この記事で分かること
1. 共同開発の内容
既存のTPUを補完し、データ転送を高速化する「メモリ処理ユニット（MPU）」と、AIの回答生成に特化した「次世代・推論特化型TPU」の2種を開発する予定です。
2. 推論プロセスへの特化に必要なこと
学習時のような膨大な計算力よりも、「低遅延」と「低電力」が最優先されます。具体的には、計算精度をあえて下げる量子化技術の活用や、計算回路のすぐ近くにメモリを配置し、データの移動距離を最短にする設計が必要です。
3. なぜマーベルを選んだのか
チップ間を繋ぐ「高速インターコネクト技術」に優れ、推論のボトルネックとなる通信の遅滞を解消できるからです。また、長年のパートナーであるブロードコムへの依存を減らし、供給網の多角化とコスト削減を図る狙いもあります。
グーグルとマーベル・テクノロジーのAIチップ共同開発
グーグル（Alphabet）が半導体設計大手のマーベル・テクノロジー（Marvell Technology）と、新たなAIチップ開発に向けて協議中であるとの報道がされています。
https://jp.reuters.com/world/us/MJUTLZ2DRJJLHD5S7NTKXCCT74-2026-04-19/
グーグルはこれまで、AI専用プロセッサであるTPU（Tensor Processing Unit）の開発において主にブロードコム（Broadcom）と協力してきましたが、今回の動きはサプライチェーンの多角化と、推論コストの最適化を狙った戦略的なものとみられています。
どんなAIチップ開発を開発するのか
2026年4月の報道によると、グーグルとマーベル・テクノロジーが共同開発を検討しているのは、役割が異なる「2種類のAIチップ」です。
これまでのグーグル製チップ（TPU）は、AIの「学習」と「推論」の両方をこなす汎用的な設計が中心でしたが、今回のプロジェクトは、特定の処理を専門化させて「圧倒的なコスト効率」を実現することを目指しています。
1. メモリ処理ユニット（MPU）
既存のTPU（Tensor Processing Unit）とセットで使用することを想定した、「メモリ管理の専門家」のようなチップです。
- 役割: AIの計算において最も負荷がかかる「データの読み書き（メモリ処理）」をTPU本体から引き受けます。
- メリット: メモリ処理をこの専用チップに任せることで、メインのTPUが計算だけに集中できるようになります。これにより、システム全体のデータ転送の停滞（ボトルネック）が解消され、処理速度が向上します。
- 目的: 既存のTPUシステムの寿命を延ばし、より大規模なAIモデルを効率的に動かすための「補助エンジン」としての役割を担います。
2. 次世代・推論特化型TPU
AIモデルが回答を生成する「推論（Inference）」プロセスに特化してゼロから設計される、全く新しいTPUです。
- 役割: 巨大なAI（Geminiなど）がユーザーの質問に対してリアルタイムで回答を生成する際の「実行」に最適化されています。
- メリット: 学習（Training）に必要な膨大な計算機能をあえて削ぎ落とし、推論に必要な機能だけに絞り込むことで、「低消費電力」と「低コスト」を両立させます。
- 背景: 2026年現在、AIの運用コストの8〜9割は「推論」にかかると言われており、ここを安く動かせるチップを持つことがグーグルの競争力に直結します。
グーグルはマーベルと協力し、AIの回答生成を担う「推論特化型TPU」と、データ転送を高速化する「メモリ処理ユニット（MPU）」の2種の共同開発を検討していると見られます。NVIDIA依存を脱却し、電力効率とコストの最適化を狙います。
推論プロセスへの特化するには何が必要か
AIチップを「推論プロセス」に特化させるには、学習時のような「巨大な計算パワー」よりも、「いかに速く、安く、効率よくデータを回すか」という設計思想への転換が必要になります。
具体的には、以下の3つの要素が鍵となります。
1. 低精度演算への切り替え（軽量化）
AIの「学習」には厳密な計算（高い精度）が必要ですが、「推論」は少しアバウトな計算でも正解を導き出せます。
- 量子化（Quantization）: データを32ビット（高精度）から8ビットや4ビット（低精度）に圧縮して処理します。
- メリット: 計算量が劇的に減り、チップの面積を小さく、かつ消費電力を大幅に抑えることができます。
2. メモリ・ボトルネックの解消（スピード）
推論において最大の壁は、計算速度よりも「メモリからデータを取ってくるスピード」にあります。
- メモリ処理の専用化: 今回グーグルがマーベルと検討している「MPU（メモリ処理ユニット）」のように、データの読み書きを専門に担う回路を設けます。
- 近接メモリ（Near Memory）: 演算回路のすぐ近くにメモリを配置し、データの移動距離を最短にします。これにより、生成AIが1文字ずつ回答を出力する際の待ち時間（レイテンシ）を最小化します。
3. 「学習機能」の削除（コスト削減）
汎用的なGPU（NVIDIAなど）は、学習に不可欠な複雑な回路を搭載していますが、推論専用チップではこれらをバッサリ削ります。
- ASIC（特定用途向け集積回路）化: 「推論だけ」に特化した専用回路にすることで、不要な電力消費を無くし、同じコストでより多くのユーザーの質問をさばけるようになります。
まとめ：特化に必要な3要素
| 要素 | 学習チップ（GPU/TPU） | 推論特化チップ（ASIC） |
| 精度 | 高精度（FP32/FP16） | 低精度（INT8/INT4） |
| 優先事項 | 巨大な計算スループット | 応答速度（低レイテンシ） |
| 設計 | 汎用的で多機能 | 極限までシンプルで低電力 |
このように、推論への特化とは「計算の質を賢く落とし、データの流れを最速にする」という引き算の設計を行うことを意味します。
なぜ「マーベル」を選んだのか
グーグルが長年のパートナーであるブロードコム（Broadcom）だけでなく、新たにマーベル（Marvell Technology）をパートナーに選んだのには、戦略的・技術的な3つの理由があります。
1. 「インターコネクト（接続）技術」の圧倒的な強み
AIチップそのものの性能も重要ですが、現在のAI開発では「数万個のチップをいかにつなぎ、一つの巨大な脳として動かすか」という通信技術がボトルネックになっています。
- 光学接続（光電融合）: マーベルは、電気信号を光に換えて高速伝送する「シリコンフォトニクス」や、チップ間を結ぶ高速インターフェース技術で業界トップクラスの資産を持っています。
- 推論の高速化: AIの回答を速くするには、メモリとプロセッサ間、あるいはサーバー間でのデータのやり取りをミリ秒単位で削る必要があり、マーベルの通信技術が不可欠でした。
2. サプライチェーンの「多角化」と「交渉力」
これまでグーグルのカスタムチップ（TPU）開発は、ブロードコムがほぼ独占的に請け負ってきました。
- 独占リスクの回避: 一社に依存しすぎると、製造ラインの確保や価格交渉で不利になります。マーベルを第2の選択肢として加えることで、供給を安定させ、製造コストを競わせる狙いがあります。
- ブロードコムとの関係: 実際、過去にはブロードコムとの間で価格設定を巡る対立が報じられたこともあり、グーグルとしては「代わりがいる」状況を作ることが経営上の至上命題でした。
3. カスタムASIC開発への柔軟な姿勢
マーベルは、顧客の要望に合わせて一から設計を支援するカスタムASICビジネスを成長戦略の柱に据えています。
- グーグルの独自設計を尊重: マーベルは、グーグルが持つ独自のAIアルゴリズムを物理的な回路に落とし込む「設計支援」の立場に徹する柔軟性を持っています。
- 推論への最適化: 特に今回のような「推論特化」や「メモリ処理特化」といった、特定のニッチな機能を切り出したチップ開発において、マーベルの持つ既存の設計資産（IP）が転用しやすかったと考えられます。
「チップ同士をつなぐ通信技術が世界最高レベルであり、かつブロードコムへの依存を減らすための最強の対抗馬だったから」といえます。グーグルはマーベルを抱き込むことで、NVIDIAに頼らない自社専用の「安くて速いAIインフラ」をより盤石なものにしようとしています。
理由の一つは、チップ間のデータ転送を高速化する接続技術（インターコネクト）に強いからです。また、長年のパートナーであるブロードコムへの過度な依存を避け、供給網の安定化とコスト削減を図る狙いもあります。
コメント