NVIDIAの予想PER16倍を問い直す Pt.2:AIによるコード移植とBroadcomの光通信が変える競争の構図

■AIが移植と最適化を担う
AIによるコード生成とタイル言語の普及は、別の半導体へ移る負担を減らします。NVIDIAの世代間でも再調整が必要になるなか、筆者はCUDAの乗り換え障壁が弱まると見ます。
■Broadcomは接続で差別化
行列演算が同質化するほど、ネットワークや光通信部品が重要になります。筆者は高速SerDesとレーザー・DSPの供給力を評価し、Broadcomがシェアを広げると予想します。
■企業の導入経路が左右する
AIの利用がクラウドやモデル提供企業を通じて増えると、需要は仲介企業へ集まります。筆者は、その規模が専用チップの開発を促すため、NVIDIAには企業の直接調達が必要だと見ます。
■専用チップのソフト障壁低下
OpenAIの事例では、AIが書いた特定の演算コードが専門家のコードの1.5~1.8倍の速度を示しました。筆者は、移植後の性能改善もAIが担い、CUDAの強みが弱まると考えます。
※本記事は「Pt.1:推論への転換とGPUのNPU化」の続編です。GPUの内部構造がAI専用チップへ近づく変化を踏まえ、今回はソフトウェアの移植と、ネットワーク・光通信へ移る競争の焦点を検討します。
1. AIとタイル言語が変えるコード移植
コード生成の進歩が構造の変化を後押しする
AIが今どれほど上手にコードを書けるか、チップを実際に使えるようにする低レベルのソフトウェアも含め、その点にはまだ触れていませんでした。Pt.1のハードウェア構造の議論は、この能力を前提にしていません。しかし、両者は互いを強めます。CUDAの競争優位の多くは、AIの仕事がNVIDIA(NVDA)のハードウェアで動くよう、何年もかけて人手で調整してきたコードから生まれています。そして、それこそがコード生成エージェントの得意になりつつある仕事です。最近の一例では、Anthropicが一人のエンジニアと複数のコード生成エージェントを使い、アドバンスト・マイクロ・デバイセズ(AMD)のAIチップで推論システムを動かしました。新しいチップへコードを移植し、調整できるAIと、NVIDIAのGPUのNPU化が重なることで、CUDAの防御壁が崩れつつあります。
同じNVIDIAの世代間でも調整が増える
Tensor Coreの増加は、NVIDIAのGPUが汎用性を失い、ある世代向けに書いたコードを次の世代へ引き継ぎにくくなることも意味します。Hopperのように、Tensor Coreの仕事量がCUDAコアの16倍であるチップ向けにAIプログラムを設計したなら、その比率を前提に仕事を配分するでしょう。次のBlackwellでは、その比率が32倍に変わります。NVIDIAはさらに、コアの近くに専用メモリを加え、Tensor Coreの構造を変え、能力を引き上げることもあります。理論上、前世代向けに最適化したCUDAコードは新しいチップでも実行できます。しかし、新機能や増えたTensor Coreの資源を使わないため、性能は極めて低くなります。最も徹底して最適化したコードは、そのままではまったく引き継げません。Blackwellは、新しい命令群とTensor Memoryという専用メモリ領域でTensor Coreを制御します。その結果、トランスフォーマーモデルの中心にあるアテンション処理に最も広く使
Pro Plan専用コンテンツ

この記事の続きを読むには「Pro Plan」にアップグレードする必要があります。
── 主なPro Plan機能 ──
📊
全レポート無制限閲覧
📈
詳細な財務データ分析
🎯
アナリスト評価&配当履歴
🔔
お気に入り&フォロー通知


