クラウド基盤の調達計画やキャパシティプランニングを担当しているエンジニア・SREの方に向けて、半導体サプライチェーンの構造的な問題を整理します。GPUやメモリの価格・供給が不安定になる背景を知っておくと、インフラのコスト試算やベンダー選定の判断材料が増えます。
ハーバード・ビジネス・スクールの経済学者Willy Shih氏（グローバルサプライチェーン研究の専門家）は、著書「Where Does My Stuff Come From?」でAI関連の設備投資が半導体・メモリ市場に与える影響を論じています。同氏は2019年のFoxconn（台湾の電子機器受託製造企業）によるウィスコンシン州LCD工場建設計画についても、サプライチェーンが整っていないことを理由に早期に失敗を予見していた人物です。2021年のパンデミック期チップ不足の際にも分析を提供しており、今回のAIインフラ投資ブームについても同様の構造的な視点から警鐘を鳴らしています。
何が起きているのか：RAM不足という供給制約
AIの学習・推論基盤はGPUだけでなく、大量のメモリ（RAM・HBMなど）を消費します。
データセンター向けAIインフラの建設ラッシュが、メモリメーカーの生産能力を奪い合う状況を生んでいます。これは一部で「RAMageddon」と呼ばれる状況で、AI向け需要がコンシューマー向け製品（PC・スマートフォン）のメモリ供給にも波及する現象を指します。
アーキテクチャ設計の観点で重要なのは、これが単なる「価格が上がる」という話ではない点です。調達リードタイムの長期化、特定ベンダーへの依存度の上昇、そして契約時点と納品時点での価格乖離がシステム設計の前提そのものに影響します。
なぜ関税や国内回帰だけでは解決しないのか
トランプ政権下で導入された関税政策は、製造業を米国内に呼び戻すことを目的としていました。
しかし実際には、工場の再配置（reshoring、海外生産拠点を自国に戻す動き）はほとんど実現していません。Shih氏はFoxconnの事例が示す通り、工場単体を移設しても、それを支える部品・材料・熟練労働力のエコシステム全体が同時に存在しなければ機能しないと指摘しています。
これはソフトウェアアーキテクチャの文脈に置き換えると理解しやすい構造です。単一のサービスをマイクロサービス化しても、それを支える監視基盤・CI/CDパイプライン・ネットワーク設計が未整備であれば、期待した可用性や保守性は得られません。半導体製造も同様に、工場という「ノード」単体ではなく、サプライヤー網という「依存グラフ」全体の整合性が成果を左右します。
中国が製造拠点であり続ける理由
各国が地政学的リスクを認識しながらも、中国が依然として製造拠点として選ばれ続けている点も、設計判断の比喩として示唆に富みます。
リスクを認識しながら単一障害点（Single Point of Failure）に依存し続けるのは、分散アーキテクチャの設計でも頻繁に見られる判断です。コストやレイテンシの最適化を優先した結果、冗長性を犠牲にするトレードオフが起きます。半導体サプライチェーンにおける中国依存も、構造的には同じ種類の意思決定です。
読者への影響：インフラ調達とアーキテクチャ設計への波及
この状況は、オンプレミスでGPUクラスタを構築している組織や、クラウドベンダーのキャパシティに依存しているチームの両方に影響します。
確認できる具体的なポイントは次の通りです。
- クラウドベンダーのインスタンスタイプの在庫状況：AWSやGCPのGPUインスタンス（例：p5、a3シリーズ）で予約確保（Reserved/Capacity Reservation）の必要性が高まっているか、各社の案内ページで確認する
- ハードウェア調達契約のリードタイム条項：自社でサーバーを購入している場合、見積もり有効期限とメモリ価格変動リスクの契約上の扱いを確認する
- ベンダーロックインの許容度：特定GPUベンダー・特定メモリサプライヤーへの依存度を棚卸しし、代替手段（異なるクラウド・異なるインスタンスファミリー）への切り替えコストを試算する
- キャパシティプランニングの前提見直し：従来の「必要になったら増強する」前提が、供給制約下でも通用するか再検討する
これらは非機能要件のうち「可用性」と「コスト効率」のトレードオフに直結します。
従来はスケールアウトの容易さを優先してクラウドのオンデマンドインスタンスに依存する設計が主流でしたが、供給制約が常態化する局面では、長期予約契約やマルチクラウド戦略の比重を見直す判断材料になります。
技術的負債としての「調達前提」の硬直化
アーキテクチャの技術的負債は、コードの品質だけでなく、設計時に置いた前提の陳腐化という形でも蓄積します。
「GPUはいつでも追加で借りられる」という前提でシステムを設計している場合、それ自体が一種の負債になり得ます。たとえば、推論ワークロードを特定のGPU世代・特定リージョンに固定してしまうと、供給制約時に迅速な切り替えができません。
対策としては、推論・学習基盤の抽象化層（Kubernetesのデバイスプラグインやモデルサービングフレームワークの抽象化機能など）を導入し、ハードウェア世代やベンダーへの依存を疎結合にしておくアプローチが挙げられます。これにより、特定ベンダーの供給が逼迫した際にも、別のインスタンスタイプやリージョンへの切り替えコストを抑えられます。
まとめ：今日から確認できること
AIインフラの急拡大は、GPUだけでなくメモリというより基礎的な部材の供給制約を通じて、アーキテクチャ設計の前提を揺さぶっています。
- 自社のGPU・メモリ調達が特定ベンダー・特定リージョンに過度に依存していないか棚卸しする
- クラウドのキャパシティ予約オプション（Reserved Instance・Capacity Blockなど）の利用状況を見直す
- ハードウェア抽象化層を導入し、ベンダー切り替えのコストを事前に下げておく
- 調達リードタイムの長期化を前提に、キャパシティプランニングのバッファを再計算する
地政学や関税政策は一エンジニアの裁量で変えられるものではありませんが、依存関係の可視化と抽象化は設計レベルで今日からできる対策です。