AI推論の需要を背景に、エネルギー消費の削減が期待される光コンピューティングへの投資が再び活発になっている。世界のデータセンター運営企業にとっての利点は、一定の電力枠内で課金可能な処理を増やせることだ。電力が事業拡大の制約となるなら、アクセラレーターはGPUプラットフォーム全体を置き換えなくても、その希少な資源への需要を抑えることで価値を生み出せる。
投資の妥当性を決めるのは、光演算の効率ではなく、システム全体だ。購入側は、メモリーアクセス、光の生成、電気信号から光信号への変換、引き続き電子回路で行う演算を考慮する必要がある。試験では、要求される精度とレイテンシーを満たしつつ、現実的な稼働率を反映させなければならない。そうでなければ、研究室での目覚ましい成果が、実際に導入した際の採算の悪さを覆い隠しかねない。演算当たりのエネルギー消費が減っても、有用な回答当たりのコストが下がるとは限らない。
このため、有力なのはハイブリッド型の参入戦略だ。対象を限定したワークロードを高速化し、それ以外には従来のハードウェアを使い続ける。投資家は、汎用プロセッサーを置き換えるという約束よりも、繰り返し実行できる顧客のタスクと、実現性の高いソフトウェア統合への道筋に注目すべきだ。モデルに大幅な変更を要する設計なら、AIの更新のたびに再統合費用が発生する可能性がある。ワークロードの安定性は、ピーク性能と同じくらい重要になり得る。
日本にとって、商機は光プロセッサーの開発にとどまらない。部品、パッケージング、テスト関連のサプライヤーは、自社の専門技術が商用導入の障壁をどこで取り除けるかを見極められる。導入する企業は、漠然としたイノベーション推進の方針ではなく、現実の電力やコストの制約に結び付いた実証実験を優先すべきだ。クラウドサービスを通じてAIを利用する企業にとっての恩恵は、サービス提供企業がハードウェアでの節減分を料金引き下げや利用可能な処理能力の拡大に反映するかどうかに左右される。
日本のSIersや開発チームは、光ハードウェアを新たな標準プラットフォームとしてではなく、適格性を検証すべき対象として扱うべきだ。ベンチマークでは、顧客'自身のワークロードを用い、データ移動、求められる回答品質、統合コストを評価に含める必要がある。ハードウェア固有のコードを交換可能なインターフェースの背後に置けば、ロックインを軽減できる。AIを活用したRPAでは、インフラを変更する前に、どこで時間とエネルギーが費やされているかを測定すべきだ。アプリケーションへのアクセスやワークフローの遅延が大半を占めるなら、推論を高速化しても効果は乏しい可能性がある。