Nvidiaの歴史: グラフィックス新興企業からAIインフラへ

Nvidiaの歴史が重要な理由

Nvidiaの躍進は、専門的なグラフィックスチップが現代AIコンピューティングの基盤になった経緯を示しています。同社は消費者向け3Dグラフィックスから始まり、致命傷になりかねないアーキテクチャ上の失敗を乗り越え、大きな市場がまだ存在しない段階でプログラマブルな計算基盤を築き、その後何年もかけて単体アクセラレータを完全なデータセンターシステムへ変えてきました。

今でも、見る人によって同社の姿は異なります。ゲーマーにはGeForceグラフィックスカード、レイトレーシング、AI支援レンダリングの会社です。研究者には科学計算で使うCUDAライブラリとアクセラレータの会社です。クラウド事業者はGPU、CPU、ネットワーク、スイッチ、管理ソフトウェアを詰め込んだ高密度システムを購入します。投資家には、売上構成をゲーミングからAIインフラへ驚くほど速く移した会社に映ります。

これらの事業をつなぐ考え方は一貫しています。あらゆる種類の計算をCPUだけで処理すべきではない、という考えです。Nvidiaは大量の並列処理を含むワークロードを繰り返し見つけ、それ向けの専用プロセッサを設計し、使えるようにするソフトウェアで囲んできました。最初の大量市場はグラフィックスでした。科学計算は要求の厳しい初期ユーザーをもたらしました。ディープラーニングは、アクセラレーテッドコンピューティングをデータセンターの優先事項にしたワークロードです。

結果は決して約束されていませんでした。NV1は、標準となったものとは異なるグラフィックスの基本要素を使いました。CUDAは、目に見える売上を生むまで何年ものソフトウェア投資を必要としました。Nvidiaは既存のCPUベンダーに対抗してサーバーへ参入し、69億ドルでネットワーク企業を買収し、拡張カードよりはるかに構築が難しいラック規模の液冷システムに取り組みました。

結果の多くを説明する判断は三つあります。

• Nvidiaは、ソフトウェア、ライブラリ、開発者支援を、シリコンの付属品ではなく製品として扱いました。
• ゲーミングの販売量を使い、後に研究・データセンターのワークロードに対応できるアーキテクチャへ投資しました。
• メモリ移動やネットワークのような別のボトルネックが実効性能を制限するたびに、GPUの周辺領域を広げました。

エンジニアや事業を作る人にとって、このパターンは重要です。生のチップ仕様だけでは全体像が分かりません。開発者がプログラムでき、システムが拡張でき、顧客が運用でき、新世代でも既存ソフトウェアを大きく乱さずに動かせるとき、プロセッサは長く続くプラットフォームになります。

Nvidiaの創業と最初の誤りからの生還

Nvidiaは1993年4月5日、Jensen Huang、Chris Malachowsky、Curtis Priemにより、消費者向けPCに高性能3Dグラフィックスをもたらすため設立されました。HuangはAMDでマイクロプロセッサ設計、LSI Logicでチップ統合に携わっていました。MalachowskyとPriemはSun Microsystemsでグラフィックスとシステムの経験を積み、PriemはIBMでも働いていました。3人はDenny'sのレストランでの会合を通じ、Nvidiaになる計画を練り上げました。

機会は大きく見えた一方で、状況は定まっていませんでした。プロ向け3Dグラフィックスは主に、コンピュータ支援設計、可視化、メディア制作に使う高価なワークステーションの領域でした。消費者向けPCでは高速なプロセッサ、CD-ROMドライブ、より良いディスプレイ、成長するゲーム市場が広がっていましたが、グラフィックスハードウェアはまだ分断されていました。数十社の半導体企業が同じ好機を追っていました。

Nvidiaの最初の製品NV1は1995年に登場し、Diamond Edge 3Dカードで販売されました。2D・3Dグラフィックス、音声、Segaコントローラ対応を組み合わせた製品です。最も大きな影響を持った設計選択は、Microsoft Direct3Dと業界の多くで標準になった三角形ポリゴンではなく、曲面を基にした二次テクスチャマッピングでした。

NV1のアーキテクチャ向けに書かれたソフトウェア、SegaのVirtua FighterのPC版を含むタイトルは動かせました。しかし三角形ベースのAPIが勢いを得ると、開発者が小規模な独自ターゲットを支援する理由はほとんどなくなりました。技術的に意欲的なチップは、プラットフォーム互換性が決定的になったまさにその時期に、ソフトウェア不足へ直面しました。

Segaとの取り組みから、一般にNV2と呼ばれる別のグラフィックス計画も生まれました。Huangは最終的に、このアーキテクチャを続けることは両社の時間を無駄にすると判断しました。Segaはコンソール計画を終えましたが、Nvidiaが残りの資源を振り向ける助けとなる資金を提供しました。この出来事のあと、スタートアップにはもう一度失敗する余地がほとんど残っていませんでした。

後継の取り組みは、標準、日程、より絞った製品定義に焦点を当てました。Nvidiaは人員を減らし、三角形レンダリングを採用し、NV3をDirect3D向けに設計しました。このチップは1997年にRIVA 128として発売されました。発売から最初の4か月で100万台以上を出荷し、PCメーカーとの売上と信頼をもたらしました。

この立て直しは、創業期を越えて残るいくつかの習慣を確立しました。市場が別のプログラミング標準を選んだとき、Nvidiaは洗練された設計でも捨てます。ハードウェアとドライバーを速いペースで出します。そしてソフトウェア開発者と直接協業します。互換性のあるゲームがないグラフィックスプロセッサは、プラットフォームではなく在庫だからです。

同社は1998年、TSMCとの製造関係によりファブレスモデルを正式に固めました。高価な製造工場を所有する代わりに、Nvidiaはアーキテクチャ、ソフトウェア、製品設計に資金を集中し、外部ファウンドリへ依存しました。この仕組みは急成長を支えましたが、先端製造能力が台湾に集中するにつれ、依存関係の重要性も増しました。

Nvidiaは1999年1月、1株12ドルで新規株式公開を完了しました。IPO後も運用上の圧力は終わりませんでした。グラフィックス世代は速く進み、ドライバー品質はあらゆる製品レビューに影響し、3dfx、ATI、Matrox、S3といった競合は、一度の強い製品投入で顧客を奪える存在でした。

RIVA、GeForce、PCグラフィックス競争

RIVAとGeForceは、競争力のあるシリコンに安定したドライバー支援と幅広い互換性を組み合わせ、Nvidiaを確立しました。RIVA 128はNV1から立ち直れることを示し、RIVA TNTとTNT2は、開発者が採用していたAPI全体で色深度、画質、マルチテクスチャリング、性能を改善しました。

1990年代後半のPC市場は、この組み合わせを評価しました。高速なカードでも、ドライバーがクラッシュする、ゲームを誤って描画する、新しいDirectXのリリースに追いつかないなら期待外れになります。Nvidiaはドライバーを継続的なエンジニアリング責任として扱い、頻繁な更新で新作ゲームを支援し、問題を修正しました。この慣行は後に、さらに大きなコンピューティングソフトウェアスタックの管理にも役立ちました。

1999年、NvidiaはGeForce 256を投入し、初のグラフィックスプロセッシングユニット、GPUとして売り出しました。歴史上の重要性は用語の所有権より、それが表したアーキテクチャ上の変化にあります。GeForce 256はハードウェアのトランスフォーム&ライティングを統合し、CPUが担っていたジオメトリ計算をグラフィックスプロセッサへ移しました。

このオフロードにより、開発者はゲームロジック、物理演算、より豊かな場面に使える余地を得ました。同時に、グラフィックス高速化の定義も広がりました。プロセッサは、テクスチャ付きピクセルを画面に置くだけの固定装置ではなくなりました。世代を重ねるたびにレンダリングパイプラインをさらに取り込み、ソフトウェアへの制御を増やしていきました。

Nvidiaは大手PCメーカーとゲーム開発者を通じて地位を強化しました。OEMでの採用はチップを主流システムへ入れ、開発者との関係はスタジオがGeForceハードウェア向けにリリースを調整する助けになりました。同社はMicrosoftの初代Xbox向けグラフィックス契約も獲得し、厳しい性能、コスト、納期要件を持つ完全なプラットフォームを供給する経験を得ました。

競争はなお厳しいものでした。Nvidiaは2000年、初期の熱心な3Dゲーマー向け市場を形づくったVoodooカードの会社3dfxから、中核資産を取得することで合意しました。ATIは独立した競合であり続け、後にAMDの一部になりました。Nvidiaは一世代で先行しても、次世代ではつまずくことがあり、DirectX 9時代の一部で評価を落としたGeForce FXファミリーがそれを示しました。

対応は、より速いアーキテクチャ修正でした。GeForce 6は競争力を回復し、その後の世代は統合シェーダー、より良いプログラマビリティ、増大する浮動小数点スループットを加えました。Nvidiaは買い手別にブランドを分け続けました。消費者向けのGeForce、プロ向け可視化のQuadro、そしてコンピューティングアクセラレータ向けのTeslaです。

グラフィックスは、AIへつながる技術的な発想も生み続けました。プログラマブルシェーダーは、開発者が並列実行をどう使うかをNvidiaに教えました。テクスチャとフレームバッファの需要はメモリ帯域を押し上げました。複数GPUを使うゲームは、インターコネクトとワークロード分配の経験をもたらしました。新ハードウェアを出しながら古いゲームを支える必要は、純粋なハードウェア新興企業が見落としがちなソフトウェア互換性を課しました。

Nvidiaは2018年、TuringアーキテクチャとGeForce RTXでレンダリングモデルを刷新しました。専用RT Coreはレイ交差計算を高速化し、Tensor CoreはDeep Learning Super Samplingのようなニューラル手法を支援しました。レンダリングは一つの技法に頼るのでなく、従来のラスタライズ、レイトレーシング、学習済み再構成を組み合わせるものになりました。

2025年に導入されたBlackwellベースのGeForce RTX 50ファミリーは、第4世代RT Core、第5世代Tensor Core、ニューラルシェーダー、DLSS 4により、この融合を継続しました。データセンターがより大きな事業になった後も、ゲーミングはNvidiaにとって単なる当初の資金源ではありません。AI支援グラフィックスとローカルモデル推論の大きな展開経路であり続けています。

プログラマブルシェーダーが汎用コンピューティングへの道を開いた

プログラマブルシェーダーは、グラフィックスプロセッサが固定レンダリングパイプラインを超えて有用なプログラムを実行できると示し、Nvidiaの戦略的な方向を変えました。初期GPUには、ジオメトリ、ライティング、テクスチャ適用、ピクセル出力の専用段階がありました。ハードウェアが特化していたため高速でしたが、開発者が変えられる設定は限られていました。

2001年に登場したGeForce 3は、プログラマブルな頂点シェーダーに対応しました。後続世代では、ピクセル・フラグメントプログラムの能力も高まりました。ゲーム開発者はカスタム照明、水、肌、影、後処理効果に使い、研究者は同じプロセッサを安価な並列マシンとして扱い始めました。

こうした研究実験は扱いにくいものでした。行列演算を行いたい科学者は、データをテクスチャ、計算を描画操作として表現しなければならないことがよくありました。結果はフレームバッファへ書かれ、グラフィックスAPI経由で読み戻されることもありました。ハードウェアは印象的なスループットを出しましたが、プログラミングには科学課題と関係のないグラフィックス知識が必要でした。

それでも実験は有利な経済構造を示しました。ゲーミングが、演算ユニットを多く持ち高帯域メモリを備える大規模チップへの投資を支えました。研究者は、専用の科学プロセッサよりはるかに低いコストでそのハードウェアを買えました。Nvidiaが適切なプログラミング層を用意すれば、同じトランジスタ投資で娯楽と技術計算の両方に対応できたのです。

Nvidiaは、プログラマブルプロセッサ群が段階ごとに別々のハードウェアを割り当てる代わりに、異なるシェーダー段階を処理できる統合シェーダーアーキテクチャへ進みました。GeForce 8ファミリーとG80アーキテクチャは、このモデルを商業的に重要なものにしました。統合プールはグラフィックスの利用効率を高め、汎用コンピューティングにもより規則的な実行対象を与えました。

GPUコンピューティングには、後の製品を形づくる制約もありました。並列ハードウェアが得意なのは、数千の実行レーンを満たせるだけの独立した作業を伴う、よく似た操作が多いワークロードです。分岐の多い直列コードはCPUの方がうまく動く場合があります。アプリケーションがプロセッサメモリ間で少量の情報を何度も移すなら、データ転送が高速化の効果を消すことがあります。演算が速くても、メモリ容量、帯域、通信が演算器へ十分に供給できなければ役に立ちません。

これらの制約が、Nvidiaの後の拡張を説明します。CUDAはプログラマビリティに対応しました。高帯域メモリはローカルのデータ供給に対応しました。NVLinkはプロセッサ間の移動に対応しました。Mellanoxネットワークはサーバー間の通信に対応しました。一つのボトルネックを解くたびに次のボトルネックが現れたため、歴史はチップの外側へ広がっていきました。

CUDAがGPUハードウェアをコンピューティングプラットフォームへ変えた

CUDAはプログラマーに並列コンピューティングの直接的なモデルを与え、競合が単に高速なチップを出すだけでは対抗できないソフトウェアへの投資を生みました。Nvidiaは2006年にアーキテクチャを発表し、2007年に最初の開発ツールをリリースしました。開発者は、課題をグラフィックス操作へ変換せず、Cに似たカーネルを書けるようになりました。

プログラミングモデルは、スレッド、ブロック、グリッド、共有メモリ、デバイスメモリを公開しました。開発者はなお並列作業とデータ移動を理解する必要がありましたが、数値配列を画像であるかのように扱う必要はなくなりました。この違いにより、描画に関心のない科学者、エンジニア、定量分析の開発者にもハードウェアが開かれました。

Nvidiaは次に、プラットフォーム採用で見えにくい部分へ投資しました。コンパイラ、デバッガー、プロファイラー、文書、サンプル、大学講座、世代をまたぐGPU互換性です。カーネルを書きたくないユーザーにとって、最も大きな違いを生んだのはライブラリでした。cuBLASは最適化された線形代数を提供し、cuFFTは高速フーリエ変換を扱い、後には疎演算、乱数、画像処理、データ分析などの領域へライブラリが広がりました。

初期の採用は、並列構造が明らかなワークロードから始まりました。

• 分子動力学と計算化学
• 地震データ処理と医用画像
• オプション価格評価とモンテカルロシミュレーション
• 線形代数と科学ソルバー
• 信号処理と数値流体力学

性能の主張には注意が必要でした。GPUは特定カーネルを数時間から数分へ短縮しても、アプリケーション全体は入力処理、直列作業、通信に制限されることがあります。長く続く利点は、あらゆるCPU命令の置き換えとして扱うのでなく、チームがアクセラレータを中心に完全なワークロードを組み直したときに生まれました。

Nvidiaは研究助成、大学プログラム、開発者イベント、GPU Technology Conferenceを通じてその作業を支援しました。学生は一つの開発環境を学び、研究者はそれを使うコードを公開し、雇用主は後にすでにツールを知る人材を採用しました。ライブラリには長年の最適化と数値テストが蓄積しました。

これにより乗り換えコストが生まれましたが、固定化だけで継続利用を説明することはできません。移行のコストが利益を上回り、現在のプラットフォームが改善を続けるとき、開発者はとどまります。Nvidiaは後方互換性、広いフレームワーク対応、最適化ライブラリ、新ハードウェア機能により、複数の製品サイクルにわたってこの判断を維持しました。

CUDAはNvidia自身も変えました。チップ企業なら、製造が始まれば製品は完成と考えられます。コンピューティングプラットフォームでは、コンパイラ作業、セキュリティ更新、ライブラリ保守、文書化、新たなプログラミングフレームワークへの対応が続きます。ボードの売上は一度認識されますが、ソフトウェア上の責任はボードを使える期間を通じて続きます。

GPUコンピューティング市場が成熟する前、この長期的な取り組みは高価に見えました。AI需要が加速した後には、Nvidiaの最も強い防御力になりました。新しいアクセラレータベンダーは、ベンチマーク結果だけではなく、何年分もの動くコードと開発者経験を相手に競争する必要があったからです。

Teslaとデータセンターへの進出

Tesla製品ラインはNvidiaに、ディスプレイ駆動向けグラフィックスカードと計算製品を分け、サーバーとスーパーコンピューターへ入る専用の道を与えました。2007年に導入されたTeslaアクセラレータは、数値性能、メモリ容量、信頼性機能、高密度システム内での動作を重視しました。

データセンターの買い手は、ゲーマーとは別の制約を評価します。持続スループット、エラー処理、熱設計、ソフトウェア支援期間、保守性、クラスタ通信、電力当たり性能を重視します。倍精度演算は、ゲームにほとんど寄与しなくても多くの科学シミュレーションで重要です。誤り訂正メモリは、数千台のデバイスで数日間走る計算には不可欠になり得ます。

国立研究所と大学が初期の代表顧客になりました。Oak Ridge National LaboratoryのTitanスーパーコンピューターは、CPUとNvidia K20Xアクセラレータを組み合わせ、2012年に研究者向け運用を開始しました。Titanのようなシステムは、GPU高速化がワークステーション上の実演だけでなく、本番の科学研究でスーパーコンピューター規模に動かせることを示しました。

プロフェッショナルビジュアライゼーションも別の橋渡しになりました。Quadro製品はすでに、Nvidiaハードウェアを工学、設計、映画、科学の組織へ置いていました。こうした関係は、AIによってアクセラレータクラスタが取締役会レベルの支出になる前から、認定アプリケーション、長期サポート、組織的な購買を理解する助けになりました。

クラウドアクセスは市場を広げました。Amazon Web ServicesがGPUインスタンスを導入し、Microsoft Azure、Google Cloud、その他の事業者が続きました。研究者やスタートアップは、サーバーを購入し、設置場所を確保し、ドライバーを保守しなくても、時間単位でアクセラレータを借りられるようになりました。実験のコストが下がり、成功したプロジェクトはローカルインフラを作り直さずに、より多くの容量を求められるようになりました。

ハードウェアのロードマップは複数のアーキテクチャと製品群を通りました。Keplerはエネルギー効率と計算能力を改善しました。PascalはP100と高帯域メモリ、NVLinkを組み合わせました。VoltaのV100は密な行列演算用のTensor Coreを導入しました。AmpereのA100は混合精度対応と分割機能を拡張しました。HopperのH100は、Transformer Engineと高速なインターコネクトによりTransformerの学習・推論を狙いました。

各世代は理論スループットを高めましたが、使えるクラスタ性能はシステム全体に依存しました。運用者には、互換性のあるホストプロセッサ、ストレージ、ネットワークアダプタ、スイッチ、電力供給、冷却、ファームウェア、スケジューラ、コンテナ、監視が必要でした。単体アクセラレータがベンチマークで先行しても、バランスの悪いクラスタでは、高価なプロセッサがデータ待ちになります。

この現実が、Nvidiaをシステムエンジニアリングへ引き寄せました。同社はリファレンス設計を出し、サーバーメーカーと密接に協業した後、統合アプライアンスの出荷を始めました。データセンター顧客が買っていたのは結果に至る時間であり、Nvidiaは提示した計算性能を持続できるかを左右する部品を、ますます管理するようになりました。

AlexNetがディープラーニングを商業的な方向へ導いた

AlexNetは、GPUで学習したニューラルネットワークが意味のある規模で既存のコンピュータビジョン手法を上回れることを示しました。2012年のImageNet競技で、Alex Krizhevsky、Ilya Sutskever、Geoffrey Hintonは、各3GBメモリのGeForce GTX 580 GPUを2台使い、約5〜6日かけてネットワークを学習しました。その誤り率は競合システムを大きく下回り、深い畳み込みネットワークと学習に使われたハードウェアの両方へ注目を集めました。

ニューラルネットワークがGPUに合うのは、学習で大きな配列に対する行列乗算、畳み込み、活性化関数、リダクションを繰り返し行うからです。これらの操作には、多くの実行ユニットを埋める並列作業があります。GPUは計算へデータを供給するメモリ帯域も提供しましたが、モデルサイズと通信はすぐに新たな制限を生みました。

この躍進は実証であって、完成した商用スタックではありませんでした。研究者には信頼できる基本処理、フレームワーク統合、複数GPU通信、低精度演算の手法がなお必要でした。Nvidiaはニューラルネットワークを狙ったソフトウェアとアーキテクチャの変更で応えました。

2014年に初めてリリースされたcuDNNライブラリは、ディープラーニング操作の最適化実装を提供しました。フレームワークの保守者が一度ライブラリを統合すれば、多くのユーザーはカスタムカーネルを書かずにGPU高速化を受けられました。Caffe、Theano、Torch、TensorFlow、PyTorchはいずれも、抽象化の水準を個々のデバイス命令からさらに遠ざける助けになりました。

精度を下げることは、学習の経済性を変えました。ニューラルネットワークの多くの操作には64ビット浮動小数点演算は必要ありません。32ビット、16ビット、8ビット、さらに小さな形式を処理するハードウェアは、ソフトウェアが数値精度を正しく管理すれば、スループットを高め、メモリ使用量を下げられます。2017年に導入されたVoltaのTensor Coreは、このパターンに合う行列演算を高速化しました。後のアーキテクチャは、Transformerと推論を狙う形式と制御を追加しました。

Nvidiaは2016年、これらをDGX-1にまとめました。3UシステムはTesla P100アクセラレータ8基、NVLink接続、ストレージ、ネットワーク、準備済みのソフトウェア環境を組み合わせました。研究所は、互換部品を組み立て、ソフトウェア構成を独自に解決する代わりに、統合済みのマシンを購入できました。

モデルはプロセッサの販売から、AIコンピューターの販売へ進化しました。HGXはシステムメーカー向けにベースボードとリファレンスプラットフォームを提供しました。DGXはより大きなシステムとSuperPOD設計へ広がりました。クラウド事業者は同じアクセラレータ世代に基づくインスタンスを提供し、企業は関連ソフトウェアを自社サーバーで展開できました。

Transformerモデルは規模の価値を増しました。より大きな言語モデルを学習するには、より多くの計算、アクセラレータメモリ、高速な集団通信が必要でした。モデルの提供では別の経済指標も生まれました。ユーザー向けにトークンを生成するコストと遅延です。Nvidiaのソフトウェアスタックには学習ライブラリ、通信ツール、推論最適化、モデル提供部品が含まれていたため、両方の段階に対応できました。

こうして生成AIは、AlexNetより何年も前に始まっていた作業を増幅しました。2012年の成果は並列プロセッサ向けの高成長アプリケーションを示し、先行するCUDA投資は、そのアプリケーションが到来したときNvidiaを実用的なプラットフォームにしていました。

ソフトウェアエコシステムが競争上の堀になった

Nvidiaのソフトウェアエコシステムは、アクセラレータハードウェアを動くアプリケーションに変える作業を減らします。その価値は一つの独自インターフェースではなく、異なる課題を解く複数の層から生まれます。

CUDAはプログラミングの基盤とランタイムを提供します。CUDA-Xライブラリは、数学、データ処理、通信、画像処理、機械学習向けの最適化関数を提供します。NCCLはGPU間の集団操作を調整し、多数のデバイスへモデルを分散する際に必要です。TensorRTは学習済みモデルを推論向けに最適化し、Triton Inference Serverは対応フレームワークとハードウェア構成全体でのモデル提供を管理します。

さらに上の層は、完全なワークフローを扱います。RAPIDSはデータ準備と分析を高速化します。NeMoは生成モデルの開発と適応のためのツールを提供します。NIMは選択したモデルと推論部品を展開可能なマイクロサービスとしてまとめます。Nvidia AI Enterpriseは、明確なリリースと保守プロセスを求める組織向けのサポート付きソフトウェアを提供します。

実用上の利点は積み重なります。フレームワークは、すべてのユーザーをGPU専門家にせずに最適化カーネルを使えます。ライブラリは、アプリケーションインターフェースを慣れたまま保ちながら、新アーキテクチャの命令を採用できます。企業は、ドライバー、コンテナ、オーケストレーションソフトウェア、サーバーの対応組み合わせを検証でき、すべての部品を個別に試す必要がありません。

互換性は自動的に得られるものではありません。新しい精度はモデルの正確さに影響し得ます。コンパイラの変更は古いコードの前提を表面化させます。ドライバー、ファームウェア、コンテナ、フレームワークのバージョンは調整して保たなければなりません。Nvidiaがこの統合作業に大きく投資するのは、予測可能な動作がハードウェアの価値を守るからです。

エコシステムはパートナーを通じて広がります。サーバーメーカーはHGXとMGX設計を中心にシステムを作ります。クラウド事業者はGPUインスタンスとマネージドサービスを運用します。ソフトウェアベンダーはアプリケーションを認定します。コンサルタントとシステムインテグレーターはクラスタを導入します。大学は開発者を育て、スタートアップはNvidiaのプログラムを通じて技術支援を受けます。

業界別プラットフォームは、同じ基盤部品を再利用しながら、分野向けツールを加えます。

• DRIVEは車載コンピューティング、シミュレーション、認識ソフトウェア、開発ツールを組み合わせます。
• Isaacはロボティクス開発、合成データ、認識、制御を扱います。
• Claraは画像処理やゲノミクスなど、医療・ライフサイエンスのワークフローをまとめます。
• OmniverseはOpenUSDを中心に、シミュレーションと協調3Dワークフローをつなぎます。
• Jetsonはロボット、カメラ、その他のエッジシステム向けに、アクセラレータハードウェアとソフトウェアをまとめます。

これらの提供物が、すべての業界で採用を保証するわけではありません。自動車プログラムには長い検証サイクルがあります。医療での展開には臨床面・規制面の制約があります。産業シミュレーションには正確なモデルと既存の運用データとの統合が必要です。Nvidiaは共通の計算基盤を提供しますが、顧客とパートナーにはなお多くの分野固有の作業が残ります。

この堀は弱まることもあります。オープンなフレームワークは、アプリケーションをベンダー固有のコードからますます切り離しています。コンパイラプロジェクトは複数種類のアクセラレータを対象にできます。AMDのROCm環境は成熟し、クラウド企業はカスタムチップを中心に独自のソフトウェアサービスを管理しています。大口顧客は、供給の多様化や運用費低減のために移植コストを受け入れることがあります。

したがってNvidiaの防御は、互換性を失わせること自体ではなく、使い続ける価値にあります。同社はライブラリを速く保ち、広く使われるフレームワークを支え、新ハードウェアをすぐに生産的に使えるようにし、価格と集中リスクがあっても買い手が統合プラットフォームを選ぶだけの運用価値を示し続けなければなりません。

戦略的な賭けがNvidiaをGPUの先へ広げた

Nvidiaは、隣接技術がシステム性能を制限したり、新しい計算市場を開いたりするたび、グラフィックスプロセッサの外側へ広がりました。中核事業になった投資もあれば、期待した成果を生まずに何年もの作業を費やしたものもあります。

Tegraは、Nvidiaのプロセッサをスマートフォン、タブレット、車、組み込み機器へ入れる初期の試みでした。携帯電話市場はモデムに強い統合システムオンチップのベンダーを好み、Nvidiaには持続的な優位がありませんでした。Tegraは、車載システム、Shield製品群、組み込み開発ボード、NintendoのSwitchコンソールで、より適した役割を見つけました。

ここから得た教訓は、プロセッサ性能だけではプラットフォームの経済性を越えられないことです。電力、無線統合、アプリケーション互換性、供給契約、顧客のロードマップは、グラフィックス性能より重要になることがあります。Nvidiaはモバイルでの野心を絞り、並列コンピューティングとグラフィックスの重みがより大きい市場へ技術を適用しました。

同社はインターコネクト周辺の技術も開発・取得しました。2014年に発表されPascalシステムで導入されたNVLinkは、GPU間のより高速な直接通信を提供し、一部設計でより密なCPU-GPU接続を支えました。NVSwitchは、サーバーやラック内で、多くのアクセラレータが高帯域のスイッチングファブリックを通じて通信できるようにしました。

2019年に発表され2020年に完了した、Nvidiaによる69億ドルのMellanox買収は、この管理をデータセンターネットワーク全体へ広げました。MellanoxはInfiniBand、高速Ethernet、ネットワークアダプタ、スイッチ、リモートダイレクトメモリアクセスに関する深い経験をもたらしました。AIクラスタが数台のアクセラレータから数千台へ成長するにつれ、これらの資産の価値は増しました。

分散学習は、プロセッサが勾配、パラメータ、活性化値を待つと停止します。低遅延ネットワークと効率的な集団操作は、GPUが計算に使う時間の割合を高めます。Mellanoxは周辺機能ではなく、クラスタ内のあらゆるアクセラレータの経済性に対応しました。

BlueFieldデータプロセッシングユニットは、ネットワーク、ストレージ、セキュリティ、インフラ作業をホストCPUから移しました。Spectrum-XはEthernet製品とソフトウェアをAIクラスタのトラフィックへ適用し、QuantumシステムはInfiniBandラインを継続しました。Nvidiaは今や、ラック内のアクセラレータ接続から多くのラックにまたがるネットワーク接続まで、計算ファブリックを設計できます。

Arm買収の試みは別の道筋でした。Nvidiaは2020年、アクセラレーテッドコンピューティングの取り組みと、広くライセンスされるArmのCPU命令セット・知的財産を組み合わせる意図で、400億ドルの提案を発表しました。顧客と規制当局は、チップ供給企業が所有するとArmの中立的なライセンス立場が損なわれるおそれを懸念しました。Nvidiaは規制上の反対を受け、2022年に取引を終了しました。

失敗した取引はNvidiaのCPU計画を終わらせませんでした。Nvidiaが設計したArmベースのデータセンターCPUであるGraceは、HopperとBlackwell GPUを組み合わせたシステムに入りました。CPUを作ることで、Armエコシステムを所有せずに、アクセラレータ中心のワークロード向けにメモリ、コヒーレンス、電力使用、チップ間通信を調整できました。

Nvidiaはソフトウェア、ストレージ、クラスタ管理、AI開発の企業も買収してきました。最も戦略的に重要な取引には一つの目的があります。高価な計算資源の周辺で生じる摩擦や遊休時間を減らすことです。この基準が、筋の通ったプラットフォーム拡張と、目的のない多角化を分けます。

BlackwellとRubinがラックを製品に変えた

BlackwellとRubinは、Nvidiaがサーバー内のアクセラレータを売る会社から、データセンターラック全体を一つの計算単位として設計する会社へ移ったことを示します。この変化は、個々のチップのメモリ、通信、電力の限界を超えるモデルサイズと推論ワークロードを反映しています。

Nvidiaは2024年にBlackwellプラットフォームを発表しました。Blackwell GPUは高帯域のチップ間接続を通じて二つの大きなダイを組み合わせ、一つの論理デバイスとして動かします。GB200 Grace Blackwell Superchipは、二つのBlackwell GPUとGrace CPUをNVLink-C2Cで組み合わせます。

GB200 NVL72は、この設計を第5世代NVLinkで接続したBlackwell GPU 72基とGrace CPU 36基を搭載する液冷ラックへ拡張します。BlueFieldデータプロセッシングユニットと外部のInfiniBandまたはSpectrum-X Ethernetネットワークが、ラックをストレージや他システムへつなぎます。製品の境界には今や、プロセッサとともに冷却、配線、スイッチング、ファームウェア、オーケストレーションが含まれます。

GB300システムを含むBlackwell Ultraはメモリを増やし、長いコンテキストを保持したり大量のモデル状態を移動したりする推論・推論モデルのワークロードを狙いました。Nvidiaの2026年度決算は商業的な影響を示しました。成長はBlackwell計算だけでなく、それを大規模運用するために必要なNVLink、Ethernet、InfiniBand製品からも生じました。

Rubinプラットフォームは2026年に生産へ入り、パートナーのシステムは年後半に展開予定です。プラットフォームはVera CPU、Rubin GPU、NVLink 6スイッチ、ConnectX-9ネットワークアダプタ、BlueField-4データプロセッサ、Spectrum-6 Ethernetスイッチを組み合わせます。Nvidiaは、巨大なmixture-of-expertsモデル、長文脈推論、繰り返しの推論とツール使用を行うAIエージェント向けに、これらの部品を一緒に設計しました。

この年次プラットフォームのペースは、買い手の課題を変えます。クラウド事業者は、単体GPUのピークスループットだけを比べるのではありません。電力当たりトークン数、アプリケーション遅延、実効メモリ容量、ネットワーク利用率、ソフトウェアの準備度、冷却要件、設置時間、ラックが生む売上を比べる必要があります。

ラック規模の統合は利点と責任を生みます。Nvidiaは通信経路全体を調整し、導入ごとにより多くの内容を販売できます。顧客は統合上の選択肢が少ない検証済み設計を得られます。その一方で、同社ははるかに大きなサプライチェーンを調整し、システムレベルの障害を管理し、液冷を支援し、買い手が新アーキテクチャをすぐ使えるだけのソフトウェア成熟度を届けなければなりません。

この方針は粗利益率も変えます。完全なシステムの販売には、単体アクセラレータの販売より低利益率の物理部品が多く含まれます。導入当たりの総利益が高くても同様です。製造不良、直前の設計変更、利用できないメモリやパッケージング能力は、はるかに大きな部品表に影響します。

電力は厳しい制限になっています。データセンターは、公益事業の電力容量、変電所、発電機、冷却設備、建設許可を得るより速くチップを入手できるかもしれません。Nvidiaの今後の進歩は、仕様に印刷される演算回数だけでなく、ワット当たり、ラック当たりの有用な仕事量に依存します。

競争はプラットフォームのあらゆる層を試す

Nvidiaは、汎用アクセラレータ、クラウド設計チップ、代替ソフトウェアスタック、交渉力を求める顧客から競争を受けます。脅威はワークロードごとに異なるため、一つのベンチマークで勝負は決まりません。

AMDは、ゲーミンググラフィックスとデータセンターGPUの両方で最も近い直接競合です。InstinctアクセラレータとROCmソフトウェアは、学習、推論、高性能コンピューティングを狙います。MI300世代は意味のある導入を得て、2026年にはMI350製品とHeliosラック設計を伴うMI400ファミリーが続きました。AMDはメモリ容量、オープン標準、プロセッサ統合、第二の供給元を求める顧客の需要で競います。

Intelは大きなサーバーCPU基盤を保ち、ディスクリートGPUとGaudiアクセラレータを追求してきました。そのアクセラレータ戦略は何度も変わっており、シリコンの更新ペース、ソフトウェア採用、システム供給を同時に維持する難しさを示しています。信頼できる代替製品には、単体で印象的なチップではなく、フレームワーク対応とクラスタ規模での運用が必要です。

クラウド事業者はNvidiaの立場の別の部分を攻めます。Googleのtensor processing unitは社内サービスを動かしGoogle Cloud経由でも利用でき、Ironwoodは大規模学習、推論、推論処理を狙います。AWSはTrainium3システムを含め、モデル開発向けにTrainium、提供向けにInferentiaを提供します。ほかの大手テクノロジー企業も、自社ワークロード向けにアクセラレータやネットワーク用シリコンを設計しています。

カスタムチップは、買い手がモデル、コンパイラ、データセンター、利用率を管理しているとき勝てます。不要な機能を省き、予測可能なソフトウェアを中心に最適化できるからです。汎用GPUは、顧客が広いフレームワーク互換性、多様なモデル種別、迅速な展開、複数クラウドでの利用を必要とするときに優位を保ちます。

専門企業は、ウエハースケールプロセッサ、データフローアーキテクチャ、推論チップ、光インターコネクトなど、ほかの方式を追求しています。Cerebras、Groq、多数のスタートアップは、特定の性能や遅延の課題に焦点を当てます。課題は、技術的優位を利用可能なシステム、信頼できるソフトウェア、大口顧客に十分な生産能力へ変えることです。

抽象化も競争源です。PyTorch、JAX、移植性の高いコンパイラ、コンテナ化されたサービス、推論エンジンは、アプリケーション開発者から見えるベンダー固有の作業を減らせます。チームが少ない変更でモデルを移せるなら、基礎カーネルが各デバイス向けに高度に最適化されていても、購買部門の交渉力は高まります。

買い手は、ピーク演算能力に頼らず自分のワークロードでシステムを比べるべきです。有用な評価には、選択した精度でのモデル正確さ、バッチサイズ、prefillとdecodeの挙動、メモリ制限、インターコネクトの拡張性、電力、供給可能性、支援、エンジニアリングの労力が含まれます。安価なアクセラレータでも、遊休状態になったり何か月もの移植を要したりすれば高くつきます。より単純なデバイスで遅延・スループット目標を満たせるなら、高価なプラットフォームも経済的ではありません。

Nvidiaの立場は、ローカル開発、クラウド学習、大規模クラスタ、本番推論にわたり、一つの広く支援された環境を顧客が重視する場所で最も強いままです。買い手が狭い代替案を最適化できるだけの規模とソフトウェア管理力を持つ場所では、弱点が大きくなります。

輸出規制と供給集中が運用リスクになった

政府の政策と製造の集中は今、Nvidiaの製品設計、在庫、顧客アクセス、利益率に影響します。高度なアクセラレータは、商用AI、科学研究、情報分析、軍事用途を支え得るため、戦略技術として扱われます。

2022年に導入された米国の輸出規制は、中国とその他の制限先へ販売するA100・H100製品に影響しました。規則は2023年に、より多くの製品と性能指標を対象に拡大しました。NvidiaはH20を含む規制準拠の製品を開発しましたが、政策は変わり続けました。

2025年4月、米国は中国および特定の関連市場へのH20出荷にライセンスを求めました。Nvidiaは2026年度に、過剰在庫と購入義務について45億ドルの費用を計上しました。後に限定的なライセンスで一部H20の出荷が可能になり、2026年の方針では特定条件下でH200申請を個別審査することが認められました。Nvidiaはそれでも、2026年度末時点で中国のデータセンターコンピューティング市場では実質的に競争できないと報告しました。

この出来事は半導体特有のリスクを示します。企業は最終納入の何か月も前に、ウエハー、メモリ、パッケージング、システムへ投資します。こうした投資の後に規則が導入されると、特定地域向けに設計した製品は容易に振り替えられない在庫になることがあります。規制準拠の再設計も、地元の競合に制約が少ない場合や、生産拡大前に別の規則が来る場合には商業的に弱いものになり得ます。

独占禁止法上の論点は、Nvidiaの市場地位とフルスタック戦略から生じます。規制当局は買収、供給慣行、抱き合わせ、クラウドとの関係、ソフトウェア・ハードウェアへのアクセスを調べることがあります。中止されたArm取引は、中立的なインフラの管理が通常の製品拡張とは異なる監視を受けることを示しました。

製造の集中は別のリスクを生みます。Nvidiaはファブレスのままで、先端ウエハーをTSMCに大きく依存しています。高帯域メモリ、先端パッケージング、基板、ネットワーク部品、電力システム、複雑なラックを組み立てられる委託製造業者も必要です。一部品の能力が、別の部品の不足を補うことはできません。

台湾は最先端半導体の製造とシステム組み立ての中心であり、韓国はメモリ供給で重要です。地震、電力の中断、輸送問題、貿易制限、紛争は出力を混乱させ得ます。先端施設、認定済みプロセス、供給網は通常の工場へ注文を移すだけで複製できないため、地理的な多様化には何年もかかります。

AIデータセンターには地域的な制約もあります。大規模導入には、発電、送電、冷却水または別の排熱システム、土地、許可、熟練運用者が必要です。アクセラレータが供給可能でも、エネルギー、データ所在地、プライバシー、海外投資に関する国・地域の規則が、システムをどこへ設置できるかを決めます。

そのためNvidiaは、エンジニアリング、政策、物理インフラを一体で管理しなければなりません。同社の規模は購買力と供給業者の調整力を高めますが、各製品世代に集中する価値は、失敗と外部ショックのコストも高くします。

Jensen HuangのリーダーシップがNvidiaの運営モデルを形づくった

Jensen Huangの長期にわたる在任は、グラフィックス、モバイルコンピューティング、科学計算の高速化、AIを通じて、Nvidiaに珍しい継続性を与えました。彼は創業から最高経営責任者を務めており、公開市場が投資を高く評価しなかった時期にも技術投資を続けることができました。

Huangは製品の発信力と詳細な技術関与を組み合わせます。公の発表ではアーキテクチャをワークロードとシステムの経済性へ翻訳し、社内レビューは率直なフィードバックと幅広い情報共有で知られます。レザージャケットは認知されやすいブランドになりましたが、より重要なのは、ハードウェア、ソフトウェア、ネットワーク、市場が互いにどう影響するかを理解しようとする姿勢です。

Nvidiaは規模の割に比較的フラットな組織で運営されています。情報は長い非公開の管理会議の連鎖ではなく、簡潔な状況メッセージと大きなレビューグループを通じて上級リーダーへ届きます。これにより問題を早く表面化させ、専門家が組織の境界を越えて前提に異議を唱えられます。

このモデルは圧力も生みます。直接的な批判、高い期待、頻繁な製品サイクル、完成前の作業が見える環境は、従業員にとって厳しいものです。小規模なエンジニアリング企業が速く動く助けになった慣行も、人員、規制上の責任、顧客への約束が増えるにつれ、規律を必要とします。

Nvidiaの主要な判断には、いくつかの文化原則が繰り返し現れます。

• アーキテクチャや市場の前提が失敗したとき、知的な誠実さが重要です。
• 製品計画は、長い半導体サイクルと速いソフトウェア反復を組み合わせます。
• 開発者は、採用を勝ち取る必要がある主要ユーザーとして扱われます。
• 根底の考え方が妥当である限り、技術的な賭けは何年も続けられます。
• 一つの部品だけを最適化するより、システム性能が優先されます。

CUDAは辛抱強い投資の最も明確な例であり、NV1からの方向転換は反対の能力を示します。証拠が前提を否定したときに道を捨てる能力です。粘り強さと柔軟性は、リーダーが困難な計画と誤った前提を区別するときに両立します。

創業者による統制は一貫性を支えますが、判断も集中させます。Nvidiaの未来は、後継者計画、Huangに異議を唱えられるリーダー、重要な判断すべてに彼が関わらなくても機能するプロセスにかかっています。規模が大きくなると、スタートアップの切迫感だけでは解けない責任が加わります。コンプライアンス、安全性、セキュリティ、労務管理、政府やグローバル企業への確実な納入です。

同社の文化はグラフィックスエンジニアリングを超えて広がりました。研究者、コンパイラチーム、ネットワーク専門家、システムアーキテクト、クラウド運用者、自動車部門、業界向けソフトウェアチームが、同じプラットフォームで調整しなければなりません。Nvidiaの組織上の課題は、PCゲーム市場を大きく超える顧客に障害が影響し得るインフラを運営しながら、速い技術的議論を保つことです。

財務の変化は製品の変化に続いた

データセンターシステムが主要な売上源になると、Nvidiaの財務実績は変化しました。循環的なグラフィックス供給企業から、世界最大級のコンピューティングインフラ企業の一つへ変わったのです。進行は長年にわたり徐々に進み、その後、生成AI需要で加速しました。

1999年のIPO後、Nvidiaの売上はPCグラフィックス、ゲームサイクル、ワークステーション需要、ボードメーカーとOEMとの関係に大きく依存していました。ゲーミングは収益性を保ちましたが、在庫調整は急激になり得ました。新しいグラフィックス世代には、需要が確実になる前から大きな研究支出が必要でした。

いくつかの景気後退がこの循環性を露呈させました。2008年の金融危機は技術支出を減らしました。暗号資産マイニングはグラフィックスカード需要を異常に高め、その後2018年の在庫調整につながりました。パンデミック期の需要と供給混乱の後には、2022年に再びゲーミングの調整がありました。Nvidiaは、エンジニアリングや市場の前提が失敗した際に、製品関連の費用も計上しました。

データセンターの売上は、規模と顧客集中の両方を変えました。2024年度の売上は609億ドルに達し、そのうち475億ドルがデータセンターでした。2025年度は1305億ドルへ増え、データセンターは1152億ドルを占めました。2026年度の売上は2159億ドルに達し、うち1937億ドルがデータセンターでした。

2026年度の数値は、構成がどれほど完全に変わったかを示します。データセンターは年間売上の約90%を占め、ゲーミングも大きな事業ではあるものの、規模はかなり小さくなりました。2026年4月26日終了四半期の総売上は816億ドル、データセンター売上は752億ドルでした。Blackwell 300システムとネットワーク製品が立ち上がった時期です。

収益性には、希少で高価値なアクセラレータと、完全なシステムを供給するコストの両方が反映されます。Nvidiaは2026年度のGAAP粗利益率を71.1%と報告し、2025年度の75.0%から低下しました。これはHopper HGX製品から完全なBlackwellデータセンターソリューションへの移行と、H20在庫費用を反映しています。売上が高くても、製品構成や政策リスクが無関係になるわけではありません。

顧客基盤は別の緊張も生みます。クラウド事業者、AI研究所、サーバーメーカー、その他の大口直接顧客が大きな購入を占めることがあります。彼らの設備投資計画はすぐ変わる可能性があり、Nvidiaシステムを買いながら社内チップも開発しています。需要全体が強くても、個別製品や顧客が変動を生み得ます。

Nvidiaの株式は、変化する期待を反映しました。同社の時価総額は、AIインフラ需要の規模を投資家が織り込んだ2023年に1兆ドルを超え、2024年にはさらに複数の兆ドル規模の節目を越えました。2024年6月には10対1の株式分割が発効しました。これは2021年の4対1分割と、さらに以前の複数回の分割に続くものです。株式分割は株数と1株当たり価格を変えますが、事業価値は変えません。

健全な財務分析は、需要と持続的な経済性を分けます。買い手はAI容量を増やし続けても、より低コストな推論チップへ移るかもしれません。システムにはより多くの第三者部品が含まれるため、Nvidiaは売上を伸ばしながら粗利益率を下げることがあります。急速なアーキテクチャ移行は在庫費用を生むことがあります。電力と建設の制約は、顧客がより多くの計算資源を望んでいても導入を遅らせます。

長期的な強気の見方は、アクセラレーテッドコンピューティングが汎用作業をさらに置き換えること、AI推論が繰り返し発生する本番ワークロードになること、Nvidiaがシステムとソフトウェアの価値の大きな割合を保つことに基づきます。反対の見方は、顧客集中、カスタムシリコン、代替アクセラレータ、輸出規制、供給制約、収益性のあるAIアプリケーションに先行する支出に基づきます。どちらも、チップ企業かソフトウェアプラットフォームかという単純なラベルではなく、キャッシュフローと導入の経済性で評価すべきです。

Nvidiaの過去が次の段階について語ること

Nvidiaの次の段階は、各プロセッサをただ速くするのでなく、より大きなAIシステムを経済的に運用できるようにすることにかかっています。学習は依然として負荷が高い一方、本番推論、推論モデル、ソフトウェアエージェントは継続的に計算資源を消費できます。顧客にとって重要な指標は、遅延、ワット当たりトークン数、ドル当たりトークン数、稼働率、導入電力単位当たりの売上へ移っています。

Rubinは、Nvidiaがこの需要へどう応える計画かを示します。年次のプラットフォーム投入、プロセッサとネットワークのより密な統合、より大きなメモリシステム、変化するモデル構造向けに調整されたソフトウェアです。速い更新ペースは顧客をプラットフォームにとどめられますが、高価な機器の経済的寿命を短くし、供給業者とエンジニアリングチームへさらに負荷をかけることもあります。

フィジカルAIも大きな賭けです。DRIVE、Isaac、Jetson、Omniverse、シミュレーションツールは、モデル学習を物理世界を認識し行動する機械とつなぎます。ロボットと車両には低遅延のローカル推論が必要で、クラウドシステムは学習、フリート分析、シミュレーションを行えます。進歩はアクセラレータ性能と同じくらい、安全性、信頼性、センサーデータ、実際の導入経済性に依存します。

デジタルツインは同じ考え方を、工場、倉庫、電力システム、その他の設計された環境へ広げます。シミュレーションは、物理的な変更前にレイアウトやロボットの挙動を試すコストを下げられます。その価値は正確なモデルと維持された運用データに依存するため、ソフトウェア統合はレンダリングと同じくらい難しいままです。

アプリケーションを作る人にとって、この歴史は、日々の作業を形づくっていてもAIインフラが遠く感じられる理由を説明します。技術者ではない創業者でも、Koder.aiでWeb、サーバー、モバイルアプリケーションを説明でき、言語モデルと複数のエージェントがチャット画面の背後で作業します。その体験は、下にあるアクセラレータ、ネットワーク、ホスティング、モデルソフトウェアを抽象化します。ユーザーがGPUカーネルやクラスタを管理せずに、より多くの製品がAIを使うとき、Nvidiaの商機は広がります。

作り手は同社の実績から、いくつかの実践的な教訓を得られます。より広いプラットフォームに資金を供給できる切実なアプリケーションを選ぶこと。競合が優先事項として扱う前に開発者体験へ投資すること。ユーザーがコードと学習を製品に託すとき、互換性を守ること。測定されたボトルネックを取り除く場合だけ隣接部品へ広げること。標準や証拠が誤りを示した技術的前提を捨てることです。

政策立案者には別の選択肢があります。アクセラレータ供給、先端パッケージング、メモリ、エネルギー、クラウドアクセス、ソフトウェア人材は今、国の計算能力に影響します。輸出規制は敵対国の能力を制限できる一方、在庫損失を生み、海外の開発者に対するベンダーのアクセスを減らし、制限市場で国内代替品を促すこともあります。競争政策は、システム性能を改善する統合と、顧客が実行可能な代替品を選ぶことを妨げる慣行を区別しなければなりません。

Nvidiaの歴史は、最終的には積み重なる約束の連続です。グラフィックスが並列ハードウェアに資金を与えました。プログラマブルシェーダーが汎用コンピューティングの機会を明らかにしました。CUDAがソフトウェアと開発者を積み上げました。AlexNetが決定的なAIワークロードをもたらしました。DGX、Mellanox、Grace、Blackwell、Rubinが製品の境界を広げ、ラックがコンピューターになるまで進みました。

この連続がNvidiaの先行を生みましたが、それは永続を意味しません。同社は、競合が価格、オープン性、供給の多様性、特化性能を攻めるなか、次の運用上の制約を解き続ける必要があります。これまでの成功は、計算モデルが変わったときにそれを見抜いたことから生まれました。未来は、今のモデルを疑えない前提にする前に、再び変化を見抜けるかにかかっています。