米研究機関Epoch AIの衛星画像・電力設備解析により、華為技術(Huawei)が内モンゴル自治区に構える中国最大級のAIデータセンターの計算能力が、米国SpaceX・xAIの「Colossus 2」の約7%にとどまる実態が明らかになりました。国内でさくらインターネットなどが経済産業省の支援を受けて整備を進めるGPUインフラ戦略においても、資本力に任せた規模拡大競争を盲従せず推論電力対効果を見据えた選定基準が求められます。
ホリンゴル拠点の実態と固定化される米中メガクラスタ格差
米研究機関Epoch AIは2026年11月、中国の内モンゴル自治区ホリンゴルに位置する華為技術(Huawei)のAIデータセンターに関する計算能力推計レポートを公表しました。同施設は、中国の国家インフラ戦略「東数西算(Eastern Data, Western Computing)」の中核拠点のひとつとして整備が進められている中国国内最大級の計算基盤です。
Epoch AIは高解像度衛星画像から冷却塔の種類や基数、非常用発電機などの付帯設備を特定しました。そこから建物の放熱能力を逆算し、稼働中のIT電力容量を推計しています。敷地内の複数ゾーンのうち南ゾーンと西ゾーンで稼働が確認された棟の受電能力などを精査した結果、現在の稼働IT電力容量は約170MW、冷却設備から試算した4棟合計の最大IT受電能力は286MWに達することが判明しました。
また華為技術(Huawei)が公表した半導体取引額データとの照合により、同施設には国産AIアクセラレータ「Ascend 910C」が約10万5,000基、前世代の「Ascend 910B」が約8,000基配備されていると算出されました。同拠点だけで中国国内に出荷されたAscend 910C総供給量の約11%が集約されている計算です。
しかし、この大規模クラスタの計算能力は、米国テネシー州メンフィス周辺で拡張を続けるSpaceXおよびxAIの巨大データセンター「Colossus 2(通称Macrohard)」と比較するとわずか約7%にすぎません。エヌビディア(NVIDIA)の「H100」チップの計算能力を基準単位とする「H100当量(H100e)」で比較すると、両者の間には桁違いの開きが存在しています。
| 項目 | Huawei ホリンゴルデータセンター(中国) | SpaceX / xAI Colossus 2(米国) | 規模の格差(中国/米国) |
|---|---|---|---|
| 現在の計算能力(H100e換算) | 約8万1,000 H100e | 約111万2,000 H100e | 約7.3% |
| 現在の稼働IT電力容量 | 約170MW(最大受電能力286MW) | 約946MW | 約18.0%(稼働ベース) |
| 主力アクセラレータ構成 | Ascend 910C 約10.5万基、910B 約8,000基 | NVIDIA Hopper / Blackwell世代GPU群 | 単体性能・世代差あり |
| 推定設備投資額 | 約64億ドル(約9,600億円) | 約358億ドル(約5.37兆円) | 約17.9% |
| 2028年の予測計算能力 | 約14万1,000 H100e | 180万 H100e以上 | 約7.8%以下 |
ホリンゴル拠点は2028年2月の全面稼働に向けて新棟の建設を進めており、計算能力は現在の70%以上増となる約14万1,000 H100eへ到達する見通しです。しかし、米国側のColossus 2も拡張を並行させており、2028年には少なくとも180万H100e以上に達すると試算されています。巨額の設備投資を継続しても、米中間のコンピュート格差は向こう数年間にわたり約7%前後の水準で固定化される見込みです。
参考記事: GPUクラスタの仕組みと構築戦略|CTOが押さえるべき最前線と2030年の未来
物理法則と製造規制が強いるエネルギー変換効率の断絶
米中両国の計算インフラにおける格差の根本原因は、敷地面積や電力調達の多寡ではなく、単位電力から引き出せる計算性能の差にあります。中国は内モンゴル自治区の石炭火力や再生可能エネルギーを活用することで電力そのものは確保できています。決定打となっているのは、米商務省産業安全保障局(BIS)による先端半導体およびオランダASMLなどの極端紫外線(EUV)露光装置に対する輸出規制です。
最先端の半導体製造ラインから遮断された結果、中国製チップと米先端チップの間には重大な電力効率の開きが生じています。Epoch AIの試算によると、華為技術(Huawei)の「Ascend 910C」の単体性能はINT8演算基準で約0.76 H100eにとどまります。これに対し、米エヌビディア(NVIDIA)のBlackwell世代(B200やB300)は1基あたり約2.5 H100eの処理能力を発揮します。
同一の計算処理を実行する場合、米国の先端GPUはAscend 910Cに比べて消費電力を約2.5分の1に抑えられます。逆の視点で見れば、中国製チップは同一の電力量から米先端チップの約40%の計算能力しか引き出せません。データセンターの受電容量が数百MW規模に達する超大規模クラスタにおいて、この変換効率の乖離は致命的な実効計算力の差となって現れます。
この計算資源の非対称性は、フロンティアモデルの開発現場におけるパラダイムの完全な分断を引き起こしています。ホリンゴルデータセンターの全計算能力(約8万1,000 H100e)を100%投入した場合でも、2026年9月に登場したOpenAIのフロンティアモデル「GPT-6 Astra」規模のモデルを事前学習させるには丸1年を要します。
【事前学習にかかる計算負荷の分岐】
■ 米国メガクラスタ(Colossus 2など:100万H100e超級)
└─ 膨大な計算資源とギガワット級電力を投じ、力任せのスケール則で超巨大モデルを事前学習
■ 中国クラスタ(ホリンゴル拠点:約8.1万H100e)
├─ GPT-6 Astra規模:クラスタの100%能力を占有しても完了まで約1年が必要
└─ DeepSeek-V4-Pro規模:クラスタの約10%の計算能力を使い、1カ月で学習完了
一方で、アーキテクチャの徹底的な効率化を図った「DeepSeek-V4-Pro」規模のモデルであれば、ホリンゴル拠点の計算能力のわずか10%を用いて1カ月で学習を完了できます。資本とギガワット(GW)級の電力投下に依存して力任せにスケール則を追求する米国メガクラスタ陣営に対し、中国勢は計算資源の制約を前提とした疎行列MoE(Mixture of Experts)や推論時最適化、モデル蒸留技術の開発へ資源を集中させています。
参考記事: 大規模言語モデル大手がNVIDIAから集団「離反」:OpenAIやDeepSeekが自社製推論チップ(ASIC)へ…
国内インフラ設計と生成AI実装への波及効果
ホリンゴル拠点の分析が示す米中の構造的分断は、日本の産業界やインフラ戦略に対しても直接的な示唆を与えています。日本国内におけるAIインフラの整備は、経済産業省による助成を受けたさくらインターネットの石狩データセンター拡張や大手通信キャリアによる設備投資が進んでいますが、その受電規模は数メガワットから数十メガワット級が中心です。
国内の電力グリッドの系統連系制約や送電網の容量上限を考慮すると、米国のように1施設で単体1GWに達するメガクラスタを構築することは現実的ではありません。また先端GPUの調達コストも高止まりしています。したがって、日本企業が米国メガクラウドと同じ方針で事前学習の総パラメータ数競争に挑む戦略は、物理的にも財務的にも成立しにくい前提があります。
国内の技術責任者が着目すべきは、中国勢が制約下で研ぎ澄ませてきた「計算効率化アーキテクチャ」の実装です。モデル選定の評価軸は、これまで主流だった「事前学習におけるベンチマークスコア」から、運用環境における「推論電力対効果(トークン生成量あたりの消費電力)」へ明確に移行しています。
【インフラ制約を踏まえたモデル選定基準のシフト】
従来型の評価基準:
・事前学習パラメータ数の絶対規模
・汎用ベンチマークの総合スコア
・フルスケールGPUクラスタの保有数
今後の実用評価基準:
・1ワットあたりのトークン生成効率(Tokens/Watt)
・疎行列MoEによる実効アクティブパラメータの極小化
・推論専用アクセラレータおよび量子化技術への適合性
エンタープライズの現場では、数十億から数百億パラメータ級の超巨大モデルを全量稼働させる構成から、業務に特化した中規模モデルへ蒸留する設計が主流となりつつあります。限られたGPUリソースを事前学習で浪費するのではなく、ファインチューニングやRAG(検索拡張生成)、推論エンジンの高速化に振り分けるアプローチこそが、国内の電力事情と調達環境に適合した合理的な選択肢となります。
参考記事: Anthropicの最新モデルに輸出規制を発動 業界からは「中国AIへの贈り物」と批判噴出
技術責任者が直ちに見直すべきインフラ評価軸
メガクラスタ間の実効計算力格差が固定化された現実を踏まえ、企業の技術責任者やインフラ選定者が次に下すべき判断を整理します。
- インフラ投資の評価指標を総FLOPsからワットあたり推論効率へ再定義する
設備選定やクラウド契約の評価基準を、調達したGPUの理論演算性能から、実際の推論ワークロードにおける「ワットあたりのトークン生成効率(Tokens/Watt)」へ切り替えます。電力受電容量に上限がある国内施設において、実効スループットを最大化するための必須要件となります。
- 超巨大モデルの全量利用を見直し高効率MoEアーキテクチャの検証を進める
すべてのタスクに単一の超大規模フロンティアモデルを割り当てる設計を改め、DeepSeek等で実証された疎行列MoEモデルの検証を開始します。タスクごとに必要なエキスパートのみを呼び出す構造を採用することで、計算リソース消費と推論レイテンシを抑制します。
- 自社専用ドメインに特化したモデル蒸留パイプラインを構築する
フロンティアモデルの出力を教師データとして活用し、自社業務に特化した8B〜14B規模の小型オープンモデルへ知識を蒸留する運用体制を整えます。推論コストと外部API依存を同時に低減させ、自社インフラ内での安定的な運用を確立します。
出典: GIGAZINE
出典: Epoch AI
出典: Crypto Briefing
