LineShine、ゴールが一つではなくなったスーパーコンピュータ競争で勝利
Tom Hardwareの報道は、中国のLineShineをランキング論争の中心に据えた。同機はTOP500で2.198エクサフロップスという記録を達成した。深圳に設置されたこのマシンは、同リストを定義づけるテストで公開提出されたシステムとして最速だ。しかし、すべての重要な指標で首位に立つわけではない。また、TOP500そのものをしばしば無視する、拡大中の民間AIインフラ競争の外側にも位置している。
この違いが見出しの意味を変える。LineShineは、高密度な線形方程式を解く際の倍精度性能を測るHigh Performance Linpack、すなわちHPLで、米国のEl Capitanを上回った。それでもEl Capitanは、AI志向の混合精度テストでは先行している。さらに小規模なシステムの中には、ワット当たりでより高いHPL性能を実現するものもある。
従来の競争では、公開検証された単一のスコアが評価された。新たな競争では、システムがモデルを訓練し、ユーザーにサービスを提供し、科学アプリケーションを実行し、エネルギーコストを抑え、常時稼働を維持できるかが問われる。MicrosoftやxAIといった企業は、こうした成果を中心に最適化している。彼らにとって、価値あるインフラを止めてHPL提出を追求することは、検証というより気を散らす行為に見える場合がある。
LineShineが更新したのはTOP500の記録であり、リーダーシップの定義ではない
LineShineは明確なベンチマーク上の勝利を収めたが、その勝利は特定のワークロードと任意参加の競合群にのみ当てはまる。
第67回TOP500リストは、6月23日にハンブルクで開催されたISC 2026で発表された。LineShineは初登場で首位に入り、El Capitanの首位継続を終わらせた。HPLスコアは2.198エクサフロップスに達し、Lawrence Livermore National Laboratoryのシステムによる1.809エクサフロップスを上回った。
1エクサフロップスは、毎秒100京回の浮動小数点演算を意味する。したがってLineShineは、ベンチマーク中に毎秒200京回を超える倍精度演算を持続した。専用GPUアクセラレータを使わないCPUのみの構成で、リスト掲載機として初めて2エクサフロップスを突破した。
このシステムは深圳のNational Supercomputing Centreに設置され、Shenzhen Cloud Computing Centerが構築した。公式のTOP500 announcementによると、独自設計の304コアLX2プロセッサを用い、合計13,789,440コアを搭載する。プロセッサは1.55 GHzで動作し、独自のLingQiインターコネクトで接続されている。
LineShineは、公称理論ピークの2.736エクサフロップスに対して約80％を実現した。この変換率は重要である。ピーク仕様は、搭載ハードウェアが理想条件下で発揮しうる性能を示す。一方HPLは、1つの負荷の高い計算を実行する際に、完成したマシン全体が持続した性能を測定する。
この結果は地政学的な重みも持つ。中国のシステムがTOP500首位を獲得したのは、Sunway TaihuLightが2018年にその座を失って以来初めてだ。中国の機関は最も高性能なシステムの提出をほぼ停止しており、国別比較はますます推測的なものになっていた。
LineShineの登場は、その不確実性の一部を取り除く。提出結果は、中国がCPUのみで構成されたシステムを、公開検証可能なエクサスケール性能で構築できることを確認した。また、プロセッサ、インターコネクト、システムアーキテクチャ、Kylin operating systemにまたがる重要な国内統合も示している。
ただし、TOP500は稼働中のすべてのスーパーコンピュータを特定するわけではない。所有者はHPLを実行し、構成を文書化し、受理可能な結果を提出しなければならない。参加していない民間クラスターが、ランキング競争に敗れることはない。
この条件は、このTom Hardware記事の背景にあるranking analysisの中心にある。LineShineは重要な記録を持つ。しかしその記録は、最も影響力の大きいコンピューティングインフラを誰が支配しているかについて、普遍的な主張を支えるものではなくなった。
Tom Hardwareの数値は複数の異なる勝者を示している
6月のランキングは一人の王者を生み出さない。各ベンチマークがマシンの異なる特性を評価するためだ。
HPLは依然としてTOP500の基準である。これは、多数のノード間で効率的にデータを移動しながら、大量の64ビット浮動小数点演算を実行できるシステムに有利だ。この種の精度は、小さな数値誤差が蓄積しうるシミュレーションにおいて今も重要である。
気象モデリング、流体力学、材料研究、核シミュレーションでは、こうした挙動が必要になることがある。HPLはまた、歴史的比較を可能にする、長期にわたり標準化された測定手法でもある。これらの強みが、長年の批判を受けながらも存続してきた理由を説明する。
LineShineは、High Performance Conjugate Gradients、すなわちHPCGでも首位を獲得し、その評価を強化した。HPCGは、プロセッサがメモリ全体に分散したデータへ繰り返しアクセスする、疎な科学計算に関連するパターンを用いる。より実際のアプリケーションで見られるメモリアクセスと通信の負荷を反映することを目的としている。
同機はHPCGで22ペタフロップスを記録した。El Capitanは17.41ペタフロップス、日本のFugakuは16ペタフロップスで続いた。この結果は、LineShineが特に有利なHPL実装でしか成功しないという主張を弱める。
それでも、混合精度では序列が変わる。AIシステムでは、モデル訓練のすべての演算に64ビット精度が必要なわけではないため、16ビット、8ビット、あるいはさらに小さい数値形式がよく用いられる。低精度により、専用アクセラレータは少ないメモリとエネルギーでより多くの演算を完了できる。
HPL-MxPは、最終解の精度を維持するために数理的な改良を用いながら、混合精度計算を測定する。このテストでは、El Capitanが16.7エクサフロップスで首位を維持した。Auroraは11.6エクサフロップス、Frontierは11.4を記録し、LineShineは7.92で4位となった。
公式のmixed-precision resultsは、示唆的な倍率も示している。LineShineのHPL-MxPは、従来のHPL結果のおよそ3.6倍の速さで動作した。El Capitanの混合精度スコアは、標準結果の9倍を超えた。
この差は、アーキテクチャ上の優先順位を反映している。LineShineは膨大な数の汎用CPUコアを備える。El CapitanはAMD EPYCプロセッサとInstinct MI300Aアクセラレータを組み合わせており、後者は低精度の並列計算をより効果的に処理する。
エネルギー効率は、別のランキングを生む。TOP500によると、LineShineはHPL実行中に約42.2メガワットを消費する。その効率はワット当たり52.07ギガフロップスだ。El Capitanは、報告された29.685メガワットでワット当たり60.94ギガフロップスを記録している。
どちらのシステムもGreen500の首位ではない。このリストは総出力ではなく、ワット当たりのHPL性能でマシンを順位付けする。Nvidia Grace Hopper技術を採用した、はるかに小規模なフランスのシステムKAIROSが、ワット当たり73.28ギガフロップスで首位に立っている。
大規模システムではより多くの機器をまたいでデータを移動する必要があるため、規模はこの比較を複雑にする。通信と冷却のオーバーヘッドは、規模に伴って増加する傾向がある。したがってGreen500は効率的なアーキテクチャを評価するが、最大のジョブを最も速く完了できるマシンがどれかには答えない。
June ranking detailsは、この対立を明確に示している。
倍精度HPL
LineShine: 2.198エクサフロップス、1位
El Capitan: 1.809エクサフロップス、2位
アプリケーション志向のHPCG
LineShine: 22ペタフロップス、1位
El Capitan: 17.41ペタフロップス、2位
混合精度HPL-MxP
LineShine: 7.92エクサフロップス、4位
El Capitan: 16.7エクサフロップス、1位
HPLのエネルギー効率
LineShine: ワット当たり52.07ギガフロップス
El Capitan: ワット当たり60.94ギガフロップス
KAIROS: ワット当たり73.28ギガフロップス、1位
したがって、TOP500の正式な定義ではLineShineが最速のスーパーコンピュータである。El Capitanは、混合精度AI演算に最も近いランキングでより高速だ。KAIROSは、提出されたHPLワークロードにおいてより効率的である。
これらの結果は互いを打ち消すものではない。それぞれ異なる制約を軸に設計されたマシンを説明している。1つの結果を、科学・商業・AIコンピューティングにおけるリーダーシップの完全な説明として扱うことが誤りなのだ。
公開ベンチマークは今、民間コンピューティング経済に直面している
より大きな転換は、LineShineがEl Capitanを上回ったことではない。民間企業が公開ランキングの承認を必要とせず、巨大なシステムを構築していることだ。
TOP500の歴史の大部分において、最大のコンピュータは国立研究所、研究機関、政府支援プログラムが所有していた。所有者にはベンチマーク結果を公表する動機があった。ランキングは技術的進歩を示し、資金調達の根拠を支え、科学利用者を引きつけた。
AI時代は所有モデルを変えた。フロンティアモデルの開発者は、計算資源を生産インフラであると同時に競争情報として扱う。クラスター規模は、設備投資、チップへのアクセス、ネットワーク能力、そして将来のモデルを訓練する組織能力を明らかにしうる。
詳細な構成を公表すると、マーケティング上の価値に見合わないほど多くの情報を競合に提供する可能性がある。HPLの実行には、そうでなければモデル訓練や有料顧客へのサービス提供に使われる数千基のアクセラレータの時間を費やす場合もある。
Epoch AIの調査によれば、企業は2025年に測定されたAIスーパーコンピュータ性能のおよそ80％を支配していた。2019年の比率は約40％だった。公共部門のシステムも成長したが、民間の設備群はより速く拡大した。
Epochのcompute researchは、先進AIスーパーコンピュータの性能が約9か月ごとに倍増していると推定した。また、10,000基を超えるAIチップを備えたシステムは、まれな例外から通常の最先端インフラへと移行したことも示した。
こうしたクラスターはTOP500にきれいには対応しない。HPLは64ビット演算を重視する一方、AIアクセラレータは低精度テンソル計算により多くのシリコンを割り当てる。モデル訓練向けに最適化されたマシンは、実際の経済的重要性に比べてHPLでは見劣りする結果を示す可能性がある。
xAIのColossusは、この乖離を例示している。同社によれば、Memphisのシステムは迅速な拡張後、H100級GPUを200,000基に到達させた。公開されているColossus profileは、GPU数、総メモリ帯域幅、ネットワーク、ストレージ、建設期間に焦点を当てている。
これらはTOP500の見出しとなる指標ではない。訓練ジョブが作業を効率的に分散し、障害から回復し、アクセラレータへデータを供給し、予定どおりモデルを生み出せるかを決める制約である。
Microsoftも、WisconsinのFairwaterインフラについて同様の語彙を用いる。同社は、数十万基のNvidia GPUを1つのAIシステムとして接続していると説明する。この施設を、モデル訓練性能、ネットワーク到達範囲、水管理、電力網統合の観点から提示している。
MicrosoftのFairwater descriptionは、これを同社で最も密結合なAIスーパーコンピュータと呼んでいる。Microsoftは同じベンチマーク結果を提供していないため、この主張をLineShineの検証済みHPL記録と直接比較することはできない。
検証上の隔たりは重要である。「最大」や「最も強力」とするベンダーの主張は、しばしば開示されていない定義に基づく。またGPU数は、1台のマシンとして動作できない複数の建物、導入段階、クラスターを合算している場合もある。
しかし、こうした設備を除外すれば、別の歪みが生じる。提出されたHPLスコアの一覧は、そのルールの範囲内では厳密であり得る一方、最先端モデルの学習を支える計算能力の大部分を見落としている可能性がある。不完全な標本の中での精密さは、その標本が包括的であることを意味しない。
これは、正当性を示す二つの仕組みを生み出している。公的なHPCセンターは、標準化され再現可能な提出結果によって性能を実証する。民間のAI事業者は、学習済みモデル、サービス提供能力、収益、導入速度によって価値を示す。
どちらか一方だけでは十分ではない。公的ベンチマークは、マーケティング上の主張では得られない比較を提供する。実運用での成果は、人工的なベンチマークでは捉えられない能力を明らかにする。
Tom Hardwareの論点が最も有効なのは、この交点においてだ。TOP500が無用になったわけではない。その称号が、「世界最速のスーパーコンピューター」という表現から受ける印象よりも限定的になったのである。
HPLの実行は、クラスター本来の用途と衝突する可能性がある
ベンチマークの完了によって、そのマシンの費用を賄うワークロードが遅延するなら、その魅力は低下する。
フルスケールのHPL試行は、軽量な診断作業ではない。運用者はソフトウェアを構成し、システムの大部分を確保し、通信をチューニングし、障害を管理し、結果が期待に届かなければ実行を繰り返さなければならない。こうした確保の間、そのマシンは通常の本番業務を実行できない。
このコストは国立研究所では異なる意味を持つ。ベンチマークは多くの場合、受け入れ試験と公的説明責任の一部である。システムの使命には、科学研究へのアクセス、アーキテクチャの評価、公的投資が契約上の能力を実現したことの実証が含まれる。
商用AIクラスターは別の時間軸で動く。そのアクセラレーターは、数週間にわたる学習実行、強化学習ジョブ、モデル評価、ファインチューニング、継続的な推論を支える可能性がある。遊休容量には直接的な機会費用が伴う。
HPLは、そうしたジョブを改善しない設計上の判断にも報いる可能性がある。密行列演算の実行は、規則的な計算と高度に最適化された通信に負荷をかける。大規模言語モデルの学習では、テンソル演算、メモリー移動、集団通信、チェックポイント、データ処理が組み合わされる。
モデル学習は、不均一なワークロードにも直面する。シーケンス長は変動する。ハードウェアは故障する。ネットワークの混雑状況も変わる。システムは並列作業を調整しつつ、高価な実行を最初からやり直さずに復旧できるだけの状態を保存しなければならない。
記録的なHPL結果では、データの到着遅延によってアクセラレーターがどれほど頻繁に遊休状態になるかは分からない。ノード障害後にソフトウェアスタックが問題なく復旧できるかも測定しない。需要急増時の推論レイテンシーも明らかにしない。
これは、人工的なベンチマークに価値がないという意味ではない。制御されたテストはボトルネックを切り分け、独自モデルやデータセットを共有せずにエンジニアがシステムを比較できるようにする。HPLの長い歴史は、商用AIの指標では代替できない歴史的記録も提供している。
問題は対象範囲にある。読者が測定対象の特性を理解している限り、ベンチマークは有益であり続ける。あらゆる形態の計算能力を表す略称としてランキングが使われると、誤解を招くものになる。
HPCGが作られた理由の一つは、HPLがメモリー帯域に制約される科学アプリケーションを十分に表現しないためだ。低精度ハードウェアの重要性が高まるにつれ、HPL-MxPが登場した。Green500は、電力の文脈を欠く性能評価が、拡大する運用上の制約を覆い隠していたため、エネルギー効率を加えた。
こうしたリストが存在すること自体、一つの数値ではもはや機能しない証拠である。新たなベンチマークはそれぞれ盲点を補正する一方、新たな前提条件も導入する。
AIはさらに難しい測定上の課題を加える。学習性能はモデル、数値形式、バッチサイズ、ネットワーク設計、ソフトウェア、許容される精度に左右される。あるアーキテクチャで優れた性能を発揮するシステムが、別のアーキテクチャでも同様に動作するとは限らない。
MLPerfのような業界ベンチマークは、ワークロードと提出ルールを定義することで役立っている。それでもベンダーは最適化に多大な投資を行っており、民間運用のすべてのクラスターが参加しているわけではない。結果が示すのは、すべての本番環境ではなく、テスト済みの構成である。
企業の購入担当者にとって有用な問いは、どの設備が世界記録を保持しているかであることは稀だ。購入者が重視するのは、ジョブ完了時間、可用性、セキュリティ、データ所在地、モデル互換性、総エネルギー消費である。また、容量へ予測可能にアクセスできることも必要だ。
開発者も同様のトレードオフに直面する。名目上のアクセラレーター数が多くても、ネットワーク競合によってそれらを効率的に動かせないなら意味は薄い。順位が低くても、スケジューリングとソフトウェアに優れたクラスターなら、より早く結果を生み出せる可能性がある。
LineShineのCPU専用アーキテクチャは、こうしたより広い枠組みの中で注目に値する。汎用プロセッサは、すべてのアプリケーションをGPU志向のコードに移行させずとも、多様な科学ワークロードを支えられる。同社のHPCG首位は、本格的なメモリーおよび通信能力を示唆している。
一方で、HPL-MxPでの4位という結果は、アクセラレーター向きの混合精度ワークロードにおける制約も示している。これは、LineShineがすべてのAIワークロードで低性能だと証明するものではない。HPLでの勝利だけではAIの比較を決着させられない理由を示している。
ランキングがなお検証できないこと
民間の秘匿性はTOP500の完全性を弱めるが、同時にAIインフラの所有者が行う主張を外部の人々が検証することも妨げる。
Colossus、Fairwater、あるいは別のハイパースケール設備がLineShineを打ち負かすだろうと断言したくなる。GPUの数量と低精度でのピーク仕様を見れば、その結論は明白に見える。しかし、同等で監査可能な実行結果がなければ、その比較は仮説にとどまる。
導入済みハードウェアは、利用可能なクラスター性能と同じではない。数千基のアクセラレーターが一つの拠点に存在していても、単一の密結合システムとして動作しているとは限らない。電力供給、冷却の制約、ネットワークトポロジー、ソフトウェアの安定性によって、実際に稼働する構成は縮小し得る。
公表される説明は、そうした境界を曖昧にしがちだ。企業は、キャンパス全体で計画されている容量を引用する一方で、実際に稼働しているのは一つのフェーズだけかもしれない。学習用と推論用のチップを合算することもあり得るが、これらのプールは異なるジョブを担っている。
LineShineの結果は、異なる証拠上の位置づけにある。TOP500は、特定の構成と持続性能の測定を受け入れた。その順位は関連性が限定的だと批判できるが、報告されたHPLスコアは、定義されていない企業の最上級表現よりも検証可能である。
同じ注意は国家間の比較にも当てはまる。LineShineは、提出されたHPLシステムにおいて中国を再び首位に押し上げた。これは、中国が米国より多くの総AI計算能力を保有していることを証明するものではない。
Epoch AIは、2025年のデータセットにおいて、観測されたAIスーパーコンピューター性能のおよそ75%が米国に置かれていたと推定した。中国はおよそ15%を占めた。研究者らは、公に把握できる範囲が不完全かつ不均一であることも警告している。
これらの推定は別の問いに答えるものだ。公的・民間の所有者にまたがるAIインフラの総量を測ろうとしている。TOP500が測定するのは、一つの倍精度ワークロードにおける提出済みシステムの性能である。
読者は、ベンチマーク性能をモデル能力と同一視することも避けるべきだ。より多くの計算能力は、より大規模な学習実行と迅速な実験を可能にする。データ品質、アルゴリズム、モデル設計、エンジニアリングの実行力も、得られるシステムに依然として影響を与える。
エネルギー比較にも同様の慎重さが必要である。LineShineの42.2メガワットというHPL測定値は大きいが、複数棟から成るAIキャンパスの総電力容量と直接比較することはできない。一方の数値はベンチマーク対象マシンを表し、もう一方には冷却、ストレージ、ネットワーク、拡張余力が含まれる可能性がある。
Green500は標準化された効率の見方を提供するが、なおHPLに結び付いている。実運用AIの効率は、完了した学習作業、有用なトークン、あるいはエネルギー単位当たりに処理したリクエストによって測定されるかもしれない。どの選択にも、品質とワークロードに関する前提が組み込まれている。
責任ある結論は、どちらの側が好むスローガンよりも限定的である。LineShineは、世界最速の提出済みHPLシステムであり、HPCGの首位でもある。El CapitanはHPL-MxPで首位を占め、小規模なアーキテクチャがGreen500をリードしている。
民間AIクラスターには、リスト掲載マシンを上回る低精度計算能力が存在する可能性が高い。ただし、その正確な優位性をチップの発表だけから独立して確立することはできない。
この不確実性は、LineShineのエンジニアリング上の成果を損なうものではない。その成果に付随する、より広範な主張を限定するものだ。
TOP500が影響力を維持するかを示す三つのシグナル
スーパーコンピューター競争の次の局面は、一つの新記録ではなく、参加状況、ワークロードの証拠、運用効率によって決まる。
最初のシグナルは、2026年11月のTOP500発表である。別の大規模な提出がLineShineに挑む可能性があり、HPCGおよびHPL-MxPへの参加拡大は、所有者がより幅広い公的比較を重視しているかどうかを明らかにする。
LineShine自体も引き続き有益な情報源となる。新たなアプリケーション報告は、その異例のCPU専用規模が、持続的な科学的成果、信頼性の高い利用率、生産的なAI推論へと結び付くかを示し得る。公表されるワークロード研究は、ベンチマークでの首位を超えた同社の主張を強化するだろう。
新たな提出がないことは、反対の結論を裏付ける。それは、世界で最も資金を投入された計算基盤の運用者たちが、正式な競争に参加する利点をほとんど見いだしていないことを示唆するだろう。
二つ目のシグナルは、民間AI企業が外部の人々によって再現可能な結果を公表するかどうかである。HPLスコアだけが受け入れ可能な証拠ではない。大規模なMLPerf提出、詳細な学習効率の数値、独立したレビューを受けたシステム研究は、有意義な比較を確立できる。
企業がクラスターの境界をどう定義するかに注目すべきだ。稼働中のチップ数、数値形式、ネットワーク、消費電力、ソフトウェアのバージョン、ワークロード完了時間を明示するほど、主張の信頼性は高まる。
xAI、Microsoft、Meta、Google、あるいは別の運用者がこうした詳細を提供すれば、公的HPCと民間AIの測定の隔たりは縮まる。開示がピーク仕様とキャンパス規模にとどまるなら、検証上の隔たりは続くだろう。
三つ目のシグナルは、エネルギーで正規化した本番出力である。電力は、国立研究所と商用AIキャンパスの双方にとって制約条件になりつつある。主要なアーキテクチャには、希少な電力を理論上の演算回数だけでなく、有用な仕事へ変換することが求められる。
TOP500とGreen500はすでに、このトレードオフの一つの形を示している。LineShineはHPL総合性能で勝つ一方、よりアクセラレーター比重の高いシステムは、ワット当たりでより優れた性能を実現できる。AI運用者は、学習と推論についても同様に明確な測定基準を開発しなければならない。
開発者にとっての教訓は、ランキングを診断ツールとして扱うことだ。密な倍精度性能を理解するにはHPLを使い、メモリー集約型の科学計算における挙動にはHPCG、混合精度にはHPL-MxP、HPL効率にはGreen500を使う。
企業の購入担当者は、どのワークロードが測定されたのか、そしてテストされたシステムが提示されている容量と一致するのかを問うべきだ。世界的な称号は、待ち行列時間、サービス信頼性、実際のジョブを完了する費用について、ほとんど保証を与えない。
政策立案者にとって、このランキングはなお国内のエンジニアリング能力に関する価値ある証拠を提供する。チップ供給、電力容量、ソフトウェアの成熟度、民間投資、実際のアプリケーション出力と併せて位置付けるべきである。
次の記録も、依然として見出しを飾るだろう。ただし、かつての単純さを取り戻すことはない。Tom Hardwareの読者は、LineShineを正当な王者であると同時に、「最速」という言葉には今や限定条件を添える必要があることの証拠として捉えるべきだ。
どの指標が王冠に値するかは、社会がこれらのマシンにどのような仕事を担わせたいかによって決まる。より良い問いは、もはや一つのベンチマークで誰が勝ったかではない。計算能力、エネルギー、ソフトウェア、時間を、持続的な規模で有用な成果へと変えられるのは誰か、である。
