SK hynixのProcessing-in-Memory、GPUとHBMを超えるAIボトルネックに挑む
SK hynixは、業界が長年GPUとHBMのシステムに依存してきたにもかかわらず、processing-in-memoryをAI戦略の中心に再び据えた。AI Infra Summit 2026で同社は、AiMチップ、AiMXアクセラレータカード、対話型大規模言語モデルのデモを稼働させたサーバーを披露した。メッセージは明快だった。すべての処理をGPU経由で実行することは、コストの高いボトルネックになりつつある。
9月16日の発表で、PIMが新発明として紹介されたわけではない。SK hynixは2022年に初のGDDR6-AiMサンプルを発表し、2023年にはAiMXカードを実演した。変化したのは、この技術がどこに位置付けられるべきかを巡る同社の主張だ。SK hynixは現在、特に高速AI推論において、GPUおよび高帯域幅メモリのインフラを補完する特化型パートナーとして位置付けている。
この区別は重要だ。主要な競争はSK hynixとNvidia、あるいは別のチップメーカーとの対決ではない。従来型のGPU-HBMアーキテクチャと、メモリ集約型の処理を専用メモリハードウェアに振り分けるヘテロジニアス設計との競争である。この新たなアプローチはデータ移動の削減を約束するが、商用導入は依然としてソフトウェア、生産性、独立した性能検証に左右される。
Santa ClaraでSK hynixが示したもの
SK hynixはPIMを、単なる研究室向けのメモリチップではなく、より広範なAIサービングシステムで稼働する構成要素として提示した。
同社はカリフォルニア州Santa Claraで9月15日から9月17日まで開催されたAI Infra Summit 2026に参加した。SK hynixによれば、このイベントの参加者は約6,000人で、前年の約2倍に当たる。同社ブースも面積を2倍に拡大し、「New Spectrum」のテーマの下で複数のメモリ技術を組み合わせた。
PIMの展示には、同社のAiMメモリチップ、AiMXアクセラレータカード、そのカードを搭載したサーバーが含まれた。Processing-in-memory、すなわちPIMは、限定的な計算機能をメモリの内部、またはそのすぐ近くに配置する。これにより、すべてのデータをメモリと別個のプロセッサの間で往復させる必要性を減らす。
来場者は、展示システム上で動作するLLMサービスを操作できた。この点は発表を静的なチップサンプルの域から進めるものだが、カンファレンスでのデモが量産対応を裏付けるわけではない。AIインフラストラクチャの展示は、SK hynixが顧客にこの製品をどのように理解してほしいか、すなわちサーバー内に導入可能なコンポーネントとして示した。
副社長のLim Eui-cheolは、カンファレンスのData Movementトラックでこの戦略を説明した。同氏のセッションでは、ますます多様化するワークロードはもはや単一のハードウェア設計には収まらないと主張した。超低遅延エージェント、長文コンテキストのアプリケーション、高ボリュームの推論は、メモリ容量、帯域幅、計算リソースにそれぞれ異なる要求を課す。
Lim氏は、従来のGPU-HBMアーキテクチャだけでは、こうしたすべての要件を満たせなくなりつつあると述べた。これは現行GPUシステムに対する独立した評価ではなく、企業としての見解である。しかし、SK hynixが同じイベントに3つの異なる技術を持ち込んだ理由を説明している。
PIMは高速デコーディングとメモリ律速の処理を対象とする。High Bandwidth Flash、すなわちHBFは、HBMとSSDストレージの間により大きなNAND容量を配置することを意図している。SALT-KVは、LLMのキー・バリューキャッシュをHBM、DRAM、SSDの階層に分散するソフトウェア主導のシステムである。
キー・バリューキャッシュは、言語モデルの生成中に以前計算したアテンション情報を保存する。会話が長くなり、同時に処理されるリクエストが増えるにつれ、そのメモリ使用量は拡大する。このデータを効率的に移動・保持できるかどうかは、推論速度とインフラ利用率に影響し得る。
したがって、このポートフォリオは一つの中心的な判断を反映している。AIサービングには、単一かつ一様に高速なプールではなく、複数の特化したメモリ層が必要になるという判断だ。SK hynixは、高速メモリを販売する役割から、AIデータをどこに配置し、選択された処理をどこで実行すべきかを設計する役割へと転換しようとしている。
この意欲は、2026年の登場をSK hynix初のPIM発表と表現すべきでない理由でもある。同社は2022年2月にGDDR6-AiMを発表した。2023年には初のAiMXプロトタイプカードを公開し、2024年にはデモで示したカード容量を32 GBへと倍増させた。
今回のイベントは、物語をコンポーネント開発からシステム導入へと進めるものだ。しかしSK hynixは、広範な商用導入を確認するために必要な出荷量、実名の顧客導入事例、量産スケジュールを公表していない。
この隔たりが、本記事の中心的な緊張関係を生む。SK hynixは統合PIMサーバーを示し、説得力のあるアーキテクチャ上の課題を説明できる。それでも、顧客がこのソリューションに合わせてソフトウェアやインフラを再構築することを証明しなければならない。
GPUとHBMシステムがデータ移動の問題に直面する理由
SK hynixが狙う制約は、高価なプロセッサが有用な計算を行う代わりにデータを待つときに現れる。
現代のAIアクセラレータは、高度に並列化されたプロセッサと高帯域幅メモリ、すなわちHBMを組み合わせている。HBMはDRAMダイを積層し、高密度の垂直接続で結ぶ。これらのスタックをGPUの近くに配置することで、従来のサーバーメモリを大きく上回る帯域幅を供給する。
この構成は、AIのトレーニングと推論の中心的存在になっている。しかし、プロセッサのスループットを追加しても、すべてのメモリ制約が解消されるわけではない。ワークロードは、モデルの重み、アテンションデータ、中間結果を繰り返し読み出すことで、依然として制限を受ける可能性がある。
数学的な演算自体が単純であっても、データ移動は時間とエネルギーを消費する。従来型のシステムは、メモリからデータを取得し、プロセッサへ送って処理を実行し、結果を戻す。大規模モデルでこのシーケンスを繰り返すと、演算ハードウェアが十分に活用されない場合がある。
この問題は、特にLLMのデコーディングで明確になる。デコーディングは出力トークンを逐次生成するため、各ステップは先行する状態に依存する。このプロセスでは比較的少ない計算量で、大量のモデルデータとコンテキストデータを読み出すことが多い。
トレーニングでは異なるバランスが生じる。より大きな数学演算をまとめて処理でき、GPUユニットを高い稼働率で維持できる。推論ワークロードは、バッチサイズ、コンテキスト長、レイテンシー目標、リクエストパターンがサービスごとに変わるため、より幅広く変動する。
SK hynixはこの多様性を利用し、重要な処理のすべてがGPU上で行われるべきだという前提に異議を唱えている。同社が主張するのは、汎用アクセラレータが不要になったということではない。計算負荷の高い処理を既存プロセッサに残しつつ、適切なメモリ律速処理をオフロードすることを提案している。
このアプローチは、現在のシステム設計における複数の部分に影響を与える。GPU運用者は、推論の遅さに対する最も効率的な答えが追加アクセラレータ容量なのかを検討しなければならない。サーバーベンダーは、別種のカードが、追加の複雑さを正当化するほどの利点をもたらすか判断する必要がある。
クラウドプロバイダーも関連する問題に直面する。ソフトウェアが処理を確実にスケジュールできなければ、高速なコンポーネントの価値は限定的だ。ハードウェア利用率、モデル互換性、システム管理、保守は、理論上の帯域幅と同じほど重要になり得る。
経済性は、顧客がどのようなサービスを運営するかにも左右される。即時のトークン配信を重視するプレミアム会話エージェントは、数千件のリクエストを処理するバッチサービスとは異なる要件を持つ。長文コンテキスト検索は、また別のメモリパターンをもたらす。
SK hynixは、PIMがプレミアムサービスにおける高速デコーディングのワークロードに最も適していると述べている。この限定は重要だ。低レイテンシーと反復的なメモリアクセスが専用ハードウェアを正当化するワークロードへと提案の対象を絞り込んでいる。
同社は、単一のメモリ技術をあらゆるAIボトルネックの答えとして提示しているわけではない。HBFは長文コンテキスト用途の容量と帯域幅を扱う。SALT-KVはキャッシュ情報をどこに配置するかを決める。PIMは保存データの近くで選択された計算を実行する。
この役割分担は、使い慣れたGPU-HBMプラットフォームをスケールさせるという主流の選好に挑む。既存ソフトウェアがすでに対応している場合は、GPUや高速HBMを追加する方が運用上は依然として単純である。ヘテロジニアス設計が効率をもたらすのは、ワークロードが適切に分割された後に限られる。
研究者も同じトレードオフを見出し続けている。ヘテロジニアスなDRAM-PIM-GPUシステムを扱った2026年の研究は、有意な効率向上にはシステム全体での協調最適化が必要だと結論付けた。PIM設計分析では、静的メモリとアイドル状態のGPU電力が、見かけ上の効率を大きく変え得ると示された。
この研究では、テストした構成において、ワークロードマッピングがエンドツーエンドの向上にもたらした効果は限定的だった。この結果は、SK hynixの2026年サーバーを直接評価するものではない。コンポーネントレベルの測定だけでは、アプリケーション全体の性能を予測できない理由を示している。
企業の購入担当者にとって、これはPIMをシステムアーキテクチャとして評価すべきことを意味する。重要な問いは、メモリ内で計算を実行できるかどうかではない。すべてのオーバーヘッドを含めた後に、サポート対象のアプリケーションが有用な処理をより高速かつ効率的に完了できるかどうかである。
SK hynixのprocessing-in-memory、選択した処理をデータの近くへ移す
SK hynixのprocessing-in-memoryは計算場所を変えるが、DRAMをGPUの完全な代替品に変えるものではない。
同社のAiM設計は、GDDR6メモリに計算機能を追加する。GDDR6は、HBMのような積層構造を使わずに大きな帯域幅を提供する高速グラフィックスメモリ規格である。複数のGDDR6-AiMデバイスは、AiMXアクセラレータカード上で組み合わせることができる。
2022年、SK hynixは初のGDDR6-AiMサンプルが毎秒16ギガビット、1.25ボルトで動作すると発表した。同社が比較対象として挙げた標準メモリは1.35ボルトで動作した。同社はまた、特定の処理で最大16倍の高速化と、消費電力を80％削減できると主張した。
これらの数値はSK hynixによるもので、選定された条件を説明したものだった。AIアプリケーション全般における普遍的な向上として解釈すべきではない。元のGDDR6-AiM発表は、すべての本番モデル、サーバー、ソフトウェアスタックがどのように動作するかを示したものではない。
次の段階がAiMXだった。SK hynixは2023年、MetaのOPT 13B言語モデルを用いて初のアクセラレータカードのプロトタイプを実演した。同社によれば、そのシステムはGPUベースの比較対象より10倍以上高速にデータを処理し、消費電力は5分の1だった。
この主張には重要な条件が含まれていた。SK hynixは、性能がカードのAiM Control Hub用の特定用途向け集積回路を前提としていると述べた。そのため、実演結果はメモリチップだけでなく、特定のコントローラ実装にも依存していた。
それでも初のAiMXプロトタイプは、意図された仕組みを確立した。GPUにすべての値を取得させるのではなく、このカードはGDDR6-AiMデバイスの近くで対応する処理を実行する。トラフィックを減らすことで、GPUはその強みにより適した処理に集中できる。
SK hynixは2024年にプロトタイプを更新した。新しいカードは32 GBを搭載し、前バージョンの2倍の容量となった。同社はMetaのLlama 3 70Bモデルでこれを実演し、マルチバッチ推論に焦点を当てた。
マルチバッチ処理は、複数のリクエストをまとめて実行する。利用率を改善できる一方、メモリとスケジューリングへの負荷も高める。SK hynixはこの環境において、AiMXをアテンションアクセラレータとして提示した。
アテンションは、LLMが現在のトークンを関連する先行トークンに結び付けることを可能にする。モデルの挙動に不可欠な一方で、大量の保存済み状態を移動・処理する必要がある。このため、アテンションの一部はニアメモリー・アクセラレーションの有望な対象となる。
同社はまた、2024年の設計により、同一消費電力でモバイルDRAMの3倍のモバイルLLM速度を実現できると主張した。ただしこれも、広範な独立ベンチマークではなく、同社による比較報告である。32 GB AiMX demonstrationでは、大衆市場向けの提供開始は発表されなかった。
2026年のカンファレンスで、Lim氏はPIMとスタティックRAM（SRAM）を比較した。SRAMは高速だが、チップ面積を大きく消費し、通常はDRAMより容量が小さい。
発表に関する韓国の報道によると、Lim氏は、PIMが同じ面積でSRAMのおよそ300倍の容量を提供できると述べた。高い内部帯域幅も維持できるという。conference remarksでは、PIMはSRAMの容量およびコスト上の制約を回避する手段として位置付けられた。
この比較は、現実的なアーキテクチャ上のトレードオフを示している。高速なローカルメモリーはレイテンシーの最小化に役立つが、大規模なSRAMアレイは高価で、面積効率も低い。DRAMははるかに高密度であるものの、通常のDRAMには同等の直接演算能力がない。
SK hynixは、メモリーダイとコンピューティングダイを分離し、ハイブリッドボンディングで垂直接続することを提案している。ハイブリッドボンディングは、従来のはんだバンプを使わず、研磨された表面と銅接続を接合する。この方式により、個別に最適化されたダイ間の接続を高密度化できる。
この分離が重要なのは、大規模なロジックをDRAMダイに直接組み込むと、メモリー容量が減少し、製造コストが上昇する可能性があるためだ。ロジックダイには演算に適したプロセスを用い、メモリーダイはDRAMに特化した設計を維持できる。
ただし、ハイブリッドボンディングには独自の生産上の要求もある。アライメント、表面品質、熱、歩留まり、テストはいずれもコストに影響する。技術的に洗練されたスタックが、自動的に経済的な量産製品になるわけではない。
したがって、その仕組みは「計算するメモリー」という表現が示すよりも精密である。AiMは対応する演算をデータの近傍で処理する。AiMXはそれらのデバイスを組み合わせてアクセラレーターを構成する。ホストプロセッサ、GPU、メモリー階層、コントローラー、ソフトウェアスタックは、依然としてワークロード全体を協調制御する。
この制約こそが、潜在的な利点の源でもある。価値を生むために、専用ハードウェアがすべてのコンポーネントを置き換える必要はない。重要なワークロードから、反復的なデータ移動を十分に取り除ければよい。
真の競争相手は、万能型アーキテクチャだ
SK hynixは、より高速なGPU-HBMの組み合わせがAI推論のすべての段階を担うべきだという考え方に挑戦している。
これは、経路と経路の競争である。一方は、より高速なアクセラレーター、より大容量のHBMスタック、追加システムによって支配的なアーキテクチャを拡張する。もう一方は、GPU、PIM、ストレージ、ソフトウェア管理型メモリー階層に作業を分散する。
前者は成熟したソフトウェア基盤の恩恵を受ける。開発者はすでに確立されたGPUフレームワーク、最適化済みカーネル、監視システム、デプロイツールを利用している。モデル提供者も、こうしたプラットフォームを前提とした構成を公開することが多い。
後者は、ハードウェアとワークロードのより良い適合を約束する。メモリー制約の強い演算はデータ近傍で実行し、GPUは引き続き計算集約的なタスクを担う。低速だが大容量のメモリー階層には、即時アクセスを必要としない情報を保持できる。
この分担は、専門化された生産ラインに似ている。各コンポーネントは、その特性に合った仕事を担う。結果としてシステムはより効率的になり得るが、調整は難しくなる。
SK hynixの戦略は、GPUベンダーに間接的な圧力をかける。PIMカードがデコーディングの有意な割合を担えば、顧客は同じサービス量に必要なGPUサイクルを減らせるかもしれない。一方で、PIMシステムが成功すれば、AIサービス全体の経済性が向上し、GPU需要が増える可能性もある。
このため、PIMをGPUの直接的な代替品と表現することは、同社の現在の説明を歪める。SK hynixはAiMXをサーバー内で示し、ヘテロジニアスなインフラについて議論した。その標的は非効率なデータ移動であり、プロセッサの排除ではない。
主要メモリーサプライヤーの中で、最も明確な競合上の参照例はSamsungである。同社はHBM-PIMを開発し、AMDのアクセラレーターハードウェアと組み合わせてこの技術を実証してきた。SamsungはオンデバイスAI向けのプロセッシング・ニア・メモリーおよびPIM設計も探っている。
Samsungのアプローチは、メモリー近傍での演算を業界が単なるSK hynixの実験以上のものと見ていることを裏付ける。同社のHBM-PIM architectureは、GDDR6ベースのAiMカードを用いるのではなく、選択した演算をHBMにオフロードする。
メモリー形式の違いだけで、単純な勝者が決まるわけではない。HBMはアクセラレーター近傍で非常に高い帯域幅を提供する一方、GDDR6は容量、パッケージング、コストの面で異なる特性を提供できる。顧客は、システム全体と対応ワークロードを評価することになる。
PIM開発者は、馴染み深い標準化の問題にも直面する。大規模な書き換えをせずにソフトウェアから利用できるなら、ハードウェアは導入しやすくなる。特定ベンダーのカスタムライブラリーや限定的な演算子セットに縛られた設計は、専門製品のままにとどまるリスクがある。
コンパイラーは、オフロードに適した演算を特定しなければならない。ランタイムは、それらの演算をスケジューリングし、データ配置を管理する必要がある。監視ツールは、複数の処理場所にまたがる障害や性能変化を説明できなければならない。
モデルは、サーバーの更新サイクルよりも速く進化する。あるアテンションパターンに最適化されたアクセラレーターも、新しいアーキテクチャがメモリーアクセスを変えれば、重要性を失う可能性がある。したがって、生のシリコン性能と並んで、再構成可能性とソフトウェア更新が重要になる。
ここで、SK hynixのより広範なポートフォリオが戦略的に意味を持つ。SALT-KVは、メモリーとストレージをまたぐ配置判断を可能にしようとしている。HBFは別の容量階層を提供する。PIMは選択した演算を担う。
これらの技術を合わせると、SK hynixがデータパス全体に影響を及ぼしたいと考えていることがうかがえる。この役割は、より高帯域幅のメモリーデバイスを製造するだけにとどまらない。システムソフトウェア、顧客統合、継続的な開発者支援が必要となる。
こうしたハードウェアを評価するエンジニアリングチームは、ベンチマーク条件、モデルバージョン、消費電力測定、デプロイ結果を保持する必要がある。検索可能なengineering knowledge baseは、それらの前提を後の購買判断に結び付けておくのに役立つ。
したがって競争上の問いは、どの企業が最も高速なメモリーを作るかということより広い。勝者は、既存のAI運用の中で専用メモリーを理解しやすく、使いやすいものにしなければならない。導入への道筋を欠くコンポーネント上の優位性では、インフラ設計は変わらない。
PIMの実証がまだ証明していないこと
SK hynixは技術的な継続性を示したが、大規模な商用採用はまだ示していない。
AiMの取り組みは、現在までに複数の公開マイルストーンにまたがっている。SK hynixは2022年にメモリーサンプルを発表し、2023年にカードを実証、2024年に展示した容量を倍増させ、2026年にはサーバーを披露した。
この進展には意味がある。単発のカンファレンス発表ではなく、継続的な投資を示しているからだ。しかし、公開デモでは購入者にとって重要ないくつかの問いには答えられない。
第一に、SK hynixは2026年のPIM構成について、一般的な量産時期を開示していない。最新の発表では、ハイパースケール顧客、契約済みの導入、確認済みの出荷量は特定されなかった。
第二に、同社の最も目を引く性能主張は、選択された比較に基づく。2022年の数値は特定の計算を対象とした。2023年のAiMXの結果は、ASICベースの制御ハブという条件に依存していた。2024年の実証は、特定モデルと処理構成に焦点を当てた。
公正な評価には、対応するハードウェア、同一のモデル品質、同等の精度、システム全体の消費電力が必要である。ホストプロセッサ、アイドル状態のコンポーネント、メモリーリフレッシュ、ネットワーク、ソフトウェアオーバーヘッドも含めるべきだ。
レイテンシーは、複数のバッチサイズとコンテキスト長にわたって測定する必要がある。スループットには、リクエストのスケジューリングとカード外部のデータ転送を含めるべきだ。信頼性試験は、制御されたデモだけでなく、持続的な運用を対象としなければならない。
第三に、PIMはAIワークロードのすべての部分を同じように高速化するわけではない。演算負荷の高い処理は、GPUや専用テンソルプロセッサに適している場合がある。タスクの分割が不適切なら、デバイス間の同期によって利得が失われる可能性もある。
近年の学術研究も、この慎重さを裏付ける。システムレベルの効率は、チャネル構成、静的消費電力、モデル構造、ワークロードマッピングに左右される。好ましいカーネル結果も、推論パイプライン全体を測定すると縮小することがある。
第四に、製造経済性は依然として不確実だ。ロジックと高密度インターコネクトを追加すると、設計の複雑性が増す可能性がある。ハイブリッドボンディングでメモリーとロジックを分離すればメモリー密度を守れるが、パッケージング工程と歩留まりに関する考慮事項が追加される。
チップレットに似た構造では、組み立て前後のテストも必要になる。一層の欠陥が、組み合わせたパッケージ全体の価値に影響する可能性がある。ベンダーは、性能向上がそうした生産コストを上回ることを示さなければならない。
第五に、ソフトウェアのポータビリティが顧客の導入意欲を左右する。企業は、印象的なベンチマーク一つのためにアクセラレーターを導入するわけではない。進化するモデル、一般的なフレームワーク、セキュリティ更新、可観測性、予測可能な保守への対応を必要としている。
したがって、SK hynixの主張は、市場での検証を待つ技術的な事例として読むべきである。同社は、PIMがメモリーサンプルから対話型サーバーへ進展し得ることを示した。しかし、その結果得られるプラットフォームが広範な置き換えサイクルに対応できる準備を整えたことは示していない。
この区別は、発表の重要性を損なうものではない。むしろ、次に求められる証拠の基準を定義する。より大きな数字を示す別のプロトタイプよりも、実際のサービス条件下で稼働する、名前の明らかな導入事例のほうが重要になる。
AiMXがインフラになりつつあるかを示す3つのシグナル
次の段階は、顧客による証拠、再現可能なシステムベンチマーク、使いやすいソフトウェアエコシステムにかかっている。
第一のシグナルは、特定のシステムまたは顧客に結び付いた本番導入のコミットメントである。出荷時期、サーバー認定、クラウド導入が示されれば、AiMXは繰り返されるカンファレンス実証を超える。数量情報があれば、この証拠はさらに強まる。
SK hynixがそのようなコミットメントを発表すれば、同社のメモリー中心アーキテクチャは商用プラットフォームにより近づいて見えるだろう。導入の詳細を欠く別の展示では、採用に関する疑問は解消されない。
第二のシグナルは、独立して再現可能なベンチマークである。AiMXを、定義されたGPU-HBMシステムと複数のモデル、コンテキスト長、バッチサイズで比較すべきだ。結果には、サーバー全体の消費電力とエンドツーエンドのレイテンシーを含めなければならない。
透明性のある試験は、SK hynixのプロセッシング・イン・メモリーが実際の推論コストを削減するという主張を強化する。構成要素だけを対象とした限定的な測定や、条件の揃わないシステム比較は、見出しの数値が大きく見えても、比較の説得力を弱める。
第三のシグナルは、より広範なソフトウェアサポートである。購入者は、一般的な推論フレームワークとの統合、文書化された演算子カバレッジ、プロファイリングツール、サーバーパートナーからの支援に注目すべきだ。開発者への公開アクセスは、このプラットフォームがどの程度のモデル適応を必要とするかを明らかにする。
強力なソフトウェア統合が実現すれば、SK hynixが導入を単なる半導体の問題以上のものとして捉えていることを示すだろう。クローズドなデモスタックでは、AiMXはカスタムエンジニアリングに依存し続けることになる。
こうしたシグナルは、技術バイヤーにとって実践的な評価フレームワークにもなる。対象のモデルが品質を変えずに実行できるかを確認する。1枚のカードではなく、サーバー全体を測定する。どの処理がPIMで実行され、どれがGPUに残るのかを記録する。
次に、トラフィック、コンテキスト、バッチサイズの変化に応じて性能がどう変わるかをテストする。AIサービスが、慎重に選ばれた単一のワークロードの範囲に収まり続けることはほとんどない。モデルやユーザー行動が変化しても、インフラは有用であり続けなければならない。
SK hynixは、データ移動がより大きな注目に値するという点で、説得力のある主張を示した。同社の2026年の発表は、PIMが最初のチップサンプルの段階を超えて進化していることも示している。未解決の問題は、顧客が新たなアクセラレータとそのソフトウェア要件を受け入れるかどうかだ。
最初の本番導入、最初の再現可能なシステムベンチマーク、そして最初の広く利用可能な開発スタックに注目したい。これらの節目が、AiMXがAIインフラの一部となるのか、それとも印象的なデモにとどまるのかを決定する。
