ひとことで言うと
これはAIハードウェア産業に関する6部構成シリーズのPart 1です。半導体の知識はゼロを前提に、最も基礎的なところから始めます。シリーズを読み終える頃には、サプライチェーン全体を他の人に説明できるようになるはずです。誰が何を作るのか、なぜ一握りの企業がチョークポイントを握るのか、物理的に何が成長の速度を制限するのか、韓国がその中のどこに位置するのか。
ソウルで日々を過ごすのにこの知識は必要ありません。でも韓国に住んでいるなら、この産業は電気代、国家予算、口座のウォンの価値、そして就職市場を静かに形作っています。知っておく価値はあるんです。
チップとは何か、実際のところ
砂から始めましょう。普通の砂はほとんどが二酸化ケイ素です。それを十分に精製するとシリコンが得られます。製造業で求められる純度としては、これほど高いものは他にほとんどありません。これを単一の円柱状結晶として成長させ、直径約30センチメートルの円板にスライスするとウェーハができます。すべてのチップが製造される白紙のキャンバスです。
シリコンは半導体です。つまり、ある条件下では電気を通し、別の条件では通しません。この性質によって、可動部品のない電気的スイッチが実現します。一方の端子に小さな電圧を加えると、他の二つの端子間に電流が流れます。電圧を取り除くと流れが止まります。そのスイッチがトランジスタで、チップを実質的に構成している唯一のものなんです。
トランジスタ1個はスイッチです。数個を組み合わせると、単純な論理を実行する回路が作れます。これとあれ（AND）、これかあれ（OR）、これでない（NOT）。数百万個を組み合わせると数値の加算ができます。膨大な数を組み合わせるとAIモデルが動かせます。
スケールは頭に収めにくいものがあります。高性能なAIプロセッサには、郵便切手ほどのシリコン片に膨大な数のトランジスタが詰め込まれており、数年前のチップをはるかに凌ぎます。それらは一つひとつ配置されているわけではなく（それは不可能です）、印刷によって作られます。化学コーティングされたウェーハに光のパターンを投影し、写真フィルムのように現像し、パターンを通じて材料のエッチングと堆積を行います。この印刷工程はリソグラフィーと呼ばれ、業界で最も難しい工程です。Part 3では、なぜオランダの一企業が最先端の層に使われるEUVマシンを完全に独占しているのかを解説します。
「2nm」が寸法でない理由
チップは常にプロセスノードで説明されます。7nm、5nm、3nm、2nm。これが何かのサイズを表していると思うのは自然なことです。かつてはそうでした。しかし10年以上前からそうではなくなっています。
今日これらは世代を示すラベルであり、自動車のモデルイヤーに近い概念です。2nmのチップに2ナノメートル幅の部品はありません。ラベルが伝えるのは、製造会社が前世代よりも同じ面積により多くのトランジスタを詰め込めるということで、通常は同じ量の作業に対してより高い性能と低い消費電力をもたらします。
実用的な結果として2つのことがわかります。まず、各社間で名称を比較することはできません。ある会社の2nmが自動的に別の会社の3nmより高密度ということにはならないのです。各社が独自にノード名を決めているからです。次に、マーケティング名はチップの良し悪しの目安としては不十分です。重要なのはトランジスタ密度、電力効率、そしてイールド（各ウェーハから問題なく出来上がるチップの割合）です。イールドは製造会社が最も厳重に守る数字で、優れた仕様でも低いイールドでは1枚のウェーハごとに損失が出ます。
AIに別のチップが必要な理由
少数の上級スペシャリストの小チームと、電卓を持った人で埋め尽くされたスタジアムの違いを考えてみてください。
CPUは小チームです。複雑で予測不能な命令を処理し、次に何をするかを判断できる、少数の強力なコアを持ちます。オペレーティングシステムの実行に必要なのがまさにこれです。それぞれ固有のロジックを持つさまざまなタスクが、決まった順序なく次々と来るのです。
GPUはスタジアムです。個々の能力は低くても非常に多くの単純なコアを持ち、異なるデータに対して同じ処理を全コアが同時に実行します。GPUはグラフィックスのために作られました。画面の200万ピクセルの色を一度に計算する仕事で、各ピクセルに同じ種類の計算が必要なんです。
AIも同じ形をしていたんです。インターフェースの裏側では、AIモデルの実行は圧倒的に一つの処理です。行列乗算、つまり大きな数値グリッドを構造的に掛け合わせて結果を合計する処理です。10歳でもできる算術です。ただしその量が想像を絶するほど多いんです。これはスタジアムの問題であり、スペシャリストチームの問題ではありません。グラフィックスカード産業が図らずも人工知能の中心に立つことになったのは、そういう理由なんです。
すべてのAIチップがGPUというわけではありません。複数の大手テクノロジー企業が、グラフィックスの歴史を持たず直接AIの計算をターゲットにした独自のアクセラレータを設計しています。GoogleのTPU、AmazonのTrainiumとInferentia、MetaのMTIAがその例です。これらはASIC（特定用途向け集積回路）で、トレードオフは明確です。特定の狭い用途では効率的で、それ以外のことには使えません。Part 2では誰がこれらを製造し、なぜ企業がそのコストを負担するのかを解説します。
トレーニングと推論は別の問題
AIの経済に関する混乱した主張のほとんどは、この2つを分けて考えると明確になります。
トレーニングはモデルを構築することです。膨大な量のテキスト、画像、その他のデータを取り込み、膨大なパラメータを持つネットワークに通し、出力を正解と比較して、誤差を減らす方向に各パラメータをわずかに調整します。それを長期間、多数のチップを継続稼働させながら繰り返します。トレーニングは巨大で集中した一度限りのコストです。データセンターキャンパスが中規模都市と同じだけの電力を消費するという話は、これを意味しています。
推論は完成したモデルを使うことです。質問を送ると、モデルはパラメータを読み込み、算術を行い、答えを生成します。個々の推論はトレーニングと比べれば小さなものです。しかし、世界中の誰かがプロダクトを使うたびに発生し、今や1日に数十億回に達します。
業界は2023年と2024年、トレーニング需要が中心でした。中心は推論へと移りつつあります。モデルが存在する以上、提供コストは止まらないからです。このシフトは商業的に重要です。推論は効率性と答え1つ当たりの低コストを重視し、これは生のトレーニング性能とは異なる競争です。Part 6で取り上げる韓国の2つのスタートアップを含む特化型チップ設計会社が狙っているのも、まさにこの機会です。
メモリウォール——これがすべての核心
実は、多くの解説が省いているポイントがここにあります。そして韓国が重要な理由もここにあります。
AIチップの制限要因は計算速度だと思うでしょう。しかし通常そうではありません。プロセッサは、他のシステムが数値を供給できる速度よりはるかに速く算術を実行できます。数値の供給が遅すぎると、高価なプロセッサは待機状態に陥ります。エンジニアはこれを「メモリウォール」と呼びます。
理由は物理的なものです。AIモデルのパラメータはどこかに保存する必要があり、プロセッサ内部に収めるには多すぎます。そのため近くのメモリチップに置かれ、すべての計算で接続を通じてフェッチする必要があります。その接続には固定の幅と速度があります。1秒当たりに運べるデータ量を帯域幅といい、最初に限界を迎えるのが帯域幅です。
よく当てはまるアナロジーがあります。プロセッサは驚異的な速さで料理できるシェフで、メモリ帯域幅はキッチンのドアの幅です。食材を一度に一つしか通せなければ、より速いシェフを雇っても意味がありません。
これがメモリが退屈なコモディティでなくなった理由です。数十年間、メモリチップはギガバイト当たりの価格で主に売られており、供給過剰と不足の厳しいサイクルが繰り返されていました。AIは問いを「いくら保存できるか」から「いかに速く届けられるか」に変え、その第二の問いに答えられる会社は、はるかに代替困難なものを売ることになったのです。
HBMとは、具体的に
メモリウォールへの業界の回答がHBM（High Bandwidth Memory）です。文字通りの意味でも比喩的な意味でも、3つのアイデアを積み重ねたものです。
垂直に積む。 メモリチップを横に並べる代わりに、十数層以上を重ね合わせてタワー状にします。
垂直に穿つ。 シリコン自体を貫通する数千本の垂直チャネル（TSV、シリコン貫通ビア）で各層を接続します。これにより、端から信号を引き回すよりもはるかに広いデータ経路が得られます。
隣に置く。 完成したスタックを、信号を運ぶ共有ベース層上で、プロセッサと数ミリメートルという近さで同じパッケージに配置します。
結果として、従来のメモリが提供するものよりも桁違いに広いデータ経路が生まれます。コストは、製造が本当に難しいことです。紙のように薄いシリコンのスタックを顕微鏡レベルのアライメント精度で接合しており、1層でも不良があるとスタック全体がダメになります。イールドは低く、価格は通常のメモリよりはるかに高くなります。
規模でHBMを製造できる会社は3社だけです。SKハイニックス、サムスン、マイクロン。そのうち2社は韓国企業です。2026年第1四半期のCounterpoint Researchによると、SKハイニックスのHBM市場シェアは58%で、サムスンとマイクロンがそれぞれ21%でした。この一つの統計が、韓国がAIブームの傍観者でない理由のほとんどを物語っています。
チップからデータセンターまで
もう少し語彙を整理しましょう。スケールの跳躍が人々を混乱させるポイントです。外側に向かって順番に。
ダイはウェーハから切り出されたシリコン片そのものです。
パッケージはダイとHBMスタックを、それらをつなぐベース上でまとめて搭載し、封止したものです。「チップ」という言葉は通常これを指します。組み立てはアドバンスドパッケージングと呼ばれ、それ自体がボトルネックです。Part 3で解説します。
ボードとサーバーは、複数のパッケージをCPU、ストレージ、電力供給、冷却とともにシャーシに収め、ラックに差し込みます。
ラックはサーバーのキャビネットで、一つの大きなプロセッサとして動作するほど緊密に配線されています。ここでAIハードウェアは通常のコンピューティングと異なるものになります。現世代のAIラックは100キロワットをはるかに超える電力を消費します。洋服ダンスほどのキャビネットに、小さなアパートのビルよりも多い電力が集中するんですね。空気ではこれほどの熱を取り除けないため、チップに直接液体を流す冷却を使います。
クラスターは、特殊な高速ネットワークで接続された数千のラックです。大型モデルのトレーニングでは、すべてのチップが常に他のすべてのチップと結果を交換するためです。ここではネットワークは配管ではなく、コンピュータの一部です。Part 2では、なぜそれがネットワークチップを大きなビジネスにしたのかを解説します。
データセンターはその建物、電力供給、冷却設備、水供給です。業界はますますこれをサーバー台数や平方メートルではなく、電気容量（ギガワット）で測るようになっています。本当の制約が何であるかを示しています。Part 4はその制約についてです。
数字がこれほど大きくなった理由
需要の規模を数字で表すと、Nvidiaは2026年4月末の単一四半期において、前年同期比92%増となるデータセンター収益752億米ドルという記録を報告しました。1社、1製品ライン、3か月の数字です。
この数字が存在するのは、米国の4大クラウド企業が平時の先例がほとんどないほどの規模で支出しており、それらのチップすべてにメモリ、パッケージング、ネットワーキング、建物、電力接続が必要だからです。その連鎖の各レイヤーには、それぞれのリーダー、経済性、ボトルネックがあります。
Part 2はそのチェーン全体をレイヤーごとにマッピングし、それぞれを率いる企業を紹介します。