OpenAIのSam Altman CEOは、2026年10月29日に公開された対談で、供給が限られるDRAMを個人のPCに分散させるより、クラウドに集約して高い稼働率で運用する方が、資源を効率的に使えると主張した。同氏は、PCに搭載されたDRAMが使用されるのは「時間の5%」にすぎないとも述べたが、その根拠となる測定方法や対象は明らかにしていない。AIサーバー向けのメモリ需要が急増するなかでの発言だが、PCとサーバーではメモリの用途も製品構成も異なる。クラウドへの集約によって本当に少ない資源で同じ処理を実行できるのかを判断するには、メモリの製造上の制約と、複数の利用者で設備を共有する際の条件を考慮する必要がある。
メモリ供給の議論から飛び出した「使用時間は5%」という発言
Cheeky Pintの対談で、John Collison氏はメモリやGPUの価格上昇を受け、メーカーが今後どのように供給を増やしていくのかをAltman氏に尋ねた。これに対しAltman氏は、メーカーが過去の好不況や過剰投資の経験から、設備増強に慎重になっていると説明した。需要が急増しても、すぐに生産設備が増えるわけではないという認識だ。
その流れでAltman氏が取り上げたのが、オープンソースのAIモデルを個人のPCで動かせば、大規模なデータセンターへの依存を減らせるという考え方だった。同氏は、PCに搭載されたDRAMが時間の5%しか使われないのであれば、世界全体の資源配分として「かなりひどい」と述べた。学習済みのAIモデルを手元の機器で動かすローカル推論よりも、限られたメモリをクラウドに集約し、多くの利用者で共有する方が効率的だという主張である。
ただし、この「5%」はメモリ容量の使用率を表す数字ではない。「PCのメモリ容量の95%が余っている」という意味ではなく、Altman氏が何をもってメモリの使用中と判断したのかも不明だ。対象となるPCの種類や台数、測定方法も示されていないため、世界中のPCの使用状況を調査して得られた統計として扱うことはできない。
供給が限られる資源を有効活用するため、稼働していない設備を減らそうという考え方には合理性がある。しかし、個人のPCに搭載されたDRAMを、AI専用の設備と同じように扱ってよいかは別の問題だ。PCのメモリはOSやブラウザー、画像編集ソフトなど、AI以外のさまざまな処理にも使用される。ローカルAIを実行していない時間が、そのままメモリを無駄にしている時間になるわけではない。
AIサーバーとPCは同じメモリを使っているのか
クラウドへの集約による資源効率を考えるうえでは、PCとAIサーバーで使われるメモリの違いも重要になる。SK hynixは2026年10月28日に発表した第3四半期決算で、サーバー向けDDR5の販売が大幅に増加し、HBM4の出荷も本格化したと報告した。同社はAIサーバー向けDDR5やLPDDR5系製品の販売拡大も計画している。つまり、AIサーバーのメモリ需要はHBMだけでなく、従来型のDRAM製品にも広がっている。
HBMは複数のDRAMチップを垂直方向に積み重ね、プロセッサとの間で大量のデータを高速に転送するためのメモリだ。一方、AIサーバーではCPU側のメインメモリなどにDDR5やLPDDR5系の製品も使われる。これらは用途や実装方式が異なり、PC向けのDDRメモリをそのままHBMとして利用できるわけではない。ただし、製品が異なっていても、DRAMの製造資源という点では無関係ではない。
SK hynixはHBMの製造工程に関する解説で、HBMには同じ容量の通常のDRAMより多くのウェハーが必要になると説明している。HBMでは、積層したチップ同士を接続するシリコン貫通電極（TSV）などを設けるため、ダイ面積が増加し、1枚のウェハーから製造できるチップの数が減る。したがって、同じメモリ容量を供給する場合でも、製品によって必要なウェハーの量は異なる。PC向けDRAMの容量を単純に合計し、その分をAIサーバーへ振り向ければよいというわけではない。
SK hynixは、世界のメモリ需要が供給を上回る状況は2030年まで続くと予測している。また、クラウド事業者を含む主要14社との長期契約量は、同社の2027〜2028年の総生産能力の50%超に相当するという。ただし、これはSK hynix自身の需要予測と契約状況であり、世界のメモリ生産能力の半分が確保されたという意味ではない。OpenAIが単独でその量を確保したわけでもない。
こうした状況は、急増するAI需要に対してメモリの供給を拡大する難しさを物語っている。ただし、HBMへの生産配分がPC向けDRAMの供給や価格にどの程度影響するかは、これらの数字だけでは判断できない。PC向けメモリの店頭価格が今後どれほど上昇するかについても、別途検証が必要だ。
クラウドへの集約は本当にメモリを節約できるのか
クラウドにメモリを集約する利点は、複数の利用者が同じ計算資源を共有できることにある。例えば、利用者ごとに専用のAI実行環境を用意する場合と比べ、利用する時間帯が異なれば、同じ設備で複数の要求を処理できる。各利用者がそれぞれ専用のメモリや演算装置を確保する必要がなくなり、設備の待機時間も減らせる可能性がある。Altman氏の主張が成り立ちやすいのは、このように利用者の需要をまとめ、設備の稼働率を高められる場合だ。
ただし、AIサーバーにメモリを集約すれば、それだけで効率が最大化されるわけではない。NVIDIAのDynamoに関する技術解説では、推論処理に必要なデータをGPU側のHBM、CPU側のDRAM、ストレージに分散して管理する仕組みが説明されている。データを適切な場所に保持し、キャッシュの再利用やリクエストの振り分けを最適化することで、メモリ容量と応答性能のバランスを取る設計だ。クラウド環境でも、単に大量のメモリを設置するだけでなく、どのデータをどこに保存し、どのタイミングで再利用するかが重要になる。
また、複数の利用者が同時にAIを使う場合は、その需要を処理できるだけの計算資源とメモリが必要になる。応答時間に厳しい制約があれば、リクエストを順番に処理するだけでは対応できない。使用するモデルの規模や推論時に保持するキャッシュの量も必要なメモリ容量を左右し、障害に備えた冗長構成も欠かせない。設備を共有することで稼働率を高められるとしても、常に100%近い稼働率で運用できるとは限らない。
一方、ローカル推論にも条件によっては資源効率上の利点がある。すでに所有しているPCのメモリをほかの作業と共用し、空いた計算資源でAIを動かすのであれば、追加のメモリ購入が不要な場合もある。反対に、大規模なAIモデルを動かすためだけにPCのメモリを増設し、そのモデルをほとんど利用しないのであれば、クラウドで共有する方が効率的になり得る。重要なのは、設置されているメモリの総容量ではなく、同じ処理を実行するために追加でどれだけの資源が必要になるかだ。
したがって、クラウドとローカルの効率を比較するには、同じタスクを同等の品質で処理し、同時利用者数や応答時間などの条件もそろえる必要がある。クラウドでの共有によって必要なメモリ容量を削減できたとしても、それだけで運用コストや消費電力まで必ず低下するとは言えない。DRAMの供給制約はクラウド共有の価値を高める要因だが、一つの稼働率だけで両方式の優劣を判断することはできない。
OpenAI自身もローカルAIを提供、クラウド集約との関係は
OpenAI自身も、AIモデルをローカル環境で動かすための選択肢を提供している。同社が2025年8月5日に公開したオープンウェイトモデル「gpt-oss」のうち、gpt-oss-20bは16GBのメモリを搭載したエッジ機器で動作し、ローカル推論に適していると説明されている。モデルの重みを公開することで、利用者が自分の機器でAIを実行できるようにしたものだ。ただし、16GBという数字はOpenAIが示した実行条件であり、すべてのPCでAIを使うために16GBのメモリを追加購入する必要があるという意味ではない。
その一方で、OpenAIはAIインフラの大規模な拡張も進めている。2025年10月1日に発表したSamsung ElectronicsおよびSKとのStargate協業では、先端メモリの生産拡大を計画し、月間90万枚のDRAMウェハー投入を目標に掲げた。この数字は製造工程に投入するウェハー枚数の目標であり、すでに確保した供給量や現在の生産実績を表すものではない。また、OpenAIが世界のDRAM供給をその分だけ独占することを意味するわけでもない。
クラウドAIを主要事業とするOpenAIには、データセンターの稼働率を高め、必要なメモリを安定的に確保する事業上の理由がある。しかし、Altman氏がクラウドへのメモリ集約を支持する一方、OpenAI自身がローカル実行向けのモデルを公開していることも事実だ。供給が限られたメモリを社会全体でどう配分するかという問題と、個々の利用者にとってどの実行方式が適切かという問題は、分けて考える必要がある。
利用者にとっては、通信環境やデータの取り扱いも重要な判断材料となる。ローカルで処理すれば通信への依存を減らせるが、外部のツールやサービスと連携する場合はネットワーク通信が発生することもある。また、ローカル処理だからといって必ず安全性が高く、費用も安くなるわけではない。クラウドでは利用料金やサービスの可用性、ローカルでは機器の購入・増強費用や処理性能など、それぞれ異なる条件を考慮しなければならない。
Altman氏の主張を検証するには、同じタスクと要求品質を前提に、クラウドとローカルで必要なメモリ容量、追加費用、消費電力、応答時間を比較する必要がある。さらに、同時利用者数やデータを外部へ送信できるかという条件も加えれば、クラウドへの集約が実際にどの程度の資源節約につながるのかを判断できる。メモリの供給制約が続くなかでも、クラウドとローカルのどちらが適しているかは、利用状況と求められる性能によって変わる。
