AIプラットフォームの垂直統合

🔒CUDAソフトウェアの堀

20年・開発者600万人・300超のライブラリ

CUDA(2006年公開)は単なるプログラミング言語ではない。あらゆるAI学習が走るソフトウェア・エコシステムそのものだ。cuDNNとcuBLASはクローズドソースで、PyTorch・TensorFlow・JAXに深く埋め込まれている。AMDのROCmは10年かけてもその差を埋められていない。GTC 2026でのジェンスン・フアン曰く「我々はソフトウェア企業でもある」。堀の正体は、600万人の開発者がカーネルレベルの最適化を書き直す——その途方もないスイッチングコストだ。

PTX抽象化レイヤー

前方互換性=開発者のロックイン

CUDAはPTX(Parallel Thread Execution)という中間アセンブリにコンパイルされ、実行時に対象GPUアーキテクチャへJITコンパイルされる。2010年に書かれたコードが2026年のBlackwell GPUで動く。20年前に下されたこの設計判断こそ、ロックインの土台だ。開発者はCUDAカーネルの最適化に何年も投資する——そしてその投資は、代替ハードウェアへは持ち運べない。

NIM:AI版Docker Hub

推論コンテナの標準

Nvidia Inference Microservices(NIM)は、最適化済みの推論エンジンをDocker風のコンテナとしてパッケージする。コマンド一つで、OpenAI API互換の本番グレード推論サーバーが立ち上がる。NIMはNvidiaハードウェア上でしか動かないが、事実上の業界標準APIのインターフェースに合わせてある。SGLangやvLLMがハードウェア非依存のランタイムで標準化する前に、学習だけでなく推論のデプロイ層まで押さえにいく一手だ。

open_in_new startupxo.com/ko/news/2026/05/nvidia-40b-equity-ai-ecosystem-2026

💸400億ドル出資戦略

AIエコシステムのサプライチェーンを握る

2026年の年初来出資:OpenAIに300億ドル、CoreWeaveに20億ドル、Nebiusに20億ドル、IRENに21億ドル、Corningに32億ドル、未公開ラウンドが約24件。CFOのコレット・クレス曰く「我々のハードの周りに計算能力が築かれることを確かにする必要があると見れば、そこに投資する」。これは資本による垂直統合だ。GPU売上+ソフトウェア課金(AI Enterprise)+それらGPUを動かすインフラからの出資リターン。

open_in_new startupxo.com/ko/news/2026/05/nvidia-40b-equity-ai-ecosystem-2026

OpenAIに300億ドル

最大顧客が出資パートナーに

300億ドルのOpenAI出資は、2026年2月に実行されたNvidia出資ポートフォリオ最大の単一ポジションだ。OpenAIは同時にNvidia最大のGPU顧客でもある。ここに構造的な一致が生まれる。OpenAIの成功には大規模な計算が要る、大規模な計算にはNvidia GPUが要る、Nvidiaの出資リターンはOpenAIの成長に左右される。批判者はこれを「循環する資本」と呼ぶ。実務上の効果は、最大の顧客関係における離反リスクの低減だ。

Corningに32億ドル

物理インフラのボトルネックを突く

市場の大半がGPU計算に注目するなか、Corning(光ファイバー)へ32億ドルを投じる——そのことがサプライチェーン仮説の深さを物語る。データセンター間の相互接続、つまり光ファイバーの容量こそ、AI計算レイヤーが伸びる速度を縛る物理的な制約だ。Nvidiaは自社製品ラインだけでなく、GPUが大規模に機能するために必要な物理インフラのスタック全体から、ボトルネックを取り除こうとしている。

🧠SK hynixのHBM

営業利益率72%の過去最高、3年分の需要を確保

SK hynixの2026年Q1:売上52兆5,800億ウォン(四半期で初めて50兆ウォン超え)、営業利益37兆6,100億ウォン、営業利益率72%。HBMの需要は供給能力の3年分を超えて確約済みだ。これはAIインフラ投資の物理的な実体である——NvidiaのH100/B200 GPUはどれもHBMを必要とし、そのHBM生産はTSV積層の歩留まりの難しさによって構造的に制約されている。

open_in_new inverseone.com/ko/reports/2026/2026-05-11-sk-hynix-q1-2026

チップ・インフレ

HBM需要が民生DRAM供給を圧迫

HBMがDRAMファブ容量全体に占める割合を増やすほど、標準的なLPDDR5やDDR5の供給は相対的に逼迫する。Nintendo Switch 2は米国価格を11%、日本価格を20%引き上げた——従来の据置機ライフサイクルではなく、HBM起因のDRAM逼迫が主因となった、初の大型コンソール値上げだ。この連鎖(データセンターのHBM→DRAM逼迫→民生機器の値上げ)は、NvidiaのAIインフラ投資が3層下流に生む外部性そのものである。

HBMの供給構造

TSVの難しさ=持続する堀

HBMはDRAMウェハーをTSV(シリコン貫通電極)で積層する必要があり、製造の難易度は標準DRAMの3〜5倍に達する。SK hynixはHBM3Eで歩留まりの優位を持ち、2026年Q1時点でSamsungもMicronも追いついていない。積層レイヤーをまたいで歩留まり管理の難しさが積み重なるため、供給は需要より遅くしか伸びない。だからこそ、Q1決算が公表される前に3年分の先行需要が契約で確約されていたのだ。

⚡亀裂条件

堀はどこで割れうるか

CUDAの堀は無敵ではない。侵食のベクトルが三つ同時に走る。(1)推論ワークロードは学習ほどCUDAに依存しない——デプロイ専用ならスイッチングコストは低い。(2)クラウド大手(Google TPU v6、AWS Trainium 2、Meta MTIA)が、増える推論ワークロードを自社シリコンへ回し始めている。(3)Rubinアーキテクチャ移行の不確実性が「再最適化が必要」な窓を生み、その間はハード移行を検討するコストが相対的に下がる。侵食は一気にではなく、緩やかに、ワークロードごとに進む。

カスタムシリコン

買い手が競合に変わる

Google(TPU)、Amazon(Trainium)、Apple(Neural Engine)、Meta(MTIA)——Nvidia最大のGPU顧客上位4社が、いずれも自社シリコンを開発している。2026年時点で、Gemini推論の相応の割合がNvidiaハードではなくTPU上で動く。構造的な緊張がここにある。これらの企業は学習・R&DのためにNvidia GPUをより多く必要としながら、大規模推論ではNvidia依存を減らしている。Nvidiaの300億ドルOpenAI出資は、ある意味でこの力学に対するヘッジでもある。

AIインフラエンジニア

垂直統合が生む新たな需要

GPUクラスタの運用、推論サービング、分散学習パイプライン、CUDAカーネル最適化を担う人材は、深刻に不足している。Nvidiaの垂直統合は、より多くのGPUだけでなく、スタック全体——CUDAカーネルからvLLM/TensorRT-LLMのデプロイ、Kubernetesのオーケストレーションまで——を理解するエンジニアの需要を生む。これこそソフトウェア・プラットフォームのフライホイールだ。スタックが複雑になるほど、スイッチングコストは高くなる。