「十分に良い」AIモデルが高性能チップ需要に圧力

Google Newsは、チップ投資家にとって重大な対立軸を浮き彫りにした。性能を高めたAIモデルは、より安価な専用ハードウェアや旧世代のハードウェアでも稼働できるようになっている。これは市場の中核的な前提に疑問を投げかける。投資家は、有力チップ企業を、モデルが進化するたびにより多くの高性能コンピューティング能力が必要になるかのように評価してきた。

懸念は、人工知能の進化が止まったことではない。多くの顧客が、あらゆるリクエストに最先端モデルを必要としていない点にある。定型的な質問に確実に答えられる小規模モデルは、コンピューティング費用あたりでより大きな事業価値をもたらし得る。

この違いにより、Nvidiaの高性能アクセラレータ戦略は拡大する代替手段群との競争に直面している。そこにはクラウド企業のカスタムチップ、推論特化プロセッサ、最適化ソフトウェア、圧縮されたオープンウェイトモデルが含まれる。競争の焦点は最大限のベンチマーク性能から、実用的に可能な最低コストで許容可能な回答を得ることへ移りつつある。

この議論には慎重さが必要だ。推論コストの低下は、チップ需要全体を減らすのではなく利用を拡大する可能性がある。より効率的なモデルは、単純なチャットボットよりはるかに多くのトークンを生成するAIエージェントも支えられる。真の問題は、消費の拡大が高性能GPUに集中し続けるかどうかである。

Google Newsの記事が扱うのはAI需要ではなく、需要の質だ

当面の論点は企業がAIハードウェアを購入するかどうかではなく、本番ワークロードに実際にどのハードウェアを必要とするかである。

Google Newsを通じて配信されたInvestorPlaceの見出しは、投資家の間で高まる懸念を捉えている。「十分に良い」モデルは、最大規模のモデルや最新アクセラレータを使わずとも、多くの日常業務を完了できる。これは、見出しを飾る支出総額の下にある需要の質を変える。

トレーニングと推論では、必要となるハードウェアが異なる。トレーニングとは、大規模なデータセットを用いてモデルのパラメータを調整するプロセスだ。推論は、学習済みモデルがリクエストを処理して回答を生成する際に行われる。

最先端モデルのトレーニングには、依然として高性能アクセラレータを高密度に束ねたクラスターが必要となる。こうしたプロジェクトには、チップ間の高速通信、大容量メモリー、専用ネットワーク、成熟したソフトウェアが求められる。このようなシステムに資金を投じ、運用できる組織は限られている。

本番推論は、より広範で多様だ。カスタマーサポート用分類器に求められる要件は、コーディングエージェントとは異なる。文書抽出、検索ランキング、画像生成、音声文字起こし、科学的推論も、それぞれハードウェアに異なる負荷を与える。

この多様性により、購入者には最適化の余地が広がる。企業は簡単なプロンプトを小規模モデルに振り分け、難しいリクエストには大規模モデルを割り当てられる。モデルの値をより少ないビットで表現し、メモリー使用量と計算量を減らす量子化も利用できる。

開発者は蒸留も活用できる。このプロセスでは、大規模システムから有用な振る舞いを再現するよう小規模モデルを訓練する。小規模モデルは一般的な能力の一部を犠牲にすることが多い一方、運用コストが低く、速度も向上する。

Mixture-of-expertsモデルは、さらに別の効率化手法を提供する。多数のパラメータ群を含みつつ、各トークンではその一部だけを有効化する。この設計により、すべてのリクエストに全パラメータを適用せずに、モデル全体の容量を増やせる。

これらの手法はいずれも、ハードウェアを不要にするものではない。経済的に魅力的となるハードウェアの種類を変える。また、単一のベンチマークでの性能よりも、有用な回答あたりのコストを重要にする。

この測定上の問題はチップ株にとって重要だ。購入構成が低コストのシステムへ移行しても、売上高は伸び続ける可能性がある。また、ソフトウェアが導入済み設備からより多くの出力を引き出すようになるにつれ、高性能アクセラレータが競合のない需要を享受する期間は短くなる可能性がある。

したがってGoogle Newsが浮き彫りにしているのは、弱気の半導体見出しだけではない。AI需要をどのように測定すべきかをめぐる論争である。設備投資だけでは、購入者が継続的なワークロードに最高マージンのチップを必要としているかどうかは分からない。

同じ区別はデータセンター内部にも見られる。プラットフォームはモデル開発に高性能システムを使用し、その後、安定したワークロードを専用の推論ハードウェアへ移す可能性がある。新しいシステムが導入された後も、旧世代アクセラレータを有効活用することもできる。

この再利用は、単純な買い替えサイクルの物語を弱める。新世代が登場したからといって、顧客が稼働中のハードウェアを常に廃棄するわけではない。旧世代システムを、小規模モデル、バッチ処理、埋め込み、あるいは時間的制約の緩いリクエストに割り当てられる。

モデルがソフトウェアを通じて改善されると、圧力はさらに強まる。より優れたカーネル、キャッシュ、スケジューリング、メモリー管理は、基盤プロセッサを交換せずにスループットを高められる。改善のたびに、既存インフラの経済的な寿命は延びる。

投資家にとって、「十分に良い」とは購買のしきい値を示す。一度システムがそのしきい値を超えると、購入者はレイテンシー、信頼性、エネルギー使用量、導入の複雑さ、総保有コストに注目する。追加的なベンチマーク性能は、予測可能な運用経済性より価値が低くなり得る。

高性能チップメーカーは推論経済性の試練に直面する

Nvidiaをはじめとするアクセラレータベンダーは、より高い性能が実際の本番ワークロード全体で運用コスト低下につながることを示す必要がある。

Nvidiaは、単なるプロセッサの生の速度以上の要素を通じて地位を築いてきた。同社のCUDAソフトウェアプラットフォーム、ネットワーキング製品、最適化ライブラリ、開発者エコシステムは、大規模コンピューティングクラスターの導入に必要な作業を軽減する。この統合性は依然として大きな防御力である。

同社は経済性をめぐる議論に直接対応している。Nvidiaは、Blackwell Ultraシステムが特定のエージェント型ワークロードにおいて、Hopperシステムより大幅に低いトークンあたりコストを実現できるとしている。同社が公表したinference benchmarksでは、その改善をハードウェアとソフトウェアの連携によるものとしている。

トークンあたりコストは、モデル出力の生成に伴うインフラ費用を測る指標だ。有用な指標ではあるが、すべての購買判断を決めるものではない。結果はモデル、精度、バッチサイズ、応答速度、稼働率、電力に関する前提に左右される。

あるプラットフォームは高いスループットを示しても、個々のユーザーに対する応答性が低い場合がある。別のプラットフォームは、リクエストが大規模かつ予測可能なバッチで到着する場合にのみ、安価なトークンを生成できる。企業の購入者は、自社のトラフィックに似たパターンを評価しなければならない。

NvidiaのRubinプラットフォームは、同じフルシステム戦略を拡大するものだ。同社によれば、Rubinは6種類のチップを組み合わせ、推論、エージェント型AI、Mixture-of-experts推論を対象としている。Nvidiaは、Rubin platformの発表において、指定されたワークロードではBlackwellと比べてトークンコストを最大10分の1に削減できると主張している。

これらは企業側の主張であり、普遍的な結果ではない。独立した検証では、複数のモデルとサービングフレームワークを調べる必要がある。購入者には、最適化されたベンチマーク構成だけでなく、持続的な本番利用の証拠も必要となる。

より大きな戦略的論点は明確だ。Nvidiaは、すべてのワークロードに最大精度が必要だと主張して高価格を守ろうとしているのではない。統合された高性能システムが、最も安価な有用な出力を提供できると主張している。

これは、生の計算能力だけを売るより強い対応だ。新しいラックがより少ないエネルギーと高い稼働率でより多くの作業を完了できれば、取得コストが高くても経済的な意味を持ち得る。ソフトウェアサポートは、エンジニアリング時間と導入リスクも低減できる。

ただし、この防御策には厳しい基準が伴う。Nvidiaは、顧客が旧世代GPUを最適化したり代替手段を採用したりする速度を上回って、プラットフォーム全体を改善し続けなければならない。効率的なオープンモデルが登場するたびに、競合他社はその基準に挑戦できる新たなワークロードを得る。

AMDはInstinct製品で同様の試練に直面している。アクセラレータ性能、メモリー容量、オープンソフトウェアのサポート、既存サーバーシステムとの統合を通じて競争できる。顧客が第2の供給元を求めるほど、同社の機会は広がる。

カスタムシリコンは異なる圧力を生む。Googleのtensor processing units、AmazonのTrainiumおよびInferentiaファミリー、その他の特定用途向け集積回路は、選定されたAI処理を対象とする。ASICは、より狭いワークロードにおける効率性と引き換えに、汎用的な柔軟性を犠牲にする。

これらのチップは、あらゆる場面でGPUを置き換える必要はない。専門化の効果が見込める安定した大量処理タスクを獲得するだけでよい。ワークロードの一部が移行するだけでも、価格設定、稼働率、将来のアクセラレータ受注に影響を与え得る。

OpenAIも、Broadcomと共同開発したカスタム推論アクセラレータを発表している。両社によれば、第1世代システムは2026年末までに初期導入を予定している。custom acceleratorは、大規模モデルのサービング全体でコスト低下、応答高速化、信頼性向上を目指している。

このプロジェクトは、商用チップベンダーが直面する集中リスクを示している。最大のAI顧客は、自社シリコンの開発を正当化できる十分な規模を持つ。また、モデルの挙動、トラフィックパターン、将来の要件に関する詳細な情報も保有している。

カスタムチップが汎用GPUを自動的に上回るわけではない。設計の遅延、ソフトウェア上の制約、製造上の問題、変化するモデルアーキテクチャは、期待された優位性を失わせる可能性がある。ワークロードが急速に進化する状況では、柔軟性は依然として価値が高い。

それでもハイパースケーラーは、すべてのカスタムプログラムを成功させる必要はない。成功した導入は、本来であれば商用アクセラレータを使うはずだったワークロードを吸収できる。また、調達交渉において購入者へ影響力を与える可能性もある。

だからこそ、中心的な試練はモデルへの熱狂ではなく推論経済性だ。チップ企業はAI利用の増加から恩恵を受けながらも、生成される各トークンをめぐる競争激化に直面し得る。成長とマージン圧力は同時に存在し得る。

「十分に良い」AIはハードウェア購買判断を変える

核心的な逆転は、モデル効率の向上がAI導入を拡大する一方で、各導入における最も高価なハードウェアの必要性を弱め得る点にある。

半導体への投資論では、モデル能力とコンピューティング需要を直接的な関係として捉えることが多い。より高性能なモデルにはより多くのプロセッサが必要となり、それがチップ販売の増加を支える。この関係は最先端トレーニングでは依然として現実的だが、本番推論はこれを複雑にする。

企業が通常購入するのは成果だ。小売業者は正確な商品説明を求める。法務チームは信頼できる文書検索を求める。ソフトウェア企業は、テストに合格するコード提案を求める。各組織には、それを超える追加的な知性が限定的な価値しか生まない性能しきい値がある。

控えめなハードウェアでそのしきい値に到達するモデルは、経済性の面でより高性能な代替手段を上回り得る。より広い知識よりも低レイテンシーが重要になる場合がある。データレジデンシー、プライバシー管理、予測可能な可用性も、ベンチマークでの優位性を上回る可能性がある。

ここでモデル圧縮が調達を変える。量子化システムは使用するメモリーが少なく、より少ないアクセラレータでモデルを稼働できる。必要メモリーが小さくなれば、対象となるプロセッサの選択肢も広がる。

キャッシュも計算量を減らすもう一つの手段となる。キャッシュは再利用可能な計算結果や応答コンポーネントを保存し、システムが同じ作業を繰り返さないようにする。高いキャッシュ率は、繰り返しのプロンプトや共有コンテキストに必要な計算量を大幅に削減できる。

投機的デコーディングも、提供効率を向上させる。小型モデルが複数の有力なトークン候補を提示し、その後に大型モデルがまとめて検証する。この手法は、小型モデルの予測をすべて採用せずとも待ち時間を短縮できる。

ルーティングは、最も分かりやすい例だ。本番サービスでは、モデルを選択する前に各リクエストの難易度を推定できる。単純な質問はコンパクトなシステムに送り、複雑な推論は最先端モデルに回す。

このアーキテクチャでは、最大モデルは標準のエンジンではなく、エスカレーション先となる。プレミアムシステムは依然として重要だが、総リクエストに占める処理比率は小さくなる。その結果、特定のユーザーベースに必要な最上位アクセラレータの数を減らせる可能性がある。

同時に、新たなアプリケーションがこうした節約分を相殺する可能性もある。AIエージェントは一連のアクションを実行し、ツールを呼び出し、結果を確認し、計画を修正する。そのため、1件のユーザーリクエストから多くの推論ステップが生じ得る。

推論モデルは、従来型のチャットシステムよりも多くの中間トークンを生成する。コスト低下は、開発者がモデルをより長時間稼働させる後押しになり得る。モデルレベルの効率改善が、アプリケーションレベルでは消費量の増加につながる可能性がある。

経済学者はこのパターンをリバウンド効果で説明する。資源が安価になると、利用者はしばしばその消費を増やす。AIでは、トークンコストの低下によって、自動調査、継続的なモニタリング、パーソナライズされたソフトウェアが経済的に成立し得る。

Nvidiaは、この需要拡大の議論を強調している。同社の戦略は、推論の低コスト化がより大規模なシステムを埋めるだけの新規需要を生み出すという前提に立つ。AIアプリケーションが時折の質問対応から、常時稼働するバックグラウンド業務へ移行すれば、この見方は裏付けられる。

弱気派の見方は、供給者構成に焦点を当てる。新たな需要が生まれても、単一のハードウェアアーキテクチャが同じシェアを獲得するとは限らない。低コストのモデルはより幅広いプロセッサで動かせるため、顧客の交渉力は高まる。

デコーディングの経済性に関する学術論文は、一部の言語モデルのデコーディング作業では、主流のGPUが適切なバランスを欠く可能性があると論じている。著者らは、演算能力を抑え、汎用メモリを増やしたシステムを提案する。この分析は、トークン生成時に現れるメモリのボトルネックを対象としている。

この提案を、GPUの万能な代替品と捉えるべきではない。学術的なモデルは、本番システムでは成り立たない仮定に依存している。ワークロードは多様で、ソフトウェアは変化し、購入者は成熟したサポートを重視する。

それでも、この論文は「十分に良い」AIが生むハードウェア上の機会を示している。出力生成が生の演算性能ではなくメモリ移動によって制約されるなら、演算重視のプレミアムプロセッサには、ワークロードが十分に活用しない能力が搭載されている可能性がある。

推論に特化したスタートアップも、同じ機会を追求している。これらの企業は、本番環境での提供、予測可能なレイテンシー、エネルギー消費を軸にシステムを設計する。一部は、モデルデータを演算処理の近くに保つため、独自のメモリレイアウトや大規模なシリコン設計を採用している。

推論チップ市場が競合企業を引きつけているのは、日常的なモデル運用がトレーニングとは異なるためだ。これらの企業は、特化型ハードウェアによってAIサービス提供の継続的なコストを削減できると主張している。

彼らの課題はソフトウェアだ。開発者には、コンパイラ、ライブラリ、監視機能、モデル対応、信頼できるアップグレードが必要となる。理論上は効率的なプロセッサでも、導入に大規模なカスタムエンジニアリングが必要なら、その価値は限られる。

この緊張関係は、変化の余地を残しつつ、現時点ではNvidiaに有利に働く。CUDAへの習熟は、Nvidiaのエコシステム内での乗り換えコストを下げる。しかし、標準化されたモデル形式と提供フレームワークは、ハードウェアの代替を徐々に容易にし得る。

クラウドプラットフォームは、こうした違いをアプリケーション開発者から隠せる。顧客は、どのアクセラレータが各リクエストを処理しているかを知らずに、レイテンシーと品質に基づいてAPIを選択できる。プラットフォームは、GPU、カスタムシリコン、その他のプロセッサの間でワークロードを移動できる。

この抽象化は、大規模クラウド事業者へ購買力を移す。また、基盤となるチップをエンド顧客から見えにくくする。ハードウェア供給企業はその後、開発者からの認知だけでなく、経済性に基づいてプラットフォームの受注を競うことになる。

Google Newsの報道では、この動きはすべての半導体株に対する単純な脅威のように見えるかもしれない。現実はもっと選別的だ。メモリ供給企業、ネットワーク機器ベンダー、カスタムチップ設計企業、ファウンドリー、アクセラレータ企業では、結果が異なる。

効率的なモデルにも、メモリとデータ移動は必要だ。推論エンドポイントの数を増やす可能性もある。カスタムシリコンには、製造能力、パッケージング、ネットワーク、支援コンポーネントも必要となる。

圧力が最も大きいのは、プレミアムアクセラレータの希少性が変わらず続くと見込むバリュエーションだ。「十分に良い」AIは半導体需要を終わらせるものではない。その需要から誰が最大の利益を得るのかを問い直すものだ。

低コストのモデルが自動的にチップ減少を意味するわけではない

懐疑的な見方は明快だ。効率化はしばしば消費を拡大し、最先端開発は引き続き先端ハードウェアを必要とする。

弱気の議論は、最適化されたモデルが設備投資をどれほど迅速に減らすかを過大評価し得る。企業は複数のモデルを運用し、トラフィック急増に備えて余剰能力を維持し、開発用と本番用に別々のシステムを保有することが多い。ハードウェア需要は、モデル規模に比例して直接減少するわけではない。

稼働率も別の障害となる。プロセッサはフル稼働時には効率的に見えても、トラフィックが変動する状況では依然として高コストになり得る。顧客はピーク時にもレイテンシー目標を満たすため、予備能力を必要とする。

信頼性の高いAIサービスには冗長性も必要だ。事業者は地域や可用性ゾーンをまたいで能力を複製する場合がある。コンプライアンス要件によって、すべてのワークロードを1つのシステムに集約できないこともある。

モデル品質はタスクによって依然としてばらつきがある。コンパクトなモデルは標準的なベンチマークで好成績を収めても、非定型の文書、専門用語、長いワークフローでは失敗する可能性がある。エラーの多いシステムは、インフラ節約を上回るコストを生みかねない。

ベンチマークも選択的な比較を促す。ベンダーは自社システムに適したモデル、精度水準、バッチサイズ、レイテンシー目標を選ぶ。ある構成での改善率が、すべての導入環境を説明することはほとんどない。

利用者の意欲が高まるにつれ、「十分に良い」の定義も変化する。モデルが要約を安定して処理できるようになると、顧客はソフトウェアの操作や意思決定まで求める。こうした高リスクのタスクには、より強い推論能力と検証が必要となる。

セキュリティも別の要件を加える。効率的なモデルであっても、プロンプトインジェクション、データ漏えい、不正なツール利用に対する防御が必要だ。監視と検証は追加の推論呼び出しを生み、総消費量を増やす可能性がある。

エージェントはこの効果を増幅する。単一のタスクに、計画、データ取得、コード実行、結果確認が含まれることがある。各段階で1つ以上のモデルが呼び出され得る。

Nvidiaは、推論モデルとエージェント型システムが推論の転換点を生むと主張している。より長いワークフローはより多くのトークンを生成するため、この立場には実務的な裏付けがある。同社の機会は、それらのトークンを自社プラットフォームで処理することが最も経済的かどうかにかかっている。

最先端のトレーニングも続いている。モデル開発企業は、推論能力、マルチモーダル能力、科学タスク、エージェントの信頼性を巡って競争を続けている。新たなトレーニング実行ごとに、大規模な先端インフラを吸収し得る。

トレーニング需要は、多様化した推論需要と共存できる。Nvidiaは、最先端システムで強い地位を維持しながら、日常的な提供ワークロードの一部を失う可能性がある。その結果は、完全な勝利か崩壊のどちらかを意味するものではない。

代替チップにも固有の集中リスクがある。今日のモデルアーキテクチャ向けに最適化されたASICは、大きな設計変更後には有用性が低下する可能性がある。汎用アクセラレータは、その不確実性に対する保険となる。

カスタムシリコンのプログラムには長い計画サイクルも必要だ。モデル企業は、チップが本番投入される前に将来のワークロードを予測しなければならない。予測を誤れば、完成したプロセッサが現在のニーズに十分対応できない可能性がある。

ソフトウェア移行も追加の摩擦を生む。チームは数値挙動を検証し、導入パイプラインを再構築し、運用担当者を訓練する必要がある。こうしたリスクを避けるため、より高いトークンコストを受け入れる場合もある。

供給の信頼性も重要だ。既存プラットフォームには、製造関係、導入経験、サポート能力がある。スタートアップは、システムを一貫して提供し、何年にもわたって保守できることを証明しなければならない。

こうした制約は、「十分に良い」AIがプレミアムチップ需要を急速に崩すという主張を弱める。ただし、価格圧力をなくすものではない。むしろ、ワークロードごとに進む段階的な競争を示唆している。

投資家は、台数需要と売上高・利益も区別すべきだ。平均販売価格が変化する中で、出荷チップ数が増えることはあり得る。粗利益率が低下しても、売上高は伸び得る。

逆のことも起こり得る。多くの旧式サーバーを置き換えるプレミアムシステムは、物理的なデバイス数が少なくても高い売上高を支えられる。チップ数だけでは、経済的な結果を説明できない。

エネルギー供給は、予測をさらに複雑にする。データセンターは電力と冷却の制約に直面している。より安価なプロセッサが利用可能でも、1メガワット当たりでより多くの有用な処理を生み出すシステムには、購入者がより高い価格を支払う可能性がある。

Nvidiaの新しいプラットフォームは、ラックレベルの設計でこの制約に対応している。同社は、プロセッサ、ネットワーク、ソフトウェアを連携させることで、1メガワット当たりのスループットを向上させるとしている。こうした改善がどれほど広く当てはまるかは、独立した本番環境での検証によって判断される。

最も妥当な結論は条件付きだ。効率的なモデルが、総コストを抑えた代替手段で品質要件を満たすとき、プレミアムハードウェアは脅かされる。プレミアムシステムは、より高い稼働率、レイテンシー、ソフトウェアサポート、エネルギー効率を提供できる場合に優位性を保つ。

これは、モデルリリース数を数えるよりも難しい投資判断だ。AI導入に関する発表だけでなく、ワークロードの配置に関する証拠が必要となる。

チップ投資家が次に注視すべき点

「十分に良い」AIが半導体需要を再配分しているのか、それとも単にコンピューティング消費の新たな波を生んでいるのかは、3つのシグナルによって示される。

第1のシグナルは、カスタムアクセラレータの本番導入だ。OpenAIとBroadcomは、自社の推論システムを2026年末までに初期導入する計画だと述べている。投資家は、それが意味のある顧客トラフィックを処理し、社内テストを超えて拡大するかを注視すべきだ。

導入が成功すれば、再配分の見方が強まる。大手モデル提供企業が、継続的なワークロードを商用GPUから移せることを示すためだ。遅延、限定的な利用、あるいは経済性の弱さは、柔軟なアクセラレータプラットフォームの価値を裏付けることになる。

第2のシグナルは、比較可能な条件下でのトークン当たりコストだ。Nvidia、AMD、クラウド提供企業、推論スタートアップは、それぞれ異なる前提で性能を主張している。有用な比較では、モデル品質、応答速度、稼働率、精度、電力、ソフトウェアのオーバーヘッドを統制する必要がある。

複数の人気モデルにおける独立した結果は、特化型チップが再現性のある優位性を持つかを明らかにするだろう。Nvidiaが幅広く優位なら、「十分に良い」AIの脅威は弱まる。結果がまちまちであれば、ハードウェアの選択が各ワークロードに依存する分断された市場を支持することになる。

第3のシグナルは、推論の成長とアクセラレータ売上高の関係だ。チップ企業とクラウド提供企業は、トークン利用の増加に比例して設備投資の増加が必要かどうかを明らかにすべきだ。投資家は、データセンターの成長、インフラの減価償却、稼働率、ワークロード配置に関する経営陣のコメントを検討すべきである。

トークン量が増加する一方でプレミアムアクセラレータの購入が鈍化すれば、弱気の解釈が強まる。ソフトウェア効率の向上にもかかわらずプレミアムシステムの成長が続けば、リバウンド効果の議論を支持する。それは、エージェントと推論アプリケーションが節約分を消費していることを示す。

Google Newsの見出しは今後も、この競争を半導体株に対する審判として描き続けるだろう。読者は、ある効率的なモデルを業界全体の反転を示す証拠と受け取るべきではない。また、AI利用の拡大がサプライヤーの経済性を変えないと考えるべきでもない。

持続的に問われるのは、品質、レイテンシー、エネルギー、エンジニアリングコストをすべて織り込んだ後、各ワークロードがどこに配置されるかだ。最先端の学習、対話型推論、バッチ推論、組み込みアプリケーションが単一のプロセッサに収束することはない。

この分断は、半導体サプライチェーンの複数の領域に恩恵をもたらし得る。カスタムチップの設計企業、メモリメーカー、ネットワーキングベンダー、ファウンドリー、パッケージング事業者にとって追い風となる可能性がある。一方で、高性能アクセラレータの利益率を巡る競争を激化させることにもなり得る。

ナレッジワーカーも同様の評価課題に直面している。ベンダーの主張は、プレスリリース、ベンチマーク、決算説明会、ニュース集約を通じて届く。基礎となる文書を検索可能なナレッジベースに保管しておけば、前提条件を時系列で比較しやすくなる。

投資家にとって次の段階は、チップが不要になると予測することではない。AI全体の成長と、各サプライヤーの経済性を切り分けることだ。本番推論がどこで稼働しているか、どのシステムが継続受注を獲得しているか、トークンコストの低下がプレミアム需要を守れるほど十分に消費を拡大しているかを追う必要がある。

次のGoogle News報道の波は、カスタムアクセラレータが継続的なワークロードを担っていることを示すのか。それとも、エージェント型AIがあらゆる効率向上を吸収するのか。その証拠が、「十分に良い」AIが半導体株にとって長期的な問題になるのか、あるいはデータセンターの拡張が続くもう一つの理由になるのかを左右する。