中国の「10万枚」AIクラスターが示す、半導体から国家規模の計算基盤への転換

中国が2026年夏に稼働させた、国産AIカード10万枚級の超大規模クラスターは、単なる「チップ枚数」の記録ではない。より重要なのは、鄭州の計算資源を全国の計算ハブ、光通信網、監視システム、ジョブスケジューリングと結び付け、地理的に分散した計算能力を一つの共有基盤として扱おうとしている点だ。

問われているのは、中国が十分なAI半導体を生産できるかだけではない。種類の異なるアクセラレーターやデータセンターを、信頼性のある一つのスーパーコンピューターのように協調動作させられるかどうかである。

鄭州のクラスターは「10万枚級」の実証例

「Dawning 8000（Dengfeng）」とも呼ばれるこのシステムは、中国初の完全国産AIカード10万枚級のAIスーパー クラスターと報じられている。河南省の鄭州にある国家スーパーコンピューティング・インターネットの中核ノードに置かれ、科学計算とAI向け計算能力を組み合わせる。新素材、創薬、人工知能など26分野で、300種類を超えるワークロードに対応するとされる。158

中国側の報道では、ピーク時の計算能力を「人類全体が200年間、休みなく計算し続ける規模」と表現している。ただし、これはピーク処理性能を説明する比喩であり、標準化された実用的なモデル学習性能の指標ではない。すべてのAI処理が同じ割合で高速化することを示すものではない点には注意が必要だ。58

それでも、このクラスターが持つ意味は大きい。10万枚規模の国産計算資源プールができれば、研究機関や企業がそれぞれ個別にクラスターを構築しなくても、大規模計算へアクセスするための共通基盤を整備できるからだ。

個別のデータセンターから、共有される計算レイヤーへ

鄭州での整備は、他地域の計算能力拡張と並行して進められている。粤港澳大湾区の国産クラスターは、次世代の1兆パラメーター級モデルの学習需要を見据えたものと報じられている。両者を合わせると、大規模なジョブを一つの拠点だけに依存させず、複数地域の計算資源プールから調達する構想が浮かび上がる。37

ただし、距離の問題がなくなったわけではない。分散AI学習には、高い帯域幅、予測可能な遅延、アクセラレーター間の同期、そして通信回線や計算カードの障害からの迅速な復旧が必要だ。

そのため、全国規模の「計算ファブリック」は、利用可能なカードの総数だけでは成立しない。どのアクセラレーターとソフトウェア環境が互換性を持つのか、データがどこにあるのか、ジョブに連続してどれだけの計算容量が必要なのか、ネットワークがその負荷に耐えられるのかを判断する制御レイヤーが必要になる。

地域間クラスターを結ぶ光ネットワーク

深圳の鵬城実験室では、1本の細い光ファイバーの内部に4つの伝送チャネルを設ける技術が開発されている。従来型の光ファイバーと比べて、同等の線路で4倍の伝送容量を目指す設計で、地域に分散した計算資源を結ぶ際の通信ボトルネックを緩和する狙いがある。1718

深圳―貴州間の計算・データ伝送ルートや、遅延を考慮したより直接的な経路の利用も、同じ目的に向けた取り組みだ。計算センター間のデータ移動や処理の同期に伴う性能低下を抑えることである。特に、同期を厳密に取る分散学習では、通信が遅れたり不安定になったりすると、高価なアクセラレーターが待機状態になりかねない。1719

もっとも、ワークロードの種類によって難易度は異なる。地域間の計算資源は、相互依存の少ないバッチ処理なら比較的利用しやすい。一方、遠隔地の施設を一つのマシンのように動かし、大規模モデルの同期学習を実行するのははるかに難しい。現時点の報道が示しているのは、そうした方向への技術開発であり、接続されたすべてのクラスターがすでに同一データセンター並みの性能を発揮しているという証拠ではない。

計算能力の増加に、実効利用の証拠はまだ追いついていない

中国工業情報化部のデータとして報じられた内容によると、中国のインテリジェント・コンピューティング能力は2026年6月末時点で2,185 EFLOPSに達し、前年同期比177％増となった。全国の計算施設の利用率、いわゆるラック稼働率は71.4％とされる。344041

単位の確認も重要だ。数字は218.5 EFLOPSではなく、2,185 EFLOPSである。EFLOPSは理論上の浮動小数点演算性能を示す単位であり、全国合計の数字だけでは、特定の研究室が実際に利用できる容量、異なるアクセラレーターの互換性、分散学習の効率までは分からない。

今後、中国のAIインフラ拡張が評価される基準は、総計算能力よりも「使える計算能力」になっていく可能性が高い。計算資源がアクセラレーターの種類ごとに分断され、利用者別に予約され、データ転送に制約を受け、電力や冷却能力によって稼働を制限されれば、国家全体の大きな数字があっても実際の研究現場ではボトルネックが残る。

全国規模の制御プレーンが形成され始める

中国は、増え続ける計算資源を調整する管理レイヤーの整備にも着手している。全国のAI計算能力の60％超を可視化する統合監視・スケジューリング基盤が試験運用に入ったと報じられている。これは、各ジョブを空いているだけでなく、技術的にも適合する計算資源へ割り当てるための初期段階に当たる。618

この仕組みは、中国の「東数西算」構想とも結び付く。同構想は、エネルギーや土地を多く必要とするデータセンターや計算拠点を西部に配置しつつ、需要が集中する東部へ計算サービスを提供する考え方だ。中国の国家計画は、複数階層の計算インフラと全国統合型の計算ネットワークの構築を掲げている。485356

実際の制御プレーンには、少なくとも次の課題がある。

• 資源の適合性判断: 国産アクセラレーターとソフトウェア環境の組み合わせに合うジョブを割り当てる。
• 配置の最適化: ジョブを単一拠点、都市圏内、遠隔地のハブ間のどこで実行するか決める。
• データ移動: 学習データやチェックポイントの転送コストと遅延を抑える。
• 障害耐性: 回線、ラック、個別カードに障害が起きても大規模ジョブの稼働を維持する。
• 電力との協調: 電力の供給状況や地域ごとの運用制約に計算需要を合わせる。

これらが機能すれば、全国の計算能力は、ばらばらの機械の集合ではなく、サービスとして利用できるインフラに近づく。

投資規模も「ネットワーク事業」であることを示す

国家発展改革委員会（NDRC）は、2026～2030年の第15次五カ年計画期間に、計算能力ネットワークへ約4兆元の新規直接投資が見込まれると説明した。これは計算ネットワークの建設と関連インフラを対象とする見積もりで、投資の多くは政府以外の主体から拠出されると報じられている。4754

この規模の投資計画は、鄭州の稼働開始をどう見るべきかを明確にする。中国が拡大しているのはAIアクセラレーターの供給だけではない。計算拠点、光伝送、監視、スケジューリング、電力などを組み合わせ、計算能力を全国インフラへ変えるための周辺設備にも資金を振り向けている。

示していること、まだ証明していないこと

中国が構築しようとしているモデルは、主に3層で捉えられる。

1. 国産ハードウェア: 中国製の計算カードで構成された大規模クラスター。
2. 相互接続: 地域ごとの計算資源プールを結ぶ光通信・データ伝送網。
3. 協調制御: 複数のプールに計算能力を配分する全国監視・スケジューリング基盤。

この構造が機能すれば、単一のスーパー クラスターへのアクセスだけが重要になる状況を変え、国内各地の計算資源を共通の仕組みから利用できるようになる可能性がある。また、西部の電力・土地資源を活用しながら、東部の需要拠点へ計算能力を届けることも狙える。4856

ただし、現段階の証拠から、全国ネットワークを「どこでも交換可能な一台のスーパーコンピューター」とみなすことはできない。国産ハードウェアの実際の供給状況、アクセラレーター間の接続性能、ソフトウェアの成熟度、電力、信頼性、ジョブのスケジューリングは、依然として制約要因だ。

フロンティアモデルの学習期間を約1年から6カ月に短縮できるという見通しも、独立した検証がない限り、すべてのワークロードに当てはまる実証済みの成果ではなく、予測かつ条件付きの効果として読むべきだ。同様に、「人類の200年分」という表現も、実用的なAI学習性能を測る標準指標ではなく、ピーク処理能力を示す比喩である。58

中国AIの戦略的なボトルネックは、確かに変わりつつある。しかし、消えたわけではない。中国は「国産AIハードウェアを十分に作れるか」という問いから、「急増する異種の計算資源を効率よく協調させられるか」という、より難しい問いへ移行している。

スケジューリング基盤が成功すれば、計算能力の拡大は柔軟な国家プラットフォームへ転化する。失敗すれば、中国は大きなEFLOPSの数字を示しながら、AI研究現場では計算資源へのアクセスが分断され、遊休設備や実効性能のばらつきに悩み続けることになる。