AMDの立場は明快だ。AIの拡大によって、HPCにおける高精度のFP64ワークロードがなくなるわけではない。科学・工学計算では、依然として数値の正確性が求められるためだ。戦略上の帰結は「AI」と「HPC」の対立ではなく、不確実性の性質の違いに応じた計算資源の再配分となる。AIの学習と推論は、精度を下げ、高密度の並列処理を行うことで恩恵を受けることが多い。一方、多くのシミュレーションでは、誤差がどのように伝播するかを確認せずに、このトレードオフを受け入れることはできない。

この違いを踏まえ、調達のあり方も変えるべきだ。モデルのスループットを重視して最適化された施設は、気候、流体、材料、エネルギー、工学分野のワークロードには適さない可能性がある。姿を現しつつあるのは、異種混在型のアーキテクチャだ。AI向けのアクセラレーター、ソルバー向けの倍精度演算能力、そして双方の性能を十分に引き出すメモリーとインターコネクトを組み合わせる。ワークロードの特性に応じたスケジューリング、分離、チェックポイント保存、再現可能な検証を利用者に提供するクラウド・インフラ事業者は、汎用的な計算資源を単一のプールとして販売する事業者よりも有利な立場に立つだろう。

経済面では、AIブームが自動的にHPCを押し上げるというほど単純ではない。AI向け予算が科学計算向けの予算を圧迫する可能性がある一方、HPCセンターは高価な計算資源を有益に活用することで、その費用を正当化しなければならない。購入側は、ピークFLOPSやモデルのトークン数だけでなく、信頼できる結果を一つ得るためのコストと時間を比較すべきだ。それでもAIは、構成候補の絞り込み、代理モデルの作成、異常の検知、出力の解釈を通じてHPCを改善できる。ただし、検証済みの数値計算の中核を取り巻く層としてであり、その中核を取り除く理由としてではない。このため、チップのロードマップ、コンパイラー、ライブラリー、クラウドサービスには、数値のずれを見逃すことなく、混合精度のワークフローをより容易にテストできるようにすることが求められる。

日本のメーカー、自動車開発者、材料分野のチーム、エネルギー事業者、研究機関、SIersにとって、このメッセージは実務的な意味を持つ。シミュレーションと予測AIや生成AIは、データとインフラを共有する機会が増えるが、検証基準まで共通化すべきではない。投資計画では、実験的な取り組みと本番運用水準の数値計算ワークロードを分けた上で、適切に管理されたパイプラインと共通のスケジューリングを通じて両者をつなぐべきだ。SIersは、精度要件の整理、従来の数値計算コードの刷新、数値計算の回帰テストの構築、明確なサービスレベルに基づくハイブリッドクラスターの運用によって、ハードウエアの統合にとどまらない価値を生み出せる。国内の開発チームは、再現性、来歴管理、ロールバックを開発・提供プロセスに組み込むべきだ。日本の競争優位は、工場やインフラ、科学的判断に必要な計算の信頼性を維持しながら、AIで研究サイクルを短縮することから生まれる。