AnthropicとOpenAI、AI容量をより迅速に稼働させるためデータセンター契約を小規模化

AnthropicとOpenAIは、数百メガワットからギガワット級のAIインフラに投資を約束する一方で、20〜30メガワット規模の拠点を検討していると報じられている。こうした小規模なAnthropic OpenAIデータセンター契約により、両ラボは最大級のキャンパスが完成する前に、実用可能なコンピューティング能力を確保できる可能性がある。

この動きは、両社が巨大インフラプロジェクトを放棄したことを意味しない。むしろ、AI製品への需要の拡大速度と、大規模データセンターの建設に必要な時間との隔たりが広がっていることを示している。

より高性能なモデルの学習では、依然として巨大かつ緊密に接続されたコンピューティングクラスターが有利だ。一方、推論として知られる、数百万件の独立したリクエストを処理する作業には異なる要件がある。運営側がレイテンシー、信頼性、セキュリティ、コストを管理できる限り、こうしたワークロードは小規模な地域施設に分散できる場合が多い。

この違いにより、今回報じられた動きは単なる追加の容量調達にとどまらない。AnthropicとOpenAIは、用途ごとに異なる拠点を組み合わせたコンピュートポートフォリオを構築している。また、最大規模のプロジェクトでは直ちに得られないもの、すなわちスピードを確保するため、より大きな運用上の複雑さも受け入れている。

報じられた契約は20〜30メガワットを対象に

直近の変化は、AIワークロードの処理をより早く開始できる、小規模ながら電力を確保済みの拠点を探している点にある。

CNBCが報じた小規模拠点に関する協議によると、Anthropicは英国および北欧諸国での契約の可能性を検討してきた。これらの協議に詳しい4人が、Anthropicの動きについて同媒体に語った。

情報筋2人によると、OpenAIも北欧での機会を検討していたという。別の情報筋は、両社が関与し、米国で同程度の規模で展開する可能性を含む協議を把握していた。

報道によれば、協議の対象は20〜30MW規模の施設だ。これは依然として重要な産業インフラだが、近年のAI関連発表を支配してきたキャンパスよりは大幅に小さい。

メガワットはコンピューティング性能ではなく、電力を測る単位だ。施設の実際の出力は、チップ、ネットワーク、冷却、ソフトウェア、実稼働率に左右される。それでも、最終的なハードウェア構成が公表される前の段階では、電力容量がプロジェクトを比較する共通の尺度となる。

今回の報道で、両社が20〜30MW規模の契約を締結済みだと発表したわけではない。Anthropicはコメントを控え、OpenAIは性能、信頼性、時期、コスト、ワークロード要件に基づいてインフラ機会を評価していると述べた。

この違いは重要だ。根拠が示しているのは、報じられた調達戦略であり、新拠点ポートフォリオの確定ではない。所在地、事業者、ハードウェア、稼働開始日、契約条件は明らかにされていない。

それでもOpenAIは、より広範な目標を明確に説明した。広報担当者はCNBCに対し、世界中の需要を満たすため、多様なコンピュートポートフォリオを構築していると語った。この表現は、小規模施設をStargateの代替ではなく、既存の拡大戦略の一部として位置付けている。

Anthropicも同様に幅広いアプローチを採用している。同社は、単一の拠点、単一のプロバイダー、単一のチップアーキテクチャに依存せず、主要クラウドプラットフォームやインフラ専門事業者の容量を活用している。

報じられた地理的範囲にも運用上の合理性がある。北欧市場は、冷涼な気候、整備されたエネルギーシステム、経験豊富なデータセンター運営事業者を提供できる可能性がある。英国は大規模な商業市場の近くに容量を配置でき、米国内の追加拠点は国内トラフィックや規制上のニーズを支えられる。

こうした利点が迅速な展開を保証するわけではない。利用可能な系統電力、送電容量、計画承認、設備の納入、地域での支援が、名目上の拠点が実際に利用可能になるかを左右する。

鍵となる表現は「実用可能な容量」だ。大規模キャンパスの計画は、電力、冷却、ネットワーク、アクセラレーターシステムが本番環境で一体として機能するまで、AI製品チームにとって価値が限られる。

Structure Researchのアナリスト、Jabez Tanは、この魅力を「実用可能な容量へ至るスピード」と要約した。同氏はCNBCに対し、すでに電力が供給されている場所で数メガワットを確保する方が、はるかに大きな割り当てを待つより実用的になり得ると語った。

複数の小規模ブロックを組み合わせれば、意味のある容量にもなり得る。この手法は、基盤となるワークロードがすべてのアクセラレーターに1つの厳密に同期された計算への参加を求めない場合に、最も有効に機能する。

だからこそ、報じられた協議の規模は推論を直接示唆する。また、巨大な学習キャンパスに代わるのではなく、それと並行して小規模プロジェクトが現れている理由も説明している。

Anthropic OpenAIデータセンター契約はいま2つの時間軸に対応する

大規模キャンパスは長期的なモデルの目標に対応し、小規模展開は製品を信頼性高く提供するという短期的な圧力に対応する。

AnthropicとOpenAIは、はるかに大きな規模のインフラも引き続き追求している。両社の公開計画には、容量が段階的に追加される複数年プロジェクトが含まれる。

OpenAIは2026年4月、2029年までに米国のAIインフラ10GWを確保するというStargateの当初目標を上回ったと発表した。また、直前の90日間で計画に3GW超を追加したとも述べた。

同社のStargateインフラ計画は、コンピュートをモデル開発、製品利用、収益、さらなるインフラ投資をつなぐ投入資源として説明している。OpenAIは資金調達の構造が変わる可能性を認めつつも、容量を適時に稼働させることを強調している。

Anthropicも複数のパートナーを通じて同等の投資を行っている。拡大されたAmazonとのコンピュート契約は、Claudeの学習と展開向けに最大5GWを対象とする。

Anthropicによると、この契約には国際的な推論向けとしてアジアと欧州の容量が含まれている。また、2026年末までにTrainium2とTrainium3を合計してほぼ1GWの容量が利用可能になる見込みだった。

別の公表済みプロジェクトは、より長い開発サイクルを示している。TeraWulfは、ケンタッキー州ホーズビルにおける約401MWの重要IT負荷を対象とする、Anthropicとの20年リースを発表した。

Kentucky lease filingによると、初期容量は2027年後半に提供される見通しだ。同施設は2028年初頭までに計画上の全負荷に到達する予定となっている。

このスケジュールは、小規模契約の背景にある中心的な圧力を示している。AI企業は、現在の製品信頼性を、将来数年に稼働予定のキャンパスだけに全面的に依存させることはできない。

ユーザーは、応答の遅延、サービス制限、機能の利用不可、一貫しない性能という形で容量制約を体験する。開発者にとっては、レート制限や、モデルが本番トラフィックを支えられるかどうかの不確実性として現れる。

エンタープライズ顧客はさらに別の要件を加える。契約上の信頼性、安定したレイテンシー、予測可能な地域別の可用性、データ所在地要件への準拠を期待する。こうした要求は、遠隔地にある1つのコンピューティング複合施設より、複数地域への展開を有利にする場合が多い。

したがって、2つの時間軸は異なる問題を解決する。巨大キャンパスは最先端の学習と将来の非常に大きな需要プールを支える。小規模拠点は、そうしたキャンパスの建設中に、地域推論、特化型ワークロード、またはオーバーフローを吸収できる。

この分割は、単一の建設スケジュールへの依存も軽減する。大規模拠点1カ所で許認可の遅れや送電問題が起きても、計画されたすべての容量ユニットの投入が止まるわけではない。

ただし、多様化によってインフラリスクがなくなるわけではない。リスクの形が、集中から調整へと変わるだけだ。

多数の施設を利用する企業は、互換性のあるモデルバージョン、セキュリティ管理、監視システム、ネットワークポリシーを維持しなければならない。一貫しないユーザー体験を生まないよう、障害発生時にはトラフィックを迂回させる必要もある。

ハードウェアの多様性も別の課題を生む。あるアクセラレータープラットフォーム向けに最適化されたモデルは、別のプラットフォームで効率的に動作させる前にエンジニアリング作業を必要とする場合がある。クラスターごとに異なるチップ、メモリーシステム、ネットワーク設計を用いる場合、性能比較も難しくなる。

Anthropicの契約は、その作業が戦略的になった理由を示している。同社の容量はAmazonのチップと、他の主要クラウドプラットフォームを通じて利用できるインフラにまたがる。OpenAIも同様に、クラウド、チップ、資金調達、建設のパートナー群を拡大している。

結果は、誰が最大の数字を発表するかという単純な競争ではない。より有用な比較は、どれだけの容量が実際に稼働し、どのワークロードを支え、各ラボがそれをどれほど効率的に利用するかに関わる。

これは、実行チームに圧力をかける。製品需要が供給を上回る前に、契約と建設プロジェクトのポートフォリオを、信頼できるコンピューティング資源へと転換しなければならない。

推論が理想的なデータセンター地図を変える

小規模拠点戦略が機能するのは、推論が最先端モデルの学習よりも、複数の場所に分割しやすい場合が多いためだ。

大規模モデルの学習では、共有されたパラメーター群を更新しながら、多数のアクセラレーター間で高速にデータを交換する必要がある。マシン間の通信が遅いと、高価なチップが計算ではなく待機に時間を費やす可能性がある。

この要件は、高帯域幅ネットワークと慎重に調整されたシステムを備える高密度クラスターを有利にする。1つの学習ジョブを遠隔地に分散すると、性能を損なうレイテンシーが生じる可能性がある。

推論は学習後に始まる。展開済みモデルがプロンプトを処理し、コードを書き、文書を分析し、または別のユーザーリクエストを完了する際に行う計算だ。

多くの推論リクエストは独立している。ロンドンのClaudeユーザーが、その瞬間にカリフォルニアのChatGPTユーザーを処理している物理クラスターを利用する必要は通常ない。

したがって、各拠点に正しいモデル、十分なメモリー、適切なセキュリティ管理があれば、トラフィックは複数の拠点に振り分けられる。これにより、製品の普及が進むほど地域容量の価値が高まる。

ワークロード構成も変化している。CNBCは、推論が2027年に主要なAIワークロードとして学習を上回るというJLLの予測を引用した。

同じ予測では、推論は2025年時点で世界のデータセンターワークロードの9％を占めるとされた。その比率は2030年までに37％へ達し、学習の13％を上回ると見込まれている。

これらの数値は、保証された結果ではなく予測にすぎない。持続的な製品普及、実現可能なAI経済性、需要を満たす十分な電力とハードウェアに依存する。

それでも、この方向性は、AnthropicとOpenAIが最大規模のキャンパスの稼働前に小規模拠点を望む理由を説明するのに役立つ。学習は集中したままである一方、日常的な利用は広範かつ継続的な推論リクエストの流れを生み出す。

エージェントはこの傾向を強める。従来のチャットボットであれば、やり取りごとに1つの応答で済むかもしれない。エージェントは、文書の検索、コードの作成、結果の確認、作業の修正を行う間に、モデルを繰り返し呼び出すことができる。

したがって、1回のユーザー操作が一連の推論処理を生む可能性がある。より長い推論、マルチモーダル入力、継続的なツール利用は、画面上に見える各応答の背後にある計算量を増やし得る。

地域拠点は応答性の向上にも寄与し得る。物理的な距離だけがレイテンシーの原因ではないが、配信場所が近ければネットワーク上の移動を減らし、混雑時の代替経路も提供できる。

データレジデンシーも配置に影響し得る。一部の組織では、特定の情報を承認済みの管轄区域内で処理または保管する必要がある。地域インフラは、モデル提供企業にこうした要件を満たすための選択肢を増やす。

モデル自体をすべての地域で開発する必要はない。提供企業は大規模な中央集約型クラスターでモデルを学習させ、承認済みのモデルバージョンを配布し、複数の拠点から提供できる。

このアーキテクチャは、概念的にはコンテンツ配信に似ている。ただしAI推論には、大量のアクセラレータ容量、専用ネットワーク、慎重なスケジューリング、機密性の高い入力データに対する制御が必要となる。

小規模だからといって容易というわけではない。20MWのAI施設には、本格的な送電設備、冷却機器、サーバー、ネットワーク接続、技術スタッフが必要だ。投入されたリソースを正当化するには、高い稼働率も維持しなければならない。

地域ごとに需要が大きく変動すると、分散化は稼働率を下げる可能性がある。ある拠点でトラフィックが急増する一方、別の拠点では、ポリシーやネットワーク上の制約により同じリクエストを受け付けられない遊休アクセラレータが生じるかもしれない。

運営企業は、ワークロードのスケジューリングと地理的トラフィック管理によってこの問題を緩和できる。しかし、ルールを追加するたびに、推論を分散するという見かけ上の単純さは失われていく。

モデル更新も同様の複雑さを生む。チームは、地域間で互換性のない挙動を生じさせずに、新しい重みとサービングソフトウェアを展開しなければならない。リリースが品質や信頼性に影響した場合に備え、迅速なロールバック手順も必要となる。

オブザーバビリティは不可欠になる。提供企業は、応答の遅延がモデル、サービングソフトウェア、ネットワーク、基盤ハードウェアのどこに起因するのかを把握する必要がある。

エンタープライズの購入者にとって、このインフラ設計は、遠隔地での新たな容量発表よりもサービス品質に直接影響し得る。数年後に完成するより大規模なプロジェクトよりも、近隣ですでに稼働している推論拠点の方が重要な場合がある。

開発者にとって最も有用なシグナルは、APIの信頼性、レイテンシーの一貫性、レート制限の変更、地域別の可用性となるだろう。これらの指標は、報告された容量が、その上に構築される製品を実際に改善しているかを示す。

真の競争はスピードと集中の間にある

主要なトレードオフは、もはや小規模データセンターと大規模データセンターの対立ではなく、迅速な展開と集中型インフラの効率性との間にある。

大規模キャンパスは、分散した拠点では再現が難しい規模の経済を提供する。単一の開発案件で、電力調達、冷却、物理セキュリティ、ネットワーク設計、保守を集約できる。

集中型インフラは、最先端モデルの学習で求められる厳しい通信パターンにも適している。エンジニアは、定義されたハードウェアアーキテクチャを中心に施設全体を設計し、一つのシステムとして最適化できる。

欠点は実行に要する時間だ。大規模プロジェクトには、適切な用地、大規模な公益事業者との契約、送電網の増強、許認可、建設労働力、冷却システム、そして膨大な量の電気設備が必要となる。

どの部品の遅れも、キャンパス全体の完成を先延ばしにし得る。変圧器、変電所、タービン、チップ、ネットワーク機器はそれぞれ異なるサプライチェーンに依存しており、複数のボトルネックが発生し得る。

地域社会の反発も変数を増やす。住民や行政当局は、大規模データセンターが電気料金、水消費、騒音、土地利用、地域の税制上の取り決めに与える影響をますます問題視している。

OpenAIは、地域社会へのコミットメントや冷却システムの公開説明を通じて、こうした懸念への対応を試みている。しかし、各プロジェクトは依然として地域ごとに異なる条件に直面する。

電力と基本インフラがすでに利用可能な場合、小規模な既存拠点はそのプロセスの一部を回避できる。また、設置前に施設のより多くの部分を標準化できるモジュール建設も活用できる。

AbileneでOpenAIが利用したインフラを開発したCrusoeは、この考え方を推進している。同社は、工場で製造し、利用可能な電力のある場所へ輸送できる小規模施設に投資している。

モジュール型データセンターは、大規模な従来型建設だけに依存するプロジェクトよりも迅速な展開を目指している。この戦略は、AnthropicとOpenAIを超えた業界比較の材料となる。

ただし、これによって小規模施設が常に優位になるわけではない。このアプローチは、建設スケジューリング上の作業をフリート管理へと移す。

AIラボは、複数の運営企業や公益事業者が管理する容量を調整しなければならない。また、拠点ごとに異なるサービス義務、ハードウェア更新サイクル、セキュリティプロセスについて交渉することもある。

コスト比較はさらに難しくなり得る。すぐに利用可能な施設は、数年前から予約された容量とは異なる商業条件を伴う可能性がある。

ラボはまた、限られた短期的な容量をどのワークロードに割り当てるべきかを決めなければならない。消費者向けチャット、コーディングエージェント、エンタープライズAPI、モデル評価、研究ジョブが、同じアクセラレータを奪い合う可能性がある。

不適切なワークロード配分は、迅速な展開の利点を失わせる。新たに利用可能になったクラスターも、ソフトウェアの非互換性やネットワーク不足によって効率的に利用できなければ、大きな助けにはならない。

これが「ポートフォリオ」という言葉が重要な理由だ。ラボは単にメガワットを集めているのではない。ワークロードの特性を、提供時期、拠点、チップの種類、信頼性要件と照合している。

Anthropicの立場は、そのバランスを示している。同社が計画する容量には、非常に大規模なクラウド契約、ケンタッキー州の主要な専用拠点、そして報じられているより小規模な地域拠点に関する協議が含まれる。

OpenAIの表明上の規模はより大きいが、構造は似ている。Stargateが長期的な枠組みを提供する一方、多様なパートナーと拠点の組み合わせが、より短期的な要件に対応できる。

したがって両社の競争は、部分的には実行力にかかっている。発表された容量は戦略的な物語を支え得るが、実際の製品を支えるのは稼働中の容量だ。

小規模クラスターを迅速に展開するラボは、競合他社がより大規模な拠点を待つ間に可用性を改善できる。一方で、過度に分散すれば、高コストで管理が難しいインフラ資産群を抱えることになりかねない。

勝利する設計は、おそらく混合型であり続ける。大規模キャンパスは極端な集中の恩恵を受けるワークロードを処理し、小規模クラスターは立地とタイミングに価値を置く需要に対応する。

この結論は、完全なインフラ転換ほど劇的ではない。しかし、業界が進歩を測る方法を変えるため、より大きな意味を持つ。

プレスリリースにある最大の数字は、物語の一部しか語らない。提供時期、ワークロードの配置、稼働率、レイテンシー、信頼性が、容量が競争優位へと変わるかを決める。

小規模拠点でも電力制約はなくならない

小規模な要請は配置しやすい場合があるが、それでも電力、設備、地域社会の受容をめぐる競争に直面する。

報じられた20〜30MWという範囲は、ギガワット級キャンパスと比べた場合にのみ控えめだ。ほとんどの商業ビルと比べれば、それは大規模かつ継続的な電力負荷を意味する。

こうした施設を複数設ければ、はるかに大規模なプロジェクトと同等の総需要を生み出すこともある。分散化は地理とスケジューリングを変えるが、基盤となるエネルギー要件そのものを消滅させるわけではない。

既存の電力供給済み拠点は特に価値が高い。新たな送電網接続には数年を要する可能性があるためだ。この希少性は、AIラボ、クラウド提供企業、産業ユーザー、その他のデータセンター顧客の間の競争を激化させ得る。

最適な立地には、電力以上のものが必要だ。信頼できる光ファイバー接続、適切な冷却、物理セキュリティ、現地の技術的専門性、必要なアクセラレータハードウェアへのアクセスが求められる。

北欧市場には魅力的な特性がいくつかあるが、容量が無限に存在するわけではない。送電網の制約、産業政策、気象条件、地域規制は国や地域によって異なる。

国境をまたぐ運用は法的な問題も生む。提供企業は、管轄区域ごとにデータ保護、顧客契約、輸出規則、セキュリティ要件を管理しなければならない。

環境面も単純な主張を許さない。低炭素電力を利用できる地域であっても、送電上の制約や、家庭・産業からの競合する需要に直面する可能性がある。

水の使用量は、冷却設計と気候に左右される。閉ループ型システムは継続的な消費を抑えられるが、建設と発電に伴うより広範な資源負荷をなくすものではない。

報じられた協議には商業上の不確実性も残る。どの提供企業が施設を所有するのか、チップを供給するのか、建設・稼働率リスクを負うのかについては、どちらのラボも明らかにしていない。

長期契約は、需要の不確実性から運営企業を守る。一方、モデルの効率化やハードウェアの進歩が予想より速く進んだ場合、購入者がリスクを負うことにもなり得る。

効率性の向上が、総電力需要を自動的に減らすわけではない。コンピューティングコストの低下は、利用の増加、より複雑なリクエスト、以前は採算が合わなかった新製品を促す可能性がある。

反対のリスクも存在する。エンタープライズでの導入が予想より緩やかに進めば、予約済み容量の一部が十分に使われない可能性がある。

したがって、推論需要の予測には慎重さが必要だ。予測されたワークロード比率は、業界のあり得る一つの道筋を示すものであり、需要の検証済みスケジュールではない。

信頼性も別の試金石となる。複数の拠点は一つの拠点の障害から保護できるが、それは顧客要件に違反せずにアプリケーションを拠点間で移動できる場合に限られる。

地域容量にも、モデル更新を安全に受け取る必要がある。物理的な拠点が広がるほど、運用上の境界と監視を必要とするシステムは増える。

サイバーセキュリティの責任は、AIラボ、クラウド提供企業、データセンター運営企業、接続ベンダーの間で分割される可能性がある。インシデント発生時に迅速な対応が必要となるため、明確な責任の所在が重要となる。

ハードウェアの可用性は、依然として別個のボトルネックだ。適切なアクセラレータのない電力供給済みの建物は利用可能なAI容量ではなく、電力なしに納入されたチップが本番サービスを支えられないのと同じである。

こうした制約は、OpenAIが性能、信頼性、タイミング、コストを並べて挙げた理由を説明している。一つの次元を最適化すれば、別の次元が悪化し得る。

すぐに利用可能な拠点は、あまり一般的でないハードウェアを使うかもしれない。非常に効率的なクラスターは、対象ユーザーから遠すぎる場所にある可能性がある。望ましい地域でも、必要な期間に電力が不足するかもしれない。

AnthropicとOpenAIには、複数の選択肢を同時に追求できる十分な需要がある。一般に、より小規模なAI企業は交渉力が弱く、展開遅延を吸収する手段も少ない。

この不均衡は、両社がインフラ制約に直面していても、大規模ラボの立場を強め得る。大規模ラボは複数の提供企業にまたがって容量を確保できる一方、小規模顧客はクラウドサービス経由で残された容量に依存する。

したがって、この戦略は購入者レベルでのインフラ集中を深める可能性がある。同じ少数のAI企業が最適な容量の大半を契約するなら、拠点数が増えても市場競争が高まるとは限らない。

規制当局とエンタープライズ顧客は、この違いを注視すべきだ。地理的分散と市場の多様性は同じものではない。

戦略の成否を示す三つのシグナル

次の証拠は、運用パフォーマンス、開示される提供マイルストーン、分散型推論への継続投資から得られるはずだ。

第一のシグナルは、AnthropicまたはOpenAIが小規模展開を確認し、いつ稼働開始するかを明らかにするかどうかだ。契約済み容量、設置済みハードウェア、本番トラフィックは、それぞれ異なる三つのマイルストーンを表す。

稼働開始時期を示さない公表済みの契約では、不確実性をほとんど減らせない。顧客リクエストを処理する拠点が稼働すれば、巨大キャンパスの完成前に小規模プロジェクトが不足分を補えるという主張を支えることになる。

2つ目のシグナルは製品のパフォーマンスだ。開発者は、より安定したAPIレイテンシー、地域提供範囲の拡大、容量に起因する制限の減少、需要ピーク時の信頼性向上に注目すべきである。

こうした結果は、追加インフラが単なる計画上の数字にとどまらず、製品に実際に届いていることを示す。一方、サービス上の制約が続く場合は、容量の投入が遅すぎるか、需要が即座にそれを吸収している可能性を示唆する。

3つ目のシグナルは、インフラ事業者が標準化された小規模施設の建設を継続するかどうかだ。Crusoeのモジュール型の取り組みは初期の比較対象となり、他の事業者も自らの展開を通じてこのモデルを裏付けたり、弱めたりする可能性がある。

すぐに利用できる地域クラスターの供給が増えれば、ポートフォリオ調達は容易になる。追随する動きが限られる場合は、電力、設備、経済性の面で依然として少数の大規模開発が有利であることを示すだろう。

最大規模のキャンパスに関する発表は、引き続き重要だ。最先端モデルのトレーニングには集中的な計算資源が必要であり、両社はAI需要が今後も伸び続けると見込んでいる。

しかし、小規模拠点をめぐる議論は、より差し迫った競争を浮き彫りにしている。AnthropicとOpenAIに必要なのは、建設スケジュールだけでなく、製品スケジュールに合わせて機能するインフラだ。

開発者や企業の購買担当者にとって、実務的な問いは明確である。ClaudeとOpenAIのサービスは、より利用しやすく、予測可能で、地理的な柔軟性を備えたものになるのか。

その結果を、メガワットに関する発表とあわせて追跡してほしい。最も重要なAnthropicとOpenAIのデータセンター契約は、需要が再び動く前に、電力、チップ、建物を信頼できるAI容量へと転換できるものになる。