Pat GelsingerのGPU批判が浮き彫りにするAIハードウェアの真の問題

Pat Gelsingerは、人工知能でGPUが圧倒的な役割を担っているにもかかわらず、一部のワークロードはGPU上で十分に動作しないと主張し、Google Newsで率直な見出しを呼び起こした。元Intel最高経営責任者は、GPUコンピューティングが無用だと切り捨てたわけではない。ますます複雑化するAIシステムのすべての段階を、単一のプロセッサアーキテクチャで処理すべきだという前提に異議を唱えたのだ。

この違いが記事の意味を変える。Gelsingerは、トレーニングにおけるNvidiaの進歩を称賛する一方、汎用GPUインフラが巨大な規模で手頃な推論を実現できるのかには疑問を呈した。推論とは、ユーザーが回答、画像、予測、あるいはアクションを求めるたびに、トレーニング済みモデルを実行するプロセスである。

彼の批判には、Intelにとって不都合な認識も含まれている。CPUがまだデータセンターを支配していた時代、同社はNvidiaのGPU戦略を過小評価した。その後NvidiaはCUDAを構築し、開発者を育成し、並列処理を現代AIトレーニングの基盤へと変えた。

いまや議論はIntel対Nvidiaの枠を超えている。CPU、GPU、ネットワーキングプロセッサ、専用アクセラレータが、それぞれの強みに応じて作業を分担するヘテロジニアスコンピューティングとGPUの対比が焦点だ。

注目すべき逆転は、Nvidiaもそのシステムレベルの前提の多くを受け入れているように見える点だ。同社の最新プラットフォームは、GPUにカスタムCPU、ネットワーキングシリコン、データ処理ユニット、推論特化技術を組み合わせている。争点はGPUが突然姿を消すかどうかではなく、誰がその組み合わせを最も効率的に構成できるかにある。

Google Newsの見出しが省いたGelsingerの本当の主張

Gelsingerの批判はGPUだけで考える発想に向けられたものであり、すべてのGPUやAIワークロードを対象としたものではない。

「GPUs suck」という見出しの表現は、より長い技術的な議論を絶対的な評価へと圧縮している。実際の発言はより具体的で、データセンターの購入担当者にとっても有用だった。

詳細なGelsinger interviewで、半導体アナリストのIan Cutressは、拡大するコンピューティングアーキテクチャの多様性について尋ねた。Gelsingerは、ワークロードがアーキテクチャを決めるべきだと主張した。

彼によれば、GPUは問題に大量の並列計算が含まれる場合に極めて高い性能を発揮する。現代のAIトレーニングは、多数のデータ要素に対してプロセッサが繰り返し行列演算を実行するため、このパターンに当てはまる。

しかし、制御フローの処理は異なる振る舞いを示す。これには条件分岐、オーケストレーション、ツール実行、オペレーティングシステム機能、より予測しにくい経路を持つ分析が含まれる。

Gelsingerは意図的に挑発的な表現を用いた。「GPUではひどく動くものがある」。そして、基本的なif-then-elseロジックは長いGPUパイプラインとの相性が悪いと指摘した。

この発言は、すべてのGPUが悪いと言っていることとは同義ではない。並列スループット向けに設計されたアーキテクチャは、ワークロードが繰り返し分岐、停止、方向転換する場面で効率を失う、という意味だ。

エージェント型AIは、この違いをより明確にする。AIエージェントは、データベースを呼び出し、コードを実行し、結果を調べ、別のツールを選び、計画を更新するかもしれない。GPUに有利な高密度の行列計算を含むのは、その一部のステップだけだ。

残りのステップも、プロセッサ時間、メモリ帯域幅、ネットワーキング能力、エネルギーを消費する。GPUはその多くを実行できるが、技術的な互換性が経済的な効率を保証するわけではない。

Gelsingerは、自身が望ましいと考えるモデルを「コンピューティングの三位一体」と呼ぶ。従来型プロセッサが制御志向の作業を担い、AIアクセラレータがデータ集約型アルゴリズムを担い、量子マシンが最終的には実用的な古典計算の範囲を超える一部の問題に対応する。

量子の要素は、日常的なAIインフラにとっては依然として投機的だ。CPUとアクセラレータの役割分担は、すでに出荷済みおよび発表済みのデータセンターシステムで見られる。

そのためGoogle Newsの枠組みは出発点としては有用だが、結論としては不完全である。Gelsingerが疑問視しているのは、現在のAIブームを可能にしたアーキテクチャそのものではなく、業界の導入モデルだ。

彼の主張は、トレーニングと推論も区別している。トレーニングは、大規模データセットを処理してモデルを作成または更新する。推論は、そのトレーニング済みモデルをライブリクエストに適用する。

GPUは両方の段階で引き続き中心的な役割を果たす。しかし推論には、応答時間、トークンコスト、消費電力、メモリ容量、予測可能なサービスレベルといった異なる優先事項がある。

inference chip marketにはすでにAMD、Intel、Cerebras、Groq、d-Matrixなどの専門企業が参入している。これらの企業の機会は、Nvidiaのトレーニングプラットフォーム全体を再現するのではなく、そうした優先事項の最適化にある。

Gelsingerの表現は断定的に聞こえる。しかし、彼の技術的な立場はワークロードに依存するものだ。

AI推論チップがデータセンターの経済性に圧力をかける理由

ハードウェアをめぐる議論の中心は、トレーニングの華々しいコストだけでなく、AIを利用し続ける際の継続的なコストへと移っている。

モデルは、主要なトレーニング実行を限られた回数だけ行う場合がある。その後、数十億件のプロンプト、検索、生成画像、エージェントのアクション、社内業務リクエストに応答できる。

リクエストのたびに推論処理が追加される。より高性能な推論モデルは、回答を返す前に複数の処理段階を生むことがある。エージェントはツールを呼び出し、計画を修正することで、さらに多くのステップを加える。

このパターンは、ピークトレーニング性能から、有用な出力当たりのコストへと注目を移す。データセンター運営者は、システムがワット、サーバー、ラック、資本単位当たりにどれだけ多くのトークンを提供できるかを考慮しなければならない。

Gelsingerは、検索やエージェントの広範な利用に近づくには、推論の効率を10,000倍向上させる必要があると主張している。彼は、この数値が計算能力、エネルギー、コストに関する前提に基づく推定値だと認めた。

これは独立して実証された業界要件ではない。したがって、検証済みベンチマークではなく、課題の大きさに関する見解として読むべきだ。

それでも根本的な圧力は現実のものだ。有用な企業向けエージェントは、文書検索、ソフトウェア作業、顧客対応のすべてに無制限の計算資源を費やすことはできない。

レイテンシも重要である。多数のトークンを素早く生成するモデルであっても、周辺システムがデータベース、ネットワーク転送、セキュリティチェック、アプリケーションコードを待つなら、依然として遅く感じられる。

ここでGPUの利用率が重要になる。高価なアクセラレータは、適した作業を処理している間に価値を生む。データ移動によって停止したり、直列タスクを待ったりすれば、経済的な負担となる。

AI推論チップは、より限定的な設計によってこの方程式の改善を試みる。一部は計算機能の近くにより多くのメモリを配置する。ほかには、データフローアーキテクチャ、低い数値精度、決定論的な実行、特定モデル向けに調整されたソフトウェアを使うものもある。

こうしたアプローチにはトレードオフがある。専用チップは選定されたワークロードでGPUを上回る可能性がある一方、対応できるモデル、ライブラリ、導入ツールは少なくなるかもしれない。

統合によって理論上の節約が失われる場合もある。企業には、監視、セキュリティ、オーケストレーション、モデル対応、そしてプラットフォームを理解するエンジニアが必要だ。

それが、Nvidiaのソフトウェアにおける地位が引き続き重要である理由の一つだ。CUDAは開発者に成熟したプログラミング環境を提供し、Nvidiaのライブラリはモデルのトレーニング、推論、ネットワーキング、データ処理をカバーしている。

競合他社は、好意的なチップベンチマークを発表するだけでは勝てない。顧客が導入、プログラミング、運用、更新できる、信頼性の高いシステムを提供しなければならない。

推論の経済性はアプリケーションによっても異なる。対話型チャットには低レイテンシが必要だ。オフラインの文書処理ではスループットを優先できる。動画生成は、レコメンデーションシステムとは異なるメモリおよび計算パターンを必要とする。

バッチサイズも結果を変える。多数の同時リクエストを処理するプロバイダーは、小規模な企業導入よりも大規模アクセラレータを高い稼働率で動かせる。

こうした変動性は、GPUが本質的に高すぎるという普遍的な主張を弱める。一方で、アーキテクチャの選定はワークロードから始めるべきだというGelsingerのより限定的な主張を強める。

影響はチップベンダーにとどまらない。クラウドプロバイダーは、どのプロセッサを購入し、どのように価格設定するかを決めなければならない。ソフトウェア企業は、移植性とハードウェア固有の最適化の間で選択を迫られる。

企業の購入担当者は別の問いにも直面する。容量を借りるか、プライベートインフラを運用するか、あるいは基盤ハードウェアを隠蔽するマネージドモデルサービスを利用するかだ。

正しい選択は、利用率、データ統制、レイテンシ、人員体制に依存する。流行のプロセッサ名だけでは、こうした要件は決まらない。

Googleは、現在の生成AIサイクルより何年も前にこの違いを認識していた。同社の初代Tensor Processing Unitは、ドメイン固有の設計でニューラルネットワークのワークロードを対象にしていた。

Googleの新しいIronwood TPUは、推論と大規模推論モデル向けに明確に位置付けられている。この製品はGelsingerの論点を検証するもう一つの材料となる。

したがって市場は、複数種類のアクセラレータへと移行している。難しいのは、それらを一つの信頼できるコンピューティング環境のように機能させることだ。

NvidiaのCPU戦略はヘテロジニアスコンピューティングの論拠を裏付ける

GPUの限界に対するNvidiaの回答は、GPUを捨てることではない。目的別に設計されたプロセッサと緊密に統合されたソフトウェアでGPUを取り囲むことだ。

この戦略は、エージェント型ワークロード向けのNvidiaカスタムCPUであるVeraに表れている。同社によれば、VeraはAIアクセラレータの周辺で、オーケストレーション、分析、データ処理、その他のCPU依存作業を担う。

Veraは88基のNvidia設計OlympusコアとLPDDR5Xメモリサブシステムを搭載する。Nvidiaによれば、このプロセッサは最大毎秒1.2テラバイトのメモリ帯域幅を提供する。

このCPUはNVLink-C2Cを通じてRubin GPUに接続される。Nvidiaは、この接続で最大毎秒1.8テラバイトのコヒーレント帯域幅を実現するとしている。

これらは独立した性能結果ではなく、同社の仕様である。それでも、このアーキテクチャはNvidiaが問題をどう定義しているかを示すため重要だ。

同社はもはやGPUを孤立したコンポーネントとして販売していない。CPU、GPU、ネットワーキング、ストレージプロセッサ、スイッチ、ライブラリ、ラックレベル設計から成るアクセラレーテッドコンピューティングプラットフォームを説明している。

NvidiaのVera CPU announcementは、このプロセッサがPythonランタイム、サンドボックス化されたコード、分析、エージェントのオーケストレーションを対象にするとしている。これらはまさに、Gelsingerの批判の背景にある分岐型ワークロードだ。

この重なりが記事の中心的な逆転を生む。GelsingerはGPUの限界を批判する一方で、Nvidiaはその限界を補うために必要なコンポーネントへ大規模に投資している。

Nvidiaはその投資を後退とは表現していない。CPU-GPU統合をアクセラレーテッドコンピューティングの拡張として提示している。

Gelsingerも、Nvidiaの2026年3月のGTCカンファレンス後に同様の結論に達した。Reuters footageで、彼はCPU-GPU接続がシステム設計にとって極めて重要だと述べた。

また彼は、Nvidiaの技術プレゼンテーションを称賛しつつ、同社はなお実現力を示す必要があると警告した。この反応は、バイラルな見出しが示唆するものよりはるかにバランスが取れている。

Nvidiaの地位は、周辺プラットフォームを支配していることでさらに強固になっている。同社はプロセッサ設計をNVLink、ネットワーキング、ソフトウェアライブラリ、完成済みラックと連携させられる。

この連携により、通信オーバーヘッドを削減し、導入を簡素化できる。一方で、顧客の特定ベンダーのアーキテクチャへの依存度も高まる。

このプラットフォーム戦略は、競合にとって攻略しにくい標的を生み出す。競合チップはワット当たり性能で優れていても、同等のネットワーク機能やソフトウェアサポートを欠く可能性がある。

Nvidiaは複数の層にまたがって同時に経済性を改善することもできる。より高速なインターコネクトは、GPUの演算ユニットを変更せずにGPU利用率を高められる可能性がある。

ソフトウェアの最適化はメモリ使用量を減らせる。新しい数値形式はスループットを向上させられる。専用の推論プロセッサは、従来型GPUに収まらないワークロードを処理できる。

つまり、Pat GelsingerによるGPU批判は、Nvidiaの衰退を自動的に予測するものではない。Nvidiaは、「Nvidiaシステム」に含まれるものを変えることで対応できる。

同社はすでに、単なるGPUメーカーではなく、アクセラレーテッド・コンピューティング・プラットフォームであると説明している。同社のハードウェアロードマップも、その位置付けを裏付けている。

それでも顧客は、こうした主張を自社アプリケーションで検証すべきだ。緊密に統合されたプラットフォームは大規模環境では効率的である一方、小規模な導入では過剰なものになり得る。

また、運用上の集中リスクも生じる。あるベンダーのハードウェア供給スケジュール、ネットワーク層、ソフトウェアスタックに影響する問題が、システム全体に波及する可能性がある。

ただし、顧客が導入スピードを優先する場合、統合は明確な商業上の優位性をもたらす。買い手は、未成熟な複数コンポーネントを自ら組み合わせる手間を避けるため、ある程度のロックインを受け入れることが多い。

したがって、目下の競争はGPU対CPUではない。Nvidiaの統合プラットフォームと、複数サプライヤーによるよりオープンなプロセッサ群の組み合わせとの競争である。

IntelはGelsingerの論点にとって最も厳しい試練に直面する

Intelはワークロード優先という主張に同意しているが、顧客が同社独自のCPU、GPU、ネットワーキング、ソフトウェアの組み合わせを求めることを証明しなければならない。

Gelsingerの分析が重みを持つのは、Intelがかつてデータセンター・コンピューティングで最も強い地位を占めていたからでもある。同時に、それは重い過去も伴う。

IntelはNvidiaのGPUと開発者プラットフォームが長期的に果たす役割を過小評価した。同社自身のAIアクセラレータへの取り組みも、同等の採用を確立するには苦戦している。

この経緯により、Gelsingerは知識豊富な批評家であると同時に、利害を持つ当事者でもある。現在はベンチャー投資やアドバイザリー活動を通じてテクノロジー企業と関わっている。

彼のポートフォリオにある一部の企業は、データフロー・コンピューティング、ネットワーク耐障害性、光接続、従来型アーキテクチャの代替手段などを追求している。読者は、彼の熱意を評価する際にこの背景を考慮すべきだ。

それでもIntelの現在の戦略は、同じシステム論理に従っている。同社は、エージェント型AIのコントロールプレーンとしてCPUを重視する一方、新たな推論指向のデータセンターGPUを開発している。

Crescent Islandは、最大級のトレーニングシステムをそのまま再現するものではなく、エンタープライズ推論向けに設計されている。Intelによると、Xe3Pアーキテクチャを採用し、160ギガバイトのLPDDR5Xメモリを搭載する。

同社は、このGPUが空冷サーバーに適していると説明している。また、設計ではメモリ容量、帯域幅、電力効率、一般的な推論データ型を重視するとしている。

Intelは2026年後半に顧客向けサンプル出荷を見込んでいる。これらのサンプルから独立した結果が得られるまでは、Crescent Islandは設計目標の集合にとどまる。

公式のCrescent Islandロードマップは、機会とリスクの双方を示している。Intelは広く認識された問題に取り組んでいるが、多数の競合も同じ機会を見ている。

大容量メモリプールは、大規模モデルの提供に役立つ可能性がある。しかし、それだけでソフトウェア互換性、実アプリケーションでのスループット、信頼性、あるいは有利な総運用コストが確立されるわけではない。

Intelは、開発者がどのようにワークロードを新プラットフォームへ移行するのかも説明しなければならない。同社のオープンソフトウェアへの意欲は、長年をかけて構築されたCUDA環境と競合する。

オープン性は、単一ベンダーへの依存を嫌う顧客を引き付ける可能性がある。一方で、ドライバー、コンパイラー、ライブラリー、フレームワークがプロセッサごとに異なる挙動を示すなら、複雑さも生まれる。

このソフトウェア問題は、ヘテロジニアス・コンピューティングの核心にある。複数のアーキテクチャに作業を分割すれば効率化の機会が生まれるが、各境界ではデータ移動とプログラミングのオーバーヘッドが発生する。

アプリケーションが情報のコピーや形式変換に時間を費やしすぎれば、理論上の速度優位性は失われる。運用チームには、デバッグと監視のための一貫したツールも必要だ。

Gelsingerは、業界にはヘテロジニアスAI向けの統合ソフトウェア層が欠けていると認めた。Intelは以前、共通ツールを通じて複数アーキテクチャをプログラミングする手段としてoneAPIを推進していた。

この目標は依然として魅力的だ。市場での証拠は依然としてまちまちである。

Intelの最大の強みは、既存のCPU導入基盤にあるかもしれない。企業はすでに、x86システム上でアプリケーション、データベース、セキュリティツール、仮想化環境を運用している。

企業がAIを導入しても、これらのワークロードが消えるわけではない。エージェントはしばしば、それらと連携する必要がある。

Intelは、同社のCPU、Ethernet製品、推論アクセラレータが既存環境に適合すると主張できる。Nvidiaは、統合ラックがより優れたエンドツーエンド性能を実現すると応じることができる。

AMD、Google、クラウドプロバイダー、推論スタートアップがさらなる圧力を加えている。それぞれが、移植性、特化性、可用性、制御性の異なる組み合わせを提供する。

この混雑した市場では、「GPUs suck」という枠組みは購買判断にとってあまり有用ではない。買い手には、自社のモデルとサービスパターンに基づく測定結果が必要だ。

比較すべき項目は、最初のトークンが出るまでの時間、持続スループット、電力使用量、メモリ容量、利用率、障害復旧、ソフトウェア作業量である。取得コストだけでは不完全な全体像しか得られない。

チームには、こうしたテストの規律ある記録も必要だ。検索可能なエンジニアリング・ナレッジベースは、評価サイクルをまたいでベンチマーク条件、アーキテクチャ上の決定、障害報告を保存できる。

こうした文脈がなければ、組織は異なるモデル、バッチサイズ、精度、レイテンシ目標で生み出された数値を比較しかねない。その結果の意思決定は、システム性能ではなくマーケティングを優遇する可能性がある。

「GPUs suck」という主張にも現実的な検証が必要だ

挑発的なアーキテクチャ論は、代替ハードウェアがより良い事業成果をもたらすことの証明にはならない。

最初の不確実性は対象範囲に関するものだ。GPUはトレーニングや科学計算からレンダリング、推論まで、多くのワークロードを処理する。

分岐の多いコードでの弱い結果は、高密度な並列計算での強い結果を否定するものではない。同様に、優れたトレーニング性能が、すべての推論サービスで最低コストを保証するわけでもない。

2つ目の不確実性は、Gelsingerが掲げる1万倍の効率目標に関するものだ。彼はこれを、検索規模の導入における経済性から導いた推定値だと説明している。

この数字は野心を伝えている。しかし、すべてのAIアプリケーションに共通する検証済みの格差を示すものではない。

効率の比較には分母が必要だ。研究者は、ジュール当たりのトークン数、毎秒リクエスト数、負荷時のレイテンシ、完了タスク当たりの総コストなどを測定する可能性がある。

各指標は異なるアーキテクチャを有利にする可能性がある。より高速な出力でも、有用性の低い結果しか生まないなら価値は限られるため、モデル品質は比較をさらに複雑にする。

3つ目の不確実性は需要だ。推論量は増加しているが、アプリケーションの経済性は依然として定まっていない。

一部のエージェントは、高コストな作業を自動化することで明確な価値を生み出す。他方で、多くのトークンを消費しながら、従業員による大幅なレビューを必要とする結果を出すものもある。

より安価な推論は、効率化によってコストが下がり、総消費量が増えるほど需要を刺激するジェボンズのパラドックスを通じて利用を拡大する可能性がある。しかし、それは収益性の高いアプリケーションを保証するものではない。

4つ目の不確実性はソフトウェアだ。専用プロセッサはしばしば、印象的なデモから始まる。幅広い採用には、安定したコンパイラー、フレームワークのサポート、セキュリティツール、オーケストレーション、クラウドでの利用可能性が必要となる。

開発者には移植性も必要だ。移行コストが高くなるなら、企業はスタートアップ製チップ向けに深く最適化することをためらう可能性がある。

Nvidiaの既存ソフトウェア基盤は、弱い領域を改善する余地を与えている。同社のRubinプラットフォームは、カスタムCPU、GPU、ネットワーキング、データ処理、ストレージ関連コンポーネントを組み合わせている。

Nvidiaは、RubinがBlackwellと比べて推論トークンコストを最大10分の1にできると主張している。この比較はNvidiaによるものであり、多様なアプリケーションにわたる独立した検証が必要だ。

それでもこれは、GPUの既存優位が大幅な効率改善を妨げるという考えに直接挑戦する。Nvidiaはソフトウェアプラットフォームとの互換性を保ちながら、周辺システムを再設計できる。

5つ目の不確実性は、データセンターのインフラに関するものだ。先進的なプロセッサには、電力、冷却、ネットワーキング、物理的な収容能力が必要となる。

名目上は効率的なチップでも、馴染みのない冷却やネットワーク構成を必要とするなら、導入上の問題を生む可能性がある。反対に、空冷式アクセラレータは既存施設により容易に収まるかもしれない。

大規模クラスターは信頼性の懸念ももたらす。コンポーネント数が増えるほど障害は頻発し、チェックポイント作成には追加リソースが消費される。

Gelsingerは、巨大な構成にはより強いハードウェアとソフトウェアの耐障害性が必要だと主張している。Nvidiaはラックレベルの設計と共同設計を、その答えの一部として位置付けている。

どちらの立場も、見出しだけで決着するものではない。運用者には、稼働率、復旧時間、利用率、保守作業を対象とした本番環境の証拠が必要だ。

GelsingerのIntelでの過去の役割も、慎重であるべきもう一つの理由となる。彼や他のリーダーがCPU中心のコンピューティングを長年擁護していた間、IntelはGPU移行の重要な部分を見逃した。

彼の現在の主張は、当時の立場よりもニュアンスに富んでいる。それでもIntelの歴史は、技術的な制約を特定することが、実行の成功を保証するわけではないことを示している。

Nvidiaにも同様の精査が必要だ。支配的なプラットフォームは、自社の強みに合わせてベンチマーク、定義、調達上の期待を形作る可能性がある。

顧客は、完全なNvidiaシステムがエンドツーエンドのワークロードを改善するのか、それとも単に購入規模を引き上げるだけなのかを検証すべきだ。

最も公平な判断は、双方のレトリックよりも限定的なものとなる。GPUは非常に効果的なアクセラレータだが、万能プロセッサではない。

ヘテロジニアスシステムは信頼できる対応策を提供する。ただし、それらは難しさをチップ設計から統合、ソフトウェア、運用へと移す。

Google Newsの読者が次に注目すべきこと

Gelsingerが市場転換を見抜いたのか、それとも馴染みのあるアーキテクチャ原則を言い直しただけなのかは、3つの具体的なシグナルで判断できる。

最初のシグナルは、IntelのCrescent Islandサンプルに対する独立テストだ。Intelは2026年後半のサンプリングを見込んでおり、顧客からの証拠が最も近い現実的な試験となる。

有用な結果は、実際のモデル、複数のバッチサイズ、持続負荷、エンドツーエンドのレイテンシを対象とすべきだ。比較には、ソフトウェアの成熟度とシステム電力も含めなければならない。

強力で再現可能な結果が出れば、推論最適化型の代替手段が汎用GPU導入に圧力をかけられるというGelsingerの主張を支持することになる。遅延や限定的なデモであれば、その主張は弱まる。

2つ目のシグナルは、NvidiaのVeraおよびRubinシステムが本番環境で採用されることだ。Nvidiaは、Veraの利用を計画している主要AI研究所、クラウドプロバイダー、メーカーの名を挙げている。

計画は導入ではない。購入者は、システムがより広範なサービスに投入された後の実測利用率、トークン経済性、提供スケジュール、信頼性に注目すべきだ。

Veraが制御フロー処理を効率的に担い、GPUを稼働させ続けられるなら、Nvidiaは自社プラットフォーム内でヘテロジニアスコンピューティングを実証したことになる。この結果はGelsingerのメカニズムを裏付けると同時に、Nvidiaの商業的な強みも高める。

3つ目のシグナルは、競合するAI推論チップ間でのワークロードの移植性だ。顧客は、アプリケーション全体を作り直すことなく、Nvidia、Intel、AMD、Google、そして専用アクセラレータの間でモデルを移動できる必要がある。

コンパイラ、推論ランタイム、オープンなモデル形式の進展は、Nvidiaのソフトウェア上の優位性を縮小するだろう。一方で、断片化や結果の不整合は既存大手の地位を維持することになる。

次のGoogle Newsの見出しは、おそらくベンチマーク、提携、あるいは印象的な経営幹部の発言を強調するだろう。読者は、その表層の下にある完全なシステムに関する証拠を見るべきだ。

各段階をどのプロセッサが担ったのか、コンポーネント間でどれだけのデータが移動したのか、ソフトウェアの保守性が維持されたのかを問うべきである。そのうえで、継続的な本番需要の下で結果を検証する必要がある。

Gelsingerの主張が重要なのは、AIインフラへの依存が高まるのと同時に、その構成がより多様化しているからだ。彼の表現を検証の代わりにしてはならない。

開発者と企業の購入担当者にとって、実践すべきことは明快だ。ワークロードを文書化し、複数のアーキテクチャをテストし、リクエストから有用な結果に至るまでの全経路を測定する。

勝つシステムは、最も声高に主張するものではない。実際の電力、レイテンシー、ソフトウェア、運用上の制約の中で、信頼できる処理を提供できるシステムである。