自己紹介
最近は AIコーディングエージェントをカスタムで作るお仕事をしています
プロジェクト専用に最適化したAIを作ることで、
コード生成・レビュー・設計補助などの生産性を向上させることが可能です
「うちの開発にもAIを導入したい」
「CursorやCopilotより、自社の業務に特化したAIが欲しい」
という方は、気軽に声をかけて下さい
AIコーディング以外の、ドキュメントや事務作業の効率化も可能です
開発効率、開発体験爆上がりです
#はじめに
AIバブルはGPUだけの話ではありません。
実際には SSD・ストレージ・ネットワーク機器 まで価格や需要が急上昇しています。
本記事では、AIインフラの“データ側”で起きている構造変化を、図を交えて解説します。
AI学習は“RAMだけでは完結しない”
大規模AI学習では、以下のデータが扱われます。
- 学習データ（TB〜PB級）
- モデルパラメータ
- オプティマイザ状態
- チェックポイント
- 評価データ
これらは階層構造で流れます。
■ AI学習のデータ流れ
AI学習のデータフロー
- Object Storage（S3 / GCS / Blob）
- Distributed Storage（Ceph / Lustre / BeeGFS）
- Local NVMe SSD（各GPUノード）
- RAM（CPUメモリ）
- HBM（GPUメモリ）
この階層のどこかが遅いと、GPUが待ち状態になり、
学習効率が大きく低下します。
HBM優先のラインシフトでNAND供給が減る
メモリメーカーは HBM の利益率が高いため、
生産ラインを HBM優先に切り替えています。
その結果：
- NAND（SSDの材料）の供給が減る
- DRAMの供給も圧迫される
- SSD価格が上昇しやすくなる
AI需要が NAND市場に直接影響している構造です。
AIクラスタは「ストレージ帯域」がボトルネックになる
GPUを何千枚並べても、
ストレージが遅ければGPUが遊んでしまいます。
そのためAIクラスタは以下を大量に必要とします。
- ノード内のNVMe SSD（数TB〜数十TB）
- 分散ストレージノード
- 高速ネットワーク（100〜400GbE / InfiniBand）
- 高帯域スイッチ
- 光モジュール
■ AIクラスタのネットワーク構成（簡易）
Spine（コア）
↓
Leaf（ToR）
↓
GPU Node（大量のNVMe + 高帯域NIC）
AIクラスタは 帯域モンスター であり、
ネットワーク機器の需要が急増しています。
データセンター事業者がAI対応インフラを増設
クラウド事業者はAI向けインスタンス提供のために、
以下を大量に増設しています。
- GPUサーバー
- ローカルNVMe
- バックエンドストレージ
- Spine/Leafネットワーク
- 電源・冷却設備
これにより、SSD・HDD・NIC・スイッチ・光モジュールの需要が連鎖的に増加しています。
「AI向けSSD」「AI向けストレージ」という新市場の誕生
各ベンダーがAI向けに最適化した製品を出し始めています。
- 高耐久NVMe
- 大容量SSD
- AI学習向けストレージアレイ
- 高スループット分散ストレージ
これらは高単価でも売れるため、
市場全体の価格帯が押し上げられています。
まとめ
- AI学習は巨大データを扱うため、SSD・ストレージ・ネットワークが必須
- HBM優先でNAND供給が減り、SSD価格が上昇
- AIクラスタはストレージ帯域がボトルネック
- データセンター全体がAI対応に投資 → 需要が連鎖的に増加
- AI向けストレージ製品が増え、市場価格が押し上がる