UberがGoogleを捨てAWS独自チップを選んだ技術的必然性

3行要約

• UberがAWSとの契約を大幅に拡大し、推論・学習の基盤をNVIDIAからAmazon独自チップのTrainiumとInferentiaへ移行する。
• 汎用GPU（NVIDIA）に頼らない垂直統合モデルにより、ライドシェアの最適化アルゴリズムや不正検知のコスト効率を劇的に改善させる。
• Google CloudやOracleへの依存を減らすこの動きは、クラウド選定の基準が「GPUの在庫量」から「独自チップの最適化効率」へシフトしたことを象徴している。

何が起きたのか

Uberがインフラ戦略の舵を大きく切りました。これまで同社はGoogle CloudやOracle Cloudを活用するマルチクラウド戦略を強調してきましたが、今回、Amazon Web Services（AWS）との契約を大幅に拡張し、自社のAI処理の大部分をAWSの独自AIチップ「Trainium」と「Inferentia」に移行することを決定しました。このニュースがなぜこれほどまでに重要なのか。それは、単なる「クラウドベンダーの乗り換え」ではなく、AI実務の世界において「NVIDIA一強時代の終焉」と「独自シリコンによる経済合理性の追求」が最終フェーズに入ったことを示しているからです。

Uberのような大規模なライドシェアサービスにとって、AIは単なる「おまけ」ではありません。配車のマッチング、到着予定時刻（ETA）の予測、動的な価格設定（サージプライシング）、そして支払い時の不正検知など、24時間365日、秒間数百万件の推論処理が走り続けています。これまでのUberは、これらのワークロードを主にNVIDIAのGPUを積んだインスタンスで回してきました。しかし、昨今の生成AIブームによるGPU価格の高騰と供給不足は、Uberのような「推論コストが利益を直撃する企業」にとって、無視できない経営リスクになっていました。

今回、UberがAWSを選んだ最大の理由は、Amazonが設計したAI専用チップが、特定のワークロードにおいてNVIDIAの汎用GPUを凌駕するコストパフォーマンスを叩き出したことにあります。TechCrunchが報じたところによれば、これはOracleやGoogleに対する事実上の「三行半」とも取れる動きです。特にGoogleは自社でもTPU（Tensor Processing Unit）を展開していますが、UberはAWSのチップエコシステムと、それを支える「Neuron SDK」の成熟度を高く評価したということでしょう。

SIer時代に基幹システムの移行を何度も経験した私の目から見ると、この移行は極めて合理的です。数千台規模のサーバーを運用する場合、チップ1枚あたりの電力効率が数パーセント違うだけで、年間数億円のコスト差が生まれます。Uberは「動けばいい」というフェーズをとうに過ぎ、AIをいかに安く、低遅延で回すかという「乾いた雑巾を絞る」ような最適化フェーズに入っています。今回の決断は、AIの実務利用における勝負どころが、モデルの賢さから「推論1回あたりのコスト」に移ったことを物語っています。

技術的に何が新しいのか

技術的な観点から見て、Uberが採用した「AWS Trainium」と「Inferentia」への移行は、従来の「CUDA依存」からの脱却を意味します。これまでAI開発といえば、NVIDIAが提供するCUDAツールキットを前提にするのが業界の常識でした。しかし、AWSが提供する第2世代の推論用チップ「Inferentia2」や学習用チップ「Trainium」は、これとは全く異なるアプローチを取っています。

従来、NVIDIAのGPU（例えばA100やH100）は、画像処理からLLMの学習まで何でもこなせる「汎用性」が売りでした。しかし、その汎用性のために、特定の推論処理においては不要な回路やメモリバスの帯域を消費し、結果として電力効率が悪くなる側面がありました。対して、AWSのInferentia2は、FP16、BF16、INT8といったAI推論に特化したデータ型をハードウェアレベルでネイティブに処理し、チップ間を接続する専用の高速インターコネクト「NeuronLink」を備えています。

Uberが具体的にどう実装を書き換えるのか、技術ドキュメントやAWS SDK（Neuron SDK）の進化から推察すると、以下の3点が技術的な鍵となります。

第一に、Neuron SDKによる「計算グラフの最適化」です。PyTorchやTensorFlowで書かれた既存のコードを、Neuronコンパイラ（neuron-cc）に通すことで、Trainium/Inferentiaの演算ユニット（NeuronCore）に最適化されたバイナリを生成します。私が実際にNeuron SDKを触った感触では、初期のバージョンに比べてコンパイラの精度が劇的に向上しており、複雑な条件分岐を含むUberのマッチングアルゴリズムでも、コードの書き換えを最小限に抑えつつ性能を引き出せるようになっています。

第二に、メモリ管理の劇的な変化です。Inferentia2はアクセラレータごとに直接接続された高帯域メモリ（HBM）を持っており、NVIDIAのGPUで発生しがちな「ホスト（CPU）とデバイス（GPU）間の通信ボトルネック」を回避するアーキテクチャを採用しています。Uberのようなリアルタイム性が求められるアプリでは、このコンマ数ミリ秒の通信遅延の削減が、ユーザー体験に直結します。

第三に、インスタンス設計の柔軟性です。AWSは「Amazon EC2 Trn1」や「Inf2」といったインスタンスを提供していますが、これらはAWS独自の仮想化基盤「Nitro System」の上で動作します。Nitroがネットワークやストレージのオーバーヘッドを肩代わりするため、チップの演算リソースを100%近くAI処理に割り当てることができます。この「チップ、SDK、仮想化基盤」という垂直統合の厚みが、GoogleやOracleには真似できない、AWS最大の武器と言えます。

数字で見る競合比較

実務者として最も気になるのは、「で、結局どれだけお得なの？」という点でしょう。Uberが移行を決断した背景にある数値を、私が過去に検証したベンチマーク結果と公開スペックを基に比較表にまとめました。

この表から見える決定的な差は、ピーク性能ではなく「コスト効率」です。H100は確かに1枚あたりの演算性能では最強ですが、Uberが求めているのは「1ドルあたりに何回の配車計算ができるか」です。Inferentia2は、NVIDIAの同等世代のインスタンスと比較して、コストパフォーマンスで最大40%、レイテンシで最大50%の改善が見込めると公表されています。

また、意外と見落とされがちなのが「可用性」の数字です。現在、H100を1,000枚単位で確保しようとすれば、大手クラウドベンダーであっても予約待ちが発生します。一方で、自社チップであるAWSは、自前のサプライチェーンでTrainium/Inferentiaを供給できるため、Uberのような巨大な需要に対しても「在庫切れ」を起こしにくい。この「必要な時に、必要なだけ、安く叩ける」という実務上の安心感が、GoogleやOracleを切り捨てた決定打になったのは間違いありません。

開発者が今すぐやるべきこと

Uberのような巨人が動いた以上、私たち開発者も「NVIDIAさえ使えればいい」という思考停止から脱却する必要があります。具体的に今日から取り組むべきアクションを3つ提案します。

1. AWS Neuron SDKの公式チュートリアルを完走する まずは、自社のモデルがAWS独自チップで動くかどうかを確認してください。特にPyTorchを使っているなら、torch-neuronxをインストールして、既存のモデルをコンパイルしてみるべきです。CUDA固有のカスタムカーネルを多用していない限り、驚くほどスムーズに動くはずです。この「移植性の確認」が、将来のコスト削減の武器になります。

2. 「推論コスト」をKPIに組み込む 「精度が上がった」だけでなく、「推論1回にいくらかかっているか」を算出してください。UberがInferentiaを選んだのは、まさにこの数字を追い求めた結果です。g5インスタンス（NVIDIA A10G）を使っているワークロードをinf2に置き換えた場合のシミュレーションを行い、上申できるデータを作っておきましょう。

3. マルチアーキテクチャ対応のCI/CD環境を構築する 特定のベンダーにロックインされないよう、Dockerコンテナ内でx86_64だけでなく、ARM64（Graviton）やNeuron用ランタイムが動く環境を整備してください。Uberの移行劇が証明した通り、インフラの勝者は数年で入れ替わります。いつでも「安い方」に逃げられる技術的体力をつけておくことが、エンジニアとしての生存戦略になります。

私の見解

正直に言いましょう。今回のUberの判断は、Google Cloudにとって屈辱的な敗北であり、Oracleにとっては戦略の破綻を意味します。私はこれまで、Oracleが「H100の在庫量」を武器に急成長するのを目の当たりにしてきましたが、やはり「他人の褌（NVIDIAのチップ）」で相撲を取るビジネスモデルには限界があることが露呈しました。

私はRTX 4090を2枚挿してローカルLLMを回すようなハードウェア好きですが、ビジネスとしてのAI運用においては、もはやNVIDIAは「贅沢品」になりつつあると感じています。Uberのような「薄利多売」のプラットフォームが、NVIDIAという高価なブランド料を払い続けるのは不可能です。

一方で、今回の発表で私が最も注目したのは、UberがGoogleのTPUを選ばなかった点です。GoogleはAIの総本山でありながら、外部の顧客（特にUberのような戦略的パートナー）に対して、AWSほどの使い勝手やコストメリットを提示できなかった。これは、Googleのクラウドビジネスが依然として「エンジニアの理想主義」に寄りすぎており、現場の「1円でも安く」という泥臭いニーズに応えきれていない証拠ではないでしょうか。

今後3ヶ月以内に、他の大規模BtoCプラットフォーム（例えばLyftやDoorDash、あるいは日本のメルカリや楽天など）も、こぞってAWS独自チップへの移行や、少なくとも「NVIDIA以外」の選択肢を公式に検討し始めるはずです。私たちは今、AIが「魔法の技術」から「単なる電気代と計算資源の戦い」へと変質する、歴史的な転換点に立ち会っているのです。

よくある質問

Q1: AWSの独自チップに移行するのは、コードの書き換えが大変ではないですか？

結論から言うと、PyTorchやTensorFlowなどの標準的なフレームワークを使っていれば、大幅な書き換えは不要です。AWS Neuron SDKが中間層として機能するため、多くの場合はコンパイルオプションの変更と、数行の読み込みコードの修正で対応可能です。ただし、CUDAに深く依存したカスタムC++カーネルを自作している場合は、移植に工数がかかります。

Q2: NVIDIAと比較して、学習性能はどうですか？

最新の「Trainium2」は、前世代比で4倍の性能向上を謳っており、数千基規模のクラスタリング（UltraCluster）も可能です。LLMのような巨大モデルの学習においても、NVIDIA H100と比較してコストパフォーマンスで圧倒できる可能性があります。ただ、コミュニティの知見（Stack Overflowの解決策など）は依然としてNVIDIAが圧倒的に多いため、トラブルシューティングの時間は増えるかもしれません。

Q3: Google CloudやOracleはこのまま衰退するのでしょうか？

衰退はしませんが、戦略の修正は避けられません。GoogleはTPUの外部開放をさらに加速させ、価格競争に持ち込むでしょう。Oracleは「GPUの数」だけでなく、データレイクや業務アプリケーションとの統合で差別化を図るはずです。しかし、「AIインフラのコスト効率」という土俵では、AWSが一歩リードしたと言わざるを得ません。

あわせて読みたい

• AWS独自チップTrainiumがOpenAIとAppleを惹きつける理由