生成AI・HPCを支えるGPU製品群

ChatGPTをはじめとするLLM（大規模言語モデル）の実用化が急速に進む中、AIインフラに求められる要件も大きく変化しつつあります。 これまでのAI開発、特に「学習（トレーニング）」のフェーズにおいては、とにかく最高性能のGPUをかき集め、GPUメモリの速度と容量を追求する巨額なデータセンター投資が主流でした。 しかし、モデルが完成し、実際の業務やサービスで活用する「推論（インファレンス）」のフェーズに移行していく中で、新たな課題が浮き彫りになっています。 それは、「学習用の最高峰システム（DGXやHGX）をそのまま推論に使うのは、多くの場合オーバースペックであり、初期投資もランニングコストも過剰になってしまう」という問題です。 これからの推論インフラに求められるのは、単なる「最高性能」ではなく、用途に応じた「柔軟性」と「電力効率」です。 今回は、データセンターのTCO（総所有コスト）を最適化し、無駄のない推論基盤を実現する「NVIDIA MGX」アーキテクチャと、 アプライドが提案するベストフィットなサーバー構成について解説します。

自動車開発では、安全性や性能を高めるためにCAE（Computer Aided Engineering）が広く活用されています。 中でも衝突安全分野では、車体が衝突した際の変形や応力、ひずみなどを予測する「衝突解析」が重要です。 代表的なCAEソフトウェアであるLS-DYNAでは、車体形状や材料、板厚、衝突速度などの条件を設定し、衝突時の挙動を解析できます。 一方、自動車開発では一つの設計案だけでなく、材料や板厚、部品形状、補強位置など、多数の候補を比較する必要があります。 そこで注目されるのが、LS-DYNAで蓄積した解析データをAIに学習させ、解析結果の予測や設計候補のスクリーニングに活用する方法です。 AIがCAEを置き換えるのではなく、CAEとAIを組み合わせることで、設計検討をより効率化できる可能性があります。 そして、CAE解析・AI学習・大量データ処理を支える基盤として重要になるのが、HPC（High Performance Computing）です。

ChatGPTをはじめとする生成AIの普及により、文章生成や要約、翻訳、プログラミング支援など、さまざまな場面でAIが活用されるようになりました。 一方、企業や研究開発の現場では、単に質問に答えてもらうだけではなく、 ・社内の技術資料から必要な情報を自動で探す ・複数の情報を比較して次に行うべき作業を判断する ・外部ツールや業務システムを操作する ・調査、分析、コード生成、レポート作成までを一連の流れで進める といった、さらに高度なAI活用への期待が高まっています。 こうした、目的に応じて自ら推論し、必要な情報やツールを利用しながらタスクを進める仕組みが、「エージェント型AI（Agentic AI）」です。 そして、このエージェント型AIを支えるオープンなモデルファミリーとしてNVIDIAが展開しているのが、NVIDIA Nemotron（ネモトロン）です。 今回は、NVIDIA Nemotronとは何なのか、従来の生成AIと何が違うのか、そして製造業・研究開発でどのような活用が考えられるのかをご紹介します。

近年、データセンターのありさまが変わってきているのはご存じでしょうか。 AIの爆発的普及によりデータセンターに求めらるニーズは今大きく変動してきているのです。 今回はそんな時代の流れともいえるIT業界でのデータセンターの変化についてご紹介してまいります。