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。

「生成AI」という言葉を、日常的に耳にするようになりました。 ChatGPTやgeminiをはじめとする生成AIは、文章の作成や要約、情報検索、画像生成、プログラム作成など、さまざまな場面で活用されています。 企業においても、業務効率化や情報活用、新しいサービスの創出など、生成AIへの期待は高まっています。 一方で、生成AIが身近になったからこそ、 「そもそも生成AIとは何なのか？」 「これまでのAIとは何が違うのか？」 「企業では、具体的にどのように活用できるのか？」 「生成AIを本格的に活用するには、どのような環境が必要なのか？」 と、改めて基本を整理しておきたいという方も多いのではないでしょうか。 今回は、企業での活用が進む今だからこそ、生成AIについて改めて整理し、その可能性と、それを支えるコンピューティング環境について、おさらいしていきます。