推論の転換点：Cerebras の IPO が示す「回答型」と「エージェント型」の分岐

**この投稿を聴く**: IPO に最適な時期を探しているなら、2026 年 5 月に半導体企業であることほど素晴らしい状況はないでしょう。[ロイター通信が週末に報じました](https://www.reuters.com/legal/transactional/cerebras-raise-ipo-price-range-150-160-demand-surges-sources-say-2026-05-10/)： Cerebras Systems は、人工知能（AI）向け半導体メーカーの株式への需要が引き続き高まっているため、今週月曜にも新規株式公開（IPO: Initial Public Offering）の規模と価格を引き上げる予定である。この件に詳しい2人の関係者が日曜日、ロイター通信に匿名で語ったところによると、同社は1株あたりの新 IPO 価格レンジを現在の115〜125ドルから150〜160ドルへ引き上げ、市場に出す株式数も2800万株から3000万株に増やすことを検討しているという。関係者は情報がまだ非公開であるため匿名での発言を求めた。 半導体株価の継続的な急騰の根本的な要因は、もちろん AI であり、特に[エージェントには膨大な計算リソースが必要になる](https://stratechery.com/2026/agents-over-bubbles/)という認識が広がっている点です。しかし、Cerebras が象徴するのはそれよりも広範なものです。AI における計算リソースの物語は主に GPU（グラフィックス・プロセッシング・ユニット）に焦点を当てており、特に Nvidia の製品が中心でしたが、未来はますます多様なアーキテクチャを持つものになっていくでしょう。 ## GPU の時代 グラフィックス・プロセッシング・ユニット（GPU）がいかにして AI の中心となったかという物語はよく知られていますが、簡単に言えば： - コンピュータ画面にピクセルを描画するプロセスが並列処理であったように、AI 関連の計算もまた並列処理であり、これは処理ユニットの数と計算速度との間に直接的な関係があることを意味します。 - Nvidia はグラフィックスプロセッサをプログラム可能にすることでこの二重利用を可能にし、このプログラミングを容易にするために CUDA と呼ばれる完全なソフトウェアエコシステムを作成しました。 - グラフィックスと AI の大きな違いは、解決される問題の規模にあります。モデルはビデオゲームのテクスチャよりもはるかに大きいため、GPU あたりの高帯域幅メモリ（HBM）が劇的に拡大し、複数のチップを一つのアドレス指定可能なシステムとして連携させるためのチップ間ネットワークにおいて画期的な革新が生まれました。Nvidia はこの両分野でリーダーシップを発揮しています。 - GPU の最も主要なユースケースはトレーニングであり、これは特に上記の3点目の課題に負荷をかけます。各トレーニングステップ内の計算は大量並列ですが、ステップ自体は逐次的です。次のステップを開始する前に、すべての GPU が他のすべての GPU と結果を共有する必要があります。これが、1 兆パラメータモデルが一つのシステムとして通信できる数万台の GPU の集約メモリに収まる必要がある理由です。Nvidia はまず業界全体よりも先に HBM を確保し、さらにネットワーク分野への投資によってこの両方の問題領域で支配的な地位を築いています。 もちろん、トレーニングだけが AI のワークロードではありません。もう一つは推論です。推論には主に 3 つの部分があります。 - プリフィル（Prefill）では、LLM が理解すべきすべての情報を理解可能な状態にエンコードします。これは高度に並列化可能であり、計算能力が重要となります。 - デコードの最初の部分は、KV キャッシュを読み込むことを伴います。このキャッシュはコンテキストを保存しており、プリフィルステップの出力も含みます。これによりアテンション計算が行われます。これは帯域幅が重要なシリアルステップですが、メモリ要件は可変であり、ますます大きくなっています。 - デコードの2番目の部分は、モデル重みに対するフィードフォワード計算です。これもまた帯域幅が重要なシリアルステップであり、メモリ要件はモデルのサイズによって定義されます。 この 2 つのデコードステップは、モデルの各層に対して交互に実行されます（連続ではなく、インターリーブされています）。つまり、推論はシリアルであり、メモリー・バンド幅制約を受けることになります。生成されるトークンごとに、2 つの異なるメモリプールを読み取る必要があります。1 つ目はコンテキストを保存し、各トークンの生成とともに成長する KV キャッシュです。もう 1 つ目はモデル重みそのものです。単一の出力トークンを生成するには、これら両方を完全に読み込む必要があります。 GPU はこれらすべてのニーズに対応します。すなわち、プリフィルのための高い計算能力、KV キャッシュおよびモデル重み用の豊富な HBM（High Bandwidth Memory）、そして単一の GPU では不十分な場合に複数のチップ間でメモリをプールするためのチップ間ネットワークです。つまり、トレーニングに有効なものは推論にも有効なのです。SpaceX が Anthropic と結んだ契約を見れば明らかでしょう。[Anthropic のブログ](https://www.anthropic.com/news/higher-limits-spacex) より： 私たちはSpaceXと、同社のColossus 1データセンターのすべての計算容量を利用する契約を結びました。これにより、今月以内に300メガワットを超える新たな容量（NVIDIA製GPUが22万個以上）へのアクセスが可能になります。この追加容量は、Claude ProおよびClaude Maxのサブスクライバーにとって、直接キャパシティの向上につながります。 SpaceXはColossus 2を保有しており、おそらく将来のモデルのトレーニングと既存モデルの推論（inference）の両方に使用されるでしょう。xAIのモデルがそれほど利用されていないため、同じデータセンターで両方を行うことが可能なのです。より本質的に言えば、この記事の文脈では、トレーニングも推論もGPU上で行えるため、同じデータセンターで両方を実行できるのです。実際、AnthropicがColossus 1で契約しているGPUは、当初はトレーニングにも使用されていました。GPUがこれほど柔軟であるという事実は、大きな利点です。 ## Understanding Cerebras（Cerebrasの理解） Cerebrasは全く異なるアプローチを採用しています。シリコンウェーハの直径は300mmですが、「レチクル制限」 — リソグラフィ装置がそのウェーハ上で露光できる最大面積 — は約26mm x 33mmです。これがチップの有効なサイズ限界であり、これを超えると、チップ間インターポーザを介して2つの別々のチップを接続する必要が生じます。これはNvidiaがB200で実現した手法そのものです。一方Cerebrasは、レチクル露光の境界線であるいわゆる「スクライブライン」に配線を敷設する独自の技術を開発し、ウェーハ全体を単一のチップとして機能させることに成功しました。これにより、比較的遅いチップ間接続が不要となっています。 その結果、膨大な計算能力と大量の SRAM を備え、アクセス速度が驚異的に速いチップが生まれました。数値で示すと、WSE-3（Cerebras の最新チップ）は 21 PB/s の帯域幅を持つオンチップ SRAM を 44GB 搭載しています。一方、H100 は 3.35 TB/s の帯域幅を持つ HBM（High Bandwidth Memory）を 80GB 搭載しています。つまり、WSE-3 のメモリ容量は H100 の半分強ですが、メモリ帯域幅は 6,000 倍にも達します。 WSE-3 を H100 と比較する理由は、H100 が推論（Inference）に最も広く使用されているチップであり、推論こそが Cerebras が最も得意とする分野だからです。Cerebras チップはトレーニングにも利用可能ですが、チップ間ネットワークのストーリーはそれほど魅力的ではありません。つまり、膨大な計算能力とオンチップメモリはほとんど遊んでしまっている状態になりがちなのです。より興味深いのは、GPU から得られるよりも劇的に高速なトークンのストリームを取得するというアイデアです。 ただし、トレーニングにおける制限が推論においても潜在的に適用される点に注意が必要です。すべてのデータがオンチップメモリに収まる限り、Cerebras の速度は驚異的な体験をもたらします。しかし、より大きなモデルや、より可能性が高いのはより大きな KV キャッシュ（Key-Value Cache）のために追加のメモリが必要になった瞬間、特に価格を考慮すると Cerebras を採用する意味は大きく薄れます。ウェーハ全体をチップとして使用するこの技術は、歩留まりが極めて高いハードルであり、それがコストを劇的に押し上げる要因となっています。 同時に、Cerebras スタイルのチップにも市場が存在すると私は考えています：現在 [同社はコーディングにおける速度の有用性を強調しています](https://www.cerebras.ai/blog/why-the-ai-race-shifted-to-speed) — 推論には多くのトークンが必要であり、これは秒間あたりのトークン数を劇的に拡大することで思考速度が向上することを意味します — しかし、私はこれが後ほど説明する理由から一時的なユースケースであると考えています。重要なのは人間が回答を待つ時間であり、AI ウェアラブル製品などがより一般的になるにつれて、特に音声におけるインタラクションの速度（これはトークン生成速度に依存する機能です）がユーザーエクスペリエンスに実質的な影響を与えることになります。 ## エージェント型推論 私は以前、[Agents Over Bubbles](https://stratechery.com/2026/agents-over-bubbles/) においても主張した通り、LLM（大規模言語モデル）の時代において私たちが3つの転換点を通過してきたと述べています： - ChatGPT がトークン予測の実用性を示しました。 - o1 が推論の概念を導入し、より多くのトークンがより良い回答をもたらすことを示しました。 - Opus 4.5 と Claude Code が、推論モデルとツールを活用し作業を検証するなどのハーン（枠組み）を組み合わせることで、実際にタスクを達成可能な最初の使用可能なエージェントを紹介しました。 これらすべては「推論」という大枠の下に位置づけられますが、次第にはっきりしてくることは、「回答を提供する」こと（私が「回答推論」と呼ぶもの）と、「タスクを実行する」こと（私が「エージェント推論」と呼ぶもの）の間には明確な違いがあるということです。Cerebras のターゲット市場は「回答推論」です。長期的に見れば、「エージェント推論」のためのアーキテクチャは、Cerebras のアプローチだけでなく、GPU アプローチとも大きく異なるものになるでしょう。 上記で述べたように、コーディングにおける高速推論は一時的なユースケースに過ぎません。具体的には、LLM を用いたコーディングには人間がループ（プロセス）に参加する必要があります。何をコード化するかを定義し、作業をチェックし、プルリクエストをコミットするのは人間です。しかし、これらすべてを完全に機械が処理する未来も十分に想像できます。これは広範なエージェント業務にも当てはまります：エージェントの真の力は、人間のために仕事をする点にあるのではなく、むしろ人間の関与なしに仕事を遂行できる点にあります。 これは、拡張的に言えば、エージェント推論を解決するための最も適切なアプローチは、回答推論のそれとは大きく異なるものになることを意味します。回答推論において最も重要な側面はトークンの速度ですが、エージェント推論においてはむしろメモリが最重要となります。エージェントにはコンテキスト、状態、履歴が必要です。その一部はアクティブな KV キャッシュとして保存され、一部はホストメモリや SSD に格納され、多くはデータベース、ログ、埋め込みベクトル、オブジェクトストレージに存在します。重要な点は、エージェント推論が GPU が質問に答えることよりも、モデルを取り巻くメモリ階層構造に焦点を当てるものになるということです。 決定的なことに、このエージェント固有のメモリ階層という概念は、速度と容量の間で必要なトレードオフを暗示しています。しかし、ここで重要な点は、人間がループ（プロセス）に含まれていない場合、速度が遅いことはそれほど重要な考慮事項ではないということです。エージェントが夜間に実行されるジョブを待機している場合、そのエージェントはユーザー体験への影響を知りませんし、気にもしません。最も重要なのはタスクを完了できるかどうかであり、メモリに関する全く新しいアプローチによってそれが可能になるなら、遅延は許容されます。 一方、遅延に問題がないのであれば、純粋な計算能力と高帯域メモリへのすべての注目は場違いなものになります：レイテンシが最優先事項でないのであれば、従来の DRAM などのより低速で安価なメモリの方がはるかに理にかなっています。また、システム全体が主にメモリの待ち状態にある場合、チップも最先端ほど高速である必要はありません。これは将来のアーキテクチャにおける劇的な転換点を示していますが、現在のアーキテクチャが消滅するわけではありません： - トレーニングは引き続き重要であり、Nvidia の現在のアーキテクチャ（高速計算、大量の高帯域メモリ、高速ネットワークを含む）は、おそらく引き続き支配的な地位を維持するでしょう。 - 回答推論は意味のある市場となりますが、比較的小規模なものであり、Cerebras や Groq などのチップからの速度（Nvidia が Groq の LPUs をどのように展開しているかについてはここで説明しました）は非常に有用です。 - エージェント型推論は、GPU を徐々にバラバラにしていきます。これは、プリフェッチ処理中に高帯域メモリを遊ばせたり、デコード処理中に計算リソースを遊ばせたりする交替的な動作から、より高度なメモリ階層へと移行し、そこでは大容量で比較的安価なメモリタイプが支配的となり、「十分良好」な計算能力が採用されます。実際、ツール使用などの分野においては、GPU の速度よりも CPU の速度の方が重要になるでしょう。 同時に、これらのカテゴリのサイズや重要性は均等ではありません。具体的には、エージェント型推論が圧倒的に最大の市場となります。なぜなら、この市場は人間や時間によって制限されないからです。現在のエージェントは高度な回答生成に過ぎませんが、将来のエージェント型推論とは、他のコンピュータからの指示に従ってコンピュータが行う作業を指し、その市場規模は人間の数ではなく計算リソースの規模に応じて拡大します。 ## エージェント型推論が計算リソースに与える影響 現在まで、「計算リソースに応じたスケーリング」という言葉は、暗黙的に Nvidia への楽観視を意味してきました。しかし、これまでの Nvidia の相対的な優位性の多くはレイテンシ（遅延）に起因するものでした。Nvidia のチップは高速な計算能力を持ちますが、その計算リソースを常に稼働させるためには、拡大し続ける HBM メモリとネットワークへの巨額の投資が必要でした。しかし、もしレイテンシが主要な制約要因でないのであれば、Nvidia のアプローチにプレミアムを支払う価値は相対的に低下します。 Nvidia もこの転換を認識しており、推論の異なる部分を切り離すのに役立つ「Dynamo」という推論フレームワークを発表しました。また、より大規模な KV キャッシュ（Key-Value Cache）の実装や高速なツール利用を可能にし、高価な GPU を常に稼働させるために、スタンドアロンのメモリラックや CPU ラックなどの製品を出荷しています。しかし究極的には、GPU に依存しないエージェント型推論において、コストとシンプルさがハイパースケール企業にとってますます魅力的になることは容易に想像がつきます。 一方、中国は最先端の計算リソースに欠けているものの、エージェント型推論に必要なものはすべて揃っています。十分速い（ただし最先端ではない）GPU、十分速い（ただし最先端ではない）CPU、DRAM、ハードドライブなどです。もちろん課題は学習のための計算リソースですが、少なくとも軍事応用においては、回答推論の方が国家安全保障にとって重要である可能性もあります。 もう一つの興味深い側面は宇宙空間です。いくつかの理由から、低速チップの方が宇宙データセンターの実現性を高めます。第一に、メモリをオフロードできれば、チップをよりシンプルに設計でき、発熱も大幅に抑えられます。第二に、物理的に大きい旧世代ノードは、宇宙放射線に対してより耐性があります。第三に、旧世代ノードは消費電力が少なく、放射による放熱が必要な熱量も少なくて済みます。第四に、最先端を追求しないことは信頼性の向上につながります。衛星は修理不可能であるため、これは重要な考慮事項です。 Nvidia のCEO ジェンソン・ファン氏は「ムーアの法則は死んだ」とよく発言しますが、彼が意味するのは、計算速度の向上の未来はシステムイノベーションに依存するようになるということです。まさに Nvidia はその道を進んでいます。しかし、人間を介在させずに動作するエージェントのもっとも深い含意の一つは、ムーアの法則自体が重要でなくなる点かもしれません。つまり、より多くの計算リソースを得る方法は、すでに持っている計算リソースが十分であるという事実を認識することにあるのです。

推論の転換点：Cerebras の IPO が示す「回答型」と「エージェント型」の分岐

背景や根拠まで確認しますか？

調べる

選ぶ

サイト