編集部注：大規模モデルのパラメータ数が膨張し続ける中、業界の真の不安は「モデルをさらに強化できるか」から「電力・チップ・データセンターが追いつけるか」へと移行している。TechCrunch Disrupt 2026の舞台で、Cerebras SystemsのCo-founder兼CEOのAndrew Feldmanがこの問いに正面から答える。
TechCrunchの報道によると、Cerebras SystemsのCo-founder兼CEOのAndrew FeldmanがTechCrunch Disrupt 2026への登壇を確認した。この対話では、三つの段階的な問いを軸に議論が展開される。AI業界における算力・エネルギー・インフラの需要がなぜ膨張し続けるのか、Cerebrasがなぜ主流とは全く異なる技術路線を選択してこれらの制約に対応しようとしているのか、そして最も核心的な問いとして——現在のAIハードウェアが本当に限界に達した場合、次に何が起きるのか、である。
このテーマ設定自体、示唆に富む。過去数年、AIの語りの主軸はモデル能力の飛躍にあった。より大きなパラメータ数、より長いコンテキスト、より強力な推論能力。しかし2025年頃から、業界の主導権は明らかに「インフラ基盤」へと移行している。電力調達、データセンターの立地選定、発電所の系統連系、冷却ソリューションといった、従来の社会インフラ領域に属していた用語が、AI企業の決算説明会や資金調達ピッチに頻繁に登場するようになった。
三重の制約：算力・エネルギー・インフラ
現在のAI拡張が直面するボトルネックは、単一工程の不足ではなく、三重の制約の重複である。第一の制約はチップ供給だ。先端プロセスの生産能力、HBM（高帯域幅メモリ）の歩留まりとパッケージング能力が、いずれもハードな上限を形成している。第二の制約はエネルギーだ。単一の超大規模トレーニングクラスターの消費電力はすでに数百メガワット規模に達しており、送電網の増強、変電所の許認可、系統連系の順番待ちには往々にして数年単位の時間がかかる。第三の制約は物理的空間と冷却能力だ。土地、水資源、そして冷却システムのエンジニアリング上の複雑さが、見えない天井となりつつある。
業界では「パワーウォール（power wall）」という言葉でこの状況を表現することが多い。チップを無制限に購入できたとしても、電力と冷却が線形には追いつかないということだ。さらに複雑なのは、トレーニング需要の増大に推論需要が重なって乗算されていることだ。AIアプリケーションがデモから日常利用へと移行するにつれ、推論の呼び出し量の増加速度はトレーニングよりも急峻になりがちで、レイテンシに対してもはるかに敏感だ。これはまさに、汎用GPUクラスターが最も苦手とするシナリオの一つである。
異なる道：ウェーハ一枚まるごと一つのチップに
Cerebrasの答えはかなり急進的だ。同社が独自開発したウェーハスケールエンジン（Wafer-Scale Engine、WSE）シリーズは、300mmウェーハ一枚をそのまま単一のチップとして製造することで、従来のチップをはるかに上回る超高メモリ帯域幅と超低通信レイテンシをチップ内で実現する。核心的な設計思想は「メモリファースト」だ。算力を極限まで積み上げてからチップ間でデータを転送させるのではなく、データをできる限りチップ内部に留めておくという発想である。
Feldmanが複数の公開の場で繰り返し述べてきた核心的な論点は、一言に要約できる。AIのスケール化を制約してきたのは常に浮動小数点演算回数ではなく、データ移動のコストである。データの移動距離を短くできる者が、推論効率において構造的な優位を得る、と。
この路線は、NVIDIAが主導するGPUクラスターとは鮮明な対照をなす。GPUソリューションは高速インターコネクト（NVLinkなど）と膨大なソフトウェアエコシステムで優位に立ち、その強みは汎用性とエコシステムの成熟度にある。一方、ウェーハスケール方式は、推論シナリオにおける絶対的な性能とエネルギー効率比に賭けている。注目すべきは、過去一年間でCerebrasが推論市場への投資を明らかに拡大し、大規模モデル推論速度における記録的なパフォーマンスを対外的に強調していることだ。これは「推論の時代」の到来に向けた先行した布石と外部から解釈されている。
AIハードウェアが本当に限界に達したなら
Feldmanが今回の対話で答えなければならない最後の問いは、実は業界全体が最も直視したがらない問いでもある。ムーアの法則の恩恵が完全に尽き、先端パッケージングとHBM供給も物理的な限界に近づいたなら、AIはそれでも規模化し続けられるのか、という問いだ。
現時点で見えている解決の方向性は大きく三つある。一つ目はハードウェア側の深掘り——3Dスタッキング、シリコンフォトニクスインターコネクト、チップレット（Chiplet）の組み合わせ、カスタム特定用途向け集積回路（ASIC）によって、既存のプロセスノードからより多くのエネルギー効率を引き出そうとするものだ。二つ目はシステム側の再設計——トレーニングと推論を切り離し、異なるアーキテクチャで異なる負荷に対応させ、さらには一部の計算をエッジに落とし込むことだ。三つ目はアルゴリズム側の削減——スパース化、量化（クオンタイゼーション）、Mixture of Experts（MoE）、そしてより効率的なアテンション機構は、本質的にいずれも「より少ない算力で近似した能力を実現する」という発想だ。
この観点から見れば、「ハードウェアの限界」とは特定の一点が突破されることではなく、システム全体のエンジニアリングの再調整を意味する。これはFeldmanの発言が注目に値する理由でもある。彼が体現している路線こそ、チップ・メモリ・インターコネクト・冷却を一体として設計するという思想だからだ。
この対話が注目に値する理由
技術的な見どころに加え、Cerebras自身の置かれた状況もこの対話をより情報価値の高いものにしている。同社はかつて上市プロセスの曲折と規制審査を経験し、その後大型資金調達を完了して重要な算力契約を獲得し、評価額は一時数十億ドル規模にまで上昇した。NVIDIAへの挑戦者でありながら、AI算力需要の爆発的成長の直接的な受益者でもある。そのような立場だからこそ、「AIはスケール化し続けられるか」というFeldmanの見解は、単純に楽観的とも悲観的とも分類しがたい。
開発者、投資家、インフラ関係者にとって、TechCrunch Disrupt 2026でのこの対話は、本質的に「AIの成長曲線の後半はどのような姿になるか」を巡る予行演習である。答えは必ずしも安心できるものではないかもしれないが、おそらく十分に具体的なものになるだろう。
本稿はTechCrunchより編集翻訳
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接