チップを超える Nvidia：オープンソース、AI 工場、インフラの強み
Nvidia が売るのはチップだけではなくインフラだ
分析 | 2026年11月13日。Nvidia はデータセンターで AI モデルを学習・実行する高性能チップの主要供給企業で、業界推計では世界シェアは約80%に達する。その重要性はプロセッサーを超え、ソフトウェア、開発ツール、クラウドサービス、技術運用に及ぶ。稼働中の計算基盤を置き換える作業は、競合プロセッサーの設計より大きい。市場シェアは特定市場の尺度であり、全 AI 企業の調査でも、独占的依存の証明でもない。
保存情報の検索から、文脈に応じた回答のリアルタイム生成へ移ると、計算の経済的役割が変わる。AI は記録済みファイルを渡すだけでなく、計算して出力を生み出す。AI 工場という考え方はここから生まれる。インフラがデジタルサービスの生産過程になるのだ。商業上の試験は、出力が提供費用を上回る収入を生むほど有用かどうかにある。
オープンソースは原動力の一部だが、CUDA 全体が公開されているわけではない
オープンソースは、ライセンスに従って研究者や開発者がソフトウェアを調べ、変更し、共有できる仕組みだ。企業や国を超える協力を可能にする。PyTorch の Linux Foundation への移行には AMD、AWS、Google Cloud、Meta、Microsoft Azure、Nvidia などが参加した。開かれた AI ソフトウェアは、一社の所有物でも単独の功績でもない。
Nvidia はこの仕組みに参加しつつ独自の非公開部品も維持する。CUTLASS ライブラリーは BSD ライセンス、Linux GPU カーネルモジュールは MIT/GPL の二重ライセンスで公開される。しかしカーネルモジュールの公開は、ドライバー全体やファームウェア、CUDA Toolkit 全体のオープンソース化を意味しない。Toolkit には独自の契約と制限がある。無料ダウンロード、オープンソース、公開された重みは異なる概念で、部品ごとの確認が必要だ。
公開モデルには、将来のモデル構造を理解すること、少数の独自製品供給企業を超えて AI を普及させること、言語だけでなく生物学・物理学・ロボットなどを支えることという関連した目的がある。Nemotron 3 Super は具体例だ。Nvidia はこれを総パラメーター1200億、稼働パラメーター120億の Mamba-Transformer 混合型 Mixture-of-Experts モデルと説明し、チェックポイント、データセット、構築手順を公開している。これは特定の開放性を示すが、全製品が無制限という意味ではない。
強みはアイデアから動くシステムまでの経路にある
CUDA は GPU 高速化アプリ向けのプログラミング基盤、コンパイラー、ライブラリー、ツールを提供する。研究者は全操作を CUDA で直接書かず、高水準フレームワークを使える。それでも下位の実装選択はメモリー利用、計算、装置間通信を左右する。
CUDA の既存導入基盤は中核的な競争優位だ。サポートされるソフトウェア、訓練済み技術者、デバッグツール、慣れた導入手順は、本番運用の不確実性を減らす。競争相手が挑むのは仕様書の数値だけでなく、動いている組み合わせだ。置換にはソフトウェア適合、結果検証、運用知識の再構築が必要になり得る。難しさは実在するが、費用は処理内容により異なり、永久的な囲い込みではない。
OpenAI とクラウド：大きな依存であって普遍的独占ではない
ChatGPT は OpenAI のサービスであり、この比較では別のチップ購入企業ではない。2025年9月の OpenAI 発表は Nvidia を優先的な戦略的計算・ネットワークパートナーとし、少なくとも10ギガワットの Nvidia システム導入に関する意向書を発表した。Nvidia が段階的に最大1000億米ドルを投資する意向も記載した。これは当時発表した計画であり、全容量の稼働や全額の支払いをここで確認したものではない。
クラウドは自社サーバーを買わずに Nvidia ハードウェアを使う道を提供する。例えば AWS は H100 GPU 搭載 EC2 P5 と H200 搭載 P5e/P5en を、学習・推論・高性能計算向けに文書化している。事業者はネットワークと容量管理を含むサービスをハードウェアの周囲に提供する。関係はチップ販売より広い。
Nvidia は広い市場を支配するが、代替基盤も重要な仕事を担っている。Google は自社 Trillium TPU で Gemini 2.0 を学習した。AWS は Project Rainier の Trainium2 上で Anthropic の処理が動いていると報告した。これは実在する代替策だが、どの仕事でも競合製品が安く速く、同じように利用できる証拠ではない。現実は Nvidia への大きな依存と選択的な代替の共存であり、全社の排他的依存ではない。
チャットの先：医療、ロボット、センサー近傍の計算
Nvidia の文書化された基盤は医療画像、ゲノミクス、創薬研究、ロボットに広がる。医療資料は画像 AI 用 MONAI、ゲノミクス用 Parabricks を説明し、IGX は産業・ロボット・医療のエッジ用途を対象とする。これらは機能と想定用途であり、治癒、臨床承認、全病院への導入を証明しない。
データセンターとエッジの区別は重要だ。中央システムは大きな共有計算資源を提供し、エッジはカメラ、機械、センサーの近くで処理する。現地での応答やデータの選別送信に価値が生まれ得る。ただし環境ごとに電力、信頼性、安全の要件が違う。同一構造が多分野に存在しても、同一装置がどこでも適するとは限らない。
Nvidia は宇宙に達したが、軌道上 AI 工場は別の主張だ
具体的な宇宙利用の記録がある。Jet Propulsion Laboratory の2023年6月資料は、国際宇宙ステーションの HPE Spaceborne Computer-2 に Nvidia Tesla T4 GPU が4基あると記載する。同計画は別のプロセッサーも調べた。これは軌道計算実験での利用を裏づけるが、全衛星への搭載や宇宙初の GPU という主張は裏づけない。
NASA の Spaceborne Computer 解説は放射線問題と、必要時に監視・減速する HPE のソフトウェア手法を説明する。軌道計算はサーバーを大気圏外へ運ぶだけでなく工学上の課題だ。放射線、冗長性、電力、排熱が重要となる。衛星センサー近傍で画像を処理することと、大規模な軌道 AI 工場は異なる。後者は将来像であり、冷却の解決や納入日程の確定と扱うべきではない。
評価額：市場価格と予測を区別する
本稿で確認した市場データでは、2026年11月12日の米国市場終値付近で Nvidia の株式時価総額は約4.01兆米ドルだった。これは日付を伴う概数で、11月13日の米国取引のリアルタイム価格ではない。時価総額は株式の価値であり、年間売上高、銀行預金、AI が社会にもたらす総利益とは違う。
将来の10兆米ドルの評価額や3兆米ドルの年間売上高は、野心的な成長シナリオに属し、達成済みの結果ではない。拡大の論拠は既存シェアの獲得だけでなく、AI 工場が新需要を生むことにある。利益になるかは有用な出力への顧客の支払い、インフラ費用、技術進歩に左右される。長期展望の可能性であり、本分析が推奨・保証する目標ではない。
次の制約は工場全体にある
計算単位は GPU からコンピューター、クラスター、AI 工場全体へ広がった。OpenAI の計画と AWS の GPU クラスター解説は、ネットワークと導入がプロセッサー同様に重要な理由を示す。電力、冷却、ソフトウェア信頼性、稼働率を一緒に評価すべきだ。アクセラレーター購入は生産的なサービス運用と同じではない。惑星規模の計算は長期的方向で、完成した能力ではない。
オープンソースは参加と適応性を広げるが、電力を供給せず、ハードウェア費を消さず、採算を保証しない。一方で独自ハードウェアとソフトウェアも、依存を永久化せず有用な性能を提供できる。共有ツールと商用基盤の均衡は続く競争であり、確定した業界法則ではない。
結論：置換が難しいことと不可能なことは違う
Nvidia の重要性は、高速化計算、成熟ソフトウェア、開発者の信頼、クラウド接続、研究室から軌道実験までの用途の組み合わせにある。公開活動は多くの人の開発を助け、独自部分も商業上重要であり続ける。問うべきは GPU を模倣できるかではなく、特定顧客に必要な完全で信頼できるシステムを代替側が提供できるかだ。
だから Nvidia は多くの環境で置換が難しいが、すべてで不可欠ではない。Google TPU と AWS Trainium はすでにその絶対論を否定する。将来は技術とエコシステムの広がりを、許容できる費用で役立つ仕事へ変え続けられるかにかかる。高評価額は期待を映すが、実現を保証しない。本稿は編集分析であり投資助言ではない。