はじめに
NVIDIAのJensen Huang CEOが2026年3月10日、同社公式ブログにて「AIは電気やインターネットと同様の必須インフラである」という論考を発表しました。本稿では、AI産業を構成する5つの層（スタック）とそれが社会・経済に与える意味について解説します。
参考記事
- タイトル: AI Is Infrastructure
- 著者: Jensen Huang
- 発行元: NVIDIA Blog
- 発行日: 2026年3月10日
- URL: https://blogs.nvidia.com/blog/ai-5-layer-cake/
要点
- AIは電気やインターネットと同様の必須インフラであり、単なるアプリやモデルを超えた産業基盤である
- AIのインフラはエネルギー→チップ→インフラ→モデル→アプリケーションという5層構造で成り立つ
- この5層の整備は人類史上最大規模のインフラ構築になりつつあり、現在はまだ初期段階である
- 過去1年でAIモデルが実用水準を超え、創薬・物流・製造業などで実際の経済価値が生まれ始めた
- DeepSeek-R1に代表されるオープンソースモデルの普及がスタック全体の需要を加速させている
詳細解説
ソフトウェアの根本的転換：「事前記録型」から「リアルタイム生成型」へ
Jensen Huang氏はまず、コンピューティングの歴史的変化を指摘します。従来のソフトウェアは「事前記録型」でした。人間がアルゴリズムを記述し、コンピュータはそれを実行するだけです。データは構造化されてテーブルに格納され、SQLのような言語で精密に検索される——それが長年の標準でした。
AIはこのモデルを根本から変えます。初めて、コンピュータが非構造化情報を理解できるようになりました。画像を見て、テキストを読み、音声を聞き、文脈や意図を推論できます。そして最も重要な変化は、知性をリアルタイムで生成することです。すべての応答は新たに生成され、毎回の回答は与えられた文脈に依存します。保存された命令を取り出すのではなく、要求に応じて推論・生成する——この違いが、その下にあるコンピューティングスタック全体の再設計を促しました。
AIインフラの5層構造
Jensen Huang氏は、AIを産業として見たとき5つの層に分解できると説明します。
エネルギー（Energy）
最下層はエネルギーです。知性をリアルタイムで生成するには、電力をリアルタイムで供給する必要があります。生成される1トークンごとに電子が移動し、熱が管理され、エネルギーが計算へと変換されます。エネルギーはAIインフラの第一原理であり、システムが生産できる知性の量を決める制約条件です。
チップ（Chips）
その上にあるのはチップです。エネルギーを効率的に大規模計算へ変換するために設計されたプロセッサです。AIワークロードには膨大な並列処理、高帯域幅メモリ、高速インターコネクトが必要です。チップ層での進歩が、AIのスケール速度と知性のコスト低減を左右します。
インフラ（Infrastructure）
チップの上はインフラです。土地、電力供給、冷却、建設、ネットワーク、そして数万台ものプロセッサを1台のマシンとして束ねるシステムが含まれます。これらは「AI工場」と呼ばれます。情報を保存するためではなく、知性を製造するために設計されている点が従来のデータセンターとの大きな違いと言えます。
モデル（Models）
インフラの上がモデルです。AIモデルは言語だけでなく、生物学、化学、物理学、金融、医学など多様な情報を理解します。言語モデルはその一カテゴリに過ぎず、タンパク質AI、化学AI、物理シミュレーション、ロボティクス、自律システムなどで変革的な研究が進んでいます。
アプリケーション（Applications）
最上層がアプリケーションで、経済的価値が生まれる場所です。創薬プラットフォーム、産業用ロボティクス、法律コパイロット、自動運転車——自動運転車はAIアプリケーションが機械に具現化されたものであり、ヒューマノイドロボットはAIアプリケーションが身体に具現化されたものです。同じスタック、異なる結果。
この5層（エネルギー→チップ→インフラ→モデル→アプリケーション）は相互に連動しています。成功したアプリケーションはすべて、電力会社に至るまでその下の全層に需要をもたらします。
人類史上最大規模のインフラ構築
現在のAI投資はすでに数千億ドル規模ですが、Huang氏によれば、まだ数兆ドル規模のインフラ構築が残っています。世界各地でチップ工場、コンピュータ組立工場、AI工場が前例のない規模で建設されており、これは人類史上最大のインフラ構築になりつつあるとされています。
この構築に必要な労働力も膨大です。AI工場には電気技師、配管工、鉄鋼作業員、ネットワーク技術者など多様なスキルを持つ人材が必要で、これらは高スキル・高賃金の職種ですが現在は人手不足の状態です。コンピュータサイエンスの博士号がなくてもこの変革に参加できる、という点は重要な視点と思います。
また、AI導入と雇用の関係についても言及されています。放射線科を例に、AIがスキャン読影を支援しても放射線科医の需要は伸び続けているとしています。生産性向上は能力を生み出し、能力は成長を生み出す——この構造は、AI化が必ずしも雇用減少につながらないという考え方を支持するものと考えられます。
過去1年の転換点とオープンソースモデルの役割
過去1年でAIは重要な閾値を超えました。モデルが実用水準に達し、推論能力が向上し、ハルシネーション（誤情報生成）が減少し、グラウンディング（現実との整合性）が大幅に改善しました。創薬、物流、カスタマーサービス、ソフトウェア開発、製造業などのアプリケーションが実際の経済価値を生み出し始めています。
ここでオープンソースモデルの役割は大きく、世界のモデルの大半は無料で利用可能です。研究者、スタートアップ、企業、さらには国家単位で先端AIへの参加にオープンモデルが活用されています。DeepSeek-R1はその典型例として挙げられています。強力な推論モデルを広く公開することで、アプリケーション層での採用が加速し、その下のトレーニング・インフラ・チップ・エネルギーへの需要も増大したとされています。
まとめ
Jensen Huang氏の論考は、AIを個別技術としてではなくエネルギーから始まる5層の産業インフラとして捉える視点を示しています。インフラ整備はまだ初期段階であり、構築の速度・参加の広さ・責任ある展開のあり方が、この時代の形を決めると述べられています。AI産業の全体像を理解するうえで参考になると思います。
