AIチップ 業界地図──NVIDIA/AMD/Intel/Apple/独自チップ【2026年】

3行まとめ

1. NVIDIAはBlackwell世代（B200/B300）でAIアクセラレータ市場シェア約80%を維持し、2026年度データセンター売上は約1,937億ドルに達した（Presenc AI調べ）
2. AMDのMI350Xは推論性能35倍向上を主張し、Microsoft・Meta・OpenAIが採用を表明。Intelは低価格路線で3%前後のシェアを確保（Tom's Hardware報道）
3. Google TPU v6・Amazon Trainium3・Microsoft Maia 200と、クラウド各社の独自チップ開発が加速し、NVIDIA一強からの分散が進みつつある

AIチップ市場の全体像

2026年のAIチップ市場規模は調査会社によって推定値に幅があるが、800億〜1,200億ドル程度とされている（Precedence Research、GM Insights、Markets and Marketsなど複数社の予測に基づく）。定義の違い（GPU単体か、推論チップ・エッジAI含むかなど）が幅の主因だ。

成長率はCAGR 30〜40%台の予測が多く、2030年には3,000億ドル規模になるとの見通しもある。この成長を牽引しているのは、LLM（大規模言語モデル）の学習・推論に必要な計算量の急増だ。

7社のポジション比較

2026年6月時点の主要AIチップを以下にまとめた。性能値は各社の公式発表・プレスリリースに基づく。

企業	主力チップ	メモリ	FP8/FP4性能	入手方法	推定シェア
NVIDIA	B300 (Blackwell Ultra)	288GB HBM3e	FP4 14 PFLOPS	購入・クラウド	約80%
NVIDIA	B200 (Blackwell)	192GB HBM3e	FP4 9 PFLOPS	購入・クラウド	（上記に含む）
AMD	MI350X (CDNA 4)	288GB HBM3e	MI300X比35倍推論	購入・クラウド	約5〜7%
Intel	Gaudi 3	128GB HBM	BF16 1,835 TFLOPS	購入・IBM Cloud	約3%
Google	TPU v6 (Trillium)	──	v5e比4.7倍	GCP限定	約2〜3%
Amazon	Trainium3	144GB HBM3e	FP8 2.52 PFLOPS	AWS限定	──
Microsoft	Maia 200	216GB HBM3e	Trainium3比3倍FP4	Azure内部	──
Apple	M4 Max Neural Engine	128GB統合メモリ	38 TOPS	Mac製品	エッジ専用

注意点として、各社の性能指標は測定条件・データ型（FP4/FP8/BF16）が異なるため、単純な横比較には限界がある。「○倍」の主張は各社のベンチマーク条件に依存する。

NVIDIA──Blackwell世代で首位を堅持

NVIDIAの2026年度（2026年1月期）データセンター売上は約1,937億ドルで、AIアクセラレータ市場シェアは約80%と推定されている（Presenc AI調べ）。2024年のピーク時（87%前後）からはやや低下しているが、市場全体が急拡大しているため売上額は増加し続けている。

NVIDIAの戦略についての詳細は関連記事：NVIDIAのAI半導体支配を参照。

Blackwell世代のラインナップ

B200（2024年後半出荷開始）：208億トランジスタのデュアルダイ設計、192GB HBM3e、FP4で9 PFLOPSの演算性能。DGX B200はDGX H100比で学習3倍・推論15倍の性能向上を主張している（NVIDIA公式発表）。TDPは1,000W。

B300（Blackwell Ultra）（2026年1月出荷開始）：B200の最適化版で、288GB HBM3e、FP4で14 PFLOPSとB200比約55%の性能向上。より高いクロック速度と熱設計の改善によるもの（Spheron調べ）。

CUDAエコシステムの囲い込みが依然として大きな参入障壁となっている。多くのAIフレームワーク（PyTorch、TensorFlow）がNVIDIA GPUに最適化されており、移行コストが高い。

AMD──MI350Xで本格的な対抗軸に

AMDはCDNA 4アーキテクチャベースのMI350Xで、NVIDIAへの対抗姿勢を強めている。

MI350Xの主張する性能

Tom's Hardwareの報道によると、AMDはMI350Xについて以下を主張している：

• MI300X比でAI演算性能4倍
• 推論性能35倍（CDNA 4アーキテクチャとFP4/FP6対応による）
• 288GB HBM3eメモリ搭載
• 3nmプロセスで製造

Microsoft、Meta、OpenAIがMI350Xの採用を表明しており、これはAMDにとって大きな進展だ（AMD公式プレスリリース）。

現行MI300Xの実績

現行のMI300Xは192GB HBM3メモリを搭載し、特定の推論ベンチマークではNVIDIA H100を上回る結果も報告されている。ただし、ソフトウェアエコシステム（ROCm）の成熟度ではCUDAに及ばないという評価が多い。

AMDのAI関連売上は2024年の約40億ドルから2025年には約100億ドルに成長したとされている（Presenc AI調べ）。シェアは5〜7%程度だが、MI350X世代での拡大が見込まれている。

Intel──低価格路線で生き残りを図る

IntelのAIアクセラレータ事業は苦戦が続いている。Gaudi 3は性能面でNVIDIA H100に劣るが、価格で勝負する戦略を取っている。

Gaudi 3の位置づけ

Tom's Hardwareの報道によると、Gaudi 3はH100より性能は低いが価格も安い。8基構成のアクセラレータキットが約125,000ドル（1基あたり約15,625ドル）で、H100の1基約30,678ドルと比べると半額程度になる。

スペックとしては128GB HBM、BF16で1,835 TFLOPS、TDP約600W。64個のテンソルプロセッサコアと8個の行列演算エンジンを搭載する（Intel公式ホワイトペーパー）。

2025年にはIBMがGaudi 3をクラウドに採用することを発表しており、コスト重視の企業向け市場で一定の需要はある（Intel Newsroom）。ただし、市場シェアは約3%にとどまっている。

Google TPU──クラウド専用の独自路線

Google TPUは市販されておらず、Google Cloud Platform（GCP）経由でのみ利用できる。Googleの内部ワークロード（検索、YouTube、Gemini）に加え、外部顧客にもGCP上で提供されている。

TPU v6（Trillium）

Google Cloud Blogの公式発表によると、2024年に発表されたTPU v6（Trillium）は以下の特徴を持つ：

• TPU v5e比で4.7倍の性能向上
• 67%のエネルギー効率改善
• HBM容量・帯域幅ともにv5eの2倍
• 100,000チップを1つのJupiterネットワークファブリックに接続可能（13 Pbpsの二分帯域幅）
• 第3世代SparseCoreによる大規模埋め込み処理の高速化

TPUの強みは大規模クラスタでの運用に最適化されている点で、数千〜数万チップ規模のジョブを効率的に実行できる。AnthropicがGCPのTPUでClaudeを学習しているのも知られている。

Amazon Trainium──AWSインフラの自給自足

Amazonは自社クラウド（AWS）向けにTrainiumシリーズを開発し、NVIDIA依存の低減を図っている。

Trainium3

Nerd Level Techの報道によると、2025年のre:Inventで発表されたTrainium3は以下の仕様：

• 3nmプロセスで製造
• FP8で2.52 PFLOPSの演算性能
• 144GB HBM3e搭載
• 数千チップをUltraServer構成で接続可能

先代のTrainium2（2024年12月GA）はH100ベースのP5eインスタンス比で30〜40%のコストパフォーマンス改善を主張していた。

AWSの戦略は明確で、自社チップでインフラコストを下げ、その分をAWS利用料の競争力に転換する。外部販売は行わず、AWS上でのみ利用できる。

Microsoft Maia──Azure専用の切り札

Microsoftも独自AIチップの開発を進めている。

Maia 200

2026年1月に発表されたMaia 200は、TSMCの3nmプロセスで製造され、140億以上のトランジスタを搭載。216GB HBM3eと、Trainium3比3倍のFP4性能を主張している（Nerd Level Tech報道）。

Maia 100（2023年11月発表、TSMC 5nm、64GB HBM2E）の後継であり、Azure内部での利用が中心。外部への単体販売は発表されていない。

MicrosoftはOpenAIの主要パートナーであり、GPTシリーズの推論にMaiaを使うことでNVIDIA GPUへの依存を減らす意図がある。

Apple──エッジAIで独自の道

AppleのNeural Engineは、データセンター向けのアクセラレータとは市場が異なる。Mac・iPhone・iPadに搭載され、デバイス上（オンデバイス）でのAI処理を担う。

M4シリーズのAI性能

Mayhemcodeの解説によると、M4の16コアNeural Engineは38 TOPS（毎秒38兆演算）の処理能力を持つ。M4 Maxでは128GBの統合メモリと546GB/sの帯域幅を提供する。

Appleの強みは以下の点にある：

• 発熱の少なさ：M4 MacBook Airはファンレスでも重い演算を長時間持続できる
• 統合メモリ：CPU・GPU・Neural Engineがメモリを共有し、データ転送のボトルネックが少ない
• ソフトウェア最適化：2025年にOllamaがNeural Engineへの自動オフロードに対応し、ローカルLLM実行の実用性が向上した

データセンターのAIチップ競争とは別軸で、エッジAI・プライバシー重視のAI処理という市場を押さえている。

独自チップ開発の構造的な理由

Google、Amazon、Microsoftがそれぞれ独自チップを開発する理由は共通している：

1. コスト削減：NVIDIAのGPUは高価であり、自社チップなら長期的にインフラコストを下げられる
2. 供給リスクの分散：NVIDIAへの依存度が高いと、供給不足時にサービスに影響が出る
3. 差別化：自社チップに最適化したサービスを提供できれば、クラウド間の競争力になる

ただし、独自チップにはCUDAエコシステムとの互換性がないという課題がある。ユーザーがNVIDIA GPU向けに書いたコードをそのまま動かせないため、移行の障壁は高い。

市場構造の変化──NVIDIAの一強は続くか

2026年時点では、NVIDIAの圧倒的優位は変わっていない。ただし、以下の構造変化が進行中だ：

短期（2026〜2027年）：NVIDIA シェア75〜80%台で推移する見込み。AMDのMI350Xが一定のシェアを獲得するが、CUDAの壁は大きい。

中期（2028年以降）：クラウド各社の独自チップが成熟し、自社サービス内でのNVIDIA依存が低下する可能性がある。ただし、外部顧客向けにはNVIDIA GPUを提供し続けるため、NVIDIAの売上が急減するシナリオは考えにくい。

推論市場の拡大：学習フェーズよりも推論フェーズの計算需要が急速に拡大しており、推論に特化したチップ（Google TPU、Amazon Trainium等）の出番が増える可能性がある。

正直に書くと

• 各社が公表するベンチマーク数値は自社に有利な条件で測定されていることが多く、実運用での性能差は公称値と異なる場合がある
• 市場シェアの数値は調査会社によって定義・推定手法が異なり、10ポイント以上の差が出ることもある。本記事ではPresenc AI等の推計を引用したが、別の調査会社では異なる数値を出している
• 筆者はこれらのチップを実際に運用した経験はない。スペック・価格情報は各社の公式発表および技術メディアの報道に基づく
• Apple M5が2025年10月に発表されているが、本記事ではM4世代の情報を記載した。M5のAI性能については別途確認が必要

エネルギー消費の観点についてはAIと電力消費を、NVIDIAに特化した分析はNVIDIAのAI半導体支配を参照。

出典・但し書き

• 市場シェア・売上推定値は各調査会社の推計であり、各社の公式発表値ではない場合がある
• 性能数値は各社の公式発表・プレスリリースに基づく。実環境での性能を保証するものではない
• 記事の情報は2026年6月時点のもの。AIチップ市場は変動が速く、数値が変わっている可能性がある