FuriosaAIとBroadcomは、FuriosaAIの第3世代AIアクセラレータを共同開発する戦略的提携を発表した。対象は大規模なLLM（大規模言語モデル）やエージェント型AIの推論処理である。単体チップの性能競争というより、複数のアクセラレータをサーバー、ラック、ネットワークへ広げたときのトークン生成効率をどう上げるかが焦点だ。
今回の計画では、FuriosaAIのTensor Contraction Processor（TCP）アーキテクチャをマルチダイのチップレット構成へ発展させる。さらにBroadcomの先端パッケージング、XPU関連IP、Ethernetによる拡張、ファブリックスイッチ、PCIe技術を取り込む。FuriosaAIは、2nmの演算ダイとHBM4/4Eを使うと説明しており、サンプリング開始は2028年前半の予定だ。
この発表で重要なのは、推論アクセラレータの性能が「GPUより速いか遅いか」だけではない点だ。FuriosaAIとBroadcomが前面に出しているのは、演算器のピーク性能ではなく、データ再利用、メモリ帯域、サーバー間通信、ラック規模の接続性にある。生成AIの利用が訓練から本番推論へ広がるほど、ボトルネックは計算量だけではなく、限られた電力と冷却の範囲でどれだけ多くのトークンを安定して返せるかへ移るからだ。
Broadcomとの提携は、従来型ASIC契約よりネットワーク色が強い
FuriosaAIの説明では、今回の提携は単なるASIC開発委託ではない。同社のAIアーキテクチャに、Broadcomが持つAIネットワーク、Ethernetスイッチ、PCIe、先端パッケージングを組み合わせ、数千ノード規模の推論クラスタへ広げる構想だ。Broadcomの半導体ソリューション部門を率いるCharlie Kawwas氏も、推論性能は生の演算能力だけではなく、サーバーやラックをまたいだデータ再利用と通信効率に左右されると位置づけている。
この発言は、GPU中心の訓練クラスタとは違う設計思想を示している。大規模訓練では、巨大なGPU群を密に結合し、高速な専用インターコネクトで同期させることが重視されてきた。一方、商用サービスとしての推論では、同時リクエスト、長いコンテキスト、キャッシュ、待ち時間、消費電力、ラックあたりの発熱が収益性を左右する。1回の学習ジョブを速く終えることより、日々の応答を低コストで大量に処理することが主戦場になる。
つまり、この提携はFuriosaAIの戦略が単一サーバー最適化からラック規模の基盤設計へ広がったものと見ることができる。推論では電力密度、ネットワーク効率、メモリ帯域、遅延、トークン処理量が制約になる。これはBroadcomにとっても自然な領域だ。同社はAIクラスタ向けのスイッチ、ネットワーク、カスタムシリコンで存在感を強めており、GPUそのものより周辺のデータ移動を握る立場にある。
RNGDの実績はあるが、第3世代はまだロードマップ段階だ
FuriosaAIが今回の土台として示すのは、同社の第2世代チップであるRNGD（Renegade）だ。公式発表では、RNGDはTSMCの5nmプロセスで製造され、180WのPCIeベース推論アクセラレータとして量産中だと説明されている。用途はLLMとエージェント型AIの推論で、Samsung SDSとLG AI Researchで検証されたという。
RNGDの技術文書を見ると、同チップはTensor Contraction Processorアーキテクチャを採用し、PCIe Gen5 x16、HBM3 48GB、1.5TB/sのメモリ帯域を備える。文書上のTDP表記は150Wだが、2026年の発表や製品訴求では180Wの推論アクセラレータとして説明されているため、現行の商用文脈では180Wと見るのが自然だ。ここで重要なのは、FuriosaAIが「高いピークFLOPS」ではなく、推論時の電力効率を主張の中心に置いてきた点である。
その主張を支える代表例がLG AI Researchでの採用だ。FuriosaAIの2025年7月の発表によれば、LG AI ResearchはEXAONEモデルの推論でRNGDを評価し、GPUベースの構成に比べてLLM推論の性能あたり消費電力が2.25倍良いと報告した。また、同じ電力制約のラックでは、RNGD搭載ラックがEXAONE向けに3.75倍多くのトークンを生成できるとしている。これはFuriosaAI側の発表に基づく数字であり、対象モデルや比較環境を外して一般化するべきではないが、同社が狙う市場を理解する材料にはなる。
第3世代チップは、この延長線上に置かれている。FuriosaAIは、2nm演算ダイ、HBM4/4E、マルチダイ構成、BroadcomのEthernetとPCIeを組み合わせることで、単体カードより大きなシステムとして推論効率を上げる考えだ。だが、現時点で公開されているのは設計方針と予定であり、実測性能、対応モデル、メモリ容量、価格、量産開始時期は明らかになっていない。サンプリングも2028年前半であるため、短期の製品比較として読むには早い。
2nmとHBM4/4Eが示すのは、演算よりデータ移動への投資だ
2nm演算ダイとHBM4/4Eという組み合わせは、AI推論がメモリ帯域に強く依存する段階へ進んでいることを示す。大規模モデルの推論では、演算器が待たされないよう重みや中間データを動かす必要がある。特に長いコンテキストや多数の同時リクエストを扱う場合、メモリ容量、帯域、キャッシュ、ノード間通信の設計が応答速度とコストに効いてくる。
FuriosaAIは、GPUに必要なスレッド管理よりも高帯域のデータ移動に焦点を当てることで、最先端GPUより高い性能あたり消費電力とトークン密度を提供すると主張している。ただし、これは同社の見通しであり、第三者ベンチマークで確認された第3世代チップの結果ではない。記事としては、「GPUを上回る」と断定するより、同社がGPUとは異なる推論専用設計を前面に出していると捉える方が正確だ。
公開されたティザー画像からは、第3世代チップに12個のHBM4/4Eメモリサイト、2つの大型演算チップレット、2つのI/Oコントローラが読み取れる。仮に12-highの36GB HBMスタックを使うなら432GB構成もあり得るだろう。この点は興味深いが、公式仕様ではない。メモリ容量や帯域等、具体的なスペックについてはFuriosaAIかBroadcomが明示するまで待つ必要がある。
より確実に言えるのは、Broadcomが入ることで、演算チップ単体ではなくパッケージ、I/O、Ethernetを使ったファブリックまで含む設計になっていることだ。HBM4/4Eはチップ内外のメモリ帯域を、EthernetとPCIeはラック内外の接続性を担う。推論クラスタの効率を上げるには、演算ダイだけを縮小するより、データの通り道全体を広げる必要がある。今回の提携はそこに狙いを置いている。
CUDA対抗より、推論クラスタの経済性が本当の争点になる
FuriosaAIは、ソフトウェア面でもGPU依存からの脱却を訴えている。同社によれば、SDKは高水準のPyTorchコードをシリコンへ自動的に割り当てる一般コンパイラを使い、モデルごとに大量の手書きカーネルを用意する負担を減らす。さらにVirtual ISAを通じて、より細かい制御を必要とする開発者にも対応するという。
これはNVIDIAのCUDAエコシステムに対する明確な対抗軸だが、実務上の壁は低くない。AIインフラでは、ハードウェア性能だけでなく、モデル対応、推論サーバー、監視、量子化、メモリ管理、開発者の習熟、既存クラウドとの統合が採用判断に影響する。FuriosaAIが第3世代チップで大規模な顧客を獲得するには、チップの完成だけでなく、ソフトウェアと運用の移行コストを抑える必要がある。
一方で、推論の比重が高まるほど、GPUだけで全てを処理する前提も揺らぎやすくなる。訓練では汎用性とエコシステムが大きな価値を持つが、推論ではモデル、リクエスト形態、待ち時間、電力枠が比較的固定される場面が多い。その場合、専用アクセラレータ、カスタムASIC、Ethernetベースのラック設計が入り込む余地は広がる。
Broadcomにとっても、この流れは重要だ。ハイパースケーラーが自社向けAIチップや専用クラスタを増やすほど、カスタムシリコン、ネットワーク、スイッチ、パッケージングを束ねられる企業の価値は上がる。FuriosaAIとの提携は、BroadcomがGPUの正面から競うのではなく、推論基盤の接続とデータ移動を押さえる戦略の一部として読める。
今回の発表は、2028年前半のサンプリング予定という長い時間軸を含む。そのため、すぐにNVIDIAやAMDの現行GPUと置き換わる話ではない。むしろ見るべきなのは、推論が増えるほどAIインフラの評価軸が「どのチップが最速か」から「どのラックが電力枠内で最も多く、安定してトークンを返せるか」へ移る可能性だ。FuriosaAIとBroadcomの賭けは、まさにその評価軸の変化に向けられている。
