a3-1e22ecd6749b","character_id":null,"markdown":"まで考えなければいけない。","render_override":null},{"id":"blk_4445ef1e-de41-4586-9991-0c3dab4e8d4b","kind":"figure","order":390,"section_id":"sec_21954d2c-37db-47b6-97a3-1e22ecd6749b","character_id":null,"markdown":"![](/media/f9c936e54d8924a91c71b2c1cec46cc69b07da2c8a59b3525648f4c263aa1d0f-content.webp)","render_override":null},{"id":"blk_ae57d575-416a-4f9f-8877-9c3d44825f72","kind":"thematic_break","order":391,"section_id":"sec_21954d2c-37db-47b6-97a3-1e22ecd6749b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_42fe941b-1886-4f05-8aa2-ba8d18def16c","kind":"heading","order":392,"section_id":"sec_dce3c38b-a6ac-4800-8d2c-0657f85f4345","character_id":null,"markdown":"## 22．「未織込みボトルネック」スコア","render_override":null},{"id":"blk_e4be0379-eb2c-4da0-891b-9445ef2565b6","kind":"paragraph","order":393,"section_id":"sec_dce3c38b-a6ac-4800-8d2c-0657f85f4345","character_id":null,"markdown":"今回は、","render_override":null},{"id":"blk_20394bd0-7010-4a52-a4ff-15a81cd9bfd1","kind":"paragraph","order":394,"section_id":"sec_dce3c38b-a6ac-4800-8d2c-0657f85f4345","character_id":null,"markdown":"**技術難度：15点** \n**供給集中度：15点** \n**Design Win：15点** \n**100万台時売上レバレッジ：20点** \n**Valuation：30点** \n**粗利率：5点**","render_override":null},{"id":"blk_ef50fa29-c7d4-4d6b-86f9-97d9faace24b","kind":"paragraph","order":395,"section_id":"sec_dce3c38b-a6ac-4800-8d2c-0657f85f4345","character_id":null,"markdown":"の100点満点で比較する。","render_override":null},{"id":"blk_ca01709f-d3c3-47d1-811a-6daaf47ccf66","kind":"paragraph","order":396,"section_id":"sec_dce3c38b-a6ac-4800-8d2c-0657f85f4345","character_id":null,"markdown":"これは筆者による比較モデルであり、投資判断そのものではない。","render_override":null},{"id":"blk_4f5b3862-1021-4256-b827-ae3635b1def9","kind":"figure","order":397,"section_id":"sec_dce3c38b-a6ac-4800-8d2c-0657f85f4345","character_id":null,"markdown":"![](/media/464f07fb1b3543353a5f409692a7385a0b14b837b75765c787036f1e4f306518-content.webp)","render_override":null},{"id":"blk_eb6a72e3-86ae-44db-be74-681a5823b4a0","kind":"thematic_break","order":398,"section_id":"sec_dce3c38b-a6ac-4800-8d2c-0657f85f4345","character_id":null,"markdown":"---","render_override":null},{"id":"blk_bd3fd896-07a0-466d-a213-01263ce72834","kind":"heading","order":399,"section_id":"sec_495a3734-408e-4e26-8870-040f6fbce177","character_id":null,"markdown":"## 23．Physical AI版「未織込みボトルネック銘柄」ランキング","render_override":null},{"id":"blk_d0a24823-ed4c-4f3e-ad17-f832268f705d","kind":"math","order":400,"section_id":"sec_495a3734-408e-4e26-8870-040f6fbce177","character_id":null,"markdown":"$$\n\\begin{array}{|c|l|l|c|c|c|c|c|}\n\\text{順位}&\\text{銘柄}&\\text{主戦場}&\\text{技術}&\\text{供給制約}&\\text{Design Win}&\\text{Valuation}&\\text{総合}\\cr\\hline\n\\text{1}&\\text{Inovance}&\\text{Motion / Servo / Integrated Actuator}&\\text{★★★★☆}&\\text{★★★★}&\\text{★★★★☆}&\\text{★★★★★}&\\text{86}\\cr\\hline\n\\text{2}&\\text{Tuopu}&\\text{Integrated Actuator / Structure}&\\text{★★★★☆}&\\text{★★★★}&\\text{★★★☆}&\\text{★★★★★}&\\text{84}\\cr\\hline\n\\text{3}&\\text{VPG}&\\text{Force/Torque Sensor}&\\text{★★★★★}&\\text{★★★★★}&\\text{★★★★★}&\\text{★★★}&\\text{83}\\cr\\hline\n\\text{4}&\\text{Leadshine}&\\text{Motor → System-on-Joint}&\\text{★★★★}&\\text{★★★★}&\\text{★★★★★}&\\text{★★★}&\\text{82}\\cr\\hline\n\\text{5}&\\text{Schaeffler}&\\text{Integrated Actuator}&\\text{★★★★★}&\\text{★★★★☆}&\\text{★★★★★}&\\text{★★★★★}&\\text{81}\\cr\\hline\n\\text{6}&\\text{Novanta}&\\text{6-axis F/T / Encoder}&\\text{★★★★★}&\\text{★★★★★}&\\text{★★★★}&\\text{★★★☆}&\\text{79}\\cr\\hline\n\\text{7}&\\text{THK}&\\text{Screw / Linear / Joint}&\\text{★★★★☆}&\\text{★★★★}&\\text{★★}&\\text{★★★★★}&\\text{76}\\cr\\hline\n\\text{8}&\\text{Allient}&\\text{Frameless / Integrated Motor}&\\text{★★★☆}&\\text{★★★}&\\text{★★☆}&\\text{★★★★}&\\text{74}\\cr\\hline\n\\text{9}&\\text{Harmonic Drive}&\\text{Strain-wave Reducer}&\\text{★★★★★}&\\text{★★★★★}&\\text{★★★★}&\\text{★}&\\text{70}\\cr\\hline\n\\text{10}&\\text{Hiwin}&\\text{Screw / Linear Guide}&\\text{★★★★}&\\text{★★★★}&\\text{★★☆}&\\text{★★★}&\\text{69}\\cr\\hline\n\\text{11}&\\text{LeaderDrive}&\\text{Strain-wave Reducer}&\\text{★★★★★}&\\text{★★★★★}&\\text{★★★★}&\\text{☆}&\\text{65}\\cr\\hline\n\\text{12}&\\text{Zhaowei}&\\text{Hand Micro Actuation}&\\text{★★★★}&\\text{★★★☆}&\\text{★★☆}&\\text{★★}&\\text{60}\\cr\\hline\n\\end{array}\n$$","render_override":null},{"id":"blk_dc1a7549-df31-4f39-9b09-1aaccdcfa2b8","kind":"thematic_break","order":401,"section_id":"sec_495a3734-408e-4e26-8870-040f6fbce177","character_id":null,"markdown":"---","render_override":null},{"id":"blk_fb55c0a2-5b78-4106-ba18-ac9bf91840ee","kind":"heading","order":402,"section_id":"sec_fcbc5559-db9c-4b49-8242-c48b1d7599c7","character_id":null,"markdown":"## 24．1位 Inovance――Physical AI版Motion Platform候補","render_override":null},{"id":"blk_9012d4f3-fe3a-477e-b913-0009d6e1fbf1","kind":"paragraph","order":403,"section_id":"sec_fcbc5559-db9c-4b49-8242-c48b1d7599c7","character_id":null,"markdown":"Inovanceの面白さは、一部品会社ではないことだ。","render_override":null},{"id":"blk_53f58b4b-ae23-442d-a810-5e2d40925882","kind":"paragraph","order":404,"section_id":"sec_fcbc5559-db9c-4b49-8242-c48b1d7599c7","character_id":null,"markdown":"既に、","render_override":null},{"id":"blk_9e5bf696-d58d-4cb8-b9c1-e0ce649b509b","kind":"list","order":405,"section_id":"sec_fcbc5559-db9c-4b49-8242-c48b1d7599c7","character_id":null,"markdown":"- Servo Motor\n- Servo Drive\n- PLC\n- Motion Controller\n- Industrial Robot\n- Frameless Motor\n- Linear Actuator\n- Rotary Actuator","render_override":null},{"id":"blk_d7ae96a8-9ac1-474f-9ac8-72a7f77c6458","kind":"paragraph","order":406,"section_id":"sec_fcbc5559-db9c-4b49-8242-c48b1d7599c7","character_id":null,"markdown":"という大きなMotion Stackを持っている。","render_override":null},{"id":"blk_6010ebc2-b237-4e50-a187-6a4f70721939","kind":"paragraph","order":407,"section_id":"sec_fcbc5559-db9c-4b49-8242-c48b1d7599c7","character_id":null,"markdown":"現在Forward PERは約28倍、P/S約3.8倍。ROICも17％台で、本業自体がIndustrial Automationとして成立している。([StockAnalysis.com](https://stockanalysis.com/quote/she/300124/statistics/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_9e9c7730-3c65-4192-a4fd-013568edfeff","kind":"paragraph","order":408,"section_id":"sec_fcbc5559-db9c-4b49-8242-c48b1d7599c7","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_7d8e99d6-a5b5-40b7-b0de-5602229eb892","kind":"paragraph","order":409,"section_id":"sec_fcbc5559-db9c-4b49-8242-c48b1d7599c7","character_id":null,"markdown":"**ヒューマノイドが失敗したら終わる会社**","render_override":null},{"id":"blk_5bd2f6cd-570a-4cb5-91b5-3c7f30ff7dbc","kind":"paragraph","order":410,"section_id":"sec_fcbc5559-db9c-4b49-8242-c48b1d7599c7","character_id":null,"markdown":"ではない。","render_override":null},{"id":"blk_34bf7029-90b5-4f63-a91b-0a6f514af7ce","kind":"paragraph","order":411,"section_id":"sec_fcbc5559-db9c-4b49-8242-c48b1d7599c7","character_id":null,"markdown":"Factory Automationの利益を持ちながら、","render_override":null},{"id":"blk_41e0909c-b08a-4159-a769-a07f00699d0a","kind":"paragraph","order":412,"section_id":"sec_fcbc5559-db9c-4b49-8242-c48b1d7599c7","character_id":null,"markdown":"**Motion Control → Joint → Physical AI**","render_override":null},{"id":"blk_f400c986-ec1a-42a0-aac0-87dfa68ba474","kind":"paragraph","order":413,"section_id":"sec_fcbc5559-db9c-4b49-8242-c48b1d7599c7","character_id":null,"markdown":"へ拡張できる。","render_override":null},{"id":"blk_8f9b5c59-53c1-41f5-9331-b2c98ce68538","kind":"paragraph","order":414,"section_id":"sec_fcbc5559-db9c-4b49-8242-c48b1d7599c7","character_id":null,"markdown":"ここが最大の強みである。","render_override":null},{"id":"blk_a512bf3b-8a54-4f97-911c-b6e2f2d69d7c","kind":"thematic_break","order":415,"section_id":"sec_fcbc5559-db9c-4b49-8242-c48b1d7599c7","character_id":null,"markdown":"---","render_override":null},{"id":"blk_419c7bf8-180f-4250-99c4-a40a72413c38","kind":"heading","order":416,"section_id":"sec_df26cca2-42e3-4259-b25e-7cc8de9eb9da","character_id":null,"markdown":"## 25．2位 Tuopu――自動車Tier1の中にロボット事業が眠っている","render_override":null},{"id":"blk_2e93e4a8-b2b8-44f4-9d7c-2d89d1c554c2","kind":"paragraph","order":417,"section_id":"sec_df26cca2-42e3-4259-b25e-7cc8de9eb9da","character_id":null,"markdown":"Tuopuも非常に面白い。","render_override":null},{"id":"blk_5a2d5c88-0903-4aef-9456-599e0d8a9c62","kind":"paragraph","order":418,"section_id":"sec_df26cca2-42e3-4259-b25e-7cc8de9eb9da","character_id":null,"markdown":"2025年のRobot Actuator売上はまだ約1,359万元に過ぎない。","render_override":null},{"id":"blk_2dd9bf3a-3521-4c70-b7c3-f596edbdf9fb","kind":"paragraph","order":419,"section_id":"sec_df26cca2-42e3-4259-b25e-7cc8de9eb9da","character_id":null,"markdown":"しかしgross marginは、","render_override":null},{"id":"blk_0fcfb7ed-4b9b-4d96-abbf-3e58cfad74d9","kind":"heading","order":420,"section_id":"sec_a9226120-e7af-40af-a2fa-58aeb98ccb37","character_id":null,"markdown":"## 28.25％","render_override":null},{"id":"blk_c808bdcd-4c79-434c-9e2a-711fd5936576","kind":"paragraph","order":421,"section_id":"sec_a9226120-e7af-40af-a2fa-58aeb98ccb37","character_id":null,"markdown":"であり、従来自動車部品事業の約18％より高い。([Tuopu](https://www.tuopu.com/wp-content/uploads/2026/03/%E6%8B%93%E6%99%AE%E9%9B%86%E5%9B%A22025%E5%B9%B4%E5%B9%B4%E5%BA%A6%E6%8A%A5%E5%91%8A.pdf?utm_source=chatgpt.com))","render_override":null},{"id":"blk_77f06ccd-3931-4d39-8a25-b81385817720","kind":"paragraph","order":422,"section_id":"sec_a9226120-e7af-40af-a2fa-58aeb98ccb37","character_id":null,"markdown":"つまりRobot事業が伸びれば、","render_override":null},{"id":"blk_54bb2152-afdc-4cdb-997e-495d623b1800","kind":"paragraph","order":423,"section_id":"sec_a9226120-e7af-40af-a2fa-58aeb98ccb37","character_id":null,"markdown":"**売上増** \n＋ \n**Margin Mix改善**","render_override":null},{"id":"blk_420e7f32-485b-41a2-bed6-42cd16c76779","kind":"paragraph","order":424,"section_id":"sec_a9226120-e7af-40af-a2fa-58aeb98ccb37","character_id":null,"markdown":"を同時に起こせる。","render_override":null},{"id":"blk_4ee2eddc-992e-4638-bf25-d4dbd625a984","kind":"paragraph","order":425,"section_id":"sec_a9226120-e7af-40af-a2fa-58aeb98ccb37","character_id":null,"markdown":"さらに、","render_override":null},{"id":"blk_f17a88d0-52f7-4ecc-a6e3-563ed7bc3318","kind":"paragraph","order":426,"section_id":"sec_a9226120-e7af-40af-a2fa-58aeb98ccb37","character_id":null,"markdown":"Linear Actuator \nRotary Actuator \nMotor \nReducer \nSensor \nDexterous Hand \nStructure","render_override":null},{"id":"blk_35f67876-b631-4593-96fa-77021713739c","kind":"paragraph","order":427,"section_id":"sec_a9226120-e7af-40af-a2fa-58aeb98ccb37","character_id":null,"markdown":"まで広げられる。","render_override":null},{"id":"blk_8984b633-a2e9-4ce1-afb2-e89bdc79caef","kind":"paragraph","order":428,"section_id":"sec_a9226120-e7af-40af-a2fa-58aeb98ccb37","character_id":null,"markdown":"Forward PER約25倍という評価も、Robot専業銘柄と比べれば低い。([StockAnalysis.com](https://stockanalysis.com/quote/sha/601689/financials/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_10f13952-db06-4d79-b3df-e8dae657a8c8","kind":"thematic_break","order":429,"section_id":"sec_a9226120-e7af-40af-a2fa-58aeb98ccb37","character_id":null,"markdown":"---","render_override":null},{"id":"blk_879e8ea2-a749-4dc2-af84-1cc2c0a5291a","kind":"heading","order":430,"section_id":"sec_2a7009c2-317f-4a86-a161-9ae9a706e55f","character_id":null,"markdown":"## 26．3位 VPG――最も純粋なSensor Bottleneck","render_override":null},{"id":"blk_7f85038d-ec2b-4bf3-8027-f23208a1a981","kind":"paragraph","order":431,"section_id":"sec_2a7009c2-317f-4a86-a161-9ae9a706e55f","character_id":null,"markdown":"VPGは事業規模が小さい。","render_override":null},{"id":"blk_f0b63b22-f73b-41f6-bae8-0c6ab7ac6c9c","kind":"paragraph","order":432,"section_id":"sec_2a7009c2-317f-4a86-a161-9ae9a706e55f","character_id":null,"markdown":"それゆえ、Humanoid売上が増えた時の全社レバレッジが非常に大きい。","render_override":null},{"id":"blk_68e03bef-ae3c-43f8-a23c-70e346959898","kind":"paragraph","order":433,"section_id":"sec_2a7009c2-317f-4a86-a161-9ae9a706e55f","character_id":null,"markdown":"しかも正式Vendor Nominationまで進んでいる。([The Motley Fool](https://www.fool.com/earnings/call-transcripts/2026/08/12/vishay-precision-group-vpg-q2-2026-earnings-call-transcript/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_9d8083e8-6076-423b-9f3d-3c93a01bc21d","kind":"paragraph","order":434,"section_id":"sec_2a7009c2-317f-4a86-a161-9ae9a706e55f","character_id":null,"markdown":"Force Sensorは、","render_override":null},{"id":"blk_7b358e82-a8ac-49b6-96b4-9a67e1bfa85e","kind":"paragraph","order":435,"section_id":"sec_2a7009c2-317f-4a86-a161-9ae9a706e55f","character_id":null,"markdown":"Motorのように大量の既存supplierがいるわけではない。","render_override":null},{"id":"blk_9dee19a1-e316-4bcb-9759-62388e3bc0b0","kind":"paragraph","order":436,"section_id":"sec_2a7009c2-317f-4a86-a161-9ae9a706e55f","character_id":null,"markdown":"高精度strain gauge \ntemperature compensation \nmechanical design \nmetrology \ncalibration","render_override":null},{"id":"blk_2d1139a1-4a68-46b2-8028-f17143276ee0","kind":"paragraph","order":437,"section_id":"sec_2a7009c2-317f-4a86-a161-9ae9a706e55f","character_id":null,"markdown":"が必要になる。","render_override":null},{"id":"blk_dccd4ce5-c791-4b06-9970-291805d3e997","kind":"paragraph","order":438,"section_id":"sec_2a7009c2-317f-4a86-a161-9ae9a706e55f","character_id":null,"markdown":"だから、","render_override":null},{"id":"blk_3ef4922c-d3f4-4e49-add4-9161890f13d0","kind":"heading","order":439,"section_id":"sec_a6909fda-67f6-448d-96e1-f8d90bf20781","character_id":null,"markdown":"## 数量増＋技術難度","render_override":null},{"id":"blk_2822a476-704d-49f5-b310-f17d33753f39","kind":"paragraph","order":440,"section_id":"sec_a6909fda-67f6-448d-96e1-f8d90bf20781","character_id":null,"markdown":"を同時に取れる。","render_override":null},{"id":"blk_81387c7a-c5b3-4f71-8063-b036b68d39a8","kind":"paragraph","order":441,"section_id":"sec_a6909fda-67f6-448d-96e1-f8d90bf20781","character_id":null,"markdown":"弱点はForward PERが50倍台まで上がっていること。([StockAnalysis.com](https://stockanalysis.com/stocks/vpg/financials/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_511aee3f-a23d-4b76-b02c-2d57d53f8a37","kind":"paragraph","order":442,"section_id":"sec_a6909fda-67f6-448d-96e1-f8d90bf20781","character_id":null,"markdown":"つまり「未発見」ではなくなりつつある。","render_override":null},{"id":"blk_749b1d42-d79d-4bb7-94c4-ea672ad05cb3","kind":"thematic_break","order":443,"section_id":"sec_a6909fda-67f6-448d-96e1-f8d90bf20781","character_id":null,"markdown":"---","render_override":null},{"id":"blk_7c8df6a9-4763-4fd5-8e55-e270b8c29068","kind":"heading","order":444,"section_id":"sec_160d7498-3ddc-45ff-a896-35971d3a41b6","character_id":null,"markdown":"## 27．4位 Leadshine――最も数量レバレッジが大きい","render_override":null},{"id":"blk_74edc3c9-4c2c-43b7-8b56-a6d7d29a8732","kind":"paragraph","order":445,"section_id":"sec_160d7498-3ddc-45ff-a896-35971d3a41b6","character_id":null,"markdown":"Leadshineは現在の6～12社の中でも、","render_override":null},{"id":"blk_4e311e9c-dce8-46eb-94b2-5b018b7c9bea","kind":"heading","order":446,"section_id":"sec_40751fb3-0b4c-4a78-9ad7-4fc49d26d3ce","character_id":null,"markdown":"## Humanoid量産との距離が最も近い","render_override":null},{"id":"blk_2618df5b-658d-41c1-a8a0-77b79390495f","kind":"paragraph","order":447,"section_id":"sec_40751fb3-0b4c-4a78-9ad7-4fc49d26d3ce","character_id":null,"markdown":"企業の一つである。","render_override":null},{"id":"blk_2810d836-f66d-4df2-a4b4-e8157585010b","kind":"paragraph","order":448,"section_id":"sec_40751fb3-0b4c-4a78-9ad7-4fc49d26d3ce","character_id":null,"markdown":"12万個超のframeless motor出荷、中国主要OEMの80％超、Joint Module量産という数字は大きい。([Leadshine](https://static.leadshine.com/newsEvent/details/leadshine-2025-annual-report-%26-2026-q1-report%3A-accelerating-the-growth-flywheel%2C-revenue-hits-new-highs.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_395ad290-1559-4c31-a2d0-b2792f5ade5f","kind":"paragraph","order":449,"section_id":"sec_40751fb3-0b4c-4a78-9ad7-4fc49d26d3ce","character_id":null,"markdown":"一方Forward PERは約59倍まで上がっている。([StockAnalysis.com](https://stockanalysis.com/quote/she/002979/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_51078781-735a-42d3-ad25-9550289733fd","kind":"paragraph","order":450,"section_id":"sec_40751fb3-0b4c-4a78-9ad7-4fc49d26d3ce","character_id":null,"markdown":"したがって、","render_override":null},{"id":"blk_81dadc6e-cc84-46c4-9658-25895093bf62","kind":"paragraph","order":451,"section_id":"sec_40751fb3-0b4c-4a78-9ad7-4fc49d26d3ce","character_id":null,"markdown":"**事業レバレッジ★★★★★** \nだが、 \n**未織込み度★★★**","render_override":null},{"id":"blk_23745867-1575-40aa-98d6-2257c5170bbf","kind":"paragraph","order":452,"section_id":"sec_40751fb3-0b4c-4a78-9ad7-4fc49d26d3ce","character_id":null,"markdown":"という評価になる。","render_override":null},{"id":"blk_7d24427c-22aa-453e-9b79-1442a553f7a8","kind":"thematic_break","order":453,"section_id":"sec_40751fb3-0b4c-4a78-9ad7-4fc49d26d3ce","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2c36b8c8-22a2-4246-b7f3-0aa8bc12bdef","kind":"heading","order":454,"section_id":"sec_d965b1a2-d217-47f1-90d3-7fd38cf08c7a","character_id":null,"markdown":"## 28．5位 Schaeffler――最も安いSystem-on-Joint候補","render_override":null},{"id":"blk_95e42c68-bfe5-4cac-afaf-a0cf6421bb70","kind":"paragraph","order":455,"section_id":"sec_d965b1a2-d217-47f1-90d3-7fd38cf08c7a","character_id":null,"markdown":"Schaefflerは全く違うタイプだ。","render_override":null},{"id":"blk_9abcd710-9b55-4feb-ba97-2f0a019f95f6","kind":"paragraph","order":456,"section_id":"sec_d965b1a2-d217-47f1-90d3-7fd38cf08c7a","character_id":null,"markdown":"同社はHexagon Roboticsと、strain-wave / planetary actuatorの供給契約を締結している。","render_override":null},{"id":"blk_d1d7005b-70a6-4c05-bb5e-337bd8cbfe60","kind":"paragraph","order":457,"section_id":"sec_d965b1a2-d217-47f1-90d3-7fd38cf08c7a","character_id":null,"markdown":"さらにSchaeffler自身が今後7年間で少なくとも1,000台のAEON humanoidを自社工場へ導入予定だ。([Schaeffler](https://www.schaeffler.com/en/media/press-releases/press-releases-detail.jsp?id=88184987&utm_source=chatgpt.com))","render_override":null},{"id":"blk_23a4dd3c-fc90-4228-a029-63f599db7945","kind":"paragraph","order":458,"section_id":"sec_d965b1a2-d217-47f1-90d3-7fd38cf08c7a","character_id":null,"markdown":"Humanoidともactuator供給を含むstrategic partnershipを締結している。([Schaeffler](https://www.schaeffler.com/en/investor-relations/events-publications/ir-releases/ir_releases_detail.jsp?id=88159810&utm_source=chatgpt.com))","render_override":null},{"id":"blk_5e3c8c96-d92b-4f33-b59a-2e0ead1bad77","kind":"paragraph","order":459,"section_id":"sec_d965b1a2-d217-47f1-90d3-7fd38cf08c7a","character_id":null,"markdown":"それでもForward PER約14倍、P/S約0.3倍。([StockAnalysis.com](https://stockanalysis.com/quote/etr/SHA0/statistics/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_0ce95165-ce9b-444a-ba3a-b568b7108305","kind":"paragraph","order":460,"section_id":"sec_d965b1a2-d217-47f1-90d3-7fd38cf08c7a","character_id":null,"markdown":"問題は会社が巨大であること。","render_override":null},{"id":"blk_7968de07-7ffc-4238-9e22-06a97b24acb6","kind":"paragraph","order":461,"section_id":"sec_d965b1a2-d217-47f1-90d3-7fd38cf08c7a","character_id":null,"markdown":"Humanoidが100万台になっても、全社EPSが何倍にもなるわけではない。","render_override":null},{"id":"blk_1e8b6aa5-8b97-4457-bde7-8d498c410f4a","kind":"paragraph","order":462,"section_id":"sec_d965b1a2-d217-47f1-90d3-7fd38cf08c7a","character_id":null,"markdown":"したがって、","render_override":null},{"id":"blk_55e27ef8-49d6-4602-b84d-bb16cfd45116","kind":"heading","order":463,"section_id":"sec_c4289ae4-6027-467e-b4a6-31ce80214ae1","character_id":null,"markdown":"## Quantity leverage株","render_override":null},{"id":"blk_6f3d1ad3-53f6-436e-80fa-50ac02610c68","kind":"paragraph","order":464,"section_id":"sec_c4289ae4-6027-467e-b4a6-31ce80214ae1","character_id":null,"markdown":"ではなく、","render_override":null},{"id":"blk_4a0e1504-cdbd-4c7c-9bb0-3160c6307fc5","kind":"heading","order":465,"section_id":"sec_4d6a2481-9ab0-4529-89f4-056b7b44fe16","character_id":null,"markdown":"## Auto Parts → Motion Technology → Physical AI","render_override":null},{"id":"blk_7296e13d-5778-4805-8ff9-0c2d1fa84724","kind":"paragraph","order":466,"section_id":"sec_4d6a2481-9ab0-4529-89f4-056b7b44fe16","character_id":null,"markdown":"という、","render_override":null},{"id":"blk_65e23572-0abc-4607-a5d6-53e31360e34a","kind":"heading","order":467,"section_id":"sec_0a1c66e7-1d81-4c3c-a25e-50a0ce921ea6","character_id":null,"markdown":"### PER rerating銘柄","render_override":null},{"id":"blk_0ec71f05-5014-4a21-b46c-35081c39b9fe","kind":"paragraph","order":468,"section_id":"sec_0a1c66e7-1d81-4c3c-a25e-50a0ce921ea6","character_id":null,"markdown":"として見る方が自然だ。","render_override":null},{"id":"blk_3e57c1f9-3c16-4e63-9080-b73d5e5bdb19","kind":"thematic_break","order":469,"section_id":"sec_0a1c66e7-1d81-4c3c-a25e-50a0ce921ea6","character_id":null,"markdown":"---","render_override":null},{"id":"blk_e5a55662-562d-40b4-acc4-0774c9141b14","kind":"heading","order":470,"section_id":"sec_fe9b537d-c49c-4ee4-9b1e-983d135b444c","character_id":null,"markdown":"## 29．6位 Novanta――Force/Torque＋Encoderという非常に良い位置","render_override":null},{"id":"blk_f7d9c42b-4ba1-4a39-8992-84d17820ecd3","kind":"paragraph","order":471,"section_id":"sec_fe9b537d-c49c-4ee4-9b1e-983d135b444c","character_id":null,"markdown":"Novantaはsensor側で非常に強い。","render_override":null},{"id":"blk_fd66f928-e6ee-47e4-8830-50739ccf8661","kind":"paragraph","order":472,"section_id":"sec_fe9b537d-c49c-4ee4-9b1e-983d135b444c","character_id":null,"markdown":"Varo 6-axis Force/Torque SensorはHumanoid向けに明確に設計されている。([Novanta](https://novanta.com/robotics-automation/products/varo/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_c3bdf087-2296-4716-9237-c6d3fb283cd7","kind":"paragraph","order":473,"section_id":"sec_fe9b537d-c49c-4ee4-9b1e-983d135b444c","character_id":null,"markdown":"さらにposition sensing、motion controlまで持てる。","render_override":null},{"id":"blk_b6277720-19fe-4617-b2bb-43e29fe6d655","kind":"paragraph","order":474,"section_id":"sec_fe9b537d-c49c-4ee4-9b1e-983d135b444c","character_id":null,"markdown":"同社は2026年、欧州でhumanoid関連のrecent design winsがあることを公表している。([Novanta](https://novanta.com/news/precision-motion-and-sensing-powering-the-future-of-humanoid-robots/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_466420b9-0a6a-44d3-b442-3e62831f2b6d","kind":"paragraph","order":475,"section_id":"sec_fe9b537d-c49c-4ee4-9b1e-983d135b444c","character_id":null,"markdown":"一方Forward PERは40倍弱、P/Sは5倍台。([StockAnalysis.com](https://stockanalysis.com/stocks/novt/financials/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_f2908fb9-868a-4ad6-bcaf-b448f5090234","kind":"paragraph","order":476,"section_id":"sec_fe9b537d-c49c-4ee4-9b1e-983d135b444c","character_id":null,"markdown":"VPGほど小型ではないため業績レバレッジは少し下がるが、企業品質は高い。","render_override":null},{"id":"blk_3c53f8af-51d9-4248-b09b-9fa651d74b63","kind":"thematic_break","order":477,"section_id":"sec_fe9b537d-c49c-4ee4-9b1e-983d135b444c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_49c81d43-c296-4fd9-a77a-93e60fad14d6","kind":"heading","order":478,"section_id":"sec_d7513016-4257-4d01-a5a9-8bc4f9315132","character_id":null,"markdown":"## 30．7位 THK――日本で最も面白い「まだ確定していないオプション」","render_override":null},{"id":"blk_849ca08f-c32f-42fa-8eff-eb2a99f48f2a","kind":"paragraph","order":479,"section_id":"sec_d7513016-4257-4d01-a5a9-8bc4f9315132","character_id":null,"markdown":"THKは、","render_override":null},{"id":"blk_fe502577-678d-48c2-9f93-319983e57dfb","kind":"paragraph","order":480,"section_id":"sec_d7513016-4257-4d01-a5a9-8bc4f9315132","character_id":null,"markdown":"Linear Guide \nBall Screw \nPrecision Motion","render_override":null},{"id":"blk_df062ad3-91b7-4b2c-98e1-a31fb6562ec1","kind":"paragraph","order":481,"section_id":"sec_d7513016-4257-4d01-a5a9-8bc4f9315132","character_id":null,"markdown":"という既存産業を持つ。","render_override":null},{"id":"blk_a72f065f-d38c-4319-829f-e0fbf034d8ff","kind":"paragraph","order":482,"section_id":"sec_d7513016-4257-4d01-a5a9-8bc4f9315132","character_id":null,"markdown":"さらに自社でIntegrated Actuatorまで作れることをFREDで実証している。([THK](https://www.thk.com/jp/en/journal/products/article-02072025-1.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_a89256de-5a55-466a-a9be-f7965ec7fcfa","kind":"paragraph","order":483,"section_id":"sec_d7513016-4257-4d01-a5a9-8bc4f9315132","character_id":null,"markdown":"Forward PERは20倍台。([StockAnalysis.com](https://stockanalysis.com/quote/tyo/6481/statistics/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_42c28747-af60-4854-ab50-1972a0977c4e","kind":"paragraph","order":484,"section_id":"sec_d7513016-4257-4d01-a5a9-8bc4f9315132","character_id":null,"markdown":"最大の問題は、","render_override":null},{"id":"blk_97761afd-cbab-4212-8e33-b8a89ba9835e","kind":"heading","order":485,"section_id":"sec_1aa35404-b840-4aff-9ba5-89ddc1cabbac","character_id":null,"markdown":"## 大型外部Humanoid OEMの正式Design Win","render_override":null},{"id":"blk_72442103-f1af-4707-9f47-846fd5f288c1","kind":"paragraph","order":486,"section_id":"sec_1aa35404-b840-4aff-9ba5-89ddc1cabbac","character_id":null,"markdown":"がまだはっきりしないこと。","render_override":null},{"id":"blk_4e8139f9-b777-4f87-823e-9d353d34f4b1","kind":"paragraph","order":487,"section_id":"sec_1aa35404-b840-4aff-9ba5-89ddc1cabbac","character_id":null,"markdown":"逆に言えば、ここが出れば評価が大きく変わる可能性がある。","render_override":null},{"id":"blk_351ff006-0e7f-4f3f-9bb4-3b652b4ea753","kind":"thematic_break","order":488,"section_id":"sec_1aa35404-b840-4aff-9ba5-89ddc1cabbac","character_id":null,"markdown":"---","render_override":null},{"id":"blk_170431ca-20ab-4c8b-b873-53a9405b1994","kind":"heading","order":489,"section_id":"sec_e703d12d-8666-4bba-85cf-119735c18fb2","character_id":null,"markdown":"## 31．なぜHarmonic Driveがランキング上位ではないのか","render_override":null},{"id":"blk_5465f195-b7e7-4e85-8ff9-17a7197ac2a9","kind":"paragraph","order":490,"section_id":"sec_e703d12d-8666-4bba-85cf-119735c18fb2","character_id":null,"markdown":"これは「企業が悪い」からではない。","render_override":null},{"id":"blk_06f4d4e0-beb7-40f8-9e70-d937c10ab1c0","kind":"paragraph","order":491,"section_id":"sec_e703d12d-8666-4bba-85cf-119735c18fb2","character_id":null,"markdown":"むしろ技術だけなら最高クラスだ。","render_override":null},{"id":"blk_9c8c3575-467b-4236-a7ff-a3ef0f106d65","kind":"paragraph","order":492,"section_id":"sec_e703d12d-8666-4bba-85cf-119735c18fb2","character_id":null,"markdown":"しかしForward PER100倍前後という価格なら、","render_override":null},{"id":"blk_50d3736a-1c3e-45dd-8963-9b80d7e8d840","kind":"quote","order":493,"section_id":"sec_e703d12d-8666-4bba-85cf-119735c18fb2","character_id":null,"markdown":"> Humanoidが成功する","render_override":null},{"id":"blk_0387fa95-d310-4816-8910-53df344f365c","kind":"paragraph","order":494,"section_id":"sec_e703d12d-8666-4bba-85cf-119735c18fb2","character_id":null,"markdown":"だけでは足りない。","render_override":null},{"id":"blk_f5ec1546-8746-48c9-b4ac-51fcabf8e942","kind":"quote","order":495,"section_id":"sec_e703d12d-8666-4bba-85cf-119735c18fb2","character_id":null,"markdown":"> **Humanoidが市場予想以上に成功する**","render_override":null},{"id":"blk_1b14b21a-7aa8-4a4c-bf5d-948b05c5aaec","kind":"paragraph","order":496,"section_id":"sec_e703d12d-8666-4bba-85cf-119735c18fb2","character_id":null,"markdown":"必要が出てくる。","render_override":null},{"id":"blk_6e201816-999d-488b-be7b-d3549f89bf9a","kind":"paragraph","order":497,"section_id":"sec_e703d12d-8666-4bba-85cf-119735c18fb2","character_id":null,"markdown":"LeaderDriveならさらに極端である。","render_override":null},{"id":"blk_4dc6c5e2-9a3c-4eb1-b157-5f35d3af8754","kind":"paragraph","order":498,"section_id":"sec_e703d12d-8666-4bba-85cf-119735c18fb2","character_id":null,"markdown":"これはHBM株でも同じだ。","render_override":null},{"id":"blk_835394d5-b275-4f4a-b26a-0b45acffa6d3","kind":"paragraph","order":499,"section_id":"sec_e703d12d-8666-4bba-85cf-119735c18fb2","character_id":null,"markdown":"供給制約が本物でも、","render_override":null},{"id":"blk_f083a11d-7bfe-4591-99d9-a91f69f4fdbc","kind":"paragraph","order":500,"section_id":"sec_e703d12d-8666-4bba-85cf-119735c18fb2","character_id":null,"markdown":"株価が既にその供給制約を完全に理解していれば、","render_override":null},{"id":"blk_e6a22bd6-03c3-4a54-a2d2-42993b3062af","kind":"paragraph","order":501,"section_id":"sec_e703d12d-8666-4bba-85cf-119735c18fb2","character_id":null,"markdown":"投資妙味は別問題になる。","render_override":null},{"id":"blk_ae61f8ab-8769-485b-8840-9e3f6c1d7010","kind":"thematic_break","order":502,"section_id":"sec_e703d12d-8666-4bba-85cf-119735c18fb2","character_id":null,"markdown":"---","render_override":null},{"id":"blk_fcfde7b4-2313-4f75-8d58-49452f716c94","kind":"heading","order":503,"section_id":"sec_81be29da-710b-4752-b0df-c80db48e75aa","character_id":null,"markdown":"## 32．Physical AIはヒューマノイドだけではない","render_override":null},{"id":"blk_524fd9ca-4513-4ec0-a714-6481ba92523a","kind":"paragraph","order":504,"section_id":"sec_81be29da-710b-4752-b0df-c80db48e75aa","character_id":null,"markdown":"ここが最後の重要な論点である。","render_override":null},{"id":"blk_838c2461-ae9f-49af-8d79-902131fc4c47","kind":"paragraph","order":505,"section_id":"sec_81be29da-710b-4752-b0df-c80db48e75aa","character_id":null,"markdown":"今回見た部品は、","render_override":null},{"id":"blk_1e6cc671-f03f-4079-a659-6af151dbf6d6","kind":"paragraph","order":506,"section_id":"sec_81be29da-710b-4752-b0df-c80db48e75aa","character_id":null,"markdown":"Humanoid専用品ばかりではない。","render_override":null},{"id":"blk_a9a31ecf-62b3-4164-96d1-1a10decf742b","kind":"paragraph","order":507,"section_id":"sec_81be29da-710b-4752-b0df-c80db48e75aa","character_id":null,"markdown":"むしろ多くは、","render_override":null},{"id":"blk_9c75f85c-6faa-4715-aef6-4095111456d2","kind":"heading","order":508,"section_id":"sec_adda5d6d-e406-4fda-981b-395149656b4c","character_id":null,"markdown":"## Physical AI全体の共通インフラ","render_override":null},{"id":"blk_996b9ed9-a7da-4db7-9146-f695a79487c9","kind":"paragraph","order":509,"section_id":"sec_adda5d6d-e406-4fda-981b-395149656b4c","character_id":null,"markdown":"である。","render_override":null},{"id":"blk_84676cb1-d682-4393-ad61-a103c1817f6e","kind":"figure","order":510,"section_id":"sec_adda5d6d-e406-4fda-981b-395149656b4c","character_id":null,"markdown":"![](/media/ff9e28ad78dd9ce4bfe39641d800e781fadd4b69147ca0a711668647c34c5996-content.webp)","render_override":null},{"id":"blk_2f1173dd-0d76-4b30-bbc6-fa95e5f307a0","kind":"thematic_break","order":511,"section_id":"sec_adda5d6d-e406-4fda-981b-395149656b4c","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a1844465-0ee8-42d8-ac08-6a259fc54b33","kind":"heading","order":512,"section_id":"sec_842225d0-53a0-4590-842b-52a4bf56b748","character_id":null,"markdown":"## 33．工作機械","render_override":null},{"id":"blk_805395c7-7459-4fe3-8d38-936bf3a0c075","kind":"paragraph","order":513,"section_id":"sec_842225d0-53a0-4590-842b-52a4bf56b748","character_id":null,"markdown":"工作機械には既に、","render_override":null},{"id":"blk_dbb24bc3-84ec-4769-9ec9-8ceb064a526b","kind":"list","order":514,"section_id":"sec_842225d0-53a0-4590-842b-52a4bf56b748","character_id":null,"markdown":"- Servo Motor\n- Drive\n- Encoder\n- Ball Screw\n- Linear Guide\n- Bearing\n- Force sensing\n- Motion Controller","render_override":null},{"id":"blk_b89d5ae7-4b11-47c6-b872-00941bd67777","kind":"paragraph","order":515,"section_id":"sec_842225d0-53a0-4590-842b-52a4bf56b748","character_id":null,"markdown":"が使われている。","render_override":null},{"id":"blk_83bbb1aa-11e8-4386-b6da-955399cea903","kind":"paragraph","order":516,"section_id":"sec_842225d0-53a0-4590-842b-52a4bf56b748","character_id":null,"markdown":"そこへAIが入り、","render_override":null},{"id":"blk_bc0b5564-1b08-46f2-bcd3-9a8d41ff8ffd","kind":"paragraph","order":517,"section_id":"sec_842225d0-53a0-4590-842b-52a4bf56b748","character_id":null,"markdown":"**Tool wear prediction** \n**Adaptive machining** \n**Autonomous setup** \n**Vision inspection** \n**Force-controlled cutting**","render_override":null},{"id":"blk_b799e483-7a73-4ce9-bceb-defdc6c9abca","kind":"paragraph","order":518,"section_id":"sec_842225d0-53a0-4590-842b-52a4bf56b748","character_id":null,"markdown":"が進めば、","render_override":null},{"id":"blk_38586dc7-69c4-4092-90d3-dc450d8cdee5","kind":"paragraph","order":519,"section_id":"sec_842225d0-53a0-4590-842b-52a4bf56b748","character_id":null,"markdown":"Physical AIのMotion Stack需要が増える。","render_override":null},{"id":"blk_be60ddd8-b200-4edd-9355-f35250df8bd4","kind":"paragraph","order":520,"section_id":"sec_842225d0-53a0-4590-842b-52a4bf56b748","character_id":null,"markdown":"この場合、","render_override":null},{"id":"blk_d13bb823-2f40-4688-a0e6-6a1b606cc6cc","kind":"heading","order":521,"section_id":"sec_d8017e40-9dd7-4614-8060-3f6ef36aaa88","character_id":null,"markdown":"### THK","render_override":null},{"id":"blk_074d8eec-84ea-4dd1-a523-0da9c59a2dd6","kind":"heading","order":522,"section_id":"sec_74bbc030-601d-4010-afb2-6d253a36652f","character_id":null,"markdown":"### Hiwin","render_override":null},{"id":"blk_c946552c-aaac-4164-b82d-ad9ae0d9d5ce","kind":"heading","order":523,"section_id":"sec_c4d7f6cd-9177-41a4-a408-85b1a123869b","character_id":null,"markdown":"### Inovance","render_override":null},{"id":"blk_87948370-55b7-4080-8be4-ea845997ff15","kind":"heading","order":524,"section_id":"sec_65c82595-5b97-4154-804b-e1c134c72bb7","character_id":null,"markdown":"### Yaskawa","render_override":null},{"id":"blk_b382d7f6-d843-456c-ac1c-62b2e14f5227","kind":"heading","order":525,"section_id":"sec_f63cc0af-e612-46a5-881c-df8d5fb6fd27","character_id":null,"markdown":"### FANUC","render_override":null},{"id":"blk_03ee8675-5fc7-499c-8f97-3d2efa36be8d","kind":"heading","order":526,"section_id":"sec_c1636c0c-6e1c-415f-b575-e8299d90170e","character_id":null,"markdown":"### Schaeffler","render_override":null},{"id":"blk_793d9cfd-cf80-451e-9187-aa91c1efad68","kind":"paragraph","order":527,"section_id":"sec_c1636c0c-6e1c-415f-b575-e8299d90170e","character_id":null,"markdown":"などが恩恵候補になる。","render_override":null},{"id":"blk_67d8913d-00ea-433a-9ca5-5dc2f65cd33c","kind":"paragraph","order":528,"section_id":"sec_c1636c0c-6e1c-415f-b575-e8299d90170e","character_id":null,"markdown":"特にTHKとHiwinは「ヒューマノイドが失敗しても工作機械・FA市場がある」という点が強い。","render_override":null},{"id":"blk_ee677499-187f-4fdd-8fa2-78cafe0e43a7","kind":"figure","order":529,"section_id":"sec_c1636c0c-6e1c-415f-b575-e8299d90170e","character_id":null,"markdown":"![](/media/65d76f5e5000706d7d08a55d58ecb10c13f21722946488f5bbea7e53c12421ec-content.webp)","render_override":null},{"id":"blk_acbf4033-9c57-4d02-9f13-0aba15d9f70b","kind":"thematic_break","order":530,"section_id":"sec_c1636c0c-6e1c-415f-b575-e8299d90170e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_883d6a66-e9db-4a45-8e62-d90b29628b9b","kind":"heading","order":531,"section_id":"sec_d023810e-c6a6-49f0-a449-973e750faddf","character_id":null,"markdown":"## 34．協働ロボット","render_override":null},{"id":"blk_ec287076-70b6-4589-a9bc-f0eb7aa3bb84","kind":"paragraph","order":532,"section_id":"sec_d023810e-c6a6-49f0-a449-973e750faddf","character_id":null,"markdown":"Cobotsでは、","render_override":null},{"id":"blk_c7210f33-c769-42a6-8cbd-d5c17cbe355f","kind":"paragraph","order":533,"section_id":"sec_d023810e-c6a6-49f0-a449-973e750faddf","character_id":null,"markdown":"人間と同じ場所で安全に動く必要がある。","render_override":null},{"id":"blk_629fe867-a1bb-4914-b33b-4fe0961e6689","kind":"paragraph","order":534,"section_id":"sec_d023810e-c6a6-49f0-a449-973e750faddf","character_id":null,"markdown":"したがって、","render_override":null},{"id":"blk_ca562f77-8cee-4fdf-a9c3-4ec6cadfb74e","kind":"paragraph","order":535,"section_id":"sec_d023810e-c6a6-49f0-a449-973e750faddf","character_id":null,"markdown":"**Torque Sensor** \n**6-axis F/T** \n**Encoder** \n**Backdrivable Joint** \n**Integrated Actuator**","render_override":null},{"id":"blk_7237f890-cb0d-4a3a-8fc3-5487049838fa","kind":"paragraph","order":536,"section_id":"sec_d023810e-c6a6-49f0-a449-973e750faddf","character_id":null,"markdown":"が非常に重要になる。","render_override":null},{"id":"blk_299a50b2-a855-49fc-af46-91a4b04293f8","kind":"paragraph","order":537,"section_id":"sec_d023810e-c6a6-49f0-a449-973e750faddf","character_id":null,"markdown":"ここでは、","render_override":null},{"id":"blk_c25e1858-e116-478a-9641-abe9a76ceb68","kind":"heading","order":538,"section_id":"sec_eccb7da4-1eea-41e9-b769-0fbba53ba9fc","character_id":null,"markdown":"### Novanta","render_override":null},{"id":"blk_56cd8d8f-36ec-4c09-be10-0a3707672a9e","kind":"heading","order":539,"section_id":"sec_8ce0284b-c00c-457a-8dfe-456636ce6c7f","character_id":null,"markdown":"### VPG","render_override":null},{"id":"blk_ed923696-4622-43ac-bfd4-323c6432cafb","kind":"heading","order":540,"section_id":"sec_62b0d046-5e7e-4854-ba27-422a77832143","character_id":null,"markdown":"### Schaeffler","render_override":null},{"id":"blk_409d94a9-24ff-409c-88a7-d51ba29ca2b1","kind":"heading","order":541,"section_id":"sec_b6b0f97b-d1bb-4548-a5e5-d6e2697ab087","character_id":null,"markdown":"### Leadshine","render_override":null},{"id":"blk_205bf2e4-67eb-4174-9fa7-5734d2136fd6","kind":"heading","order":542,"section_id":"sec_81085cfc-4a47-4dfd-ad29-7ef7096bf4c0","character_id":null,"markdown":"### Inovance","render_override":null},{"id":"blk_9b64ab02-e22a-44bf-89d4-d49651c24704","kind":"paragraph","order":543,"section_id":"sec_81085cfc-4a47-4dfd-ad29-7ef7096bf4c0","character_id":null,"markdown":"などの技術がそのまま使える。","render_override":null},{"id":"blk_794f9150-ce17-4f8d-b675-928af9f5fa22","kind":"figure","order":544,"section_id":"sec_81085cfc-4a47-4dfd-ad29-7ef7096bf4c0","character_id":null,"markdown":"![](/media/942e8f16bdb6229c5c57e8026274b37413da32015955f689d3404c811dcbe03e-content.webp)","render_override":null},{"id":"blk_4881fc28-f92c-470f-a442-dbf7f2201eff","kind":"thematic_break","order":545,"section_id":"sec_81085cfc-4a47-4dfd-ad29-7ef7096bf4c0","character_id":null,"markdown":"---","render_override":null},{"id":"blk_d1786d6f-dfbb-4f39-bfdc-36ce0de9630a","kind":"heading","order":546,"section_id":"sec_37826d2b-859a-4f14-a7eb-0ff5c28fabde","character_id":null,"markdown":"## 35．AMR・物流ロボット","render_override":null},{"id":"blk_527e5b76-1737-42ca-8c3a-1c3b3beb7663","kind":"paragraph","order":547,"section_id":"sec_37826d2b-859a-4f14-a7eb-0ff5c28fabde","character_id":null,"markdown":"倉庫ロボットやmobile manipulatorでは、","render_override":null},{"id":"blk_a28a0810-fcfa-4a09-a17c-09b6c723c9d6","kind":"paragraph","order":548,"section_id":"sec_37826d2b-859a-4f14-a7eb-0ff5c28fabde","character_id":null,"markdown":"Motor \nServo \nWheel Drive \nLiDAR \nCamera \nIMU \nEdge AI \nBattery \nConnector","render_override":null},{"id":"blk_04860473-7e87-4484-9451-5db95845a181","kind":"paragraph","order":549,"section_id":"sec_37826d2b-859a-4f14-a7eb-0ff5c28fabde","character_id":null,"markdown":"が必要になる。","render_override":null},{"id":"blk_2fc4e0ae-79ea-45d1-9500-ad97dcf787ae","kind":"paragraph","order":550,"section_id":"sec_37826d2b-859a-4f14-a7eb-0ff5c28fabde","character_id":null,"markdown":"Leadshine自身もtraditional motion controlだけでなく物流、3C、半導体、包装へ展開している。([Leadshine](https://static.leadshine.com/newsEvent/details/leadshine-2025-annual-report-%26-2026-q1-report%3A-accelerating-the-growth-flywheel%2C-revenue-hits-new-highs.html?utm_source=chatgpt.com))","render_override":null},{"id":"blk_da7499da-57ca-4906-8da2-8fa91ebf9f67","kind":"paragraph","order":551,"section_id":"sec_37826d2b-859a-4f14-a7eb-0ff5c28fabde","character_id":null,"markdown":"つまりHumanoidの成長を待たずともPhysical AIの周辺市場が伸びる。","render_override":null},{"id":"blk_f94aac73-adb8-4443-b092-eec59b183280","kind":"figure","order":552,"section_id":"sec_37826d2b-859a-4f14-a7eb-0ff5c28fabde","character_id":null,"markdown":"![](/media/22336d079044eceb9cd15135bac3a9ac62744c0e3faa43d08c3f299c06389848-content.webp)","render_override":null},{"id":"blk_03db4a4e-99b4-43d9-8687-c3c2df435f63","kind":"thematic_break","order":553,"section_id":"sec_37826d2b-859a-4f14-a7eb-0ff5c28fabde","character_id":null,"markdown":"---","render_override":null},{"id":"blk_8ffcae15-96d9-4c8e-88ae-dec92e39275a","kind":"heading","order":554,"section_id":"sec_04bebbed-7513-414c-9bcc-1247b6ca4e09","character_id":null,"markdown":"## 36．半導体製造装置","render_override":null},{"id":"blk_b9de1f75-4c58-4e99-b7fa-cc079645ee60","kind":"paragraph","order":555,"section_id":"sec_04bebbed-7513-414c-9bcc-1247b6ca4e09","character_id":null,"markdown":"これはかなり面白い。","render_override":null},{"id":"blk_675e806d-f213-4191-9424-937e66c98686","kind":"paragraph","order":556,"section_id":"sec_04bebbed-7513-414c-9bcc-1247b6ca4e09","character_id":null,"markdown":"半導体装置では、","render_override":null},{"id":"blk_8cd7ccff-5e1b-42c4-9090-1128832142cb","kind":"paragraph","order":557,"section_id":"sec_04bebbed-7513-414c-9bcc-1247b6ca4e09","character_id":null,"markdown":"**nm～µmレベルのPrecision Motion**","render_override":null},{"id":"blk_3302a555-d7fa-47d9-aaec-443e85750640","kind":"paragraph","order":558,"section_id":"sec_04bebbed-7513-414c-9bcc-1247b6ca4e09","character_id":null,"markdown":"が必要になる。","render_override":null},{"id":"blk_4ed80063-e324-4ab7-b708-e218bc9ced97","kind":"paragraph","order":559,"section_id":"sec_04bebbed-7513-414c-9bcc-1247b6ca4e09","character_id":null,"markdown":"Encoder \nLinear Motor \nForce Sensor \nPrecision Stage \nBearing \nServo","render_override":null},{"id":"blk_ebc07d4b-a980-4846-b0ae-d766308d6c3b","kind":"paragraph","order":560,"section_id":"sec_04bebbed-7513-414c-9bcc-1247b6ca4e09","character_id":null,"markdown":"などが既に大量に使われている。","render_override":null},{"id":"blk_c37e6d6c-843d-45a6-98b1-cd218a4d0e8a","kind":"paragraph","order":561,"section_id":"sec_04bebbed-7513-414c-9bcc-1247b6ca4e09","character_id":null,"markdown":"VPGも2026Q2で、AI関連需要としてsemiconductor equipmentやdata-center infrastructure向け受注の強さを説明している。([The Motley Fool](https://www.fool.com/earnings/call-transcripts/2026/08/12/vishay-precision-group-vpg-q2-2026-earnings-call-transcript/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_360261ae-c16f-4693-9c06-a04eca736262","kind":"paragraph","order":562,"section_id":"sec_04bebbed-7513-414c-9bcc-1247b6ca4e09","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_f1008a9f-5c84-45b5-8ae2-ad837899bae7","kind":"heading","order":563,"section_id":"sec_4700aa91-0902-4771-9341-000c732f5376","character_id":null,"markdown":"## AI Data Center投資","render_override":null},{"id":"blk_88da60da-7c00-438d-9c0b-8b1f9918c871","kind":"paragraph","order":564,"section_id":"sec_4700aa91-0902-4771-9341-000c732f5376","character_id":null,"markdown":"と","render_override":null},{"id":"blk_d93b7e5f-2846-4476-a684-1c8c0a9b008b","kind":"heading","order":565,"section_id":"sec_5fa9761f-d703-4a7b-8518-57d5cad91faa","character_id":null,"markdown":"## Physical AI","render_override":null},{"id":"blk_ce240ad2-e404-4e1e-a59d-0bc23c35acee","kind":"paragraph","order":566,"section_id":"sec_5fa9761f-d703-4a7b-8518-57d5cad91faa","character_id":null,"markdown":"の両方から需要を取れる企業も存在する。","render_override":null},{"id":"blk_096fb1e4-fa32-4262-8a0e-c7fdd6d4a23a","kind":"figure","order":567,"section_id":"sec_5fa9761f-d703-4a7b-8518-57d5cad91faa","character_id":null,"markdown":"![](/media/abf224f48a1acd0bdf5b19d153d00a1277d6f7f100d4c525696a11d99d6fcd1f-content.webp)","render_override":null},{"id":"blk_72569539-e8f5-40ea-a617-adf1e1d134ec","kind":"thematic_break","order":568,"section_id":"sec_5fa9761f-d703-4a7b-8518-57d5cad91faa","character_id":null,"markdown":"---","render_override":null},{"id":"blk_44063b67-ff58-4793-ab61-3592d87cbdaf","kind":"heading","order":569,"section_id":"sec_ac95a02f-c225-4cc5-bc93-5f8775bf6c71","character_id":null,"markdown":"## 37．医療・手術ロボット","render_override":null},{"id":"blk_7f841d50-fa74-48fc-a1fc-9f73397056ec","kind":"paragraph","order":570,"section_id":"sec_ac95a02f-c225-4cc5-bc93-5f8775bf6c71","character_id":null,"markdown":"手術ロボットでは、","render_override":null},{"id":"blk_473bc939-e5dc-40e4-8589-aea7afc0906f","kind":"list","order":571,"section_id":"sec_ac95a02f-c225-4cc5-bc93-5f8775bf6c71","character_id":null,"markdown":"- 小型Motor\n- 高精度Encoder\n- 6-axis F/T\n- Force Feedback\n- Precision Gear\n- Low-backlash Motion","render_override":null},{"id":"blk_1a5451df-d2bf-4915-828f-f73f84e95527","kind":"paragraph","order":572,"section_id":"sec_ac95a02f-c225-4cc5-bc93-5f8775bf6c71","character_id":null,"markdown":"が重要になる。","render_override":null},{"id":"blk_af4f15b6-cd59-4303-a821-22e2eee2c553","kind":"paragraph","order":573,"section_id":"sec_ac95a02f-c225-4cc5-bc93-5f8775bf6c71","character_id":null,"markdown":"NovantaもForce/Torque Sensorの用途としてhumanoidだけでなくrobotic surgeryやadvanced automationを挙げている。([Novanta](https://novanta.com/news/scaling-the-technologies-that-will-power-physical-ai/?utm_source=chatgpt.com))","render_override":null},{"id":"blk_13833787-0b52-4049-83e1-12b24ea9c2a7","kind":"paragraph","order":574,"section_id":"sec_ac95a02f-c225-4cc5-bc93-5f8775bf6c71","character_id":null,"markdown":"したがってForce Sensorは、","render_override":null},{"id":"blk_3fc83dc1-7b98-4180-9cf9-5a7e112a73da","kind":"heading","order":575,"section_id":"sec_8d9003f9-4a8b-409d-8882-e6261db64cef","character_id":null,"markdown":"## Humanoidだけに賭けているわけではない。","render_override":null},{"id":"blk_d033c68a-713e-4a77-b822-b54bcd812ad3","kind":"paragraph","order":576,"section_id":"sec_8d9003f9-4a8b-409d-8882-e6261db64cef","character_id":null,"markdown":"ここがVPGやNovantaの大きな強みになる。","render_override":null},{"id":"blk_faee818f-1040-449a-af00-8c0f379ecf78","kind":"figure","order":577,"section_id":"sec_8d9003f9-4a8b-409d-8882-e6261db64cef","character_id":null,"markdown":"![](/media/a6954b2818496122756bf62241650b769144a9ba70096e99fb140fa564aa5fea-content.webp)","render_override":null},{"id":"blk_cc8d9d0a-89ff-46c6-adb0-53fe77331b39","kind":"thematic_break","order":578,"section_id":"sec_8d9003f9-4a8b-409d-8882-e6261db64cef","character_id":null,"markdown":"---","render_override":null},{"id":"blk_87a19c84-b010-41fd-95ef-7cfdd33945af","kind":"heading","order":579,"section_id":"sec_81d656d2-f4cb-4610-babf-a92d31423506","character_id":null,"markdown":"## 38．自動倉庫・工場・AI Factory","render_override":null},{"id":"blk_e7da5deb-3d94-428f-840f-66b6cc38b104","kind":"paragraph","order":580,"section_id":"sec_81d656d2-f4cb-4610-babf-a92d31423506","character_id":null,"markdown":"最終的にPhysical AIが広がると、","render_override":null},{"id":"blk_8d9479fb-b798-40e6-b27c-a808c77c6614","kind":"paragraph","order":581,"section_id":"sec_81d656d2-f4cb-4610-babf-a92d31423506","character_id":null,"markdown":"人型だけでなく、","render_override":null},{"id":"blk_0d3ef333-8f22-4301-a352-1a4a8ea10979","kind":"list","order":582,"section_id":"sec_81d656d2-f4cb-4610-babf-a92d31423506","character_id":null,"markdown":"- Autonomous Forklift\n- AMR\n- Cobot\n- Robot Arm\n- Machine Tool\n- Inspection Robot\n- Warehouse Robot\n- Surgical Robot\n- Construction Robot\n- Agriculture Robot","render_override":null},{"id":"blk_ac26a413-1051-40ec-9dfd-8fc50aa71295","kind":"paragraph","order":583,"section_id":"sec_81d656d2-f4cb-4610-babf-a92d31423506","character_id":null,"markdown":"などへ同じ部品技術が横展開される。","render_override":null},{"id":"blk_61de744a-137a-40fd-bd00-121fcf94a2cd","kind":"paragraph","order":584,"section_id":"sec_81d656d2-f4cb-4610-babf-a92d31423506","character_id":null,"markdown":"つまり本当に取りにいきたいのは、","render_override":null},{"id":"blk_c3c97908-5439-45ab-8752-1b055e425a86","kind":"heading","order":585,"section_id":"sec_48cfdf26-e743-4135-be3a-c81ec5a72beb","character_id":null,"markdown":"## Humanoid TAM","render_override":null},{"id":"blk_4cfbc4f6-7670-453f-92d2-ddfdce6b2066","kind":"paragraph","order":586,"section_id":"sec_48cfdf26-e743-4135-be3a-c81ec5a72beb","character_id":null,"markdown":"だけではなく、","render_override":null},{"id":"blk_65c2da47-2c03-4eb1-bbd5-7cc1dff4625a","kind":"heading","order":587,"section_id":"sec_a4fc2248-af18-4b8a-b590-c549113402a5","character_id":null,"markdown":"## Physical Motion TAM","render_override":null},{"id":"blk_154ac927-8f47-4741-b60e-b48d123ac71d","kind":"paragraph","order":588,"section_id":"sec_a4fc2248-af18-4b8a-b590-c549113402a5","character_id":null,"markdown":"なのである。","render_override":null},{"id":"blk_d7465f25-21d1-495a-a817-5c44e83d00c2","kind":"figure","order":589,"section_id":"sec_a4fc2248-af18-4b8a-b590-c549113402a5","character_id":null,"markdown":"![](/media/e11dab9fd66265ca882530937732132be01926c95132f65799b39680c60b4573-content.webp)","render_override":null},{"id":"blk_48255ccb-de0d-41e7-b36d-21ab3363abf7","kind":"thematic_break","order":590,"section_id":"sec_a4fc2248-af18-4b8a-b590-c549113402a5","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c6edac27-c965-43d1-b61c-7ca0ec272397","kind":"heading","order":591,"section_id":"sec_e7ba3875-d70c-4ca3-b9f5-6d93d0e2de01","character_id":null,"markdown":"## 39．この観点で再び銘柄を見る","render_override":null},{"id":"blk_d8b6b87a-0d5f-4bf0-a26a-b290f44e7b2e","kind":"heading","order":592,"section_id":"sec_8836321d-3d70-4c8f-b002-2bd4caf16612","character_id":null,"markdown":"### Inovance","render_override":null},{"id":"blk_d65e39c2-e373-478e-b95f-b8c33b17c749","kind":"paragraph","order":593,"section_id":"sec_8836321d-3d70-4c8f-b002-2bd4caf16612","character_id":null,"markdown":"Humanoidが伸びる \n↓ \nActuator需要増","render_override":null},{"id":"blk_699a5cbf-8439-4462-97ef-7a2a43c7264f","kind":"paragraph","order":594,"section_id":"sec_8836321d-3d70-4c8f-b002-2bd4caf16612","character_id":null,"markdown":"Humanoidが遅れる \n↓ \nFactory Automation / Servo / Motion Controlが残る","render_override":null},{"id":"blk_0485363c-906d-49fd-8966-060aca7bfc07","kind":"paragraph","order":595,"section_id":"sec_8836321d-3d70-4c8f-b002-2bd4caf16612","character_id":null,"markdown":"つまり、","render_override":null},{"id":"blk_099ae42a-7278-4e61-961f-028e6d037d94","kind":"heading","order":596,"section_id":"sec_cff5ede8-b7a5-41ad-b382-64a7a066863b","character_id":null,"markdown":"## Physical AI Compounder型","render_override":null},{"id":"blk_ebf614a2-70bc-4d67-81b2-5faa46cfed16","kind":"thematic_break","order":597,"section_id":"sec_cff5ede8-b7a5-41ad-b382-64a7a066863b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_fa0bb81e-10e4-4110-aa75-01e034d371b6","kind":"heading","order":598,"section_id":"sec_bea0ed79-df4e-47af-a87b-76f69337c848","character_id":null,"markdown":"### Tuopu","render_override":null},{"id":"blk_40691d25-e8c7-4a0f-934b-05baa30b7ab5","kind":"paragraph","order":599,"section_id":"sec_bea0ed79-df4e-47af-a87b-76f69337c848","character_id":null,"markdown":"EV Tier1 \n＋ \nThermal \n＋ \nStructure \n＋ \nActuator \n＋ \nRobot","render_override":null},{"id":"blk_86c918ff-9c83-4e7a-9a16-ebba76f09181","kind":"paragraph","order":600,"section_id":"sec_bea0ed79-df4e-47af-a87b-76f69337c848","character_id":null,"markdown":"なので、","render_override":null},{"id":"blk_3aea4ef0-1adc-484c-b830-72c1dcc6025d","kind":"heading","order":601,"section_id":"sec_e2682dbd-4c5b-4d1e-8e4e-7f51d3795686","character_id":null,"markdown":"## 自動車量産技術をPhysical AIへ移植する型","render_override":null},{"id":"blk_c700fca0-5f20-48e1-a04e-17e17445b978","kind":"thematic_break","order":602,"section_id":"sec_e2682dbd-4c5b-4d1e-8e4e-7f51d3795686","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a2f144c8-07e4-42cf-99ae-2a2a0a0739cd","kind":"heading","order":603,"section_id":"sec_9f1009cf-7540-4410-b4d7-2c3c32ceee8d","character_id":null,"markdown":"### Leadshine","render_override":null},{"id":"blk_0f568c6e-4452-42af-88f0-25a80737c438","kind":"paragraph","order":604,"section_id":"sec_9f1009cf-7540-4410-b4d7-2c3c32ceee8d","character_id":null,"markdown":"Industrial Motion \n↓ \nFrameless Motor \n↓ \nJoint Module \n↓ \nDexterous Hand","render_override":null},{"id":"blk_5bd00a5c-386a-4e3c-a0b0-e4218e77e958","kind":"paragraph","order":605,"section_id":"sec_9f1009cf-7540-4410-b4d7-2c3c32ceee8d","character_id":null,"markdown":"なので、","render_override":null},{"id":"blk_c5013698-6a81-4173-b826-2bccf800a01e","kind":"heading","order":606,"section_id":"sec_8b36ed80-b04c-4fed-ad7e-58bfe2eb0f6d","character_id":null,"markdown":"## Humanoid数量レバレッジ型","render_override":null},{"id":"blk_46338f1d-5c9f-40a6-89cb-4343949220b9","kind":"thematic_break","order":607,"section_id":"sec_8b36ed80-b04c-4fed-ad7e-58bfe2eb0f6d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_4bf1182d-ab5a-435c-937a-685498e8f85b","kind":"heading","order":608,"section_id":"sec_3f4c93d7-cb5e-4504-9899-53fda24a24fc","character_id":null,"markdown":"### Schaeffler","render_override":null},{"id":"blk_b05c58ab-3bc2-46ce-8ab9-b80823bcf1cc","kind":"paragraph","order":609,"section_id":"sec_3f4c93d7-cb5e-4504-9899-53fda24a24fc","character_id":null,"markdown":"Bearing \n＋ \nGear \n＋ \nMotor \n＋ \nActuator \n＋ \nIndustrial customer base","render_override":null},{"id":"blk_9102efb0-4e32-4de2-b162-831650928022","kind":"paragraph","order":610,"section_id":"sec_3f4c93d7-cb5e-4504-9899-53fda24a24fc","character_id":null,"markdown":"なので、","render_override":null},{"id":"blk_d84aa53f-1d61-4de4-8e4b-a9b9bb9bf02e","kind":"heading","order":611,"section_id":"sec_998b5cc8-ab3a-4142-9d1c-e95fb68d6ecd","character_id":null,"markdown":"## Motion Platform型","render_override":null},{"id":"blk_acb925b0-fd75-4b36-b0a1-04bbe6d26363","kind":"thematic_break","order":612,"section_id":"sec_998b5cc8-ab3a-4142-9d1c-e95fb68d6ecd","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1def82fb-e9e7-47fa-9b36-23a3fb40e0a6","kind":"heading","order":613,"section_id":"sec_a97762b4-f216-4b5c-a17a-c03152b4f717","character_id":null,"markdown":"### VPG / Novanta","render_override":null},{"id":"blk_3b34e9e9-aeab-4910-83b3-32362447f2d9","kind":"paragraph","order":614,"section_id":"sec_a97762b4-f216-4b5c-a17a-c03152b4f717","character_id":null,"markdown":"Semiconductor equipment \nIndustrial automation \nMedical robotics \nHumanoid","render_override":null},{"id":"blk_62e47fdf-9b3e-4e24-a6fa-4d1713c5d52a","kind":"paragraph","order":615,"section_id":"sec_a97762b4-f216-4b5c-a17a-c03152b4f717","character_id":null,"markdown":"を横断する、","render_override":null},{"id":"blk_78644190-5217-4c50-80fe-b8eeba6b1568","kind":"heading","order":616,"section_id":"sec_056be7e6-26ac-4851-9bae-9a9899ce775d","character_id":null,"markdown":"## Precision Sensing型","render_override":null},{"id":"blk_d6f63277-20fd-4cfd-882c-027fbbb9ecae","kind":"thematic_break","order":617,"section_id":"sec_056be7e6-26ac-4851-9bae-9a9899ce775d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_a36a3a75-18c2-478d-9da4-586d07d09d77","kind":"heading","order":618,"section_id":"sec_3f487cf8-b3d1-4555-a1b0-a037d4d70bda","character_id":null,"markdown":"### THK / Hiwin","render_override":null},{"id":"blk_030f0468-f04d-469b-8422-085042a4ed9e","kind":"paragraph","order":619,"section_id":"sec_3f487cf8-b3d1-4555-a1b0-a037d4d70bda","character_id":null,"markdown":"Machine Tool \nSemiconductor equipment \nFactory Automation \nRobot","render_override":null},{"id":"blk_26af5bb4-6cd0-4a1e-9a41-9907c61ad209","kind":"paragraph","order":620,"section_id":"sec_3f487cf8-b3d1-4555-a1b0-a037d4d70bda","character_id":null,"markdown":"を横断する、","render_override":null},{"id":"blk_654e588f-7382-467e-a7f1-2d0c950eb008","kind":"heading","order":621,"section_id":"sec_1e365250-2520-4056-9417-20a53a2964e3","character_id":null,"markdown":"## Precision Linear Motion型","render_override":null},{"id":"blk_4ca1a87e-c165-461f-9d61-8ac1b73ddc40","kind":"paragraph","order":622,"section_id":"sec_1e365250-2520-4056-9417-20a53a2964e3","character_id":null,"markdown":"である。","render_override":null},{"id":"blk_5b881946-d5b3-4158-8c28-2474b08fcd52","kind":"figure","order":623,"section_id":"sec_1e365250-2520-4056-9417-20a53a2964e3","character_id":null,"markdown":"![](/media/a71e4c297304daa969269534291c87b85e072cf494bf7d8841dd59fb5b3dcec9-content.webp)","render_override":null},{"id":"blk_632d37f6-b45b-4b21-a0f5-1a5065efdb28","kind":"thematic_break","order":624,"section_id":"sec_1e365250-2520-4056-9417-20a53a2964e3","character_id":null,"markdown":"---","render_override":null},{"id":"blk_360f4f40-f2bb-4988-a134-cafab35d009b","kind":"heading","order":625,"section_id":"sec_f446e067-f459-4991-b5f6-3a2fa8b3a206","character_id":null,"markdown":"## 40．結局、どこが最も面白いのか","render_override":null},{"id":"blk_d28a3902-6de4-401a-9a96-2384890cb00c","kind":"paragraph","order":626,"section_id":"sec_f446e067-f459-4991-b5f6-3a2fa8b3a206","character_id":null,"markdown":"Physical AIで一番大きな誤解は、","render_override":null},{"id":"blk_d2063c0a-2630-4316-a7d5-c215fa923772","kind":"quote","order":627,"section_id":"sec_f446e067-f459-4991-b5f6-3a2fa8b3a206","character_id":null,"markdown":"> 「ヒューマノイドメーカーの勝者を当てればいい」","render_override":null},{"id":"blk_14e6605a-72bc-4699-a942-c634171eba03","kind":"paragraph","order":628,"section_id":"sec_f446e067-f459-4991-b5f6-3a2fa8b3a206","character_id":null,"markdown":"と考えることかもしれない。","render_override":null},{"id":"blk_1c84cc4c-38d4-4c7a-b10c-6334b28baf36","kind":"paragraph","order":629,"section_id":"sec_f446e067-f459-4991-b5f6-3a2fa8b3a206","character_id":null,"markdown":"Teslaが勝つのか。","render_override":null},{"id":"blk_fad00b56-386c-42b1-a21e-b78bb83a3cd3","kind":"paragraph","order":630,"section_id":"sec_f446e067-f459-4991-b5f6-3a2fa8b3a206","character_id":null,"markdown":"UBTechなのか。","render_override":null},{"id":"blk_9d3e5392-bf7f-4f1b-ba18-72a47d29221a","kind":"paragraph","order":631,"section_id":"sec_f446e067-f459-4991-b5f6-3a2fa8b3a206","character_id":null,"markdown":"Figureなのか。","render_override":null},{"id":"blk_f58747fd-0add-4b16-a326-35b34c3dee81","kind":"paragraph","order":632,"section_id":"sec_f446e067-f459-4991-b5f6-3a2fa8b3a206","character_id":null,"markdown":"Agilityなのか。","render_override":null},{"id":"blk_fc646748-2f94-4cb8-8daa-f67bec6a13fa","kind":"paragraph","order":633,"section_id":"sec_f446e067-f459-4991-b5f6-3a2fa8b3a206","character_id":null,"markdown":"中国勢なのか。","render_override":null},{"id":"blk_e94f543c-2f97-4303-9130-566bcd713274","kind":"paragraph","order":634,"section_id":"sec_f446e067-f459-4991-b5f6-3a2fa8b3a206","character_id":null,"markdown":"それを予想することは非常に難しい。","render_override":null},{"id":"blk_992ff1c4-4d13-4fed-8c56-38ca09832b5d","kind":"paragraph","order":635,"section_id":"sec_f446e067-f459-4991-b5f6-3a2fa8b3a206","character_id":null,"markdown":"しかし、","render_override":null},{"id":"blk_ce9a0c10-6932-491c-9380-a32fbbf4f80e","kind":"paragraph","order":636,"section_id":"sec_f446e067-f459-4991-b5f6-3a2fa8b3a206","character_id":null,"markdown":"どのロボットが勝っても、","render_override":null},{"id":"blk_3d982c94-45c9-4ab6-934c-5c51dfb64c9f","kind":"paragraph","order":637,"section_id":"sec_f446e067-f459-4991-b5f6-3a2fa8b3a206","character_id":null,"markdown":"**Motorは要る。**","render_override":null},{"id":"blk_8e97bca0-f902-4e18-99b3-ad975f8cfdb0","kind":"paragraph","order":638,"section_id":"sec_f446e067-f459-4991-b5f6-3a2fa8b3a206","character_id":null,"markdown":"**Jointは要る。**","render_override":null},{"id":"blk_061ad79e-c77b-4980-a5d6-1280dc7d7271","kind":"paragraph","order":639,"section_id":"sec_f446e067-f459-4991-b5f6-3a2fa8b3a206","character_id":null,"markdown":"**Force Sensorは要る。**","render_override":null},{"id":"blk_2457c176-3518-4752-a56d-bf6edc8a6673","kind":"paragraph","order":640,"section_id":"sec_f446e067-f459-4991-b5f6-3a2fa8b3a206","character_id":null,"markdown":"**Encoderは要る。**","render_override":null},{"id":"blk_6a482796-33be-473b-83f3-9d3268498818","kind":"paragraph","order":641,"section_id":"sec_f446e067-f459-4991-b5f6-3a2fa8b3a206","character_id":null,"markdown":"**Precision Screwは要る。**","render_override":null},{"id":"blk_db26a553-b771-403c-93f0-e23461c3cbea","kind":"paragraph","order":642,"section_id":"sec_f446e067-f459-4991-b5f6-3a2fa8b3a206","character_id":null,"markdown":"そして台数が増えるほど、","render_override":null},{"id":"blk_7a67670d-c1ac-4b68-8ab2-0bdaffbe5688","kind":"heading","order":643,"section_id":"sec_96764489-6637-4a5b-a602-708b916cb371","character_id":null,"markdown":"## Robot台数 × 自由度","render_override":null},{"id":"blk_a3318e77-07b9-4ca5-a597-acb2ff59170c","kind":"paragraph","order":644,"section_id":"sec_96764489-6637-4a5b-a602-708b916cb371","character_id":null,"markdown":"で数量が増える。","render_override":null},{"id":"blk_66030660-ae69-4ffb-8da3-81ba73ca4ba7","kind":"paragraph","order":645,"section_id":"sec_96764489-6637-4a5b-a602-708b916cb371","character_id":null,"markdown":"この構造は、","render_override":null},{"id":"blk_ea8d43e9-e8a5-4fe8-b443-0e4996eddc68","kind":"paragraph","order":646,"section_id":"sec_96764489-6637-4a5b-a602-708b916cb371","character_id":null,"markdown":"AI Acceleratorが増える \n↓ \nHBM stackが増える \n↓ \nDRAM die需要が増える","render_override":null},{"id":"blk_aa56e277-4047-4a97-bb62-de2d6a81578b","kind":"paragraph","order":647,"section_id":"sec_96764489-6637-4a5b-a602-708b916cb371","character_id":null,"markdown":"という現在のAIインフラ供給網と非常によく似ている。","render_override":null},{"id":"blk_57d68968-98bb-4fc7-a13f-ce40c1df9499","kind":"figure","order":648,"section_id":"sec_96764489-6637-4a5b-a602-708b916cb371","character_id":null,"markdown":"![](/media/acc21763f8c9e3f2db07310ef2d2f405578253415a2c3f668cc14201aa15abbf-content.webp)","render_override":null},{"id":"blk_8ff89173-604e-4756-90c3-951616af2428","kind":"thematic_break","order":649,"section_id":"sec_96764489-6637-4a5b-a602-708b916cb371","character_id":null,"markdown":"---","render_override":null},{"id":"blk_eb18dff9-f377-4d9d-98ef-1f5bca16b8f4","kind":"heading","order":650,"section_id":"sec_7c91e38f-a6ad-4906-b8fd-d3fa9c9bcae5","character_id":null,"markdown":"## 41．現時点で追いたい3階層","render_override":null},{"id":"blk_2d940a51-13e7-41c9-aa49-2ccf4e025ba8","kind":"heading","order":651,"section_id":"sec_57a5f512-cdbe-4687-a86b-16082891cc26","character_id":null,"markdown":"## 第1階層――System-on-Joint","render_override":null},{"id":"blk_0b05dc82-8165-42b6-b766-51a9bff8aff1","kind":"paragraph","order":652,"section_id":"sec_57a5f512-cdbe-4687-a86b-16082891cc26","character_id":null,"markdown":"最重要。","render_override":null},{"id":"blk_85a35efc-ef4c-49de-bba5-2f7af1cfd7da","kind":"paragraph","order":653,"section_id":"sec_57a5f512-cdbe-4687-a86b-16082891cc26","character_id":null,"markdown":"候補：","render_override":null},{"id":"blk_51533688-3356-43af-8f54-6661806abf91","kind":"paragraph","order":654,"section_id":"sec_57a5f512-cdbe-4687-a86b-16082891cc26","character_id":null,"markdown":"**Inovance** \n**Tuopu** \n**Leadshine** \n**Schaeffler** \n**THK**","render_override":null},{"id":"blk_9f8dfbda-10f3-48b5-a908-b1ee3b473aa3","kind":"thematic_break","order":655,"section_id":"sec_57a5f512-cdbe-4687-a86b-16082891cc26","character_id":null,"markdown":"---","render_override":null},{"id":"blk_75ba130a-51e9-43ff-b6f7-a8e3adad0531","kind":"heading","order":656,"section_id":"sec_9a6fa19c-fe56-4d82-a01d-1a219559a74d","character_id":null,"markdown":"## 第2階層――供給制約部品","render_override":null},{"id":"blk_98b1f8cb-d905-4d33-87ba-c41a6529fbf1","kind":"paragraph","order":657,"section_id":"sec_9a6fa19c-fe56-4d82-a01d-1a219559a74d","character_id":null,"markdown":"特に、","render_override":null},{"id":"blk_f98929cc-9897-4503-b515-d8abb5e2a8a1","kind":"paragraph","order":658,"section_id":"sec_9a6fa19c-fe56-4d82-a01d-1a219559a74d","character_id":null,"markdown":"**Planetary Roller Screw** \n**Strain-wave Reducer** \n**Force/Torque Sensor** \n**Encoder**","render_override":null},{"id":"blk_8d976ac9-3efc-488f-be32-de006bcb79ee","kind":"paragraph","order":659,"section_id":"sec_9a6fa19c-fe56-4d82-a01d-1a219559a74d","character_id":null,"markdown":"候補：","render_override":null},{"id":"blk_dc485d1b-93a9-474f-a87c-b97038ebbefe","kind":"paragraph","order":660,"section_id":"sec_9a6fa19c-fe56-4d82-a01d-1a219559a74d","character_id":null,"markdown":"**THK / Hiwin / SKF / Schaeffler** \n**Harmonic Drive / LeaderDrive** \n**VPG / Novanta**","render_override":null},{"id":"blk_b66434ae-7e90-46dc-811f-3ccdd7362d9c","kind":"thematic_break","order":661,"section_id":"sec_9a6fa19c-fe56-4d82-a01d-1a219559a74d","character_id":null,"markdown":"---","render_override":null},{"id":"blk_6a9f771f-7cbb-4caf-9f3f-d161dfcc0ff9","kind":"heading","order":662,"section_id":"sec_bbdfaeb9-00ac-4ef6-90dc-f01d8eac26bd","character_id":null,"markdown":"## 第3階層――数量複利","render_override":null},{"id":"blk_2ac8baf9-ac77-4719-b4ca-7889faa69b1a","kind":"paragraph","order":663,"section_id":"sec_bbdfaeb9-00ac-4ef6-90dc-f01d8eac26bd","character_id":null,"markdown":"Motor \nBearing \nDriver \nMCU \nPower semiconductor \nConnector","render_override":null},{"id":"blk_7be4e627-1d52-47b9-8ae6-62764b2c3cbd","kind":"paragraph","order":664,"section_id":"sec_bbdfaeb9-00ac-4ef6-90dc-f01d8eac26bd","character_id":null,"markdown":"は非常に大量に必要になる。","render_override":null},{"id":"blk_449de1da-0829-443c-bb15-114a602721de","kind":"paragraph","order":665,"section_id":"sec_bbdfaeb9-00ac-4ef6-90dc-f01d8eac26bd","character_id":null,"markdown":"ただしsupplierが多く、価格競争も起こりやすい。","render_override":null},{"id":"blk_8866edb8-e8e7-4211-9dfb-a66cbcd5d9ce","kind":"paragraph","order":666,"section_id":"sec_bbdfaeb9-00ac-4ef6-90dc-f01d8eac26bd","character_id":null,"markdown":"そのため、","render_override":null},{"id":"blk_b96a0001-50e8-4acf-ad6a-349f1a12c9b5","kind":"quote","order":667,"section_id":"sec_bbdfaeb9-00ac-4ef6-90dc-f01d8eac26bd","character_id":null,"markdown":"> **単品を売る会社より、Jointへ統合できる会社**","render_override":null},{"id":"blk_decb452f-2561-41c9-86a9-d534608a6e4a","kind":"paragraph","order":668,"section_id":"sec_bbdfaeb9-00ac-4ef6-90dc-f01d8eac26bd","character_id":null,"markdown":"を優先して見たい。","render_override":null},{"id":"blk_cc210871-34c6-44b6-88f0-a3a75b843215","kind":"thematic_break","order":669,"section_id":"sec_bbdfaeb9-00ac-4ef6-90dc-f01d8eac26bd","character_id":null,"markdown":"---","render_override":null},{"id":"blk_801733f2-3c04-442e-bf5f-a03fcdca43c5","kind":"heading","order":670,"section_id":"sec_9fded5ee-0c98-4e20-89d7-da865dc5a698","character_id":null,"markdown":"## 42．現在の私の分類","render_override":null},{"id":"blk_352d0406-0b48-4421-9b2a-0cd2078636c0","kind":"heading","order":671,"section_id":"sec_3b06f1b5-d2b7-4fa4-8f65-5ac8459c3dd6","character_id":null,"markdown":"## 最も総合バランスが良い","render_override":null},{"id":"blk_a8831459-7f7d-4ca3-9afb-a3ddbad0fd06","kind":"heading","order":672,"section_id":"sec_7e472cde-ea0e-40c6-b2b2-9c7d5325f9f6","character_id":null,"markdown":"### Inovance","render_override":null},{"id":"blk_1e8a660a-64be-45a9-89ff-c38c7782ce35","kind":"paragraph","order":673,"section_id":"sec_7e472cde-ea0e-40c6-b2b2-9c7d5325f9f6","character_id":null,"markdown":"既存利益＋Motion Platform＋合理的valuation。","render_override":null},{"id":"blk_34ba15f5-cb0a-4f60-b997-13dd5587fca6","kind":"thematic_break","order":674,"section_id":"sec_7e472cde-ea0e-40c6-b2b2-9c7d5325f9f6","character_id":null,"markdown":"---","render_override":null},{"id":"blk_b419fcba-dcb5-4a79-9c85-270d2021b0e6","kind":"heading","order":675,"section_id":"sec_3c9b0946-a887-4717-b270-619a76a5aede","character_id":null,"markdown":"## 最も安いRobot Optionality","render_override":null},{"id":"blk_2f19b4e1-6488-4d4a-bb0c-82bedc1f5e98","kind":"heading","order":676,"section_id":"sec_10eb72d1-010b-424b-a494-d297f8096785","character_id":null,"markdown":"### Tuopu","render_override":null},{"id":"blk_47195e1e-c715-40c4-a9f2-c7f30b4d6211","kind":"paragraph","order":677,"section_id":"sec_10eb72d1-010b-424b-a494-d297f8096785","character_id":null,"markdown":"Robot事業はまだ極小だが高marginで、全社valuationはRobot専業より低い。","render_override":null},{"id":"blk_81f10987-347a-41ee-b429-5b53283fc5ca","kind":"thematic_break","order":678,"section_id":"sec_10eb72d1-010b-424b-a494-d297f8096785","character_id":null,"markdown":"---","render_override":null},{"id":"blk_bee8c249-ddd2-4228-864c-15738dd7098f","kind":"heading","order":679,"section_id":"sec_78a29b22-49b1-45a8-8698-9805942404df","character_id":null,"markdown":"## 最も純粋なSensor Bottleneck","render_override":null},{"id":"blk_24eb0339-a56c-4d23-9be7-70b7fba74a94","kind":"heading","order":680,"section_id":"sec_e20368ac-6b5b-4429-b2ab-1fb769494a1e","character_id":null,"markdown":"### VPG","render_override":null},{"id":"blk_dfe37dd9-e529-42a9-abe0-800b66059507","kind":"paragraph","order":681,"section_id":"sec_e20368ac-6b5b-4429-b2ab-1fb769494a1e","character_id":null,"markdown":"正式Nominationまで進んでいる。","render_override":null},{"id":"blk_8fa9977c-8d11-4817-a397-23edc42e3b38","kind":"thematic_break","order":682,"section_id":"sec_e20368ac-6b5b-4429-b2ab-1fb769494a1e","character_id":null,"markdown":"---","render_override":null},{"id":"blk_fef2a255-51bf-4309-8bdb-aa82a4942174","kind":"heading","order":683,"section_id":"sec_5b95eb00-67a8-4f35-94f1-8b40372488c8","character_id":null,"markdown":"## 最も数量レバレッジが大きい","render_override":null},{"id":"blk_ba32284a-940a-45f9-a9a5-c25479867d69","kind":"heading","order":684,"section_id":"sec_208f4386-90aa-4a96-97e2-7112be9d2171","character_id":null,"markdown":"### Leadshine","render_override":null},{"id":"blk_c9f3a59d-e289-47f1-ae2a-db0177eee019","kind":"paragraph","order":685,"section_id":"sec_208f4386-90aa-4a96-97e2-7112be9d2171","character_id":null,"markdown":"既に大量出荷へ進んでいる。","render_override":null},{"id":"blk_e0877fb2-3b8f-4b96-951a-e0c83e233d0e","kind":"thematic_break","order":686,"section_id":"sec_208f4386-90aa-4a96-97e2-7112be9d2171","character_id":null,"markdown":"---","render_override":null},{"id":"blk_fe8711ee-a1ad-4fff-adc7-7945e7755ee2","kind":"heading","order":687,"section_id":"sec_a7b07528-ad9e-4d00-a522-711eff2d69d9","character_id":null,"markdown":"## 最も割安なSystem-on-Joint候補","render_override":null},{"id":"blk_5be16dac-3932-4b7b-bdae-fe1683f326f3","kind":"heading","order":688,"section_id":"sec_ddc7da84-71ea-4ac8-a53f-221afc8c0532","character_id":null,"markdown":"### Schaeffler","render_override":null},{"id":"blk_688ef2df-7ee2-449f-9476-267f576106dc","kind":"paragraph","order":689,"section_id":"sec_ddc7da84-71ea-4ac8-a53f-221afc8c0532","character_id":null,"markdown":"ただし利益レバレッジよりrerating型。","render_override":null},{"id":"blk_edfcfeea-5ef0-4457-af4a-fd93b3b38630","kind":"thematic_break","order":690,"section_id":"sec_ddc7da84-71ea-4ac8-a53f-221afc8c0532","character_id":null,"markdown":"---","render_override":null},{"id":"blk_092e4b10-5d48-48de-a194-782510c664bf","kind":"heading","order":691,"section_id":"sec_d327fdc6-2c4b-462d-9ff0-d1ce1151d0af","character_id":null,"markdown":"## 日本の最大オプション","render_override":null},{"id":"blk_765dff84-7ecb-4133-aab8-8efbf3857cbd","kind":"heading","order":692,"section_id":"sec_ce5282ac-ae3c-48b9-a405-46032ee22a28","character_id":null,"markdown":"### THK","render_override":null},{"id":"blk_1500434e-8da4-4d86-80be-b4d2137cbc1f","kind":"paragraph","order":693,"section_id":"sec_ce5282ac-ae3c-48b9-a405-46032ee22a28","character_id":null,"markdown":"外部OEM Design Winが確認されれば評価が変わる。","render_override":null},{"id":"blk_487977bf-48c4-4989-98aa-f9b25427e39f","kind":"thematic_break","order":694,"section_id":"sec_ce5282ac-ae3c-48b9-a405-46032ee22a28","character_id":null,"markdown":"---","render_override":null},{"id":"blk_c12f5f25-fd16-416a-8e8d-b54caff1fce0","kind":"heading","order":695,"section_id":"sec_08b52666-2828-43d9-a70f-911e7b3b832b","character_id":null,"markdown":"## 43．今後最も見るべき指標","render_override":null},{"id":"blk_9d908335-9272-431a-be31-1c05ca15743e","kind":"paragraph","order":696,"section_id":"sec_08b52666-2828-43d9-a70f-911e7b3b832b","character_id":null,"markdown":"株価以上に、次を追いたい。","render_override":null},{"id":"blk_fed53e14-fe4b-42dd-ba77-6b93639469c7","kind":"heading","order":697,"section_id":"sec_91eaa448-4c29-4745-abdb-21ac27b6f31b","character_id":null,"markdown":"### Leadshine","render_override":null},{"id":"blk_493128a2-dc7f-49d7-8f4b-93e479f606ac","kind":"paragraph","order":698,"section_id":"sec_91eaa448-4c29-4745-abdb-21ac27b6f31b","character_id":null,"markdown":"12万Motor \n↓ \n50万 \n↓ \n100万 \n↓ \nJoint Module比率","render_override":null},{"id":"blk_ef4b2a43-f049-4d0d-9216-6487f7a5d5a8","kind":"thematic_break","order":699,"section_id":"sec_91eaa448-4c29-4745-abdb-21ac27b6f31b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_2ddadc06-4b2d-48bb-9f48-ca923f30ee3d","kind":"heading","order":700,"section_id":"sec_ac358ab0-90bb-41f4-9077-c5dd5a6e2aad","character_id":null,"markdown":"### Tuopu","render_override":null},{"id":"blk_7cd1906f-eb28-4f61-993c-aab73fddd490","kind":"paragraph","order":701,"section_id":"sec_ac358ab0-90bb-41f4-9077-c5dd5a6e2aad","character_id":null,"markdown":"Robot Actuator売上","render_override":null},{"id":"blk_9abb3593-01a1-40d6-818e-b8619f3a466a","kind":"paragraph","order":702,"section_id":"sec_ac358ab0-90bb-41f4-9077-c5dd5a6e2aad","character_id":null,"markdown":"1,359万元 \n↓ \n1億元 \n↓ \n10億元","render_override":null},{"id":"blk_688f8803-5e1a-41cc-86c1-0b67349485c1","kind":"paragraph","order":703,"section_id":"sec_ac358ab0-90bb-41f4-9077-c5dd5a6e2aad","character_id":null,"markdown":"となるか。","render_override":null},{"id":"blk_0f45ceda-c669-43e7-9fda-0c9c1d38fda2","kind":"thematic_break","order":704,"section_id":"sec_ac358ab0-90bb-41f4-9077-c5dd5a6e2aad","character_id":null,"markdown":"---","render_override":null},{"id":"blk_08ba3008-15a5-46df-a0d5-2180b4656716","kind":"heading","order":705,"section_id":"sec_3a84ed6f-44bc-4f24-afe5-269cab16a45b","character_id":null,"markdown":"### VPG","render_override":null},{"id":"blk_5b087e15-3b60-4eb7-854d-06aade9d568f","kind":"paragraph","order":706,"section_id":"sec_3a84ed6f-44bc-4f24-afe5-269cab16a45b","character_id":null,"markdown":"Vendor Nomination \n↓ \n週数十台 \n↓ \n数百台 \n↓ \n数千台","render_override":null},{"id":"blk_2e2c6acd-80bf-49f6-8ebb-47a5b97e3a25","kind":"paragraph","order":707,"section_id":"sec_3a84ed6f-44bc-4f24-afe5-269cab16a45b","character_id":null,"markdown":"へ本当にrampするか。","render_override":null},{"id":"blk_8cc949f7-d1e4-4b7f-b705-79ce691deae3","kind":"thematic_break","order":708,"section_id":"sec_3a84ed6f-44bc-4f24-afe5-269cab16a45b","character_id":null,"markdown":"---","render_override":null},{"id":"blk_cfa13865-a90d-423c-8110-f351ca585c37","kind":"heading","order":709,"section_id":"sec_915e16f9-02fb-4ad4-bfec-c4d3adae42e6","character_id":null,"markdown":"### Novanta","render_override":null},{"id":"blk_d9585392-5ee6-43c9-9fc5-ff3ed5e04778","kind":"paragraph","order":710,"section_id":"sec_915e16f9-02fb-4ad4-bfec-c4d3adae42e6","character_id":null,"markdown":"European Design Win \n↓ \nproduction nomination","render_override":null},{"id":"blk_03a1aa24-c3f4-403b-bc39-b7557b84225b","kind":"paragraph","order":711,"section_id":"sec_915e16f9-02fb-4ad4-bfec-c4d3adae42e6","character_id":null,"markdown":"へ進むか。","render_override":null},{"id":"blk_640af604-e547-477c-9713-c2d1a47e9bb5","kind":"thematic_break","order":712,"section_id":"sec_915e16f9-02fb-4ad4-bfec-c4d3adae42e6","character_id":null,"markdown":"---","render_override":null},{"id":"blk_3bffb39b-4af6-470e-8064-f088c750cfe3","kind":"heading","order":713,"section_id":"sec_a752f9f8-51f6-43c4-aea4-bc36c7f681ec","character_id":null,"markdown":"### THK","render_override":null},{"id":"blk_681feb6c-c722-4dfb-9cf6-99e8bbafe2b5","kind":"paragraph","order":714,"section_id":"sec_a752f9f8-51f6-43c4-aea4-bc36c7f681ec","character_id":null,"markdown":"自社FRED \n↓ \n外部OEM sample \n↓ \n正式nomination","render_override":null},{"id":"blk_68c0a94e-fb64-4244-a6c0-1c125d7b4029","kind":"paragraph","order":715,"section_id":"sec_a752f9f8-51f6-43c4-aea4-bc36c7f681ec","character_id":null,"markdown":"へ進むか。","render_override":null},{"id":"blk_b8abcd14-4a33-4a26-882b-c1f50c7ce140","kind":"thematic_break","order":716,"section_id":"sec_a752f9f8-51f6-43c4-aea4-bc36c7f681ec","character_id":null,"markdown":"---","render_override":null},{"id":"blk_615fa701-16b7-4364-9528-b5015f1278ca","kind":"heading","order":717,"section_id":"sec_507d36ac-c8e8-45cc-8cd2-df8a9a2013e1","character_id":null,"markdown":"### Schaeffler","render_override":null},{"id":"blk_22b63d09-ea50-42a3-8edf-04ba96155495","kind":"paragraph","order":718,"section_id":"sec_507d36ac-c8e8-45cc-8cd2-df8a9a2013e1","character_id":null,"markdown":"契約数 \n↓ \nActuator数量 \n↓ \nRobot売上開示","render_override":null},{"id":"blk_7c06b1f3-00fc-44ef-a970-854e8a11c2e8","kind":"paragraph","order":719,"section_id":"sec_507d36ac-c8e8-45cc-8cd2-df8a9a2013e1","character_id":null,"markdown":"へ進むか。","render_override":null},{"id":"blk_dc8d97ec-88ee-47d7-b79f-cdc183d55679","kind":"thematic_break","order":720,"section_id":"sec_507d36ac-c8e8-45cc-8cd2-df8a9a2013e1","character_id":null,"markdown":"---","render_override":null},{"id":"blk_ca54a9ed-04d4-4759-8939-eb2237f1dbfe","kind":"heading","order":721,"section_id":"sec_49731bc3-d197-411c-854d-d09046655386","character_id":null,"markdown":"## 44．最大のリスク","render_override":null},{"id":"blk_e34341f7-da5c-43ea-85d4-cebdd6aa20d3","kind":"paragraph","order":722,"section_id":"sec_49731bc3-d197-411c-854d-d09046655386","character_id":null,"markdown":"もちろんPhysical AIの成長は確定していない。","render_override":null},{"id":"blk_f3212909-8ee9-49d4-8158-04a9702498e1","kind":"paragraph","order":723,"section_id":"sec_49731bc3-d197-411c-854d-d09046655386","character_id":null,"markdown":"最大の問題は、","render_override":null},{"id":"blk_e37b6562-da7d-4a67-9b64-c27f520a91a0","kind":"heading","order":724,"section_id":"sec_d98b2717-46e4-420a-8ae1-87ecbec19d31","character_id":null,"markdown":"## 「作れるか」ではなく「経済合理性があるか」","render_override":null},{"id":"blk_e969b7a5-49c6-4d90-974c-17ee3d0d5e89","kind":"paragraph","order":725,"section_id":"sec_d98b2717-46e4-420a-8ae1-87ecbec19d31","character_id":null,"markdown":"である。","render_override":null},{"id":"blk_0b1eebbc-fc31-4572-818d-f98d5085f377","kind":"paragraph","order":726,"section_id":"sec_d98b2717-46e4-420a-8ae1-87ecbec19d31","character_id":null,"markdown":"人間を置き換えるRobotが、","render_override":null},{"id":"blk_8b3a1da9-ab97-48f5-a04f-37d5b1aa9894","kind":"paragraph","order":727,"section_id":"sec_d98b2717-46e4-420a-8ae1-87ecbec19d31","character_id":null,"markdown":"10万ドルするなら採算が合わない。","render_override":null},{"id":"blk_64f8b5c1-0482-4991-9a31-465550c6ed81","kind":"paragraph","order":728,"section_id":"sec_d98b2717-46e4-420a-8ae1-87ecbec19d31","character_id":null,"markdown":"2万ドルでも寿命が短ければ合わない。","render_override":null},{"id":"blk_ba709fd0-927a-440f-a689-e3961d84fb82","kind":"paragraph","order":729,"section_id":"sec_d98b2717-46e4-420a-8ae1-87ecbec19d31","character_id":null,"markdown":"修理が頻繁でも合わない。","render_override":null},{"id":"blk_380466e7-623a-44be-9b0d-2a8179c3db4e","kind":"paragraph","order":730,"section_id":"sec_d98b2717-46e4-420a-8ae1-87ecbec19d31","character_id":null,"markdown":"したがって最終的には、","render_override":null},{"id":"blk_efae470c-cb60-4622-9e1d-dfc9005e93f0","kind":"math","order":731,"section_id":"sec_d98b2717-46e4-420a-8ae1-87ecbec19d31","character_id":null,"markdown":"$$\n\\frac{\\text{Robot価格}}{\\text{年間労働時間}\\times\\text{耐用年数}}+\\text{保守費}+\\text{電力費}\n$$","render_override":null},{"id":"blk_68bec69e-e8e5-4e1d-a296-754da51e3ee8","kind":"paragraph","order":732,"section_id":"sec_d98b2717-46e4-420a-8ae1-87ecbec19d31","character_id":null,"markdown":"と、","render_override":null},{"id":"blk_d8da46e0-25ab-454f-8d06-586964e0c111","kind":"paragraph","order":733,"section_id":"sec_d98b2717-46e4-420a-8ae1-87ecbec19d31","character_id":null,"markdown":"人間のLabor Cost","render_override":null},{"id":"blk_22730b0b-134a-4248-baff-bcd5203b585c","kind":"paragraph","order":734,"section_id":"sec_d98b2717-46e4-420a-8ae1-87ecbec19d31","character_id":null,"markdown":"を比較する必要がある。","render_override":null},{"id":"blk_b3bfba7c-6464-4378-9f38-100f69a762af","kind":"paragraph","order":735,"section_id":"sec_d98b2717-46e4-420a-8ae1-87ecbec19d31","character_id":null,"markdown":"さらに、","render_override":null},{"id":"blk_41f4559a-20d1-42ab-8308-bf6f54cf4b89","kind":"list","order":736,"section_id":"sec_d98b2717-46e4-420a-8ae1-87ecbec19d31","character_id":null,"markdown":"- 転倒耐性\n- Battery life\n- Safety\n- Dexterous Hand\n- AI reliability\n- Maintenance\n- Regulatory risk","render_override":null},{"id":"blk_407b07d8-f959-4506-a4f0-d957d69b04ae","kind":"paragraph","order":737,"section_id":"sec_d98b2717-46e4-420a-8ae1-87ecbec19d31","character_id":null,"markdown":"も残る。","render_override":null},{"id":"blk_9b1c75ce-11e2-4726-bdd8-fa00bb0f3bc3","kind":"thematic_break","order":738,"section_id":"sec_d98b2717-46e4-420a-8ae1-87ecbec19d31","character_id":null,"markdown":"---","render_override":null},{"id":"blk_03b3cecb-3558-4b5e-9b1f-db325f10849d","kind":"heading","order":739,"section_id":"sec_64b1f132-3cbb-480e-a20b-8e5fb2e492b3","character_id":null,"markdown":"## 45．しかし量産が始まれば、部品供給網の変化は非常に大きい","render_override":null},{"id":"blk_0042df67-faa9-46f4-bf3a-e3be3326416f","kind":"paragraph","order":740,"section_id":"sec_64b1f132-3cbb-480e-a20b-8e5fb2e492b3","character_id":null,"markdown":"もし世界年間生産が、","render_override":null},{"id":"blk_109734df-7e0c-441a-a987-17cff0900554","kind":"paragraph","order":741,"section_id":"sec_64b1f132-3cbb-480e-a20b-8e5fb2e492b3","character_id":null,"markdown":"100万台 \n↓ \n300万台 \n↓ \n1,000万台","render_override":null},{"id":"blk_35b59f56-03e9-4b8b-ad4b-0271c6ba4ee3","kind":"paragraph","order":742,"section_id":"sec_64b1f132-3cbb-480e-a20b-8e5fb2e492b3","character_id":null,"markdown":"へ進めば、","render_override":null},{"id":"blk_20fba16b-f947-4a9e-88b9-8c2498775a92","kind":"paragraph","order":743,"section_id":"sec_64b1f132-3cbb-480e-a20b-8e5fb2e492b3","character_id":null,"markdown":"Frameless Motorは数億個。","render_override":null},{"id":"blk_a6d829a9-9066-4421-bf0b-57ba83a59439","kind":"paragraph","order":744,"section_id":"sec_64b1f132-3cbb-480e-a20b-8e5fb2e492b3","character_id":null,"markdown":"Encoderも数億個。","render_override":null},{"id":"blk_77804051-e327-46f2-9b7a-de160b9d21bf","kind":"paragraph","order":745,"section_id":"sec_64b1f132-3cbb-480e-a20b-8e5fb2e492b3","character_id":null,"markdown":"Bearingは10億個規模。","render_override":null},{"id":"blk_41c16732-1c32-43a9-b338-7d02fd37f474","kind":"paragraph","order":746,"section_id":"sec_64b1f132-3cbb-480e-a20b-8e5fb2e492b3","character_id":null,"markdown":"Joint Moduleは数億unit。","render_override":null},{"id":"blk_a1ca5a94-cadc-421a-8070-63485939ff35","kind":"paragraph","order":747,"section_id":"sec_64b1f132-3cbb-480e-a20b-8e5fb2e492b3","character_id":null,"markdown":"Force Sensorも数億channel。","render_override":null},{"id":"blk_59654101-d652-40ca-b5c1-d123235236c5","kind":"paragraph","order":748,"section_id":"sec_64b1f132-3cbb-480e-a20b-8e5fb2e492b3","character_id":null,"markdown":"という世界になる。","render_override":null},{"id":"blk_2d2d74c1-347b-4b5e-b22f-909bcb651428","kind":"paragraph","order":749,"section_id":"sec_64b1f132-3cbb-480e-a20b-8e5fb2e492b3","character_id":null,"markdown":"この時、","render_override":null},{"id":"blk_523b8ca6-f671-4b74-998e-b3653b27fd3d","kind":"paragraph","order":750,"section_id":"sec_64b1f132-3cbb-480e-a20b-8e5fb2e492b3","character_id":null,"markdown":"Physical AIは「ロボット産業」という一つのsectorではなく、","render_override":null},{"id":"blk_0422488c-c07f-4c06-9076-ab55b2190a69","kind":"heading","order":751,"section_id":"sec_331aba54-3d37-4500-846f-c71b2d3d4a86","character_id":null,"markdown":"## 精密機械","render_override":null},{"id":"blk_c31acd36-f226-4a23-ba57-d022a52758d4","kind":"heading","order":752,"section_id":"sec_fb5c169c-1647-43d6-a033-0d029f3433ec","character_id":null,"markdown":"## 自動車部品","render_override":null},{"id":"blk_d1af7ba5-24a1-4eac-9e90-393f8dab08ee","kind":"heading","order":753,"section_id":"sec_5f93d481-757e-412f-94da-23913289c61f","character_id":null,"markdown":"## 半導体","render_override":null},{"id":"blk_d9146c1b-57a7-4d66-bc20-4900cf957f43","kind":"heading","order":754,"section_id":"sec_ad9e396c-93e6-417c-9b08-257a3462251f","character_id":null,"markdown":"## センサー","render_override":null},{"id":"blk_9c8b1c62-0b5f-49df-b066-2ebeb81fbf54","kind":"heading","order":755,"section_id":"sec_19ee2f22-81ad-40d0-9d19-49c2f6f1bcf8","character_id":null,"markdown":"## 工作機械","render_override":null},{"id":"blk_c376c035-f4b3-4d92-8d99-0d304db23275","kind":"heading","order":756,"section_id":"sec_6eec7c84-17b3-4b9c-9f52-ef6c12ba1c7e","character_id":null,"markdown":"## 材料","render_override":null},{"id":"blk_6d7b9762-8e14-4ae6-a8eb-ddf1b7fac39d","kind":"heading","order":757,"section_id":"sec_d1ae9439-44d1-4752-901b-badac09ac0eb","character_id":null,"markdown":"## Battery","render_override":null},{"id":"blk_9978a471-7c9b-4c4d-b474-87e90266a9b4","kind":"heading","order":758,"section_id":"sec_56e57b42-dec3-489d-b1b4-5c513851abeb","character_id":null,"markdown":"## Thermal","render_override":null},{"id":"blk_b22465f0-67be-4a05-a35f-25d59b03b607","kind":"heading","order":759,"section_id":"sec_58e471ec-0098-4686-8ca9-4c0f5dcdf3be","character_id":null,"markdown":"## Network","render_override":null},{"id":"blk_8fbd1fe9-d885-4a69-83f5-e2dcd48c6ff5","kind":"paragraph","order":760,"section_id":"sec_58e471ec-0098-4686-8ca9-4c0f5dcdf3be","character_id":null,"markdown":"を巻き込んだ巨大な設備投資サイクルになる。","render_override":null},{"id":"blk_c895d94e-dcd0-4df7-b792-d1a9978610b9","kind":"thematic_break","order":761,"section_id":"sec_58e471ec-0098-4686-8ca9-4c0f5dcdf3be","character_id":null,"markdown":"---","render_override":null},{"id":"blk_1f66748f-2647-4f45-a2da-171f136b5484","kind":"heading","order":762,"section_id":"sec_004b35d0-4c99-4cb4-b221-665f487e01d4","character_id":null,"markdown":"## 結論――HUMNを見ると、「ロボット」ではなく「次の産業機械」が見えてくる","render_override":null},{"id":"blk_010e18cb-01c7-4a63-81a6-b0cbae7f18fe","kind":"paragraph","order":763,"section_id":"sec_004b35d0-4c99-4cb4-b221-665f487e01d4","character_id":null,"markdown":"Roundhill HUMNを分解していくと、非常に面白いことが分かる。","render_override":null},{"id":"blk_33d01520-af2c-4e27-b9fb-fc49a91e4d80","kind":"paragraph","order":764,"section_id":"sec_004b35d0-4c99-4cb4-b221-665f487e01d4","character_id":null,"markdown":"これは単純なTesla Optimus ETFではない。","render_override":null},{"id":"blk_fb6fe354-e977-4cce-891d-bb0d49ff6844","kind":"paragraph","order":765,"section_id":"sec_004b35d0-4c99-4cb4-b221-665f487e01d4","character_id":null,"markdown":"Harmonic Drive、LeaderDriveなどが上位へ入っていることからも分かるように、","render_override":null},{"id":"blk_abb23ebd-cb29-40f9-9b8f-bb31fddeb76c","kind":"heading","order":766,"section_id":"sec_2f700ad8-ea09-4564-bf40-92950dd357ab","character_id":null,"markdown":"## 「ヒューマノイドそのもの」だけでなく、","render_override":null},{"id":"blk_0a5ed5fb-2c0e-4ac8-8b84-d77c722c4a91","kind":"heading","order":767,"section_id":"sec_7bfb84f1-9264-4bac-bcea-a202b5999c56","character_id":null,"markdown":"## 「ヒューマノイドを動かす供給網」","render_override":null},{"id":"blk_117aa167-fb45-4330-9a8f-77d47b4e7ded","kind":"paragraph","order":768,"section_id":"sec_7bfb84f1-9264-4bac-bcea-a202b5999c56","character_id":null,"markdown":"へ投資している。","render_override":null},{"id":"blk_13a9f29d-4fb0-49d4-bd1f-617e30857477","kind":"paragraph","order":769,"section_id":"sec_7bfb84f1-9264-4bac-bcea-a202b5999c56","character_id":null,"markdown":"そしてBOMまで分解すると、","render_override":null},{"id":"blk_8c8de246-6be4-413d-b68e-0479088dceb7","kind":"paragraph","order":770,"section_id":"sec_7bfb84f1-9264-4bac-bcea-a202b5999c56","character_id":null,"markdown":"Physical AIで最も重要なのはGPUだけではない。","render_override":null},{"id":"blk_a6df0d35-5853-411f-8fce-b4d4354a4f64","kind":"paragraph","order":771,"section_id":"sec_7bfb84f1-9264-4bac-bcea-a202b5999c56","character_id":null,"markdown":"むしろ、","render_override":null},{"id":"blk_a460d3c0-b891-4384-84c8-302de213a6c5","kind":"heading","order":772,"section_id":"sec_1d4e685d-ee96-44be-8a78-165358704172","character_id":null,"markdown":"### Integrated Actuator / System-on-Joint","render_override":null},{"id":"blk_707bb0a4-2ece-446e-a3f5-ce9b7639fe3f","kind":"paragraph","order":773,"section_id":"sec_1d4e685d-ee96-44be-8a78-165358704172","character_id":null,"markdown":"を中心に、","render_override":null},{"id":"blk_44b826d1-84ec-4038-a312-1c7b270f0263","kind":"heading","order":774,"section_id":"sec_a447a13d-005d-4226-9820-28dff7d024d3","character_id":null,"markdown":"### Planetary Roller Screw","render_override":null},{"id":"blk_b9039da9-6fc0-4ed1-8503-c3e373676605","kind":"heading","order":775,"section_id":"sec_4de74b58-88e0-4551-ad25-80b7f9c5c7e7","character_id":null,"markdown":"### Precision Reducer","render_override":null},{"id":"blk_b34fd989-2a04-4298-bb8a-ce3de5d9caf5","kind":"heading","order":776,"section_id":"sec_f6cc5ec6-81c3-4b5a-ab60-768b8bbca4e4","character_id":null,"markdown":"### Force/Torque Sensor","render_override":null},{"id":"blk_61719f79-b0ab-483d-9793-105b4cd8ca76","kind":"heading","order":777,"section_id":"sec_367b6d63-4f4c-460c-97c9-1757e67a57c7","character_id":null,"markdown":"### Encoder","render_override":null},{"id":"blk_22b00759-e000-426b-840e-3986ed2f3b37","kind":"heading","order":778,"section_id":"sec_5217b92d-28f7-4ab9-9849-48054d78e595","character_id":null,"markdown":"### Frameless Motor","render_override":null},{"id":"blk_f05acc13-e433-47ca-854f-4a1edf304e10","kind":"paragraph","order":779,"section_id":"sec_5217b92d-28f7-4ab9-9849-48054d78e595","character_id":null,"markdown":"へ巨大な数量複利が発生する可能性がある。","render_override":null},{"id":"blk_dcd514c8-44d9-4e97-a2ba-05a75bebd6c6","kind":"paragraph","order":780,"section_id":"sec_5217b92d-28f7-4ab9-9849-48054d78e595","character_id":null,"markdown":"その中でも現在、","render_override":null},{"id":"blk_bb1342d7-183a-441d-be09-01d626d8c4e0","kind":"paragraph","order":781,"section_id":"sec_5217b92d-28f7-4ab9-9849-48054d78e595","character_id":null,"markdown":"**技術力** \n× \n**供給制約** \n× \n**Design Win** \n× \n**売上レバレッジ** \n× \n**Valuation**","render_override":null},{"id":"blk_a2d1e4f6-3926-4a05-9b3d-41a1cd662dd5","kind":"paragraph","order":782,"section_id":"sec_5217b92d-28f7-4ab9-9849-48054d78e595","character_id":null,"markdown":"まで重ねると、","render_override":null},{"id":"blk_5d640c54-8245-423d-bf32-5ef20c2e113e","kind":"heading","order":783,"section_id":"sec_a6be54b1-9d44-4725-9b6f-2e8b0a7d1e94","character_id":null,"markdown":"### Inovance","render_override":null},{"id":"blk_44aa94fe-609a-4053-a54b-11c346b7cb9f","kind":"heading","order":784,"section_id":"sec_223afe38-7eff-4656-a994-5dd34d965d29","character_id":null,"markdown":"### Tuopu","render_override":null},{"id":"blk_d1156fe7-843a-4ce4-a802-48bfb67f2a91","kind":"heading","order":785,"section_id":"sec_c94554be-cfa5-4217-8c1c-b3729ef8078b","character_id":null,"markdown":"### VPG","render_override":null},{"id":"blk_7264e1f4-2bee-4599-bfa3-c88bbe79ad1d","kind":"heading","order":786,"section_id":"sec_4ae2ba32-c7ac-4045-82b4-48dfb55645ec","character_id":null,"markdown":"### Leadshine","render_override":null},{"id":"blk_6af07d04-0be2-460b-8a89-44b236384654","kind":"heading","order":787,"section_id":"sec_0bc81739-7319-409a-b7a1-c1e88961a5b0","character_id":null,"markdown":"### Schaeffler","render_override":null},{"id":"blk_b7a7f6ac-b43a-4e44-8bf0-94ee69f01870","kind":"heading","order":788,"section_id":"sec_9b7e1c02-3831-46b7-9ac4-8169bee3e832","character_id":null,"markdown":"### Novanta","render_override":null},{"id":"blk_dd4b2ae8-d236-4745-8045-de3b7f8cd6a4","kind":"heading","order":789,"section_id":"sec_a5d397aa-922a-4b40-9be4-38cf1a910a40","character_id":null,"markdown":"### THK","render_override":null},{"id":"blk_2b310ca7-2f58-47dc-aac9-9ae0da124ba3","kind":"paragraph","order":790,"section_id":"sec_a5d397aa-922a-4b40-9be4-38cf1a910a40","character_id":null,"markdown":"あたりは特に追う価値がある。","render_override":null},{"id":"blk_aa972223-0782-4427-91f7-584dc65dfb69","kind":"paragraph","order":791,"section_id":"sec_a5d397aa-922a-4b40-9be4-38cf1a910a40","character_id":null,"markdown":"一方、","render_override":null},{"id":"blk_ed57b53c-f9b1-462c-95e3-d039155546bf","kind":"paragraph","order":792,"section_id":"sec_a5d397aa-922a-4b40-9be4-38cf1a910a40","character_id":null,"markdown":"Harmonic DriveやLeaderDriveは本物のボトルネック企業だが、","render_override":null},{"id":"blk_989d883d-5a3b-439e-bed3-e7982d72ce69","kind":"heading","order":793,"section_id":"sec_2c860b00-e02e-4ce9-bec3-bc7d71a134c3","character_id":null,"markdown":"## 「良い会社か」","render_override":null},{"id":"blk_f22396cf-e548-485d-926e-e700f5848df2","kind":"paragraph","order":794,"section_id":"sec_2c860b00-e02e-4ce9-bec3-bc7d71a134c3","character_id":null,"markdown":"ではなく、","render_override":null},{"id":"blk_a9957f24-0982-434d-87f4-2dc665ad0d03","kind":"heading","order":795,"section_id":"sec_5ebaf02e-5dd9-4616-95a2-7a89ecadec0f","character_id":null,"markdown":"## 「現在価格からさらに期待値を上回れるか」","render_override":null},{"id":"blk_8bb7a5ce-b48c-44a3-a827-87b91ff2f157","kind":"paragraph","order":796,"section_id":"sec_5ebaf02e-5dd9-4616-95a2-7a89ecadec0f","character_id":null,"markdown":"という問題へ既に移っている。","render_override":null},{"id":"blk_95dd1161-9afe-490e-a981-2f0e588995d8","kind":"paragraph","order":797,"section_id":"sec_5ebaf02e-5dd9-4616-95a2-7a89ecadec0f","character_id":null,"markdown":"そして最も重要なのは、これらの技術がヒューマノイドだけに使われるわけではないことである。","render_override":null},{"id":"blk_a4850427-346f-4c33-8e4c-8a1b6e533f26","kind":"paragraph","order":798,"section_id":"sec_5ebaf02e-5dd9-4616-95a2-7a89ecadec0f","character_id":null,"markdown":"**工作機械** \n**半導体製造装置** \n**協働ロボット** \n**物流ロボット** \n**医療ロボット** \n**自動倉庫** \n**自律建機** \n**農業ロボット**","render_override":null},{"id":"blk_b4c55de0-6ace-4242-b2af-8f36b8739bdc","kind":"paragraph","order":799,"section_id":"sec_5ebaf02e-5dd9-4616-95a2-7a89ecadec0f","character_id":null,"markdown":"などへ横展開できる。","render_override":null},{"id":"blk_edcfa33b-5cc3-4ed5-8cb0-bb42d09da6ca","kind":"paragraph","order":800,"section_id":"sec_5ebaf02e-5dd9-4616-95a2-7a89ecadec0f","character_id":null,"markdown":"だから長期的な投資テーマは、","render_override":null},{"id":"blk_9bf610c9-410d-4bdd-876b-e9f18b1523ad","kind":"heading","order":801,"section_id":"sec_827f7651-7c61-4f35-8d52-3c8fe56e9f41","character_id":null,"markdown":"## Humanoid Robotics","render_override":null},{"id":"blk_d8f88bc4-7db3-4326-93cd-a36285012d49","kind":"paragraph","order":802,"section_id":"sec_827f7651-7c61-4f35-8d52-3c8fe56e9f41","character_id":null,"markdown":"よりさらに広く、","render_override":null},{"id":"blk_ba631f55-a77e-4baa-968a-9d3516e1ab24","kind":"heading","order":803,"section_id":"sec_bc900796-ad20-4fea-a7ce-7d4695e2e743","character_id":null,"markdown":"## Physical Motion Infrastructure","render_override":null},{"id":"blk_0f428e3b-96e1-4304-a0ec-1ee1c14de7d5","kind":"paragraph","order":804,"section_id":"sec_bc900796-ad20-4fea-a7ce-7d4695e2e743","character_id":null,"markdown":"と捉えた方が良いのかもしれない。","render_override":null},{"id":"blk_c1acae7c-1a32-406b-aad2-654a4211e85c","kind":"paragraph","order":805,"section_id":"sec_bc900796-ad20-4fea-a7ce-7d4695e2e743","character_id":null,"markdown":"AIがデータセンターの中だけで計算していた時代には、","render_override":null},{"id":"blk_b3bc0634-02e5-4c56-ab03-46ae1a8b37f3","kind":"paragraph","order":806,"section_id":"sec_bc900796-ad20-4fea-a7ce-7d4695e2e743","character_id":null,"markdown":"GPU \nHBM \nNetwork \nPower \nCooling","render_override":null},{"id":"blk_d83419b2-c8c8-41ff-9b52-612b3cf9e1fc","kind":"paragraph","order":807,"section_id":"sec_bc900796-ad20-4fea-a7ce-7d4695e2e743","character_id":null,"markdown":"がボトルネックになった。","render_override":null},{"id":"blk_6c58e4d6-e20b-42cb-8dfb-6654e90d6b27","kind":"paragraph","order":808,"section_id":"sec_bc900796-ad20-4fea-a7ce-7d4695e2e743","character_id":null,"markdown":"AIが現実世界へ出ていく時代には、","render_override":null},{"id":"blk_65317c70-a424-4127-a3ef-55bf01144af7","kind":"paragraph","order":809,"section_id":"sec_bc900796-ad20-4fea-a7ce-7d4695e2e743","character_id":null,"markdown":"Motor \nReducer \nScrew \nSensor \nBearing \nJoint \nPower Electronics","render_override":null},{"id":"blk_5f85dbc5-c2eb-49ea-84e4-1238c9b741db","kind":"paragraph","order":810,"section_id":"sec_bc900796-ad20-4fea-a7ce-7d4695e2e743","character_id":null,"markdown":"が新しいボトルネックになる。","render_override":null},{"id":"blk_0bcd995c-78b0-4f46-ab19-7a890a78c11d","kind":"paragraph","order":811,"section_id":"sec_bc900796-ad20-4fea-a7ce-7d4695e2e743","character_id":null,"markdown":"AIインフラの次の巨大な供給制約は、","render_override":null},{"id":"blk_4f0c6f8a-8123-420b-8889-635777e7a062","kind":"paragraph","order":812,"section_id":"sec_bc900796-ad20-4fea-a7ce-7d4695e2e743","character_id":null,"markdown":"**シリコンの中だけではなく、機械の関節の中で起こるのかもしれない。**","render_override":null},{"id":"blk_23e9bd49-cba6-4b18-8007-13dbe5157de2","kind":"paragraph","order":813,"section_id":"sec_bc900796-ad20-4fea-a7ce-7d4695e2e743","character_id":null,"markdown":"特定銘柄の推奨・勧誘・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。","render_override":null}],"audio":[],"omitted_media":[],"figures":[{"id":"plc_5ab3399e-83cf-4508-bba8-9b832942d229","block_id":"blk_f76a1d3a-7f41-4df4-9909-86b8edf7fb7e","asset_revision_id":"avr_57a38e7b-6a41-489e-b422-ef72d7f216ed","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_941c333d-9d8c-4f95-bd0a-594eb4c9d248"],"explained_by":[],"source_path":"media/abb4befc873ecd78ae233ce4cf3d9d478bf0e502403f839271452e91a1eca39a.png","path":"/media/abb4befc873ecd78ae233ce4cf3d9d478bf0e502403f839271452e91a1eca39a-content.webp","display_derivative":{"source_sha256":"abb4befc873ecd78ae233ce4cf3d9d478bf0e502403f839271452e91a1eca39a","thumbnail":{"path":"media/abb4befc873ecd78ae233ce4cf3d9d478bf0e502403f839271452e91a1eca39a-thumbnail.webp","width":560,"height":293,"bytes":61276,"sha256":"f8924f760d67b607d06a791d64855602f69b9e7f148034ee0fa2fd676e377204"},"content":{"path":"media/abb4befc873ecd78ae233ce4cf3d9d478bf0e502403f839271452e91a1eca39a-content.webp","width":1672,"height":875,"bytes":484080,"sha256":"2666d479fea5979fbc47f790dbf6206581e69829a82744b393853fd371ab3f12"}}},{"id":"plc_0568adb7-966b-4d99-8b76-1f35244accfd","block_id":"blk_d32a8e5f-7bf4-4d37-b605-c8215e589342","asset_revision_id":"avr_695baff8-a690-412f-9c31-f1bad8158f2c","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_a6dad23a-4a12-4b5c-981e-8cfc81653a62","blk_24b2c6be-edb8-42d9-8fb1-213e09e3fa65"],"explained_by":[],"source_path":"media/e6f0ba5979a0e2218803111d04637592f778b316db3e80b3ac7262aeeafaa8f8.png","path":"/media/e6f0ba5979a0e2218803111d04637592f778b316db3e80b3ac7262aeeafaa8f8-content.webp","display_derivative":{"source_sha256":"e6f0ba5979a0e2218803111d04637592f778b316db3e80b3ac7262aeeafaa8f8","thumbnail":{"path":"media/e6f0ba5979a0e2218803111d04637592f778b316db3e80b3ac7262aeeafaa8f8-thumbnail.webp","width":560,"height":315,"bytes":37300,"sha256":"061ad5585c49faf3f9b49ab17d7e20eb1fae6edb1944fcd8a307862b0546a4f9"},"content":{"path":"media/e6f0ba5979a0e2218803111d04637592f778b316db3e80b3ac7262aeeafaa8f8-content.webp","width":1672,"height":941,"bytes":239776,"sha256":"50ae64274ba114e6867d52557a4eb337a36c847b4045c2cf7916f92ac0bf7fdc"}}},{"id":"plc_ed3ead38-3835-493b-8199-87522e8c8e6a","block_id":"blk_7b11eb2f-5474-4e47-b760-934ae6044203","asset_revision_id":"avr_0f0f53a2-c7ee-4f1c-813b-a45323a673a6","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_eda027d4-a1c3-4e29-bd6a-79ea00635364","blk_0b1e05a3-6e0c-4679-ab8f-9020b7d82a5d"],"explained_by":[],"source_path":"media/00aac0e39439d8bca93189c916ce7c2960788d0fc8cc0886dae3e3d77df0f450.png","path":"/media/00aac0e39439d8bca93189c916ce7c2960788d0fc8cc0886dae3e3d77df0f450-content.webp","display_derivative":{"source_sha256":"00aac0e39439d8bca93189c916ce7c2960788d0fc8cc0886dae3e3d77df0f450","thumbnail":{"path":"media/00aac0e39439d8bca93189c916ce7c2960788d0fc8cc0886dae3e3d77df0f450-thumbnail.webp","width":560,"height":315,"bytes":37378,"sha256":"ceb17b69c5a1c886d5bdd0b0c013fee8aae61580b337e955d428a78c60e35dbd"},"content":{"path":"media/00aac0e39439d8bca93189c916ce7c2960788d0fc8cc0886dae3e3d77df0f450-content.webp","width":1672,"height":941,"bytes":261422,"sha256":"b09edc307b61d2b0955606f2fc3f60b2feb3f7d0bfc843626729e06a53f4a851"}}},{"id":"plc_b0f8793b-7cfa-41f7-bceb-07dcfbbc593d","block_id":"blk_76f2fe22-ee40-4e1f-bcc9-df6849c97e80","asset_revision_id":"avr_d3a64af7-0ab9-41ad-8ce1-a3bd7c9f59c0","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_7ebb3e10-cdcb-4703-80ce-cd98897464e9","blk_16c19e46-ef14-4341-9321-7c9dd97a9626"],"explained_by":[],"source_path":"media/8a42596fa5a5142deaa6620173d1152c7a7ad9c40375367061d5ab3eda248cae.png","path":"/media/8a42596fa5a5142deaa6620173d1152c7a7ad9c40375367061d5ab3eda248cae-content.webp","display_derivative":{"source_sha256":"8a42596fa5a5142deaa6620173d1152c7a7ad9c40375367061d5ab3eda248cae","thumbnail":{"path":"media/8a42596fa5a5142deaa6620173d1152c7a7ad9c40375367061d5ab3eda248cae-thumbnail.webp","width":560,"height":315,"bytes":42798,"sha256":"ac8055e9a2576c4bd55563a057ca8d2fe4ff1b7a81b12359f6efacb557cabc06"},"content":{"path":"media/8a42596fa5a5142deaa6620173d1152c7a7ad9c40375367061d5ab3eda248cae-content.webp","width":1672,"height":941,"bytes":306902,"sha256":"1fa37e1e8d8a1f7ab8cc5da349610be3f525c78384be6315ea9207b6411ec59d"}}},{"id":"plc_a96fbce4-fd42-4cdf-90d7-600c8210ded8","block_id":"blk_6d45ad40-9a72-40a3-a3b8-59157d8bbc46","asset_revision_id":"avr_cbf519a1-c1e7-4198-97b0-8855ff960288","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_6c49616f-9232-48ec-8582-83ae6c0b3265","blk_fb11969c-a7a0-4e17-85e5-851ec6d547d6"],"explained_by":[],"source_path":"media/d94103af0b3356e63465388d4431440880c2d4f99ed0b8ede89b24dcbc3cd049.png","path":"/media/d94103af0b3356e63465388d4431440880c2d4f99ed0b8ede89b24dcbc3cd049-content.webp","display_derivative":{"source_sha256":"d94103af0b3356e63465388d4431440880c2d4f99ed0b8ede89b24dcbc3cd049","thumbnail":{"path":"media/d94103af0b3356e63465388d4431440880c2d4f99ed0b8ede89b24dcbc3cd049-thumbnail.webp","width":560,"height":315,"bytes":40460,"sha256":"8936d2064b8bcff6c641d9c9a52e012f9a1a29a96f32d048a33fd88d44ef5a0c"},"content":{"path":"media/d94103af0b3356e63465388d4431440880c2d4f99ed0b8ede89b24dcbc3cd049-content.webp","width":1672,"height":941,"bytes":291778,"sha256":"79e5eb1866d11a5966cfeb9ed9df2d03dc11fa07e72403725f36024612abb8d9"}}},{"id":"plc_8c5802f3-ae9e-4202-b7da-53561a6048e1","block_id":"blk_e999b36b-8d5a-4c40-a398-3d394ad917d3","asset_revision_id":"avr_f9b67589-c91b-42ba-b9d2-5bb4152dd401","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_a520322f-f36d-4e24-8644-4a2651c358af","blk_bad7ad95-8852-4250-8db3-8da3763aeaeb"],"explained_by":[],"source_path":"media/6ec9e9b0439888e8bd034e385cbd8d06e88264c3666f42c399e9770df8ba682f.png","path":"/media/6ec9e9b0439888e8bd034e385cbd8d06e88264c3666f42c399e9770df8ba682f-content.webp","display_derivative":{"source_sha256":"6ec9e9b0439888e8bd034e385cbd8d06e88264c3666f42c399e9770df8ba682f","thumbnail":{"path":"media/6ec9e9b0439888e8bd034e385cbd8d06e88264c3666f42c399e9770df8ba682f-thumbnail.webp","width":560,"height":315,"bytes":47268,"sha256":"0f4f92202662240a580b03774f0b36ec2465f65ca5a687391d719972b6860455"},"content":{"path":"media/6ec9e9b0439888e8bd034e385cbd8d06e88264c3666f42c399e9770df8ba682f-content.webp","width":1672,"height":941,"bytes":336556,"sha256":"9ec7eccb0d9ee098e073fbb54b6a517aa58444e90bfc35ac64fd9262d23a1b99"}}},{"id":"plc_d8fc3cd9-5e2a-4cc5-a57b-a28a66f3bb6b","block_id":"blk_d73b65c8-d3fa-46ab-b530-a36f529d299e","asset_revision_id":"avr_b5d66f49-0f71-42d5-9950-81f2564adcfc","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_4eb6b8c9-100c-40d8-b2fc-3f903f7c3e61","blk_84e75d91-8173-4e26-9358-e1df18414642"],"explained_by":[],"source_path":"media/07736d71075986584b01864877ca1793022caef96bfc12584ad740a0b78783be.png","path":"/media/07736d71075986584b01864877ca1793022caef96bfc12584ad740a0b78783be-content.webp","display_derivative":{"source_sha256":"07736d71075986584b01864877ca1793022caef96bfc12584ad740a0b78783be","thumbnail":{"path":"media/07736d71075986584b01864877ca1793022caef96bfc12584ad740a0b78783be-thumbnail.webp","width":560,"height":315,"bytes":37584,"sha256":"7c83e9d7d0f4181f343639cf4d2c9a4a6919028e21cf26fcfcf456d1823ea5c1"},"content":{"path":"media/07736d71075986584b01864877ca1793022caef96bfc12584ad740a0b78783be-content.webp","width":1672,"height":941,"bytes":247284,"sha256":"59322de89675f60c88bac7de4c332f6da2a234561462875bf1c4ebf779137105"}}},{"id":"plc_705bdb67-dbd5-454e-a131-58c852e5a4fc","block_id":"blk_2ed87035-68eb-45c0-be83-352370adc9ed","asset_revision_id":"avr_df069afa-7c8e-4b15-ab14-ad0e845154cf","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_1c11ba90-9e4a-4932-8548-9ca01f698be9","blk_086298da-5fe7-48bd-a54b-b0449595d34f"],"explained_by":[],"source_path":"media/c5c259fe04b1d97cf67ec1df90b90c4ee2c060c706b05d28256436a0a7d52114.png","path":"/media/c5c259fe04b1d97cf67ec1df90b90c4ee2c060c706b05d28256436a0a7d52114-content.webp","display_derivative":{"source_sha256":"c5c259fe04b1d97cf67ec1df90b90c4ee2c060c706b05d28256436a0a7d52114","thumbnail":{"path":"media/c5c259fe04b1d97cf67ec1df90b90c4ee2c060c706b05d28256436a0a7d52114-thumbnail.webp","width":560,"height":315,"bytes":41880,"sha256":"c4975e311a0f5831255e2f1d891ce36a3f19bfceeea9c37c000ca1893de4c09e"},"content":{"path":"media/c5c259fe04b1d97cf67ec1df90b90c4ee2c060c706b05d28256436a0a7d52114-content.webp","width":1672,"height":941,"bytes":286650,"sha256":"8e2ba47282fb5cc6e068a60a57490f106e40d0a40d6bbf632e0ff1222c9de659"}}},{"id":"plc_b351647b-43c9-4a6d-b6fd-4b9741377922","block_id":"blk_15df8297-0da6-4d81-83dc-f3eca7eb4739","asset_revision_id":"avr_b49fc454-541e-4589-b0a7-a407becf2eef","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_933e0ed9-d273-4fac-8468-3fff6425aad0","blk_244ecaad-1c3a-4ca3-a01e-32d690ca187a"],"explained_by":[],"source_path":"media/1ab0d47de7f4fff945e51fffa8fe622fc4e2511db5bf942876eef99e8b602029.png","path":"/media/1ab0d47de7f4fff945e51fffa8fe622fc4e2511db5bf942876eef99e8b602029-content.webp","display_derivative":{"source_sha256":"1ab0d47de7f4fff945e51fffa8fe622fc4e2511db5bf942876eef99e8b602029","thumbnail":{"path":"media/1ab0d47de7f4fff945e51fffa8fe622fc4e2511db5bf942876eef99e8b602029-thumbnail.webp","width":560,"height":315,"bytes":37376,"sha256":"845f74185f0783a6af920a667b48a1762b704f9c65d54dc67e66dd4f5b3513c4"},"content":{"path":"media/1ab0d47de7f4fff945e51fffa8fe622fc4e2511db5bf942876eef99e8b602029-content.webp","width":1672,"height":941,"bytes":267692,"sha256":"5deba2761076eb5de5d3a818ff2251dad50279af00c07e9da7e4de6d467ae753"}}},{"id":"plc_11a91488-28ef-4a34-9630-6b646a0618d9","block_id":"blk_12f2f0f1-608b-425c-b91c-93a240a5af88","asset_revision_id":"avr_bc5a0c6b-78dc-4066-ad6a-02a3ce1a52e9","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_09a7e84d-60e8-4344-adb2-5a926e622369","blk_9da9fb87-d4ba-413b-a877-9fbe24709d0c"],"explained_by":[],"source_path":"media/cc2a9d3926572f2335ec77c3789c6166457227b904ad32400136f4de480c718e.png","path":"/media/cc2a9d3926572f2335ec77c3789c6166457227b904ad32400136f4de480c718e-content.webp","display_derivative":{"source_sha256":"cc2a9d3926572f2335ec77c3789c6166457227b904ad32400136f4de480c718e","thumbnail":{"path":"media/cc2a9d3926572f2335ec77c3789c6166457227b904ad32400136f4de480c718e-thumbnail.webp","width":560,"height":315,"bytes":34168,"sha256":"e318f91495b66f9cfb3eab63e0cb54ddc08a2637167e9e059b50f79088ff01ba"},"content":{"path":"media/cc2a9d3926572f2335ec77c3789c6166457227b904ad32400136f4de480c718e-content.webp","width":1672,"height":941,"bytes":231670,"sha256":"9da2aba74044f763fdc9771dbc921665951acc4030c3686bda4897b1a41b1a61"}}},{"id":"plc_74258d41-74a0-4551-b756-af8f29245d0b","block_id":"blk_c1c97f92-a0de-41a5-b3ea-bec8e19fe874","asset_revision_id":"avr_f53d100d-40dc-4f0d-b432-de814dc7d1a3","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_b20d2583-7598-45c1-807a-ea48e6470c38","blk_c430ec87-ee2a-4f8d-a405-2ee2b1014415"],"explained_by":[],"source_path":"media/0baa4259525b5884d2309f8bc6a7abfa2a79b70d24681479dd8daf78b4d11f9e.png","path":"/media/0baa4259525b5884d2309f8bc6a7abfa2a79b70d24681479dd8daf78b4d11f9e-content.webp","display_derivative":{"source_sha256":"0baa4259525b5884d2309f8bc6a7abfa2a79b70d24681479dd8daf78b4d11f9e","thumbnail":{"path":"media/0baa4259525b5884d2309f8bc6a7abfa2a79b70d24681479dd8daf78b4d11f9e-thumbnail.webp","width":560,"height":315,"bytes":37154,"sha256":"7470bab762fa288fb2ece44b8565136abac267727fc85f9f187879343189fc7f"},"content":{"path":"media/0baa4259525b5884d2309f8bc6a7abfa2a79b70d24681479dd8daf78b4d11f9e-content.webp","width":1672,"height":941,"bytes":271594,"sha256":"3543be02c4b593a05fa39464fcf642fb095c19b29f858008b1407bc7d8c1cdde"}}},{"id":"plc_799b3131-a040-4de2-894c-3c056df175a4","block_id":"blk_94842477-ed49-4237-bf6a-e52cad3c00cf","asset_revision_id":"avr_39dbc08d-1e03-4f3c-b446-2dfe4bb60f16","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_19698cb5-b702-4b72-be24-7a9b9c662eea","blk_5275a4e8-1d69-491c-927b-f5e262d9a4a3"],"explained_by":[],"source_path":"media/a2de9ed4d082cb1af2e02714554d5c832f2babe3d9b3c0d19074f5ffcb4b41a3.png","path":"/media/a2de9ed4d082cb1af2e02714554d5c832f2babe3d9b3c0d19074f5ffcb4b41a3-content.webp","display_derivative":{"source_sha256":"a2de9ed4d082cb1af2e02714554d5c832f2babe3d9b3c0d19074f5ffcb4b41a3","thumbnail":{"path":"media/a2de9ed4d082cb1af2e02714554d5c832f2babe3d9b3c0d19074f5ffcb4b41a3-thumbnail.webp","width":560,"height":315,"bytes":41378,"sha256":"e5f543b0b855d637807237f90613d50d8987340cc7ca234f08b20432c0c3f00a"},"content":{"path":"media/a2de9ed4d082cb1af2e02714554d5c832f2babe3d9b3c0d19074f5ffcb4b41a3-content.webp","width":1672,"height":941,"bytes":286140,"sha256":"5138f5ce26ffb7679bcbde30e65a2a8f65ccc3a3f4d3c799eaf9c17332954002"}}},{"id":"plc_01b63900-4edc-4fce-940b-4f1858cc7b6f","block_id":"blk_c4fd1f82-eed8-417a-a834-ab667f4ea246","asset_revision_id":"avr_95aab3a1-708d-4570-8c77-cca716edf06f","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_bed87ca9-be91-4699-9763-47fd4ab4cde2","blk_21b53d65-ea8a-404b-8b52-3a0bc6388111"],"explained_by":[],"source_path":"media/038c9b99852fd34ec206f91db7ce1649e40c98aedda1669b11fce54ca6c59244.png","path":"/media/038c9b99852fd34ec206f91db7ce1649e40c98aedda1669b11fce54ca6c59244-content.webp","display_derivative":{"source_sha256":"038c9b99852fd34ec206f91db7ce1649e40c98aedda1669b11fce54ca6c59244","thumbnail":{"path":"media/038c9b99852fd34ec206f91db7ce1649e40c98aedda1669b11fce54ca6c59244-thumbnail.webp","width":560,"height":315,"bytes":37288,"sha256":"36a4b7f7e1fb7394004f9bda134bf43bba8b542ba7d30956490400f5f370ef2d"},"content":{"path":"media/038c9b99852fd34ec206f91db7ce1649e40c98aedda1669b11fce54ca6c59244-content.webp","width":1672,"height":941,"bytes":272634,"sha256":"a00dd16bce64333e1f329cd136932a26524c2ca8ba3d4061c5205045f472899b"}}},{"id":"plc_2b6423bd-fcbf-45bd-a4b1-8811db071d83","block_id":"blk_902c8072-5412-49d7-9304-cddd6be99365","asset_revision_id":"avr_148af7c7-cf98-4033-8bbf-737cb5d884ec","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_7773e00c-80ae-47aa-8997-41465cac9678","blk_7d16dc35-0be4-4e17-a009-3dd8c112ed31"],"explained_by":[],"source_path":"media/ce5955a5e3759fcf7978e6f82a159b3acf71950ad30df5a0bc2c88fdbec3cfe1.png","path":"/media/ce5955a5e3759fcf7978e6f82a159b3acf71950ad30df5a0bc2c88fdbec3cfe1-content.webp","display_derivative":{"source_sha256":"ce5955a5e3759fcf7978e6f82a159b3acf71950ad30df5a0bc2c88fdbec3cfe1","thumbnail":{"path":"media/ce5955a5e3759fcf7978e6f82a159b3acf71950ad30df5a0bc2c88fdbec3cfe1-thumbnail.webp","width":560,"height":315,"bytes":45894,"sha256":"7989ef87bd5ef3fd553be00824b0683e96c691e5f11e27f0a989912aa17e8fcf"},"content":{"path":"media/ce5955a5e3759fcf7978e6f82a159b3acf71950ad30df5a0bc2c88fdbec3cfe1-content.webp","width":1672,"height":941,"bytes":322426,"sha256":"5cb28fca4d5994da0bba982ad8745a267828cc86e5ecf7f91c0fb4fc32cca960"}}},{"id":"plc_da114e37-96bf-4adf-8d3b-fc16c4a18e8f","block_id":"blk_bf6df2c7-47b3-4650-8f04-252d8782ec71","asset_revision_id":"avr_177d4704-1882-4d44-b5eb-fdda7016194e","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_fc3548c0-3874-4753-9dc0-0f16d8a4cf61","blk_102ebdae-c9b2-4b6d-b236-fedfb8d6229d"],"explained_by":[],"source_path":"media/58dd7cc520d58e9da76839c26cd352cfaacdedf105ee453a7f1c2a1c01a32b9e.png","path":"/media/58dd7cc520d58e9da76839c26cd352cfaacdedf105ee453a7f1c2a1c01a32b9e-content.webp","display_derivative":{"source_sha256":"58dd7cc520d58e9da76839c26cd352cfaacdedf105ee453a7f1c2a1c01a32b9e","thumbnail":{"path":"media/58dd7cc520d58e9da76839c26cd352cfaacdedf105ee453a7f1c2a1c01a32b9e-thumbnail.webp","width":560,"height":315,"bytes":52550,"sha256":"6b273baa1cd61ed360ca984c1a51bcb49b9a2d041b36f84f32fd22ed4580c81c"},"content":{"path":"media/58dd7cc520d58e9da76839c26cd352cfaacdedf105ee453a7f1c2a1c01a32b9e-content.webp","width":1672,"height":941,"bytes":375242,"sha256":"5241ceabce4d7d5e21efa0c632eca388cbe4a4d137c2f9bbc69f1521dc96c09f"}}},{"id":"plc_b4a0d28d-ac84-4465-9419-d2b777af36f9","block_id":"blk_c2a771d6-1d30-4613-8209-dcdd83b58e7a","asset_revision_id":"avr_b4509559-44b6-4eeb-96a9-d8dec917bcf6","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_a178458b-3468-4d42-bdb6-603976c7ae98","blk_51636dcd-ab52-4cf2-8d84-919fa68e4526"],"explained_by":[],"source_path":"media/daed4c4b15f4daa2ac8b371eb2bc443e107b5df8755fc95e64b69b36ca075cc2.png","path":"/media/daed4c4b15f4daa2ac8b371eb2bc443e107b5df8755fc95e64b69b36ca075cc2-content.webp","display_derivative":{"source_sha256":"daed4c4b15f4daa2ac8b371eb2bc443e107b5df8755fc95e64b69b36ca075cc2","thumbnail":{"path":"media/daed4c4b15f4daa2ac8b371eb2bc443e107b5df8755fc95e64b69b36ca075cc2-thumbnail.webp","width":560,"height":315,"bytes":41518,"sha256":"f18ea83ced0706cf0145f52e05642582004c75a25d810ccf9383441060dbf1ac"},"content":{"path":"media/daed4c4b15f4daa2ac8b371eb2bc443e107b5df8755fc95e64b69b36ca075cc2-content.webp","width":1672,"height":941,"bytes":298418,"sha256":"a2e17842a7b47ae02a304a5c6936e49224839c5b5d12087604f64bffa8d97e31"}}},{"id":"plc_1993c438-c91f-4869-9b5d-fe0bdabb67ad","block_id":"blk_524e8d64-504e-4616-8f36-9f9a98aee4d9","asset_revision_id":"avr_9bc557a7-0627-4502-9571-2b236bf2743a","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_d696bfc6-9e29-4dce-bdc0-51bb800cd703","blk_10f1416d-077f-4181-9cb8-062348f6947e"],"explained_by":[],"source_path":"media/50f2be7cf8e6d269cf63bfba173dbe97b2e0e1079152b6b602406d74d45ff380.png","path":"/media/50f2be7cf8e6d269cf63bfba173dbe97b2e0e1079152b6b602406d74d45ff380-content.webp","display_derivative":{"source_sha256":"50f2be7cf8e6d269cf63bfba173dbe97b2e0e1079152b6b602406d74d45ff380","thumbnail":{"path":"media/50f2be7cf8e6d269cf63bfba173dbe97b2e0e1079152b6b602406d74d45ff380-thumbnail.webp","width":560,"height":315,"bytes":49550,"sha256":"9f4b45de094e1206d6d45969641bdb2433decab3526970ade4c93708621552b7"},"content":{"path":"media/50f2be7cf8e6d269cf63bfba173dbe97b2e0e1079152b6b602406d74d45ff380-content.webp","width":1672,"height":941,"bytes":375068,"sha256":"5831a101fc5e1e97ef078dd9da128dd5867047f0421a43ea76a5a60501532178"}}},{"id":"plc_796c76f5-1a1b-45c6-bc31-9eac33f7bc66","block_id":"blk_02ef8a2d-028d-4d88-8eb4-9b61c237b090","asset_revision_id":"avr_342efd88-b2b3-4532-8140-0cc22d97bbb7","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_6ddf0337-cee6-4721-918f-33dfba5e5c14","blk_b57ac956-3b63-4224-8c7c-04c66749dfc9"],"explained_by":[],"source_path":"media/a836ab03bdaac3e8aa8caf3c4b8b85200e8145663b1e9ed6225bc58ed93eacba.png","path":"/media/a836ab03bdaac3e8aa8caf3c4b8b85200e8145663b1e9ed6225bc58ed93eacba-content.webp","display_derivative":{"source_sha256":"a836ab03bdaac3e8aa8caf3c4b8b85200e8145663b1e9ed6225bc58ed93eacba","thumbnail":{"path":"media/a836ab03bdaac3e8aa8caf3c4b8b85200e8145663b1e9ed6225bc58ed93eacba-thumbnail.webp","width":560,"height":315,"bytes":44064,"sha256":"cb17c023c3a3bce44dd304dda83af9446fed8f145e1ef1dc24c75b273fed0d79"},"content":{"path":"media/a836ab03bdaac3e8aa8caf3c4b8b85200e8145663b1e9ed6225bc58ed93eacba-content.webp","width":1672,"height":941,"bytes":306758,"sha256":"f0e887564ceb06245efe9fa9d04f191962007dc988c85d71103c06c03f33304b"}}},{"id":"plc_d24b5829-db42-4f2a-9161-8fa0a5345ff7","block_id":"blk_46ccffc7-21b4-4547-bf7b-9b2bcd38388c","asset_revision_id":"avr_52fbe3bb-fb21-4569-9cb3-f0b3c48d358b","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_afccb472-9e0b-4014-bf4d-ce2a3b14a60e","blk_d3541886-0de7-4380-adfe-8c7d3cb7f6c8"],"explained_by":[],"source_path":"media/a60ad7d6dc9e9170162914c38cce414ad364859223d94935612856f9962881fb.png","path":"/media/a60ad7d6dc9e9170162914c38cce414ad364859223d94935612856f9962881fb-content.webp","display_derivative":{"source_sha256":"a60ad7d6dc9e9170162914c38cce414ad364859223d94935612856f9962881fb","thumbnail":{"path":"media/a60ad7d6dc9e9170162914c38cce414ad364859223d94935612856f9962881fb-thumbnail.webp","width":560,"height":315,"bytes":43166,"sha256":"a7499e4c15b216c264382495d9ca277cfee8bb3cc69d1affcdb4c4f245e0f9f9"},"content":{"path":"media/a60ad7d6dc9e9170162914c38cce414ad364859223d94935612856f9962881fb-content.webp","width":1672,"height":941,"bytes":283550,"sha256":"9889f4b59b2d86f89de80875658a35744924211d4df9702c0a3c2a8846114f88"}}},{"id":"plc_594a3ac4-34ee-4117-963a-27a0230b4a7e","block_id":"blk_7fe0a160-d156-425a-886e-df248f6f3060","asset_revision_id":"avr_02396baa-594d-4a79-ac43-aa84569e71fd","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_d6d7a2e1-a5c8-4da1-8612-ba9669a3522d","blk_1e02d681-95b1-46d3-8c64-92ee662e9996"],"explained_by":[],"source_path":"media/a36470686e85b5f7913548f572c95a80435ab45f2f853f90aed07f630a2e7188.png","path":"/media/a36470686e85b5f7913548f572c95a80435ab45f2f853f90aed07f630a2e7188-content.webp","display_derivative":{"source_sha256":"a36470686e85b5f7913548f572c95a80435ab45f2f853f90aed07f630a2e7188","thumbnail":{"path":"media/a36470686e85b5f7913548f572c95a80435ab45f2f853f90aed07f630a2e7188-thumbnail.webp","width":560,"height":315,"bytes":44270,"sha256":"4d7a3b2d100403b5e68bd55894a7ea53ff3b6b44d4cf9a1fdba693402958d127"},"content":{"path":"media/a36470686e85b5f7913548f572c95a80435ab45f2f853f90aed07f630a2e7188-content.webp","width":1672,"height":941,"bytes":301522,"sha256":"a0ef7fc82fe130c15b6370f2926954ac4d4a98e131308930b699fc61fcaf47f6"}}},{"id":"plc_c295f55e-5d53-4fba-a59d-6d81630a4588","block_id":"blk_4445ef1e-de41-4586-9991-0c3dab4e8d4b","asset_revision_id":"avr_0924b035-96ee-4f3a-867b-c497da95f3b4","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_52de5b66-5a04-4420-adfb-71955c6e838e","blk_ae57d575-416a-4f9f-8877-9c3d44825f72"],"explained_by":[],"source_path":"media/f9c936e54d8924a91c71b2c1cec46cc69b07da2c8a59b3525648f4c263aa1d0f.png","path":"/media/f9c936e54d8924a91c71b2c1cec46cc69b07da2c8a59b3525648f4c263aa1d0f-content.webp","display_derivative":{"source_sha256":"f9c936e54d8924a91c71b2c1cec46cc69b07da2c8a59b3525648f4c263aa1d0f","thumbnail":{"path":"media/f9c936e54d8924a91c71b2c1cec46cc69b07da2c8a59b3525648f4c263aa1d0f-thumbnail.webp","width":560,"height":315,"bytes":35480,"sha256":"cf855a6143170e7cae39d99cb5480d1449d8a4313a4e0c2d7a44a2b88161a7ba"},"content":{"path":"media/f9c936e54d8924a91c71b2c1cec46cc69b07da2c8a59b3525648f4c263aa1d0f-content.webp","width":1672,"height":941,"bytes":297464,"sha256":"e8b000ef2ab55b3ea47517a14178a8d8e3ec8195ccc70475fe2282ecd200e629"}}},{"id":"plc_4de55e4b-8d6f-44ca-855f-642a75396b25","block_id":"blk_4f5b3862-1021-4256-b827-ae3635b1def9","asset_revision_id":"avr_759ab7e1-31d7-4c2a-b553-328b4656667b","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_ca01709f-d3c3-47d1-811a-6daaf47ccf66","blk_eb6a72e3-86ae-44db-be74-681a5823b4a0"],"explained_by":[],"source_path":"media/464f07fb1b3543353a5f409692a7385a0b14b837b75765c787036f1e4f306518.png","path":"/media/464f07fb1b3543353a5f409692a7385a0b14b837b75765c787036f1e4f306518-content.webp","display_derivative":{"source_sha256":"464f07fb1b3543353a5f409692a7385a0b14b837b75765c787036f1e4f306518","thumbnail":{"path":"media/464f07fb1b3543353a5f409692a7385a0b14b837b75765c787036f1e4f306518-thumbnail.webp","width":560,"height":315,"bytes":45738,"sha256":"8068975ec119f35d054e5ee31bb4fc3d08a95ed8fc3a0b5addac04bb43159bb9"},"content":{"path":"media/464f07fb1b3543353a5f409692a7385a0b14b837b75765c787036f1e4f306518-content.webp","width":1672,"height":941,"bytes":355482,"sha256":"e401922c5197cd2fdf055d8e0b48ac08b8d57b60366b2696bc654d21be8d814c"}}},{"id":"plc_31b81cb7-4bb6-4689-8499-8c46545c1919","block_id":"blk_84676cb1-d682-4393-ad61-a103c1817f6e","asset_revision_id":"avr_9f300552-2019-4498-b42e-7d5267fca33a","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_996b9ed9-a7da-4db7-9146-f695a79487c9","blk_2f1173dd-0d76-4b30-bbc6-fa95e5f307a0"],"explained_by":[],"source_path":"media/ff9e28ad78dd9ce4bfe39641d800e781fadd4b69147ca0a711668647c34c5996.png","path":"/media/ff9e28ad78dd9ce4bfe39641d800e781fadd4b69147ca0a711668647c34c5996-content.webp","display_derivative":{"source_sha256":"ff9e28ad78dd9ce4bfe39641d800e781fadd4b69147ca0a711668647c34c5996","thumbnail":{"path":"media/ff9e28ad78dd9ce4bfe39641d800e781fadd4b69147ca0a711668647c34c5996-thumbnail.webp","width":560,"height":315,"bytes":48874,"sha256":"19449e3765781aa04dfbd07b51ba5dc4142db40acc43da0264ef43aed81bfb92"},"content":{"path":"media/ff9e28ad78dd9ce4bfe39641d800e781fadd4b69147ca0a711668647c34c5996-content.webp","width":1672,"height":941,"bytes":351474,"sha256":"d109b7ca51a091c14f5aefc521f27f078ac07bce88804c2b6bb92d193cc3d879"}}},{"id":"plc_45ddae48-c03a-40b0-a8b3-905581ae4a44","block_id":"blk_ee677499-187f-4fdd-8fa2-78cafe0e43a7","asset_revision_id":"avr_7a423cf8-4db8-4daf-b133-72342ae39b57","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_67d8913d-00ea-433a-9ca5-5dc2f65cd33c","blk_acbf4033-9c57-4d02-9f13-0aba15d9f70b"],"explained_by":[],"source_path":"media/65d76f5e5000706d7d08a55d58ecb10c13f21722946488f5bbea7e53c12421ec.png","path":"/media/65d76f5e5000706d7d08a55d58ecb10c13f21722946488f5bbea7e53c12421ec-content.webp","display_derivative":{"source_sha256":"65d76f5e5000706d7d08a55d58ecb10c13f21722946488f5bbea7e53c12421ec","thumbnail":{"path":"media/65d76f5e5000706d7d08a55d58ecb10c13f21722946488f5bbea7e53c12421ec-thumbnail.webp","width":560,"height":315,"bytes":44530,"sha256":"7e00ee5c9fd5c1c48c2eb4fe41d3b3d5d6538f9a04e36a45475e96b3a94ebddc"},"content":{"path":"media/65d76f5e5000706d7d08a55d58ecb10c13f21722946488f5bbea7e53c12421ec-content.webp","width":1672,"height":941,"bytes":364230,"sha256":"1de7e04f9a7cd79e66c24c89516e3cf605edf2ff1463bf6826319171357e8504"}}},{"id":"plc_4bd8179a-2de3-44cb-af3c-34bbd4ff6645","block_id":"blk_794f9150-ce17-4f8d-b675-928af9f5fa22","asset_revision_id":"avr_e750e511-e5a1-482a-a67b-5e44c4f7c9ee","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_9b64ab02-e22a-44bf-89d4-d49651c24704","blk_4881fc28-f92c-470f-a442-dbf7f2201eff"],"explained_by":[],"source_path":"media/942e8f16bdb6229c5c57e8026274b37413da32015955f689d3404c811dcbe03e.png","path":"/media/942e8f16bdb6229c5c57e8026274b37413da32015955f689d3404c811dcbe03e-content.webp","display_derivative":{"source_sha256":"942e8f16bdb6229c5c57e8026274b37413da32015955f689d3404c811dcbe03e","thumbnail":{"path":"media/942e8f16bdb6229c5c57e8026274b37413da32015955f689d3404c811dcbe03e-thumbnail.webp","width":560,"height":315,"bytes":41526,"sha256":"540ec62caf6fe80610d9da314756785965c0ef244601769ff2008b4547414c01"},"content":{"path":"media/942e8f16bdb6229c5c57e8026274b37413da32015955f689d3404c811dcbe03e-content.webp","width":1672,"height":941,"bytes":307446,"sha256":"9a96983182c8094e527c1cc7fbc0e3f120b8ae82ef79ef36e16b1bcfbaa190d5"}}},{"id":"plc_a5191dc0-09a9-438d-a25d-c079cca0f844","block_id":"blk_f94aac73-adb8-4443-b092-eec59b183280","asset_revision_id":"avr_311a8d61-cc34-4007-9c71-7fb31b506736","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_da7499da-57ca-4906-8da2-8fa91ebf9f67","blk_03db4a4e-99b4-43d9-8687-c3c2df435f63"],"explained_by":[],"source_path":"media/22336d079044eceb9cd15135bac3a9ac62744c0e3faa43d08c3f299c06389848.png","path":"/media/22336d079044eceb9cd15135bac3a9ac62744c0e3faa43d08c3f299c06389848-content.webp","display_derivative":{"source_sha256":"22336d079044eceb9cd15135bac3a9ac62744c0e3faa43d08c3f299c06389848","thumbnail":{"path":"media/22336d079044eceb9cd15135bac3a9ac62744c0e3faa43d08c3f299c06389848-thumbnail.webp","width":560,"height":315,"bytes":47186,"sha256":"0f1932bfa952565c7e7c7306bd9a53c0157d9b13f48c137da934e582a4b9c128"},"content":{"path":"media/22336d079044eceb9cd15135bac3a9ac62744c0e3faa43d08c3f299c06389848-content.webp","width":1672,"height":941,"bytes":405480,"sha256":"524f9e496f36b9780e15839db4425302600389aed0a6499c1e82b5a4496894fc"}}},{"id":"plc_2976503d-00b2-4c46-a3d3-4596b67a720c","block_id":"blk_096fb1e4-fa32-4262-8a0e-c7fdd6d4a23a","asset_revision_id":"avr_73fa4b4a-8a46-4ae8-ab08-436abe92a118","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_ce240ad2-e404-4e1e-a59d-0bc23c35acee","blk_72569539-e8f5-40ea-a617-adf1e1d134ec"],"explained_by":[],"source_path":"media/abf224f48a1acd0bdf5b19d153d00a1277d6f7f100d4c525696a11d99d6fcd1f.png","path":"/media/abf224f48a1acd0bdf5b19d153d00a1277d6f7f100d4c525696a11d99d6fcd1f-content.webp","display_derivative":{"source_sha256":"abf224f48a1acd0bdf5b19d153d00a1277d6f7f100d4c525696a11d99d6fcd1f","thumbnail":{"path":"media/abf224f48a1acd0bdf5b19d153d00a1277d6f7f100d4c525696a11d99d6fcd1f-thumbnail.webp","width":560,"height":315,"bytes":46186,"sha256":"d8acc428e3d4fb5f16b811273e42a99f1214bd8c3f29405c4821b2706128fc18"},"content":{"path":"media/abf224f48a1acd0bdf5b19d153d00a1277d6f7f100d4c525696a11d99d6fcd1f-content.webp","width":1672,"height":941,"bytes":342538,"sha256":"fe2c4923146f991514e949af7440260669c7cdc338ca41d2f2694257a9664e6d"}}},{"id":"plc_536853c6-9a93-4f6f-9cf7-cc42f327160f","block_id":"blk_faee818f-1040-449a-af00-8c0f379ecf78","asset_revision_id":"avr_81552499-a893-42df-b11f-a80375eecb72","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_d033c68a-713e-4a77-b822-b54bcd812ad3","blk_cc8d9d0a-89ff-46c6-adb0-53fe77331b39"],"explained_by":[],"source_path":"media/a6954b2818496122756bf62241650b769144a9ba70096e99fb140fa564aa5fea.png","path":"/media/a6954b2818496122756bf62241650b769144a9ba70096e99fb140fa564aa5fea-content.webp","display_derivative":{"source_sha256":"a6954b2818496122756bf62241650b769144a9ba70096e99fb140fa564aa5fea","thumbnail":{"path":"media/a6954b2818496122756bf62241650b769144a9ba70096e99fb140fa564aa5fea-thumbnail.webp","width":560,"height":315,"bytes":42418,"sha256":"10a92827463eb2c39e75475df9cbbe737ec5b7ad12e9b5b1a210699817e8e00a"},"content":{"path":"media/a6954b2818496122756bf62241650b769144a9ba70096e99fb140fa564aa5fea-content.webp","width":1672,"height":941,"bytes":337604,"sha256":"7e6ffc14a0ffac0d6ad51e2317326875ff11528871ee9d7c564bceaa5d98e699"}}},{"id":"plc_a1196d50-2f7b-4a27-8d0a-cdc61e47dbf9","block_id":"blk_d7465f25-21d1-495a-a817-5c44e83d00c2","asset_revision_id":"avr_890fadcb-72cf-4351-ad18-d936c4359821","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_154ac927-8f47-4741-b60e-b48d123ac71d","blk_48255ccb-de0d-41e7-b36d-21ab3363abf7"],"explained_by":[],"source_path":"media/e11dab9fd66265ca882530937732132be01926c95132f65799b39680c60b4573.png","path":"/media/e11dab9fd66265ca882530937732132be01926c95132f65799b39680c60b4573-content.webp","display_derivative":{"source_sha256":"e11dab9fd66265ca882530937732132be01926c95132f65799b39680c60b4573","thumbnail":{"path":"media/e11dab9fd66265ca882530937732132be01926c95132f65799b39680c60b4573-thumbnail.webp","width":560,"height":315,"bytes":55454,"sha256":"0503f074ec10ffd698e0d8bcd33ae0bd9e47b6ad3c6fd0a50d53871bfec0c2a5"},"content":{"path":"media/e11dab9fd66265ca882530937732132be01926c95132f65799b39680c60b4573-content.webp","width":1672,"height":941,"bytes":433260,"sha256":"351cb0a54b36e363b54adad1f6bc60fecdb4558d5d4f236aa6559e0e988b07a9"}}},{"id":"plc_0b406fbc-a476-4395-9713-456aa0e9e2f1","block_id":"blk_5b881946-d5b3-4158-8c28-2474b08fcd52","asset_revision_id":"avr_62e49be3-0ee9-41e5-b9aa-893aa1a4a486","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_4ca1a87e-c165-461f-9d61-8ac1b73ddc40","blk_632d37f6-b45b-4b21-a0f5-1a5065efdb28"],"explained_by":[],"source_path":"media/a71e4c297304daa969269534291c87b85e072cf494bf7d8841dd59fb5b3dcec9.png","path":"/media/a71e4c297304daa969269534291c87b85e072cf494bf7d8841dd59fb5b3dcec9-content.webp","display_derivative":{"source_sha256":"a71e4c297304daa969269534291c87b85e072cf494bf7d8841dd59fb5b3dcec9","thumbnail":{"path":"media/a71e4c297304daa969269534291c87b85e072cf494bf7d8841dd59fb5b3dcec9-thumbnail.webp","width":560,"height":315,"bytes":50250,"sha256":"200b5e61e980b64287a13a1d9627668bff047be83dd6773660e76e62c8eb3c7a"},"content":{"path":"media/a71e4c297304daa969269534291c87b85e072cf494bf7d8841dd59fb5b3dcec9-content.webp","width":1672,"height":941,"bytes":352536,"sha256":"9a13e80298f221c1e509a03973bc810fa7bb9ba5b93453ca64a6d40efda63844"}}},{"id":"plc_f1562fc5-bdfd-4efa-9323-e61a1991f99e","block_id":"blk_57d68968-98bb-4fc7-a13f-ce40c1df9499","asset_revision_id":"avr_d122ab10-a03b-4267-ac9e-60eed15a0479","asset_class":"other","caption":"","alt":"","adjacent_to":["blk_aa56e277-4047-4a97-bb62-de2d6a81578b","blk_8ff89173-604e-4756-90c3-951616af2428"],"explained_by":[],"source_path":"media/acc21763f8c9e3f2db07310ef2d2f405578253415a2c3f668cc14201aa15abbf.png","path":"/media/acc21763f8c9e3f2db07310ef2d2f405578253415a2c3f668cc14201aa15abbf-content.webp","display_derivative":{"source_sha256":"acc21763f8c9e3f2db07310ef2d2f405578253415a2c3f668cc14201aa15abbf","thumbnail":{"path":"media/acc21763f8c9e3f2db07310ef2d2f405578253415a2c3f668cc14201aa15abbf-thumbnail.webp","width":560,"height":315,"bytes":50322,"sha256":"6958888fe76c5db8f3ed57aa02cfb86bf44e03ef75d96f7b338d760d63b3eed5"},"content":{"path":"media/acc21763f8c9e3f2db07310ef2d2f405578253415a2c3f668cc14201aa15abbf-content.webp","width":1672,"height":941,"bytes":384124,"sha256":"4151b41e9e722015638a70db3720953feeabad6c5daacbd10ffa5a748cb1b67c"}}}],"package_sha256":"f5ad70940230ce03d2a7a12f04a3a0d5581ad5108f2983a430fa36453bdd0631","record_type":"article","schema_version":"noia-public-article-1.1.0","dataset_version":"2026.09.23.4","urls":{"source_url":"https://note.com/atom_/n/nb22ffbfb7006","release_path":"/articles/rev_3fd4618d-8d1a-4a0a-8f71-c67475f7c6b1/","canonical_url":"https://noia-grid.pages.dev/articles/rev_3fd4618d-8d1a-4a0a-8f71-c67475f7c6b1/"},"time":{"created_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"published_at":{"value":"2026-08-20 19:36:11","precision":"local_datetime","timezone":null,"status":"source_metadata","basis":"Metadata only; not evidence of historical body availability."},"modified_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"analysis_as_of":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"event_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"Metadata only; not evidence of historical body availability."},"recorded_at":{"value":"2026-09-08T05:29:27+00:00","precision":"instant","timezone":"+00:00","status":"archive_record","basis":"canonical_recorded_at"},"content_available_at":{"value":null,"precision":"unknown","timezone":null,"status":"unknown","basis":"unknown"}},"legacy":{"source_date":{"value":"2026-08-20 19:36:11","meaning":"legacy_source_metadata_date","certainty":"source_metadata"}},"rights":{"license_ref":"license:not-specified","rights_status":"unknown","third_party_material":"unknown"},"integrity":{"hash_profile":"noia-evidence-json-v1","content_sha256":"74c698b9c74ef23a6eb9e9ce4ceea3a8cf79267a86fbc8fe6730de50eb32096f","lineage":[],"previous_revision_sha256":null,"previous_revision_status":"no_parent","revision_sha256":"02fb64efbc31967ccce03634c9478fa1f94959afe46e2af0752b8bb65022088b"}}