# 現代AIワークフローの性能制約の内側――Everpure の Cameron Bahar 氏に聞く

- 番組: [The AI in Business Podcast](https://ai-curator.jp/podcasts/shows/cmv3z5c32001o5o100ot70lmn)（Daniel Faggella）
- 元のタイトル: Inside the Performance Constraints of Modern AI Workflows - with Cameron Bahar of Everpure
- 配信日: 2026年10月29日
- 長さ: 21分
- 要約作成日: 2026年10月29日
- トピック: [#AIストレージ](https://ai-curator.jp/topics/AI%E3%82%B9%E3%83%88%E3%83%AC%E3%83%BC%E3%82%B8) [#推論](https://ai-curator.jp/topics/%E6%8E%A8%E8%AB%96) [#エージェント型AI](https://ai-curator.jp/topics/%E3%82%A8%E3%83%BC%E3%82%B8%E3%82%A7%E3%83%B3%E3%83%88%E5%9E%8BAI) [#GPUクラスタ](https://ai-curator.jp/topics/GPU%E3%82%AF%E3%83%A9%E3%82%B9%E3%82%BF) [#メタデータ](https://ai-curator.jp/topics/%E3%83%A1%E3%82%BF%E3%83%87%E3%83%BC%E3%82%BF) [#マルチテナント](https://ai-curator.jp/topics/%E3%83%9E%E3%83%AB%E3%83%81%E3%83%86%E3%83%8A%E3%83%B3%E3%83%88)
- URL: https://ai-curator.jp/podcasts/cmvt7m9g400015z11qvdchugf

## 要約

Everpure の Scale AI 担当 GM、Cameron Bahar 氏が、AI ストレージアーキテクチャの要件を語った回。ワークロードが学習から推論・エージェント型へ移るなか、シンプルさ・柔軟性・拡張性が鍵になると述べている。メタデータとデータの独立スケール、標準プロトコル、クラウド型の常時稼働モデルといった設計原則が紹介された。

## ポイント

- 学習ではGPUを遊ばせないための極めて高いスループットが課題で、推論・エージェント型ではメタデータ性能やレイテンシ、大量の読み書きが負荷になると述べている。
- ワークロードは3か月ごとに変わるため、シンプル・柔軟・スケーラブルの3点が最重要だとの見方を示した。
- メタデータとデータを分離して独立にスケールさせ、pNFSなどの標準プロトコルとRDMA対応の高速ネットワークを使うことを設計原則に挙げた。
- 電力がデータセンターの最大の制約であり、ノード単位の効率を高めて少ないラックで高スループットを出すことが重要だと述べた。
- 顧客はGPU数を3〜6か月で倍増させる傾向があり、停止せず容量を追加できることが必須だと語った。
- ストレージは汎用サーバー上の分散ソフトウェアとして、障害を隠蔽し常時稼働するマルチテナントのクラウド型サービスとして設計すべきだとした。

## 章立て

- [01:03] **学習から推論・エージェントへ** — 学習期はGPUを遊ばせないための巨大スループットが課題だった。推論・エージェント型ではメタデータやレイテンシへの負荷が変わると説明。
- [04:05] **リーダーが直面する不確実性** — ワークロードが3か月単位で変わる中、シンプル・柔軟・拡張性が重視され、マルチテナント化でクラウド型の構成に近づくと述べる。
- [06:07] **設計原則：分離・標準・ネットワーク・電力** — メタデータとデータの独立スケール、pNFSなどの標準プロトコル、RDMA、ノード効率と電力制約について整理している。
- [09:12] **急成長する顧客の具体例** — GPU数が数か月で倍増すること、自動運転系スタートアップが半年で約10倍に増える例を紹介。
- [12:32] **他業種への波及** — 高頻度取引、石油・ガス探査、半導体設計、マルチモーダルなど、速度が競争力になる分野でも同様の課題が出ると語る。
- [15:35] **クラウド運用モデルとまとめ** — 汎用サーバー上のソフトウェアが障害を隠蔽し常時稼働を実現する考え方と、運用をシンプルに保つ重要性を述べて締めくくる。

## 解説記事

Everpure の Scale AI 担当 GM である Cameron Bahar 氏が、The AI in Business Podcast に出演し、AI ワークロードがストレージに突きつける要件と、その設計の方向性を語った。学習から推論、エージェント型への移行が進むなか、ストレージはどう変わるべきかが主題である。

#### 学習から推論・エージェントへ変わる負荷

Bahar 氏によれば、ここ2〜3年は大規模言語モデル（LLM）の学習が支配的なワークロードだった。GPU 基盤は高価なため、データ供給が追いつかずGPUが遊ぶことは大きな財務的負担になる。学習時のデータ読み込みに必要なスループットは、従来のエンタープライズ向けストレージの想定を桁違いに上回るという。1万〜2万、さらには10万規模のGPUが単一の巨大データセットを読むため、政府系研究所で使われてきたHPC向けの Lustre のようなシステムが流用されてきたと説明した。

推論やエージェント型ワークロードでは負荷の性質が変わる。メタデータ性能、レイテンシ、多数のエージェントによる大量の書き込みと読み戻しが問題になり、メモリの壁も影響すると述べている。

#### 柔軟・シンプル・拡張性という3本柱

リーダーが直面する最大の課題は「未知」だと Bahar 氏は語る。ワークロードはまだ十分に理解されておらず、3か月ごとに変化する。そのため、シンプルで柔軟、かつスケールできることが主要な3本柱になるという。学習では少数のデータサイエンティストが使うが、推論では数千人規模の利用者が同時にアクセスするため、マルチテナント性も重要になる。結果として、単一機能のアプライアンスよりクラウドのアーキテクチャに近づくと述べている。

#### 具体的な設計原則

同氏が挙げた原則は次のとおり。

- メタデータとデータの分離：ある日はスループット、別の日はメタデータ負荷が高い推論など、必要に応じて個別にスケール・調整できる。
- 標準プロトコルによる並列アクセス：独自プロトコルやクライアントはHPCでは有効でも、企業やAIファクトリーでは標準が重要で、セキュリティ面の懸念もあるとし、pNFS を例に挙げた。
- RDMA を使う高速ネットワーク：システム同士をつなぐ基盤として重要。
- ノード単位の効率：電力がデータセンターの最大の制約であり、ハードを過剰に積んで遊ばせる余裕はない。少ないラックで高いスループットを出す必要がある。

また、顧客はGPU数を3〜6か月で倍増させる傾向があるとし、システムを止めずに容量を足せることが重要だと述べた。従来のエンタープライズ用途のように、4〜5年で償却する前提でサイズを決める運用とは対照的である。

#### 業界を問わない急成長と速度要件

具体例として、センサーデータを集める自動運転系スタートアップが、従業員20人ほどの段階からペタバイト級を消費し、半年ごとにほぼ10倍に増えるケースを挙げた。資金に余裕のない企業が自前でストレージ基盤を作る時間はなく、小さく始めてエクサバイト級まで伸びる仕組みが必要だという。

映像データが少ない業種にも関係はある。Bahar 氏は高頻度取引の金融会社がGPUで市場予測を行う例を挙げ、速度が収益に直結するため、低レイテンシと極めて高いスループット（10TB/秒級という表現）が求められると述べた。ほかにも石油・ガス探査、AIを使った半導体設計（EDA）、テキストからマルチモーダルへの移行で容量が再び10倍規模になる点を挙げている。

#### クラウド運用モデルとしてのストレージ

同氏は、ストレージノードを交換可能なユニットとして捉え、汎用の市販サーバーとNVMe SSD上で動く分散ソフトウェアとして構成する考えを示した。顧客が好みのベンダーからノードを調達でき、最新のCPUやメモリ、PCIeを活用できる。規模が大きくなれば障害は日常的に起きるため、ソフトウェアがハード障害を隠蔽し、修理や更新の最中もマルチテナントのシステムが動き続ける。ハイパースケーラーのように、利用者はサービスとして消費するだけという形だ。

#### まとめ

本回の要点は、AI基盤の性能課題がGPUだけでなくストレージの設計にも及ぶ点にある。Bahar 氏は、メタデータとデータの独立スケール、標準プロトコル、電力効率、常時稼働のクラウド型運用を指針として示し、運用の複雑さが規模拡大で最大の障害になるため、シンプルさが成功の鍵だと強調した。なお同氏はEverpureの立場で語っており、紹介は同社の考え方に沿っている点には留意したい。日本の企業でもPoCから本番展開へ進む際、ストレージ構成を後から変えられるかは検討に値する観点だろう。

> この要約・解説記事は、元の音声の文字起こしをもとに AI（Claude）が日本語で作成したものです。出典: The AI in Business Podcast「Inside the Performance Constraints of Modern AI Workflows - with Cameron Bahar of Everpure」