Skip to content
Published on

カスタムASIC対GPU — チップ戦争を投資の視点で読む

🇰🇷KO🇺🇸EN🇯🇵JA
Split View필사 모드
Authors

はじめに: GPUの時代、しかし亀裂の兆し

まず明確にします。本記事は情報と教育を目的としており、投資の勧誘や助言ではありません。特定銘柄の売買や目標価格を断定せず、すべての投資判断と責任はご自身にあります。必要であれば資格を持つ専門家にご相談ください。

AIインフラの心臓はチップです。ここ数年、その心臓は事実上ひとつの企業、NvidiaのGPUによって独占的に鼓動してきました。学習(training)と推論(inference)の双方でGPUは事実上の標準となり、その結果Nvidiaは時価総額5兆ドルを史上初めて超えたと報じられました。

しかし2026年現在、この構図に亀裂の兆しが見えます。クラウドを運営する巨大企業が自社チップ、すなわちカスタムASICを設計し、一部のワークロードを移し始めました。とくに学習よりコスト感度の高い推論の領域でASICのシェアが拡大しているとの観測があります。この記事はGPUとカスタムASICの構図を投資の視点で解剖し、Nvidiaの堀がどれほど堅固か、そしてチップ戦争の受益とリスクがどこにあるかを見ていきます。

1. GPUとASIC、何が違うのか

まず技術概念を軽く整理します。深い工学知識がなくても、投資判断に必要な範囲だけ扱います。

区分GPUカスタムASIC
性格汎用アクセラレーター特定作業専用チップ
柔軟性高い (多様なモデルに対応)低い (設計された作業に最適)
電力当たり性能汎用性の代償で一部損失特定作業で優れうる
開発コストと期間購入で即活用設計と検証に大きな先行投資
エコシステム豊富なソフトとツール自前構築が必要

要点はトレードオフです。GPUは柔軟でエコシステムが豊富なため、どんなモデルでも素早く動かせます。一方ASICは特定作業に合わせて設計すれば電力当たり性能や単価で優位を狙えますが、柔軟性が劣り莫大な先行投資が必要です。ですからどのワークロードかによって有利不利が分かれます。

2. なぜクラウド事業者は自社チップを作るのか

巨大クラウド事業者が自らチップを設計するには明確な動機があります。

自社チップの動機

  [コスト削減]      莫大なGPU購入費を自社チップで一部代替
        |
  [供給安定]        特定供給先への依存を下げ交渉力を確保
        |
  [ワークロード最適化] 自社サービスにぴったり合った効率を追求
        |
        v
   自社ASIC設計の動機

第一にコストです。推論は一度モデルを配備すると延々と繰り返される作業のため、単価がわずかに下がるだけでも累積の削減効果が大きくなります。第二に供給安定と交渉力です。単一供給先への依存を下げれば価格交渉で有利になります。第三に自社ワークロードへの最適化です。自社サービスの特性をもっともよく知る企業が、それに合ったチップを作れます。

ただし自社チップがGPUを完全に代替するという意味ではありません。多くの事業者がGPUを大規模に買い続けながら、同時に一部のワークロードを自社チップへ移す並行戦略を採っていると報じられます。

3. 推論市場: 戦場の重心が移る

チップ戦争の核心の戦場はしだいに推論へと移っています。その理由を理解することが重要です。

学習はモデルを作る一回的(周期的だがまとまった)な大規模作業です。一方、推論はモデルを実際に使うたびに発生する反復作業です。AIサービスの利用者が増えるほど推論需要は増え続けます。つまりAIが実際に使われ始めると、コストの重心は学習から推論へ移ります。

コスト重心の移動

   AI導入の初期            AI拡散期
   --------------          --------------
   学習の比重が大きい --> 推論の比重が大きくなる
   (モデル構築)            (大量利用)

   GPUの強さ維持           ASIC浸透の余地拡大

推論はコスト感度が高く作業パターンが比較的定型的なため、特定作業に最適化されたASICが入り込む余地が相対的に大きいです。これが「推論ASICのシェア拡大」という観測の背景です。

4. Nvidiaの堀: どれほど堅固か

ではNvidiaの優位は揺らぐのでしょうか。両面を見る必要があります。まず堀が堅固だという視点です。

  • ソフトウェアエコシステム: 長年蓄積された開発ツールとライブラリは短期間で複製しにくいものです。慣れた環境を離れるには大きなスイッチングコストがかかります。
  • フルスタック統合: チップ、ネットワーク、システム、ソフトを束ねる統合能力は、単一チップの設計だけでは追いつきにくいです。
  • 学習領域の強さ: 最先端モデルの学習では依然としてGPUの汎用性と性能が強力です。
  • 速い世代交代: 製品サイクルが速く、競合が追う間に次世代へ先行します。

5. 挑戦の論理: 堀に生じた隙間

逆に堀が侵食されうるという視点も真剣です。

  • 推論のコスト圧力: 推論が大きくなるほど単価が重要になり、ここで最適化されたASICが魅力的です。
  • 顧客の内製化: 最大の顧客が同時に潜在的な競合になります。自社チップを育てるクラウド事業者はNvidiaの大口顧客であり挑戦者です。
  • 代替エコシステムの成長: 時間が経つにつれ非GPUのソフトが成熟すれば、スイッチングコストが下がりえます。
  • 集中度リスク: 売上が少数の大口顧客に集中しており、彼らの戦略変化が大きく影響します。

結局、堀は「崩れる対揺るがない」の二分法ではなく、「学習では堅固だが推論の一部では侵食されうる」という部分的な絵として見るほうが現実的です。

6. バリューチェーンの受益マップ

チップ戦争の結果がどうであれ、その過程で広く受益する領域があります。誰が勝つにせよチップを作り動かすのに必要な基盤だからです。以下は分析用のマップであり特定銘柄の推奨ではありません。

バリューチェーン段階役割注目点
チップ設計(ファブレス)GPUおよびASICの設計GPU強者対ASIC設計の協力先
ファウンドリ先端プロセスの受託製造GPUでもASICでも製造は結局少数に集中
HBMメモリAIチップ向け高帯域メモリチップ種類に関係なく需要増
パッケージングと後工程先端パッケージ技術性能のボトルネックであり機会
ネットワークデータセンターの接続大規模クラスタの需要
電力と冷却データセンター インフラ電力需要急増の直接受益
原子力と発電電力供給源Constellation EnergyによるThree Mile Island再稼働などの報道

興味深い点は、ファウンドリ、HBM、パッケージング、電力のように「チップの種類に関係なく必要な」領域は、GPUが勝ってもASICが勝っても需要が維持されうることです。いわゆる「つるはしとシャベル」の視点です。ただしこれらもサイクル、競争、価格にさらされており無リスクではありません。

7. リスク点検

投資の視点で必ずあわせて見るべきリスクを整理します。

  • サイクルリスク: 半導体は本質的にサイクル産業です。需要鈍化や在庫調整が来るとバリューチェーン全体が揺れます。
  • 集中度リスク: AIチップ売上が少数の大口顧客に偏っており、彼らの投資縮小や内製化が衝撃を与えます。
  • 地政学リスク: 先端プロセスと装置は地政学的規制にさらされています。輸出規制の変化は大きな変数です。
  • 技術転換リスク: チップアーキテクチャとメモリ技術の急変は、既存の強者にとっても危険であり機会です。
  • バリュエーションリスク: 期待が価格に先取りされている場合、成長鈍化時の調整幅が大きくなります。

8. 学習と推論の経済学: コスト曲線で見る

投資の視点でチップ選択を理解するには、二つの作業のコスト構造がどう違うかをつかむことが重要です。学習は大規模な資本を一度に投じてモデルを作る作業に近く、推論はそのモデルをリクエストのたびに動かす運用コストに近いものです。

学習対推論のコスト構造 (概念図)

  コスト
   |
   |  学習: 初期に急増しその後完了
   |   *
   |   *
   |   *  *
   |   *     *
   |   *        *  *  *  (モデル完成後に減少)
   |
   |  推論: 使用量に比例して累積増加
   |                 .  .  .  .  .  .
   |            .  .
   |       .  .
   |   .  .
   +-------------------------------------> 時間(使用量)

この図が示す核心は単純です。サービスが成功するほど推論コストが時間とともに延々と積み上がるということです。したがって推論の単価をわずか1パーセント下げるだけでも、使用量が十分に大きければ削減額は莫大になります。まさにこの点に、特定作業に最適化されたASICの経済的魅力が生まれます。

項目学習ワークロード推論ワークロード
コストの性格資本的な集中投入運用的な反復支出
頻度周期的、まとまり型常時、連続型
チップ要件最高性能と柔軟性単価と電力当たり性能を優先
変化感度モデル構造の変化に敏感コスト最適化に敏感
ASIC適合度相対的に低い相対的に高い

ただし注意点があります。推論もモデルが頻繁に変われば柔軟性が必要になり、学習も規模が大きくなれば単価が重要になります。つまり境界は固定されたものではなく、ワークロードの成熟度に応じて動きます。

9. ハイパースケーラーの自社シリコン戦略

巨大クラウド事業者、いわゆるハイパースケーラーがなぜ自らチップを設計するのかを、もう一段深く見ていきます。彼らは世界最大のAIチップ購入者であると同時に、最大の潜在的競合でもあります。

ハイパースケーラーの二重ポジション

   [大口顧客]   --------- GPUを大規模購入
        |                 (現在のワークロード対応)
        |
   [潜在的競合] -------- 自社ASICを設計
                          (長期のコストと交渉力)

   一社が二つの役割を同時に担う

彼らが自社チップを育てる戦略的理由は次のように整理できます。

  • 単価のコントロール: 莫大な推論物量を自社チップで一部吸収すれば、外部購入単価を下げる交渉のてことなります。
  • 差別化: 自社サービスに特化したチップは、応答速度や効率で差別的な体験を生み出せます。
  • サプライチェーンの制御: 単一供給先への依存を下げれば、供給の途絶や価格変動のリスクを分散できます。
  • データセンター統合: チップからサーバー、冷却、電力まで垂直統合し、総所有コストを管理します。

しかし自社チップにも明確な限界があります。設計と検証には多大な費用と時間がかかり、ソフトウェアエコシステムを自前で育てる必要があり、最先端プロセスの確保競争にも等しくさらされます。そのため多くは「全面代替」ではなく「特定ワークロードの部分移行」として取り組むと報じられます。これはGPU需要が消えるというより、成長曲線の傾きが領域ごとに異なるという絵に近いものです。

10. Nvidiaの堀の深層解剖

第4章で堀の輪郭を見たなら、ここではその構造をさらに分解します。堀は単一の要素ではなく、複数の層が重なった結果物です。

Nvidiaの堀の層

  [ソフトウェア]  開発ツール、ライブラリ、蓄積されたコード資産
       +
  [ネットワーク]  大規模クラスタを束ねる高速接続技術
       +
  [システム統合]  チップ、ボード、ラック単位の統合設計
       +
  [世代の速さ]    速い製品サイクルで追走距離を維持
       =
   複合的なスイッチングコスト (単一チップの交換では越えにくい)
  • ソフトウェアエコシステム: 長年蓄積された開発ツールと最適化ライブラリは単純な模倣で追いつきにくいものです。開発者が慣れた環境そのものが資産です。
  • ネットワーク: チップ一個の性能よりも、数千個のチップを効率的に束ねる接続技術が大規模学習のボトルネックを左右します。
  • システム統合: チップだけでなくサーバーやラック単位で検証されたシステムを提供すれば、導入リスクが下がり顧客が留まります。
  • スイッチングコスト: 以上の要素が結合すると、競合チップへ移る際に再学習、再検証、人材の再教育のコストが累積します。

挑戦側の論理も再びバランスよく見ます。推論のように作業が定型的で単価が重要な領域では、上記の堀の効果が相対的に弱まります。また時間が経つにつれ代替ソフトが成熟すれば、スイッチングコスト自体が下がりえます。結論は第4章と同じです。堀は学習で強く推論の一部で弱まる、領域依存的な構造です。

11. メモリ(HBM)とパッケージング、プロセス集中の角度

チップ戦争でしばしば見落とされるが決定的なのが、メモリとパッケージング、そして先端プロセスの集中度です。AIチップの性能は演算だけでなく、データをどれだけ速くチップに供給できるかに大きく左右されます。ここで高帯域メモリ(HBM)が登場します。

AIチップ性能の三つのボトルネック

   [演算]  ---- チップの計算能力
     |
   [メモリ] ---- HBMの帯域と容量 (しばしば本当のボトルネック)
     |
   [パッケージ] - 演算とメモリを束ねる先端パッケージ
     |
     v
   三要素が共に性能を決定
  • HBM: GPUでもASICでも大型AIチップはHBMを要求します。つまりチップの種類に関係なく需要が発生する領域です。ただし供給先が少数に集中しており、価格と供給のサイクルが大きいものです。
  • 先端パッケージング: 演算チップとメモリを一つのパッケージに束ねる技術は、性能のボトルネックであり差別化の要点です。パッケージング能力が不足すれば良いチップも潜在力を出せません。
  • プロセス集中: 最先端プロセスを提供できるファウンドリは世界的に極めて少数です。GPUでもASICでも、結局はこの狭い関門を通過しなければなりません。この集中度は機会であると同時に地政学リスクの源です。

投資の視点での含意は明確です。誰がチップ戦争に勝っても、HBMとパッケージングと先端プロセスは共通の関門です。しかし関門であるがゆえに、競争と価格、サイクルの圧力もそこに集中します。

12. 隠れた戦場としての電力

AIチップの話は結局、電力の話につながります。チップが増えればデータセンターが増え、データセンターが増えれば電力需要が急増します。報道によれば、データセンターの電力需要は2023年から2030年にかけて四倍以上に増えうるとの見通しがあり、米国全体の電力に占めるデータセンターの比率も約4.4パーセントから12から20パーセント程度へ高まりうるとの観測があります。

チップから電力へつながる連鎖

   より多くのAIチップ
        |
   より多くのデータセンター
        |
   急増する電力需要
        |
   安定したベースロード電源が必要
        |
   原子力の再稼働、新規発電投資の台頭

この流れの中で、電力と冷却、そして発電源が新たな関心領域として浮上しました。とくに安定したベースロード電源として原子力が再注目されており、Constellation EnergyがThree Mile Island原発を再稼働すると報じられた事例は象徴的です。ただし電力インフラ投資は懐妊期間が長く、規制と政策に大きく左右されるため、短期の期待だけで臨むのは危険です。

13. 「つるはしとシャベル」投資フレームワーク

チップ戦争の勝者を一点に絞るのは難しいものです。そこで多くのアナリストが示す視点が「つるはしとシャベル」です。ゴールドラッシュで金を掘る人より、つるはしとシャベルを売った商人のほうが安定して稼いだという比喩です。

つるはしとシャベルの枠組み

   [鉱夫]      個別のGPU/ASIC勝者に賭ける (不確実性が大きい)
       対
   [商人]      誰が勝っても必要な基盤に広く露出
                - ファウンドリ
                - HBMメモリ
                - 先端パッケージング
                - ネットワーク
                - 電力と冷却

この枠組みの利点は、特定チップの勝敗に運命を賭けず、チップ戦争全体の成長に広く露出できる点です。欠点も明確です。「基盤」領域もサイクルや競争、価格圧力から自由ではなく、AI投資全体の熱が冷めれば一緒に揺れます。つまりつるはしとシャベルも無リスク資産ではなく、分散の一つの方法にすぎません。要点は、いずれか一つのシナリオに賭けるより、自分が耐えられるリスクの範囲で露出を設計することです。

14. よくある質問(FAQ)

  • 質問: ASICは結局GPUを代替しますか。回答: 全面代替より領域ごとの分担が現実的だと報じられます。学習はGPUが強く、推論の一部でASICの浸透が拡大するとの観測です。
  • 質問: Nvidiaの堀は崩れますか。回答: 二分法で見るのは難しいものです。学習では堅固だが推論の一部で侵食されうるという部分的な絵が合理的です。
  • 質問: もっとも安全な投資は何ですか。回答: 断定できません。本記事は特定銘柄を推奨せず、すべての領域に固有のリスクがあります。
  • 質問: HBMと電力はなぜ重要ですか。回答: チップの種類に関係なく必要な共通の関門だからです。ただし関門であるがゆえに競争と価格圧力もそこに集中します。
  • 質問: 今入っても大丈夫ですか。回答: タイミングは本記事の範囲外です。期待が価格に先取りされているか、自分のリスク許容度がどこにあるかを、自身でまたは専門家と点検してください。

15. 用語整理とリスクチェックポイント

主要な用語を簡単に整理します。

用語意味
GPU汎用アクセラレーター、多様なAI作業に広く使われる
カスタムASIC特定作業専用に設計されたチップ
学習モデルを作る大規模作業
推論作ったモデルを実際に使う反復作業
電力当たり性能電力当たりの性能、運用効率の核心指標
ファウンドリチップを受託生産する製造者
HBM高帯域メモリ、AIチップのデータ供給源
パッケージング演算とメモリを一つに統合する後工程
堀競合が越えにくい構造的優位
つるはしとシャベル勝者の代わりに共通基盤に露出する投資の視点

投資の前に自分で点検するチェックポイントです。

  • 自分は特定チップの勝敗に賭けるのか、それとも共通基盤に分散するのか。
  • 自分が見ている企業の売上は少数の顧客にどれほど集中しているか。
  • 現在の価格に期待がどれほど先取りされているか。
  • 地政学と規制の変化にどれほど露出しているか。
  • サイクルが折れたとき自分のポジションはどうなるか。
  • 自分の投資期間とリスク許容度はこのテーマに合っているか。

もう一度、上記の項目は判断を助けるための問いにすぎず正解ではなく、いかなる銘柄の売買シグナルでもありません。

16. 三つのシナリオで見るチップ戦争

未来は断定できません。しかし起こりうる経路をいくつかに分けて考えておくと、あるニュースが出たとき、それがどのシナリオを強めるのかを素早く見積もれます。以下は分析用の思考実験であり、予測や勧誘ではありません。

三つの分岐シナリオ (概念)

   シナリオA: GPU優位が持続
     学習と推論の双方でGPUエコシステムが防衛
     ASICはニッチに留まる

   シナリオB: 領域分担 (もっとも多く言及)
     学習はGPU、推論の一部はASIC
     共通基盤(メモリ/電力)は共通受益

   シナリオC: 推論ASICが加速
     推論でASICのシェアが急速に拡大
     GPUの成長曲線の傾きが緩む
シナリオGPU陣営ASIC陣営共通基盤
A 持続堅調限定的堅調
B 分担学習で強い推論に部分参入広く受益
C 加速緩む可能性推論で拡大依然受益

興味深い点は、三つのシナリオすべてで共通基盤、すなわちファウンドリとメモリと電力が一定の受益を見ることです。これがつるはしとシャベルの視点が頻繁に語られる理由です。ただしシナリオCが強く展開すれば、GPU陣営の成長期待が調整されうるため、どちらに重きを置くかでリスクとリターンのバランスが変わります。

17. ニュースを読むためのチェックリスト

このテーマはニュースが速く流れます。一つ一つの見出しに振り回されないために、次の問いで情報を分類する習慣が役立ちます。

  • このニュースは学習の領域か推論の領域か。両者は含意が異なります。
  • これは一回限りの発表か構造的な変化か。単発の契約とトレンドは区別すべきです。
  • 誰が買い誰が売るのか。ハイパースケーラーの発言は大口顧客であり競合でもある二重の立場であることを忘れずに。
  • 共通基盤への影響はどうか。チップの勝敗に関係なくメモリと電力に及ぶ効果を見ます。
  • 価格にすでに織り込まれた期待か。良いニュースでも先取りされていれば追加の勢いは弱いことがあります。

このチェックリストの目的は正解を与えることではなく、感情的な反応の代わりに構造的な思考を保つ手助けをすることです。

18. 総所有コスト(TCO)という本当の物差し

チップ比較を単に「チップ単価」だけで見ると本質を見落とします。データセンター運営者は、チップ一個の価格ではなく、そのチップを買い、動かし、冷やし、維持する全体の費用、すなわち総所有コストで判断します。

総所有コストを構成する要素

   [チップ購入価格]  初期の資本支出
        +
   [電力コスト]      稼働中ずっと累積する運用費
        +
   [冷却コスト]      発熱処理に要するインフラ
        +
   [ソフトウェア]    ツール、保守、人材
        +
   [減価と交換]      世代交代の周期と残存価値
        =
     実際の意思決定の物差し

この視点が重要なのは、あるチップが単価は高くても電力当たり性能が良く、電力と冷却のコストを大きく減らせば、結果としてより安くなりうるからです。逆に単価が安いチップでも、エコシステムが薄く人材と保守のコストが大きければ総費用は上がります。ですからGPUとASICの優劣は「単価」一行では終わらず、ワークロードと運用環境の全体で計算する必要があります。

コスト要素GPUの傾向ASICの傾向
チップ購入価格高くなりうる大量自社生産で下げる余地
電力コスト汎用性の代償作業最適化で節約の余地
ソフトウェアコスト成熟エコシステムで低い自前構築で初期は高い
柔軟性の価値高い低い
総合判断多様な作業に有利大規模な定型作業に有利

投資の視点での含意はこうです。どの陣営が勝つかは単純な性能競争ではなく、ワークロードごとの総所有コストの戦いです。そしてその戦いで電力と冷却の比重が大きくなるほど、第12章で見た電力という隠れた戦場の重要性もともに高まります。

19. 分散と時間軸の重要性

最後に、このテーマを扱う際にもっとも忘れられがちな二つを強調します。分散と時間軸です。

チップ戦争は勝者が明確になるまで数年かかりうる長期のテーマです。短期のニュース一つで構図が確定するわけではありません。したがって一つのシナリオや一つの銘柄に集中するより、自分が耐えられる範囲で露出を分散するほうが一般にリスクを下げます。また自分の投資の時間軸がこのテーマの呼吸に合っているかを点検すべきです。数か月で決着を期待するなら、数年かけて展開する構造的変化とずれる可能性があります。

時間軸と露出の設計

   短期の視野  ----  ニュースの変動に弱い
        |
   長期の視野  ----  構造的変化に整合
        |
   分散した露出  ----  単一シナリオへの依存を緩和
        |
        v
   耐えられるリスクの範囲で設計

もう一度強調します。以上は分散や長期投資が常に正しいという主張ではなく、リスクを自分で理解し設計せよという原則的な助言です。すべての決定と結果の責任はご自身にあり、必要であれば専門家にご相談ください。

20. 要点のまとめ

ここまでの議論を五行に圧縮します。

  • GPUは柔軟性とエコシステムで学習に強く、ASICは単価と電力当たり性能で推論に入り込む余地が大きいものです。
  • ハイパースケーラーは大口顧客であり競合でもある二重ポジションを持ち、全面代替より部分移行を選ぶと報じられます。
  • Nvidiaの堀はソフトウェア、ネットワーク、システム統合、世代の速さが重なった複合構造で、学習で堅固だが推論の一部で弱まりうるものです。
  • 誰が勝ってもファウンドリ、HBM、パッケージング、電力は共通の関門であり、つるはしとシャベルの視点が頻繁に語られますが、これらもサイクルと価格にさらされます。
  • 結局、判断はワークロードごとの総所有コストと、自分の時間軸、リスク許容度に懸かっています。

このまとめは分析の整理にすぎず、いかなる行動の勧誘でもありません。

おわりに

カスタムASICとGPUの対決は「一方が他方を完全に代替する」という単純な話ではありません。学習ではGPUの汎用性とエコシステムが依然として強力で、推論ではコスト最適化されたASICが入り込む余地が大きくなる、という領域ごとに異なる均衡が形成されつつあります。そしてその戦いがどう終わるにせよ、ファウンドリやメモリや電力のように、チップを作り動かすのに必要な基盤は広く注目を集めています。

もう一度強調します。本記事は情報と教育を目的とした分析であり、投資助言ではありません。言及したいかなる企業も売買の推奨ではなく、目標価格を断定しません。投資判断と結果に対する責任はすべてご自身にあり、決定の前には専門家の助言を求めてください。

参考資料

Discuss on Twitter • View on GitHub