NVIDIA、ギガワット規模のAIインフラに向けた投資対効果の論理を提示

マルチメガワット規模のAIインフラを巡る経済性

現代のAIデータセンターがメガワットからギガワット規模へと拡大するにつれ、コンピュート能力の構築は莫大な資本投下を伴う事業となっている。工場規模の設備容量1メガワットあたりのコストは約6,000万ドルに達しており、事業者は長期的な投資対効果（ROI）によってその投資を正当化することを迫られている。10月1日、NVIDIAはいわゆる「AIファクトリー」に関する詳細な財務フレームワークを公表し、商業的なリターンは「収益力」「ハードウェアの耐用年数」「ワークロードの融通性（代替可能性）」という相互に関連する3つの変数に左右されると論じた。

NVIDIAによると、ハードウェアの収益性はピーク時の処理速度や短期的な需要急増だけに依存することはできないという。持続可能なインフラには、一定の電力枠内で出力を最大化し、複数年の減価償却サイクルを通じて二次流通市場での価値を維持し、統一されたソフトウェアスタックを通じてAIワークロードと非AIワークロードの双方を実行できる能力が求められる。同社はこのフレームワークを、中央ヨーロッパ夏時間（CEST）の10月21日午前11時に予定されているGTC Berlinでの創業者兼CEO Jensen Huangの基調講演に先駆けて発表した。

ベンチマーク、フリートの長寿命性、企業での導入実績データ

ハイパースケーラーやクラウド事業者にとって利用可能な電力が運用のボトルネックであり続ける中、収益力の中核となるのは電力効率である。NVIDIAはSemiAnalysis AgentXのデータを引き合いに出し、今後登場するVera Rubin NVL72システムが、DeepSeek V4 Proモデルの実行時においてGB300 NVL72システムと比べて1メガワットあたり30倍以上のスループットを達成し、100万トークンあたりのコストを最大45分の1に削減すると強調した。同社はさらに、GLM 5.3モデルにおけるGB300 NVL72の性能を評価したAgentXの分析結果にも言及している。

急速な世代交代によって旧型シリコンがすぐに陳腐化するという懸念に対し、NVIDIAはデータセンターの設備群が本来の会計上の耐用年数を大幅に超えて実用性を維持していることを示すデータを提示した。

• 耐用年数の延長： 2020年に投入されたNVIDIA A100 GPUは、6年が経過した現在も商業サービスで稼働を続けている。クラウドプロバイダーのCoreWeaveは最近、2020年に初導入されたハードウェアに対する顧客の予約枠を2029年まで延長した。

• 中古市場の価値と契約： Barkrによる独立評価では、8基のGPUを搭載するH100システムの経済的耐用年数は5〜6年と見積もられており、GB300 NVL72については機器の転売動向に基づいて9〜10年と予測されている。Silicon Dataの調査によると、標準的な5年の減価償却スケジュールで帳簿価格がゼロになるにもかかわらず、6年経過したA100プロセッサは当初の取得価格の25％の価格を維持している。また、Ornn Dataの市場指標によれば、A100システムの5年レンタル契約は、短期の1か月リース価格の80％という高い水準を維持している。

• 減価償却スケジュール： Sproutによる2026年9月のレポート「データセンターGPUの生産的耐用年数（The Productive Life of a Data Center GPU）」では、大手クラウド事業者がサーバーの減価償却期間を一貫して後退させていることが指摘された。過去の事例では、MicrosoftはNVIDIA V100クラスターを、会計上の帳簿耐用年数6年に対して8.4年にわたり運用した実績がある。

NVIDIAはこの長寿命性の要因として、1,000以上のCUDA-Xライブラリと1,000万人の開発者に支えられたCUDAエコシステムの後方互換性を挙げている。新しいアルゴリズムパターンが既存のシリコン上でも動作するため、事業者は資産の座礁化（座礁資産化）を回避できる。

現在の大規模導入実績も、この幅広いハードウェアの実用性を反映している。

• Eli Lillyは、低分子、タンパク質、ゲノミクスのモデリングや社内向けエージェントアシスタントを支える1,016基のGPUオンプレミスクラスターを運用している。

• Pinterestは、NVIDIA Blackwell、Hopper、レガシーアーキテクチャを組み合わせた14,000基のGPUクラウド環境上で、ビジョン言語モデルの事後学習および推論を実行している。

• Revolutは、基幹モデルのトレーニングおよびデプロイに先立ち、cuDFライブラリを活用して数十億件規模の銀行取引データを処理している。

• Runwayはパイプラインを世代ごとに分割し、Hopperシステムで動画ワールドモデルのトレーニングを行い、Blackwell上でユーザー向けリアルタイム推論を提供している。

• Texas A&M Universityは、創薬や分子シミュレーションを行う26件の研究プロジェクトにおいて、スーパーコンピューティングクラスターで95〜98％の高稼働率を維持している。

• 中核的な機械学習以外の分野では、Dassault SystèmesがWichita Stateにおける航空機認証やLucid Motorsでの車両設計向けデジタルツインシミュレーションにGPUアクセラレーションを適用している。また、消費財大手Unileverは、製品ビジュアルをすべてデジタルツインで生成することにより、マーケティング制作費を50％削減した。

電力制限が促すハードウェアの汎用性シフト

NVIDIAが提示した財務ロジックは、フロアスペースやサーバーラックの空き容量ではなく、電力網へのアクセス（受電容量）こそが事業成長を左右するという、データセンター業界全体の構造的変化を反映している。厳格なメガワット制限の下では、事業者はモデルアーキテクチャの予期せぬ変化リスクをヘッジしつつ、電力1単位あたりの収益をより多く引き出さなければならない。

NVIDIAは、トークン処理コストの低下は需要を抑制するどころか、推論コストの低減によって一般消費者向けおよび企業向けの新たなアプリケーションを切り拓き、結果として総需要を拡大させると論じている。専用のカスタムASICに対抗してプログラマブルなGPUとCUDAスタックを位置付けることで、同社はデータセンター構築者が、10年近くにわたってトレーニング、推論、そして企業の一般的な並列コンピューティングの間を柔軟に行き来できるシステムを優先することに賭けている。