「CUDAを書くAI」で拡散した5つの主張を検証する — 92〜100%は速度の伸びではない

「NVIDIAは終わった」の向き — 年次報告書は逆を指す

投稿の冒頭にある「Nvidia has lost it (NVIDIAは終わった)」は、力の向きを取り違えている。CUDAカーネルを上手に書くAIは、CUDAで動くGPUの性能を引き出す道具であり、CUDAという土台の価値を高めこそすれ、損なわない。皮肉なことに、この論文のAI自身が、NVIDIA製GPUのH20を128基使って鍛えられている。H20は米国の輸出管理に合わせて性能を抑えた中国向けの製品で、「NVIDIAを終わらせる」とされた研究が、規制対応の製品とはいえNVIDIAの計算機の上で成立しているのが実際の構図である。

NVIDIAが米証券取引委員会に提出した2026年1月期の年次報告書を読むと、守られている資産の輪郭が数字で見える。CUDAという語は報告書に7回登場し、2006年に導入した開発基盤であること、全世界で750万人を超える開発者がCUDAを使っていることが明記されている。研究開発費は年184億9,700万ドル。1ドル158.91円 (米セントルイス連邦準備銀行の統計、2026年8月21日) で換算すると約2兆9,400億円になる。データセンター向け売上は前年比68%増で、内訳は計算処理が59%増、機器間の接続が142%増だった。

競争への影響はむしろ別の場所に出る。CUDAカーネルの最適化は、これまで世界でも数少ない熟練技術者の領域で、この人材の希少性がCUDAを使いこなす側の参入障壁だった。カーネル最適化がAIで再現可能になれば、希少性の壁は下がる。ただしその壁が下がった先で増えるのはCUDAで動くコードであり、恩恵の相当部分はGPUの供給元に還流する。NVIDIAが量子計算の制御ソフトまでCUDAの傘に入れて開発者を囲い込む戦略は以前の検証記事で扱ったとおりで、今回の論文はその傘の内側の住人を増やしたことになる。

「オープンソース化」の中身 — 公開されたものと、されていないもの

「AIをオープンソース化した」という表現も、そのままでは受け取れない。公開されたものとして確認できるのは3点。学習データのCUDA-Agent-Ops-6K (6,000件)、コンパイル・実行・検証・計測を自動化した開発環境一式、そして熟練者の技能文書SKILL.mdである。一方、学習済みモデルの重み (AI本体) の公開は、論文にも公式サイトにも記載がない。

この区別は実務上大きい。データと環境が公開されたことで、他の研究機関が同じ土俵で追試や改良を競える意義は確かにある。だが「誰でも今日からこのAIを使える」状態ではなく、再現には自前の基盤モデルと、論文と同等の計算資源 (H20を128基使う規模の追加学習) が要る。「人間の専門家より上手い」という主張に至っては、比較の相手が違う。この評価に人間の熟練者は登場せず、比べられたのはtorch.compileという自動化機能と、Claude・Geminiという他のAIである。KernelBenchの基準となる実装より速いコードを人間の第一線の技術者が書けるかどうかは、この論文からは判断できない。

日本の勘定 — GPUを動かす側の損益がまず動く

日本の投資家にとってこの話は、米国株の話題である以上に、GPUを「動かす側」の損益の話になる。カーネルが平均2.11倍速くなるとは、同じGPUで2倍強の仕事ができるという意味であり、GPU時間を売る事業者と借りる利用者の両方の採算を同時に動かす。

その「動かされる側」の現在地を、金融庁EDINETの有価証券報告書で確かめた。国内GPUクラウドの代表格であるさくらインターネット (3778) は、2026年3月期の売上高が353億円と前期の314億1,200万円から12.4%伸びた一方、営業損益は4億400万円の赤字に転落した (前期は41億4,600万円の黒字)。設備投資は225億5,300万円で、GPU投資が本格化する前の2023年3月期 (19億7,500万円) の11.4倍に達する。従業員は1,135人、平均年間給与は741万3,000円。売上の7割強に当たる資金を毎年設備に注ぎ込む、先行投資の途上にある。カーネルの実行効率が2倍になれば、同じ需要を半分のGPUでさばけてしまう可能性と、価格に対する性能の向上が新しい需要を呼ぶ可能性の両方が生じ、投資回収の道筋はどちらにも振れうる。計算資源の稼働率が採算を左右する構図は米中の計算力投資を検証した記事で扱った論点と地続きである。

カーネルを書くAIを育てる側の彼我の差も測っておく。e-Statで引ける経済産業省の企業活動基本調査 (2023年度実績) によると、日本のソフトウェア業500社の研究開発費は合計5,060億9,400万円、対売上高比率は3.44%。情報処理・提供サービス業162社では1.09%にとどまる。NVIDIA 1社の研究開発費約2兆9,400億円に対し、日本のソフトウェア業500社の合計はその17.2%である。CUDAカーネルを書けるAIを自前で育てる体力の差は、この費用の桁の差にそのまま表れている。

5つの主張の採点表

図2 — 拡散した表現と一次資料にある実際の照合。NVIDIAの年次報告書にある堀の実数と、金融庁EDINET・e-Statで測った日本側の勘定を併記

図2に整理したとおり、判定は次のようになる。「NVIDIAは終わった」は誤りで、向きが逆。「AIをオープンソース化した」は部分的に正しいが、公開されたのはデータと環境でありモデル本体ではない。「人間の専門家より上手い」は比較相手の取り違え。「92〜100%速く走った」は指標の定義の誤読で、実際の速度差は幾何平均2.11倍・最難関の層で1.52倍。「最強のAIを約40%上回った」だけがほぼ正確だった。

SNS上の脚色を剥がしても、この論文には残るものがある。実機の計測を報酬にした強化学習が、熟練者の独壇場だったCUDA最適化で自動化機能と汎用AIの双方を上回った事実であり、その成果のデータと環境が追試可能な形で公開された事実である。そしてその成果が動く場所は、今日もNVIDIAのGPUの上にある。