Epoch AIのTechmemeによるコンピュート洪水の考察、浮き彫りになる需要の問題
Epoch AIは、先進AIチップが恒久的に不足し続けるという見方に疑問を投げかけるコンピュート拡大を追跡している。このTechmemeの考察は、印象的な推計から始まる。世界のAI計算能力は2022年以降、およそ7カ月ごとに倍増している。
Epoch AIの最新分析によれば、このペースは年率で約3.3倍の増加に相当する。新しいアクセラレータ、より高密度なデータセンター、カスタムシリコンがいずれも能力を押し上げている。しかし、ハードウェアの洪水は、業界が直面する最大の疑問を解消するものではない。
問題は、すでに稼働に入りつつあるインフラを吸収できるほど、収益性のある需要が十分に速く伸びるかどうかだ。Microsoft、Amazon、Google、Meta、OpenAI、およびそのパートナーは、チップ、建物、ネットワーク、電力にまたがる拡張に投資している。
これは単なるプロセッサ高速化の新たなサイクルではない。新たな能力は、より大規模な学習処理と、AIモデルを人々が実行する際に使われる計算である推論処理を大幅に増やせる。一方で、顧客需要、電力接続、ソフトウェア導入が遅れれば、高価な資産が十分に活用されない可能性もある。
したがって、中心となる競争は明確だ。ハイパースケーラーは、AI利用がコンピュート供給とともに増えると見込んでいる。物理的な建設は工期に沿って進む一方、顧客行動の予測は依然としてはるかに難しい。
Techmemeの考察が明らかにするコンピュート急増
最も重要な変化は個別の新データセンターではなく、導入済み基盤全体が拡大する速度にある。
Epoch AIは、主要AIチップ設計企業による世界の計算能力が2022年以降、年率約3.3倍で成長したと推計している。これは倍増期間が約7カ月であることを意味し、報告された信頼区間は6〜8カ月だ。
この推計はH100換算で表されている。この単位は、異なるアクセラレータの性能をNvidiaのH100プロセッサ相当の能力に換算して比較するものだ。世代やベンダーをまたいだ共通の尺度を提供する。
この指標は、チップ数だけを数えるより有用だ。新しいアクセラレータは、旧世代のユニットより大幅に多くの計算能力を提供できる。そのため、出荷総数が似通う2四半期でも、実効能力の増加量は大きく異なり得る。
Epoch AIは、財務開示、企業発表、アナリスト調査、個別チップに関する技術情報から推計を構築した。chip sales dataは2022年以降のNvidiaとGoogleを対象とし、他の複数の設計企業については後年からカバーが始まる。
この手法には不確実性が伴う。企業が完全な出荷記録を公開することはまれであり、カスタムチップは所有者のデータセンター内にとどまる場合が多い。能力の推計は、納入時期、システム構成、利用可能な性能に関する仮定にも依存する。
それでも、この方向性を退けるのは難しい。Epoch AIの生産量推計におけるコンピュートの60%超をNvidiaが担い、残りの大部分をGoogleとAmazonが独自アクセラレータで供給している。
この分布は、「AIチップ市場」の意味も変えている。もはや外部顧客に販売される汎用プロセッサだけを指すものではない。クラウド企業が自社サービス向けに設計、資金調達、展開するチップも含まれる。
Googleのtensor processing units、すなわちTPUは、そのモデルをよく示している。AmazonもTrainiumとInferentiaで同様の道をたどる。MicrosoftとMetaも、大量のNvidiaプロセッサを購入し続けながら、より特化したハードウェアを開発している。
その結果、供給拡大は重層的になっている。Nvidiaは汎用アクセラレータの性能と供給量を高め、クラウド企業は自社ソフトウェア、ネットワーク、優先ワークロードに最適化したカスタムシリコンを追加する。
7カ月という倍増推計は、当初のニュース議論で取り上げられた9カ月という数値よりも速い。これらの数値は、異なるデータセット、期間、または能力の定義を表している可能性がある。チップ数は総計算性能と同一ではない。
この違いは、到来する洪水に関する主張を評価する読者にとって重要だ。業界は単に物理的なプロセッサを2倍設置しているのではない。出荷量の増加と、プロセッサ当たり性能の向上を組み合わせている。
生成AIインフラの第一波は不足によって特徴づけられた。研究所は限られたクラスター、クラウド割り当て、ネットワーク機器を奪い合った。次の段階は、経済的な役割が定まる前に膨大な供給が到来するという、より複雑な可能性によって特徴づけられる。
AIチップの洪水が今到来している理由
この急増は、チップ生産量、パッケージング、メモリ、ネットワーク、データセンター建設における進歩が重なった結果だ。
現代のAIクラスターには、先進的なロジックダイ以上のものが必要となる。高帯域幅メモリ、特殊パッケージング、スイッチ、光ファイバー接続、冷却設備、変圧器、そして信頼できる電力が必要だ。どの部品が不足しても、システム全体が遅延し得る。
Epoch AIは、2025年の生産において、先進パッケージングと高帯域幅メモリがロジックダイの供給以上に制約となったと分析した。一般にHBMと呼ばれる高帯域幅メモリは、AIプロセッサに非常に高速でデータを供給する。
先進パッケージングは、プロセッサとメモリを緊密に統合したシステムへ組み込む。モデル性能はコンポーネント間でデータを効率的に移動させる能力への依存を強めているため、Nvidiaなどの設計企業はこうした技術に依存している。
業界は複数の供給網を同時に拡張することで対応してきた。メモリメーカーはHBM投資を増やし、パッケージング事業者は能力を追加する一方、チップ設計企業はより長期の供給契約を確保している。
supply-chain analysisは、あらゆる制約が解消されたことを意味するものではない。2025年中に生産圧力がどこへ集中していたかを示している。ある制約要因が別の要因より速く拡大すれば、将来のボトルネックは移り変わり得る。
ネットワークも同等に重要になっている。大規模な学習処理では、数千のアクセラレータが通信しなければならない。相互接続が不十分なら、高価なプロセッサがデータ待ちとなり、クラスターの実用的な性能を低下させる可能性がある。
そのためクラウド事業者は、個別チップを購入するのではなく、システム全体を構築している。各アクセラレータを取り巻くソフトウェア、ネットワーク設計、ストレージ、冷却、ワークロードのスケジューリングを管理する。この統合により、稼働率を高め、運用上の摩擦を減らせる。
世代ごとの改善ももう一つの倍率要因となる。旧式ハードウェアを置き換えるデータセンターは、チップ数を比例して増やさずとも能力を高められる。新施設は、初期のクラウド建屋より高いラック密度にも対応できる。
こうした変化は、コンピュート供給が半導体の出荷台数より速く成長し得る理由を説明する。新しいユニット1台当たりの性能が高く、支援システムによってより多くのプロセッサを連携させられるためだ。
今回の拡張は、数年前に下された決定も反映している。データセンターには、土地、送電網調査、機器発注、許認可、建設が必要だ。現在稼働を始める能力は、現行の需要が見える前に行われた投資判断を表すことが多い。
この時間差が勢いを生む。企業は、ほぼ完成した施設を損失を受け入れず、または戦略計画を遅らせずに即座に中止することはできない。そのため、投資家心理や製品需要が変化しても、インフラは引き続き導入される。
同じ遅れは逆方向にも働く。AI利用が突然増えても、新たな変電所、送電線、発電設備をすぐに用意することはできない。事業者は需要を確認できる前に計画を立てなければならない。
これが、不確実性にもかかわらず大手テクノロジー企業が能力を発注し続ける理由だ。能力不足はモデル開発とクラウド収益を制限し得る。過剰保有は収益性を弱める可能性があるが、経営陣は多くの場合、そのリスクをアクセスを失うより望ましいものとみなしている。
軍拡競争も自己強化的に働く。ある企業がより大規模なクラスターを発表すると、競合他社には学習と推論の選択肢を匹敵させる圧力がかかる。コンピュートで後れを取れば、モデル比較が始まる前から実験の幅が制限される可能性がある。
それでも、供給量だけで主導権が保証されるわけではない。アルゴリズム、データ品質、モデルアーキテクチャ、開発者への流通も成果に影響する。より多くのチップを保有していても、サービスの有用性が劣る企業はあり得る。
したがって、この拡張は産業的であると同時に戦略的でもある。業界は展開を加速できるほど多くの部品制約を解消してきた。しかし、導入されるすべてのアクセラレータが十分な経済的価値を生むことは、まだ立証されていない。
ハイパースケーラーは能力を有償需要へ転換しなければならない
Microsoft、Amazon、Google、Metaは今、建設スケジュールを持続的な顧客ワークロードへと転換する圧力に直面している。
ハイパースケーラーとは、世界規模で巨大なインフラ基盤を持つクラウド事業者だ。その規模により、設備を大量購入し、ワークロードを地域間で分散できる。一方で、例外的に大きな設備投資にもさらされる。
Microsoftは2026年度第3四半期の決算説明会で、需要が引き続き利用可能な供給を上回っていると述べた。同社は、より多くの能力を稼働させるに伴い、四半期ごとの設備投資が増加する見通しも示した。
この発言は強気の見方を裏付ける。顧客がすでにMicrosoftの提供可能なAzure能力を上回って求めているなら、追加クラスターは収益を解放するはずだ。同社は既存のエンタープライズ顧客との関係を通じて、AIインフラを展開することもできる。
ただし、投資の構成には注意が必要だ。Microsoftは最近の設備投資の多くが、主にプロセッサなど、寿命の短い資産に充てられていると述べている。こうしたコンポーネントは、建物や土地より頻繁な更新を必要とする。
同社のearnings discussionは、この賭けの広がりも示している。MicrosoftはOpenAI、Anthropic、オープンソース開発者、その他の提供者によるモデルを提供している。最終的な勝者がなお定まらない市場に向けて、インフラに資金を投じている。
AmazonもAWSを通じて同様の判断に直面している。独自のTrainiumプロセッサはNvidiaへの依存を減らし、顧客に別の学習オプションを提供できる。しかしAmazonは、ソフトウェア環境と性能が切り替えコストを正当化すると開発者に納得させなければならない。
Googleは、複数世代にわたりTPUを開発してきた点で独自の立場にある。このハードウェアを社内製品、Geminiサービス、Google Cloud顧客向けに使用できる。これにより、新たな能力を吸収する複数の経路が生まれる。
Metaのビジネスモデルは異なる。中核収益の大半はインフラの貸し出しから得ているわけではない。コンピュートを広告システム、レコメンデーションモデル、コンテンツツール、自社AIアシスタントに適用できる。
こうした社内需要は柔軟性をもたらすが、測定を複雑にする。投資家はクラウド収益を直接観察できる。しかし、広告やレコメンデーションシステム内で追加コンピュートが生み出した収益を切り分けるのはより難しい。
OpenAIとAnthropicはさらに別の要素を加える。両社は膨大なコンピューティング資源を必要とするが、最大のパートナーに匹敵するハイパースケールのクラウド事業を保有してはいない。その成長は、長期インフラ契約を業界需要の重要な源泉に変える。
中心的なリスクは循環的なコミットメントだ。クラウド事業者は能力に資金を投じ、モデル企業に出資し、その企業がクラウドサービスを購入すると収益を計上する。これらの取引は実際の利用を反映し得るが、その持続性は最終顧客にかかっている。
エンタープライズでの導入が、いずれはより大きな負担を担う必要がある。企業は実験だけでなく、継続的な支出を支えられるワークフローにAIを導入しなければならない。消費者向けサービスも、推論コストを正当化できるだけのエンゲージメントを確保する必要がある。
推論は、1回のモデル学習をはるかに上回る総合的な計算能力を消費し得る。生成されるすべての回答、画像、動画、ソフトウェア操作には計算が必要だ。広く普及したサービスは、巨大なクラスターを24時間体制で稼働させ続ける可能性がある。
エージェント型システムは、さらに重要性を高める。AIエージェントは、計画、ツール利用、結果確認、タスクの再試行の過程で複数回のモデル呼び出しを行える。そのため、1件のユーザー要求でも、単純なチャットボットの応答よりはるかに多くの計算を発生させ得る。
Epoch AIは、一定の前提の下では推論需要が供給を上回る速度で拡大する可能性があると警告している。同社のcompute-crunch modelは、トークン需要が主要なNvidiaシステムで利用可能な能力をどれほど速く消費し得るかを検証した。
この可能性が、単純な供給過剰という結論を妨げる。業界は驚異的なペースでチップを追加しても、エージェント、動画生成、コーディングシステム、推論モデルがより速く拡大すれば、なお不足に直面する可能性がある。
ハイパースケーラーにかかる圧力は、仮想マシンをより多く販売することだけではない。稼働率を高め、エネルギーコストを抑え、AIアプリケーションを持続的な利用を支えられるほど価値あるものにしなければならない。
チップを増やしても電力制約は解消されない
計算能力の洪水は、希少性をプロセッサから電力、系統への接続、冷却、そして地域の政治的承認へと移す。
電力を受け取れないアクセラレータは、計算能力ではなく在庫である。この違いは、発表済みのチップ購入が、電力会社との接続を待つ施設へ移されるにつれて、いっそう重要になる。
データセンターは特定の場所に需要を集中させる。国全体の電力網に十分な総発電量があっても、ある地域では変電所、送電容量、または利用可能な系統接続が不足していることがある。地域的な制約により、完成した建物でも稼働が遅れる可能性がある。
国際エネルギー機関は、2030年までの米国の電力需要増加のほぼ半分をデータセンターが占めると見込んでいる。また、AIに特化した施設は、電力集約型の工場に匹敵する規模で電力を消費し得ると指摘している。
同機関のenergy outlookは、ベースケースにおいて、世界のデータセンターによる電力消費量が2035年までに約1,200テラワット時に達すると予測している。結果は導入規模と効率性に関する前提によって大きく異なる。
これらのシナリオは重要な不確実性を浮き彫りにする。チップ能力の予測は、そのまま稼働能力の予測にはならない。ハードウェアは、電力会社が接続・供給できる速度を上回って到着し得る。
冷却も別の制約となる。高密度のAIラックは大量の熱を発生させ、液冷への移行を促している。古い施設をこうしたシステム向けに改修することは、新築時に導入するより難しい場合がある。
特に乾燥地域では、水使用量も地域の反対を強める可能性がある。データセンター開発事業者は、自らの施設が自治体の水供給、電気料金、周辺インフラにどう影響するかを、ますます説明する必要に迫られている。
これは、チップ予測では捉えられない政治的側面を生み出す。地域社会は許認可を遅らせ、消費者保護を要求し、あるいはプロジェクトを拒否することができる。電力会社は、開発事業者に発電設備や送電網の増強費用を負担するよう求める場合がある。
エネルギー契約は一つの対応策である。テクノロジー企業は、再生可能エネルギー、蓄電池、天然ガス、原子力発電に関わる契約を締結してきた。既存の発電所を支えるプロジェクトもあれば、数年を要する技術開発や建設に依存するものもある。
効率化も別の対応策だ。新しいチップは、電力1単位当たりでより多くの処理を行える。量子化、モデル圧縮、キャッシュ、より優れたスケジューリングも、各結果に必要な計算量を削減できる。
ただし、効率化が必ずしも総消費量を下げるわけではない。より安価または高速な推論は、より多くのユーザーを引き付け、より要求の厳しいアプリケーションを可能にする。その結果生じる利用の増加は、クエリ当たりの節約を上回る可能性がある。
このリバウンド効果は、すでに強気の需要シナリオの中心にある。ハードウェアの進歩がAIサービスの運用コストを下げ、それが企業によるより多くの製品への組み込みを促す。製品が増えれば、さらに多くのハードウェアが必要になる。
懐疑的な見方も同じ出発点から、異なる結論に至る。効率化は、アプリケーションの成長とチップ需要の結び付きを弱め得る。かつて最先端システムを必要とした多くのタスクを、より小規模なモデルが処理するかもしれない。
ソフトウェアの改善は、旧世代ハードウェアの寿命を延ばすこともできる。より優れたカーネル、ルーティング、ワークロード管理は、プロセッサを追加せずに実効能力を高める。こうした進歩により、物理的な出荷動向だけでは供給を十分に測れない。
稼働率は依然として大部分が見えない。企業はチップの総数、設備投資、施設電力を発表するが、アクセラレータが収益を生む作業をどれだけ継続的に実行しているかは、ほとんど公表しない。クラスターは多忙に見えても、収益性が不確かな開発実験を実行しているだけかもしれない。
したがって、Epoch AIの推計は潜在的な計算能力の指標として読むべきである。すべてのプロセッサが設置され、通電され、ネットワーク接続され、完全に活用され、経済的に生産性を持つことを証明するものではない。
これが、流入する計算能力をめぐるtechmeme的な見方の主な限界である。ハードウェアの曲線は明確で急峻だ。一方、稼働率、電力、収益の曲線は、依然としてはるかに不透明である。
供給ブームはコストと性能のトレードオフを生む
豊富な計算能力はAI開発を加速させ得る一方、誤ったアーキテクチャや需要予測を選ぶ財務上のコストも高める。
楽観論は能力から始まる。計算能力が利用可能になれば、研究者はより多くのモデルを学習させ、より多くのアイデアを試し、より大規模な実験を実行できる。プロダクトチームも深刻な配分制限なしに、より多くのユーザーへサービスを提供できる。
供給の拡大は競争を強める可能性もある。クラウド顧客は、Nvidiaプロセッサ、Google TPU、Amazon Trainium、その他のアクセラレータから選択肢を得る。モデル開発者は、価格、可用性、性能に合わせてワークロードを最適化できる。
カスタムチップは、すぐにNvidiaを置き換えることなく同社に圧力をかける。Nvidiaはプロセッサに加え、成熟したソフトウェア、ネットワーキング、開発者向けツールを提供している。カスタムアクセラレータは、単一の部品ではなく、その統合プラットフォームと競争しなければならない。
Nvidiaのシェアは集中リスクも生む。生産遅延、設計上の問題、輸出規制は、計画されている能力の大きな部分に影響し得る。代替シリコンは、クラウドプロバイダーに交渉力と運用上の回復力をもたらす。
トレードオフはソフトウェアの断片化に現れる。あるアクセラレータ向けに調整されたワークロードは、別の環境で十分に動作させる前にエンジニアリング作業を要する場合がある。チームは、低い運用コストと移植性・開発時間を比較衡量しなければならない。
ハードウェアの経年化も懸念材料となる。AIプロセッサは急速に進化するため、クラスターは建物が耐用年数の半ばに達する前に、経済的に旧式化する可能性がある。事業者は電力、冷却、ネットワーキング資産を維持したまま、アクセラレータを交換するかもしれない。
この交換サイクルは財務上の判断基準を変える。プロバイダーは、今日のハードウェアを埋めるだけの需要では不十分だ。新しいシステムによって旧設備の競争力が低下する前に、投資回収を得る必要がある。
プロバイダーが少数のモデル顧客向けに能力を資金調達する場合、このリスクは特に大きい。主要テナントを一社失えば、特化型システムはすぐに代替ワークロードを得られない可能性がある。
供給契約はリスクの一部を移転できるが、それをなくすことはできない。苦戦する顧客は再交渉、利用削減、あるいは新たな資金調達への依存を選ぶ可能性がある。長期契約の強さは、それを支える経済性に左右される。
一方で、モデル導入が急速に進めば、保守的な建設も同じくらい高くつく可能性がある。過小投資をしたプロバイダーは、開発者を別のクラウドに奪われるかもしれない。希少な能力を待つ間、社内製品の展開を遅らせることにもなり得る。
適切な投資水準は、単一時点の稼働率からは判断できない。施設は時間をかけて稼働を始め、モデルは変化し、顧客のワークロードは移行する。一時的な余剰能力は、失敗の証拠ではなく、意図的な備えである可能性がある。
過去のテクノロジーサイクルは、警告と励ましの両方を示している。通信会社はドットコム期に光ファイバーを過剰建設し、大きな損失を被った。そのインフラの多くは後に、インターネットトラフィックの拡大とともに価値を持つようになった。
クラウドコンピューティングは異なる道筋をたどった。プロバイダーは需要に先行して投資し、その広範なインフラを数千の顧客が利用する柔軟なサービスへと転換した。標準化と継続的なエンタープライズ支出が高い稼働率を支えた。
AIインフラには、両方の先例の特徴がある。クラウドコンピューティングのように多様なワークロードに対応できるが、アクセラレータは急速に旧式化する。また、従来型クラウドアプリケーションより成熟度が低いモデル経済性にも依存している。
計算能力の洪水は、一部の障壁を下げる。クラスターを構築できないスタートアップも、より多くの能力を借りられる。研究者はより強力なシステムにアクセスできる。企業は専用インフラを所有せずにモデルを導入できる。
それでもアクセスは不均等なままである。最大手企業は新しいハードウェアを確保し、エネルギー契約を交渉し、カスタムネットワークを構築できる。小規模な購入者は、後から能力を受け取るか、柔軟なアクセスにより高い料金を支払う可能性がある。
総計算能力が増えても、最先端開発が必ずしも民主化されるわけではない。通常の推論が安価になっても、最大規模の学習クラスターは成長を続け得る。供給は下層で広がる一方、上層では集中する可能性がある。
この分化が次の段階を規定する可能性が高い。一般的なAIタスクの制約は弱まる一方、最先端の学習と大規模エージェントは引き続き膨大なシステムを必要とする。「計算能力の豊富さ」は、購入者によって異なる意味を持つことになる。
この賭けが機能しているかを示す三つのシグナル
次の試金石は、能力の拡大が、より高い稼働率、持続的な収益、そして新しいチップを稼働させ続ける十分な接続済み電力につながるかどうかである。
第一のシグナルは、導入済み能力に対するクラウド需要である。Microsoft、Amazon、Googleは、顧客需要が利用可能な供給を上回っているかどうかを定期的に説明している。不足から未使用能力への移行は、現在の投資論拠を弱めるだろう。
収益成長だけでは、この問いには答えられない。投資家はクラウドの成長を、資本集約度、減価償却、そして稼働率に関する経営陣のコメントと比較すべきである。インフラコストの増加が売上を上回れば、売上が伸びても収益性は低下し得る。
バックログにも慎重な解釈が必要だ。契約済みのコミットメントは数年に及ぶ場合があり、建設の進捗に左右されることもある。最も有用な証拠は、施設が利用可能になった後に顧客が実際に能力を消費していることを示すものになる。
第二のシグナルは、AIアプリケーションの運用規模である。プロバイダーには、コーディングツール、エンタープライズアシスタント、メディア生成、自律エージェントからの継続的な推論需要が必要だ。時折のチャットボット利用では、計画されているインフラを吸収できない。
開発者は同時に、モデル効率にも注目すべきである。小規模なシステムがより多くのタスクを処理できれば、アプリケーション導入は計算能力の比例的な増加なしに拡大し得る。推論とエージェントループが主流になれば、タスク当たりの需要は急増する可能性がある。
価格設定の動きは、その均衡を明らかにする可能性がある。頻繁な値引き、手厚いクレジット、容易なアクセスは、供給の改善を示す場合がある。継続する配分制限と長期の予約期間は、需要が依然として展開可能な能力を上回っていることを示唆する。
第三のシグナルは、電力網からの供給である。データセンターが予定通りに電力を受け取らなければ、チップの発注に意味はない。変電所や送電プロジェクトの遅延は、発表された計算能力と利用可能な計算能力の間に拡大する隔たりを生み出し得る。
電力事業者による大規模接続の承認、テクノロジー企業による次世代への資金投入、そして地域社会による条件の厳格化に注目すべきだ。これらの判断が、どこで供給能力が稼働に入り、誰が地域コストを負担するかを左右する。
IEAは、データセンターの電力使用量が2030年までに倍増し、AIに焦点を当てた電力消費は3倍に増えると予測している。送電網が度重なる遅延なくこの増加を受け止められれば、ハードウェアの見通しにも説得力が増す。
接続待ちのキューが長期化すれば、チップ生産が豊富でも供給曲線は平坦になる。企業はアクセラレーターを倉庫に保管したり、段階的に導入したり、利用可能な電力のある地域へ機器を振り向けたりする可能性がある。
この3つのシグナルは、生産的な設備拡張と投機的なものを見分ける手がかりにもなる。アプリケーション利用の拡大、稼働率の上昇、送電網接続の適時実現がそろえば、ハイパースケーラーの戦略を裏付けることになる。
すべての施設が予定どおり開設されたとしても、導入が低調ならその戦略は揺らぐ。需要が強くても送電網の遅延が続けば、希少性は続くが、その対象はプロセッサーではなく電力になる。
このtechmemeの動向から得られるより広い教訓は、チップ供給だけではAIインフラの全体像を語れなくなったということだ。コンピューティングは、金融、エネルギー、ソフトウェア、地域政治によって形づくられる産業システムへと変わりつつある。
Epoch AIによる「7カ月ごとに倍増」という推計は、ハードウェア進歩の並外れた速度を捉えている。ただし、それだけでは業界が設備を作り過ぎたのか、不足しているのか、あるいは場所を誤って配備しているのかまでは判断できない。
開発者にとって実務上の問いは、アクセスがより安価で信頼できるものになるかどうかだ。エンタープライズの購入担当者は、プロバイダーが追加能力をより良いサービス上限や予測可能な性能に変えられるかを注視すべきである。
ナレッジワーカーは、ベンチマークの見出しだけに目を向けるべきではない。設備拡張が意味を持つのは、確実に仕事をこなし、既存の業務プロセスに適合し、運用コストを正当化できるAI製品を支えるときだ。
今後数カ月は、クラウドの稼働率、アプリケーションレベルの推論、送電網接続の順に注目したい。これらのシグナルを合わせて見れば、コンピューティングの洪水が生産的な能力なのか、高価な待機列なのかが分かるだろう。
ハードウェアは到着している。次に業界は、顧客、アプリケーション、電力システムもそれに歩調を合わせられることを証明しなければならない。



