English 
クラウドは仕事をしました。今は壁にぶつかっています。ソフトウェアの壁ではありません。物理的な壁です。システムがリアルタイムで反応する必要があるまでは、光の速さは速く聞こえます。自律走行車は待つことができません。手術ロボットは一時停止ができません。工場の機械はリトライを気にしません。AIが分析から行動に移るとき、ミリ秒は素敵な指標ではなくなり、うまくいくか失敗するかの違いになり始めます。.
このプレッシャーはいたるところで現れています。グーグル・クラウドの「2025年AIインフラストラクチャーの現状レポート」によると、, 98パーセント の企業がすでにジェネレーティブAIを研究、開発、または実運用しています。AIはもはやサイドプロジェクトではありません。クリティカル・パスの中にあるのです。.
しかし、ほとんどのインフラはいまだにクラウドファーストの考え方に基づいて設計されています。データはエッジで生成され、遠くへ送られ、処理され、送り返されます。この遅れが、推論ギャップと呼ばれるものを生み出しています。データが生まれる場所と意思決定が行われる場所との間の距離が広がっているのです。.
この記事では、なぜこのようなギャップが存在するのか、コア、ニアエッジ、ファーエッジがそれぞれどのような役割を果たしているのか、そしてなぜ将来は単一の目的地ではなく、クラウドからエッジまで接続された連続体に属するのかについて説明します。.
重い荷物を運ぶエンジンとしてのコア
ここが本当の筋肉の生きる場所です。AIスタックの核心はスピードだけではありません。規模、深さ、持久力です。膨大なモデルを数週間、場合によっては数カ月かけてトレーニングし、再トレーニングし、微調整する場所です。生データが使えるインテリジェンスに変わる場所です。長期的なデータレイクはここで静かに成長し、モデルが人間には見えないパターンを学習します。.
そのため、コアは非常に特殊な役割を担っています。コアは、エッジには大きすぎ、複雑すぎ、消費電力が大きすぎるジョブを処理します。大規模な言語モデルのトレーニング、深いシミュレーションの実行、履歴データの管理には、すべて集中型のインフラが必要です。そうでないものは単に壊れるだけです。.
その結果、ハードウェアの話は急速に変化しています。NVIDIA H100やB200のような高密度GPUクラスタは、もはやオプションではありません。それが基本です。これらのシステムには液冷が必要です。また、超高帯域幅インターコネクトに依存しているため、何千ものGPUが騒がしい群衆ではなく、1台のマシンのように動作します。.
シフトの理由は理論だけではありません。NVIDIAは報告書を作成し、次のような収益について言及しました。 $441億円 2026年度第1四半期のデータセンター売上高は、前年同期比69%増の$391億円となりました。さらに、同社のデータセンター収益は$391億ドルに達し、73％増加しました。これはマーケティング戦略ではなく、消費者の支出を通じた実際の需要です。.
しかし、これはコアが何でもできるということではありません。レイテンシはまだ痛い。電力はまだコストがかかります。だからこそ、コアは最終的な実行ポイントではなく、トレーニングや調整のハブへと進化しているのです。.
要するに、コアは脳のジム。激しい運動はここで。リアルタイムの反応は別の場所で起こります。.
こちらもお読みください： 日本におけるクラウドコストの最適化：俊敏性を失うことなく支出を削減する方法g
物理学と知性が出会う最先端
ファーエッジは物理世界に最も近いところに存在します。工場の床に設置されたIoTセンサー、交通をナビゲートする自律走行車、故障すると1時間あたり数百万ドルのコストがかかる機械のそばに置かれたゲートウェイなどです。ここでは、データはアップロードされるのではなく、生まれるのです。そしていったんデータが生まれると、ほとんど即座にアクションが求められます。.
従来のクラウドの考え方が崩れ始めるのはここからです。遠く離れたデータセンターにデータを送り、応答を待ち、それから行動するというのは、スライドデッキの上ではうまく聞こえます。しかし、実際には危険です。製造ラインでは、50ミリ秒の遅れでさえ、意思決定の誤り、機器の損傷、完全なシャットダウンを意味します。物理学は交渉しません。.
その結果、業界は常時APIを呼び出すことから、オンデバイスAIへと移行しつつあります。クラウドに何をすべきか尋ねる代わりに、マシンがローカルで決定します。ニューラル・プロセッシング・ユニットは現在、エッジ・ハードウェアに直接組み込まれています。これらのNPUは、高速かつ安価で、ネットワークのラウンドトリップなしで推論を実行するように構築されています。.
このシフトは外見的なものではありません。. クアルコム は、最大77TOPSのオンデバイス演算能力を備えた高性能エッジAI向けに設計された新しいDragonwing Qシリーズ・プロセッサーを発表しました。このレベルの能力は、ファーエッジで可能なことを変えます。かつてはクラウド上にしか存在しなかったモデルが、今では保護するマシンの隣に置くことができます。.
しかし、このパワーにはトレードオフが伴います。エッジ・デバイスはメモリ、エネルギー、熱に限界があります。そこで登場するのが量子化です。モデルのサイズと精度を小さくすることで、AIはオンデバイスにフィットし、リアルタイムで応答することができます。欠点は精度です。小さなモデルは、過度に押し込まれると微妙なシグナルを見逃す可能性があります。.
そこで課題となるのはバランス。素早く行動するのに十分な知性と、正しく行動するのに十分な正確さ。.
中間」と「リージョナル／ニアエッジ」の台頭
重いコアと高速なファーエッジの間にあるのが、リージョナルエッジまたはニアエッジです。これは完全なデータセンターではありませんが、工場フロアのデバイスよりもはるかに高性能です。この中間層には、CDN、地域クラウド・ゾーン、および5G MECを搭載した通信事業者が運営するエッジセルが含まれます。その仕事はシンプルですが、非常に重要です。コントロールを失うことなく距離を縮めること。.
レイテンシーは改善されますが、一貫性も改善されます。すべてのリクエストを中央のクラウドに送り返す代わりに、ワークロードはユーザーやマシンの近くに配置されます。今日、多くのリアルタイムAI体験がひっそりと息づいているのはここです。レコメンデーション・エンジン、言語推論、ローカライズされた意思決定はすべて、10ホップではなく1ホップの距離にあることで恩恵を受けます。.
スケールがこれを可能にします。AWSの運用 120の可用性ゾーン 世界38の地域に展開し、さらに拡大する計画もあります。このフットプリントはリーチだけではありません。推論、キャッシング、地域別処理を可能にし、各企業が独自のミニ・データセンターをあらゆる場所に建設することを強いることはありません。.
しかし、コンピュートだけでは十分ではありません。コンテキストが重要なのです。分散型ベクターデータベースがニアエッジの中核になりつつあるのはこのためです。分散型ベクトル・データベースは、検索データをユーザーの近くに保持するため、RAGシステムは遠くのストレージからコンテキストを引き出すことなく、迅速に対応することができます。モデルは軽いまま。答えは適切なまま。.
それでも、このレイヤーではオーケストレーションが面倒になります。あなたはもはや数十のノードを管理しているのではありません。数千を管理するのです。伝統的なKubernetesは、その重さに苦戦しています。その結果、K3sやWebAssemblyのような軽量なツールが台頭してきています。これらのツールは、小規模なAIワークロードを迅速にデプロイし、迅速に開始し、優雅に失敗します。.
つまり、ニアエッジがコーディネータになるわけです。トラフィックを吸収し、負荷のバランスをとり、コアとファーエッジの両方を過負荷から守ります。結局、このレイヤーはオプションではありません。接着剤なのです。これがなければ、クラウド・ツー・エッジのストーリーはカオスに崩壊します。.
ボーダーレスな境界におけるセキュリティとガバナンス
以前は、物事は単純でした。. データ 一つの場所に住みモデルが走ったのも一箇所。どこに壁があるか知っていましたね。今、その壁はなくなりました。AIのワークロードは、デバイス、ゲートウェイ、地域ノードなど、あらゆる場所に広がっています。それぞれが有用です。それぞれがリスクでもあります。.
AIがエッジに移動すると、攻撃面が伸びます。徐々にではありません。一気に。工場のゲートウェイ、路上のユニット、小売店のエッジ・サーバーは、触られたり、プラグを抜かれたり、悪用されたりする可能性があります。物理的なアクセスが再び問題になります。モデルの盗難が本当に心配になります。小さな設定ミスも問題になり始めます。.
安全のためにすべてをクラウドに戻すという選択肢はもうありません。レイテンシーがその考えを台無しにします。そのため、セキュリティはワークロードと一緒に移動する必要があります。.
これが連合学習が重要な理由です。生データをネットワークにドラッグする代わりに、モデルはローカルで学習します。移動するのは更新のみ。データは作成された場所に留まります。この1つのシフトだけで、露出が減り、何か問題が起きたときの爆発半径が小さくなります。.
そして、Trusted Execution Environments（信頼された実行環境）があります。TEEはハードウェア内部に保護されたゾーンを作り出します。コードはそこで実行されます。データはそこに留まります。オペレーティング・システムが危険にさらされても、ワークロードは隔離されたままです。完璧ではありませんが、ハードルは高くなります。.
コンプライアンスも形を変えます。GDPRやCCPAのような法律は、データの移動に深く配慮しています。データをソースで処理することで、監査はよりシンプルになり、リスクはより小さくなります。.
最後に, セキュリティ エッジでというのは、大きな壁を作ることではありません。壁がもうないことを受け入れ、その現実のためにデザインすることなのです。.
未来と自律的オーケストレーション
AIがAIを管理し始めています。派手な方法ではありません。実用的な方法で。トラフィック・ルーティングの決定は、もはや数カ月前に書かれた静的なルールではありません。システムは現在、レイテンシー、電力供給能力、コストをリアルタイムで調査し、ワークロードの実行場所を決定します。時にはコア。時にはエッジ付近。時にはデバイスそのもの。選択肢は変化し続けます。.
これは、スケールが厄介になっているからです。人間は、毎分異なる動作をする何千ものノードを手動でオーケストレーションすることはできません。AIが介入する必要があるからです。.
また、無視されている持続可能性の観点もあります。生データをネットワーク上でやり取りすることはエネルギーを消費します。エッジ処理はそのトラフィックを削減します。バックホールの削減は、消費電力の大幅な削減と非生産的なサイクルの減少につながります。.
によると 世界経済フォーラム, 電子送電網や配電網などのシステムでは瞬時の意思決定が求められるため、エッジAIはレジリエントなインフラを構築するために不可欠な技術です。.
言い換えれば、未来は厳密な中央集権型でも分散型でもありません。適応的なのです。そして、自ら動くのです。.
ハイブリッドの必要性
これは決してエッジかコアかの選択ではありません。コアは依然として重要。エッジは明らかに重要。成功を決めるのは、それらがいかにうまく機能するかということです。トレーニングはコアで行われます。決断は行動に近いところで起こります。エッジに近い部分が全体をバラバラにしないようにしています。どれか1つの層を取り除けば、システムはひび割れ始めます。.
リアルタイム AIは弱点を素早く暴きます。遅延、帯域幅の制限、オーケストレーションの不備はもう隠せません。それらは失敗、遅延、誤った判断として現れます。.
今こそ、インフラ・リーダーが正直になるとき。データがどこで生成されたかを監査しなさい。データがどこで処理されたかを追跡しなさい。存在しないはずの遅延をすべて測定。.
リアルタイム時代は待ってくれません。今、ギャップを修正する者がリードするのです。それ以外の者は、なぜ自分たちのシステムが速かったのか、十分な速さではなかったのかを説明するのに時間を費やすことになるでしょう。.
日本語