エヌビディアとノエトラ株式会社（Noetra）は、日本国内に2万7500基のNVIDIA Rubin GPUと1万3750基のVera CPUを備える、大規模なAI計算基盤を構築すると発表した。
ノエトラ株式会社とは、2026年1月にソフトバンク、NEC、ソニーグループ、ホンダの4社が中核となり、政府からの巨額支援を受け本格始動した官民合同のテック企業だ。出資先は、製造業を中心に、多彩な企業が名を連ねる。
ノエトラへの出資企業例：旭化成、SGホールディングス（HD）、オークマ、OKI、オムロン、鹿島、川崎重工業、KDDI総合研究所、神戸製鋼所、Sakana AI、島津製作所、シャープ、JERA、JFEスチール、住友生命保険、ソニーグループ、ソフトバンク、第一三共、ダイキン工業、大和ハウス工業、DMG森精機、東京エレクトロン、東芝、TOPPANHD、日本製鉄、日本生命保険、NEC、日立製作所、ファナック、富士通、Preferred Networks、ホンダ、松尾研究所、みずほ銀行、三井住友海上火災保険、三井住友銀行、三菱電機、三菱UFJ銀行、村田製作所、安川電機、ヤマザキマザック、楽天グループ
施設全体のデータセンター容量は140MWで、72基のRubin GPUを一体として動かすVera Rubin NVL72を中心に構成される。
単純計算では約382ラック分に相当する。
経済産業省が進めるFRONTiaプロジェクトの計算基盤として、マルチモーダル基盤モデル、AIエージェント、デジタルツイン、ロボットなどの開発に使われる計画である。
建設は2027年4月に始まり、2028年6月の運用開始が予定されていて、2026年度から推論基盤モデル、2028年度までにテキスト、画像、動画、音声を扱うオムニモーダルモデル、2030年度には現実世界の空間や物理的性質を理解する「Real-world Native AI」の開発を目指すということだ。
Rubin GPU 2万7500基というのは、どういう規模なのだろう。
処理能力で単純比較すると、MetaがLlamaのような世界最先端モデルをはじめに学習するために構築した、巨大AIクラスター1個分を超えるような規模だ。
こういうと、発表の規模がかなり大きいことがわかる。
しかし、本当に問うべきなのは、2万7500基のRubinを継続的に動かすだけのデータ、用途、利用者、事業モデルがあるのか？
国家AIインフラの成否は、GPUの性能ではなく、この問いへの答えで決まる。
2万7500基は「一つのモデルを作るための設備」ではない
AIには学習と推論という２つの機能があり、エヌビディアのGPUはこの両方に対応していて、CUDAと呼ばれる業界別の開発プラットフォームや、さまざまな環境でロボットなどの動作をシミュレーションする環境などをあらかじめ準備しているため、一般の製造業において、これを利用できるというメリットは大きい。
学習についてみると、大規模モデルの事前学習には膨大な計算資源が必要だが、学習は永遠に続くわけではない。一度大規模な学習を終えれば、追加学習、評価、推論、シミュレーションなど、複数の用途へGPUリソースを振り分ける必要がある。
Vera Rubin NVL72は1ラックに72基のRubin GPUと36基のVera CPUを搭載し、GPU間をNVLink 6で接続する。1ラックあたり20.7TBのHBM4を搭載し、ラック内のGPU間帯域は260TB毎秒に達する。
NVIDIAは、Blackwell世代と比べて、学習に必要なGPU数を4分の1に、推論コストを10分の1にできるとしている。
なお、これらは特定モデルと条件に基づくNVIDIA側の試算である。
つまり、Rubinは単に学習を高速化するだけでなく、大量の推論を低コストで処理することを前提とした基盤である。
設備を経済的に成立させるには、基盤モデルの開発だけでなく、その後に多数の企業が継続して推論やシミュレーションを実行する必要がある。
国家AIインフラの本当の課題は、GPUを購入できるかではない。毎日使い続ける需要を作れるかである。
条件1：学習できる形の産業データを集められるのか
日本がフィジカルAIで優位に立てる理由として、製造業、ロボット、自動車、物流などに蓄積された現場データが挙げられる。
だが、「データを持っていること」と「AIの学習に使えること」は同じではない。
工場のデータは、設備メーカーや年代によって形式が異なる。センサー値だけが保存され、どの作業や異常と対応しているか分からないケースもある。作業者の判断や不具合対応が紙や口頭で残っている現場も多い。
ロボットに部品の組み付けを学習させるなら、映像だけでなく、部品の位置、形状、力、動作軌跡、作業の成否などを対応付ける必要がある。
設備保全のAIを作るなら、振動や温度の時系列データだけでなく、故障箇所、原因、交換部品、作業内容まで記録されていなければならない。
さらに、企業にとって現場データは競争力の源泉である。どこまで共同基盤へ提供するのか、提供したデータから作られたモデルの権利を誰が持つのか、競合他社へ知見が流出しないかという問題も生じる。
ノエトラ社は、開発した事前学習済みモデルを、国内のモデル開発者や企業へ広く提供する方針を示している。だが、モデルを広く公開することと、企業が安心して機密データを提供できることは別の問題である。
必要なのは、GPUの共用ルールだけではない。データの匿名化、利用範囲、知的財産、競争領域と協調領域の線引きまで含めた、産業データの流通設計である。
条件2：汎用モデルと企業固有モデルを分けられるか
日本企業の現場データをすべて一つの巨大なモデルへ学習させればよいわけでもない。
工場、医療、物流、自動車では必要な知識も、安全基準も、判断速度も異なる。さらに、同じ製造業でも、自動車工場と食品工場では求められるモデルは大きく違う。
そこで現実的なのは、共通部分を学習した基盤モデルの上に、業界別、企業別、工場別のモデルを重ねる構造である。
例えば、空間認識、物体認識、言語理解、動作生成などは共通の基盤モデルとして開発できる。一方、特定の製造装置の操作方法、品質基準、安全ルールなどは企業固有の追加学習が必要となる。
国家基盤がすべてを内包するのではなく、民間企業がその上で独自モデルやアプリケーションを開発できることが重要である。
逆に、国家プロジェクトが巨大な汎用モデルの完成だけを成果指標にすると、現場で使われないモデルが生まれる可能性が高い。
評価すべきなのはパラメーター数やベンチマークの順位ではない。
基盤モデルを使って、何社が独自モデルを開発したのか。開発期間や費用がどれだけ下がったのか。実際の工場や物流拠点で何件稼働したのかを見る必要がある。
条件3：中堅・中小企業まで利用できる価格になるか
国家AIインフラが一部の大企業や研究機関だけの設備になれば、産業全体の競争力にはつながらない。
製造業のサプライチェーンは、大企業だけで成立しているわけではない。部品加工、金型、検査、保全などを担う中堅・中小企業までAIを利用できなければ、生産工程全体は変わらない。
そこで重要になるのが、計算資源の提供価格と利用単位である。
企業がRubin GPUを数百基単位で借りる仕組みだけでは、利用者は限定される。小規模な追加学習、シミュレーション、推論を時間単位や処理量単位で利用できるサービスが必要になる。
また、GPU利用料だけ安くしても不十分である。
多くの企業は、学習用データの整理、モデルの選定、安全性評価、既存システムとの接続まで自社だけでは行えない。計算基盤に加えて、データ整備やモデル開発を支援する企業群が必要となる。
これに対し、ノエトラには、通信、製造、IT、研究機関など幅広い組織が参加している。
この連携が単なる共同研究で終わらず、企業が実際に購入できるサービスへ転換できるかが鍵となる。
条件4：140MWの電力をどう確保するのか
今回の計画は140MWのデータセンター容量を想定している。これは一つの工場やオフィスビルというより、大規模な産業インフラの電力需要である。
AIデータセンターでは、GPUだけでなく、CPU、ネットワーク、ストレージ、冷却設備にも電力が必要となる。
しかも、GPUは導入時点で完成ではない。数年ごとに次世代製品への更新が必要となり、そのたびに電力密度、冷却方式、ラック構造も変化する。
したがって、国家AIインフラの評価ではGPUの台数と同じ程度に、電力調達、系統接続、冷却、水、設備更新の計画を見る必要がある。
安価で安定した電力を長期間確保できなければ、計算性能が高くても利用料金は下がらない。
さらに、施設の電力容量が140MWあっても、利用率が低ければ巨大な固定費を抱えることになる。逆に利用率が高すぎれば、企業が必要なときに計算資源を確保できない。
インフラとして成功するには、単に常時フル稼働させるのではなく、学習、推論、シミュレーションなど性質の違う処理を組み合わせ、需要を平準化する運用能力が必要である。
条件5：日本に何が残るのか
今回の基盤は、Rubin GPU、Vera CPU、NVLink、Spectrum-X Ethernet、BlueField DPU、NVIDIAのAI開発ソフトウェアによって構成される。
短期間で世界最高水準のAI基盤を構築するうえで、NVIDIAを採用することは合理的である。
一方で、ハードウェアからネットワーク、ソフトウェアまでNVIDIAへの依存度が高くなるのも事実である。
国内にデータセンターがあれば、それだけでAI主権が確立するわけではない。
モデルを開発・改善できる人材、学習データ、モデル評価技術、運用ソフトウェア、現場への実装能力が日本側に蓄積されなければ、海外製のAI基盤を国内で運転しているだけになりかねない。
見るべきなのは「国産GPUを使っているか」ではない。
NVIDIAの基盤を利用しながら、その上に日本企業が保有するモデル、データ、ソフトウェア、サービスをどれだけ構築できるかである。
成功を判断する指標はGPUの台数ではない
2万7500基という数字は、プロジェクトの規模を示すには分かりやすい。
しかし、プロジェクトの成果を評価する指標としては不十分である。
稼働後に確認すべきなのは、少なくとも次の点である。
- 計算資源の平均利用率
- 利用企業数
- 中堅・中小企業利用可能性
- 開発されたモデル数
- 実際の工場、物流、医療、ロボットで何件稼働しているか
- 企業がモデル開発に要する時間とコストはどれだけ下がったか
- 利用料金を含めた運営が持続可能か
国家AIインフラは、道路や発電所に近い。
巨大な設備を建設するだけでは経済価値は生まれない。その上をデータとモデルが流れ、企業がサービスを作り、現場の生産性や製品価値が上がって初めて意味を持つ。
日本は、フィジカルAIに使える現場と産業データを持っている。
しかし、それらの多くは企業や設備の中に分断されたままである。
今回のプロジェクトにおける本当の難所は、Rubin GPUを2万7500基調達することではない。
分断されたデータを学習可能な資産へ変え、開発したモデルを産業現場へ戻し、継続的な需要として計算基盤を動かすことである。
2028年に問われるのは、日本が世界有数のGPU設備を持ったかどうかではない。
そのGPUの上で、どれだけの日本発AIが育ち、どれだけの現場を実際に変えたかが重要だ。
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。
