Nvidiaの真の力はフルスタックAIファクトリーにある
Nvidiaは2026年度に2,159億ドルの売上高を計上した。それでもGoogle Newsの見出しでは、同社の影響力がGPUという一製品に矮小化されることが少なくない。しかし、その説明ではもはや核心となる競争を捉えられない。Nvidiaはプロセッサを販売しているが、それらを実用的なAIインフラへと変えるソフトウェア、ネットワーキング、システム設計をますます支配するようになっている。
この変化が重要なのは、Nvidiaの主要競合に求められるものが、より高速なアクセラレータだけではなくなったためだ。AMD、Google、Amazon、新興チップベンダーは、統合されたコンピューティングプラットフォームに挑まなければならない。顧客側も、性能と導入面の利点が、単一サプライヤーへの依存を深めるだけの価値があるかを判断する必要がある。
これがNvidiaの立場を支える逆転現象だ。GPUが機会を生んだ一方で、いまではそれを取り巻くスタックが優位性を守っている。競争は、Nvidiaの統合AIファクトリーと、交換可能な部品で構成されるよりオープンな市場との対決になりつつある。
Google NewsはいまもNvidiaをチップメーカーと呼ぶが、財務は別の姿を示している
Nvidiaの事業は現在、部品サプライヤーというよりも、アクセラレーテッドコンピューティングを中心に構築されたインフラプラットフォームに近い。
最も明確な証拠は、Nvidia自身の財務報告にある。同社のfiscal 2026 filingによると、総売上高は前年比65%増の2,159億ドルだった。
Data Center部門の売上高は1,937億ドルに達し、前年の1,152億ドルから増加した。つまり、データセンターはNvidiaの年間売上高のほぼ90%を生み出したことになる。かつて同社を象徴する市場だったGaming部門の売上高は160億ドルだった。
Data Centerの数字にも重要な内訳が隠れている。Computeの売上高は1,624億ドル、ネットワーキングは314億ドルに達した。ネットワーキング単独で、NvidiaのGaming事業のほぼ2倍の規模だった。
このネットワーキング売上高は、前年度の130億ドルから増加した。Nvidiaは、NVLinkコンピューティングファブリック、Ethernet、InfiniBandが増収に寄与したとしている。これらの製品は、アクセラレータ、サーバー、ストレージシステム間で情報を移動させる。
大規模なAI導入では、このトラフィックが中心的な制約要因になっている。数千基のプロセッサがデータ待ちに多くの時間を費やすなら、モデルはその計算能力の恩恵を受けられない。ネットワーク自体がコンピュータの一部になる。
Nvidiaは、生成AI需要が現在の規模に達する前から、この要件を見越していた。同社は2020年にMellanoxの買収を完了し、InfiniBandネットワーキングと関連技術を加えた。この買収により、Nvidiaはクラスタコンピューティングのもう一つの重要な層を手に入れた。
現在の同社は、GPUに加えてNVLinkスイッチ、ConnectXネットワークアダプタ、BlueFieldデータ処理ユニット、Spectrum Ethernetスイッチを提供している。また、これらの部品をデータセンター内でどのように組み合わせるかを規定するリファレンスアーキテクチャも供給する。
したがって顧客が購入するのは、単なる演算能力ではない。購入内容には、通信ファブリック、管理ツール、ライブラリ、導入レシピ、そしてその能力を運用するための技術サポートが含まれうる。
この構造はNvidiaの交渉上の立場を変える。競合アクセラレータが一つのベンチマークで並んだとしても、導入全体で同等とは限らない。買い手は、アプリケーション互換性、ネットワーク設計、システム可用性、運用リスクを検討しなければならない。
Nvidiaの評価方法も変わる。販売台数とチップ仕様は引き続き重要だが、同社の影響力を示すのはその一部にすぎない。ネットワーキングの成長は、AIクラスタがより大規模かつ相互接続性を高めるなかで、Nvidiaが売上を取り込んでいることを示している。
だからこそ、馴染み深いGPUという呼び方は不十分になっている。チップは依然として不可欠だが、Nvidiaの商業的な到達範囲はいまや、そのチップを取り巻くマシン全体に及んでいる。
CUDAはハードウェア導入をソフトウェアの習慣へ変えた
CUDAはNvidiaのハードウェアを開発者にとって有用なものにし、拡大するライブラリ群は乗り換えコストをますます高めた。
CUDAは、NvidiaのGPU上で汎用コンピューティングワークロードを実行するためのプログラミングプラットフォームだ。同社は、ディープラーニングが並列計算への並外れた需要を生む何年も前の2006年にこれを導入した。
重要な優位性は、単なるプログラミング言語ではなかった。CUDAは開発者をコンパイラ、デバッグツール、最適化済み数学ライブラリ、ハードウェア固有の機能へと結びつけた。研究者は、すべての低レベル命令を自ら書かなくてもワークロードを高速化できた。
この利便性は時間とともに蓄積された。大学はCUDAを教え、研究者はCUDAを前提にしたコードを公開した。クラウドプロバイダーは互換インスタンスを提供し、ソフトウェア企業はNvidiaハードウェアへのアクセスを前提とする製品を構築した。
NvidiaのCUDA documentationはいまや、数百の専門ライブラリや開発キットと並んでいる。対象はモデル学習、推論、データ分析、コンピュータビジョン、サイバーセキュリティ、ロボティクス、シミュレーション、科学技術計算に及ぶ。
こうして形成されたNvidia CUDAエコシステムは、複数の種類のスイッチングコストを生む。開発者はコードを移植し、ライブラリを置き換え、数値的な挙動を検証し、エンジニアリングチームを再教育しなければならない。運用担当者も実際の本番ワークロードで性能を検証する必要がある。
こうしたコストは絶対的な障壁ではない。一般的なAIフレームワークは、より高いレベルのインターフェースの背後にハードウェア差異の一部を隠せる。オープンソースのコンパイラプロジェクトも、複数のアクセラレータアーキテクチャを対象にできる。
しかし、抽象化が最適化を不要にするわけではない。大規模AIシステムは、頻繁な数学演算を実行する特殊なルーチンであるカーネルに依存している。こうしたルーチンの小さな改善でも、利用率、レイテンシー、エネルギー使用量、必要な総容量に影響を及ぼしうる。
Nvidiaは、新しいハードウェア向けにライブラリを継続的に調整している。GPUアーキテクチャ、コンパイラ、ネットワーキング層、モデル提供ソフトウェアにまたがる変更を協調させることができる。この連携により、新しいハードウェアを受け取ってから効率的に利用するまでの遅れを縮められる。
この優位性は、アーキテクチャの移行時により明確になる。Blackwellを採用する顧客は、何もないソフトウェア環境から始めるわけではない。既存のCUDAアプリケーション、フレームワーク、運用知識が移行経路を提供する。
Nvidiaはこのパターンをモデル学習以外にも広げている。TensorRTは推論ワークロードを最適化し、Tritonはモデル提供を管理する。RAPIDSはデータサイエンスを対象とし、Isaacはロボティクス開発を支援する。
各製品は、別の種類の作業においても、開発者がNvidia AIプラットフォームを標準環境として扱うよう促す。この戦略は、すべてのソフトウェアツールが大きな直接収益を生む必要なく、同社の到達範囲を広げる。
その代わり、ソフトウェアはハードウェア需要と顧客維持を支える。ライブラリはアクセラレータを購入、導入、継続利用しやすくする。この間接的な経済価値こそ、Nvidiaのソフトウェア面での地位をソフトウェア収益だけで評価できない理由の一つだ。
CUDAを破れない堀として説明することには、依然としてリスクがある。フレームワークの移植性は向上しており、大手クラウド顧客にはNvidiaへの依存を減らす強い動機がある。
Intel Gaudiを評価した2025年の研究論文は、CUDA単独よりも広範なソフトウェア環境のほうが重要だったと論じた。この見解は、より正確な解釈を裏付ける。Nvidiaの優位性は、開発と導入のシステム全体から生まれている。
CUDAが習慣を始めさせたが、ライブラリ、ツール、コミュニティの知識、ハードウェア協調がそれを強化した。競合は、単にプログラミングインターフェースを再現するのではなく、この蓄積されたシステムに挑まなければならない。
ネットワーキングは数千基のGPUを一台のコンピュータのように動かした
AIクラスタが大きくなるほど、Nvidiaのインターコネクト製品とネットワーキング製品は実用的な性能への影響力を増す。
フロンティアモデルの学習では、作業を多数のプロセッサに分割する。それらのプロセッサは、パラメータ、中間結果、同期信号を繰り返し交換する。この交換の遅延は、高価なコンピューティング資源を遊休状態にする。
NVLinkはNvidiaのプロセッサ間で高帯域幅の通信を提供する。NVSwitchはその接続をより大きなグループへ拡張し、InfiniBandとSpectrum-X Ethernetはデータセンター全体のサーバーを接続する。
これらの技術はクラスタ内の異なる距離に対応するが、建築的な目標は一つだ。Nvidiaは、顧客にクラスタを統一されたコンピューティングシステムとして扱ってほしいと考えている。
2026年度の業績は、その経済的効果を示している。Data Centerのネットワーキング売上高は314億ドルに達し、前年比142%増だった。Nvidiaは、NVLinkにおけるBlackwellの立ち上がりがこの成長の大部分を牽引したとしている。
この結果は、チップとネットワークを分ける従来の区別を弱める。アクセラレータのベンチマークはローカル性能を測定する。本番クラスタでは、全体がどれだけ効率的にワークロードを完了するかを測る必要がある。
この区別は、mixture-of-expertsモデルでとりわけ重要だ。これらのモデルは、各リクエストに対して選択されたパラメータ群を有効化する。その設計は計算量を減らせる一方、プロセッサ間に厳しい通信パターンを生み出す。
推論もネットワーキングへの圧力を高める。推論モデルはより長いシーケンスを生成し、メモリ、ストレージ、ネットワーク層を介してより多くのデータを移動させる。数百万の同時リクエストを処理する際、通信効率は事業指標となる。
Nvidiaの回答は、関連部品を一つの協調システムとして開発することを意味する共同設計だ。同社は、同じ想定ワークロードを軸にGPU、スイッチ、ネットワークアダプタ、ソフトウェアライブラリを調整できる。
同社のRubin世代は、この戦略を明確に示している。発表されたRubin platformは、Vera CPU、Rubin GPU、NVLink 6スイッチ、ConnectX-9アダプタ、BlueField-4プロセッサ、Spectrum-6 Ethernetを組み合わせる。
Nvidiaは、Rubinによって推論トークンのコストや、特定のモデル学習タスクに必要なプロセッサ数を削減できるとしている。これらの主張はNvidia自身のテストに基づくものであり、独立した本番環境での証拠が必要だ。
それでも、この製品構成は同社の方向性を明らかにする。Nvidiaが販売しているのは、汎用サーバーに搭載される単体GPUではなく、6つの協調したチップによるデータセンターアーキテクチャだ。
このアプローチは、一つの層に特化するマーチャントサプライヤーに圧力をかける。ネットワーキングベンダーは強力なスイッチを提供し、アクセラレータ企業は競争力のあるコンピュートを提供できる。それでも、統合されたシステムには追加のインテグレーションが必要になる可能性がある。
また、交換可能な部品を好む顧客にも圧力をかける。統合プラットフォームは導入速度を高めうるが、独自接続は将来の調達選択肢を狭める可能性がある。
顧客がNVLinkとリファレンスアーキテクチャを中心に最適化するほど、Nvidiaは恩恵を受ける。アクセラレータの置き換えは、ラック、ネットワーク、冷却、管理ソフトウェア、アプリケーション性能に関わる、より広範なエンジニアリングプロジェクトとなる。
だからといって、すべての顧客が閉じた構成を受け入れるわけではない。買い手が馴染みのある標準と複数のサプライヤーを求めるため、Ethernetは依然として重要だ。NvidiaのSpectrum-X製品は、その選好を認めつつ、Nvidia固有の最適化を加えている。
したがって同社は両方の道を追求している。システム内部では独自のスケールアップ接続を推進し、システム間では最適化されたEthernetを提供する。これにより、顧客が最大限の統合を優先する場合でも、より広いネットワーク互換性を優先する場合でも、Nvidiaは関与できる。
AIコンピューティングがラックスケールのシステムへと移行するほど、この立場の価値は高まる。プロセッサを取り巻く依存関係が増えるほど、Nvidiaの優位性も大きくなる。
Nvidiaの真の対抗勢力はモジュール型AIスタックだ
主戦場はNvidiaと単一のチップメーカーの対決ではない。顧客が個別に置き換えられるコンポーネントに対する、統合インフラの競争である。
AMDは、商用GPU市場における最も直接的な挑戦者だ。同社のInstinctアクセラレータは学習と推論を対象とし、ROCm software stackはプログラミングツールと最適化ライブラリを提供する。
AMDの機会は、供給源の多様化と交渉力を求める顧客ニーズから生まれる。互換性のある第2の供給源があれば、特に最先端システムの供給を需要が上回る局面で、調達リスクを減らせる。
ただしAMDが証明すべきなのは、プロセッサ性能だけではない。顧客が必要とするのは、予測可能なフレームワーク対応、成熟したライブラリ、信頼できるネットワーキング、そして長期の最適化プロジェクトなしにアプリケーションを移行できるエンジニアリング体制だ。
Googleは別の道筋を示している。同社のTensor Processing Unitsは、機械学習ワークロード向けに開発されたカスタムアクセラレータである。Googleは社内で使用すると同時に、クラウドプラットフォームを通じて提供している。
Cloud TPU platformは、一部のワークロードにおいてNvidiaシステムの代替手段を顧客に提供する。Googleは自社チップをクラウドインフラ、ネットワーキング、ソフトウェアフレームワークと連携させられる。
Amazonも同様のモデルを採り、学習向けにTrainium、推論向けにInferentiaを展開している。Microsoftも社内向けAIアクセラレータを開発している。こうした企業は、マネージドクラウドサービスを通じて、自社チップへワークロードを誘導できる。
カスタムシリコンは、Nvidiaをあらゆる領域で置き換えなくても、その地位を弱められる。クラウド事業者がソフトウェア環境を管理する、反復的で大量のワークロードを取り込めるからだ。
これがNvidiaにかかる中心的な圧力を生む。同社の最大顧客は、代替手段を開発するのに必要な資本、データ、エンジニアリング人材、ワークロード規模を備えている。また、自社のインフラ支出のどれほどがNvidiaに流れているかも理解している。
オープン標準も、モジュール型への対応における別の要素だ。Ethernetベンダー、アクセラレータ企業、クラウド事業者は、混在システム間の通信を改善しようとしている。コンパイラプロジェクトは、異なるプロセッサ間でコードを移植可能にすることを目指している。
こうした取り組みが成熟すれば、顧客はアクセラレータ、スイッチ、ソフトウェアをより独立して選択できるようになる。ハードウェアは、ワークロード性能と運用経済性でより直接的に競争することになる。
Nvidiaは、システムレベルでより速く動くことで対応している。年次のアーキテクチャロードマップを公表し、完成ラックを供給し、マネージドソフトウェアを拡充し、サーバーメーカーやクラウド事業者と協力している。
この戦略は統合にかかる時間を短縮する一方、離脱コストも高める。顧客が採用するレイヤーが増えるほど、移行時に解消しなければならない依存関係も増える。
そのため買い手は、実際のトレードオフに直面する。モジュール型アーキテクチャは選択肢を維持できるが、組み立てと最適化にはエンジニアリングの労力が必要だ。Nvidiaの統合型アプローチは導入を加速できる一方、技術面・商業面でのエクスポージャーを集中させる。
どちらの結果も決まってはいない。大手クラウド企業は、極めて大きな規模で運営しているため、社内代替手段を支えられる。より小規模な企業は、豊富なドキュメントと確立されたサポートを持つプラットフォームを好む可能性がある。
アプリケーション要件も異なる。新たなフロンティアモデルを学習させる企業と、安定したレコメンデーションモデルを提供する企業では、優先順位が異なる。最適なアーキテクチャは、モデル設計、レイテンシ目標、スタッフの経験、既存インフラに左右されうる。
このため、単一のベンチマークで競争の決着がつくことはほとんどない。判断には、導入までの時間、ソフトウェア移行、ネットワーク利用率、供給可能性、長期的な柔軟性が含まれる。
Google Newsの報道は、新しいアクセラレータのリリースごとに注目しがちだ。より重要なのは、こうした代替手段が、顧客が信頼できる完全な運用環境へと発展するかどうかである。
フルスタックの優位性はNvidiaのリスクも集中させる
Nvidiaの統合戦略は同社の支配力を高める一方、財務パフォーマンスのより多くを同じAI投資サイクルに結び付ける。
同社の2026年度の数字は、並外れた集中を示している。データセンターは年間売上高のほぼ90％を占め、Compute and Networkingが営業利益の大半を生み出した。
この集中は、Nvidiaを比較的少数のクラウド事業者とテクノロジー企業による設備投資と結び付ける。同社の年次提出書類は、顧客集中を重要なリスクとして特定している。
需要が高水準を維持しても、成長を維持するのはより難しくなりうる。顧客はAIシステムを追加設置する前に、電力、土地、許可、冷却設備、ネットワーク容量を確保しなければならない。
電力制約は特に重要だ。データセンターがラックに給電できなければ、より高速なアクセラレータの価値は限られる。Nvidiaはシステム効率に関する主張を通じてこの問題に対応する機会を増やしているが、インフラ開発は依然として同社の直接的な管理外にある。
Nvidiaのプラットフォーム移行にも実行リスクがある。Blackwellシステムは、従来のGPUサーバーよりも複雑なラックレベル設計を導入した。完全なシステムには、プロセッサ、メモリ、スイッチ、ケーブル、ネットワーク機器、電力供給、冷却が同時に揃う必要がある。
1つのコンポーネントの不足や不具合が、ラック全体の売上を遅らせる可能性がある。システム統合はNvidiaに性能面での統制力を与えるが、同時に管理すべき運用上の依存関係も増やす。
輸出規制も別の弱点となる。Nvidiaは2026年度中、中国向け出荷に影響する新たな規制を受け、H20の在庫および購入義務に関連して45億ドルの費用を計上した。
この事例は、強い製品需要であっても政策が中断させうることを示している。Nvidiaは規制準拠のプロセッサを設計できるが、規制当局は性能上限やライセンス要件を変更できる。
中国は競争面のリスクも生む。規制は、現地顧客や政府が国内代替品を支援する動機を強める。そのため、Nvidiaの売上に対する短期的な制限が、競合ハードウェアやソフトウェアへの長期的な投資を加速させる可能性がある。
ソフトウェアの堀にも、それ自体の課題がある。Nvidiaの性能と供給可能性が切り替えコストを正当化する限り、顧客はそれを受け入れる。コスト、供給、政策によって依存が重荷となれば、顧客は移行により積極的に投資するだろう。
オープンソースのフレームワークは、ハードウェア固有の作業を徐々に減らせる。コンパイラの改善は最適化を自動化でき、モデル開発者は最初から複数のバックエンドに対応するワークロードを設計できる。
クラウド事業者には別の利点もある。サービスインターフェースの背後にハードウェア選択を隠せることだ。顧客は、各リクエストをNvidia GPUs、Google TPUs、Amazonアクセラレータのどれが実行しているかを知らずに、マネージドモデルを利用するかもしれない。
NvidiaはRubinについても野心的な性能主張をしている。同社によれば、一部の構成では、プラットフォームがワット当たりの推論スループットを最大10倍に高められるという。
これらの比較には、Nvidiaが選定したワークロード、システム前提、前世代のベースラインが用いられている。実際の結果は、モデルアーキテクチャ、精度、バッチサイズ、ネットワーク設計、ソフトウェアの成熟度によって異なる。
したがって、こうした主張は普遍的な結果ではなく、ロードマップ上の目標として扱うべきだ。独立したベンチマークと顧客導入が、管理された構成の外でも利得が維持されるかを判断することになる。
財務規模は、こうした不確実性を取り除かない。支出減速、移行の遅れ、顧客による代替の影響を大きくする。
Nvidiaの優位性が実在するのは、各要素が相互に強化し合うからだ。同じ相互依存性は、供給、政策、エネルギー、ソフトウェア採用のいずれかに弱点が生じた場合、事業の複数部分に同時に影響しうることを意味する。
3つのシグナルがNvidiaのAIファクトリー戦略を試す
次の局面は、Rubinの導入、ネットワーキングの成長、代替アクセラレータへ移行する本番トラフィックの規模によって決まる。
第1のシグナルは、Rubinの本番展開だ。Nvidiaは、CPU、GPU、スイッチ、ネットワークアダプタ、データ処理ユニット、Ethernet機器を含む連携システムを説明している。
個別チップの出荷だけでは不十分だ。顧客は完全なシステムを導入し、安定した利用率に到達し、学習または推論の経済性で測定可能な改善を示さなければならない。
クラウド事業者での初期導入は、Nvidiaの協調設計が運用作業を減らすかどうかを明らかにする。電力、冷却、ネットワーキング、ソフトウェアに関わる遅延は、フルスタックの主張を弱めることになる。
最も強い証拠となるのは、顧客がシステムを運用した後の追加注文だ。初期購入は、供給不足や戦略的なコミットメントを反映している場合がある。拡張注文は、本番性能が期待に応えたことを示唆する。
第2のシグナルは、Data Centerネットワーキングの売上高だ。2026年度のネットワーキング売上はコンピュート売上より大幅に速く成長しており、このカテゴリーはGPUを超えたNvidiaの影響力を直接測る指標となる。
成長の継続は、顧客がアクセラレータとともにNvidiaのファブリックを採用していることを示す。また、ラックスケールコンピューティングが相互接続の経済的価値を高めていることも示唆する。
減速には解釈が必要だ。導入タイミング、コンポーネント供給、顧客による競合Ethernet製品の使用、あるいはAIインフラ建設全体の一時停止を反映している可能性がある。
NVLink、InfiniBand、Spectrum-Xの構成比は、総額と同じくらい重要になる。独自技術であるNVLinkの採用はNvidiaとの統合を深める一方、Ethernetの成長は、より標準化された市場でNvidiaが競争できるかを示す。
第3のシグナルは、代替アクセラレータの本番導入だ。顧客は重要なワークロードを割り当てる前に複数の技術をテストすることが多いため、発表だけではほとんど分からない。
クラウド事業者がTrainium、Inferentia、TPUsの大規模な社内利用を報告するかに注目したい。また、独立系ソフトウェア企業が広範なカスタムエンジニアリングなしにAMDシステムを導入するかも注視すべきだ。
移行速度が重要になる。チームが通常の開発サイクルの中でモデルをアーキテクチャ間で移せるなら、Nvidiaのソフトウェアによる切り替えコストは弱まる。
代替手段が厳密に管理されたワークロードに限られるなら、Nvidiaのより広範なプラットフォーム優位は維持される。専用チップは成長しても、新しいAIプロジェクトにおけるデフォルト環境を置き換えない可能性がある。
これらのシグナルは、さらに1つの孤立したベンチマークよりも重要だ。顧客がNvidiaのシステムアーキテクチャを、モデルのアイデアを信頼できる本番環境へ最短で到達させる道筋と捉えるとき、同社の戦略は成功する。
買い手が交換可能なコンポーネントから同等のシステムを組み立てられるようになると、この戦略は弱まる。その場合、競争はプロセッサ性能、供給可能性、運用コストへと再び移る。
開発者にとって実務上の問いは、コードと運用上の知識が移植可能なままであるかどうかだ。複数のバックエンドに対応すれば柔軟性を維持できるが、エンジニアリング時間も消費する。
エンタープライズの買い手は、大規模導入を決める前に依存関係を精査すべきだ。将来の移行で、どのライブラリ、ネットワーク設計、管理ツールを置き換える必要があるのかを特定する必要がある。
ナレッジワーカーやAIユーザーは、その結果を間接的に感じることになる。インフラの経済性は、モデルの利用可能性、レイテンシ、利用制限、新機能が製品に届く速度に影響する。
次のGoogle Newsの見出しは、おそらく別のGPU、ベンチマーク、または市場の節目に焦点を当てるだろう。読者は、その発表に伴うネットワーク、ソフトウェア、システム面でのコミットメントに目を向けるべきだ。
Nvidiaの力がGPUチップを超えるものになったのは、各レイヤーが前のレイヤーによって生じた問題を解決したからだ。CUDAはアクセラレータをプログラム可能にした。ライブラリはそれらを実用的にした。ネットワーキングはスケーラブルにした。完全なシステムは導入可能にした。
残る問題は、顧客がその統合を引き続き強みとして受け入れるかどうかだ。導入状況、ネットワーキング収益、そしてNvidiaから離れるワークロードを注視したい。こうした指標が、AIファクトリーが長期にわたる標準となるのか、それともコンピューティングの次のサイクルにおける高価な一過性の段階にとどまるのかを示すだろう。
