Insights AI
Amazonの$220十億規模のAIインフラ戦略:独自設計の半導体、データセンターの経済性、企業向けAIの規模拡大
ポッドキャスト · 聴く(20分)
目次
アマゾンは、世界の人工知能およびクラウドコンピューティングのインフラを拡充するため、2026年に前例のない$220Bの設備投資サイクルを進めている。旺盛な需要により、計算能力は2026年分まで完売し、2027年分も大半が売約済みで、2028年分にも多くの利用契約が入っている。同社は、短期的な巨額の資金投入と長期的なインフラの収益化の両立を図っている。現在、高い推論コストによって制約されている企業の中核的な本番ワークロードへのAIの広範な導入を実現するため、アマゾンはAnnapurna Labsが開発したTrainiumアクセラレーターやGraviton中央処理装置[CPU]チップなど、独自半導体を導入している。極めて少人数で運営されるエージェント型ソフトウェア開発の作業工程への抜本的な移行と合わせて、この資本配分戦略は計算コストを桁違いに引き下げ、到来するAI時代における基盤領域の主導的地位を確保することを目指している。
1. 設備投資のジレンマ:飽くなき需要の下でのインフラ拡大
企業の人工知能に対する現在の需要は、その圧倒的な規模によって、クラウドインフラの構築を未知の領域へと押し進めている。アマゾンは2026年の設備投資総額を約$220Bと見込んでおり、これは1日当たり約$600Mという異例の資本投入ペースに相当する。この資金投入にもかかわらず、クラウドのエコシステム全体で計算能力は依然として著しく不足している。Amazon Web Services[AWS]の容量は2026年分まで完全に売約済みで、2027年分も大半が売約済みとなっており、2028年分にも既に大規模な割り当てが確約されている。この拡張に必要な巨額の資金規模について金融市場が時折懐疑的な見方を示す一方、企業向け計算インフラは、世界の商取引、銀行業務、医療、ソフトウェア運用を支える基盤的な公共サービスとなっている。
この急速な拡張は、一時的な業務上および財務上のトレードオフを生み出しており、パンデミック期におけるアマゾンの物理的ネットワーク拡張とよく似ている。2020年から2022年にかけて、アマゾンは、それまでの25年間で構築した受注処理・配送ネットワークの規模を、わずか18か月で倍増させた。同時に、同社はUnited Parcel Service[UPS]に匹敵する規模の最終配送区間の輸送ネットワークを20か月で構築した。
物理的またはデジタルのインフラをこれほどの速度で構築すると、業務上の非効率が避けられず発生する。小売部門では、急速な規模拡大が当初、顧客対応コストに深刻な逆風をもたらした。アマゾンは顧客体験を犠牲にしたり、企業文化として根付いた業務水準を引き下げたりするのではなく、社内のデータ指標と経営幹部による検証の仕組みを活用して、構造的なボトルネックを特定した。その結果、物流インフラを全面的に再設計し、全国一律の受注処理・配送ネットワークを地域別モデルに転換した。地域別運営によって在庫を最終消費者に近づけ、輸送距離の短縮、顧客対応にかかる運営コストの削減、配送速度の向上を同時に実現した。
同様の構造的な進化が、デジタルインフラ全体でも進んでいる。アマゾンの最高経営責任者アンディ・ジャシーは、現在のデータセンター建設を現代の産業に不可欠な取り組みと位置付け、過去の連邦政府によるインフラ事業と比較している。「世界でも、この国でも、おそらく1950年代に高速道路や橋を整備した時以来、これに匹敵するものはありません」とジャシーは述べた。 この設備投資サイクルを見送ったり遅らせたりすることには重大な戦略的リスクがある。国内の計算インフラを確立できなければ、中国などの海外競合に技術的な主導権と運用基準の策定を委ねることになりかねない。
2. データセンターの経済性の仕組みと公共電力網を巡る摩擦
超大規模データセンターの経済性を理解するには、クラウドインフラを規定する、明確に異なる2つの資金サイクルを評価する必要がある。
- データセンターの建物躯体と電力インフラ: データセンターの建物躯体と電力接続には、サーバー設置の約2年前に資金投入を確約する必要がある。ただし、これらの躯体は耐用年数30年の資産であり、主要な初期投資は1回で済む。
- サーバーとネットワーク機器: サーバーラック、ネットワーク機器、広帯域メモリー[HBM]、動的ランダムアクセスメモリー[DRAM]などの情報技術資産は、稼働のわずか数か月前に購入される。これらの資産の耐用年数は5〜6年で、通常は3年以内に投資を回収し、平均期間5年の長期顧客契約によって裏付けられている。
データセンターの建物躯体には収益発生の2年前に巨額の先行投資が必要となるため、超大規模クラウド事業者は建設加速期にフリーキャッシュフロー(FCF)への大きな一時的逆風に直面する。施設が稼働し、サーバーが設置され、顧客契約の収益化が始まると、キャッシュフローは正常化し、複利的に拡大する。「今年、設備投資に$220Bを費やしても、相当量の需要に応えきれません」とジャシーは議論の中で述べた。
同時に、超大規模インフラの開発は、環境や電力網への影響を巡り、政治的な摩擦や地域住民の反発に直面している。実証的な原資料のデータは、一般に広まるいくつかの誤解を否定している。
- 水使用量: データセンターの冷却システムは、従来型の商業施設と比べて極めて効率的である。例えば、ゴルフ業界はアマゾンの全データセンターを合わせた水使用量の200倍を消費し、2日間でアマゾンのデータセンターが年間に使用する量を超える水を消費している。
- 排出物と予備発電機: 敷地内の予備ディーゼル発電機は常時稼働しているわけではない。停電時と定期保守時に限って稼働し、稼働時間は年間の約0.1%(年間約10時間)である。
- 地域経済と電力網への影響: データセンターは、立地先の自治体にとって巨大な税収基盤となる。インディアナ州セントジョセフ郡では、アマゾンは地方税を約$3B納付している。さらに、アマゾンは「Built Together」プログラムを通じて、立地先の地域社会に5年間で$1Bを直接拠出することを確約している。急速な電力需要の増加は当初、電力網の増強を必要とするものの、インディアナ州、ジョージア州、ミシシッピ州の各地域の過去のデータは、地域の電力網インフラの容量が整備されると、地元の電力料金が時間の経過とともに横ばいになるか低下することを示している。
3. AI需要の両極化と独自半導体の役割
現在の企業によるAI導入には、アンディ・ジャシーが「需要のバーベル構造」と呼ぶ構造的な不均衡が見られる。計算資源の消費は市場の両極端に大きく集中しており、企業のワークロードの大半にはまだ浸透していない。
- 計算量の多い側: 最先端のAI研究機関と、爆発的に普及する消費者向けアプリケーションで構成され、価格にかかわらず膨大な計算能力を消費する。
- 計算量の少ない側: 顧客サービスの自動化や不正検知など、限定的なコスト回避や生産性向上のためにAIを活用する企業で構成される。
- 未浸透の中間領域: 企業の中核的な本番アプリケーションで構成され、その大半は従来のCPUアーキテクチャに依存したままである。
こうした中核的な本番ワークロードのAIアクセラレーターへの移行を妨げる最大のボトルネックは、推論コストである。推論コストは低下しているものの、主流のアプリケーションを書き直すことを正当化するには、依然として桁違いに高すぎる。「推論のコストは……可能な限り広く利用するには、私の見解では依然として桁違いに高すぎます」とジャシーは指摘した。 標準的なCPU計算とAIアクセラレーターによる計算のコスト差が大きいままであれば、追加的な性能向上による便益は、不自然に高い投資収益率の基準を満たさなければならない。推論コストの引き下げこそが、この巨大な中間市場を開拓するために不可欠な唯一の触媒となる。
推論コストを引き下げるアマゾンの戦略は、2015年に買収したAnnapurna Labsが開発する独自半導体に大きく依存している。当初、Annapurnaの買収は、ストレージ、ネットワーク、仮想化、セキュリティの処理をサーバーのCPUから専用のネットワークインターフェースカード[NIC]に移すことを目的としていた。このアーキテクチャにより、AWSはElastic Compute Cloud[EC2]サーバーのCPU能力のほぼ100%を顧客のワークロードに直接割り当てられるようになった。
この技術的基盤から、重要な2つのチップ系列が生まれた。
- Graviton CPU: 従来のx86アーキテクチャの代替として開発されたGravitonチップは、標準的なx86プロセッサーに対して価格性能比で40%の優位性を提供する。現在、AWSのEC2上位1,000顧客の99%がGravitonを導入している。
- Trainium AIアクセラレーター: 深層学習の学習と推論に特化して設計されたTrainiumプロセッサーは、競合する市販の画像処理プロセッサーに対して価格性能比で30%から40%の優位性を提供する。
アマゾンは独自半導体によって推論コストを桁違いに引き下げ、主流の企業がAIを広範に統合するために中核的なソフトウェアアプリケーションを書き直すことを、経済的に実行可能にしようとしている。
4. エージェント型時代の組織設計とサイバーセキュリティの現実
生成AIとエージェント型開発ツールの普及は、ソフトウェア開発、チーム構造、企業の運営モデルを根本的に変えつつある。個々の製品管理者やエンジニアが製品のごく小さな部分を担当する、極度に専門化された組織構造への従来の流れは、極めて少人数の部門横断型チームへと移行している。
この開発速度の変化を示す代表的な事例は、AWS内部で生じた。AWS Bedrockの開発チームは、6人のエンジニアで76日間のうちに中核の推論エンジンを全面的に再構築した。従来、これほどの規模のインフラプロジェクトには、40人のエンジニアが丸1年間作業する必要があった。同様に、現在では4〜5人の小規模な社内チームが、わずか週末の間に出荷可能な状態の80%まで達したソフトウェアの試作品を構築できる。
こうした速度の指標は、技術組織による人的資本の配分方法の根本的な転換を示している。
- 人員規模の変化: ソフトウェア組織では、手作業によるコーディング、基本的な法務文書処理、定型的な経営情報分析といった従来の作業を担う人間の開発者が、より少なくなる。「将来、今日行われている仕事を担う人間の数は、今日より少なくなるでしょう」とジャシーは説明した。
- 当初から部門横断型のチーム: 開発チームは、高度な構築段階から小規模で流動性の高い体制で業務を進め、AIモデルを活用して定型作業の80%を実行する。
- 市場投入までの期間短縮: 製品の反復開発サイクルは、数か月に及ぶ計画工程から、数日間の集中的な試作へと短縮されている。
しかし、エージェント型の開発速度は深刻なサイバーセキュリティ上の脅威をもたらす。高度なAIモデルは、人間のセキュリティ専門家や従来の侵入テスト担当者が特定するよりも速く、ソフトウェアの脆弱性を発見している。
従来、ソフトウェアのセキュリティは、脆弱性の特定、修正プログラムの作成、依存関係の検証、更新の適用という手順に依存しており、数週間から数か月を要することが多かった。エージェント型の脅威が存在する環境では、組織は修正プログラムの適用時間を数分にまで短縮しなければならない。この変化を乗り切るため、企業は既存のコード群をエージェントを前提とするアーキテクチャへと書き直し、自動化されたソフトウェアエージェントが人間の手作業による介入なしに、継続的に問題を発見し、修正し、更新を適用できるようにする必要がある。
5. 資本配分、戦略的提携、中核製品の再創造
アマゾンの資本投入戦略は、独自半導体の開発と、主要なAIモデル開発企業との数十億ドル規模の戦略的提携を組み合わせている。
Anthropicとの提携を通じて、AWSはClaudeモデルの主要な学習・推論基盤の提供者となっている。Anthropicは、Trainiumチップを基盤とする数ギガワット規模の計算基盤の展開を確約する一方、AWS Bedrock上で自社モデルを直接提供している。同様に、アマゾンはAWS上でOpenAIのワークロードを支援するためにエコシステムを拡大し、エージェント型の実行に特化した、状態を保持する専用実行環境を共同開発している。
外部モデルの稼働基盤を提供するだけでなく、企業の技術戦略には、段階的な機能更新に頼るのではなく、成熟し大きな成功を収めている製品を根本から再創造することが求められる。ジャシーは、アマゾンのAlexaの全面刷新を事例として挙げている。Alexaの当初のアーキテクチャは発売時には画期的だったが、生成AIの登場により、その基盤エンジンを完全に置き換える必要が生じた。
既存のソフトウェアを段階的に更新する方が組織としては容易だが、市場での主導的地位を維持するには、根本的な書き直しが必要である。小売、動画配信、クラウド管理にまたがる既存の企業向けアプリケーションは、新興のエージェントを前提とした新規企業に対して競争力を維持するため、AIを前提とした全面的な再設計を行わなければならない。
主要数値
- $220B: 2026年に予定されているAmazonの設備投資額(1日当たり約$600M)。
- 36.7%: 直近四半期のAWS売上高の前年同期比成長率。年換算売上高は$169B。
- $25+B: AWSの生成AI事業が開始から最初の3年以内に達成した年換算売上高(AWSの初期には、開始から3年後の年換算売上高は$60M)。
- 80%: 2021年から現在までのAmazon全体の売上高の概算成長率。
- 3x: 2021年から現在までのAWSの成長倍率。
- 2.5x: 2021年から現在までのAmazonの広告売上高の成長倍率。
- 30年対5–6年: データセンターのインフラの耐用年数(30年)とサーバー・ネットワーク機器の耐用年数(5–6年、損益分岐点は約3年)の比較。
- 40%: 標準的なx86プロセッサーに対するGraviton CPUの価格性能比の改善率。
- 30%–40%: 同等のプロセッサーに対するTrainium AIチップの価格性能比の優位性。
- 200x: ゴルフ場の水使用量がAmazonのデータセンターの水使用量を上回る倍率。
- 0.1%: 年間に予備発電機が稼働する時間の割合(年間約10時間)。
- $3B: Amazonがインディアナ州セントジョセフ郡で納付した税額。
- $1B: 「Built Together」プログラムを通じた、データセンター立地地域への5年間の支援拠出額。
- 6人のエンジニア、76日間: Bedrockチームによる推論エンジンの再構築の規模(従来は40人で1年間)。
この状況を変える要因
- 推論コストの劇的な低下: 専用半導体(例:Trainium)による推論コストの大幅な低下が、「バーベル」の中央部分(主流の企業向けアプリケーション)のCPUのみのアーキテクチャからの移行を促す。
- 部品と電力の供給制約の解消: メモリー(HBM/DRAM)、電力、冷却設備のサプライチェーンにおける供給の大幅な増加により、現在の供給能力がすべて予約済みという制約を超えて能力を拡大する(2026–2028)。
- 自律型エージェントによる広範な書き換え: 企業が既存のコードベースのアーキテクチャをエージェント前提の設計へと更新することに成功し、分単位でのセキュリティ修正プログラムの展開を可能にする。
- 官民のインフラ連携の変化: ハイパースケールの演算処理に伴う産業需要に対応するため、連邦政府と地方政府による電力網の容量拡大への投資が加速する。
無料の調査レポートをさらに閲覧したり、ご自身のモデルを検証したりするには、DeepValues Researchのプラットフォームをご利用いただくか、DeepValuesアプリをお試しください。
参考文献
Amazon CEO Andy Jassy on the Infrastructure the AI Era Needs, hosted by a16z (Video Transcript).
動画
出典リンク
視聴・試聴
- $220B AI Bet: How AWS Custom Chips Cut Costs 40% YouTube · EN
- 亞馬遜砸2200億美元搶AI:自研晶片如何把成本砍掉四成 YouTube · 中文
- $220B AI Bet: How AWS Custom Chips Cut Costs 40% ポッドキャスト · EN
- 亞馬遜砸2200億美元搶AI:自研晶片如何把成本砍掉四成 ポッドキャスト · 中文