メインコンテンツへスキップ
NVIDIA・GPU・AI半導体
AI
インフラ
技術選定
コスト最適化
アーキテクチャ設計

NVIDIAの強みはCUDA独占だけではない — 競争優位をレイヤーに分解し、競合と将来シナリオを一次資料で読む

NVIDIAの競争優位を、CUDA・ライブラリ・PyTorch・NVLink・ネットワーク・供給網のレイヤーに分けて分析します。AMD ROCm、Google TPU、AWS Trainiumの現在地を公式資料で確認し、SEC提出書類の顧客集中と粗利率、乗り換えの損益分岐、強気・基本・弱気のシナリオを示します。

公開日
読了時間
42分
著者
友田 陽大
シェア
目次

「NVIDIAが強いのはCUDAで独占しているから」という説明は、半分だけ正しい説明です。

CUDAとその周辺のライブラリは、確かにNVIDIAの大きな資産です。けれども、この説明だけでは次の2つの事実を説明できません。1つは、AMD・Google・AWSがそれぞれのソフトウェアを整備し、PyTorchからは「デバイス名を変えるだけ」に近い形で使えるようになってきていること。もう1つは、それでもNVIDIAの売上高と粗利率が高い水準を保っていることです。

結論から言うと、NVIDIAの競争優位は、性質の違う複数の層の重なりです。そのうち、他社が最も追い付きやすいのが、意外にも「CUDAで書かれたコードを動かす」層です。逆に追い付きにくいのは、GPUを数十基単位で1つの計算機のようにつなぐ接続、HBM(GPUのすぐ横に置く、積み重ねた高帯域メモリ)や先端パッケージ(チップとメモリを1つの部品にまとめる実装技術)の供給の先約、ラック単位で設計・出荷・資金調達まで面倒を見る力です。

この記事では、まず数字で現在地を確認し、次に堀(競争優位)をレイヤーに分けて、それぞれを他社が複製するのにどれくらいの費用と時間がかかるかを考えます。最後に、強気・基本・弱気の3つのシナリオを、前提と先行指標つきで示します。先に要点だけ書くと、強気は「システム全体での優位が続く」場合、基本は「首位は保つが、伸びの取り分が減る」場合、弱気は「AI投資の減速と大手クラウドの内製化が重なる」場合です。

この記事の前提について。

  • 財務の数字は、NVIDIAがSECに提出した10-K・10-Qと、同社の決算発表だけから取っています。NVIDIAの会計年度は1月下旬に終わるため、「2026会計年度(FY2026)」は2026年1月25日に終わった1年間です。暦年とは1年ずれています。
  • 本記事は2026年11月17日(日本時間)時点で書いています。NVIDIAは2027会計年度第3四半期の決算を米国時間11月17日に発表する予定で、執筆時点では未発表でした。使っている最新の四半期データは第2四半期(2026年7月26日終了)です。
  • 2026年11月11日のジェンスン・ファン氏のCEO辞任については、ジェンスン・ファンのNVIDIA CEO辞任と企業統治で詳しく扱っています。本記事では、シナリオの不確実性の1つとして触れるにとどめます。
  • 性能の数値は各社が公表している理論ピーク(公称値)です。精度、密かスパースか、チップの数え方が揃っていないため、表の数字どうしを単純に比べることはできません。
  • シナリオと評価は筆者の分析です。投資助言ではありません。

1. 短い答え:「CUDA独占」で説明できること、できないこと

まず、よく聞く説明を整理します。

「CUDA独占」で説明できること。 AIの研究と開発は、長いあいだNVIDIAのGPUとCUDAの上で行われてきました。NVIDIAの10-Kは、CUDAを2006年に導入したこと、CUDAと関連ツールを使う開発者が「750万人以上」いることを書いています(人数は会社の公表値で、数え方は開示されていません)。行列積のcuBLAS、ニューラルネットワーク演算のcuDNN、GPU間通信のNCCLといったライブラリは、何世代ものGPUに合わせて最適化されてきました。既存のコード、ノウハウ、人材がCUDA前提でそろっていることは、乗り換えのコスト(スイッチングコスト)になります。

「CUDA独占」で説明できないこと。

  • PyTorchのAMD向けビルドは、torch.cuda のAPIをそのまま使います。利用者のコードは cuda と書いたまま、AMDのGPUで動きます(4節)。
  • Google TPUとAWS Trainiumは、どちらもPyTorchのデバイスとして動く仕組みを、各社の別パッケージとして公式に提供しています(4節)。
  • それでもNVIDIAの粗利率は、2027会計年度第2四半期に75.0%でした(8節)。ソフトウェアの壁が下がっているのに価格を保てているなら、強みの源泉はソフトウェアの壁だけではないはずです。

NVIDIA自身も、10-Kの「Competition」の節で、主要な競争要因を次のように挙げています。

performance, breadth of product offerings, access to customers and partners and distribution channels, software support, conformity to industry standard APIs, manufacturing capabilities, processor pricing, and total system costs

性能、製品の幅、顧客と販路、ソフトウェアのサポート、業界標準のAPIへの準拠、製造能力、価格、システム全体のコストです。ソフトウェアは8項目のうちの1つにすぎません。この記事は、この8項目をレイヤーとして並べ直し、どこが厚くどこが薄いかを見ていきます。

自社ホストとAPI、どちらが得か判断できていますか?

セルフホストLLMの技術選定 — 量子化方式・GPU予算・商用ライセンス

2. 数字で見る現在地(2027会計年度第2四半期まで)

NVIDIAの事業の大きさと形を、提出書類の数字で確認します。

項目数値期間・出典
売上高962億ドル(前年同期比+106%)2027会計年度第2四半期(2026年7月26日終了)、10-Q
うちデータセンター890億ドル(同+117%)同上
うちHyperscale区分487億ドル同上
うちAI Clouds, Industrial & Enterprise区分403億ドル同上
粗利率(GAAP)75.0%同上
第3四半期の会社見通し売上高1,080億ドル±2%、粗利率74.0%±0.5ポイント2026年8月26日の決算発表
売上高(通期)2,159億ドル2026会計年度(2026年1月25日終了)、10-K
うちデータセンター1,937億ドル(演算1,624億ドル、ネットワーク314億ドル)同上

データセンターが売上高の約92.5%を占めます(890÷962、筆者計算)。NVIDIAの将来は、ほぼデータセンター向けAIインフラの将来と言ってよい状態です。

第3四半期の見通しは、ファン氏が辞任する前の経営陣が8月に出したものです。実績が見通しどおりだったかは、11月17日(米国時間)の発表を待つ必要があります。

なお、2027会計年度第1四半期から、売上高の区分が変わりました。従来の「Compute」「Networking」の内訳は第2四半期の10-Qには載っていません。代わりに「Hyperscale」「AI Clouds, Industrial, & Enterprise(ACIE)」という顧客の種類による区分が使われています。10-Qの本文には「Hyperscale」の定義が書かれていないため、本記事ではこの区分名をそのまま使います。

3. CUDAエコシステムの実体:3つの層に分けて考える

「CUDA」という言葉は、少なくとも3つの違うものを指して使われます。分けておかないと、何が堀なのかを見誤ります。

3.1 プログラミングモデルとしてのCUDA

GPUで動くプログラム(カーネル)を書くための言語拡張、コンパイラ、ランタイムです。C++に近い書き方で、数千のスレッドに同じ処理をさせます。この層は、AMDのHIPがよく似た形を提供しています。AMDの変換ツールHIPIFYは、CUDAのランタイムAPIやカーネル起動の書き方、__global__ などのキーワードを、HIPの書き方に自動で置き換えます。

3.2 ライブラリとしてのCUDA(CUDA-X)

利用者が直接書くことは少ないものの、実際の速度を決めている層です。

  • cuBLAS:NVIDIAのドキュメントは「CUDAランタイムの上に実装したBLAS(基本線形代数ルーチン)」と説明しています。行列積の実装を、行列の形やGPUの世代に合わせて選びます。
  • cuDNN:注意機構(attention)、行列積、畳み込み、複数演算の融合(fusion)といった、学習と推論の演算を最適化したライブラリです。
  • NCCL:GPU間通信のライブラリです。ドキュメントは「トポロジーを意識した(topology-aware)」通信の基本操作を提供すると書き、AllReduceなどの集団通信を、通信と計算を1つのカーネルで処理する形で実装しています。PCIe、NVLink、InfiniBand、IPソケットに対応します。

この層の強さは、関数の数よりも最適化の蓄積にあります。新しいGPUが出るたびに、行列の形ごとの最速の実装や、通信経路の選び方が更新されてきました。他社は同じ名前の関数を用意することはできても、同じ水準の最適化を全ての組み合わせで揃えるには時間がかかります。

3.3 人と習慣としてのCUDA

750万人という開発者数、大学の授業、プロファイラなどのツール、エラーの検索結果、社内に蓄積された「このカーネルはこう書くと速い」という知識です。これは文書化しにくく、移植ツールでは運べません。

3.4 スイッチングコストはどこで生まれるか

AMDは、HIPIFYのドキュメントで限界を率直に書いています。要約すると次のとおりです。

  • HIPIFYは、すべてのCUDAコードをHIPに自動変換できるわけではない。HIPはCUDAの完全な置き換えではない。
  • HIPに相当するものがないCUDAライブラリや、サードパーティのライブラリは変換できない。
  • NVIDIAのGPU向けに性能を最適化したコードは、AMDのGPUで性能を出すために追加の作業が必要になることがある。

つまり、乗り換えのコストは「コードが動くようにする費用」と「同じ速さを出す費用」の2段階で発生します。後者のほうが大きく、しかも事前に見積もりにくいのが特徴です。

4. PyTorchは堀を浅くもし、深くもする

AIの開発者の多くは、CUDAを直接書きません。PyTorchなどのフレームワークを通して、間接的にCUDAを使っています。そのため、フレームワークが他社のハードウェアにどこまで対応しているかが、実質的な乗り換えのしやすさを決めます。

4.1 堀を浅くする方向:主要な競合がPyTorchから使えるデバイスになった

公式ドキュメントで確認できる、2026年11月時点の状況は次のとおりです。

ハードウェアPyTorchからの使い方公式ドキュメントでの位置づけ
AMD GPU(ROCm)torch.device('cuda') のままPyTorchは「意図的に既存の torch.cuda のインターフェースを再利用している」。'rocm' や 'hip' というデバイス名は無効で、'cuda' を使う
Apple Silicon(MPS)torch.device("mps")Metal上でGPU学習を可能にするバックエンド
Google TPU(TorchTPU)torch.device("tpu")Metaと共同開発したPyTorchネイティブのバックエンド。eagerモードが既定で、torch.compile にも対応
AWS Trainium(Neuron)device='neuron'ネイティブなPyTorch(TorchNeuron)で、eagerモード、torch.compile、FSDPやDDPに対応

ただし、TorchTPU(torch_tpu)とNeuronのPyTorch対応(torch-neuronx など)は、PyTorch本体ではなく、GoogleとAWSがそれぞれ配布する別パッケージです。「ネイティブ」は各社の表現で、対応する演算や機能の範囲は各社のドキュメントで確認する必要があります。

AMDの例は象徴的です。CUDAというNVIDIAのAPI名そのものが、移植のための共通の窓口になっています。利用者から見ると、コードの cuda という文字列はNVIDIAの専有物ではなくなりつつあります。

TPUの側では大きな変化がありました。これまでPyTorchをTPUで動かすにはPyTorch/XLAを使う必要がありました。Google Cloudのドキュメントは、PyTorch/XLAが「遅延テンソルによるグラフ記録」を前提とし、コンパイルする範囲を示すコードの追加が必要になりがちだったと説明しています。2026年10月19日、PyTorch/XLAのリポジトリは非推奨(deprecated)と表示され、後継のTorchTPUへの移行を勧めるようになりました。READMEはリポジトリを2026年11月15日にアーカイブすると予告していますが、筆者が11月17日にGitHubのAPIで確認した時点では、まだアーカイブされていませんでした。

推論サーバーやカーネル言語も複数のハードウェアに対応しています。

  • vLLM:公式ドキュメントは、対応ハードウェアとしてNVIDIA CUDA、AMD ROCm、Intel XPU、Apple Silicon(vLLM-Metal経由)などを挙げ、さらに外部のハードウェアプラグインの仕組みを持ちます。AWSはTrainium向けの推奨経路として「vLLM Neuron」プラグインを挙げています。
  • Triton:Pythonでカーネルを書く言語とコンパイラです。READMEは対応ハードウェアとして「NVIDIA GPUs(Compute Capability 8.0以上)」と「AMD GPUs(ROCm 6.2以上)」を挙げています。
  • XLA(OpenXLA):PyTorch・TensorFlow・JAXのモデルを、GPU・CPU・専用アクセラレータ向けに最適化する、オープンソースのコンパイラです。AMD、AWS、Google、Intel、Meta、NVIDIAなどが共同で開発しています。

4.2 堀を深くする方向:既定値と、版の追従

一方で、フレームワークの層にもNVIDIAの優位は残っています。

既定値。 PyTorch 2.15.0のインストール手順のページでは、Linuxで pip3 install torch torchvision と打つと、CUDA 13.2版のビルドが入るように設定されています。ROCm版を入れるには、別の配布先(whl/rocm10.0)を指定する必要があります。何も考えずに始めた人は、CUDAの上から始めることになります。

版の追従。 AMDのROCm 10.1.0の互換性一覧が検証済みとしているPyTorchは2.14.0までで、vLLM 0.29.0とSGLang 0.5.18は「PyTorch 2.13.0が必要」と書かれています。PyTorchの安定版は2.15.0です。PyTorch自身もROCm向けのビルドを配布しているため、これがROCmで使える唯一の組み合わせというわけではありません。ただ、ベンダーが検証した組み合わせが上流より遅れていることは、新しい機能を使うたびに小さな摩擦が生じることを意味します。

同じAPIでも同じ数値とは限らない。 PyTorchのHIPのドキュメントは、TF32(行列積の内部で使う精度を落とした形式)がAMD MI300でもhipBLASLt経由で使えるとしつつ、NVIDIAの実装とはハードウェアレベルで数値の違いがあると注記しています。APIが同じでも、精度の検証は改めて必要です。

4.3 PyTorchが変えたのは「誰が堀を持つか」

PyTorchの層は、NVIDIAの所有物ではありません。この層では、各社が同じ土俵で競っています。その結果、乗り換えのコストは利用者の種類で大きく分かれるようになりました。

利用者のタイプ乗り換えコスト理由
標準的なモデルをPyTorchやvLLMで動かすだけ低〜中デバイスの指定を変えれば動く可能性が高い。ただし性能の確認、精度の検証、運用ツールの入れ替えは必要
独自のCUDAカーネルや、CUDAにしかないライブラリに依存高HIPIFYでも自動変換しきれず、性能の再調整が必要
自社のチップとコンパイラのチームを持つ大手クラウド1台あたりでは最も低い移植の固定費を、巨大な台数で割れる(12節)

最後の行が、NVIDIAにとって最も重要な点です。最大の顧客ほど、乗り換えの費用を回収しやすい立場にいます。

5. GPUを束ねる力:NVLink、InfiniBand、Spectrum-X

大規模なAIの学習と推論では、1基のGPUの速さと同じくらい、多数のGPUをどれだけ速くつなげるかが性能を決めます。GPU間の通信の基本は、ピラー記事の8節で数式とともに扱っています。ここでは競争の観点だけを見ます。

5.1 2つの「つなぐ」

  • スケールアップ:ラックの中の数十基のGPUを、1台の大きな計算機のようにつなぐ。NVIDIAではNVLinkとNVLink Switchが担う。GB200 NVL72は72基のGPUを1つのNVLinkの領域に入れ、合計130 TB/s(各GPUの双方向帯域の合計で、二分割帯域ではない)としています。Vera Rubin NVL72の値は、NVIDIAの資料の間で異なります。データシートとNVLinkの製品ページは216 TB/s、2026年1月の発表資料と開発者ブログは1基あたり3.6 TB/s・ラック全体で260 TB/sです。
  • スケールアウト:ラックとラック、数千〜数十万基をつなぐ。NVIDIAではInfiniBand(Quantum)とEthernet(Spectrum-X)が担う。

5.2 Mellanoxの買収が意味したもの

NVIDIAは2020年4月27日、Mellanox Technologiesの買収を完了しました。取引額は70億ドルです。10-Kは、この買収でネットワークの製品群が加わり、プラットフォームを「データセンター規模」にできるようになったと書いています。

2026会計年度のデータセンター売上高のうち、ネットワークは314億ドルで、比率は約16.2%でした(筆者計算。2025会計年度は約11.3%、2024会計年度は約18.0%)。GPUと一緒にネットワークまで売れていることは、顧客が「部品」ではなく「システム」としてNVIDIAを選んでいることを示す1つの手がかりです。

5.3 オープンな規格による追い上げ

ネットワークの層では、業界標準の規格による対抗が進んでいます。

  • UALink:アクセラレータどうしのスケールアップ接続のオープンな規格です。UALink 200G 1.0仕様は、AIの計算ポッドの中で最大1,024基のアクセラレータを、1レーンあたり200Gでつなぐと説明されています。
  • Ultra Ethernet:AIとHPCのためのEthernetの規格です。仕様1.0は2025年6月11日に公開され、2026年10月12日に1.1が公開されました。

NVIDIAのSpectrum-X自身も、標準のEthernetで、オープンなネットワークOS(SONiC)に対応すると説明しています。スケールアウトの層は、独自技術から標準技術の上での性能競争へ移りつつあると読めます。

注目すべきは、NVIDIAがNVLinkを他社のチップにも開き始めたことです。10-Kによると、NVIDIAは2026会計年度に「NVLink Fusion」を導入し、大手クラウドやカスタムASIC(特定の用途のために設計した専用チップ)の設計者が、自社のCPUや専用チップ(XPU)をNVIDIAのプラットフォームに組み込めるようにしました。製品ページは、AmazonのAnnapurna Labs(AWSのチップ設計部門)が、NVIDIAのメモリ技術NVHBMで最初に協業すると書いています。

これは、カスタムASICが増えることを前提にした手です。顧客が自社チップを使うとしても、そのラック、接続、ネットワーク、電源と冷却の設計はNVIDIAの規格に乗ってもらう。チップの層で譲っても、接続とシステムの層で残る、という戦略として読めます(解釈は筆者のものです)。

6. 競合の現在地:ハードウェアとソフトウェアの両面で

NVIDIAの10-Kは、競合としてAMD、Huawei、Intelのほか、「社内でハードウェアとソフトウェアを設計する大手クラウド企業」としてAlibaba、Alphabet、Amazon、Baidu、Huawei、Microsoftを名指ししています。ここでは、公式資料で確認できたAMD、Google、AWSを見ます。

6.1 公称値の比較(条件が揃っていない点に注意)

製品メモリ容量メモリ帯域FP8の公称ピーク注意点
NVIDIA Blackwell Ultra(GB300のGPU1基)HBM3E 279 GB8 TB/s10 PFLOPS(スパース。密は5)NVIDIAのデータシート
NVIDIA Rubin GPU(1基)HBM4 288 GB(資料間で不一致のため省略)FP8/FP6学習 17.5 PFLOPS(密)HGXページの表
AMD Instinct MI355X(MI350シリーズ)HBM3E 288 GB8 TB/s5 PFLOPS(構造化スパース込みで10.1)AMDの製品ページ
AMD Instinct MI455X(MI400シリーズ)HBM4 432 GB23.3 TB/s20.1 PFLOPS(OCP FP8)AMDの製品ページ。「Launch Date 7/23/2026」はAMDの表記で、出荷開始日とは限らない。Heliosのページには1基19.6 TB/sという記載もあり、資料間で不一致
Google TPU7x(Ironwood、1チップ)HBM 192 GiB(約206 GB)7,380 GBps4,614 TFLOPS密かスパースかの記載なし。1チップに2つのチップレット

この表から言えるのは、メモリ容量や帯域の公称値で、AMDの次世代品(MI455X)がNVIDIAの次世代品(Rubin)と同等以上の数字を掲げ、現行世代どうし(MI355XとBlackwell Ultra)でも近い水準にある、ということまでです。どちらが速いかは言えません。理論ピークは実効性能ではなく、ソフトウェアの成熟度、通信、負荷の形で結果は大きく変わります。数字の読み方はピラー記事で詳しく説明しています。

条件を揃えた比較の場としては、MLCommonsのMLPerfがあります。2026年11月16日に公表されたMLPerf Training v6.1では、24の組織が結果を提出し、MLCommonsは「NVIDIA、AMD、Googleのアクセラレータを使ったシステム」があり、NVIDIAのRubin世代とGoogleのTPUv7(Ironwood。MLCommonsの表記)が初めて登場したと書いています。

6.2 AMD:最もCUDAに近い道を選んだ挑戦者

AMDのROCmは、自社を「オープンなソフトウェアスタック」と説明しています。ライブラリの構成は、NVIDIAのものとよく対応しています。

役割NVIDIAAMD(ROCm)
行列積cuBLASrocBLAS、hipBLAS、hipBLASLt
ニューラルネットワーク演算cuDNNMIOpen、Composable Kernel
GPU間通信NCCLRCCL
プログラミングモデルCUDAHIP(変換ツールHIPIFY)

ハードウェアでは、AMDもラック単位の製品に進んでいます。AMDの製品ページによると、「Helios」はMI455XまたはMI450Xを72基搭載し、UALink over Ethernet(UALoE)で合計260 TB/sのスケールアップ帯域を持つとしています。NVL72と同じ「72基を1つにつなぐ」形です。

AMDの戦略は、CUDAの書き方に寄せて乗り換えの壁を下げることです。PyTorchが torch.cuda のAPIを再利用しているのは、その成果と言えます。弱点は、前節で見た版の追従や、最適化の厚みです。

6.3 Google TPU:独自路線から、PyTorchへの歩み寄り

Google TPUは、JAXとXLAを中心とした独自のソフトウェアで育ってきました。TPU7xのドキュメントは、TPU7xで使えるフレームワークをJAXとPyTorchとし、TensorFlowには対応しないと明記しています。1つのポッドは9,216チップで構成され、チップどうしはICI(Inter-Chip Interconnect、TPU専用のチップ間接続)でつながります。

2026年の大きな変化は、前述のTorchTPUです。GoogleはPyTorchのチームと共同で、PyTorchの普通の書き方のままTPUを使えるようにしました。これは、「TPUを使うにはJAXを覚える必要がある」という最大の壁を下げる動きです。

6.4 AWS Trainium・Inferentia:自社クラウドの中での最適化

AWSのNeuron SDKは、TrainiumとInferentiaでAIを動かすためのソフトウェアです。ドキュメントによると、学習の推奨経路はネイティブなPyTorch(TorchNeuron)とTorchTitan、推論の推奨経路はvLLM Neuronプラグインです。さらに、性能を追い込みたい技術者向けに、NeuronのISA(命令セット)を直接扱えるNKI(Neuron Kernel Interface)を用意しています。CUDAで言えば、独自のカーネルを書く層にあたります。

対応ハードウェアは、Inf2、Trn1、Trn2、Trn3などで、初代のInf1はすでにサポート対象外です。AWSのチップはAWSのクラウドの中でしか使えないため、売り物としての市場シェアではなく、AWSが自社の需要のどれだけをNVIDIA以外で賄えるかが焦点になります。

6.5 カスタムASICという大きな流れ

GoogleのTPUもAWSのTrainiumも、大手クラウドが自社のために設計した専用チップ(ASIC)です。10-Kが「社内でハードウェアとソフトウェアを設計する大手クラウド企業」を競合に挙げているのは、この流れを指しています。

ここで重要なのは、最大の顧客が、最大の潜在的な競合でもあるという構造です。この点は9節で数字とともに見ます。

7. 低精度の競争と、推論市場の変化

7.1 数値形式は「独自」から「標準」へ

AIの演算は、FP16、FP8、FP4と、より少ないビット数の数値形式へ移ってきました。小さな形式ほど、同じ回路で多くの演算ができ、メモリの読み書きも減ります(詳しくはピラー記事の3節)。

この領域では、NVIDIA独自の形式(NVFP4)と、Open Compute Projectが定めたオープンな形式(MXFP8、MXFP6、MXFP4など)が並んでいます。AMD MI355XはMXFP6とMXFP4への対応を前面に出し、AWSのvLLM NeuronもFP8とMXFP8の量子化に対応すると書いています。数値形式が標準化されるほど、「その形式を速く計算できる回路」はどの会社も作れるようになり、差はソフトウェアとシステムに移ります。

7.2 推論の比重が高まると、競争の条件が変わる

学習は数千〜数万基をつないで何週間も回す処理で、通信と信頼性が重要です。推論は、利用者のリクエストに応じて1トークンずつ文章を生成する処理で、メモリ帯域、遅延、そして1トークンあたりのコストが重要になります。

推論は学習よりも、特定の用途に絞った専用チップが入り込みやすい領域です。モデルが固まっていれば、汎用性より効率を優先できるからです。

NVIDIA自身もこの変化に手を打っています。10-Kによると、NVIDIAは2025年12月、推論向けチップを作るGroqと、同社のLPU(言語処理ユニット)技術の非独占的なライセンス契約を結び、一部の従業員を採用しました。顧客契約や製品、株式は取得していません。対価は、契約締結時に支払った130億ドルと、1年以内に支払う40億ドル(利息相当分を含む)です。2026年8月の決算発表では、「NVIDIA Groq 3 LPX」が量産に入ったとしています。GPUの会社が、GPUとは別の設計の推論チップの技術に巨額を払ったことは、推論では専用設計が脅威になり得ると同社が見ていることの表れと読めます(解釈は筆者のものです)。

8. TCOとCost/Token:価格決定力の源泉

8.1 1トークンあたりのコスト

推論の経済性は、最終的に次の式で決まります。

Ctoken=Chour3600⋅RC_{\mathrm{token}} = \frac{C_{\mathrm{hour}}}{3600 \cdot R}
  • CtokenC_{\mathrm{token}}:1トークンあたりのコスト
  • ChourC_{\mathrm{hour}}:アクセラレータ1基を1時間動かす総コスト(TCO)。購入費の償却、電力、冷却、設備、運用の人件費、ソフトウェアを含む
  • RR:1秒あたりに生成できるトークン数

この式の要点は、分子(価格)が高くても、分母(処理量)がそれ以上に大きければ、顧客にとっては安いということです。そして分母は、ハードウェアだけでなく、ソフトウェア(カーネル、量子化、バッチ処理、推論サーバー)で大きく変わります。

8.2 価格決定力はどこまで続くか

顧客がNVIDIAの製品と競合の製品を比べるとき、1トークンあたりのコストが同じになる点が、NVIDIAを選ぶ場合に顧客が許容できる総コストの上限になります。NVIDIAの製品の1時間あたりの総コストを CNC_N、処理量を RNR_N、競合をそれぞれ CAC_A、RAR_A とすると、次のようになります。

CNmax⁡=CA⋅RNRAC_{N}^{\max} = C_{A} \cdot \frac{R_{N}}{R_{A}}

CNmax⁡C_{N}^{\max} は、NVIDIAの製品を使う場合の総コストの上限で、NVIDIAの価格そのものではありません。NVIDIAが受け取れる価格の上限は、ここから電力・設備・運用などのコストを差し引いた残りです。また、この式は両者の稼働率が同じだと仮定しています。

処理量の比 RN/RAR_N / R_A が大きいほど、NVIDIAは高い価格をつけても選ばれます。逆に、競合のソフトウェアが成熟して比が1に近づくと、上限は競合の総コストまで下がります。ただし実際の比較では、移植のコストやリスク、供給の確実さ、運用の慣れも総コストに入ります。

NVIDIAは10-Kで、Blackwell UltraとDynamo(推論ソフトウェア)がHopper世代に比べて1トークンあたりのコストを下げたと書き、Rubinでは「Blackwellに比べて最大10分の1」になるとしています。これらは条件の明記されていない会社の主張で、本記事では検証していません。それでも、NVIDIAが自社の価値を「GPUの価格」ではなく「1トークンあたりのコスト」で語っていることは、上の式と整合しています。

8.3 粗利率で見る価格決定力

価格決定力の結果は、粗利率に現れます。

期間粗利率(GAAP)補足
2024会計年度(2024年1月28日終了)72.7%10-Kの売上高と売上総利益から筆者計算
2025会計年度(2025年1月26日終了)75.0%10-K
2026会計年度(2026年1月25日終了)71.1%10-K。H20の在庫等で45億ドルの費用を計上
2027会計年度第2四半期(2026年7月26日終了)75.0%10-Q
2027会計年度第3四半期(会社見通し)74.0%±0.5ポイント2026年8月26日の決算発表。実績は未発表

2026会計年度の低下について、10-Kは「Hopper HGXのシステムからBlackwellのデータセンター全体のソリューションへ事業モデルが移行した」ことと、H20(中国向け製品)の在庫と購入契約に関する45億ドルの費用を理由に挙げています。ラック単位で売るほど、他社から仕入れる部品の比率が上がり、粗利率は下がりやすくなると考えられます(筆者の解釈)。それでも70%台を保っていることが、価格決定力の強さを示しています。

一方で、粗利率は製品の切り替え時期や在庫の評価で動きます。1四半期の数字で判断せず、会社の見通しと実績の差を追うことが大切です。

9. 顧客の交渉力:上位顧客への集中

9.1 提出書類に書かれた集中度

NVIDIAは、売上高の10%以上を占める顧客を、名前を伏せて開示しています。

期間開示内容(10-K・10-Qの原文の数値)
2026会計年度直接顧客1社が売上高の22%、別の1社が14%
2026会計年度第2四半期直接顧客2社が23%と16%
2027会計年度上半期直接顧客3社が16%、15%、13%
2027会計年度第2四半期直接顧客1社が16%

ここでいう「直接顧客」には、AIB(グラフィックスボードのメーカー)、OEM、ODM(受託設計製造)、システムインテグレーター、販売代理店、クラウド事業者、AIモデル開発企業が含まれます。直接顧客がサーバーを組み立てて、最終的に別の企業に納める場合もあるため、「上位顧客=最終的な利用者」とは限りません。10-Qは別に、「売上高の10%以上を占める間接顧客もいる」こと、そして「あるAI研究・展開企業」がNVIDIAの顧客からクラウドサービスを買う形で、売上に「意味のある額」を寄与したと推計していることも書いています。

2027会計年度第2四半期のHyperscale区分の売上高は487億ドルで、売上高全体の約50.6%、データセンター売上高の約54.7%にあたります(筆者計算)。

ただし、この区分の定義は10-Qに書かれていません。また10-Qによると、ACIE区分の伸びには「AIクラウドを利用する大手クラウド(hyperscalers utilizing AI clouds)」の需要も含まれ、第2四半期には事業モデルの変更を理由に1社がACIEからHyperscaleへ移されています。したがってHyperscale区分の比率は、大手クラウドへの依存度を正確に測る数字ではありません。本記事では、大手クラウドへの依存度のおおまかな目安としてだけ使います(筆者の判断)。

9.2 買い手が強い構造

顧客が集中していると、1社あたりの交渉力が強くなります。さらにNVIDIAの場合、最大の顧客群、特に大手クラウドは次の3つの手段を持っています。

  1. 自社チップへの切り替え:TPUやTrainiumのように、すでに自社チップを持っている。
  2. 他社GPUの採用:AMDなどを並行して使い、価格交渉の材料にできる。
  3. 移植コストの償却:台数が多いので、移植の固定費を回収しやすい(12節)。

9.3 NVIDIAの対抗策と、その裏にあるリスク

NVIDIAは顧客の層を広げる手も打っています。2027会計年度第2四半期のACIE区分は前年同期比138%増で、成長率はHyperscale区分(102%増)を上回りました。ただし前述のとおり、ACIEには大手クラウドがAIクラウド経由で使う分も含まれるため、この差がそのまま「大手クラウド以外への分散」を意味するわけではありません。

ただし、その裏で、NVIDIA自身が顧客の資金や設備を支える取り組みも増えています。10-Qには次の記載があります。

  • 2026年7月26日時点で、株式投資990億ドル、株式投資の約束250億ドル。
  • 一部のAIクラウド事業者と新しい事業モデルを始め、NVIDIAがクラウドサービスを購入する約束(通常6年)が360億ドル。
  • SB Energyとの保証契約(2026年8月)。OpenAI向けに20年間リースされる施設について、NVIDIAの保証の上限は合計1,050億ドル。保証額は9期に分けた建設が順に完了するにつれて増え、最初の完了は2029会計年度の見込み。
  • 一部のAIクラウド事業者のデータセンターのリース債務に対する保証で、最大の総エクスポージャーは35億ドル。SB Energyの分と合わせた保証の最大の総エクスポージャーは1,085億ドル。
  • 大手の資金提供者と、5,000億ドルを超える第三者資金を集める枠組みの覚書。ただし最終契約に至らない可能性がある。

10-Qは、AIクラウドやAIモデル開発企業が、長期のインフラ契約や投資適格の資金調達を確保する力を「現在は欠いている」というNVIDIAの見方も書いています。需要を自ら支える取り組みは、顧客の層を広げる一方で、顧客の財務が悪化したときにNVIDIAに跳ね返るリスクでもあります。シナリオを考えるうえでの重要な変数です。

10. 供給網:TSMC、CoWoS、HBM

10.1 NVIDIAは工場を持たない

NVIDIAは工場を持たないファブレスの企業です。10-Kによると、ウェハーの製造はTSMCとSamsungなどのファウンドリーに委託し、メモリはSK Hynix、Micron、Samsungから購入し、パッケージングにはCoWoS技術を使っています。組み立てとテストは、Hon Hai、Wistron、Fabrinetなどが担います。

CoWoSは、TSMCの先端パッケージング技術で、GPUのチップとHBM(積層した高帯域メモリ)を1枚の土台(インターポーザー)の上に並べて実装します。AI向けの大型GPUは、この工程とHBMの供給量に生産量を縛られやすい構造です。

10.2 供給の先約は堀でもあり、重荷でもある

10-Qによると、NVIDIAの供給と生産能力の購入約束は、前の四半期の1,190億ドルから、2026年7月26日時点で2,790億ドルに増えました(約2.3倍)。主にメモリと製造設備のためのものです。10-Kは、供給が逼迫した時期には、一部の調達のリードタイムが12か月を超えたことがあると書いています。

これは二面性を持ちます。

  • 堀として:競合も同じTSMC、同じHBMメーカーから調達します。供給が逼迫している間は、先に大量の枠を押さえた会社が製品を出荷できます。資金力のある最大手ほど有利な構造です。
  • 重荷として:需要が想定より弱ければ、解約や変更ができない部分の購入約束が、在庫の評価損や引当金になります。10-Qは、一部の契約は確定発注の前なら解約・日程変更・調整ができる場合があり、その変更には追加の費用がかかることがあると書いています。2026会計年度のH20に関する45億ドルの費用は、輸出規制が原因とはいえ、その実例です。

本記事では、TSMCのCoWoSの生産能力のうちNVIDIAが何割を押さえているか、といった第三者の推計は使いません。一次資料で確認できないからです。

11. 独自分析①:堀のレイヤー別「複製コストと時間」

ここまでの事実をもとに、NVIDIAの強みを8つのレイヤーに分け、他社が複製するのにどれくらいかかるかを評価します。評価は筆者の判断で、事実ではありません。 根拠は各節で示した一次資料です。

レイヤーNVIDIAの持ち物追う側の現状複製の難しさ浸食の程度
① 演算チップTensor Core、FP8/FP4MI355X、MI455X、TPU7xなどが公称値で並ぶ・上回る項目あり中(1〜2世代で追い付ける)進行中
② メモリとパッケージの供給2,790億ドルの購入約束同じ供給元を奪い合う高(資本と先約が要る)供給逼迫の間は小さい
③ スケールアップ接続NVLink、NVL72(GB200で130 TB/s、Vera Rubinは216〜260 TB/sで資料により不一致)UALink 1.0、TPUのICI、AMD Helios(72基)高(チップ・スイッチ・ラックを同時に設計)小〜中
④ スケールアウト網InfiniBand、Spectrum-XUltra Ethernet、既存のEthernet勢中(標準規格へ収束)進行中
⑤ ライブラリcuBLAS、cuDNN、NCCLなどROCm、NKI Library、XLA中〜高(最適化の蓄積)主要な演算から順に
⑥ フレームワーク所有していないPyTorch、vLLM、Triton、JAXが各社に対応低(すでに共有地)大きい
⑦ 開発者の蓄積750万人、既存のCUDAコード、ツール各社が育成中高(時間でしか増えない)小
⑧ システム統合と出荷力ラック単位の設計、ODM網、資金面の支援大手クラウドは自社で可能高(ただし最大手には複製可能)顧客によって違う

この表から、3つのことが読み取れます。

第一に、「CUDA独占」という見方は、最も浸食が進んでいる層(⑥)を中心に見ています。 フレームワークの層では、すでに主要な競合が(一部は別パッケージを通して)対応しています。標準的なモデルを動かすだけの利用者にとって、この層の壁は低くなりました。

第二に、堀の重心は②③⑧へ移っています。 供給の先約、GPUを72基単位でつなぐ接続、ラックとして出荷して立ち上げる力は、チップを1つ設計しただけでは手に入りません。NVLink Fusionは、この重心の移動をNVIDIA自身が意識していることを示しています。

第三に、②③⑧は「最大手の顧客なら複製できる」層でもあります。 GoogleはTPUのポッドとICIを、AWSはTrainiumのUltraServerを、自社で設計して運用しています。つまり、NVIDIAの堀は、顧客の規模が大きいほど浅くなる構造です。これは9節で見た顧客の集中と組み合わさると、NVIDIAにとって最大の構造的なリスクになると筆者は考えます。

12. 独自分析②:乗り換えの損益分岐

「最大の顧客ほど乗り換えやすい」という主張を、簡単な式で確かめます。

乗り換え先で総コストが ss の割合だけ下がり、回収期間を TT 年、移植が成功する確率を pp とします。移植のコスト KK を、「アクセラレータ1基を1年動かす総コストの何台年分か」で表すと、移植コストを回収できる最小の台数は次のようになります。

N∗=Ks⋅T⋅pN^{*} = \frac{K}{s \cdot T \cdot p}

KK を台年で表すのは、GPUの価格を仮定しなくて済むようにするためです。台数 N∗N^{*} は KK に比例し、削減率 ss に反比例します。移植コストは台数によらない固定費に近いので、台数が多いほど1台あたりの負担は小さくなります。

次のコードは、この式で損益分岐の台数を計算します。入力はすべて説明のための仮の値で、市場のデータではありません。

  • 言語:Python 3.9以降(標準ライブラリのみ)
  • 実行:python3 switching_breakeven.py
  • 実行環境:筆者のMac(Apple M4 Pro)、Python 3.9.6
"""乗り換えの損益分岐:何台以上なら移植コストを回収できるか(理論値)。

移植コストを「アクセラレータ1台を1年動かす総コスト(TCO)の何台年分か」で表す。
価格を仮定せずに済むので、規模の効き方だけを取り出せる。
"""


def breakeven_fleet(port_cost_accel_years: float, saving_ratio: float,
                    horizon_years: float, success_prob: float = 1.0) -> float:
    """移植コストを回収できる最小の台数 N を返す。

    条件: N * saving_ratio * horizon_years * success_prob >= port_cost_accel_years
    """
    if not (0 < saving_ratio < 1 and horizon_years > 0 and 0 < success_prob <= 1):
        raise ValueError("saving_ratio は (0,1)、horizon_years > 0、success_prob は (0,1]")
    return port_cost_accel_years / (saving_ratio * horizon_years * success_prob)


def main() -> None:
    horizon = 3.0  # 回収期間(年)
    savings = [0.05, 0.10, 0.20, 0.30]  # 乗り換え先での TCO の削減率
    port_costs = [10, 100, 1_000]  # 移植コスト(台年)

    print(f"回収期間 {horizon:.0f} 年・成功確率 100% のときの損益分岐台数")
    print("移植コスト(台年) | " + " | ".join(f"削減{s:.0%}" for s in savings))
    for k in port_costs:
        row = [breakeven_fleet(k, s, horizon) for s in savings]
        print(f"{k:>15,} | " + " | ".join(f"{n:>7,.0f}" for n in row))

    print()
    print("移植コスト100台年・削減20%・回収3年で、成功確率を変えた場合")
    for p in [1.0, 0.7, 0.5]:
        n = breakeven_fleet(100, 0.20, horizon, p)
        print(f"成功確率 {p:.0%}: {n:,.0f} 台")


if __name__ == "__main__":
    main()

実行結果です。

回収期間 3 年・成功確率 100% のときの損益分岐台数
移植コスト(台年) | 削減5% | 削減10% | 削減20% | 削減30%
             10 |      67 |      33 |      17 |      11
            100 |     667 |     333 |     167 |     111
          1,000 |   6,667 |   3,333 |   1,667 |   1,111

移植コスト100台年・削減20%・回収3年で、成功確率を変えた場合
成功確率 100%: 167 台
成功確率 70%: 238 台
成功確率 50%: 333 台

読み方の例です。移植に「100台年分」のコストがかかり、乗り換えで総コストが20%下がるなら、3年で回収するには167台以上が必要です。移植が半々の確率でしか成功しないなら、333台に増えます。

この単純なモデルから、次のことが言えます。

  • 数十基の利用者には、乗り換えは割に合いにくい。 移植コストが小さく、削減率が大きい場合に限られる。
  • 数万〜数十万基を持つ大手クラウドには、ほぼ常に割に合う。 移植コストが「1,000台年」でも、削減率が数%あれば回収できる計算になる。大手クラウドが自社チップを作る経済的な理由がここにある。
  • NVIDIAが守るべきは削減率 ss を小さく保つこと。 ソフトウェアの改善で1トークンあたりのコストを下げ続ければ、競合に乗り換えたときの削減率は小さくなり、損益分岐の台数は増える。

このモデルの限界。 割引率(お金の時間価値)を考慮していません。台数 NN は、NVIDIAのGPUに換算した台数として扱っています。乗り換え先のチップ1基の性能が違えば、必要な台数も変わります。また実際には、移植は一度で終わらず、新しいモデルが出るたびに追加の作業が発生します。供給の確保、運用の人材、障害時の対応も総コストに入ります。逆に、NVIDIAの製品が手に入らないときは、削減率と関係なく乗り換えが起きます。この式は、規模の効き方を示すための道具で、個別の判断にそのまま使えるものではありません。

13. 中長期シナリオ:強気・基本・弱気

ここからは筆者の分析です。将来を一点で予想するのではなく、前提の違う3つのシナリオを示し、それぞれでどの指標が動くかを整理します。確率は付けません。 確率を付けられるほどの根拠がないからです。また、投資助言ではありません。

13.1 3つのシナリオ

強気シナリオ:システムとしての優位が続く

  • 前提:Rubinが計画どおりに立ち上がり、1年ごとの製品サイクルが続く。ソフトウェアの改善で1トークンあたりのコストの優位が保たれ、乗り換えの削減率 ss が小さいままになる。AIクラウド、企業、各国政府など、大手クラウド以外の顧客が育つ。
  • 起きること:大手クラウドが自社チップを増やしても、それを上回る速さで全体の需要が伸びる。ネットワークとシステムの売上比率が上がる。
  • 確認できる兆候:粗利率の見通しが70%台半ばを保つ。ACIE区分の成長率がHyperscale区分を上回り続ける(ただしACIEには大手クラウドがAIクラウド経由で使う分も含まれる)。10%以上を占める直接顧客の比率が下がる。

基本シナリオ:首位は保つが、伸びの取り分は減る

  • 前提:NVIDIAは学習と最先端の推論で首位を保つ。一方で、大手クラウドは自社の推論の一部をTPUやTrainiumなどの自社チップへ移し、AMDも一部の推論で採用を広げる。フレームワークの層の対応が進み、標準的なモデルの乗り換えコストは下がり続ける。
  • 起きること:AIインフラへの投資全体は伸びるが、NVIDIAの取り分は徐々に下がる。価格交渉は厳しくなり、粗利率は緩やかに低下する。
  • 確認できる兆候:粗利率の見通しが段階的に下がる。Hyperscale区分の伸びがデータセンター全体の伸びを下回る(区分の定義が非開示のため、目安にとどまる)。競合のMLPerfへの提出や、ベンダー検証済みのフレームワークの版が上流に追い付く。

弱気シナリオ:投資の減速と内製化が重なる

  • 前提:AIへの投資が、資金調達の制約や収益化の遅れで減速する。同時に、大手クラウドが推論の大部分を自社チップへ移す。輸出規制がさらに強まる。
  • 起きること:需要が供給の約束を下回り、在庫の評価損や購入約束の引当金が増える。顧客を支える投資や保証が損失に変わる。価格を下げて数量を守る局面になる。
  • 確認できる兆候:売上高が会社の見通しを下回る。在庫の引当金が増える。供給の購入約束が減り始める。顧客の資金調達の枠組みが最終契約に至らない。

13.2 感度:どの変数がシナリオを動かすか

変数強気の方向に動くとき弱気の方向に動くとき見る指標(出典)
大手クラウドの内製化自社チップより需要の伸びが速い自社の推論の大半が自社チップへ10%以上の顧客の開示と、Hyperscale区分の売上比率(10-Q。区分は依存度を正確には測らない)
1トークンあたりのコストの差NVIDIAの改善が競合を上回る競合のソフトウェアが成熟し差が縮むMLPerfの結果、会社の主張の検証
供給(HBM・パッケージ)逼迫が続き、先約が効く供給が緩み、先約が重荷になる購入約束の残高、在庫の引当金(10-Q)
フレームワークの移植性版の遅れや数値の違いが残る主要な競合が上流と同時に対応ROCmの互換性一覧、TorchTPUやNeuronの対応範囲
顧客の財務AIクラウドの資金調達が整う資金調達が滞る保証・投資・クラウド購入約束の注記(10-Q)
規制規制が緩和・安定する対象の製品や地域が広がる10-K・10-Qのリスク要因
経営体制新しいCEOのもとで戦略が継続後任選びが長引き、意思決定が遅れる会社の公式発表

この表で最も影響が大きいと筆者が考えるのは、上の2行、大手クラウドの内製化と1トークンあたりのコストの差です。11節と12節で見たとおり、NVIDIAの堀は顧客の規模が大きいほど浅く、大手クラウドを中心とする区分(Hyperscale)が売上の約半分を占めているからです。区分の定義は開示されていないため、この「約半分」には筆者の推測が含まれます。

14. 先行指標:何を見れば判断を更新できるか

シナリオは、新しい数字が出るたびに更新するものです。次の項目は、すべて公開資料で追えます。

  1. 2027会計年度第3四半期の決算(米国時間2026年11月17日発表予定):売上高が見通しの1,080億ドル±2%に入ったか。粗利率が74.0%±0.5ポイントに入ったか。第4四半期の見通しはどうか。
  2. 10%以上の顧客の開示:上位の直接顧客の比率が上がっているか、下がっているか。
  3. 区分別の売上:Hyperscale区分とACIE区分の伸びの差。ただし区分の定義は開示されておらず、大手クラウドはACIE区分のAIクラウド経由でも購入しているため、大手クラウドへの依存度を正確に測る指標ではありません。
  4. 供給の購入約束と在庫の引当金:購入約束が増え続けるか。引当金が増えていないか。
  5. 顧客を支える取り組み:株式投資、保証、クラウドの購入約束の残高と、その損益への影響。
  6. 競合のソフトウェア:ROCmの互換性一覧が検証するPyTorchの版、TorchTPUやNeuronが対応するモデルと機能の範囲。
  7. 条件を揃えた性能比較:MLPerfの学習と推論のラウンドで、どのハードウェアが、どの規模で提出しているか。
  8. ロードマップの実行:NVIDIAは、Rubinの次としてVera Rubin Ultra NVL576、Kyberという新しいラック設計、その先の世代のFeynmanを公表しています。本記事で確認した2026年の公式資料には、これらの時期は書かれていませんでした。発表された予定と実際の出荷の差を追う価値があります。

15. この分析の限界

  • 市場シェアの数字を使っていません。 第三者の市場シェアの推計は、方法や時点がまちまちで、一次資料で確認できないためです。そのため「NVIDIAのシェアは何%」という問いには、この記事は答えていません。
  • 顧客の内部のコストはわかりません。 大手クラウドが自社チップでどれだけ節約しているかは公開されていません。12節の数字は仮の値です。
  • 公称値は実測ではありません。 6節の比較表は、どちらが速いかを示すものではありません。
  • 会社の主張を検証していません。 「1トークンあたりのコストが最大10分の1」などの主張は、条件が明記されていない会社の発表です。
  • 筆者の実務の範囲。 筆者が扱ってきたのは、Tesla T4 1枚の上でvLLMとAWQ量子化のQwen3-8Bを動かす規模の推論基盤です。大規模なGPUクラスタや、TPU・Trainiumを運用した経験はありません。その規模でも、使える量子化方式や演算の形式がGPUの世代とソフトウェアの対応で決まることは、設計の前提になりました。大規模な利用者の判断は、この記事の枠組みを出発点に、自社の負荷で測って行ってください。

まとめ

  • NVIDIAの強みは「CUDA独占」の一語ではなく、チップ、供給、接続、ネットワーク、ライブラリ、開発者、システム統合の重なりです。
  • 最も浸食が進んでいるのはフレームワークの層です。PyTorchのAMD向けビルドは torch.cuda のAPIを再利用し、TPUとTrainiumも各社の別パッケージを通してPyTorchのデバイスとして使えるようになりました。一方で、既定のインストールがCUDA版であること、ベンダー検証の版の遅れ、HIPIFYの限界など、摩擦は残っています。
  • 堀の重心は、供給の先約、NVLinkによるスケールアップ、ラック単位のシステム統合へ移っています。NVLink Fusionは、カスタムASICが増える前提で接続とシステムの層に残る戦略と読めます。
  • 乗り換えの損益分岐は台数に強く依存します。最大の顧客ほど乗り換えやすく、大手クラウドを中心とするHyperscale区分が2027会計年度第2四半期の売上高の約半分を占めます(区分の定義は非開示で、依存度の正確な数字ではありません)。これがNVIDIAの最大の構造的リスクだと筆者は考えます。
  • 粗利率は2026会計年度71.1%、2027会計年度第2四半期75.0%で、価格決定力は現時点では強いと言えます。それが続くかは、1トークンあたりのコストの差を保てるかにかかっています。

本記事は第3四半期決算の発表前に書いています。数字が出たら、14節の指標に当てはめて、どのシナリオに近づいたかを確かめてみてください。GPUそのものがなぜAIに強いのかという技術の土台は、NVIDIAのGPUはなぜAIに強いのかで扱っています。

機材どうしの1トークンあたりのコストの比べ方はCPU・GPU・TPUの違いと選び方、中国市場を左右する輸出規制は米中AI半導体戦争と輸出規制、ここに至るまでの歩みはNVIDIAの歴史で扱っています。

よくある質問

NVIDIAの強みを一言で言うと何ですか?
一言では言えない、というのがこの記事の結論です。CUDAとそのライブラリは確かに強みですが、それだけなら他社のソフトウェア整備で差は縮みます。実際には、GPU本体、HBMとパッケージの供給の確保、GPUを72基単位でつなぐNVLink、InfiniBandやSpectrum-Xのネットワーク、cuBLAS・cuDNN・NCCLなどのライブラリ、ラック単位で出荷する力が重なっています。どれか1つを他社が追い付いても、全体を同時に揃えるには時間と資本がかかります。
CUDAがあるから、他社のAIチップには乗り換えられないのですか?
利用者によって大きく違います。標準的なモデルをPyTorchやvLLMで動かすだけなら、AMDのROCm、Google TPUのTorchTPU、AWSのNeuronを通して(TPUとTrainiumは各社が配布する別パッケージ)PyTorchのデバイスとして動くため、乗り換えの壁は以前より低くなっています。一方、独自のCUDAカーネルや、CUDAにしかないライブラリに依存していると、AMD自身がHIPIFYでも自動変換しきれないと書いているとおり、書き直しと性能の再調整が必要です。台数が多い利用者ほど、移植コストを回収しやすくなります。
AMD、Google TPU、AWS Trainiumはどこまで追い付いていますか?
公称値の一部ではNVIDIAの最新GPUと並ぶ、または上回る項目があります。たとえばAMDの次世代品MI455XはHBM4 432GB・23.3TB/s(NVIDIAのRubin GPUは288GB)、Google TPU7xは1チップあたりHBM 192GiBです。ソフトウェアも各社が整備を進めています。ただし公称値は理論ピークで、精度や密・スパースの条件、チップの数え方が揃っていません。比較するときは、MLPerfのように条件を揃えた結果か、自社の負荷での実測を使ってください。
NVIDIAの将来性はどう見ればよいですか?株は買いですか?
本記事は投資助言ではなく、株の売買を勧めるものではありません。将来を一点で予想する代わりに、強気・基本・弱気の3つのシナリオを前提つきで示し、どの指標が動けばどのシナリオに近づくかを整理しました。特に見るべきなのは、粗利率の見通し、10%以上を占める顧客の売上比率、区分別(Hyperscale/ACIE)の売上の推移、Rubinの立ち上がり、供給契約の残高と在庫評価損です。判断はSEC提出書類と決算資料の数字を使い、ご自身の責任で行ってください。

参考文献

友田

友田 陽大

経済産業大臣賞 受賞プロダクト開発者。TypeScript + Python + AWS で、SaaS・業界DX・実用レベルの生成AI(RAG)を、要件定義からインフラ・運用まで一人で完遂します。

自社ホストとAPI、どちらが得か判断できていますか?

セルフホストLLMの技術選定 — 量子化方式・GPU予算・商用ライセンス

AWQ / GPTQ / FP8 / GGUF の使い分け、KVキャッシュを含むVRAM見積り、API課金との損益分岐、Apache-2.0 / Llama / Qwen / Gemma のライセンス条件まで。商用利用可能なオープン量子化モデル群を、ライセンスと品質・速度のトレードオフで段階別に採用した実務経験から、実装前に判断材料を揃える技術顧問として伴走します。

プロジェクト単位(請負)・技術顧問のどちらにも対応可能です。まずは30分の無料技術相談から。

最短ルート:カレンダーから直接予約

相談内容が固まっている方は、フォーム送信よりその場で日程を確定する方がスムーズです。下記から空き時間をお選びください。

  • 30分のオンライン無料相談
  • Google Meet / Zoom / Microsoft Teams
  • NDA 商談前締結可・無理な営業はいたしません
無料相談の空き枠を予約する

あわせて読みたい