1兆3000億ドル投資はどこへ　AIデータセンターの企業地図

こんにちは。韓国経済新聞のニューヨーク特派員、パク・シニョンです。

「パク・シニョンのウォール街アナトミー」第3回のテーマは「AIデータセンターの企業地図」です。

AI産業で競争力を保つにはGPUの確保が欠かせません。ただ、いまやGPUを大量に押さえるだけでは不十分です。数十万基のGPUを設置する空間が必要です。GPU同士を結ぶネットワークも欠かせません。加えて、膨大な電力を安定供給し、発熱を抑える冷却設備も要ります。

AIを巡る競争は、GPU確保の競争から、より大規模で強力なAIデータセンターを誰がどれだけ早く築くかという競争へ広がっています。

とりわけハイパースケーラーの来年の設備投資額（CAPEX）は1兆3000億ドル（約207兆円）に達するとされます。この巨額資金の相当部分がデータセンターに流れ込みます。結果として、データセンター関連企業が投資の恩恵を受ける構図です。

今回の「ウォール街アナトミー」では、AI時代にデータセンターの重要性がなぜ高まったのか、そこにどの企業と産業がつながるのかを見ていきます。

米国にどれだけのデータセンターがあるのか

まず米国のデータセンターの規模からみます。

この資料によると、米国のデータセンターは計3408カ所あります。稼働中が1301カ所、計画中が2059カ所です。

現在稼働中のデータセンターの電力容量は約6万1000メガワット（MW）、計画中は約37万8000メガワットです。

ここで1メガワットがどの程度かを確認しておきます。

1メガワットは1000キロワット（kW）です。かなり単純化すれば、米国の一般家庭およそ1000世帯に電力を供給できる規模とみられます。実際の使用量によって差はあります。

つまり、1つのデータセンターが数百メガワットを使うというのは、相当な規模の都市の電力需要に匹敵する水準です。

しかも今後計画されているデータセンターは、数ギガワット（GW）規模まで大きくなっています。

理由はAIです。

AI以前のデータセンター

まずはAI登場前のデータセンターをみてみましょう。

私たちがネット通販を使い、グーグルで検索し、ユーチューブで動画を見て、銀行口座を照会すると、その裏側ではデータセンターが動いています。

データセンター内には数千台から数万台のサーバーがあり、それぞれ別の業務を処理します。

あるサーバーは検索を担い、別のサーバーは決済を処理します。さらに別のサーバーはデータベースや電子メールを担当します。

従来型のデータセンターは、平たく言えば多数のコンピューターを1つの建物に集めた場所でした。

中核機能は保存、計算、転送です。

ところがAIの登場で、この構造が大きく変わりつつあります。

AIで計算量が爆発

最大の変化は計算量です。

CPUは複雑で異なる業務を順番に処理するのに向いています。

一方、AIは似た数式計算を膨大に繰り返さなければなりません。

GPUはこうした計算を同時並行で大量に処理できます。この点は第2回の「ウォール街アナトミー」で詳しく説明しました。

こうした理由から、AIの学習と推論ではGPUが中核装置になりました。

ただ、AIモデルが大型化するにつれ、別の問題が浮上しました。

GPU1基では足りなくなったのです。

GPU1基では足りない

従来のデータセンターでは、複数のCPUサーバーがそれぞれ異なる業務を処理していました。

これに対しAIデータセンターでは、数千基、数万基のGPUが1つのAIモデルを共同で計算します。

AIモデルが大きくなるほど、必要なGPUの数も増えます。

そのため、いまや重要なのはGPU1枚ごとの性能だけではありません。

どれだけ多くのGPUを1つのシステムのように束ねて動かせるかが焦点になりました。

ここでネットワークの重要性が増します。

GPU同士の通信も重要

GPUが1つのAIモデルを一緒に計算するには、継続的なデータのやり取りが必要です。

GPU1が計算した結果をGPU2とGPU3が受け取り、次の計算結果を再び共有しなければなりません。

GPUそのものがいくら高速でも、データ交換の速度が遅ければ他のGPUは待機を強いられます。

結局、高価なGPUを大量に設置しても十分に活用できないおそれがあります。

このためAIデータセンターでは、GPU単体の性能に加え、GPU同士をどれだけ速く接続できるかが重要になります。

データセンターは1台の巨大コンピューターへ

その結果、AI時代にはデータセンターそのものの概念も変わってきました。

従来のデータセンターが複数のコンピューターを1つの建物に集めた場所だとすれば、AIデータセンターでは数万基から数十万基のGPUを超高速ネットワークで結びます。

そしてそれらのGPUが1つのAIモデルを共同で学習し、推論します。

言い換えれば、データセンター全体が1台の巨大なAIコンピューターとして動くのです。

では、こうしたAIデータセンターを建てるのは誰でしょうか。

誰がデータセンターを建設するのか

大きく4つのグループに分けられます。

第1はアマゾン・ウェブ・サービス（AWS）、マイクロソフト（Microsoft）、グーグル（Google）、メタ（Meta）、オラクル（Oracle）といったビッグテック・クラウド企業です。

第2はオープンAI（OpenAI）、xAIのようなAI企業です。

第3はコアウィーブ（CoreWeave）、ネビウス（Nebius）といったAIインフラ専業です。

第4はQTS、バンテージ（Vantage）、STACKのようなデータセンターの開発・運営を専門とする企業です。

ここで第4のグループは少し分かりにくいかもしれません。

QTSやバンテージは、自らAIサービスを手がける会社というより、データセンターの建物や電力インフラを整備し、企業に貸し出す役割を担います。

そこにマイクロソフトやAWS、グーグルのようなハイパースケーラーが入る場合もあります。オープンAIやコアウィーブのようなAI企業が顧客になる場合もあります。

つまり、データセンターを建てた会社と、その中でGPUを使う会社は別であり得ます。

誰がGPUを買うのか

したがって、データセンターを建てた会社が、必ずしもGPUを購入する会社とは限りません。

AWS、マイクロソフト、グーグル、メタといったビッグテックはGPUを直接購入できます。

オープンAIやxAIのようなAI企業、コアウィーブのようなAIインフラ企業も直接購入できます。

一方、QTSやバンテージのようにデータセンターの空間を賃貸する企業では、実際のGPU購入者はその空間を借りる顧客である場合があります。

データセンターの所有者、GPUの購入者、GPUの利用者がすべて異なるケースもあるわけです。

エヌビディアはGPUだけを売るのか

エヌビディア（NVIDIA）を単純にGPU販売会社とみるだけでは不十分です。

GPUを複数まとめればサーバーになり、複数のサーバーを集めれば1つのラックになります。エヌビディアはサーバーシステムそのものを販売することもあります。

しかもサーバーに入るのはGPUだけではありません。

CPU、メモリー、ストレージ、ネットワーク、電源装置、冷却システムまで必要です。

したがって、AIデータセンター投資の拡大は、GPUだけでなくデータセンター供給網全体の市場拡大を意味します。

エヌビディアがメモリー企業と緊密に協力するのもそのためです。

HBM需要が急増

データセンター需要の急増は、突き詰めればサーバー需要の急増を意味します。

サーバー需要が増えれば、GPUだけでなく、サーバーを構成する他の部品への需要も一緒に増えます。

代表例がHBMです。

GPUが極めて高速に計算するには、データを素早く供給するメモリーが必要になります。

GPU自体がいくら速くても、メモリーがデータを遅く送ればGPUは待たされます。

そのためAI向けGPUでは、一般的なメモリーよりはるかに高速なHBMの重要性が高まりました。

代表的な供給企業はSKハイニックス（SK hynix）、サムスン電子（Samsung Electronics）、マイクロン（Micron）です。

GPUが増えれば、HBM需要も同時に増える構図です。

ストレージ需要も急増

ストレージも重要です。

HBMがデータを広げてすぐ使える「机」だとすれば、ストレージはデータをやや長く保管する「引き出し」や「倉庫」と考えると分かりやすいでしょう。

AIモデルを学習させるには、膨大な量のデータを保存しなければなりません。

必要な時には、このデータをGPUへ素早く送る必要もあります。

このためNANDや高性能SSDの需要も増えます。

サムスン電子、SKハイニックス、キオクシア（Kioxia）、マイクロンなどがこの市場に入っています。

ここにはSSDコントローラー企業もつながってきます。

ネットワークにも注目

AIデータセンターで特に重要なのがネットワークです。

数万基のGPUが同時にデータをやり取りするためです。

そこでスイッチ、NIC、光トランシーバー、光ファイバーが必要になります。

ブロードコム（Broadcom）やアリスタ・ネットワークス（Arista Networks）といったネットワーク企業だけでなく、コヒレント（Coherent）やルメンタム（Lumentum）のような光通信企業、コーニング（Corning）やプリズミアン（Prysmian）のような光ファイバー企業も、AIデータセンター投資と結び付きます。

電源装置にも注目

次は電力です。

GPU性能が上がるほど、サーバー1台、ラック1基が使う電力は急速に増えます。

外部から入ってきた電気を変換し、サーバーまで安定供給しなければなりません。停電に備えたUPSや発電機も必要です。

代表的な企業はバーティブ（Vertiv）、イートン（Eaton）、シュナイダーエレクトリック（Schneider Electric）、デルタ電子（Delta Electronics）、フレックス（Flex）です。

AI投資が伝統的な電力設備企業にまで波及する理由です。

電力使用量が増えれば、それだけ熱も多く発生します。

従来のデータセンターは主に空気でサーバーを冷やしていました。

しかしAI向けGPUの電力密度が高まるにつれ、空冷だけでは対応が難しくなっています。

そのため液冷をはじめとする新たな冷却システムの需要が拡大しています。

バーティブ、モディーン（Modine）、エンベント（nVent）、シュナイダーエレクトリック、ジョンソンコントロールズ（Johnson Controls）などが代表的です。

データセンターのサーバーで見える資金の流れ

データセンターのサーバー購入の仕組みも一様ではありません。

デル（Dell）やスーパー・マイクロ・コンピューター（Super Micro Computer）がエヌビディアからGPUを購入し、サーバーに組み込んだ完成品としてマイクロソフトに販売する場合があります。

この場合、資金の流れはマイクロソフト→サーバー企業→エヌビディアの順になります。

一方で、マイクロソフトがエヌビディアとGPU供給を直接交渉し、フォックスコン（Foxconn）やクアンタ（Quanta）といったODM企業には組み立てだけを委託することもできます。

したがって、最終的なGPU利用者と、エヌビディアの会計上の直接顧客が必ずしも一致するわけではありません。

では、データセンター投資資金はどこに、どの程度流れるのでしょうか。

AIデータセンターに100ドル（約1万5900円）を投じると仮定してみましょう。

スティフェル（Stifel）の資料では、IT機器が約65ドル（約1万円）を占めます。GPUサーバー、ストレージ、ネットワークなどがここに入ります。

建物は約14ドル（約2200円）、電気システムも約14ドル（約2200円）、冷却システムは約7ドル（約1100円）です。

もちろん実際の比率はデータセンターごとに異なる可能性があります。

AI需要がデータセンター投資に直結

では、なぜこれほど多くの資金がデータセンターに流れ込むのでしょうか。

その前に、クラウドサービスとデータセンターの違いを簡単に押さえておきます。

データセンターは、実際にサーバーやGPUが設置される物理施設です。建物の中にGPUやサーバーを並べ、電力と冷却設備を備えた場所です。

これに対しクラウドは、このデータセンター内の計算資源をインターネット経由で顧客に貸し出すサービスを指します。

例えばAWSやマイクロソフト・アジュール（Microsoft Azure）は、顧客にAIコンピューティングを貸し出すクラウドサービスを提供しています。ですが、そのサービスを成り立たせるには、背後にGPUを搭載したデータセンターが必要です。

したがって、クラウド需要が増えれば、より多くの計算資源が必要になります。結果として、データセンターをさらに建設しなければならない構造です。

エヌビディアの今回の第2四半期決算でも、この点が強調されました。

エヌビディアのコレット・クレス最高財務責任者（CFO）は、クラウド業界のバックログが2兆ドル（約319兆円）を超えたと説明しました。

バックログとは、平たく言えばクラウド企業がすでに契約している一方で、今後顧客に提供しなければならないサービス量を指します。

それだけ将来必要になる計算資源が多いという意味です。

AI顧客の需要拡大を受け、クラウド企業には今後提供すべきサービス量、すなわちバックログが積み上がっています。これを処理するには、さらに多くの計算資源が必要です。

クラウド企業はデータセンターを増設しなければなりません。その過程で大規模な設備投資が執行され、GPUやサーバーだけでなく、ネットワーク、電力、冷却設備への需要も一段と膨らみます。

データセンターの電力消費が急増

次に、データセンターがどれほど多くの電力を使うようになるかをみていきます。

このグラフはIEA（国際エネルギー機関）の公式見通しです。

グラフの色分けは、データセンターが使う電力を4つの装置群に分けたものです。

最下段の黄色は、冷却やUPSのようにデータセンター運営に必要なその他のインフラです。

その上の青緑は、ストレージやネットワークのようなサーバー以外のIT機器です。青色はCPU中心の一般サーバーです。

最上段の水色は、GPUのようなアクセラレーターを搭載したAIサーバーです。

ここで最も注目すべきなのは最上段の水色部分です。2024年以降、面積が急速に拡大しています。IEAは、AI普及を追い風にアクセラレーテッドサーバーの電力消費が2030年まで年平均約30%増えると見込んでいます。

一方、CPU中心の一般サーバーの電力消費の伸びは年平均約9%です。とりわけ2024年から2030年までのデータセンター電力消費の増加分のうち、ほぼ半分がアクセラレーテッドサーバーから生じるとみています。

グラフ全体でみると、世界のデータセンター電力消費は2024年の約415テラワット時（TWh）から、2030年には約945テラワット時へと2倍以上に増える見通しです。米国がそのうち約45〜50%を占めます。

データセンター建設を阻む6つのボトルネック

データセンター建設を妨げる最初のボトルネックは、電力確保と送配電網への接続です。

AIデータセンター1カ所で、数百メガワットから数ギガワットの電力を必要とします。

ただ、発電所で電気を作ることと、データセンターがその電気を実際に使えることは別問題です。

電力網に接続できる余力が必要です。変電所も欠かせません。

そのため、建設用地を確保しても、実際に電力供給を受けるまで数年待たされることがあります。

2つ目は、変圧器、スイッチギア、発電機の不足です。

発電所から来る高圧電力を下げる変圧器、電力を安全に分配するスイッチギア、非常時に使う発電機やUPSが必要になります。

世界でデータセンタープロジェクトが同時に増えており、こうした設備への注文も集中しています。

JLLによると、米国のデータセンター関連設備の平均リードタイムは約42週間で、2019年より83%長くなりました。

発電機は約51週間、変圧器とスイッチギアは約43週間かかります。

3つ目は、送電網の建設にあまりに時間がかかる点です。

数ギガワット規模のデータセンターが入れば、既存の送電網だけでは対応できないことが多くなります。

その場合、新たな送電線や変電所の建設が必要になります。

IEAによると、先進国で新しい送電線を敷設するには4〜8年を要する場合があります。

大型の電力変圧器の確保にも、最長4年かかる可能性があります。

このため業界では、単純な建設期間よりも「タイム・トゥ・パワー」、すなわち実際にいつ電力を受けてGPUを動かせるかを重視します。

4つ目は、許認可と地域住民の反対です。データセンターは大量の電力と水を使うため、電気料金の上昇や環境問題を理由に住民が反対することがあります。自治体の許認可も越えなければならない壁です。

5つ目は、冷却と電力設備の供給網におけるボトルネックです。GPUの電力密度が上がり、チラー、液冷、CDU、RDHx、大規模配管システムなどが必要になりました。GPUを確保しても、冷却システムの準備ができなければ稼働できません。

6つ目は、熟練人材の不足です。電気技師、変電所の専門家、冷却エンジニア、配管の専門家、データセンター建設に熟達した人材が必要になります。ところが、発電所や送電網の建設でも同じ人材が求められます。結局、複数のプロジェクトが同じ人材と設備を奪い合うことになります。

実際、遅延はすでに起きています。JLLによると、2025年のデータセンタープロジェクトの57%が3カ月超の建設遅延を経験しました。一般的な50メガワット級データセンターの世界平均の建設期間は約18カ月で、一部の重要設備は最大24カ月前に先行発注することもあります。

データセンター遅延が招く6つのリスク

こうしたボトルネックでデータセンターの完成が計画より遅れれば、単なる工程問題では済みません。

1つ目は売上計上の遅れです。

データセンターが稼働して初めてGPUを動かし、AIの学習・推論サービスを販売できます。カーネギー財団によると、100メガワットのブラックウェル・データセンターが正常稼働すれば、月間で約2億ドル（約319億円）の総売上高を生み出せると仮定します。稼働が数カ月遅れれば、その分だけ売上機会も後ろ倒しになります。

2つ目は、データセンターの経済価値の低下です。将来得られるキャッシュフローの現在価値が減るという意味です。カーネギー財団のモデルでは、米国の100メガワットAIデータセンターが6カ月遅れると約3億5300万ドル（約562億円）、1年遅れると約5億4300万ドル（約865億円）、18カ月遅れると約8億7700万ドル（約1400億円）のライフサイクル価値が減少すると試算します。18カ月の遅延は約8.9%の価値減少にあたります。

3つ目は、GPUの経済的寿命の損失です。AI向けGPUは世代交代が極めて速いです。最新GPUを発注しても、データセンターの完成が1年以上遅れれば、その間に次世代GPUが出る可能性があります。既存GPUが故障したわけではありませんが、相対的な性能と収益性は低下し得ます。高価なGPUを、最も収益を生みやすい初期段階で十分活用できないリスクです。

4つ目は、建設費と金融費用の上昇です。工事が遅れても人件費、資材費、管理費はかかり続けます。借り入れで建設していれば、売上はまだ立たないのに利息は積み上がります。売上は後ろにずれ、費用は増え続ける構図になります。

5つ目は、顧客契約と信認の問題です。とりわけコアウィーブのようなネオクラウド企業や、外部顧客にGPUコンピューティングを提供する事業者では、約束した時点で容量を提供できなければ問題が大きくなります。売上損失だけでなく、契約上のペナルティー、顧客離れ、評判悪化まで起こり得ます。

6つ目は、投資回収の遅れと債務負担の悪化です。データセンターはまず数十億ドル規模の資金を投じ、その後にキャッシュフローを回収する事業です。稼働開始が遅れれば、資金流入は遅くなる一方、利払いと固定費は発生し続けます。結果としてROIは低下し、流動性と信用力にも重荷となりかねません。

ニューヨーク=パク・シニョン 韓国経済新聞特派員 nyusos@hankyung.com