AI データセンターで相互接続が重要に、容量と電力も不可欠

AI 負荷では網設計が利用可能計算能力の一部になるが、複数拠点の成立は負荷、距離、経路、電力、総費用に依存する。

• IOWN Global Forum と DE-CIX は、AI が分散拠点と低遅延相互接続の重要性を高めると主張した。光ネットワークと交換サービスを推進する組織の提案であり、容量が不要になった証拠ではない。
• AI 性能は、加速器リンク、データセンターfabric、拠点間伝送、利用者向け経路という別々のネットワークに依存する。帯域、輻輳、経路多様性、電力、計算を一緒に測る必要がある。

報じられたのは二つの業界主張

3月25日の IT Brief 報道は、旧記事が省いた当事者を示した。NTT／IOWN Global Forum の Masahisa Kawashima は、地域エネルギーに合わせた小規模拠点を高帯域・低遅延の光ネットワークで結ぶ案を提示した。DE-CIX の Ivo Ivanov は、集中計算を好む学習と、利用者の近くが有利な一部の遅延敏感な推論を区別した。

これは検討すべき提案であり、市場の確定事実ではない。IOWN は光技術、DE-CIX は相互接続サービスを推進する。両者の発言は分散基盤の技術・商業論理を示すが、全学習の地理分散、全推論のエッジ配置、遠隔容量を無損失で一つのクラスターにすることを立証しない。

「接続」は複数の制御面を含む

加速器システム内の scale-up リンクはプロセッサーとメモリーを結ぶ。データセンター内の scale-out fabric は、集合通信、ストレージ読出し、チェックポイント、ラック間要求を運ぶ。拠点間接続は長い経路で複製や分散ジョブを運び、その外側でピアリングとトランジットが利用者、クラウド、アプリ間を経路制御する。一層の高速ポートは別層の輻輳、過剰収容、障害を補えない。

Meta の本番報告は拠点内問題を具体化する。大規模分散学習には専用 RoCE fabric、ノンブロッキング設計、トポロジー認識スケジューリング、負荷分散、経路制御が必要だった。Google の2025年 Jupiter 論文も機械学習を fabric が支える複数負荷の一つとして扱う。二社の実装は証拠だが、万人向けの単一トポロジーではない。

Ultra Ethernet 1.0の公開も重要な信号だ。輻輳制御、マルチパス、順序、再送を扱うことは、高速ポートだけでは足りないことを示す。ただし仕様とエコシステムの節目は、特定施設の導入、相互運用、アプリ性能の証明ではない。

容量は公称速度ではなく利用可能な経路

同期学習では、遅いか混雑した経路が集合処理中に加速器を待たせる。見るべきは二分帯域、過剰収容、利用率、損失、再送、完了時間のテールであり、ポートの400／800 Gb/s だけではない。推論は短い要求を多数生むが、遅延感度は一様でない。対話制御は近接が有利でも、バッチ推論は集中利用率とコストを選び得る。

経路制御が容量の使われ方を決める。RFC 7938は大規模センターの BGP、Clos、ECMP と収束・障害を記す。ECMP は等価経路にフローを分散できるが、ハッシュ衝突、輻輳ホットスポット、遅い復旧を自動で消さない。テレメトリー、輻輳制御、容量設計、障害試験が必要だ。

距離は引き続き負荷制約

IOWN は、40キロメートルの全光リンクでストレージと GPU を分け、UNet3D 医療画像学習を実行した概念実証を公表した。定義された負荷がそのリンクで動いた具体的証拠だが、全モデル、集合パターン、距離、障害の基準ではなく、伝搬遅延を消さない。

拠点間設計は光経路、ルーター、保護切替、分散ストレージ、スケジューリング、運用調整を追加する。土地、電力、耐障害性へのアクセスを改善し得る一方、新たな障害領域とデータ主権制約を作る。理想化した「統一 fabric」ではなく、集中案の総費用・性能と比較すべきだ。

エネルギーとネットワーク位置は連動する

ネットワーク論は電力不足への応答でもある。IEAの基本ケースは2030年の世界データセンター電力を約945 TWh、世界消費の3%弱と予測する。加速サーバーが増加の大きな部分を占め、電力基盤はセンターより計画・建設に時間を要するともする。感度ケースを伴う予測で、確定需要ではない。

別拠点への移動が効くのは、電力、系統接続、冷却、光ファイバー、計算が必要時に存在する場合だけだ。再エネ、学習ジョブ、推論需要、ネットワーク能力は別の時間変動を持つ。分散は一拠点を救っても、重複設備と追加伝送電力を要し得る。

実際の転換を示す証拠

必要なのは、名称付きの複数拠点負荷、ジョブ完了とテール遅延、拠点間利用率、経路収束、損失、完了ジョブ当たり費用、電源と出力抑制、系統接続期間、可用性、顧客採用である。交換事業者の接続容量増加は重要でも、負荷データなしに AI 起因とは言えない。

妥当な結論は、接続が利用可能計算容量の一部になったことだ。メガワット、加速器、ストレージ、拠点内 fabric を代替しない。学習、推論、複製は異なる配置を求め、勝つ設計は一律の「規模から接続へ」ではなく、測定負荷と地域制約で決まる。