VAST DataのAMD Blocks戦略、NvidiaのAIインフラ支配に挑む

VAST DataはAMDとの提携をインフラの6つのレイヤーに拡大し、amd blocksをめぐる取り組みを、Nvidia中心のAIシステムへの直接的な対抗策へと発展させた。

この提携では、VASTのAI Operating Systemを第6世代AMD EPYCプロセッサ、Instinct GPU、Heliosラック、Pensandoネットワーキング、ROCmソフトウェア、共有推論ストレージと統合する。VASTは次世代のCBoxおよびEBoxハードウェアにもEPYCチップを採用する予定だ。

この規模は、単なる互換性発表以上の意味を持つ。VASTはすでにNvidiaや、Nvidiaアクセラレータを導入するクラウドプロバイダーと密接な関係を築いている。現在は、保存データから生成トークンまでをカバーするAMD向けの経路を構築している。

この変化は、AI投資におけるより大きな転換を反映している。トレーニングは依然として重要だが、企業は継続的な推論、推論エージェント、検索拡張型アプリケーション向けのインフラをますます必要としている。こうしたワークロードでは、モデル、プロンプト、再利用可能なコンテキストが、ストレージ、メモリ、CPU、GPUの間を繰り返し移動する。

AMDはコンピュートコンポーネントを提供し、VASTはそれらを取り巻くデータを統合管理しようとしている。この設計が本番負荷で機能すれば、購入者はNvidiaの統合インフラモデルに代わる、より包括的な選択肢を得られる。

中心的な問いは、AMDが高速なアクセラレータを出荷できるかどうかではない。AMDとそのパートナーが、AIシステム全体を一つの製品のように動作させられるかどうかだ。

AMD Blocksの提携はGPUサポートの域を超える

VASTはAMDを、営業サイクルの終盤で追加されるアクセラレータの選択肢ではなく、インフラの基盤として位置付けている。

拡大された協業は、7月22日と23日にサンフランシスコで開催されたAMDのAdvancing AI 2026イベントに合わせて明らかにされた。両社は、トレーニング、推論、強化学習、エージェント型AIのための共通プラットフォームを説明した。

最初の取り組みはVAST独自のアプライアンスに関するものだ。これまでVeniceというコードネームで知られていた第6世代EPYCプロセッサが、第6世代のVAST CBoxシステムと第3世代のEBoxシステムを支える。

CBoxシステムは、VASTアーキテクチャ内でデータサービスとメタデータ処理を実行する。EBoxシステムは、基盤となるストレージ容量とデータパスを提供する。両製品ラインにEPYCプロセッサを搭載することで、顧客が他のアクセラレータを利用する場合でも、AMDはVASTプラットフォーム内部で役割を持つことになる。

新しいEPYC世代はPCI Express 6.0をサポートする。このインターコネクトはPCI Express 5.0の理論帯域幅の2倍を提供し、プロセッサ、ストレージ、ネットワークデバイス、接続されたアクセラレータ間のデータ移動を改善できる可能性がある。

VASTによれば、追加の帯域幅はファイル、オブジェクト、データベース、ウェアハウス、イベントストリーミングの各サービスに役立つ見込みだ。ただし、アプリケーション性能は引き続き、ソフトウェアの挙動、キュー深度、ネットワーク設計、ワークロードの同時実行性に左右される。

この協業には、DriveNetsと共同で開発したAI Infrastructure Reference Architectureも含まれる。この設計は、VAST AI OS、AMD Heliosラックスケールシステム、DriveNets AI Fabricネットワーキングを組み合わせる。

リファレンスアーキテクチャとは、コンポーネントの選定、サイジング指針、検証済みの接続方法を文書化した導入パターンである。設計作業を減らせる一方、すべての顧客ワークロードが同じ性能目標を達成する証明ではない。

計画されている指針は、モデルのトレーニング、推論、強化学習、キー・バリューキャッシュのワークロードに及ぶ。一般にKV cacheと略されるキー・バリューキャッシュは、言語モデルが後続トークンの生成時に再利用できるアテンションデータを保存する。

TensorMeshとEmbeddedLLMは、追加の推論関連作業に参加している。両社の関与により、このプロジェクトはプロセッサ認定にとどまらず、本番のエージェントアプリケーション向けソフトウェア導入へと広がる。

原報道では、AMD関連サービスを利用する7つのAIクラウドプロバイダーとして、5C、Core42、Crusoe、EmbeddedLLM、Phanos.AI、TensorWave、Vultrも挙げられている。

この顧客リストは既存の導入活動を示すものだが、各プロバイダーがどれほどの容量を運用しているかは明らかにしていない。また、顧客がVAST、AMD、DriveNetsによる完全な設計を利用しているかどうかも示していない。

それでも、取り組みの範囲は単なる認定バッジを超える。AMDはVASTの製品ロードマップ、リファレンスアーキテクチャ、推論ソフトウェア、顧客導入のストーリーに加わる。

したがって、この提携は測定可能な検証の場を生み出す。購入者は、オープン性に関する一般論ではなく、リリース済みシステム、文書化された設計、公開ベンチマーク、本番導入事例を通じて評価できる。

推論は保存済みコンテキストをコンピュートの問題へ変える

この提携が今進められているのは、推論によってデータ移動がすべての応答におけるクリティカルパスの一部になるためだ。

従来のモデルトレーニングでは、膨大な計算処理がスケジュールされた実行に集中する。本番推論は異なる。多数の同時リクエストを処理し、ユーザーコンテキストを維持し、外部情報を検索し、しばしば長い推論シーケンスを生成する。

このパターンでは、高価なアクセラレータが待機状態になり得る。GPUに十分な演算能力があっても、システムがモデルの重みを読み込んだり、文書を検索したり、以前に生成したコンテキストを再構築したりする間に停止する可能性がある。

VASTは、推論は本質的にデータの問題だと主張する。この見方には一定の妥当性があるものの、多くの導入環境ではコンピュート、ネットワーキング、ソフトウェアスケジューリングも同様に重要である。

長いプロンプトと複数ターンの会話は、各アクティブリクエストに関連するKV cacheを拡大させる。すべてのキャッシュエントリをGPUメモリに保持すれば低レイテンシを実現できるが、アクセラレータメモリは限られており高価だ。

キャッシュを削除すれば容量は節約できるが、モデルは過去のアテンション状態を再計算しなければならない。選択したエントリをホストメモリまたは共有ストレージに移すことは別の選択肢となるが、システムが十分に高速に取得できることが前提となる。

VASTとAMDは、この第3の経路をテストしている。両社の統合は、Instinct GPU、AMD Infinity Context、ROCmソフトウェア、VASTストレージを組み合わせ、再利用可能なKV cacheエントリをオフロードする。

データパスには、AMDのPensando Pollara 400ネットワークインターフェースカードを用いる。これは、TCPまたはリモートダイレクトメモリアクセスを使い、NFS経由でGPUメモリとVASTのNVMeストレージの間をデータ移動させる。

RDMAとも呼ばれるリモートダイレクトメモリアクセスは、CPUの関与を限定しながら、あるシステムが別のシステムのメモリにアクセスできるようにする。適切なネットワーク環境では、繰り返し行われる転送時のレイテンシとプロセッサのオーバーヘッドを削減できる。

VASTは、自動化されたキャッシュライフサイクル制御も計画している。管理者は、個人情報、機密情報、または規制対象の情報を含む保存済みコンテキストを期限切れにして削除するポリシーを適用できるようになる可能性がある。

この機能は、キャッシュオフロードの見えにくい影響に対応する。短命なモデル状態が共有ストレージへ移ると、それは一時的なGPUメモリではなく、管理対象のデータになる。

企業は、どのユーザーまたはアプリケーションがキャッシュを作成したのか、どれだけ長く利用可能なのか、他のテナントがアクセスできるのかを把握する必要がある。また、レプリカやリカバリーシステム全体で機能する削除制御も必要だ。

共有コンテキストは、いくつかの状況で利用効率を改善できる。顧客サポートエージェントは、長大な製品マニュアルを数千件の会話で再利用できるかもしれない。コーディングアシスタントは、関連タスク全体でリポジトリのコンテキストを保持できる可能性がある。

リサーチシステムは、複数のエージェントが同じ証拠を調査する間、処理済み文書を保持できる。推論サービスは、非アクティブな会話をアクセラレータメモリから移動し、ユーザーが戻った際に復元できる。

こうしたシナリオは、ストレージベンダーが推論ソフトウェアに近づいている理由を説明する。モデルチェックポイントがGPUクラスターに到達した時点で、その役割が終わるわけではない。

Disaggregated Shared Everythingと呼ばれるVASTのアーキテクチャは、コンピュートとストレージのリソースを分離しながら、共通のデータ空間を提示する。同社によれば、このモデルは複数のプロトコル、分離されたテナント、グローバルなネームスペースをサポートする。

この設計は、共通インフラから多数の顧客にサービスを提供するAIクラウドに適している。その一方で、ストレージ、ネットワーク、ランタイム、アクセラレータの各レイヤーにまたがる依存関係を増やすことにもなる。

VASTはInstinct MI355X GPUを用いた初期テストを報告した。同社によれば、リモートキャッシュのオフロードにより、最初のトークン生成までの時間は9倍改善し、トークン処理量は9.7倍に向上したという。

最初のトークン生成までの時間は、モデルが応答を開始するまでの遅延を測る。トークン処理量は、特に同時リクエスト下で、システムが一定時間内に生成する出力量を測る。

これらの数値は、ローカルホストメモリへのキャッシュオフロードと、RDMAを伴うNFS経由のリモートVASTパーティションを比較した特定の条件で得られた。Nvidiaハードウェアとの比較や、完全な本番環境での結果ではない。

この違いは重要だ。これらの数値は、テスト条件下におけるストレージ機構を裏付けるものであり、すべてのVASTおよびAMD導入で9倍の改善が得られることを示すものではない。

それでも、この実験は提携を支えるメカニズムを明らかにしている。両社は、ストレージがGPUそのものを本質的に高速化すると主張しているのではない。反復作業を減らし、アクセラレータを稼働させ続けようとしている。

AMDはNvidiaの統合スタックに対抗するためパートナーを必要とする

主な競争は、オープンでパートナー主導のAMDシステムと、緊密に連携したNvidiaのインフラスタックの間で行われる。

Nvidiaの優位性はアクセラレータ性能だけにとどまらない。CUDA、ネットワーキング、システム、ライブラリ、導入ツール、そして蓄積された運用ノウハウはいずれも、購入者の導入障壁を下げる。

この導入基盤が購買判断を形作る。Nvidiaを選ぶ企業は、多くの場合、経験豊富なエンジニア、検証済みフレームワーク、マネージドクラウド容量、既存の導入テンプレートを見つけられる。

AMDは、周辺プラットフォームの構築を進めることで、同じ問題に対処してきた。その戦略は、EPYC CPU、Instinct GPU、Pensandoネットワーキング、Heliosラック、ROCmソフトウェアを組み合わせるものだ。

VASTはこの構成における注目すべき空白を埋める。アクセラレータへのデータ供給、モデル資産の保持、推論コンテキストの管理、モデルを中心としたアプリケーションの支援が可能なデータサービスを提供する。

競争上の論理は明確だ。パートナーが各レイヤーを一貫したシステムに統合できるなら、AMDがすべてのレイヤーを所有する必要はない。

このアプローチは購入者の選択肢を維持できる。AIクラウドは、現在はVASTのデータサービスとAMDアクセラレータを組み合わせつつ、CUDAに依存するワークロード向けに一部のNvidia容量を保持できる。

VASTも、単一のGPUサプライヤーへの依存を避けることで利益を得る。同社の顧客は、可用性、ワークロード適合性、ソフトウェア要件が異なるため、複数のアクセラレータタイプへのアクセスをますます求めている。

同社はNvidiaを手放すわけではない。むしろAMDとの連携を深めることで、異種混在のAIフリート全体に共通するデータインフラとしてVASTを位置付けている。

これにより、amd blocks戦略はモジュール型競争の一形態となる。各ブロックには明確な役割があるが、完全なシステムはベンダー間の標準とエンジニアリングに依存する。

AMDは他の領域でも同じパターンを繰り返している。Nutanixとの提携では、EPYC、Instinct、ROCm、クラウドオーケストレーション、エンタープライズのライフサイクル管理を組み合わせている。

AMDはこの契約で株式投資とエンジニアリング資金の提供を約束した。商業的な構造はVASTの発表とは異なるが、いずれも垂直統合型AIプラットフォームの代替を求める企業を対象としている。

AMDはRed Hat、Oracle、Microsoft、大手モデル開発企業、推論ソフトウェアプロジェクトとも協業している。同社のソフトウェアエコシステムには、アプリケーションレベルの互換性ギャップを縮小できるフレームワークやモデルプロバイダーが含まれる。

VASTは異なる層で貢献する。保存された情報をアクティブなモデルコンテキストへ移す経路に注目しており、非効率なデータ移動は高速なプロセッサーによる利点を打ち消しかねない。

AMDのHelios設計は、さらに重要性を高めている。HeliosはCPU、GPU、ネットワーキング、ソフトウェアをラックスケールのシステムとしてまとめ、顧客にアクセラレーターサーバーを個別に組み立てさせる方式ではない。

独立系アナリストのSteve McDowellは、2026年版Helios構成を、液冷ラック1基に72基のMI455X GPUと18基のVenice CPUを搭載するものと説明した。彼のHelios分析は、ハードウェアの進歩をNvidiaの規模に匹敵する導入済みキャパシティへと転換することがAMDの課題だと位置づけている。

VASTとDriveNetsのリファレンスアーキテクチャは、そのラックをデータ基盤とスケールアウト・ネットワーキングで取り囲む。これらを組み合わせることで、AMDはチップのカタログではなく、購入可能なシステムに近づく。

ただし、モジュール性には調整コストが伴う。顧客には、ファームウェア、ドライバー、ネットワーク設定、ストレージポリシー、ランタイムのバージョン、可観測性、サポートエスカレーションの整合が求められる。

Nvidiaは、こうした問題のより多くを単一の企業組織内で解決できる。AMDベースの設計では、責任が複数の企業に分散する。

この違いが中心的なトレードオフである。パートナーによるスタックは柔軟性と交渉力をもたらす一方、運用体験は緊密に統合されたプラットフォームに近い一貫性を備えなければならない。

VASTは、文書化されたリファレンス設計と検証済み構成によって、その負担を軽減できる。ただし、独立したサプライヤー間での共同サポートが必要になる点をなくすことはできない。

市場からの圧力はまず、Nvidia中心のAIクラウドプロバイダーと、次の設備投資サイクルを計画する企業にかかる。単一ベンダーへの依存をさらに拡大する前に、評価すべきアーキテクチャがもう一つ増えた。

同時に、AMDにも圧力がかかる。公表された提携は、利用可能なシステム、再現可能なベンチマーク、そしてNvidiaの環境外で価値の高いワークロードを稼働させる意思を持つ顧客への期待を高める。

9.7倍という結果には、本番環境での現実性チェックが必要

VASTのキャッシュベンチマークは有望だが、限定的な比較基準だけでは、この統合アーキテクチャの事業性を判断できない。

報告された9.7倍のスループット向上は、AMDベースのテスト内における2つのキャッシュ配置方式を比較したものだ。完全なAMDシステムとNvidiaシステムを比較したものではなく、業界標準ベンチマークも開示していない。

多くの詳細が結果を左右し得る。キャッシュサイズ、プロンプト長、リクエストの同時実行数、モデルアーキテクチャ、利用可能なホストメモリ、ストレージまでの距離、ネットワーク輻輳、キャッシュヒット率はいずれも性能に影響する。

特に重要なのは比較基準の選び方だ。ローカルホストメモリはリモートストレージより高速に見えるが、高い同時実行性の下では、容量逼迫やアクセスパターンによってこの期待が覆る可能性がある。

リモートのVASTパーティションは、サーバー間で容量をプールし、再利用可能なコンテキストをより多く保持できる。ローカルメモリを基準とする構成で有用なエントリーが頻繁に追い出されるなら、リモートストレージは大幅な再計算を回避できる可能性がある。

これは有効なシステム上の利点だ。それでも、購入者はそれが正確にどのような条件で現れるのかを理解する必要がある。

VASTも、相対的な高速化は基盤となるハードウェアに依存することを認めている。コンピュート能力やストレージレイテンシーが異なるシステムでは、異なる比率が生じ得る。

本番ワークロードでは、複数のリクエスト種別が混在する。短い対話では永続キャッシュによる利点は小さい場合がある。一方で、大規模なコンテキストを含みながら、状態を保持するほど頻繁には戻ってこないものもある。

キャッシュ再利用は、もう一つの不確実性を生む。オフロードが価値を持つのは、後続のリクエストが保存済みの情報を、再計算より低コストで再利用できる場合に限られる。

そのため管理者には、登録と退避のポリシーが必要になる。どのエントリーを保存すべきか、どれをアクセラレーターメモリに残すべきか、どれを消去すべきかをシステムが判断しなければならない。

セキュリティ管理も同等の精査を要する。保存されたKVキャッシュには、プロンプト、取得したドキュメント、過去のモデル出力に含まれる機密情報が符号化され得る。

自動削除ポリシーは役立つが、購入者はテナント分離、暗号化、アクセスログ、レプリケーション、バックアップ時の挙動、検証可能な消去を裏付ける証拠を求めることになる。

推論品質も論点となる。古いキャッシュや誤って関連付けられたキャッシュは、無効な出力、ユーザー間のデータ混入、あるいは原因特定が難しいデバッグ障害を招く可能性がある。

この協業発表ではライフサイクル管理に触れているが、完全な脅威モデルは公開していない。また、サポート対象のすべての推論ランタイムにわたり、ポリシー適用がどのように機能するのかも説明していない。

運用上の責任範囲も未解決のままだ。レイテンシー問題は、ROCm、モデルサーバー、Pollaraネットワーキング、DriveNetsファブリック、NFS設定、VASTソフトウェア、あるいはアプリケーション自体に起因する可能性がある。

リファレンスアーキテクチャは、サポート対象のバージョンと診断手順を定義できる。実際のインシデント時にそれらの手順が機能するかどうかは、顧客事例が明らかにするだろう。

同じ慎重さは、AMDのより広範な性能に関する主張にも当てはまる。社内テストは評価の指針になり得るが、購入者は自社のモデル、プロンプト、同時実行性、サービスレベル目標で結果を再現すべきだ。

企業は、アクセラレーターの仕様だけでなく、システム全体の挙動を比較するべきである。重要な指標には、ラック当たりの完了リクエスト数、初回トークンのレイテンシー、出力トークンのレイテンシー、消費エネルギー、キャッシュヒット率、障害復旧、エンジニアリング工数が含まれる。

拡大された協業は、効率性と性能の向上を説明している。しかし、顧客向け価格、導入期間、監査済みの本番環境での削減効果は開示していない。

この欠落は、初期段階のアーキテクチャ発表としては通常のことだ。同時に、商業的な結論はまだ出ていないことも意味する。

amd blocksのアプローチが信頼を得るのは、複数の顧客が予測可能な導入・運用結果を報告したときだ。ベンダーイベントでの大規模なデモンストレーションは有用だが、信頼を生むのは再現性である。

VASTとAMDは、変化し続ける目標にも向き合っている。Nvidiaはネットワーキング、推論ソフトウェア、ストレージ統合、ラックスケールシステムを継続的に改善している。

他のストレージ企業も、GPUにデータを供給する同じ機会を追求している。Weka、DDN、Dell、HPE、Pure Storage、クラウドネイティブなデータプラットフォームはいずれも、AIインフラでより大きな役割を担おうとしている。

したがって、顧客の選択肢は二つにとどまらない。統合されたNvidiaスタックを使うことも、AMDベースのシステムを組み立てることも、独立したデータインフラを備えた混成クラスターを運用することもできる。

最適な道筋はワークロードごとに異なる。CUDA固有のソフトウェアに依存する企業は、移行作業を抑えるためにハードウェアの選択肢が少ないことを受け入れるかもしれない。

高い同時実行性でオープンモデルを提供するAIクラウドは、アクセラレーターの多様性と共有キャッシュ容量をより重視する可能性がある。大企業は、ピーク時のベンチマーク比率よりも、サポート責任やコンプライアンス管理を優先するかもしれない。

こうした違いにより、この発表は単純なAMD対Nvidiaのスコアカードにはならない。これは、ワークロード固有の証拠を通じて価値を示さなければならないアーキテクチャ上の選択肢である。

戦略の成否を示す3つのシグナル

次の段階は、リファレンスシステムの出荷、再現可能な結果の公開、そして名称が挙げられた提携先を超える導入実績の証明にかかっている。

最初のシグナルは、第6世代EPYCプロセッサーを採用したVASTの次世代CBoxおよびEBoxの提供状況だ。システムの出荷は、ロードマップ上のコミットメントを、顧客が評価できる実機へと変える。

購入者は、サポートされる構成、一般提供開始日、アップグレードパス、導入ガイダンスを注視すべきだ。幅広い提供は、AMDがVASTの標準プラットフォームになりつつあるという主張を強める。

遅延や限定的な構成は、その結論を弱める。それは、この提携が製品運用よりもマーケティング面で先行していることを示唆するだろう。

二つ目のシグナルは、KVキャッシュテストの拡大だ。有用な開示には、モデル、コンテキスト長、同時実行レベル、キャッシュヒット率、ネットワークトポロジー、レイテンシー分布が含まれる。

最も強い証拠となるのは、顧客が実施したテスト、または再現可能なベンチマーク手順だ。複数のモデルと推論エンジンにわたる結果は、この仕組みが一つの管理されたワークロードを超えて適用できるかを示す。

改善が繰り返し確認されれば、共有ストレージをアクティブな推論インフラとして扱う根拠が強まる。改善が小さい、または一貫しない場合は、この技術が適用できるユースケースを狭めることになる。

三つ目のシグナルは、共同リファレンスアーキテクチャの本番導入だ。名前が公表された顧客はすでにAMDのキャパシティへの関心を示しているが、完全な設計の導入の方が重要である。

Heliosラック、DriveNetsネットワーキング、VAST AI OS、ROCmベースの推論を、一つのサポート対象環境で接続する顧客に注目したい。その運用報告には、稼働率、信頼性、展開にかかる時間が含まれるべきだ。

顧客導入の拡大は、Nvidiaの統合上の優位性に対するAMDのパートナー主導型の回答を裏付ける。限定的なパイロットにとどまれば、技術的な選択肢だけではソフトウェアへの慣れやサポートの複雑さを克服できないことが示される。

AMD自身のロードマップも緊急性を加えている。同社は以前、2026年中のHelios提供を目標に掲げ、データセンター戦略でROCmの採用拡大を報告している。

VASTはこの戦略に、より強力なデータレイヤーを与える。同時に、ストレージとコンテキスト管理はユーザーに見えるレイテンシー経路に直接位置するため、厳しい試験にもなる。

開発者が注目すべきなのは、インフラの選択が、どのモデル、ランタイム、最適化ツールを実用的に使い続けられるかを決めるからだ。AMDへの対応が改善されれば、単一のアクセラレータープラットフォーム向けに設計されたソフトウェアへの依存を減らせる可能性がある。

AIクラウド事業者が注目すべきなのは、未使用のGPU時間が利用可能なサービス容量を直接減らすからだ。共有コンテキストが役立つのは、そのストレージおよびネットワークコストが、置き換える再計算のコストを下回る場合に限られる。

企業の購入者が注目すべきなのは、推論データにガバナンス要件があるからだ。キャッシュされたコンテキストを管理されたストレージへ移すことで統制を改善できる一方、セキュリティ境界も広がる。

ナレッジワーカーは、その結果を間接的に体験する。システムが有用なコンテキストを効率よく保持できれば、アシスタントは同じ背景情報を何度も再構築せずに、より長いプロジェクトを扱えるようになる。

この結果は、アプリケーションがソース資料をどのように整理するかにも依存する。適切に維持されたAIナレッジベースは、インフラ最適化を始める前から検索精度を高められる。

したがって、amd blocks戦略は、AMDがNvidiaを置き換えたという宣言ではない。AMDコンピュートを完全な推論システムの一部として導入しやすくするための計画である。

VASTは、この計画にハードウェア、ソフトウェア、ネットワーキング、キャッシュ管理、リファレンス設計を投入している。残る作業は、混在し持続する顧客需要の下での公開検証だ。

今後数か月は、オープン性やAIファクトリーに関する広範な主張を脇に置きたい。出荷されたVASTアプライアンス、再現可能なキャッシュ結果、完全なアーキテクチャを運用する顧客に注目すべきである。

この三つのシグナルが、この提携がAIインフラにおける信頼できる第二の道筋を生み出すのか、それとも互換性のあるコンポーネントの集合をまた一つ増やすだけなのかを示す。