AIコンピューティングの成長はなぜストレージ需要を牽引するのか? トレーニングと推論からコールドデータアーカイブまで

AIコンピュートの成長がストレージ需要を牽引するのは、より多くのGPUが単独で動作するわけではないからです。AIシステムを拡大し続けるデータパイプラインと考えることができます。学習前には、データを収集してクリーニングする必要があります。学習中には、サンプルを高速に読み込み、チェックポイントを保存する必要があります。推論中には、モデルをロードし、ナレッジを取得し、キャッシュやログを保存する必要があります。長期的には、古いモデルや過去のデータをアーカイブする必要があります。したがって、ストレージ需要は大容量化の問題だけではありません。スループット、IOPS、低レイテンシ、耐久性、コスト階層化も求められます。

重要なポイント

• AIコンピューティングの強化は、通常、処理すべき生データや生成データの増加を意味します。
• トレーニングは高スループットのストレージに大きく依存しており、そうでなければGPUがデータを待つことになりかねません。
• 推論のスケール拡大は、モデルの重み、ベクトル、キャッシュ、ログへの需要を高めます。
• コールドデータのアーカイブは、短期間のAIプロジェクトを長期的な容量需要へと変えます。
• SSDとHDDは通常、単純な代替品ではなく、相補的なストレージ階層です。

AIコンピューティングの成長がストレージ需要に変わる仕組み

AIコンピュートの成長がストレージ需要を牽引する本来の理由は、単に「GPUが増えればドライブも増える」というものではありません。より多くのコンピューティングノードが、データを継続的に読み取り、中間結果を書き込み、モデルの状態を保存し、推論時に長期にわたってユーザーにサービスを提供する必要があるのです。IBMのAIストレージに関する説明によると、AIストレージは、データレイク、クラウドストレージ、データベースを含む、AIインフラのトレーニングと実行に必要なデータを管理します。本当に注目すべきは、トレーニング、推論、アーカイブの間でデータがどのように移動するかです。

従来のアプリケーションは多くの場合、ユーザーのリクエストによって駆動されており、データアクセスのピークは比較的予測可能です。AIワークロードはむしろループのようなものです。生データが収集され、クレンジングされ、ラベル付けされ、分割され、適切な形式に変換された後、トレーニングやファインチューニングに使用されます。トレーニング後は、モデルの重み、チェックポイント、評価結果が保存されます。デプロイ後は、ユーザーの入力、生成された出力、ツールのログ、フィードバックデータがデータシステムに流れ戻り、将来の最適化や再トレーニングのための材料となります。

これが、AIストレージを容量だけで測ることができない理由です。容量はどれだけのデータを保持できるかを決めますが、トレーニングと推論には高スループット、低レイテンシ、高い同時実行性も必要です。NVIDIAのAIトレーニングおよび推論ストレージのスケーリングに関する議論では、モデルトレーニング、推論アプリケーション、データストレージ、アクセラレーテッドコンピューティングをAIソリューションの4つの共通コンポーネントとして扱っています。これは、ストレージがGPUの後回しの存在ではないことを示しています。ストレージはAIインフラストラクチャスタックの一部なのです。

AIの計算とストレージの関連性は、以下の3つの伝達経路から理解できます：

• GPUが増えると、並列学習データの読み取り圧力が高まります。
• モデルが大きくなると、重みファイルやチェックポイントのサイズが増大します。
• 推論リクエストが増えると、キャッシュ、ベクトルインデックス、ログが持続的に増加します。

AI ワークロードは、ストレージメトリクスをより複雑にします。例えば、動画や画像のトレーニングデータセットはより多くの容量を必要とします。レコメンデーションシステムやマルチモーダル検索は、小規模ファイルやランダムアクセスにさらなる負荷をかけます。大規模モデルのトレーニングは、チェックポイントの書き込みとリカバリ速度に敏感です。RAGアプリケーションは、ベクターデータベースとオブジェクトストレージを推論パスに直接組み込みます。NVMe団体もまた、AIワークロードにはデータ取り込み、前処理、トレーニング、チェックポイント作成、アーカイブが含まれると指摘しています。NVMe-oF技術の価値は、高スループットと低レイテンシによってデータのボトルネックを軽減することにあります。

要約: AIコンピュートの成長はストレージ需要に転換します。なぜなら、コンピュートはデータによって「養われる」必要があるからです。GPUが増えるということは、並列読み取りの増加、中間書き込みの頻度増加、より大きなモデルファイル、より複雑な推論サービスを意味します。AIストレージをテラバイト単位の容量だけで評価すべきではありません。スループット、IOPS、レイテンシ、書き込み耐久性、データ階層化能力のすべてが重要です。本当の変化は、AIがストレージをバックエンドのリソースからコンピュートパイプラインの最前線へと押し上げたことです。データがGPUに迅速に届かなければ、追加のコンピュートは十分に活用されない可能性があります。モデル、ログ、アーカイブが適切に計画されていなければ、短期的なAIプロジェクトが長期的なコスト負担に変わる可能性があります。

なぜトレーニングが最初に高性能ストレージを駆動するのか

トレーニングは、高性能ストレージの需要を牽引する最初の段階です。多くのGPUが同時にトレーニングサンプルを読み込み、定期的にモデルのチェックポイントを書き込むためです。GPUクラスタは高速エンジンの集まりと考えることができますが、ストレージシステムはその燃料供給ラインに相当します。データの読み込みが追いつかなければ、高価なアクセラレータが入力を待つことになり、トレーニングサイクルが長引き、単位計算コストが上昇します。だからこそ、トレーニングの需要はまず、高スループット、低レイテンシ、高同時実行アクセスに対応できるエンタープライズストレージの必要性を高めるのです。

トレーニングデータは一度読み込んで終わりではありません。大規模モデルのトレーニングでは、データセットに対して複数回のパスが必要になることが多く、画像、動画、音声、センサーデータはプレーンテキストよりもはるかに多くのスペースを消費します。データ拡張、フォーマット変換、サンプルの分割、インデックスの構築なども中間ファイルを生成します。AWSの機械学習向けデータローディングの実践では、並列化、プリフェッチ、キャッシングによってI/Oボトルネックを軽減し、GPUの使用率をより高く維持できることが強調されています。これは、トレーニングのパフォーマンスがチップだけではなく、データが適時に届くかどうかにも依存していることを示しています。

もう一つの重要な需要源はチェックポイントです。大規模モデルのトレーニングでは、モデルのパラメータ、オプティマイザの状態、トレーニングの進捗状況を定期的に保存する必要があります。これにより、中断が発生した際にゼロからやり直すのではなく、ジョブを復旧できるようになります。チェックポインティングに関するNVIDIAの説明によると、同期チェックポインティングではデータがストレージに書き込まれるまでトレーニングが一時停止するため、停止時間を減らすには高い書き込みスループットが必要となります。モデルが大きく、トレーニング期間が長く、GPUクラスターのコストが高くなるほど、チェックポイントの書き込みと復旧の重要性は高まります。

トレーニングストレージの需要を評価する際は、以下のシグナルに注目できます:

• GPU クラスタの規模が拡大しているかどうか。
• モデルのパラメータやチェックポイントが大きくなっているかどうか。
• マルチモーダルデータがワークロードに占める割合を高めているかどうか。
• トレーニングジョブで頻繁にファインチューニングや再実行が必要かどうか。
• データ読み込みが GPU の稼働率に影響を与えているかどうか。
• リージョン間レプリケーションや災害復旧が必要かどうか。

トレーニングストレージは単一のレイヤーではありません。アクティブなトレーニングデータは、NVMe SSD、並列ファイルシステム、または高速キャッシュレイヤー上に存在する場合があります。rawデータと処理済みデータは、オブジェクトストレージに保存されることがあります。古いチェックポイントや履歴データは、最終的にコールドストレージへ移行されます。AWSの大規模機械学習トレーニング向けチェックポイントアーキテクチャでも、LLMトレーニングのチェックポイント操作がペタバイト規模のワークロードになる可能性があり、パフォーマンス、スケーラビリティ、コストのバランスを取る必要があることが指摘されています。

要約: AIストレージ需要が最も目に見える形で集中するのは学習（トレーニング）です。その理由は直接的です。GPUの数が多くなるほど並列データ読み取りは激しくなり、モデルが大きくなるほどチェックポイントの書き込みは重くなり、学習の実行時間が長くなるほどリカバリとフォールトトレランスの価値が高まります。学習データセットの元のサイズだけを見てはいけません。データのコピー、前処理ファイル、インデックス、キャッシュ、チェックポイント、複数のモデルバージョンすべてを含める必要があります。高性能SSD、並列ファイルシステム、高速ネットワーク、オブジェクトストレージはしばしば連携して動作する必要があります。ストレージシステムが追いつかなければ、企業はより多くのGPUを購入しても、計算能力を効果的な学習効率に変換できない可能性があります。

スケールする推論がストレージの継続的な増加をもたらす理由

推論は、トレーニングが完了した後のストレージ需要が少ない段階ではありません。むしろ、AIアプリケーションが本番環境に投入されると、ストレージ需要は一時的なトレーニングデータから、継続的に稼働するモデルの重み、ベクトルデータベース、コンテキストキャッシュ、ユーザーログ、生成コンテンツへと拡大します。トレーニングを「モデルを製造する」段階と捉えるなら、推論は「モデルを長期にわたって運用する」段階です。ユーザー数、リクエスト量、コンテキストの長さ、マルチモーダル出力が増加する限り、推論側のストレージ需要は増加し続ける傾向にあります。

最初のドライバーは、モデルの重みとバージョン管理です。モデルが本番環境にデプロイされた後、企業は通常、1つのファイルだけを保持するわけではありません。ベースモデル、ファインチューニングされたモデル、カナリアバージョン、ロールバック用のバージョン、そして各地域に分散されたデプロイレプリカを管理する場合があります。推論サービスがスケールアウトする際には、新しいインスタンスがモデルの重みを迅速にロードする必要があります。また、サービスに障害が発生した際には、チームは安定したバージョンへ迅速にロールバックする必要があります。これにより、モデルリポジトリ、ホットストレージ、およびバージョン管理への需要が高まります。

2つ目の推進要因はRAGです。Google Cloudは、RAGを、従来の情報検索システムと大規模言語モデルを組み合わせ、モデルが外部のナレッジベースやデータベースを利用できるようにするフレームワークと説明しています。企業にとってこれは、ソースドキュメント、テキストチャンク、ベクトル埋め込み、ベクトルインデックス、キーワードインデックス、権限情報、ソースメタデータがすべて同時に存在しうることを意味します。Google CloudのRAGリファレンスアーキテクチャは、本番環境レベルのRAGがベクトル検索、データベース、GKE、Cloud SQL、ナレッジグラフなどのアーキテクチャを組み合わせられることも示しています。

長いコンテキストとAIエージェントもストレージへの負荷を変えます。長コンテキストの推論には、より多くのセッション状態とキャッシュ管理が必要です。エージェントのタスクでは、ツール呼び出しの記録、Web検索の結果、コード実行の結果、中間の推論トレースも保存される場合があります。マルチモーダル生成は、画像、音声、動画、編集済みバージョンをさらに増やします。一回きりのテキストによるQ&Aと比較して、これらのデータオブジェクトはより大きく、より断片化しており、検索と追跡が必要になる可能性が高くなります。

推論段階のストレージ需要は、次の4つの経路から観察できます:

• ユーザーの増加により、推論ログと会話記録が増加します。
• コンテキストが長くなるほど、キャッシュと状態管理の負担が重くなります。
• RAGアプリケーションでは、ベクトルデータベースとソースファイルのコピーが拡大します。
• マルチモーダル生成により、より多くの画像、音声、動画ファイルが作成されます。

これも、AIインフラが「トレーニングセンター」から「トレーニング + 推論 + データサービス」の組み合わせへとシフトしている理由のひとつです。推論にはより分散型のストレージ要件があります。モデルのロードには帯域幅が必要であり、ベクトル検索には低レイテンシと高いIOPSが求められ、ログストレージには容量とコスト管理が必要であり、コンプライアンス監査にはデータ保持ポリシーが要求されます。短期間でトレーニングのように急激にスパイクすることはないかもしれませんが、長期的に安定した蓄積型の容量需要を生み出す可能性の方が高いのです。

要約：推論の大規模化により、AIストレージはプロジェクトベースの需要から運用ベースの需要へと変化します。トレーニング完了後も、モデルの重み、バージョンのレプリカ、RAGドキュメント、ベクトルインデックス、KV Cache、ユーザーログ、生成コンテンツはすべて増え続けます。推論のストレージ需要を評価する際は、モデルのサイズだけを見るべきではありません。デイリーアクティブユーザー数、リクエスト頻度、コンテキスト長、RAGを使用するかどうか、画像や動画を生成するかどうか、監査記録を保持する必要があるかどうかも考慮する必要があります。トレーニングは高スループットのストレージを必要とし、一方推論は低レイテンシ・高同時実行性・長期的なデータ管理を必要とします。この2つが組み合わさって、AIデータセンターのストレージアーキテクチャが形作られます。

なぜコールドデータのアーカイブがAIインフラの一部になるのか

現在使用されていないAIデータだからといって、必ずしも削除できるとは限りません。過去のトレーニングセット、古いモデル、推論ログ、古いチェックポイント、生データなどは、再トレーニング、パフォーマンス比較、モデル監査、災害復旧、コンプライアンス保持のために再利用される可能性があります。コールドデータアーカイブの価値は、アクセス頻度が低いものの続けて価値のあるデータを高価なオンラインストレージから低コストの容量階層に移動することで、AIインフラがパフォーマンスとコストのバランスを取れるよう支援することにあります。

AIコールドデータには通常、以下が含まれます：

• 生のトレーニングデータと履歴スナップショット。
• 現在使用されていないクリーニング済みデータセット。
• 旧モデルのバージョンとチェックポイント。
• 過去のベクトルおよびインデックスのバージョン。
• 長期の推論ログおよび安全性の記録。
• 廃止されたプロジェクトのモデル資産。
• 監査およびトレーサビリティに使用されるデータ処理の記録。

企業が単純に古いデータを削除できない理由は4つあります。第一に、新しいモデルが過去のデータを再利用する可能性があるからです。第二に、モデルの出力が異常になった場合、チームは学習データの出所を遡って確認する必要があるかもしれません。第三に、データクレンジングの手法が変わった際に、古いデータを再処理する必要が生じる可能性があります。第四に、ビジネス契約、業界規則、地域の法規制により、特定の記録の保管が求められる場合があります。しかし、データを保管するとは、すべてを永久に保持することを意味しません。個人情報、機密データ、国境を越えるデータ、または規制対象業界が関係する場合、データは権限の範囲、目的の制限、および保存期間に従って取り扱われなければなりません。

クラウドストレージの階層化もこのロジックを反映しています。Google CloudのArchive storageは、年に1回未満しかアクセスされないデータ向けに設計されており、通常、アクセス料金や操作料金が高く、最低保存期間の要件があります。また、Google CloudのObject Lifecycle Managementは、オブジェクトの経過時間、バージョンの状態、その他のルールに基づいて、ストレージクラスを自動的に変更したり、オブジェクトを削除したりすることもできます。AIチームにとって、この種のライフサイクル管理により、古いトレーニングセット、古いチェックポイント、履歴ログを低頻度アクセス階層へ段階的に移動することができます。

AIアーカイブ戦略を設計する際は、次の6つの質問に焦点を当てることができます。

1. このデータは将来、再トレーニングに使用される可能性がありますか？
2. 復旧は数分、数時間、または数日待つことができますか？
3. 複数のコピーまたはクロスリージョンレプリカが必要ですか？
4. このデータにはプライバシー、認可、またはデータ主権が関わっていますか？
5. アーカイブされたデータの読み取りにより、高い検索コストが発生しますか？
6. このデータには明確に定義された保持期間と削除要件がありますか？

コールドデータはハードウェアの需要にも影響を与えます。高性能SSDはホットデータやウォームデータに適していますが、大規模な長期アーカイブには通常、より低コストの容量向けストレージが必要です。エンタープライズAIファクトリーの計画において、NVIDIAは、階層型ストレージではホットなトレーニングデータやモデルにNVMeを使用し、一方でオブジェクトストレージがコールドアーカイブや履歴データを支えられるとしています。AIストレージの成長の多くは、単一のトレーニング実行から生じるものではなく、長年にわたって蓄積されたデータから生じるものです。

要約: コールドデータのアーカイブは、AIストレージ需要を短期的なコンピュート拡張から長期的な容量サイクルへと拡張します。学習ランの完了、引退したモデル、あるいは一時的に未使用のデータセットは、その資産に価値がないことを意味するわけではありません。これらの資産は、再学習、監査、ロールバック、コンプライアンス、災害復旧を支援する可能性があります。より合理的なアプローチは、ホット・ウォーム・コールドの階層を確立することです。高性能層は現在の学習と推論に対応し、低コスト層は低頻度だが重要なデータを保全します。これにより、すべてのデータを高価なSSD上に長期間保持することを避けつつ、必要なときに貴重なデータを復旧できないリスクを軽減できます。

どのストレージ技術が恩恵を受け、需要の強さをどう判断するか

AIコンピュートの拡大は、特定のストレージデバイスだけに恩恵をもたらすわけではありません。高性能エンタープライズSSDは、主にトレーニング、チェックポイント保存、モデルのロード、ベクトル検索における速度の課題を解決します。大容量SSDは、ウォームデータや容量重視のフラッシュ層を担当できます。ニアラインHDDとオブジェクトストレージは、大規模なデータレイク、過去のデータ、コールドアーカイブを支えます。AIストレージのビジネスチャンスを判断する際には、GPUの数を直接SSDやHDDの需要に換算するのではなく、データのライフサイクルに着目すべきです。

異なるストレージ技術が一般的に担う役割は以下のとおりです:

バリューチェーンの観点から見ると、AIストレージ需要はエンタープライズSSD、NAND、HDD、コントローラー、ストレージサーバー、ネットワーク機器、クラウドストレージサービスへと流れ込む可能性があります。Western Digitalの100TB超HDDロードマップは、大容量化と低消費電力化を含むAI規模のデータに向けたHDDのイノベーションを強調しています。また、Seagateが委託した調査では、AIによるデータ生成の追い風を受けて、調査対象企業の多くが2028年までにクラウドストレージ需要が大幅に増加すると予想していることが示されており、その結果はAI主導のデータ生成 調査。

ただし、業界のナラティブだけに依存すべきではありません。AIストレージ需要の強さは、少なくとも次の3つのレベルで評価されるべきです:

• 需要レイヤー:GPUが実際に稼働し始めているか、トレーニングおよび推論のワークロードが拡大しているか。
• 製品レイヤー:新しいデータがSSD、HDD、オブジェクトストレージ、あるいはクラウドサービスに流入しているか。
• サイクルレイヤー:価格、在庫、設備投資、バリュエーションにおいて、すでに期待値が織り込まれているか。

また、技術的な改善によりコンピュート単位あたりのストレージ需要が減少する可能性があることにも留意してください。たとえば、重複排除や圧縮により容量の使用量を削減できます。モデルの量子化によりデプロイファイルのサイズを縮小できます。キャッシュの再利用により反復的な読み取りを削減できます。より優れたデータガバナンスにより無効なデータを削減できます。クラウドプロバイダーが既存リソースの利用率を改善すれば、新規の購入も遅れる可能性があります。

AIストレージのバリューチェーン企業や関連ETFをフォローしている場合は、米国株情報を利用して、ストレージ、半導体、クラウドインフラ関連の銘柄を追跡できます。さらに取引コストを考慮する場合は、実質リターンの計算に手数料、プラットフォーム料金、外部機関手数料、取引活動費を含める必要があります。Biyaは米国株取引の手数料を0米ドルとしていますが、プラットフォーム料金、外部機関手数料などの費用については、Biya米国株取引手数料および注文ページの表示をご確認ください。サービスの利用可否は、ユーザーの所在地、本人確認の結果、プラットフォームの規則、および適用される法令によって異なります。

要約：AIストレージへの投資ロジックは、「GPUが増えればSSDも増える」という一本の直線ではありません。学習には高性能SSDと並列ファイルシステムが必要であり、推論には低レイテンシの検索、キャッシュ、ログシステムが求められ、コールドアーカイブには低容量コストのストレージが必要です。HDD、SSD、オブジェクトストレージ、キャッシュ層は、互いに完全に置き換え合うというより、むしろ連携して動作する可能性が高いのです。業界の機会を評価する際には、実際のAIワークロード、データの増加、顧客受注の持続性、在庫サイクル、平均販売単価、設備投資、そしてバリュエーション水準を同時に注視する必要があります。業界の長期的な需要の伸びは、関連銘柄すべてが一斉に上昇することを意味するわけではありません。

AIコンピュートとストレージ需要の関係は、本質的にデータシステムがコンピューティングパワーとともにアップグレードしていくというものです。GPU、HBM、先進パッケージングだけに注目していると、データローディング、チェックポインティング、ベクターデータベース、コールドアーカイブ、クラウドストレージコストといった長期的な変動要素を見逃す可能性があります。投資家にとってより規律あるアプローチは、AIストレージをバリューチェーン全体の中で分析することです。すなわち、上流にはNAND、HDD、コントローラー、サーバーがあり、中流にはストレージシステムとクラウドインフラがあり、下流にはトレーニング、推論、そして企業での実際のAI利用があります。Biya を利用して、米国市場の情報をフォローすることができます。株式、香港株式、およびデジタル資産について、企業の決算、資本支出、顧客構成、在庫変動、手数料の詳細を組み合わせて独自に判断してください。公開市場情報、取引ルール、手数料体系は、市場を理解するためのものであり、投資助言を構成するものではありません。

FAQ

AIトレーニングデータが倍になると、AIストレージの購入量も倍になりますか?

必ずしもそうではありません。トレーニングデータの増加はストレージ容量とスループットの需要を高めますが、実際の購入量は重複排除、圧縮、キャッシュの再利用、データ形式、モデルアーキテクチャ、ストレージ利用率などにも左右されます。企業はハードウェアを追加する前にデータパイプラインを最適化する場合があるため、データの増加を機器購入の直接的な一対一の指標として扱うべきではありません。

エンタープライズRAGの導入がベクトルデータベースのコストを増加させるのはなぜですか?

RAGはベクトルデータベースのコストを増大させます。企業は通常、ソースドキュメント、テキストチャンク、ベクトル埋め込み、インデックス、権限メタデータ、履歴バージョンなどを保存する必要があるためです。ドキュメント数が多いほど、更新頻度が高いほど、またクエリの同時実行数が多いほど、ストレージ、インデックス保守、検索リソースのコストが顕著になります。具体的な料金は、クラウドサービスやデータベースの価格設定ルールによって異なります。

長文コンテキストAI推論はどのようなキャッシュ需要を生み出すのか？

長文コンテキストの AI 推論では、通常、KV キャッシュ、セッション状態、検索結果、および中間コンテキスト管理に対する需要が増加します。実際の増加幅は、同時接続ユーザー数、コンテキスト長、キャッシュの保持時間、階層化戦略によって異なります。キャッシュの一部は GPU メモリやシステムメモリに保存されますが、一部は SSD や分散ストレージに降格される場合があります。

AI データセンターは HDD を完全に SSD に置き換えるのでしょうか?

短期的には、完全な置き換えは起こりにくいでしょう。SSDはトレーニング、推論、検索、ホットデータへのアクセスに適しており、一方HDDは大規模な低頻度データ、履歴データ、コールドアーカイブに適しています。AIデータセンターでは、アクセス頻度、レイテンシ要件、容量規模、総コストに基づいてストレージ媒体を選択する、階層型アーキテクチャがより一般的に採用されています。

企業はAIトレーニングデータをどのくらいの期間保持すべきか？

AIトレーニングデータに普遍的な保持期間は存在しません。企業は再学習の価値、監査要件、ユーザーの許諾、データの機微性、契約上の義務、そして現地の規制要件に基づいて保持期間を定めるべきです。個人情報や規制対象データが関わる場合は、削除、匿名化、アクセス制御、監査証跡も必要となります。

投資家はどのようにしてAIストレージ需要の持続可能性を判断すればよいのでしょうか?

投資家は、受注の持続性、クラウドプロバイダーの設備投資、エンタープライズ向けSSDおよびニアラインHDDの出荷量、平均販売価格、在庫水準、顧客の集中度、そして実際のAIアプリケーションの利用状況を通じて、持続可能性を評価できます。単一四半期の価格上昇や短期的な品不足は、一時的な逼迫を示しているにすぎない可能性があります。長期的な需要は、トレーニングおよび推論のワークロードが拡大を続けるかどうかにかかっています。