AI半導体はNVIDIA一強から変わるのか｜カスタムASICとハイパースケーラーの脱GPU戦略

業界分析

本記事は特定銘柄の売買を推奨するものではありません。業界構造を調べ・整理し・記録する探索ログです。

この記事の目的

AI半導体というとNVIDIA GPUが真っ先に思い浮かぶ。しかし、AIを最も大量に使うGoogle、Amazon、Microsoft、Metaは、自社専用のAIチップを設計・導入し始めている。

これはNVIDIAが不要になる話ではない。GPU＋カスタムASICの併用が進む話である。

ハイパースケーラーの狙いは、推論コストの削減、電力効率の改善、供給制約の分散にある。AI需要が巨大化したからこそ、単一の汎用チップだけでは足りなくなっている。

この記事では、カスタムASICとは何か、なぜ作られるのか、どの企業が恩恵を受けるのか、日本株とどうつながるのかを整理する。

→ AIデータセンター関連株マップ
→ メモリ業界はAIで何が変わるのか

カスタムASICとは何か

GPUとASICの違い

AI半導体を理解するうえで、GPUとASICの違いを押さえておく。

GPU（Graphics Processing Unit） は、もともとグラフィックス処理用に作られた汎用チップ。大量の並列計算ができるため、AI学習・推論にも使われるようになった。NVIDIAのCUDAエコシステムが開発者に広く浸透しており、どんなAIモデルでも動かせる柔軟性が強み。

ASIC（Application-Specific Integrated Circuit） は、特定の用途に最適化された専用チップ。汎用性は低いが、決まった処理に対してはGPUより電力効率やコスト効率が良くなる可能性がある。

比較項目GPUカスタムASIC
設計思想汎用的な並列演算特定ワークロードに最適化
柔軟性高い（様々なモデルに対応）低い（設計した処理に特化）
開発エコシステムCUDA等が充実自社フレームワークが前提
コスト効率大量推論では割高になりうる大規模運用で有利になりやすい
電力効率汎用ゆえに最適化余地がある不要な回路を削れるため有利
開発コストチップを買うだけで済む設計に数億〜数十億ドル規模
適する場面研究開発、新モデルの学習、試行錯誤大量推論、固定化されたワークロード

なぜハイパースケーラーはASICを作るのか

Google、Amazon、Microsoft、Metaのような巨大クラウド事業者は、毎年数百億ドル規模のAI設備投資を行っている。この規模では、NVIDIA GPUだけに依存することのコスト・供給リスクが無視できなくなる。

理由内容具体例
コスト削減自社の大量ワークロードに合わせると、不要な機能を削り、性能/コストを改善できる推薦、広告、検索、定型推論
電力効率推論ではメモリ帯域・電力効率が重要になる長文推論、生成AIサービス
供給制約の緩和NVIDIA GPUの入手制約を補うGoogle TPU、AWS Trainium
垂直統合チップ、サーバー、ネットワーク、ソフトウェアを一体設計できるMicrosoft Maia + Azure、Google TPU + JAX/XLA
価格交渉力NVIDIAだけに依存しないことで調達の選択肢が増えるGPU、ASIC、AMD GPUの併用

重要なのは、ASICはGPUを置き換えるものではなく、用途に応じて使い分けるものだということ。最先端モデルの学習や研究開発ではGPUの柔軟性が必要で、大量推論や固定ワークロードではASICのコスト・電力効率が活きる。

ハイパースケーラーの自社チップ

Google：TPU

Googleは、カスタムAIチップの最も長い実績を持つ。TPU（Tensor Processing Unit）はGoogleの機械学習向けASICで、2015年に内部利用が始まり、Google Cloud経由で外部にも提供されている。

世代位置づけ注目点
TPU v6e Trillium第6世代TPUTPU v5e比で約4.7倍の性能、HBM容量・帯域の倍増と説明されている（Google Cloud TPU v6e）
TPU v7 Ironwood推論時代向けTPU256チップ構成と9,216チップ構成が示され、推論向けとして説明される（Google Cloud発表）
TPU 8t / 8i第8世代TPU8tは訓練用、8iは推論・エージェント用途とされる（Google Cloud発表）

Googleの特徴は、チップ単体ではなく、TPU、JAX、XLA、Gemini、Google Cloud、ネットワークを一体で設計する点にある。自社の巨大ワークロードではTPUを主軸にできる（arXiv: Google TPU supercomputers）。

出典：Google Cloud TPU documentation、Google Cloud発表、報道

Amazon：Trainium / Inferentia

AWSは、学習向けにTrainium、推論向けにInferentiaを持つ。AWSの狙いは、NVIDIA GPUの代替というより、AWS顧客に対して価格性能の選択肢を増やすことにある。

チップ用途注目点
Trainium学習大規模学習向けのAWS独自アクセラレータ（AWS Trainium）
Trainium2学習・推論Trn2インスタンス、Trn2 UltraServersで提供（AWS発表）
Trainium3次世代次世代品として報道（AWS re:Invent報道）
Inferentia推論AWS推論向け独自チップ（AWS Inferentia）

AWSを見るときは、Anthropicとの関係が注目される。Claudeのような大規模モデルをAWSインフラで動かす場合、Trainiumの実使用量が増えるほど、AWSのAIインフラ内製化が進んでいると見られる（arXiv: AWS Trainium LLM pretraining）。

出典：AWS Trainium、AWS Inferentia、報道

Microsoft：Maia

Microsoftは、Azure Maia 100 AI Acceleratorを2023年11月に発表した（Microsoft Azure Blog）。Maiaは、Azure OpenAI、Microsoft Copilot、生成AIワークロードを支えるための自社AIアクセラレータである。同時にArmベースCPUのCobalt 100も発表し、Azureインフラ全体の内製化を進めている（Microsoft Ignite 2023）。

Microsoftの場合、OpenAI、Azure、Copilot、Microsoft 365、GitHub、Windowsという巨大なAIサービス面を持つ。Maiaの価値は、外部販売よりも、Microsoft自身のAIサービスのコストと供給をコントロールする点にある。

出典：Microsoft Azure Blog、Microsoft Ignite 2023

Meta：MTIA

Metaは、Meta Training and Inference Accelerator（MTIA）を開発している（Meta AI Blog）。推薦、広告、ランキング、生成AI、Llama関連ワークロードに向けたカスタムAIチップである。

2026年3月の報道では、MetaはMTIA 300、400、450、500の複数世代を示している（MarketWatch）。MTIA 300はすでに本番投入、MTIA 400はデータセンター投入前段階、MTIA 450と500は推論向けに2027年投入予定と報じられている。MetaがBroadcomと協業していること、MTIA 450/500でHBM帯域と容量を重視していることも報じられている（Meta next-gen MTIA Blog）。

Metaの場合、Llama、広告、推薦、フィード、Instagram、WhatsApp、Facebookという超大規模推論ワークロードを持つ。GPUを全否定するのではなく、AMD GPU、NVIDIA GPU、自社MTIAを混ぜて推論コストを下げる戦略と見る。

出典：Meta AI Blog、MarketWatch

直接恩恵を受ける企業

Broadcom：カスタムASICの中心銘柄

Broadcomは、このテーマの中心に位置する。カスタムASIC設計、SerDes、ネットワークスイッチ、光・電気インターフェースなど、AIデータセンターのカスタムチップ周辺を広く持つ。

2026年6月の報道では、Broadcomの2026年度第2四半期AIチップ売上は前年同期比143%増の108億ドル、次四半期は160億ドル見通しと報じられている（報道ベース）。Google TPU、Meta MTIA、OpenAI向け推論チップなどが顧客として報じられており、カスタムASICの代表格として位置づけられている。

指標なぜ見るか
AI semiconductor revenueカスタムASICとAIネットワーク需要の伸びを直接見る
networking revenueGPU/ASICクラスタをつなぐスイッチ、SerDes、Ethernetが伸びているか
AI顧客数Google以外にどれだけ広がっているか
gross marginカスタムASICは大型だが、非AI半導体より利益率が低い可能性がある
backlog / visibility数年先のハイパースケーラー案件がどこまで見えているか

Marvell：カスタムシリコンとネットワークの二刀流

Marvellは、Broadcomに次ぐカスタムシリコン候補として見る。データセンター向けカスタムシリコン、光DSP、ネットワーク、DPU、SerDes、シリコンフォトニクス周辺に強みがある。

注目すべきは、MarvellがNVIDIAのNVLink Fusionエコシステムに接続する報道が出ている点。今後のAIインフラは「NVIDIAかASICか」ではなく、NVIDIA GPU、カスタムXPU、CPU、DPU、Ethernet、NVLink、光通信が混在する方向に進む可能性がある。

TSMC：GPUでもASICでも必要

カスタムASICが増えるほど、TSMCの先端プロセス、先端パッケージ（CoWoS、SoIC等）の需要が増える。NVIDIA GPUでもカスタムASICでも、最終的には先端ロジックと先端パッケージが必要になる。

カスタムASICはNVIDIAから一部需要を分散させるが、TSMCにとってはAI半導体需要の裾野拡大になりやすい。

HBMメーカー：ASICでもHBMは必要

AI ASICは、GPUよりHBMが不要になるわけではない。むしろ推論の長文コンテキスト、モデルサイズ、KVキャッシュ、MoE、メモリ帯域制約が強くなるほど、HBM容量と帯域が重要になる。Meta MTIAの報道でも、HBM帯域と容量が推論性能の焦点として扱われている。

HBM関連では、Micron、SK hynix、Samsungを追う。カスタムASIC向けHBM需要の広がりとしても見る価値がある。

→ Micron（MU）企業分析ログ

サプライチェーンマップ

カスタムASICは、設計会社だけで完結しない。以下のレイヤーが同時に動く。

レイヤー主な企業役割
ASIC設計Broadcom、Marvellハイパースケーラー向けカスタムASIC設計、SerDes
ファウンドリTSMC、Samsung Foundry先端ノード製造、CoWoS等の先端パッケージ
HBMMicron、SK hynix、SamsungHBM3E/HBM4の供給、メモリ帯域の提供
パッケージ基板イビデン、新光電気工業、Unimicron大型ABF基板、AI ASIC向けパッケージ基板
EDA/IPSynopsys、Cadence、Arm、Rambus先端設計ツール、HBM PHY、SerDes IPライセンス
ネットワークBroadcom、Marvell、Arista、CiscoEthernet、スイッチ、DPU、NIC
光通信Coherent、Lumentum、フジクラ、古河電工800G/1.6Tトランシーバ、CPO、シリコンフォトニクス
検査・製造装置アドバンテスト、Teradyne、東京エレクトロンAIチップ検査、前工程、洗浄、EUV関連
電力・冷却富士電機、高砂熱学、荏原データセンターの電力制御、冷却インフラ

GPUでもASICでも、ファウンドリ、HBM、パッケージ基板、検査装置、光通信、電力・冷却は共通して必要になる。 ASICの増加はこれらのレイヤーにとって需要の裾野拡大を意味する。

日本株へのつなげ方

日本株で「カスタムASICそのもの」を設計する銘柄は限られる。したがって、周辺レイヤーとの接点で考える。

企業コード接続点カスタムASICとの関係
イビデン4062AI GPU/ASIC向けICパッケージ基板GPUだけでなく、ASICが増えても大型パッケージ基板需要は続く
アドバンテスト6857半導体テスタGPU、HBM、ASICの検査需要に直結
フジクラ5803光配線ASICクラスタでも光通信需要は増える
東京エレクトロン8035半導体製造装置先端ロジック/HBM/ASIC投資の共通受益
SCREEN7735洗浄装置先端ロジック・HBM関連の前工程需要
新光電気工業6967半導体パッケージイビデンと同じパッケージ基板レイヤー
古河電工5801光・電力AIデータセンター全体の部材
富士電機6504電源制御GPUでもASICでも電力制御は必要

日本株の視点では、「NVIDIAかASICか」の二者択一ではなく、どちらが伸びても共通して恩恵を受けるレイヤーを見ることが重要になる。パッケージ基板、検査装置、光通信、電源はその代表例である。

→ イビデン（4062）企業分析ログ
→ フジクラ（5803）企業分析ログ

NVIDIAへの影響

カスタムASICが伸びても、NVIDIAの需要がすぐ消えるとは考えにくい。ただし、AI半導体市場の構造は変化しつつある。

NVIDIAに残る強み

強み内容
CUDAエコシステム開発者、ライブラリ、最適化、既存コード資産が巨大
汎用性モデルの変化、研究開発、未知のワークロードに対応しやすい
学習の標準最先端モデル開発ではGPUクラスタが依然として中心
ラック統合GPU、CPU、DPU、NVLink、InfiniBand/Ethernet、冷却をまとめて提供
ソフトウェアCUDA、TensorRT、NIM、AI Enterpriseなどの上位レイヤー

NVIDIAが注意すべきリスク

リスク内容
推論の専用化大量推論がASICへ移ると、GPU需要の一部が分散する
ハイパースケーラーの内製化Google、Amazon、Microsoft、Metaが自社チップを増やす
価格交渉力低下代替手段が増えるとGPU価格への圧力になる
ネットワーク標準競争NVLink/InfiniBand対Ethernet/UALinkの構図が強まる
電力制約GPUの高性能化が電力・冷却制約に当たる

「NVIDIA終了」ではなく、「NVIDIA GPUの上に、推論向けASICが乗ってくる」と見るのが現時点では適切だろう。 NVIDIAは学習・汎用推論の中心であり続ける可能性が高いが、大量推論の一部がASIC化することで、周辺サプライチェーンの重要性が増す。

→ NVIDIA（NVDA）企業分析ログ

次回決算で見る指標

NVIDIA

指標見る理由
Data Center売上の成長率AI需要全体の勢いを確認する
Blackwell / Rubinの供給状況最新GPUの需給バランスを見る
推論比率推論用途がどこまで拡大しているか
ハイパースケーラー向けコメント自社ASICとの併用がどう語られるか

Broadcom

指標見る理由
AI semiconductor revenueカスタムASIC需要の伸びを直接見る
AI networking revenueクラスタ間接続の需要を見る
カスタムASIC顧客数Google以外への広がりを確認する
粗利率カスタムASICの収益性を見る

Marvell

指標見る理由
Data center売上カスタムシリコン、ネットワーク需要を見る
custom silicon案件数AI ASIC案件の広がりを確認する
光DSP・ネットワーク関連コメント光通信・シリコンフォトニクスの進捗を見る

日本株

企業確認する指標
イビデンAI GPU/ASIC向け基板、Cell6/Cell8、受注動向
アドバンテストSoC/メモリテスタ需要、AI半導体テストコメント
フジクラAIクラスタ向け光配線、800G/1.6T関連
SCREEN先端ロジック・HBM・洗浄装置需要

まとめ：GPU＋ASICの併用時代へ

  • カスタムASICは、NVIDIAを不要にするものではなく、用途に応じた選択肢の増加
  • ハイパースケーラー4社（Google、Amazon、Microsoft、Meta）はすでに自社チップを本番投入している
  • BroadcomはカスタムASIC設計の中心。2026年度Q2のAI売上は108億ドル（前年同期比143%増、報道ベース）
  • GPUでもASICでも、TSMC、HBM、パッケージ基板、検査装置、光通信、電力は共通して必要
  • 日本株ではASIC設計そのものよりも、パッケージ基板、検査、光通信、電源の周辺レイヤーに接点がある
  • NVIDIAは学習と汎用推論で強いが、大量推論の専用化は注意すべき構造変化

関連する記事

参考文献

公式・一次情報

二次情報・市場データ

免責事項

本記事は業界構造の理解を目的とした情報整理であり、特定銘柄の売買を推奨するものではありません。将来の予測データは調査会社・各社発表に基づくものであり、確実性を保証するものではありません。投資判断は必ずご自身の責任で行ってください。

コメント

タイトルとURLをコピーしました