AIインフラへの投資が、かつてない規模で拡大している。
Metaは自社AIチップ「Iris」の生産を進め、2026年に7GW、2027年にさらに7GW、合計14GW規模の計算インフラを展開する計画だと報じられている。同社の2026年のAIインフラ投資額は最大1,450億ドルに達する見込みで、Samsung、Sandisk、住友電工とも長期供給契約を結んでいるとされている。
また、OpenAIもBroadcomと共同で、LLM推論向けの独自AIチップ「Jalapeño」を発表した。これはOpenAIにとって初の独自推論プロセッサであり、同社はこれを複数世代にわたる計算基盤の一部と位置付けている。
さらに、Micronは2035年までに米国内で2,500億ドル超を投資すると発表している。AI時代のメモリーチップ需要を見込み、ニューヨーク、アイダホ、バージニアなどの拠点を拡張し、米国内の半導体サプライチェーンも強化する計画だ。
これらのニュースを個別に見ると、AIチップ、HBM、SSD、データセンター、光通信、電力設備の話がばらばらに起きているように見える。
しかし、私はこれらを一つの流れとして見た方がよいと考えている。
これは、「2030年頃にAIエージェントが当たり前になり、フィジカルAIが現場へ入り始める社会に向けて、企業が必要なインフラを先に作っている」という流れだ。
2030年のAI社会では、推論が爆発的に増える
2030年頃のAI社会を考えるうえで、最も重要なのは「AIエージェント」だ。
現在の生成AI利用は、まだ多くの場合人間がChatGPTなどに質問し、回答を受け取るという形だ。
しかし、2030年頃には、AIは単に質問に答える存在ではなく、業務やサービスの中に組み込まれ、人間の代わりに情報を集め、比較し、推論し、次のアクションを提案する存在になっていくはずだ。
企業活動で言えば、AIエージェントは営業、調達、生産管理、物流、経理、法務、顧客対応などの業務を自動化したり、データを横断的に見るものとなる。
受注状況、在庫、仕入れ価格、物流遅延、顧客からの問い合わせ、契約条件、市場環境を読み込み、「次に何をすべきか」を推論する。
実際、まだまだ企業のデータベースは業務横断で見ることができない場合が多く、AIエージェントが高度化されたところで、どこまで活用できる企業があるのかは未知数だ。一方、この機会にデータベースを整理しようと動いている企業も大企業を中心に少なくはない。
2030年くらいでも、最終的な意思決定はまだ人間が行う場面が多いだろう。AIが提案し、人間が確認し、実行ボタンを押す。そのような役割分担が現実的だ。
しかし2035年頃になると、AIの推論に一定の理解が得られるようになり、一定の条件下ではAIが意思決定そのものを担う領域も出てくるはずだ。
そして、サービスの世界でも同じ変化が起きる。
たとえば旅行予約サービスでは、ユーザーが「予算はいくら」「誰と行く」「ラグジュアリーにしたい」「節約したい」「温泉がほしい」といった大まかな条件を入れるだけで、AIエージェントが候補を探すようになる。
ただし、現在のように、星の数やレビューを見比べるのではない。
AIが部屋の広さ、バストイレ別かどうか、レビュー写真から見える清潔さ、子ども連れに向いているか、駅からの移動負担、食事の内容など、細かく読み取り、ユーザの好みとの適合性を推論することで、ユーザに最もマッチしたホテルと部屋を探して予約までしてくれるようになるだろう。
このような体験を実現するには、一回の推論するだけでは足りない。
検索し、比較し、画像を読み、レビューを読み、条件を照合し、候補を絞り、理由を説明する。
その一つひとつで、大量の推論が発生するのだ。
つまり、2030年のAI社会で本当に増えるのは、推論の回数と推論に使われるトークン量なのだ。
AIチップはASICへ向かう
この推論量の増加を考えると、ハイパースケーラー各社が独自AIチップやASICへ向かう理由が見えてくる。
NVIDIAのGPUは今後も重要だ。大規模モデルの学習、高度な推論、汎用性の高いワークロードでは、GPUの役割は簡単にはなくならない。
しかし、AIエージェントが日常的に動く社会では、すべての推論を汎用GPUだけで処理するのはコストが高くなる。
同じような処理が大量に繰り返されるなら、その用途に最適化したASICで処理した方が効率的なのだ。
MetaのIrisも、OpenAIのJalapeñoも、この流れの中で見るべきだ。MetaのIrisはBroadcomと開発され、TSMCで製造されると報じられている。 OpenAIのJalapeñoもBroadcomと共同開発されたLLM推論向けチップだ。
これは単なる「NVIDIA離れ」ではない。
むしろ、AI利用が拡大するからこそ、GPUとASICを使い分ける必要が出てきたということだ。
GPUは汎用性の高い高性能エンジン。
ASICは特定用途を安く、効率よく処理する専用エンジン。
2030年にAIエージェントが企業やサービスの中で常時動くなら、この役割分担は避けられない。
HBM、SSD、光通信、電力は「周辺部品」ではない
AIチップが増えると、その周辺にも大きな需要が生まれる。
まず必要になるのがHBMだ。
GPUでもASICでも、大量の推論を高速に処理するには、チップのすぐ近くに高帯域メモリーが必要だ。AIチップが多様化すれば、NVIDIA向けだけでなく、Meta向け、OpenAI向け、Google向け、Amazon向けなど、用途に応じたメモリー構成やパッケージングが求められるようになるだろう。
Micronが2035年までに2,500億ドル超の米国投資を進める背景には、この長期需要がある。半導体工場はすぐには立ち上がらない。建設、装置導入、量産、歩留まり改善には数年単位の時間がかかります。2030年前後の需要に間に合わせるには、今から投資しなければならない。
SK hynixもHBMの主要プレイヤーとして、AIメモリー需要を取り込むための動きを強めている。同社は米国市場での大型上場を進め、HBMを中心とするAIメモリー需要を背景に、グローバル投資家から大きな関心を集めている。 SamsungもHBM4Eサンプルを顧客へ出荷するなど、先端HBMで巻き返しを図っている。
SSDも重要になる。
AIエージェントは、企業内外の膨大なデータを参照する。しかし、すべてをHBMに置くことはできない。HBMの手前にはDRAMがあり、その手前にはSSDがある。
社内文書、顧客履歴、取引データ、製品データ、ログ、画像、動画、センサーデータ。
これらを必要なタイミングで読み出し、推論に使うには、高速なストレージ階層が必要になる。
さらに、数万、数十万のAIチップをつなぐにはネットワークも変わる。
NVIDIAはRubinプラットフォームで、Blackwell比で推論トークンコストを最大10分の1に下げるとうたっているが、その背景にはGPU単体ではなく、CPU、GPU、DPU、ネットワーク、ストレージを一体で設計する思想があるのを見れば明らかだ。
Rubin以降、Feynman世代へ向かうと、光通信やフォトニックネットワークの重要性はさらに高まる。
NVIDIAは、自社の年次イベントとなるGTCでも、将来アーキテクチャやフォトニックネットワークへの方向性を示している。
そして、これらを動かすには電力と冷却が必要だ。
AIデータセンターは、従来のIT設備ではなく、巨大な産業インフラになりつつある。
AIワークロードの増加は、電力需要、発熱、ラック密度を押し上げ、48Vラックや従来型AC配電では限界が見え始めているという研究もある。
つまり、HBM、SSD、光通信、電力、冷却は「周辺部品」ではなく、AIエージェント社会を成立させるための基幹インフラと捉えるべきだ。
米国政府による関連企業への出資状況を見ても、これまでの発電設備やダムなどとどうように、AIデータセンターを見出しているように見える。
つまり、AIエージェント社会において、AIデータセンターは、国家レベルで重要なインフラともなるといえる。
フィジカルAIは、現場の仕事を変える
そして、2030年に向けてもう一つ重要なのが、フィジカルAIだ。
フィジカルAIというと、人型ロボットを思い浮かべる人が多いかもしれない。もちろん人型ロボットも重要だ。しかし、ビジネスとして先に広がるのは、人型に限らない専用用途のAIロボットだと思う。
重い荷物を運ぶ。
危険作業を代替する。
夜間に単純作業を行う。
セル生産で部品を扱う。
梱包、投入、搬送、検査を自動化する。
こうした現場には、人手不足、安全性、生産性という明確な課題がある。AIロボットがすぐに人間のすべてを置き換えるわけではない。しかし、人の代わりにできる作業、人を危険から遠ざける作業、人がやるには負担の大きい作業から導入が進む可能性は高い。
安川電機のMOTOMAN NEXTは、その方向性を示す例だ。
同社はMOTOMAN NEXTについて、OT、つまりロボット制御と、IT、つまりAIやソフトウェア機能を一つのシステム上で統合するロボット制御プラットフォームと説明している。
NVIDIA Jetson Orin NXを使い、マシンビジョン、センサー、AIによるデータ処理を行う構成だ。
安川電機は、フィジカルAIを「認識、判断、計画、行動」する技術として位置付け、MOTOMAN NEXTを社会実装していく方針を示している。
ここでも、必要なのは推論だ。
ロボットが周囲を認識する。
部品の状態を判断する。
動作を計画する。
異常時には止まる。
人の動きに合わせて動作を変える。
これらはすべて、AIインフラ需要を押し上げる。
フィジカルAIは、AIをデジタル空間から現場へ引き出す動きだ。そして現場へ出ていくほど、エッジAI、工場内サーバー、国内データセンター、クラウドAIが連携する必要が出てくるのだ。
企業内デジタルツインと国内AIデータセンター
AIエージェントが企業の業務を支えるようになると、企業内のデータ構造も変わらざるを得なくなる。
AIエージェントが価値を出すには、社内のデータを横断的に理解しなければならない。
ERP、CRM、MES、PLM、CAD、品質データ、設備データ、IoTセンサー、映像、契約書、メール、会議記録。
これらをつなぎ、企業全体の状態を把握する仕組みが必要になる。言い換えれば、企業内デジタルツインだ。
これまでのデジタルツインは、工場や設備の可視化という文脈で語られることが多くあった。しかし、AIエージェント時代には、企業活動そのものをAIが理解するための基盤になる。
さらに、地政学リスクも重要だ。
AIが業務の中心に入るほど、「どの国のデータセンターで処理するのか」「どのクラウドに依存するのか」「モデルやAPIが止まったときに業務を継続できるのか」が経営課題になる。
AI主権という考え方も、データやアルゴリズムだけでは不十分になっている。最近の研究でも、AI主権はデータセンター、光ネットワーク、エネルギーシステムを含むインフラ運用能力と結びついていると整理されている。
日本でも、AIデータセンターや国内AI基盤への関心は高まっている。ソフトバンクは、2026年10月から「Infrinia AI Cloud OS」によるAIデータセンターGPUクラウドを提供すると発表しており、AIモデル開発、推論、データ処理を効率的に支える基盤を目指しているという。
今後は、大規模クラウドだけでなく、企業内AIデータセンター、国内AIデータセンター、業界特化型AIクラウドといった選択肢が増えるはずだ。
これは日本企業にとって、大きなビジネスチャンスなのだ。
AIの盛り上がりは生成AIの性能合戦ではない
AIブームを「生成AIサービスの流行」「プロンプトエンジニアリングによる下克上」として見ると、見える範囲は狭くなる。
しかし、AIエージェントとフィジカルAIが当たり前になる2030年の社会から逆算すると、必要になるものは一気に広がりを見せる。
チップ、メモリー、ストレージ、ネットワーク、電力、冷却、ロボット、データセンター、業務設計、デジタルツイン、国内AI基盤。
これらすべてが、2030年のAI社会を成立させるための部品なのだ。
AIインフラへの巨額投資は、単なる半導体投資ではない。
2030年頃に、AIエージェントが企業やサービスに入り込み、フィジカルAIが現場で少しずつ導入され、企業内デジタルツインや国内AIデータセンターが経営課題になる。その未来に向けた準備だといえる。
重要なのは、AIを「便利なチャットツール」として見るのではなく、業務、サービス、現場、インフラを変える技術として見ることだ。
2030年には、まだ多くの意思決定は人間が行っているだろう。
しかし、意思決定の前段にある情報収集、比較、推論、提案は、かなりの部分をAIエージェントが担っているはずだ。
2035年には、一部の意思決定そのものもAIが担うようになるかもしれない。
今後出てくる、さまざまなAI関連の発表が、2030年のAI社会のどのピースを埋めようとしているのか。
その視点を持つことで、ビジネスチャンスの見え方は大きく変わるはずだ。
IoTNEWS代表
1973年生まれ。株式会社アールジーン代表取締役。
フジテレビ Live News α コメンテーター。J-WAVE TOKYO MORNING RADIO 記事解説。など。
大阪大学でニューロコンピューティングを学び、アクセンチュアなどのグローバルコンサルティングファームより現職。
著書に、「２時間でわかる図解IoTビジネス入門（あさ出版）」「顧客ともっとつながる(日経BP)」、YouTubeチャンネルに「小泉耕二の未来大学」がある。
