NVIDIA(エヌビディア)は、いまでは「AI半導体の会社」と呼ばれます。しかし、1993年に創業したときの目標はパソコンの3Dグラフィックスで、最初の製品は失敗しました。
この記事では、NVIDIAがグラフィックスチップの会社から、データセンター全体を売るAIインフラの会社に変わるまでを、創業から2026年11月までたどります。人物の伝記ではなく、会社と技術の歴史です。
早見表 創業:1993年4月5日(3人)/CUDA発表:2006年11月、Toolkit 1.0:2007年6月/本社:米カリフォルニア州サンタクララ
短く答えると、NVIDIAの歴史は「3つの賭け」で説明できます。
- 業界標準に乗る(1997年):独自方式のNV1で失敗し、RIVA 128でMicrosoftのDirect3Dに合わせて生き残った。
- GPUをプログラムできる汎用計算機にする(2001〜2007年):プログラマブル・シェーダ、統合シェーダ、CUDAへと段階的に進めた。この投資が、2012年のAlexNet以降の深層学習ブームを受け止めた。
- チップではなくデータセンターを売る(2016年〜):HBMとNVLink、Tensor Core、Mellanoxのネットワーク技術を組み合わせ、ラック単位のシステムを売るようになった。
その結果、10-K(米国証券取引委員会に提出する年次報告書)の市場別売上で、データセンターの比率はFY2014の4.8%からFY2026の89.7%へ上がりました。
この記事の数値について。 売上はすべてNVIDIAの10-Kの原文から転記し、構成比や成長率は筆者がそれをもとに計算しました(13節にコードがあります)。NVIDIAの会計年度(FY)は1月下旬に終わります。たとえばFY2026は2025年1月27日〜2026年1月25日で、ほぼ暦年2025年に当たります。本文では「FY」と暦年を必ず区別して書きます。製品については「発表」「量産」「出荷」「一般提供」を区別します。
1. NVIDIAとは:年表で全体をつかむ
まず全体像です。NVIDIAは、自社で工場を持たずに半導体を設計する「ファブレス」の会社です。製造は外部の企業に委託しています。FY2026の10-Kによると、同年度末の従業員は約42,000人で、そのうち約31,000人が研究開発に従事しています。
| 時期(暦年) | 出来事 | 位置づけ |
|---|---|---|
| 1993年4月 | 3人で創業(4月5日) | 創業 |
| 1995年5月 | 最初の製品NV1 | 独自方式に賭けて失敗 |
| 1997年8月 | RIVA 128の量産出荷 | Direct3Dに対応して生き残る |
| 1999年1月 | 株式公開(IPO) | 1株12ドル |
| 1999年8月 | GeForce 256を出荷 | 自社の定義で「世界初のGPU」 |
| 2001年1月 | GeForce3を出荷 | プログラマブル・シェーダ |
| 2006年11月 | GeForce 8800(G80)とCUDAを発表 | 統合シェーダ、C言語で汎用計算 |
| 2007年6月 | CUDA Toolkit 1.0 | 最初の正式版 |
| 2009〜2010年 | Fermi | ECC、倍精度、キャッシュ:計算機としての作り込み |
| 2012年 | AlexNet(GTX 580 2枚で学習) | 深層学習の転機 |
| 2016年4月 | Tesla P100を発表 | HBM2、NVLink |
| 2017年5月 | Tesla V100を発表 | Tensor Core |
| 2019年3月 | Mellanox買収を発表 | ネットワークの取り込み |
| 2020年4月 | Mellanox買収が完了 | データセンター企業へ |
| 2022年3月 | Hopper(H100)を発表 | 生成AIの主力 |
| 2024年3月 | Blackwellを発表 | ラック単位のシステム |
| 2026年1月 | Vera Rubinを「full production」と発表 | 2026年11月時点の最新世代 |
なお、2026年11月11日に共同創業者のジェンスン・ファン氏がCEOを辞任し、CFOのコレット・クレス氏が暫定CEOに就きました。経緯と企業統治の論点はジェンスン・ファンのNVIDIA CEO辞任で整理しています。この記事では、33年間の会社の歩みに集中します。
2. 1993年の創業:3人のエンジニアとPCIバス
創業者と創業日
1998年のIPOの届出書類(Form S-1)は、設立日を「1993年4月5日」と記しています。同じ書類によると、創業者は次の3人です。
- ジェンスン・ファン(Jen-Hsun Huang):社長兼CEO。創業前はLSI Logic(1985〜1993年)とAMD(1983〜1985年)に勤めていた。
- クリス・マラコウスキー(Chris A. Malachowsky):技術担当の副社長。Sun MicrosystemsとHewlett-Packardに勤め、SunのGXグラフィックスの共同発明者。
- カーティス・プリエム(Curtis R. Priem):最高技術責任者(CTO)。Sun MicrosystemsでGXグラフィックス製品の設計を担当していた。
3人のうち2人がSunのグラフィックス技術者だったことは、最初の製品の設計思想に影響しています。
なぜ1993年だったのか
当時のパソコンは、拡張カードをつなぐ線(バス)が、古いISA規格(PC/AT)から新しいPCI規格へ移り変わる時期でした。初期のNVIDIAで設計に関わったデビッド・ローゼンタール氏は、2025年のブログで次のように振り返っています。
「PC/ATバスの帯域は3Dゲームにはまったく足りなかったが、PCIバスにはかなりの余裕があった。それで十分かどうかは、まだ分からなかった」(筆者訳)
例えるなら、道路(バス)が広くなったけれど、3Dゲームという大量の荷物を運ぶには、まだ渋滞するかもしれない状況です。そこで、限られた帯域をどう使い切るかが、最初の製品の設計テーマになりました。
3. NV1の失敗:曲面か、三角形か
NV1は何をしようとしたのか
1995年5月、NVIDIAは最初の製品NV1を出しました。S-1はNV1を「3Dグラフィックス、ビデオ、オーディオを提供するマルチメディアアクセラレータ」で、「主にゲーム機の市場を狙った」と説明しています。
3Dの物体の表面は、ふつう三角形の集まりで表します。三角形は面を表す最も単純な形で、どんな曲面も細かい三角形で近似できます。ただ、球のような滑らかな曲面をきれいに見せるには、大量の三角形が必要になります。
NV1は別の道を選びました。曲面そのもの(2次曲面パッチ)を描く方式です。NVIDIAはこれを「quadratic texture mapping」と呼んで売り出しました。ローゼンタール氏の説明はこうです。
- 曲面パッチ1枚を記述するデータは、三角形1枚より多い。
- しかし同じ見た目を得るのに必要な枚数がずっと少ないので、1フレームあたりのデータ量は大きく減る。
- だから、限られたPCIバスの帯域をうまく使える。
つまり、NV1の方式は技術的には筋が通っていました。帯域が足りないという当時の制約に対する、合理的な答えでした。
セガとの関係
ローゼンタール氏によると、当時ゲーム業界で曲面パッチを使っていたのはセガだけで、NV1はセガのゲームをPCで動かせることを売りにしていました。IEEE Computer Societyに寄稿しているグラフィックス業界の歴史家ジョン・ペディ氏は、セガ・オブ・アメリカがNVIDIAと独占ライセンス契約を結び、セガのゲームをNV1搭載PCへ移植すると発表したと書いています。
なぜ失敗したのか
失敗の理由を、S-1は率直に書いています(筆者訳)。
「NV1は業界標準がない中で、自社独自のNV技術を3Dグラフィックスの標準にすることを目標に開発された。1996年末までに、PC業界はMicrosoftのDirect3DとSGIのOpenGLという3D APIを広く採用した。その結果、NV1の売上は大きく減少した」
Direct3DもOpenGLも、三角形を基本にしたAPI(ソフトウェアがハードウェアに描画を頼むときの約束事)です。ゲーム開発者が三角形で作るようになると、曲面専用のチップは使われません。ペディ氏も、NVIDIAと提携先は「ゲーム開発者に、NV1の方式とNVIDIAの開発キットへ投資させることができなかった」と書いています。ローゼンタール氏は「MicrosoftがDirectXを発表した時点で、次のチップも曲面パッチなら、NVIDIAは終わりだと分かった」と振り返っています。APIだけが理由ではありません。ペディ氏は、当時の2D描画の性能(特にDOS)が他製品に及ばず、音質も期待ほどではなく、ボードが高価だったという批判も挙げています。
S-1によると、NVIDIAはNV1の販売をやめ、ゲーム機向けに開発していたNV2の開発も中止して、RIVA 128の開発に移りました。ペディ氏は、NV2はセガ向けで、セガに採用されなかったことが会社を倒産寸前に追い込んだと書いています(S-1自体はNV2の相手先を「あるゲーム機のプラットフォーム」としか書いていません)。
数字にも表れています。S-1によると、売上は1995年が118万ドル、1996年が391万ドルでした。この2年間の売上はすべてNV1によるもので、しかも1995年は売上原価が売上を上回る赤字でした。顧客も偏っていて、ボードメーカーのDiamond 1社が売上の86%(1995年)と82%(1996年)を占めていました。
NV1から残ったもの
ただし、NV1のすべてが無駄になったわけではありません。ローゼンタール氏は、NV1の本当の成功はI/Oアーキテクチャだったと述べています。ハードウェアの機能を「オブジェクト」として扱い、チップにない機能はソフトウェア(リソースマネージャ)が代わりに実行する仕組みです。これにより、ハードウェアが未完成の機能をソフトウェアで補えるため、新しいチップを出す速度を上げられました。
NV1の教訓は「技術的に優れていても、エコシステム(開発者、API、ソフトウェア)がつかなければ売れない」です。 この教訓は、のちのCUDAの設計にもつながっていきます。
4. RIVA 128:標準に乗って生き残る
NVIDIAはRIVA 128を1997年4月に発表し、8月に量産出荷を始めました(S-1の記載。同書のMD&Aは8月を「introduced」としており表記が揺れます)。S-1はこのチップを「MicrosoftのDirect3Dと互換になるよう設計された」と説明しています。NV1で失った標準への乗り換えです。
S-1に記載された仕様は、毎秒150万ポリゴンの処理と、毎秒1億ピクセルのテクスチャ描画です(いずれも会社の公称値です)。RIVA 128は売れ、1997年の売上は2,907万ドルになりました。前年の391万ドルの約7.4倍です(筆者計算)。
その後、1999年1月に株式を公開しました(1株12ドル、350万株)。この間の1998年には、会計年度の締めを12月末から1月31日に移し(1998年1月1日付)、さらに1998年2月1日付で「1月の最終日曜日に終わる52週または53週の年度」に変えています(FY1999の10-K)。現在まで続く「FYが1月下旬に終わる」暦の始まりです。
5. GeForce 256と「GPU」という言葉(1999年)
「GPU」の定義
1999年8月、NVIDIAはGeForce 256の出荷を始めました。FY2000の10-Kは、これを「The world's first GPU(世界初のGPU)」と呼び、次のように説明しています(筆者訳)。
「GeForce 256は、ハードウェアの座標変換・照明(T&L)エンジンと、1クロックに4ピクセルを描く描画パイプラインを、1つのチップに統合した最初の製品」
段階的に説明します。
- なぜ必要か:3Dゲームは、物体の頂点の座標を画面上の位置に変換し(座標変換)、光の当たり方を計算します(照明)。それまで、この計算はCPUが担っていました。
- 例え:料理で言えば、食材を切る作業(座標変換・照明)をCPUがやり、焼く作業(ピクセルの描画)だけをグラフィックスチップがやっていた状態です。GeForce 256は、切る作業もチップ側に引き取りました。
- 定義:NVIDIAは「T&Lと描画を1チップに統合したプロセッサ」をGPU(Graphics Processing Unit)と定義しました。
注意したいのは、「世界初のGPU」はNVIDIA自身が決めた定義での主張だという点です。NVIDIAの技術者が書いた2008年の論文(IEEE Micro)も「最初のGPUはGeForce 256」と書いていますが、これも同社の視点です。この記事では、「GPU」という言葉自体の初出がGeForce 256だとは主張しません。
10-Kによると、売上はFY2000(1999年2月〜2000年1月)に3億7,451万ドル、FY2001(2000年1月〜2001年1月)に7億3,526万ドルと、1年で約2倍になりました。
ゲーム機への再挑戦:Xbox
NV1・NV2ではゲーム機の市場を逃しましたが、2000年3月5日、NVIDIAはMicrosoftと契約を結び、同社のゲーム機Xbox向けのグラフィックスチップを開発することになりました。FY2001の10-Kによると、Microsoftは2000年4月に、チップ購入代金の前払いとして2億ドルを支払っています。
6. プログラマブル・シェーダ(2001年):決まった処理から、書ける処理へ
固定機能の限界
GeForce 256までのGPUは固定機能でした。座標変換や照明の計算方法は回路に焼き込まれていて、開発者はパラメータを変えることしかできません。
2001年1月に出荷が始まったGeForce3で、これが変わります。開発者がシェーダと呼ばれる小さなプログラムを書き、頂点やピクセルごとの計算を自分で決められるようになりました。
「完全にプログラマブル」だったのか
ここで、資料どうしの食い違いに触れておきます。FY2001の10-Kは、GeForce3を「頂点シェーダとピクセルシェーダの完全なプログラマビリティを提供する最初のGPU」と書いています。一方、NVIDIAの技術者自身が書いた2008年のIEEE Microの論文は、もっと慎重です(筆者訳)。
「2001年、GeForce 3は頂点シェーダを実行する最初のプログラマブルな頂点プロセッサと、設定可能な(configurable)32ビット浮動小数点のフラグメントパイプラインを導入した。2002年に登場したRadeon 9700は、プログラマブルな24ビット浮動小数点のピクセルフラグメントプロセッサを備えていた」
つまり、GeForce3で本格的にプログラムできたのは頂点側で、ピクセル側は「設定できる」段階でした。浮動小数点でピクセルを自由に計算できるプロセッサは、競合のATI(Radeon 9700、2002年)が先に出しています。GPUの進化はNVIDIA単独の功績ではなく、競争の中で進んだことが分かります。
研究者が「グラフィックス以外」に使い始める
シェーダがプログラムできるようになると、研究者はGPUをグラフィックス以外の計算に使い始めました。行列やシミュレーションのデータを「画像」に見立て、シェーダで計算させるのです。この分野はGPGPU(GPUによる汎用計算)と呼ばれ、2007年には学術誌Computer Graphics Forumにサーベイ論文がまとまるほどになっていました。
ただし、この方法は不便でした。計算をわざわざ「描画」の言葉に翻訳しなければならないからです。この不便さを取り除いたのが、次のCUDAです。
7. G80とCUDA(2006〜2007年):グラフィックスの言葉を使わない計算
統合シェーダ:仕事量の偏りをなくす
2006年11月、NVIDIAはGeForce 8800(開発コードG80)を発表しました。IEEE Microの論文は、その狙いを説明しています。
それまでのGPUには、頂点を処理する演算器と、ピクセルを処理する演算器が別々にありました。ピクセルの数は頂点よりずっと多いので、ピクセル用の演算器がおよそ3倍の数で積まれていました。ところが、実際のゲームでは場面によって仕事量の比率が変わります。小さな三角形が多い場面では頂点の処理が詰まり、ピクセル用の演算器は遊んでしまいます。
そこでG80は、頂点もピクセルも同じ演算器で処理する統合シェーダにしました。例えるなら、レジ係と品出し係を分けていた店で、全員がどちらもできるようにして、混んでいる方に人を回す仕組みです。GeForce 8800は128個の演算器(ストリーミング・プロセッサ)を、16個のSM(ストリーミング・マルチプロセッサ)にまとめていました。
ここでも先行例があります。同じ論文は「Xbox 360は2005年に初期の統合GPUを導入した」と書いています。NVIDIAのFermiのホワイトペーパーは、G80を「頂点とピクセルのパイプラインを単一の統合プロセッサに置き換えた最初のGPU」と書いていますが、ゲーム機まで含めると、統合方式そのものはG80が最初ではありません。
CUDA:C言語でGPUを使う
統合シェーダで、GPUは「何でも計算できる演算器の集まり」になりました。これをグラフィックスの言葉を使わずに直接プログラムできるようにしたのが、CUDA(Compute Unified Device Architecture)です。
FY2007の10-Kはこう書いています(筆者訳)。
「2006年11月、CUDAに対応したGeForce 8 GPUを業界に提供し始めた。CUDAは、プログラマーが初めてGPU向けにC言語のアプリケーションを書けるようにする技術とコンパイラである」
時期を整理しておきます。
| 段階 | 時期 | 根拠 |
|---|---|---|
| 発表 | 2006年11月(FY2007第4四半期) | FY2007の10-K、IEEE Micro論文 |
| 最初の正式版の開発キット | 2007年6月(CUDA Toolkit 1.0) | NVIDIAのCUDA Toolkitアーカイブ |
| 計算専用製品(Tesla C870など)の出荷開始 | FY2008第3四半期(2007年7月30日〜10月28日) | FY2008の10-K |
Fermiのホワイトペーパーは、G80が持ち込んだものとして、C言語のサポート、SIMT(1つの命令で多数のスレッドを同時に動かす実行モデル)、スレッド間で共有するメモリと同期の仕組みを挙げています。これらは、2026年のCUDAプログラミングでも基本になっている概念です。CUDA Toolkitは2026年11月にバージョン13.5.0が出ており、19年以上続いています。
CUDAの意味は、NV1の教訓の裏返しにあります。 NV1は、開発者に新しい方式を押しつけて失敗しました。CUDAは、開発者がすでに知っているC言語から入れるようにし、同じプログラムが後の世代のGPUでも動くようにしました。開発者が積み上げたコードとノウハウが、そのままNVIDIAのGPUを選ぶ理由になっていきます。
それでも、すぐには売れなかった
ここで売上を見ると、意外な事実が分かります。総売上は、FY2008(2007年1月〜2008年1月)が41.0億ドル、FY2013(2012年1月〜2013年1月)が42.8億ドルで、5年間ほとんど増えていません。FY2016の10-Kで初めて開示された市場別の表(FY2014までさかのぼる)を見ても、FY2014(2013年1月〜2014年1月)のデータセンター(当時の表記はDatacenter)の売上は1億9,900万ドル、全体の4.8%にすぎませんでした。CUDAは、発表から何年もの間、会社の売上を大きく動かす事業ではなかったのです。
8. Fermi(2009〜2010年):「計算機」としての作り込み
2009年のFermiのホワイトペーパーには、GPUで計算をしていたユーザーの要望が列挙されています。倍精度(64ビット)の性能、ECC(メモリのビット誤りを検出・訂正する仕組み)、本格的なキャッシュ、より大きな共有メモリ、高速なアトミック演算などです。
ECCが要るのは、数千枚のGPUをデータセンターで動かすと、メモリのビット誤りが無視できなくなるからです。ゲームなら1フレームの小さな乱れで済みますが、科学計算や金融の計算では結果が狂います。
Fermiはこれに応えて、次の特徴を持っていました(ホワイトペーパーの記載)。
- 「ECCメモリに対応した最初のGPU」
- 倍精度のピーク性能が前世代(GT200)の8倍
- IEEE 754-2008(浮動小数点数の国際規格)の32ビット・64ビット精度への完全な対応
- C++を扱える統一アドレス空間
- 最初のFermiのGPUは30億トランジスタ、最大512個のCUDAコア
Fermiは、GPUを「グラフィックスのついでに計算もできるチップ」から「データセンターに置く計算機」へ作り込んだ世代と言えます。この変化は、ゲームではなく、スーパーコンピュータや科学計算のユーザーの要望から生まれていました。
9. AlexNet(2012年):ゲーム用GPU 2枚が変えたもの
論文に書かれている事実
2012年、トロント大学のアレックス・クリジェフスキー、イリヤ・サツケバー、ジェフリー・ヒントンの3氏は、画像認識の論文をNeurIPS(当時はNIPS)で発表しました。いわゆるAlexNetです。論文から確認できる事実は次のとおりです。
- ネットワークは6,000万個のパラメータと65万個のニューロンを持ち、畳み込み層5つと全結合層3つで構成される。
- 画像認識コンテストILSVRC-2012で、上位5候補の誤り率(top-5 error)15.3%で優勝した。2位は26.2%だった。なお15.3%は、単一のネットワークではなく、7つのCNNの予測を平均した提出版の値である。
- 学習には「2枚のGTX 580 3GB GPU」を使い、5〜6日かかった。
- GTX 580 1枚のメモリは3GBしかなく、ネットワークが1枚に収まらないため、2枚のGPUに分割した。
- 実装コードは「cuda-convnet」という名前で公開された。
GTX 580は、NVIDIAのゲーム向け製品(GeForce)です。NVIDIAのCUDA対応GPUの一覧では、計算能力(Compute Capability)2.0に分類され、データセンター向けのTesla C2050などと同じ区分、つまりFermi世代です。
何が「転機」だったのか
AlexNetは、NVIDIAが深層学習のために設計した製品で作られたわけではありません。研究者が、市販のゲーム用GPUと、誰でも使えるCUDAを使って作りました。汎用計算への長年の投資が、NVIDIAの外で起きた転機を受け止めた、というのが正確な見方です。
論文には、その後のNVIDIAの製品の方向を予告するような記述もあります。
「すべての実験結果は、より速いGPUとより大きなデータセットが手に入るのを待つだけで、結果がよくなることを示している」(筆者訳)
また、3GBのメモリにモデルが収まらず2枚に分けたこと、GPU同士がCPU側のメモリを通さずに互いのメモリを読み書きできることを利用したことも書かれています。メモリ容量とGPU間の通信という、のちのHBMとNVLinkが解こうとする問題が、すでにここに現れています。
10. Pascal(2016年)とVolta(2017年):深層学習のための設計へ
ここからNVIDIAは、深層学習を前提にGPUを設計するようになります。各技術の詳しい仕組みは、同じシリーズのNVIDIAのGPUはなぜAIに強いのかで数式とともに解説しているので、ここでは歴史上の位置づけに絞ります。
Tesla P100(2016年4月発表):HBM2とNVLink
2016年4月5日に発表されたTesla P100のホワイトペーパーは、次の2つを打ち出しています。
- HBM2:「HBM2に対応した世界初のGPUアーキテクチャ」。メモリのチップを積み重ねてGPUと同じパッケージに載せ、1スタックあたり毎秒180GB、4スタックで理論値720GB/s(筆者計算)の帯域を得る。
- NVLink:GPU同士を最大160GB/s(双方向の合計)でつなぐ専用の接続。PCIe Gen 3 x16の5倍。
AlexNetで見えた「メモリ」と「GPU間通信」の問題に、正面から答えた設計です。FY2017(2016年2月〜2017年1月)の10-Kによると、NVIDIAはこの年度にDGX-1というAI用のサーバー製品の出荷を始め、データセンター売上は前年度から145%増えました。
Tesla V100(2017年5月発表):Tensor Core
2017年5月10日に発表されたV100で、NVIDIAはTensor Coreを導入しました。深層学習の計算の大部分を占める行列の掛け算を、小さな行列単位でまとめて計算する専用の演算器です。ホワイトペーパーによると、V100は640個のTensor Coreを持ち、最大125 Tensor TFLOPS(理論ピーク、FP16の乗算とFP32の累積)を出します。これは、P100の通常のFP32演算と比べて最大12倍のピーク性能です。
FY2018(2017年1月〜2018年1月)の10-Kによると、V100はFY2018の上半期に出荷が始まり、データセンター売上は前年度比133%増の19億3,200万ドルになりました。市場別の数字がある期間(FY2014以降)で、データセンター売上が初めて10億ドルを超えたのはこのFY2018です。
この時期から、GPUは「グラフィックスの回路を計算にも使えるチップ」から、「AIの計算に専用の回路を持つチップ」へ変わり始めました。
11. Mellanox買収(2019年発表・2020年完了):GPUの会社からデータセンターの会社へ
日付と金額
SECへの提出書類(8-K)と報道発表から、日付を整理します。
| 段階 | 日付 | 内容 | 出典 |
|---|---|---|---|
| 契約締結 | 2019年3月10日 | Mellanox株1株を現金125ドルで取得 | 8-K |
| 発表 | 2019年3月11日 | 企業価値(EV)約69億ドル | NVIDIAの報道発表 |
| 完了 | 2020年4月27日 | 約70億ドル | 8-K、NVIDIAの報道発表 |
69億ドルと70億ドルの違いは、発表時の企業価値と完了時の取引金額という、測り方の違いです。
なぜネットワークの会社を買ったのか
Mellanoxは、スーパーコンピュータで使われる高速な接続技術InfiniBandや、高速イーサネットの製品を作るイスラエルの会社でした。2019年の売上は13億3,060万ドルです(Mellanoxの10-K)。
発表時の報道発表で、ファン氏は次のように述べています。
「この需要に応えるには、膨大な数の高速な計算ノードを、インテリジェントなネットワークでつないで、巨大な『データセンター規模の計算エンジン』を作る全体的なアーキテクチャが必要になる」(筆者訳)
大きなAIモデルの学習では、数千枚のGPUが絶えず結果を交換します。GPU単体がどれだけ速くても、GPU同士をつなぐネットワークが遅ければ、全体は速くなりません。NVLinkがサーバーの中のGPUをつなぐ技術だとすれば、Mellanoxはサーバー同士をつなぐ技術でした。
FY2021(2020年1月〜2021年1月)の10-Kによると、この年度のMellanoxの売上は会社全体の売上の10%を占めました。FY2026の10-Kでは、イスラエルとその周辺に約6,000人の従業員がいて、主にネットワーク製品の研究開発などを担っていると書かれています。
成功しなかった買収:Arm
買収がすべて成功したわけではありません。NVIDIAは2020年9月に、ソフトバンクグループから英Armを買収する契約を結びました。しかし2022年2月8日、「規制上の重大な課題」を理由に契約は解消されました。FY2023の10-Kによると、NVIDIAは契約時の前払い金を償却し、13億5,000万ドルの費用を計上しています。
12. Hopper・Blackwell・Vera Rubin:「発表」「量産」「出荷」を分ける
最近の世代は、発表から出荷までの段階が短く、報道では混同されがちです。公式の文書が使っている言葉だけで整理します。仕様の数値はシリーズのピラー記事に譲ります。
| 世代 | 発表 | 量産(full production) | 出荷 | 出典 |
|---|---|---|---|---|
| Hopper(H100) | 2022年3月22日 | 2022年9月20日(H100が「full production」と発表) | FY2023中(2022年1月31日〜2023年1月29日)に出荷開始 | 報道発表2本、FY2023の10-K |
| Blackwell | 2024年3月18日 | — | 量産システムの出荷開始はFY2025第4四半期(2024年10月28日〜2025年1月26日) | 報道発表、FY2025の10-K |
| Blackwell Ultra(GB300) | — | — | 量産品の出荷開始はFY2026第2四半期(2025年4月28日〜7月27日) | FY2026の10-K |
| Vera Rubin | 2026年1月5日(CES) | 2026年1月5日と3月16日に「full production」と発表 | 量産品の出荷開始はFY2027第3四半期(第3四半期が始まった2026年7月27日から、10-Qを提出した8月26日までの間) | 報道発表、2026年8月26日提出の10-Q |
表の「—」は、その段階の日付を示す公式文書を本記事では確認していない、という意味です(その段階がなかったという意味ではありません)。
Vera Rubinについては、もう少し丁寧に書きます。
- 2026年1月のCESの発表は、「Rubinはfull productionに入っており、Rubinベースの製品は2026年後半にパートナーから提供される」としていました。
- 2026年2月提出のFY2026の10-Kは、Rubinの量産品の出荷が「FY2027の後半(2026年7月27日〜2027年1月31日)に始まる見込み」と書いていました。
- 2026年8月26日提出の10-Qは、「Vera RubinはFY2027第3四半期に量産品の出荷を始めた」と書いています。
- 2026年11月16日のNVIDIAのブログは、Vera Rubin NVL72のMLPerf(AIの性能を測る業界ベンチマーク)の結果を載せています。このうち推論のMLPerf Endpointsの結果は、MLCommonsによる検証待ちの暫定結果だと注記されています(学習のMLPerf Training v6.1の結果は公表済みです)。
- 主要なクラウド事業者で一般提供(誰でも借りられる状態)が始まったかどうかは、2026年11月17日時点で未確認です。
「full production(量産中)」は、工場で作り始めたという意味で、顧客の手元に届いたことや、誰でも使えることを意味しません。
13. 独自分析①:売上構成の変化を10-Kの数字で見る
ここからは、10-Kの数字を使った筆者の分析です。
市場別売上の推移
NVIDIAは10-Kの注記で、売上を市場(Data Center、Gaming、Professional Visualization、Automotive、OEM & Other)別に開示しています。選んだ年度の数字と、そこから計算した構成比が次の表です(単位:百万ドル、構成比は筆者計算)。
| FY | 期間(暦) | Data Center | Gaming | 合計 | DCの比率 | ゲームの比率 |
|---|---|---|---|---|---|---|
| FY2014 | 2013-01-28〜2014-01-26 | 199 | 1,511 | 4,130 | 4.8% | 36.6% |
| FY2016 | 2015-01-26〜2016-01-31 | 339 | 2,818 | 5,010 | 6.8% | 56.2% |
| FY2018 | 2017-01-30〜2018-01-28 | 1,932 | 5,513 | 9,714 | 19.9% | 56.8% |
| FY2020 | 2019-01-28〜2020-01-26 | 2,983 | 5,518 | 10,918 | 27.3% | 50.5% |
| FY2021 | 2020-01-27〜2021-01-31 | 6,696 | 7,759 | 16,675 | 40.2% | 46.5% |
| FY2022 | 2021-02-01〜2022-01-30 | 10,613 | 12,462 | 26,914 | 39.4% | 46.3% |
| FY2023 | 2022-01-31〜2023-01-29 | 15,005 | 9,067 | 26,974 | 55.6% | 33.6% |
| FY2024 | 2023-01-30〜2024-01-28 | 47,525 | 10,447 | 60,922 | 78.0% | 17.1% |
| FY2025 | 2024-01-29〜2025-01-26 | 115,186 | 11,350 | 130,497 | 88.3% | 8.7% |
| FY2026 | 2025-01-27〜2026-01-25 | 193,737 | 16,042 | 215,938 | 89.7% | 7.4% |
出典:各年度の10-K(FY2014とFY2016はFY2016の10-K、FY2018はFY2018の10-K、FY2020はFY2020の10-K、FY2021はFY2021の10-K、FY2022とFY2023はFY2023の10-K、FY2024とFY2025はFY2025の10-K、FY2026はFY2026の10-K)。合計にはProfessional Visualization、Automotive、OEM & Otherを含みます。同じ年度の数字が複数の10-Kに載っている場合は突き合わせ、今回の表の範囲では修正(再表示)がないことを確認しました。
計算に使ったコード
構成比と成長率は、次のPythonスクリプトで計算しました。内訳の合計が10-Kの合計と一致するかを最初に検査し、転記ミスを防いでいます。
- 言語:Python 3.9.6(標準ライブラリのみ、追加の依存なし)
- 実行環境:Apple M4 Pro(macOS)、インタープリタは /usr/bin/python3(Python 3.9.6)。GPUは不要です。
- 実行方法:
python3 nvidia_revenue_mix.py
"""NVIDIA の市場別売上(10-K の "revenue by specialized markets" 表)から構成比と成長率を計算する。
数値の単位は百万米ドル。出典は各年度の Form 10-K(EDGAR)。
FY は1月下旬に終わる会計年度(例: FY2026 = 2025-01-27〜2026-01-25)。
"""
# 年度: (Data Center, Gaming, Professional Visualization, Automotive, OEM & Other/IP, 合計, 会計年度の期間)
REVENUE = {
"FY2014": (199, 1511, 789, 99, 1532, 4130, "2013-01-28〜2014-01-26"),
"FY2016": (339, 2818, 750, 320, 783, 5010, "2015-01-26〜2016-01-31"),
"FY2018": (1932, 5513, 934, 558, 777, 9714, "2017-01-30〜2018-01-28"),
"FY2020": (2983, 5518, 1212, 700, 505, 10918, "2019-01-28〜2020-01-26"),
"FY2021": (6696, 7759, 1053, 536, 631, 16675, "2020-01-27〜2021-01-31"),
"FY2022": (10613, 12462, 2111, 566, 1162, 26914, "2021-02-01〜2022-01-30"),
"FY2023": (15005, 9067, 1544, 903, 455, 26974, "2022-01-31〜2023-01-29"),
"FY2024": (47525, 10447, 1553, 1091, 306, 60922, "2023-01-30〜2024-01-28"),
"FY2025": (115186, 11350, 1878, 1694, 389, 130497, "2024-01-29〜2025-01-26"),
"FY2026": (193737, 16042, 3191, 2349, 619, 215938, "2025-01-27〜2026-01-25"),
}
def main() -> None:
# 1) 内訳の合計が 10-K の合計と一致するか(転記ミスの検出)
for fy, (*parts, total, _span) in REVENUE.items():
assert sum(parts) == total, f"{fy}: 内訳の合計 {sum(parts)} != 合計 {total}"
# 2) 構成比
print(f"{'FY':<7}{'期間':<24}{'DC':>8}{'Gaming':>8}{'その他':>8}{'DC/Gaming':>11}")
for fy, (dc, gaming, pv, auto, oem, total, span) in REVENUE.items():
other = (pv + auto + oem) / total
print(f"{fy:<7}{span:<24}{dc / total:>8.1%}{gaming / total:>8.1%}{other:>8.1%}{dc / gaming:>11.2f}")
# 3) Data Center がゲームを初めて上回った年度
first = next(fy for fy, v in REVENUE.items() if v[0] > v[1])
print(f"\nData Center が Gaming を初めて上回った年度(この表の範囲): {first}")
# 4) 年平均成長率(CAGR): (終値 / 始値) ** (1 / 年数) - 1
def cagr(start: float, end: float, years: int) -> float:
return (end / start) ** (1 / years) - 1
dc14, g14, t14 = REVENUE["FY2014"][0], REVENUE["FY2014"][1], REVENUE["FY2014"][5]
dc26, g26, t26 = REVENUE["FY2026"][0], REVENUE["FY2026"][1], REVENUE["FY2026"][5]
print(f"FY2014→FY2026(12年)の CAGR: Data Center {cagr(dc14, dc26, 12):.1%}, "
f"Gaming {cagr(g14, g26, 12):.1%}, 合計 {cagr(t14, t26, 12):.1%}")
print(f"倍率: Data Center {dc26 / dc14:.0f}倍, Gaming {g26 / g14:.1f}倍, 合計 {t26 / t14:.1f}倍")
if __name__ == "__main__":
main()
実行結果(この環境で実行した出力をそのまま載せています):
FY 期間 DC Gaming その他 DC/Gaming
FY2014 2013-01-28〜2014-01-26 4.8% 36.6% 58.6% 0.13
FY2016 2015-01-26〜2016-01-31 6.8% 56.2% 37.0% 0.12
FY2018 2017-01-30〜2018-01-28 19.9% 56.8% 23.4% 0.35
FY2020 2019-01-28〜2020-01-26 27.3% 50.5% 22.1% 0.54
FY2021 2020-01-27〜2021-01-31 40.2% 46.5% 13.3% 0.86
FY2022 2021-02-01〜2022-01-30 39.4% 46.3% 14.3% 0.85
FY2023 2022-01-31〜2023-01-29 55.6% 33.6% 10.8% 1.65
FY2024 2023-01-30〜2024-01-28 78.0% 17.1% 4.8% 4.55
FY2025 2024-01-29〜2025-01-26 88.3% 8.7% 3.0% 10.15
FY2026 2025-01-27〜2026-01-25 89.7% 7.4% 2.9% 12.08
Data Center が Gaming を初めて上回った年度(この表の範囲): FY2023
FY2014→FY2026(12年)の CAGR: Data Center 77.4%, Gaming 21.8%, 合計 39.1%
倍率: Data Center 974倍, Gaming 10.6倍, 合計 52.3倍
出力の最後の3行は、Data CenterがGamingを初めて上回ったのがFY2023(この表の範囲)であること、FY2014→FY2026(12年)の年平均成長率がData Center 77.4%、Gaming 21.8%、合計 39.1%であること、倍率がData Center 974倍、Gaming 10.6倍、合計 52.3倍であることを示しています。
年平均成長率(CAGR)は、次の式で計算しています。始めの値を 、終わりの値を 、年数を とします。
データセンターのFY2014→FY2026(12年)なら、次のとおりです。
表から読み取れること
- データセンターがゲームを初めて上回ったのはFY2023(2022年1月〜2023年1月)です。FY2021とFY2022では、データセンターはゲームの約0.85倍でした。
- ゲームは縮んでいません。 FY2026のゲーム売上160億4,200万ドルは表の中で最大で、FY2014の10.6倍です。FY2026の10-Kは、ゲーム売上が前年度から41%増えたと書いています。比率が7.4%まで下がったのは、データセンターが12年で974倍という、桁違いの速さで伸びたからです。
- 転換点はFY2024(2023年1月〜2024年1月)です。データセンター売上は1年で3.17倍(10-Kの表現では217%増)になりました。FY2024の10-Kは、同年度のデータセンター売上の約40%がAIの推論(学習済みモデルを使う処理)向けだったという同社の推計も示しています。
この表を読むときの注意
- 分類の名前と中身は変わっています。 FY2018の10-Kまでは「Datacenter」「OEM & IP」、その後は「Data Center」「OEM & Other」です。FY2025の10-Kからは、データセンターが計算(Compute)とネットワーク(Networking)に分けて示されています。
- FY2014の「その他」が大きい(58.6%)のは、OEM向けの製品に加えて、Intelとの特許クロスライセンス(2011年1月に結んだ、6年間で総額15億ドルの契約)の収入が含まれていたためと考えられます。FY2016の10-Kによると、このライセンス収入はFY2014〜FY2016に毎年2億6,400万ドルで、FY2014の総売上の約6.4%に当たります(筆者計算)。ただし、市場別の表のどの行に入るかは10-Kに明記されていないため、「OEM & IP」に含まれるというのは筆者の推測です。
- FY2022の数字には暗号資産の採掘需要が混じっています。 FY2022の10-Kによると、OEM & Otherの増加は主に採掘専用製品(CMP)によるもので、CMPの売上は5億5,000万ドルでした。ゲーム用GPUの一部も採掘に使われていたと同社は書いていますが、その規模は「推定が難しい」としています。
- ネットワーク売上はMellanoxの売上と比べられません。 FY2026の10-Kによると、ネットワーク売上の伸びには、GB200・GB300のシステムで使うNVLinkの接続部品が含まれています。FY2026のネットワーク売上313億7,600万ドルを、Mellanoxの2019年の売上13億3,060万ドルと単純に比べて「買収の成果」とは言えません。
- 顧客が集中しています。 FY2026の10-Kによると、直接の顧客1社が総売上の22%、別の1社が14%を占めました。社名は開示されていません。
14. 独自分析②:技術の賭けが売上になるまでの時間差
次に、主な技術の賭けについて、「その賭けをした時期」と「10-Kの数字に最初にはっきり表れた時期」を並べてみます。時間差は目安で、因果関係を証明するものではありません。
| 賭け | 時期(暦年) | 10-Kなどの数字に表れた回収 | 時間差の目安 |
|---|---|---|---|
| 業界標準(Direct3D)への転換 | 1996年にNV1の販売を停止、1997年4月にRIVA 128を発表(8月に量産出荷) | 1997年の売上2,907万ドル(前年の約7.4倍) | 1〜2年 |
| T&Lの統合(GeForce 256) | 1999年8月に出荷 | FY2001の売上7億3,526万ドル(FY2000の約2倍) | 1〜2年 |
| CUDA(汎用計算) | 2006年11月に発表、2007年6月に正式版 | データセンター売上が初めて10億ドルを超えたのはFY2018(19億3,200万ドル) | 約11年 |
| 深層学習の受け皿(AlexNetは外部の研究) | 2012年 | データセンターがゲームを上回ったのはFY2023 | 約10年 |
| HBM2・NVLink・Tensor Core(P100・V100) | 2016〜2017年 | FY2017にDC +145%、FY2018に+133%(10-Kは「Voltaが牽引」と記載) | 0〜1年 |
| Mellanox買収 | 2019年発表、2020年4月完了 | FY2021にMellanoxが全社売上の10% | 同じ年度(買収した売上がそのまま加わる) |
| Hopper | 2022年3月発表、FY2023に出荷開始 | FY2024にDC 3.17倍。FY2025の10-Kは「Hopperへの需要が成長を牽引」と記載 | 1〜2年 |
| Blackwell | 2024年3月発表、FY2025第4四半期に出荷開始 | FY2026の10-Kは、データセンターの計算の売上59%増を「Blackwellへの需要」によるものと記載 | 約1年 |
| Vera Rubin | 2026年1月に発表、FY2027第3四半期に出荷開始 | 未確定(2026年11月17日時点) | — |
この表から言えること
時間差は、約10年から約1年へ短くなっています。 ただし、意味が違う2種類の賭けが混ざっている点に注意が必要です。
- 土台をつくる賭け(CUDA、汎用計算機としての作り込み)は、回収に10年前後かかりました。CUDAを発表した2006年には、深層学習の需要はまだありませんでした。
- 土台の上で世代を重ねる賭け(Volta以降の各世代)は、需要がすでにある市場に製品を出すので、出荷から1〜2年で売上に表れます。
言い換えると、Hopper以降の速い回収は、CUDAという10年がかりの土台があって初めて成り立っています。
この分析の限界
- 生存者バイアス:表に並んでいるのは、結果的にうまくいった賭けです。NV1とNV2、Armの買収(前払い金の償却による13億5,000万ドルの費用)のような失敗は、同じ会社の歴史の一部です。
- 需要側の要因を分けていない:FY2024の急増には、生成AIの需要という外部の要因が大きく効いています。技術の賭けだけで売上を説明することはできません。
- 時期の粒度が粗い:10-Kは年度単位の開示が中心で、月単位の因果は追えません。
3つの教訓(筆者の解釈)
ここまでの歴史から、筆者は次の3つを読み取りました。事実ではなく解釈として書きます。
- エコシステムは技術に勝つ:NV1は技術的に筋が通っていましたが、開発者とAPIがついてこず失敗しました。CUDAは逆に、開発者が積み上げたコードがそのまま参入障壁になりました。
- 土台の賭けは、需要が来る前に始まっている:CUDAは、深層学習の需要が見える6年前に発表されています。回収まで10年かかる投資を続けられたことが、のちの差になりました。
- 単位が「チップ」から「データセンター」へ上がった:HBM(メモリ)、NVLink(サーバー内の接続)、Mellanox(サーバー間の接続)と、ボトルネックを1つずつ自社の製品の内側に取り込んできました。
15. 独自分析③:「GPUの会社」から「AIインフラの会社」へ、自己紹介文の変遷
会社が自分をどう説明しているかも、変化を映しています。10-Kの事業の説明(Item 1)の冒頭の一文を並べました(原文、抜粋)。
| FY | 10-Kの冒頭の自己紹介 |
|---|---|
| FY2000 | 3Dグラフィックスプロセッサ、GPU、関連ソフトウェアのファミリーを設計・開発・販売する("We design, develop and market a "top-to-bottom" family of award-winning 3D graphics processors, graphics processing units…") |
| FY2008 | ビジュアルコンピューティング技術の世界的リーダーで、GPUの発明者("the worldwide leader in visual computing technologies and the inventor of the graphic processing unit") |
| FY2016 | ビジュアルコンピューティングの世界的リーダー。AIなどの新しい分野での躍進を支える("NVIDIA is the world leader in visual computing. … power breakthroughs in new areas like artificial intelligence, virtual reality and autonomous cars.") |
| FY2017 | PCグラフィックスから始まりGPUを発明した。近年はAIに重点を広げている("…We have extended our emphasis in recent years to the revolutionary field of artificial intelligence") |
| FY2020 | アクセラレーテッド・コンピューティングの先駆者("NVIDIA pioneered accelerated computing…") |
| FY2024 | フルスタックのコンピューティング・インフラ企業("NVIDIA is now a full-stack computing infrastructure company with data-center-scale offerings…") |
| FY2026 | データセンター規模のAIインフラ企業("NVIDIA is now a data center scale AI infrastructure company reshaping all industries.") |
FY2016までの主語は「ビジュアルコンピューティング(画像の計算)」でした。FY2016の10-Kもすでに、応用先の例として人工知能に触れています("power breakthroughs in new areas like artificial intelligence")。ただ、AIを事業の「重点」と書いたのはFY2017が最初です。その後、FY2020に「アクセラレーテッド・コンピューティング(GPUなどで計算を加速すること)」へ、FY2024に「インフラ」へ変わります。FY2026では「AIインフラ」と、AIが会社の定義そのものに入りました。
13節の売上の表と重ねると、自己紹介文の変化は、売上構成の変化より少し早いことが分かります。応用先として人工知能に触れたFY2016の時点で、データセンターの比率は6.8%、AIを「重点」と書いたFY2017でもまだ12%でした(FY2017のデータセンター売上8億3,000万ドル÷総売上69億1,000万ドル、筆者計算)。会社は、売上がついてくる前から、自分を新しい言葉で説明し始めていたことになります。
16. 限界と反論:この歴史をどう読むべきか
最後に、この記事の見方に対する反論と限界を挙げます。
- 会社の資料は会社に有利に書かれる:「世界初のGPU」「最初の統合シェーダ」といった表現は、NVIDIAの定義に基づく主張です。6節と7節で見たように、ATIのRadeon 9700やXbox 360のように、競合や他社の製品が先行した部分もあります。
- 偶然の要素:AlexNetはNVIDIAの外で生まれた研究で、深層学習がGPUと相性がよかったことには、幸運の面もあります。「NVIDIAがAIの時代を予見していた」と書くのは、後から見た物語になりがちです。
- 初期の歴史は回想に頼る部分がある:NV1の設計思想やセガとの関係は、当事者のブログ(ローゼンタール氏)と業界の歴史家(ペディ氏)の記述に頼っています。S-1はセガの名前を出していません。
- 集中のリスク:売上の約9割がデータセンターで、2社の顧客が合わせて36%を占めています(FY2026)。過去にゲームや暗号資産で需要の急な増減を経験してきた会社が、いまは別の種類の集中を抱えています。
- 経営体制の変化:2026年11月、33年間CEOを務めた共同創業者が辞任しました。この記事で見た技術の賭けの多くは、同じ経営陣のもとで続けられてきました。今後の方針は、正式な後任CEOの選任を待つ必要があります。
まとめ
- NVIDIAは1993年4月5日に3人のエンジニアが創業した。最初の製品NV1は、三角形ではなく曲面で描く技術的に筋の通った方式だったが、業界がDirect3DとOpenGLに標準化したことで失敗した。
- 1997年のRIVA 128で標準に乗って生き残り、1999年のGeForce 256で自社の定義による「世界初のGPU」を出した。2001年のプログラマブル・シェーダ、2006年の統合シェーダとCUDAで、GPUは汎用の並列計算機になった。
- 2012年のAlexNetはゲーム用のGTX 580 2枚で学習された。NVIDIAの汎用計算への投資が、外部で起きた深層学習の転機を受け止めた。その後、HBM2・NVLink(P100)、Tensor Core(V100)、Mellanoxの買収で、GPU単体からデータセンター全体へと事業の単位を広げた。
- 10-Kの市場別売上では、データセンターの比率はFY2014の4.8%からFY2026の89.7%に上がった。ゲームも10.6倍に伸びており、ゲームが縮んだのではなく、データセンターが桁違いに伸びた。
- CUDAの発表からデータセンター売上が10億ドルを超えるまで約11年かかったが、Hopper以降の世代は1〜2年で売上に表れている。ただし、NV1やArm買収の断念のような失敗も含めて読む必要がある。
- Vera Rubinは2026年8月の10-Qで量産品の出荷開始が報告されたが、クラウドでの一般提供は2026年11月17日時点で未確認。
GPUがAIの計算に強い技術的な理由は、同じシリーズのNVIDIAのGPUはなぜAIに強いのかで、Tensor Core・低精度演算・HBM・NVLinkの4層から解説しています。
同じ出来事を創業者の意思決定の側から検証したジェンスン・ファンの人物史と技術経営と、ここからの競争と将来を扱うNVIDIAの強みはCUDA独占だけではないもあわせてお読みください。