来たるAI時代、半導体は戦略資産となり得るか

AI競争の主戦場は「AIモデルを作る競争」から「AIモデルを使い倒す競争」へ

AI時代に企業が考えるべきことは、「半導体を持つべきか」ではありません。「自社の競争力が、いつ、どの程度、計算基盤に制約されるようになるのか」を見極めることです。

これまでのAI競争では、「誰が、論理的思考力・知識量・正確性に優れた汎用性の高いAIモデルを学習させられるか」という論点に関心が集中していました。より多くのGPUを確保し、より大規模なモデルを訓練し、より高性能なAIを開発する、こうした計算資源の規模そのものが、AI企業の競争力を左右し、AIモデルのデファクトスタンダードを巡る競争が繰り広げられてきたのです。AI競争の主戦場は、研究開発と大規模学習の領域にあったと言えます。

しかし、AIの社会実装が進むにつれ、競争軸に変化の兆しが見え始めています。今後のAI競争は、「AIモデルを作る競争」だけでは完結しません。製品やサービスの中で、作られたAIモデルをどれだけ使い倒せるかが問われる局面に入りつつあります。AIによる付加価値をより多くのユーザーに届けるために、「いかにAIを低コストかつ広範に社会実装させられるか」という論点に移行していくのです（図表1）。

図表1：AIの社会実装とともに組み変わっていく半導体構造

この変化の中心にあるのが「推論」です。推論とは、学習済みモデルを用いて、ユーザーの問いへの回答、画像認識、車両制御、ロボット制御等を行う処理を指します。学習が「データからパターンや規則性を抽出してモデルの精度を高める処理」であるのに対し、推論は「その学習済みモデルを実際の予測や判断に用いる処理」にあたります。

こうした学習から推論への競争軸の変化は、AIモデルの種類によって進展度合いが異なります。LLM（大規模言語モデル）は、現在もAI企業間で基盤モデルの優劣に決着が着いておらず、モデルを作る競争が続く一方、チャットボットやバイブコーディング等の一部領域では推論の社会実装が先行して進んでいます。これに対して、CNN（畳み込みニューラルネットワーク）は、技術が成熟し基盤モデルが広く普及しているため、モデルを作る競争は既に一段落し、外観検査や画像診断等の現場課題にどのように推論を適用するか、という活用段階へと移行しています。

また、推論処理の実行環境にも変化が生じています。AIの活用が一部の先進企業や研究機関に限られていた段階では、推論処理はインターネット経由でクラウド上のサーバー（データセンター）に集約されるのが一般的でした。しかし、AIの実装領域がスマートフォン、自動車、ロボット等へと広がるにつれ、推論処理の実行環境はクラウド側からエッジ側（デバイス側）へと分散しつつあり、その前提は大きく変わりつつあります。

AI競争の軸が学習から推論へとシフトし、推論処理の実行環境もクラウド集中型からエッジ分散型へと移行する中で、半導体需要の構造もまた変容しつつあります。生成AIブームの初期局面において市場を牽引したのは学習向けの汎用GPUでしたが、AIの社会実装が本格化するにつれ、需要は推論向け半導体へと拡張していきます。加えて、スマートフォン、自動車、ロボット等の領域ごとに、用途別に最適化された半導体の戦略的重要性が一段と増していくでしょう。

このような需要構造の変化が及ぼす影響は、半導体メーカーにとどまりません。AIが製品・サービスの中核機能として組み込まれるほど、ソフトウェア・ハードウェアメーカーもまた、自社の競争優位が用途別に最適化された半導体にどこまで規定されるのかという論点に、正面から向き合う必要があります。

直近のAI業界の動向として、半導体メーカーが推論処理に特化した技術のライセンスおよび開発人材の獲得を始めており、この事実は、AIインフラの価値軸が学習領域のみならず推論領域へと拡張しつつあることを端的に示しています。AI競争はいまや、巨大モデルを構築する競争から、構築されたモデルを社会のあらゆる場面で使いこなす競争へと、その主戦場を移しつつあるのです。

AI推論の白熱により、競争力のボトルネックとなる半導体

推論処理の増大に伴い、半導体は競争力を左右するボトルネックとなる可能性があります。AIが製品やサービスに組み込まれることで、その製品・サービスの利用過程で、日常的に大量の推論が発生します。推論量の増加は計算量の増加を招き、計算量の増加は消費電力、発熱、半導体コスト、クラウド利用料、通信量の増加へと連鎖していきます。

初期段階においては、既存のGPU・SoCあるいはクラウド上のAI基盤の活用で十分に対応可能でしょう。しかし、推論量が一定の水準を超えた時点から、性能、コスト、消費電力のいずれの観点からも最適解とは言えなくなります。例えば、応答速度を高めようとすれば計算資源が必要となり、消費電力を抑制すれば処理能力との間でトレードオフが生じると考えられます。また、クラウド側で処理すれば通信量と利用料が膨らみ、エッジ側で処理すれば発熱とバッテリー消費が課題として顕著になるでしょう。

この局面において重要になるのは、推論コストを支配することです。その有力な手段の一つが、用途別に最適化された半導体です。同一の推論処理を、より速く、より安く、より低消費電力で実現できる企業は、製品・サービスの競争において優位なポジションを確保できます。ユーザーの目には同じ推論処理に映ったとしても、その裏側にある計算コストと電力効率には企業ごとに大きな差が存在します。応答の速さ、価格水準、バッテリーの持続時間、発熱の少なさ、これらの違いは、最終的には顧客体験と収益性等の差として表れ、競争力を左右する大きな要因となっていきます。

すなわち、半導体は単なる調達部品ではなく、推論処理の性能・価格構造を規定する戦略資産としての色合いを一層強めていく段階に入ったと言えます（図表2）。この変化をいち早く捉えている業界は、既に半導体を競争力の中核に組み込み始めています。

図表2：AI時代に半導体が果たす役割

例えば、スマートフォン業界では半導体を自社設計することで、高性能と省電力性を両立してきました。近年は端末上にAI機能の実装も進めることで、ユーザー体験を支える計算基盤を自ら設計する戦略を継続しています。音声アプリによる機能横断的な操作やテキスト・写真・動画等の要約、ユーザー意図を理解したレコメンドを日常の中に埋め込むためには、小規模・高頻度な推論を処理できる半導体を取り入れ、高速かつ省電力な推論処理を大量に実行できる製品設計が求められます。加えて、これらの処理を短時間で実行し続けるためにはエッジ側で行う必要があります。汎用的な半導体でこれらを実現しようとすると、性能面の過不足やコスト面の過剰が生じる恐れがあります。過不足の程度が僅かであれ、大量の推論処理が継続的に行われることで、過大な電力消費や推論処理の遅延等を引き起こし、ユーザー体験を著しく損なう可能性があるからこそ、自社プロダクト戦略に沿った半導体設計、組み込みが必要不可欠だったのではないでしょうか。

ソーシャルメディア業界も同様に、自社で半導体を設計することで、自社SNS等に適した推論性能を向上させながら、AI時代の計算基盤を自社で確立しています。SNSでは、ユーザーアクティビティ等の取得情報に基づき、パーソナライズされた投稿を予測・表示することがユーザー体験価値と広告収益の向上につながるため、ランキング・レコメンド推論が求められています。汎用的な半導体で演算性能が過剰である場合、電力・コストが増大し、一方でメモリ参照が追いつかず、ユーザーの要求を満たせない可能性があります。だからこそ、ランキング・レコメンド機能に適した演算性能とメモリ構成を有する半導体を自社設計するという戦略的判断が行われたと考えられます。

自動車業界では、自動運転向け半導体を自社内で独自開発し、自社ソフトウェアと統合した計算基盤を構築しています。自動運転では、車両搭載カメラから得られる映像データや走行状況等の極めてリアルタイム性の高い情報を、高頻度・短時間で推論することが、自動運転におけるユーザー体験価値と安全性に直結します。汎用的な半導体を車両に組み込んだ場合、独自のE2Eモデル^*1やフリート学習^*2サイクルとの整合性を欠き、推論遅延は安全性を脅かします。また性能が過剰な場合には、電力消費の増大が航続距離を短くする可能性があります。それ故に、独自のE2Eモデルに最適化された推論処理を実現し、車載環境特有の冗長性、安全性設計、低消費電力性等を兼ね備えた自社設計の半導体が必要という判断に至ったと考えられます。

ロボット業界の取り組み事例としては、通信、クラウド、スマートフォン等の自社別領域で培った半導体・ソフトウェア技術をロボット領域へ展開しています。この背景には、競争力の源泉となる計算基盤を自社で確保するという考え方があります。特に、ヒューマノイドでは、視覚認識、音声対話、動作制御といった複数の推論を限られた電力の中で同時並行的に処理することが求められます。しかし、汎用的な半導体の性能が過剰であると、電力の無駄が生じるだけでなく、ヒューマノイド特有のマルチモーダル^*3な推論処理に適していないため、リアルタイム性や処理効率の面でも課題が残ります。したがって、次世代産業であるヒューマノイドの開発主導権を握るためには、自社設計の半導体や自社OSを基盤として、電力効率を改善するとともに、ヒューマノイドに適した推論処理アーキテクチャを構築することが必要不可欠だと考えられます。

これらの事例の共通点は、半導体が製品・サービスの性能と収益性をさらに左右する段階に到達していることを理解していることです。半導体戦略を持たないことにはリスクがあります。推論需要の増加に対して計算コストが高止まりする場合、利益率の低下や価格競争力の低下を招く可能性があります。また、外部調達への依存が高い場合には、供給制約や技術ロードマップへの依存も経営課題となります。ただし、すべての企業にとって用途別に最適化された半導体の開発が合理的な選択肢ではありません。半導体の内製化には、数億円～数百億円とも言われる巨額の開発投資、長期にわたる開発期間、高度な専門人材、そして製造パートナーとの強固な関係構築が不可欠となります。推論量が十分な規模に達していない企業にとっては、既存の半導体やクラウドAI基盤等の活用こそが合理的な選択です。また、半導体を自社で設計したとしても、量産規模が伴わなければ単価は低減せず、設計投資の回収もままなりません。推論量、用途、ソフトウェア統合、量産規模等を含めた一体的な最適化が実現されて初めて、半導体は競争力の源泉として機能するのです。

したがって、「AI時代だから半導体を持つべき」という単純化された結論は誤りです。「自社の競争力が、いつ、どの程度、半導体に制約されるようになるのか」、この問いこそが、AI時代の事業戦略における出発点となります。

2030年前後、推論が競争条件を変え得る業界は

2030年前後には、自動運転、フィジカルAI、AIエージェント、オンデバイスAI等の普及により推論需要が飛躍的に増加する可能性があります。その結果、推論コストや電力効率が競争力を左右する業界が増えると考えられます。ただし、半導体が戦略資産になる時期は業界ごとに異なると見られます。経営判断において重要となるのは、顧客が求めるAI体験に対して、既存の半導体やクラウドAI基盤等では応えきれなくなる「臨界点」を見極めることです。本稿でいう「臨界点」とは、推論コスト、消費電力、応答速度、発熱等が製品競争力や利益率に直接影響を与え始める状態を指します。臨界点を超えた業界では、用途別に最適化された半導体が、競争力の源泉として機能し始めます。2030年前後にかけて推論量の増大が予想される代表的な業界を以下に紹介します（図表3）。

図表3：半導体が競争力の源泉と認識され始める臨界点

自動車業界はその筆頭に挙げられます。自動運転、ADAS、車載AIエージェント、AI故障予知が普及するに伴い、高頻度・低遅延な推論がエッジ側（車両上）で実行されることで、推論量は飛躍的に増大すると見込まれます。この局面においては、推論による電力消費量の増加は航続距離に影響し、推論の遅延は安全性を脅かし、発熱は車両設計に制約を課します。また、半導体を追加搭載するためのコストは車両価格に転嫁されます。そのため、航続距離、安全性、車両設計、車両価格が自動車メーカーの競争力を左右し始めた時点が臨界点と考えられます。

ロボット業界に関しても、エッジ側（ロボット内）の推論量の増加が、電力消費量増加、推論の遅延、発熱による設計制約につながり、ロボットメーカーの競争優位性に影響し始めた時点が臨界点と見込まれます。推論量の増加自体は、ヒューマノイド、協働ロボット、自律走行搬送ロボット等のフィジカルAIが導入され得る、製造、物流、農業、医療、介護、建設等の現場で起こることが予想されます。このような現場では、電力消費量増加と推論遅延はロボットの生産性を損ない、発熱を抑制するための冷却機構追加がロボットの重量、サイズ、コストに影響し、導入可能な現場を限定する可能性があります。

医療・ヘルスケア業界に関しては、エッジ側ではリアルタイム画像診断、手術支援、遠隔患者モニタリング、救急救命現場でのトリアージ判断等、クラウド側ではゲノム解析や集団データ分析による感染症の流行予測等の用途で推論量が増加することが考えられます。特に、エッジ側では、迅速な医療処置が患者の生死を左右するため、リアルタイム性が求められます。また、病室や手術室、人体等の限られたスペースにデバイスを設置、装着する必要があるため、デバイスの小型化も要求されます。そのため、半導体の応答速度とサイズが、医療デバイスのリアルタイム性と小型化を損ない始めた時点が臨界点と考えられます。加えて、医療・ヘルスケア業界では、要配慮個人情報を含むデータに基づいて推論が実行されることから、患者のプライバシー保護が重要となります。そのため、エッジ側で推論処理を完結させる、あるいはクラウド側に高セキュリティなAIインフラを整備することが求められます。

上記で紹介した業界では、基本的にエッジ側の推論量の増加が見込まれますが、例えば、金融・保険業界におけるローン審査、株の自動取引、保険料の算出等や、小売・EC業界における需要予測、価格調整、在庫配置等を含め、あらゆる業界・用途でクラウド側での推論量の急増も予想されます。したがって、データセンターにおいては、これらの推論需要を満たすためのAIインフラの構築が重要です。しかし、莫大な推論処理を実行するための電力の確保および推論を継続処理するための水冷の課題が存在します。このような課題に対しても、半導体は低消費電力で演算できるアーキテクチャの開発を通じて、データセンターの抱える課題解決に貢献できるため、AI時代において半導体が果たす役割は大きいと言えるのではないでしょうか。

AI時代に問われるのは、半導体が自社の競争力に与えるインパクトを見極める力

では、企業は今、何を考えるべきなのでしょうか。重要なのは、自社の競争力が、いつ、どの程度、半導体に制約されるようになるのかを見極めることです。そのために、経営者が持つべき問いは3つに整理できます（図表4）。

図表4：半導体の競争力への影響を見極める重要論点

第一の問いは、自社製品・サービスにおいて、いつ、どのような用途で、どの程度の規模で推論量が増大していくのか、です。半導体の自社設計は初期投資が巨額であるため、損益分岐点を超える推論量を確保できるかが意思決定の重要な情報となります。具体的には、製品・サービスごとのAI用途を整理し、用途ごとに単位タスク当たりの推論量、ユーザー数、利用頻度から将来の推論規模を事前に算出し、汎用品で自社の競争力の維持・向上が可能かどうかを判断することが求められます。

第二の問いは、自社製品・サービスにおいて、最も自社の競争力を左右する推論領域は何か、です。AI時代において、自社の競走優位を確立するためには、どの推論領域が他社製品・サービスとの差をもたらすのかを見極め、優先付けすることが重要です。第一の問いで整理されたAI用途から、自社競走力の源泉となる推論領域を特定し（例：自動車における自動運転機能、ロボットにおける自律制御等）、他社製品・サービスと差別化を図るうえで、自社で半導体を設計することの要否が問われます。

第三の問いは、自社戦略において、どの推論領域をいつまでに、どのように半導体で実現するか、です。半導体の開発には、長いリードタイムが伴うため、そのリードタイムを考慮した自社製品・サービスの戦略ロードマップを作成することが重要です。まず、自社の競争力に影響する推論領域はなにか、それがどの段階までに実装されるべきかを戦略ロードマップに落とし込みます。そして、その戦略ロードマップを順守するための半導体開発のロードマップを作成し、自社設計か、共同開発か、あるいは汎用品を使用するかを判断することが求められます。

この3つの問いを通じて経営者に求められるのは、5〜10年先を見据えたうえで、自社の競争優位が、いつ、どの程度、半導体に制約されるようになるのかを、複数のシナリオとして描き出す作業です。既に半導体の自社設計に取り組んでいる企業は、自社の競争力が半導体に依存すると見定めた時点で行動を起こしていました。経営者は自社の事業について、「5年後、10年後における競争優位はソフトウェアの力だけで築けるのか。それとも、半導体までを含めた計算基盤の総合力が競争の行方を左右するのか」を考えなければなりません。

AIを事業の中核に据える企業にとって、この「シナリオ化」はもはや任意の取り組みではなく、経営アジェンダとして避けられないプロセスになりつつあります。日本企業の多くは半導体を製造する企業ではありません。しかし、AIを製品・サービス・業務プロセスに組み込む企業である以上、自社の競争力が将来どの計算基盤に依存するのかを理解する必要があります。問われているのは、半導体を持つことではありません。自社の競争優位がどこで生まれ、その競争優位を支えるボトルネックが何になるのかを見極めることです。AI時代の競争は、ソフトウェアだけの競争ではありません。ソフトウェア、データ、モデル、半導体、クラウド、エッジデバイスを含めた計算基盤全体の総合最適化競争へと変化しつつあります。