オーストラリアがAIインフラのハブとして台頭するには、土地、エネルギー、コンピューティング能力だけでは不十分である理由をCienaのプラダップ・ラジャゴパルが考察します。AIファクトリーの全国的な拡大が進む中、データの移動、GPUの接続、分散型AIサービスの実現には、大容量の光ネットワークが不可欠になります。

オーストラリアのデータセンター容量は、この10年間で大幅に拡大しました。 人口は2,800万人弱に過ぎないにもかかわらず、オーストラリアは1人当たりのデータセンター容量で世界最大級の規模を有しており、現在約1,400MWのIT負荷容量が稼働していますが、2030年までには3,200MWに増加すると見込まれています。

では、なぜオーストラリアはこれほどまでにデータセンター分野で突出した存在となったのでしょうか？ その理由は主に3つあります。

  • 広大な土地 : 複数棟からなる広大なハイパースケール・キャンパスと、それに必要な変電設備を建設するための十分な土地が確保しやすいことです。
  • エネルギーの供給力と安定性 : AIは大量の電力を消費します。オーストラリアは規制が整備された安定した政治環境を備えており、これはエネルギーの安定供給を保証します。コンピューティング環境の停止による損失が数百万ドル規模に及ぶ場合もある中で、これは極めて重要な要素です。さらに、ハイパースケーラー各社がネットゼロ排出の実現を積極的に推進する中、オーストラリアは大規模な再生可能エネルギー（太陽光および風力）の導入ポテンシャルを有しており、こうした運用を持続可能な形で支える理想的な立地となっています。
  • 冷却技術の革新 : 居住可能な大陸の中で最も乾燥した大陸であるオーストラリアでは、水資源に制約があります。 このことが現地の事業者を高効率冷却技術の世界的な先駆者に押し上げ、大量の水を消費する方式から脱却して、閉ループシステム、雑排水の再利用、チップ直結液冷などの技術が採用されています。

あまり語られることはありませんが、重要な要因はもう1つあり、それはオーストラリアへのネットワーク接続性です。過去10年間で海底ケーブルの敷設が急速に進み、クラウド・ワークロードをオーストラリアの内外へシームレスに移動できるようになりました。 これにより、オーストラリアはデジタル上の安全な拠点としての地位を確立し、データ主権の確保と、最適なレイテンシーを実現するアベイラビリティー・ゾーンの構築を可能にしています。

これまでオーストラリアのデータセンターは、主に汎用コンピューティング向けに構築されてきました。クラウド・コンピューティングを提供するためのCPUを多数搭載し、エンタープライズ向け（政府機関を含む）および消費者向けアプリケーションを支えてきました。

しかし現在では、「AIファクトリー」と呼ばれるAIワークロード向けの大規模データセンターの導入が進んでいます。 これは、大規模なGPU導入を特徴とし、大陸全体にわたって展開されるものです。こうした施設は重要な主権型AI機能を提供するとともに、前述した有利な条件と相まって、国レベルおよび地域レベルで稼働するAIワークロードを支えるための堅牢な大容量接続の需要を押し上げることになります。

AIネットワーク需要を支える3つの柱

AIファクトリーの導入を語るうえで、土地、エネルギー、水は欠かせない要素です。 そこにGPUが加わることで、その複雑さはさらに増します。 しかし、必ずしも注目されないものの、AIファクトリーと外部を結ぶ接続や、AIファクトリー同士を結ぶネットワークも同じくらい重要です。

AIワークロードを支えるネットワーク・インフラに対する大規模な需要を生み出している主なユースケースとして、次の3つが挙げられます。

1. データ取り込み – AIモデルを機能させるには、まず学習させる必要があります。そのためには、ペタバイト規模の生データや非構造化データが必要になります。機密性の高い国家アーカイブを政府機関がアップロードする場合でも、数十年分のテレメトリー・データを大企業が集約する場合でも、あるいはオーストラリアの消費者に特化したコンテンツを用いてハイパースケーラーが学習を実施しようとする場合でも、こうしたペイロードをデータレイクからAIファクトリーへ移動するには、専用の大容量接続が必要です。これを実現できるのは高速光ネットワークだけです。高価なGPUクラスターがデータの到着待ちで遊休状態にならないようにするため、ネットワークはテラビット級の帯域幅バーストを継続的に処理できなければなりません。

2. 水平方向への拡張（分散コンピューティング – ブロディー・ゲイジ（Brodie Gage）のブログで説明しているように、次世代のAIモデルの学習には、単一のデータセンターで現実的に供給できる数を超えるGPUが必要になるケースが増えています。その結果、GPUクラスターは複数の施設に分散配置されるようになっており、多くの場合、それらの施設は数百キロメートルから数千キロメートル離れています。 AI学習を効果的に行うためには、このように分散配置されたGPU間でパラメーターをリアルタイムに同期する必要があります。 これは従来のデータセンター間接続（DCI）とは異なり、桁違いに大きな帯域幅に加え、パケット損失を許容しない同期型の接続性も必要とします。

3. 推論 – これまで、AIインフラの要件は主に学習ワークロードが中心であり、推論はローカル環境で比較的軽量なインフラ上に導入されるのが一般的でした。ところが今、そのバランスが変化しつつあります。

AIシステムは、単純なプロンプトと応答によるやり取りから、推論、計画、複数段階の意思決定を伴う、より高度なワークフローへと進化しています。こうした機能は、短時間で完結する単発の推論処理ではなく、実行時に稼働する大規模なGPUリソースに大きく依存しています。

推論が継続稼働かつ常時運用型のワークロードになりつつあることで、基盤インフラに対する新たな要件も生まれています。推論ワークロードは単一の施設に集約されるのではなく、可用性、遅延、拡張性、コンピューティング・コストの要件を満たすために複数のデータセンターへ分散配置されます。その結果、より広い地理的範囲で、エンドユーザーに近い場所へのAI施設の新たな導入が進むことになります。

こうした物理的な分散配置によって、光ネットワークには新たに高度な要件が課されます。接続性は推論インフラの拡大に合わせて拡張できなければならず、予測可能な大容量・低遅延伝送を拠点間で提供する必要があります。ネットワークは、こうした分散環境を結び付けたうえで、AIサービスがローカルまたは地域レベルのボトルネックに制約されることなく、一体的なシステムとして機能できるようにする必要があります。

AIインフラの拡張を支えるネットワークの役割

オーストラリアがAIインフラのハブとして成長を続ける中、接続性は設計上の主要な考慮事項になりつつあります。 土地、エネルギー、コンピューティング能力は引き続き重要ですが、AIインフラの拡張を可能にするのは、データを効率的に伝送する能力です。AIワークロードは、厳しい遅延要件や信頼性要件とともに、大容量帯域に対する持続的な需要を生み出します。

データ取り込み、分散学習、推論といったユースケースは、トラフィック・パターンの変化を反映しています。ネットワークは、分散した拠点間で継続的かつ大規模なデータ移動を支える必要があります。そのためには、大規模環境において予測可能なパフォーマンスを提供できるように設計された大容量光ネットワーク・インフラが不可欠です。

オーストラリアは、デジタルインフラへの投資と安定した運用環境により、有利な立場にあります。しかし、この可能性を実現できるかどうかは、ネットワークがコンピューティング能力の拡大に合わせて規模を拡張し、AIシステムを個別の施設の集合体ではなく、分散型コヒーレント・プラットフォームとして機能させられるかどうかにかかっています。