MicrosoftのAIのボトルネックは半導体ではなく、データセンターを動かす電力だ

MicrosoftのAIインフラ問題は、チップを買えるかどうかから、買ったチップを実際に稼働させられるかどうかへ移っている。AIアクセラレーターは、完成した建物、十分な電力、冷却設備、高速ネットワーク、そして運用できる人員がそろって初めて計算資源になる。報道によれば、Microsoftでは数千個の先端AIチップが、データセンター建設の遅れによって設置されないまま待機しているという。

これは巨額のハードウェア投資が、売上につながるまでの時間を長引かせることを意味する。Azureでは需要が供給可能な容量を上回っていると報じられており、電力とすぐ使えるデータセンターの空間が、アクセラレーターをオンラインに追加する速度を左右する現実的な制約になっている。

AzureとCopilotに何が起きるのか

直ちにAzure OpenAIやCopilotが停止するという話ではない。問題は、Microsoftが新しい顧客を受け入れたり、処理量を増やしたり、新たな地域でサービスを展開したり、商用顧客向けの処理と自社製品向けの計算資源を融通したりする余地が狭くなることだ。

Azureの顧客にとっては、地域による高性能な計算資源の不足、利用開始までの時間の長期化、容量の割り当て制限として表れる可能性がある。Microsoftにとっては財務面の影響も大きい。設置されていないアクセラレーターは推論能力を生み出さない一方、稼働中のワークロードを、より高価な汎用ハードウェアで処理し続けなければならない場合がある。

Copilotは、とりわけこのトレードオフの影響を受けやすい。大量の推論リクエストを、予測可能なコストで処理できることがサービスの採算を左右するためだ。より効率的なアクセラレーターは経済性を改善できるが、その効果が出るのは、チップが稼働するクラスターに接続された後である。

Maia 200はコストを改善しても、電力不足は解決しない

Microsoftの「Maia 200」は、学習済みモデルが応答を生成する推論処理を主な用途とする。Microsoftは、同チップがFP4およびFP8で、AWSやGoogleの比較対象となるアクセラレーターを上回る性能を発揮すると説明している。ただし、これはベンダーが公表した比較であり、独立したエンドツーエンドのベンチマークではない。

別の報道では、MicrosoftおよびOpenAIのワークロードにおいて、Maia 200の運用コストは主要なNvidia製ハードウェアより約30～40％低いとされている。この数字も、すべてのモデル、ソフトウェア構成、稼働率で保証されるものではなく、報道された推定値として見る必要がある。

戦略の狙いは明確だ。Maia 200が本番環境で想定通りに動けば、Microsoftは一部の推論ワークロードでNvidiaへの依存を減らし、CopilotやAzure OpenAIといったサービスのコスト構造を改善できる。しかし、カスタムシリコンを導入しても、周辺の物理的要件がなくなるわけではない。Maiaにも高帯域幅メモリ、先進パッケージング、ネットワーク、ラック、冷却設備、そして利用可能な電力が必要だ。

つまり、Maiaは稼働しているデータセンターの経済性を高めることはできるが、未完成または電力が通っていないデータセンターを動かすことはできない。

Maia 300は「規模拡大」への賭けであり、まだ稼働容量ではない

Reutersは、Microsoftが早ければ今秋にもMaia 300を発表する計画で、2027年の納入に向けて30万個超のチップを製造するTSMCの生産能力について協議していると報じた。長期的には100万個を超える規模を目指しているとも伝えられている。

ただし、これらは交渉中の計画であり、確定した出荷数ではない。Microsoftは報道された数字に異議を唱えている。また、ファウンドリーの生産能力を確保できたとしても、メモリやその他の部品の調達、システム統合、電力の通った施設への設置が必要になる。

計画が実現すれば、Maia 300はMicrosoftのカスタムシリコン戦略を、比較的限定された社内向けプログラムから、推論容量の有力な供給源へと押し上げる可能性がある。成否を分けるのは順序だ。製造、システム統合、データセンターの準備が同時に整わなければ、チップの生産規模だけでは実際の計算能力にならない。

AWSとGoogleは展開の成熟度で先行

AWSは、カスタムアクセラレーターの展開でより長い実績を持つ。Amazonによれば、3世代にわたるTrainiumの配備数は140万個に達し、TechCrunchによれば、そのうち100万個超のTrainium2がAnthropicのClaudeに使われているという。 AWSには、推論に特化した別系統のInferentiaもあり、学習と推論の双方で運用経験を積んでいる。

GoogleのTPUプログラムには、さらに長い量産・運用の歴史がある。Ironwoodアーキテクチャは、1つのポッドで9,216個のチップに拡張できると説明されている。 Anthropicが最大100万個のGoogle TPUにアクセスできるとする報道もあるが、これは容量に関するコミットメントであり、Googleの実際の稼働チップ数と直接比較できる確定的な数字ではない。

Microsoft、AWS、GoogleのAIチップ総数を、公開情報だけで同じ条件のもとに順位付けすることはできない。各社で世代、ワークロード、所有形態、「設置済み」「配備済み」「確保済み」といった集計の定義が異なるからだ。

より慎重な結論はこうなる。AWSとGoogleは、カスタムシリコンの成熟した展開と運用経験でMicrosoftに先行しているように見える。MicrosoftはMaiaによって、その差を縮めようとしている段階だ。

業界全体の供給制約が差を広げる

こうした制約に直面しているのはMicrosoftだけではない。Ars Technicaがまとめた報道では、2026年に完成予定の米国データセンタープロジェクトの約40％が、遅延のリスクにさらされている。背景には、労働力、電力、資材の不足、許認可の難しさがあるという。

メモリも別の制約だ。業界報道では、2026年にはデータセンターが高性能メモリ生産の70％超を消費する可能性があると予測されている。また、Synopsysの幹部は半導体の供給逼迫が2027年まで続く可能性を示した。 その結果、他業界のコストが上昇し、納期が延びる可能性があるが、影響の大きさはメモリの種類、供給業者、契約条件によって異なる。

こうした環境では、計画上のAI容量と、実際に使えるAI容量の差が広がる。すでに電力が確保された拠点、早い段階で電力会社との契約を結んだ企業、成熟したサプライチェーン、大規模な稼働クラスターを持つ企業は、ワークロードを追加し続けられる。一方、新しい施設は変圧器、冷却システム、熟練労働者、送電網への接続を待たされる。

戦略上の結論

データセンターの遅延によって、MicrosoftのAI戦略そのものが否定されるわけではない。ただし、実行の順番に極めて敏感な戦略になっている。アクセラレーターを購入し、Maiaを設計し、製造契約を協議しても、それだけで顧客向けの計算能力が生まれるわけではない。

短期的なリスクは、Azureの容量拡大が鈍化し、CopilotやAzure OpenAIの推論コストが上昇することだ。競争面では、AWSとGoogleが既存のカスタムシリコン基盤を使い、Microsoftの次の施設とMaiaチップが稼働する前に、価格、可用性、開発者にとっての使いやすさを改善する可能性がある。

Maia 200は、Microsoftが大規模展開できればコストを下げられる。Maia 300も、報じられた製造計画が実現すれば、2027年に調達先と推論容量を多様化できる可能性がある。しかし現時点でMicrosoftが直面している中心課題は、単純だが解決が難しい。購入したチップと大規模な計画を、電力の通った本番稼働可能な容量へ変えることである。