← 一覧へ戻る

Claude が書いた記事

なぜ NVIDIA が AI で勝ち続ける構造なのか

性能勝負として見ると NVIDIA の強さは説明できない。本当の勝因は CUDA というソフトウェア生態系で、AMD や Intel が伸び切らない理由は移行コストにある、と腹落ちするまでのログ。

俺の最初の疑問

なんで NVIDIA だけがここまで強いんや？ 同等の GPU を安く売れば売れるはずやのに、なんで AMD や Intel は伸び切らへんのや？

まず一言でいうと

NVIDIA の本当の強みは GPU そのものの性能 じゃない。 CUDA というソフトウェア資産 (プログラミング環境 + ライブラリ + 人材プール) を、長年かけて積み上げ続けてきた “蓄積速度” にある。

ハードは他社も作れる。事実、AMD も Intel もスペック上は引けを取らんチップを出してる。 でも世界中の AI コードと AI 人材が CUDA に集まっていて、そこから離れるコスト (＝移行コスト) が、ハードの価格差では割に合わないほど大きい。

つまりこれは 性能競争じゃなく、ソフトウェア生態系をめぐる競争戦略 という構図になっている。

何と比べるとわかるか

一番馴染みやすい類推は iPhone と iOS。これをこの記事の軸にする。

iPhone と iOSNVIDIA と CUDA
ハード本体iPhone (A シリーズチップ)NVIDIA GPU
プラットフォームiOSCUDA
アプリ / 資産群App Store のアプリcuDNN、PyTorch、各種ライブラリ
競合が苦戦する理由Android のスペックが上でも、アプリ・連携・蓄積が iOS にしかなければ移れないAMD GPU の方が安くても、AI コード・ライブラリ・人材が CUDA に集まっていれば移れない

つまり NVIDIA はチップ屋というより、iOS のような開発プラットフォームを抱えた会社 として見るのが現実に近い。 「GPU 屋同士の性能勝負」と見てる限り、なぜ NVIDIA が勝ち続けるのか永遠にわからない。

そもそも CUDA って何なん

ここがハマりやすい。CUDA は 単一の製品ではなく、いくつかのソフトウェア部品の “集合” の呼び名。 よく階層図で説明されるけど、公式に決まった厳密なレイヤ構造があるわけではない。機能的にこういう部品が一塊で動いてる、という捉え方が現実に近い。

主に含まれる部品：

  • プログラミングモデル (CUDA C++ など)── GPU 上で動かすコードを書くための言語拡張
  • コンパイラツールチェーン (nvcc など)── 書いたコードを GPU 用に翻訳
  • ランタイム (CUDA Runtime / Driver API)── 実行時に GPU と会話するライブラリ
  • 数値ライブラリ (cuDNN、cuBLAS、NCCL、TensorRT など)── 深層学習・行列演算・GPU 間通信の最適化済み実装。他社が真似しきれていない厚みを持つ本丸はここ
  • GPU 実行環境 (NVIDIA GPU 上のドライバ等)── 上記が前提にしている土台

iOS だって「カーネル」「フレームワーク」「App Store」「Xcode」「Apple Silicon との連携」の集合体で、「iOS という単一の何か」が独立して存在するわけじゃない。CUDA も同じように “集合” として見たほうが構造が正しく見える。

CUDA を「ソフトウェア部品の集合」として見た図。公式に決まった階層ではなく、機能的にこういう部品が一塊で動いている。本丸の厚みは cuDNN などの数値ライブラリにある。

何が問題なのか (一言で言うと「移行コストが高すぎる」)

「同等の GPU を安く売れば売れるはず」が成り立たない理由は、突き詰めると すべて “移行コスト” に行き着く。 別々の壁として並べると混乱するので、ひとつの概念にまとめる。

移行コストの中身：

種類何
技術的コストCUDA は NVIDIA GPU 内部構造を前提に作られている。他社環境で動かすには変換層が必要で、性能ペナルティも出やすい
開発コスト既存コード (PyTorch モデル・最適化済みカーネル等) を他社環境に移植する人件費。エンジニア数人 × 数ヶ月オーダー
エコシステム依存cuDNN 等のライブラリが NVIDIA ハードに合わせて最適化されている。同等品 (AMD MIOpen 等) の取り組みはあるが、追従に時間がかかる
学習コスト世界中の研究者・エンジニアが CUDA 前提でスキルを積んでいる。論文・サンプル・教材も同様。組織側のスキル入れ替えコストが見えにくい形で乗る

これらを合算したものが「移行コスト」。 そして AI 学習では 「数億円規模の学習が途中で落ちる」リスク も加わるので、企業の値段感度はさらに下がりやすい。

結果、ハードの価格差が 20〜30% あっても、移行コストでひっくり返って NVIDIA を選ぶほうが結局安く付く、という判断になりがち。 これは「NVIDIA の GPU が一番速い」という話ではなく、「他を選ぶ実質コストが高い」という構造から来ている。

NVIDIA は 2021 年に CUDA の利用規約に「NVIDIA 以外のハードで CUDA を動かす変換層を作るな」という条項を加えており、技術 + ライセンスの両面で移行を難しくしている、という指摘もある。

図で見る (競合各社の戦い方)

「他社は諦めてないんか？」への答え。 全然諦めてない。むしろ歴史上類を見ない規模で包囲網が形成されている。ただし戦い方が 5 つに分かれている。

①は技術 + ライセンスの壁にぶつかる正攻法。②はハイパースケーラの自社チップで、現状もっとも実勢的に効いていると見られている戦略。⑤は米中対立による強制フォーク。NVIDIA が一番警戒しているのは独禁法より②や次世代パラダイム、と言われる。

混乱しやすいポイント

「代替は存在しない」は言い過ぎ

代替はある。OpenCL、Vulkan Compute、SYCL、ROCm、Triton、OpenXLA など、CUDA 以外の経路で GPU を使う / 別ハードに移行する選択肢は複数ある。 ただし、性能・ライブラリの厚み・人材プールの面で CUDA ほど実用普及していないだけ。 「ない」と「広く使われていない」は別物。ここを混同するとニュースを読み違える。

GPU 性能だけでは勝負が決まらない

紙のスペック (FLOPS、メモリ容量等) だけで見ると、AMD MI300X などは H100 と十分競争力がある。 それでも市場で大きく差がつくのは、ソフトウェア資産の差が実測性能・移行コスト・運用リスクに跳ね返ってくるから。 「ハードで勝つ」だけでは生態系競争に勝てない、というのが今の構造。

「独占的地位」自体は違法じゃない

独禁法でよく誤解される点。

  • 市場で勝ちすぎていること自体は違法ではない
  • 違法になりうるのは その地位を使って競争を不当に妨害する行為

NVIDIA に対しては米 DOJ、EU、フランス、中国で調査が動いていると報じられている。ただし過去の似た事案 (MS / IE、Intel / AMD、Apple / Epic) を見るに、独禁法は行為を変えさせることはあっても、地位そのものを崩すケースは多くない。

顧客が少ないのに買い手有利にならない不思議

普通の市場：顧客が少ないと買い手が値段を叩ける (Walmart vs 食品メーカー)。 NVIDIA：AI GPU の意味ある顧客は 世界で数十社、上位 4 社で売上の 4〜5 割と推計する報道もある。 普通なら顧客が値引き要求できる構造のはず。

ところが実態は逆で、顧客側が「在庫を分けてください」と頼む立場と言われる。理由：

  • CUDA ロックインで他に移行しにくい (＝移行コストの話)
  • CoWoS 等の制約でそもそも作れる量が限られる
  • 学習に乗り遅れる損失 ≫ ハードの価格差 という非対称性

結果、少ない顧客 + 強い売り手 という、ASML に似た特殊構造になっている。 ただし NVIDIA の顧客は同時に自社チップを作る潜在的競合でもあり、ASML よりは長期的にバランスが揺らぎやすい。

たとえ話

  • iPhone と iOS ＝ ハード (GPU) と CUDA の関係。世界中のアプリ (AI ライブラリ) が iOS にしかなければ Android はスペックで勝っても伸びにくい
  • iPhone → Android 乗り換えの面倒さ ＝ CUDA → 他社 GPU の移行コストとほぼ同じ構造。アプリ・データ・連携を全部やり直す手間が壁になる
  • 電気のコンセント規格 ＝ NVIDIA 型コンセントが世界に普及した後で、他社が「うちの方が安いコンセント」と言っても、挿せる家電が少ない
  • ソニーのテレビの独自端子 ＝ HDMI (OpenCL) も挿せるが、4K HDR は独自端子 (CUDA) でしか映らない、という設計に近い
  • A チップ × iOS ＝ ハードとソフトを同じ会社が共進化させてる構造。外部から同等品を組み立てるのが難しい例

ニュースを読むための変換表

ニュースの言葉つまり何の話？
CUDA エコシステムプログラミング環境 + ライブラリ + 人材の蓄積全体。“堀” の話のときはこれ
移行コストの高さ技術 + 開発 + エコシステム + 学習 を合算した、他社環境に移すための総コスト
ROCm が CUDA に追いつかないAMD の cuDNN 相当 (MIOpen 等) の最適化・対応範囲がまだ狭い、という話
翻訳層 / トランスレーションレイヤCUDA コードを他社 GPU で動かす互換層。NVIDIA は EULA で禁止している
ハイパースケーラの自社チップTPU / Trainium / Maia / MTIA。自社用途に絞って NVIDIA から離れる戦略
Sovereign AI国家が GPU を直接調達する動き。NVIDIA の顧客分散戦略の一翼
DGX CloudNVIDIA が直接 AI クラウドを売る動き。最大顧客 (ハイパースケーラ) と部分的に競合する
NVIDIA の独禁調査DOJ・EU・フランス・中国で動いていると報じられている。地位そのものより、特定の行為が論点
ソフトウェア資産蓄積されたコード・ライブラリ・人材スキル。NVIDIA の本当の競争優位の源
深掘りメニュー 次におすすめのトピック

この記事は「腹落ち」まで到達しきっていないので、次の追加セッションで以下のどれかを掘るといい。

  • ハイパースケーラの自社チップ ── Google / AWS / Meta / MS が今後 5 年で NVIDIA からどれだけシェアを取るか。moat の崩れ方を測る本命。
  • Google TPU の外販しない戦略 ── 戦略的に強い手を売らない理由。クラウド囲い込みの設計思想が見える。
  • Sovereign AI (国家による GPU 調達) ── 各国の予算規模を数字で。需要側の構造を知る。
  • Huawei Ascend と輸出規制 ── 規制下で西側水準にどこまで迫れるか。地政学と技術の交点。
  • CUDA 資産と次世代パラダイム ── 量子・光・新アーキが来たとき、積み上げた資産がどう変質するか。moat の寿命。
  • 独禁法 (EU・フランス) ── 規制がどの時間軸で動くか。moat への外圧。