2026年3月19日、ネットアップ合同会社は、米NetAppとNTT株式会社が共同で実施した実証実験の成果を発表した。遠隔地のGPUを用いたAI学習で、性能を維持したまま電力効率を最大30％改善できる可能性が示された。
遠隔GPUで性能維持と高速化実証
今回の概念実証では、遠隔地に設置したGPUを活用したAIトレーニングの実用性が検証された。結果として、同一データセンター内の環境と比較しても、トレーニング時間の増加は1％未満に抑えられ、目標値である10％を大きく下回る水準を達成した。
技術的な中核となったのは、IOWN構想に基づくオールフォトニクスネットワーク（APN）（※）とRDMA（※）の組み合わせである。従来のIPネットワークで課題とされてきた遅延やパケットロスを抑制し、長距離環境でも安定した高速通信を実現した。
さらに、NetAppのストレージ最適化技術を組み合わせることで、データ転送性能は従来のIP-VPN接続と比較して最大約12倍に向上した。100kmから3000kmの距離を模擬した環境下でも、大規模言語モデル「tsuzumi軽量版」を用いたトレーニングが円滑に実行されている。
加えて、再生可能エネルギー比率の高い地域にGPUを配置することで、電力使用効率は最大30％改善する可能性も確認された。これにより、遠隔地のグリーンデータセンターを都市部と同様の感覚で活用できる基盤が現実味を帯びてきたと言える。
※APN（オールフォトニクスネットワーク）：光信号を電気に変換せずに伝送する次世代ネットワーク技術。超低遅延・大容量通信を実現し、IOWN構想の中核を担う。
※RDMA：ネットワーク越しにCPUを介さず直接メモリへアクセスする技術。低遅延かつ高効率なデータ転送が可能となる。
電力最適化の利点とインフラ依存
今回の成果は、AI開発における電力制約の緩和につながる可能性を示している。電力コストの低い地域や再生可能エネルギーの豊富な地域に計算資源を配置し、遠隔から利用することで、企業はコスト削減と脱炭素対応を同時に進められる可能性がある。
また、GPUリソースの地理的制約が薄れることで、需給の最適化も期待される。都市部に集中していた計算資源を分散配置できれば、大規模AI開発のボトルネック解消にもつながると考えられる。
一方で、こうしたモデルは高度なネットワークインフラへの依存度が高まる可能性がある。APNのような次世代通信基盤の整備には多額の投資が必要であり、導入コストや運用の複雑性が普及の障壁となる可能性は否定できない。データ転送のセキュリティや安定性の確保も、継続的な検討課題として残ると考えられる。
それでも、AI需要の拡大と電力問題の深刻化を踏まえれば、遠隔GPUを活用したグリーンコンピューティングは主流の一つとなる可能性がある。今後、分散学習や大容量データ処理への応用が進めば、データセンターの立地戦略が再定義される可能性もある。
関連記事：
OIST、AIが「独り言」で学習能力向上 自己対話型トレーニングを開発
固定電話が“読む業務”に変わる NTT東日本、AIで留守電を要約し応対を自動化
