2026年9月15日、オランダ・アイントホーフェン発のDeepTechスタートアップEUCLYDが、シリーズAで2億ユーロ超の資金調達を発表しました。引受先にはSamsung Electronics、EQT、そして同社会長に就任したASML元CEOのPeter Wennink氏が名を連ねています。
LLMの主戦場が「単一のPrompt-Response」から、自律的に思考・試行錯誤する「Agentic AI」へとシフトする中、インフラ層で急浮上している構造的課題が多段階タスク分岐とリトライ処理によるリソース爆発です。
本記事では、エージェント型ワークロードが既存のGPUインフラに与える衝撃と、EUCLYDがプログラマブルASIC「craftwerk」で提示する解決策を解説します。
1. エージェント時代の核心課題：タスク分岐とループによるインフラ破綻
従来型LLM（1 Prompt → 1 Response）と比べ、Agentic AIのワークロードは根本的に異なります。ユーザーの1つの指示をトリガーに、内部で複数のサブエージェントが生成され、並列かつ多段階にタスクを分岐・実行（思考・ツール呼び出し・リトライ）します。
この処理パターンにより、インフラ側には以下のような過酷な負荷が生じます。
- トークン生成量の幾何級数的な増大：
ユーザーには数行の回答しか戻らなくても、バックグラウンドの思考・評価ループで数万〜数十万トークンが生成消費される（Token-to-User ratioの急増）。
- KVキャッシュの不連続なメモリバースト：
多数のサブタスクが動的に生成・破棄されるため、KVキャッシュのメモリ割り当てがランダムかつ高頻度になり、既存GPUの静的なメモリ管理では断片化（Fragmentation）が発生する。
- 低レイテンシと高スループットの両立限界：
直列の依存関係を持つタスクループでは「1トークンあたりの生成速度（TTFT/TPOT）」が全体の待ち時間に直結するため、スループット重視のバッチ最適化（Batching）が効きにくくなる。
結果として、「1クエリあたりの電力・コストが跳ね上がり、トークン単価（Cost per Token）の削減なしには商用化が成り立たない」という限界壁（Efficiency Wall）にぶつかります。
2. EUCLYDのアプローチ：自律処理に耐えうる垂直統合アーキテクチャ
EUCLYDは、この複雑なワークロードを裁くため、シリコンからデータセンター設計までを垂直統合で再構築しています。
① Agentic AI専用プログラマブルASIC「craftwerk」
- 動的コントロールフローの高速化：
エージェント間の分岐、条件判定、コンテキスト切り替えをハードウェアレベルで低オーバーヘッドに処理。
- メモリ・プロセッサ協調設計（Processor-Memory Co-Design）：
分岐時に発生する不規則なメモリトラフィックに対し、プロセッサとメモリ帯域の近接化を図ることで、KVキャッシュのランダムアクセスに伴うレイテンシを解消。
② エクサスケールAIファクトリー「craftwerk station (CWS)」
- データセンター単位での電力密度と冷却を最適化し、複数タスクの並列実行による突発的な負荷サージ時でも最高水準の電力効率（Joule/Token）を維持。
3. 主要競合とのポジショニング比較
エージェント型ワークロードに対する各アーキテクチャのアプローチ差を以下にまとめます。
| プレイヤー | アーキテクチャ特徴 | 自律タスク実行時の長所 | 自律タスク実行時の弱点 / 課題 |
| NVIDIA (B200 / Rubin) | 汎用GPU + HBM | 圧倒的エコシステム。単一ノードでの計算パワーは最強 | メモリ帯域ネックによるMFU低下。並列分岐時の電力効率が悪化 |
| Groq | On-chip SRAM (LPU) | 極めて低いレイテンシ。分岐処理のレスポンスが高速 | SRAM容量制限により、多段階分岐に伴う大量コンテキスト保持が高コスト |
| Etched | Transformer固定ASIC | アーキテクチャ固定による極限の低消費電力 | エージェント制御（分岐・リトライ・ツール呼び出し等）の柔軟性に乏しい |
| EUCLYD | Agentic専用ASIC +Processor-Memory Co-Design | KVキャッシュバーストと多段階分岐に最適化。トークン単価を最小化 | ソフトウェアエコシステム（コンパイラ・フレームワーク）をゼロから構築する必要性 |
4. エンジニアが注目すべき論点
- Agentic Frameworkとの統合ネイティブ性：
LangGraph、AutoGPT、CrewAIといったエージェントオーケストレーション層の実行エンジンが、どの程度「craftwerk」の命令セットへ効率的にマッピングされるか。
- Dynamic Paging & KV Cache Swapping：
分岐・並列実行された複数エージェント間で共通のシステムプロンプトやコンテキストをいかにゼロコピーで共有・再利用できるか。
- 推論コスト構造の破壊：
「1リクエスト＝数千〜数万トークン」を前提としたエージェントアプリケーションにおいて、従来の1/10以下のトークン単価を実現できるか。
まとめ
「モデルの賢さ」が思考時間や試行回数（タスク分岐の深さ・広さ）に依存する時代において、従来の「単一GPUの生FP8/FP4性能」を競うフェーズは終わりを迎えつつあります。
並列分岐や思考ループによる計算需要の爆発を、電力・コストの両面で抑え込むEUCLYDの統合アプローチは、次世代AIインフラの試金石となるはずです。
参考リンク
- EUCLYD Official Press Release: EUCLYD Raises Over €200 Million to Break the AI Efficiency Wall
